CN104793493A - 一种基于实时神经网络的半自动睡眠分期装置 - Google Patents
一种基于实时神经网络的半自动睡眠分期装置 Download PDFInfo
- Publication number
- CN104793493A CN104793493A CN201510167492.8A CN201510167492A CN104793493A CN 104793493 A CN104793493 A CN 104793493A CN 201510167492 A CN201510167492 A CN 201510167492A CN 104793493 A CN104793493 A CN 104793493A
- Authority
- CN
- China
- Prior art keywords
- neural network
- stages
- module
- real
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 39
- 230000007935 neutral effect Effects 0.000 title abstract 3
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000003012 network analysis Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 89
- 238000000034 method Methods 0.000 claims description 26
- 230000008667 sleep stage Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000010223 real-time analysis Methods 0.000 claims description 3
- 230000019771 cognition Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 238000002570 electrooculography Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000037053 non-rapid eye movement Effects 0.000 description 2
- 230000004461 rapid eye movement Effects 0.000 description 2
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000012905 Brassica oleracea var viridis Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000779 depleting effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007102 metabolic function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000037152 sensory function Effects 0.000 description 1
- 230000008665 sleep physiology Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于实时神经网络的半自动睡眠分期装置,由将待分析睡眠数据进行实时神经网络分析的处理模块、将待分析数据进行分析处理后实时存储的存储模块、对其他模块进行实时有效控制的控制模块、对分期结果的数据和图形进行可视化显示的显示模块依次相连构成。本装置操作简单,能够对不同个体的睡眠分期做出实时高效的预测,具有分期准确率高、分类实时性好、应用前景广阔等特点。基于本装置的产品可应用于睡眠监测、睡眠科研等场景。
Description
技术领域
本发明涉及睡眠分期领域,尤其涉及一种基于实时神经网络的半自动睡眠分期装置。
背景技术
睡眠是人体必不可少的生理活动,是一种既重要又复杂的生理现象,在人类生命中大约占有三分之一的时间。睡眠是机体进行自我修复和完善的过程,对维持身心健康具有重要的调节作用。
睡眠分期是根据人体在睡眠期间生理信号的不同变化而将睡眠过程分为不同的阶段。各个阶段的睡眠以一定的规律周期性的出现,并且都有各自特定的生理和行为特点。根据脑电图的不同特征,主要将睡眠分为非眼球快速运动期(Non-rapid eye movement,NREM)和眼球快速运动期(Rapid eye movement,REM)。NREM期又分为四个时期,NREM-1期为入睡期,NREM-2期为浅睡期,NREM-3期为中度睡眠期,NREM-4期为深度睡眠期。这个阶段的特点有:人的呼吸较浅,缓慢而又均匀,心率较慢,血压降低,人体肌肉保持松弛状态,没有明显的眼球运动。REM期的特点是眼球快速转动。在这个阶段,人体的感觉功能进一步减退,肌肉也更加松弛,肌腱反射消失,这时的血压升高,呼吸稍快且不规则,体温、心率也有所升高。这个阶段,体内各种代谢功能都显著增加,以保证大脑组织蛋白的合成和消耗物质的补充,使神经系统正常发育,并为第二天的活动积蓄能量。
目前,基于生理信号的睡眠监测方法普遍采用的是多导生理睡眠监测仪,它是基于多导睡眠图(Polysomnography,PSG),该方法是在睡眠期间对受试者进行监测和记录,主要记录了脑电信号(Electroencephologram,EEG)、眼电信号(Electrooculography,EOG)、肌电信号(Electromyography,EMG)等生理参数,有利于得到全面综合的生理信息,同时根据国际R&K(Rechtschaffen and Kales)准则,可以进行睡眠状态、阶段和质量的判断。基于睡眠的人工分期,一般通过观察PSG信号的波形特征,进行人工判断睡眠的各个阶段。
神经网络作为一种模式识别技术,在各个领域得到越来越广泛的应用。神经网络具有很强的自学习性、自组织性、容错性、高度非线性、联想记忆功能和逻辑推理功能等,具有符合人类视觉系统的高速并行处理和分布式存储等特性。神经网络不需要预先给出有关模式的经验知识和判别函数,通过自身的学习机制即可自动形成所需要的决策区域,因此,近年来神经网络的模式识别成为神经网络最有研究价值的应用领域之一。
专利CN103489009A公布了一种基于自适应修正神经网络的模式识别方法,使该发明具有分类准确率高、分类实时性能好、模型泛化能力强、应用前景广阔等优点;专利CN103584840A公布了一种基于脑电、心率变异及两者相干性的自动睡眠分期方法,利用支持向量机作为分类器对特征参数进行识别,有效的提高了自动睡眠分期的准确性。
上述技术方法存在的问题是,由于神经网络参数在初始训练完成后即固定,在实际运行时,一方面,不能根据人工校正的结果实时有效的对自动睡眠分期过程进行更新调整,进而提高分期准确率和操作效率,另一方面,由于个体差异,不同个体的相同特征参数在同一神经网络下的自动睡眠分期效果存在差异,不能有效的排除个体差异性。
发明内容
为了解决上述的问题,本发明提供了如下技术方案:
一种基于实时神经网络的半自动睡眠分期装置,由将待分析睡眠数据进行实时神经网络分析的处理模块、将待分析数据进行分析处理后实时存储的存储模块、对其他模块进行实时有效控制的控制模块、对分期结果的数据和图形进行可视化显示的显示模块依次相连,控制模块又与对分期结果进行展示和打印操作的报表模块相连构成;处理模块由数据读取模块、数据预处理模块、实时神经网络分析单元模块依次相连构成,数据读取模块从存储模块中读取待分析数据,数据预处理模块对读取的待分析数据进行预处理操作,实时神经网络分析单元模块将对预处理后的数据进行基于人工后期校正的神经网络实时分析处理。
所述处理模块接受来自存储模块当前记录好的待分析数据,然后对数据进行预处理,主要是对数据进行噪声和干扰成分的过滤,最后将预处理后的数据送入实时神经网络分析单元进行特征提取、训练学习和自动分期,达到对睡眠数据的有效处理。
所述处理模块中的实时神经网络分析单元工作过程如下:
第一步,神经网络的初始化。首先选择特定的数据作为训练集,进行特征参数提取,并结合已有的人工分期结果作为神经网络的输入,对其进行初始的训练学习,根据特定的学习规则,不断的对各个网络神经元的连接权值进行调节,直到使该神经网络具有某种期望的输出。此时得到初始的网络权值集和训练好的神经网络模型,可以作为自动睡眠分期的初始神经网络。
第二步,神经网络的自动分期。根据训练好的神经网络模型,选取待分析数据,进行特征参数提取,并输入于训练好的初始神经网络,进行相应的网络分析,得到睡眠自动分期结果。由于生理数据复杂多变,得到的分期结果准确率不高,需要进一步处理。
第三步,神经网络的实时调整。操作者对自动分期的结果进行人工判别,将错误的分期结果进行人工校正,实时神经网络分析单元将校正后的分期结果重新输入神经网络进行实时的训练,使得神经网络的权值系数根据校正后的分期结果得到及时修正,再使用重新训练后的神经网络对后续未校正分期进行重新分析。此时的神经网络经过实时调整后性能更加稳定、高效和准确。另一方面,由于人工校正过程中考虑了个体生理特征的差异,实时神经网络的调整过程在权值系数中包含了这些个体特征,因而实现了对不同个体生理特征的自适应,进一步提高了自动分期结果的准确性。
如此反复的对神经网络进行实时调整,一直到待测数据的分期为最后一个分期时,神经网络的实时反馈得到终止。
所述存储模块负责对采集好的生理信号数据进行存储,负责向处理模块、显示模块、报表模块提供相应的数据。另外,在显示模块进行人工睡眠分期时,存储模块负责对分期结果进行存储,提供给处理模块进行对比分析。
所述控制模块用于对显示模块和报表模块的有效控制,对处理模块进行睡眠分期时的实时控制,对装置的开关、退出、初始化、执行、选择等操作进行控制。
所述显示模块是对分期结果的数据和图形进行可视化的显示,并且在人工睡眠分期时,提供对存储模块中的原始生理信号数据的可视化,操作者根据数据可视化的形态、参数等特征进行正确的人工分期。
所述报表模块用于对分期结果按特定需求进行展示和打印操作。
相对于目前已有的技术,本发明所提出方法针对所分析记录的个体特征实现个性化的判别,可有效提高自动睡眠分期的准确性,并大大提高操作者的工作效率。
附图说明
图1本发明的结构框图
图2本发明的实时神经网络分析单元的功能框图
图3本发明的功能流程图
具体实施方式
为了使本发明的目的、技术优点和方案设计更加清晰明确,下面将结合附图对本发明的具体实施方式作详细的说明。
本发明所提出的方法针对所分析记录的个体特征实现个性化的判别,操作者对当前记录的初始分析结果进行人工校正,实时神经网络分析单元根据校正结果实时更新调整分期输出,可有效提高自动睡眠分期的准确性,并大大提高操作者的工作效率。
如图1所示,为本发明的结构框图,主要由将待分析睡眠数据进行实时神经网络分析的处理模块、将待分析数据进行分析处理后实时存储的存储模块、对其他模块进行实时有效控制的控制模块、对分期结果的数据和图形进行可视化显示的显示模块依次相连,控制模块又与对分期结果进行展示和打印操作的报表模块相连;处理模块由数据读取模块、数据预处理模块、实时神经网络分析单元模块依次相连构成,数据读取模块从存储模块中读取待分析数据,数据预处理模块对读取的待分析数据进行预处理操作,实时神经网络分析单元模块将对预处理后的数据进行基于人工后期校正的神经网络实时分析处理。
首先选择特定的数据作为训练集,进行特征参数提取,并结合已有的人工分期结果作为神经网络的输入,对其进行初始的训练学习,根据特定的学习规则,不断的对各个网络神经元的连接权值进行调节,直到使该神经网络具有某种期望的输出。此时得到初始的网络权值集和训练好的神经网络模型,可以作为自动睡眠分期的初始神经网络。
处理模块负责接收从存储模块选择待分析数据,对其进行读取操作,利用相应的噪声处理程序对其进行噪声过滤预处理,然后利用实时神经网络分析单元对预处理后的纯净数据进行特征参数提取,输入初始神经网络模型,进行自动分期。人工校正自动睡眠分期结果,根据校正结果对神经网络重新训练学习、权值修正、自动分期,如此反复的对神经网络进行实时调整,一直到待测数据的分期结果为最后一个分期时,神经网络的实时反馈得到终止。
一方面,处理模块实现睡眠生理信号在实时神经网络下的最优分期,通过半自动人工调整反馈,不断更新网络性能,提高了分期的实时性和准确性,同时提高了操作者的工作效率。另一方面,由于人工校正过程中考虑了个体生理特征的差异,实时神经网络的调整过程在权值系数中包含了这些个体特征,因而实现了对不同个体生理特征的自适应,进一步提高了自动分期结果的准确性。
存储模块负责接收外部设备采集好的生理信号数据,如PSG生理数据,并对其进行存储,该模块还负责向处理模块、显示模块、报表模块传递相应的数据。另外,在进行人工睡眠分期时,该模块负责对分期结果进行存储,提供给处理模块进行对比分析。
控制模块通过软件程序实现,用于对显示模块和报表模块的有效控制,对处理模块进行睡眠分期时的实时控制,对装置的开关、退出、初始化、执行、选择等操作进行控制。
显示模块是对分期结果的数据和图形进行可视化的显示,并且在人工睡眠分期时,提供对存储模块中的原始生理信号数据的可视化,操作者根据数据可视化的形态、参数等特征进行正确的人工分期。
报表模块用于对分期结果按照特定需求进行展示和打印操作。
如图2所示,为本发明的实时神经网络分析单元的功能框图,这是本发明功能实现的核心部分。首先选择特定的数据作为训练集,进行特征参数提取,并结合已有的人工分期结果作为神经网络的输入,对其进行初始的训练学习,根据特定的学习规则,不断的对各个网络神经元的连接权值进行调节,直到使该神经网络具有某种期望的输出。此时得到初始的网络权值集和训练好的神经网络模型,可以作为自动睡眠分期的初始神经网络。然后选择数据作为待测数据集,进行特征参数提取,并输入初始神经网络,进行相应的网络分析,得到睡眠自动分期结果。
由于生理数据复杂多变,对分期结果的准确性产生影响,所以根据人工睡眠分期结果,对自动分期的结果进行人工校正,并将校正后的分期结果重新输入神经网络进行实时的训练,达到对神经网络权值系数的修正,得到重新训练后的神经网络,然后利用新的神经网络再次进行自动分期,对分期结果进行人工校正,再次训练,再次自动分期,如此反复对神经网络进行实时调整,一直到该分期为最后一个分期时,神经网络的实时反馈得到终止。这样经过多次的人工校正及实时训练,使神经网络具有高效性、准确性、实时性。
另一方面,由于人工校正过程中考虑了个体生理特征的差异,实时神经网络的调整过程在权值系数中包含了这些个体特征,因而实现了对不同个体生理特征的自适应,进一步提高了自动分期结果的准确性。
如图3所示,为本发明的功能流程图。首先对本装置进行系统初始化,选择需要读取的待测数据,对待测数据进行特征提取,并输入神经网络,进行自动睡眠分期,输出分期结果,人工对自动分期结果进行判读,如果自动分期结果与人工分期结果不一致,需要对出现差错的分期结果进行人工修正,然后重新对神经网络进行实时训练,使得网络权值得到实时调整,调整后的神经网络对后续数据进行重新分析,得到新的自动分期结果供人工判读,直至最后一个分期,则整个分期结果完成。最后通过显示模块可以对最终的分期结果进行可视化的显示和打印操作,对分期结果进行存储。该装置提供了可视化操作和个性化处理,可以实现操作界面的友好交互。完成功能需求后,退出到主页面。
最后说明的是,结合上述附图描述的本发明的具体实施方式只是本发明的优选实施方式,而并非本发明的保护范围的限定,任何基于本发明精神所做的改进或者同等替换,只要不脱离本发明的精神和范围,均应涵盖在本发明保护范围之内。
Claims (7)
1.一种基于实时神经网络的半自动睡眠分期装置,由将待分析睡眠数据进行实时神经网络分析的处理模块、将待分析数据进行分析处理后实时存储的存储模块、对其他模块进行实时有效控制的控制模块、对分期结果的数据和图形进行可视化显示的显示模块依次相连,控制模块又与对分期结果进行展示和打印操作的报表模块相连构成;处理模块由数据读取模块、数据预处理模块、实时神经网络分析单元模块依次相连构成,数据读取模块从存储模块中读取待分析数据,数据预处理模块对读取的待分析数据进行预处理操作,实时神经网络分析单元模块将对预处理后的数据进行基于人工后期校正的神经网络实时分析处理。
2.根据权利要求1所述的一种基于实时神经网络的半自动睡眠分期装置,其特征在于所述处理模块接受来自存储模块当前记录好的待分析数据,然后对数据进行预处理,最后将预处理后的数据送入实时神经网络分析单元进行特征提取、训练学习和自动分期。
3.根据权利要求1所述的一种基于实时神经网络的半自动睡眠分期装置,其特征在于所述处理模块中的实时神经网络分析单元工作过程如下:
第一步,神经网络的初始化;首先选择特定的数据作为训练集,进行特征参数提取,并结合已有的人工分期结果作为神经网络的输入,对其进行初始的训练学习,根据特定的学习规则,不断的对各个网络神经元的连接权值进行调节,直到使该神经网络具有某种期望的输出;此时得到初始的网络权值集和训练好的神经网络模型,可以作为自动睡眠分期的初始神经网络;
第二步,神经网络的自动分期;根据训练好的神经网络模型,选取待分析数据,进行特征参数提取,并输入于训练好的初始神经网络,进行相应的网络分析,得到睡眠自动分期结果;
第三步,神经网络的实时调整;操作者对自动分期的结果进行人工判别,将错误的分期结果进行人工校正,实时神经网络分析单元将校正后的分期结果重新输入神经网络进行实时的训练,使得神经网络的权值系数根据校正后的分期结果得到及时修正,再使用重新训练后的神经网络对后续未校正分期进行重新分析;如此反复的对神经网络进行实时调整,一直到待测数据的分期为最后一个分期时,神经网络的实时反馈得到终止。
4.根据权利要求1所述的一种基于实时神经网络的半自动睡眠分期装置,其特征在于所述存储模块负责对采集好的生理信号数据进行存储,负责向处理模块、显示模块、报表模块提供相应的数据;在进行人工睡眠分期时,存储模块负责对分期结果进行存储,提供给处理模块进行对比分析。
5.根据权利要求1所述的一种基于实时神经网络的半自动睡眠分期装置,其特征在于控制模块用于对显示模块和报表模块的有效控制,对处理模块进行睡眠分期时的实时控制,对装置的开关、退出、初始化、执行、选择等操作进行控制。
6.根据权利要求1所述的一种基于实时神经网络的半自动睡眠分期装置,其特征在于显示模块是对分期结果的数据和图形进行可视化的显示,并且在人工睡眠分期时,提供对存储模块中的原始生理信号数据的可视化,操作者根据数据可视化的形态、参数等特征进行正确的人工分期。
7.根据权利要求1所述的一种基于实时神经网络的半自动睡眠分期装置,其特征在于报表模块用于对分期结果按特定需求进行展示和打印操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510167492.8A CN104793493B (zh) | 2015-04-09 | 2015-04-09 | 一种基于实时神经网络的半自动睡眠分期装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510167492.8A CN104793493B (zh) | 2015-04-09 | 2015-04-09 | 一种基于实时神经网络的半自动睡眠分期装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104793493A true CN104793493A (zh) | 2015-07-22 |
CN104793493B CN104793493B (zh) | 2017-09-29 |
Family
ID=53558396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510167492.8A Expired - Fee Related CN104793493B (zh) | 2015-04-09 | 2015-04-09 | 一种基于实时神经网络的半自动睡眠分期装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104793493B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106618486A (zh) * | 2016-09-21 | 2017-05-10 | 广州视源电子科技股份有限公司 | 智能辅助睡眠中的睡眠状态识别方法和系统 |
CN106725462A (zh) * | 2017-01-12 | 2017-05-31 | 兰州大学 | 基于脑电信号的声光睡眠干预系统和方法 |
CN107887032A (zh) * | 2016-09-27 | 2018-04-06 | 中国移动通信有限公司研究院 | 一种数据处理方法及装置 |
CN107961429A (zh) * | 2017-11-28 | 2018-04-27 | 广州视源电子科技股份有限公司 | 睡眠辅助方法和系统、睡眠辅助装置 |
CN109731204A (zh) * | 2019-02-13 | 2019-05-10 | 深兰科技(上海)有限公司 | 一种睡眠刺激方法及装置 |
CN111248868A (zh) * | 2020-02-20 | 2020-06-09 | 长沙湖湘医疗器械有限公司 | 一种快眼动睡眠分析方法、系统及设备 |
CN114145717A (zh) * | 2021-12-08 | 2022-03-08 | 四川北易信息技术有限公司 | 基于ppg心率特征参数和运动量的睡眠状态分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102274022A (zh) * | 2011-05-10 | 2011-12-14 | 浙江大学 | 一种基于脑电信号的睡眠状态监测方法 |
WO2014047310A1 (en) * | 2012-09-19 | 2014-03-27 | Resmed Sensor Technologies Limited | System and method for determining sleep stage |
CN103876743A (zh) * | 2013-12-04 | 2014-06-25 | 北京大学人民医院 | 无线移动互联网自动计算的睡眠呼吸暂停信息交换方法 |
WO2014165021A1 (en) * | 2013-03-12 | 2014-10-09 | Headwaters, Inc. | System and method providing all-night sleep management |
CN104257379A (zh) * | 2014-09-23 | 2015-01-07 | 京东方科技集团股份有限公司 | 一种脑电处理装置及方法和睡眠监测佩戴设备 |
-
2015
- 2015-04-09 CN CN201510167492.8A patent/CN104793493B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102274022A (zh) * | 2011-05-10 | 2011-12-14 | 浙江大学 | 一种基于脑电信号的睡眠状态监测方法 |
WO2014047310A1 (en) * | 2012-09-19 | 2014-03-27 | Resmed Sensor Technologies Limited | System and method for determining sleep stage |
WO2014165021A1 (en) * | 2013-03-12 | 2014-10-09 | Headwaters, Inc. | System and method providing all-night sleep management |
CN103876743A (zh) * | 2013-12-04 | 2014-06-25 | 北京大学人民医院 | 无线移动互联网自动计算的睡眠呼吸暂停信息交换方法 |
CN104257379A (zh) * | 2014-09-23 | 2015-01-07 | 京东方科技集团股份有限公司 | 一种脑电处理装置及方法和睡眠监测佩戴设备 |
Non-Patent Citations (1)
Title |
---|
贾花萍: "基于神经网络集成的睡眠脑电分期研究", 《计算技术与自动化》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106618486A (zh) * | 2016-09-21 | 2017-05-10 | 广州视源电子科技股份有限公司 | 智能辅助睡眠中的睡眠状态识别方法和系统 |
CN107887032A (zh) * | 2016-09-27 | 2018-04-06 | 中国移动通信有限公司研究院 | 一种数据处理方法及装置 |
CN106725462A (zh) * | 2017-01-12 | 2017-05-31 | 兰州大学 | 基于脑电信号的声光睡眠干预系统和方法 |
CN106725462B (zh) * | 2017-01-12 | 2017-11-24 | 兰州大学 | 基于脑电信号的声光睡眠干预系统和方法 |
CN107961429A (zh) * | 2017-11-28 | 2018-04-27 | 广州视源电子科技股份有限公司 | 睡眠辅助方法和系统、睡眠辅助装置 |
CN109731204A (zh) * | 2019-02-13 | 2019-05-10 | 深兰科技(上海)有限公司 | 一种睡眠刺激方法及装置 |
CN111248868A (zh) * | 2020-02-20 | 2020-06-09 | 长沙湖湘医疗器械有限公司 | 一种快眼动睡眠分析方法、系统及设备 |
CN114145717A (zh) * | 2021-12-08 | 2022-03-08 | 四川北易信息技术有限公司 | 基于ppg心率特征参数和运动量的睡眠状态分析方法 |
CN114145717B (zh) * | 2021-12-08 | 2024-06-25 | 四川北易信息技术有限公司 | 基于ppg心率特征参数和运动量的睡眠状态分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104793493B (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104793493A (zh) | 一种基于实时神经网络的半自动睡眠分期装置 | |
CN107224291B (zh) | 调度员能力测试系统 | |
CN107402635B (zh) | 结合脑电波与虚拟现实的心理健康调节方法及系统 | |
CN108814565A (zh) | 一种基于多传感器信息融合和深度学习的智能中医健康检测梳妆台 | |
CN109471528A (zh) | 一种用于脑-机接口系统的脑-机互适应系统 | |
Heiss et al. | Classification of sleep stages in infants: a neuro fuzzy approach | |
CN113180669B (zh) | 一种基于神经反馈技术的情绪调节训练系统与方法 | |
CN113995421A (zh) | 应用前额叶单通道脑电信号对睡眠分期的深度学习算法 | |
CN112008725A (zh) | 一种人机融合脑控机器人系统 | |
CN115407872B (zh) | 一种智能人机协同系统测评方法、装置及存储介质 | |
CN109745000A (zh) | 一种基于神经网络的全自动婴儿睡眠分期系统 | |
CN111603160A (zh) | 一种基于儿童脑电生理参数采集与情绪检测的专注力训练方法 | |
CN112346569A (zh) | 一种瞳孔脑电混合脑机接口平台及其处理方法 | |
CN111238005A (zh) | 基于睡眠分期的空调睡眠模式的自动控制系统及方法 | |
CN105854147A (zh) | 一种智能家庭环境调控系统及方法 | |
He et al. | Towards sedentary lifestyle prevention: an autoregressive model for predicting sedentary behaviors | |
CN109011096A (zh) | 一种基于脑电神经反馈用于训练士兵大脑专注力功能的系统 | |
Walsh et al. | Electrophysiological responses to feedback during the application of abstract rules | |
WO2023278217A1 (en) | Systems and methods for mental exercises and improved cognition | |
JP2023531361A (ja) | 睡眠管理を含むシステム及び方法 | |
Hossain et al. | Emotion recognition using brian signals based on time-frequency analysis and supervised learning algorithm | |
Chen et al. | Research on positive emotion recognition based on EEG signals | |
Paglinawan et al. | Design of an Arduino-Powered Sleep Monitoring System Based on Electrooculography (EOG) with Temperature Control Applications | |
CN117481602A (zh) | 一种基于前额脑电和体动信号的睡眠仪及其分期算法 | |
Mamatha et al. | Smart sensor design and analysis of brain machine interface using labview |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170929 |