CN107495962A - 一种单导联脑电的睡眠自动分期方法 - Google Patents
一种单导联脑电的睡眠自动分期方法 Download PDFInfo
- Publication number
- CN107495962A CN107495962A CN201710840703.9A CN201710840703A CN107495962A CN 107495962 A CN107495962 A CN 107495962A CN 201710840703 A CN201710840703 A CN 201710840703A CN 107495962 A CN107495962 A CN 107495962A
- Authority
- CN
- China
- Prior art keywords
- sleep
- stages
- eeg signals
- training
- single lead
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Abstract
本发明公开了一种单导联脑电的睡眠自动分期方法,包括特征提取模块和分期优化模块。其中,特征提取模块是由CNNs卷积神经网络(1)、Softmax层(2)组成;分期优化模块由双向LSTM循环神经网络(3)和CRF条件随机场模型(4)构成;(1)、(2)、(3)和(4)顺序连接。该方法仅需要单导联的睡眠脑电信号,满足便携、舒适的睡眠监测需求;结合卷积神经网络和循环神经网络充分挖掘了脑电信号的时空特征,且具有动态学习能力,能够适应变化的疾病大环境;分期优化模块充分考虑N段30s脑电数据前后之间的联系,提高分期的准确性和模型的泛化能力。
Description
技术领域
本发明涉及睡眠监测技术领域,具体涉及一种单导联脑电的睡眠自动分期方法。
背景技术
睡眠是人类健康的核心,睡眠减少,睡眠模式异常或昼夜节律失调会导致一系列情感,认知或躯体方面健康的问题。据世界卫生组织统计,全球27%的人有睡眠障碍,每年因此导致的经济损失达数千亿美元,但大多数睡眠障碍一旦被确诊是可以被管理的。通过各生理信号对人体睡眠状态进行分期,是客观评估睡眠质量的一种有效方法。
目前临床上监测睡眠的典型方法是用多导睡眠仪(Polysomnography,PSG)采集睡眠期间的生理信号,包括脑电波(EEG)、眼电(EOG)、肌电(EMG)、心电(ECG)、血氧饱和度(SpO2)和呼吸信号。睡眠阶段判断主要基于对EEG的分析,并可以利用ECG和EEG进行辅助判断。然而PSG成本昂贵、操作复杂、穿戴不适等缺点限制了其做长期睡眠研究的潜力,仅适用于医院的临床研究。因此,研发便携、舒适、准确的睡眠监测系统是临床的迫切需求。
现行的相近方案主要有以下:
如中国专利发明201710002025.9,该方案提出一种基于脑电和肌电多特征的自动睡眠分期方法,通过时域、频域和非线性方面的信号分析方法提取脑电波、肌电的特征参数,再利用分类器进行分类。该方案的缺点在于特征依赖于人工经验提取,只对每段30s的生理电信号样本进行单独的训练和验证,没有考虑样本和前后样本之间的联系,准确性和泛化能力有待提高。其他基于手环体动、心率、RF射频信号的睡眠监测方案准确度很低,无法达到临床要求。
发明内容
本发明的目的在于针对上述已有技术的不足,提供一种单导联脑电的睡眠自动分期方法,该方法仅需要单导联的睡眠脑电信号,就能较为准确的实现睡眠分期,且满足便携、舒适睡眠监测需求。为了实现上述目的,本案通过以下技术方案实现,具体包括训练过程S1和识别过程S2:
训练过程S1为:对每个固定时间段T标记好睡眠分期类别的脑电信号进行预处理,随机选取其中任意N段连续脑电信号输入至训练模型进行训练,直至模型收敛,得到训练好的模型;其中,T为30秒,N为3或5;
识别过程S2为:对每个固定时间段T的待识别脑电信号进行预处理,选取其中任意N段连续脑电信号输入至S1中训练好的模型,输出睡眠分期结果;
训练模型由特征提取模块和分期优化模块组成;其中,特征提取模块是由CNNs卷积神经网络(1)、Softmax层(2)组成;分期优化模块由双向LSTM循环神经网络(3)和CRF条件随机场模型(4)构成;(1)、(2)、(3)和(4)顺序连接;
训练过程S1和识别过程S2中,脑电信号均为滑动输入模式,滑动窗大小为T~N*T,输出为第(N+1)/2段输入脑电信号对应的睡眠分期类别标签。
作为优选,所述的方法,其特征在于,随机选取其中任意N段连续脑电信号输入至训练模型进行训练,N为5,滑动步长为1。
作为优选,所述的训练模型,其特征在于,(1)中的输入节点为N段连续脑电序列经过预处理后的采样点数;(1)中的输出节点维度为4,(1)中的隐层数目为3;(3)中的输入为5*4维向量,隐层节点个数为64,隐层数目为1;(4)的输入节点数与(3)中的隐层节点个数相同;(4)的输出节点个数为4,对应睡眠分期的四个类型—浅睡期、深睡期、Wake期和REM期;(4)的输出结果为当前输入第(N+1)/2段脑电信号的睡眠自动分期类型;顺序输入整个单导睡眠脑电信号,得到睡眠自动分期结构图。
作为优选,所述的训练过程S1,其特征在于,具体步骤如下:
步骤1:对单导脑电数据进行预处理,预处理方法为降采样至100Hz、去除50Hz工频噪声、对每例被试整段脑电信号进行归一化;
步骤2:对训练模型进行初始化,用高斯分布的范围为0~1的随机数初始化网络中待训练参数;
步骤3:通过向初始化后的训练模型中输入训练样本和对应的睡眠分期类型标签训练网络,使用反向传播BP算法,调整网络参数,使损失函数值最小。
本发明具有如下优点:
1)本发明仅需要单导联的睡眠脑电信号,满足便携、舒适睡眠监测需求。
2)本发明结合卷积神经网络和循环神经网络充分挖掘了脑电信号的时空特征,且具有动态学习能力,能够适应变化的疾病大环境。
3)本发明分期优化模块充分考虑N段30s脑电数据前后之间的联系,提高分期的准确性和模型的泛化能力。
附图说明
图1是本发明训练过程系统框图。
图2是本发明方法识别整晚睡眠脑电的各分期类型结果样例。
图3是本发明方法识别整晚睡眠脑电的睡眠分期结构图样例。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
图1是本发明训练过程系统框图,包括:
步骤1:对单导脑电数据进行预处理,预处理方法为降采样至100Hz、去除50Hz工频噪声、对每例被试整段脑电信号进行归一化;
步骤2:对训练模型进行初始化,用高斯分布的范围为0~1的随机数初始化网络中待训练参数;
步骤3:通过向初始化后的训练模型中输入训练样本和对应的睡眠分期类型标签训练网络,使用反向传播BP算法,调整网络参数,使损失函数值最小。
一、本系统框图每一个步骤的实现,结合实施例具体表述如下:
(1)从脑电数据库中提取单导联睡眠脑电信号样本
数据来自于Sleep EDF Expanded database(https://www.physionet.org),共20名被试(10名男性,10名女性),其中19名被试含两晚的睡眠监测数据,1例被试为一晚的睡眠检测数据,睡眠监测数据均由有资质的睡眠医生进行分期标注,被试年龄为25~34岁。监测过中未使用任何药物,采集的信号中包括两路EEG数据,分别为Fpz-Cz和Pz-Oz,本实施例仅选取Fpz-Cz导联,采样率为100hz。
(2)将20名被试的脑电信号分为训练样本、验证样本和测试样本三部分。
(3)脑电信号的预处理,包括设置频带为49hz-51hz的FIR带阻滤波器去除50Hz工频噪声、对每例被试整段脑电信号进行归一化。
(4)特征提取模块包括卷积神经网络和Softmax层。卷积神经网络中的输入节点为5段连续脑电序列经过预处理后的采样点数15000,隐层数目为3;第1层卷积核数目为32,大小为30*1,MaxPooling层参数为2*1;第2层为卷积核数目均为64,卷积核大小分别为1*1、3*1、5*1的卷积核并行卷积后再拼接成一层,然后接AveragePooling层,参数为300*1;第3层卷积核数目为128,卷积核大小为1*1,然后接AveragePooling层,参数为5*1;最后接入Softmax层。
以上每个卷积层后均接上BatchNormalization层,激活函数为RELU。
(5)分期优化模块包括双向LSTM循环神经网络和CRF条件随机场模型。双向LSTM循环神经网络输入为5*4维向量,隐层节点个数为32,隐层数目为1;CRF条件随机场模型为链式结构。
(6)对训练模型进行初始化,用高斯分布的范围为0~1的随机数初始化网络中待训练参数;使用反向传播BP算法,优化算法为Adam,损失函数为交叉熵。
二、睡眠自动分期的方法评价
本案例实验每次取19例被试的脑电数据作为训练样本,取其中的75%的数据作为训练集,剩下的25%的数据作为验证集;剩下的1例被试数据作为测试样本用于识别测试。这样的识别实验相应重复20次,最后取20次的准确率和Kappa系数平均值、标准差作为识别结果。统计结果表明,本发明方法识别准确率均值为86%,标准差为5%;Kappa系数均值为0.77,标准差为7%。
图2是本发明方法识别某典型被试整晚睡眠脑电的各分期类型结果,其中,对角线数据表示每一种具体的睡眠分期类型所获得的正确识别率,结果表明,本方法对浅睡期、深睡期、REM期、Wake均有很高的识别率。
图3是本发明方法识别某典型被试整晚睡眠脑电的睡眠分期结构图,结果表明与有资质的睡眠医生标注的结果有很好的一致性。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (3)
1.一种单导联脑电的睡眠自动分期方法,其特征在于,所述方法仅需要单导联的睡眠脑电信号,自动分期方法包括训练过程S1和识别过程S2,如下:
训练过程S1为:对每个固定时间段T标记好睡眠分期类别的脑电信号进行预处理,随机选取其中任意N段连续脑电信号输入至训练模型进行训练,直至模型收敛,得到训练好的模型;其中,T为30秒,N为3或5;
识别过程S2为:对每个固定时间段T的待识别脑电信号进行预处理,选取其中任意N段连续脑电信号输入至S1中训练好的模型,输出睡眠分期结果;
训练模型由特征提取模块和分期优化模块组成;其中,特征提取模块是由CNNs卷积神经网络(1)、Softmax层(2)组成;分期优化模块由双向LSTM循环神经网络(3)和CRF条件随机场模型(4)构成;(1)、(2)、(3)和(4)顺序连接;
训练过程S1和识别过程S2中,脑电信号均为滑动输入模式,滑动窗大小为T~N*T,输出为第(N+1)/2段输入脑电信号对应的睡眠分期类别标签。
2.根据权利要求1所述的训练模型,其特征在于,(1)中的输入节点为N段连续脑电序列经过预处理后的采样点数;(1)中的输出节点维度为4,(1)中的隐层数目为3~10;(3)中的输入为N*4维向量,隐层节点个数为32~128,隐层数目为1~2;(4)的输入节点数与(3)中的隐层节点个数相同;(4)的输出节点维数为4,对应睡眠分期的四个类型—浅睡期、深睡期、Wake期和REM期;(4)的输出结果为当前输入第(N+1)/2段脑电信号的睡眠自动分期类型;顺序输入整个单导睡眠脑电信号,得到睡眠自动分期结构图。
3.根据权利要求1所述的训练过程S1,其特征在于,具体步骤如下:
步骤1:对单导联脑电数据进行预处理,预处理方法为降采样至100Hz、去除50Hz工频噪声、对每例被试整段脑电信号进行归一化;
步骤2:对训练模型进行初始化,用高斯分布的范围为0~1的随机数初始化网络中待训练参数;
步骤3:通过向初始化后的训练模型中输入训练样本和对应的睡眠分期类型标签训练网络,使用反向传播BP算法,调整网络参数,使损失函数值最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710840703.9A CN107495962B (zh) | 2017-09-18 | 2017-09-18 | 一种单导联脑电的睡眠自动分期方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710840703.9A CN107495962B (zh) | 2017-09-18 | 2017-09-18 | 一种单导联脑电的睡眠自动分期方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107495962A true CN107495962A (zh) | 2017-12-22 |
CN107495962B CN107495962B (zh) | 2020-05-05 |
Family
ID=60697710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710840703.9A Active CN107495962B (zh) | 2017-09-18 | 2017-09-18 | 一种单导联脑电的睡眠自动分期方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107495962B (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108209874A (zh) * | 2018-01-03 | 2018-06-29 | 深圳北航新兴产业技术研究院 | 一种自动睡眠分期的方法和装置 |
CN108542386A (zh) * | 2018-04-23 | 2018-09-18 | 长沙学院 | 一种基于单通道eeg信号的睡眠状态检测方法和系统 |
CN108596043A (zh) * | 2018-03-29 | 2018-09-28 | 中国药科大学 | 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法 |
CN108742517A (zh) * | 2018-03-27 | 2018-11-06 | 重庆邮电大学 | 一种基于Stacking单导联脑电睡眠自动分期方法 |
CN108926341A (zh) * | 2018-04-20 | 2018-12-04 | 平安科技(深圳)有限公司 | Ecg信号的检测方法、装置、计算机设备和存储介质 |
CN108958043A (zh) * | 2018-09-28 | 2018-12-07 | 浙江工业大学 | 一种刚性飞行器的固定时间自适应姿态容错控制方法 |
CN109009097A (zh) * | 2018-07-18 | 2018-12-18 | 厦门大学 | 一种自适应不同采样频率的脑电分类方法 |
CN109062240A (zh) * | 2018-09-28 | 2018-12-21 | 浙江工业大学 | 一种基于神经网络估计的刚性飞行器固定时间自适应姿态跟踪控制方法 |
CN109124625A (zh) * | 2018-09-04 | 2019-01-04 | 大连理工大学 | 一种驾驶员疲劳状态水平分级方法 |
CN109188910A (zh) * | 2018-09-28 | 2019-01-11 | 浙江工业大学 | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 |
CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
CN109472194A (zh) * | 2018-09-26 | 2019-03-15 | 重庆邮电大学 | 一种基于cblstm算法模型的运动想象脑电信号特征识别方法 |
CN109480824A (zh) * | 2018-12-11 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 心电波形数据的处理方法、装置和服务器 |
CN109583346A (zh) * | 2018-11-21 | 2019-04-05 | 齐鲁工业大学 | 基于lstm-fc的脑电信号特征提取与分类识别方法 |
CN109602417A (zh) * | 2018-11-23 | 2019-04-12 | 杭州妞诺科技有限公司 | 基于随机森林的睡眠分期方法及系统 |
CN109620156A (zh) * | 2018-12-26 | 2019-04-16 | 联想(北京)有限公司 | 一种睡眠检测方法及装置 |
CN109820525A (zh) * | 2019-01-23 | 2019-05-31 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
CN110008790A (zh) * | 2018-01-05 | 2019-07-12 | 中国移动通信有限公司研究院 | 一种多导联生理信号的分析方法及装置 |
CN110141226A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
CN110179453A (zh) * | 2018-06-01 | 2019-08-30 | 山东省计算中心(国家超级计算济南中心) | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
CN110367933A (zh) * | 2019-07-15 | 2019-10-25 | 天津大学 | 基于复杂网络和深度学习的睡眠阶段分类方法及应用 |
CN110432870A (zh) * | 2019-08-13 | 2019-11-12 | 重庆邮电大学 | 一种基于1d cnn-lstm的睡眠信号自动分期方法 |
CN110897639A (zh) * | 2020-01-02 | 2020-03-24 | 清华大学深圳国际研究生院 | 一种基于深度卷积神经网络的脑电睡眠分期方法 |
CN111631688A (zh) * | 2020-06-24 | 2020-09-08 | 电子科技大学 | 睡眠自动分期的算法 |
CN111783534A (zh) * | 2020-05-28 | 2020-10-16 | 东南大学 | 一种基于深度学习的睡眠分期方法 |
US20210023331A1 (en) * | 2019-07-22 | 2021-01-28 | Regents Of The University Of Minnesota | Computer architecture for identifying sleep stages |
CN112438738A (zh) * | 2019-09-03 | 2021-03-05 | 西安慧脑智能科技有限公司 | 基于单通道脑电信号睡眠分期的方法、装置及存储介质 |
CN113303814A (zh) * | 2021-06-13 | 2021-08-27 | 大连理工大学 | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 |
CN113842111A (zh) * | 2020-06-28 | 2021-12-28 | 珠海格力电器股份有限公司 | 一种睡眠分期方法、装置、计算设备及存储介质 |
CN113951902A (zh) * | 2021-11-29 | 2022-01-21 | 复旦大学 | 基于轻量化卷积神经网络的智能睡眠分期系统 |
CN114041753A (zh) * | 2021-11-16 | 2022-02-15 | 上海市第六人民医院 | 睡眠分期方法、装置、计算机设备和存储介质 |
CN114366038A (zh) * | 2022-02-17 | 2022-04-19 | 重庆邮电大学 | 基于改进的深度学习算法模型的睡眠信号自动分期方法 |
CN114041753B (zh) * | 2021-11-16 | 2024-04-26 | 上海市第六人民医院 | 睡眠分期方法、装置、计算机设备和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019107666A1 (de) * | 2019-03-26 | 2020-10-01 | Universitätsmedizin Der Johannes Gutenberg-Universität Mainz | Verfahren zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106236079A (zh) * | 2016-08-18 | 2016-12-21 | 中山衡思健康科技有限公司 | 用于脑电与眼电复合检测的睡眠监测眼罩及睡眠监测方法 |
CN106691378A (zh) * | 2016-12-16 | 2017-05-24 | 深圳市唯特视科技有限公司 | 一种基于脑电图数据的深度学习视觉分类方法 |
-
2017
- 2017-09-18 CN CN201710840703.9A patent/CN107495962B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106236079A (zh) * | 2016-08-18 | 2016-12-21 | 中山衡思健康科技有限公司 | 用于脑电与眼电复合检测的睡眠监测眼罩及睡眠监测方法 |
CN106691378A (zh) * | 2016-12-16 | 2017-05-24 | 深圳市唯特视科技有限公司 | 一种基于脑电图数据的深度学习视觉分类方法 |
Non-Patent Citations (4)
Title |
---|
M. ALFARO-PONCE 等: "Windowed electroencephalographic signal classifier based on continuous neural networks with delays in the input", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
ZHICHUAN TANG 等: "Single-trial EEG classification of motor imagery using deep convolutional neural networks", 《OPTIK》 * |
张梦: "基于深度学习的脑电识别方法研究与应用", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
高歌: "基于改进神经网络的声发射信号识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108209874A (zh) * | 2018-01-03 | 2018-06-29 | 深圳北航新兴产业技术研究院 | 一种自动睡眠分期的方法和装置 |
CN110008790A (zh) * | 2018-01-05 | 2019-07-12 | 中国移动通信有限公司研究院 | 一种多导联生理信号的分析方法及装置 |
CN108742517A (zh) * | 2018-03-27 | 2018-11-06 | 重庆邮电大学 | 一种基于Stacking单导联脑电睡眠自动分期方法 |
CN108742517B (zh) * | 2018-03-27 | 2023-12-29 | 重庆邮电大学 | 一种基于Stacking单导联脑电睡眠自动分期方法 |
CN108596043A (zh) * | 2018-03-29 | 2018-09-28 | 中国药科大学 | 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法 |
CN108926341A (zh) * | 2018-04-20 | 2018-12-04 | 平安科技(深圳)有限公司 | Ecg信号的检测方法、装置、计算机设备和存储介质 |
CN108542386B (zh) * | 2018-04-23 | 2020-07-31 | 长沙学院 | 一种基于单通道eeg信号的睡眠状态检测方法和系统 |
CN108542386A (zh) * | 2018-04-23 | 2018-09-18 | 长沙学院 | 一种基于单通道eeg信号的睡眠状态检测方法和系统 |
CN110179453B (zh) * | 2018-06-01 | 2020-01-03 | 山东省计算中心(国家超级计算济南中心) | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
CN110179453A (zh) * | 2018-06-01 | 2019-08-30 | 山东省计算中心(国家超级计算济南中心) | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
CN109009097A (zh) * | 2018-07-18 | 2018-12-18 | 厦门大学 | 一种自适应不同采样频率的脑电分类方法 |
CN109124625B (zh) * | 2018-09-04 | 2021-07-20 | 大连理工大学 | 一种驾驶员疲劳状态水平分级方法 |
CN109124625A (zh) * | 2018-09-04 | 2019-01-04 | 大连理工大学 | 一种驾驶员疲劳状态水平分级方法 |
CN109472194A (zh) * | 2018-09-26 | 2019-03-15 | 重庆邮电大学 | 一种基于cblstm算法模型的运动想象脑电信号特征识别方法 |
CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
CN109472194B (zh) * | 2018-09-26 | 2022-02-11 | 重庆邮电大学 | 一种基于cblstm算法模型的运动想象脑电信号特征识别方法 |
CN109389059B (zh) * | 2018-09-26 | 2021-09-21 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
CN109062240B (zh) * | 2018-09-28 | 2021-08-03 | 浙江工业大学 | 一种基于神经网络估计的刚性飞行器固定时间自适应姿态跟踪控制方法 |
CN109188910A (zh) * | 2018-09-28 | 2019-01-11 | 浙江工业大学 | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 |
CN108958043B (zh) * | 2018-09-28 | 2021-08-03 | 浙江工业大学 | 一种刚性飞行器的固定时间自适应姿态容错控制方法 |
CN109062240A (zh) * | 2018-09-28 | 2018-12-21 | 浙江工业大学 | 一种基于神经网络估计的刚性飞行器固定时间自适应姿态跟踪控制方法 |
CN109188910B (zh) * | 2018-09-28 | 2021-08-03 | 浙江工业大学 | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 |
CN108958043A (zh) * | 2018-09-28 | 2018-12-07 | 浙江工业大学 | 一种刚性飞行器的固定时间自适应姿态容错控制方法 |
CN109583346A (zh) * | 2018-11-21 | 2019-04-05 | 齐鲁工业大学 | 基于lstm-fc的脑电信号特征提取与分类识别方法 |
CN109602417A (zh) * | 2018-11-23 | 2019-04-12 | 杭州妞诺科技有限公司 | 基于随机森林的睡眠分期方法及系统 |
CN109480824B (zh) * | 2018-12-11 | 2021-10-08 | 武汉中旗生物医疗电子有限公司 | 心电波形数据的处理方法、装置和服务器 |
CN109480824A (zh) * | 2018-12-11 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 心电波形数据的处理方法、装置和服务器 |
CN109620156A (zh) * | 2018-12-26 | 2019-04-16 | 联想(北京)有限公司 | 一种睡眠检测方法及装置 |
CN109820525A (zh) * | 2019-01-23 | 2019-05-31 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
CN110141226B (zh) * | 2019-05-29 | 2022-03-15 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
CN110141226A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
CN110367933A (zh) * | 2019-07-15 | 2019-10-25 | 天津大学 | 基于复杂网络和深度学习的睡眠阶段分类方法及应用 |
US20210023331A1 (en) * | 2019-07-22 | 2021-01-28 | Regents Of The University Of Minnesota | Computer architecture for identifying sleep stages |
CN110432870A (zh) * | 2019-08-13 | 2019-11-12 | 重庆邮电大学 | 一种基于1d cnn-lstm的睡眠信号自动分期方法 |
CN112438738A (zh) * | 2019-09-03 | 2021-03-05 | 西安慧脑智能科技有限公司 | 基于单通道脑电信号睡眠分期的方法、装置及存储介质 |
CN110897639A (zh) * | 2020-01-02 | 2020-03-24 | 清华大学深圳国际研究生院 | 一种基于深度卷积神经网络的脑电睡眠分期方法 |
CN111783534A (zh) * | 2020-05-28 | 2020-10-16 | 东南大学 | 一种基于深度学习的睡眠分期方法 |
CN111631688B (zh) * | 2020-06-24 | 2021-10-29 | 电子科技大学 | 睡眠自动分期的算法 |
CN111631688A (zh) * | 2020-06-24 | 2020-09-08 | 电子科技大学 | 睡眠自动分期的算法 |
CN113842111A (zh) * | 2020-06-28 | 2021-12-28 | 珠海格力电器股份有限公司 | 一种睡眠分期方法、装置、计算设备及存储介质 |
CN113303814A (zh) * | 2021-06-13 | 2021-08-27 | 大连理工大学 | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 |
CN114041753A (zh) * | 2021-11-16 | 2022-02-15 | 上海市第六人民医院 | 睡眠分期方法、装置、计算机设备和存储介质 |
CN114041753B (zh) * | 2021-11-16 | 2024-04-26 | 上海市第六人民医院 | 睡眠分期方法、装置、计算机设备和存储介质 |
CN113951902A (zh) * | 2021-11-29 | 2022-01-21 | 复旦大学 | 基于轻量化卷积神经网络的智能睡眠分期系统 |
CN114366038A (zh) * | 2022-02-17 | 2022-04-19 | 重庆邮电大学 | 基于改进的深度学习算法模型的睡眠信号自动分期方法 |
CN114366038B (zh) * | 2022-02-17 | 2024-01-23 | 重庆邮电大学 | 基于改进的深度学习算法模型的睡眠信号自动分期方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107495962B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107495962A (zh) | 一种单导联脑电的睡眠自动分期方法 | |
CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
Bhagyalakshmi et al. | GB-SVNN: Genetic BAT assisted support vector neural network for arrhythmia classification using ECG signals | |
CN111297349A (zh) | 一种基于机器学习的心律分类系统 | |
CN109893126A (zh) | 基于脑功能网络特征的癫痫发作预测方法 | |
CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
CN113303814B (zh) | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 | |
CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
CN113397546B (zh) | 基于机器学习和生理信号的情绪识别模型构建方法及系统 | |
CN109671500A (zh) | 基于脑电图时域数据的精神分裂症辅助诊断分类方法 | |
CN112741638A (zh) | 一种基于eeg信号的医疗诊断辅助系统 | |
CN107205652A (zh) | 具有特征生成和自动映射的睡眠分析系统 | |
CN107874750A (zh) | 脉率变异性和睡眠质量融合的心理压力监测方法及装置 | |
CN112826513B (zh) | 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统 | |
CN113095302A (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN107530015A (zh) | 一种生命体征分析方法与系统 | |
CN109394203A (zh) | 精神障碍康复期情绪监测与干预方法 | |
CN114781465A (zh) | 一种基于rPPG的非接触式疲劳检测系统及方法 | |
Kumari et al. | Performance evaluation of neural networks and adaptive neuro fuzzy inference system for classification of Cardiac Arrhythmia | |
CN111789629A (zh) | 一种基于深度学习的呼吸音智能诊疗系统及方法 | |
CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
CN110960207A (zh) | 一种基于树模型的房颤检测方法、装置、设备及存储介质 | |
CN114587310A (zh) | 一种基于光电容积脉搏波实现有创血压波形估计的方法 | |
Vaezi et al. | AS3-SAE: Automatic Sleep Stages Scoring using Stacked Autoencoders |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |