CN108830176A - 一种睡眠觉醒检测方法、装置及终端 - Google Patents

一种睡眠觉醒检测方法、装置及终端 Download PDF

Info

Publication number
CN108830176A
CN108830176A CN201810512613.1A CN201810512613A CN108830176A CN 108830176 A CN108830176 A CN 108830176A CN 201810512613 A CN201810512613 A CN 201810512613A CN 108830176 A CN108830176 A CN 108830176A
Authority
CN
China
Prior art keywords
data
sleep wakefulness
sleep
training set
wakefulness
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.)
Pending
Application number
CN201810512613.1A
Other languages
English (en)
Inventor
张恒贵
李钦策
刘阳
何润南
赵娜
王宽全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Space Institute Of Southern China (shenzhen)
Original Assignee
Space Institute Of Southern China (shenzhen)
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Space Institute Of Southern China (shenzhen) filed Critical Space Institute Of Southern China (shenzhen)
Priority to CN201810512613.1A priority Critical patent/CN108830176A/zh
Publication of CN108830176A publication Critical patent/CN108830176A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明适用于数据处理技术领域，提供了一种睡眠觉醒检测方法、装置及终端，通过睡眠觉醒检测装置截取原始睡眠觉醒数据重构训练集，基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域，通过深度神经网络实现了自动对非呼吸暂停类睡眠觉醒检测，并通过重构训练集降低睡眠觉醒检测所使用的时间，提高了检测精确度。

Description

一种睡眠觉醒检测方法、装置及终端
技术领域
本发明涉及生物医学信号处理领域，尤其涉及一种睡眠觉醒检测方法、装置及终端。
背景技术
睡眠作为一种必要的生理活动对于人类的生理和心理健康有着十分密切的联系。睡眠障碍指睡眠量不正常以及睡眠中出现异常行为的表现，也是睡眠和觉醒正常节律性交替紊乱的表现。睡眠障碍将会导致一系列的健康问题，例如肥胖、易怒、记忆力衰退、心血管功能紊乱和免疫力下降等等。随着生活节奏的加快，睡眠障碍已经成为当今社会极为普遍的问题。相关统计数据显示，睡眠障碍患者在青少年人群中约占10％～23％，在成年人群体中的比例更是高达15％～30％。
在各类睡眠障碍中，呼吸暂停低通气综合征是目前被学界研究最为充分的一种疾病。这类疾病表现为呼吸道的完全封闭，进而引发觉醒和后续的睡眠干扰。然而，睡眠障碍还受到多种其他诸如磨牙、打鼾或部分气道阻塞等因素的影响，由此引发的睡眠觉醒被称为非呼吸暂停类睡眠觉醒。
睡眠障碍的有效诊断是对其进行治疗的必要条件。传统的诊断方法通常是依赖人工对于患者睡眠过程中的各项监测数据进行分析。这样的做法不仅耗费大量人力，而且受医师水平的限制而难以保证诊断的精度。
发明内容
有鉴于此，本发明实施例提供了一种睡眠觉醒检测方法、装置及终端，以解决现有对非呼吸暂停类睡眠觉醒检测的常用方法中存在的耗时费力，且精确度不高的问题。
本发明实施例的第一方面提供了一种睡眠觉醒检测方法，包括：
截取原始睡眠觉醒数据重构训练集；
基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域。
本发明实施例的第二方面提供了一种睡眠觉醒检测装置，包括：
训练集重构单元，用于截取原始睡眠觉醒数据重构训练集；
睡眠觉醒检测单元，用于基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域。
本发明实施例的第三方面提供了一种终端，包括：
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本发明实施例的第一方面提供的睡眠觉醒检测方法的步骤。
其中，所述计算机程序包括：
训练集重构单元，用于截取原始睡眠觉醒数据重构训练集；
睡眠觉醒检测单元，用于基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明实施例的第一方面提供的睡眠觉醒检测方法的步骤。
其中，所述计算机程序包括：
训练集重构单元，用于截取原始睡眠觉醒数据重构训练集；
睡眠觉醒检测单元，用于基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域。
本发明实施例与现有技术相比存在的有益效果是：通过截取原始睡眠觉醒数据重构训练集，基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域，通过深度神经网络实现了自动对非呼吸暂停类睡眠觉醒检测，并通过重构训练集降低睡眠觉醒检测所使用的时间，提高了检测精确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种睡眠觉醒检测方法的实现流程图；
图2是本发明实施例提供的一种截取原始睡眠觉醒数据重构训练集的方法的实现流程图；
图3是本发明实施例提供的一种根据预设比例丢弃指定标识的数据片段的方法的具体实现流程图；
图4是本发明实施例提供的一种深度神经网络的结构示意图；
图5是本发明实施例提供的一种基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域的方法的具体实现流程；
图6是本发明实施例提供的一种根据预设比例丢弃指定标识的数据片段的方法的具体实现流程图；
图7是本发明实施例提供的一种对睡眠觉醒数据进行特征学习的方法的具体实现流程图；
图8是本发明实施例提供的一种去除原始睡眠觉醒数据中的信号噪声的方法的具体实现流程图；
图9是本发明实施例提供的一种去除原始睡眠觉醒数据中的心电信号的基线漂移的方法的具体实现流程图；
图10是本发明实施例提供的一种睡眠觉醒检测装置的示意图；
图11是本发明实施例提供的一种终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。本发明实施例所提供的睡眠觉醒检测方法具体是非窒息类睡眠觉醒检测方法，为了叙述的方便，本文后续部分所提到的睡眠觉醒除非有特别说明则均指非窒息类睡眠觉醒。本发明在进行睡眠觉醒检测时所利用到的多模态睡眠监测数据为多模态信号，包括脑电、心电、眼动、血氧、呼吸等。
请参考图1，图1示出了本发明实施例提供的一种睡眠觉醒检测方法的实现流程，详述如下：
在步骤S101中，截取原始睡眠觉醒数据重构训练集。
在本发明实施例中，所述原始睡眠觉醒数据具体为多模态睡眠监测数据，其包含有多个信道的信号，每条原始睡眠觉醒数据的时长约7～10小时，数据采样率为数百赫兹。如果将所述原始睡眠觉醒数据集中的每条数据作为一个样本供深度神经网络学习，那么训练过程将需要巨大的内存空间(上百GB)和很长的训练周期(数天乃至数周)。并且，原始睡眠觉醒数据集中觉醒区域通常占整个睡眠过程的很小比例(<5％)，由此带来的数据不平衡性问题将使训练模型倾向于将觉醒区间预测为非觉醒区间。为了解决由此带来的深度神经网络训练速度慢，效率低，睡眠觉醒检测精确度不高的问题，本发明实施例通过截取原始睡眠觉醒数据重构训练集以提高深度神经网络的训练速度及效率，并提高睡眠觉醒检测的精确度。
优选的，如图2所示，本发明实施例提供了一种截取原始睡眠觉醒数据重构训练集的具体实现方法，详述如下：
在步骤S201中，读取并按预设法则更新睡眠觉醒数据集中的每条原始睡眠觉醒数据的标识序列。
在本发明实施例中，睡眠觉醒数据集包含有多条原始睡眠觉醒睡觉，所述预设法则具体为二元法。每条原始睡眠觉醒数据中都标注有多个标识，这些标识组成了这条原始睡眠觉醒数据的标识序列；对应不同的睡眠状态，原始睡眠觉醒数据中使用多个不同的标识对不同的睡眠状态进行标注。在这里，为了更好地提高对觉醒区间和非觉醒区间的睡眠觉醒数据进行检测，通过二元法仅使用标识0和标识1来对觉醒区间和非觉醒区间的睡眠觉醒数据重新进行标识，例如，用1作为标注觉醒区间的标识，用0作为标注非觉醒区间的标识。在这里，步骤S201具体为：
依次读取原始睡眠觉醒数据中每条数据的标识序列，采用二元法对每条数据的标识进行重新标注：如果某一条数据中的某一位置的原始标识为觉醒区间则将其重新标识为1，否则将其重新标识为0。
在步骤S202中，将更新标识序列后的第二睡眠觉醒数据及其相应标识分割为定长的数据片段，并将所述数据片段按行组成矩阵。
在本发明实施例中，第二睡眠觉醒数据为更新标识序列后的睡眠觉醒数据。在这里，对所述第二睡眠觉醒数据进行数据截取处理，以得到定长的数据片段，具体截取处理步骤为：将每条第二睡眠觉醒数据及其相应标识分割为定长的数据片段，例如将原始长数据样本(7～10小时，数百万个采样点)，截取成若个个数据片段(100秒，20000个采样点)。如果第二睡眠觉醒数据截取后剩余不足单个数据片段长度的部分数据，直接丢弃。通过将第二数据觉醒数据及其相应标识分割为定长的数据片段，基本保留睡眠觉醒判断所需要的上下文信息，同时大大减少训练集中的数据，使得训练过程中所需占用的内存和时间消耗都大大降低了。
在步骤S203中，根据预设比例丢弃指定标识的数据片段。
在本发明实施例中，为了改善睡眠觉醒区间和非睡眠觉醒区间对应的数码觉醒数据严重失衡的问题，通过根据预设比例随机丢弃指定标识为非睡眠觉醒数据标识对应的数据片段以达到改善数据失衡的状况。
优选的，如图3所示，本发明实施例提供了一种根据预设比例丢弃指定标识的数据片段的具体实施步骤，详述如下：
在步骤S301中，统计第一指定标识占比超过预设阈值的数据片段在训练集中占据的第一比例。
在本发明实施例中，第一指定标识具体为标识1，对应为觉醒区间的睡眠觉醒数据的标识。预设阈值为预先设定的百分比值。在一具体实施例，步骤S301具体为：
统计包含标识1占比超过50％的数据片段在训练集中占据的第一比例Pa。
在步骤S302中，统计第二指定标识的数据片段在训练集中占据的第二比例。
在本发明实施例中，第二指定标识具体为标识0，对应为非觉醒区间的睡眠觉醒数据的标识。步骤S302具体为：
统计全部标识为0的数据片段在训练集中占据的第二比例Pn。
在步骤S303中，根据所述第一比例和第二比例按预设公式计算第三比例。
在本发明实施例中，因为非觉醒区间占据整条信号的绝大部分比重，因而Pn远远大于Pa。为了改善这一数据失衡的状况，需要丢弃一定比例的全部标识为0的数据片段，在这里，这一比例为根据第一比例和第二比例按预设公式计算的第三比例，其中，预设公式具体为：Pd＝Pn-Pa。
在步骤S304中，根据所述第三比例丢弃指定标识的数据片段。
在本发明实施例中，在全部标识为0的数据片段中根据第三比例随机丢弃部分数据片段。
在步骤S204中，将保留的数据片段及其对应的标识保存至训练集中。
在本发明实施例中，在按第三比例丢弃全部标识为0的数据片段后，将保留下来的数据片段及其对应的标识保存至训练集中以备后续模型训练使用。
在这里，步骤S201至204有效地解决了训练集中长数据难以训练以及训练数据严重失衡的问题，通过将长数据样本截取成定长的数据片段，基本保留睡眠觉醒判断所需要的上下文信息，使训练过程中所需占用的内存和时间消耗更少，并通过缩小非觉醒区间和觉醒区间的睡眠觉醒数据在训练集中的占比差距，使得进行特征分类时不会过度偏向其中一类，保证了训练数据的均衡性。
优选的，为了进一步优化训练集中的睡眠觉醒数据，在步骤S101之后，，还包括：
根据预设公式对所述训练集中的训练数据进行优化；其中，所述预设公式为：
其中，L(X,r)为交叉熵函数，即模型训练过程中要优化的目标函数；X为训练集中的训练数据，r为训练数据的标记序列，m为训练数据中标记序列的长度，p表示输出第i个标记为ri的概率。
在步骤S102中，基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域。
在本发明实施例中，提供了如图4所示的一种深度神经网络的整体结构。该深度神经网络整体呈现一个序列到序列的结构，包含由一维卷积层和双向LSTM层构成的特征提取部分和由全连接层构成的特征分类部分。
优选的，如图5所示，本发明实施例提供了一种基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域的具体实现步骤，包括：
在步骤S501中，将所述第一睡眠觉醒数据发送至由一维卷积层和双向长短期记忆网络LSTM层构成的特征提取部分进行特征学习，得到预设长度的特征向量。
在本发明实施例，请参考图6提供的一种对睡眠觉醒数据进行特征学习的具体实现流程，结合图7提供的特征学习网络对步骤S501的具体实现过程进行详述：
在步骤S601中，所述睡眠觉醒数据进入一维卷积层，经批标准化层和ReLU函数激活后进入第一残差模块得到第一睡眠觉醒结果。
在本发明实施例中，一维卷积层的数量为一个，其卷积核数目为32，卷积核长度为16。
第一残差模块依次包含有一维卷积层、批标准化层、ReLU激活层、Dropout层、一维卷积层，最大池化层(缩减倍数为2)。其中的两个一维卷积层均包含32个卷积核，每个卷积核的长度均为16。
第一残差模块的输入经过最大池化层降采样后与其主要操作部分的输出进行按位加法操作，并将所得睡眠觉醒结果输入网络后续部分。
在步骤S602中，将所述第一睡眠觉醒结果依次输入若干个第二残差模块进行处理得到第二睡眠觉醒结果。
在本发明实施例中，第二残差模块依次包含有批标准化层、ReLU激活层、Dropout层、一维卷积层、批标准化层、ReLU激活层、Dropout层、一维卷积层、最大池化层。优选的，在本发明实施例中第二残差模块的数量为6个，这6个第二残差模块的结构相同，但不同顺序的第二残差模块中的一维卷积层的卷积核的数量及卷积核的长度并不相同。具体的，第一个第二残差模块中的一维卷积层均包含32个卷积核，每个卷积核的长度均为16；之后每经过两个第二残差模块，卷积核数目增加32个，卷积核长度缩减为之前的1/2。即第二个和第三个第二残差模块中的一维卷积层均包含64个卷积核，该卷积核的长度为8；第四个和第五个第二残差模块中的一维卷积层均包含96个卷积核，该卷积核的长度为4；第六个和第七个第二残差模块中的一维卷积层均包含128个卷积核，该卷积核的长度为2；第八个第二残差模块中的一维卷积层均包含156个卷积核，该卷积核的长度为1。
与第一残差模块处理步骤相同，其后第二残差模块的输入均经过最大池化层降采样后与其主要操作部分的输出进行按位加法操作，并将所得睡眠觉醒结果输入网络后续部分。
优选的，第一残差模块和第二残差模块中的所有Dropout层的丢弃率均为0.5。
在步骤S603中，将所述第二睡眠觉醒结果分别输入批标准化层和ReLU激活层处理后，再输入双向LSTM层执行序列到序列的学习，以得到学习后的特征序列。
在本发明实施例中，LSTM层对输入数据执行序列到序列的学习，即在每个输入的序列元素处均有一个与之对应的输出，输入序列与输出序列等长。LSTM层包含128个单元，也就是说输出序列的每个元素均是长度为128的向量。序列中的每个向量均代表其所对应位置的特征。
优选的，LSTM层的输入Dropout率和循环Dropout率均为0.2。
在步骤S502中，将所述特征向量发送至由全连接层构成的特征分类部分进行识别处理，判断所述特征向量所对应位置是否属于觉醒区域。
在本发明实施例中，特征分类部分对于上述学习到的每个特征向量进行处理，以判断其所对应位置是否属于觉醒区域。该部分包含两个全连接层，第一层包含16个神经元，第二层包含1个神经元。由于该网络进行的是二元分类问题，故第二层的激活函数为Sigmoid，其公式如下：
优选的，为了提高睡眠觉醒检测的精确度，在步骤S101之前，还包括下述步骤：去除所述原始睡眠觉醒数据中的信号噪声。
优选的，去除原始睡眠觉醒数据中的信号噪声具体为基于小波去噪方法去除原始睡眠觉醒数据中的信号噪声。具体的，如图8所示，本发明实施例提供了一种去除原始睡眠觉醒数据中的信号噪声的具体实现步骤，详述如下：
在步骤S801中，去除所述原始睡眠觉醒数据中的心电信号的基线漂移。
在本发明实施例中，如图9所示，提供了一种去除原始睡眠觉醒数据中的心电信号的基线漂移的具体实现步骤，详述如下
在步骤S901中，利用移动平均数方法对所述心电信号进行平滑处理。
在步骤S902中，将所述原始睡眠觉醒数据中的心电信号减去平滑处理后的心电信号，得到去除基线漂移的心电信号。
在本发明实施例中，利用移动平均数方法对所述心电信号进行平滑处理，滑窗的大小为0.6秒。
在步骤S802中，利用软阈值小波去噪方法去除所述心电信号中的噪声。
在本发明实施例中，利用软阈值小波去噪方法去除所述心电信号中的噪声的步骤中所使用的小波基函数为sym8，分解的层数为6层。小波分解的函数如下：
其中，a和b分别为尺度因子和平移因子，f(t)为输出的信号，Ψ为小波基函数。
在本发明实施例中，通过截取原始睡眠觉醒数据重构训练集，基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域，通过深度神经网络实现了自动对非呼吸暂停类睡眠觉醒检测，并通过重构训练集降低睡眠觉醒检测所使用的时间，提高了检测精确度。。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种睡眠觉醒检测方法，图10示出了本发明实施例提供的一种睡眠觉醒检测装置的示意图，为了便于说明，仅示出了与本发明实施例相关的部分。
参照图10，该装置包括：
训练集重构单元101，用于截取原始睡眠觉醒数据重构训练集；
睡眠觉醒检测单元102，用于基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域。
优选的，所述训练集重构单元101包括：
标识序列更新子单元，用于读取并按预设法则更新睡眠觉醒数据集中的每条原始睡眠觉醒数据的标识序列；
数据分割子单元，用于将更新标识序列后的第二睡眠觉醒数据及其相应标识分割为定长的数据片段，并将所述数据片段按行组成矩阵；
数据丢弃子单元，用于根据预设比例丢弃指定标识的数据片段；
数据保存子单元，用于将保留的数据片段及其对应的标识保存至训练集中。
优选的，所述数据片段丢弃子单元包括：
第一比例统计子单元，用于统计第一指定标识占比超过预设阈值的数据片段在训练集中占据的第一比例；
第二比例统计子单元，用于统计第二指定标识的数据片段在训练集中占据的第二比例；
比例计算子单元，用于根据所述第一比例和第二比例按预设公式计算第三比例；
数据丢弃处理子单元，用于根据所述第三比例丢弃指定标识的数据片段。
优选的，所述装置还包括：
训练数据优化单元，用于根据预设公式对所述训练集中的训练数据进行优化；其中，所述预设公式为：
其中，L(X,r)为交叉熵函数，即模型训练过程中要优化的目标函数；X为训练集中的训练数据，r为训练数据的标记序列，m为训练数据中标记序列的长度，p表示输出第i个标记为ri的概率。
优选的，所述睡眠觉醒检测单元102包括：
特征学习子单元，用于将所述第一睡眠觉醒数据发送至由一维卷积层和双向长短期记忆网络LSTM层构成的特征提取部分进行特征学习，得到预设长度的特征向量；
特征分类子单元，用于将所述特征向量发送至由全连接层构成的特征分类部分进行识别处理，判断所述特征向量所对应位置是否属于觉醒区域。
优选的，所述装置还包括：
噪声去除单元，用于去除所述原始睡眠觉醒数据中的信号噪声。
优选的，所述噪声去除单元包括：
基线漂移去除子单元，用于去除所述原始睡眠觉醒数据中的心电信号的基线漂移；
噪声去除子单元，用于利用软阈值小波去噪装置去除所述心电信号中的噪声。
优选的，所述基线漂移去除子单元包括：
信号平滑处理子单元，用于利用移动平均数装置对所述心电信号进行平滑处理；
基线漂移计算子单元，用于将所述原始睡眠觉醒数据中的心电信号减去平滑处理后的心电信号，得到去除基线漂移的心电信号。
在本发明实施例中，通过截取原始睡眠觉醒数据重构训练集，基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域，通过深度神经网络实现了自动对非呼吸暂停类睡眠觉醒检测，并通过重构训练集降低睡眠觉醒检测所使用的时间，提高了检测精确度。
图11是本发明一实施例提供的一种终端的示意图。如图11所示，该实施例的终端11包括：处理器110、存储器111以及存储在所述存储器111中并可在所述处理器110上运行的计算机程序112。所述处理器110执行所述计算机程序112时实现上述各个睡眠觉醒检测方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器110执行所述计算机程序112时实现上述各系统实施例中各单元的功能，例如图10所示模块101至103的功能。
示例性的，所述计算机程序112可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器111中，并由所述处理器110执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序112在所述终端11中的执行过程。例如，所述计算机程序112可以被分割成训练集重构单元101、睡眠觉醒检测单元102，各单元具体功能如下：
训练集重构单元101，用于截取原始睡眠觉醒数据重构训练集；
睡眠觉醒检测单元102，用于基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域。
所述计算机程序112中的训练集重构单元101可以被分割成标识序列更新子单元、数据分割子单元、数据丢弃子单元、数据保存子单元，各子单元具体功能如下：
标识序列更新子单元，用于读取并按预设法则更新睡眠觉醒数据集中的每条原始睡眠觉醒数据的标识序列；
数据分割子单元，用于将更新标识序列后的第二睡眠觉醒数据及其相应标识分割为定长的数据片段，并将所述数据片段按行组成矩阵；
数据丢弃子单元，用于根据预设比例丢弃指定标识的数据片段；
数据保存子单元，用于将保留的数据片段及其对应的标识保存至训练集中。
所述计算机程序112中的数据片段丢弃子单元可以被分割成第一比例统计子单元、第二比例统计子单元、比例计算子单元数据丢弃处理子单元，各子单元具体功能如下：
第一比例统计子单元，用于统计第一指定标识占比超过预设阈值的数据片段在训练集中占据的第一比例；
第二比例统计子单元，用于统计第二指定标识的数据片段在训练集中占据的第二比例；
比例计算子单元，用于根据所述第一比例和第二比例按预设公式计算第三比例；
数据丢弃处理子单元，用于根据所述第三比例丢弃指定标识的数据片段。
所述计算机程序112还可以被分割成训练数据优化单元，该单元具体功能如下：
训练数据优化单元，用于根据预设公式对所述训练集中的训练数据进行优化；其中，所述预设公式为：
其中，L(X,r)为交叉熵函数，即模型训练过程中要优化的目标函数；X为训练集中的训练数据，r为训练数据的标记序列，m为训练数据中标记序列的长度，p表示输出第i个标记为ri的概率。
所述计算机程序112的睡眠觉醒检测单元102可以被分割成特征学习子单元、特征分类子单元，各子单元具体功能如下：
特征学习子单元，用于将所述第一睡眠觉醒数据发送至由一维卷积层和双向长短期记忆网络LSTM层构成的特征提取部分进行特征学习，得到预设长度的特征向量；
特征分类子单元，用于将所述特征向量发送至由全连接层构成的特征分类部分进行识别处理，判断所述特征向量所对应位置是否属于觉醒区域。
所述计算机程序112还可以被分割成噪声去除单元，该单元具体功能如下：
噪声去除单元，用于去除所述原始睡眠觉醒数据中的信号噪声。
所述计算机程序112中的噪声去除单元可以被分割成基线漂移去除子单元、噪声去除子单元，各子单元具体功能如下：
基线漂移去除子单元，用于去除所述原始睡眠觉醒数据中的心电信号的基线漂移；
噪声去除子单元，用于利用软阈值小波去噪装置去除所述心电信号中的噪声。
所述计算机程序112中的基线漂移去除子单元可以被分割成信号平滑处理子单元、基线漂移计算子单元，各子单元具体功能如下：
信号平滑处理子单元，用于利用移动平均数装置对所述心电信号进行平滑处理；
基线漂移计算子单元，用于将所述原始睡眠觉醒数据中的心电信号减去平滑处理后的心电信号，得到去除基线漂移的心电信号。
所述终端11可以是桌上型计算机、笔记本、掌上电脑及智能手机等终端设备。所述终端11可包括，但不仅限于，处理器110、存储器111。本领域技术人员可以理解，图11仅仅是终端11的示例，并不构成对终端11的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器110可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器111可以是所述终端11的内部存储单元，例如终端11的硬盘或内存。所述存储器111也可以是所述终端11的外部存储设备，例如所述终端11上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器111还可以既包括所述终端11的内部存储单元也包括外部存储设备。所述存储器111用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器111还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，系统或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (11)

1.一种睡眠觉醒检测方法，其特征在于，所述方法包括：
截取原始睡眠觉醒数据重构训练集；
基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域。
2.如权利要求1所述的方法，其特征在于，所述截取原始睡眠觉醒数据重构训练集的步骤，包括：
读取并按预设法则更新睡眠觉醒数据集中的每条原始睡眠觉醒数据的标识序列；
将更新标识序列后的第二睡眠觉醒数据及其相应标识分割为定长的数据片段，并将所述数据片段按行组成矩阵；
根据预设比例丢弃指定标识的数据片段；
将保留的数据片段及其对应的标识保存至训练集中。
3.如权利要求2所述的方法，其特征在于，所述根据预设比例丢弃指定标识的数据片段的步骤，包括：
统计第一指定标识占比超过预设阈值的数据片段在训练集中占据的第一比例；
统计第二指定标识的数据片段在训练集中占据的第二比例；
根据所述第一比例和第二比例按预设公式计算第三比例；
根据所述第三比例丢弃指定标识的数据片段。
4.如权利要求1所述的方法，其特征在于，在所述截取原始睡眠觉醒数据重构训练集的步骤之后，还包括：
根据预设公式对所述训练集中的训练数据进行优化；其中，所述预设公式为：
其中，L(X,r)为交叉熵函数，即模型训练过程中要优化的目标函数；X为训练集中的训练数据，r为训练数据的标记序列，m为训练数据中标记序列的长度，p表示输出第i个标记为ri的概率。
5.如权利要求1所述的方法，其特征在于，所述基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域的步骤，包括：
将所述第一睡眠觉醒数据发送至由一维卷积层和双向长短期记忆网络LSTM层构成的特征提取部分进行特征学习，得到预设长度的特征向量；
将所述特征向量发送至由全连接层构成的特征分类部分进行识别处理，判断所述特征向量所对应位置是否属于觉醒区域。
6.如权利要求1至5任一所述的方法，其特征在于，在所述截取原始睡眠觉醒数据重构训练集的步骤之前，还包括：
去除所述原始睡眠觉醒数据中的信号噪声。
7.如权利要求6所述的方法，其特征在于，所述去除所述原始睡眠觉醒数据中的信号噪声的步骤，包括：
去除所述原始睡眠觉醒数据中的心电信号的基线漂移；
利用软阈值小波去噪方法去除所述心电信号中的噪声。
8.如权利要求7所述的方法，其特征在于，所述去除所述原始睡眠觉醒数据中的心电信号的基线漂移的步骤，包括：
利用移动平均数方法对所述心电信号进行平滑处理；
将所述原始睡眠觉醒数据中的心电信号减去平滑处理后的心电信号，得到去除基线漂移的心电信号。
9.一种睡眠觉醒检测装置，其特征在于，所述装置包括：
训练集重构单元，用于截取原始睡眠觉醒数据重构训练集；
睡眠觉醒检测单元，用于基于深度神经网络对重构后的训练集中的第一睡眠觉醒数据进行特征学习和分类以识别睡眠觉醒区域。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述睡眠觉醒检测方法的步骤。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述睡眠觉醒检测方法的步骤。
CN201810512613.1A 2018-05-25 2018-05-25 一种睡眠觉醒检测方法、装置及终端 Pending CN108830176A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810512613.1A CN108830176A (zh) 2018-05-25 2018-05-25 一种睡眠觉醒检测方法、装置及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810512613.1A CN108830176A (zh) 2018-05-25 2018-05-25 一种睡眠觉醒检测方法、装置及终端

Publications (1)

Publication Number Publication Date
CN108830176A true CN108830176A (zh) 2018-11-16

Family

ID=64145980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810512613.1A Pending CN108830176A (zh) 2018-05-25 2018-05-25 一种睡眠觉醒检测方法、装置及终端

Country Status (1)

Country Link
CN (1) CN108830176A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784242A (zh) * 2018-12-31 2019-05-21 陕西师范大学 基于一维残差卷积神经网络的脑电信号去噪方法
CN110059082A (zh) * 2019-04-17 2019-07-26 东南大学 一种基于1D-CNN与Bi-LSTM的天气预测方法
CN110309758A (zh) * 2019-06-26 2019-10-08 广州视源电子科技股份有限公司 心电信号特征提取方法、装置、计算机设备及存储介质
CN110811558A (zh) * 2019-11-18 2020-02-21 郑州大学 基于深度学习的睡眠觉醒分析方法
CN111407262A (zh) * 2019-04-26 2020-07-14 北京海思瑞格科技有限公司 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置
CN111461130A (zh) * 2020-04-10 2020-07-28 视研智能科技(广州)有限公司 一种高精度图像语义分割算法模型及分割方法
CN111493828A (zh) * 2020-04-23 2020-08-07 四川大学 基于全卷积网络的序列到序列的睡眠障碍检测方法
CN112426147A (zh) * 2020-10-21 2021-03-02 华南师范大学 睡眠呼吸事件检测模型处理方法、系统和存储介质
CN115429293A (zh) * 2022-11-04 2022-12-06 之江实验室 一种基于脉冲神经网络的睡眠类型分类方法和装置
CN116842445A (zh) * 2023-07-03 2023-10-03 山东科技大学 基于多模态时空谱融合的觉醒自动识别方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105105737A (zh) * 2015-08-03 2015-12-02 南京盟联信息科技有限公司 基于光电容积描记和谱分析的运动状态心率监测方法
CN106108889A (zh) * 2016-07-20 2016-11-16 杨平 基于深度学习算法的心电图分类方法
CN106886915A (zh) * 2017-01-17 2017-06-23 华南理工大学 一种基于时间衰减采样的广告点击预估方法
US20170215808A1 (en) * 2016-02-01 2017-08-03 Verily Life Sciences Llc Machine learnt model to detect rem sleep periods using a spectral analysis of heart rate and motion
CN107463967A (zh) * 2017-08-25 2017-12-12 中国人民解放军海军航空工程学院 多源航迹关联机器学习系统
US20180060732A1 (en) * 2016-08-25 2018-03-01 TCL Research America Inc. Personalized intelligent wake-up system and method based on multimodal deep neural network
CN107822622A (zh) * 2017-09-22 2018-03-23 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和系统
CN108039203A (zh) * 2017-12-04 2018-05-15 北京医拍智能科技有限公司 基于深度神经网络的心律失常的检测系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105105737A (zh) * 2015-08-03 2015-12-02 南京盟联信息科技有限公司 基于光电容积描记和谱分析的运动状态心率监测方法
US20170215808A1 (en) * 2016-02-01 2017-08-03 Verily Life Sciences Llc Machine learnt model to detect rem sleep periods using a spectral analysis of heart rate and motion
CN106108889A (zh) * 2016-07-20 2016-11-16 杨平 基于深度学习算法的心电图分类方法
US20180060732A1 (en) * 2016-08-25 2018-03-01 TCL Research America Inc. Personalized intelligent wake-up system and method based on multimodal deep neural network
CN106886915A (zh) * 2017-01-17 2017-06-23 华南理工大学 一种基于时间衰减采样的广告点击预估方法
CN107463967A (zh) * 2017-08-25 2017-12-12 中国人民解放军海军航空工程学院 多源航迹关联机器学习系统
CN107822622A (zh) * 2017-09-22 2018-03-23 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和系统
CN108039203A (zh) * 2017-12-04 2018-05-15 北京医拍智能科技有限公司 基于深度神经网络的心律失常的检测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任谦: "基于Clementine软件的电信客户流失分析及预警", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
张秀丽等: "基于CNN-LSTM网络的睡眠分期研究", 《技术与方法》 *
李玉平 等: "样本不平衡的睡眠数据分期研究", 《微型机与应用》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784242A (zh) * 2018-12-31 2019-05-21 陕西师范大学 基于一维残差卷积神经网络的脑电信号去噪方法
CN109784242B (zh) * 2018-12-31 2022-10-25 陕西师范大学 基于一维残差卷积神经网络的脑电信号去噪方法
CN110059082A (zh) * 2019-04-17 2019-07-26 东南大学 一种基于1D-CNN与Bi-LSTM的天气预测方法
CN111407262A (zh) * 2019-04-26 2020-07-14 北京海思瑞格科技有限公司 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置
CN110309758B (zh) * 2019-06-26 2021-12-03 广州视源电子科技股份有限公司 心电信号特征提取方法、装置、计算机设备及存储介质
CN110309758A (zh) * 2019-06-26 2019-10-08 广州视源电子科技股份有限公司 心电信号特征提取方法、装置、计算机设备及存储介质
CN110811558A (zh) * 2019-11-18 2020-02-21 郑州大学 基于深度学习的睡眠觉醒分析方法
CN111461130A (zh) * 2020-04-10 2020-07-28 视研智能科技(广州)有限公司 一种高精度图像语义分割算法模型及分割方法
CN111493828A (zh) * 2020-04-23 2020-08-07 四川大学 基于全卷积网络的序列到序列的睡眠障碍检测方法
CN112426147A (zh) * 2020-10-21 2021-03-02 华南师范大学 睡眠呼吸事件检测模型处理方法、系统和存储介质
CN112426147B (zh) * 2020-10-21 2023-08-08 华南师范大学 睡眠呼吸事件检测模型处理方法、系统和存储介质
CN115429293A (zh) * 2022-11-04 2022-12-06 之江实验室 一种基于脉冲神经网络的睡眠类型分类方法和装置
CN115429293B (zh) * 2022-11-04 2023-04-07 之江实验室 一种基于脉冲神经网络的睡眠类型分类方法和装置
CN116842445A (zh) * 2023-07-03 2023-10-03 山东科技大学 基于多模态时空谱融合的觉醒自动识别方法及系统
CN116842445B (zh) * 2023-07-03 2024-06-11 山东科技大学 基于多模态时空谱融合的觉醒自动识别方法及系统

Similar Documents

Publication Publication Date Title
CN108830176A (zh) 一种睡眠觉醒检测方法、装置及终端
EP4002271A1 (en) Image segmentation method and apparatus, and storage medium
US20200211706A1 (en) Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system
CN110289096B (zh) 一种基于深度学习的icu院内死亡率预测方法
US20230075309A1 (en) Electroencephalogram signal classification method and apparatus, device, storage medium and program product
CN110944577B (zh) 一种血氧饱和度的检测方法与系统
CN110801221A (zh) 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备
Adetiba et al. Automated detection of heart defects in athletes based on electrocardiography and artificial neural network
CN112509696A (zh) 基于卷积自编码器高斯混合模型的健康数据检测方法
CN112932501B (zh) 一种基于一维卷积神经网络自动识别失眠方法
Zhang et al. Approximate entropy and support vector machines for electroencephalogram signal classification
Ding et al. Cascaded convolutional neural network with attention mechanism for mobile EEG-based driver drowsiness detection system
CN109817328A (zh) 一种判别哮喘的方法及装置
Liu et al. Multi-scale ResNet and BiGRU automatic sleep staging based on attention mechanism
Houssein et al. Boosted federated learning based on improved Particle Swarm Optimization for healthcare IoT devices
Taori et al. Cross-task cognitive load classification with identity mapping-based distributed CNN and attention-based RNN using gabor decomposed data images
CN110251137A (zh) 一种用于无创呼吸机的入睡检测方法及使用该方法的呼吸机
CN117672523A (zh) 糖尿病患者的控糖水平评估系统及方法
CN110853764B (zh) 一种糖尿病证候预测系统
CN111278353A (zh) 一种生命体征信号噪声的检测方法与系统
CN113974575B (zh) 睡眠分期方法、装置、电子设备及存储介质
CN112274144A (zh) 近红外脑功能成像数据的处理方法、装置和存储介质
KR20240094051A (ko) 딥 러닝 모델 학습 장치
CN115349821A (zh) 一种基于多模态生理信号融合的睡眠分期方法及系统
Latif et al. ECG signal compression based on ASCII coding using CUDA architecture

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181116

RJ01 Rejection of invention patent application after publication