CN110811558B - 基于深度学习的睡眠觉醒分析方法 - Google Patents
基于深度学习的睡眠觉醒分析方法 Download PDFInfo
- Publication number
- CN110811558B CN110811558B CN201911124641.7A CN201911124641A CN110811558B CN 110811558 B CN110811558 B CN 110811558B CN 201911124641 A CN201911124641 A CN 201911124641A CN 110811558 B CN110811558 B CN 110811558B
- Authority
- CN
- China
- Prior art keywords
- sleep
- signals
- data
- model
- 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.)
- Expired - Fee Related
Links
- 230000037007 arousal Effects 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000003187 abdominal effect Effects 0.000 claims 1
- 210000000115 thoracic cavity Anatomy 0.000 claims 1
- 230000000241 respiratory effect Effects 0.000 abstract description 6
- 210000001015 abdomen Anatomy 0.000 abstract description 3
- 230000015654 memory Effects 0.000 abstract description 3
- 238000002759 z-score normalization Methods 0.000 abstract 1
- 208000008784 apnea Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003860 sleep quality Effects 0.000 description 3
- 208000010340 Sleep Deprivation Diseases 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000001595 mastoid Anatomy 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- 230000008667 sleep stage Effects 0.000 description 2
- 208000020685 sleep-wake disease Diseases 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000000884 Airway Obstruction Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000003417 Central Sleep Apnea Diseases 0.000 description 1
- 206010021079 Hypopnoea Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 206010022998 Irritability Diseases 0.000 description 1
- 208000020358 Learning disease Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 206010006514 bruxism Diseases 0.000 description 1
- 230000004706 cardiovascular dysfunction Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 230000036737 immune function Effects 0.000 description 1
- 201000003723 learning disability Diseases 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/087—Measuring breath flow
-
- 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
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Abstract
本发明公开了基于深度学习的睡眠觉醒分析方法，包括以下步骤：步骤1，通过多导睡眠仪采集受试者整个睡眠过程中的多模态生理信号，选取腹部和胸部的呼吸信号、呼吸气流和眼电图，同时选取第1和第2导联的EEG进行滤波处理后的多模态数据送入模型训练，采集到的信号转换为200Hz的信号频率，并以30秒的滑动窗口50%重叠率对数据进行样本切分，然后对每一维度的所有样本求平均值和标准差，并通过Z‑Score标准化对数据进行预处理，通过引用多头注意力机制取代长短期记忆模型，并针对睡眠信号特征，设计了大卷积核来进行特征提取，实验表明，其在大幅提高模型训练速度的同时，减少了模型参数，并且有效提高了模型分析准确率。
Description
技术领域
本发明涉及深度学习技术领域，特别是涉及基于深度学习的睡眠觉醒分析方法。
背景技术
眠医学作为一门新兴的边缘交叉学科，正广泛受到大家的重视，其研究有助于了解机体重要生理机制，诊断和治疗睡眠障碍疾病，以及改善睡眠质量。睡眠是一种复杂的生理过程，是机体复原和巩固的重要环节。随着现代生活压力的增大，越来越多的人睡眠受到影响，甚至存在睡眠障碍疾病，许多心血管疾病及精神疾病也与睡眠密切相关。睡眠不足可能导致多种不良后果，包括记忆和学习障碍、肥胖、易怒、心血管功能障碍、低血压、免疫功能下降以及抑郁症等。因此改善睡眠质量对于保持人体健康有着至关重要的作用。
睡眠觉醒是指在睡眠过程中大脑进入短暂的清醒期，然后又恢复睡眠状态。正常情况下，大脑会产生自发性觉醒，但是睡眠觉醒也可能是受到其他因素影响而产生的，且过度的睡眠觉醒会影响人的正常睡眠，对身体造成损害。觉醒的原因主要有阻塞性呼吸暂停、混合性呼吸暂停、中枢性呼吸暂停和低通气这四种，但是这并非是导致睡眠觉醒的唯一原因，其他一些因素也可能导致睡眠觉醒，比如磨牙症、打鼾、周期性腿动、部分气道阻塞或者呼吸努力等产生的觉醒。由于频繁的觉醒导致睡眠碎片化，从而使得受试者白天嗜睡、认知能力下降，降低了睡眠对人体恢复产生的效果。
为了改善受试者的睡眠质量，第一步就是对其进行睡眠监测。临床上通常采用多导睡眠仪获取病人整夜的多导睡眠图(Polysomnogram，PSG)来评估患者的睡眠状况，使医生能够监测脑电图(EEG)、肌电图(EMG)、眼电图(EOG)、心电图(ECG)、呼吸模式等与胸、腿等运动相关的多模态信号。医生可以通过这些信号判断睡眠觉醒是否来自于其他觉醒源(非呼吸暂停)，从而对病人进行有针对性的治疗。按照传统的诊断方法，医生需要对每个病人的整夜产生的数千万信号数据进行视觉分析标注识别，这种标注受评分医生经验的影响，效率低，且易造成误判，也浪费了大量医疗资源。因此，开发基于PSG的自动觉醒分析系统，可以通过高效、快速、可靠的算法形式为临床工作者提供有力的帮助。近些年计算机辅助分析蓬勃发展，利用现代信号处理技术和智能算法对信号进行分析处理，由于其高效、客观而成为现代信号研究的主要方法。深度学习作为人工智能领域最新的研究方向，深度学习技术也已经在生理信号领域获得广泛应用，把医疗AI推向了新的高潮。
目前国内已有部分算法在睡眠分期领域应用，但是国内目前还没有相关计算机辅助睡眠觉醒分析的方法。与本发明相近的现有技术有专利CN102274022A记载的一种基于脑电信号的睡眠阶段分期算法，通过对脑电信号采用传统的时频域分析方法和非线性动力学分析方法提取到一批能表征睡眠深度的特征参数。再通过套索回归选择最佳模型，最终建立睡眠的自动分期模型。该方法基于机器学习算法实现，需要设计并提取特征，且局限于低维特征，而深度学习算法可以模仿人的思维，从低层特征中抽象出更具识别力的高维特征。
发明内容
针对上述情况，为克服现有技术之缺陷，本发明之目的在于提供基于深度学习的睡眠觉醒分析方法，具有构思巧妙、人性化设计的特性，通过引用多头注意力机制取代长短期记忆模型，并针对睡眠信号特征，设计了大卷积核来进行特征提取，能够更好的对睡眠觉醒分析。
其解决的技术方案是，基于深度学习的睡眠觉醒分析方法，包括以下步骤：步骤1，通过多导睡眠仪采集受试者整个睡眠过程中的多模态生理信号，采集到的信号转换为200Hz的信号频率，并以30秒的滑动窗口50％重叠率对数据进行样本切分，然后对每一维度的所有样本求平均值和标准差，并通过Z-Score标准化对数据进行预处理；
步骤2，对步骤1中预处理后的每个样本的脑电信号
进行傅里叶变换转换为频域特征，并选取0.5Hz-30Hz波段的信号通过逆傅里叶变换还原为时序特征，从而实现对特定波段的滤波处理；
步骤3，针对多模态多导联的生理信号特征，提出了将不同导联的生理信号逐个送入单导联特征提取模型CNN-MhAtt中，进而获取该导联的特征输出向量；
步骤3.1，针对睡眠数据特征采用了1×64的大卷积核进行特征提取，在数据降维的同时增大模型感受野，提高特征的平移不变性；
步骤3.2，采用了Multi-Head Attention结构，结合Positional Encoding获取数据的时序特征；
步骤4，多导联特征汇总融合并通过softmax进行睡眠觉醒原因分析。
由于以上技术方案的采用，本发明与现有技术相比具有如下优点；
1.通过引用多头注意力机制取代长短期记忆模型，并针对睡眠信号特征，设计了大卷积核来进行特征提取，实验表明，其在大幅提高模型训练速度的同时，减少了模型参数，并且有效提高了模型分析准确率。
附图说明
图1为基于深度学习的睡眠觉醒分析方法示意图；
图2为Attention结构示意图；
图3为多导联特征融合分类模型结构示意图；
图4为样本预测结果与真实值的对比示意图。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1至图4对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。
实施例一，基于深度学习的睡眠觉醒分析方法，包括以下步骤：步骤1，通过多导睡眠仪采集受试者整个睡眠过程中的多模态生理信号，选取腹部和胸部的呼吸信号、呼吸气流和眼电图，同时选取第1和第2导联的EEG进行滤波处理后的多模态数据送入模型训练，采集到的信号转换为200Hz的信号频率，并以30秒的滑动窗口50％重叠率对数据进行样本切分，然后对每一维度的所有样本求平均值和标准差，并通过Z-Score标准化对数据进行预处理；
步骤2，对步骤1中预处理后的每个样本的脑电信号
进行傅里叶变换转换为频域特征，并选取0.5Hz-30Hz波段的信号通过逆傅里叶变换还原为时序特征，从而实现对特定波段的滤波处理；
步骤3，针对多模态多导联的生理信号特征，提出了将不同导联的生理信号逐个送入单导联特征提取模型CNN-MhAtt中，进而获取该导联的特征输出向量；
步骤3.1，针对睡眠数据特征采用了1×64的大卷积核进行特征提取，在数据降维的同时增大模型感受野，提高特征的平移不变性；
步骤3.2，采用了Multi-Head Attention结构，结合Positional Encoding获取数据的时序特征，以此取代RNN等训练时序数据常用的结构；模型首先通过PositionalEncoding对矩阵中每个位置进行编码，从而得到每个位置与原向量融合后的新的向量；接着将矩阵送入Multi-Head Attention结构进入序列编码，首先通过Attention机制获取向量内部特征，接着将Attention的Q,K,V通过参数矩阵进行映射，重复h次后将结果拼接起来；最后通过global average pooling对每个feature map内部取平均，得到输出矩阵；
步骤4，将单一导联睡眠信号的输出矩阵进行连接，并通过两层全连接层，其中使用relu激活函数和Dropout防止数据过拟合，最后使用softmax分析器对睡眠觉醒原因进行分析。
本发明具体使用时，模型使用Adam优化器，学习率设置为0.00005，并将994个受试者的数据划分为3份，包括794个训练集，100个测试集和100个验证集，首先对13个导联逐个以单导联信号为输入进行训练，得到的模型ROC和PRC如表1所示。
表1模型在单导联信号上的表现
由表格中PRC的值可以看出除了6导联的脑电信号外，ABD、Chest、Airflow和EOG这4个导联的信号与睡眠觉醒是否病理性的相关性较高，其中ABD的分析表现最好，在单导联的情况下获得了0.794的ROC和0.229的PRC。因而在下一阶段的实验中选取腹部和胸部的呼吸信号(abd and chest)、呼吸气流(airflow)和眼电信号(EOG)进行实验。由于6个导联的脑电信号表现都比较好，因而从1、3、5三个以左乳突为参考电极进行信号采集的脑电信号中选取表现最好的1号导联，同样的在2、4、6三个以右乳突为参考电极进行信号采集的脑电信号中选取表现最好的2号导联，经过滤波处理后与上述4个导联信号一并送入模型训练。
接下来对不同模型进行比较，实验例分别对单独CNN模型(CNN)、CNN与改进后的残差连接融合模型(CNN-Res)和CNN与Multi-head Attention融合模型(CNN-MhAtt)使用上述6导联的多模态信号进行训练，得到的结果如表2。
表2不同模型在6导联信号上的表现
通过对比CNN与CNN-Res可以看出本发明设计改进的残差连接有利于模型对原始信号进行特征提取，提高模型的分析效果。对比CNN与CNN-MhAtt模型可以看出引入Multi-headAttention结构可以有效提高模型的分析准确率，故本发明选取了这种模型结构。
以上所述是结合具体实施方式对本发明所作的进一步详细说明，不能认定本发明具体实施仅局限于此；对于本发明所属及相关技术领域的技术人员来说，在基于本发明技术方案思路前提下，所作的拓展以及操作方法、数据的替换，都应当落在本发明保护范围之内。
Claims (3)
1.基于深度学习的睡眠觉醒分析方法，其特征在于，包括以下步骤：步骤1，通过多导睡眠仪采集受试者整个睡眠过程中的多模态生理信号，采集到的信号转换为200Hz的信号频率，并以30秒的滑动窗口50%重叠率对数据进行样本切分，然后对每一维度的所有样本求平均值和标准差，并通过Z-Score标准化对数据进行预处理；
步骤2，对步骤1中预处理后的每个样本的脑电信号进行傅里叶变换转换为频域特征，并选取0.5Hz-30Hz波段的信号通过逆傅里叶变换还原为时序特征，从而实现滤波处理；
步骤3，针对多模态多导联的生理信号特征，将不同导联的生理信号逐个送入单导联特征提取模型CNN-MhAtt中，进而获取该导联的特征输出向量；
步骤3.1，针对睡眠数据特征采用了1×64的大卷积核进行特征提取，在数据降维的同时增大模型感受野，提高特征的平移不变性；
步骤3.2，采用了Multi-Head Attention结构，结合Positional Encoding获取数据的时序特征；
步骤4，多导联特征汇总融合并通过softmax进行睡眠觉醒原因分析；
采用了Multi-Head Attention结构，结合Positional Encoding获取数据的时序特征；模型首先通过Positional Encoding对矩阵中每个位置进行编码，从而得到每个位置与原向量融合后的新的向量；接着将矩阵送入Multi-Head Attention结构进入序列编码，首先通过Attention机制获取向量内部特征，接着将Attention的Q,K,V通过参数矩阵进行映射，重复h次后将结果拼接起来；最后通过global average pooling对每个feature map内部取平均，得到输出矩阵。
2.根据权利要求1所述的基于深度学习的睡眠觉醒分析方法，其特征在于，选取腹部和胸部的呼吸信号、呼吸气流和眼电图，同时选取第1和第2导联的EEG进行滤波处理后的多模态数据送入模型训练。
3.根据权利要求1所述的基于深度学习的睡眠觉醒分析方法，其特征在于，将单一导联睡眠信号的输出矩阵进行连接，并通过两层全连接层，其中使用relu激活函数和Dropout防止数据过拟合，最后使用softmax分析器对睡眠觉醒原因进行分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911124641.7A CN110811558B (zh) | 2019-11-18 | 2019-11-18 | 基于深度学习的睡眠觉醒分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911124641.7A CN110811558B (zh) | 2019-11-18 | 2019-11-18 | 基于深度学习的睡眠觉醒分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110811558A CN110811558A (zh) | 2020-02-21 |
| CN110811558B true CN110811558B (zh) | 2022-07-05 |
Family
ID=69556141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911124641.7A Expired - Fee Related CN110811558B (zh) | 2019-11-18 | 2019-11-18 | 基于深度学习的睡眠觉醒分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110811558B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111887830B (zh) * | 2020-09-10 | 2023-03-10 | 贵州省人民医院 | 睡眠监测方法、装置、设备及可读存储介质 |
| CN112294342A (zh) * | 2020-10-30 | 2021-02-02 | 哈尔滨理工大学 | 一种基于深度残差Mask-CCNN的睡眠分期方法 |
| CN113633260B (zh) * | 2021-08-11 | 2024-03-12 | 广州医科大学附属第一医院（广州呼吸中心） | 多导睡眠监测方法、监测仪、计算机设备及可读存储介质 |
| 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 |
| CN115969329A (zh) * | 2023-02-08 | 2023-04-18 | 长春理工大学 | 一种睡眠分期方法、系统、装置及介质 |
| CN115966308B (zh) * | 2023-03-16 | 2023-06-02 | 安徽星辰智跃科技有限责任公司 | 一种睡眠记忆活跃水平检测量化的方法、系统和装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600938A (zh) * | 2017-01-23 | 2017-04-26 | 赵红领 | 智能睡眠引导闹铃 |
| CN106861013A (zh) * | 2017-03-09 | 2017-06-20 | 郑州大学 | 一种智能睡眠仪及控制方法 |
| CN109635917A (zh) * | 2018-10-17 | 2019-04-16 | 北京大学 | 一种多智能体合作决策及训练方法 |
| CN109670035A (zh) * | 2018-12-03 | 2019-04-23 | 科大讯飞股份有限公司 | 一种文本摘要生成方法 |
| CN109801706A (zh) * | 2018-12-12 | 2019-05-24 | 清华大学 | 心理压力问题的感知方法及装置 |
| WO2019118864A1 (en) * | 2017-12-15 | 2019-06-20 | Google Llc | Training and/or using an encoder model to determine responsive action(s) for natural language input |
| CN110349676A (zh) * | 2019-06-14 | 2019-10-18 | 华南师范大学 | 时序生理数据分类方法、装置、存储介质和处理器 |
| CN110377710A (zh) * | 2019-06-17 | 2019-10-25 | 杭州电子科技大学 | 一种基于多模态融合的视觉问答融合增强方法 |
| 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 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NZ596452A (en) * | 2009-07-16 | 2014-02-28 | Resmed Ltd | Detection of sleep condition |
| CN102274022B (zh) * | 2011-05-10 | 2013-02-27 | 浙江大学 | 一种基于脑电信号的睡眠状态监测方法 |
| CN103019382B (zh) * | 2012-12-17 | 2015-10-28 | 北京大学 | 一种利用诱发电位反映脑部主观动机信号的脑机接口方法 |
| CN107122050B (zh) * | 2017-04-26 | 2019-05-21 | 西安交通大学 | 基于csfl-gdbn的稳态运动视觉诱发电位脑-机接口方法 |
| US11123009B2 (en) * | 2017-12-21 | 2021-09-21 | Koninklijke Philips N.V. | Sleep stage prediction and intervention preparation based thereon |
| CN108830176A (zh) * | 2018-05-25 | 2018-11-16 | 深圳市太空科技南方研究院 | 一种睡眠觉醒检测方法、装置及终端 |
| CN109325586B (zh) * | 2018-12-05 | 2022-03-04 | 北京航空航天大学合肥创新研究院 | 一种用于脑电信号去噪的系统 |
| CN110059565A (zh) * | 2019-03-20 | 2019-07-26 | 杭州电子科技大学 | 一种基于改进卷积神经网络的p300脑电信号识别方法 |
| 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 |
| CN110348430A (zh) * | 2019-08-15 | 2019-10-18 | 南京邮电大学 | 一种基于多层感知机的脑信号身份识别方法 |
-
2019
- 2019-11-18 CN CN201911124641.7A patent/CN110811558B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600938A (zh) * | 2017-01-23 | 2017-04-26 | 赵红领 | 智能睡眠引导闹铃 |
| CN106861013A (zh) * | 2017-03-09 | 2017-06-20 | 郑州大学 | 一种智能睡眠仪及控制方法 |
| WO2019118864A1 (en) * | 2017-12-15 | 2019-06-20 | Google Llc | Training and/or using an encoder model to determine responsive action(s) for natural language input |
| CN109635917A (zh) * | 2018-10-17 | 2019-04-16 | 北京大学 | 一种多智能体合作决策及训练方法 |
| CN109670035A (zh) * | 2018-12-03 | 2019-04-23 | 科大讯飞股份有限公司 | 一种文本摘要生成方法 |
| CN109801706A (zh) * | 2018-12-12 | 2019-05-24 | 清华大学 | 心理压力问题的感知方法及装置 |
| CN110349676A (zh) * | 2019-06-14 | 2019-10-18 | 华南师范大学 | 时序生理数据分类方法、装置、存储介质和处理器 |
| CN110377710A (zh) * | 2019-06-17 | 2019-10-25 | 杭州电子科技大学 | 一种基于多模态融合的视觉问答融合增强方法 |
| 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 |
Non-Patent Citations (5)
| Title |
|---|
| An Energy-Saving Algorithm Based on Base Station Sleeping in Multi-hop D2D Communication;Zhang, Yanan；Zhang, Yong；Guo, Da;《IEEE Vehicular Technology Conference Proceedings》;20170320;全文 * |
| Benchmark on a large cohort for sleep-wake classification with machine learning techniques;Palotti, Joao；Mall, Raghvendra；AupetitE, Michael;《NPJ DIGITAL MEDICINE》;20190607;第2卷;全文 * |
| 基于CNN-LSTM网络的睡眠分期研究;张秀丽,夏斌.;《微型机与应用》;20171231;第36卷(第17期);全文 * |
| 结合时频信息与深度学习的自动睡眠分期方法研究;魏良洁;《万方》;20180926;全文 * |
| 阻塞性睡眠呼吸暂停综合征与高血压临床关系分析;王菁,刘婷婷,肖辉,姚鸿超,刘鸣;《现代生物医学进展》;20121231;第12卷(第7期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110811558A (zh) | 2020-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110811558B (zh) | 基于深度学习的睡眠觉醒分析方法 | |
| Dey et al. | Obstructive sleep apnoea detection using convolutional neural network based deep learning framework | |
| Fatimah et al. | Detection of apnea events from ECG segments using Fourier decomposition method | |
| Wei et al. | The research of sleep staging based on single-lead electrocardiogram and deep neural network | |
| Cen et al. | Automatic system for obstructive sleep apnea events detection using convolutional neural network | |
| Mashrur et al. | SCNN: Scalogram-based convolutional neural network to detect obstructive sleep apnea using single-lead electrocardiogram signals | |
| Bozkurt et al. | Detection of abnormal respiratory events with single channel ECG and hybrid machine learning model in patients with obstructive sleep apnea | |
| WO2009063463A2 (en) | Pain monitoring using multidimensional analysis of physiological signals | |
| Huang et al. | Sleep stage classification for child patients using DeConvolutional Neural Network | |
| US20200093425A1 (en) | System and method for non-apnea sleep arousal detection | |
| CN113080864B (zh) | 一种通过自动睡眠分期结果的常见睡眠疾病检测方法 | |
| Goshtasbi et al. | SleepFCN: A fully convolutional deep learning framework for sleep stage classification using single-channel electroencephalograms | |
| CN114391807B (zh) | 睡眠呼吸障碍分析方法、装置、设备及可读介质 | |
| Rolón et al. | Automatic scoring of apnea and hypopnea events using blood oxygen saturation signals | |
| VISHWAKARMA et al. | Detection of sleep apnea through heart rate signal using Convolutional Neural Network. | |
| Usha Kumari et al. | Feature extraction and detection of obstructive sleep apnea from raw eeg signal | |
| Taghizadegan et al. | Obstructive sleep apnea event prediction using recurrence plots and convolutional neural networks (RP-CNNs) from polysomnographic signals | |
| He et al. | Identification of arousals with deep neural networks (DNNs) using different physiological signals | |
| López-García et al. | Automatic detection of sleep disorders: Multi-class automatic classification algorithms based on Support Vector Machines | |
| Bazoukis et al. | Application of artificial intelligence in the diagnosis of sleep apnea | |
| Sadr et al. | Automatic scoring of non-apnoea arousals using the polysomnogram | |
| CN115336973A (zh) | 基于自注意力机制和单导联心电信号的睡眠分期系统构建方法、及睡眠分期系统 | |
| Ríos et al. | An automatic apnea screening algorithm for children | |
| KR102340670B1 (ko) | 딥러닝 기반의 심리생리검사 시스템 및 방법 | |
| Locharla et al. | EEG-based deep learning neural net for apnea detection |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201110 Address after: 450001 science and technology zone, Zhengzhou, Henan, No. 100 Applicant after: Zhengzhou University Applicant after: CERNET Co.,Ltd. Address before: 450001 science and technology zone, Zhengzhou, Henan, No. 100 Applicant before: Zhengzhou University |
|
| 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: 20220705 |