CN111297327B - 一种睡眠分析方法、系统、电子设备及存储介质 - Google Patents
一种睡眠分析方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111297327B CN111297327B CN202010104606.5A CN202010104606A CN111297327B CN 111297327 B CN111297327 B CN 111297327B CN 202010104606 A CN202010104606 A CN 202010104606A CN 111297327 B CN111297327 B CN 111297327B
- Authority
- CN
- China
- Prior art keywords
- data
- result data
- analysis model
- sleep
- result
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 246
- 230000007958 sleep Effects 0.000 title claims abstract description 82
- 210000002569 neuron Anatomy 0.000 claims abstract description 130
- 238000012163 sequencing technique Methods 0.000 claims abstract description 24
- 230000008667 sleep stage Effects 0.000 claims description 60
- 208000008784 apnea Diseases 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 53
- 238000013528 artificial neural network Methods 0.000 claims description 48
- 230000011218 segmentation Effects 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 125000004122 cyclic group Chemical group 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 9
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000008452 non REM sleep Effects 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 208000001797 obstructive sleep apnea Diseases 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 201000002859 sleep apnea Diseases 0.000 description 4
- 230000003860 sleep quality Effects 0.000 description 3
- 238000012351 Integrated analysis Methods 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000003417 Central Sleep Apnea Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 208000020020 complex sleep apnea Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 201000006646 mixed sleep apnea Diseases 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- A61B5/4815—Sleep quality
-
- 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
- A61B5/4818—Sleep apnoea
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开实施例提出一种睡眠分析方法、系统、电子设备及存储介质,方法包括:将生物信号按时间顺序划分为预设长度的分段信号;基于分段分析模型,确定每段分段信号的第一结果数据;将所有第一结果数据按时间顺序排序,基于综合分析模型,确定生物信号的第二结果数据;其中,分段分析模型和/或综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。与现有技术相比的有益效果在于本公开实施例提出的睡眠分析方法受外界环境因素影响少,检测结果稳定,能够极大地提高结果的准确性,提升了模型的鲁棒性。
Description
技术领域
本公开涉及生物信号睡眠分析的神经网络技术领域,具体涉及一种睡眠分析方法、系统、电子设备及存储介质。
背景技术
睡眠障碍是睡眠量的异常及睡眠质的异常,或在睡眠时发生的某些临床症状,其中,阻塞性睡眠呼吸暂停综合征(Obstructive Sleep Apnea Hypopnea Syndrome,OSAHS)是常见疾病,严重影响睡眠结构和睡眠质量,同时还是高血压、心脏病和脑血管疾病等多种疾病的危险因素。通常采集患者的生物信号进行睡眠障碍的分析和检测,生物信号是反映生物体的生命活动状态的信号,常见生物信号包括心电信号、呼吸信号、脉搏信号、脑电信号等。
采用神经网络方法进行睡眠分析时常常将某一种生物信号输入传统的神经网络中进行睡眠分析,睡眠分析结果包括整体睡眠质量的相关指数及局部睡眠情况,如睡眠分期结果和呼吸暂停结果。
图1为传统神经网络中人工神经元结构示意图,其中,神经网络的基本构件神经元由w1,w2,w3,…,wn及b这些参数构成,传统神经网络的神经元中这些参数是确定的数值,通过训练过程确定这些参数,也可以通过训练过程改变这些参数,但是训练完成后这些参数便是确定的数值。
采用传统神经网络进行睡眠分析的前向运算对应的数学公式见公式(1):
其中x1,x2,x3,…,xn为输入数据,Z为输入数据与神经元参数进行线性运算的结果,y为Z经过非线性运算f的结果。非线性运算f包括relu、sigmoid、tanh等算法。
可是这些输入数据在生物信号的采集和分析过程中容易受干扰影响,导致分析结果不准确,另外进行睡眠分析的传统神经网络中神经元参数w1,w2,w3,…,wn及b通常是确定的数值,虽然通过神经网络的训练过程可以改变这些参数,但是在训练完成后这些参数就是确定的数值,不能够再随实际情况的变化进行适应性调整,受外界环境影响较大,这样会导致利用这种传统的神经网络进行睡眠分析的结果准确性不高,传统的神经网络鲁棒性较低。
发明内容
为了解决上述技术问题,本公开实施例提供了如下的技术方案:
本公开实施例一种睡眠分析方法,所述方法包括:将生物信号按时间顺序划分为预设长度的分段信号;基于分段分析模型,确定每段所述分段信号的第一结果数据;将所有所述第一结果数据按所述时间顺序排序,基于综合分析模型,确定所述生物信号的第二结果数据;其中,所述分段分析模型和/或所述综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。
在一些实施例中,所述基于分段分析模型,确定每段所述分段信号的第一结果数据,包括:将每段所述分段信号作为所述分段分析模型的第一输入向量;在所述分段分析模型的神经元参数的取值区间中随机选取一个数值,作为所述分段分析模型的第一神经元参数;基于所述第一神经元参数对所述第一输入向量进行前向计算,根据计算结果确定每段所述分段信号的第一结果数据。
在一些实施例中,所述第一结果数据至少包括睡眠分期数据和/或呼吸暂停数据。
在一些实施例中,所述将所有所述第一结果数据按所述时间顺序排序,基于综合分析模型,确定所述生物信号的第二结果数据,包括:将所有所述第一结果数据按所述时间顺序排序,将得到的排序数据作为所述综合分析模型的第二输入向量;在所述综合分析模型的神经元参数的取值区间中随机选取一个数值,作为所述综合分析模型的第二神经元参数;基于所述第二神经元参数对所述第二输入向量进行前向计算,根据计算结果确定所述生物信号的第二结果数据。
在一些实施例中,在所述基于所述第二神经元参数对所述排序数据进行前向计算,确定所述生物信号的第二结果数据之后,还包括:基于所述排序数据,确定语义编码,其中所述语义编码至少包括所述睡眠分期数据与呼吸暂停数据的关系、所述分段信号之间的时序关系;基于所述语义编码,对所述睡眠分期数据进行睡眠分期解码分析,确定睡眠分期结果数据;和/或,基于所述语义编码,对所述呼吸暂停数据进行呼吸暂停解码分析,确定呼吸暂停结果数据;其中,所述睡眠分期结果数据和/或呼吸暂停结果数据与所述全部第一结果数据的数量和顺序一一对应。
在一些实施例中,所述前向计算的步骤包括:将由神经元参数构成的参数向量与输入向量进行内积运算,对内积运算的结果进行线性运算;对线性运算结果进行非线性映射,得到计算结果;其中所述神经元参数为第一神经元参数或第二神经元参数之一;输入向量为第一输入向量或第二输入向量之一;在所述神经元参数为所述第一神经元参数时,所述输入向量为所述第一输入向量,所述计算结果用于确定每段所述分段信号的第一结果数据;在所述神经元参数为所述第二神经元参数时,所述输入向量为所述第二输入向量,所述计算结果用于确定所述生物信号的第二结果数据。
在一些实施例中,所述方法还包括模型的训练步骤,具体包括:采用预设训练算法对所述分段分析模型进行训练,输出训练样本数据,使所述分段分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合;根据所述训练样本数据对综合分析模型进行训练,使所述综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。
在一些实施例中,所述分段分析模型至少包括:分类子网和/或分割子网,其中,所述分类子网为多层感知机,所述分割子网为卷积神经网络。
本公开还提出一种睡眠分析系统,所述系统包括:分段模块,用于将生物信号按时间顺序划分为预设长度的分段信号;分段分析模块,用于基于分段分析模型,确定每段所述分段信号的第一结果数据;综合分析模块,用于将所有所述第一结果数据按所述时间顺序排序,基于综合分析模型,确定所述生物信号的第二结果数据;其中,所述分段分析模型和/或所述综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。
本公开还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
本公开还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述任一项所述的方法。
基于上述实施例的公开可以获知,本公开实施例具备如下的有益效果:
本公开实施例所述的睡眠分析方法操作简便,容易实施,较常规的基于睡眠分析方法,本公开实施例通过在符合预设概率分布的随机变量的集合中随机选取一数值作为神经元的参数值,能够将降低生物信号在采集和分析过程中的外界干扰对神经元参数的影响,能够极大地提高结果的准确性和鲁棒性,为用户提供更加准确的睡眠分析结果,提升用户的使用体验。
附图说明
图1为现有技术实施例提供的传统人工神经元结构示意图;
图2为本公开第一实施例提供的睡眠分析方法的神经元参数的正态分布示意图;
图3为本公开第一实施例提供的睡眠分析方法的前向运算示意图;
图4为本公开第一实施例提供的睡眠分析方法的流程图;
图5为本公开第一实施例提供的分段分析模型的架构示意图;
图6(a)为本公开第一实施例提供的综合分析模型的架构示意图;
图6(b)为本公开第一实施例提供的综合分析模型的另一种架构示意图;
图7为本公开第二实施例提供的睡眠分析系统的功能模块图;
图8为本公开第二实施例提供的睡眠分析系统包括训练模块的示意图;
图9为本公开第三实施例提供的电子设备的结构示意图。
具体实施方式
下面,结合附图对本公开的具体实施例进行详细的描述,但不作为本公开的限定。
应理解的是,可以对此处公开的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例,并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本公开的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本公开进行了描述,但本领域技术人员能够确定地实现本公开的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例;然而,应当理解,所公开的实施例仅仅是本公开的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此,本文所公开的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本公开的相同或不同实施例中的一个或多个。
本公开的第一实施例提出了一种睡眠分析方法,通过采用优化的分段分析模型和综合分析模型对输入的生物信号进行前向计算,能够得到准确的睡眠分析的结果。与现有技术不同的是,优化后的分段分析模型和/或综合分析模型的每个神经元参数的取值区间为符合预设概率分布的随机变量的集合。
本公开实施例提出的睡眠分析方法,对传统神经网络的基本构件神经元进行了改进,将每个神经元参数修改为其取值区间为符合预设概率分布的随机变量的集合,即该取值区间内的任意数值均可以作为神经元参数使用,且在使用时任意数值所计算出的结果均为准确的预测结果。通过模型训练过程以获得更加符合数据实际情况的神经元参数取值区间,降低单一固定的神经元参数值在进行睡眠分析的过程中易受到的外界影响,在使用时从相应神经元参数的取值区间中随机选取一范围内的数值作为本次分析所使用的数值,用这些数值进行前向计算得到最终准确的预测结果。
具体地,在本公开实施例的一个神经网络模型中,其基本构件神经元的每个神经元参数的取值区间所符合的预设概率分布优选为正态分布,即神经元参数所有可能的取值均符合一正态分布曲线,图2为其中一个神经元参数w所对应的随机变量wi相应的正态分布曲线,由图2可见μi为wi的位置分布值,σi为wi的分散程度分布值。如果还存在另一个神经元参数b,则其随机变量bs也服从正态分布,/>μb′为bs的位置分布值,σ′b为bs的分散程度分布值。
图3所示为改进后神经元的前向计算过程,其中随机变量w和b的概率分布为正态分布,前向计算过程为:首先对随机变量wi按照其概率分布进行随机采样获得wis(如在i=1时,w1s=1.1),然后将wis向量与xi向量进行内积运算,再加上对b采样获得的bs得到Z,最后对Z进行f非线性映射,具体见公式(2):
由于神经网络模型的神经元参数在预设的概率分布区间内取值更加符合生物信号实际情况,所以对于采集到的生物信号中存在的干扰数据具有较强的抗干扰能力,提升了模型的鲁棒性。
利用上述神经网络模型进行睡眠分析的方法的流程图如图4所示,主要步骤包括以下步骤S1至S3:
S1,将生物信号按时间顺序划分为预设长度的分段信号。
在实际使用时,首先针对当前使用的患者,采集该患者的一段连续时长的生物信号,该生物信号可以为该患者的心电信号、呼吸信号、脉搏信号、脑电信号等原始生物信号,将该生物信号按时间顺序划分为预设长度的分段信号;在一个实施例中该段生物信号的整体长度为8个小时时长,根据睡眠分析的需要将生物信号切分成预设长度为30秒的分段信号,因此实施例中生物信号可以切分为960个分段信号。
S2,基于分段分析模型,确定每段分段信号的第一结果数据。
在划分出多个分段信号后,将每段分段信号逐段输入分段分析模型M1,基于分段分析模型M1,确定每段分段信号的第一结果数据;第一结果数据为每段分段信号的分段分析结果,具体包括睡眠分期数据和/或呼吸暂停数据。
其中,分段分析模型M1由骨干网络、分类子网和分割子网三部分组成,如图5所示。骨干网络采用卷积神经网络CNN,对输入的分段信号进行特征提取,得到生物信号的特征数据,例如对心电信号、呼吸信号、脉搏信号、脑电信号等生物信号进行特征数据的提取,以便进行后期的处理;分类子网通常采用多层感知机MLP,基于生物信号的特征数据得到具有睡眠特征的睡眠分期数据,睡眠分期具体包括觉醒(WK)、快速眼动睡眠(REM)、非快速眼动睡眠(NREM)1期、非快速眼动睡眠(NREM)2期、非快速眼动睡眠(NREM)3期、非快速眼动睡眠(NREM)4期;分割子网优选采用与骨干网络相同的卷积神经网络CNN,方便在骨干网络输出内容的基础上,基于同一处理逻辑进行细化的分析,得到具有呼吸特征的睡眠呼吸暂停数据,睡眠呼吸暂停包括中枢性睡眠呼吸暂停、阻塞性睡眠呼吸暂停和混合型睡眠呼吸暂停,以提升训练和使用的效率。应当了解的是,骨干网络、分类子网和分割子网在实现时也可以采用如支持向量机等其他神经网络模型,只要能实现对应的功能即可,但是在本申请中通过使用CNN作为骨干网络和分割子网,使用MLP作为分类子网,进一步提升了各个子网之间的相关性和统一性,通过整体端到端的方式统一进行模型的训练使用,可以提升分段分析模型整体的训练和使用效率,达到更好的效果。
在使用分段分析模型M1进行分析前,需要对分段分析模型M1进行训练,以确定分段分析模型的各个神经元参数的取值区间。具体地,本实施例中采用预设训练算法对分段分析模型进行训练,输出训练样本数据。预设训练算法包括蒙特卡罗随机失活算法,即MC(Monte Carlo)dropout。dropout算法是对具有深度结构的人工神经网络进行优化的方法,在学习的过程中通过将隐含层的部分权重或输出随机归零,降低节点间的相互依赖性,从而实现网络的正则化,减低其结构风险。MC dropout算法是在dropout算法基础上的改进,MC dropout算法不改变一般神经网络结构,只是要求神经网络带dropout层,训练过程和一般神经网络一致,只是测试的时候也打开dropout,并且测试时需要多次对同一输入进行前向传播,然后计算均值。本实施例中通过MC dropout算法对卷积神经网络、多层感知机等现有神经网络模型进行训练,使每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合,进而得到分段分析模型M1。应当了解的是,本实施例中也可以采用其他算法如black-box variational inference、Approximating the integral with MC等进行分段分析模型训练,只要能使其各个神经元参数的取值区间均为符合预设概率分布的随机变量的集合即可。
训练好的分段分析模型将每段独立的分段信号分别作为第一输入向量;在分段分析模型的每个神经元参数的取值区间中随机选取一个数值,作为该分段分析模型的第一神经元参数;基于第一神经元参数对第一输入向量进行前向计算,根据计算结果确定每段分段信号的第一结果数据,其中,第一结果数据具体包括睡眠分期数据和/或呼吸暂停数据。
在进行前向计算时,将由第一神经元参数构成的参数向量与对应的第一输入向量进行内积运算,对内积运算的结果进行线性运算;对线性运算结果进行非线性映射,得到计算结果;根据该计算结果确定该段分段信号第一结果数据。
S3,将所有第一结果数据按时间顺序排序,基于综合分析模型,确定生物信号的第二结果数据。
确定出每段分段信号的第一结果数据后,将所有第一结果数据按照步骤S1中划分分段信号的时间顺序进行排序,基于综合分析模型M2,确定该生物信号的第二结果数据。
在本公开的一个实施例中,综合分析模型M2的输入为S2中全部第一结果数据,由于全部第一结果数据的数量随着该生物信号时间长度的变化而变化,因此综合分析模型M2优选采用双向循环神经网络(Recurrent Neural Network,RNN)。如图6(a)所示,X1,X2,…,Xn为由第一结果数据按时间顺序排序构成的排序数据,记为X,Yw为输出的与当前患者的生物信号对应的整体睡眠相关指数,即第二结果数据。
优选地,整体睡眠相关指数Yw为对患者一段连续时长的生物信号的全部第一结果数据综合分析得到的与整体睡眠质量有关的指数值,在一些实施例中可以使用数值的方式进行表示,其数值取值范围为1-100,数值越大,表示该时间段睡眠质量越好。在另外一些实施例中将睡眠相关指数Yw的取值范围划分为多个区间,不同的区间表示不同的睡眠结果等级。
在使用综合分析模型M2进行分析前,同样需要通过训练得到综合分析模型M2中各个神经元参数的取值区间。训练综合分析模型也可使用DROPOUT算法等预设训练算法。利用训练分段分析模型M1时得到训练样本数据,对综合分析模型M2进行训练,使综合分析模型M2的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。
训练好的综合分析模型M2将所有第一结果数据按时间顺序排序,将得到的排序数据作为该综合分析模型M2的第二输入向量;在综合分析模型M2的神经元参数的取值区间中随机选取一个数值,作为该综合分析模型M2的第二神经元参数;基于第二神经元参数对第二输入向量进行前向计算,根据计算结果确定整体睡眠相关指数Yw。
在进行前向计算时,将由第二神经元参数构成的参数向量与对应的第二输入向量进行内积运算,对内积运算的结果进行线性运算;然后对线性运算结果进行非线性映射,得到计算结果;根据该计算结果确定所述生物信号的包括整体睡眠相关指数Yw的第二结果数据。
如图6(b)所示,在另一个实施例中,本公开的综合分析模型M2将双向循环神经网络RNN与单向循环神经网络RNN结合,在通过双向循环神经网络RNN直接输出整体睡眠相关指数Yw的之后,通过单向循环神经网络RNN优化第一结果数据中的睡眠分期结果数据及呼吸暂停结果数据,从而提高睡眠分析结果的准确度。具体地,单向循环神经网络RNN具体包括睡眠分期单向循环神经网络和/或呼吸暂停单向循环神经网络,睡眠分期单向循环神经网络输出Ys1,Ys2,…,Ysn,为优化的分段睡眠分期结果数据,记为Ys;呼吸暂停单向循环神经网络输出Ya1,Ya2,…,Yan,为优化的分段呼吸暂停结果数据,记为Ya;其中,Ys和Ya与排序数据X的数量相同且顺序相对应。具体的步骤为:
基于排序数据X,双向循环神经网络RNN确定语义编码,语义编码为全部第一结果数据的语义信息编码,具体而言,该语义编码包括各分段信号的时序关联关系编码、睡眠分期数据编码与呼吸暂停数据编码以及睡眠分期数据与呼吸暂停数据的关联关系编码;基于语义编码,通过睡眠分期单向循环神经网络对睡眠分期数据进行睡眠分期解码分析,确定睡眠分期结果数据Ys;和/或,基于语义编码,通过呼吸暂停单向循环神经网络对呼吸暂停数据进行呼吸暂停解码分析,确定呼吸暂停结果数据Ya。
本公开实施例的睡眠分析方法操作简便,容易实施,较常规的基于睡眠分析方法,通过在符合预设概率分布的随机变量的集合中随机选取一数值作为神经元的参数值,能够将降低生物信号在采集和分析过程中的外界干扰对神经元参数的影响,能够极大地提高结果的准确性和鲁棒性,为用户提供更加准确的睡眠分析结果,提升用户的使用体验。
本公开的第二实施例提出一种睡眠分析系统,其结构示意图如图7所示,主要包括:分段模块10、分段分析模块20和综合分析模块30,其中,分段模块10用于将生物信号按时间顺序划分为预设长度的分段信号;分段分析模块20用于基于分段分析模型M1,确定每段分段信号的第一结果数据;综合分析模块30用于将所有第一结果数据按时间顺序排序,基于综合分析模型M2,确定生物信号的第二结果数据;其中,分段分析模型和/或综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。
在实际使用时,分段模块10包括信号采集子模块和信号分段子模块,信号采集子模块用于针对当前使用的患者,采集该患者的一段连续时长的生物信号,该生物信号可以为该患者的心电信号、呼吸信号、脉搏信号、脑电信号等原始生物信号。信号分段子模块用于将该生物信号按时间顺序划分为预设长度的分段信号。在一个实施例中信号采集子模块采集到的该段生物信号的整体长度为4个小时时长,信号分段子模块根据睡眠分析的需要将生物信号切分成预设长度为30秒的分段信号,该段生物信号共切分为280个分段信号。
经过分段模块10切分得到多个分段信号后,由分段分析模块20将每段分段信号逐段输入分段分析模型M1,基于分段分析模型M1,确定每段分段信号的第一结果数据;第一结果数据为每段分段信号的分段分析结果,具体包括睡眠分期数据和/或呼吸暂停数据。
分段分析模型M1由骨干网络、分类子网和分割子网三部分组成,骨干网络采用卷积神经网络CNN,对输入的分段信号进行特征提取,得到生物信号的特征数据;分类子网采用多层感知机MLP,基于生物信号的特征数据得到具有睡眠特征的睡眠分期数据;分割子网采用卷积神经网络CNN,基于生物信号的特征数据得到具有呼吸特征的呼吸暂停数据。睡眠分期数据和呼吸暂停数据为第一结果数据。进一步地,在分段分析模块20中,分段分析模型M1将每段独立的分段信号分别作为第一输入向量;在分段分析模型的每个神经元参数的取值区间中随机选取一个数值,作为该分段分析模型的第一神经元参数;基于第一神经元参数对第一输入向量进行前向计算,根据计算结果确定每段分段信号的第一结果数据,其中,第一结果数据具体包括睡眠分期数据和/或呼吸暂停数据。
进一步地,分段分析模块20包括第一前向计算子模块;第一前向计算子模块用于将由第一神经元参数构成的参数向量与对应的第一输入向量进行内积运算,对内积运算的结果进行线性运算;对线性运算结果进行非线性映射,得到计算结果;根据该计算结果确定该段分段信号第一结果数据。
由分段分析模块20处理完全部分段信号,得到全部第一结果数据。由综合分析模块30将全部第一结果数据按时间顺序排序,基于综合分析模型M2,确定生物信号的第二结果数据。
综合分析模块30包括排序子模块、第二结果确定子模块和第二前向计算子模块。排序子模块用于将所有第一结果数据按照分段信号的时间顺序进行排序,得到排序数据。第二结果确定子模块用于将排序数据作为第二输入向量输入综合分析模型M2,在综合分析模型M2的神经元参数的取值区间中随机选取一个数值,作为该综合分析模型M2的第二神经元参数,基于第二神经元参数对第二输入向量进行前向计算,根据计算结果确定整体睡眠相关指数Yw。第二前向计算子模块用于将由第二神经元参数构成的参数向量与对应的第二输入向量进行内积运算,对内积运算的结果进行线性运算,然后对线性运算结果进行非线性映射,得到计算结果,根据该计算结果确定所述生物信号的包括整体睡眠相关指数Yw的第二结果数据。
在一些实施例中,第二结果确定子模块还用于基于排序数据X,确定语义编码,语义编码为全部第一结果数据的语义信息编码。具体而言,该语义编码包括各分段信号的时序关联关系编码、睡眠分期数据编码与呼吸暂停数据编码以及睡眠分期数据与呼吸暂停数据的关联关系编码。
进一步地,综合分析模块30还包括睡眠分期解码分析子模快和呼吸暂停解码分析子模快。睡眠分期解码分析子模快用于基于语义编码,通过睡眠分期单向循环神经网络对睡眠分期数据进行睡眠分期解码分析,确定睡眠分期结果数据Ys;呼吸暂停解码分析子模快用于基于语义编码,通过呼吸暂停单向循环神经网络对呼吸暂停数据进行呼吸暂停解码分析,确定呼吸暂停结果数据Ya。
在一些实施例中,综合分析模型M2优选采用双向循环神经网络(RecurrentNeural Network,RNN)。
在另一些实施例中,综合分析模型M2包括双向循环神经网络RNN和单向循环神经网络RNN,双向循环神经网络RNN与单向循环神经网络RNN结合,在通过双向循环神经网络RNN直接输出整体睡眠相关指数Yw的之后,通过单向循环神经网络RNN优化第一结果数据中的睡眠分期结果数据及呼吸暂停结果数据,从而提高睡眠分析结果的准确度。单向循环神经网络RNN具体包括睡眠分期单向循环神经网络和/或呼吸暂停单向循环神经网络。睡眠分期单向循环神经网络输出Ys1,Ys2,…,Ysn,为优化的分段睡眠分期结果数据,记为Ys;呼吸暂停单向循环神经网络输出Ya1,Ya2,…,Yan,为优化的分段呼吸暂停结果数据,记为Ya;其中,Ys和Ya与输入的排序数据X的数量相同且顺序相对应。
本公开实施例提出的一种睡眠分析系统,还包括训练模块40,此时睡眠分析系统的结构示意图如图8所示,训练模块40用于采用预设训练算法对分段分析模型M1进行训练,输出训练样本数据。预设训练算法包括DROPOUT算法,通过DROPOUT算法进行训练使分段分析模型M1的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。利用训练分段分析模型M1得到训练样本数据,对综合分析模型M2进行训练,通过DROPOUT算法使综合分析模型M2的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。应当了解的是,本实施例中也可以采用其他算法进行模型训练,只要能使其各个神经元参数的取值区间均为符合预设概率分布的随机变量的集合即可。。
本公开实施例的睡眠分析方法操作简便,容易实施,较常规的基于睡眠分析方法,通过在符合预设概率分布的随机变量的集合中随机选取一数值作为神经元的参数值,能够将降低生物信号在采集和分析过程中的外界干扰对神经元参数的影响,能够极大地提高结果的准确性和鲁棒性,为用户提供更加准确的睡眠分析结果,提升用户的使用体验。
本公开的第三实施例提出一种电子设备,该电子设备的结构示意图可以如图9所示,至少包括存储器100和处理器200,存储器100上存储有计算机程序,处理器200在执行存储器100上的计算机程序时实现本公开任意实施例提供的方法。示例性的,电子设备计算机程序步骤如下S11至S13:
S11,将生物信号按时间顺序划分为预设长度的分段信号;
S12,基于分段分析模型,确定每段分段信号的第一结果数据;
S13,将所有第一结果数据按时间顺序排序,基于综合分析模型,确定生物信号的第二结果数据;其中,分段分析模型和/或综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。
处理器在执行存储器上存储的基于分段分析模型,确定每段分段信号的第一结果数据时,具体执行如下计算机程序:将每段分段信号作为分段分析模型的第一输入向量;在分段分析模型的神经元参数的取值区间中随机选取一个数值,作为分段分析模型的第一神经元参数;基于第一神经元参数对第一输入向量进行前向计算,根据计算结果确定每段分段信号的第一结果数据。
具体地,第一结果数据至少包括睡眠分期数据和/或呼吸暂停数据。
处理器在执行存储器上存储的将所有第一结果数据按时间顺序排序,基于综合分析模型,确定生物信号的第二结果数据时,具体执行如下计算机程序:将所有第一结果数据按时间顺序排序,将得到的排序数据作为综合分析模型的第二输入向量;在综合分析模型的神经元参数的取值区间中随机选取一个数值,作为综合分析模型的第二神经元参数;基于第二神经元参数对第二输入向量进行前向计算,根据计算结果确定生物信号的第二结果数据。
处理器在执行存储器上存储的基于第二神经元参数对排序数据进行前向计算,根据计算结果确定生物信号的第二结果数据之后,还执行如下计算机程序:基于排序数据,确定语义编码,其中语义编码至少包括睡眠分期数据与呼吸暂停数据的关系、分段信号之间的时序关系;基于语义编码,对睡眠分期数据进行睡眠分期解码分析,确定睡眠分期结果数据;和/或,基于语义编码,对呼吸暂停数据进行呼吸暂停解码分析,确定呼吸暂停结果数据;其中,睡眠分期结果数据和/或呼吸暂停结果数据与全部第一结果数据的数量和顺序一一对应。
处理器在执行存储器上存储的前向计算步骤时,具体执行如下计算机程序:将由神经元参数构成的参数向量与输入向量进行内积运算,对内积运算的结果进行线性运算;对线性运算结果进行非线性映射,得到计算结果;其中神经元参数为第一神经元参数或第二神经元参数之一;输入向量为第一输入向量或第二输入向量之一;在神经元参数为第一神经元参数时,输入向量为第一输入向量,计算结果用于确定每段分段信号的第一结果数据;在神经元参数为第二神经元参数时,输入向量为第二输入向量,计算结果用于确定生物信号的第二结果数据。
处理器还执行如下的模型训练的计算机程序:采用预设训练算法对分段分析模型进行训练,输出训练样本数据,使分段分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合;根据训练样本数据对综合分析模型进行训练,使综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。
具体地,分段分析模型至少包括:分类子网和/或分割子网,其中,分类子网为多层感知机,分割子网为卷积神经网络。
本公开实施例的计算机程序被处理器执行的睡眠分析方法操作简便,容易实施,较常规的基于睡眠分析方法,通过在符合预设概率分布的随机变量的集合中随机选取一数值作为神经元的参数值,能够将降低生物信号在采集和分析过程中的外界干扰对神经元参数的影响,能够极大地提高结果的准确性和鲁棒性,为用户提供更加准确的睡眠分析结果,提升用户的使用体验。
本公开的第四实施例提出了一种存储介质,存储介质存储有计算机程序,计算机程序当被处理器执行时实现本公开任意实施例提供的方法,包括如下步骤S21至S23:
S21,将生物信号按时间顺序划分为预设长度的分段信号;
S22,基于分段分析模型,确定每段分段信号的第一结果数据;
S23,将所有第一结果数据按时间顺序排序,基于综合分析模型,确定生物信号的第二结果数据;其中,分段分析模型和/或综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。
计算机程序被处理器执行基于分段分析模型,确定每段分段信号的第一结果数据时,具体被处理器执行如下步骤:将每段分段信号作为分段分析模型的第一输入向量;在分段分析模型的神经元参数的取值区间中随机选取一个数值,作为分段分析模型的第一神经元参数;基于第一神经元参数对第一输入向量进行前向计算,根据计算结果确定每段分段信号的第一结果数据。
具体地,第一结果数据至少包括睡眠分期数据和/或呼吸暂停数据。
计算机程序被处理器执行将所有第一结果数据按时间顺序排序,基于综合分析模型,确定生物信号的第二结果数据时,具体被处理器执行如下步骤:将所有第一结果数据按时间顺序排序,将得到的排序数据作为综合分析模型的第二输入向量;在综合分析模型的神经元参数的取值区间中随机选取一个数值,作为综合分析模型的第二神经元参数;基于第二神经元参数对第二输入向量进行前向计算,根据计算结果确定生物信号的第二结果数据。
计算机程序被处理器执行基于第二神经元参数对排序数据进行前向计算,根据计算结果确定生物信号的第二结果数据之后,还被处理器执行如下步骤:基于排序数据,确定语义编码,其中语义编码至少包括睡眠分期数据与呼吸暂停数据的关系、分段信号之间的时序关系;基于语义编码,对睡眠分期数据进行睡眠分期解码分析,确定睡眠分期结果数据;和/或,基于语义编码,对呼吸暂停数据进行呼吸暂停解码分析,确定呼吸暂停结果数据;其中,睡眠分期结果数据和/或呼吸暂停结果数据与全部第一结果数据的数量和顺序一一对应。
计算机程序被处理器执行前向计算的步骤时,具体被处理器执行如下步骤:将由神经元参数构成的参数向量与输入向量进行内积运算,对内积运算的结果进行线性运算;对线性运算结果进行非线性映射,得到计算结果;其中,神经元参数为第一神经元参数或第二神经元参数之一;输入向量为第一输入向量或第二输入向量之一;在神经元参数为第一神经元参数时,输入向量为第一输入向量,计算结果用于确定每段分段信号的第一结果数据;在神经元参数为第二神经元参数时,输入向量为第二输入向量,计算结果用于确定生物信号的第二结果数据。
计算机程序被处理器执行模型的训练步骤,具体被处理器执行如下步骤:采用预设训练算法对分段分析模型进行训练,输出训练样本数据,使分段分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合;根据训练样本数据对综合分析模型进行训练,使综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。
具体地,分段分析模型至少包括:分类子网和/或分割子网,其中,分类子网为多层感知机,分割子网为卷积神经网络。
本公开实施例的一种存储介质,其存储的计算机程序操作简便,容易实施,较常规的基于睡眠分析方法,通过在符合预设概率分布的随机变量的集合中随机选取一数值作为神经元的参数值,能够将降低生物信号在采集和分析过程中的外界干扰对神经元参数的影响,能够极大地提高结果的准确性和鲁棒性,为用户提供更加准确的睡眠分析结果,提升用户的使用体验。
以上实施例仅为本公开的示例性实施例,不用于限制本公开,本公开的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内,对本公开做出各种修改或等同替换,这种修改或等同替换也应视为落在本公开的保护范围内。
Claims (9)
1.一种睡眠分析方法,其特征在于,所述方法包括:
将生物信号按时间顺序划分为预设长度的分段信号;
基于分段分析模型,确定每段所述分段信号的第一结果数据,所述第一结果数据至少包括睡眠分期数据和呼吸暂停数据;
将所有所述第一结果数据按所述时间顺序排序得到排序数据,基于双向循环神经网络形成的综合分析模型,确定所述生物信号的第二结果数据;
其中,所述分段分析模型和/或所述综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合;
基于所述排序数据,确定语义编码,其中所述语义编码至少包括所述睡眠分期数据与呼吸暂停数据的关系、所述分段信号之间的时序关系;
基于所述语义编码,利用单向循环神经网络对所述睡眠分期数据进行睡眠分期解码分析,确定睡眠分期结果数据;和/或,
基于所述语义编码,利用单向循环神经网络对所述呼吸暂停数据进行呼吸暂停解码分析,确定呼吸暂停结果数据;
其中,所述睡眠分期结果数据和/或呼吸暂停结果数据与全部第一结果数据的数量和顺序一一对应。
2.根据权利要求1所述的睡眠分析方法,其特征在于,所述基于分段分析模型,确定每段所述分段信号的第一结果数据,包括:
将每段所述分段信号作为所述分段分析模型的第一输入向量;
在所述分段分析模型的神经元参数的取值区间中随机选取一个数值,作为所述分段分析模型的第一神经元参数;
基于所述第一神经元参数对所述第一输入向量进行前向计算,根据计算结果确定每段所述分段信号的第一结果数据。
3.根据权利要求1所述的睡眠分析方法,其特征在于,所述将所有所述第一结果数据按所述时间顺序排序,基于综合分析模型,确定所述生物信号的第二结果数据,包括:
将所有所述第一结果数据按所述时间顺序排序,将得到的排序数据作为所述综合分析模型的第二输入向量;
在所述综合分析模型的神经元参数的取值区间中随机选取一个数值,作为所述综合分析模型的第二神经元参数;
基于所述第二神经元参数对所述第二输入向量进行前向计算,根据计算结果确定所述生物信号的第二结果数据。
4.根据权利要求2或3所述的睡眠分析方法,其特征在于,所述前向计算的步骤包括:
将由神经元参数构成的参数向量与输入向量进行内积运算,对内积运算的结果进行线性运算;
对线性运算结果进行非线性映射,得到计算结果;
其中,所述神经元参数为第一神经元参数或第二神经元参数之一;
输入向量为第一输入向量或第二输入向量之一;
在所述神经元参数为所述第一神经元参数时,所述输入向量为所述第一输入向量,所述计算结果用于确定每段所述分段信号的第一结果数据;
在所述神经元参数为所述第二神经元参数时,所述输入向量为所述第二输入向量,所述计算结果用于确定所述生物信号的第二结果数据。
5.根据权利要求1所述的睡眠分析方法,其特征在于,所述方法还包括模型的训练步骤,具体包括:
采用预设训练算法对所述分段分析模型进行训练,输出训练样本数据,使所述分段分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合;
根据所述训练样本数据对综合分析模型进行训练,使所述综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。
6.根据权利要求1所述的睡眠分析方法,其特征在于,所述分段分析模型至少包括:分类子网和/或分割子网,其中,所述分类子网为多层感知机,所述分割子网为卷积神经网络。
7.一种睡眠分析系统,其特征在于,所述系统包括:
分段模块,用于将生物信号按时间顺序划分为预设长度的分段信号;
分段分析模块,用于基于分段分析模型,确定每段所述分段信号的第一结果数据,所述第一结果数据至少包括睡眠分期数据和呼吸暂停数据;
综合分析模块,用于将所有所述第一结果数据按所述时间顺序排序得到排序数据,基于综合分析模型,确定所述生物信号的第二结果数据;
其中,所述分段分析模型和/或所述综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合;
基于所述排序数据,确定语义编码,其中所述语义编码至少包括所述睡眠分期数据与呼吸暂停数据的关系、所述分段信号之间的时序关系;
基于所述语义编码,对所述睡眠分期数据进行睡眠分期解码分析,确定睡眠分期结果数据;和/或,
基于所述语义编码,对所述呼吸暂停数据进行呼吸暂停解码分析,确定呼吸暂停结果数据;
其中,所述睡眠分期结果数据和/或呼吸暂停结果数据与全部第一结果数据的数量和顺序一一对应。
8.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上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权利要求1至6中任一项所述的方法。
9.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010104606.5A CN111297327B (zh) | 2020-02-20 | 2020-02-20 | 一种睡眠分析方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010104606.5A CN111297327B (zh) | 2020-02-20 | 2020-02-20 | 一种睡眠分析方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111297327A CN111297327A (zh) | 2020-06-19 |
CN111297327B true CN111297327B (zh) | 2023-12-01 |
Family
ID=71159980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010104606.5A Active CN111297327B (zh) | 2020-02-20 | 2020-02-20 | 一种睡眠分析方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111297327B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112022142B (zh) * | 2020-08-07 | 2023-10-17 | 上海联影智能医疗科技有限公司 | 心电信号类型识别方法、装置及介质 |
CN112862728B (zh) * | 2021-03-22 | 2023-06-27 | 上海壁仞智能科技有限公司 | 伪影去除方法、装置、电子设备和存储介质 |
CN114424934A (zh) * | 2021-12-30 | 2022-05-03 | 上海市第六人民医院 | 呼吸暂停事件筛查模型训练方法、装置和计算机设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2585824A1 (en) * | 2007-03-29 | 2008-09-29 | Telecommunications Research Laboratory | Breathing sound analysis for detection of sleep apnea/hypopnea events |
CN102429662A (zh) * | 2011-11-10 | 2012-05-02 | 大连理工大学 | 家庭环境中睡眠呼吸暂停综合征的筛查系统 |
WO2016098020A1 (en) * | 2014-12-16 | 2016-06-23 | Koninklijke Philips N.V. | Probabilistic non-invasive assessment of respiratory mechanics for different patient classes |
CN106361277A (zh) * | 2016-08-26 | 2017-02-01 | 中山大学 | 一种基于心电信号的睡眠呼吸暂停综合征的评估方法 |
CN107890339A (zh) * | 2017-11-09 | 2018-04-10 | 常熟理工学院 | 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置 |
CN108030488A (zh) * | 2017-11-30 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于卷积神经网络的心律失常的检测系统 |
WO2019122412A1 (en) * | 2017-12-22 | 2019-06-27 | Resmed Sensor Technologies Limited | Apparatus, system, and method for health and medical sensing |
CN109998525A (zh) * | 2019-04-03 | 2019-07-12 | 哈尔滨理工大学 | 一种基于判别式深度置信网络的心律失常自动分类方法 |
CN110151138A (zh) * | 2019-05-29 | 2019-08-23 | 中山大学 | 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备 |
CN110520935A (zh) * | 2017-03-26 | 2019-11-29 | 麻省理工学院 | 从无线电信号学习睡眠阶段 |
CN110558934A (zh) * | 2019-08-02 | 2019-12-13 | 杭州连帆科技有限公司 | 睡眠质量评估方法、装置、电子设备及介质 |
CN110742621A (zh) * | 2019-10-31 | 2020-02-04 | 京东方科技集团股份有限公司 | 一种信号处理方法及计算机设备 |
CN110751199A (zh) * | 2019-10-15 | 2020-02-04 | 南京航空航天大学 | 一种基于贝叶斯神经网络的卫星异常检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7966061B2 (en) * | 2006-08-29 | 2011-06-21 | Board Of Regents, The University Of Texas System | Processing and analyzing physiological signals to detect a health condition |
EP2531103A1 (en) * | 2010-02-02 | 2012-12-12 | Nellcor Puritan Bennett LLC | System and method for diagnosing sleep apnea based on results of multiple approaches to sleep apnea identification |
US10582890B2 (en) * | 2015-08-28 | 2020-03-10 | Awarables Inc. | Visualizing, scoring, recording, and analyzing sleep data and hypnograms |
US20190286970A1 (en) * | 2018-03-17 | 2019-09-19 | Uber Technologies, Inc. | Representations of units in neural networks |
-
2020
- 2020-02-20 CN CN202010104606.5A patent/CN111297327B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2585824A1 (en) * | 2007-03-29 | 2008-09-29 | Telecommunications Research Laboratory | Breathing sound analysis for detection of sleep apnea/hypopnea events |
CN102429662A (zh) * | 2011-11-10 | 2012-05-02 | 大连理工大学 | 家庭环境中睡眠呼吸暂停综合征的筛查系统 |
WO2016098020A1 (en) * | 2014-12-16 | 2016-06-23 | Koninklijke Philips N.V. | Probabilistic non-invasive assessment of respiratory mechanics for different patient classes |
CN106361277A (zh) * | 2016-08-26 | 2017-02-01 | 中山大学 | 一种基于心电信号的睡眠呼吸暂停综合征的评估方法 |
CN110520935A (zh) * | 2017-03-26 | 2019-11-29 | 麻省理工学院 | 从无线电信号学习睡眠阶段 |
CN107890339A (zh) * | 2017-11-09 | 2018-04-10 | 常熟理工学院 | 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置 |
CN108030488A (zh) * | 2017-11-30 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于卷积神经网络的心律失常的检测系统 |
WO2019122412A1 (en) * | 2017-12-22 | 2019-06-27 | Resmed Sensor Technologies Limited | Apparatus, system, and method for health and medical sensing |
CN109998525A (zh) * | 2019-04-03 | 2019-07-12 | 哈尔滨理工大学 | 一种基于判别式深度置信网络的心律失常自动分类方法 |
CN110151138A (zh) * | 2019-05-29 | 2019-08-23 | 中山大学 | 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备 |
CN110558934A (zh) * | 2019-08-02 | 2019-12-13 | 杭州连帆科技有限公司 | 睡眠质量评估方法、装置、电子设备及介质 |
CN110751199A (zh) * | 2019-10-15 | 2020-02-04 | 南京航空航天大学 | 一种基于贝叶斯神经网络的卫星异常检测方法 |
CN110742621A (zh) * | 2019-10-31 | 2020-02-04 | 京东方科技集团股份有限公司 | 一种信号处理方法及计算机设备 |
Non-Patent Citations (2)
Title |
---|
基于nRF401的呼吸暂停无线监测系统;张向阳;马赫;谢娜;康果;罗庚荣;;电子技术(第02期);全文 * |
基于神经网络的睡眠分期处理算法研究;张泾周;周钊;滕炯华;苗治平;;计算机仿真(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111297327A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113627518B (zh) | 利用迁移学习实现神经网络脑电情感识别模型的方法 | |
CN109036553B (zh) | 一种基于自动抽取医疗专家知识的疾病预测方法 | |
CN111297327B (zh) | 一种睡眠分析方法、系统、电子设备及存储介质 | |
Mostafa et al. | Multi-objective hyperparameter optimization of convolutional neural network for obstructive sleep apnea detection | |
JP2021502650A (ja) | 時不変分類 | |
CN113729707A (zh) | 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法 | |
CN110333783B (zh) | 一种用于鲁棒肌电控制的无关手势处理方法及系统 | |
CN112043252B (zh) | 基于脉搏信号中呼吸成分的情绪识别系统及方法 | |
Olesen et al. | Deep residual networks for automatic sleep stage classification of raw polysomnographic waveforms | |
CN112294342A (zh) | 一种基于深度残差Mask-CCNN的睡眠分期方法 | |
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 | |
Liang et al. | Obstructive sleep apnea detection using combination of CNN and LSTM techniques | |
CN116522106A (zh) | 一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法 | |
Srivastava et al. | ApneaNet: A hybrid 1DCNN-LSTM architecture for detection of Obstructive Sleep Apnea using digitized ECG signals | |
CN116049636A (zh) | 一种基于深度残差卷积神经网络的脑电情感识别方法 | |
CN112052874A (zh) | 一种基于生成对抗网络的生理数据分类方法及系统 | |
CN114027786B (zh) | 基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统 | |
CN111916179A (zh) | 一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法 | |
CN113035348A (zh) | 一种基于gru特征融合的糖尿病诊断方法 | |
US12040093B2 (en) | Medical diagnostic tool with neural model trained through machine learning for predicting coronary disease from ECG signals | |
Lupión et al. | Data augmentation for Human Activity Recognition with Generative Adversarial Networks | |
CN115736840A (zh) | 一种基于心电数据的睡眠质量识别分类方法 | |
CN115399735A (zh) | 基于时频双流增强的多头注意机制睡眠分期方法 | |
Ziafati et al. | Genetic algorithm based ensemble system using MLR and MsetCCA methods for SSVEP frequency recognition | |
CN114224348A (zh) | 组合神经网络心电图分类方法及系统 |
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 |