CN111783534A - 一种基于深度学习的睡眠分期方法 - Google Patents
一种基于深度学习的睡眠分期方法 Download PDFInfo
- Publication number
- CN111783534A CN111783534A CN202010466274.5A CN202010466274A CN111783534A CN 111783534 A CN111783534 A CN 111783534A CN 202010466274 A CN202010466274 A CN 202010466274A CN 111783534 A CN111783534 A CN 111783534A
- Authority
- CN
- China
- Prior art keywords
- model
- sleep
- training
- network model
- loss function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 230000008667 sleep stage Effects 0.000 claims abstract description 22
- 230000004580 weight loss Effects 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000004461 rapid eye movement Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 5
- 206010003119 arrhythmia Diseases 0.000 abstract description 3
- 230000006793 arrhythmia Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 206010015037 epilepsy Diseases 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Neurosurgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的睡眠分期方法，该方法包含以下步骤：对单通道脑电信号进行过采样获得数据集；设计用于睡眠分期的卷积神经网络；在过采样后的数据集上预训练，并根据贝叶斯优化调整模型的超参数；设计惩罚权重损失函数对模型二次优化；利用训练好的模型测试输入的单通道脑电信号得到预测的睡眠时期。本发明方法无需额外的提取特征就可以让神经网络学习到睡眠分期信息，利用该方法可以有效的避免由数据集不平衡引起的各时期平均识别率低下的问题。该方法可被广泛应用于存在数据集不平衡的场景，如心电图检测心律不齐和脑电图检测癫痫。
Description
技术领域
本发明涉及模式识别、信号处理领域，具体涉及一种基于深度学习的睡眠分期方法。
背景技术
自动睡眠阶段分类算法主要有手动提取特征的方法和自动提取特征两种方式。手动提取特征的方法从原始信号中提取诸如时间，频率和时频域特征之类的特征进行训练。这类方法由于仅提取特征，因此可能会丢失大多数原始信息。自动提取特征的方法可以直接用原始数据进行训练，利用部分神经网络能端到端进行训练的特点，将它们同时作为特征提取器和分类器，可以解决手工特征提取的局限性。
自动提取特征的方法是目前采用比较多的算法，然而数据集本身却存在严重的不平衡问题，相关算法大部分未关注模型优化以及损失函数的提升，导致各睡眠时期平均识别率低下。
发明内容
发明目的：针对以上问题，本发明提出一种基于深度学习的睡眠分期方法，通过贝叶斯优化搜索合适的超参数并采用惩罚权重损失函数对模型二次优化以解决各睡眠类别平均识别率低下的问题。
技术方案：为实现本发明的目的，本发明提出一种基于深度学习的睡眠分期方法，具体包括以下步骤：
步骤1：获取单通道脑电信号构建数据集，并对数据集中脑电信号进行过采样，将过采样后的脑电信号数据集划分为训练集和验证集；
步骤2：构建用于睡眠分期的卷积神经网络模型，将单通道脑电信号过采样后的数据作为模型的输入，睡眠时期的标签作为模型的输出；
步骤3：使用训练集对网络模型进行预训练，使用验证集对模型进行验证，并根据贝叶斯优化调整模型的超参数，得到初步优化后的网络模型；
步骤4：构建惩罚权重损失函数对模型进行二次优化，得到二次优化后的网络模型；
步骤5：利用训练好的模型测试输入的单通道脑电信号，得到预测的睡眠时期。
进一步的，所述步骤1，获取单通道脑电信号构建数据集，划分训练集和验证集，方法如下：
获取睡眠分期数据集Sleep-EDF，将睡眠时期的标签分为5类，分别是觉醒期、浅度睡眠I期、浅度睡眠II期、深度睡眠期、快速眼动期；
对脑电信号进行数据截取，保留睡眠前半个小时到睡眠后半个小时的睡眠记录；将通道Fpz-Cz中的数据提取出来，获得单通道脑电数据；
对脑电信号进行过采样，并以t秒的脑电信号和其对应的睡眠时期标签作为一个训练样本，将数据集划分为训练样本集和验证样本集。
进一步的，所述步骤2，构建用于睡眠分期的卷积神经网络模型，方法如下：
网络结构由十个卷积层和两个全连接层组成，在每个卷积层中使用大小为3×1的卷积核，每两个相邻的卷积层是一个模块，并依次执行五个操作：卷积，经过激活函数，卷积，经过激活函数，批标准化；十个卷积层构成了五个模块，每个模块中第一个卷积步长为1，第二个卷积步长为2，在两个全连接层前均添加dropout层。
进一步的，所述步骤3，对网络模型预训练，并调整模型的超参数，方法如下：
采用Adam优化算法对网络模型进行端到端的训练，模型的损失函数选用多类交叉熵，当损失函数小于设定的阈值时训练停止；训练过程中，训练每进行一个周期就在验证集上进行验证，保存验证集上准确度最高的模型作为预训练的输出模型；
对模型的超参数即两层dropout中随机丢失神经元的概率进行调整：随机搜索nr个概率组合，使用贝叶斯优化方法，将随机丢失神经元的概率的搜索空间设置为(vmin,vmax)，vmin和vmax分别表示搜索空间的最小值和最大值，重复no次搜索操作，得到初步优化后的超参数以及网络模型。
进一步的，所述步骤4，构建惩罚权重损失函数对模型进行二次优化，方法如下：
(a)将过采样后的脑电信号数据集输入步骤3中初步优化后的网络模型，获得模型预测的睡眠时期标签，与真实的标签进行对比，得到各个标签类别的F1值、以及对应的均值和标准差，所述均值和标准差计算公式如下：
其中mf和sf分别是所有标签类别F1值的均值和标准差，fsi为类别i对应的F1值，N为类别个数；
(b)中心化各个标签类别的F1值，如下所示：
(c)获得权重，如下式所示：
wi＝max(-fSi+1，kffSi+1)
其中wi是类别i对应的权重，fsi为类别i的中心化F1值，kf是放大倍数；
(d)在交叉熵损失函数上重新加载权重，计算获得惩罚权重损失函数；
(e)采用Adam优化算法对网络模型进行端到端的训练，使用惩罚权重损失函数获得模型损失，模型训练m个周期；训练过程中，训练每进行一个周期就在验证集上进行验证，保存验证集上准确度最高的模型；
(f)设置二次优化阈值，重复执行步骤(a)～步骤(e)直到惩罚权重损失函数小于设定的阈值时，训练停止，获得最终的网络模型。
有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：
本发明提出基于深度学习的睡眠分期方法，无需额外的提取特征就可以让神经网络学习到睡眠分期信息，利用该方法可以有效的避免由数据集不平衡引起的各时期平均识别率低下的问题。该方法可被广泛应用于存在数据集不平衡的场景，如：心电图检测心律不齐和脑电图检测癫痫等。
此外，本发明中使用的网络结构可以根据脑电信号波动剧烈的特点，尽可能地保留信息、拓宽网络、并增大感受野的情况下，提取适当的时不变特征并很好地对睡眠阶段进行分类。
附图说明
图1是本发明方法的具体流程图；
图2是基于深度学习的睡眠分期框架示意图；
图3是本发明方法与专家标注的对比结果示意图。
具体实施方式
下面结合附图和示例对本发明中的细节进行进一步的说明。
本发明提出一种基于深度学习的睡眠分期方法，如图1所示，具体包括以下步骤：
步骤1：获取单通道脑电信号构建数据集，并对数据集中脑电信号进行过采样，将过采样后的脑电信号数据集划分为训练集和验证集；具体包括：
在网上获取睡眠分期数据集Sleep-EDF，按照美国睡眠医学会的标准，将睡眠时期的标签分为5类，分别是觉醒期、浅度睡眠I期、浅度睡眠II期、深度睡眠期、快速眼动期；由于部分记录文件长达20个小时，本实施例关注晚上的睡眠情况，所以对脑电信号进行数据截取，保留睡眠前半个小时到睡眠后半个小时的睡眠记录；将通道Fpz-Cz中的数据提取出来，获得单通道脑电数据；由于提取出的数据各个标签类别的样本量存在不平衡情况，为了构建训练集，多次复制稀有类别的样本直到所有类别含有相同的样本数，所述稀有类别是指样本数少于一定数值的标签类别；对脑电信号进行过采样，并以30秒的脑电信号和其对应的睡眠时期标签作为一个训练样本，将数据集划分为训练样本集和验证样本集。
步骤2：构建用于睡眠分期的卷积神经网络模型，将单通道脑电信号过采样后的数据作为模型的输入，睡眠时期的标签作为模型的输出；具体如下：
参考图2，网络结构由十个卷积层和两个全连接层组成，在每个卷积层中使用大小为3×1的卷积核，每两个相邻的卷积层是一个模块，并依次执行五个操作：卷积，经过激活函数，卷积，经过激活函数，批标准化；十个卷积层构成了五个模块，每个模块中第一个卷积步长为1，在不改变特征尺寸的情况下增加模型的宽度；第二个卷积步长为2，代替下采样率为2的池化；在两个全连接层前均添加dropout层以防止过拟合。
步骤3：使用训练集对网络模型进行预训练，使用验证集对模型进行验证，并根据贝叶斯优化调整模型的超参数，得到初步优化后的网络模型；具体如下：
采用Adam优化算法对网络模型进行端到端的训练，本实施例中，设置学习率为0.001，训练数据的批大小为128，模型的损失函数选用多类交叉熵，当损失函数小于设定的阈值时训练停止；训练过程中，训练每进行一个周期就在验证集上进行验证，保存验证集上准确度最高的模型作为预训练的输出模型；
对模型的超参数即两层dropout中随机丢失神经元的概率进行调整：随机搜索nr个概率组合，使用贝叶斯优化方法，将随机丢失神经元的概率的搜索空间设置为(vmin,vmax)，vmin和vmax分别表示搜索空间的最小值和最大值，重复no次搜索操作，得到初步优化后的超参数以及网络模型。本实施例中，nr＝5,vmin＝0.3,vmax＝0.8,no＝15。
所述贝叶斯优化方法通过多次寻找超参数组合，获得超参数组合所对应的模型的准确率，选择高斯过程作为内部回归器，将超参数组合作为样本，模型的准确率作为标签，带入回归器进行训练，然后随机初始化多个样本点，并使用L-BFGS-B搜索更多样本点，接下来，使用回归器获得每个点的平均值和标准偏差，获得该点的拟合值，然后返回对应于最大值的点，该最大值是新的超参数组合。所述拟合值计算表达式如下：
v＝mp+kpSp
其中v,mp和sp分别是每个点的值、均值和标准偏差，kp是放大倍数。
步骤4：构建惩罚权重损失函数对模型进行二次优化，得到二次优化后的网络模型；
(a)将过采样后的脑电信号数据集输入步骤3中初步优化后的网络模型，获得模型预测的睡眠时期标签，与真实的标签进行对比，得到各个标签类别的F1值、以及对应的均值和标准差，所述均值和标准差计算公式如下：
其中mf和sf分别是所有标签类别F1值的均值和标准差，fsi为类别i对应的F1值，N为类别个数；
(b)中心化各个标签类别的F1值，如下所示：
(c)获得权重，如下式所示：
wi＝max(-fSi+1，kffSi+1)
其中wi是类别i对应的权重，fsi为类别i的中心化F1值，kf是放大倍数，取值范围是[-0.25,0]；
(d)在交叉熵损失函数上重新加载权重，计算获得惩罚权重损失函数；
(e)采用Adam优化算法对网络模型进行端到端的训练，学习率为0.0002，训练数据的批大小设置为128，使用惩罚权重损失函数获得模型损失，模型训练8个周期；训练过程中，训练每进行一个周期就在验证集上进行验证，保存验证集上准确度最高的模型；
(f)设置二次优化阈值，重复执行步骤(a)～步骤(e)直到惩罚权重损失函数小于设定的阈值时，训练停止，获得最终的网络模型。
步骤5：利用训练好的模型测试输入的单通道脑电信号，得到预测的睡眠时期。
图3是本发明方法预测的睡眠时期(上)与真实标签(下)之间的对比结果示意图。横坐标表示预测睡眠时期对应的序号，纵坐标表示对应的睡眠时期。可以发现，本发明方法的预测结果与epoches中的标签基本一致，本发明方法用于睡眠分期可以解决各时期平均识别率低下的问题，可被广泛应用于存在数据集不平衡的场景，如：心电图检测心律不齐和脑电图检测癫痫等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种基于深度学习的睡眠分期方法，其特征在于，该方法包括以下步骤：
步骤1：获取单通道脑电信号构建数据集，并对数据集中脑电信号进行过采样，将过采样后的脑电信号数据集划分为训练集和验证集；
步骤2：构建用于睡眠分期的卷积神经网络模型，将单通道脑电信号过采样后的数据作为模型的输入，睡眠时期的标签作为模型的输出；
步骤3：使用训练集对网络模型进行预训练，使用验证集对模型进行验证，并根据贝叶斯优化调整模型的超参数，得到初步优化后的网络模型；
步骤4：构建惩罚权重损失函数对模型进行二次优化，得到二次优化后的网络模型；
步骤5：利用训练好的模型测试输入的单通道脑电信号，得到预测的睡眠时期。
2.根据权利要求1所述的一种基于深度学习的睡眠分期方法，其特征在于，所述步骤1，获取单通道脑电信号构建数据集，划分训练集和验证集，方法如下：
获取睡眠分期数据集Sleep-EDF，将睡眠时期的标签分为5类，分别是觉醒期、浅度睡眠I期、浅度睡眠II期、深度睡眠期、快速眼动期；
对脑电信号进行数据截取，保留睡眠前半个小时到睡眠后半个小时的睡眠记录；将通道Fpz-Cz中的数据提取出来，获得单通道脑电数据；
对脑电信号进行过采样，并以t秒的脑电信号和其对应的睡眠时期标签作为一个训练样本，将数据集划分为训练样本集和验证样本集。
3.根据权利要求1或2所述的一种基于深度学习的睡眠分期方法，其特征在于，所述步骤2，构建用于睡眠分期的卷积神经网络模型，方法如下：
网络结构由十个卷积层和两个全连接层组成，在每个卷积层中使用大小为3×1的卷积核，每两个相邻的卷积层是一个模块，并依次执行五个操作：卷积，经过激活函数，卷积，经过激活函数，批标准化；十个卷积层构成了五个模块，每个模块中第一个卷积步长为1，第二个卷积步长为2，在两个全连接层前均添加dropout层。
4.根据权利要求3所述的一种基于深度学习的睡眠分期方法，其特征在于，所述步骤3，对网络模型预训练，并调整模型的超参数，方法如下：
采用Adam优化算法对网络模型进行端到端的训练，模型的损失函数选用多类交叉熵，当损失函数小于设定的阈值时训练停止；训练过程中，训练每进行一个周期就在验证集上进行验证，保存验证集上准确度最高的模型作为预训练的输出模型；
对模型的超参数即两层dropout中随机丢失神经元的概率进行调整：随机搜索nr个概率组合，使用贝叶斯优化方法，将随机丢失神经元的概率的搜索空间设置为(vmin,vmax)，vmin和vmax分别表示搜索空间的最小值和最大值，重复no次搜索操作，得到初步优化后的超参数以及网络模型。
5.根据权利要求4所述的一种基于深度学习的睡眠分期方法，其特征在于，所述步骤4，构建惩罚权重损失函数对模型进行二次优化，方法如下：
(a)将过采样后的脑电信号数据集输入步骤3中初步优化后的网络模型，获得模型预测的睡眠时期标签，与真实的标签进行对比，得到各个标签类别的F1值、以及对应的均值和标准差，所述均值和标准差计算公式如下：
其中mf和sf分别是所有标签类别F1值的均值和标准差，fsi为类别i对应的F1值，N为类别个数；
(b)中心化各个标签类别的F1值，如下所示：
(c)获得权重，如下式所示：
wi＝max(-fsi+1，kffsi+1)
其中wi是类别i对应的权重，fsi为类别i的中心化F1值，kf是放大倍数；
(d)在交叉熵损失函数上重新加载权重，计算获得惩罚权重损失函数；
(e)采用Adam优化算法对网络模型进行端到端的训练，使用惩罚权重损失函数获得模型损失，模型训练m个周期；训练过程中，训练每进行一个周期就在验证集上进行验证，保存验证集上准确度最高的模型；
(f)设置二次优化阈值，重复执行步骤(a)～步骤(e)直到惩罚权重损失函数小于设定的阈值时，训练停止，获得最终的网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010466274.5A CN111783534B (zh) | 2020-05-28 | 2020-05-28 | 一种基于深度学习的睡眠分期方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010466274.5A CN111783534B (zh) | 2020-05-28 | 2020-05-28 | 一种基于深度学习的睡眠分期方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111783534A true CN111783534A (zh) | 2020-10-16 |
| CN111783534B CN111783534B (zh) | 2024-05-10 |
Family
ID=72754416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010466274.5A Active CN111783534B (zh) | 2020-05-28 | 2020-05-28 | 一种基于深度学习的睡眠分期方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783534B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112641451A (zh) * | 2020-12-18 | 2021-04-13 | 北方工业大学 | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 |
| CN112932501A (zh) * | 2021-01-25 | 2021-06-11 | 上海海事大学 | 一种基于一维卷积神经网络自动识别失眠方法 |
| CN113080864A (zh) * | 2021-04-07 | 2021-07-09 | 电子科技大学 | 一种通过自动睡眠分期结果的常见睡眠疾病检测方法 |
| CN113283499A (zh) * | 2021-05-24 | 2021-08-20 | 南京航空航天大学 | 一种基于深度学习的三维编制物编制密度检测方法 |
| 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 |
| 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 |
| CN116671867A (zh) * | 2023-06-06 | 2023-09-01 | 中国人民解放军海军特色医学中心 | 一种针对水下作业人员的睡眠质量评测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107495962A (zh) * | 2017-09-18 | 2017-12-22 | 北京大学 | 一种单导联脑电的睡眠自动分期方法 |
| CN111192453A (zh) * | 2019-12-30 | 2020-05-22 | 深圳市麦谷科技有限公司 | 一种基于贝叶斯优化的短时交通流预测方法及系统 |
-
2020
- 2020-05-28 CN CN202010466274.5A patent/CN111783534B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107495962A (zh) * | 2017-09-18 | 2017-12-22 | 北京大学 | 一种单导联脑电的睡眠自动分期方法 |
| CN111192453A (zh) * | 2019-12-30 | 2020-05-22 | 深圳市麦谷科技有限公司 | 一种基于贝叶斯优化的短时交通流预测方法及系统 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112641451A (zh) * | 2020-12-18 | 2021-04-13 | 北方工业大学 | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 |
| CN112932501A (zh) * | 2021-01-25 | 2021-06-11 | 上海海事大学 | 一种基于一维卷积神经网络自动识别失眠方法 |
| CN113080864A (zh) * | 2021-04-07 | 2021-07-09 | 电子科技大学 | 一种通过自动睡眠分期结果的常见睡眠疾病检测方法 |
| CN113283499A (zh) * | 2021-05-24 | 2021-08-20 | 南京航空航天大学 | 一种基于深度学习的三维编制物编制密度检测方法 |
| 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 |
| 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 |
| CN116671867A (zh) * | 2023-06-06 | 2023-09-01 | 中国人民解放军海军特色医学中心 | 一种针对水下作业人员的睡眠质量评测方法及系统 |
| CN116671867B (zh) * | 2023-06-06 | 2024-02-20 | 中国人民解放军海军特色医学中心 | 一种针对水下作业人员的睡眠质量评测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111783534B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783534A (zh) | 一种基于深度学习的睡眠分期方法 | |
| AU2020104006A4 (en) | Radar target recognition method based on feature pyramid lightweight convolutional neural network | |
| CN109785976B (zh) | 一种基于Soft-Voting的痛风病分期预测系统 | |
| Zahisham et al. | Food recognition with resnet-50 | |
| CN111368885B (zh) | 一种航空发动机气路故障诊断方法 | |
| Bavkar et al. | Multimodal sarcasm detection via hybrid classifier with optimistic logic | |
| Prakash et al. | Face recognition with convolutional neural network and transfer learning | |
| CN109993100B (zh) | 基于深层特征聚类的人脸表情识别的实现方法 | |
| CN112766355B (zh) | 一种标签噪声下的脑电信号情绪识别方法 | |
| CN110289081B (zh) | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 | |
| Halkias et al. | Classification of mysticete sounds using machine learning techniques | |
| CN111353373A (zh) | 一种相关对齐域适应故障诊断方法 | |
| CN114176607B (zh) | 一种基于视觉Transformer的脑电信号分类方法 | |
| Stafylakis et al. | Deep word embeddings for visual speech recognition | |
| CN105930792A (zh) | 一种基于视频局部特征字典的人体动作分类方法 | |
| CN110781751A (zh) | 基于跨连型卷积神经网络的情感脑电信号分类方法 | |
| US7233692B2 (en) | Method and computer program product for identifying output classes with multi-modal dispersion in feature space and incorporating multi-modal structure into a pattern recognition system | |
| Gohar et al. | Terrorist group prediction using data classification | |
| CN116340746A (zh) | 一种基于随机森林改进的特征选择方法 | |
| CN114612968A (zh) | 一种基于卷积神经网络的唇纹识别方法 | |
| CN112329974A (zh) | 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统 | |
| CN110246509B (zh) | 一种用于语音测谎的栈式去噪自编码器及深度神经网络结构 | |
| CN114881173A (zh) | 基于自注意力机制的简历分类方法和装置 | |
| CN116763324A (zh) | 基于多尺度和多注意力的单通道脑电信号睡眠分期方法 | |
| CN116821790A (zh) | 一种基于自适应增强的集成学习策略的冻结步态预测方法 |
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 |