CN113303770A - 睡眠分期方法及装置 - Google Patents

睡眠分期方法及装置 Download PDF

Info

Publication number
CN113303770A
CN113303770A CN202110768369.7A CN202110768369A CN113303770A CN 113303770 A CN113303770 A CN 113303770A CN 202110768369 A CN202110768369 A CN 202110768369A CN 113303770 A CN113303770 A CN 113303770A
Authority
CN
China
Prior art keywords
features
noise reduction
neural network
physiological signal
sleep
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
CN202110768369.7A
Other languages
English (en)
Inventor
李成范
戚跃宇
牛超群
周时强
赵俊娟
丁雪海
张国庆
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.)
Shanghai Institute of Nutrition and Health of CAS
University of Shanghai for Science and Technology
Original Assignee
Shanghai Institute of Nutrition and Health of CAS
University of Shanghai for Science and Technology
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 Shanghai Institute of Nutrition and Health of CAS, University of Shanghai for Science and Technology filed Critical Shanghai Institute of Nutrition and Health of CAS
Publication of CN113303770A publication Critical patent/CN113303770A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种睡眠分期方法及装置，所述方法包括：从采集到的原始多导睡眠图中获取生理信号；对所述生理信号进行降噪处理；提取降噪处理后的生理信号对应的数字特征以及神经网络特征；对所述数字特征与所述神经网络特征进行融合，得到融合特征；将所述融合特征输入至预设的序列学习模块，得到序列特征；对所述序列特征进行分类，确定睡眠分期。上述方案能够提高睡眠分期的精确度。

Description

睡眠分期方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种睡眠分期方法及装置。
背景技术
睡眠是生物学的基本要素，也是人体自我调节的重要活动，良好的睡眠质量对人们的生活非常重要。阻塞性睡眠呼吸暂停(OSA)是一种与睡眠有关的慢性疾病，伴有嗜睡，认知能力下降，焦虑和抑郁等症状，严重影响生活质量并且与系统性多系统疾病的发生和发展密切相关。OSA是主要慢性疾病的危险因素。分析人们的睡眠结构并评估他们的睡眠质量非常重要，睡眠结构和睡眠质量可以通过睡眠阶段来表达。
人们在睡眠期间，大脑处于活动状态，可以通过脑电图反映出来。PSG记录对象是整个晚上睡眠的生理信号。PSG是一个多变量系统，由诸如脑电(EEG)，心电图(ECG)，眼电(EOG)和肌电图(EMG)等信号记录组成。在实际应用中，通常以30秒为周期将PSG划分为不同的睡眠阶段。睡眠阶段通常包括夜间清醒(Wake)阶段，快速眼动(REM)阶段和非REM(NREM)阶段。根据美国睡眠医学学会(AASM)的新标准，NREM阶段可以进一步分为N1，N2和N3阶段。PSG信号的视觉检查和睡眠阶段的手动确定是复杂且耗时的过程，需要专业知识。完整的夜间睡眠记录通常需要两个多小时才能由熟练的专家进行可靠评估。而且人工判断具有很强的主观因素，如果经验不丰富，很容易出现分类错误。
发明内容
本发明解决的技术问题是如何提高睡眠分期的精确度。
为解决上述技术问题，本发明实施例提供一种睡眠分期方法，包括：从采集到的原始多导睡眠图中获取生理信号；对所述生理信号进行降噪处理；提取降噪处理后的生理信号对应的数字特征以及神经网络特征；对所述数字特征与所述神经网络特征进行融合，得到融合特征；将所述融合特征输入至预设的序列学习模块，得到序列特征；对所述序列特征进行分类，确定睡眠分期。
可选的，所述对所述生理信号进行降噪处理，包括：使用不同种类的小波基对所述生理信号进行小波分解，根据降噪结果确定所使用的目标小波基；确定所述目标小波基对应的分解层数；确定小波系数的阈值，所述小波系数的阈值与所述生理信号的长度相关，并使用软阈值降噪函数对所述小波系数进行降噪处理；将降噪后的小波系数合成为新的信号，作为所述降噪处理后的生理信号。
可选的，所述从采集到的原始多导睡眠图中获取生理信号，包括：从所述原始多导睡眠图中获取脑电信号以及眼电信号，作为所述生理信号。
可选的，在从所述采集到的原始多导睡眠图中获取生理信号之后，还包括：以预设时长对所述脑电信号以及所述眼电信号进行周期划分。
可选的，所述提取降噪处理后的生理信号对应的数字特征，包括：提取所述降噪处理后的所述生理信号对应的如下特征中的至少之一：平均值、方差、最大值、能量、功率谱密度、样本熵、Hurst指数、Lyapunov指数、去趋势分析以及相关维度。
可选的，所述提取降噪处理后的生理信号对应的神经网络特征，包括：将所述降噪处理后的生理信号输入至预设的通用卷积神经网络中，得到所述降噪处理后的生理信号对应的神经网络特征；所述通用卷积神经网络包括2N个卷积层以及N个最大池化层和一个dropout层，每2个卷积层之间设置有1个最大池化层，第一个最大池化层的输出为dropout层的输入；N≥2。
可选的，所述对所述数字特征与所述神经网络特征进行融合，得到融合特征，包括：分别对所述数字特征与所述神经网络特征进行扁平化处理，得到一维数字特征向量以及一维神经网络特征向量；将所述一维数字特征向量与所述一维神经网络特征向量进行拼接融合，得到所述融合特征。
可选的，所述预设的序列学习模块为双向长短期记忆网络模型。
可选的，所述对所述序列特征进行分类，确定睡眠分期，包括：将所述序列特征输入至预设的分类模型，由所述预设的分类模型对所述序列特征进行分类；所述预设的分类模型由两层全连接层与一层softmax层组成，第一层全连接层与第二层全连接层、所述softmax层依次连接；所述睡眠分期包括：清醒期、非快速眼动1期、非快速眼动2期、非快速眼动3期和快速眼动期。
为解决上述技术问题，本发明实施例还提供了一种睡眠分期装置，包括：获取单元，用于从采集到的原始多导睡眠图中获取生理信号；降噪单元，用于对所述生理信号进行降噪处理；提取单元，用于提取降噪处理后的生理信号对应的数字特征以及神经网络特征；融合单元，用于对所述数字特征与所述神经网络特征进行融合，得到融合特征；学习单元，用于将所述融合特征输入至预设的序列学习模块，得到序列特征；确定单元，用于对所述序列特征进行分类，确定睡眠分期。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
从原始多导睡眠图中获取生理信号，对生理信号进行降噪处理。从降噪后的生理信号中提取数字特征和神经网络特征，通过特征融合得到融合特征，将融合特征输入至序列学习模块得到序列特征，进而对序列特征进行分类以确定睡眠周期。由于结合数字特征和神经网络特征，能够更加快速且准确地实现睡眠分期的分类。通过大于生理信号进行降噪处理，能够进一步提高睡眠分期的准确性。
附图说明
图1是本发明实施例一种睡眠分期方法的流程图；
图2是本发明实施例一种睡眠分期装置的结构示意图。
具体实施方式
如上述背景技术中所述，PSG信号的视觉检查和睡眠阶段的手动确定是复杂且耗时的过程，需要专业知识。完整的夜间睡眠记录通常需要两个多小时才能由熟练的专家进行可靠评估。而且人工判断具有很强的主观因素，如果经验不丰富，很容易出现分类错误。
在本发明实施例中，从原始多导睡眠图中获取生理信号，对生理信号进行降噪处理。从降噪后的生理信号中提取数字特征和神经网络特征，通过特征融合得到融合特征，将融合特征输入至序列学习模块得到序列特征，进而对序列特征进行分类以确定睡眠周期。由于结合数字特征和神经网络特征，能够更加快速且准确地实现睡眠分期的分类。通过大于生理信号进行降噪处理，能够进一步提高睡眠分期的准确性。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明实施例提供了一种睡眠分期方法，参照图1，以下通过具体步骤进行详细说明。
步骤S101，从采集到的原始多导睡眠图中获取生理信号。
在具体实施中，原始多导睡眠图(PSG)能够记录人体在夜间的睡眠过程中所产生的各种表征人体生理状态的信号，包括脑电(EEG)、眼电(EOG)、肌电(EMG)、心电(ECG)和呼吸记录等信号。
在本发明实施例中，从采集到的原始多导睡眠图中获取生理信号，可以是先将原始多导睡眠图中的数据导出，从中选择所需要的信号作为生理信号。本发明实施例中，所需要的生理信号可以包括脑电信号以及眼电信号。
在具体实施中，在从原始多导睡眠图中提取出生理信号之后，可以对生理信号进行预处理操作。在本发明实施例中，对生理信号进行预处理操作，可以是将生理信号按照时间段进行划分。例如，每隔30s对生理信号进行划分，作为一个睡眠周期。
可以理解的是，在对生理信号进行划分时，其对应的睡眠周期也可以为为其他值，例如1分钟或者2分钟等，本发明实施例对生理信号的划分规则不作赘述。
步骤S102，对所述生理信号进行降噪处理。
在具体实施中，获取到的生理信号中可能会存在一定的噪声干扰。因此在获取到生理信号之后，可以对生理信号进行降噪处理，以降低生理信号中的噪声强度。
在本发明实施例中，可以采用小波分解的方法对生理信号进行降噪处理。可以先选择不同种类的小波基对生理信号进行小波分解实验，获取每一种小波基对应的降噪效果，确定使用哪一种小波基对生理信号进行小波分解。
在本发明实施例中，可以选择降噪效果最好的小波基作为目标小波基，并采用目标小波基对生理信号进行小波分解。降噪效果可以通过比较信噪比(SNR)以及均方根误差(RSME)来进行比较。假设原始信号为x(k)，去噪后的信号为x’(k)，则计算信噪比(SNR)的计算公式为：SNR＝10*lg{∑x2(k)/∑[x(k)-x′(k)]2}；计算均方根误差的计算公式为：RMSE＝{∑[x(k)-x′(k)]2/n}1/2。
在得到不同种类的小波基对应的信噪比和均方根误差之后，可以选择信噪比高于某一阈值且均方根误差小于另一阈值的小波基作为目标小波基。若信噪比高于某一阈值且均方根误差小于另一阈值的小波基的个数为多个，则可以从中选择信噪比最高且均方根误差最小的小波基作为目标小波基；或者从中选择信噪比最高的小波基作为目标小波基；或者从中选择均方根误差最小的小波基作为目标小波基。
在实际应用中，可以根据具体的应用场景和实际需求，综合考虑信噪比以及均方根误差，来选择目标小波基。
在具体实施中，在选择出目标小波基之后，计算目标小波基在不同的分解层数下的降噪效率，根据不同分解层数下的降噪效率确定目标小波基对应的分解层数。
在本发明实施例中，可以计算不同分解层数对应的信噪比和均方根误差，确定目标小波基对应的分解层数。例如，选择信噪比最大且均方根误差最小的分解层数。又如，选择信噪比最大且均方根误差小于某一阈值的分解层数。
在确定目标小波基对应的分解层数之后，可以确定小波系数的阈值。在本发明实施例中，小波系数的阈值为λ＝(2*lgN)1/2，N为一个睡眠周期内生理信号的长度。之后，采用软阈值降噪函数对小波系数进行降噪处理。将降噪后的小波系数合成为新的信号，即可得到降噪后的生理信号，也即完成对生理信号的降噪处理。
步骤S103，提取降噪处理后的所述生理信号对应的数字特征以及神经网络特征。
在具体实施中，在获取到降噪处理后的生理信号后，可以从降噪处理后的生理信号中提取数字特征。在本发明实施例中，从降噪处理后的生理信号中提取出的数字特征可以包括以下任一种或多种：降噪处理后的生理信号的平均值、降噪处理后的生理信号的方差、降噪处理后的生理信号的最大值、降噪处理后的生理信号的能量、降噪处理后的生理信号的功率谱密度、降噪处理后的生理信号的样本熵、降噪处理后的生理信号的Hurst指数、降噪处理后的生理信号的Lyapunov指数、降噪处理后的生理信号的去趋势分析以及降噪处理后的生理信号的相关维度。
假设生理信号为一如下序列：x(i)＝{x(1)，...，x(N)}，则生理信号的平均值为：M＝∑x(i)/N，生理信号的方差S2＝∑{x(i)-M}2/N，生理信号的最大值为生理信号绝对值的最大值，生理信号的能量E＝∑x(i)2。
在本发明一实施例中，生理信号的数字特征包括上述的10种特征。
在具体实施中，可以使用通用卷积神经网络，提取经过降噪处理后的生理信号中的神经网络特征。
在具体实施中，从降噪处理后的生理信号中提取神经网络特征时，可以将降噪处理后的生理信号输入至通用卷积神经网络模型。通用神经网络模型可以包括若干个卷积层、最大池化层以及dropout层。卷积层与最大池化层按照顺序排列，相邻两个最大池化层之间设置有两个卷积层，第一个最大池化层之前设置有两个卷积层。对于任意两个相邻的卷积层，前一卷积层的输出为后一卷积层的输入。第一个最大池化层的输入为其前一卷积层的输出，最后一个最大池化层的输出即为降噪处理后的生理信号对应的神经网络特征。
在本发明实施例中，从经过降噪处理后的生理信号中提取神经网络特征的步骤可以简述如下：将降噪处理后的生理信号输入至通用卷积神经网络中，经过第一卷积层、第二卷积层、第一最大池化层、dropout层、第三卷积层、第四卷积层、第二最大池化层、第五卷积层、第六卷积层、第三最大池化层、第七卷积层、第八卷积层、第四最大池化层、第九卷积层、第十卷积层、第五最大池化层的处理后，得到降噪处理后的生理信号对应的神经网络特征。
可以理解的是，采用通用卷积神经网络提取降噪处理后的生理信号的神经网络模型时，其所采用的步骤也可以与上述示例所提供的不同，只要能够提取到降噪处理后的生理信号的神经网络特征即可。
步骤S104，对所述数字特征与所述神经网络特征进行融合，得到融合特征。
在具体实施中，在得到降噪处理后的生理信号对应的数字特征以及神经网络特征之后，将数字特征进行扁平化处理，得到一维数字特征向量；对神经网络特征进行扁平化处理，得到一维神经网络特征向量。之后，将一维数字特征向量与一维神经网络特征向量进行拼接融合，得到新的一维向量，即为融合特征。
步骤S105，将所述融合特征输入至预设的序列学习模块，学习得到序列特征。
在具体实施中，预设的序列学习模块可以为双向长短记忆网络模型(Bi-LSTM)。双向长短记忆网络模型使用两层Bi-LSTM，每层的长度均为512。将融合特征输入至双向长短记忆网络模型中后，得到的输出向量即为序列特征。
可以理解的是，预设的序列学习模块还可以为其他类型的网络模型，本发明实施例不做赘述。
步骤S106，对所述序列特征进行分类，确定睡眠分期。
在具体实施中，在得到序列特征之后，即可对序列特征进行分类，以确定相应的睡眠分期。
在本发明实施例中，可以采用预设的分类模块对序列特征进行分类。分类模块可以由两层全连接层和一层softmax层组合形成。在使用分类模块对序列特征进行分类时，序列特征输入至第一层全连接层，经由第二层全连接层后输入至softmax层，由softmax层输出最终的分类结果。分类结果可以包括清醒期(wake)、非快速眼动1期(N1)、非快速眼动2期(N2)、非快速眼动3期(N3)和快速眼动期(REM)。
由此可见，结合数字特征和神经网络特征对生理信号，能够更加快速且准确地实现睡眠分期的分类。通过大于生理信号进行降噪处理，能够进一步提高睡眠分期分类的准确性。
本发明实施例还提供了一种睡眠分期装置20，包括：获取单元201、降噪单元202、提取单元203、融合单元204、学习单元205以及确定单元206，其中：
获取单元201，用于从采集到的原始多导睡眠图中获取生理信号；
降噪单元202，用于对所述生理信号进行降噪处理；
提取单元203，用于提取降噪处理后的生理信号对应的数字特征以及神经网络特征；
融合单元204，用于对所述数字特征与所述神经网络特征进行融合，得到融合特征；
学习单元205，用于将所述融合特征输入至预设的序列学习模块，得到序列特征；
确定单元206，用于对所述序列特征进行分类，确定睡眠分期。
在具体实施中，上述单元的具体执行流程可以执行上述的对应步骤，本发明实施例不做赘述。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.一种睡眠分期方法，其特征在于，包括：
从采集到的原始多导睡眠图中获取生理信号；
对所述生理信号进行降噪处理；
提取降噪处理后的生理信号对应的数字特征以及神经网络特征；
对所述数字特征与所述神经网络特征进行融合，得到融合特征；
将所述融合特征输入至预设的序列学习模块，得到序列特征；
对所述序列特征进行分类，确定睡眠分期。
2.如权利要求1所述的睡眠分期方法，其特征在于，所述对所述生理信号进行降噪处理，包括：
使用不同种类的小波基对所述生理信号进行小波分解，根据降噪结果确定所使用的目标小波基；
确定所述目标小波基对应的分解层数；
确定小波系数的阈值，所述小波系数的阈值与所述生理信号的长度相关，并使用软阈值降噪函数对所述小波系数进行降噪处理；
将降噪后的小波系数合成为新的信号，作为所述降噪处理后的生理信号。
3.如权利要求1所述的睡眠分期方法，其特征在于，所述从采集到的原始多导睡眠图中获取生理信号，包括：
从所述原始多导睡眠图中获取脑电信号以及眼电信号，作为所述生理信号。
4.如权利要求3所述的睡眠分期方法，其特征在于，在从所述采集到的原始多导睡眠图中获取生理信号之后，还包括：
以预设时长对所述脑电信号以及所述眼电信号进行周期划分。
5.如权利要求1所述的睡眠分期方法，其特征在于，所述提取降噪处理后的生理信号对应的数字特征，包括：
提取所述降噪处理后的所述生理信号对应的如下特征中的至少之一：平均值、方差、最大值、能量、功率谱密度、样本熵、Hurst指数、Lyapunov指数、去趋势分析以及相关维度。
6.如权利要求1所述的睡眠分期方法，其特征在于，所述提取降噪处理后的生理信号对应的神经网络特征，包括：
将所述降噪处理后的生理信号输入至预设的通用卷积神经网络中，得到所述降噪处理后的生理信号对应的神经网络特征；
所述通用卷积神经网络包括2N个卷积层以及N个最大池化层和一个dropout层，每2个卷积层之间设置有1个最大池化层，第一个最大池化层的输出为dropout层的输入；N≥2。
7.如权利要求1所述的睡眠分期方法，其特征在于，所述对所述数字特征与所述神经网络特征进行融合，得到融合特征，包括：
分别对所述数字特征与所述神经网络特征进行扁平化处理，得到一维数字特征向量以及一维神经网络特征向量；
将所述一维数字特征向量与所述一维神经网络特征向量进行拼接融合，得到所述融合特征。
8.如权利要求1所述的睡眠分期方法，其特征在于，所述预设的序列学习模块为双向长短期记忆网络模型。
9.如权利要求1所述的睡眠分期方法，其特征在于，所述对所述序列特征进行分类，确定睡眠分期，包括：
将所述序列特征输入至预设的分类模型，由所述预设的分类模型对所述序列特征进行分类；
所述预设的分类模型由两层全连接层与一层softmax层组成，第一层全连接层与第二层全连接层、所述softmax层依次连接；所述睡眠分期包括：清醒期、非快速眼动1期、非快速眼动2期、非快速眼动3期和快速眼动期。
10.一种睡眠分期装置，其特征在于，包括：
获取单元，用于从采集到的原始多导睡眠图中获取生理信号；
降噪单元，用于对所述生理信号进行降噪处理；
提取单元，用于提取降噪处理后的生理信号对应的数字特征以及神经网络特征；
融合单元，用于对所述数字特征与所述神经网络特征进行融合，得到融合特征；
学习单元，用于将所述融合特征输入至预设的序列学习模块，得到序列特征；
确定单元，用于对所述序列特征进行分类，确定睡眠分期。
CN202110768369.7A 2020-10-12 2021-07-07 睡眠分期方法及装置 Pending CN113303770A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011086378.XA CN112263218A (zh) 2020-10-12 2020-10-12 睡眠分期方法及装置
CN202011086378X 2020-10-12

Publications (1)

Publication Number Publication Date
CN113303770A true CN113303770A (zh) 2021-08-27

Family

ID=74337829

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011086378.XA Withdrawn CN112263218A (zh) 2020-10-12 2020-10-12 睡眠分期方法及装置
CN202110768369.7A Pending CN113303770A (zh) 2020-10-12 2021-07-07 睡眠分期方法及装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202011086378.XA Withdrawn CN112263218A (zh) 2020-10-12 2020-10-12 睡眠分期方法及装置

Country Status (1)

Country Link
CN (2) CN112263218A (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112914585B (zh) * 2021-03-10 2022-04-19 中山大学 一种面向单导联心电图的分类方法、系统及装置
CN113303814B (zh) * 2021-06-13 2022-07-05 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
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
CN118592904A (zh) * 2024-08-08 2024-09-06 良渚实验室 基于深度学习的睡眠自动分期方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107007278A (zh) * 2017-04-25 2017-08-04 中国科学院苏州生物医学工程技术研究所 基于多参数特征融合的自动睡眠分期方法
US20180271435A1 (en) * 2017-03-26 2018-09-27 Massachusetts Institute Of Technology Learning sleep stages from radio signals
CN108968915A (zh) * 2018-06-12 2018-12-11 山东大学 基于熵特征及支持向量机的睡眠状态分类方法及系统
CN109999314A (zh) * 2019-05-15 2019-07-12 江南大学 一种基于脑电波监测智能助眠系统及其睡眠耳机
CN111631688A (zh) * 2020-06-24 2020-09-08 电子科技大学 睡眠自动分期的算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180271435A1 (en) * 2017-03-26 2018-09-27 Massachusetts Institute Of Technology Learning sleep stages from radio signals
CN107007278A (zh) * 2017-04-25 2017-08-04 中国科学院苏州生物医学工程技术研究所 基于多参数特征融合的自动睡眠分期方法
CN108968915A (zh) * 2018-06-12 2018-12-11 山东大学 基于熵特征及支持向量机的睡眠状态分类方法及系统
CN109999314A (zh) * 2019-05-15 2019-07-12 江南大学 一种基于脑电波监测智能助眠系统及其睡眠耳机
CN111631688A (zh) * 2020-06-24 2020-09-08 电子科技大学 睡眠自动分期的算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗森林: "基于CNN-BiLSTM的自动睡眠分期方法", 《北京理工大学学报》 *

Also Published As

Publication number Publication date
CN112263218A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN112263218A (zh) 睡眠分期方法及装置
Korkalainen et al. Accurate deep learning-based sleep staging in a clinical population with suspected obstructive sleep apnea
Cui et al. Automatic Sleep Stage Classification Based on Convolutional Neural Network and Fine‐Grained Segments
CN109568760B (zh) 一种睡眠环境调节方法及系统
CN111493828B (zh) 基于全卷积网络的序列到序列的睡眠障碍检测方法
CN111631688B (zh) 睡眠自动分期的算法
KR20210019273A (ko) 딥러닝을 이용한 수면질환 자동 판정을 위한 데이터 처리 장치 및 그 동작 방법
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
CN112426147B (zh) 睡眠呼吸事件检测模型处理方法、系统和存储介质
KR20210019277A (ko) 딥러닝을 이용한 수면질환 판정 자동화 장치 및 그 동작 방법
CN115530847A (zh) 一种基于多尺度注意力的脑电信号自动睡眠分期方法
CN111685774B (zh) 基于概率集成回归模型的osahs诊断方法
CN113925459A (zh) 一种基于脑电特征融合的睡眠分期方法
CN115804602A (zh) 基于注意力机制的多通道特征融合的脑电情绪信号检测方法、设备和介质
CN115281685A (zh) 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质
CN112932501A (zh) 一种基于一维卷积神经网络自动识别失眠方法
CN118000664A (zh) 基于多尺度时间残差收缩网络的睡眠分期模型构建方法
CN114903440A (zh) 一种基于片段-序列两阶段训练框架的睡眠分期方法及系统
Tigga et al. Efficacy of novel attention-based gated recurrent units transformer for depression detection using electroencephalogram signals
CN117883082A (zh) 一种异常情绪识别方法、系统、设备及介质
CN108143412A (zh) 一种儿童脑电情绪分析的控制方法、装置及系统
Lee et al. SeriesSleepNet: an EEG time series model with partial data augmentation for automatic sleep stage scoring
Zhu et al. Emotion recognition based on dynamic energy features using a Bi-LSTM network
Raja et al. Existing Methodologies, Evaluation Metrics, Research Gaps, and Future Research Trends: A Sleep Stage Classification Framework
CN115399735A (zh) 基于时频双流增强的多头注意机制睡眠分期方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210827