CN113951902A - 基于轻量化卷积神经网络的智能睡眠分期系统 - Google Patents
基于轻量化卷积神经网络的智能睡眠分期系统 Download PDFInfo
- Publication number
- CN113951902A CN113951902A CN202111436312.3A CN202111436312A CN113951902A CN 113951902 A CN113951902 A CN 113951902A CN 202111436312 A CN202111436312 A CN 202111436312A CN 113951902 A CN113951902 A CN 113951902A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- electroencephalogram signal
- module
- electroencephalogram
- 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
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000011176 pooling Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims abstract description 5
- 230000008054 signal transmission Effects 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 210000004556 brain Anatomy 0.000 claims description 9
- 230000037053 non-rapid eye movement Effects 0.000 claims description 9
- 230000008667 sleep stage Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000004461 rapid eye movement Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000002618 waking effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract 2
- 238000012549 training Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 201000003631 narcolepsy Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000003860 storage Methods 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
- A61B5/24—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
- A61B5/48—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
- A61B5/48—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
- A61B5/7203—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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier 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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Power Engineering (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于健康睡眠管理技术领域，具体为一种基于轻量化卷积神经网络的智能睡眠分期系统。本发明系统包括：脑电信号采集模块，脑电信号预处理模块，脑电信号分析算法模块，无线信号传输模块；其结果通过蓝牙无线传输给智能终端显示；脑电信号分析模块是一特别设计的轻量化卷积神经网络，由卷积层、最大池化层、ReLU激活函数、批量归一化模块和全连接层组成；可以减少计算资源开销，并将其映射到芯片上进行睡眠脑电信号数据分析，在低功耗的情况下，实现端到端的特征提取与数据分析功能；该算法模块可在任何基于轻量化卷积神经网络及其改进版本的硬件上实现。
Description
技术领域
本发明属于健康睡眠管理技术领域，具体涉及一种基于轻量化卷积神经网络的智能睡眠分期系统。
背景技术
近年来睡眠健康得到了人们的广泛关注。睡眠分期是睡眠质量评估以及相关睡眠疾病的重要诊断依据，例如失眠、发作性睡病和睡眠呼吸暂停综合征等。脑电信号常被用来进行睡眠分期。整晚睡眠的脑电信号持续时间很长，对于医生来说通过脑电信号进行睡眠分期是一件繁重的任务。因此采用基于脑电信号的深度学习方法来进行睡眠分期具有重要的临床价值。
然而目前大部分基于脑电信号的睡眠分期深度学习方法仅仅停留在软件实现层面，而很少在硬件层面进行实现。究其原因主要是模型的结构过于复杂，参数量过于庞大，无法满足现有硬件功耗低、容量小的约束。
为了利用卷积神经网络端到端的特征提取能力，同时又确保满足现有器件的硬件约束。我们通过对模型的层数进行精简，结构进行优化，设计了一种轻量化卷积神经网络。该模型在确保有效提取脑电信号特征的同时，满足现有器件的硬件约束要求。
此外，现有的脑电信号分析设备通常采用有线的方式进行连接，这极大的影响了受试者在脑电信号采集与分析过程中的体验。并且由于受试者侧卧、转身等运动导致的电极脱落，会造成数据采集的中断与丢失，对整晚的睡眠分期造成不利的影响。
为了提高受试者的穿戴体验，降低有线设备因运动导致的电极脱落风险，本发明采用本地计算，并设计无线传输模块返回分析结果来提高设备的穿戴体验，利用无线传输（蓝牙5.0）把显示结果传输给手机等智能终端设备，避免了大数据传输过程中存在的数据中断与数据丢失风险，同时降低无线信号传输模块的功耗。
本系统区别与其他系统的最大优势为：轻量化卷积神经网络模型在芯片上运行，本地计算，无线传输只传输结果。可以真正应用于智能硬件及产品落地。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种功耗低、传输信号稳定、轻量化的智能睡眠分期系统。
本发明提供的智能睡眠分期系统，是基于轻量化卷积神经网络技术的，针对硬件的低功耗约束，设计了结构精简、参数量少的卷积神经网络模型，对脑电信号进行有效特征提取，使脑电信号的睡眠分期可以进行硬件实现。具体包括：脑电信号采集模块，脑电信号预处理模块，脑电信号分析模块，无线信号传输模块；其结果通过蓝牙无线传输给智能终端显示；其中：
所述脑电信号采集模块，包括信号采集、信号放大和信号滤波以及数字化；其中，信号采集是将生理信号转换为电信号，进而通过后续的电路进行放大；信号放大是为了降低后续ADC和数字处理对信号产生的额外噪声的增加；信号滤波是将带内干扰和带外噪声进行滤除，其目的是减少噪声对信号的影响；数字化是将连续的信号转化为数字信号，供后续的神经网络进行处理。
本发明中，脑电信号采集模块可以有多个通道，例如可以同时采集8通道脑电信号；通过外围扩展，还可以同时采集16通道脑电信号。
所述脑电信号预处理模块，包括将脑电信号标准化、脑电信号频域转换；其中，脑电信号标准化可以降低脑电信号之间包含的个体差异；脑电信号频域转换，是通过傅里叶变换，将脑电信号变换到频域，以有效减小脑电信号之间的类别内差异。
本发明中，脑电信号的傅里叶变换，是对脑电信号片段进行全尺寸的傅里叶变换操作，获得脑电信号中小于1Hz的低频信息。
所述脑电信号分析模块，主要包括算法模块；
所述算法模块主要是轻量化卷积神经网络，该轻量化卷积神经网络由卷积层、最大池化层、ReLU激活函数、批量归一化模块和全连接层组成；其中，卷积层中采用一维卷积核，用于有效提取频域信号的顺序特征；其中，一维卷积核对多通道的脑电信号数据进行卷积操作。一维卷积核的参数量显著低于二维卷积核，可以有效地降低模型的参数量，提高模型的运算速度，同时卷积操作不受输入数据的通道数量限制；最大池化采用一维最大池化操作，用于从通道的维度对数据进行有效的下采样，进一步降低数据的规模，并且可以有效的扩大后续卷积核的感受野；ReLU激活函数用于有效的增加模型的非线性性。批量归一化模块用于对信号数据进行归一化处理；全连接层用于对输入数据进一步降维。
本发明中，轻量化卷积神经网络，通过SoftMax层将输出数据按照AASM标准的W，N1,N2,N3,和REM的五个睡眠分期分类（其中，W为清醒期，N1为非快速眼动1期，N2为非快速眼动2期，N3为非快速眼动3期，REM为快速眼动期）；分类结果通过硬件在终端中进行输出。
上述算法模块，可在如下一些硬件上实现：
任何基于该轻量化卷积神经网络及其改进版本的硬件，例如，将训练好的卷积神经网络在带ARM核的STM32芯片上运行，将轻量化卷积神经网络模型的结构通过C语言进行实现并编译，烧入芯片，并进行内存优化；使用深度学习加速器映射该轻量化卷积网络，并在FPGA上运行，或使用ASIC实现相应结构，以及其他在FPGA，ASIC，CPU，GPU，MPU，MCU或其他硬件平台上实现该轻量化卷积神经网络运算。
所述无线传输模块，主要完成分析结果的无线传输。与传统的脑电信号睡眠分期设备不同，避免了脑电信号的传输，从而降低了数据丢失，传输中断等问题。
本发明的技术效果是，采集受试者的脑电信号，其中采集脑电信号的通道数量为可选项（扩展后最大可达16通道），可以支持大于等于1通道脑电信号的采集。通过信号的数据预处理增加数据的区分度。输入到卷积神经网络智能芯片模块进行睡眠分期，通过无线传输模块将分析结果发送到远程智能终端上（比如分期结果通过蓝牙传输到远程设备上进行存储和显示）。该系统兼顾脑电信号的采集，数据预处理，睡眠分期功能和分析结果无线传输功能，为睡眠分期提供了硬件实现的解决方案。
附图说明
图1是本发明睡眠分期实现流程图。
图2是本发明轻量化卷积神经网络模块的示意图。
具体实施方式
下面结合实施例和附图进一步描述本发明，但不应认为仅限于阐述的实施例。
根据数据对应的标注，将脑电信号分成长度为30秒的片段，并以在标注范围内的脑电信号片段作为与标注相对应的睡眠分期。每个样本之间的数据相互独立，样本与样本之间不存在重叠区域。以长度30秒的脑电信号片段进行分析。由于每个个体的脑电信号片段存在差异，在训练之前对所有脑电信号片段进行标准化，可以使不同受试者的数据分布统一。脑电信号标准化的公式如下：
其中，n为样本的数量，
为第i个样本，
为所有n个样本的平均值。
进行完数据标准化以后，来进行数据的傅里叶变换，将整个片段转换到频域上。
对整个片段进行傅里叶变换，可以获取脑电信号的小于1Hz的低频信息。并将所有脑电信号的频域数据裁剪成相同的尺寸作为输入模型的数据。裁剪数据的目的是减小输入数据的尺寸，从而为后续模型设计降低参数量做准备，其次可以有效实现脑电信号基于频域的数据对齐操作，从而减小脑电信号类别内的差异。
在数据预处理之后，构建脑电信号片段到睡眠分期的映射。其中每个样本根据医学专家给出的睡眠分期结果进行标注。设样本的集合为
，n是样本的数量，
，其中
是第
个样本的脑电数据，m为脑电信号片段对应的第m个采样点。每一个样本对应的标注为
，其中
表示第
个样本对应的睡眠分期，睡眠分期的标准根据AASM的标准设计为
（其中，W为清醒期，N1为非快速眼动1期，N2为非快速眼动2期，N3为非快速眼动3期，REM为快速眼动期），将问题抽象成建立一个从
到
的映射。
数据预处理以后，根据数据来搭建模型，构建一个基于一维卷积核的卷积神经网络。以单通道为例，其一维卷积操作为：
其中，
是转换到频域后对应的脑电信号，
为卷积核长度对应的尺寸，
为卷积层第
个元素对应的输出值。
是权重参数，
是偏置参数，在模型中是可以进行训练的参数。通过这种设计模型可以提取多通道脑电信号的特征也可以适用于单一通道特征。卷积核与池化层的尺寸在宽度上选择1，而在长度
上仅设置为基数，具体数值可调，模型在3，5，7，9的尺寸上均可以有效提取输入数据的特征。卷积核的步长为1，池化操作的步长为2。卷积操作过程不进行下采样操作，卷积前后数据尺寸保持一致。
在卷积神经网络的训练过程中，使用dropout对模型结构进行剪枝操作，从而在已有模型的基础上进一步精简模型的结构。但是为了进一步简化智能芯片上的模型结构，此步骤仅在训练时使用，而在硬件实现时剔除。
仅采用5层以内数量的全连接层，来进行数据的进一步将为与分类结果的输出，其中包括SoftMax将结果输出为脑电信号对应的睡眠分期：
其中，
是全连接层第
个节点的输出，L为最后分类的类别。
在训练的而过程采用Adam和SGD进行优化均可以，采用交叉熵损失函数作为模型的损失函数。同样为了进一步简化智能芯片上的模型结构，这些步骤仅在训练时使用，而在硬件实现时剔除。
本发明提出的基于轻量化卷积神经网络的智能睡眠分期系统兼顾两个重要功能，轻量化卷积神经网络可以实现脑电信号的本地分析从而降低数据传输中断与数据丢失的风险。其中分析结果的无线传输可以提高设备的佩戴体验减少受试者的约束。
在目前权威的sleep-EDF睡眠脑电信号公开数据集上的五折交叉验证分类精度无明显下降的情况下，本发明的轻量化卷积神经网络总参数量小于30000个，内存占用量低于0.2MB，比现有最先进的轻量化深度学习睡眠分期模型的参数量（1194015个）少39.8倍，占内存0.9MB参数量，内存占用量低4.5倍。本发明的轻量化卷积神经网络睡眠分期模型满足映射到相应ASIC实现低功耗，高速运算的可实现解决方案。
以上通过具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
Claims (6)
1.一种基于轻量化卷积神经网络的智能睡眠分期系统，其特征在于，具体包括：脑电信号采集模块，脑电信号预处理模块，脑电信号分析模块，无线信号传输模块；其结果通过蓝牙无线传输给智能终端显示；其中：
所述脑电信号采集模块，包括信号采集、信号放大和信号滤波以及数字化；其中，信号采集是将生理信号转换为电信号，进而通过后续的电路进行放大；信号滤波是将带内干扰和带外噪声进行滤除；数字化是将连续的信号转化为数字信号，供后续的神经网络进行处理；
脑电信号采集模块有多个采集通道；
所述脑电信号预处理模块，包括将脑电信号标准化、脑电信号频域转换；其中，脑电信号标准化用以降低脑电信号之间包含的个体差异；脑电信号频域转换，是通过傅里叶变换将脑电信号变换到频域，以减小脑电信号之间的类别内差异；
所述脑电信号分析模块，主要包括算法模块；该算法模块是一轻量化卷积神经网络，该轻量化卷积神经网络由卷积层、最大池化层、ReLU激活函数、批量归一化模块和全连接层组成；其中，卷积层中采用一维卷积核，用于提取频域信号的顺序特征；其中，一维卷积核对多通道的脑电信号数据进行卷积操作；最大池化采用一维最大池化操作，用于从通道的维度对数据进行有效的下采样，进一步降低数据的规模，并且有效的扩大后续卷积核的感受野；ReLU激活函数用于有效的增加模型的非线性性；批量归一化模块用于对信号数据进行归一化处理；全连接层用于对输入数据进一步降维；
所述无线传输模块，用于分析结果的无线传输。
2.根据权利要求1所述的基于轻量化卷积神经网络的智能睡眠分期系统，其特征在于，所述脑电信号采集模块有8个脑电信号采集通道，或者通过外围扩展为16 个脑电信号采集通道。
3.根据权利要求1所述的基于轻量化卷积神经网络的智能睡眠分期系统，其特征在于，所述脑电信号的傅里叶变换，是对脑电信号片段进行全尺寸的傅里叶变换操作，获得脑电信号中小于1Hz的低频信息。
4.根据权利要求1所述的基于轻量化卷积神经网络的智能睡眠分期系统，其特征在于，所述轻量化卷积神经网络，通过一维卷积核对多通道脑电信号进行卷积操作来提取数据特征并减小模型的参数规模。
5.根据权利要求1所述的基于轻量化卷积神经网络的智能睡眠分期系统，其特征在于，所述轻量化卷积神经网络，通过SoftMax层将输出数据按照AASM标准的W、N1、N2、N3和和REM的五个睡眠期分类；其中，W为清醒期，N1为非快速眼动1期，N2为非快速眼动2期，N3为非快速眼动3期，REM为快速眼动期；分类结果通过硬件在终端中进行输出。
6.根据权利要求1所述的基于轻量化卷积神经网络的智能睡眠分期系统，其特征在于，算法模块在如下硬件上实现：
将训练好的卷积神经网络在带ARM核的STM32芯片上运行，将轻量化卷积神经网络模型的结构通过C语言进行实现并编译，烧入芯片，并进行内存优化；
使用深度学习加速器映射该轻量化卷积网络，并在FPGA上运行；
使用ASIC实现相应结构，以及在FPGA、ASIC、CPU、GPU、MPU或MCU硬件平台上实现该轻量化卷积神经网络运算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111436312.3A CN113951902A (zh) | 2021-11-29 | 2021-11-29 | 基于轻量化卷积神经网络的智能睡眠分期系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111436312.3A CN113951902A (zh) | 2021-11-29 | 2021-11-29 | 基于轻量化卷积神经网络的智能睡眠分期系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113951902A true CN113951902A (zh) | 2022-01-21 |
Family
ID=79472492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111436312.3A Pending CN113951902A (zh) | 2021-11-29 | 2021-11-29 | 基于轻量化卷积神经网络的智能睡眠分期系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113951902A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150190086A1 (en) * | 2014-01-03 | 2015-07-09 | Vital Connect, Inc. | Automated sleep staging using wearable sensors |
| CN205683068U (zh) * | 2016-04-11 | 2016-11-16 | 陈凤霞 | 一种icu便携睡眠监测系统 |
| 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 |
| CN108451505A (zh) * | 2018-04-19 | 2018-08-28 | 广西欣歌拉科技有限公司 | 轻量入耳式睡眠分期系统 |
| CN110367967A (zh) * | 2019-07-19 | 2019-10-25 | 南京邮电大学 | 一种基于数据融合的便携型轻量化人脑状态检测方法 |
-
2021
- 2021-11-29 CN CN202111436312.3A patent/CN113951902A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150190086A1 (en) * | 2014-01-03 | 2015-07-09 | Vital Connect, Inc. | Automated sleep staging using wearable sensors |
| CN205683068U (zh) * | 2016-04-11 | 2016-11-16 | 陈凤霞 | 一种icu便携睡眠监测系统 |
| 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 |
| CN108451505A (zh) * | 2018-04-19 | 2018-08-28 | 广西欣歌拉科技有限公司 | 轻量入耳式睡眠分期系统 |
| CN110367967A (zh) * | 2019-07-19 | 2019-10-25 | 南京邮电大学 | 一种基于数据融合的便携型轻量化人脑状态检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107495962B (zh) | 一种单导联脑电的睡眠自动分期方法 | |
| CN110604565A (zh) | 一种基于便携式eeg设备的脑部健康筛查方法 | |
| CN111616682B (zh) | 基于便携式脑电采集设备的癫痫发作预警系统及应用 | |
| CN113065526B (zh) | 一种基于改进深度残差分组卷积网络的脑电信号分类方法 | |
| US20230346285A1 (en) | Localized collection of biological signals, cursor control in speech assistance interface based on biological electrical signals and arousal detection based on biological electrical signals | |
| CN103505198A (zh) | 无线神经信号检测芯片 | |
| CN109512390B (zh) | 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置 | |
| CN113180659B (zh) | 一种基于三维特征和空洞全卷积网络的脑电情感识别方法 | |
| Qaisar et al. | Signal-piloted processing metaheuristic optimization and wavelet decomposition based elucidation of arrhythmia for mobile healthcare | |
| CN110974219A (zh) | 一种基于侵入式bci的人脑意念识别系统 | |
| CN116400800B (zh) | 一种基于脑机接口和人工智能算法的als患者人机交互系统及方法 | |
| CN112820275A (zh) | 一种基于声音信号分析哺乳仔猪异常的自动监测方法 | |
| CN111493836B (zh) | 基于脑机接口和深度学习的术后急性疼痛预测系统及应用 | |
| CN108852341A (zh) | 一种数字化无线神经电生理信号检测单芯片、系统及方法 | |
| CN112932501A (zh) | 一种基于一维卷积神经网络自动识别失眠方法 | |
| Singh et al. | Predicting epileptic seizures from EEG spectral band features using convolutional neural network | |
| CN113951902A (zh) | 基于轻量化卷积神经网络的智能睡眠分期系统 | |
| CN103876735A (zh) | 一种高性能脑电信号采集系统及其采集方法 | |
| CN113011330B (zh) | 一种基于多尺度神经网络和空洞卷积的脑电信号分类方法 | |
| CN114504330A (zh) | 一种基于便携式脑电采集头环的疲劳状态监测系统 | |
| CN108334200B (zh) | 电子设备控制方法及相关产品 | |
| CN113729723B (zh) | 一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置 | |
| CN113180663A (zh) | 一种基于卷积神经网络的情绪识别方法、系统 | |
| CN105852852B (zh) | 指数脑电图仪的使用方法 | |
| CN111222398B (zh) | 一种基于时频特征融合的肌电信号解码方法 |
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 |