CN115399735A - 基于时频双流增强的多头注意机制睡眠分期方法 - Google Patents
基于时频双流增强的多头注意机制睡眠分期方法 Download PDFInfo
- Publication number
- CN115399735A CN115399735A CN202210882992.XA CN202210882992A CN115399735A CN 115399735 A CN115399735 A CN 115399735A CN 202210882992 A CN202210882992 A CN 202210882992A CN 115399735 A CN115399735 A CN 115399735A
- Authority
- CN
- China
- Prior art keywords
- sleep
- time
- frequency
- stage
- frequency domain
- 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
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
- A61B5/24—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]
- A61B5/372—Analysis of electroencephalograms
-
- 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)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于时频双流增强的多头注意机制睡眠分期方法。属于工程医学领域;步骤:获取睡眠脑电信号并进行预处理;将其作为时域信息并衍生出两条分支,其中一条经时频变换后转换为频域信息;将频域信息经过频域特征提取器提取频域特征;另一条经时域特征提取器提取时域特征;将上述两个特征整合后得到时频双流特征;时频双流特征经过特征上下文学习模块,得到睡眠分期的初步结果;将睡眠分期的初步结果输入到条件随机场中进行优化得到睡眠分期的最终结果。本发明既利用了脑电信号的时域信息和频域信息,又通过多头自注意力机制学习特征上下文的关联,最后还通过条件随机场对睡眠分期结果进一步优化,从而得到准确、客观的睡眠分期结果。
Description
技术领域
本发明属于脑电信号处理领域,涉及一种基于时频双流增强的多头注意机制睡眠分期方法;具体的是涉及了一种基于时频双流增强的多头注意机制睡眠分期方法。
背景技术
睡眠是人类活动不可或缺的一部分,在睡眠中我们得到放松和休息,睡眠还与免疫系统、新陈代谢和记忆等息息相关。随着现代社会的快速发展,压力、焦虑和疾病也伴随而来,许多人面临着失眠、睡眠呼吸暂停综合征、嗜睡等睡眠健康问题,同时还可能存在抑郁症、心血管和呼吸道等疾病。
睡眠分期是评估和诊断睡眠质量的基础。为了评估睡眠质量,医生通常需要为存在睡眠问题的病人佩戴检测设备检测睡眠状况,获取病人一种晚的多导睡眠图,通常包括脑电、下巴肌电、眼电、心电。医生首先需要将多导睡眠图以30秒为间隔进行切分,再依据评判标准对这30秒的多导睡眠图进行阶段划分。现有的评判睡眠阶段的标准有美国国家医学会标准(AASM)和Rechtschaffe&Kales(R&K)标准。R&K标准将睡眠过程分为清醒期、快速睡眠眼动期和非快速眼动期的S1、S2、S3、S4期。AASM标准则将S3和S4合并,非快速眼动期分为N1、N2、N3期,其余不变,变成了五类睡眠阶段。
目前的睡眠质量诊断、睡眠分期等问题需要医生观察多导睡眠图进行手动标注和诊断。这个过程需要有经验的专家进行,非常耗时,并且不同的专家对同一份多导睡眠图的评估也会有差异。近年来,随着机器学习的推广,一些自动睡眠分期的方法也开始流行。
传统机器学习的睡眠分期通常需要手工提取特征。首先对数据进行预处理、滤波等操作,从而获得干净不含杂质的信息,再对信息进行特征提取,选取有用的信息输入到分类器中实现睡眠阶段的划分。这里的关键部分是特征的选取和分类器的选择。常用的特征包括时间特征、频率特征和非线性特征,比如功率谱密度、微分熵、样本熵等。一些分类模型包括支持向量机、随机森林、朴素贝叶斯等。
然而手动特征的选择容易受专业限制,具有一定的局限性。与传统机器学习方法相比,深度学习的方法能够自动提取多导睡眠图的信息特征,进一步实现端到端的睡眠阶段预测,受到了越来越多的关注和使用。现常采用卷积神经网络来进行特征提取,递归神经网络来学习信号间的时序相关信息。
现有的基于深度学习的睡眠分期方法输入复杂,无法很好地捕获睡眠各阶段的重要信息,忽略了各个阶段之间的转化规则,使得一些阶段的转化过渡不自然。不同医院的多导睡眠图采集设备也存在差异,这需要设计具有共性输入的模型来解决。因此,如何更好利用模型的不同特点来解决这些问题,使用较少的信息和计算更好地实现睡眠分期,帮助医生减轻压力,是现阶段亟待解决的问题。
发明内容
发明目的:本发明目的是:睡眠分期作为临床多导睡眠图分期的基础,目前的方法多是专业的医生采用手工方式进行睡眠各个阶段的划分;这个阶段相当耗费时间,且枯燥无味,一些专家还可能由于个人偏见和主观因素导致阶段划分有误;因此试图利用机器学习的方法来完成自动的睡眠阶段划分;现有的机器学习方法无法有效地捕捉睡眠各个阶段的重要特征,忽略了睡眠阶段与前后时期的过渡规则信息;因此提出基于时频域信息结合自注意机制的单通道脑电自动睡眠分期方法,从时域和频域两个角度出发能够更好地利用脑电信号的不同维度的信息,利用多头自注意机制能够学习时间相关的依赖信息,得到一个初步的睡眠分期结果。同时,考虑到睡眠阶段之间的关联,我们利用条件随机场对得到的初步结果进行进一步校正得到最终预测结果。整个过程参照医生手动分期的步骤,先依据信号特征对该时期进行睡眠分期,当遇到不确定阶段时,考虑前后时期来确定当前时期,基于该方法的睡眠分期过程更加高效、客观。
本发明的技术方案是:本发明所述的基于时频双流增强的多头注意机制睡眠分期方法,其具体操作步骤如下:
步骤(1.1)、从现有的公开数据集中获取睡眠脑电信号;
步骤(1.2)、对获取到的脑电信号进行预处理,得到预处理后的脑电信号;
步骤(1.3)、将预处理后的脑电信号作为时域信息,时域信息衍生出两条分支,将其中一条分支经过时频变换后转换为频域信息,将转换得到的频域信息经过频域特征提取器提取频域特征;
将衍生出的另一条分支经过时域特征提取器提取时域特征;
将提取得到的时域特征和频域特征整合后得到时频双流特征;
步骤(1.4)、将时频双流特征经过特征上下文学习模块,利用多头自注意力机制学习特征之间的关联性,得到睡眠分期的初步结果;
步骤(1.5)、将得到的睡眠分期的初步结果输入到条件随机场中进行优化,从而得到睡眠分期的最终结果。
进一步的,在步骤(1.1)中,所述的公开数据集是指:公开的睡眠脑电数据集;
所述睡眠脑电数据集包括睡眠脑电信号和专业医生标注的睡眠时期标签;
所述的睡眠时期标签具体是依据现有的睡眠分期标准,每30秒为一个窗口,专业医生再依据波形特征对该30秒的脑电信号评估从而确定睡眠时期;
其中,所述睡眠时期包括清醒期(W)、非快速眼动I期(N1)、非快速眼动II期(N2)、非快速眼动III期(N3)及快速眼动期(REM)。
进一步的,在步骤(1.2)中,所述对获取到的脑电信号进行预处理的具体操作步骤:
(1.2.1)、剔除运动期和无法判别的睡眠时期标签,依据睡眠时期的五个阶段整理数据;
(1.2.2)、保留睡眠开始前30分钟到睡眠结束后30分钟脑电数据,其余剔除。
进一步的,在步骤(1.3)中,所述时频变换指的是:采用快速傅里叶变换的方式将时域信号转化为频域信号,,预处理后的脑电信号经快速傅里叶变换后,截取0-25Hz频带的数据作为频域信息。
进一步的,在步骤(1.3)中,所述时域特征提取器是指:由两个的分支组成的卷积神经网络,所述两个分支的卷积层的卷积核大小不同,用于探索不同尺度的特征信息;其中,每个分支由卷积层、批标准化层、最大池化层、GELU激活函数及丢弃层堆叠组合而成。
进一步的,在步骤(1.3)中,所述的频域特征提取器是指:由卷积层、批标准化层、最大池化层、GELU激活函数、丢弃层堆叠组合而成的卷积神经网络。
进一步的,在步骤(1.4)中,所述特征上下文学习模块是指:结合了多头自注意力机制的神经网络;
所述该模块包含多头自注意力和前馈传输两个子模块,两个子模块会重复两次。
进一步的,在步骤(1.5)中,所述条件随机场中进行优化是指:将步骤(1.4)中通过特征上下文学习模块输出的睡眠分期初步结果作为条件随机场的输入,该方法将整个训练集的睡眠分期初步结果和真实标签用于训练,测试集的睡眠分期初步结果经过条件随机场中进行优化得到测试集的最终结果。
本发明的有益效果是:本发明提出的基于时频双流特征和多头自注意力机制增强的睡眠分期方法,既利用了脑电信号的时域信息和频域信息,又通过多头自注意力机制学习特征上下文的关联,最后还通过条件随机场对睡眠分期结果进一步优化,从而得到准确、客观的睡眠分期结果。
附图说明
图1是本发明的操作流程图;
图2是本发明实施例频域特征提取器中各模块的结构图;
图3是本发明实施例时域特征提取器中各模块的结构图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述,需要说明的是,本发明的保护范围不限于以下实施例,列举这些实例仅出于示例性目的而不以任何方式限制本发明。
如图所述,本发明针对医院采集的多导睡眠图中的单通道脑电信号;依据AASM睡眠分期评判标准,首先对于单通道脑电信号切成30s长度的时序片段,对于每个30s时序片段输入到提出的模型中,即可得到睡眠分期的结果,结果为清醒期W、非快速眼动N1期、非快速眼动N2期、非快速眼动N3期、快速眼动期REM五个中的其一;因此,对于整晚的多导睡眠图,只需输入其中一个脑电信号通道,即可得到整晚的睡眠分期结果,实现自动、客观、高效的睡眠分期,帮助医生节省宝贵的时间,在后续中,医生可根据模型输出的整晚睡眠分期结果进行睡眠质量的分析,睡眠疾病的相关诊断等。
基于时频域信息和注意力机制的单通道脑电睡眠分期方法流程如图1所示,第一个阶段,本发明对30s时间片段的信号做一个初步的睡眠分期,输入为单通道脑电信号的两个部分,一个是原始的时序信号,方便获取时域信息;另一个是时频转化后的频域信息,可用来学习频域特征;时域和频域信息会进入多核特征提取器模块分别去学习捕获时域和频域的特征;对于学习的时域和频域特征进行组合后会进入特征上下文学习模块,里面嵌套的多头自注意用来学习特征之间的关联和依赖信息,这一阶段模拟医生对这30s的信号进行特征波形的观察,从而初步判定该信号的所属时期;第二个阶段中,模仿医生在最终确定睡眠阶段时,对于无法确定的信号,通常还要观察该时期前后几个时期的信号所处阶段,来最终确定该阶段的所属时期;在这里,使用条件随机场来学习时期之间的转化过渡规则,能够有效学习医生上下文阶段的最终确定方法;方法的主要模块具体如下:
1、多核特征提取器模块来获取脑电信号的时域特征和频域特征:
对于输入的原始30s时序脑电信号,利用快速傅里叶变换进行时频转化,截取0-25Hz左右的频率段作为频域信息;原始数据作为时域信息;时域信息和频域信息会进入多核特征提取器从两个角度分别学习时域和频域特征;多核特征提取器分为两个子模块,其中时域信息输入多核的时域特征提取器,频域信息输入频域特征提取器;整合两个特征提取器得到的时频域特征,从而输入到下一个模块。
(1)、频域特征提取器:
频域特征提取器由单通道的卷积神经网络层堆叠构成,包括两个卷积模块和一个最大池化模块;卷积模块中每个卷积层后会跟着一个批标准化和GELU激活函数,目的是对数据进行归一化操作,使得模型能够有更好的泛化效果;最大池化层后会跟着一个以一定概率丢弃的丢弃层,为了防止模型的过拟合;频域特征提取器针对频域信息,利用卷积神经网络能够捕获脑电信号频域带的相关重要特征。具体模块结构如图2所示;
(2)、时域特征提取器:
时域特征处理器由两个的分支组成,两个分支的卷积层的卷积核大小不同,目的是为了探索不同频率的特征信息;卷积核的大小设置与脑电信号的采样率有关;以100Hz的采样率为例,设置卷积核大小为50和400,分别对应了0.5s和4s的时间窗口,以4s的时间窗口为例,它能捕获低至0.25Hz的正弦波信号;针对不同大小的时间窗口其能捕获的特征波形也不同,因此设计不同卷积核大小的分支能够获得大小不同两个尺度的信号特征;和频域特征提取器类似,该模块也是由卷积层、批标准化层、最大池化层、GELU激活函数、丢弃层组成;具体的模型结构如图3所示。
2、特征上下文学习模块学习特征之间的依赖关系,得出初步分类结果;
特征上下文学习模块借鉴了Transformer的多头自注意力和前向传播的思想,目的是为了对提取的时频域特征进行编码学习,利用多头自注意力的思想学习时间相关的依赖性信息,且多头思想能并行处理特征,提高了模型的并行效率,最终输出得到对这30s脑电信息的一个初步的睡眠分期结果;该模块由多头自注意模块和前向传播模块组成的子模块堆叠两次;
多头自注意能够学习长时间内的依赖关系,相比传统自注意方法,多头自注意将输入特征分成多个头构成的子空间,每个子空间内会学习该空间内的注意权值,不同子空间的头部也会进行信息交互,传递不同子空间之间的注意信息;因此,多头自注意能够整体提高模型对于不同位置的关注能力;对于多核特征处理器输出的特征l是特征长度,d是特征维度;假设多头自注意的头数为H,在本方法中实际为5,则输入特征会平均划分为H个子空间,每个子空间的特征为其中(1≤n≤H);对于每个子空间n,根据可学习的权重矩阵计算其相应的Qn、Kn、Vn:
每个子空间n的自注意力An由Qn、Kn、Vn进行点积运算可得,具体运算公式为:
多头自注意力则会对每个子空间的自注意力An进行拼接操作:
MultiHeadAttention=Concat(A1…An…AH)
多头自注意力计算结果MHA还会与输入特征进行残差加和操作,再进入前向传播模块;前向传播模块会对输入M先进行层归一化,再进入两个全连接层;输出结果会与最初输入再次进行残差操作,输出F进入全连接层,进而输出初步预测的睡眠分期结果。
3、条件随机场模块校正得到最终预测结果:
对于上个模块得到的初步结果,由于只考虑了这30s脑电的信息特征,类比于医生会先对每个30s的时间窗口所处睡眠阶段有个预先地判断,当该时间窗口的脑电信息无法充分进行睡眠阶段判定时,医生还会考虑该30s时间窗口前后所处的阶段来确定当前阶段;基于该思想,本发明提出了考虑到时期前后的修正睡眠阶段过渡规则的方法,在有了前面初步判定睡眠阶段的结果上,利用条件随机场的思想进行睡眠阶段校正。
条件随机场是一种判别式概率模型,它基于无向图,能够考虑相邻变量之间的关系,本方法基于线性条件随机场;线性条件随机场定义了两条随机序列,一条是状态序列I={i1,i2,…,iT},一条是观测序列O={o1,o2,…,oT};在这里,状态序列I是最终想要的结果,观测序列O是上一模块初步预测的结果,其中,in、on∈{W,N1,N2,N3,REM}(1≤n≤T)代表在n时刻的真实标签和观测到的初步睡眠分期结果;需要从观测序列和状态序列构成的无向图中根据概率来判别得出最终睡眠分期的预测结果,其条件概率分布为:
fk(in,in-1,on)为其特征函数,具体分为转移特征函数tk(in,in-1,on)和状态特征函数sl(in,in-1,on),ωk是特征函数的权重,K为特征函数的总数;
对于构建的条件概率分布,采用最大化条件似然函数求解其最优解,其中N为预测序列的长度,Ij和Oj分别代表第j个样本的状态值和观测值;最后得到训练好的模型后,使用维特比算法求解预测值,即通过初步睡眠分期结果经过条件随机场进行序列优化,得到最终的睡眠分期预测结果。
4、损失函数设置:
由于睡眠阶段各个类别存在不均衡问题,使用加权交叉熵损失函数:
实施例:
1、实验数据集
公开数据集Sleep-edf-20取自PhysioBank发布于2013年的版本,一共有二十位25岁到101岁的健康白人被试;被试者在家中接受连续两个白天-黑夜的记录,一天服用了安定药,一天没有服用,每次记录持续二十小时左右;除了13号被试只有一晚的多导睡眠图数据,其他被试均有两晚的多导睡眠图数据,共计三十九份多导睡眠图;每份多导睡眠图包含两个脑电通道(Fpz-Cz和Pz-Oz),一个眼电通道,一个下巴肌电通道,呼吸和体温和事件标记。眼电和脑电信号的采样率均为100Hz。
2、实验设置
实验采用Fpz-Cz通道的脑电信号,对于脑电信号只截取入睡前30分钟到睡醒后30分钟的数据;睡眠分期数据的标签由专家进行标注,依据AASM标准归纳为清醒期、快速眼动期和三个非快速眼动期共五类;为了评估模型的可靠性,实验采用二十折交叉验证,对于二十位被试,每折中有十九位被试的数据参与训练,剩余一位被试的数据进行验证,取二十折结果的平均准确率作为最终结果。
3、实验结果
Sleep-edf-20 | W期 | N1期 | N2期 | N3期 | REM期 | 平均 |
准确率 | 93.1 | 30.25 | 88.35 | 88.25 | 91.2 | 86.2 |
最后,应当理解的是,本发明中所述实施例仅用以说明本发明实施例的原则;其他的变形也可能属于本发明的范围;相应地,本发明的实施例不限于本发明明确介绍和描述的实施例。
Claims (8)
1.基于时频双流增强的多头注意机制睡眠分期方法,其特征在于,其具体操作步骤如下:
步骤(1.1)、从现有的公开数据集中获取睡眠脑电信号;
步骤(1.2)、对获取到的脑电信号进行预处理,得到预处理后的脑电信号;
步骤(1.3)、将预处理后的脑电信号作为时域信息,时域信息衍生出两条分支,将其中一条分支经过时频变换后转换为频域信息,将转换得到的频域信息经过频域特征提取器提取频域特征;
将衍生出的另一条分支经过时域特征提取器提取时域特征;
将提取得到的时域特征和频域特征整合后得到时频双流特征;
步骤(1.4)、将时频双流特征经过特征上下文学习模块,利用多头自注意力机制学习特征之间的关联性,得到睡眠分期的初步结果;
步骤(1.5)、将得到的睡眠分期的初步结果输入到条件随机场中进行优化,从而得到睡眠分期的最终结果。
2.根据权利要求1所述的基于时频双流增强的多头注意机制睡眠分期方法,其特征在于,
在步骤(1.1)中,所述的公开数据集是指:公开的睡眠脑电数据集;
所述睡眠脑电数据集包括睡眠脑电信号和专业医生标注的睡眠时期标签;
所述的睡眠时期标签具体是依据现有的睡眠分期标准,每30秒为一个窗口,专业医生再依据波形特征对该30秒的脑电信号评估从而确定睡眠时期;
其中,所述睡眠时期包括清醒期(W)、非快速眼动I期(N1)、非快速眼动II期(N2)、非快速眼动III期(N3)及快速眼动期(REM)。
3.根据权利要求1所述的基于时频双流增强的多头注意机制睡眠分期方法,其特征在于,
在步骤(1.2)中,所述对获取到的脑电信号进行预处理的具体操作步骤:
(1.2.1)、剔除运动期和无法判别的睡眠时期标签,依据睡眠时期的五个阶段整理数据;
(1.2.2)、保留睡眠开始前30分钟到睡眠结束后30分钟脑电数据,其余剔除。
4.根据权利要求1所述的基于时频双流增强的多头注意机制睡眠分期方法,其特征在于,
在步骤(1.3)中,所述时频变换指的是:采用快速傅里叶变换的方式将时域信号转化为频域信号,,预处理后的脑电信号经快速傅里叶变换后,截取0-25Hz频带的数据作为频域信息。
5.根据权利要求1所述的基于时频双流增强的多头注意机制睡眠分期方法,其特征在于,
在步骤(1.3)中,所述时域特征提取器是指:由两个的分支组成的卷积神经网络,所述两个分支的卷积层的卷积核大小不同,用于探索不同尺度的特征信息;其中,每个分支由卷积层、批标准化层、最大池化层、GELU激活函数及丢弃层堆叠组合而成。
6.根据权利要求1所述的基于时频双流增强的多头注意机制睡眠分期方法,其特征在于,
在步骤(1.3)中,所述的频域特征提取器是指:由卷积层、批标准化层、最大池化层、GELU激活函数、丢弃层堆叠组合而成的卷积神经网络。
7.根据权利要求1所述的基于时频双流增强的多头注意机制睡眠分期方法,其特征在于,
在步骤(1.4)中,所述特征上下文学习模块是指:结合了多头自注意力机制的神经网络;
所述该模块包含多头自注意力和前馈传输两个子模块,两个子模块会重复两次。
8.根据权利要求1所述的基于时频双流增强的多头注意机制睡眠分期方法,其特征在于,
在步骤(1.5)中,所述条件随机场中进行优化是指:将步骤(1.4)中通过特征上下文学习模块输出的睡眠分期初步结果作为条件随机场的输入,该方法将整个训练集的睡眠分期初步结果和真实标签用于训练,测试集的睡眠分期初步结果经过条件随机场中进行优化得到测试集的最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210882992.XA CN115399735A (zh) | 2022-07-26 | 2022-07-26 | 基于时频双流增强的多头注意机制睡眠分期方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210882992.XA CN115399735A (zh) | 2022-07-26 | 2022-07-26 | 基于时频双流增强的多头注意机制睡眠分期方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115399735A true CN115399735A (zh) | 2022-11-29 |
Family
ID=84157375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210882992.XA Pending CN115399735A (zh) | 2022-07-26 | 2022-07-26 | 基于时频双流增强的多头注意机制睡眠分期方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115399735A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116963074A (zh) * | 2023-09-19 | 2023-10-27 | 硕橙(厦门)科技有限公司 | 基于随机栅栏的双分支增强射频信号指纹识别方法和装置 |
-
2022
- 2022-07-26 CN CN202210882992.XA patent/CN115399735A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116963074A (zh) * | 2023-09-19 | 2023-10-27 | 硕橙(厦门)科技有限公司 | 基于随机栅栏的双分支增强射频信号指纹识别方法和装置 |
CN116963074B (zh) * | 2023-09-19 | 2023-12-12 | 硕橙(厦门)科技有限公司 | 基于随机栅栏的双分支增强射频信号指纹识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959895B (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
CN111493828B (zh) | 基于全卷积网络的序列到序列的睡眠障碍检测方法 | |
Gupta et al. | OSACN-Net: automated classification of sleep apnea using deep learning model and smoothed Gabor spectrograms of ECG signal | |
CN111956221B (zh) | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
CN111310570A (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
CN112641451B (zh) | 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 | |
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 | |
WO2023116736A1 (zh) | 一种基于视频数据的抽动症辅助筛查系统 | |
CN113995419A (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
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 | |
CN111297327B (zh) | 一种睡眠分析方法、系统、电子设备及存储介质 | |
CN115251845A (zh) | 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法 | |
Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
Wang et al. | Deep learning for sleep stage classification | |
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 | |
CN115399735A (zh) | 基于时频双流增强的多头注意机制睡眠分期方法 | |
CN110811591A (zh) | 一种基于心率变异性的心力衰竭分级方法 | |
US20210338171A1 (en) | Tensor amplification-based data processing | |
Zhang et al. | Automatic Sleep Staging using Multi‐dimensional Feature Extraction and Multi‐kernel Fuzzy Support Vector Machine | |
Ali et al. | A novel technique to diagnose sleep apnea in suspected patients using their ECG data | |
Yuan et al. | Automatic seizure detection using logarithmic Euclidean-Gaussian mixture models (LE-GMMs) and improved deep forest learning | |
CN116186544A (zh) | 基于深度学习的单通道脑电睡眠分期方法 | |
Begawan et al. | Sleep stage identification based on eeg signals using parallel convolutional neural network and recurrent neural network | |
CN115500843A (zh) | 基于零样本学习与对比学习的睡眠阶段分期方法 |
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 |