CN115736840A - 一种基于心电数据的睡眠质量识别分类方法 - Google Patents
一种基于心电数据的睡眠质量识别分类方法 Download PDFInfo
- Publication number
- CN115736840A CN115736840A CN202211581543.8A CN202211581543A CN115736840A CN 115736840 A CN115736840 A CN 115736840A CN 202211581543 A CN202211581543 A CN 202211581543A CN 115736840 A CN115736840 A CN 115736840A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- prediction
- self
- 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.)
- Withdrawn
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于心电数据的睡眠质量识别分类方法,包括多导睡眠数据采集层、多导睡眠质量诊断预测层,匹兹堡问卷调查层、匹兹堡统计层和主客观数据融合诊断分级层,所述多导睡眠质量诊断预测层包括数据输入层、MultiHead自注意力层、BP神经网络层和多导组合学习预测层:发明属于计算机技术领域,具体是指一种基于心电数据的睡眠质量识别分类方法;利用多导睡眠质量诊断预测层可对睡眠质量给出准确分级;利用匹兹堡问卷调查层的调查结果将虑患者的主观感受纳入睡眠质量分级的依据;利用主客观数据融合诊断分级层将主客观预测结果综合考虑,得到更加准确的睡眠质量预测结果。
Description
技术领域
本发明涉及数据识别与数据处理领域,特别指一种基于心电数据的睡眠质量识别分类方法。
背景技术
多导睡眠监测仪由主机、显示器、放大器、采集盒、EEG传感器、ECG传感器、血氧传感器、鼾声传感器、信号电缆、隔离电源组成;用于记录并分析睡眠时各种生理数据,包括EEG数据、ECG数据、鼾声数据、血氧饱和度数据、脉搏波数据和呼吸频率数据;通过对以上数据的记录与分析,对睡眠障碍、睡眠呼吸紊乱和睡眠呼吸暂停、低通气综合征疾病进行分析和诊断。
睡眠周期由非快速眼动睡眠和快速眼动睡眠组成,科学的睡眠参数需要通过记录肌肉活动、呼吸频率、眼球运动以及大脑活动等来判断,不同的睡眠阶段具有不同的特征和功能;非快速眼动睡眠期,睡眠由浅到深,直到进入深度睡眠;快速眼动睡眠期,眼球会快速左右摆动,睡眠变浅,做很多梦,大脑甚至比清醒时还要活跃,整个睡眠过程,二者循环交替进行;睡眠周期是睡眠质量检测的重要依据。
匹兹堡睡眠质量指数是美国匹兹堡大学精神科医生Buysse博士等人编制的适用于睡眠障碍患者、精神障碍患者评价睡眠质量,同时也适用于一般人睡眠质量的评估。
发明内容
(一)要解决的技术问题
现阶段睡眠质量诊断主要存在以下问题:
(1)传统的多导睡眠监测仪仅就睡眠相关疾病给出诊断,无法对睡眠质量给出准确分级;
(2)传统的基于ANN(人工神经网络)的睡眠质量分级方法需要大量的训练样本,当样本数量较少时,无法准确预测;而当样本量较大时,模型训练速度慢;
(3)传统的多导睡眠监测仪仅利用各种传感器给出的相关参数给出疾病的评价指标,并没有考虑患者的主观感受;
(4)传统的基于匹兹堡睡眠质量指数进行睡眠质量分级的方法仅仅根据一份调查问卷就给出测试结果,缺少客观依据。
(二)技术方案
针对本发明要解决的技术问题,提出一种基于心电数据的睡眠质量识别分类方法,包括多导睡眠数据采集层、多导睡眠质量诊断预测层、匹兹堡问卷调查层、匹兹堡统计层和主客观数据融合诊断分级层,所述多导睡眠质量诊断预测层包括数据输入层、MultiHead自注意力层、BP神经网络层和多导组合学习预测层;所述数据输入层将多导睡眠监测仪采集的原始的ECG数据进行均匀采样;
(1)共设置64个相等时间间隔的采样点,将ECG数据在采样点所在的周期数据提取出来;
(2)对每个周期的数据再次进行等间隔采样,每个周期的ECG数据均采样为1×256维度的数据,也就是ECG数据的采样点有64个,采集每个采样点所在的一个周期的采样数据,对每个周期的采样数据再次进行均匀采样,使每个连续的数据变为离散值;
(3)将上述采样得到的数据进行合并操作,得到64×256维度的数据EcgData;对数据EcgData进行位置编码嵌入得到数据EcgDataIn;进行位置编码的原因是由于ECG数据是时序数据,进行位置编码后可将时序关系嵌入到ECG数据中。
进一步地,所述MultiHead自注意力层,对输入到MultiHead自注意力层的数据EcgDataIn计算各个周期分量(各行)之间的相关性,具体操作步骤如下:
S1、随机生成特征提取矩阵Wq、Wk和Wv,所述特征提取矩阵Wq、Wk和Wv的维度均为256×64;
S2、产生查寻矩阵QEcg、键矩阵KEcg和值矩阵VEcg,其中查寻矩阵QEcg、键矩阵KEcg和值矩阵VEcg的维度均为64×64;
S3、计算注意力分数Attention-Score,注意力分数Attention-Score的维度为64×64;
S4、重复执行S1、S2和S3,生成4个注意力分数Attention-Score,并将这4个注意力分数Attention-Score按列拼接,得到Multi-Attention-Score,其维度为64×256;
S5、进行残差相加操作得到MultiHead自注意力层的输出Self-Attention-Out,具体计算公式如下:
上式中,Self-Attention-Out代表MultiHead自注意力层的输出,其维度为64×256,每一行的维度均为1×256;Layer_Norm代表层归一化。
作为优选地,所述BP神经网络层包括单隐层BP神经网络,所述单隐层BP神经网络的个数为64个,所述单隐层BP神经网络包括输入层、中间隐层和输出层,每个单隐层BP神经网络的输入端含有256个神经元,中间隐层和输出层均含有64个神经元,BP神经网络层的每个单隐层BP神经网络的输入为MultiHead自注意力层的输出Self-Attention-Out的每一行,具体计算步骤为:
S1、将Self-Attention-Out的每一行记为C1、C2、C3、...、C64,分别将C1、C2、C3、...、C64输入到对应的单隐层BP神经网络中向前传播计算得到B1、B2、B3、...、B64:计算公式如下:
上式中,b 1表示中间隐层的偏置,b 2表示输出层的偏置,W 1为中间隐层的内星权向量,W2为输出层的内星权向量,F i为每个单隐层BP神经网络的输出,具体为F 1、F 2、F 3、F 4;
S2、进行残差相加和归一化操作,具体计算公式如下:
上式中,E i表示残差输出,分别为E 1、E 2、E 3、...、E 64,其维度均为1×64。
进一步地,所述多导组合学习预测层为一种组合神经网络,包括多导输入层、自组织层和多导分级预测层:所述多导输入层包含有4096个神经元,所述自组织层的神经元为棋盘状排列,包含5×100个神经元,其中每5×5的区域称为一个组,则自组织层共有20个组;所述多导分级预测层包括20个神经元;所述多导输入层的每个神经元与自组织层的每个神经元相互连接,所述多导分级预测层的每个神经元只与自组织层中的一个组权连接,其连接权重恒为1,多导组合学习预测层的训练的具体步骤如下:
S1、将BP神经网络层的输出E 1、E 2、E 3、...、E 64进行数据合并,得到数据维度为4096×1的向量H;
S2、对自组织层的各个神经元的权向量进行初始化为随机小数,并进行归一化处理,得到Wj,建立初始优胜邻域Nj,学习率赋初始值;
S3、多导输入层接受初始输入,从训练集中选择一种向量H,并进行归一化操作,得到Hp;
S4、寻找获胜节点;
S5、定义优胜邻域,优胜邻域是获胜神经元权值调整的区域,其值随着训练时间单调下降;
S6、根据分类是否正确按照不同规则调整神经元的权值,调整自组织层的权值,对优胜邻域内的所有节点(神经元)调整权值,当分类正确时,自组织层的权向量调整方式如下:
当分类错误时,自组织层的权向量调整方式如下:
上式中,W j(t)表示当前的权值,W j (t+1)表示调整之后的权值;η(t,N)表示学习率,学习率随训练时间(迭代次数)增大而减小,并且随着与获胜神经元j*的拓扑距离N*的增大而减小;与获胜神经元不在同一组的神经元不进行权值调整;当学习率减小到零,或是优胜邻域减小为零时,训练结束,此时固化下来的模型参数将用于预测;
作为优选地,所述匹兹堡问卷调查层,对患者进行匹兹堡睡眠质量指数问卷调查。
进一步地,所述匹兹堡统计层,对匹兹堡问卷调查层的问卷调查数据进行结果统计,统计PSQI总分。
作为优选地,所述主客观数据融合诊断分级层,对多导睡眠质量诊断预测层的预测结果和匹兹堡统计层计算的PSQI总分进行融合计算,得到最终的诊断结果,具体计算方式如下:
S1、对计算的PSQI总分进行分箱操作,按照分数大小分为20个睡眠质量等级;
S2、将多导睡眠质量诊断预测层的预测结果与S1中的结果进行融合:
(1)当多导睡眠质量诊断预测层的一级睡眠检测结果与S1中的结果相同,则最终结果与S1的睡眠质量等级结果相同;
(2)当多导睡眠质量诊断预测层的一级睡眠检测结果与S1中的结果不相同,根据差异等级调整多导睡眠质量诊断预测层的预测结果,若一级睡眠检测结果与S1中的结果高出一级,则最终诊断结果为多导睡眠质量诊断预测层的一级睡眠检测结果,二级检测结果增加两个级别,若超出二级检测结果的最高级别,则最终结果为S1的诊断结果。
(三)有益效果
(1)MultiHead自注意力层的引入可以有效利用并行计算,从而极大提高模型训练速度,由于对原始数据进行了位置编码,在数据处理时无需按照时序列对数据进行处理,加快了模型训练和预测时的计算速度;当样本数量较少时也能准确预测;
(2)利用匹兹堡问卷调查层和匹兹堡统计层将虑患者的主观感受纳入睡眠质量分级的依据;
(3)利用多导睡眠质量诊断预测层可以对睡眠质量给出准确分级,每种分级结果又给出特别严重、严重、中等和轻微四种二级检测结果;
(4)利用主客观数据融合诊断分级层将主客观预测结果综合考虑,得到更加准确的睡眠质量预测结果。
图1是本发明提出的一种基于心电数据的睡眠质量识别分类方法的流程图;
图2是本发明提出的多导睡眠质量诊断预测层的部分流程图;
图3是本发明提出的主客观数据融合诊断分级层的模型结构图。
其中①多导输入层,②自组织层,③多导分级预测层。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本方案实施例中的附图,对本方案实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本方案一部分实施例,而不是全部的实施例;基于本方案中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本方案保护的范围。
作为本方案的一种实施例,一种基于心电数据的睡眠质量识别分类方法,包括多导睡眠数据采集层、多导睡眠质量诊断预测层、匹兹堡问卷调查层、匹兹堡统计层和主客观数据融合诊断分级层,所述多导睡眠质量诊断预测层包括数据输入层、MultiHead自注意力层、BP神经网络层和多导组合学习预测层;所述数据输入层将多导睡眠监测仪采集的原始的ECG数据进行均匀采样;
(1)共设置64个相等时间间隔的采样点,将ECG数据在采样点所在的周期数据提取出来;
(2)对每个周期的数据再次进行等间隔采样,每个周期的ECG数据均采样为1×256维度的数据,也就是ECG数据的采样点各有64个、采集每个采样点所在的一个周期的采样数据,每个周期的采样数据又进行均匀采样,使每个连续的数据变为离散值;
(3)将上述64个周期的1×256维度的数据进行合并操作,得到64×256维度的数据EcgData;对数据EcgData进行位置编码嵌入得到数据EcgDataIn;进行位置编码的原因是由于ECG数据是时序数据,进行位置编码后可将时序关系嵌入到ECG数据和EMG数据中,具体计算方式如下:
上式中,d为数据EcgDataIn的行数,pij代表第i行和第j列处的位置编码分量。
进一步的实施例,MultiHead自注意力层,对输入到MultiHead自注意力层的数据EcgDataIn计算各个周期分量(各行)之间的相关性,具体操作步骤如下:
S1、随机生成特征提取矩阵Wq、Wk和Wv,所述特征提取矩阵Wq、Wk和Wv的维度均为256×64;
S2、产生查寻矩阵QEcg、键矩阵KEcg和值矩阵VEcg,具体计算公式如下:
上式中计算得到的查寻矩阵QEcg、键矩阵KEcg和值矩阵VEcg的维度均为64×64;
S3、计算注意力分数Attention-Score,具体计算公式为:
上式中,dk为缩放因子,注意力分数Attention-Score的维度为64×64;
S4、重复执行S1、S2和S3,生成4个注意力分数Attention-Score,并将这4个注意力分数Attention-Score按列拼接,得到Multi-Attention-Score,其维度为64×256;
S5、进行残差相加操作得到MultiHead自注意力层的输出Self-Attention-Out,具体计算公式如下:
上式中,Self-Attention-Out代表MultiHead自注意力层的输出,其维度为64×256,每一行的维度均为1×256;Layer_Norm代表层归一化。
作为优选的,BP神经网络层,包括单隐层BP神经网络,所述单隐层BP神经网络的个数为64个,所述单隐层BP神经网络包括输入层、中间隐层和输出层,每个单隐层BP神经网络的输入端含有256个神经元,中间隐层和输出层均含有64个神经元,BP神经网络层的每个单隐层BP神经网络的输入为MultiHead自注意力层的输出Self-Attention-Out的每一行,具体计算步骤为:
S1、将Self-Attention-Out的每一行记为C1、C2、C3、...、C64,分别将C1、C2、C3、...、C64输入到对应的单隐层BP神经网络中向前传播计算得到B1、B2、B3、...、B64:计算公式如下:
上式中,b 1表示中间隐层的偏置,b 2表示输出层的偏置,W 1为中间隐层的内星权向量,W2为输出层的内星权向量,F i为每个单隐层BP神经网络的输出,具体为F 1、F 2、F 3、F 4;
S2、进行残差相加和归一化操作,具体计算公式如下:
上式中,E i表示残差输出,分别为E 1、E 2、E 3、...、E 64,其维度均为1×64。
作为本发明更近一步地实施例,多导组合学习预测层为一种组合神经网络,包括多导输入层、自组织层和多导分级预测层:所述多导输入层包含有4096个神经元,所述自组织层的神经元为棋盘状排列,包含5×100个神经元,其中每5×5的区域称为一个组,则自组织层共有20个组;所述多导分级预测层包括20个神经元;所述多导输入层的每个神经元与自组织层的每个神经元相互连接,所述多导分级预测层的每个神经元只与自组织层中的一个组权连接,其连接权重恒为1,多导组合学习预测层的训练的具体步骤如下:
S1、将BP神经网络层的输出E 1、E 2、E 3、...、E 64进行数据合并,得到数据维度为4096×1的向量H;
S2、对自组织层的各个神经元的权向量进行初始化为随机小数,并进行归一化处理,得到Wj,建立初始优胜邻域Nj,学习率赋初始值;
S3、多导输入层接受初始输入,从训练集中选择一种向量H,并进行归一化操作,得到Hp;
S4、寻找获胜节点,获胜节点的计算公式如下:
上式中,Wj代表自组织层的第j个神经元的权向量;
S5、定义优胜邻域,优胜邻域是获胜神经元权值调整的区域,其值随着训练时间单调下降;
S6、根据分类是否正确按照不同规则调整神经元的权值,调整自组织层的权值,对优胜邻域内的所有节点(神经元)调整权值,当分类正确时,自组织层的权向量调整方式如下:
当分类错误时,自组织层的权向量调整方式如下:
上式中,W j(t)表示当前的权值,W j (t+1)表示调整之后的权值;η(t,N)表示学习率,学习率随训练时间(迭代次数)增大而减小,并且随着与获胜神经元j的拓扑距离N*的增大而减小;与获胜神经元不在同一组的神经元不进行权值调整;当学习率减小到零,或是优胜邻域减小为零时,训练结束,此时固化下来的模型参数将用于预测。
另外,在多导分级预测层的使用或预测阶段,其多导分级预测层有20个神经元,因此输出为one_hot编码形式,即对睡眠质量等级进行one_hot编码,一共可表示20种睡眠质量,每一种睡眠质量又被分为3个等级,分级的标准是模式输入所对应的获胜神经元与该模式的聚类中心的拓扑距离,拓扑距离为0,表示为严重,拓扑距离为1表示为中等,拓扑距离为2表示轻微;由多导分级预测层直接预测的结果称为一级睡眠监测结果,由获胜神经元与该模式的聚类中心的拓扑距离所预测的结果称为二级睡眠预测结果。
匹兹堡问卷调查层,对患者进行匹兹堡睡眠质量指数问卷调查。
匹兹堡统计层,对匹兹堡问卷调查层的问卷调查数据进行结果统计,统计PSQI总分:
主客观数据融合诊断分级层,对多导睡眠质量诊断预测层的预测结果和匹兹堡统计层计算的PSQI总分进行融合计算,得到最终的诊断结果,具体计算方式如下:
S1、对计算的PSQI总分进行分箱操作,按照分数大小分为20个睡眠质量等级;
S2、将多导睡眠质量诊断预测层的预测结果与S1中的结果进行融合:
(3)当多导睡眠质量诊断预测层的一级睡眠检测结果与S1中的结果相同,则最终结果与S1的睡眠质量等级结果相同;
(4)当多导睡眠质量诊断预测层的一级睡眠检测结果与S1中的结果不相同,根据差异等级调整多导睡眠质量诊断预测层的预测结果,若一级睡眠检测结果与S1中的结果高出一级,则最终诊断结果为多导睡眠质量诊断预测层的一级睡眠检测结果,二级检测结果增加两个级别,若超出二级检测结果的最高级别,则最终结果为S1的诊断结果。
以上便是本发明具体的工作流程,下次使用时重复此步骤即可。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (8)
1.一种基于心电数据的睡眠质量识别分类方法,包括多导睡眠数据采集层、多导睡眠质量诊断预测层、匹兹堡问卷调查层、匹兹堡统计层和主客观数据融合诊断分级层,所述多导睡眠质量诊断预测层包括数据输入层、MultiHead自注意力层、BP神经网络层和多导组合学习预测层;
所述数据输入层将多导睡眠监测仪采集的原始的ECG数据进行均匀采样:
(1)共设置64个相等时间间隔的采样点,将ECG数据在采样点所在的周期数据提取出来;
(2)对每个周期的数据再次进行等间隔采样,每个周期的ECG数据均采样为1×256维度的数据,即ECG数据的采样点有64个、采集每个采样点所在的一个周期的采样数据,每个周期的采样数据又进行均匀采样,使每个连续的数据变为离散值;
(3)将上述采样得到的数据进行合并操作,得到64×256维度的数据EcgData;对数据EcgData进行位置编码嵌入得到数据EcgDataIn;进行位置编码的原因是由于ECG数据具有时序性,进行位置编码后可将时序关系嵌入到ECG数据中,具体计算方式如下:
上式中,d为数据EcgDataIn的行数,pij代表第i行和第j列处的位置编码分量。
2.根据权利要求1所述的一种基于心电数据的睡眠质量识别分类方法,其特征在于:所述MultiHead自注意力层对输入到MultiHead自注意力层的数据EcgDataIn计算各个周期分量之间的相关性,具体操作步骤如下:
S1、随机生成特征提取矩阵Wq、Wk和Wv,所述特征提取矩阵Wq、Wk和Wv的维度均为256×64;
S2、产生查寻矩阵QEcg、键矩阵KEcg和值矩阵VEcg,具体计算公式如下:
上式中计算得到的查寻矩阵QEcg、键矩阵KEcg和值矩阵VEcg的维度均为64×64;
S3、计算注意力分数Attention-Score,具体计算公式为:
上式中,dk为缩放因子,注意力分数Attention-Score的维度为64×64;
S4、重复执行S1、S2和S3,生成4个注意力分数Attention-Score,并将这4个注意力分数Attention-Score按列拼接,得到Multi-Attention-Score,其维度为64×256;
S5、进行残差相加操作得到MultiHead自注意力层的输出Self-Attention-Out,具体计算公式如下:
上式中,Self-Attention-Out代表MultiHead自注意力层的输出,其维度为64×256,每一行的维度均为1×256;Layer_Norm代表层归一化。
3.根据权利要求2所述的一种基于心电数据的睡眠质量识别分类方法,其特征在于:所述BP神经网络层为单隐层BP神经网络,所述单隐层BP神经网络的个数为64个,所述单隐层BP神经网络包括输入层、中间隐层和输出层,每个单隐层BP神经网络的输入端含有256个神经元,中间隐层和输出层均含有64个神经元,BP神经网络层的每个单隐层BP神经网络的输入为MultiHead自注意力层的输出Self-Attention-Out的每一行,具体计算步骤为:
S1、将Self-Attention-Out的每一行记为C1、C2、C3、...、C64,分别将C1、C2、C3、...、C64输入到对应的单隐层BP神经网络中向前传播计算得到B1、B2、B3、...、B64:计算公式如下:
上式中,b 1表示中间隐层的偏置,b 2表示输出层的偏置,W 1为中间隐层的内星权向量,W2为输出层的内星权向量,F i为每个单隐层BP神经网络的输出,具体为F 1、F 2、F 3、F 4;
S2、进行残差相加和归一化操作,具体计算公式如下:
上式中,E i表示残差输出,分别为E 1、E 2、E 3、...、E 64,其维度均为1×64。
4.根据权利要求3所述的一种基于心电数据的睡眠质量识别分类方法,其特征在于:所述多导组合学习预测层为一种组合神经网络,包括多导输入层、自组织层和多导分级预测层,所述多导输入层包含有4096个神经元,所述自组织层的神经元为棋盘状排列,包含5×100个神经元,其中每5×5的区域称为一个组,则自组织层共有20个组;所述多导分级预测层包括20个神经元;所述多导输入层的每个神经元与自组织层的每个神经元相互连接,所述多导分级预测层的每个神经元只与自组织层中的一个组权连接,其连接权重恒为1,多导组合学习预测层的训练的具体步骤如下:
S1、将BP神经网络层的输出E 1、E 2、E 3、...、E 64进行数据合并,得到数据维度为4096×1的向量H;
S2、对自组织层的各个神经元的权向量进行初始化为随机小数,并进行归一化处理,得到Wj,建立初始优胜邻域Nj,学习率赋初始值;
S3、多导输入层接受初始输入,从训练集中选择一种向量H,并进行归一化操作,得到Hp;
S4、寻找获胜节点,获胜节点的计算公式如下:
上式中,Wj代表自组织层的第j个神经元的权向量;
S5、定义优胜邻域,优胜邻域是获胜神经元权值调整的区域,其值随着训练时间单调下降;
S6、根据分类是否正确按照不同规则调整神经元的权值,调整自组织层的权值,对优胜邻域内的所有节点调整权值,当分类正确时,自组织层的权向量调整方式如下:
当分类错误时,自组织层的权向量调整方式如下:
上式中,W j(t)表示当前的权值,W j (t+1)表示调整之后的权值;η(t,N)表示学习率,学习率随训练时间增大而减小,并且随着与获胜神经元j的拓扑距离N*的增大而减小;与获胜神经元不在同一组的神经元不进行权值调整;当学习率减小到零,或是优胜邻域减小为零时,训练结束,此时固化下来的模型参数将用于预测。
5.根据权利要求4所述的一种基于心电数据的睡眠质量识别分类方法,其特征在于:所述多导分级预测层在使用或预测阶段有20个神经元,因此输出为one_hot编码形式,即对睡眠质量等级进行one_hot编码,一共可表示20种睡眠质量,每一种睡眠质量又被分为3个等级,分级的标准是模式输入所对应的获胜神经元与该模式的聚类中心的拓扑距离,拓扑距离为0,表示为严重,拓扑距离为1表示中等,拓扑距离为2表示轻微;由多导分级预测层直接预测的结果称为一级睡眠监测结果,由获胜神经元与该模式的聚类中心的拓扑距离所预测的结果称为二级睡眠预测结果。
6.根据权利要求5所述的一种基于心电数据的睡眠质量识别分类方法,其特征在于:所述匹兹堡问卷调查层是对患者进行匹兹堡睡眠质量指数问卷调查。
7.根据权利要求6所述的一种基于心电数据的睡眠质量识别分类方法,其特征在于:所述匹兹堡统计层,对匹兹堡问卷调查层的问卷调查数据进行结果统计,统计PSQI总分。
8.根据权利要求7所述的一种基于心电数据的睡眠质量识别分类方法,其特征在于:所述主客观数据融合诊断分级层,对多导睡眠质量诊断预测层的预测结果和匹兹堡统计层计算的PSQI总分进行融合计算,得到最终的诊断结果,具体计算方式如下:
S1、对计算的PSQI总分进行分箱操作,按照分数大小分为20个睡眠质量等级;
S2、将多导睡眠质量诊断预测层的预测结果与S1中的结果进行融合:
当多导睡眠质量诊断预测层的一级睡眠检测结果与S1中的结果相同,则最终结果与S1的睡眠质量等级结果相同;
当多导睡眠质量诊断预测层的一级睡眠检测结果与S1中的结果不相同,根据差异等级调整多导睡眠质量诊断预测层的预测结果,若一级睡眠检测结果与S1中的结果高出一级,则最终诊断结果为多导睡眠质量诊断预测层的一级睡眠检测结果,二级检测结果增加两个级别,若超出二级检测结果的最高级别,则最终结果为S1的诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211581543.8A CN115736840A (zh) | 2022-12-10 | 2022-12-10 | 一种基于心电数据的睡眠质量识别分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211581543.8A CN115736840A (zh) | 2022-12-10 | 2022-12-10 | 一种基于心电数据的睡眠质量识别分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115736840A true CN115736840A (zh) | 2023-03-07 |
Family
ID=85344940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211581543.8A Withdrawn CN115736840A (zh) | 2022-12-10 | 2022-12-10 | 一种基于心电数据的睡眠质量识别分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115736840A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117100220A (zh) * | 2023-08-23 | 2023-11-24 | 大连理工大学 | 一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法 |
-
2022
- 2022-12-10 CN CN202211581543.8A patent/CN115736840A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117100220A (zh) * | 2023-08-23 | 2023-11-24 | 大连理工大学 | 一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112656427B (zh) | 一种基于维度模型的脑电信号情绪识别方法 | |
Sun et al. | A hierarchical neural network for sleep stage classification based on comprehensive feature learning and multi-flow sequence learning | |
CN106886792B (zh) | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 | |
Cui et al. | Automatic sleep stage classification based on convolutional neural network and fine-grained segments | |
CN110464314A (zh) | 利用深层生理情绪网络的人类感情推定方法及系统 | |
WO2022042122A1 (zh) | 脑电信号的分类方法、分类模型的训练方法、装置及介质 | |
CN111631688B (zh) | 睡眠自动分期的算法 | |
CN110598793B (zh) | 一种大脑功能网络特征分类方法 | |
CN109645989B (zh) | 一种麻醉深度估计系统 | |
CN111436929B (zh) | 一种神经生理信号的生成和识别方法 | |
CN108847279B (zh) | 一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统 | |
Thenmozhi et al. | Feature selection using extreme gradient boosting Bayesian optimization to upgrade the classification performance of motor imagery signals for BCI | |
CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
CN115590529A (zh) | 基于时空注意力机制的癫痫脑电信号监测方法及系统 | |
CN111297327B (zh) | 一种睡眠分析方法、系统、电子设备及存储介质 | |
CN112990008A (zh) | 基于三维特征图和卷积神经网络的情绪识别方法及系统 | |
CN115736840A (zh) | 一种基于心电数据的睡眠质量识别分类方法 | |
Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
Wang et al. | A shallow convolutional neural network for classifying MI-EEG | |
Lv et al. | A multilevel temporal context network for sleep stage classification | |
CN113397567B (zh) | 一种人类行为脑电信号分类方法及系统 | |
Buscema et al. | The implicit function as squashing time model: a novel parallel nonlinear EEG analysis technique distinguishing mild cognitive impairment and Alzheimer's disease subjects with high degree of accuracy | |
Trikha et al. | Identifying EEG binary limb motor imagery movements using thick data analytics | |
Luo et al. | Exploring adaptive graph topologies and temporal graph networks for eeg-based depression detection | |
Cheng et al. | Convolutional neural network implementation for eye movement recognition based on video |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230307 |