CN116636815B - 基于脑电信号的水下作业人员睡眠质量评估方法及系统 - Google Patents
基于脑电信号的水下作业人员睡眠质量评估方法及系统 Download PDFInfo
- Publication number
- CN116636815B CN116636815B CN202310662722.2A CN202310662722A CN116636815B CN 116636815 B CN116636815 B CN 116636815B CN 202310662722 A CN202310662722 A CN 202310662722A CN 116636815 B CN116636815 B CN 116636815B
- Authority
- CN
- China
- Prior art keywords
- module
- electroencephalogram signal
- sample set
- neural network
- deep learning
- 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.)
- Active
Links
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000003062 neural network model Methods 0.000 claims abstract description 75
- 238000013135 deep learning Methods 0.000 claims abstract description 68
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 230000003860 sleep quality Effects 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000008667 sleep stage Effects 0.000 claims description 75
- 239000013598 vector Substances 0.000 claims description 46
- 239000012634 fragment Substances 0.000 claims description 40
- 238000007781 pre-processing Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004622 sleep time Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- A61B5/4815—Sleep quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/24—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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Signal Processing (AREA)
- Anesthesiology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (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脑电信号的水下作业人员睡眠质量评估方法及系统,将每个历史水下作业人员的脑电信号进行片段划分,其中一部分作为训练样本、一部分作为测试样本、余下作为步长不参与样本训练或测试,以降低数据处理量,对深度学习神经网络模型的部分模型参数进行多组赋值,获得多组深度学习神经网络模型,每组深度学习神经网络模型利用训练样本进行训练、利用测试样本进行测试,并利用遗传优化算法来对深度学习神经网络模型进行参数优化,构建优化的神经网络模型,并基于优化的神经网络模型来对待预测的水下作业人员进行睡眠分期,进而对睡眠质量进行评估。
Description
技术领域
本发明涉及睡眠质量技术领域,特别是涉及一种基于脑电信号的水下作业人员睡眠质量评估方法及系统。
背景技术
水下密闭舱舱室空间作业环境差,具有狭小幽闭、水下作业人员密集等特点,水下作业人员长时间处于这种环境中,极易导致其睡眠质量低下,睡眠质量差会严重影响水下作业人员的作业能力。为了提高水下作业人员的作业能力,需要对水下作业人员的睡眠质量进行评估。
睡眠分期分为五类:Wake期、N1期、N2期、N3期、REM期,睡眠分期是对睡眠过程中睡眠状态的判读,是临床上对睡眠质量评估和睡眠相关疾病诊断治疗的重要依据。关于睡眠分期的研究有很多,如基于支持向量机的决策树睡眠分期、基于随机森林模型的睡眠分期等。但是现有不存在利用遗传优化算法来对神经网络模型进行参数优化,构建优化的神经网络模型,并基于优化的神经网络模型来对待预测的水下作业人员进行睡眠分期,进而对睡眠质量进行评估的技术。
发明内容
本发明针对现有技术存在的问题和不足,提供一种基于脑电信号的水下作业人员睡眠质量评估方法及系统。
本发明是通过下述技术方案来解决上述技术问题的:
本发明提供一种基于脑电信号的水下作业人员睡眠质量评估方法,其特点在于,其包括以下步骤:
S1、采集多个历史水下作业人员的设定睡眠时间段的脑电信号;
S2、对每个脑电信号按照设定时间长度进行划分以获得按照时序排序的N个脑电信号片段,N个脑电信号片段中依次按照N1个脑电信号片段选为训练样本,N2个脑电信号片段选为测试样本,N3个脑电信号片段作为步长的顺序进行选取,训练样本按照时序排序构成训练样本集,测试样本按照时序排序构成测试样本集,N、N1、N2、N3均为正整数,N>N1+N2+N3;
S3、对训练样本集和测试样本集中的每个脑电信号片段进行预处理;
S4、对训练样本集和测试样本集中的每个预处理后脑电信号片段进行睡眠分期标注;
S5、对训练样本集和测试样本集中的每个预处理后脑电信号片段进行特征提取获得多个特征数据构成一个特征向量,特征数据包括时域特征数据、频域特征数据和时频特征结合数据;
S6、对深度学习神经网络模型的部分模型参数进行多组赋值,以每个训练样本集对应的按照时序排序的特征向量作为输入、对应的睡眠分期作为输出进行每组赋值的深度学习神经网络模型训练;
S7、以每个测试样本集对应的按照时序排序的特征向量作为输入对训练好的每组深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期;
S8、对每组测试出的睡眠分期与对应标注出的睡眠分期进行一一匹配,基于匹配结果计算每组深度学习神经网络模型的准确率;
S9、判断该些组中准确率最大作为的最优准确率是否大于设定阈值,若否则进入步骤S10,若是则进入步骤S12;
S10、最优准确率对应的深度学习神经网络模型的模型参数作为遗传优化算法中新的父代,对新的父代进行编码,根据遗传优化算法基于新的父代遗传交叉产生新的子代,对新的子代进行解码以获取更新的模型参数;
S11、以测试样本集和/或训练样本集对应的按照时序排序的特征向量作为输入对更新的深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期,并再次执行步骤S8;
S12、最优准确率对应的训练好的深度学习神经网络模型作为目标深度学习神经网络模型;
S13、获得待预测水下作业人员的脑电信号,按照设定时间长度进行划分以获得多个脑电信号片段,并进行预处理和特征提取获得多个特征向量,将该些特征向量输入至目标深度学习神经网络模型中,获得各个特征向量对应的睡眠分期;
S14、统计各个睡眠分期时长,根据各个睡眠分期时长对待预测水下作业人员的睡眠质量进行预测评估。
本发明还提供一种基于脑电信号的水下作业人员睡眠质量评估系统,其特点在于,其包括采集模块、划分模块、预处理模块、标注模块、特征提取模块、模型训练模块、第一模型测试模块、计算模块、判断模块、更新模块、第二模型测试模块、赋予模块、预测模块和评估模块;
所述采集模块用于采集多个历史水下作业人员的设定睡眠时间段的脑电信号;
所述划分模块用于对每个脑电信号按照设定时间长度进行划分以获得按照时序排序的N个脑电信号片段,N个脑电信号片段中依次按照N1个脑电信号片段选为训练样本,N2个脑电信号片段选为测试样本,N3个脑电信号片段作为步长的顺序进行选取,训练样本按照时序排序构成训练样本集,测试样本按照时序排序构成测试样本集,N、N1、N2、N3均为正整数,N>N1+N2+N3;
所述预处理模块用于对训练样本集和测试样本集中的每个脑电信号片段进行预处理;
所述标注模块用于对训练样本集和测试样本集中的每个预处理后脑电信号片段进行睡眠分期标注;
所述特征提取模块用于对训练样本集和测试样本集中的每个预处理后脑电信号片段进行特征提取获得多个特征数据构成一个特征向量,特征数据包括时域特征数据、频域特征数据和时频特征结合数据;
所述模型训练模块用于对深度学习神经网络模型的部分模型参数进行多组赋值,以每个训练样本集对应的按照时序排序的特征向量作为输入、对应的睡眠分期作为输出进行每组赋值的深度学习神经网络模型训练;
所述第一模型测试模块用于以每个测试样本集对应的按照时序排序的特征向量作为输入对训练好的每组深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期;
所述计算模块用于对每组测试出的睡眠分期与对应标注出的睡眠分期进行一一匹配,基于匹配结果计算每组深度学习神经网络模型的准确率;
所述判断模块用于判断该些组中准确率最大作为的最优准确率是否大于设定阈值,在为否时调用更新模块,在为是时调用赋予模块;
所述更新模块用于将最优准确率对应的深度学习神经网络模型的模型参数作为遗传优化算法中新的父代,对新的父代进行编码,根据遗传优化算法基于新的父代遗传交叉产生新的子代,对新的子代进行解码以获取更新的模型参数;
所述第二模型测试模块用于以测试样本集和/或训练样本集对应的按照时序排序的特征向量作为输入对更新的深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期,并再次调用计算模块;
所述赋予模块用于将最优准确率对应的训练好的深度学习神经网络模型作为目标深度学习神经网络模型;
所述预测模块用于获得待预测水下作业人员的脑电信号,按照设定时间长度进行划分以获得多个脑电信号片段,并进行预处理和特征提取获得多个特征向量,将该些特征向量输入至目标深度学习神经网络模型中进行预测,获得各个特征向量对应的睡眠分期;
所述评估模块用于统计各个睡眠分期时长,根据各个睡眠分期时长对待预测水下作业人员的睡眠质量进行评估。
本发明的积极进步效果在于:
本发明将每个历史水下作业人员的脑电信号进行片段划分,其中一部分作为训练样本、一部分作为测试样本、余下作为步长不参与样本训练或测试,以降低数据处理量,对深度学习神经网络模型的部分模型参数进行多组赋值,获得多组深度学习神经网络模型,每组深度学习神经网络模型利用训练样本进行训练、利用测试样本进行测试,并利用遗传优化算法来对深度学习神经网络模型进行参数优化,构建优化的神经网络模型,并基于优化的神经网络模型来对待预测的水下作业人员进行睡眠分期,进而对睡眠质量进行评估。
附图说明
图1为本发明较佳实施例的基于脑电信号的水下作业人员睡眠质量评估方法的流程图。
图2为本发明较佳实施例的对脑电信号按照设定时间长度进行划分的示意图。
图3为本发明较佳实施例的基于脑电信号的水下作业人员睡眠质量评估系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例提供一种基于脑电信号的水下作业人员睡眠质量评估方法,其包括以下步骤:
步骤101、采集多个历史水下作业人员的设定睡眠时间段的脑电信号。
例如:采集多个历史水下作业人员的晚上11点至早点7点的脑电信号,每个水下作业人员对应一组脑电信号。
步骤102、对每个脑电信号按照设定时间长度(如30s)进行划分以获得按照时序排序的N个脑电信号片段,N个脑电信号片段中依次按照N1个脑电信号片段选为训练样本,N2个脑电信号片段选为测试样本,N3个脑电信号片段作为步长的顺序进行选取,训练样本按照时序排序构成训练样本集,测试样本按照时序排序构成测试样本集,N、N1、N2、N3均为正整数,N>N1+N2+N3,2≤N1≤5,N2为1或2且N1>N2,N3为1或2。
例如:见图2,对N个脑电信号片段中,第1-3个脑电信号片段选为训练样本,第4个脑电信号片段选为测试样本,第5个脑电信号片段作为步长,第6-8个脑电信号片段选为训练样本,第9个脑电信号片段选为测试样本,第10个脑电信号片段作为步长……,依次类推。
本步骤不同于现有技术,现有技术是采集多个用户的脑电信号,大部分用户的所有脑电信号作为训练样本,而余下用户的所有脑电信号作为预测样本,本步骤是将每个水下作业人员的脑电信号进行片段划分,每个水下作业人员的脑电信号含有N个脑电信号片段,N个脑电信号片段中依次按照N1个脑电信号片段选为训练样本,N2个脑电信号片段选为测试样本,N3个脑电信号片段作为步长的顺序进行选取,即每个水下作业人员的脑电信号中一部分作为训练样本、一部分作为测试样本、余下作为步长不参与样本训练或测试,这有利于减少水下作业人员的采集数量,而且部分脑电信号片段不参与预处理、分期标注、训练和测试,可减少数据处理量。
步骤103、对训练样本集和测试样本集中的每个脑电信号片段进行降噪滤波预处理。
步骤104、对训练样本集和测试样本集中的每个预处理后脑电信号片段进行睡眠分期标注,此步骤的睡眠分期标注为人工睡眠分期标注。
步骤105、对训练样本集和测试样本集中的每个预处理后脑电信号片段进行特征提取获得多个特征数据构成一个特征向量,即一个预处理后脑电信号片段对应一个特征向量,特征数据包括时域特征数据、频域特征数据和时频特征结合数据。
步骤106、对深度学习神经网络模型的部分模型参数进行多组赋值,以每个训练样本集对应的按照时序排序的特征向量作为输入、对应的睡眠分期作为输出进行每组赋值的深度学习神经网络模型训练。
步骤107、以每个测试样本集对应的按照时序排序的特征向量作为输入对训练好的每组深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期。
步骤108、对每组测试出的睡眠分期与对应标注出的睡眠分期进行一一匹配,每组中测试出的睡眠分期与对应标注出的睡眠分期一致则匹配成功次数加一,计算每组中匹配成功次数/每组中测试出的睡眠分期的数量以获得每组深度学习神经网络模型的准确率。
步骤109、判断该些组中准确率最大作为的最优准确率是否大于设定阈值,若否则进入步骤110,若是则进入步骤112。
步骤110、最优准确率对应的深度学习神经网络模型的模型参数作为遗传优化算法中新的父代,对新的父代进行编码,根据遗传优化算法基于新的父代遗传交叉产生新的子代,对新的子代进行解码以获取更新的模型参数。
步骤111、以测试样本集和/或训练样本集对应的按照时序排序的特征向量作为输入对更新的深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期,并再次执行步骤108。
本实施例中,可以单独利用测试样本集对应的特征向量作为输入对更新的深度学习神经网络模型进行测试,也可以单独利用训练样本集对应的特征向量作为输入对更新的深度学习神经网络模型进行测试,还可以利用测试样本集和训练样本集对应的特征向量作为输入对更新的深度学习神经网络模型进行测试。
测试出与输入相对应的睡眠分期后,执行步骤108,对每组测试出的睡眠分期与对应标注出的睡眠分期进行一一匹配,计算每组深度学习神经网络模型的准确率,判断该些组中准确率最大作为的最优准确率是否大于设定阈值,这里就只有一组,这一组对应的准确率就是最优准确率。
步骤112、最优准确率对应的训练好的深度学习神经网络模型作为目标深度学习神经网络模型。
步骤113、获得待预测水下作业人员的脑电信号,按照设定时间长度进行划分以获得多个脑电信号片段,并进行预处理和特征提取获得多个特征向量,将该些特征向量输入至目标深度学习神经网络模型中,获得各个特征向量对应的睡眠分期。
步骤114、统计各个睡眠分期时长,根据各个睡眠分期时长对待预测水下作业人员的睡眠质量进行预测评估。
例如:统计Wake期时长、N1期时长、N2期时长、N3期时长、REM期时长,基于各个睡眠分期时长对待预测水下作业人员的睡眠质量进行评估是现有技术,此处就不再赘述。
如图3所示,一种基于脑电信号的水下作业人员睡眠质量评估系统,其包括采集模块1、划分模块2、预处理模块3、标注模块4、特征提取模块5、模型训练模块6、第一模型测试模块7、计算模块8、判断模块9、更新模块10、第二模型测试模块11、赋予模块12、预测模块13和评估模块14。
采集模块1用于采集多个历史水下作业人员的设定睡眠时间段的脑电信号。
划分模块2用于对每个脑电信号按照设定时间长度进行划分以获得按照时序排序的N个脑电信号片段,N个脑电信号片段中依次按照N1个脑电信号片段选为训练样本,N2个脑电信号片段选为测试样本,N3个脑电信号片段作为步长的顺序进行选取,训练样本按照时序排序构成训练样本集,测试样本按照时序排序构成测试样本集,N、N1、N2、N3均为正整数,N>N1+N2+N3,2≤N1≤5,N2为1或2且N1>N2,N3为1或2。
预处理模块3用于对训练样本集和测试样本集中的每个脑电信号片段进行降噪滤波预处理。
标注模块4用于对训练样本集和测试样本集中的每个预处理后脑电信号片段进行睡眠分期标注。
特征提取模块5用于对训练样本集和测试样本集中的每个预处理后脑电信号片段进行特征提取获得多个特征数据构成一个特征向量,特征数据包括时域特征数据、频域特征数据和时频特征结合数据。
模型训练模块6用于对深度学习神经网络模型的部分模型参数进行多组赋值,以每个训练样本集对应的按照时序排序的特征向量作为输入、对应的睡眠分期作为输出进行每组赋值的深度学习神经网络模型训练。
第一模型测试模块7用于以每个测试样本集对应的按照时序排序的特征向量作为输入对训练好的每组深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期。
计算模块8用于对每组测试出的睡眠分期与对应标注出的睡眠分期进行一一匹配,每组中测试出的睡眠分期与对应标注出的睡眠分期一致则匹配成功次数加一,计算每组中匹配成功次数/每组中测试出的睡眠分期的数量以获得每组深度学习神经网络模型的准确率。
判断模块9用于判断该些组中准确率最大作为的最优准确率是否大于设定阈值,在为否时调用更新模块10,在为是时调用赋予模块12。
更新模块10用于将最优准确率对应的深度学习神经网络模型的模型参数作为遗传优化算法中新的父代,对新的父代进行编码,根据遗传优化算法基于新的父代遗传交叉产生新的子代,对新的子代进行解码以获取更新的模型参数。
第二模型测试模块11用于以测试样本集和/或训练样本集对应的按照时序排序的特征向量作为输入对更新的深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期,并再次调用计算模块8。
赋予模块12用于将最优准确率对应的训练好的深度学习神经网络模型作为目标深度学习神经网络模型。
预测模块13用于获得待预测水下作业人员的脑电信号,按照设定时间长度进行划分以获得多个脑电信号片段,并进行预处理和特征提取获得多个特征向量,将该些特征向量输入至目标深度学习神经网络模型中进行预测,获得各个特征向量对应的睡眠分期。
评估模块14用于统计各个睡眠分期时长,根据各个睡眠分期时长对待预测水下作业人员的睡眠质量进行评估。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (6)
1.一种基于脑电信号的水下作业人员睡眠质量评估方法,其特征在于,其包括以下步骤:
S1、采集多个历史水下作业人员的设定睡眠时间段的脑电信号;
S2、对每个脑电信号按照设定时间长度进行划分以获得按照时序排序的N个脑电信号片段,N个脑电信号片段中依次按照N1个脑电信号片段选为训练样本,N2个脑电信号片段选为测试样本,N3个脑电信号片段作为步长的顺序进行选取,训练样本按照时序排序构成训练样本集,测试样本按照时序排序构成测试样本集,N、N1、N2、N3均为正整数,N>N1+N2+N3;
在步骤S2中,2≤N1≤5,N2为1或2且N1>N2,N3为1或2;
S3、对训练样本集和测试样本集中的每个脑电信号片段进行预处理;
S4、对训练样本集和测试样本集中的每个预处理后脑电信号片段进行睡眠分期标注;
S5、对训练样本集和测试样本集中的每个预处理后脑电信号片段进行特征提取获得多个特征数据构成一个特征向量,特征数据包括时域特征数据、频域特征数据和时频特征结合数据;
S6、对深度学习神经网络模型的部分模型参数进行多组赋值,以每个训练样本集对应的按照时序排序的特征向量作为输入、对应的睡眠分期作为输出进行每组赋值的深度学习神经网络模型训练;
S7、以每个测试样本集对应的按照时序排序的特征向量作为输入对训练好的每组深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期;
S8、对每组测试出的睡眠分期与对应标注出的睡眠分期进行一一匹配,基于匹配结果计算每组深度学习神经网络模型的准确率;
S9、判断该些组中准确率最大作为的最优准确率是否大于设定阈值,若否则进入步骤S10,若是则进入步骤S12;
S10、最优准确率对应的深度学习神经网络模型的模型参数作为遗传优化算法中新的父代,对新的父代进行编码,根据遗传优化算法基于新的父代遗传交叉产生新的子代,对新的子代进行解码以获取更新的模型参数;
S11、以测试样本集和/或训练样本集对应的按照时序排序的特征向量作为输入对更新的深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期,并再次执行步骤S8;
S12、最优准确率对应的训练好的深度学习神经网络模型作为目标深度学习神经网络模型;
S13、获得待预测水下作业人员的脑电信号,按照设定时间长度进行划分以获得多个脑电信号片段,并进行预处理和特征提取获得多个特征向量,将该些特征向量输入至目标深度学习神经网络模型中,获得各个特征向量对应的睡眠分期;
S14、统计各个睡眠分期时长,根据各个睡眠分期时长对待预测水下作业人员的睡眠质量进行预测评估。
2.如权利要求1所述的基于脑电信号的水下作业人员睡眠质量评估方法,其特征在于,在步骤S3中,对训练样本集和测试样本集中的每个脑电信号片段进行降噪滤波预处理操作。
3.如权利要求1所述的基于脑电信号的水下作业人员睡眠质量评估方法,其特征在于,在步骤S8中,对每组测试出的睡眠分期与对应标注出的睡眠分期进行一一匹配,每组中测试出的睡眠分期与对应标注出的睡眠分期一致则匹配成功次数加一,计算每组中匹配成功次数/每组中测试出的睡眠分期的数量以获得每组深度学习神经网络模型的准确率。
4.一种基于脑电信号的水下作业人员睡眠质量评估系统,其特征在于,其包括采集模块、划分模块、预处理模块、标注模块、特征提取模块、模型训练模块、第一模型测试模块、计算模块、判断模块、更新模块、第二模型测试模块、赋予模块、预测模块和评估模块;
所述采集模块用于采集多个历史水下作业人员的设定睡眠时间段的脑电信号;
所述划分模块用于对每个脑电信号按照设定时间长度进行划分以获得按照时序排序的N个脑电信号片段,N个脑电信号片段中依次按照N1个脑电信号片段选为训练样本,N2个脑电信号片段选为测试样本,N3个脑电信号片段作为步长的顺序进行选取,训练样本按照时序排序构成训练样本集,测试样本按照时序排序构成测试样本集,N、N1、N2、N3均为正整数,N>N1+N2+N3,2≤N1≤5,N2为1或2且N1>N2,N3为1或2;
所述预处理模块用于对训练样本集和测试样本集中的每个脑电信号片段进行预处理;
所述标注模块用于对训练样本集和测试样本集中的每个预处理后脑电信号片段进行睡眠分期标注;
所述特征提取模块用于对训练样本集和测试样本集中的每个预处理后脑电信号片段进行特征提取获得多个特征数据构成一个特征向量,特征数据包括时域特征数据、频域特征数据和时频特征结合数据;
所述模型训练模块用于对深度学习神经网络模型的部分模型参数进行多组赋值,以每个训练样本集对应的按照时序排序的特征向量作为输入、对应的睡眠分期作为输出进行每组赋值的深度学习神经网络模型训练;
所述第一模型测试模块用于以每个测试样本集对应的按照时序排序的特征向量作为输入对训练好的每组深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期;
所述计算模块用于对每组测试出的睡眠分期与对应标注出的睡眠分期进行一一匹配,基于匹配结果计算每组深度学习神经网络模型的准确率;
所述判断模块用于判断该些组中准确率最大作为的最优准确率是否大于设定阈值,在为否时调用更新模块,在为是时调用赋予模块;
所述更新模块用于将最优准确率对应的深度学习神经网络模型的模型参数作为遗传优化算法中新的父代,对新的父代进行编码,根据遗传优化算法基于新的父代遗传交叉产生新的子代,对新的子代进行解码以获取更新的模型参数;
所述第二模型测试模块用于以测试样本集和/或训练样本集对应的按照时序排序的特征向量作为输入对更新的深度学习神经网络模型进行测试以测试出与输入相对应的睡眠分期,并再次调用计算模块;
所述赋予模块用于将最优准确率对应的训练好的深度学习神经网络模型作为目标深度学习神经网络模型;
所述预测模块用于获得待预测水下作业人员的脑电信号,按照设定时间长度进行划分以获得多个脑电信号片段,并进行预处理和特征提取获得多个特征向量,将该些特征向量输入至目标深度学习神经网络模型中进行预测,获得各个特征向量对应的睡眠分期;
所述评估模块用于统计各个睡眠分期时长,根据各个睡眠分期时长对待预测水下作业人员的睡眠质量进行评估。
5.如权利要求4所述的基于脑电信号的水下作业人员睡眠质量评估系统,其特征在于,所述预处理模块用于对训练样本集和测试样本集中的每个脑电信号片段进行降噪滤波预处理操作。
6.如权利要求4所述的基于脑电信号的水下作业人员睡眠质量评估系统,其特征在于,所述计算模块用于对每组测试出的睡眠分期与对应标注出的睡眠分期进行一一匹配,每组中测试出的睡眠分期与对应标注出的睡眠分期一致则匹配成功次数加一,计算每组中匹配成功次数/每组中测试出的睡眠分期的数量以获得每组深度学习神经网络模型的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310662722.2A CN116636815B (zh) | 2023-06-06 | 2023-06-06 | 基于脑电信号的水下作业人员睡眠质量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310662722.2A CN116636815B (zh) | 2023-06-06 | 2023-06-06 | 基于脑电信号的水下作业人员睡眠质量评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116636815A CN116636815A (zh) | 2023-08-25 |
CN116636815B true CN116636815B (zh) | 2024-03-01 |
Family
ID=87618669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310662722.2A Active CN116636815B (zh) | 2023-06-06 | 2023-06-06 | 基于脑电信号的水下作业人员睡眠质量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116636815B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218748A (zh) * | 2013-03-15 | 2013-07-24 | 北京市农林科学院 | 一种蔬菜病害诊断方法和便携系统 |
KR20170060821A (ko) * | 2015-11-25 | 2017-06-02 | 국방과학연구소 | 데이터 처리장치, 데이터 처리시스템 및 데이터 처리방법 |
CN109602417A (zh) * | 2018-11-23 | 2019-04-12 | 杭州妞诺科技有限公司 | 基于随机森林的睡眠分期方法及系统 |
CN208926348U (zh) * | 2018-01-17 | 2019-06-04 | 黑龙江大学 | 一种睡眠监测仪 |
CN113143676A (zh) * | 2020-12-15 | 2021-07-23 | 天津大学 | 一种基于脑肌电协同的外肢体手指的控制方法 |
KR20220109913A (ko) * | 2021-01-29 | 2022-08-05 | 서울대학교병원 | 뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 장치 및 방법 |
CN114903440A (zh) * | 2022-05-13 | 2022-08-16 | 南京大学 | 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 |
CN114998252A (zh) * | 2022-05-30 | 2022-09-02 | 西安电子科技大学 | 基于脑电信号和记忆特性的图像质量评价方法 |
CN115022617A (zh) * | 2022-05-30 | 2022-09-06 | 西安电子科技大学 | 基于脑电信号和时空多尺度联合网络的视频质量评价方法 |
CN115813342A (zh) * | 2022-11-23 | 2023-03-21 | 中国人民解放军海军特色医学中心 | 一种基于睡眠监测的作息品质判断系统 |
CN116058800A (zh) * | 2023-02-21 | 2023-05-05 | 华南理工大学 | 基于深度神经网络与脑机接口的自动睡眠分期系统 |
CN116196015A (zh) * | 2023-03-01 | 2023-06-02 | 南京大学 | 一种基于节律特征融合卷积神经网络的脑电分类模型 |
-
2023
- 2023-06-06 CN CN202310662722.2A patent/CN116636815B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218748A (zh) * | 2013-03-15 | 2013-07-24 | 北京市农林科学院 | 一种蔬菜病害诊断方法和便携系统 |
KR20170060821A (ko) * | 2015-11-25 | 2017-06-02 | 국방과학연구소 | 데이터 처리장치, 데이터 처리시스템 및 데이터 처리방법 |
CN208926348U (zh) * | 2018-01-17 | 2019-06-04 | 黑龙江大学 | 一种睡眠监测仪 |
CN109602417A (zh) * | 2018-11-23 | 2019-04-12 | 杭州妞诺科技有限公司 | 基于随机森林的睡眠分期方法及系统 |
CN113143676A (zh) * | 2020-12-15 | 2021-07-23 | 天津大学 | 一种基于脑肌电协同的外肢体手指的控制方法 |
KR20220109913A (ko) * | 2021-01-29 | 2022-08-05 | 서울대학교병원 | 뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 장치 및 방법 |
CN114903440A (zh) * | 2022-05-13 | 2022-08-16 | 南京大学 | 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 |
CN114998252A (zh) * | 2022-05-30 | 2022-09-02 | 西安电子科技大学 | 基于脑电信号和记忆特性的图像质量评价方法 |
CN115022617A (zh) * | 2022-05-30 | 2022-09-06 | 西安电子科技大学 | 基于脑电信号和时空多尺度联合网络的视频质量评价方法 |
CN115813342A (zh) * | 2022-11-23 | 2023-03-21 | 中国人民解放军海军特色医学中心 | 一种基于睡眠监测的作息品质判断系统 |
CN116058800A (zh) * | 2023-02-21 | 2023-05-05 | 华南理工大学 | 基于深度神经网络与脑机接口的自动睡眠分期系统 |
CN116196015A (zh) * | 2023-03-01 | 2023-06-02 | 南京大学 | 一种基于节律特征融合卷积神经网络的脑电分类模型 |
Non-Patent Citations (4)
Title |
---|
Matthias Kreuzer.EEG Based Monitoring of General Anesthesia: Taking the Next Steps.Advancing EEG-Based Anesthesia Monitoring.2017,第11卷(第56期),全文. * |
刘光达,魏星,张尚,蔡靖,刘颂阳.基于改进遗传算法优化反向传播神经网络的癫痫发作检测方法分析.Journal of Biomedical Engineering.2019,第36卷(第1期),全文. * |
张超群 ; 张田田 ; 叶亚红 ; 孙晓梅 ; 翁丹萍 ; .临终关怀护理对晚期肿瘤患者生活质量的影响及护理体会.实用临床护理学电子杂志.2020,(08),全文. * |
李庆华 ; 孙荣青 ; 宋青 ; 宁波 ; 刘树元 ; 吴籽欣 ; 刘流 ; 王海伟 ; 王楠楠 ; 闫进 ; 王晶.训练倦怠与睡眠质量对5 km武装越野训练人员机体热调节反应和重症中暑的影响.中华危重病急救医学.2019,31(007),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116636815A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271374B (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
CN110852515B (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
CN111367961A (zh) | 基于图卷积神经网络的时序数据事件预测方法、系统及其应用 | |
CN111782460A (zh) | 大规模日志数据的异常检测方法、装置和存储介质 | |
CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及系统 | |
CN114662386A (zh) | 一种轴承故障诊断方法及系统 | |
CN114443331A (zh) | 时序数据异常检测方法和装置 | |
CN115730947A (zh) | 银行客户流失预测方法及装置 | |
CN114416707A (zh) | 工业时序数据的自动化特征工程方法和装置 | |
CN112712855B (zh) | 一种基于联合训练的含缺失值基因微阵列的聚类方法 | |
CN116636815B (zh) | 基于脑电信号的水下作业人员睡眠质量评估方法及系统 | |
CN115883424B (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
CN116484258A (zh) | 电梯曳引机轴承故障诊断方法 | |
CN116383048A (zh) | 软件质量信息处理方法及装置 | |
CN116361695A (zh) | 异常数据检测方法以及装置 | |
CN116671867B (zh) | 一种针对水下作业人员的睡眠质量评测方法及系统 | |
CN113868462A (zh) | 一种基于矩阵分解的歌曲推荐系统及方法 | |
CN113096691A (zh) | 检测方法、装置、设备和计算机存储介质 | |
CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
CN111178576A (zh) | 基于炼化装置运行数据的操作优化方法 | |
CN115455423B (zh) | 模糊测试用例生成方法及装置 | |
CN113033694B (zh) | 一种基于深度学习的数据清洗方法 | |
CN117909691B (zh) | 一种海洋工程设计数据的获取系统及方法 | |
CN117313001B (zh) | 用于分布式光纤声波传感系统的混合事件分解及识别方法 | |
CN114938339B (zh) | 一种数据处理方法和相关装置 |
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 |