CN116671867A - 一种针对水下作业人员的睡眠质量评测方法及系统 - Google Patents

一种针对水下作业人员的睡眠质量评测方法及系统 Download PDF

Info

Publication number
CN116671867A
CN116671867A CN202310662591.8A CN202310662591A CN116671867A CN 116671867 A CN116671867 A CN 116671867A CN 202310662591 A CN202310662591 A CN 202310662591A CN 116671867 A CN116671867 A CN 116671867A
Authority
CN
China
Prior art keywords
electroencephalogram
module
sleep
neural network
convolutional neural
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.)
Granted
Application number
CN202310662591.8A
Other languages
English (en)
Other versions
CN116671867B (zh
Inventor
包晓辰
闫硕
王楠
刘平小
许骥
张亚楠
马骏
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.)
Chinese Peoples Liberation Army Naval Characteristic Medical Center
Original Assignee
Chinese Peoples Liberation Army Naval Characteristic Medical Center
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 Chinese Peoples Liberation Army Naval Characteristic Medical Center filed Critical Chinese Peoples Liberation Army Naval Characteristic Medical Center
Priority to CN202310662591.8A priority Critical patent/CN116671867B/zh
Publication of CN116671867A publication Critical patent/CN116671867A/zh
Application granted granted Critical
Publication of CN116671867B publication Critical patent/CN116671867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • A61B2503/12—Healthy persons not otherwise provided for, e.g. subjects of a marketing survey

Abstract

本发明公开了一种针对水下作业人员的睡眠质量评测方法及系统，将采集到的每个历史水下作业人员的脑电信号进行片段划分，其中大部分作为测试样本用于模型测试、余下作为间隔步长不参与模型测试，此种设置可降低数据处理量，其后对卷积神经网络模型的模型参数进行多组赋值，获得多组赋值的卷积神经网络模型，每组卷积神经网络模型利用测试样本进行测试，并利用粒子群优化算法来对卷积神经网络模型的模型参数进行参数优化，构建最优的卷积神经网络模型，并基于最优的卷积神经网络模型来对待评测的水下作业人员进行睡眠分期，进而对待评测的水下作业人员的睡眠质量进行评测。

Description

一种针对水下作业人员的睡眠质量评测方法及系统
技术领域
本发明涉及睡眠质量评测技术领域，特别是涉及一种基于粒子群优化算法的水下作业人员睡眠质量评测方法及系统。
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粒子群优化算法来对卷积神经网络模型进行参数优化，构建优化的神经网络模型，并基于优化的卷积神经网络模型来对待评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，提供一种针对水下作业人员的睡眠质量评测方法及系统。
本发明是通过下述技术方案来解决上述技术问题的：
本发明提供一种针对水下作业人员的睡眠质量评测方法，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，每个历史水下作业人员对应的脑电信号构成一个脑电信号单元；
S2、对每个脑电信号单元按照设定时间窗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测试样本、N2个脑电信号片段作为间隔步长的顺序进行选取，N、N1、N2均为正整数，N＞N1+N2，N1＞N2；
S3、对每个脑电信号单元中作为测试样本的每个脑电信号片段进行预处理；
S4、对每个脑电信号单元中每个预处理后脑电信号片段进行睡眠分期标注；
S5、对每个脑电信号单元中每个预处理后脑电信号片段特征提取获得的多个脑电特征数据构成一个脑电特征向量，脑电特征数据包括时域特征数据、频域特征数据和非线性特征数据；
S6、对卷积神经网络模型的各模型参数进行多组初始化赋值，建立模型参数与对粒子群优化算法中粒子参数的映射关系；
S7、输入各脑电信号单元对应的按照时序排序的脑电特征向量，对每组赋值的卷积神经网络模型进行测试以获得与输入的脑电特征向量相对应的测试睡眠分期；
S8、对每组测试睡眠分期与对应标注睡眠分期进行一一匹配，基于匹配结果计算每组赋值的卷积神经网络模型的准确率；
S9、判断最优准确率是否大于设定准确率阈值，若否则进入步骤S10，若是则进入步骤S11；
S10、基于预设粒子群更新优化策略更新粒子群优化算法中的粒子参数，根据更新的粒子参数和映射关系获取更新的模型参数，基于更新的模型参数赋值更新卷积神经网络模型，并再次执行步骤S7；
S11、采集待评测水下作业人员的脑电信号，经时间窗划分、预处理和特征提取后获得多个脑电特征向量，将该些脑电特征向量输入至最优准确率对应的赋值的卷积神经网络模型中，获得各脑电特征向量对应的评测睡眠分期；
S12、基于各评测睡眠分期统计各个睡眠分期时长，根据各个睡眠分期时长对待评测水下作业人员的睡眠质量进行评测。
本发明还提供一种针对水下作业人员的睡眠质量评测系统，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、赋值模块、模型测试模块、计算模块、判断模块、更新模块、预测模块和评测模块；
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，每个历史水下作业人员对应的脑电信号构成一个脑电信号单元；
所述划分模块用于对每个脑电信号单元按照设定时间窗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测试样本、N2个脑电信号片段作为间隔步长的顺序进行选取，N、N1、N2均为正整数，N＞N1+N2，N1＞N2；
所述预处理模块用于对每个脑电信号单元中作为测试样本的每个脑电信号片段进行预处理；
所述标注模块用于对每个脑电信号单元中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每个脑电信号单元中每个预处理后脑电信号片段特征提取获得的多个脑电特征数据构成一个脑电特征向量，脑电特征数据包括时域特征数据、频域特征数据和非线性特征数据；
所述赋值模块用于对卷积神经网络模型的各模型参数进行多组初始化赋值，建立模型参数与对粒子群优化算法中粒子参数的映射关系；
所述模型测试模块用于输入各脑电信号单元对应的按照时序排序的脑电特征向量，对每组赋值的卷积神经网络模型进行测试以获得与输入的脑电特征向量相对应的测试睡眠分期；
所述计算模块用于对每组测试睡眠分期与对应标注睡眠分期进行一一匹配，基于匹配结果计算每组赋值的卷积神经网络模型的准确率；
所述判断模块用于判断最优准确率是否大于设定准确率阈值，若否则调用更新模块，若是则调用预测模块；
所述更新模块用于基于预设粒子群更新优化策略更新粒子群优化算法中的粒子参数，根据更新的粒子参数和映射关系获取更新的模型参数，基于更新的模型参数赋值更新卷积神经网络模型，并再次调用模型测试模块；
所述预测模块用于采集待评测水下作业人员的脑电信号，经时间窗划分、预处理和特征提取后获得多个脑电特征向量，将该些脑电特征向量输入至最优准确率对应的赋值的卷积神经网络模型中，获得各脑电特征向量对应的评测睡眠分期；
所述评测模块用于基于各评测睡眠分期统计各个睡眠分期时长，根据各个睡眠分期时长对待评测水下作业人员的睡眠质量进行评测。
本发明的积极进步效果在于：
本发明将采集到的每个历史水下作业人员的脑电信号进行片段划分，其中大部分作为测试样本用于模型测试、余下作为间隔步长不参与模型测试，此种设置可降低数据处理量，其后对卷积神经网络模型的模型参数进行多组赋值，获得多组赋值的卷积神经网络模型，每组卷积神经网络模型利用测试样本进行测试，并利用粒子群优化算法来对卷积神经网络模型的模型参数进行参数优化，构建最优的卷积神经网络模型，并基于最优的卷积神经网络模型来对待评测的水下作业人员进行睡眠分期，进而对待评测的水下作业人员的睡眠质量进行评测。
附图说明
图1为本发明较佳实施例的针对水下作业人员的睡眠质量评测方法的结构示意图。
图2为本发明较佳实施例的脑电信号单元划分的结构示意图。
图3为本发明较佳实施例的针对水下作业人员的睡眠质量评测系统的结构框图。
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，本实施例提供一种针对水下作业人员的睡眠质量评测方法，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(如晚上11点至早点7点)的脑电信号，每个历史水下作业人员对应的脑电信号构成一个脑电信号单元。
步骤102、对每个脑电信号单元按照设定时间窗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测试样本、N2个脑电信号片段作为间隔步长的顺序进行选取，N、N1、N2均为正整数，N＞N1+N2，N1＞N2。
例如：见图2，对每个脑电信号单元中N个脑电信号片段中，第1-3个脑电信号片段选为测试样本，第4个脑电信号片段作为间隔步长，第5-7个脑电信号片段选为测试样本，第8个脑电信号片段作为间隔步长……，依次类推。
现有技术一般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。而本实施例是将每个历史水下作业人员的脑电信号进行片段划分，每个历史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测试样本，N2个脑电信号片段作为间隔步长的顺序进行选取，即每个历史水下作业人员的脑电信号中部分选为测试样本用于模型测试、余下作为间隔步长不参与模型测试，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、特征提取和模型测试等，可有效减少数据处理量。
步骤103、对每个脑电信号单元中作为测试样本的每个脑电信号片段进行预处理。
步骤104、对每个脑电信号单元中每个预处理后脑电信号片段进行睡眠分期标注。
步骤105、对每个脑电信号单元中每个预处理后脑电信号片段特征提取获得的多个脑电特征数据构成一个脑电特征向量，脑电特征数据包括时域特征数据、频域特征数据和非线性特征数据。
步骤106、对卷积神经网络模型的各模型参数进行多组初始化赋值，建立模型参数与对粒子群优化算法中粒子参数的映射关系。
步骤107、输入各脑电信号单元对应的按照时序排序的脑电特征向量，对每组赋值的卷积神经网络模型进行测试以获得与输入的脑电特征向量相对应的测试睡眠分期。
步骤108、对每组测试睡眠分期与对应标注睡眠分期进行一一匹配，每组中测试睡眠分期与对应标注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/每组中测试睡眠分期的数量以获得每组卷积神经网络模型的准确率。
步骤109、判断最优准确率是否大于设定准确率阈值，若否则进入步骤110，若是则进入步骤111。
步骤110、基于预设粒子群更新优化策略更新粒子群优化算法中的粒子参数，根据更新的粒子参数和映射关系获取更新的模型参数，基于更新的模型参数赋值更新卷积神经网络模型，并再次执行步骤107。
基于更新的模型参数赋值更新卷积神经网络模型后执行步骤107，对每组赋值的卷积神经网络模型进行测试以获得与输入的脑电特征向量相对应的测试睡眠分期，对每组测试睡眠分期与对应标注睡眠分期进行一一匹配，计算每组卷积神经网络模型的准确率，判断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111、采集待评测水下作业人员的脑电信号，经时间窗划分、预处理和特征提取后获得多个脑电特征向量，将该些脑电特征向量输入至最优准确率对应的赋值的卷积神经网络模型中，获得各脑电特征向量对应的评测睡眠分期。
步骤112、基于各评测睡眠分期统计各个睡眠分期(Wake期、N1期、N2期、N3期、REM期)时长，根据Wake期、N1期、N2期、N3期、REM期对应的时长占比来对待评测水下作业人员的睡眠质量进行评测。
如图3所示，本实施例还提供一种针对水下作业人员的睡眠质量评测系统，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、赋值模块6、模型测试模块7、计算模块8、判断模块9、更新模块10、预测模块11和评测模块12。
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，每个历史水下作业人员对应的脑电信号构成一个脑电信号单元。
划分模块2用于对每个脑电信号单元按照设定时间窗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测试样本、N2个脑电信号片段作为间隔步长的顺序进行选取，N、N1、N2均为正整数，N＞N1+N2，N1＞N2。
预处理模块3用于对每个脑电信号单元中作为测试样本的每个脑电信号片段进行预处理。
标注模块4用于对每个脑电信号单元中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用于对每个脑电信号单元中每个预处理后脑电信号片段特征提取获得的多个脑电特征数据构成一个脑电特征向量，脑电特征数据包括时域特征数据、频域特征数据和非线性特征数据。
赋值模块6用于对卷积神经网络模型的各模型参数进行多组初始化赋值，建立模型参数与对粒子群优化算法中粒子参数的映射关系。
模型测试模块7用于输入各脑电信号单元对应的按照时序排序的脑电特征向量，对每组赋值的卷积神经网络模型进行测试以获得与输入的脑电特征向量相对应的测试睡眠分期。
计算模块8用于对每组测试睡眠分期与对应标注睡眠分期进行一一匹配，每组中测试睡眠分期与对应标注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/每组中测试睡眠分期的数量以获得每组卷积神经网络模型的准确率。
判断模块9用于判断最优准确率是否大于设定准确率阈值，若否则调用更新模块10，若是则调用预测模块11。
更新模块10用于基于预设粒子群更新优化策略更新粒子群优化算法中的粒子参数，根据更新的粒子参数和映射关系获取更新的模型参数，基于更新的模型参数赋值更新卷积神经网络模型，并再次调用模型测试模块。
预测模块11用于采集待评测水下作业人员的脑电信号，经时间窗划分、预处理和特征提取后获得多个脑电特征向量，将该些脑电特征向量输入至最优准确率对应的赋值的卷积神经网络模型中，获得各脑电特征向量对应的评测睡眠分期。
评测模块12用于基于各评测睡眠分期统计各个睡眠分期时长，根据Wake期、N1期、N2期、N3期、REM期对应的时长占比来对待评测水下作业人员的睡眠质量进行评测。
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)

1.一种针对水下作业人员的睡眠质量评测方法，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，每个历史水下作业人员对应的脑电信号构成一个脑电信号单元；
S2、对每个脑电信号单元按照设定时间窗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测试样本、N2个脑电信号片段作为间隔步长的顺序进行选取，N、N1、N2均为正整数，N＞N1+N2，N1＞N2；
S3、对每个脑电信号单元中作为测试样本的每个脑电信号片段进行预处理；
S4、对每个脑电信号单元中每个预处理后脑电信号片段进行睡眠分期标注；
S5、对每个脑电信号单元中每个预处理后脑电信号片段特征提取获得的多个脑电特征数据构成一个脑电特征向量，脑电特征数据包括时域特征数据、频域特征数据和非线性特征数据；
S6、对卷积神经网络模型的各模型参数进行多组初始化赋值，建立模型参数与对粒子群优化算法中粒子参数的映射关系；
S7、输入各脑电信号单元对应的按照时序排序的脑电特征向量，对每组赋值的卷积神经网络模型进行测试以获得与输入的脑电特征向量相对应的测试睡眠分期；
S8、对每组测试睡眠分期与对应标注睡眠分期进行一一匹配，基于匹配结果计算每组赋值的卷积神经网络模型的准确率；
S9、判断最优准确率是否大于设定准确率阈值，若否则进入步骤S10，若是则进入步骤S11；
S10、基于预设粒子群更新优化策略更新粒子群优化算法中的粒子参数，根据更新的粒子参数和映射关系获取更新的模型参数，基于更新的模型参数赋值更新卷积神经网络模型，并再次执行步骤S7；
S11、采集待评测水下作业人员的脑电信号，经时间窗划分、预处理和特征提取后获得多个脑电特征向量，将该些脑电特征向量输入至最优准确率对应的赋值的卷积神经网络模型中，获得各脑电特征向量对应的评测睡眠分期；
S12、基于各评测睡眠分期统计各个睡眠分期时长，根据各个睡眠分期时长对待评测水下作业人员的睡眠质量进行评测。
2.如权利要求1所述的针对水下作业人员的睡眠质量评测方法，其特征在于，在步骤S8中，对每组测试睡眠分期与对应标注睡眠分期进行一一匹配，每组中测试睡眠分期与对应标注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/每组中测试睡眠分期的数量以获得每组卷积神经网络模型的准确率。
3.如权利要求1所述的针对水下作业人员的睡眠质量评测方法，其特征在于，在步骤S12中，根据Wake期、N1期、N2期、N3期、REM期对应的时长占比来对待评测水下作业人员的睡眠质量进行评测。
4.一种针对水下作业人员的睡眠质量评测系统，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、赋值模块、模型测试模块、计算模块、判断模块、更新模块、预测模块和评测模块；
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，每个历史水下作业人员对应的脑电信号构成一个脑电信号单元；
所述划分模块用于对每个脑电信号单元按照设定时间窗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测试样本、N2个脑电信号片段作为间隔步长的顺序进行选取，N、N1、N2均为正整数，N＞N1+N2，N1＞N2；
所述预处理模块用于对每个脑电信号单元中作为测试样本的每个脑电信号片段进行预处理；
所述标注模块用于对每个脑电信号单元中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每个脑电信号单元中每个预处理后脑电信号片段特征提取获得的多个脑电特征数据构成一个脑电特征向量，脑电特征数据包括时域特征数据、频域特征数据和非线性特征数据；
所述赋值模块用于对卷积神经网络模型的各模型参数进行多组初始化赋值，建立模型参数与对粒子群优化算法中粒子参数的映射关系；
所述模型测试模块用于输入各脑电信号单元对应的按照时序排序的脑电特征向量，对每组赋值的卷积神经网络模型进行测试以获得与输入的脑电特征向量相对应的测试睡眠分期；
所述计算模块用于对每组测试睡眠分期与对应标注睡眠分期进行一一匹配，基于匹配结果计算每组赋值的卷积神经网络模型的准确率；
所述判断模块用于判断最优准确率是否大于设定准确率阈值，若否则调用更新模块，若是则调用预测模块；
所述更新模块用于基于预设粒子群更新优化策略更新粒子群优化算法中的粒子参数，根据更新的粒子参数和映射关系获取更新的模型参数，基于更新的模型参数赋值更新卷积神经网络模型，并再次调用模型测试模块；
所述预测模块用于采集待评测水下作业人员的脑电信号，经时间窗划分、预处理和特征提取后获得多个脑电特征向量，将该些脑电特征向量输入至最优准确率对应的赋值的卷积神经网络模型中，获得各脑电特征向量对应的评测睡眠分期；
所述评测模块用于基于各评测睡眠分期统计各个睡眠分期时长，根据各个睡眠分期时长对待评测水下作业人员的睡眠质量进行评测。
5.如权利要求4所述的针对水下作业人员的睡眠质量评测系统，其特征在于，所述计算模块用于对每组测试睡眠分期与对应标注睡眠分期进行一一匹配，每组中测试睡眠分期与对应标注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/每组中测试睡眠分期的数量以获得每组卷积神经网络模型的准确率。
6.如权利要求5所述的针对水下作业人员的睡眠质量评测系统，其特征在于，所述评测模块用于根据Wake期、N1期、N2期、N3期、REM期对应的时长占比来对待评测水下作业人员的睡眠质量进行评测。
CN202310662591.8A 2023-06-06 2023-06-06 一种针对水下作业人员的睡眠质量评测方法及系统 Active CN116671867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310662591.8A CN116671867B (zh) 2023-06-06 2023-06-06 一种针对水下作业人员的睡眠质量评测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310662591.8A CN116671867B (zh) 2023-06-06 2023-06-06 一种针对水下作业人员的睡眠质量评测方法及系统

Publications (2)

Publication Number Publication Date
CN116671867A true CN116671867A (zh) 2023-09-01
CN116671867B CN116671867B (zh) 2024-02-20

Family

ID=87783207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310662591.8A Active CN116671867B (zh) 2023-06-06 2023-06-06 一种针对水下作业人员的睡眠质量评测方法及系统

Country Status (1)

Country Link
CN (1) CN116671867B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106333672A (zh) * 2016-09-12 2017-01-18 杨代辉 基于eeg的高压工作人群的疲劳监测与快速恢复的头戴设备
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
CN109674468A (zh) * 2019-01-30 2019-04-26 大连理工大学 一种单导脑电自动睡眠分期方法
CN109745000A (zh) * 2017-11-07 2019-05-14 南京大学 一种基于神经网络的全自动婴儿睡眠分期系统
CN110327040A (zh) * 2019-04-24 2019-10-15 武汉理工大学 基于云平台的睡眠分期方法及系统
CN110897639A (zh) * 2020-01-02 2020-03-24 清华大学深圳国际研究生院 一种基于深度卷积神经网络的脑电睡眠分期方法
CN111783534A (zh) * 2020-05-28 2020-10-16 东南大学 一种基于深度学习的睡眠分期方法
CN113208623A (zh) * 2021-04-07 2021-08-06 北京脑陆科技有限公司 一种基于卷积神经网络的睡眠分期方法、系统
CN115581435A (zh) * 2022-08-30 2023-01-10 湖南万脉医疗科技有限公司 一种基于多传感器的睡眠监测方法和设备
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106333672A (zh) * 2016-09-12 2017-01-18 杨代辉 基于eeg的高压工作人群的疲劳监测与快速恢复的头戴设备
CN109745000A (zh) * 2017-11-07 2019-05-14 南京大学 一种基于神经网络的全自动婴儿睡眠分期系统
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
CN109674468A (zh) * 2019-01-30 2019-04-26 大连理工大学 一种单导脑电自动睡眠分期方法
CN110327040A (zh) * 2019-04-24 2019-10-15 武汉理工大学 基于云平台的睡眠分期方法及系统
CN110897639A (zh) * 2020-01-02 2020-03-24 清华大学深圳国际研究生院 一种基于深度卷积神经网络的脑电睡眠分期方法
CN111783534A (zh) * 2020-05-28 2020-10-16 东南大学 一种基于深度学习的睡眠分期方法
CN113208623A (zh) * 2021-04-07 2021-08-06 北京脑陆科技有限公司 一种基于卷积神经网络的睡眠分期方法、系统
CN115581435A (zh) * 2022-08-30 2023-01-10 湖南万脉医疗科技有限公司 一种基于多传感器的睡眠监测方法和设备
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘戈: "基于脑电信号特征提取的睡眠分期方法研究", 医疗卫生装备, vol. 42, no. 1 *
高群霞: "基于脑电信号的自动睡眠分期研究进展", 生物医学工程学杂志, vol. 32, no. 5 *

Also Published As

Publication number Publication date
CN116671867B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN110572297B (zh) 网络性能的评估方法、服务器及存储介质
CN106815255A (zh) 检测数据访问异常的方法及装置
CN111914936B (zh) 语料数据的数据特征增强方法、装置及计算机设备
CN109815855B (zh) 一种基于机器学习的电子设备自动测试方法及系统
CN103310113A (zh) 一种基于频带分离和数据建模的通用血糖预测方法
CN111174370A (zh) 故障检测方法及装置、存储介质、电子装置
CN112257947A (zh) 制烟环境温湿度预测方法、装置以及设备
CN115982896B (zh) 一种轴承保持架的寿命检测方法及装置
CN115576284A (zh) 一种服装车间智能化管理方法及系统
CN114416707A (zh) 工业时序数据的自动化特征工程方法和装置
CN116671867B (zh) 一种针对水下作业人员的睡眠质量评测方法及系统
CN112947080B (zh) 一种基于场景参数变换的智能决策模型性能评估系统
CN113918433A (zh) 一种自适应的智慧网络设备性能指标异常检测装置及方法
CN110988673B (zh) 电机转子故障检测方法、装置及终端设备
CN111510109B (zh) 一种信号滤波的方法、装置、设备和介质
CN112101482A (zh) 一种对有缺失卫星数据进行参数异常模式检测的方法
CN112506687A (zh) 基于多周期分段滑动窗口标准差的故障诊断方法
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
CN113468823B (zh) 一种基于机器学习的光模块损坏检测方法及系统
CN111124816B (zh) 一种基于hdp算法的服务器日志分析方法及系统
CN114170427A (zh) 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法
CN113688669A (zh) 一种水电机组振动信号能量特征识别方法
CN112202630A (zh) 一种基于无监督模型的网路质量异常检测方法及装置
CN111178576A (zh) 基于炼化装置运行数据的操作优化方法
CN112084907B (zh) 一种时频图特征数据点抓取与处理方法、存储介质及设备

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