CN116898455B - 一种基于深度学习模型的睡眠脑电信号检测方法及系统 - Google Patents
一种基于深度学习模型的睡眠脑电信号检测方法及系统 Download PDFInfo
- Publication number
- CN116898455B CN116898455B CN202310828067.3A CN202310828067A CN116898455B CN 116898455 B CN116898455 B CN 116898455B CN 202310828067 A CN202310828067 A CN 202310828067A CN 116898455 B CN116898455 B CN 116898455B
- Authority
- CN
- China
- Prior art keywords
- sleep
- layer
- data
- characteristic curve
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 238000013136 deep learning model Methods 0.000 title claims abstract description 29
- 230000008667 sleep stage Effects 0.000 claims abstract description 72
- 239000013598 vector Substances 0.000 claims abstract description 67
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 18
- 210000004556 brain Anatomy 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003860 sleep quality Effects 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004461 rapid eye movement Effects 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- 230000035900 sweating Effects 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
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- A61B5/4812—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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
- G06F18/23—Clustering 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Signal Processing (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深度学习模型的睡眠脑电信号检测方法及系统。先采集脑电信号,对脑电信号进行时频转换,得到数据频域图,从数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各睡眠阶段的聚类中心;根据其余特征向量与各睡眠阶段的聚类中心之间的欧式距离进行聚类,得到对应的簇;接着计算每个簇中所有特征向量的均值作为该簇的特征值;再将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线,实现细节匹配;再将脑电信号的特征曲线乘以所属采集通道的权重,得到加权后的通道特征曲线,实现波形重构;最后将加权后的通道特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果,从而自动对睡眠质量进行分期检测。
Description
技术领域
本发明涉及睡眠分期检测技术领域,尤其涉及一种基于深度学习模型的睡眠脑电信号检测方法及系统。
背景技术
据分析,现代生活节奏快、工作压力大是造成失眠问题的主要原因。现有诊断睡眠障碍时,医生通常需要检测整晚的睡眠,睡眠分期是检测睡眠障碍和评估睡眠质量的基础。目前,睡眠分期仍然需要专家用肉眼观察多导睡眠图,并根据睡眠分期标准手动分期睡眠数据,这个过程很耗时,因而现有技术还有待改进和提高。
发明内容
本发明通过提供一种基于深度学习模型的睡眠脑电信号检测方法及系统,能够自动对睡眠质量进行分期检测。
本发明提供了一种基于深度学习模型的睡眠脑电信号检测方法,包括:
采集脑电信号;
对所述脑电信号进行时频转换,得到数据频域图;
从所述数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各所述睡眠阶段的聚类中心;
根据所述数据频域图中的其余特征向量与各所述睡眠阶段的聚类中心之间的欧式距离进行聚类,得到对应的簇;
计算每个簇中所有特征向量的均值作为该簇的特征值;
将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线;
将所述脑电信号的特征曲线乘以所属采集通道的权重,得到加权后的通道特征曲线;
将所述加权后的通道特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果。
具体来说,在所述对所述脑电信号进行时频转换之前,还包括:
对所述脑电信号进行去除噪声和增加加性高斯白噪声处理。
具体来说,在所述计算每个簇中所有特征向量的均值作为该簇的特征值之后,还包括:
计算所有特征向量到其所属簇的特征值之间的欧式距离的平方和作为目标函数值;
判断所述目标函数值发生的改变是否超出设定的差异范围;
若没有超出,则将所有簇的特征值按照时间顺序拼接起来;
若超出,则重新进行聚类。
具体来说,在所述将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线之后,还包括:
对所述脑电信号的特征曲线进行归一化处理。
具体来说,所述将所述加权后的通道特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果,包括:
将预设采集通道的加权后的通道特征曲线进行线性融合,得到融合后的特征曲线;
将所述融合后的特征曲线输入到所述预设的睡眠检测模型中,得到睡眠分期检测结果。
本发明还提供了一种基于深度学习模型的睡眠脑电信号检测系统,包括:
脑电信号采集模块,用于采集脑电信号;
时频转换模块,用于对所述脑电信号进行时频转换,得到数据频域图;
聚类中心获取模块,用于从所述数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各所述睡眠阶段的聚类中心;
聚类模块,用于根据所述数据频域图中的其余特征向量与各所述睡眠阶段的聚类中心之间的欧式距离进行聚类,得到对应的簇;
均值计算模块,用于计算每个簇中所有特征向量的均值作为该簇的特征值;
拼接模块,用于将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线;
波形重构模块,用于将所述脑电信号的特征曲线乘以所属采集通道的权重,得到加权后的通道特征曲线;
睡眠检测模块,用于将所述加权后的通道特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果。
具体来说,还包括:
噪声处理模块,用于对所述脑电信号进行去除噪声和增加加性高斯白噪声处理。
具体来说,还包括:
目标函数值计算模块,用于计算所有特征向量到其所属簇的特征值之间的欧式距离的平方和作为目标函数值;
判断模块,用于判断所述目标函数值发生的改变是否超出设定的差异范围;
所述拼接模块,具体用于若没有超出,将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线;
跳转模块,用于若超出,执行所述聚类中心获取模块。
具体来说,还包括:
归一化模块,用于对所述脑电信号的特征曲线进行归一化处理。
具体来说,所述睡眠检测模块,包括:
线性融合单元,用于将预设采集通道的加权后的通道特征曲线进行线性融合,得到融合后的特征曲线;
睡眠检测单元,用于将所述融合后的特征曲线输入到所述预设的睡眠检测模型中,得到睡眠分期检测结果。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
先采集脑电信号;再对脑电信号进行时频转换,得到数据频域图,从数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各睡眠阶段的聚类中心;再根据数据频域图中的其余特征向量与各睡眠阶段的聚类中心之间的欧式距离进行聚类,得到对应的簇;接着计算每个簇中所有特征向量的均值作为该簇的特征值;再将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线,实现细节匹配;再将脑电信号的特征曲线乘以所属采集通道的权重,得到加权后的通道特征曲线,实现波形重构;最后将加权后的通道特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果,从而自动对睡眠质量进行分期检测。
此外,本发明还具有以下优点:
1、本发明采用多通道脑电信号进行处理,通过随机选择0-4s的时间片段,并将样本数据分别向左、向右滑动扩充失衡数据,再将原来的数据拼接到扩展数据之前,有效地避免了样本数量类别的失衡,从而提高了睡眠检测的准确性。
2、本发明通过对多通道睡眠数据进行噪声处理和时频转换,利用细节匹配和波形重构技术对关键特征节点进行增强,进一步提高了睡眠检测的准确性。
综上所述,与现有技术相比,本发明具有更高的准确性和可靠性,并且能够更好的体现睡眠分期检测中的重要信息。
附图说明
图1为本发明实施例提供的基于深度学习模型的睡眠脑电信号检测方法的流程图;
图2为本发明实施例提供的基于深度学习模型的睡眠脑电信号检测方法的原理图;
图3为本发明实施例中经过数据处理得到的融合特征曲线;
图4为本发明实施例中的功率谱分析图;
图5为本发明实施例中的双谱分析图;
图6为本发明实施例中睡眠检测模型的架构示意图;
图7为本发明实施例提供的基于深度学习模型的睡眠脑电信号检测系统的模块图。
具体实施方式
本发明实施例通过提供一种基于深度学习模型的睡眠脑电信号检测方法及系统,能够自动对睡眠质量进行分期检测。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参见图1和图2,本发明实施例提供的基于深度学习模型的睡眠脑电信号检测方法,包括:
步骤S110:采集脑电信号;
对本步骤进行具体说明,对睡眠数据集中的原始脑电信号自动选取“Fpz-Cz”、“Pz-Oz”和“EOG”三个通道,形成原始的多通道睡眠数据。
为了避免数据的失衡,若某一睡眠阶段的数据量小于预设的数据量阈值,通过窗口滑动的方式对数据进行扩充。具体操作为:在数据失衡阶段(例如N1期)样本中每一个30s的epoch随机选择0-4s的片段进行窗口滚动,并将每个周期内的样本数据分别向左、向右滑动,以对失衡的样本数据进行扩充。最后将扩充得到的数据拼接在原始数据序列之后,从而既保留了每个epoch的每种波形所占的比例,又不失时序相关性。
经过对失衡类别数据的增强,对多通道数据进行全局场功率分析,不同通道的脑电信号振幅的差异非常明显,Fpz-Cz通道数据更加平稳,Pz-Oz和EOG通道的数据在接近0s的时刻开始下降,这主要与通道的信号特征有关,这也证明多通道数据特征明显。
为了能够有效滤除噪声和干扰以及提高脑电信号的质量和真实性,还包括:
对脑电信号进行去除噪声和增加加性高斯白噪声处理。其中,去除噪声的目的是消除在睡眠数据采集过程中由外界环境或设备影响所产生的随机噪声信号,例如出汗性伪迹、放大器饱和、脉搏波伪迹和公频干扰等。增加噪声的目的是模拟真实环境,以还原睡眠数据的原始状态。
在本实施例中,通过低通滤波器、中值滤波器、小波变换去除噪声,以保留脑电信号的细节和特征。
步骤S120:对脑电信号进行时频转换,得到数据频域图;
对本步骤进行具体说明,对时域脑电信号进行快速傅里叶变换,得到数据频域波形,从而得到数据频域图。该算法具有运算速度快、计算精度高等优点。对M点的信号进行快速傅里叶转换只需要进行log2M次操作,从而大大提高了运算效率。
步骤S130:从数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各睡眠阶段的聚类中心;
对本步骤进行具体说明,选取数据频域图中的K个特征向量(指的是每个时间窗口内经过时频转换后得到的特征向量,即时域特征)作为初始中心,选取的标准是各个睡眠阶段特征向量的最大值,每个特征向量代表一个聚类中心。各个睡眠阶段根据人体的睡眠状态按时间顺序预先设定。
为了过滤掉对后续模型训练没有明显贡献的特征向量,降低模型的复杂性以避免过度拟合训练数据,从而增加睡眠分期模型的泛化能力,提高睡眠分期的模型性能和准确性,根据预设的门限值先排除掉一些小于门限值的特征向量。
步骤S140:根据数据频域图中的其余特征向量与各睡眠阶段的聚类中心之间的欧式距离进行聚类,得到对应的簇;
具体地,按照就近原则,将各特征向量分到距离最近的聚类中心,形成对应的簇,表示这些特征向量与聚类中心最相似。
步骤S150:计算每个簇中所有特征向量的均值作为该簇的特征值,即新的聚类中心;
为了减少数据维度,降低数据的复杂性,从而更好地描述该簇的特征,进而为睡眠分期提供更有意义和有效的特征表示,促进对睡眠阶段的理解和分析,在计算每个簇中所有特征向量的均值作为该簇的特征值之后,还包括:
计算所有特征向量到其所属簇的聚类中心之间的欧式距离的平方和作为目标函数值;
具体地,目标函数值的计算公式如下:
其中,K表示K个簇;Ci表示第i个簇;x表示第i个簇中每个特征向量。ui表示第i个特征向量的簇中心,即聚类中心;i代表簇的数量,取值范围是从1到K。
判断目标函数值发生的改变是否超出设定的差异范围;
若没有超出,则将所有簇的特征值按照时间顺序拼接起来;
若超出,则重新进行聚类。
需要说明的是,通过多次迭代,使得目标函数值最小化,从而达到最好的校准效果。为了确保校准效果良好,可以根据实际情况对差异范围进行微调。对于校准后的每个簇,计算簇内所有特征向量的平均值,作为该簇的特征值。
步骤S160:将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线;
为了将数据固定在[0,1]之间,以免出现因为通道数据的差异过大而影响最终结果,保证检测结果的准确性,在将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线之后,还包括:
对脑电信号的特征曲线进行归一化处理。
对本步骤进行具体说明,通过公式对脑电信号的特征曲线进行归一化处理;其中,XNORM代表归一化后的特征值,X代表特征曲线中特征值,XMAX和XMIN分别表示特征曲线中的最大特征值和最小特征值。
步骤S170:将脑电信号的特征曲线乘以所属采集通道的权重,得到加权后的通道特征曲线,实现数据的重构;
对本步骤进行具体说明,通过公式y=αkyk计算得到加权后的通道特征曲线;其中,y表示各个通道加权后的特征曲线,αk表示各个通道的权重,yk表示各个通道的特征曲线。
对于每个数据采集通道,选取经过归一化处理后的结果。每个通道数据可以分为不同频率范围的波形如α、δ、θ、β和γ。根据通道包含信息的不同设置不同的权值Ki,这些权值按照“Fpz-Cz”、“Pz-Oz”和“EOG”通道的分布情况来设置。由于Fpz-Cz通道主要反映脑电信号的前额部分和中央部分,因此,在识别睡眠阶段和脑电异常时具有较高的敏感性,因此权值设置为0.5;而Pz-Oz通道则主要反映脑电信号的顶部和后部,对检测睡眠中的快速眼动期具有更高的敏感性,因此权值设置为0.2。对于EOG通道记录眼球电位的变化,将它的权值设置为0.1。
将"Fpz-Cz"通道的特征曲线乘以其对应的权重,得到加权后的"Fpz-Cz"通道特征曲线,将"Pz-Oz"通道的特征曲线和"EOG"通道的特征曲线分别乘以其对应的权重,得到加权后的"Pz-Oz"和"EOG"通道特征曲线。
步骤S180:将加权后的通道特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果。
对本步骤进行具体说明,将加权后的通道特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果,包括:
将预设采集通道的加权后的通道特征曲线进行线性融合,得到融合后的特征曲线;
具体地,将加权后的"Fpz-Cz"特征曲线、加权后的"Pz-Oz"特征曲线和加权后的"EOG"特征曲线进行线性融合,得到融合后的特征曲线,如图3所示。多次重复加权融合,并取多次融合结果的平均值或者中位数作为最终融合的结果,从而得到更加准确的权重,以此来校正加权融合中赋予权值时产生的随机误差,最终得到经过波形重构处理的特征曲线。
进一步地,本发明实施例还通过功率谱分析和双谱分析对本发明实施例中数据重构的效果进行分析。具体地,参见图4,不同睡眠阶段的PSD曲线之间的频率和幅度的差异变大,而且不同睡眠阶段的差异性和相似性也变大,不同睡眠阶段之间的特征突出。这表明,通过本发明实施例中的通道数据重构方法,可以提高脑电信号的特征差异。同时,使用频率谱分析方法可以更好的分析频域上不同睡眠阶段之间的特征差异,从而提高睡眠检测的准确性。参见图5,不仅波段的幅度存在较小差异,而且相位差异也不明显。相较于时域上的双谱分析,频域上进行的双谱分析更加明显的显示了波段之间的差异,波段之间几乎没有重叠的部分。这表明,通过本发明实施例中的通道数据重构方法,可以提高脑电信号的特征差异,进一步为后续的深度学习模型提供更加丰富的特征信息。同时,使用双谱分析方法可以更好的分析频域上不同波段之间的特征异常,从而提高睡眠检测的准确性。
将融合后的特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果。
参见图6,下面对本发明实施例中的深度学习模型进行具体说明:
深度学习模型包括两个主要部分:表示学习部分和残差学习部分。表示学习部分和残差学习部分相互配合,可以从特征波形中提取出分期特征信息和时不变特征信息,并将各个通道信息补充到全局信息之中,从而为睡眠阶段评分提供依据。通过该方法,可以有效地提高深度学习模型对脑电信号的处理能力和特征提取能力,以实现精准的睡眠检测。
具体地,表示学习部分由四个卷积层和两个最大池化层组成,第一个卷积层用来提取时间序列数据的局部特征,该层的输入数据是睡眠数据中脑电信号。第一个最大池化层进行下采样降低特征的空间维度,同时保留最显著的特征。紧接着调整一个50%的dropout层防止过拟合,后续的三个卷积层用于进一步提取时间序列数据的局部特征,第二个池化层对数据进行下采样,使用2*2的池化核,用于降低特征的空间维度,第二个dropout用于防止过拟合。在激活函数方面,本发明实施例采用了ReLU激活函数。需要说明的是,本发明实施例中的四个卷积层都使用了较大的卷积核(128),从而可以在构建大的滤波器时使用更少的参数,进一步降低了模型的复杂度。此外,每一层池化层都将上一层卷积层的结果作为下采样的输入,最后一个最大池化层的输出则是残差学习部分的输入信号。
残差学习部分由BiLSTM、全连接层和softmax层组成。残差学习部分用于学习表示学习部分的时间信息并编码,通过多层长短期记忆网络的组合,实现对时序数据的建模与处理。在残差学习部分,将两个LSTM层连接在一起,形成一个既有正向输入又有反向输入的BiLSTM层。本发明实施例使用一个128个单元的BiLSTM层在各个方向对所提取的特征进行分析,会依次接收来自表示学习部分的输出,通过自我反馈回路,可以选择保留和利用先前时刻的信息。此外,每个LSTM单元还有一个“输出门”和一个“遗忘门”,可以选择性的将先前的信息传递到当前时刻的状态中。在这个过程中,LSTM会逐渐地“记住”输入序列中的信息,并在最后一个时间步骤中产生一个特定的输出向量。这个输出向量被送到模型的下一层,即全连接层,用于最终的分类任务。全连接层是一种通用的神经网络层,用于将输入数据映射到输出数据。在本发明实施例中,全连接层将双向长短时记忆网络的输出结果进行编码和整合,以实现对多个时序信号的融合。softmax层则用于输出最终的分类结果,其输出值对应着不同睡眠阶段的概率。同时,本发明实施例中还引入了Dropout层来缓解模型的过拟合问题。
此外,本发明实施例还提供了训练睡眠检测模型的方法,包括三个阶段:预训练、微调和正则化。
在预训练阶段,使用平衡训练集对模型的表征学习部分进行监督预训练,以使模型不会过度拟合大多数睡眠阶段。在本阶段中,使用Adam优化器和学习率为10-4的指数衰减率。预训练后,丢弃softmax层,并通过过采样从原始训练集中复制几个睡眠阶段,以获得一个类平衡的训练集。在训练和预测阶段,脑电图信号段的提取方法不同。在训练过程中,随机裁剪记录以增加可用片段的数量,并在每个周期中随机选择一个中心,提取大小为T的M个片段。在预测阶段,将每个T/2单位长度的记录进行细分,并保留每个预测中心的T/2样本,以避免边界效应的产生。
在微调阶段,使用连续训练集对整个模型进行监督微调。在本阶段采用梯度裁剪技术防止梯度爆炸,并使用提前结束训练的策略避免模型过度拟合。具体而言,当训练双向长短时记忆网络时,采用全局范数进行梯度裁剪,并在梯度超过预设量值时将梯度缩放到一个更小的值。在一个200轮的训练中,如果在累计50次训练中结果都没有提高,就会提前结束这一轮的训练。这样能够防止模型在微调结束时过拟合大多数睡眠阶段。
在正则化阶段,采用Dropout层和l2个重量衰减来规范模型。l2正则化的目的是使权值衰减到一个更小的值,从而在一定程度上减少模型的过拟合问题。然而,只在卷积神经网络的第一层应用权值衰减,以避免过度限制模型学习长期依赖关系的能力。这些技术的结合能够提高模型的泛化能力,使其在不同数据集上表现更好。
综上所述,本发明实施例提出的深度学习模型结合了表示学习和残差学习两部分,具有较强的时序数据建模和处理能力,能够对睡眠阶段进行准确的评分。
参见图7,本发明实施例提供的基于深度学习模型的睡眠脑电信号检测系统,包括:
脑电信号采集模块100,用于采集脑电信号;
具体地,对睡眠数据集中的原始脑电信号自动选取“Fpz-Cz”、“Pz-Oz”和“EOG”三个通道,形成原始的多通道睡眠数据。
为了避免数据的失衡,还包括:
数据扩充模块,用于若某一睡眠阶段的数据量小于预设的数据量阈值,通过窗口滑动的方式对数据进行扩充。
具体地,数据扩充模块,具体用于在数据失衡阶段(例如N1期)样本中每一个30s的epoch随机选择0-4s的片段进行窗口滚动,并将每个周期内的样本数据分别向左、向右滑动,以对失衡的样本数据进行扩充。最后将扩充得到的数据拼接在原始数据序列之后,从而既保留了每个epoch的每种波形所占的比例,又不失时序相关性。
经过对失衡类别数据的增强,对多通道数据进行全局场功率分析,不同通道的脑电信号振幅的差异非常明显,Fpz-Cz通道数据更加平稳,Pz-Oz和EOG通道的数据在接近0s的时刻开始下降,这主要与通道的信号特征有关,这也证明多通道数据特征明显。
为了能够有效滤除噪声和干扰以及提高脑电信号的质量和真实性,还包括:
噪声处理模块,用于对脑电信号进行去除噪声和增加加性高斯白噪声处理。其中,去除噪声的目的是消除在睡眠数据采集过程中由外界环境或设备影响所产生的随机噪声信号,例如出汗性伪迹、放大器饱和、脉搏波伪迹和公频干扰等。增加噪声的目的是模拟真实环境,以还原睡眠数据的原始状态。
时频转换模块200,用于对脑电信号进行时频转换,得到数据频域图;
具体地,时频转换模块200,具体用于对时域脑电信号进行快速傅里叶变换,得到数据频域波形,从而得到数据频域图。
聚类中心获取模块300,用于从数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各睡眠阶段的聚类中心;
具体地,聚类中心获取模块300,具体用于选取数据频域图中的K个特征向量(指的是每个时间窗口内经过时频转换后得到的特征向量,即时域特征)作为初始中心,选取的标准是各个睡眠阶段特征向量的最大值,每个特征向量代表一个聚类中心。各个睡眠阶段根据人体的睡眠状态按时间顺序预先设定。
为了过滤掉对后续模型训练没有明显贡献的特征向量,降低模型的复杂性以避免过度拟合训练数据,从而增加睡眠分期模型的泛化能力,提高睡眠分期的模型性能和准确性,根据预设的门限值先排除掉一些小于门限值的特征向量。
聚类模块400,用于根据数据频域图中的其余特征向量与各睡眠阶段的聚类中心之间的欧式距离进行聚类,得到对应的簇;
具体地,按照就近原则,将各特征向量分到距离最近的聚类中心,形成对应的簇,表示这些特征向量与聚类中心最相似。
均值计算模块500,用于计算每个簇中所有特征向量的均值作为该簇的特征值,即新的聚类中心;
拼接模块600,用于将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线;
为了减少数据维度,降低数据的复杂性,从而更好地描述该簇的特征,进而为睡眠分期提供更有意义和有效的特征表示,促进对睡眠阶段的理解和分析,还包括:
目标函数值计算模块,用于计算所有特征向量到其所属簇的聚类中心之间的欧式距离的平方和作为目标函数值;
具体地,目标函数值计算模块,具体用于通过公式计算所有特征向量到其所属簇的聚类中心之间的欧式距离的平方和作为目标函数值;其中,K表示K个簇;Ci表示第i个簇;x表示第i个簇中每个特征向量。ui表示第i个特征向量的簇中心,即聚类中心;i代表簇的数量,取值范围是从1到K。
判断模块,用于判断目标函数值发生的改变是否超出设定的差异范围;
在这种情况下,拼接模块600,具体用于若没有超出,将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线;
跳转模块,用于若超出,执行聚类中心获取模块300。
为了将数据固定在[0,1]之间,以免出现因为通道数据的差异过大而影响最终结果,保证检测结果的准确性,还包括:
归一化模块,用于对脑电信号的特征曲线进行归一化处理。
具体地,归一化模块,具体用于通过公式对脑电信号的特征曲线进行归一化处理;其中,XNORM代表归一化后的特征值,X代表特征曲线中特征值,XMAX和XMIN分别表示特征曲线中的最大特征值和最小特征值。
波形重构模块700,用于将脑电信号的特征曲线乘以所属采集通道的权重,得到加权后的通道特征曲线,实现数据的重构;
具体地,波形重构模块700,具体用于通过公式y=αkyk计算得到加权后的通道特征曲线;其中,y表示各个通道加权后的特征曲线,αk表示各个通道的权重,yk表示各个通道的特征曲线。
对于每个数据采集通道,选取经过归一化处理后的结果。每个通道数据可以分为不同频率范围的波形如α、δ、θ、β和γ。根据通道包含信息的不同设置不同的权值Ki,这些权值按照“Fpz-Cz”、“Pz-Oz”和“EOG”通道的分布情况来设置。由于Fpz-Cz通道主要反映脑电信号的前额部分和中央部分,因此,在识别睡眠阶段和脑电异常时具有较高的敏感性,因此权值设置为0.5;而Pz-Oz通道则主要反映脑电信号的顶部和后部,对检测睡眠中的快速眼动期具有更高的敏感性,因此权值设置为0.2。对于EOG通道记录眼球电位的变化,将它的权值设置为0.1。
将"Fpz-Cz"通道的特征曲线乘以其对应的权重,得到加权后的"Fpz-Cz"通道特征曲线,将"Pz-Oz"通道的特征曲线和"EOG"通道的特征曲线分别乘以其对应的权重,得到加权后的"Pz-Oz"和"EOG"通道特征曲线。
睡眠检测模块800,用于将加权后的通道特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果。
具体地,睡眠检测模块800,包括:
线性融合单元,用于将预设采集通道的加权后的通道特征曲线进行线性融合,得到融合后的特征曲线;
进一步地,线性融合单元将加权后的"Fpz-Cz"特征曲线、加权后的"Pz-Oz"特征曲线和加权后的"EOG"特征曲线进行线性融合,得到融合后的特征曲线。多次重复加权融合,并取多次融合结果的平均值或者中位数作为最终融合的结果,从而得到更加准确的权重,以此来校正加权融合中赋予权值时产生的随机误差,最终得到经过波形重构处理的特征曲线。
睡眠检测单元,用于将融合后的特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果。
综上所述,本发明实施例通过提供一种基于深度学习模型的睡眠脑电信号检测方法及系统,能够自动对睡眠质量进行分期检测。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明实施例未详述之处,均为本技术领域技术人员的公知技术。最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于深度学习模型的睡眠脑电信号检测方法,其特征在于,包括:
采集脑电信号;
对所述脑电信号进行时频转换,得到数据频域图;
从所述数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各所述睡眠阶段的聚类中心;
根据所述数据频域图中的其余特征向量与各所述睡眠阶段的聚类中心之间的欧式距离进行聚类,得到对应的簇;
计算每个簇中所有特征向量的均值作为该簇的特征值;
将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线;
将所述脑电信号的特征曲线乘以所属采集通道的权重,得到加权后的通道特征曲线;
将所述加权后的通道特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果;
具体地,表示学习部分由四个卷积层和两个最大池化层组成,第一个卷积层用来提取时间序列数据的局部特征,该层的输入数据是睡眠数据中脑电信号;第一个最大池化层进行下采样降低特征的空间维度,同时保留最显著的特征;紧接着调整一个50%的dropout层防止过拟合,后续的三个卷积层用于进一步提取时间序列数据的局部特征,第二个池化层对数据进行下采样,使用2*2的池化核,用于降低特征的空间维度,第二个dropout用于防止过拟合;在激活函数方面,采用了ReLU激活函数;每一层池化层都将上一层卷积层的结果作为下采样的输入,最后一个最大池化层的输出则是残差学习部分的输入信号;
残差学习部分由BiLSTM、全连接层和softmax层组成;残差学习部分用于学习表示学习部分的时间信息并编码,通过多层长短期记忆网络的组合,实现对时序数据的建模与处理;在残差学习部分,将两个LSTM层连接在一起,形成一个既有正向输入又有反向输入的BiLSTM层;使用一个128个单元的BiLSTM层在各个方向对所提取的特征进行分析,会依次接收来自表示学习部分的输出,通过自我反馈回路,可以选择保留和利用先前时刻的信息;此外,每个LSTM单元还有一个“输出门”和一个“遗忘门”,可以选择性的将先前的信息传递到当前时刻的状态中;在这个过程中,LSTM会逐渐地“记住”输入序列中的信息,并在最后一个时间步骤中产生一个特定的输出向量;这个输出向量被送到模型的下一层,即全连接层,用于最终的分类任务;全连接层是一种通用的神经网络层,用于将输入数据映射到输出数据;全连接层将双向长短时记忆网络的输出结果进行编码和整合,以实现对多个时序信号的融合;softmax层则用于输出最终的分类结果,其输出值对应着不同睡眠阶段的概率。
2.如权利要求1所述的基于深度学习模型的睡眠脑电信号检测方法,其特征在于,在所述对所述脑电信号进行时频转换之前,还包括:
对所述脑电信号进行去除噪声和增加加性高斯白噪声处理。
3.如权利要求1所述的基于深度学习模型的睡眠脑电信号检测方法,其特征在于,在所述计算每个簇中所有特征向量的均值作为该簇的特征值之后,还包括:
计算所有特征向量到其所属簇的特征值之间的欧式距离的平方和作为目标函数值;
判断所述目标函数值发生的改变是否超出设定的差异范围;
若没有超出,则将所有簇的特征值按照时间顺序拼接起来;
若超出,则重新进行聚类。
4.如权利要求1所述的基于深度学习模型的睡眠脑电信号检测方法,其特征在于,在所述将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线之后,还包括:
对所述脑电信号的特征曲线进行归一化处理。
5.如权利要求1-4中任一项所述的基于深度学习模型的睡眠脑电信号检测方法,其特征在于,所述将所述加权后的通道特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果,包括:
将预设采集通道的加权后的通道特征曲线进行线性融合,得到融合后的特征曲线;
将所述融合后的特征曲线输入到所述预设的睡眠检测模型中,得到睡眠分期检测结果。
6.一种基于深度学习模型的睡眠脑电信号检测系统,其特征在于,包括:
脑电信号采集模块,用于采集脑电信号;
时频转换模块,用于对所述脑电信号进行时频转换,得到数据频域图;
聚类中心获取模块,用于从所述数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各所述睡眠阶段的聚类中心;
聚类模块,用于根据所述数据频域图中的其余特征向量与各所述睡眠阶段的聚类中心之间的欧式距离进行聚类,得到对应的簇;
均值计算模块,用于计算每个簇中所有特征向量的均值作为该簇的特征值;
拼接模块,用于将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线;
波形重构模块,用于将所述脑电信号的特征曲线乘以所属采集通道的权重,得到加权后的通道特征曲线;
睡眠检测模块,用于将所述加权后的通道特征曲线输入到预设的睡眠检测模型中,得到睡眠分期检测结果;具体地,表示学习部分由四个卷积层和两个最大池化层组成,第一个卷积层用来提取时间序列数据的局部特征,该层的输入数据是睡眠数据中脑电信号;第一个最大池化层进行下采样降低特征的空间维度,同时保留最显著的特征;紧接着调整一个50%的dropout层防止过拟合,后续的三个卷积层用于进一步提取时间序列数据的局部特征,第二个池化层对数据进行下采样,使用2*2的池化核,用于降低特征的空间维度,第二个dropout用于防止过拟合;在激活函数方面,采用了ReLU激活函数;每一层池化层都将上一层卷积层的结果作为下采样的输入,最后一个最大池化层的输出则是残差学习部分的输入信号;残差学习部分由BiLSTM、全连接层和softmax层组成;残差学习部分用于学习表示学习部分的时间信息并编码,通过多层长短期记忆网络的组合,实现对时序数据的建模与处理;在残差学习部分,将两个LSTM层连接在一起,形成一个既有正向输入又有反向输入的BiLSTM层;使用一个128个单元的BiLSTM层在各个方向对所提取的特征进行分析,会依次接收来自表示学习部分的输出,通过自我反馈回路,可以选择保留和利用先前时刻的信息;此外,每个LSTM单元还有一个“输出门”和一个“遗忘门”,可以选择性的将先前的信息传递到当前时刻的状态中;在这个过程中,LSTM会逐渐地“记住”输入序列中的信息,并在最后一个时间步骤中产生一个特定的输出向量;这个输出向量被送到模型的下一层,即全连接层,用于最终的分类任务;全连接层是一种通用的神经网络层,用于将输入数据映射到输出数据;全连接层将双向长短时记忆网络的输出结果进行编码和整合,以实现对多个时序信号的融合;softmax层则用于输出最终的分类结果,其输出值对应着不同睡眠阶段的概率。
7.如权利要求6所述的基于深度学习模型的睡眠脑电信号检测系统,其特征在于,还包括:
噪声处理模块,用于对所述脑电信号进行去除噪声和增加加性高斯白噪声处理。
8.如权利要求6所述的基于深度学习模型的睡眠脑电信号检测系统,其特征在于,还包括:
目标函数值计算模块,用于计算所有特征向量到其所属簇的特征值之间的欧式距离的平方和作为目标函数值;
判断模块,用于判断所述目标函数值发生的改变是否超出设定的差异范围;
所述拼接模块,具体用于若没有超出,将所有簇的特征值按照时间顺序拼接起来,得到脑电信号的特征曲线;
跳转模块,用于若超出,执行所述聚类中心获取模块。
9.如权利要求6所述的基于深度学习模型的睡眠脑电信号检测系统,其特征在于,还包括:
归一化模块,用于对所述脑电信号的特征曲线进行归一化处理。
10.如权利要求6-9中任一项所述的基于深度学习模型的睡眠脑电信号检测系统,其特征在于,所述睡眠检测模块,包括:
线性融合单元,用于将预设采集通道的加权后的通道特征曲线进行线性融合,得到融合后的特征曲线;
睡眠检测单元,用于将所述融合后的特征曲线输入到所述预设的睡眠检测模型中,得到睡眠分期检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310828067.3A CN116898455B (zh) | 2023-07-06 | 2023-07-06 | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310828067.3A CN116898455B (zh) | 2023-07-06 | 2023-07-06 | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116898455A CN116898455A (zh) | 2023-10-20 |
CN116898455B true CN116898455B (zh) | 2024-04-16 |
Family
ID=88355657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310828067.3A Active CN116898455B (zh) | 2023-07-06 | 2023-07-06 | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116898455B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828511B (zh) * | 2024-03-04 | 2024-05-10 | 中国中医科学院广安门医院 | 一种麻醉深度脑电信号数据处理方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108420406A (zh) * | 2018-03-21 | 2018-08-21 | 苏州优函信息科技有限公司 | 基于脉搏波睡眠分期的方法 |
CN108984481A (zh) * | 2018-06-26 | 2018-12-11 | 华侨大学 | 一种基于卷积神经网络的单应性矩阵估计方法 |
CN109948647A (zh) * | 2019-01-24 | 2019-06-28 | 西安交通大学 | 一种基于深度残差网络的心电图分类方法及系统 |
WO2020108562A1 (zh) * | 2018-11-29 | 2020-06-04 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及系统 |
CN111631688A (zh) * | 2020-06-24 | 2020-09-08 | 电子科技大学 | 睡眠自动分期的算法 |
CN111814699A (zh) * | 2020-07-13 | 2020-10-23 | 中国地震局地震预测研究所 | 一种面向swarm电磁卫星数据的深度学习地震预测方法 |
CN112766137A (zh) * | 2021-01-14 | 2021-05-07 | 华南理工大学 | 一种基于深度学习的动态场景异物入侵检测方法 |
CN112932503A (zh) * | 2021-01-16 | 2021-06-11 | 北京工业大学 | 基于4d数据表达和3dcnn的运动想象任务解码方法 |
US11308354B1 (en) * | 2020-03-30 | 2022-04-19 | Amazon Technologies, Inc. | Residual context refinement network architecture for optical character recognition |
CN115054270A (zh) * | 2022-06-17 | 2022-09-16 | 上海大学绍兴研究院 | 基于gcn提取睡眠频谱图特征的睡眠分期方法及系统 |
CN115238731A (zh) * | 2022-06-13 | 2022-10-25 | 重庆邮电大学 | 基于卷积递归神经网络与多头自注意力的情感识别方法 |
KR20230095431A (ko) * | 2021-12-22 | 2023-06-29 | 고려대학교 산학협력단 | 단일 뇌전도 기반 수면단계 분류방법 및 수면단계 분류장치 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2562664A (en) * | 2016-02-03 | 2018-11-21 | Univ Nanyang Tech | Methods for detecting a sleep disorder and sleep disorder detection devices |
EP3608918B1 (en) * | 2018-08-08 | 2024-05-22 | Tata Consultancy Services Limited | Parallel implementation of deep neural networks for classifying heart sound signals |
WO2022251703A2 (en) * | 2021-05-28 | 2022-12-01 | Blinktbi, Inc. | Systems and methods for eyelid localization |
CN113627518B (zh) * | 2021-08-07 | 2023-08-08 | 福州大学 | 利用迁移学习实现神经网络脑电情感识别模型的方法 |
-
2023
- 2023-07-06 CN CN202310828067.3A patent/CN116898455B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108420406A (zh) * | 2018-03-21 | 2018-08-21 | 苏州优函信息科技有限公司 | 基于脉搏波睡眠分期的方法 |
CN108984481A (zh) * | 2018-06-26 | 2018-12-11 | 华侨大学 | 一种基于卷积神经网络的单应性矩阵估计方法 |
WO2020108562A1 (zh) * | 2018-11-29 | 2020-06-04 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及系统 |
CN109948647A (zh) * | 2019-01-24 | 2019-06-28 | 西安交通大学 | 一种基于深度残差网络的心电图分类方法及系统 |
US11308354B1 (en) * | 2020-03-30 | 2022-04-19 | Amazon Technologies, Inc. | Residual context refinement network architecture for optical character recognition |
CN111631688A (zh) * | 2020-06-24 | 2020-09-08 | 电子科技大学 | 睡眠自动分期的算法 |
CN111814699A (zh) * | 2020-07-13 | 2020-10-23 | 中国地震局地震预测研究所 | 一种面向swarm电磁卫星数据的深度学习地震预测方法 |
CN112766137A (zh) * | 2021-01-14 | 2021-05-07 | 华南理工大学 | 一种基于深度学习的动态场景异物入侵检测方法 |
CN112932503A (zh) * | 2021-01-16 | 2021-06-11 | 北京工业大学 | 基于4d数据表达和3dcnn的运动想象任务解码方法 |
KR20230095431A (ko) * | 2021-12-22 | 2023-06-29 | 고려대학교 산학협력단 | 단일 뇌전도 기반 수면단계 분류방법 및 수면단계 분류장치 |
CN115238731A (zh) * | 2022-06-13 | 2022-10-25 | 重庆邮电大学 | 基于卷积递归神经网络与多头自注意力的情感识别方法 |
CN115054270A (zh) * | 2022-06-17 | 2022-09-16 | 上海大学绍兴研究院 | 基于gcn提取睡眠频谱图特征的睡眠分期方法及系统 |
Non-Patent Citations (4)
Title |
---|
Word2vec-CNN-Bilstm短文本情感分类;王立荣;;福建电脑;20200125(01);全文 * |
双向循环网络中文分词模型;胡婕;张俊驰;;小型微型计算机系统;20170315(03);全文 * |
基于改进K均值聚类及其距离修正的睡眠分期方法;于莹等;计算机应用;说明书正文第272页左栏 * |
清醒与睡眠的脑电信号聚类分析;谢宏等;现代计算机(专业版);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116898455A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109645990B (zh) | 一种癫痫患者脑电信号的计算机模式识别方法 | |
CN110353673B (zh) | 一种基于标准互信息的脑电通道选择方法 | |
CN112244873A (zh) | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 | |
CN116898455B (zh) | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 | |
CN111460956A (zh) | 一种基于数据增强与损失加权的不平衡心电样本分类方法 | |
CN114041795B (zh) | 基于多模态生理信息与深度学习的情绪识别方法及系统 | |
CN112401902B (zh) | 基于神经网络时频分析相结合的心电身份识别方法及系统 | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
CN111134664A (zh) | 一种基于胶囊网络的癫痫放电识别方法、系统和存储介质 | |
Ayinala et al. | Low complexity algorithm for seizure prediction using Adaboost | |
CN110543831A (zh) | 一种基于卷积神经网络的脑纹识别方法 | |
CN113889198A (zh) | 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备 | |
CN115414051A (zh) | 一种脑电信号自适应窗口的情绪分类识别方法 | |
CN116597864A (zh) | 一种嗓音检测方法及装置 | |
CN116304815A (zh) | 一种基于自注意力机制和并行卷积的运动想象脑电信号分类方法 | |
CN115736944A (zh) | 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm | |
Azami et al. | Automatic signal segmentation based on singular spectrum analysis and imperialist competitive algorithm | |
CN112205990A (zh) | 一种基于sEMG的不同负载下手腕角度预测方法及装置 | |
CN113925495B (zh) | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 | |
CN115017960A (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
CN114091529A (zh) | 一种基于生成对抗网络数据增强的脑电情感识别方法 | |
RU2751137C1 (ru) | Способ определения фазы сна в длительной записи ээг | |
CN112861796B (zh) | 特征自适应的动作识别方法 | |
tao et al. | Speech recognition based on denoising self coding neural network | |
CN114366038B (zh) | 基于改进的深度学习算法模型的睡眠信号自动分期方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |