睡眠分期是解决睡眠问题的基础。针对现阶段单通道脑电(EEG)数据和特征决定自动睡眠分期模型分类精度的上限问题,本文提出一种将深度卷积神经网络(DCNN)和双向长短期记忆神经网络(BiLSTM)混合的自动睡眠分期模型。模型使用DCNN自动学习EEG信号的时频域特征,使用BiLSTM提取数据之间的时序特征,充分挖掘数据包含的特征信息,以提...
睡眠分期是解决睡眠问题的基础。针对现阶段单通道脑电(EEG)数据和特征决定自动睡眠分期模型分类精度的上限问题,本文提出一种将深度卷积神经网络(DCNN)和双向长短期记忆神经网络(BiLSTM)混合的自动睡眠分期模型。模型使用DCNN自动学习EEG信号的时频域特征,使用BiLSTM提取数据之间的时序特征,充分挖掘数据包含的特征信息,以提...
其次,不同模态对不同阶段的睡眠分期贡献不同。现有方法忽略了不同睡眠分期的判断依赖不同模态信号的特点。如何适应性地利用对特定阶段有不同影响的多模态生理信号进行睡眠分期是一个挑战。 第三,由于每个受试者的生理信号都是独一无二的,在某些受试者身上训练出来的睡眠分期模型可能被无法泛化到新的受试者身上。造...
可以训练 CNN 来学习滤波器以从原始单通道 EEG 中提取时不变特征,而可以训练双向 LSTM 将时间信息(例如睡眠分期转换规则)编码到模型中。该论文还提出了一个两步训练算法,可以通过反向传播有效地端到端地训练我们的模型,同时防止模型遭受大型睡眠数据集中呈现的类不平衡问题(即,学习仅对大部分睡眠阶段进行分类)。 一...
专利摘要:本发明提供一种基于GMM‑HMM模型的睡眠分期方法及设备,所述方法包括获取毫米波雷达睡眠监测回波信号;根据所述回波信号得到雷达睡眠特征向量序列;利用特定训练方法得到的GMM‑HMM睡眠分期模型,根据所述雷达睡眠特征向量序列确定各时刻的睡眠分期。
此外,睡眠脑电具有很强的时间依赖性.综上,本文研究了脑功能连接作为脑电睡眠分期"图"表征指标的有效性;然后提出了一种基于图表征的多视图时空图卷积模型,充分利用脑电信号的时,空信息;最后针对该模型提出了不同的优化策略.具体的研究工作包括:(1)为了利用能够有效表征各睡眠阶段的全局信息交互特征,本文基于锁相值...
神经动力学模型读书会第七期,杨冬平老师结合神经生物基础和EEG信号特征以及相应的睡眠分期图特征来系统介绍睡眠调控的生物物理建模和动力学机制研究。本期读书会将对深度学习在睡眠分期中的应用和NREM期的记忆巩固两个主题进行分享。 内容简介 深度学习在睡眠分期中的应用:睡眠分期对于个人睡眠质量的分析和临床上对睡眠障...
为解决传统睡眠分期特征需手工设计且忽略睡眠状态变换的前后关联性和规律性的问题,设计一种结合状态转移规则的深度睡眠分期模型.通过添加残差网络加深卷积神经网络层数,自动提取信号的高维特征,对睡眠状态进行分类,结合睡眠状态变换规律,设计状态转移规则纠正分类结果.实验结果表明,该模型有效可行,为睡眠相关疾病的诊断和治疗...
【摘要】针对睡眠生理信号采集难度大、睡眠分期精度低的问题,提出一种采用小波变换和双向长短期记忆网络的脑电睡眠分期模型。首先使用连续小波变换提取睡眠脑电的时频图;然后使用卷积神经网络从脑电信号的时频图中提取睡眠相关的脑电特征,作为单个睡眠片段的分期依据,再使用双向长短期记忆网络进一步提取睡眠片段之间的状态...
针对现有模型无法充分捕捉样本中短暂,随机的波形及无法聚焦典型,重要波形,从而影响分期结果的问题,提出一种基于自注意力机制与双向长短时记忆网络的睡眠分期模型.首先,构建单流时频信息学习模块自动表达PSG信号的低级表征,挖掘EEG数据的时不变信息,频率特征.然后,设计自适应特征重新校准学习模块,对30 s样本中出现的瞬时...