多尺度卷积神经网络检测睡眠呼吸暂停

睡眠呼吸暂停综合征作为一种常见的与睡眠相关的呼吸障碍性疾病,受到众多的关注。由于其复杂的检诊断过程及昂贵的价格,吸引了众多研究学者探索基于单通道信号的快速、便捷检测方法。基于心电信号(ECG)提出了一种多尺度卷积神经网络睡眠呼吸暂停快速检测方法,与常规的单尺度卷积神经网络方法相比,该方法可以有效地结合信号的细节信息和抽象信息,提升卷积神经网络的特征呈现能力。通过PhysioNet提供的Apnea-ECG数据库进行验证,多尺度卷积神经网络获得了85.2%准确率、83.1%敏感性和86.5%特异性。与现有方法相比,该方法进一步提升了睡眠呼吸暂停的检测性能。     

基于NAR动态神经网络的BDS周跳探测与修复方法

针对北斗导航定位系统(BDS)数据处理过程中出现的周跳问题,提出一种提升小波结合NAR动态神经网络的周跳探测与修复方法。首先构造了非差周跳检验量,通过提升小波法探测到周跳发生历元,再采用NAR动态神经网络法、改进BP神经网络法以及传统多项式拟合法,分析对比不同方法周跳修复效果。实验仿真结果表明,在周跳探测方面,提升小波法可有效探测0.2周以上的小周跳;在周跳修复方面,NAR神经网络比改进BP神经网络的拟合度提高40%左右,预测精度比改进的BP神经网络提高50%左右,比传统多项式拟合法提高10%以上,更适用于小周跳的探测与修复,进一步提高了定位精度。