基于自注意力机制和单导联心电信号的自动睡眠分期算法#br#

基于手工标记或传统机器学习方法实现睡眠分期过程复杂且效率低下,深度神经网络因其强大的提取复杂特征的能力改善了睡眠分期结果,但仍存在忽略片段内部信息相关性的问题。针对此问题,本文提出一种基于自注意力机制和单导联心电信号的自动睡眠分期算法,利用卷积模块、双向门控循环单元及自注意力机制实现特征自动提取与分类。在开源睡眠心脏健康研究数据库(SHHS1、SHHS2)、动脉粥样硬化的多民族研究数据库(MESA)和美国麻省理工的多导睡眠数据库(MITBPD)中分别选取1000、1000、1000和16名受试者的单导联心电信号数据进行训练和测试,得到模型睡眠四分类(觉醒、快速眼动期、浅睡眠和深睡眠)结果,分类准确率分别达到75.77%(kappa＝0.63)、81.01%(kappa＝066)、82.79%(kappa＝0.71)和76.22%(kappa＝0.58),优于基于传统机器学习算法的睡眠分期结果,验证了提出模型的有效性。     

基于小波变换和AdaBoost极限学习机的癫痫脑电信号分类

针对单一极限学习机(ELM)在癫痫脑电信号研究中分类结果不稳定、泛化能力差的缺陷,提出一种基于互信息(MI)的AdaBoost极限学习机分类算法。该算法将AdaBoost引入到极限学习机中,并嵌入互信息输入变量选择,以强学习器最终的性能作为评价指标,实现对输入变量以及网络模型的优化。利用小波变换(WT)提取脑电信号特征,并结合提出的分类算法对UCI脑电数据集以及波恩大学癫痫脑电数据进行分类。实验结果表明,所提方法相比传统方法以及其他同类型研究,在分类精度和稳定性上有着明显提高,并具有较好的泛化性能。     

循环谱分析在心律失常分类中的应用研究

心电信号心律失常分类性能主要取决于有效的特征提取和分类器设计。针对传统心律失常分类研究中,多数研究直接利用时域或者频域特征实现心律失常分类,对于多类别的分类性能仍有待提高。鉴于此,选用循环谱分析方法实现心律失常多分类任务。假设信号处于非平稳状态,建立更符合心电信号实际状态的模型去捕捉心电信号中的隐含周期实现心律失常分类。在提取形态特征和时频域小波系数特征之外,利用循环谱技术提取了谱相关系数特征用于后续多分类任务。除此之外,比较了人工神经网络、传统支持向量机和超限学习机分类器在该实验环境下的分类性能,通过多组对比实验,结果表明,利用循环谱技术结合超限学习机分类器进行心律失常分类,可以区分10类心律失常并在MIT-BIH心律失常数据库上实现了98.13%的平均分类准确率。     

基于脑电模糊分析的睡眠分期方法研究

利用脑电信号模糊特征分类的方法对睡眠进行分期研究。首先对脑电信号进行预处理,滤除干扰噪声后使用模糊熵算法、多尺度熵算法以及复杂度算法对脑电信号进行特征参数提取,采用最小二乘支持向量机（the Least Squares Support Vector Machine,LS-SVM）对特征参数进行分类,并将睡眠过程分为清醒期、浅睡期、深睡期和快速眼动期（Rapid Eye Movement,REM）,获得分期正确率。最后通过上述方法对2?000组睡眠脑电样本进行睡眠分期测试,与专家人工分期结果进行比对,将复杂度输入到最小二乘支持向量机进行分类的平均正确率是92.65%,高于模糊熵和多尺度熵作为最小二乘向量机的输入时的准确率。基于模糊特征的复杂度提取的特征参数可以作为睡眠分期的有效依据,在保证准确度的前提下,降低人工成本。     

基于新型能量算子和多尺度熵的癫痫自动检测

提出癫痫检测的新算法,创新地使用新型能量算子和多尺度熵,不仅能够实时跟踪脑电信号能量,而且可以在脑电信号未知情况下提取其有效的特征信息。对脑电信号进行一定尺度的小波变换;利用新型Teager能量算子和多尺度熵提取脑电信号的非线性特征,将特征信号输入到极限学习机中,用来识别正常脑电信号与癫痫脑电信号。实验结果表明,此方法具有高分类精度,可达到98.89%,优于文献中所报道的多种检测方法,可以应用于癫痫临床检测。     

基于CNN-BiLSTM的自动睡眠分期算法

睡眠分期是睡眠数据分析的基础,针对目前睡眠分期存在的依赖人工提取、人工判别效率低、自动睡眠分期准确率不高等问题,本文研究模型是基于卷积神经网络和双向长短时记忆神经网络2个深度学习神经网络相结合的,利用脑电信号来进行自动睡眠分期的模型方法.算法能提取得到原始脑电信号的梅尔频谱,利用卷积神经网络和双向长短时记忆神经网络进行...     

基于ELM运动想象脑电信号的分类

针对运动想象脑电信号的分类识别,提出一种基于小波变换和共空间模式滤波的方法进行特征提取。对EEG进行3层小波分解,提取相关层数小波系数的特征量;同时利用共空间模式对EEG进行空间滤波,提取其转换后信号的方差作为特征量,并将这两类特征量进行组合。该方法结合了时频域和空间域的特征信息,可提高分类识别的效果。最后选取BCI2003中Data setⅢ数据作为样本,分别用极限学习机和基于粒子群算法的支持向量机进行分类识别。实验结果表明极限学习机分类学习时间较快,最优识别率为94.2857%,证明了该方法更适用于脑机接口系统。     

基于极限学习机的船舶柴油机故障诊断

针对传统深度核极限学习机网络仅利用端层特征进行分类导致特征不全面，以及故障诊断分类器中核函数选择不恰当等问题，提出基于多层特征表达和多核极限学习机的船舶柴油机故障诊断方法。利用深度极限学习机网络提取故障数据的多层特征；将提取出的各层特征级联为一个具有多属性特征的故障数据特征向量；使用多核极限学习机分类器准确地实现柴油机的故障诊断。在标准分类数据集和船舶柴油机仿真故障数据集上的实验结果表明，与其他极限学习机算法相比，该方法能够有效提高故障诊断的准确率和稳定性，且具有较好的泛化性能，是柴油机故障诊断一个更为优秀实用的工具。     

基于双通道脑电信号的在线实时睡眠分期系统

当代社会睡眠问题日益突出,及时检测评估睡眠质量有助于诊断睡眠疾病.针对目前市面上睡眠监测类产品发展参差不齐的现状,本文搭建了一个基于双通道脑电信号的在线实时睡眠分期系统,利用第三方接口脑环获取脑电数据,结合CNN-BiLSTM神经网络模型,在PC电脑端实现了在线的实时睡眠分期与音乐调控功能.系统使用基于卷积神经网络CNN和双向长短时记忆神经网络BiLSTM相结合的算法模型对脑电信号进行自动特征提取,CNN能够提取高阶特征, BiLSTM可以捕捉睡眠数据前后的依赖性和关联性,睡眠分期准确率更高.实验结果表明,本文算法模型在Sleep-EDF公共数据集上的四分类任务中取得了92.33%的分期准确率,其Kappa系数为0.84,本系统的实时睡眠分期功能在自采集睡眠数据分期实验中取得79.17%的分期准确率,其Kappa系数为0.70.相比其他睡眠监测类产品,本系统睡眠分期准确率更高,应用场景更多样,实时性和可靠性强,并且可以根据分期结果对用户进行相应的音乐调控,改善用户睡眠质量.     

基于MSE-PCA的脑电睡眠分期方法研究

针对传统的自动睡眠分期准确率不足问题,提出一种将多尺度熵(MSE)和主成分分析(PCA)联合使用的自动睡眠分期方法。以8例受试者睡眠脑电(EEG)监测数据及专家人工分期结果作为样本,首先使用MSE表征受试者脑电信号不同睡眠期的非线性动力学特征;然后使用PCA的前两个主成分向量代替MSE特征进行降维,实现降低数据冗余的同时保留绝大多数EEG非线性特征;最终将新向量的特征参数输入到反馈神经网络(BPNN)分类器中实现MSE-PCA模型的脑电睡眠状态的自动识别分类。实验结果表明,自动分期准确率可达到87.9%,kappa系数0.77,该方法能提高脑电自动睡眠分期系统的准确率和稳定性。     

基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法

癫痫发作检测可以实现脑电分类和病灶定位,对癫痫的临床治疗具有重要意义。针对大数据量、高特征值空间长程脑电的快速和准确分类问题,提出一种基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法。对脑电信号进行短时傅里叶变换,并选取能量时频分布为特征,利用基于最大相关和最小冗余准则的方法进行特征选择,并使用极限学习机、支持向量机和反向传播算法对癫痫不同状态进行分类和判别。实验结果表明,极限学习机的分类准确率和训练速度两方面性能优于支持向量机和反向传播算法,发作间期和发作期的分类准确率达到98%以上,训练时间仅为0.8s,所提方法能够实时准确地检测癫痫发作。     

基于双向LSTM卷积网络与注意力机制的自动睡眠分期模型

针对现阶段深度睡眠分期模型存在的梯度消失、对时序信息学习能力较弱等问题,提出一种基于双向长短时记忆卷积网络与注意力机制的自动睡眠分期模型。将少样本类别的睡眠脑电数据通过过采样方式进行数据增强后,利用带残差块的卷积神经网络学习数据特征表示,再通过带注意力层的双向长短时记忆网络挖掘深层时序信息,使用Softmax层实现睡眠分期的自动判别。实验使用Sleep-EDF数据集中19晚单通道脑电信号对模型进行交叉验证,取得了较高的分类准确率和宏平均F₁值,优于对比方法。该方法能够有效缓解睡眠分期判别中少数类分类性能较低的问题,并提高了深度睡眠分期模型的整体分类性能。     

基于脑电和肌电多特征的自动睡眠分期方法

为实现准确的自动睡眠分期,且满足泛化能力的需求,基于脑电(EEG)和肌电(EMG)多特征,提出一种自动睡眠分期方法。以MIT-BIH多导睡眠数据库中样本的EEG和EMG为分析对象,采用离散小波变换对原始数据进行滤波预处理,提取EEG的α,β,θ,δ节律波和高频成分的能量比,利用样本熵算法提取EEG的非线性特征。将特征参数输入支持向量机分类器中进行样本训练与分类识别。实验结果表明,该方法的分期准确率可以达到92.94%,相比基于EEG的睡眠分期方法平均准确率提高3.96%,交叉验证平均准确率达82.68%,具有较好的泛化能力。     

基于频域分析与统计计算的自动睡眠分期研究

睡眠是人体最重要的生理活动之一,睡眠质量的好坏与我们的生理和心理健康都密切相关。因此,睡眠监测,特别是自动睡眠分期的研究有着重要的价值。本文使用脑电(electroencephalogram,EEG)信号,提出一种基于频谱分析与统计计算的自动睡眠分期算法。首先,利用小波变换实现原始睡眠脑电信号的去噪。然后,分别使用傅里叶变换以及统计分析方法得到频域和时域的多模态特征。最后,构建支持向量机分类器并对EEG信号进行分期研究。以Sleep-EDF公开数据集作为样本测试,本文的自动睡眠分期算法平均分类准确率达到86.82%,与已有的分类算法相比,有显著的提升。     

基于深度卷积神经网络和循环神经网络的睡眠分期模型

针对传统机器学习模型过于依赖特征工程、多导睡眠图（Polysomnography,PSG）数据获取难度大等问题，提出一种基于深度卷积神经网络（ConvolutionalNeuralNetworks,CNN）和循环神经网络（RecurrentNeural Network,RNN）的自动睡眠分期模型。该模型不需要烦琐的特征提取过程，仅使用单通道脑电信号即可在较高水准下完成自动睡眠分期，在公开数据集Sleep-EDF的Fpz-CZ通道脑电数据上实现了85.2%的分类准确率。     

基于深度置信网络的心电信号分类识别

传统的心电信号分类方法通常需要人为提取特征,导致系统的分类性能不稳定.基于此,运用了基于深度置信网络的心电信号分类算法,利用网络的深层次学习能力自动学习信号的特征.提取特征后,选用Softmax分类器对信号进行分类,并用误差反向传播算法微调网络,提高分类性能.选取MIT-BIH数据库中的正常心拍、室性早搏、房性早搏和起...     

基于深度极限学习机的卫星云图云量计算

卫星云图云量计算是卫星气象应用的基础,现阶段对其的研究未能充分利用卫星云图的特征,导致云检测及云量计算的效果不好。针对该问题,利用多层神经网络进行卫星云图的特征提取,并通过大量实验寻找到最优的深度学习的网络结构。基于度极限学习机对卫星云图的云进行检测和分类,再利用“空间相关法”计算云图中的总云量。实验结果表明,基于传统极限学习机的深度极限学习机能够充分提取云图的特征,在进行云分类时能够较清晰地区分厚云和薄云间的界限。相比于传统阈值法、极限学习机模型以及卷积神经网络,深度极限学习机的云识别率以及云量计算准确率更高,且所提方法比卷积神经网络的效率更高。     

基于双隐层极限学习机的模糊XML文档分类

随着大数据时代的到来,对异构和分布式的模糊XML数据管理显得越来越重要。在模糊XML数据的管理中,模糊XML文档的分类是关键问题。针对模糊XML文档的分类,提出采用双隐层极限学习机模型来实现模糊XML文档自动分类。这个模型可以分为两个部分：第一层采用极限学习机提取模糊XML文档的相应特征,第二层利用核极限学习机根据这些特征进行最终的模糊XML文档分类。通过实验验证了所提方法的性能优势。首先对主要的调节参数包括隐藏层节点的数目[L],常量[C]和核参数[γ]进行了研究,接下来的对比实验说明提出的基于双隐层ELM（Extreme Learning Machine）的方法相较于传统单隐层ELM以及SVM（Support Vector Machine）方法,分类精度得到较大提高,训练时间进一步缩减。     

改进极限学习机的移动界面模式半监督分类

针对现有半监督分类方法无法对移动界面模式进行有效分类的问题,提出一种采用改进极限学习机的移动界面模式半监督分类方法。为了提高极限学习机的分类效果,利用改进的粒子群优化算法优化极限学习机的初始参数。根据移动界面模式数据的特点,利用主动学习和模糊[C]均值聚类提取信息丰富的未标记数据进行训练和标记。利用分类器实现对所有数据的分类。实验结果表明,该分类方法能够对移动界面模式数据进行有效和合理的分类。     

基于周期分割的睡眠自动分期研究

为实现高效的自动睡眠分期，提出一种基于周期分割的时域信号处理方法，采用合并增减序列方法对三个通道多导睡眠图记录（2路脑电，1路眼电）进行周期分割，根据信号波形的周期标记睡眠各期的特征波形，提取特征波形在每一帧数据的时长占比与平均幅值作为特征。双向长短时记忆网络（Bi-directional Long Short-Term Memory，Bi-LSTM）作为分类器，解决传统机器学习方法无法利用睡眠数据时间上下文信息的缺点。对42?699个样本使用交叉验证方法得到了84.8%的平均准确率，实验结果表明合并增减序列方法可以降低脑电信号分析的复杂度，是一种有效的时域信号处理方法，双向长短时记忆网络可以有效提高睡眠分期准确率，具有良好的应用前景。