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.     

基于神经网络集成的睡眠脑电分期研究

用近似熵对睡眠脑电信号进行分期,由于睡眠Ⅲ期和Ⅳ期近似熵值非常接近,靠近似熵值无法区分,提出基于神经网络集成的睡眠脑电信号分期,采用BP神经网络为分类器,对用AR参数提取的睡眠脑电特征对睡眠Ⅲ期和Ⅳ期进行分期。为进一步提高BP神经网络性能,采用Bagging算法对BP神经网络分类器进行加权投票,实验表明,提出的方法具有很好的分期效果。     

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。     

面向运动想象脑电图识别的镜卷积神经网络

目的 脑电图（electroencephalogram,EEG）是一种灵活、无创、非侵入式的大脑监测方法,广泛应用于运动想象脑机接口系统中,运动想象脑电图识别精度是决定系统性能的关键因素。然而由于脑电图采集时间长、个体差异大等原因,导致单个受试者可用于模型训练的样本数量少,严重影响了卷积神经网络在脑电图识别任务中的表现。为此,本文提出一种镜卷积神经网络（mirror convolutional neural network,MCNN）模型,使用集成学习与数据扩增方法提高运动想象脑电图识别精度。方法 在训练阶段,基于源脑电通过互换左右侧脑电通道构造镜像脑电,并与源脑电一起用于源卷积网络训练,有效扩增了训练样本;在预测阶段,复制已训练源卷积网络作为镜像卷积网络,将测试集中的源脑电输入源卷积网络,构造的镜像脑电输入镜像卷积网络,集成源卷积网络与镜像卷积网络输出的类别预测概率,形成最终类别预测。结果 为了验证模型的有效性和通用性,基于3种不同运动想象脑电图识别卷积网络模型分别构造镜卷积网络,并在第4届脑机接口大赛2a与2b数据集上进行实验验证。实验结果与原始模型相比,运动想象四分类和二分类准确率分别平均提高了4.83%和4.61%,显著提高了识别精度。结论 本文面向运动想象脑电图识别,提出了镜卷积神经网络模型,通过集成学习与数据扩增方法提高运动想象识别精度,有效改善了运动想象脑机接口性能。     

基于谱带融合的EEG自动睡眠分期算法

由于当前数据集类别不均衡造成基于深度学习的睡眠阶段分期模型性能较差。论文提出了一种基于谱带融合数据增强的自动睡眠分期算法（EEGFusionNet,EFNet）,以解决上述问题提高模型性能。该算法首先对样本数据进行谱带融合的数据增强处理,通过由卷积神经网络与双向门控循环单元提取EEG中的时频特征与时序特征,将特征融合进行睡眠阶段分期。将Sleep EDF数据集中153名健康受试者的EEG信号作为本模型的样本数据进行训练,得到模型的准确率约为84.4%,kappa值为83.8%。与传统的基线模型相比,论文提出的基于谱带融合的睡眠分期模型在准确性和一致性方面具有显著提升。     

基于3CNN-BiGRU的睡眠自动分期研究

针对单通道脑电信号睡眠自动分期效率和准确率问题,提出采用三尺度并行卷积神经网络提取睡眠信号特征和双向门控循环单元学习睡眠阶段之间内部时间关系的3CNN-BiGRU睡眠自动分期模型。首先对原始单通道脑电信号进行带通滤波处理,并采用合成少数类过采样技术进行类平衡,然后送入搭建的模型中进行训练和验证实验,其中采用预训练和微调训练对模型进行优化,采用10次和20次交叉验证提高训练可靠性。不同数据集下的不同模型对比实验结果表明,3CNN-BiGRU模型取得了更高的训练效率和更好的分期准确率。     

基于CNN-LSTM网络的睡眠分期研究

睡眠分期是睡眠数据分析的基础,用自动标定方法来替代人工标定方法可以提高效率,结果也更为客观。不管是人工手动标定还是自动标定都是基于多导睡眠图(Polysomnography,PSG)。采用长短时记忆模型(LSTM-RNN)及长短时记忆模型与卷积神经网络(CNN)相结合的模型(CNN-LSTM)对三个通道信号(EEG、EOG、EMG)的组合进行自动睡眠分期研究。通过对9个受试数据进行分析,LSTM-RNN和CNN-LSTM分别达到了81.9%和83.1%的分类准确率。相对于LSTM-RNN模型,结合卷积神经网络的CNN-LSTM模型获得的分期准确率更高,平均准确率提高了1.2%。     

基于LSTM神经网络模型的交通事故预测

道路交通事故是道路交通安全水平的具体体现,为使预测数据更科学地为交通管理系统提供决策。提出建立基于LSTM（Long Short-Term Memory）神经网络的交通事故模型,训练交通事故相关的数据,对交通安全水平的指标进行预测。经过与传统回归模型和传统神经网络模型进行实验对比,实验显示LSTM拟合效果最佳,另外LSTM模型对同一趋势上的预测效果有明显优势。通过使用LSTM模型捕获数据中存在的时序依赖关系,能够更准确地对交通事故安全水平进行预测,使交通管理部门制定更加科学准确的决策。     

口语理解中改进循环神经网络的应用

口语理解性能的提升对于口语对话系统的研究具有重要作用。为了提高口语理解性能，应用循环神经网络（RNN）及其变体（LSTM，GRU）方法。在此基础上，提出一种改进的循环神经网络（Modified-RNN）方法，该方法通过添加存储历史状态信息，能够存储更长时的信息，含有更少的参数，根据获取的更多信息提取特征信息增加获取信息的有效性，提高了口语理解的精准率和[F1]，缩短了实验时间。在航空旅行信息数据库（ATIS）上的实验结果验证了该算法的有效性和可靠性。     

基于神经网络的睡眠分期处理算法研究

睡眠质量已成为临床医学和人类生活中普遍关心的问题,为了研究不同睡眠时期大脑的活动,并对整夜睡眠状况及睡眠质量进行分析和评价,为了完成自动识别,提出一种基于神经网络的睡眠分期方法并探讨其应用到实际中的可行性。以国际睡眠分期标准为基础,充分考虑EEG信号的各个特征参数,利用BP神经网络分类器设计了一种睡眠自动分期分析的方法。仿真结果表明,利用改进的BP算法消除了网络训练受样本次序影响的缺陷,总睡眠分期准确率达到79.2%。这种方法及选取的17个睡眠分期参数可为睡眠质量的评价提供途径,可把专家们从冗繁的判读整夜睡眠记录中解脱出来,以进行更深入地分析和研究。     

双向循环神经网络在语音识别中的应用

针对前馈神经网络难以处理时序数据的问题,提出将双向循环神经网络（BiRNN）应用在自动语音识别声学建模中。首先,应用梅尔频率倒谱系数进行特征提取;其次,采用双向循环神经网络作为声学模型;最后,测试不同参数对系统性能的影响。在TIMIT数据集上的实验结果表明,与基于卷积神经网络和深度神经网络的声学模型相比,识别率分别提升了1.3%和4.0%,说明基于双向循环神经网络的声学模型具有更好的性能。     

灰色问题神经网络建模优化及其应用

文章对灰色神经网络模型ＧＮＮＭ（１,１）进行了深入研究,并作了进一步优化和完善。提出了基于时间响应模型建立ＧＮＮＭ（１,１）的方法,进一步根据多维灰色不确定问题,考虑到系统中各因子之间各种各样的关系与机制,在ＧＮ－ＮＭ（１,１）的基础上建立了ＧＮＮＭ（１,４）模型。     

结合卷积神经网络与注意力机制的多域特征融合ECG心率失常分类

心率失常是心血管疾病诊断的重要手段，其自动分类具有重要的临床意义。为了提高心率失常分类的准确性，结合一维卷积神经网络（Convolutional Neural Networks,CNN）和注意力机制（Attention）提出了一种CNN+Attention的深度学习模型，使用CNN提取心电信号的一维时域特征。针对一维时序心电信号时域特征表征能力有限的问题，使用短时傅里叶变换（Short-Time Fourier transform,STFT）将心电信号变换到时频域，通过Attention提取心电信号的时频域全局相关依赖关系，将时域与时频域特征融合对5种类型心电信号进行分类。在MIT-BIH数据集上验证了模型的有效性，所提模型对5种类型心电信号的平均分类准确率、精准率、召回率、灵敏度以及F1＿Score分别为99.72%、98.55%、99.46%、99.90%以及99.00%。与已有先进方法对比，验证了所提模型具有先进的性能表现。     

基于大数据算法模型的电力运维故障诊断方法研究

文章研究了一种基于大数据的深度学习模型,将其应用于电力运维故障诊断设备中。该模型通过整合卷积神经网络（Convolutional Neural Networks,CNN）和递归神经网络（Recurrent Neural Network,RNN）,可以快速且精准地诊断电力设备故障,从而提高电力系统的可靠性和运行效率。     

图神经网络应用于知识图谱推理的研究综述

知识推理（KR）作为知识图谱构建的一个重要环节,一直是该领域研究的焦点问题。随着知识图谱应用研究的不断深入和范围的不断扩大,将图神经网络（GNN）应用于知识推理的方法能够在获取知识图谱中实体、关系等语义信息的同时,充分考虑知识图谱的结构信息,使其具备更好的可解释性和更强的推理能力,因此近年来受到广泛关注。首先梳理了知识图谱和知识推理的基本知识及研究现状,简要介绍了基于逻辑规则、基于表示学习、基于神经网络和基于图神经网络的知识推理的优势与不足;其次全面总结了基于图神经网络的知识推理最新进展,将基于图神经网络的知识推理按照基于递归图神经网络（RecGNN）、卷积图神经网络（ConvGNN）、图自编码网络（GAE）和时空图神经网络（STGNN）的知识推理进行分类,对各类典型网络模型进行了介绍和对比分析;然后介绍了基于图神经网络的知识推理在医学、智能制造、军事、交通等领域的应用;最后提出了基于图神经网络的知识推理的未来研究方向,并对这个快速增长领域中的各方向研究进行了展望。     

类内类间距离在CNN识别心拍类中的应用研究

心脏疾病严重威胁人类身体健康，心电图（Electrocardiogram，ECG）心拍分类对心脏疾病的临床诊断和自动诊断具有重要意义。现有基于深度学习生成的ECG心拍特征虽然优于基于传统方法生成的心拍特征，但是因ECG中各类间存在着严重的数据不平衡问题，致使现有基于深度学习方法生成的心拍特征的性能仍不甚理想。针对这一问题，以卷积神经网络（Convolutional Neural Network，CNN）为基础，在各类心拍等量数据基础上构建能有效表达各类心拍共性信息的共性CNN模型，以共性CNN模型和最小化类内距离最大化类间距离模型为基础，分别在各类心拍数据上构建能有效反映相应心拍类别倾向性信息的类别CNN模型，综合各心拍类别CNN模型的输出进行识别与分类。在MIT-BIH数据库上的实验结果显示，该方法识别分类心拍的各项指标均达到100%，解决了MIT-BIH数据库中ECG四类心拍自动识别分类的问题。     

基于生成少数类技术的深度自动睡眠分期模型

针对现阶段可用睡眠脑电数据皆为类不平衡小数据集，深度学习模型的直接迁移应用所取得的分期效果较差的问题，分别从数据集重构和模型训练优化两方面入手，提出可用于少量类不均衡原始睡眠脑电数据集的深度自动睡眠分期模型。首先，从减少决策域的角度对修改的生成少数类过采样技术（MSMOTE）进行改进，并将其用于数据集中少数类的生成；然后，用重构后的数据集对模型作预激活处理。15折交叉验证得出总体精度和宏F1值分别为86.73%和81.70%。应用改进后的MSMOTE重构的数据集对模型作预激活，可使最小类的F1值由45.16%增至53.64%。实验表明，模型可实现对少量原始睡眠脑电数据的端到端学习，总体分类效果优于近年高水平模型，适用于配备远程服务器的分体式便携睡眠监测设备。     

基于图卷积神经网络的药物-靶标亲和力预测算法

近年来,由于药物开发比较耗时,且常常伴有安全性问题,使用深度学习技术预测药物-靶标亲和力（Drug -Target Affiinity,DTA）成为一个有效的替代方案。基于此,提出采用基于图卷积神经网络的算法来有效捕获药物的结构信息,学习被表示成图的药物特征,使用一维卷积神经网络学习蛋白质特征。将所提出的方法分别在两个基准药物靶标结合亲和数据集上进行了验证,并与已有的先进模型进行比较。