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。     

小波包能量谱在睡眠分期中的应用

利用小波包技术,根据脑电信号在不同睡眠状态下各脑电节律所占的成分不同,提出一种基于小波包能量谱的睡眠脑电分期方法。首先依据脑电信号各节律的频率特点选择好分解层数对信号进行小波包分解,再重构信号,提取出睡眠脑电信号的各节律;然后运用小波包能量谱计算各节律所占的能量比重;最后用3例脑电数据进行实验。实验结果表明,不同睡眠状态下各脑电节律所占比重不同,随着睡眠的深入,睡眠脑电节律θ和δ所占的能量比重增大,而节律α和β所占的比重在减少。因此,可以运用睡眠脑电信号中各节律所占的成分不同来区分不同的睡眠状态,并可作为睡眠分期的一个特征参数。     

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。     

基于心电信号的睡眠分期分析研究

设计一种能够利用心电信号特征实现睡眠自动分期的算法。去除心电信号内的噪声，提取心电信号的三类特征，利用极限学习机对提取到的特征进行学习与分类，实现睡眠的自动分期。采用极限学习机的方法对提取到的心电信号特征进行三分类、四分类和六分类的平均准确率分别为72%、67%、58%。     

多模态融合的特征提取方法在SA检测中的应用

为解决睡眠呼吸暂停(Sleep Apnea,SA)检测中使用传统的机器学习方法需花大量工作在特征工程上导致效率低下,以及模型多以单通道信号进行特征提取存在识别效果不佳的问题,提出一种基于时序卷积网络(Temporal Convolutional Network,TCN)和堆叠稀疏降噪自编码器(Stacked Sparse Denoismg Auto-Encoder,SSDAEs)的多模态特征融合模型来实现特征自动提取。该模型以心电和呼吸2种信号作为输入,首先利用TCN网络提取输入信号的时序特征,然后通过SSDAEs提取信号的浅层与深层的高维特征,对于不同特征空间的心电信号特征和呼吸信号特征采用一个小型神经网络进行特征融合,将该模型与随机森林算法结合,用于解决SA片段检测问题。实验结果表明,该方法在SA片段检测的准确率、灵敏度、特异性分别是91.5%、88.9%、90.8%。通过与以往相关研究对比,验证了该模型的SA检测性能更好,效率更高。     

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。     

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。     

Detecting rapid eye movement sleep using a single EEG signal channel

Sleep stage scoring is generally determined in a polysomnographic (PSG) study where technologists use electroencephalogram (EEG), electromyogram (EMG), and electrooculogram (EOG) signals to determine the sleep stages. Such a process is time consuming and labor intensive. To reduce the workload and to improve the sleep stage scoring performance of sleep experts, this paper introduces an intelligent rapid eye movement (REM) sleep detection method that requires only a single EEG channel. The proposed approach distinguishes itself from previous automatic sleep staging methods by introducing two sets of auxiliary features to help resolve the difficulties caused by interpersonal EEG signal differences. In addition to adopting conventional time and frequency domain features, two empirical rules are introduced to enhance REM detection performance based on sleep being a continuous process. The approach was tested with 779,661 epochs obtained from 947 overnight PSG studies. The REM sleep detection results show a kappa coefficient at 0.752, an accuracy level of 0.930, a sensitivity score of 0.814, and a positive predictive value of 0.775. The results also show that the performance of the approach varies with the ratio of REM sleep and the severity of sleep apnea of the subjects. The experimental results also show that it is possible to improve the performance of an automatic sleep staging method by tailoring it to subgroups of persons that have similar sleep architecture and clinical characteristics.     

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。     

Classification of sleep stages based on LSTAR model

Sleep study is very important in the health since sleep disorders affect the productivity of individuals. One of the important topics in sleep research is the classification of sleep stages using the electroencephalogram (EEG) signal. Electrical activities of brain are measured by EEG signal in the laboratory. In real-world environments, EEG signal is also used in portable monitoring devices to analyze sleep. In this study, we propose an efficient method for classification of sleep stages. EEG signals are examined by a new model from autoregressive (AR) family, namely logistic smooth transition autoregressive (LSTAR) to study sleep process. In contrast to the AR model, LSTAR is a non-linear one; therefore, it is suitable for modeling non-linear signals such as EEG. In the current research, at first, each 30-second epoch of EEG signal is decomposed into the time-frequency sub-bands using the double-density dual-tree discrete wavelet transform (D3TDWT). In the second step, LSTAR model is used for feature extraction from each sub-band. Next, the dimension of feature vector is reduced by tensor locality preserving projection (tensor LPP) method, and then the obtained features are given to classifier to determine the stage of each epoch based on the number of considered classes. After classifying sleep stages, some misclassified epochs can be corrected according to the smoothing rule. We consider different classifiers and evaluate their performance. The results indicate the efficiency of the proposed method in comparison with the recently introduced methods in terms of accuracy and Kappa coefficient.