基于单通道脑电信号的睡眠自动分期研究 被引量：4

1

作者 郭艳平 刘聪 +1 位作者 侯凤贞 刘新昱 《陕西师范大学学报（自然科学版）》 CAS CSCD 北大核心 2020年第6期18-25,共8页

睡眠分期是睡眠评估的基础,在睡眠紊乱症的早期诊断和干预中起着重要的作用。本文利用集合经验模态分解对单通道脑电信号进行预处理,联合使用从分解得到的固有模态信号中提取的线性和非线性动力学等多元特性,构建了机器学习模型的输入... 睡眠分期是睡眠评估的基础,在睡眠紊乱症的早期诊断和干预中起着重要的作用。本文利用集合经验模态分解对单通道脑电信号进行预处理,联合使用从分解得到的固有模态信号中提取的线性和非线性动力学等多元特性,构建了机器学习模型的输入特征空间,并最终训练出可行的睡眠自动分期模型。通过对111个健康受试者整夜睡眠数据的分期实验发现,使用本文提出的特征构建策略,能在多种经典的机器学习算法(反向传播神经网络、支持向量机、随机森林和极端梯度提升)中获得具有实用价值的睡眠自动分期模型。其中,基于极端梯度提升算法的模型在对睡眠状态进行4种分期和5种分期的任务中,准确率分别为81.0%和79.7%。 展开更多

关键词 睡眠自动分期 集合经验模式分解 机器学习

在线阅读 下载PDF 职称材料

基于生理电信号的自动睡眠分期算法综述 被引量：2

2

作者 金峥 贾克斌 《北京工业大学学报》 北大核心 2025年第4期435-451,共17页

基于生理电信号的睡眠分期是监测睡眠过程和诊疗睡眠疾病的重要前提,针对人工睡眠分期方法存在耗时久、效率低、具有主观性等问题,近年来自动睡眠分期方法凭借高效性和准确性受到研究者的关注。因此,从算法设计的角度针对近6年的自动睡... 基于生理电信号的睡眠分期是监测睡眠过程和诊疗睡眠疾病的重要前提,针对人工睡眠分期方法存在耗时久、效率低、具有主观性等问题,近年来自动睡眠分期方法凭借高效性和准确性受到研究者的关注。因此,从算法设计的角度针对近6年的自动睡眠分期算法进行综述,分为传统机器学习和深度学习两大类,并对2个类别按照单通道与多通道生理电信号2种输入方式,从模型算法、信号类型、分期性能方面进行归纳总结。通过对比可知:单通道信号输入降低了信号采集成本,更适用于家庭睡眠监测,而多通道信号输入贴合分期准则,更适用于临床睡眠分析;深度学习类算法相较于传统机器学习类算法更具有研究前景,其可利用深度神经网络自动学习信号内在表征,在高效处理大规模数据的同时提供较好的分期性能。深度学习方法未来的研究重点应该从模型设计的角度转变为提升模型可解释性和泛化性,从而推动深度神经网络在睡眠医学领域中的应用。 展开更多

关键词 睡眠医学 生理电信号 自动睡眠分期 机器学习 深度学习 深度神经网络

在线阅读 下载PDF 职称材料

一种基于Transformer架构的多层级自动睡眠分期模型 被引量：1

3

作者 金峥 贾克斌 《电子学报》 北大核心 2025年第2期545-557,共13页

睡眠是人体保持健康的重要生理过程,基于多导睡眠图(PolySomnoGraphy,PSG)的睡眠分期是诊疗睡眠疾病和评估睡眠质量的重要依据.人工睡眠分期法在处理大规模PSG数据时存在耗时久、效率低的问题,采用深度学习模型有效表征PSG的自动睡眠分... 睡眠是人体保持健康的重要生理过程,基于多导睡眠图(PolySomnoGraphy,PSG)的睡眠分期是诊疗睡眠疾病和评估睡眠质量的重要依据.人工睡眠分期法在处理大规模PSG数据时存在耗时久、效率低的问题,采用深度学习模型有效表征PSG的自动睡眠分期法显现出广阔的研究前景.针对现有模型未充分考虑PSG片段内波形信息、通道间相关性信息、片段间睡眠转换信息的问题,本文提出一种基于Transformer架构的多层级睡眠分期网络模型(Hierarchical transFormer sleep staging model,HierFormer),采用Transformer编码器有效提取片段内波形特征、通道相关性特征、片段间转换特征,并结合注意力机制综合提升模型对于PSG片段内、通道间、片段间三种视角信号特性的可解释性.基于睡眠集-欧洲数据格式(sleep-European Data Format,sleep-EDF)扩展睡眠数据集开展的实验结果表明:本文模型利用更少的参数量取得优于多种现有基线模型的分期性能,分类准确率、宏平均精确率、宏平均召回率、宏平均F1分数、科恩卡帕系数分别可达到0.807、0.784、0.735、0.750和0.721.通过在三种视角下不同特征编码方式的性能对比和注意力分数的可视化,本文进一步证明了所提模型良好的编码能力和可解释性.本研究旨在为睡眠分期领域的深度学习应用提供新途径和新技术,从而辅助医生提升睡眠疾病诊疗效率. 展开更多

关键词 多导睡眠图(PSG) 自动睡眠分期 深度神经网络 Transformer架构 注意力机制 模型可解释性

在线阅读 下载PDF 职称材料

基于单通道脑电的跨域自动睡眠分期

4

作者 朱梦圆 全若梦 +3 位作者 强宁 胡静 凤飞龙 李锦 《中国生物医学工程学报》 北大核心 2025年第4期406-415,共10页

睡眠分期对诊断和治疗睡眠问题具有重要意义。目前已有的深度睡眠分期网络存在数据效率低下和数据分布差异的问题,导致在训练集上训练的模型在实际数据上的性能下降。针对此问题,本研究提出了使用单通道脑电进行跨域自动睡眠分期的新型... 睡眠分期对诊断和治疗睡眠问题具有重要意义。目前已有的深度睡眠分期网络存在数据效率低下和数据分布差异的问题,导致在训练集上训练的模型在实际数据上的性能下降。针对此问题,本研究提出了使用单通道脑电进行跨域自动睡眠分期的新型对抗域适应网络。该网络使用特征提取器提取脑电特征,同时利用非共享的注意力机制保留特定领域的关键信息,结合域鉴别器对齐源域和目标域,并通过基于迭代自训练的双重段级分类器解决类级对齐问题。为了验证所提网络的可靠性,在3个公开数据集Sleep-EDF-20、SHHS1、SHHS2中分别随机选取39、42和44条记录,在生成的6个跨域场景上进行实验。结果表明,所提网络的平均准确率为74.29%,平均MF1值为61.95%。与其他基线模型的性能相比,平均准确率上比已有基线模型至少提高了2.01%,在平均MF1分数上,至少提高了2.22%,为睡眠分期任务中域偏移问题提供了新的思路。 展开更多

关键词 单通道脑电 跨域 自动睡眠分期 对抗域适应

在线阅读 下载PDF 职称材料

基于KAN的多模态自动睡眠分期

5

作者 张昌涛 耿读艳 殷玥 《电子测量技术》 北大核心 2025年第16期54-59,共6页

当前的自动睡眠分期模型存在特征提取能力不足以及多模态特征融合效果欠佳的问题。为了更有效地处理非线性信号,本文利用科尔莫戈罗夫-阿诺德网络(KAN)动态学习非线性激活函数,采用基于KAN和迁移学习的特征提取网络分别提取睡眠状态下... 当前的自动睡眠分期模型存在特征提取能力不足以及多模态特征融合效果欠佳的问题。为了更有效地处理非线性信号,本文利用科尔莫戈罗夫-阿诺德网络(KAN)动态学习非线性激活函数,采用基于KAN和迁移学习的特征提取网络分别提取睡眠状态下的脑电和心电信号特征。利用外部注意力机制对不同模态分别施加注意力,通过结合外部注意力机制的多模态门控融合方案进行特征整合,缓解数据类不平衡对N1期精度的影响。在ISRUC-S3数据集上实现了85.6%的总体准确率、84.9%的宏平均F_(1)值,N1期的F_(1)分数为67.7%。相较于当前的其他先进方法,有效提升了自动睡眠分期算法的性能。 展开更多

关键词 自动睡眠分期 科尔莫戈罗夫-阿诺德网络 迁移学习 外部注意力机制 多模态门控融合

在线阅读 下载PDF 职称材料

基于U^(2)-Net和CBAM融合注意力的双模态睡眠分期研究 被引量：1

6

作者 赵倩 李锦 +2 位作者 凤飞龙 强宁 胡静 《陕西师范大学学报(自然科学版)》 北大核心 2025年第1期1-11,共11页

针对当前自动睡眠分期方法存在的难点问题,提出了一种结合U^(2)-Net和CBAM融合注意力对EEG-ECG双模态信号进行自动睡眠分期的方法。首先,采用MIT-BIH公开数据集中的EEG-ECG信号进行预处理;然后,利用添加了多尺度特征提取模块的U^(2)-Ne... 针对当前自动睡眠分期方法存在的难点问题,提出了一种结合U^(2)-Net和CBAM融合注意力对EEG-ECG双模态信号进行自动睡眠分期的方法。首先,采用MIT-BIH公开数据集中的EEG-ECG信号进行预处理;然后,利用添加了多尺度特征提取模块的U^(2)-Net网络并行提取EEG和ECG中的波形特征;其次,利用CBAM融合注意力对全部特征进行权重分配;最后,使用Softmax激活函数对睡眠时期进行六分类。结果表明:基于U^(2)-Net和CBAM融合注意力模型进行睡眠分期时,使用ECG单模态信号的六分类总体准确率为80.2%,F1分数为75.3%;使用EEG单模态信号的六分类总体准确率为85.8%,F1分数为81.7%;使用EEG-ECG双模态信号的六分类总体准确率为90.4%,F1分数为85.6%。提出的双模态睡眠分期模型是可行有效的,并且为自动睡眠分期提供了一种新的思路。 展开更多

关键词 自动睡眠分期 EEG-ECG双模态信号 U^(2)-Net网络 CBAM融合注意力

在线阅读 下载PDF 职称材料

基于心率变异性的自动睡眠分期及其脑电图验证 被引量：1

7

作者 应少飞 秦代友 +3 位作者 谢佳欣 郜东瑞 秦云 刘铁军 《中国生物医学工程学报》 CAS CSCD 北大核心 2024年第1期18-26,共9页

睡眠障碍会严重影响人们的日常生活,因此睡眠的早期监测对睡眠疾病的预防和诊断有重要意义。采用自行研制的便携式多导睡眠监护仪,开展了103人次的居家夜间睡眠数据收集(含脑电、眼电、肌电和心电信号)。然后,从同步采集的心电数据RR间... 睡眠障碍会严重影响人们的日常生活,因此睡眠的早期监测对睡眠疾病的预防和诊断有重要意义。采用自行研制的便携式多导睡眠监护仪,开展了103人次的居家夜间睡眠数据收集(含脑电、眼电、肌电和心电信号)。然后,从同步采集的心电数据RR间期中提取时域、频率和非线性特征,组合出最高达426个心率变异性(HRV)特征,基于Xgboost算法构建模型对睡眠中的清醒期(wake)、非快速眼动|期(N1)、非快速眼动Ⅱ期(N2)、非快速眼动Ⅲ期(N3)和快速眼动期(REM)进行五分类(wake、N1、N2、N3、REM)、三分类(wake+N1、REM、N2+N3)和二分类(wake、N1+N2+N3+REM)预测,并与脑电图睡眠分期标签进行验证。最后,五分类、三分类和二分类测试结果准确率分别达到84.0%、89.1%和95.2%,F1-score达到83.2%、88.9%和94.9%,为同类模型研究中表现最佳。说明HRV与睡眠阶段具有良好的相关性,基于便携式设备收集数据构建的算法模型可以较好地识别睡眠状态。 展开更多

关键词 心率变异性 脑电图 多导睡眠监护仪 Xgboost 自动睡眠分期

在线阅读 下载PDF 职称材料

基于多模态数据与融合深度网络的自动睡眠分期方法 被引量：1

8

作者 赵若男 李朵 +1 位作者 宋江玲 张瑞 《计算机科学》 CSCD 北大核心 2024年第S02期429-434,共6页

准确的睡眠分期是进行睡眠质量评估及相关疾病诊断的重要依据。针对脑电信号(Electroencephalogram,EEG)和眼电信号(Electrooculogram,EOG)在睡眠各阶段存在差异性,提出了一种用于实现自动睡眠分期的基于EEG和EOG的新型特征融合深度网... 准确的睡眠分期是进行睡眠质量评估及相关疾病诊断的重要依据。针对脑电信号(Electroencephalogram,EEG)和眼电信号(Electrooculogram,EOG)在睡眠各阶段存在差异性,提出了一种用于实现自动睡眠分期的基于EEG和EOG的新型特征融合深度网络——MAFSNet。具体地,首先设计两种一维卷积神经网络分别用于提取EEG和EOG信号中的睡眠有效特征;其次,构建自适应的特征融合模块,根据特征的贡献程度赋予其不同的权值,通过增强判别特征和抑制无关特征,得到包含多模态睡眠信息的自适应融合特征;进而,采用双向长短期记忆网络学习睡眠阶段转换规则中的时间序列相关信息;最后,使用公开数据集Sleep-EDF验证所提模型实现五级睡眠分期的有效性。研究结果表明所提方法在睡眠分期中具有较高的分类性能,准确率、Kappa系数和MF1分数分别为94.1%,88.2%和81.9%,其中N1和REM睡眠阶段的召回率分别显著提升到64.6%和93.5%。 展开更多

关键词 自动睡眠分期 脑电信号 眼电信号 深度神经网络 自适应特征融合

在线阅读 下载PDF 职称材料

基于SAD-PE的自动睡眠分期模型 被引量：2

9

作者 李令环 奚峥皓 +1 位作者 曹乐 张文艳 《传感器与微系统》 CSCD 北大核心 2022年第11期138-142,共5页

针对众多睡眠分期模型在N1期分类准确度低的问题,提出一种基于符号化振幅差值和排列熵结合的睡眠自动分期模型。首先,对睡眠脑电基于符号化振幅差值(SAD)计算排列熵(PE);其次,将重构子向量的均值作为权重加入到排列熵计算,得到符号化振... 针对众多睡眠分期模型在N1期分类准确度低的问题,提出一种基于符号化振幅差值和排列熵结合的睡眠自动分期模型。首先,对睡眠脑电基于符号化振幅差值(SAD)计算排列熵(PE);其次,将重构子向量的均值作为权重加入到排列熵计算,得到符号化振幅差值排列熵(SAD-PE),并给出影响SAD-PE特异性的尺度因子的计算模型;然后,对5 760个单通道睡眠脑电提取多域特征,并利用ReliefF算法计算32个特征的贡献度并降维;最后,利用随机森林进行睡眠分期。所提方法在睡眠五分类模式下,整体准确度保持较高水平,尤其对较难区分的N1期,分类准确度比用Energy Features&RNN模型提高了9.05%,为分析N1期与REM期相关的异态睡眠提供了新的思路,具有较好的应用前景。 展开更多

关键词 睡眠自动分期 排列熵 符号化振幅差值 单通道

在线阅读 下载PDF 职称材料

基于深度学习的自动睡眠分期研究综述 被引量：1

10

作者 刘颖 储浩然 章浩伟 《数据采集与处理》 CSCD 北大核心 2023年第4期759-776,共18页

睡眠分期是为了分析多导睡眠图记录而进行的重要过程,在睡眠监测和睡眠障碍诊疗中发挥着关键作用。传统的手动睡眠分期需要专业知识,繁琐且耗时;而深度学习通过模拟人脑解释信息的机制来构建模型,具有强大的自动特征提取及特征表达功能... 睡眠分期是为了分析多导睡眠图记录而进行的重要过程,在睡眠监测和睡眠障碍诊疗中发挥着关键作用。传统的手动睡眠分期需要专业知识,繁琐且耗时;而深度学习通过模拟人脑解释信息的机制来构建模型,具有强大的自动特征提取及特征表达功能。将深度学习方法应用于睡眠分期研究,不依赖于手工特征设计,能够实现睡眠分期的自动化。本文着眼于2017年以来的一些典型的自动睡眠分期研究,重点从单视图和多视图输入两个方面系统回顾了应用于自动睡眠分期中的深度学习模型,并分析了多视图模型存在的难点,指出了其具有的潜在研究价值。最后,对自动睡眠分期未来的研究方向进行了探讨。 展开更多

关键词 自动睡眠分期 多导睡眠图 深度学习 单视图 多视图

在线阅读 下载PDF 职称材料

基于多参数特征融合的自动睡眠分期方法 被引量：4

11

作者 吕甜甜 王心醉 +3 位作者 俞乾 贾朋飞 陈骁 吴成雄 《计算机应用》 CSCD 北大核心 2017年第A02期313-317,共5页

睡眠分期是睡眠障碍等相关疾病诊断的重要依据。为实现准确且具有泛化能力的自动睡眠分期,提出了一种基于多参数特征融合的自动睡眠分期方法。首先,利用离散小波变换(DWT)对原始数据进行滤波预处理,获取脑电图(EEG)的α波、β波、θ波... 睡眠分期是睡眠障碍等相关疾病诊断的重要依据。为实现准确且具有泛化能力的自动睡眠分期,提出了一种基于多参数特征融合的自动睡眠分期方法。首先,利用离散小波变换(DWT)对原始数据进行滤波预处理,获取脑电图(EEG)的α波、β波、θ波、δ波、肌电图(EMG)的高频成分的特征能量比,采用样本熵算法提取EEG、心电图(ECG)的非线性特征,提取呼吸信号的均值,共八个特征;然后,将特征参数输入支持向量机(SVM)分类器中进行样本训练与分类识别,并把分类结果与基于EEG的睡眠分期方法、基于EEG和ECG的睡眠分期方法结果进行对比,验证了该方法的可行性与准确性;最后,采用交叉验证方法对不同样本进行建模,验证其泛化能力。结果表明,该方法准确率可以达到92.95%,相比基于EEG睡眠分期算法平均准确率提高9.65%,交叉验证后平均准确率达85.15%,具有较好的泛化能力。 展开更多

关键词 自动睡眠分期 多参数 离散小波变换 能量特征 样本熵 支持向量机

在线阅读 下载PDF 职称材料

基于多尺度深度网络的自动睡眠分期 被引量：2

12

作者 柏浩冉 张伟 陆冠泽 《中国生物医学工程学报》 CAS CSCD 北大核心 2021年第2期170-176,共7页

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳。提出一种基于多尺度... 传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳。提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难度进行相应的多尺度分析与判别。该算法可提前输出特征简单明确的W、N2、N3、REM等阶段的分类结果,然后让特征相对不够清晰的过渡阶段N1进入更深尺度的网络,利用更精细的特征数据以及更深的网络进行判别,能提高整体分类效率以及N1阶段的分类精度。在Sleep-EDFx数据集中,提取197组样本数据用于训练和测试,并在仅采用单通道EEG脑电信号的前提下,平均分类精度达到0.83,Kappa值为0.749,N1阶段的F1-score达到0.51,较传统机器学习算法以及多种深度网络,提高了整体分类精度,特别是N1阶段精度,且计算量没有显著增加,适于自动化实时分析。 展开更多

关键词 自动睡眠分期 多尺度分析 机器学习 深度学习 多尺度深度网络(MSDNet)

在线阅读 下载PDF 职称材料