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...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。展开更多
文摘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。
文摘大规模稀疏多目标优化问题(Sparse Multiobjective Optimization Problems,SMOPs)广泛存在于现实世界。为大规模SMOPs提出通用的解决方法,对于进化计算、控制论和机器学习等领域中的问题解决都具有推动作用。由于SMOPs具有高维决策空间和Pareto最优解稀疏的特性,现有的进化算法在解决SMOPs时,很容易陷入维数灾难的困境。针对这个问题,以稀疏分布的学习为切入点,提出了一种基于在线学习稀疏特征的大规模多目标进化算法(Large-scale Multiobjective Evolutio-nary Algorithm Based on Online Learning of Sparse Features,MOEA/OLSF)。具体地,首先设计了一种在线学习稀疏特征的方法来挖掘非零变量;然后提出了一种稀疏遗传算子,用于非零变量的进一步搜索和子代解的生成,在非零变量搜索过程中,其二进制交叉和变异算子也用于控制解的稀疏性和多样性。与最新的优秀算法在不同规模的测试问题上的对比结果表明,所提算法在收敛速度和性能方面均更优。
