睡眠分期

摘要： 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。

摘要： 传统凭借人工逐帧识别脑电信号来判断睡眠时期的方法耗费大量时间,效率低下;基于采集到的头部脑电信号引入模式识别的方法来完成自动分期的任务。利用小波阈值滤波对脑电信号进行预处理。采用小波包分解提取出每帧数据中四种节律波并计算相应节律波能量值,以此作为分类特征。为了更好地适应非线性问题,还要提取非线性特征,计算每帧数据的排列熵和样本熵。划分出70%的数据作为训练集用于支持向量机的多分类器模型的分类训练,将训练完成的模型对测试集进行测试,得到了整体84.4%的准确率。提取的数据特征和支持向量机的多分类模型适用于解决脑电信号的睡眠分期任务,可以得到不错的准确率。

摘要： 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F_(1)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。

摘要： 针对睡眠分期中样本不平衡问题,提出以最短路径为指标选取最优数据进行数据生成的思想,增加少数类样本的数量。基于Border-SMOTE算法,提出改进的iBorder-SMOTE睡眠数据生成算法。用密度峰值聚类算法确定待生成数据的簇类别区域,采用中心最短路径选取最优数据点进行数据生成,使用异变扰动方法对生成数据进行修正,保证数据的全局分布。在数据集Sleep-EDF上进行验证,其结果表明,改进后的算法有效提高了少数类样本的识别精度。

摘要： 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时频域的特征提取,卷积神经网络能够提取睡眠信号高级特征,双向长短时记忆神经网络结合睡眠数据不同时期的关联性,提高自动睡眠分期的准确率.实验结果表明,本文方法在Sleep-EDF数据集的3种状态睡眠分期任务中取得89.0%的平均准确率.与传统的基于统计规则的分期模型相比,本文模型的准确率更高,且简单高效,泛化性能更好.本文算法适用于非线性、不稳定、有幅度起伏变动的脑电信号,有效提高了自动睡眠分期模型结果的准确率,对现代睡眠医学、睡眠障碍等分析研究具有一定的实用价值.

摘要： 提出一种基于单通道脑电数据的睡眠自动分期方法。利用多个并行的卷积操作学习脑电的多尺度空间特征,使用长短期记忆网络挖掘局部时不变特征中的时间信息。针对类别不平衡问题,采用时移滚动方法和加权交叉熵损失函数。在公开数据集Sleep-EDF上的实验结果表明,所提方法仅使用单通道数据实现了端到端的高效睡眠自动分期,缓解了不平衡数据集的分类问题。

摘要： 针对单一特征值无法准确区分不同时期脑电信号的问题,提出一种基于复合特征参数的睡眠分期识别算法。该算法应用带通滤波器对原始脑电信号进行预处理,提取4种节律波;然后分别利用自回归模型和样本熵求出各个节律波的自回归系数和样本熵值,结合计算得到的能量特征和信源熵值,组成复合特征参数;最后使用支持向量机实现睡眠自动分期。Matlab仿真结果表明,该方法相较于基于自回归系数单一特征值的睡眠分期算法,其准确率提高了5.63%。

摘要： 研究表明,睡眠分期对于睡眠相关疾病的诊断与治疗具有重要的临床指导意义。因此设计了一套仪器,使用血氧探头配合单片机实时监测并提取人体睡眠时的心率数据,再用上位机对采集到的心率数据,采用基于统计学的“K-中心点轮换法”的聚类算法进行分析,同时结合睡眠期间心率变化的特点,进行高效、客观的睡眠智能分期,经实测该仪器能对受试者的睡眠结构进行分析,自动实现睡眠分期的划分,与传统监测睡眠质量的医用多道睡眠图仪相比较,具有操作方便、成本较低、对睡眠者影响较小和适合居家使用等优点,有助于对自身睡眠生理参数的长期自主监测。

摘要： 针对可穿戴睡眠监测缺乏有效的自动睡眠分期和睡眠质量评价方法这一问题,提出一种适用于睡眠呼吸暂停综合征患者的自动睡眠分期方法。通过心电图R-R间期序列,分别得到心率变异性、呼吸幅度变异性和呼吸率变异性信号。以此为基础,提取时域、频域及非线性特征共55个。利用门控循环单元网络,分别构建清醒-睡眠二分类、清醒-快速眼动-非快速眼动睡眠三分类、清醒-快速眼动-浅睡-慢波睡眠四分类、清醒-快速眼动-非快速眼动Ⅰ-Ⅱ-Ⅲ期五分类等共4个不同分类粒度的睡眠分期模型;采用损失函数类别加权方法,有效降低数据非平衡对分期结果的影响。验证数据来自SHRS数据库的274例患者。借助准确率、Cohen′s Kappa系数和睡眠结构指标对该睡眠分期方法进行性能评价。结果表明4个分类器的准确率分别为85.06%、75.44%、63.80%、62.13%,Cohen′s Kappa系数达到了0.54、0.49、0.41、0.41,睡眠结构分析评估与临床结果之间的差异无统计学意义。所提出的方法基本满足睡眠质量评估的需求,适用于可穿戴睡眠监测应用。

摘要： 目的比较伴自杀行为和不伴自杀行为精神分裂症患者睡眠及脑电功率谱密度差异。方法纳入近1个月内出现自杀行为和无自杀行为的精神分裂症患者各20例,采用失眠严重程度指数量表、睡眠信念与态度量表、梦魇严重程度指数、Epworth嗜睡量表评估主观睡眠,采用多导睡眠监测评估客观睡眠,通过睡眠脑电滤波器分析和处理脑电功率谱密度,并对比两组患者的主观睡眠、客观睡眠指标及睡眠脑电功率谱密度差异。结果伴自杀行为精神分裂症和不伴自杀行为精神分裂症主观睡眠量表评分和客观睡眠指标无统计学差异(P>0.05)。伴自杀行为精神分裂症组较不伴自杀行为精神分裂症组清醒期(W期)、N1期、N2期、N3期、快速眼动期(R期)α波或β波功率谱密度减弱(P0.05)。结论伴自杀行为精神分裂症患者睡眠各期α波或β波(快波)功率谱密度减弱,δ波或θ波(慢波)功率谱密度增强。

摘要： 睡眠是生命活动的重要组成部分,了解睡眠结构对于评价睡眠质量,促进身体健康具有重要意义.虽然使用多导睡眠图法(PSG)进行睡眠分期有较高的精度,但它需要在睡眠实验室中由专业人员采集生理信号,微动敏感床垫可以非干扰地获得睡眠状况,用户体验较好,不过价格较高,难以推广.此外,心率变异性(HRV)可以反映自主神经活动从而分析睡眠情况,但心率信号难以用非侵扰的方法获得.近期研究证实,正常人在静息状态下脉率变异性(PRV)与心率变异性高度相关,在某种程度上可以替代心率变异性.基于此,本文提出一种基于脉率变异性的睡眠分期方法,使用血氧指套采集脉搏信号,利用多层小波变换识别信号轮廓,通过抽取特征属性自适应地提取脉率间隔,利用不同睡眠阶段的脉率特征实现睡眠分期.考虑到正常人睡眠过程中的觉醒时间很少,因此本文只针对睡眠过程中的REM、浅睡和深睡3个阶段进行划分,并基于25位正常人的整晚脉率数据进行验证,实验准确率为76％.结果表明,本方法适用于普通人在居家环境下了解自身睡眠质量,具有成本低,干扰较小等特点.

摘要： 针对传统的LVQ人工神经网络在脑电睡眠分期应用中的不足之处，提出了一种根据输入样本特征在分类时所起的作用大小不同，对样本特征赋予不同权重的改进型LVQ神经网络。分别采用原始LVQ和改进型LVQ神经网络对MIT—BIH数据库中睡眠脑电数据仿真，对两种方法的睡眠分期结果进行比较。分析表明：利用改进型LVQ人工神经网络的睡眠分期准确率要比原始LVQ人工神经网络的睡眠分期准确率高。

摘要： 本发明公开了一种睡眠分期检测方法，包括步骤：采集人体心率变异信号和腕动三轴加速度数据；将心率变异信号和三轴加速度数据按时间长度划分，对每个时间长度内的心率变异信号和三轴加速度数据提取若干特征参数；将一个时间长度内的特征参数输入睡眠分期预测模型，得到一个时间长度内的睡眠分期；统计所有时间长度的睡眠分期获得整个睡眠时间内的睡眠分期。本发明还公开了可穿戴式睡眠分期检测装置。本发明融合了人体睡眠过程中的腕动加速度信息和心率变异信息，可提高睡眠分期准确性，增强敏感性。

摘要： 本发明公开了一种通过自动睡眠分期结果的常见睡眠疾病检测方法，包括以下步骤：S1、获取健康人、患有夜间额叶癫痫的患者、患有阻塞性睡眠呼吸暂停的患者的睡眠数据集；S2、特征提取；S3、采用时间注意力结合条件随机场构建睡眠自动分期模型；S4、采用迁移学习进行患者数据集分期；S5、构建睡眠疾病检测模型：将睡眠分期的预测结果作为输入数据，打上相应身体状态的标签，制作睡眠疾病检测数据集；然后通过机器学习Xgboost模型进行训练，得到睡眠疾病检测模型。本发明采用条件随机场和时间注意力模型，可以有效提取睡眠数据的时间连续性信息；引入迁移学习，将睡眠疾病数据集迁移到健康人数据集的网络上；数据量少，且可以完成多种睡眠疾病检测。

摘要： 本发明提供了一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法，非接触式睡眠监测设备包括超宽带雷达模块、数据采集传输模块、电源模块、数据线和上位机，所述睡眠分期方法首先通过非接触式睡眠监测设备采集人体躺卧时的雷达回波数据并传输至上位机，然后上位机对雷达回波数据进行去直流分量与傅里叶变换，通过频域波形分析区分体动状态；再通过对雷达回波数据进行数字滤波与傅里叶变换提取体征特征参数；最后，根据分析提取的体动状态和体征特征参数对睡眠状态进行分期。本发明提供的基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法能够非接触无干扰地获取人体的体动和体征信息并对睡眠状况进行分期，使用舒适方便。

摘要： 本公开提供了一种睡眠分期模型的训练方法、睡眠分期方法。该睡眠分期模型的训练方法包括：对源域数据进行预处理，得到源域数据集，源域数据包括心律失常数据；利用源域数据集训练初始睡眠分期模型，得到预训练睡眠分期模型；以及利用目标域数据集训练预训练睡眠分期模型，得到用于对睡眠数据进行分类的睡眠分期模型，其中，目标域数据集包括单导联心电数据和呼吸数据。本公开提出的睡眠分期方法，能够提高睡眠分期模型的识别精度。

摘要： 本发明提供一种基于自注意力机制和单导联心电(ECG)信号的睡眠分期系统构建方法及睡眠分期系统，构建方法包括如下步骤：构建包含深度神经网络的睡眠分期系统，所述深度神经网络包括依次串联的CNN模块、Bi‑GRU模块、自注意力机制模块、BN模块及全连接层；将带有睡眠分期标签的ECG信号进行滤波及零均值归一化处理，并根据睡眠分期准则进行分段，多个数据段构成训练数据集；利用所述训练数据集训练深度神经网络，完成自动睡眠分期系统的构建。本发明构建的系统能够捕捉ECG信号片段内部相关性信息，实现特征自动提取与分类，满足低负荷的睡眠分期需求。

摘要： 本申请提出了基于BLSTM的睡眠分期方法以及基于BLSTM进行睡眠分期的装置，其中BLSTM包括两层训练层和一层输出层；每层训练层包括16个单元，输出层包括4个单元，该4个单元分别对应于睡眠的觉醒、浅睡、深睡和快速眼动期；所述BLSTM的输入特征包括自RR间期信号提取的特征、自呼吸信号提取的特征、通过心肺耦合提取的特征。本申请采用低成本的可穿戴式多传感器系统获取受试者的心肺信号，采用具有长短时记忆功能的双向递归神经网络模型进行四分类睡眠分期，实现了睡眠的准确分期。

摘要： 本发明公开了一种睡眠分期检测方法，包括步骤：采集人体心率变异信号和腕动三轴加速度数据；将心率变异信号和三轴加速度数据按时间长度划分，对每个时间长度内的心率变异信号和三轴加速度数据提取若干特征参数；将一个时间长度内的特征参数输入睡眠分期预测模型，得到一个时间长度内的睡眠分期；统计所有时间长度的睡眠分期获得整个睡眠时间内的睡眠分期。本发明还公开了可穿戴式睡眠分期检测装置。本发明融合了人体睡眠过程中的腕动加速度信息和心率变异信息，可提高睡眠分期准确性，增强敏感性。

摘要： 本发明提供了一种睡眠状态识别模型训练、睡眠分期方法及装置，其中，睡眠状态识别模型训练方法，包括：获取时序心冲击图训练数据集，时序心冲击图训练数据集中包括多个时序心冲击图训练数据；将时序心冲击图训练数据输入初始网络模型中，对初始网络模型进行训练，得到睡眠状态识别模型；初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，卷积神经网络用于根据时序心冲击图训练数据获取睡眠分期特征；长短时记忆神经网络用于根据睡眠分期特征得到时序睡眠分期特征；机器学习分类器用于根据时序睡眠分期特征确定时序心冲击图训练数据对应的睡眠状态，通过执行本发明，可以提高睡眠分期结果的准确性。

摘要： 本发明公开了基于GCN提取睡眠频谱图特征的睡眠分期方法及系统，方法包括以下步骤：S1、采集脑电信号，并对脑电信号进行处理，得到脑电时频图像；S2、基于时频图像，进行位置编码处理，得到特征向量序列；S3、基于特征向量序列，进行建模，得到输出向量序列；S4、基于输出向量序列，进行输出向量序列分类，得到输出向量序列的分期结果。系统包括：信号采集单元、编码处理单元、建模单元和分类单元；本发明以Transformer主干为基础，将自我注意力分数编码为热图，为模型提供了可解释性。在序列处理级别，提出一种新颖的多分支策略，计算最终的特征向量，并使用softmax层对输出进行分类，获得序列的分期结果。

摘要： 基于睡眠分期的睡眠疾病诊断装置。目前普遍认可的睡眠监测方法为多导睡眠图，但该方法需要记录多个生理参数，准确性受到人为因素干扰较严重，且在多种生理参数采集过程中，会对受试者产生很大生理和心理上的压力。本实用新型组成包括：手表形主体（1），所述的手表形主体下部具有卡扣结构，上部具有工作腔，所述的工作腔内部安装有移动设备（5）、传感器（6）、蓝牙芯片（4）、电池（7），所述的工作腔外部安装有盖（2），所述的盖上表面安装有LED显示屏（3），侧面连接有开关（8），所述的传感器、所述的蓝牙芯片、所述的电池均与所述的移动设备电连接。本实用新型具体涉及一种基于睡眠分期的睡眠疾病诊断装置。