睡眠分期
睡眠分期的相关文献在1998年到2022年内共计282篇,主要集中在自动化技术、计算机技术、基础医学、无线电电子学、电信技术
等领域,其中期刊论文118篇、会议论文2篇、专利文献10773篇;相关期刊82种,包括中国医疗设备、医疗卫生装备、北京生物医学工程等;
相关会议2种,包括第十一届和谐人机环境联合会议、中国仪器仪表学会医疗仪器分会2010两岸四地生物医学工程学术年会等;睡眠分期的相关文献由788位作者贡献,包括王蓓、刘冰、王俊等。
睡眠分期—发文量
专利文献>
论文:10773篇
占比:98.90%
总计:10893篇
睡眠分期
-研究学者
- 王蓓
- 刘冰
- 王俊
- 俞梦孙
- 方震
- 王刚
- 马千里
- 朱晓华
- 李彧晟
- 洪弘
- 闫相国
- 顾陈
- 和卫星
- 孙理
- 王心醉
- 王晓岸
- 王法雄
- 王行愚
- 胡栋
- 蒋洁
- 郑日荣
- 韩振亚
- 于莹
- 何光强
- 俞乾
- 倪红波
- 刘俊飙
- 刘志勇
- 刘洪涛
- 刘蓉
- 卢树强
- 吕甜甜
- 吴宁
- 吴端坡
- 周兴社
- 周鹏
- 岳宗田
- 张伟
- 张博
- 张启
- 张涵
- 戴珅懿
- 曹琪琪
- 李小俚
- 林友芳
- 梁杰
- 梁洪宇
- 池敏越
- 熊明福
- 王伟
-
-
唐洁;
文元美
-
-
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。
-
-
张章;
周新淳;
赵鸿浩;
张雪华
-
-
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。
-
-
李倩玉;
王蓓;
金晶;
张涛;
王行愚
-
-
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。
-
-
刘静博;
王蓓;
顾吉峰
-
-
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。
-
-
卢伊虹;
吴礼祝;
潘家辉
-
-
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.
-
-
陶雨洁;
杨云
-
-
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。
-
-
冯维;
曹荻秋;
吕耿;
何美霖;
应娜
-
-
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%。
-
-
林建生
-
-
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。
-
-
鲁柯柯;
祁霞;
张建保;
王刚;
闫相国
-
-
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。
-
-
周云飞;
刘铁榜;
胡静初;
梁杰;
许宏;
刘敬文;
周娇艳
-
-
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。
-
-
Deng Junquan;
邓军权;
Ni Hongbo;
倪红波;
Zhao Weichao;
赵伟超;
Song Yalong;
宋亚龙;
Jia Jiangbo;
贾江波;
Zhou Xingshe;
周兴社
- 《第十一届和谐人机环境联合会议》
| 2015年
-
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.
-