CN106473703A - 睡眠状态分类器的训练方法和*** - Google Patents
睡眠状态分类器的训练方法和*** Download PDFInfo
- Publication number
- CN106473703A CN106473703A CN201610839409.1A CN201610839409A CN106473703A CN 106473703 A CN106473703 A CN 106473703A CN 201610839409 A CN201610839409 A CN 201610839409A CN 106473703 A CN106473703 A CN 106473703A
- Authority
- CN
- China
- Prior art keywords
- sample data
- atom
- type
- sleep state
- sleep
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Probability & Statistics with Applications (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种睡眠状态分类器的训练方法和***,其中方法包括:构建多种睡眠状态类型的样本数据的特征向量以及特征向量聚集而成的簇中心,根据所述特征向量及其簇中心建立目标函数;目标函数表征最小化相同类型的样本数据与字典原子的距离,且最大化不同类型的原子之间的距离;分别从多种睡眠状态类型的样本数据中选择若干个特征向量作为原子的初始值,将各个样本数据分配至原子并求解目标函数,得到分类字典;利用分类字典对样本数据进行分类,比较与样本数据最近的原子的类型与距离,若距离小于预设的阈值,则判断该样本数据的类型与该原子的类型一致;根据分类后的样本数据训练出睡眠状态分类器。本发明能够训练出更加准确的睡眠状态分类器。
Description
技术领域
本发明涉及辅助睡眠技术领域,特别是涉及一种睡眠状态分类器的训练方法和***。
背景技术
在睡眠中,人体进行了自我放松及恢复的过程,因此良好的睡眠是保持身体健康的一项基本条件;但是由于工作压力大、生活作息不规律等原因,导致了部分人群的睡眠质量欠佳,表现为失眠、半夜惊醒等。
目前市面上已经有一些设备来帮助人们入睡,提高睡眠质量。例如在某一特定睡眠状态下通过声音、光信号等人工干预,避免在熟睡状态下叫醒用户等。对于辅助睡眠的设备而言,为了真正达到提高用户睡眠质量的目的,正确的检测用户的睡眠状态是非常重要的。
目前临床上主要采用多导睡眠图识别睡眠状态,主要是利用脑电信号来对睡眠进行分析,通过训练睡眠状态模型来识别被测者的睡眠状态,例如判断用户处于睡眠的哪个阶段,但由于脑电信号的特异性较强,并且强度很弱容易受到外界干扰。现有技术训练的分类器对很多用户的检测存在误差,准确性难以得到保证。
发明内容
基于此,有必要针对上述问题,提供一种睡眠状态分类器的训练方法和***,有效地提高睡眠状态分类器识别的准确性。
一种睡眠状态分类器的训练方法,包括:
构建多种睡眠状态类型的样本数据的特征向量以及特征向量聚集而成的簇中心,根据所述特征向量及其簇中心建立目标函数;其中,所述目标函数表征最小化相同类型的样本数据与字典原子的距离,且最大化不同类型的原子之间的距离;
分别从多种睡眠状态类型的样本数据中选择若干个特征向量作为原子的初始值,将各个样本数据分配至所述原子并求解所述目标函数,得到分类字典;
利用分类字典对样本数据进行分类,比较与样本数据最近的原子的类型与距离,若距离小于预设的阈值,则判断该样本数据的类型与该原子的类型一致;
根据分类后的样本数据训练出睡眠状态分类器。
一种睡眠状态分类器的训练***,包括:
字典构建模块,用于构建多种睡眠状态类型的样本数据的特征向量以及特征向量聚集而成的簇中心,根据所述特征向量及其簇中心建立目标函数;其中,所述目标函数表征最小化相同类型的样本数据与字典原子的距离,且最大化不同类型的原子之间的距离;
字典训练模块,用于分别从多种睡眠状态类型的样本数据中选择若干个特征向量作为原子的初始值,将各个样本数据分配至所述原子并求解所述目标函数,得到分类字典;
样本分类模块,用于利用分类字典对样本数据进行分类,比较与样本数据最近的原子的类型与距离,若距离小于预设的阈值,则判断该样本数据的类型与该原子的类型一致;
分类器训练模块,用于根据分类后的样本数据训练出睡眠状态分类器。
上述睡眠状态分类器的训练方法和***,基于具有分类能力的聚类算法来训练字典,字典中原子分别对应一种睡眠状态,以原子的个数为算法的参数,训练时通过最小化相同类型的样本与字典原子的距离,同时最大化不同类型的原子之间的距离的方式,以针对每种睡眠状态训练出相应的原子,然后利用对应于不同类型的原子及距离对样本的类型进行判断,从而可以准确地识别样本的类型,用于睡眠状态分类器的自学习过程中,能够训练出更加准确的睡眠状态分类器,提升睡眠状态检测的准确性。
附图说明
图1为一个实施例的睡眠状态分类器的训练方法的流程图;
图2为一个实施例的睡眠状态分类器的训练***结构示意图。
具体实施方式
下面结合附图阐述本发明的睡眠状态分类器的训练方法和***的实施例。
参考图1所示,图1为一个实施例的睡眠状态分类器的训练方法的流程图,包括:
本发明的睡眠状态分类器的训练方法,在对用户进行辅助睡眠时,通过用户佩戴相关传感设备,检测用户的脑电信号,在采集脑电信号时,可以以30s为一帧进行采集。
根据需要进行睡眠状态识别的任务,确定特征数据类型,从脑电信号中提取与之相应的样本数据;例如,要识别1~N种睡眠状态,提取用于进行这N种状态识别的样本数据。
步骤S101,构建多种睡眠状态类型的样本数据的特征向量以及特征向量聚集而成的簇中心,根据所述特征向量及其簇中心建立目标函数;其中,所述目标函数表征最小化相同类型的样本数据与字典原子的距离,且最大化不同类型的原子之间的距离;
本步骤中,在KMeans(K均值)和KNN(K最邻近)算法的基础上,设计具有分类能力的聚类算法来训练字典,字典中原子分别对应一种睡眠状态(如清醒状态,睡眠状态等),原子的个数为算法的参数。
当输入样本与原子的距离足够小(相似度足够大时),则可以认为样本的类型与原子的类型是一致的;建立目标函数,在训练时通过最小化相同类型的样本与字典原子的距离,同时最大化不同类型的原子之间的距离的方式,以针对每种特定状态都训练出相应的原子。
如果是多分类问题,设有一共有t种类型的样本,为特征向量,为特征向量聚集而成的簇中心,目标函数的通用形式可以表示为如下形式:
式中,设有t种睡眠状态类型的样本数据,为特征向量,为特征向量聚集而成的簇中心。
以清醒状态和睡眠状态的二类问题为例,设为清醒状态类型(wake)的特征向量,为清醒状态类型的特征向量聚集而成的簇中心,为睡眠状态类型(sleep)的特征向量,为睡眠状态类型的特征向量聚集而成的簇中心,其目标函数可以表示为如下形式:
所述目标函数为:
式中,为清醒类型的特征向量,为清醒类型的特征向量聚集而成的簇中心,为睡眠类型的特征向量,为睡眠类型的特征向量聚集而成的簇中心,wake表示清醒类型,sleep表示睡眠类型。
步骤S102,分别从多种睡眠状态类型的样本数据中选择若干个特征向量作为原子的初始值,将各个样本数据分配至所述原子并求解所述目标函数,得到分类字典;
本步骤中,基于所述目标函数,训练分类字典,在训练时,本方案在经典的KMeans算法的基础上进行改进,以清醒状态和睡眠状态的二类分类问题为例,训练过程可以如下:
(1)初始化时,分别从清醒类型的样本数据和睡眠类型的样本数据中随机设定若干个特征向量作为原子;将各个样本数据分配给距离其最近的原子;
(2)更新原子,若归属于本原子的所有样本数据与原子的类型一致(均为清醒状态类型或者均为睡眠状态类型),则计算属于该原子的所有样本数据的均值,并以此作为新的原子;
若存在与原子类型不一致的样本数据,则分别计算清醒类型的样本数据和睡眠类型的样本数据的均值,计算过程可以包括如下公式:
式中,c'wake为清醒类型的样本数据的均值,c'sleep为睡眠类型的样本数据的均值;
根据与原子类型不一致的样本数据(阴性样本)的数量及其位置修正原子的位置,将原子的位置更新在距离阴性样本数据的更远的位置,计算过程可以包括如下公式:
式中,c为修正后原子的位置,g为判断函数,w为权重值;
进一步的,所述权重值w的计算公式可以如下:
式中,wwake为清醒类型的权重值,wsleep为睡眠类型的权重值。
作为另一个实施例,所述权重值w的计算公式也可以如下:
(3)若归属于本原子的所有样本数据与原子的类型均不一致,则变更该原子的类型,并计算属于该原子所有样本数据的均值,并将该均值作为新的原子;
(4)重复执行步骤(2)和(3)进行迭代,当迭代前后的原子的差值小于设定范围(足够小),或者没有样本数据被分配至新的原子时,存储当前的分类字典并退出训练。
步骤S103,利用分类字典对样本数据进行分类,比较与样本数据最近的原子的类型与距离,若距离小于预设的阈值,则判断该样本数据的类型与该原子的类型一致;
此步骤中,利用样本数据对分类字典进行测试,通过比较与样本数据最近的原子的类型与距离来判断样本数据的类型,若距离小于阈值,则认为样本数据的类型与该原子的类型一致,输出“真”的判断,反之则拒绝判断。
步骤S104,根据分类后的样本数据训练出睡眠状态分类器。
在此步骤中,根据分类字典识别出清醒类型的样本数据和睡眠类型的样本数据,利用所述清醒类型的样本数据和睡眠类型的样本数据训练出睡眠状态分类器。
作为一个实施例,采用网格测试方法选择最优的惩罚因子C和RBF核的参数σ;调节所述惩罚因子C和参数σ,将识别率最高时对应的参数设为最优参数;利用所述最优参数重新训练分类器,并对该分类器进行测试;将测试中识别率最优的分类器设为睡眠状态分类器。
具体的,对于训练睡眠状态分类器时,可以选用svm(支持向量机)分类器,神经网络。如果采用svm分类器有两个参数:惩罚因子C和核函数的参数(例如RBF核的σ等,线性核函数除外)。而神经网络算法的参数主要是中间层(hidden-layer)的神经元的个数。在训练时利用grid-test(网格测试)寻找最优参数,并将总体识别率最高的参数作为最优的参数。然后利用该参数在训练数据中重新运行一次,得到分类模型。在测试时,睡眠状态分类器利用该分类模型对样本数据进行分析,并输出样本数据的类型。
参考图2所示,图2为一个实施例的睡眠状态分类器的训练***结构示意图,包括:
字典构建模块101,用于构建多种睡眠状态类型的样本数据的特征向量以及特征向量聚集而成的簇中心,根据所述特征向量及其簇中心建立目标函数;其中,所述目标函数表征最小化相同类型的样本数据与字典原子的距离,且最大化不同类型的原子之间的距离;
字典训练模块102,用于分别从多种睡眠状态类型的样本数据中选择若干个特征向量作为原子的初始值,将各个样本数据分配至所述原子并求解所述目标函数,得到分类字典;
样本分类模块103,用于利用分类字典对样本数据进行分类,比较与样本数据最近的原子的类型与距离,若距离小于预设的阈值,则判断该样本数据的类型与该原子的类型一致;
分类器训练模块104,用于根据分类后的样本数据训练出睡眠状态分类器。
本发明的睡眠状态分类器的训练***与本发明的睡眠状态分类器的训练方法一一对应,在上述睡眠状态分类器的训练方法的实施例阐述的技术特征及其有益效果均适用于睡眠状态分类器的训练***的实施例中,特此声明。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种睡眠状态分类器的训练方法,其特征在于,包括:
构建多种睡眠状态类型的样本数据的特征向量以及特征向量聚集而成的簇中心,根据所述特征向量及其簇中心建立目标函数;其中,所述目标函数表征最小化相同类型的样本数据与字典原子的距离,且最大化不同类型的原子之间的距离;
分别从多种睡眠状态类型的样本数据中选择若干个特征向量作为原子的初始值,将各个样本数据分配至所述原子并求解所述目标函数,得到分类字典;
利用分类字典对样本数据进行分类,比较与样本数据最近的原子的类型与距离,若距离小于预设的阈值,则判断该样本数据的类型与该原子的类型一致;
根据分类后的样本数据训练出睡眠状态分类器。
2.根据权利要求1所述的睡眠状态分类器的训练方法,其特征在于,所述目标函数为:
式中,设有t种睡眠状态类型的样本数据,i=1,...,np,p=1,...,t为特征向量,j=1,...kp,p=1,...,t为特征向量聚集而成的簇中心。
3.根据权利要求2所述的睡眠状态分类器的训练方法,其特征在于,所述睡眠状态类型包括清醒类型和睡眠类型;
所述目标函数为:
式中,i=1,...,nwake为清醒类型的特征向量,j=1,...,kwake为清醒类型的特征向量聚集而成的簇中心,i=1,...,nsleep为睡眠类型的特征向量,j=1,...,ksleep为睡眠类型的特征向量聚集而成的簇中心,wake表示清醒类型,sleep表示睡眠类型。
4.根据权利要求2所述的睡眠状态分类器的训练方法,其特征在于,所述分别从多种睡眠状态类型的样本数据中选择若干个特征向量作为原子的初始值,将各个样本数据分配至所述原子并求解所述目标函数,得到分类字典的步骤包括:
(1)分别从清醒类型的样本数据和睡眠类型的样本数据中随机设定若干个特征向量作为原子;将各个样本数据分配给距离其最近的原子;
(2)若归属于本原子的所有样本数据与原子的类型一致,则计算属于该原子的所有样本数据的均值,并以此作为新的原子;
若存在与原子类型不一致的样本数据,则分别计算清醒类型的样本数据和睡眠类型的样本数据的均值;并根据与原子类型不一致的样本数据的数量及其位置修正原子的位置,将原子的位置更新在距离阴性样本数据的更远的位置;
(3)若归属于本原子的所有样本数据与原子的类型均不一致,则变更该原子的类型,并计算属于该原子所有样本数据的均值,并将该均值作为新的原子;
(4)重复执行步骤(2)和(3)进行迭代,当迭代前后的原子的差值小于设定范围,或者没有样本数据被分配至新的原子时,存储当前的分类字典并退出训练。
5.根据权利要求4所述的睡眠状态分类器的训练方法,其特征在于,所述步骤(2)中计算清醒类型的样本数据和睡眠类型的样本数据的均值过程包括如下公式:
式中,c'wake为清醒类型的样本数据的均值,c'sleep为睡眠类型的样本数据的均值。
6.根据权利要求3所述的睡眠状态分类器的训练方法,其特征在于,所述步骤(2)中修正原子的位置包括如下公式:
式中,c为修正后原子的位置,g为判断函数,w为权重值。
7.根据权利要求3所述的睡眠状态分类器的训练方法,其特征在于,所述权重值w的计算公式如下:
式中,wwake为清醒类型的权重值,wsleep为睡眠类型的权重值。
8.根据权利要求3所述的睡眠状态分类器的训练方法,其特征在于,所述权重值w的计算公式如下:
9.根据权利要求3所述的睡眠状态分类器的训练方法,其特征在于,根据分类后的样本数据训练出睡眠状态分类器的步骤包括:
根据分类字典识别出清醒类型的样本数据和睡眠类型的样本数据,利用所述清醒类型的样本数据和睡眠类型的样本数据训练出睡眠状态分类器。
10.一种睡眠状态分类器的训练***,其特征在于,包括:
字典构建模块,用于构建多种睡眠状态类型的样本数据的特征向量以及特征向量聚集而成的簇中心,根据所述特征向量及其簇中心建立目标函数;其中,所述目标函数表征最小化相同类型的样本数据与字典原子的距离,且最大化不同类型的原子之间的距离;
字典训练模块,用于分别从多种睡眠状态类型的样本数据中选择若干个特征向量作为原子的初始值,将各个样本数据分配至所述原子并求解所述目标函数,得到分类字典;
样本分类模块,用于利用分类字典对样本数据进行分类,比较与样本数据最近的原子的类型与距离,若距离小于预设的阈值,则判断该样本数据的类型与该原子的类型一致;
分类器训练模块,用于根据分类后的样本数据训练出睡眠状态分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610839409.1A CN106473703B (zh) | 2016-09-21 | 2016-09-21 | 睡眠状态分类器的训练方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610839409.1A CN106473703B (zh) | 2016-09-21 | 2016-09-21 | 睡眠状态分类器的训练方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106473703A true CN106473703A (zh) | 2017-03-08 |
CN106473703B CN106473703B (zh) | 2019-06-11 |
Family
ID=58268721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610839409.1A Active CN106473703B (zh) | 2016-09-21 | 2016-09-21 | 睡眠状态分类器的训练方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106473703B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107743331A (zh) * | 2017-10-18 | 2018-02-27 | 普联技术有限公司 | 光源控制方法、装置和*** |
CN111358448A (zh) * | 2020-03-23 | 2020-07-03 | 珠海格力电器股份有限公司 | 一种睡眠调节方法及装置 |
CN112617761A (zh) * | 2020-12-31 | 2021-04-09 | 湖南东晟南祥智能科技有限公司 | 自适应聚点生成的睡眠阶段分期方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102716539A (zh) * | 2012-07-10 | 2012-10-10 | 邓云龙 | 一种睡眠介导的心理生理干预方法 |
CN102961126A (zh) * | 2012-11-16 | 2013-03-13 | 福建工程学院 | 基于脉象诊断模式的驾驶预警方法 |
CN103006223A (zh) * | 2012-12-13 | 2013-04-03 | 中国人民解放军第四军医大学 | 一种家用非接触睡眠监测装置及方法 |
CN103070683A (zh) * | 2012-12-20 | 2013-05-01 | 中山大学 | 基于生物电阻抗的睡眠呼吸模式识别方法及装置 |
CN104915560A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法 |
-
2016
- 2016-09-21 CN CN201610839409.1A patent/CN106473703B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102716539A (zh) * | 2012-07-10 | 2012-10-10 | 邓云龙 | 一种睡眠介导的心理生理干预方法 |
CN102961126A (zh) * | 2012-11-16 | 2013-03-13 | 福建工程学院 | 基于脉象诊断模式的驾驶预警方法 |
CN103006223A (zh) * | 2012-12-13 | 2013-04-03 | 中国人民解放军第四军医大学 | 一种家用非接触睡眠监测装置及方法 |
CN103070683A (zh) * | 2012-12-20 | 2013-05-01 | 中山大学 | 基于生物电阻抗的睡眠呼吸模式识别方法及装置 |
CN104915560A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法 |
Non-Patent Citations (2)
Title |
---|
SHENGKUN XIE: "LEARNING SPARSE DICTIONARY FOR LONG-TERM BIOMEDICAL SIGNAL CLASSIFICATION AND CLUSTERING", 《THE 11TH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCES, SIGNAL PROCESSING AND THEIR APPLICATIONS: SPECIAL SESSIONS》 * |
赵攀博: "基于协作表示与核熵成分分析的脑电睡眠状态分期研究", 《生物医学工程学杂志》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107743331A (zh) * | 2017-10-18 | 2018-02-27 | 普联技术有限公司 | 光源控制方法、装置和*** |
CN111358448A (zh) * | 2020-03-23 | 2020-07-03 | 珠海格力电器股份有限公司 | 一种睡眠调节方法及装置 |
CN112617761A (zh) * | 2020-12-31 | 2021-04-09 | 湖南东晟南祥智能科技有限公司 | 自适应聚点生成的睡眠阶段分期方法 |
CN112617761B (zh) * | 2020-12-31 | 2023-10-13 | 湖南正申科技有限公司 | 自适应聚点生成的睡眠阶段分期方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106473703B (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Data-driven mode identification and unsupervised fault detection for nonlinear multimode processes | |
CN110148405B (zh) | 语音指令处理方法及装置、电子设备及存储介质 | |
CN108171209A (zh) | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 | |
CN110399238B (zh) | 一种磁盘故障预警方法、装置、设备及可读存储介质 | |
CN106202952A (zh) | 一种基于机器学习的帕金森疾病诊断方法 | |
CN113011239B (zh) | 一种基于最优窄频带特征融合的运动想象分类方法 | |
Li et al. | Classification of Parkinson's disease by decision tree based instance selection and ensemble learning algorithms | |
CN116680637B (zh) | 社区居家老年人传感数据分析模型的构建方法及装置 | |
CN105786711A (zh) | 一种数据分析的方法及装置 | |
CN106473703A (zh) | 睡眠状态分类器的训练方法和*** | |
CN111126868B (zh) | 一种道路交通事故发生风险确定方法及*** | |
CN112509696A (zh) | 基于卷积自编码器高斯混合模型的健康数据检测方法 | |
CN112597921B (zh) | 一种基于注意力机制gru深度学习的人体行为识别方法 | |
CN106580350A (zh) | 一种疲劳状况监测方法及装置 | |
CN106388780A (zh) | 基于二分类器与检测器融合的睡眠状态检测方法和*** | |
CN113344438A (zh) | 对贷中行为进行监控的贷款***、监控方法、设备及介质 | |
Ding et al. | Cascaded convolutional neural network with attention mechanism for mobile EEG-based driver drowsiness detection system | |
CN117593597A (zh) | 一种地形图像自动分类方法及*** | |
CN117493813A (zh) | 一种城市碳强度的分析方法及相关设备 | |
CN117219127A (zh) | 认知状态识别方法以及相关设备 | |
CN106388779A (zh) | 睡眠状态样本数据类型的标注方法和*** | |
Wang et al. | Early diagnosis of Parkinson's disease with Speech Pronunciation features based on XGBoost model | |
CN112733727B (zh) | 基于线性分析的特征决策融合的脑电意识动态分类方法 | |
TWI768577B (zh) | 以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法 | |
CN113421122A (zh) | 改进的迁移学习框架下的首购用户精细化流失预判方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |