CN114027786A - 基于自监督式记忆网络的睡眠呼吸障碍检测方法及*** - Google Patents
基于自监督式记忆网络的睡眠呼吸障碍检测方法及*** Download PDFInfo
- Publication number
- CN114027786A CN114027786A CN202110917103.4A CN202110917103A CN114027786A CN 114027786 A CN114027786 A CN 114027786A CN 202110917103 A CN202110917103 A CN 202110917103A CN 114027786 A CN114027786 A CN 114027786A
- Authority
- CN
- China
- Prior art keywords
- module
- time sequence
- memory module
- transformation
- 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
Images
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
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于自监督式记忆网络的睡眠呼吸障碍检测方法和***,利用自监督学习模块丰富正常数据并从正常数据中学习一种通用模式,还引入了一种自适应记忆融合网络,包括全局记忆模块、局部记忆模块和自适应融合模块,分别通过全局和局部记忆模块学习正常数据的共有特征和特有特征,最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中,将其用于重构输入数据。本发明实现了无监督的端到端模型训练方法,即无需异常数据就能够完成训练。
Description
技术领域
本发明涉及普适计算、异常检测技术和睡眠障碍诊断技术领域,特别涉及一种睡眠呼吸障碍检测方法和***。
背景技术
在睡眠过程中,呼吸可能中断,随着年龄的增长和体重的增加,患睡眠呼吸暂停的几率也会增高,男性和停经后女性的发病率更高,据估算,在所有成年人中,超过5%的人患有睡眠呼吸暂停,有些人甚至不知道自己患有这种疾病,因为睡眠呼吸暂停会影响睡眠,损害大脑的恢复能力,引发与睡眠不足及脑氧合相关的症状,如心血管疾病、糖尿病、抑郁症等,因此研究睡眠呼吸障碍的检测方法具有重大意义。现有多导睡眠记录仪检测电极众多,检测程序繁琐,随之而来的是多种传感器信号存在大量的噪声,当噪声严重时,会大大降低模型的泛化能力,使得检测精度变差。此外,还将面临的问题是,在实际应用场景中,正常人群的数据是大量且容易采集的,而由于数据采集的成本和规范等多方面原因,标记过的患者病例很少,即睡眠呼吸障碍患者的数据相较于正常人群在数据量上是稀少的,采集过程中也很难标注,因此,训练过程中会因数据不均衡或标注不准确影响模型在该病例上的训练学习。
发明内容
针对上述问题,本发明使用了一种更加通用化、精度高的方法来进行睡眠呼吸障碍检测,本发明目的是使用多模态生理信号来进行睡眠呼吸障碍检测,如今深度学习在医疗辅助诊断上发挥着越来越重要的作用,因此本发明设计了一种基于自监督式记忆网络的睡眠呼吸障碍检测方法及***,该方法使用到了深度异常检测技术,即训练过程中无需异常样本(睡眠呼吸障碍),该类方法能够有效解决数据标签不足的问题,且精度与有监督学习方法相近甚至能够超越。此外,为了克服因数据存在噪声而导致的模型泛化能力差的问题,本发明的方法还提出了自监督学习和记忆网络来丰富数据的特征表达,并从正常数据中学习一种通用模式,避免噪声数据的干扰。
具体来说,本发明提出了一种基于自监督式记忆网络的睡眠呼吸障碍检测方法,包括:
步骤1、获取睡眠呼吸正常的多导睡眠图所产生的多模态时序信号作为原始时间序列,依据预设的变换策略将该原始时间序列处理为多个变换时间序列,通过编码器依次将该原始时间序列和每个变换时间序列进行编码,得到多个潜在特征;
步骤2、构建包含多分类器的自监督学习模块,使用该自监督学习模块对该潜在特征的变换策略进行识别,得到该潜在特征对应各变换策略的概率分布,基于该概率分布,得到该自监督学习模块的交叉熵损失函数LCE;
步骤3、构建记忆网络的全局记忆模块和局部记忆模块,使用该全局记忆模块提取所有潜在特征的共有特征,使用该局部记忆模块依次提取各潜在特征的特有特征,并基于全局记忆模块和局部记忆模块的寻址向量,分别得到全局记忆模块和局部记忆模块的稀疏损失函数Lspar;
步骤4、通过自适应融合模块将该共有特征和该特有特征进行融合,得到新特征,将该新特征输入至与该编码器相对应的解码器中,得到新时间序列,基于该新时间序列和该原始时间序列间的重构误差,构建重构损失函数LMSE;
步骤5、通过整合该交叉熵损失函数LCE、稀疏损失函数Lspar和重构损失函数LMSE,得到目标函数J,端到端的迭代优化该目标函数J,直到该目标函数J收敛或达到预设迭代次数,保存当前编码器、全局记忆模块、局部记忆模块、自适应融合模块和解码器作为睡眠呼吸障碍检测模型;
步骤6、将待睡眠呼吸障碍检测的多模态时序信号,输入至该睡眠呼吸障碍检测模型,得到新时间序列作为新时序信号,判断该新时序信号和该多模态时序信号间的重构误差是否大于阈值,若是则输出睡眠呼吸障碍作为检测结果,否则输出睡眠呼吸正常作为检测结果。
所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法,其中步骤1中该变换策略包括:高斯噪声变换、时间维度反转转换、沿时间维度随机扰动变换、缩放变换、取反变换和/或平滑变换。
所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法,其中该交叉熵损失函数LCE:
其中R表示该潜在特征的总个数,yi和pi是第i类的伪标签和预测概率,且多分类器的结构为两层全连接层,全连接层中每个神经元都与下一层中的所有神经元相连;
该稀疏损失函数Lspar:
Lspar=Lspar1+Lspar2
式中C1和C2分别为全局记忆模块与局部记忆模块用于记忆存储的矩阵的行数,wi为全局记忆模块中的第i行寻址向量,wj为局部记忆模块中的第j行寻址向量;
重构损失函数LMSE:
该目标函数J:J(θ)=LMSE+λ1LCE+λ2Lspar,λ1和λ2均为权重。
所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法,其中步骤6中该阈值为训练集中的所有睡眠呼吸正常数据的重构误差值的99分位数。
本发明还提出了一种基于自监督式记忆网络的睡眠呼吸障碍检测***,其中包括:
模块1,用于获取睡眠呼吸正常的多导睡眠图所产生的多模态时序信号作为原始时间序列,依据预设的变换策略将该原始时间序列处理为多个变换时间序列,通过编码器依次将该原始时间序列和每个变换时间序列进行编码,得到多个潜在特征;
模块2,用于构建包含多分类器的自监督学习模块,使用该自监督学习模块对该潜在特征的变换策略进行识别,得到该潜在特征对应各变换策略的概率分布,基于该概率分布,得到该自监督学习模块的交叉熵损失函数LCE;
模块3,用于构建记忆网络的全局记忆模块和局部记忆模块,使用该全局记忆模块提取所有潜在特征的共有特征,使用该局部记忆模块依次提取各潜在特征的特有特征,并基于全局记忆模块和局部记忆模块的寻址向量,分别得到全局记忆模块和局部记忆模块的稀疏损失函数Lspar;
模块4,用于通过自适应融合模块将该共有特征和该特有特征进行融合,得到新特征,将该新特征输入至与该编码器相对应的解码器中,得到新时间序列,基于该新时间序列和该原始时间序列间的重构误差,构建重构损失函数LMSE;
模块5,用于通过整合该交叉熵损失函数LCE、稀疏损失函数Lspar和重构损失函数LMSE,得到目标函数J,端到端的迭代优化该目标函数J,直到该目标函数J收敛或达到预设迭代次数,保存当前编码器、全局记忆模块、局部记忆模块、自适应融合模块和解码器作为睡眠呼吸障碍检测模型;
模块6,用于将待睡眠呼吸障碍检测的多模态时序信号,输入至该睡眠呼吸障碍检测模型,得到新时间序列作为新时序信号,判断该新时序信号和该多模态时序信号间的重构误差是否大于阈值,若是则输出睡眠呼吸障碍作为检测结果,否则输出睡眠呼吸正常作为检测结果。
所述的基于自监督式记忆网络的睡眠呼吸障碍检测***,其中模块1中该变换策略包括:高斯噪声变换、时间维度反转转换、沿时间维度随机扰动变换、缩放变换、取反变换和/或平滑变换。
所述的基于自监督式记忆网络的睡眠呼吸障碍检测***,其中该交叉熵损失函数LCE:
其中R表示该潜在特征的总个数,yi和pi是第i类的伪标签和预测概率,且多分类器的结构为两层全连接层,全连接层中每个神经元都与下一层中的所有神经元相连;
该稀疏损失函数Lspar:
Lspar=Lspar1+Lspar2
式中C1和C2分别为全局记忆模块与局部记忆模块用于记忆存储的矩阵的行数,wi为全局记忆模块中的第i行寻址向量,wj为局部记忆模块中的第j行寻址向量;
重构损失函数LMSE:
该目标函数J:J(θ)=LMSE+λ1LCE+λ2Lspar,λ1和λ2均为权重。
所述的基于自监督式记忆网络的睡眠呼吸障碍检测***,其中模块6中该阈值为训练集中的所有睡眠呼吸正常数据的重构误差值的99分位数。
本发明还提出了一种服务器,用于实施基于自监督式记忆网络的睡眠呼吸障碍检测方法。
本发明还提出了一种客户端,其中用于基于自监督式记忆网络的睡眠呼吸障碍检测***,且该客户端为手机应用APP或电脑应用软件。
由以上方案可知,本发明的优点在于:
针对睡眠呼吸障碍检测方法中存在单一设备检测精度低、数据标签不足、噪声干扰的问题,本发明结合多模态生理信号构建睡眠呼吸障碍检测模型,提出了一种基于自监督式记忆网络的睡眠呼吸障碍检测方法及***,该***利用自监督学习模块丰富正常数据并从正常数据中学习一种通用模式,还引入了一种自适应记忆融合网络(包括全局记忆模块、局部记忆模块、自适应融合模块),分别通过全局和局部记忆模块学习正常数据的共有特征和特有特征,最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中,将其用于重构输入数据。本发明实现了无监督的端到端模型训练方法,即无需异常数据(睡眠呼吸障碍患者数据)就能够完成训练。仅利用正常样本确定阈值判断标准,在测试过程中,如果样本的误差(这里指的是模型产生的重构误差)大于阈值,则该样本判断为‘异常’,反之为‘正常’。
附图说明
图1为本发明工作流程图;
图2为本发明自监督式记忆网络模型架构图。
具体实施方式
针对上述问题,本发明设计了一种基于自监督式记忆网络的睡眠呼吸障碍检测方法及***。该方法及***有效地解决了单一设备检测精度低、数据标签不足、噪声干扰的问题。本发明提出的方法主要包含四个模块:1)自监督学习模块;2)全局记忆模块;3)局部记忆模块;4)自适应融合模块。基于自监督式记忆网络的睡眠呼吸障碍检测***的工作流程如图1所示。本发明的先进性体现在:
1)充分利用了108路多导睡眠图所产生的多模态时序信号,其多模态信息能够解决单一模态精确度不高的问题,且本发明基于端到端的模型训练策略,即仅使用一个模型、一个目标函数,省略了传统方法中每一步的人工干预步骤。
2)本发明实现了无监督的模型训练方法,运用基于异常检测的深度学习技术实现对正常数据的通用表征模式进行建模,设计端到端学习框架以实现对模型中不同模块的共同优化,并设计异常度量策略以实现对正常和睡眠呼吸障碍两种状态下数据类别的准确识别。由于模型在构建过程中不基于任何睡眠呼吸障碍患者的先验知识,因此相较于同类模型,此模型检测睡眠呼吸障碍的能力更强。
3)本发明提出了基于自监督式记忆网络,其中自监督学习模块可以丰富正常数据并从正常数据中学习一种通用模式。其次,为了应对有限的特征表示,本发明还引入了一种自适应记忆融合网络(包括全局记忆模块、局部记忆模块、自适应融合模块),分别通过全局和局部记忆模块学习正常数据的共有特征和特有特征,最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中。该方法有效解决了因数据存在噪声而导致的模型特征表达能力弱,泛化性差的问题。
一种基于自监督式记忆网络的睡眠呼吸障碍检测方法及***。本发明提出了一种基于自监督式记忆网络算法,该算法主要包含四个模块:
1)自监督学习模块:技术效果:该模块目的是对正常数据进行广义特征表示学习,通常由于设备的硬件资源限制导致正常训练数据的数量相对有限,因此,在这种有限的正常样本上训练的异常检测模型倾向于过拟合。为了解决这个问题,我们引入了自监督学习,以提高异常检测模型的通用性。本模块在原始时间序列数据上设计特征变换以进行自监督学习,训练模型把通过对样本的变换类型进行分类识别作为辅助任务。
2)自适应记忆模块(包含全局记忆模块、局部记忆模块、自适应融合模块):技术效果:传统的自动编码器受噪声或未知数据的影响,使得模型也可以很好地重构异常数据,造成正常和异常数据难以区分的情况。为了解决这一挑战,我们提出了一个自适应记忆融合模块,通过记忆正常数据中的某种特定模式来增强模型区分正常数据和异常数据的能力。全局记忆模块能够提取数据中的共有特征,局部记忆模块能够提取数据中的特有特征,最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中,将其用于重构输入数据。
该***有效地解决了传统睡眠呼吸障碍检测方法无法应对数据标签不足、数据存在噪声的问题,能够提取和融合有效的多模态特征,增加模型的泛化能力。此外,本发明***稳定,能够在全新数据的测试中保持较高的识别精度。
为让本发明的上述特征和效果能阐述的更明确易懂,下文特举实施例,并配合说明书附图作详细说明如下。
本发明提出的方法主要包含四个模块:1)自监督学习模块;2)全局记忆模块;3)局部记忆模块;4)自适应融合模块。整体模型架构图见图2。训练过程中仅使用正常人群的多模态生理数据,由于模型在构建过程中不基于任何睡眠呼吸障碍患者的先验知识,因此相较于同类模型,此模型检测睡眠呼吸障碍的能力更强。本发明中将使用异常检测技术进行睡眠呼吸障碍检测,即睡眠呼吸障碍患者作为异常人群,无患病者作为正常人群。
方法的工作流程主要分为以下几个步骤:
编码器将原始时间序列信号及其六个变换(图2中表示为R个:1个原始信号+6个变换信号)分别映射到一个潜在特征空间;
在自监督学习模块构建了一个多分类器对原始信号和变换后的信号进行分类,以区分上述R类信号,其目的是学习一种通用的表征形式;
同时这些特征也被送到全局和局部记忆网络模块中用于学习共有特征和特有特征;
自适应融合模块将共有特征和特有特征进行融合,获得用于重构的新表征。
本发明实现了卷积自动编码器(CAE)作为基础模型架构(即图2中的编码器和解码器部分,中间部分对应于本发明提出的四个模块),该架构已被广泛用于异常检测方法中。自动编码器是一种无监督神经网络,结构包含两个部分:编码器和解码器。编码器将输入数据x映射为潜在特征zf,然后,解码器将zf重构为x'。潜在特征zf和重构值x'可以分别计算为:
zf=Encoder(x)
x′=Decoder(zf)
重构误差使用的是均方误差(MSE):
zr=||x'-x||
其中Encoder表示编码器,由卷积层和池化层组成,Decoder表示解码器,由卷积层和反池化层组成,x'表示与x有着相同结构的重构值,||·||表示l2范数。这里的卷积层、池化层、反池化层分别指的是:1)卷积层描述为以下表达式:
其中hk表示当前层的第k个特征映射的表征,σ(·)为线性整流函数(ReLU),它是激活函数的一种,公式表达为σ(·)=max(0,x),xl表示前一层的L个特征映射中的第l个特征映射,*为2D卷积运算,wk和bk为当前层的第k个特征映射的卷积核和偏差值。池化层使用最大池化,将输入数据进行下采样,每次选取区域中的最大值代替这一个区域的值。2)池化层使用最大池化,将输入数据进行下采样,每次选取区域中的最大值代替这一个区域的值。3)反池化层通过记录池化过程中最大激活值的坐标位置,在反池化时,将池化过程中最大激活值所在的位置坐标的值激活,其他的值置为0。经过编码器中的两层卷积层和池化层,最终得到特征zf,将其分别送入自监督学习模块、全局记忆模块、局部记忆模块进行进一步的特征学习。
1.自监督学习模块
该模块目的是对正常数据进行广义特征表示学习,通常正常训练数据的数量相对有限且特征相对单一。因此,在这种有限的正常样本上训练的异常检测模型倾向于过拟合,为了解决这个问题,我们引入了自监督学习,以提高异常检测模型的通用性。
本模块在原始时间序列数据上设计特征转换以进行自监督学习,训练模型以对样本的转换类型进行识别作为辅助任务。具体来说,利用六种信号转换,具体描述如下:
·噪声:由于在现实世界中可能存在嘈杂的传感器信号,因此在信号中添加噪声可以帮助模型学习针对噪声的更强大的功能。在此,实现了具有高斯噪声的变换。
·反向:此转换沿时间维度反转样本,从而使样本具有相反的时间方向。
·置换:这种转换通过切片和交换不同的时间窗口来生成新样本,从而沿时间维度随机扰动信号。它旨在增强所得模型的排列不变性。
·缩放比例:缩放比例通过乘以随机标量来改变时间窗口内信号的幅度。在这里,我们选择[0.5,0.8,1.5,2]作为标量值。缩放信号的添加可以帮助模型学习缩放不变模式。
·取反:此转换是缩放转换的一种特殊类型。它按-1进行缩放,从而得到输入信号的镜像。
·平滑:此转换应用Savitzky-Golay(SG)方法来平滑信号。Savitzky-Golay滤波器是一种特殊类型的低通滤波器,非常适合于噪声信号的平滑处理。
为了区分转换后的实例,使用交叉熵损失函数以学习训练数据中实例的正常模式。
其中R表示自监督学习类别的的个数(R=7包含6种变换信号和原始信号),yi和pi是第i类的伪标签和预测概率。在计算交叉熵损失函数之前,如图2所示,FC表示构建的多分类器,其结构为两层全连接层,全连接层表示的是一层中的每个神经元都与下一层中的所有神经元相连。
2.全局记忆模块
传统的自动编码器(AE)受噪声或未知数据的影响,导致模型也可以很好地重构异常数据。为了解决这一挑战,本发明提出了自适应记忆融合模块(全局记忆模块、局部记忆模块、自适应融合模块的统称),通过记忆正常数据中的某种特定模式来增强模型区分正常数据和异常数据的能力。本发明根据已有技术进行创新性改进,首先介绍记忆网络的构成,然后详细介绍本发明的三个模块。
记忆网络由两部分组成,1)记忆表征:用于表征编码后的特征。2)记忆更新:基于记忆项与输入的相似性度量来更新记忆项。具体地,记忆网络的计算方法如下:建立一个用于记忆存储的矩阵M,编码器得到的特征表示为zf,其中f是feature的缩写,表明是编码器得到的特征,寻址过程中,将编码器的结果zf映射到记忆矩阵M中,得到基于注意力的寻址向量w,计算方法如下所示。
其中mi表示M的每一行,即每一个记忆单元,d表示余弦距离,具体计算过程如下式。
由于寻址向量w的稠密性,有些异常数据仍然有机会通过记忆模块的复杂组合很好地被重建,为了缓解这个问题,该研究采用了硬压缩(hard shrinkage operator)来提高w的稀疏性。
为了能够计算梯度,结合激活函数Relu做了一点调整。
在介绍了记忆网络的构成原理后,本发明进一步提出全局记忆模块,其构建使用的是共享的记忆矩阵。通过使用编码的表示形式作为查询,全局记忆模块可以将共有特征记录在记忆矩阵中,通过共享的全局记忆模块,获得的输出为:
其中xi表示输入数据中的第i种变换(一共R种),fg(·)为全局记忆模块的函数式,相当于传统记忆网络的全部运算过程,θg表示一个全局记忆模块的共享参数,即对于每一种变换得到的编码器特征,在送入全局记忆模块后其参数是共享的,这里[R]={1,2,…,R}。
3.局部记忆模块
与全局记忆模块类似,不同的是局部记忆模块的构建使用的是R个记忆矩阵,每个记忆矩阵记录着正常数据中相应变换的特征。通过多个局部记忆模块,获得的输出为:
其中fl(·)为局部记忆模块的函数式,相当于传统记忆网络的全部运算过程,表示R个局部记忆模块的参数,即对于每一种变换得到的编码器特征,分别送入不同的局部记忆模块中,其参数不共享,这里[R]={1,2,…,R}。
4.自适应融合模块
该模块旨在从所有增强特征中学习共有表示和特有表示。具体来说,该方法使用全局记忆模块来学习所有变换中包含的共有表示,并使用局部记忆模块来学习每个变换的特定表示。最后,提出一个自适应融合模块,将这两个级别的特征融合为最终的表示形式,以用于输入到解码器中进行重构。其动机是尽管每个异常样本都可以包含正常数据的共有模式,但是可以通过全局记忆模块来学习。每个异常模式(即每个不同的转换)都可以包含其对正常数据模式有用的特定信息。因此,可以通过同时捕获全局和局部模式来学习改进的表示形式。
直观地说,共有特征和特有特征在表达一个实例的过程中不是同等重要的,因此,最后的特征表达需要由计算得到的权重来确定:
这里, 和代表共有特征和特有特征的权重,为了学习权重,变量r输入到全连接网络得到的输出结果作为2R个权重α的初始权重值,全连接网络包括一个全连接层(FC),一个批标准化层(BN),激活函数层(AF),其激活函数层使用的是Sigmoid函数,其目的是控制变量的范围在[0,1]之间。
研究发现记忆单元能够通过复杂的组合形式生成不同的特征甚至对于异常数据也能被很好地重构出来,因为为了限制全局记忆网络和局部记忆网络权重的稀疏性,该方法提出一种稀疏损失函数Lspar,通过最小化w的熵得到。
Lspar=Lspar1+Lspar2
式中C1和C2分别为全局记忆模块与局部记忆模块用于记忆存储的矩阵的行数,wi为全局记忆模块中的第i行寻址向量,wj为局部记忆模块中的第j行寻址向量。因全局记忆网络和局部记忆网络均涉及寻址向量,所以此两个网络都要计算损失,即Lspar是全局和局部的稀疏损失和。
5.训练与推断过程
通过整合模型的自监督误差、重构误差和稀疏化误差,能够得到该模型的目标函数,如下式:
J(θ)=LMSE+λ1LCE+λ2Lspar
其中,θ代表的含义是该模型所有参数,λ1和λ2代表损失函数的权重系数,λ1和λ2会根据调参结果进行调整。
在训练阶段,我们能够端到端的优化目标函数,使模型达到最优。对于无监督的编码器-解码器模型,通常假定对于不同类别的实例,压缩是不同的。也就是说,如果训练数据集仅包含正常实例,则对于异常实例,重构误差会更高。因此,我们可以根据推断阶段的重构误差(MSE)将这些实例分为“异常(睡眠呼吸障碍)”或“正常”。
给定正常数据集D={x1,x2,…,xn},决策标准选择训练集中的所有数据的重构误差值的99分位数(用99个数值将按大小顺序排列的所有重构误差值划分为100个等分,则这99个数值或99个点就称为百分位数,其中第99个百分位数为99分位数),将其作为阈值threshold。在测试阶段,Error(xi)表示xi的重构误差,决策规则为当Error(xi)>threshold时,序列中的样本被预测为异常状态(睡眠呼吸障碍),否则为正常状态。此处说明:在计算阈值和测试阶段计算Error(xi)仅使用模型得到的重构误差LMSE,而LCE+Lspar只用于模型的目标函数,优化模型。
具体实施说明
为了更好的说明本发明的具体实施过程,下面以睡眠呼吸障碍检测为例,详细介绍该方法数据采集与训练的过程。
1)使用的数据集:
CAP数据集表示在非快速眼动睡眠中基于脑电图活动的周期性循环交替模式,它记录了108路多导睡眠图的多模态时序信号,信号类型包括至少3个脑电(EEG)通道,2通道的眼电图(EOG),1个颏下肌的肌电图(EMG),1个双侧前胫骨肌电图(EMG),1个呼吸信号和1个心电图信号(EKG)。研究中包括16名健康受试者,没有出现任何神经***疾病,也没有服用影响中枢神经***的药物,92例病理记录包括40例诊断为夜间额叶癫痫(NFLE)的患者,22例快速眼动睡眠期行为障碍(RBD),10例睡眠期周期性肢体运动(PLM),9例失眠,5例发作性睡眠,4例睡眠呼吸障碍(SDB),2例磨牙症。在睡眠呼吸障碍检测中,我们将16位健康受试者的睡眠数据作为正常类别,4位睡眠呼吸障碍患者作为异常类别。
2)数据预处理:
数据预处理阶段,由于传感器数据的高灵敏性,实验中采用Savitzky-Golay滤波器和三阶一维中值滤波器消除信号的峰值,采用移动平均滤波消除噪声。其中,Savitzky-Golay滤波器是一种在时域内基于局域多项式最小二乘法拟合的滤波方法,将移动窗口进行加权平均,但加权系数不是简单的常数窗口,而是通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,它的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点。移动平均滤波基于统计规律,将连续的采样数据看成一个长度固定为N的队列,在新的一次测量后,上述队列的首数据去掉,其余N-1个数据依次前移,并将新的采样数据***,作为新队列的尾;然后对这个队列进行算术运算,并将其结果做为本次测量的结果。
在对多传感器信号进行滤波后,将这些信号处理成矩阵的形式,在输入到网络前,还需要对样本进行自监督学习所需要的信号变换,将每个样本做6种变换后得到7个矩阵,分别是原始样本生成的矩阵和6种变换生成的矩阵,7个矩阵将作为一个样本输入到自监督式记忆网络中。
3)模型训练:
对于我们的模型来说,编码器被设计成Conv2D→Maxpool→Conv2D→Maxpool,即第一个卷积层和第二个卷积层分别是具有32和64个大小为4×4的卷积核,和大小为2×2的最大池化层。解码器被设计成Conv2D→Unpool→Conv2D→Unpool→Conv2D→Unpool,每层的卷积核数量分别为64,32,1,其大小为4×4。为了计算自监督误差,编码器的输出还将送入自监督学***”,即把多维的输入一维化,常用在从卷积层到全连接层的过渡,FC层为全连接层,有着128个节点,Dropout层指的是在每次训练的时候,每个神经元有20%的几率被移除,该层的作用是为了防止训练的时候过拟合。
模型使用Keras框架编写,整个实验是在TITAN XP GPU上以端到端的方式对模型进行了训练。模型的优化器选用Adam,学习率控制在0.001,批处理的数量为32,迭代次数在100左右。并且我们设置了超参数:λ1=1和λ2=0.0002。
1)实验结果
表1展示了在CAP数据集上我们的方法和对比方法的结果,结果中标有下划线的方法表示精度次优的方法。可以看出我们所提出的方法具有最优的表现。在CAP数据集上F1分数提高了4.73%,其精确率和召回率也有相同程度的提高。
表1:对比实验结果
方法 | 精确率 | 召回率 | F1分数 | 准确率 |
KernelPCA | 0.7603 | 0.5847 | 0.6611 | 0.5892 |
ABOD | 0.7867 | 0.6365 | 0.7037 | 0.6326 |
OCSVM | <u>0.9267</u> | <u>0.9259</u> | <u>0.9263</u> | <u>0.9257</u> |
HMM | 0.8238 | 0.8078 | 0.8157 | 0.8090 |
LSTM-AE | 0.7147 | 0.6253 | 0.6671 | 0.6286 |
MSCRED | 0.6410 | 0.5784 | 0.6081 | 0.5819 |
BeatGAN | 0.5251 | 0.5002 | 0.5123 | 0.8437 |
UODA | 0.7557 | 0.5124 | 0.6107 | 0.5173 |
本发明方法 | 0.9678 | 0.9775 | 0.9726 | 0.9730 |
以下为与上述方法实施例对应的***实施例,本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在上述实施方式中。
本发明还提出了一种基于自监督式记忆网络的睡眠呼吸障碍检测***,其中包括:
模块1,用于获取睡眠呼吸正常的多导睡眠图所产生的多模态时序信号作为原始时间序列,依据预设的变换策略将该原始时间序列处理为多个变换时间序列,通过编码器依次将该原始时间序列和每个变换时间序列进行编码,得到多个潜在特征;
模块2,用于构建包含多分类器的自监督学习模块,使用该自监督学习模块对该潜在特征的变换策略进行识别,得到该潜在特征对应各变换策略的概率分布,基于该概率分布,得到该自监督学习模块的交叉熵损失函数LCE;
模块3,用于构建记忆网络的全局记忆模块和局部记忆模块,使用该全局记忆模块提取所有潜在特征的共有特征,使用该局部记忆模块依次提取各潜在特征的特有特征,并基于全局记忆模块和局部记忆模块的寻址向量,分别得到全局记忆模块和局部记忆模块的稀疏损失函数Lspar;
模块4,用于通过自适应融合模块将该共有特征和该特有特征进行融合,得到新特征,将该新特征输入至与该编码器相对应的解码器中,得到新时间序列,基于该新时间序列和该原始时间序列间的重构误差,构建重构损失函数LMSE;
模块5,用于通过整合该交叉熵损失函数LCE、稀疏损失函数Lspar和重构损失函数LMSE,得到目标函数J,端到端的迭代优化该目标函数J,直到该目标函数J收敛或达到预设迭代次数,保存当前编码器、全局记忆模块、局部记忆模块、自适应融合模块和解码器作为睡眠呼吸障碍检测模型;
模块6,用于将待睡眠呼吸障碍检测的多模态时序信号,输入至该睡眠呼吸障碍检测模型,得到新时间序列作为新时序信号,判断该新时序信号和该多模态时序信号间的重构误差是否大于阈值,若是则输出睡眠呼吸障碍作为检测结果,否则输出睡眠呼吸正常作为检测结果。
所述的基于自监督式记忆网络的睡眠呼吸障碍检测***,其中模块1中该变换策略包括:高斯噪声变换、时间维度反转转换、沿时间维度随机扰动变换、缩放变换、取反变换和/或平滑变换。
所述的基于自监督式记忆网络的睡眠呼吸障碍检测***,其中该交叉熵损失函数LCE:
其中R表示该潜在特征的总个数,yi和pi是第i类的伪标签和预测概率,且多分类器的结构为两层全连接层,全连接层中每个神经元都与下一层中的所有神经元相连;
该稀疏损失函数Lspar:
Lspar=Lspar1+Lspar2
式中C1和C2分别为全局记忆模块与局部记忆模块用于记忆存储的矩阵的行数,wi为全局记忆模块中的第i行寻址向量,wj为局部记忆模块中的第j行寻址向量;
重构损失函数LMSE:
该目标函数J:J(θ)=LMSE+λ1LCE+λ2Lspar,λ1和λ2均为权重。
所述的基于自监督式记忆网络的睡眠呼吸障碍检测***,其中模块6中该阈值为训练集中的所有睡眠呼吸正常数据的重构误差值的99分位数。
本发明还提出了一种服务器,用于实施基于自监督式记忆网络的睡眠呼吸障碍检测方法。
本发明还提出了一种客户端,其中用于基于自监督式记忆网络的睡眠呼吸障碍检测***,且该客户端为手机应用APP或电脑应用软件。
Claims (10)
1.一种基于自监督式记忆网络的睡眠呼吸障碍检测方法,其特征在于,包括:
步骤1、获取睡眠呼吸正常的多导睡眠图所产生的多模态时序信号作为原始时间序列,依据预设的变换策略将该原始时间序列处理为多个变换时间序列,通过编码器依次将该原始时间序列和每个变换时间序列进行编码,得到多个潜在特征;
步骤2、构建包含多分类器的自监督学习模块,使用该自监督学习模块对该潜在特征的变换策略进行识别,得到该潜在特征对应各变换策略的概率分布,基于该概率分布,得到该自监督学习模块的交叉熵损失函数LCE;
步骤3、构建记忆网络的全局记忆模块和局部记忆模块,使用该全局记忆模块提取所有潜在特征的共有特征,使用该局部记忆模块依次提取各潜在特征的特有特征,并基于全局记忆模块和局部记忆模块的寻址向量,分别得到全局记忆模块和局部记忆模块的稀疏损失函数Lspar;
步骤4、通过自适应融合模块将该共有特征和该特有特征进行融合,得到新特征,将该新特征输入至与该编码器相对应的解码器中,得到新时间序列,基于该新时间序列和该原始时间序列间的重构误差,构建重构损失函数LMSE;
步骤5、通过整合该交叉熵损失函数LCE、稀疏损失函数Lspar和重构损失函数LMSE,得到目标函数J,端到端的迭代优化该目标函数J,直到该目标函数J收敛或达到预设迭代次数,保存当前编码器、全局记忆模块、局部记忆模块、自适应融合模块和解码器作为睡眠呼吸障碍检测模型;
步骤6、将待睡眠呼吸障碍检测的多模态时序信号,输入至该睡眠呼吸障碍检测模型,得到新时间序列作为新时序信号,判断该新时序信号和该多模态时序信号问的重构误差是否大于阈值,若是则输出睡眠呼吸障碍作为检测结果,否则输出睡眠呼吸正常作为检测结果。
2.如权利要求1所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法,其特征在于,步骤1中该变换策略包括:高斯噪声变换、时间维度反转转换、沿时间维度随机扰动变换、缩放变换、取反变换和/或平滑变换。
3.如权利要求1所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法,其特征在于,该交叉熵损失函数LCE:
其中R表示该潜在特征的总个数,yi和pi是第i类的伪标签和预测概率,且多分类器的结构为两层全连接层,全连接层中每个神经元都与下一层中的所有神经元相连;
该稀疏损失函数Lspar:
Lspar=Lspar1+Lspar2
式中C1和C2分别为全局记忆模块与局部记忆模块用于记忆存储的矩阵的行数,wi为全局记忆模块中的第i行寻址向量,wj为局部记忆模块中的第j行寻址向量;
重构损失函数LMSE:
该目标函数J:J(θ)=LMSE+λ1LCE+λ2Lspar,λ1和λ2均为权重。
4.如权利要求1所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法,其特征在于,步骤6中该阈值为训练集中的所有睡眠呼吸正常数据的重构误差值的99分位数。
5.一种基于自监督式记忆网络的睡眠呼吸障碍检测***,其特征在于,包括:
模块1,用于获取睡眠呼吸正常的多导睡眠图所产生的多模态时序信号作为原始时间序列,依据预设的变换策略将该原始时间序列处理为多个变换时间序列,通过编码器依次将该原始时间序列和每个变换时间序列进行编码,得到多个潜在特征;
模块2,用于构建包含多分类器的自监督学习模块,使用该自监督学习模块对该潜在特征的变换策略进行识别,得到该潜在特征对应各变换策略的概率分布,基于该概率分布,得到该自监督学习模块的交叉熵损失函数LCE;
模块3,用于构建记忆网络的全局记忆模块和局部记忆模块,使用该全局记忆模块提取所有潜在特征的共有特征,使用该局部记忆模块依次提取各潜在特征的特有特征,并基于全局记忆模块和局部记忆模块的寻址向量,分别得到全局记忆模块和局部记忆模块的稀疏损失函数Lspar;
模块4,用于通过自适应融合模块将该共有特征和该特有特征进行融合,得到新特征,将该新特征输入至与该编码器相对应的解码器中,得到新时间序列,基于该新时间序列和该原始时间序列间的重构误差,构建重构损失函数LMSE;
模块5,用于通过整合该交叉熵损失函数LCE、稀疏损失函数Lspar和重构损失函数LMSE,得到目标函数J,端到端的迭代优化该目标函数J,直到该目标函数J收敛或达到预设迭代次数,保存当前编码器、全局记忆模块、局部记忆模块、自适应融合模块和解码器作为睡眠呼吸障碍检测模型;
模块6,用于将待睡眠呼吸障碍检测的多模态时序信号,输入至该睡眠呼吸障碍检测模型,得到新时间序列作为新时序信号,判断该新时序信号和该多模态时序信号间的重构误差是否大于阈值,若是则输出睡眠呼吸障碍作为检测结果,否则输出睡眠呼吸正常作为检测结果。
6.如权利要求5所述的基于自监督式记忆网络的睡眠呼吸障碍检测***,其特征在于,模块1中该变换策略包括:高斯噪声变换、时间维度反转转换、沿时间维度随机扰动变换、缩放变换、取反变换和/或平滑变换。
7.如权利要求5所述的基于自监督式记忆网络的睡眠呼吸障碍检测***,其特征在于,该交叉熵损失函数LCE:
其中R表示该潜在特征的总个数,yi和pi是第i类的伪标签和预测概率,且多分类器的结构为两层全连接层,全连接层中每个神经元都与下一层中的所有神经元相连;
该稀疏损失函数Lspar:
Lspar=Lspar1+Lspar2
式中C1和C2分别为全局记忆模块与局部记忆模块用于记忆存储的矩阵的行数,wi为全局记忆模块中的第i行寻址向量,wj为局部记忆模块中的第j行寻址向量;
重构损失函数LMSE:
该目标函数J:J(θ)=LMSE+λ1LCE+λ2Lspar,λ1和λ2均为权重。
8.如权利要求5所述的基于自监督式记忆网络的睡眠呼吸障碍检测***,其特征在于,模块6中该阈值为训练集中的所有睡眠呼吸正常数据的重构误差值的99分位数。
9.一种服务器,其特征在于,用于实施权利要求1至4中任意一种基于自监督式记忆网络的睡眠呼吸障碍检测方法。
10.一种客户端,其特征在于,用于权利要求5至8中任意一种基于自监督式记忆网络的睡眠呼吸障碍检测***,且该客户端为手机应用APP或电脑应用软件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917103.4A CN114027786B (zh) | 2021-08-11 | 2021-08-11 | 基于自监督式记忆网络的睡眠呼吸障碍检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917103.4A CN114027786B (zh) | 2021-08-11 | 2021-08-11 | 基于自监督式记忆网络的睡眠呼吸障碍检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114027786A true CN114027786A (zh) | 2022-02-11 |
CN114027786B CN114027786B (zh) | 2023-04-18 |
Family
ID=80139804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110917103.4A Active CN114027786B (zh) | 2021-08-11 | 2021-08-11 | 基于自监督式记忆网络的睡眠呼吸障碍检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114027786B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116010858A (zh) * | 2023-03-28 | 2023-04-25 | 同心智医科技(北京)有限公司 | 基于自监督学习的通道注意MLP-Mixer网络模型及其应用 |
CN117556311A (zh) * | 2024-01-11 | 2024-02-13 | 电子科技大学 | 一种基于多维特征融合的无监督时间序列异常检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110801221A (zh) * | 2019-12-09 | 2020-02-18 | 中山大学 | 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备 |
CN112587155A (zh) * | 2020-12-12 | 2021-04-02 | 中山大学 | 一种基于自监督学习的脑电波图异常检测的方法及装置 |
CN113158815A (zh) * | 2021-03-27 | 2021-07-23 | 复旦大学 | 一种无监督行人重识别方法、***及计算机可读介质 |
US20210343014A1 (en) * | 2020-04-30 | 2021-11-04 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems, methods, and apparatuses for the use of transferable visual words for ai models through self-supervised learning in the absence of manual labeling for the processing of medical imaging |
-
2021
- 2021-08-11 CN CN202110917103.4A patent/CN114027786B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110801221A (zh) * | 2019-12-09 | 2020-02-18 | 中山大学 | 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备 |
US20210343014A1 (en) * | 2020-04-30 | 2021-11-04 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems, methods, and apparatuses for the use of transferable visual words for ai models through self-supervised learning in the absence of manual labeling for the processing of medical imaging |
CN112587155A (zh) * | 2020-12-12 | 2021-04-02 | 中山大学 | 一种基于自监督学习的脑电波图异常检测的方法及装置 |
CN113158815A (zh) * | 2021-03-27 | 2021-07-23 | 复旦大学 | 一种无监督行人重识别方法、***及计算机可读介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116010858A (zh) * | 2023-03-28 | 2023-04-25 | 同心智医科技(北京)有限公司 | 基于自监督学习的通道注意MLP-Mixer网络模型及其应用 |
CN117556311A (zh) * | 2024-01-11 | 2024-02-13 | 电子科技大学 | 一种基于多维特征融合的无监督时间序列异常检测方法 |
CN117556311B (zh) * | 2024-01-11 | 2024-03-19 | 电子科技大学 | 一种基于多维特征融合的无监督时间序列异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114027786B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Seal et al. | DeprNet: A deep convolution neural network framework for detecting depression using EEG | |
Khare et al. | Time–frequency representation and convolutional neural network-based emotion recognition | |
Cui et al. | Automatic Sleep Stage Classification Based on Convolutional Neural Network and Fine‐Grained Segments | |
Xu et al. | Learning EEG topographical representation for classification via convolutional neural network | |
CN113627518A (zh) | 利用迁移学习实现多通道卷积-递归神经网络脑电情感识别模型的方法 | |
CN115769228A (zh) | 利用贝叶斯图探索自动构造神经网络架构 | |
Kumar et al. | OPTICAL+: a frequency-based deep learning scheme for recognizing brain wave signals | |
CN114027786B (zh) | 基于自监督式记忆网络的睡眠呼吸障碍检测方法及*** | |
Dong et al. | Subject sensitive EEG discrimination with fast reconstructable CNN driven by reinforcement learning: A case study of ASD evaluation | |
CN112990008B (zh) | 基于三维特征图和卷积神经网络的情绪识别方法及*** | |
CN116072265B (zh) | 基于时间自注意力与动态图卷积的睡眠分期分析***及方法 | |
Koçer et al. | Classifying neuromuscular diseases using artificial neural networks with applied Autoregressive and Cepstral analysis | |
CN111951958A (zh) | 一种基于自编码的疼痛数据评估方法及相关组件 | |
Jinliang et al. | EEG emotion recognition based on granger causality and capsnet neural network | |
Paul et al. | Deep learning and its importance for early signature of neuronal disorders | |
Akmal | Tensor factorization and attention-based CNN-LSTM deep-learning architecture for improved classification of missing physiological sensors data | |
Akmal et al. | Classification analysis of tensor-based recovered missing EEG data | |
Srivastava et al. | ApneaNet: A hybrid 1DCNN-LSTM architecture for detection of Obstructive Sleep Apnea using digitized ECG signals | |
Bakiya et al. | [Retracted] Classification of Myopathy and Amyotrophic Lateral Sclerosis Electromyograms Using Bat Algorithm and Deep Neural Networks | |
Xu et al. | Eeg signal classification and feature extraction methods based on deep learning: A review | |
Khalkhali et al. | Low latency real-time seizure detection using transfer deep learning | |
Wang et al. | Deep learning for single-channel EEG signals sleep stage scoring based on frequency domain representation | |
Mohammad et al. | Epileptic Seizures Diagnosis Using Amalgamated Extremely Focused EEG Signals and Brain MRI. | |
Ahmadieh et al. | Visual image reconstruction based on EEG signals using a generative adversarial and deep fuzzy neural network | |
Omar et al. | Enhancing EEG signals classification using LSTM‐CNN architecture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |