CN116269212A - 一种基于深度学习的多模态睡眠阶段预测方法 - Google Patents
一种基于深度学习的多模态睡眠阶段预测方法 Download PDFInfo
- Publication number
- CN116269212A CN116269212A CN202211666812.0A CN202211666812A CN116269212A CN 116269212 A CN116269212 A CN 116269212A CN 202211666812 A CN202211666812 A CN 202211666812A CN 116269212 A CN116269212 A CN 116269212A
- Authority
- CN
- China
- Prior art keywords
- model
- convolutional neural
- signal
- sleep
- features
- 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.)
- Pending
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
- A61B5/4815—Sleep quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
- A61B5/397—Analysis of electromyograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- 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
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- 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
-
- 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
-
- 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
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ophthalmology & Optometry (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Anesthesiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于深度学***衡数据集对模型的两个不同规模的CNN进行有监督的预训练,防止对睡眠阶段的过度拟合;步骤3:将信号分别输入到一大一小两个经过预训练的卷积神经网络中,经过四次卷积和两次池化,训练表示学习的滤波器;步骤4:将步骤2经过两个卷积神经网络的得到的特征进行融合后,输入到残差学习网络,与经过两次双向LSTM模块的特征再次融合;步骤5:步骤3得到的输出经过softmax层得到模型所预测的睡眠阶段,将softmax函数与交叉熵损失进行组合作为模型的损失函数对模型进行训练;使用SleepEDF数据集对模型进行评估。
Description
技术领域
本发明属于生物电信号分析技术领域,具体涉及一种基于深度学习的多模态睡眠阶段预测方法。
背景技术
睡眠对一个人的精神和身体健康至关重要,睡眠质量的监测对医学研究和实践有重大影响。根据人体在睡眠期间生理信号的不同变化而将睡眠过程分为不同的阶段,这个过程被称为睡眠分期或评分。睡眠障碍与许多不同的疾病有关,采用30秒的夜间多导睡眠图(PSG)进行睡眠分期,从而对睡眠障碍进行筛查、评估和诊断。睡眠阶段和周期体现了潜在的神经生理过程,从中也可以获得各种睡眠障碍的诊断标志。
通常情况下,睡眠专家通过连接在身体不同部位的传感器所记录的电活动来确定睡眠质量。来自这些传感器的一组信号被称为多导睡眠图(PSG),由脑电图(EEG)、眼电图(EOG)、肌电图(EMG)和心电图(ECG)组成。这种PSG被划分为30秒的时段,然后由专家根据公认的手册(R&K及AASM),人工进行睡眠阶段评分。然而,这种纯手工方法是耗时耗力的。
对睡眠进行准确且高效的监测不仅具有巨大的医疗价值,而且可以让个人对睡眠进行自我评估和自我管理。现有的睡眠评分方法都是医生根据手册标准人工确定的,效率较低。
发明内容
本发明要克服现有技术的上述缺点,提出了一种基于深度学习的多模态睡眠阶段预测方法。
机器执行这项任务的速度可以比人类专家快数千倍,从而每年为临床医生节省数千小时,并使睡眠评估和诊断更为广泛,实现睡眠评分的自动化。本发明提出了一种基于多模态脑电图的睡眠阶段自动评分方法,利用深度学习从脑电图中自动学习睡眠阶段评分的特征,得到睡眠阶段评分,能够更好地辅助医疗诊断。
本发明的一种基于深度学习的多模态睡眠阶段预测方法,解决其技术问题所实现的具体步骤如下:
步骤1:从数据集SleepEDF-20中获取原始PSG信号,包含一个EEG Pz-Oz信号,一个水平EOG信号,一个颏下EMG信号。将信号分割成30s片段,进行预处理,对各类睡眠生理电信号数据信息的采样频率进行统一。
步骤2:使用类平衡数据集对模型的两个不同规模的卷积神经网络(CNN)进行有监督的预训练,防止对睡眠阶段的过度拟合。提取两个CNN,叠加softmax层,用Adam优化器进行优化。在预训练结束时,丢弃softmax层。通过复制原始训练集中的少数睡眠阶段获得类平衡训练集,使得所有睡眠阶段具有相同数量的样本。
步骤3:将一段采样率为Fs的30s信号,分别输入到一大一小两个经过预训练的卷积神经网络中,经过四次卷积和两次池化,训练表示学习的滤波器,用以提取时不变特征。
步骤4:将步骤2经过两个卷积神经网络的得到的特征进行融合后,输入到残差学习网络,与经过两次双向LSTM模块的特征再次融合,用以学习时间相关特征,如阶段转换规则,即通过目前所在的阶段预测可能发生的下一阶段。
步骤5:步骤3得到的输出经过softmax层得到模型所预测的睡眠阶段,将softmax函数与交叉熵损失进行组合作为模型的损失函数对模型进行训练。使用SleepEDF数据集对模型进行评估。
本发明提供一种基于深度学习的多模态睡眠阶段预测方法,利用真实标签信号,结合多模态的信号输入模型,首先经过预训练好的两个卷积神经网络提取信号的时不变特征,经过融合后再输入残差网络提取时间特征,输出得到信号的睡眠阶段预测。不断训练以得到最好的睡眠阶段预测效果。
本发明的优点是:利用深度学习的方法,设计具有两个不同大小的CNN网络和双向LSTM模块,从而提取多模态睡眠信号中的特征,自动学习并预测睡眠阶段,比起人工判断可以获得更准确的预测结果,并节省更多的时间精力。同时相较于单一通道的信号,多模态信号考虑到多尺度的特征交叉,具有更高的准确率。
附图说明
图1是本发明方法的流程图。
图2是多模态信号图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。
下面详细说明本发明的技术方案。
一种基于深度学习的多模态睡眠阶段预测方法,包括以下步骤:
步骤1:从数据集中获取原始PSG信号,包含一个EEG Pz-Oz信号,一个水平EOG信号,一个颏下EMG信号。将信号分割成30s片段,进行预处理,对各类睡眠生理电信号数据信息的采样频率进行统一。数据集中不同睡眠阶段的数据条数如表1所示。
表1数据集SleepEDF中的数据类别及条数
步骤2:使用类平衡数据集对模型的两个不同规模的卷积神经网络(CNN)进行有监督的预训练,防止对睡眠阶段的过度拟合。提取两个CNN,叠加softmax层,用Adam优化器进行优化。在预训练结束时,丢弃softmax层。通过复制原始训练集中的少数睡眠阶段获得类平衡训练集,使得所有睡眠阶段具有相同数量的样本。
步骤3:将一段采样率为Fs的30s信号,分别输入到一大一小两个经过预训练的卷积神经网络中,经过四次卷积和两次池化,训练表示学习的滤波器,用以提取时不变特征。
步骤4:将步骤3经过两个卷积神经网络的得到的特征进行融合后,输入到残差学习网络,与经过两次双向LSTM模块的特征再次融合,用以学习时间相关特征,如阶段转换规则,即通过目前所在的阶段预测可能发生的下一阶段。
步骤5:步骤3得到的输出经过softmax层得到模型所预测的睡眠阶段,将softmax函数与交叉熵损失进行组合作为模型的损失函数对模型进行训练。
步骤3所述的将一段采样率为Fs的30s信号,分别输入到一大一小两个经过预训练的卷积神经网络中,经过四次卷积和两次池化,训练表示学习的滤波器,用以提取时不变特征,具体包括:
步骤3.1:每个CNN由四个卷积层和两个最大池化层组成。每个卷积层依次执行三个操作:一维卷积、批归一化和ReLU激活。每个池化层使用最大操作对输入进行采样。
假设有N个30秒的电信号图周期{x1,…,xN}。我们使用这两个CNN从第i个epoch xi中提取第i个特征ai如下所示:
其中CNN(xi)是使用CNN将30秒的电信号图epoch xi转换为特征向量hi的函数,θs和θl分别是第一层中具有大小卷积核的CNN的参数,||是将两个CNN的输出组合在一起的串联操作。这些连接或联系的特征{a1,…,aN}将作为下一部分模块的输入。
步骤4所述的经过两个卷积神经网络的得到的特征进行融合后,输入到残差学习网络,与经过两次双向LSTM模块的特征再次融合,用以学习时间相关特征,如阶段转换规则,即通过目前所在的阶段预测可能发生的下一阶段,具体包括:
步骤4.1:使用两层双向LSTM来学习时间信息,如阶段转换规则。双向LSTM使两个LSTM独立处理向前和向后的输入序列。前向LSTM和后向LSTM的输出互不相连,能够利用过去和未来的信息。
步骤4.2:使用一次近路连接,将步骤3中提取的特征与经过双向LSTM的输出进行一个融合,使得以前的输入序列中学到的时间信息被添加到从CNN提取的特征中。近路连接使用全连接层。
步骤4.3:假设CNN{a1,…,aN}顺序排列,t=1…N为30秒电信号图周期的时间指数,序列残差学习定义如下:
其中LSTM表示处理特征序列at的函数,该函数使用由θf和θb参数化的两层LSTM,分别用于向前和向后方向;将正向LSTM和反向LSTM的设置为零向量。FC表示一个函数,它将at特征转换为一个向量,该向量可以与双向LSTM中连接的输出向量相加。
步骤5所述的步骤3得到的输出经过softmax层得到模型所预测的睡眠阶段,将softmax函数与交叉熵损失进行组合作为模型的损失函数对模型进行训练,对训练完的模型进行评价,具体包括:
步骤5.1:模型的评价指标包括F1-score、MF1、ACC,具体计算如下:
其中TP是预测正确,样本为正(真阳性);FP是预测错误,样本被预测为正,但样本实际为负(假阳性);FN是预测错误,样本被预测为负,但样本实际为正(假阴性)。TPc是c类的真阳性,F1c是c类的每类F1分数,c是睡眠阶段的数量,N是测试时段的总数。
如上计算模型的各项指标,与不同相关工作的模型进行比较,评价模型性能,结果如表2所示。
表2睡眠阶段预测结果性能评分表
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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于深度学习的多模态睡眠阶段预测方法,包括如下步骤:
步骤1:从数据集SleepEDF-20中获取原始PSG信号,包含一个EEG Pz-Oz信号,一个水平EOG信号,一个颏下EMG信号;将信号分割成30s片段,进行预处理,对各类睡眠生理电信号数据信息的采样频率进行统一;
步骤2:使用类平衡数据集对模型的两个不同规模的卷积神经网络(CNN)进行有监督的预训练,防止对睡眠阶段的过度拟合;提取两个CNN,叠加softmax层,用Adam优化器进行优化;在预训练结束时,丢弃softmax层;通过复制原始训练集中的少数睡眠阶段获得类平衡训练集,使得所有睡眠阶段具有相同数量的样本;
步骤3:将一段采样率为Fs的30s信号,分别输入到一大一小两个经过预训练的卷积神经网络中,经过四次卷积和两次池化,训练表示学习的滤波器,用以提取时不变特征;
步骤4:将步骤2经过两个卷积神经网络的得到的特征进行融合后,输入到残差学习网络,与经过两次双向LSTM模块的特征再次融合,用以学习时间相关特征,如阶段转换规则,即通过目前所在的阶段预测可能发生的下一阶段;
步骤5:步骤3得到的输出经过softmax层得到模型所预测的睡眠阶段,将softmax函数与交叉熵损失进行组合作为模型的损失函数对模型进行训练;使用SleepEDF数据集对模型进行评估。
2.如权利要求1所述的一种基于深度学习的多模态睡眠阶段预测方法,其特征在于:步骤3所述的将一段采样率为Fs的30s信号,分别输入到一大一小两个经过预训练的卷积神经网络中,经过四次卷积和两次池化,训练表示学习的滤波器,用以提取时不变特征,具体包括:
每个CNN由四个卷积层和两个最大池化层组成;每个卷积层依次执行三个操作:一维卷积、批归一化和ReLU激活;每个池化层使用最大操作对输入进行采样;
假设有N个30秒的电信号图周期{x1,…,xN};我们使用这两个CNN从第i个epoch xi中提取第i个特征ai如下所示:
其中CNN(xi)是使用CNN将30秒的电信号图epoch xi转换为特征向量hi的函数,θs和θl分别是第一层中具有大小卷积核的CNN的参数,||是将两个CNN的输出组合在一起的串联操作;这些连接或联系的特征{a1,…,aN}将作为下一部分模块的输入。
3.如权利要求1所述的一种基于深度学习的多模态睡眠阶段预测方法,其特征在于:步骤4所述的经过两个卷积神经网络的得到的特征进行融合后,输入到残差学习网络,与经过两次双向LSTM模块的特征再次融合,用以学习时间相关特征,如阶段转换规则,即通过目前所在的阶段预测可能发生的下一阶段,具体包括:
步骤4.1:使用两层双向LSTM来学习时间信息,如阶段转换规则;双向LSTM使两个LSTM独立处理向前和向后的输入序列;前向LSTM和后向LSTM的输出互不相连,能够利用过去和未来的信息;
步骤4.2:使用一次近路连接,将步骤3中提取的特征与经过双向LSTM的输出进行一个融合,使得以前的输入序列中学到的时间信息被添加到从CNN提取的特征中;近路连接使用全连接层;
步骤4.3:假设CNN{a1,…,aN}顺序排列,t=1…N为30秒电信号图周期的时间指数,序列残差学习定义如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211666812.0A CN116269212A (zh) | 2022-12-23 | 2022-12-23 | 一种基于深度学习的多模态睡眠阶段预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211666812.0A CN116269212A (zh) | 2022-12-23 | 2022-12-23 | 一种基于深度学习的多模态睡眠阶段预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116269212A true CN116269212A (zh) | 2023-06-23 |
Family
ID=86793054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211666812.0A Pending CN116269212A (zh) | 2022-12-23 | 2022-12-23 | 一种基于深度学习的多模态睡眠阶段预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116269212A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116807478A (zh) * | 2023-06-27 | 2023-09-29 | 常州大学 | 一种驾驶员瞌睡开始状态检测方法、装置及设备 |
CN117045930A (zh) * | 2023-10-12 | 2023-11-14 | 北京动亮健康科技有限公司 | 睡眠改善模型的训练方法、***、改善方法、设备、介质 |
-
2022
- 2022-12-23 CN CN202211666812.0A patent/CN116269212A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116807478A (zh) * | 2023-06-27 | 2023-09-29 | 常州大学 | 一种驾驶员瞌睡开始状态检测方法、装置及设备 |
CN117045930A (zh) * | 2023-10-12 | 2023-11-14 | 北京动亮健康科技有限公司 | 睡眠改善模型的训练方法、***、改善方法、设备、介质 |
CN117045930B (zh) * | 2023-10-12 | 2024-01-02 | 北京动亮健康科技有限公司 | 睡眠改善模型的训练方法、***、改善方法、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116269212A (zh) | 一种基于深度学习的多模态睡眠阶段预测方法 | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及*** | |
Übeyli | Adaptive neuro-fuzzy inference systems for automatic detection of breast cancer | |
Jin et al. | A novel interpretable method based on dual-level attentional deep neural network for actual multilabel arrhythmia detection | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN110491506A (zh) | 心房颤动预测模型及其预测*** | |
Li et al. | Patient-specific seizure prediction from electroencephalogram signal via multichannel feedback capsule network | |
Vallabhaneni et al. | Deep learning algorithms in eeg signal decoding application: a review | |
CN115530847A (zh) | 一种基于多尺度注意力的脑电信号自动睡眠分期方法 | |
Liang et al. | Obstructive sleep apnea detection using combination of CNN and LSTM techniques | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其*** | |
CN117598700B (zh) | 智能化血氧饱和度检测***及方法 | |
CN112990270B (zh) | 一种传统特征与深度特征的自动融合方法 | |
Guo et al. | IEEG-TCN: a concise and robust temporal convolutional network for intracranial electroencephalogram signal identification | |
CN113974655A (zh) | 一种基于脑电信号的癫痫发作预测方法 | |
CN117407748A (zh) | 基于图卷积和融合注意力的脑电情绪识别方法 | |
CN114129138B (zh) | 一种基于时序多尺度混合注意力模型的自动睡眠分期方法 | |
Liu et al. | Automated Machine Learning for Epileptic Seizure Detection Based on EEG Signals. | |
Begawan et al. | Sleep stage identification based on eeg signals using parallel convolutional neural network and recurrent neural network | |
CN113796830B (zh) | 一种睡眠信号分期可信度自动评价方法 | |
CN115349821A (zh) | 一种基于多模态生理信号融合的睡眠分期方法及*** | |
Tobias et al. | Android Application for Chest X-ray Health Classification From a CNN Deep Learning TensorFlow Model | |
Ren et al. | Extracting and supplementing method for EEG signal in manufacturing workshop based on deep learning of time–frequency correlation | |
Wang et al. | Sleep staging based on multi scale dual attention network | |
Zhang et al. | Research on lung sound classification model based on dual-channel CNN-LSTM algorithm |
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 |