基于CNN-BiLSTM的自动睡眠分期算法
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.
睡眠分期、脑电信号、卷积神经网络、双向长短时记忆神经网络、梅尔频谱、深度学习、特征提取
31
TP391;TN912.34;TM621.2
广东省重点研发计划;国家自然科学基金;广东省自然科学基金面上项目
2022-04-26(万方平台首次上网日期,不代表论文的发表时间)
共8页
180-187