【技术实现步骤摘要】
本申请涉及睡眠研究领域,更具体地说,涉及一种用于自动睡眠分期数据的分析方法。
技术介绍
1、目前,对睡眠障碍相关疾病患者进行睡眠评估和监测的需求日益增加,这导致从睡眠监测仪器采集而来的睡眠数据量愈加庞大。
2、睡眠分期是睡眠监测和睡眠障碍诊疗的关键,目前睡眠分期方法包括人工睡眠分期和机器学习睡眠分期。传统的人工睡眠分期方式不仅高度依赖医师的经验知识,且难以处理大规模的睡眠数据。而现有的机器学习睡眠分期方式同样具有缺陷。首先,现有模型在处理诸如睡眠多导图(polysomnography,psg)记录这类高维数据时,通常涉及到将高维psg记录转换为低维向量的过程,这一过程中可能存在信息丢失的风险;其次,现有模型对原始信号中含有的特征非常不敏感,尤其是数据量较小的非快动眼睡眠的n1阶段,现有模型不能更加深入地挖掘出psg记录中蕴含的其他丰富信息。这两方面都导致现有模型无法完成高精度的睡眠分期数据进行分类。
3、因此,如何增加学习模型鲁棒性,从而提高模型输出的分析结果的准确度,进而满足医院对患者进行睡眠监测和睡眠障碍诊疗
...【技术保护点】
1.一种自动睡眠分期数据的分析方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,在所述利用第一预设神经网络模型对所述EEG信号和EOG信号进行融合之前,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,所述预处理包括:
4.根据权利要求1或2所述的方法,其特征在于,所述第一预设神经网络模型包括卷积运算模块、融合模块和掩码模块,所述融合处理包括:
5.根据权利要求4所述的方法,其特征在于,所述掩码处理的遮掩部为所述融合特征图的前后相邻两个特征图之和的均值。
6.根据权利要求1
...【技术特征摘要】
1.一种自动睡眠分期数据的分析方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,在所述利用第一预设神经网络模型对所述eeg信号和eog信号进行融合之前,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,所述预处理包括:
4.根据权利要求1或2所述的方法,其特征在于,所述第一预设神经网络模型包括卷积运算模块、融合模块和掩码模块,所述融合处理包括:
5.根据权利要求4所述的方法,其特征在于,所述掩码处理的遮掩部为所述融合特征图的前后相邻两个特征图之和的均值。
6.根据权利要求1所述的方法,其特征在于,所述特征提取包括:
7.根据权利要求6所述的方法,其特征在于,非线性特征包括:...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。