基于短时能量的呼吸暂停信号识别方法

呼吸暂停是一种常见的疾病,严重的呼吸暂停会导致患者猝死。针对患者需要对睡眠过程中呼吸信号进行实时监测,提出了一种基于短时能量的呼吸暂停信号识别监测方法。该方法基于患者呼吸过程的信号频域特性,先对不同的患者进行自适应鼾声特征信号建模;之后通过神经网络信号识别方法,利用建立的模型对患者的呼吸信号进行呼吸暂停判断。实验结果表明,对不同的患者进行睡眠呼吸过程进行监测时,可以识别95%的呼吸暂停信号,本方法为呼吸暂停患者的实时监测提供了一种高精度的信号识别方法。     

卷积神经网络与ELM的图像分类算法研究

卷积神经网络的全连接层作为一个经典的分类器,是根据传统的梯度下降法来实现训练的,泛化能力有限.针对这一问题,提出了一种将卷积神经网络和极限学习机相结合的混合模型应用于图像分类领域.卷积神经网络用于从输入图像中提取特征,特征映射最终会被编码成一维向量送入极限学习机中进行分类.给出了混合模型的详细设计,包括参数设计、结构分...     

基于神经网络的WiFi睡眠呼吸暂停智能监测技术

为了克服传统睡眠呼吸监测方案未考虑实际受测人员在测试区域可能存在呼吸暂停、正常呼吸或者离开测试区域的问题,设计一种基于家庭WiFi的睡眠呼吸暂停智能监测系统。利用线性拟合消除接收天线的信道状态信息 (channel state information, CSI) 相位误差,并利用小波变换去除信号幅值的噪声;结合短时傅里叶变换和滑动窗口法对信号进行分割;提取天线间相位差的方差等特征并利用神经网络模型对呼吸暂停进行识别,排除睡姿变化带来的干扰。实验结果表明,该系统对于呼吸暂停的检测率达到95.6%以上,能够作为日常的呼吸暂停监测方案并为用户提供健康参考。     

基于多重分形关联和深度CNN的常规雷达目标分类方法

针对传统分类方法中飞机雷达回波信号识别分类精度低、人工定义特征稳定性差的问题，提出基于多重分形关联特征和深度卷积神经网络(convolutional neural network,简称CNN)的雷达目标分类方法.首先，对输入训练数据进行多重分形关联分析，将多重分形关联谱的投影图作为输入特征图；然后，利用深度卷积神经网络对特征进行训练，得到训练模型；最后，使用训练后的模型对目标进行分类.实验结果表明：相对于其他3种方法，该文方法有更强的飞机分类性能.     

基于改进的卷积神经网络模型的中国绘画图像分类方法

提出了一种改进的卷积神经网络模型,在传统卷积神经网络中加入Inception模块,提取出图像的多尺度特征,同时引入残差连接,充分利用图像的底层特征信息.在模型中加入批标准化技术与重叠池化技术,减轻模型的过拟合.最后将提取出的特征信息输入到softmax分类器进行分类.为了验证改进模型在中国绘画图像分类上的可行性和有效性...     

阻塞性睡眠呼吸暂停患者的上气道狭窄与头姿变化

探讨阻塞性睡眠呼吸暂停（Ｏｂｓｔｒｕｃｔｉｖｅｓｌｅｅｐａｐｎｅａ，ＯＳＡ）患者上气道狭窄的程度、头姿改变情况，以及这些形态学指标与病理生理学参数之间的关系。研究对象为８６例男性ＯＳＡ患者及３７名健康男性。经整夜多导睡眠仪检查诊断或排除ＯＳＡ；采用数字化技术摄取受试者头颅侧位片，并用ＮＩＨＩｍａｇｅ软件测定上气道口径、面积及头姿指标共１５项。ＯＳＡ患者各水平上气道前后径均显著小于对照组；经年龄及身高体重指数校正后，上述结果不变。重症ＯＳＡ患者呈显著头颅前倾。头姿变化指标与呼吸暂停指数及多个水平的气道前后径呈显著相关。亚洲人种ＯＳＡ患者存在明显及广泛的上气道狭窄；随ＯＳＡ程度加重及上气道阻塞程度加重，患者可能出现代偿性头姿改变     

基于鼾声的声学特征估计睡眠呼吸暂停指数

睡眠呼吸暂停低通气综合征(sleep apnea hypopnea syndrome, SAHS)是一种睡眠呼吸疾病.提出用鼾声的声学特征对SAHS严重程度进行筛查的方法.提取鼾声的美频率倒谱系数(Mel-frequency cepstral coefficients, MFCC),利用高斯混合模型对鼾声进行建模和分类,并估计了打鼾者的呼吸暂停低通气指数(apnea hypopnea index, AHI).对120人的实验结果表明,与多导睡眠仪(polysomnography, PSG)诊断的AHI值相比,本方法对严重程度诊断的正确率达80.00%,与PSG诊断的一致性达到83.30%,相关系数为0.956 3 (P 0.001).说明MFCC是筛查SAHS较为有效的声学特征.研究结果对医疗辅助诊断和居家医疗的发展有着积极的促进作用.     

基于改进的卷积神经网络的钢号识别

为获取样本的多样性特征,提出了一种改进的卷积神经网络结构。该网络中引入多层递归神经网络,利用卷积神经网络提取输入图像的浅层特征,同时利用卷积神经网络和递归神经网络并行提取高层特征,最后将两种网络学习到的特征进行融合输入到分类器中分类。利用迁移学习理论解决小样本集数据训练不足的问题,并将这种卷积神经网络结构应用于石油物资管线钢号识别中。实验探究了递归神经网络个数与卷积核个数对网络性能的影响,实验结果表明,改进的网络结构与其它网络进行对比,错误率降低了 3% 。     

持续正压呼吸治疗仪在阻塞性睡眠呼吸暂停综合征的使用

病例:患者,男性,54岁,干部,夜间呼吸困难,晨起头昏3d.患者在夜间睡眠中出现呼吸暂停、呼吸困难、费力、鼾声重,晨起有头昏、胸闷、乏力.有高脂血症病史.检查:Bp118/80mmHg,心率80次/min,双肺(一),CH5.86mmol/L,LDL4.1mmol/L,心脏彩超正常,心电图正常.     

基于关键词学习的文本分类方法

提出一种基于关键词学习的文本分类方法.采用LDA主题模型抽取文本的关键词,通过关键词的词袋构造文本的特征矩阵并进行PCA降维,将低阶特征矩阵输入由卷积神经网络和BP神经网络的混合网络中对文本分类进行学习.为提高文本分类效果,引入与BP神经网络同构的深度神经网络对BP神经网络的初始权值进行初始化.在多数据集上的实验表明,本文方法明显提高文本分类的准确率.     

基于多流卷积和数据增强的声场景分类方法

针对单特征输入时,现有声场景分类方法分类准确率不高且泛化能力不强的问题,提出了一种基于多流卷积和数据增强的声场景分类方法.首先,介绍了卷积神经网络和混合数据增强的基本原理;其次,基于网络并行输入理论,设计了一种多流卷积神经网络模型以期实现多流特征融合,其由特征提取模块和特征融合模块组成;然后,为进一步提升模型的准确率并...     

一种改进的深度神经网络的花卉图像分类

花卉图像类内差异性大和类间相似性高使得花卉图像分类较难.传统花卉分类方法和普通卷积神经网络很难完整地表达花卉图像的特征,故而分类效果不理想.为提高花卉分类准确率,提出改进的InceptionV3网络用于花卉图片的分类.采用迁移学习的方法,将在大规模数据集上训练的InceptionV3网络用于花卉图像数据集的分类,对其中的激活函数进行改进.在通用Oxford flower-102数据集上的实验表明:该模型在花类图像分类任务中比传统方法和普通卷积神经网络分类准确率高,且比未改进的卷积神经网络准确率高,迁移过程准确率达到81.32%,微调过程准确率达到92.85%.     

基于卷积神经网络的在线评论情感分析模型

针对标准卷积神经网络在文本情感分析过程中忽略了句子的整体结构信息的缺陷,本次研究在卷积神经网络的输入端加入注意力机制,提出了基于双通道输入的分段池化卷积神经网络模型(AF_CNN模型),该模型既能够有效提取文本局部最优特征,又能够捕捉到上下文词语之间的相关性。针对体育新闻评论情感分析的实验结果表明,与标准的卷积神经网络模型相比,本次研究提出的AF_CNN模型在分类准确率、召回率和F_1值等评价指标上,分别提升了3.40%,0.47%,1.96%。     

一种改进的深度卷积神经网络的精细图像分类

精细图像分类不同于传统的图像分类,由于精细图像自身的类间相似性和类内差异性,传统的基于手工特征和局部特征组合方法已经很难完整地表达精细图像的特征,因此提出了一种基于改进的深度卷积神经网络模型.由于深度卷积神经网络结构参数和神经元数量巨大,训练模型困难,所以采用高斯分布对前6层参数初始化,其中激活函数采用校正之后的Relus-Softplus函数,在花卉图像数据库OXford-102 flowers中TOP1准确率达到85.75%,TOP3准确率达到了94.50%.实验结果表明:该模型在中等规模数据集上比传统方法优势明显,且比未改进的CNN模型识别率高.     

基于LBP与卷积神经网络的人脸识别

卷积神经网络在人脸识别上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征.为了提取更加全面的人脸特征,提出一种基于局部二值模式(local binary pattern,LBP)与卷积神经网络相结合的新方法.首先,提取人脸图片的LBP特征图像,然后把LBP图像与原RGB图像结合作为网络输入数据,并且使用随机梯度下降法训练网络参数,最后用训练得到的网络模型对人脸图片进行识别.通过在LFW(labeled face in the wild)人脸识别数据库上的实验表明,在卷积神经网络中加入LBP图像信息可以提高人脸识别的准确率.另外,当增加训练数据时,提出的方法得到的识别率会进一步提高,更说明提出方法的有效性.     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

基于改进的多通道卷积神经网络模型的图像分类方法

为了充分提取图像特征信息,同时减轻模型过拟合,提出了一种改进的多通道卷积神经网络模型。首先,利用三条卷积通道提取图像特征信息,各通道选择不同的卷积核大小,并利用小卷积核堆叠代替大卷积核的方法减少模型参数,再采用特征融合与批标准化技术对特征信息进行处理,最后输入到softmax分类器进行分类。将改进模型、单通道模型、多通道模型、传统图像分类模型用于对CIFAR-10数据集进行分类。实验结果表明,改进模型可以有效提取图像特征信息,减轻过拟合,进而提升模型的分类精度。     

阻塞性睡眠呼吸暂停综合征患者软腭射频消融治疗临床研究

应用低温射频技术对47例阻塞性睡眠呼吸暂停综合征患者局麻下行悬雍垂、软腭消融术治疗,分别于术前和术后行多导睡眠图等检查,比较软腭长度、悬雍垂长度、鼾声评级及嗜睡程度评分,观察术中、后的主要反应.结果,47例患者顺利接受全程治疗.随访1个月,临床症状好转,嗜睡评分、鼾声指数明显降低(P<0.05),软腭及悬雍垂缩短(P<0.05).多导睡眠图检查示:1期睡眠减少、快眼动睡眠增加,醒觉次数减少,呼吸暂停低通气指数(AHI)由每小时(34.6±9.9)次减少至每小时(15.4±6.9)次(P<0.05),最低血氧饱和度(SpO2)由(70.6%±9.0%)升高到(80.6%±12.1%)(P<0.05).研究表明低温射频消融术是一项最新的微创、安全的治疗方法,能够有效治疗轻、中度阻塞性睡眠呼吸暂停综合征.     

基于循环神经网络变体和卷积神经网络的文本分类方法

针对长文本在文本分类时提取语义关键特征难度大,分类效果差等问题,建立基于循环神经网络变体和卷积神经网络(BGRU-CNN)的混合模型,实现中文长文本的准确分类。首先,通过PV-DM模型将文本表示为句向量,并将其作为神经网络的输入;然后,建立BGRU-CNN模型,经双向门控循环单元(B-GRU)实现文本的序列信息表示,利用卷积神经网络(CNN)提取文本的关键特征,通过Softmax分类器实现文本的准确分类;最后,经SogouC和THUCNews中文语料集测试,文本分类准确率分别达到89. 87%和94. 65%。测试结果表明,循环层提取的文本序列特征通过卷积层得到了进一步优化,文本的分类性能得到了提高。     

采用无监督学习算法与卷积的图像分类模型

为了提高图像分类精度,降低训练复杂度,提出一种采用无监督学习算法与卷积构造的图像分类模型.首先,从输入无标签图像中随机抽取大小相同的图像块构成数据集,进行预处理.其次,将预处理后的图像块通过两次K-means聚类算法提取字典,并采用离散卷积操作提取最终图像特征.最后,采用Softmax分类器对提取的图像特征进行分类,得出准确率.将该模型与卷积神经网络(CNN),Dropout CNN网络进行比较,结果表明:在对大规模高维图像分类上,文中模型具有分类精确度高、简单、训练参数少、适应度高等优点.