基于CNN-BiLSTM的自动睡眠分期方法

针对目前睡眠分期存在的依赖人工特征提取、无法识别长时关联数据中的时序模式、模型对EEG时序数据分期不准确等问题,提出一种基于CNN-BiLSTM的自动睡眠分期方法.将原始数据通过改进MSMOTE算法进行过采样形成类平衡数据,再通过CNN表达其高级特征,并馈送至BiLSTM中挖掘各睡眠阶段间的依赖关系,实现睡眠数据分期特征的自动学习和睡眠周期判定.在Sleep-EDF公开数据集上的实验结果表明,CNN-BiLSTM模型的分类准确率为92.21%.同时引入改进的MSMOTE过采样技术缓解因数据不平衡所导致的少数类睡眠期判定不准确问题.在原始数据集类不平衡的情况下,实现了睡眠数据自动分期,有效提高了睡眠分期模型的准确率,具有一定的实用价值.     

采用小波变换和双向长短期记忆网络的脑电睡眠分期模型

针对睡眠生理信号采集难度大、睡眠分期精度低的问题,提出一种采用小波变换和双向长短期记忆网络的脑电睡眠分期模型。首先使用连续小波变换提取睡眠脑电的时频图;然后使用卷积神经网络从脑电信号的时频图中提取睡眠相关的脑电特征,作为单个睡眠片段的分期依据,再使用双向长短期记忆网络进一步提取睡眠片段之间的状态转换规则;最后利用深度学习方法建立特征、规则与睡眠阶段的映射,使用数据扩充和两步训练法训练模型,削弱数据不均衡的影响,完成连续片段的睡眠分期。采用SHHS公开数据库的5 793名被试者的睡眠脑电数据对该模型进行验证,实验结果表明,睡眠分期准确率达到85.82%,整体F1达到78.39,Kappa系数达到0.799,和现有方法相比性能明显提升。     

引入Huber损失函数的睡眠脑电数据增强模型研究

针对目前睡眠脑电数据的标记仍以专家评判为主,导致数据标记不足,以及影响睡眠状态自动评估的不同阶段睡眠脑电数据类不平衡等问题,提出了一种基于生成式对抗网络（generative adversarial network,GAN）的数据增强模型,用以扩充不同睡眠阶段的脑电数据．通过引入Huber函数来改进辅助分类器生成式对抗网络（auxiliary classifier GAN,ACGAN）模型的损失函数,解决数据模糊等品质问题．该模型无须对数据进行特征提取,其生成和判别网络都采用一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN),并以一维噪声和类别向量为生成器输入信号．分别采用手写体数字图像数据集与睡眠脑电数据集评估该模型的性能．将改进前的模型与其他损失函数模型进行了对比试验,结果表明改进模型的数据增强效果与睡眠分期效果,从可视化评估到定量评估均优于其他模型．研究结果以期为深度学习引入睡眠脑电分析中提供一种行之有效的方法．      

振幅整合脑电图在正常睡眠脑电分期中的应用

该文提出了振幅整合脑电图用于正常年轻人睡眠脑电分期的方法。记录了13例正常年轻人约8小时睡眠脑电数据,分为训练组(6例)和测试组(7例)。计算训练组每一例的振幅整合脑电图(aEEG);提取aEEG的上边带曲线作为其特征曲线;提取不同分期的aEEG上边带中位数和四分位距特征;将这些特征进行综合统计分析,得出aEEG在不同睡眠期的边界和波动范围的数值指标;利用此指标对训练组和测试组的脑电数据进行睡眠自动分期。测试组和训练组的分期结果与ZEO系统结果有较好的一致性,证明了aEEG的一组特征值作为睡眠分期决策指标的可行性。     

基于正态逆高斯和特征贡献度的睡眠分期实验研究

针对自动睡眠分期任务,提出了一种基于正态逆高斯和特征贡献度的睡眠分期实验框架.提取睡眠脑电信号特征,并对信号进行可调Q因子小波分解（TQWT）,针对TQWT子带提取正态逆高斯参数特征;基于SVM模型实现特征贡献度排序与筛选,针对高贡献度特征,比较多种分类器的分期结果并设计多分类器组合自动睡眠分期算法.采用PhysioBank的Sleep-EDF数据集进行验证,取得了89.88%的平均睡眠分期准确率,相较于单一分类器的分期准确率有较大提升,对睡眠障碍的临床诊断与研究具有较大价值.      

基于精细复合多尺度熵与支持向量机的睡眠分期

提出将脑电信号与眼动信号的精细复合多尺度熵作为睡眠分期依据,利用多层次支持向量机的机器学习算法对睡眠进行自动分期.利用精细复合多尺度熵对睡眠信号进行特征提取,选用脑电以及眼电通道的信号,以保证输入特性的可靠性,并通过3层支持向量机实现了睡眠的自动分期.结果表明,分类器的输入参数可由熵值曲线的变化特征来确定.基于精细复合多尺度熵的多层次支持向量机算法的睡眠分期准确率达到85.3%,与已有的分类算法相比,所提出的算法更加均衡,且整体分类效果更佳.     

基于贝叶斯相关向量机的脑电睡眠分期

针对支持向量机(SVM)计算复杂度高和参数不易确定的局限性,提出一种基于稀疏贝叶斯相关向量机(RVM)的脑电数据睡眠分期方法.给出二分类RVM的参数推理和优化,并确定了二叉树多分类RVM模型.基于8例健康成年人的MIT/BIH睡眠脑电实测数据,根据已有的专家人工睡眠分期注释,首先提取清醒期和睡眠各期脑电数据的样本熵值作...     

基于多特征信息的双层睡眠分期模型

针对睡眠相关疾病的诊断和治疗过程中睡眠分期的问题,使用ADASYN算法对睡眠样本进行类平衡,有效利用复合多尺度排列熵、样本熵和不同频段的能量值等一系列能够反映不同睡眠阶段信息的特征进行训练．为了提高分类中易混淆睡眠阶段的分类识别性能,构建了一种双层分类模型,使睡眠分期的五分类问题转化为两个三分类问题．将所提出的方法在Sleep-EDF数据集上进行验证,结果表明：所提出的模型对健康受试者的准确率可达到88.3%,较以往模型提高1%～3%,其中N1阶段的分类准确率可达69.5%,较以往模型提高约10%,证明本双层分类模型优于传统的睡眠分类模型．     

基于样本熵的睡眠脑电分期

运用样本熵从波士顿Beth Israel睡眠脑电实验数据中提取睡眠特征值,对睡眠分期进行研究.针对脑电属于微弱非平稳随机信号、难于提取特征的特点,利用小波变换先有效地消除脑电信号中的噪声,再计算其样本熵用以表征睡眠各分期.计算结果表明,由清醒期到非快速眼动的Ⅳ期过程中,其样本熵值呈规律性逐渐变小,与该库中专家评定的结果相符.这说明经过小波消噪和样本熵处理的脑电信号能准确地反映睡眠各期的变化特征,比用近似熵表征睡眠分期更准确、运算速度更快,完全适用于非平稳随机信号的处理.     

基于时窗复杂度序列的睡眠脑电分析

运用时窗复杂度序列来分析睡眠脑电,减少了非平稳性及状态空间的不均匀性造成的脑状态信息的丢失,在一定程度上克服了复杂度的自身的局限,有助于不同睡眠期状态特征的提取.另外本文采用ICA、小波变换等方法对脑电进行预处理,实验表明它们能有效地去除脑电中的一些生理干扰,有利于提高复杂度算法在睡眠分期应用中的精确度.     

深度学习的睡眠脑电特征波检测

回顾了深度学习（deep learning,DL）技术在睡眠脑电检测上的应用．以睡眠脑电过程中的纺锤波检测问题为例,探讨了睡眠脑电检测的各类方法,以及相较于传统信号处理算法,DL算法在睡眠脑电纺锤波检测问题上具有精度较高、对数据适应性更强的特点．针对进一步提高网络检测性能与硬件适用性需求,提出特征融合与脉冲神经2种改进型网络,并获得较高的检测性能,进一步阐释了DL技术在睡眠脑电特征波检测方面的应用潜力．      

睡眠脑电的非线性动力学方法

在8例健康成年人的睡眠脑电监测实验基础上,利用已有的专家人工分期结果,提取睡眠各阶段特征数据,应用近似熵、复杂度和功率谱熵三种方法进行分析,从客观量化的复杂性度量来刻划睡眠深度的变化情况,对每个睡眠分期选取5000点数据,数据窗取1000点,逐次延时一个采样间隔得到几个时间序列,分别求复杂度,最后取均值即得此分期复杂性测度值,结果表明三种方法均与专家人工分期结果相吻合,近似熵算法复杂不适合在线分析;复杂度算法较简单,但数据粗粒化处理容易丢失信息;功率谱熵算法简单、快速及有效,因而用统计分析方法分析,表明功率谱熵能较好地反映睡眠深度的变化情况。     

面向情绪识别中脑电特征分布不均匀的双策略训练方法

使用脑电进行情绪识别已经有了广泛的研究，但由于脑电的低信噪比、不平稳性以及受试者情绪表达方式的不同，不同受试者甚至单个受试者的脑电图情绪特征都会存在差异性，导致脑电样本在特征空间分布不均匀，容易出现模型泛化性能差的问题。为解决这一问题，该文提出了一种结合提升算法(boost)和梯度下降法(gradient descent)的双策略训练方法交替更新脑电情绪识别模型，梯度下降法在模型推理过程中更新网络参数，使损失最小化，提升算法用于更新脑电样本权重。在DEAP数据集上的实验结果表明，该方法在效价、唤醒和优势度3个维度上的准确率分别为71.25%、71.48%和71.80%,且在跨被试数据集下通过数据驱动的方式有效调整了脑电样本特征的分布，使其分布更均匀，从而提高了情绪识别模型的泛化性能。     

基于EEGNet的脑电情绪分类应用研究

针对特定脑电信号数据集的情绪分类问题，研究紧凑型的卷积神经网络EEGNet在不同脑电数据集上的能力与效果，并通过在不同的脑电数据集上对EEGNet进行训练与调试，实现单模态脑电数据集的情绪分类。首先，介绍紧凑轻量型卷积神经网络EEGNet结构在时空数据集上的强大处理能力，提出在对EEG信号特征进行编码时的有效性假设。其次，介绍两种经典的脑电公开数据集SEED和SEED-IV，设计针对性的预处理方法、基于EEGNet的情绪分类实验并与其他经典分类方法进行了比较分析。最终，经过在SEED和SEED-IV数据集上的多轮测试，分别得到了85.3%和73.3%的分类准确率，验证了EEGNet在基于脑电信号的情绪分类任务中具有较好的健壮性与准确率。     

基于自适应粒子群优化的不平衡航空客户数据质量优化

航空业的竞争愈发激烈,高效且准确的客户忠诚度预测模型有利于提高企业竞争力.针对航空数据集存在严重分类不平衡、特征维度多等问题,提出了客户忠诚度预测模型.该模型基于自适应粒子群优化(APSO)算法得到多数类优化样本子集,使用卷积神经网络(CNN)提取得到的平衡数据集特征,将自动得到的特征向量作为随机森林(RF)算法的输入,构建客户忠诚度预测模型.实验结果表明,该方法预测性能优于其他预测模型,可以更好地预测客户忠诚度.     

基于FSWT和GBDT的癫痫脑电信号分类研究

为解决癫痫脑电信号分类类别以及分类精度不足的问题,使用频率切片小波变换对脑电数据进行信号重构,得到5 个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取信号的特征信息。随后使用梯度提升树算法对得到的特征数据集进行多分类。实验表明,该算法对癫痫脑电信号的三分类识别率为98． 4%。较传统Adaboost 算法,该方法采取了GBDT( Gradient Boosting Decision Tree) 作为分类算法,成功利用更多的数据集,并且使得分类精度更高。     

短时睡眠过程中睡眠阶段的特征提取和分类

研究对象为白天短时睡眠时记录下来的多导睡眠生理数据,主要是为了提取睡眠过程中出现的睡眠各阶段的特征,并实现自动分期.首先,同步采集了白天20～30 min的短时睡眠过程中的脑电图(EEG)等生理数据;然后利用快速傅里叶变换(FFT)对采集到的数据进行频谱分析,提取睡眠各阶段的频域特征;最后采用支持向量机对短时睡眠数据进...     

基于机器学习的跨患者癫痫自动检测算法

针对目前癫痫自动检测算法多集中于为单个患者建立检测模型,泛化能力较弱的问题,提出一种基于机器学习的跨患者癫痫自动检测算法.该算法使用多个癫痫患者的脑电数据,先对数据进行预处理后分析脑电数据间存在的特征,再对特征进行筛选,训练出一个跨患者的癫痫自动检测模型.该算法不需为每个患者建立单独的检测模型,实现了仅使用一个检测模型...     

基于ICA和极限学习机的模拟阅读脑电特征分类

为了有效地提取N2-P3成分,利用ICA对脑电数据进行盲源分离,自动提取N2-P3成分;同时为了克服传统方法如支持向量机、神经网络训练时间长、个别识别准确率不够高的缺点,选择极限学习机作为分类器.在模拟阅读实验范式下,记录了7名受试者的脑电数据,利用ICA分别对每名受试者的高维脑电数据进行盲源分离,提取出N2-P3成分,以此作为靶特征,并与非靶特征一起放入极限学习机分类器进行分类.训练得到7名受试者的训练时间和分类准确率,并与支持向量机进行了比较.结果表明:经过ICA特征提取后,使用极限学习机进行分类,该分类器学习速度快,泛化能力强,训练时间大大减少.在分类准确率上,ICA+ELM的分类准确率较传统的最佳单通道+SVM有较大幅度的提升,从后者平均的82.4%提升到了97.7%.     

基于有效特征选择的高价值移动通信用户预测方法

高价值移动通信用户预测是电信客户关系管理中的一项重要内容。针对建立预测模型时遇到的高维、大规模、类不平衡等数据处理问题,提出了一种基于有效特征选择的预测方法。利用欠采样方式从初始不平衡数据集提取多个平衡训练集,使用结合Pearson相关性分析和随机森林特征重要性评估的特征选择策略,在集成学习方法中嵌入加权和投票机制获得最优的特征子集,最后采用随机森林算法建立预测模型。实验结果表明,该预测模型可以有效降低特征集的维度并提升对高价值移动通信用户的预测性能。