公开(公告)号：CN113158964B

公开(公告)日：2024-05-28

申请号：CN202110494434.1

申请日：2021-05-07

Applicant: 北京工业大学

Inventor： 段立娟 ,  李梦颖 ,  乔元华 ,  张文博 ,  苗军

IPC: G06F18/24 ,  G06F18/10 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提出了一种基于残差学习和多粒度特征融合的睡眠分期方法，属于信号处理和模式识别领域。首先，对原始睡眠脑电信号进行预处理，获得若干睡眠脑电信号数据样本，且每一个数据样本包含N个通道的数据。接下来，对每一个数据样本的N个通道数据分别进行HHT获得N个脑电数据的时频矩阵特征。最后，将所有样本的上述时频矩阵特征送入基于残差学习和多粒度特征融合的睡眠分期网络中，完成睡眠脑电信号的多粒度特征提取和分类任务。本发明能够在自适应提取到的睡眠脑电信号时频特征上高效融合不同粒度特征，实验证明本发明提出的网络训练速度快，对专家先验知识依赖少，有效提升了现有自动化睡眠分期方法的分类性能和效率。

公开(公告)号：CN113158964A

公开(公告)日：2021-07-23

申请号：CN202110494434.1

申请日：2021-05-07

Applicant: 北京工业大学

Inventor： 段立娟 ,  李梦颖 ,  乔元华 ,  张文博 ,  苗军

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种基于残差学习和多粒度特征融合的睡眠分期方法，属于信号处理和模式识别领域。首先，对原始睡眠脑电信号进行预处理，获得若干睡眠脑电信号数据样本，且每一个数据样本包含N个通道的数据。接下来，对每一个数据样本的N个通道数据分别进行HHT获得N个脑电数据的时频矩阵特征。最后，将所有样本的上述时频矩阵特征送入基于残差学习和多粒度特征融合的睡眠分期网络中，完成睡眠脑电信号的多粒度特征提取和分类任务。本发明能够在自适应提取到的睡眠脑电信号时频特征上高效融合不同粒度特征，实验证明本发明提出的网络训练速度快，对专家先验知识依赖少，有效提升了现有自动化睡眠分期方法的分类性能和效率。