【摘 要】
：
睡眠是人类基本的生理活动,高质量的睡眠为白天高效率地工作、学习、生活提供保障。睡眠分期是评估睡眠质量的技术,同时也是诊断治疗各种睡眠障碍相关疾病的重要依据。传统的人工睡眠分期方法存在高耗时、劳动密集且主观性强的缺陷,随着信号处理技术、机器学习和深度学习方法的发展,睡眠分期任务逐渐向自动化过渡。虽然目前的睡眠分期研究已经在分期准确率、泛化能力等方面取得了不错的成果,但仍存在着睡眠信号数据不纯以及现有
论文部分内容阅读
睡眠是人类基本的生理活动,高质量的睡眠为白天高效率地工作、学习、生活提供保障。睡眠分期是评估睡眠质量的技术,同时也是诊断治疗各种睡眠障碍相关疾病的重要依据。传统的人工睡眠分期方法存在高耗时、劳动密集且主观性强的缺陷,随着信号处理技术、机器学习和深度学习方法的发展,睡眠分期任务逐渐向自动化过渡。虽然目前的睡眠分期研究已经在分期准确率、泛化能力等方面取得了不错的成果,但仍存在着睡眠信号数据不纯以及现有的睡眠分期模型无法兼顾可解释性和分期效果的问题。基于单通道脑电信号的数据采集方式提供了更为舒适的睡眠体验和相对低廉的使用成本,具有较高的应用价值,因此选择使用单通道脑电信号进行睡眠分期的相关研究。首先,针对因划分方式导致的脑电信号数据不纯问题,提出了一种基于时序异常检测的数据重构算法,对睡眠转换阶段处的前后60s脑电信号根据异常打分的差异定位睡眠阶段分界点,重新划分数据,以达到数据提纯和提升睡眠分期效果的目的。其次,针对现有的睡眠分期模型无法兼顾可解释性和分期效果的问题,提出了一种基于特征工程和序列学习的睡眠分期模型,使用基于希尔伯特-黄变换得到的多维边际谱序列作为脑电信号时频特征的提取结果,将其输入到融合了注意力机制、特征学习和序列学习的分类网络中进行睡眠分期,同时使用焦点损失函数作为模型训练的损失函数处理睡眠分期任务中固有的类不平衡问题。最后,将上述两个方向的改进工作相结合,提出了基于时序异常检测和特征工程的睡眠分期算法。实验结果表明,提出的基于时序异常检测和特征工程的睡眠分期算法在SleepEDF数据集上的总体准确率和MF1分数分别达到了85.5%和80.9%,验证了该算法在睡眠分期领域的有效性。
其他文献
现如今随着时代发展,我国相关部门对于教育行业的要求愈发严格,其主要是要求各个学校在教书育人的环境中要以学生为主,让他们能够获得更加全面的发展,要帮助学生建立起更加正确的人生观和价值观。针对这个问题,我国的中职院校就希望能够在语文教育中充分融入我国的优秀传统文化。通过这些优秀传统文化的融入让中职院校的学生能够在学习中更加了解我国的民族文化精神,让他们逐渐建立起正确的社会核心价值观以及个人理念,使我们
举人大挑，是清乾隆年间订立的疏通举人仕途的一种制度，分为挑选和授官两个阶段。因关注点不同，学界多聚焦于挑选阶段的研究，而对授官阶段探讨较少。以一等举人为例，分发、试用、甄别、补授四个环节前后相连，环环相扣，构筑了大挑举人的授官机制。环节不同，功用有别。分发是前提，试用是手段，甄别是基础，补授是目的，缺一不可。该机制在实际运作中，增强了科举的向心力和凝聚力，维护了清王朝的政治统治和社会稳定；但因形势
内窥镜视频被广泛运用于医学教育、远程手术、疾病诊断等方面,但一段未经剪辑的内窥镜视频有着大量的模糊片段与冗余片段,严重影响着整段视频的浏览体验,增加了信息获取的时间成本,因此,需要探索内窥镜视频的解析方法。关键帧是一组清晰的、包含了足够信息量的视频图像集,能概括一段视频所表达的主要内容。为了提取出清晰的关键帧,提出了先进行模糊帧识别和去除、再进行关键帧提取的方法。模糊帧识别属于图像质量评估计算的流
Qemu是一个用C语言编写的开源虚拟化软件,被广泛用于云计算业务以提供虚拟化支持。然而在生产环境中,除了完全组件故障,Qemu还会遭遇传统方法难以检测的局部组件故障。未被妥善应对的完全组件故障,以及由局部组件故障积累转化而导致的系统故障,共同导致了系统可用性的下降。目前,针对上述组件故障问题的诊断方案较少,且多面向Java应用,难以直接迁移到Qemu之上。面向Qemu设计并实现了一套静态离线代码分
随着位置服务应用的风靡,位置服务运营商在收集大量的用户移动数据用于数据分析的同时,也带给用户隐私泄露的风险。为避免这一风险,数据发布方在发布数据前通常会对用户的原始数据进行隐私保护处理。但是扰动后的数据在一定范围内仍然保留了用户的轨迹分布特征和轨迹间相似度,隐私泄露的问题依然存在。发现隐私保护方法中存在的隐私泄露场景,对未来的保护方法的完善具有现实意义。现有的移动数据推理研究中,针对差分隐私保护的
电弧增材制造技术因沉积率高、短周期、高利用率和低成本等优点,具有广泛的应用前景。但在其生产过程中,存在很多干扰因素使零件表面产生缺陷,影响零件的成形精度。在电弧增材制造过程中,检测零件表面缺陷并对缺陷区域进行修补可以提升零件的最终成形质量。基于电弧增材制造点云数据的表面缺陷检测系统可以应用于电弧增材制造的在线监测领域,提高电弧增材制造生产过程的自动化程度和成形零件的精度。首先,将系统的功能模块划分
物理不可克隆函数（Physical Unclonable Function,PUF）是在资源受限设备上实现硬件安全的一种重要解决方案,具有轻量级和唯一性的优势,其结构主要为数字电路PUF。目前攻击PUF的机器学习方法主要包括逻辑回归、可能近似正确、布尔函数等,这些方法大多存在着准确率较低、数据量大的问题。高效机器学习算法的研究主要是提出新的建模攻击方法或者改进当前已有的算法,从以下两方面展开。首先
在脑部CT血管造影成像（Computed Tomography Angiography,CTA）图像中对脑颈动脉供血区域进行分区,对于脑梗死和脑肿瘤等疾病的诊断和治疗非常重要。目前广泛使用人工对脑颈动脉供血区域进行分区的方法,存在对医生专业水平要求高且质量难以控制和效率低的问题。针对人工分区方法的缺点,提出一种全自动的基于CTA图像的脑颈动脉供血分区方法,先使用深度学习网络自动标记出脑颈动脉的不同
随着大数据时代的到来,数据隐私保护问题逐渐成为各方关注重心。安全多方计算技术实现了数据的“可用不可见”,为这一问题提供了解决方案,其中秘密共享技术是其当前实用性最强的技术分支,而隐私保护机器学习是其最热点的研究方向。然而,秘密共享技术仍存在计算效率低下、扩展性不强等限制。最新的CryptGPU方案通过将计算迁移到GPU上提升了计算性能,但其主要关注线性计算的效率提升,而忽略了非线性计算的效率问题,
数字水印作为信息隐藏技术的一个重要分支,在防泄漏溯源、信息防伪、版权保护等方面具有重要作用,得到了广泛的关注和研究。目前基于深度学习的数字水印技术逐渐成为主流,在许多性能指标上都远超传统方法。而Stegastamp模型作为深度学习数字水印模型中的佼佼者,其各方面性能,尤其是鲁棒性,处于领先水平。但是Stegastamp模型仍然存在以下不足:数字水印嵌入痕迹肉眼可见,图像失真严重,并且当数字水印受到