典型文献
基于注意力机制的空时融合深度学习睡姿监测算法研究
文献摘要：
目的 针对用于无扰睡姿检测的心冲击图(Ballistocardiogram,BCG)信号特征微弱,并且具有非线性、非平稳性强、存在噪声干扰以及信号本身具有空间和时域信息的特点,提出了一种基于注意力机制融合空时特征的深度学习睡姿检测模型(Deep Learning Sleeping Posture Monitoring Model,CTAM).方法 CTAM是一种可实现端到端的实时睡姿检测方案,通过睡眠带测试真实睡眠状态下睡姿的BCG信号,并构建数据集进行仿真对比实验.结果 与具有类似结构的传统卷积神经网络(Convolutional Neural Networks,CNN)模型和空时融合的卷积-长短时记忆网络(Convolutional Long Short-Term Memory Network,CNN-LSTM)相比,CTAM在训练集的收敛性和测试集的准确率上均有显著的提升,其中,在测试集上的准确率分别较CNN模型和CNN-LSTM模型提升了1.46％和4.61％.结论 CTAM这种算法模型在基于BCG信号下能实现睡姿的实时、有效、无扰监测,在改善睡眠质量监测领域具有较好的应用前景.
文献关键词：
睡姿;心冲击图;卷积神经网络;深度学习睡姿检测模型;注意力机制
中图分类号：
作者姓名：
石用伍;李小勇;石用德;石用民;谢泉
作者机构：
贵州省人民医院 设备处,贵州 贵阳 550002;华南师范大学 环境学院,广东 广州51000;贵州省盘州市大山镇卫生院,贵州 盘州 553507;贵州省盘州市大山镇城镇规划建设管理所,贵州 盘州 553507;贵州大学 大数据与信息工程学院,贵州 贵阳 550025
文献出处：
引用格式：
[1]石用伍;李小勇;石用德;石用民;谢泉-.基于注意力机制的空时融合深度学习睡姿监测算法研究)[J].中国医疗设备,2022(07):39-44
A类：
Ballistocardiogram,深度学习睡姿检测模型,CTAM
B类：
监测算法,算法研究,心冲击图,BCG,信号特征,微弱,非平稳性,噪声干扰,有空,空间和时,时域信息,注意力机制融合,Deep,Learning,Sleeping,Posture,Monitoring,Model,端到端,检测方案,睡眠状态,仿真对比,Convolutional,Neural,Networks,长短时记忆网络,Long,Short,Term,Memory,训练集,收敛性,测试集,算法模型,改善睡眠,睡眠质量,质量监测
AB值：
0.333104
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
