典型文献
基于深度学习的多通道脑电信号睡眠分期方法
文献摘要：
目的 利用脑电信号进行睡眠分期是分析人睡眠状态的重要方法,通过引入人工智能深度学习来研究基于多通道脑电信号的睡眠分期方法.方法 提出基于注意力的多通道脑电信号睡眠分期方法(Attention Based Multi-Channel EEG Sleep Net,AMCSleepNet),该方法利用多个分支卷积网络分别提取脑电信号不同通道的时频域特征,设计新型压缩聚合层和残差层自适应融合多通道脑电信号的特征,并通过Transformer编码器挖掘特征的时间相关性.结果 在2021全国智能睡眠科学大赛提供的多通道脑电数据上,AMCSleepNet的平均准确率达到了81.86％,相较于基于注意力的单通道模型和多通道深度卷积模型分别提升了5.69％和11.06％.结论 AMCSleepNet方法能够利用多通道脑电信号提升睡眠分期的准确率,可更充分利用睡眠数据,潜在应用价值较高.
文献关键词：
深度学习;睡眠分期多通道;脑电信号
中图分类号：
作者姓名：
张金辉;郑宇博;罗莹莹;邹冰;央妮;李蕾
作者机构：
解放军总医院服务保障中心 装备保障室,北京 100853;北京邮电大学 人工智能学院,北京 100876
文献出处：
引用格式：
[1]张金辉;郑宇博;罗莹莹;邹冰;央妮;李蕾-.基于深度学习的多通道脑电信号睡眠分期方法)[J].中国医疗设备,2022(07):49-53
A类：
AMCSleepNet,睡眠分期多通道
B类：
多通道脑电信号,用脑,睡眠状态,Attention,Based,Multi,Channel,EEG,法利,卷积网络,时频域特征,缩聚,自适应融合,Transformer,编码器,时间相关性,脑电数据,平均准确率,单通道模型,深度卷积,潜在应用
AB值：
0.195778
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。
