典型文献
多模态融合的特征提取方法在SA检测中的应用
文献摘要：
为解决睡眠呼吸暂停(Sleep Apnea,SA)检测中使用传统的机器学习方法需花大量工作在特征工程上导致效率低下,以及模型多以单通道信号进行特征提取存在识别效果不佳的问题,提出一种基于时序卷积网络(Temporal Convolu-tional Network,TCN)和堆叠稀疏降噪自编码器(Stacked Sparse Denoismg Auto-Encoder,SSDAEs)的多模态特征融合模型来实现特征自动提取.该模型以心电和呼吸2种信号作为输入,首先利用TCN网络提取输入信号的时序特征,然后通过SSDAEs提取信号的浅层与深层的高维特征,对于不同特征空间的心电信号特征和呼吸信号特征采用一个小型神经网络进行特征融合,将该模型与随机森林算法结合,用于解决SA片段检测问题.实验结果表明,该方法在SA片段检测的准确率、灵敏度、特异性分别是91.5%、88.9%、90.8%.通过与以往相关研究对比,验证了该模型的SA检测性能更好,效率更高.
文献关键词：
睡眠呼吸暂停;时序卷积网络;降噪自编码器;多模态融合;随机森林
中图分类号：
作者姓名：
杨娟;滕飞;郭大林
作者机构：
西南交通大学唐山研究生院,河北 唐山 063000;西南交通大学计算机与人工智能学院,四川 成都 611756
文献出处：
引用格式：
[1]杨娟;滕飞;郭大林-.多模态融合的特征提取方法在SA检测中的应用)[J].计算机与现代化,2022(10):121-126
A类：
Denoismg,SSDAEs
B类：
多模态融合,SA,睡眠呼吸暂停,Sleep,Apnea,机器学习方法,特征工程,单通道,时序卷积网络,Temporal,Convolu,tional,Network,TCN,堆叠,稀疏降噪自编码,降噪自编码器,Stacked,Sparse,Auto,Encoder,多模态特征融合,融合模型,征自,自动提取,时序特征,取信,高维特征,特征空间,心电信号,信号特征,呼吸信号,随机森林算法,检测问题,研究对比,检测性能
AB值：
0.367476
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。
