典型文献
基于自注意力机制和单导联心电信号的自动睡眠分期算法
文献摘要：
基于手工标记或传统机器学习方法实现睡眠分期过程复杂且效率低下,深度神经网络因其强大的提取复杂特征的能力改善了睡眠分期结果,但仍存在忽略片段内部信息相关性的问题.针对此问题,本文提出一种基于自注意力机制和单导联心电信号的自动睡眠分期算法,利用卷积模块、双向门控循环单元及自注意力机制实现特征自动提取与分类.在开源睡眠心脏健康研究数据库(SHHS1、SHHS2)、动脉粥样硬化的多民族研究数据库(MESA)和美国麻省理工的多导睡眠数据库(MITBPD)中分别选取1000、1000、1000和16名受试者的单导联心电信号数据进行训练和测试,得到模型睡眠四分类(觉醒、快速眼动期、浅睡眠和深睡眠)结果,分类准确率分别达到75.77％(kappa=0.63)、81.01％(kappa=0.66)、82.79％(kappa=0.71)和76.22％(kappa=0.58),优于基于传统机器学习算法的睡眠分期结果,验证了提出模型的有效性.
文献关键词：
自动睡眠分期;单导联心电信号;卷积网络;门控循环单元;自注意力机制
中图分类号：
作者姓名：
栗伟松;汤敏芳;何征岭;王鹏;杜利东;方震;陈贤祥
作者机构：
中国科学院空天信息创新研究院,北京 100190;中国科学院大学电子电气与通信工程学院,北京 100049
文献出处：
引用格式：
[1]栗伟松;汤敏芳;何征岭;王鹏;杜利东;方震;陈贤祥-.基于自注意力机制和单导联心电信号的自动睡眠分期算法)[J].计算机与现代化,2022(12):50-59
A类：
单导联心电信号,SHHS1,SHHS2,MITBPD
B类：
自注意力机制,自动睡眠分期,机器学习方法,深度神经网络,复杂特征,内部信息,卷积模块,双向门控循环单元,征自,自动提取,开源,心脏健康,研究数据,动脉粥样硬化,多民族,民族研究,MESA,麻省理工,号数,四分类,快速眼动期,分类准确率,kappa,机器学习算法,出模,卷积网络
AB值：
0.22833
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。
