典型文献
基于脑电时-空特征的深度学习失眠障碍检测算法
文献摘要：
目的 现有失眠障碍检测算法一般包括睡眠分期和失眠障碍识别两个阶段,存在差错传播问题,且计算量大.基于此,论文提出一种基于CNN?BiLSTM的深度学习算法,直接检测失眠障碍.方法 首先结合睡眠脑电信号时空模式,根据电极分布构造特征矩阵,再通过CNN表达其高级特征.随后馈送至BiLSTM中挖掘睡眠阶段的时序信息,实现失眠障碍的直接检测.最后按照6:2:2的比例随机设置训练集、验证集、测试集,用准确率作为指标评估算法模型的分类效果.结果 在ISRUC?Sleep公开数据集上进行实验,测试集准确率为93.25％,可达到两阶段方法的准确率水平.结论 本文设计的CNN?BiLSTM算法模型能够有效检测失眠障碍,将为辅助医生高效地诊断失眠障碍提供可靠技术方法.
文献关键词：
脑电信号;失眠障碍;卷积神经网络;长短期记忆网络;双向长短期记忆网络
中图分类号：
作者姓名：
范艺晶;罗涛;李剑峰;杨子贤
作者机构：
北京邮电大学 北京 100876
文献出处：
引用格式：
[1]范艺晶;罗涛;李剑峰;杨子贤-.基于脑电时-空特征的深度学习失眠障碍检测算法)[J].北京生物医学工程,2022(02):161-166
A类：
睡眠脑电信号,ISRUC
B类：
失眠障碍,障碍检测,检测算法,有失,睡眠分期,障碍识别,差错,传播问题,计算量,BiLSTM,深度学习算法,直接检测,时空模式,构造特征,特征矩阵,馈送,送至,时序信息,训练集,验证集,测试集,指标评估,评估算法,算法模型,分类效果,Sleep,公开数据集,两阶段方法,有效检测,双向长短期记忆网络
AB值：
0.30839
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。
