典型文献
基于CNN-BiLSTM的自动睡眠分期算法
文献摘要：
睡眠分期是睡眠数据分析的基础,针对目前睡眠分期存在的依赖人工提取、人工判别效率低、自动睡眠分期准确率不高等问题,本文研究模型是基于卷积神经网络和双向长短时记忆神经网络2个深度学习神经网络相结合的,利用脑电信号来进行自动睡眠分期的模型方法.算法能提取得到原始脑电信号的梅尔频谱,利用卷积神经网络和双向长短时记忆神经网络进行时频域的特征提取,卷积神经网络能够提取睡眠信号高级特征,双向长短时记忆神经网络结合睡眠数据不同时期的关联性,提高自动睡眠分期的准确率.实验结果表明,本文方法在Sleep-EDF数据集的3种状态睡眠分期任务中取得89.0％的平均准确率.与传统的基于统计规则的分期模型相比,本文模型的准确率更高,且简单高效,泛化性能更好.本文算法适用于非线性、不稳定、有幅度起伏变动的脑电信号,有效提高了自动睡眠分期模型结果的准确率,对现代睡眠医学、睡眠障碍等分析研究具有一定的实用价值.
文献关键词：
睡眠分期;脑电信号;卷积神经网络;双向长短时记忆神经网络;梅尔频谱;深度学习;特征提取
中图分类号：
作者姓名：
卢伊虹;吴礼祝;潘家辉
作者机构：
华南师范大学软件学院,佛山528225
文献出处：
引用格式：
[1]卢伊虹;吴礼祝;潘家辉-.基于CNN-BiLSTM的自动睡眠分期算法)[J].计算机系统应用,2022(04):180-187
A类：
B类：
BiLSTM,自动睡眠分期,研究模型,双向长短时记忆神经网络,深度学习神经网络,用脑,模型方法,原始脑电信号,梅尔频谱,时频域,Sleep,EDF,平均准确率,泛化性能,幅度起伏,睡眠医学,睡眠障碍
AB值：
0.162909
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。
