96、自动化睡眠分期与灾害推文预测研究进展

自动化睡眠分期与灾害推文预测研究进展

自动化睡眠分期研究

在睡眠研究领域，深度学习技术正逐渐成为分析睡眠阶段的重要手段。众多学者提出了不同的模型和方法，以提高睡眠分期的准确性和效率。

1. 多种深度学习模型用于睡眠分期

   • Zhao等人的双模态多尺度深度神经网络 ：Zhao等提出了一种双模态和多尺度的深度神经网络，用于对睡眠阶段进行分类。他们利用脑电图（EEG）和心电图（ECG）信号进行了三种二分类，分别是睡眠与清醒、浅睡眠与深睡眠、快速眼动（REM）睡眠与非快速眼动（NREM）睡眠。使用MIT - BIH数据库进行训练和测试，该数据库包含16名年龄在32至56岁之间的健康成年人的18个夜间睡眠周期。模型使用9个卷积层对EEG信号进行分类，13个卷积层对ECG信号进行分类，二分类的准确率分别达到88.80%、97.97%和98.84%，四分类的准确率为80.40%。
   • Li等人的CCN - SE卷积神经网络 ：Li等提出了名为CCN - SE的卷积神经网络用于睡眠阶段分类。他们在三个不同的数据集上实现了该算法，包括SHHS（100个接近正常的多导睡眠图（PSG）记录）、Sleep - EDFx（包含SC和ST两个队列，选择了100个采样频率为100Hz的记录，并选择Fpz - Cz EEG通道进行单通道睡眠分期）以及香港诊所的PSG文件（3通道EEG，采样频率为256Hz，选择了10名受试者）。算法结构由3个CNN块和1个SE块组成，每个CNN块后都进行批量归一化。在SHHS数据库上的整体准确率为86.70%