基于自編碼器和隱馬爾可夫模型的睡眠呼吸暫停檢測方法
發(fā)布時間：2020-12-14 16:35
阻塞性睡眠呼吸暫停容易引發(fā)心血管并發(fā)癥。作為睡眠呼吸暫停診斷的金標準,多導睡眠儀的檢測費用昂貴且影響患者睡眠質量。鑒于心肺高度耦合,心電信號已被廣泛應用于睡眠呼吸暫停檢測中。然而,大多數(shù)基于心電信號的研究專注于人工特征的設計,依賴于專家先驗知識�；谏疃葘W習的方法能夠減少特征提取過程中的人為因素。提出一種基于自編碼器和隱馬爾可夫模型的睡眠呼吸暫停檢測方法。首先,利用棧式稀疏自編碼器,直接從RR間期序列中進行半監(jiān)督特征學習,先在預訓練階段進行無監(jiān)督學習,隨后在微調階段引入標簽進行有監(jiān)督學習。然后,構建支持向量機和人工神經(jīng)網(wǎng)絡,分別結合隱馬爾可夫模型之后,組成決策融合分類器,隱馬爾可夫模型引入片段之間的時間依賴性,決策融合可整合不同分類器之間的優(yōu)勢。基于PhysioNet的apnea-ECG數(shù)據(jù)庫70例整夜睡眠數(shù)據(jù),實驗結果顯示:阻塞性睡眠呼吸暫停片段識別準確率、敏感性和特異性分別為84.7%、88.9%和82.1%,個體識別準確率達到100%�；谧跃幋a器的特征提取方法相較于特征工程,能夠降低先驗知識限制,使特征提取過程更加自動化、智能化。此外,決策融合分類器相較于單一分類器,不僅可提升...
【文章來源】：中國生物醫(yī)學工程學報. 2020年04期 北大核心
【文章頁數(shù)】：10 頁
【部分圖文】：
本研究提出的OSA檢測方法整體系統(tǒng)框圖
圖1 本研究提出的OSA檢測方法整體系統(tǒng)框圖式中，稀疏懲罰項基于Kullback-Leibler(KL)散度構建，l表示隱含層神經(jīng)元數(shù)目，β是稀疏懲罰項系數(shù)，λ是權重衰減項系數(shù)。
Song等[8]認為，患者某一時刻的疾病狀態(tài)可能會與前一時刻的狀態(tài)具有聯(lián)系，而人們又難以從觀測序列中判斷疾病狀態(tài)。他們將疾病狀態(tài)與觀測序列聯(lián)系起來建立HMM，取得了不錯的結果�；谇叭说难芯�，本研究將半監(jiān)督學習算法獲取的特征作為觀測序列與疾病狀態(tài)聯(lián)系起來，建立SVM-HMM和ANN-HMM混合模型作為分類器。圖4 神經(jīng)網(wǎng)絡訓練。(a)預訓練;(b)微調
本文編號：2916669
【文章來源】：中國生物醫(yī)學工程學報. 2020年04期 北大核心
【文章頁數(shù)】：10 頁
【部分圖文】：
本研究提出的OSA檢測方法整體系統(tǒng)框圖
圖1 本研究提出的OSA檢測方法整體系統(tǒng)框圖式中，稀疏懲罰項基于Kullback-Leibler(KL)散度構建，l表示隱含層神經(jīng)元數(shù)目，β是稀疏懲罰項系數(shù)，λ是權重衰減項系數(shù)。
Song等[8]認為，患者某一時刻的疾病狀態(tài)可能會與前一時刻的狀態(tài)具有聯(lián)系，而人們又難以從觀測序列中判斷疾病狀態(tài)。他們將疾病狀態(tài)與觀測序列聯(lián)系起來建立HMM，取得了不錯的結果�；谇叭说难芯�，本研究將半監(jiān)督學習算法獲取的特征作為觀測序列與疾病狀態(tài)聯(lián)系起來，建立SVM-HMM和ANN-HMM混合模型作為分類器。圖4 神經(jīng)網(wǎng)絡訓練。(a)預訓練;(b)微調
本文編號：2916669
本文鏈接：http://www.wukwdryxk.cn/kejilunwen/dianzigongchenglunwen/2916669.html
教材專著
