买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明授权】基于无监督特征学习的睡眠呼吸暂停片段检测设备_中山大学_201911263286.1 

申请/专利权人:中山大学

申请日:2019-12-09

公开(公告)日:2021-04-27

公开(公告)号:CN110801221B

主分类号:A61B5/318(20210101)

分类号:A61B5/318(20210101);A61B5/349(20210101);A61B5/00(20060101)

优先权:

专利状态码:有效-授权

法律状态:2021.04.27#授权;2020.03.13#实质审查的生效;2020.02.18#公开

摘要:本发明公开了一种基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备,方法包括:采集睡觉时的心电信号;对心电信号进行模数转换,获得心电数字信号;把心电数字信号按分钟分段得到心电信号片段;根据心电信号片段提取RR间期序列进行修正,基于三次样条插值及快速傅里叶变换得到频域序列,制作训练集;构建栈式稀疏自编码模型,利用无标签数据集预训练稀疏自编码器,对频域序列进行无监督学习提取特征,用有标签训练集对栈式稀疏自编码模型进行微调;搭建基于Softmax‑隐马尔科夫和时间依赖‑代价敏感分类模型,利用稀疏自编码模型在有标签训练集得到的特征和相应的标签训练基于Softmax‑隐马尔科夫和时间依赖‑代价敏感分类模型,得到睡眠呼吸暂停分类模型。

主权项:1.一种基于无监督特征学习的睡眠呼吸暂停片段检测设备,其特征在于,包括存储器以及处理器,所述存储器内存储有计算机程序,所述计算机程序能够被所述处理器执行,以实现如下方法:S1、采集受试者夜晚睡觉时的心电信号;S2、对采集到的心电信号进行模数转换,获得受试者的心电数字信号;S3、把获得的心电数字信号按分钟分段,得到每分钟的心电信号片段;S4、根据获得的每分钟的心电信号片段提取RR间期序列并进行中值滤波修正,对修正得到的RR间期序列使用三次样条插值进行插值,插值后的序列信号进行快速傅里叶变换得到频域序列,并用频域序列制作有标签训练集和无标签训练集;S5、构建栈式稀疏自编码模型,利用无标签数据集预训练稀疏自编码器,对频域序列进行无监督学习来自动提取特征,并利用提取的特征预训练完模型后,在模型输出的特征后接Softmax分类器,用有标签训练集对栈式稀疏自编码模型进行微调;其中,步骤S5具体包括:S51、构建自编码器,对于每个输入向量X={x1,x2,…,xn},通过编码器对输入向量进行编码,编码结果为H=fW1X+b,其中编码后得到的特征向量H={h1,h2,…,hm},以及通过解码器对特征向量H进行解码,解码过程为其中解码后得到重构向量n,m分别为输入层和隐藏层的维数,W1和W2均为权重矩阵,分别位于输入层和隐藏层之间以及隐藏层和输出层之间,b为偏置项,其代价函数其中S52、在自编码器的基础上构建稀疏自编码器,隐藏层中加入稀疏惩罚项使得网络能学习到更加抽象的特征,其代价函数JsparseW,b=JW,b+βPpenalty,其中,β为稀疏惩罚项系数;S53、对稀疏自编码器进行堆栈操作,通过把前一层稀疏自编码器的隐藏层输出向量作为后一层稀疏自编码器的输入向量,构建得到栈式稀疏自编码器模型;S54、用无标签训练集对栈式稀疏自编码器模型应用逐层贪婪预训练的策略进行预训练,在此过程中神经网络以最小化重构误差作为优化目标,对每个稀疏自编码器依次进行学习,利用前向传播和反向传播算法进行多次迭代调整编码器和解码器的权值矩阵完成一个稀疏自编码器的训练,最终在编码器的输出端输出特征向量;再将前面一个稀疏自编码器的特征向量作为后面一个稀疏自编码器的输入,继续进行同样的学习过程直到所有堆栈起来的稀疏自编码器都学习完毕;S55,完成所有稀疏自编码器权重矩阵的初始化并训练好栈式稀疏自编码器模型后,在栈式稀疏自编码器模型后面接入Softmax分类器,利用有标签训练集对栈式稀疏自编码器模型进行微调;S6、搭建基于Softmax-隐马尔科夫和时间依赖-代价敏感分类模型,利用稀疏自编码模型在有标签训练集得到的特征和相应的标签训练基于Softmax-隐马尔科夫和时间依赖-代价敏感分类模型,得到最终的用于睡眠呼吸暂停分类的模型;其中,步骤S6具体包括:S61、搭建基于Softmax-隐马尔科夫和时间依赖-代价敏感分类模型;S62、把栈式稀疏自编码器模型在有标签训练集提取到的特征结果以及对应片段的标签输入到Softmax-隐马尔科夫和时间依赖-代价敏感模型,利用MetaCost通过对训练集样本进行多次取样训练Softmax-隐马尔科夫和时间依赖-代价敏感分类模型,得到最终的睡眠呼吸暂停片段分类模型;步骤S62中,MetaCost实现代价敏感的方法如下:在训练集{x1,y1,x2,y2,…}中进行T次有放回的取样,每次取得n个样本;记这些子训练集为S={S1,S2,…,ST},选择一个分类模型,分别对{S1,S2,…,ST}进行建模,得到模型集M={M1,M2,…,MT};使用M={M1,M2,…,MT}分别对训练集{x1,y1,x2,y2,…}的每个样本进行分类,得到在对应模型MT下,对应样本x属于第j类的概率Pj|x;MT,设定代价矩阵Ci,j,表示第j类样本被错分为第i类的代价,定义条件风险作为代价函数Ri|x=∑jPj|x;MTCi,j,最小化代价函数Ri|x,并在此过程中修改训练集中数据的标签y=argminiRi|x,使用修改标签后的训练集进行建模,得到最终的睡眠呼吸暂停片段分类模型。

全文数据:

权利要求:

百度查询: 中山大学 基于无监督特征学习的睡眠呼吸暂停片段检测设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。

相关技术
相关技术
相关技术
相关技术