5个研究背景和意义示例,教你写计算机睡眠分期论文

今天分享的是关于睡眠分期的5篇计算机毕业论文范文, 如果你的论文涉及到睡眠分期等主题,本文能够帮助到你

基于脑电时频域信息的深度学习网络睡眠状态分类研究

这是一篇关于脑电信号,睡眠分期,深度学习,编码器的论文, 主要内容为睡眠障碍是使睡眠和觉醒出现紊乱,导致睡眠质量较差的一种疾病。常见的睡眠障碍包括失眠、嗜睡症、呼吸暂停综合征和睡眠节律紊乱。睡眠分期是诊断睡眠障碍的一种有效手段。传统的睡眠分期方法主要依赖于专业医师对脑电信号、眼电信号和肌电信号等数据的分析;然而,对长达数小时的睡眠数据进行分析会极大的消耗医师的精力,同时,睡眠分期的质量也极大的受医师经验的影响。为了解决以上问题,本文提出了三种基于深度学习的自动睡眠分期方法。首先,本文使用了公开数据集中的20名志愿者的数据,以他们的前额脑电信号作为分析对象,对他们的睡眠状态进行分期。为了缓解数据不平衡对模型造成的影响,使用重叠采样的方式构建样本种类均衡的数据集。首先提取脑电了来自时域、频域、时频域的23个常用特征,利用传统机器学习方法对睡眠进行分期。然而传统的机器学习方法并不能很好的处理脑电特征中的时序信息。为此,本文提出了一种基于脑电特征的深度学习方法,该方法由残差网络和双向长短期记忆网络(Long Short Term Memory,LSTM)组成,它在处理脑电特征数据时能够同时考虑过去和未来的上下文信息,从而更全面地理解输入特征序列。相较传统机器学习方法,该方法在睡眠分期中具有更高的性能,其准确率为85.8%。然后,脑电特征提取过程主要依赖人工设计的提取器,需要有专业知识及复杂的调参过程,同时每个方法都是针对具体应用,泛化能力及鲁棒性较差。因此,本文采用深度学习提出了一种端对端的睡眠分期模型,即时频域自注意力时序网络(Time-Frequency domain Self-Attention Temporal Network,TFSTSleep Net)。该网络通过多支路对EEG信号,及其对EEG信号处理获得的频率信号和时频信号,分别卷积得到更加全面的信号特征;而双向LSTM和自注意力的结合,可以更好的捕捉睡眠时期前后之间的依赖关系。为了验证三支路,双向LSTM和自注意力模块的有效性,进行了单支路残差网络模型、三支路时频域残差网络模型、三支路时频域双向LSTM网络模型和TFSTSleep Net模型进行睡眠分期的对比。结果显示,本文提出的TFSTSleep Net模型的分期效果最佳,其分期准确率为87.2%。此外,为了验证各个支路的有效性,本文还对该模型进行了消融实验,结果表明短时傅里叶变换支路和脑电信号支路对睡眠分期起到了较大的作用。最后,为了进一步提取睡眠阶段中EEG信号的显著波形和序列化信息,本章提出了多任务序列睡眠分期模型(Multi-Task Sequence Sleep network,MTSSleep Net),该模型由时频域多头注意力模块(Time-Frequency domain Multihead attention Block,TFM)、阶段估计模块(Stage Estimation Block,SEB)和上下文编码器模块(Context Encoder Block,CEB)组成。结果表明,该模型在睡眠分析方面表现出更为出色的性能,其准确率达到了86.7%。这一表现超过了现有的一些模型,例如Trans Sleep Net的86.5%、Seq Sleep Net的85.2%以及Res Net MHA的84.3%。综上所述,本文设计了三种不同的睡眠分期架构,利用单通道前额脑电信号进行睡眠分期。这些方法均具有较高的准确率,其中提出的MTSSleep Net模型的性能超越了现有的一些睡眠分期方法。本文提出的方法可以提高睡眠分期的自动化水平,有力的减轻医师的工作负担。

基于深度学习的睡眠分期识别算法研究与应用

这是一篇关于睡眠分期,双模态生理电信号,门控注意力对称神经网络,软件系统,解决方案的论文, 主要内容为睡眠是一种生理现象,睡眠质量影响着每个人的生活。世界卫生组织统计全球27%的人存在睡眠问题,国家卫生健康委员会将失眠现患率和成人每日平均睡眠时间纳入健康中国行动指标,推行睡眠健康已经成为健康中国行动的重要内容。我国现代临床睡眠医学的诊断治疗工作已经开展了40多年,但是多导睡眠监测技术远不能满足现实临床睡眠疾病诊断与治疗的工作需求。多导睡眠图(Polysomnography,PSG)又称睡眠脑电图,是睡眠中心的主要测评和诊断工具。睡眠的定义是基于行为和生理标准的,将其分为两种状态:非快速眼动睡眠以及快速眼动睡眠。非快速眼动睡眠(Non-Rapid Eye Movement Sleep,NREM Sleep)分为三个阶段(N1、N2、N3),快速眼动睡眠(Rapid Eye Movement Sleep,REM Sleep)其特点是快速眼动、肌肉失张力和脑电图(Electroencephalogram,EEG)不同步。睡眠阶段是诊断睡眠状况的重要指标,传统人工识别的方法效率低且质量得不到保证。因此,实现睡眠分期算法是必要的。在此基础上,配套应用软件自动化完成大量简单重复劳动以降低睡眠监测技术使用门槛进而完成睡眠辅助诊断具有重要意义。在此背景下开展相关研究工作,提出了一种新的基于深度神经网络的识别算法,并设计实现了软件系统配合识别算法运行。本文主要工作如下。针对睡眠分期识别算法N1期识别准确率差的问题,本文提出门控注意力对称神经网络(Gated Attentional Symmetric Neural Network,GAS-NN)算法。算法引入通道注意力机制及通道级门控循环单元构建了卷积神经网络,使用脑电-眼电双模态生理电信号完成端到端的睡眠分期识别。经实验验证,GAS-NN在sedf＿sc数据集上平均1-达到79.2%,睡眠分期最难以识别的N1阶段1-达到60.6%。GAS-NN在sedf＿st数据集上平均1-达到80.2%,在DCSM数据集上平均1-上达到82.3%。GAS-NN算法从睡眠生理电信号的生理特性、时间特性和波形特征入手,充分利用了睡眠生理电信号的时间依赖性和生理特性,引入眼电信息辅助判定N1期,模型实现了高精度识别,兼顾计算效率和泛化性能,完成了计算机辅助睡眠分期,为计算机辅助睡眠质量评估打下基础。为了降低睡眠分期识别算法使用门槛并消除大量简单重复劳动,本文构建了基于微服务技术的应用软件系统,完成了自动化睡眠生理电信号数据传输、神经网络算法驱动、算法识别结果反馈、生理电信号采集实验数据跟踪。本文实现了基于容器化技术的系统运行环境设计并提供了可扩展的接口以接入其他生理信号识别算法,便于实现系统功能扩展及水平扩容。此外,引入了高性能分布式中间件并完成了内存级别的优化,保证系统高效稳定运行。本文对软件系统进行了压力测试,测试结果表明,本文应用软件核心接口95%Line约为100ms,跨服务调用层级不超过3层,避免了复杂调用导致的服务超时及服务不可用。该应用软件自动化完成了睡眠分期识别算法运行前后的大量工作,提供了一套从生理电信号采集到计算结果反馈的自动化睡眠分期解决方案,系统高效可靠稳定易用,降低了睡眠分期识别算法的应用门槛,为跟踪监测睡眠质量打下基础。

基于边缘计算的睡眠质量检测研究

这是一篇关于BCG信号,变分模态分解,睡眠分期,边缘计算的论文, 主要内容为睡眠是人们日常生活中必不可少的活动之一。人的一生大约有1/3的时间是在睡眠中度过的。高质量的睡眠可以使精神和身体机能受到保护,提高机体免疫力,减少患病几率。无拘束、无扰检测是睡眠质量检测技术发展的主流方向。采用微动压电睡眠检测床垫进行睡眠分期,具有非束缚,低功耗,易获取等优势,是一种非常好的辅助医院检查的睡眠质量检测手段。但是当前的睡眠质量检测设备大多基于云计算的方式,数据实时性和一致性无法得到保证,并且对生理信号的检测精度不足,导致睡眠分期的准确度不足。针对上述问题,本文设计并实现了一种基于边缘计算的睡眠质量检测系统。该系统采用“端-边-云”的系统架构,利用16通道压电陶瓷传感器采集压力信号,在嵌入式终端进行信号预处理和数据特征粗提取,然后将提取的参数发送到边缘服务器,在边缘服务器进行睡眠分期的判别,最后通过基于Django架构的后台系统实现数据的存储,睡眠质量检测结果可以在PC端和安卓端进行显示。在生理信号提取部分,针对常用提取方法精度不足和经验模态分解模态混叠严重的问题,本文提出了一种基于变分模态分解的心率提取方法,提高了提取精度,解决了模态混叠的问题。在睡眠分期部分,考虑到睡眠分期的时序特点,将信号的前一时刻特征作为辅助特征输入睡眠检测模型,利用时序卷积神经网络进行建模,提高了睡眠分期的准确度。本文实现的基于边缘计算的睡眠质量检测系统,在缓解嵌入式终端存储、计算的瓶颈的同时,还能够实现实时、高精确度的睡眠质量检测,为睡眠障碍筛查和睡眠健康管理提供技术手段。