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。
基于多类别信息融合的知识表示学习研究
这是一篇关于知识表示学习,编码器,注意力机制,融合,超平面投影的论文, 主要内容为知识图谱提供了有效的结构化知识信息,并且成为web搜索、问答系统、语义分析等智能应用的基础。针对不同的知识图谱,人们需要设计专门的图算法来存储和利用知识图谱。随着知识的不断增加,传统的基于网络形式的知识表示存在着大量问题,计算效率问题,数据稀疏问题等等,因此知识表示学习应运而生。知识表示学习旨在将知识的语义信息表示为稠密实值低维向量,从而为知识图谱提供一个合理的数学计算框架,大大促进知识的获取和推理。现有的知识表示学习模型大部分都只关注知识图谱的知识三元组信息,却忽略了实体的文本描述以及图像信息中蕴含的丰富信息。为了充分利用文本以及图像信息辅助建立更加准确的知识表示,并且过滤掉其中的一些噪声信息,首先要充分提取文本信息以及图像信息的特征,为此,本文提出了基于注意力机制的图像编码器以及基于知识三元组的文本编码器。基于注意力机制的图像编码器以经典图像分类模型AlexNet为模型网络主体部分,并在此基础上加入了注意力机制,使得图像编码器能够自动地选择高质量的实体图像,过滤掉实体图像中的噪声数据。而基于知识三元组的文本编码器则是在Text-CNN模型的基础上加入知识三元组信息的影响,从而使得文本编码器能够自动抽取文本描述中高质量的实体相关信息,减少文本描述中无用信息的干扰。在从实体的描述文本信息以及图像信息中充分提取特征之后,如何利用其结合知识图谱的结构化信息共同建立更加合理的知识表示更是重中之重。为此,本文提出了基于超平面投影的知识表示学习模型EHP(entity hyperplane projection)。EHP模型在关注知识图谱事实三元组信息的同时,通过超平面投影建立结构化信息和非结构化信息包括图像和文本信息的强相关性,结合图片和文本信息对知识表示向量进行二次约束以得到更加精确的结果。综上所述,本文提出了基于注意力机制的图像编码器以及基于知识三元组的文本编码器使得两种编码器更加适用于知识表示学习任务。在此基础上构建了融合多类别信息的知识表示学习模型EHP,在关注知识图谱结构化信息的同时,充分利用实体文本描述以及图像信息中蕴含的丰富知识,大大地提升了知识表示性能。
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。
基于深度学习的文本事件抽取技术研究
这是一篇关于文本事件抽取,解码器,编码器,自注意力机制的论文, 主要内容为文本事件抽取是构建知识图谱的主要任务之一,在信息检索和问答系统等领域有广泛的应用。文本事件抽取技术尝试从非结构化的自然语言中抽取出准确的结构化信息,为人类提供更便捷的文本处理方式。篇章级文本事件抽取是一类重要的文本事件抽取技术,但常用的DCFEE等文本事件抽取模型不能解决文本中存在的论元分散和多事件等问题。鉴于此,本文通过对编码器和解码器进行改进,提出了基于混合神经网络的篇章级文本事件抽取模型Ro BERTa-DEE(Ro BERTa Document Event Extraction)和基于自注意力机制和改进解码器的文本事件抽取模型Ro BERTa-SL-DEE(Ro BERTa Self-Attention Event Extraction),提高了篇章级文本事件抽取的性能。主要研究工作如下:(1)针对篇章级事件抽取事件中论元分散和多事件问题,即一个事件的论元在多个句子中和一个句子中有多个事件,提出了一种基于混合神经网络的篇章级文本事件抽取模型Ro BERTa-DEE,该模型通过对上下文本事件进行抽取,使用Ro BERTa-WWM和Bi LSTM(Bi-directional Long Short Term Memery)对文本进行编码。在金融领域数据集上进行实验,F1值平均达到76.62%,证明了基于该模型的篇章级文本事件抽取效果优于对比模型DCFEE-O、DCFEE-M、Greddy Dec和Doc2EDAG。(2)针对条件随机场作为解码器对长文本上下文信息捕捉能力弱,解码器提取特征信息的效果不理想的问题,提出了一种基于自注意力机制和改进解码器的文本事件抽取模型Ro BERTa-SL-DEE。该模型使用自注意力机制和LSTM-CRF作为解码器,通过对输入序列中各个位置信息加权每个位置的表示,捕捉到序列内部的长距离依赖关系,更好的理解序列的结构。通过门控单元的设计,增强长序列数据的处理能力、记忆能力和稳定性。实验结果表明,Ro BERTa-SL-DEE模型在单事件和多事件数据集上的多数F1值上优于对比模型,证明该模型的抽取效果有所提升。
基于多编码器与惯导融合的煤矿井下无轨胶轮车定位系统研究
这是一篇关于捷联惯导系统,编码器,航位推算,组合定位,自适应扩展卡尔曼滤波的论文, 主要内容为无轨胶轮车是煤矿井下一种典型的辅助运输设备,承担着井下人员、设备等非煤物资的运输重任。由于煤矿井下巷道狭长多分支、昏暗潮湿、路况复杂,传统主观驾驶存在堵车、撞车等安全隐患,影响煤矿安全高效生产。因此,研究煤矿井下无轨胶轮车实时、精确定位,不但可以帮助管理人员对无轨胶轮车进行实时监管和科学调度、提高运输效率,还可以最大程度地保障煤矿辅助运输环节的安全。本文主要工作如下:首先,开展了基于多编码器和捷联惯导的航位推算方法研究。介绍了捷联惯导系统基本原理,推导了捷联惯导数值更新算法。根据多编码器数据建立了轮式里程计运动学模型,由该运动学模型推导了基于多编码器的航位推算算法。针对该航位推算算法单独依赖编码器数据容易引起定位发散的问题,将轮式里程计与捷联惯导姿态数据相结合,构成基于多编码器和捷联惯导的航位推算算法,该算法可以有效抑制航位推算误差的快速累积。在此基础上,采用扩展卡尔曼滤波算法对基于轮式里程计运动学模型解算的姿态数据和捷联惯导系统解算的姿态数据进行融合,通过提高航向精度进一步提高航位推算的定位精度。然后,开展了基于捷联惯导和航位推算的组合定位方法研究。推导了捷联惯导和航位推算误差方程,分析了其误差传播规律,基于扩展卡尔曼滤波算法建立了捷联惯导/航位推算组合定位模型。针对建模不准确时扩展卡尔曼滤波存在滤波精度下降甚至发散的问题,提出了一种改进的自适应扩展卡尔曼滤波算法,通过实时估计并调整量测噪声提高滤波系统的精度和稳定性。针对无轨胶轮车出现打滑或滑行等异常行驶状况时导致轮式里程计失效问题,建立了一种容错模型,实现了无轨胶轮车打滑或滑行等异常行驶状况的检测与隔离。针对组合定位模型长时间、长距离运行存在累积误差的问题,提出了一种基于无轨胶轮车运输路线的区间定位技术。通过仿真与公开数据验证了组合定位方法的有效性。最后,开展了基于ROS的组合定位系统软硬件开发研究。进行了定位系统硬件平台设计,完成了硬件选型和装配。基于ROS设计了定位系统的软件平台,实现了传感器数据的读取、传输、融合和定位解算。基于ROS Qt完成了定位系统人机交互软件的界面开发,实现了定位信息的可视化。基于设计的软硬件系统完成了移动小车实验平台的搭建。搭建了UWB定位系统,并将其定位信息作为参考真值,利用移动小车实验平台进行了综合跑车实验。结果表明:本文所设计的定位系统能够满足煤矿井下无轨胶轮车定位需求,证明了本文方法的有效性。本论文包含图79幅,表9个,参考文献114篇。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码港湾 ，原文地址：https://m.bishedaima.com/lunwen/54336.html
