365bet亚洲娱乐场365bet亚洲娱乐场

您现在所的位置: 主页 > 365bet体育网站 >

基于深度学习的睡眠锭子检测

归属类别:网络整理 发布时间:2019-05-01 13:13 录入:网络中心 热量值:
基于深度学习的睡眠锭子检测
Tandakun
【摘要】静息主轴波是睡眠进入第二阶段的重要指标。它也是与正常睡眠波不同的临时事件之一。梦分裂的标准系统定义了12 Hz和14 Hz之间的梦想主轴波。
主轴波专家的手动检查一直代表着行业的黄金标准,但缺点也非常明显。除了需要花费大量时间和精力来处理个人因素的方式之外,专家之间的一致性非常低。
另一方面,深度学习是解决模式分类的一个非常难的问题。虽然仍处于发展的早期阶段,但其发展对机器学习和人工智能系统产生了重大影响,特别是语音识别和人工视觉。
本文采用深度学习解决主轴波识别问题。当使用众包方法获得训练样本时,从不同受试者的睡眠EEG信号中获取样本作为使用深度学习对主轴波进行分类的第一种方法,深度系统除外是的。该方法优于传统方法,并且比较了几种深度学习系统在主轴波分类中的性能。
在实验1中,我们使用众包方法来获得训练样本。该方法优于Golden Rule,并且已被证明是可行且可靠的。它还表明,主轴波很容易与α波混淆。
在第二个实验中,将2秒EEG信号(ElectroEncephagram,EEG)转换为功率谱密度(PSD)并用作分类器的输入。
基于PSD的四个带宽特性,首先比较DeepBelief网络F1得分(DBN)和其他三个分类器的性能。结果表明,DBN一般比传统方法高3%,优于支持向量,并且比较了基于原始PSD和基于特征的PSD的分类性能。第一个比最后一个好10%以上。最后,可以研究DBN在线识别主轴波的可能性,并将结果与??专家进行比较。
第三个实验比较了三种不同深度学习系统的分类性能,多级感知(MLP),堆叠式自动编码器(SDA)和深度置信网络(DBN)。在对主轴波进行分类时,DBN低于MLP。
使用SDA时,其性能比MLP高1%。
因此,与MLP和DBN相比,SDA更适合于主轴波检测和识别。
本文中使用的众包方法是一种新的数据收集方法,数据集的质量会影响分类器的性能。这种方法需要更多的研究,应该用于更多的样本,以真正进入临床试验和数据挖掘领域。
此外,作为新系统的深度学习模型在检测梦主轴波的F1得分方面具有优异的性能,并且具有自学习主轴波的固有特性的潜在优势。
但除了MLP,DBN,SDA之外,还有其他学习算法用于理论和更有效的深度模型,例如RNN和LSTM吗?另一方面,在实验3中,结果发现检查特征提取的新模型值得进一步研究。
此外,本文档中的深度学习系统基于最小批量随机梯度优化算法。通过使用Nvidia的theano编码系统和并行Cuda系统,找到新的并行方法并提高并行速度和效率也是一项研究目标。
[补助单位]:西安电子科技大学[学年]:硕士学位[获奖年份]:2015年[分类号]:R740
下载全文
更多类似的文件