申请/专利权人：南通大学

申请日：2024-02-06

公开（公告）日：2024-06-07

公开（公告）号：CN118141324A

主分类号：A61B5/00

分类号：A61B5/00;G06F18/2131;G06F18/241;G06V10/26;G06V10/764;G06V10/80;G06V10/82;G06N3/0455;G06N3/0464;G06N3/08;A61B5/346

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.25#实质审查的生效;2024.06.07#公开

摘要：本发明提供了一种基于深度卷积自动编码器的睡眠分期模式识别的方法，属于深度学习技术领域。解决了人类睡眠分期及睡眠异常识别效率不高，及识别成本较高的技术问题。其技术方案为：包括以下步骤：步骤一：数据预处理；步骤二：多比例的自动编码器：步骤三：逐层跳过连接；步骤四：多尺度解码器；步骤五：损失函数。本发明的有益效果为：本发明通过添加与多层卷积网络相结合的多尺度编码、新的逐层跳跃连接和解码器的多尺度特征融合，提高了其性能，具有更好的识别准确性。

主权项：1.一种基于深度卷积自动编码器的睡眠分期模式识别的方法，其特征在于，包括以下步骤：步骤一：数据预处理；对原始ECG信号进行分割和去噪，然后对ECG信号进行小波变换转换为1分钟、2分钟和3分钟的时频图像，小波变换是一种时频分析技术，提取信号在时频域中的局部特征，采用了两中小波转换技术，MorletWave和complexMorletWave，Morl是高斯包络下的单频正弦函数，避免图像处理中的相位失真,其公式如下： Cmorl是由Morlet小波扩展而来的一种复连续小波，在时域和频域上都具有良好的分辨率,其公式如下： 步骤二：多比例的自动编码器：转换后的ECG信号被输入一个到一个多尺度的自动编码解码器网络进行分类识别，自编码器网络采用多层卷积网络结构：步骤三：逐层跳过连接；跳跃连接利用融合图像特征的水平连接来提高图像分割性能，U-Net中的U形结构直接用于编码器和解码器，并通过使用跳跃连接在它们之间添加用于信息传输的信道，为编码器和解码器建立一条路径传输相应层的信息；在每次编码后增加了向上反向解码的过程，将语义相似、跨度较小的特征融合在一起，获得更多的图像特征信息；步骤四：多尺度解码器由于不能获得良好的图像分割性能，使用多尺度特征融合来代替3×3卷积层进行解码，解码的多尺度特征融合采用不同大小的卷积核来准确地分割目标区域，改进的多尺度解码器；步骤五：损失函数损失函数用于测量网络的实际值和预测值之间的差异，采用diceLossfunction,其公式如下： 其中，yin是第n个像素处类别i的基本事实，N是像素总数，是yin的概率预测值，是每个类别的权重。

全文数据：

权利要求：

百度查询： 南通大学 基于深度卷积自动编码器的睡眠分期模式识别的方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD