机构名称：
¥ 1.0
背景和客观：睡眠阶段是睡眠障碍诊断的重要步骤，这对于专家来说是时间密集型和费力的手动执行这项工作。自动睡眠阶段分类方法不仅减轻了这些苛刻任务的专家，而且可以提高分类过程的准确性和效率。方法：一种新型的基于生物信号的新型模型，该模型是通过使用各种生理学信号的3D卷积操作和图形卷积操作的组合构建的。3D卷积和图形卷积都可以从相邻的大脑区域汇总信息，这有助于从生物信号中学习固有的连接。脑电图（EEG），EEC胶合图（EMG），电击图（EOG）和心电图（ECG）信号用于提取时间域和频域特征。随后，这些信号分别输入了3D卷积和图形卷积分支。3D卷积分支可以探索时间序列中每个通道中的多通道信号与多波段波之间的相关性，而图形卷积分支可以探索每个通道与每个频段之间的连接。在这项工作中，我们使用ISRUC数据集（来自子组1的亚组3和50个随机样本）开发了提出的多通道卷积组合睡眠阶段分类模型（Mixsleepnet）。结果：基于第一个专家的标签，我们生成的Mixsleepnet的精度分别为ISRUC-S3的F1得分和Cohen Kappa得分分别为0.830、0.821和0.782。对于ISRUC-S1数据集，它的准确性分别为0.812、0.786和0.756。根据第二专家进行的评估，ISRUC-S3和ISRUC-S1数据集的全面精度，F1分数和Cohen Kappa系数分别为0.837、0.820、0.789和0.829、0.829、0.791，0.791，0.791，0.7775。结论：拟议方法通过所提出的方法的绩效指标的结果要比所有比较模型的结果要好得多。在ISRUC-S3子数据库上进行了其他实验，以评估每个模块对分类性能的贡献。
混合
主要关键词
相关文件推荐
