[go: up one dir, main page]

CN115153476B - 基于多维数据的睡眠评估方法、装置、电子设备及介质 - Google Patents

基于多维数据的睡眠评估方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN115153476B
CN115153476B CN202210805175.4A CN202210805175A CN115153476B CN 115153476 B CN115153476 B CN 115153476B CN 202210805175 A CN202210805175 A CN 202210805175A CN 115153476 B CN115153476 B CN 115153476B
Authority
CN
China
Prior art keywords
data
sleep
sample
ppg
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210805175.4A
Other languages
English (en)
Other versions
CN115153476A (zh
Inventor
张永亮
马礼坤
汪蓓蕾
倪永
谢蕾
沈季敏
徐洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Provincial Hospital First Affiliated Hospital Of Ustc
Original Assignee
Anhui Provincial Hospital First Affiliated Hospital Of Ustc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Provincial Hospital First Affiliated Hospital Of Ustc filed Critical Anhui Provincial Hospital First Affiliated Hospital Of Ustc
Priority to CN202210805175.4A priority Critical patent/CN115153476B/zh
Publication of CN115153476A publication Critical patent/CN115153476A/zh
Application granted granted Critical
Publication of CN115153476B publication Critical patent/CN115153476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02416—Measuring pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02438—Measuring pulse rate or heart rate with portable devices, e.g. worn by the patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种基于多维数据的睡眠评估方法、装置、电子设备及介质，该方法包括：获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据；对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值；根据所述特征值的贡献率确定所述样本数据的特征向量；基于所述特征向量获取睡眠模型，以利用所述睡眠模型获取待预测数据的睡眠数据。通过将光电容积脉搏波PPG数据以及蛋白组学数据进行融合，基于融合后的特征向量获取睡眠模型，提升睡眠数据的可靠性以及泛化性。

Description

基于多维数据的睡眠评估方法、装置、电子设备及介质
技术领域
本公开涉及计算机技术以及信息处理技术领域，具体而言，涉及一种基于多维数据的睡眠评估方法、装置、电子设备及介质。
背景技术
可穿戴光电技术的应用可实现社区和家庭环境中便捷化的睡眠监测服务。目前市面上基于光电信息的可穿戴睡眠监测手环在一定程度上可以实现睡眠阶段的粗略估计，但准确性普遍不高，难以真正用于分析。基于单一的光电信息通常只关注同步活动记录的特征，同步活动记录的信号易受到杂散光的影响导致信号质量差，不利于后续进一步分析。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例提供一种基于多维数据的睡眠评估方法、装置、电子设备及介质，将光电容积脉搏波PPG数据以及蛋白组学数据进行融合，基于融合后的特征向量获取睡眠模型，提升睡眠数据的可靠性以及泛化性。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本发明实施例的一方面，提供一种基于多维数据的睡眠评估方法，其中，所述方法包括：获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据；对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值；根据所述特征值的贡献率确定所述样本数据的特征向量；基于所述特征向量获取睡眠模型，以利用所述睡眠模型获取待预测数据的睡眠数据。
在本发明的一些实施例中，基于前述方案，获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据，包括：从对象对应的可穿戴设备中提取预设长度的PPG序列，对所述PPG序列进行下采样，获取所述PPG数据；从所述对象的血液数据中提取蛋白组学信息。
在本发明的一些实施例中，基于前述方案，对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值，包括：将所述PPG数据以及所述蛋白组学数据组合生成样本矩阵；对所述样本矩阵进行归一化，计算所述样本矩阵的标准协方差矩阵；确定所述标准协方差矩阵的特征值。
在本发明的一些实施例中，基于前述方案，对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值之前，所述方法还包括：对所述PPG数据以及所述蛋白组学数据进行归一化；
对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值，包括：根据进行归一化后的PPG数据以及蛋白组学数据生成样本矩阵；计算所述样本矩阵的标准协方差矩阵；确定所述标准协方差矩阵的特征值。
在本发明的一些实施例中，基于前述方案，根据所述特征值的贡献率确定所述样本数据的特征向量，包括：基于所述特征值的贡献率按照从高到低进行排序，并按照排序获取贡献率之和达到阈值时的特征值；获取贡献率之和达到阈值时的特征值所对应的特征向量。
在本发明的一些实施例中，基于前述方案，所述方法还包括：根据每一特征值以及特征值的总数确定每一特征值的贡献率。
在本发明的一些实施例中，基于前述方案，基于所述特征向量获取睡眠模型，包括：将所述特征向量分配为训练集以及验证集，利用训练集中的特征向量对初始睡眠模型训练，利用验证集中的特征向量对训练后的睡眠模型进行验证，以获取睡眠模型。
根据本发明实施例的一方面，提供一种基于多维数据的睡眠评估装置，其中，所述装置包括：数据获取模块，配置为获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据；数据融合模块，配置为对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值；特征确定模块，配置为根据所述特征值的贡献率确定所述样本数据的特征向量；模型获取模块，配置为基于所述特征向量获取睡眠模型，以利用所述睡眠模型获取待预测数据的睡眠数据。
在本发明的一些实施例中，基于前述方案，数据获取模块，配置为从对象对应的可穿戴设备中提取预设长度的PPG序列，对所述PPG序列进行下采样，获取所述PPG数据，以及从所述对象的血液数据中提取蛋白组学信息。
在本发明的一些实施例中，基于前述方案，数据融合模块，配置为将所述PPG数据以及所述蛋白组学数据组合生成样本矩阵；对所述样本矩阵进行归一化，计算所述样本矩阵的标准协方差矩阵；确定所述标准协方差矩阵的特征值。
在本发明的一些实施例中，基于前述方案，所述装置还包括归一化模块，配置为对所述PPG数据以及所述蛋白组学数据进行归一化。
所述数据融合模块，配置为根据进行归一化后的PPG数据以及蛋白组学数据生成样本矩阵；计算所述样本矩阵的标准协方差矩阵；确定所述标准协方差矩阵的特征值。
在本发明的一些实施例中，基于前述方案，特征确定模块，配置为基于所述特征值的贡献率按照从高到低进行排序，并按照排序获取贡献率之和达到阈值时的特征值；获取贡献率之和达到阈值时的特征值所对应的特征向量。
在本发明的一些实施例中，基于前述方案，所述装置还包括：贡献率确定模块，配置为根据每一特征值以及特征值的总数确定每一特征值的贡献率。
在本发明的一些实施例中，基于前述方案，模型获取模块，配置为将所述特征向量分配为训练集以及验证集，利用训练集中的特征向量对初始睡眠模型训练，利用验证集中的特征向量对训练后的睡眠模型进行验证，以获取睡眠模型。
根据本发明实施例的一方面，提供一种电子设备，其中，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法步骤。
根据本发明实施例的再一方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上所述的方法步骤。
本发明提供了一种基于多维数据的睡眠评估方法、装置、电子设备及介质，该方法包括：获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据；对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值；根据所述特征值的贡献率确定所述样本数据的特征向量；基于所述特征向量获取睡眠模型，以利用所述睡眠模型获取待预测数据的睡眠数据。通过将光电容积脉搏波PPG数据以及蛋白组学数据进行融合，基于融合后的特征向量获取睡眠模型，提升睡眠数据的可靠性以及泛化性。
另一方面，该睡眠模型结合卷积神经网络和递归神经网络，通过融合蛋白组学信息和光电信息，实现睡眠结果的自动准确评估，将有效解决解决市场上可穿戴监测方法准确度不高的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是根据一示例性实施例示出的基于多维数据的睡眠评估方法的流程图；
图2是根据一示例性实施例示出的初始睡眠模型的架构图；
图3示出了针对睡眠模型输出为三种的睡眠分期结果的示意图；
图4示出了针对睡眠模型输出为四种的睡眠分期结果的示意图；
图5示出了针对睡眠模型输出为五种的睡眠分期结果的示意图；
图6示出了一种人工标定和睡眠模型预测的总睡眠时间的一致性图；
图7示出了另一种人工标定和睡眠模型预测的总睡眠时间的一致性图；
图8示出了另一种人工标定和睡眠模型预测的总睡眠时间的一致性图；
图9是根据一示例性实施例示出的一种基于多维数据的睡眠评估装置的结构示意图；
图10是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
现有技术中，基于单一的光电信息通常只关注同步活动记录的特征，同步活动记录的信号易受到杂散光的影响导致信号质量差，不利于后续进一步分析。在实现本发明的过程中，发明人发现，蛋白组学数据的变化可以映射出睡眠结果的变化，蛋白组学信息可以作为辅助信息来对光电信息获得的睡眠结果进行校准，以提高睡眠监测的准确性。基于此，本发明实施例提供了PPG数据以及蛋白组学数据的融合处理，以及基于融合的PPG数据以及蛋白组学数据获取睡眠数据的方法。下面结合具体的实施例对本发明实施例中提出的基于多维数据的睡眠评估方法进行详细的说明。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的基于多维数据的睡眠评估方法的流程图，该方法可以由具有计算处理能力的终端或服务器执行。如图1所示，该方法可以包括但不限于以下流程：
在S110中，获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据。
需要指出的是，该样本数据中包括多个样本，每个样本中均包括PPG数据以及蛋白组学数据。
本发明实施例中，每个样本中的PPG数据以及蛋白组学数据均来自于同一个对象。可以从一个对象对应的可穿戴设备中提取预设长度的PPG序列，对所述PPG序列进行下采样，获取所述PPG数据，以及从该对象的血液数据中提取蛋白组学信息。
需要说明的是，针对一个对象，可以提取不同时刻的PPG序列，利用每一个时刻的PPG数据与提取PPG序列相同时刻的蛋白组学数据组成一个样本，也可以利用每一个时刻的PPG数据与预设时刻的蛋白组学数据组成一个样本。
需要指出的是，为了达到扩展样本数据的目的，可以提取具有重叠的PPG序列生成样本数据，例如，按照75％的重叠率提取，就会将样本数据扩充到4倍。
本发明实施例中，预设长度的PPG序列可以为长度为30s的PPG序列，在得到该序列后，可以以64hz的采样频率进行采样，得到1920个数据点。在得到数据点后，对这些数据点进行求平均值、方差等处理，得到最终的PPG数据。
需要说明的是，本发明实施例中最终的PPG数据可以为13个，例如，可以具体为：A波波峰幅度、B波波峰幅度、C波波峰幅度、D波波谷幅度、O’A’主波上升时间、OO’脉搏波周期、A’D’下降时间、AD下降幅度、D’O’下降时间、DO’下降幅度、C’O’下降时间、CO’下降幅度(x12)、血浆胆红素幅度。
蛋白组学数据可以包括但不限于：血浆胆红素、TNF-α、1L-1β、C反应蛋白、IL-4、IL-6、IL-10、IL-13、脑源性神经营养因子BDNF、血清鸢尾素、载脂蛋白B、载脂蛋白A1、血浆纤维蛋白原、血清结合珠蛋白等数据信息，例如，具体可以为：TNF-α幅度、1L-1β幅度、C反应蛋白幅度、IL-4幅度、IL-6幅度、IL-10幅度、IL-13幅度、脑源性神经营养因子BDNF幅度、血清鸢尾素幅度、载脂蛋白B幅度、载脂蛋白A1幅度、血浆纤维蛋白原幅度、血清结合珠蛋白幅度。
在S120中，对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值。
本发明实施例中，在进行数据融合时，可以将所述PPG数据以及所述蛋白组学数据组合生成样本矩阵，然后对所述样本矩阵进行归一化，计算所述样本矩阵的标准协方差矩阵，最后确定所述标准协方差矩阵的特征值。
本发明实施例中，还可以在进行数据融合之前，在获取到PPG数据以及蛋白组学数据的样本数据之后，对PPG数据以及蛋白组学数据进行归一化。然后在进行数据融合时，根据进行归一化后的PPG数据以及蛋白组学数据生成样本矩阵，计算所述样本矩阵的标准协方差矩阵，确定所述标准协方差矩阵的特征值。
本发明实施例中，对样本数据进行归一化的方法可以采用Z-Score方法。其计算方法为x＝(x-μ)/δ，μ为均值，δ为标准差。
本发明实施例中，提供一个示例性的样本矩阵X的特征维度，其包括[A波波峰幅度(x1)、B波波峰幅度(x2)、C波波峰幅度(x3)、D波波谷幅度(x4)、O’A’主波上升时间(x5)，OO’脉搏波周期(x6)、A’D’下降时间(x7)、AD下降幅度(x8)、D’O’下降时间(x9)、DO’下降幅度(x10)、C’O’下降时间(x11)、CO’下降幅度(x12)、血浆胆红素幅度(x13)、TNF-α幅度(x14)、1L-1β幅度(x15)、C反应蛋白幅度(x16)、IL-4幅度(x17)、IL-6幅度(x18)、IL-10幅度(x19)、IL-13幅度(x20)、脑源性神经营养因子BDNF幅度(x21)、血清鸢尾素幅度(x22)、载脂蛋白B幅度(x23)、载脂蛋白A1幅度(x24)、血浆纤维蛋白原幅度(x25)、血清结合珠蛋白幅度(x26)]。其中，x1至x13为PPG数据，x14至x26为蛋白组学数据。
例如，基于上述示例的特征维度，某样本中的PPG数据以及蛋白组学数据生成的样本矩阵可以为：Xi＝[0.710.540.350.230.111.100.310.420.510.390.311.713.9690.51915.000.46650.07.814.211.670.452.110.980.650.230.56]。
本发明实施例中，假设样本为N个，则这些样本数据组成的样本矩阵可以如下：
Figure BDA0003736807030000081
即，若特征为26，则可以组成N行*26列的样本矩阵。
在得到上述样本矩阵后，可以根据每个特征的平均值对样本矩阵中的每个特征进行归一化，计算出样本数据的协方差矩阵V。其中，每个特征的平均值可以是根据样本数据中的样本个数以及每个特征的特征数值计算出的，例如，计算A波波峰幅度(x1)，
Figure BDA0003736807030000082
其中N为样本的个数，x1i表示当前样本i的x1特征数值。但本发明并不限于此，该平均值也可以是根据历史数据计算出的，或者预设置的。
样本数据的协方差矩阵V：
Figure BDA0003736807030000083
其中，上述协方差矩阵中的cov(x1,x1)表示第一个样本中的第一个特征的协方差值。其中，cov计算方法如下：
Figure BDA0003736807030000091
Figure BDA0003736807030000092
其中，N表示样本的个数，x1i表示第i个样本的第1个特征数据，
Figure BDA0003736807030000093
表示第1个特征的平均值，x2i表示第i个样本的第2个特征数据，/>
Figure BDA0003736807030000094
表示第2个特征的平均值，xik表示第k个样本的第i个特征数据，/>
Figure BDA0003736807030000095
表示第i个特征的平均值，xjk表示第k个样本的第j个特征数据，/>
Figure BDA0003736807030000096
表示第j个特征的平均值。
在得到样本数据的标准协方差矩阵V后，可以计算出其对应的特征值。本发明实施例中提供一种基于标准协方差矩阵计算特征值的方法，假设特征值为，则会得到如下的等式：
Figure BDA0003736807030000097
基于上述等式，可以计算特征值λ矩阵＝[λ1,λ2,λ3...λr]，其中所有λ>＝0。
需要指出的是，基于标准协方差矩阵确定特征值的方法并不限于此，上述方法只是本发明实施例提出的一个示例性方法，本领域技术人员能够基于标准协方差矩阵确定特征值的方法都应在本发明实施例的保护范围之内。
在S130中，根据所述特征值的贡献率确定所述特征值对应的特征向量。
本发明实施例中，在得到特征之后，可以基于特征值的贡献率按照从高到低进行排序，并按照排序获取贡献率之和达到阈值时的特征值，然后获取贡献率之和达到阈值时的特征值所对应的特征向量。
其中，每一特征值的贡献率可以根据每一特征值以及特征值的总数确定每一特征值的贡献率。该特征值的总数即为样本数据的总数，以λ1为例，λ1的贡献率为
Figure BDA0003736807030000101
以此类推，λr的贡献率为/>
Figure BDA0003736807030000102
λ总体贡献率之和为100％。即特征值λ越大，贡献率越高。
在得到特征值的贡献率之后，按照贡献率从高到低的顺序进行排序，假设阈值为80％，按照该排序从高到低获取贡献率之和达到80％的特征值，例如，贡献率从高到低排序为λ4、λ2、λ6、λ5、λ3、λ1，其中λ4的贡献率为50％，λ2的贡献率为26％，λ6的贡献率为7％，以上特征值[λ4、λ2、λ6]所累计的贡献率＝50％+26％+7％＝83％>80％,即上述三个特征值对应的特征向量即为总样本的主成分特征。也就是说，λ5、λ3、λ1对结果的贡献率很小，在计算时，将其排除，从而与精简了特征向量，减轻了后续的计算量，提升了计算效率。
在得到贡献率之和达到阈值时的特征值，可以计算出这些特征值对应的特征向量。本发明实施例中提供一种基于特征值计算特征向量的方法：将每个特征值λi代入公式Vx＝λx，计算出特征向量x。例如得出λ1＝3.5，可将λ1代入公式，即Vx＝3.5x，其中x是未知参数，其他参数为已知参数。
需要指出的是，基于特征值确定特征向量的方法并不限于此，上述方法只是本发明实施例提出的一个示例性方法，本领域技术人员能够基于特征值确定特征向量的方法都应在本发明实施例的保护范围之内。
在S140中，基于所述特征向量获取睡眠模型，以利用所述睡眠模型获取待预测数据的睡眠数据。
本发明实施例中，可以将得到的特征向量分配为训练集以及验证集，利用训练集中的特征向量对初始睡眠模型训练，利用验证集中的特征向量对训练后的睡眠模型进行验证，以获取睡眠模型。
本发明实施例中，可以将训练集以及验证集分配为8:1的比例，例如，特征向量共900个，将其中的800分为训练集，将剩余的100分为验证集。
需要指出的是，在获取到睡眠模型后，可以根据针对样本数据获取到的特征向量，直接得到待预测数据的特征向量，从而将待预测数据的特征向量输入至获取到的睡眠模型，得到待预测数据的睡眠数据。
本发明实施例中，初始睡眠模型，可以为卷积神经网络，其中卷积神经网络由6个一维卷积层，两个最大池化层和一个全局池化层构成；每一次卷积之后都要经过线性单位激活函数的归一化再处理。归一化后的数据经过两个最大池化层和一个全局平均池化层，设置递归神经网络的参数，其中递归神经网络包含上述卷积神经网络的分布层，还包含一个随机失活(dropout)层、一个双向门控循环单元(GRU)层和一个softmax层。
图2是根据一示例性实施例示出的初始睡眠模型的架构图。如图2所示，该初始睡眠模型可以包括：1、一维卷积层；2一维卷积层；3、最大池化层；4、一维卷积层；5、一维卷积层；6、最大池化层；7一维卷积层；8、一维卷积层；9、全局平均池化层、10、高斯dropout层；11、双向门控循环层；12、Softmax层。
根据本发明的一实施例，所述卷积神经网络中的6个一维卷积层，第一个一维卷积层的参数设置为：滤波器个数为64个，核大小设置为21，步幅大小设置为5；第二个一维卷积层的参数设置为：滤波器个数为64个，核大小为21，步幅大小设置为1；第三个一维卷积层的参数设置为：滤波器个数为128个，核大小为5，步幅大小设置为1；第四个一维卷积层的参数设置为：滤波器个数为128个，核大小为5，步幅大小设置为1；第五个一维卷积层的参数设置为：滤波器个数为256个，核大小为5，步幅大小设置为1。
根据本发明的一实施例方式，所述卷积神经网络中的2个最大池化层，其参数设置为：池化层个数设置为2个，步幅大小设置为2。
根据本发明的一实施例方式，所述dropout层为丢失率系数为0.3的高斯函数。
根据本发明的一实施例方式，所述双向门控循环单元(GRU)层共有256个单元，每个单元包含一个丢失率系数为0.3的前向高斯dropout层和一个丢失率系数为0.5的循环高斯dropout层。
本发明的一实施例方式，所述网络训练采用分类交叉损失函数和带有热重启的Adam优化器进行学习。学习率初始范围为0.001～0.00001，通过使用学习率查找器估计学习率的最佳范围。
本发明的一实施例方式，所述训练方法，即在每个训练周期后使用验证集验证模型，直到连续训练周期之间的分类交叉损失函数不再减少(损失函数值无限趋近于0的一个最小值)，即训练完毕，在所有训练周期中实现最低验证损失的模型被认为是最佳模型。其中交叉损失函数公式为：
Figure BDA0003736807030000121
其中，pic表示第i个样本的第c个特征，yic表示第i个样本的第c个特征的实际值，M标识特征的总数，N表示样本的总数。
根据本发明的一实施例方式，所述softmax层，用于对睡眠情况进行分期，结果可以分成三类：清醒期、非快速眼动期和快速眼动期；也可以分为4类：清醒期、浅睡期、深睡期和快速眼动期；还可以分为5类：清醒期、N1、N2、深睡期和快速眼动期。睡眠模型的预测性能在测试集中的表现如图3-5所示的睡眠数据示意图。图3示出了针对睡眠模型输出为三种的睡眠分期结果的示意图：清醒的正确预测率为0.75，非快速眼动期的正确预测率为0.87，快速眼动期的正确预测率为0.70。图4示出了针对睡眠模型输出为四种的睡眠分期结果的示意图：清醒的正确预测率为0.76，浅睡的正确预测率为0.61，深睡的正确预测率为0.53，快速眼动期的正确预测率为0.73。图5示出了针对睡眠模型输出为五种的睡眠分期结果的示意图：清醒的正确预测率为0.80，N1的正确预测率为0.13，N2的正确预测率为0.69，N3的正确预测率为0.50，快速眼动期的正确预测率为0.72。
图6示出了一种人工标定和睡眠模型(三种睡眠分期结果)预测的总睡眠时间的一致性Bland-Altman图，如图6所示，人工标定与模型预测对总睡眠时间的平均差值为-6.2min(95％置信区间为-103.7min～91.3min)。图7示出了一种人工标定和睡眠模型(四种睡眠分期结果)预测的总睡眠时间的一致性Bland-Altman图，如图7所示，人工标定与模型预测对总睡眠时间的平均差值为-30.2min(95％置信区间为-143.9min～83.5min)。图8示出了一种人工标定和睡眠模型(五种睡眠分期结果)预测的总睡眠时间Bland-Altman图，如图8所示，人工标定与睡眠模型预测对总睡眠时间的平均差值为-22.3min(95％置信区间：-187.4min～142.8min)。
本发明提供了一种基于多维数据的睡眠评估方法、装置、电子设备及介质，该方法包括：获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据；对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值；根据所述特征值的贡献率确定所述样本数据的特征向量；基于所述特征向量获取睡眠模型，以利用所述睡眠模型获取待预测数据的睡眠数据。通过将光电容积脉搏波PPG数据以及蛋白组学数据进行融合，基于融合后的特征向量获取睡眠模型，提升睡眠数据的可靠性以及泛化性。
另一方面，该睡眠模型结合卷积神经网络和递归神经网络，通过融合蛋白组学信息和光电信息，实现睡眠结果的自动准确评估，将有效解决解决市场上可穿戴监测方法准确度不高的问题。
应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施例。
下述为本发明装置实施例，可以用于执行本发明方法实施例。在下文对系统的描述中，与前述方法相同的部分，将不再赘述。
图9是根据一示例性实施例示出的一种基于多维数据的睡眠评估装置900的结构示意图，其中，所述装置900包括：
数据获取模块910，配置为获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据。
数据融合模块920，配置为对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值。
特征确定模块930，配置为根据所述特征值的贡献率确定所述样本数据的特征向量。
模型获取模块940，配置为基于所述特征向量获取睡眠模型，以利用所述睡眠模型获取待预测数据的睡眠数据。
本发明实施例中，数据获取模块910，配置为从对象对应的可穿戴设备中提取预设长度的PPG序列，对所述PPG序列进行下采样，获取所述PPG数据，以及从所述对象的血液数据中提取蛋白组学信息。
本发明实施例中，数据融合模块920，配置为将所述PPG数据以及所述蛋白组学数据组合生成样本矩阵；对所述样本矩阵进行归一化，计算所述样本矩阵的标准协方差矩阵；确定所述标准协方差矩阵的特征值。
本发明实施例中，所述装置900还包括归一化模块950，配置为对所述PPG数据以及所述蛋白组学数据进行归一化。所述数据融合模块920，配置为根据进行归一化后的PPG数据以及蛋白组学数据生成样本矩阵；计算所述样本矩阵的标准协方差矩阵；确定所述标准协方差矩阵的特征值。
本发明实施例中，特征确定模块930，配置为基于所述特征值的贡献率按照从高到低进行排序，并按照排序获取贡献率之和达到阈值时的特征值；获取贡献率之和达到阈值时的特征值所对应的特征向量。
本发明实施例中，所述装置900还包括：贡献率确定模块960，配置为根据每一特征值以及特征值的总数确定每一特征值的贡献率。
本发明实施例中，模型获取模块940，配置为将所述特征向量分配为训练集以及验证集，利用训练集中的特征向量对初始睡眠模型训练，利用验证集中的特征向量对训练后的睡眠模型进行验证，以获取睡眠模型。
本发明提供了一种基于多维数据的睡眠评估方法、装置、电子设备及介质，该方法包括：获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据；对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值；根据所述特征值的贡献率确定所述样本数据的特征向量；基于所述特征向量获取睡眠模型，以利用所述睡眠模型获取待预测数据的睡眠数据。通过将光电容积脉搏波PPG数据以及蛋白组学数据进行融合，基于融合后的特征向量获取睡眠模型，提升睡眠数据的可靠性以及泛化性。
另一方面，该睡眠模型结合卷积神经网络和递归神经网络，通过融合蛋白组学信息和光电信息，实现睡眠结果的自动准确评估，将有效解决解决市场上可穿戴监测方法准确度不高的问题。
图10是根据一示例性实施例示出的一种电子设备的结构示意图。需要说明的是，图10示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示，计算机系统600包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的终端中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，其中，模块的名称在某种情况下并不构成对该模块本身的限定。
以上具体示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (9)

1.一种基于多维数据的睡眠评估方法，其特征在于，所述方法包括：
获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据；
对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值；对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值，包括：将所述PPG数据以及所述蛋白组学数据组合生成样本矩阵；对所述样本矩阵进行归一化，计算所述样本矩阵的标准协方差矩阵；确定所述标准协方差矩阵的特征值；
根据所述特征值的贡献率确定所述样本数据的特征向量；
基于所述特征向量获取睡眠模型，以利用所述睡眠模型获取待预测数据的睡眠数据。
2.如权利要求1所述的基于多维数据的睡眠评估方法，其特征在于，获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据，包括：
从对象对应的可穿戴设备中提取预设长度的PPG序列，对所述PPG序列进行下采样，获取所述PPG数据；
从所述对象的血液数据中提取蛋白组学信息。
3.如权利要求1所述的基于多维数据的睡眠评估方法，其特征在于，对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值之前，所述方法还包括：
对所述PPG数据以及所述蛋白组学数据进行归一化；
对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值，包括：
根据进行归一化后的PPG数据以及蛋白组学数据生成样本矩阵；
计算所述样本矩阵的标准协方差矩阵；
确定所述标准协方差矩阵的特征值。
4.如权利要求1所述的基于多维数据的睡眠评估方法，其特征在于，根据所述特征值的贡献率确定所述样本数据的特征向量，包括：
基于所述特征值的贡献率按照从高到低进行排序，并按照排序获取贡献率之和达到阈值时的特征值；
获取贡献率之和达到阈值时的特征值所对应的特征向量。
5.如权利要求1或3所述的基于多维数据的睡眠评估方法，其特征在于，所述方法还包括：根据每一特征值以及特征值的总数确定每一特征值的贡献率。
6.如权利要求1所述的基于多维数据的睡眠评估方法，其特征在于，基于所述特征向量获取睡眠模型，包括：
将所述特征向量分配为训练集以及验证集，利用训练集中的特征向量对初始睡眠模型训练，利用验证集中的特征向量对训练后的睡眠模型进行验证，以获取睡眠模型。
7.一种基于多维数据的睡眠评估装置，其特征在于，所述装置包括：
数据获取模块，配置为获取光电容积脉搏波PPG数据以及蛋白组学数据的样本数据；
数据融合模块，配置为对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值；对所述PPG数据以及所述蛋白组学数据进行数据融合，确定所述样本数据对应的特征值，包括：将所述PPG数据以及所述蛋白组学数据组合生成样本矩阵；对所述样本矩阵进行归一化，计算所述样本矩阵的标准协方差矩阵；确定所述标准协方差矩阵的特征值；
特征确定模块，配置为根据所述特征值的贡献率确定所述样本数据的特征向量；
模型获取模块，配置为基于所述特征向量获取睡眠模型，以利用所述睡眠模型获取待预测数据的睡眠数据。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202210805175.4A 2022-07-08 2022-07-08 基于多维数据的睡眠评估方法、装置、电子设备及介质 Active CN115153476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210805175.4A CN115153476B (zh) 2022-07-08 2022-07-08 基于多维数据的睡眠评估方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210805175.4A CN115153476B (zh) 2022-07-08 2022-07-08 基于多维数据的睡眠评估方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN115153476A CN115153476A (zh) 2022-10-11
CN115153476B true CN115153476B (zh) 2023-06-06

Family

ID=83493376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210805175.4A Active CN115153476B (zh) 2022-07-08 2022-07-08 基于多维数据的睡眠评估方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN115153476B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116700408A (zh) * 2023-07-31 2023-09-05 济南深蓝动物保健品有限公司 一种基于人工智能的水量自动控制方法及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108652592A (zh) * 2018-05-31 2018-10-16 广东小天才科技有限公司 一种睡眠检测的方法、装置及终端设备
CN109497988A (zh) * 2018-12-13 2019-03-22 复旦大学 用于家庭睡眠监测领域的多模态生理电信号监护系统
CN113749655A (zh) * 2021-11-08 2021-12-07 芯原微电子(南京)有限公司 一种血氧饱和度检测方法、装置，电子设备及存储介质
CN114159025A (zh) * 2021-11-23 2022-03-11 湖南云医链生物科技有限公司 一种睡眠质量分析方法、装置、设备和存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6389308B1 (en) * 2000-05-30 2002-05-14 Vladimir Shusterman System and device for multi-scale analysis and representation of electrocardiographic data
CN102811657A (zh) * 2009-12-23 2012-12-05 德尔塔丹麦光电声学公司 监测设备
KR102323211B1 (ko) * 2014-11-04 2021-11-08 삼성전자주식회사 헬스 케어 장치 및 그 동작 방법
WO2016197053A1 (en) * 2015-06-05 2016-12-08 Beckman Coulter, Inc. Obstructive sleep apnea (osa) biomarker panel
US10966616B2 (en) * 2016-05-04 2021-04-06 Koninklijke Philips N.V. Assessing system and method for characterizing resting heart rate of a subject
CN106419841A (zh) * 2016-09-13 2017-02-22 深圳市迈迪加科技发展有限公司 睡眠评估方法、装置及系统
JP6722911B1 (ja) * 2019-04-18 2020-07-15 株式会社こどもみらい 個人別の概日リズムに基づく生活時刻の提示システム
CN111588391A (zh) * 2020-05-29 2020-08-28 京东方科技集团股份有限公司 一种基于用户睡眠特征的精神状态确定方法及系统
CN113827202A (zh) * 2020-06-24 2021-12-24 清华大学深圳国际研究生院 基于机器学习的睡眠质量检测方法及装置
CN113974646A (zh) * 2021-12-01 2022-01-28 湖南万脉医疗科技有限公司 一种基于信息耦合的睡眠评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108652592A (zh) * 2018-05-31 2018-10-16 广东小天才科技有限公司 一种睡眠检测的方法、装置及终端设备
CN109497988A (zh) * 2018-12-13 2019-03-22 复旦大学 用于家庭睡眠监测领域的多模态生理电信号监护系统
CN113749655A (zh) * 2021-11-08 2021-12-07 芯原微电子(南京)有限公司 一种血氧饱和度检测方法、装置，电子设备及存储介质
CN114159025A (zh) * 2021-11-23 2022-03-11 湖南云医链生物科技有限公司 一种睡眠质量分析方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN115153476A (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
Ma et al. Blind image quality assessment by learning from multiple annotators
Chang et al. Perceptual image quality assessment by independent feature detector
CN108198147B (zh) 一种基于判别字典学习的多源图像融合去噪的方法
CN109645989B (zh) 一种麻醉深度估计系统
CN108197592B (zh) 信息获取方法和装置
CN110772700B (zh) 自动推送助眠乐曲方法、装置、计算机设备及存储介质
CN111401339B (zh) 识别人脸图像中的人的年龄的方法、装置及电子设备
CN115153476B (zh) 基于多维数据的睡眠评估方法、装置、电子设备及介质
CN115699044A (zh) 软件项目的风险评估方法、装置、计算机设备、存储介质
CN116881853B (zh) 基于多模态融合的注意力评估方法、系统、设备及介质
Osmanlıoğlu et al. Connectomic consistency: a systematic stability analysis of structural and functional connectivity
Tigga et al. Efficacy of novel attention-based gated recurrent units transformer for depression detection using electroencephalogram signals
CN116992344A (zh) 双层证据融合学习方法、分类评估方法及装置
CN109063652B (zh) 一种信号处理方法、系统及计算机存储介质
CN115409252A (zh) 基于lstm的植物生长数据多步预测方法、装置、介质及设备
CN111047590A (zh) 基于眼底图像的高血压分类方法及设备
Zhao et al. Spatial temporal graph convolution with graph structure self-learning for early MCI detection
US20250104813A1 (en) Genome-wide prediction method based on deep learning by using genome-wide data and bioinformatics features
CN117272138B (zh) 一种基于参考道数据约束与深度学习的地磁数据去噪方法及系统
CN113807421A (zh) 基于脉冲发送皮层模型的注意力模块的特征图处理方法
Wang et al. Robust nonstationary jammer mitigation for GPS receivers with instantaneous frequency error tolerance
Nissimagoudar et al. AlertNet: Deep convolutional-recurrent neural network model for driving alertness detection
CN116362251A (zh) 一种命名实体识别模型的训练方法、装置、设备和介质
CN115641541A (zh) 基于患者体表泥面状态数据处理系统
KR101615480B1 (ko) 시계열 데이터에서의 실시간 스파이크 검출을 위한 비지도 학습 형식의 자동 임계값 조정 방법 및 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant