基于脑电功率谱密度和随机森林的自动睡眠分期方法

采用深度学习技术实现睡眠自动分期计算复杂度较高，且需大量数据支撑。本文提出一种基于功率谱密度和随机森林的自动睡眠分期方法，先提取脑电信号6种特征波（K复合波、δ波、θ波、α波、纺锤波、β波）的功率谱密度作为特征，然后利用随机森林分类器实现5种睡眠状态（W、N1、N2、N3、REM）自动分类。采用Sleep-EDF数据库中健康受试者整晚睡眠脑电数据作为实验数据，对比了使用不同输入通道脑电信号（FpzCz单通道、Pz-Oz单通道、Fpz-Cz+Pz-Oz双通道）、不同分类器（随机森林、自适应增强、梯度提升、高斯朴素贝叶斯、决策树、K近邻）、不同训练集与测试集划分方法（2折、5折、10折交叉验证及单个受试者）对分类效果的影响。实验结果表明，当采用Pz-Oz单通道脑电信号和随机森林分类器时效果最好，无论怎样变换训练集与测试集，分类准确率都达到90.79%以上，总体分类准确率、宏观平均F1值、Kappa系数最高分别可达到91.94%、73.2%、0.845，证明该方法是有效的，且不易受数据量影响，具有较好的稳定性。与已有研究相比，该方法分类准确率更高、实现更简单，适用于自动化。     

基于多尺度卷积和自注意力机制的觉醒自动检测方法

临床上，觉醒事件主要由睡眠技师手动标注，该方法耗时，且主观性强。本研究通过构建基于多尺度卷积和自注意力的卷积神经网络，用1 min单通道脑电信号作为模型的输入，实现端到端的觉醒事件自动检测。研究结果表明，相较于基线模型，本文所提出的方法的精确召回曲线下面积和受试者操作特征曲线下面积均提升约7%。此外，单模态和多模态对比结果显示，单通道脑电信号可实现觉醒事件的有效检测，而简单的多种模态拼接不能提升模型的性能。最后，基于本文所提出的模型，本研究在同一数据库上又实现了自动睡眠分期（平均准确率73%），展示了模型较好的扩展性。本研究为实现可靠的便携式睡眠监测提供了解决方案，同时任务迁移的使用也为临床睡眠数据的自动分析开辟了新道路。     

基于注意力机制与双向门控循环单元的多导睡眠图睡眠阶段分期方法研究

多导睡眠图(PSG）监测是临床上用于诊断诸如失眠、呼吸暂停等疾病的重要手段。为了解决以手工逐帧视觉判断PSG进行睡眠障碍患者睡眠阶段分期耗时长、耗费精力大等问题,本文提出一种结合卷积神经网络（CNN）与双向门控循环神经网络（Bi GRU）的深度学习算法模型,并设计了一种动态稀疏性自注意力机制以解决门控循环单元（GRU）网络对长距离信息难以获得准确向量表示的问题。本文采集来自上海精神卫生中心143例睡眠障碍患者整晚PSG数据并结合开源数据集153例睡眠障碍患者整晚PSG数据,选取其中的6个脑电（EEG）信号通道、2个眼电（EOG）信号通道与单个下颌肌电（EMG）信号通道等共9个通道的电生理通道信号进行模型训练与测试评估。经交叉验证后得到的分期准确率为（84.0±2.0）%,一致性检验值为0.77±0.50,优于医师间评分的一致性检验值0.75±0.11。实验结果表明,本文算法模型在不同人群中具有较高的分期效果并具有普适性,对于协助临床医师进行快速、大规模PSG睡眠自动分期具有重要研究意义。     

用于睡眠精准分期的多模态生理时频特征提取网络

睡眠分期对临床疾病诊断以及睡眠质量评估至关重要。现有睡眠分期方法大多通过单通道或单模态信号,使用单分支深层卷积网络进行特征提取,这不仅阻碍了睡眠相关多样性特征的捕获,增加了计算代价,而且对睡眠分期的准确率也有一定的影响。为解决这一问题,本文提出一种端到端的用于睡眠精准分期的多模态生理时频特征提取网络（MTFF-Net）。首先,利用短时傅里叶变换（STFT）将包含脑电（EEG）、心电（ECG）、眼电（EOG）、肌电（EMG）的多模态生理信号转换为二维时频特征图;然后,使用多尺度EEG紧凑卷积网络（MsEEGNet）与双向门控循环（Bi-GRU）网络相结合的时频特征提取网络,捕获与睡眠特征波形相关的多尺度频谱特征以及与睡眠阶段转换相关的时序特征。根据美国睡眠医学学会（AASM）EEG睡眠分期判据,该模型在科英布拉大学系统与机器人研究所第三组子睡眠数据集（ISRUC-S3）上的五分类任务中取得了84.3%的准确率,其宏观F1分数（m-F1）的值为83.1%,科恩卡帕（Cohen’s Kappa）系数为79.8%。实验结果表明,本文所提模型实现了更高的分类准确率,推进了深度学习算法在辅助临床决...     

基于支持向量机及特征选择的单通道脑电波睡眠分期研究

睡眠脑电是研究睡眠障碍及相关疾病的重要客观指标。人工解析脑电方法耗时且易受主观因素影响,而已有的自动睡眠分期算法则较为复杂且正确率较低。本文提出基于支持向量机(SVM)及特征选择的单通道脑电睡眠分期方法。从单通道脑电波信号中提取了38个特征值。在此基础上,通过将特征选择方法 F-Score拓展到多分类,增加淘汰因子,为SVM分类器选择合适的输入特征向量组。文章采用标准的开源数据,对比实验了无特征选择、标准的F-Score特征选择以及带有淘汰制的F-Score特征选择三种方法。实验结果表明,本文提出的方法能够有效提高分期正确率,减少计算时间。     

基于黎曼空间的运动想象脑电信号特征迁移学习算法研究

由于脑电信号具有低信噪比、非平稳等特点,传统脑机接口需对用户执行长时间的校准训练,才能建立可靠、准确的分类模型。针对当前迁移学习在脑电信号上分类准确率低的问题,本研究提出了基于黎曼空间特征迁移学习(Riemannian space feature transfer learning, RFTL)的运动想象脑电信号分类算法。该算法首先在黎曼空间对源域和目标域数据进行分布对齐后,利用联合分布适配减少不同域间的数据分布差异,构建适用于目标域任务的域不变分类器模型。实验结果表明,RFTL算法可有效解决跨域分布的不一致性,显著提高运动想象脑电信号跨对象的识别准确率,改善脑机接口研究中的通用性问题。     

基于通道注意力和稀疏时频分解的运动想象分类EI北大核心CSCD

运动想象脑电信号是低信噪比的非平稳时间序列,单通道脑电分析方法难以有效刻画多通道信号之间的交互特征。本文提出了一种基于多通道注意力的深度学习网络模型,该模型对预处理后的数据进行稀疏时频分解,增强了脑电信号时频特征的差异性。然后利用注意力模块在时间和空间对数据进行注意力映射,让模型可以充分利用脑电信号不同通道的数据特征。最后利用改进的时间卷积网络进行特征融合并进行分类识别。利用BCI competition Ⅳ-2a数据集对所提算法进行验证,结果表明所提算法可有效提升运动想象脑电信号的分类正确率,9名受试者的平均识别率为83.03%,与现有方法相比,提高了脑电信号的分类精度。所提方法增强了不同运动想象脑电数据之间的差异特征,对提升分类器性能的研究具有重要意义。     

一种用于家庭睡眠监护的脑电预处理算法

目的:睡眠是人体重要的生理活动,对睡眠进行合理的分期,是研究睡眠质量诊断,睡眠疾病的基础。脑电是描述睡眠过程中最显著和最直观的信号,但是由于脑电信号本身比较微弱,心电干扰会随机地出现在脑电信号中,本文的主要目的就是基于手机的家庭睡眠分析的需要,设计一种简单的心电抑制算法。方法:通过参考心电信号的R波检测,提取R峰位置,作为脑电信号中的心电干扰的参考点,建立模板来替换脑电信号中的心电伪迹。结果:从处理后的脑电信号的时域图和频谱图可以看出,心电伪迹得到了有效抑制。结论:将原始脑电信号的各频带能量分布和自适应算法以及本文所提出的算法滤除心电伪迹后的能量分布加以比较,可见抑制心电干扰后,睡眠各期的分段谱特征差异性加大,从而更有利于后面的睡眠各期的自动分类。     

基于脑电信号的自动睡眠分期研究进展

睡眠分期是研究睡眠及相关疾病的基础,是完成睡眠质量评估的前提,具有重要临床意义。近年来,基于计算机技术的睡眠脑电信号自动分期成为研究热点,并取得了一些成果。本文介绍了睡眠分期与脑电信号的基础知识,详细论述了基于脑电信号的自动睡眠分期研究中的两个关键技术——特征提取和模式识别,比较了小波变换、Hilbert-Huang变换两种常用的脑电特征提取方法,和人工神经网络、支持向量机两类模式识别方法的优缺点及其在睡眠分期中的应用,总结了近几年该领域的研究现状和发展趋势。     

基于条件概率的短时睡眠状态实时估计

目的根据脑电信号的特征,提出基于条件概率的睡眠状态实时估计方法,为睡眠监测提供反映睡眠状态连续变化的客观评价依据。方法在白天短时睡眠过程中,同步采集了4导与睡眠相关的脑电信号(C3-A2,C4-A1,O1-A2,O2-A1),对每5秒记录数据进行傅里叶变换,分别计算了8~13 Hz和2~7 Hz的脑电节律能量占空比特征参数。主要方法包含了学习和测试两个阶段:在学习阶段,根据训练数据获得脑电特征参数的概率密度分布;在测试阶段,根据当前特征,得到各睡眠分期的条件概率,并计算获得睡眠状态的估计值。结果分析和测试了12名受试者的短时睡眠数据。通过与睡眠分期的人工判读结果相比较,睡眠状态估计值呈现了睡眠深度的连续变化。觉醒期的显著性差异为2.94,睡眠一期和二期分别为1.78和1.62,分析结果符合实际规律。结论本文所定义的睡眠状态估计值蕴含了睡眠分期的特征,较好地反映了睡眠阶段在持续和过渡期间的连续变化过程,能够为白天短时睡眠状态分析提供实时监测和分析的客观评价依据。     

低频光诱发脑电在浅睡期的样本熵复杂度分析

睡眠障碍患者通常表现为从浅睡期进入深睡期存在困难,分析浅睡期脑电波的变化对研究睡眠效率和睡眠质量至关重要。通过分析低频光刺激下睡眠过程中脑电波的复杂度值变化,研究人在浅睡期脑电波对光刺激的响应,进而探讨外部光刺激对睡眠过程中脑电波的影响。使用美国neuroscan型脑电图仪,采集10例志愿者的光刺激睡眠和正常睡眠的脑电数据。首先,利用时频分析,对睡眠过程中的脑电信号进行分期,获得浅睡期脑电信号;然后,使用小波包分解,获得该期脑电波的各频段分量（δ波、θ波、α波和纺锤波）;接着,采用样本熵算法,分别计算浅睡期脑电信号的复杂度以及各频段脑电波的复杂度;最后,对志愿者在光刺激（5 Hz）和正常睡眠下浅睡期脑电复杂度进行比较,研究光刺激对脑电复杂度的响应情况。结果显示：在低频光刺激下,浅睡期脑电波复杂度的均值为0514 15,明显低于正常睡眠复杂度的均值0589 23,在中央区和顶区有显著性差异（P<005）。研究表明,5 Hz光刺激可诱发浅睡期θ波的同步响应,增强脑电波的节律性,有助于更好地进入深度睡眠。     

基于能量特征和最小二乘支持向量机的自动睡眠分期方法

睡眠分期是研究睡眠及相关疾病的基础,是完成睡眠质量评估的前提。为实现有效睡眠自动分期,本文提出将能量特征和最小二乘支持向量机(LS-SVM)相结合的方法。先利用FIR带通滤波器提取Pz-Oz导睡眠脑电信号的特征波,获得能量特征,并与小波包变换方法相比较;然后用LS-SVM分类器进行模式识别,最终实现睡眠自动分期。实验表明,本文所提出的基于能量特征和LS-SVM的自动睡眠分期方法简单、有效,平均正确率达88.89%,具有很好的应用前景。     

基于能量特征和模糊熵的睡眠自动分期

目的:为实现有效睡眠自动分期,提出一种基于脑电能量特征和模糊熵的睡眠分期方法。方法:首先利用小波变换进行脑电信号去噪,再利用FIR带通滤波器提取脑电信号的特征波,获得能量特征,并提取脑电信号的模糊熵,最后利用支持向量机进行模式识别。结果:能量特征值和模糊熵值随着睡眠状态的变化而不同,睡眠各期可以根据特征值的不同而得到有效区分,通过对1 140个脑电信号样本进行睡眠分期,得到的平均准确率为88.45%。结论:基于脑电能量特征和模糊熵的睡眠分期方法简单、有效,具有良好的临床应用价值。     

考虑个体特征的非脑电睡眠分期

利用非脑电信号进行睡眠分期是睡眠医学的重要课题。提出一种自动分期算法,利用心率、呼吸率、血氧饱和度和体动信息。首先对前2种信号进行模式描述,形成描述单元;描述单元在规则库的指导下吸纳其他通道的特征,最终形成对应某个分期的完整描述;再用不确定推理的方法完成分期。实验表明,病人的分期符合率和健康人保持在同一个水平。整个算法模拟了人的思维过程,可扩充性强,具有良好的临床应用前景。     

结合迁移学习与深度卷积网络的心电分类研究

为解决一维深度卷积网络（1D-DCNN）在心电分类方面存在的多类疾病识别不准、难以提取最佳特征等问题,提出一种结合迁移学习与二维深度卷积网络（2D-DCNN）直接识别心电图像的方法。首先,截取R波前后75 ms内的心电信号,并将一维心电电压信号转化为二维灰度图像信号。接着,构建2D-DCNN对心电节拍样本进行分类训练,权值初始化采用在ImageNet大规模图像数据集上进行预训练的AlexNet参数值。本文提出方法在MIT-BIH心电数据库上进行性能验证,其准确率达到98%,并在不同信噪比下保持较高的准确率,证明了所述模型在心电分类上具有良好的鲁棒性。为了验证2D-DCNN的识别性能,实验部分与采用不同激活函数的1D-DCNN、近些年性能较好的深度学习方法进行比较。量化结果表明,结合迁移学习和2D-DCNN方法,比最优1D-DCNN算法,其准确率提升2%、敏感度提升0.6%、特异性提高4%;在二分类与多分类任务中,均好于现有的其他算法。     

基于脑电的精神疾病自动分类研究进展

临床上精神疾病的诊断大多依赖于精神科医生的主观评价，缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合，在精神疾病辅助诊断领域的应用发展迅速，采用传统机器学习算法和深度学习算法，对脑电信号特征进行学习，从而实现精神疾病的分类研究。文章介绍了脑电信号的基本概念、处理流程及其常用特征，笔者总结了脑电信号在抑郁症、双相情感障碍、精神分裂症等精神疾病自动分类的研究进展，最后展望了机器学习方法在该领域的发展趋势。采用传统的机器学习方法仍然是用于自动分类主流的工具。但深度学习内部复杂的体系结构及训练过程阻碍了对其内部的理解，难以解释其在医学领域的作用，因此深度学习也是脑电研究发展方向之一。此外，单独对脑电图进行分析难以囊括患者所有的特征，需与其他模态的生理参数结合进行多生理参数融合分析，使得疾病诊断更加智能化。     

基于数据扩增和迁移学习的Mask R-CNN脑CT图像自动分割研究

在临床上,分割脑CT图像上的各个脑区并建模,可以更好地观察病变与各器官的位置关系。目前医生主要通过人工勾画的方式进行分割,不仅费时、费力,而且还容易受主观因素影响。提出一种基于数据扩增和迁移学习的Mask R-CNN卷积神经网络算法,可以更快速地在脑CT图像上自动分割出易受脑出血危及的脑区,如小脑、脑干、基底节区和背侧丘脑等部位。针对2020年7月—2020年12月的100名健康人的1 549张脑CT图像,选取其中的80例,共1 239张图像作为训练集,其余的20例,共310张图像作为测试集,然后采用Mask R-CNN框架进行训练和预测,最终输出各脑区的坐标、名称与mask掩模。为研究数据扩增和迁移学习对模型训练效果的提升,分别设计了数据扩增和迁移学习的实验,以及U-Net模型的对照组。数据扩增组通过旋转的方式进行数据扩增,将训练集扩增至13 629张图像;迁移学习组在MS-COCO上训练好的权重基础上,进行迁移学习。其中,迁移学习组的效果最好。在迁移学习的实验中,测试集mAP为0.909 7,平均IOU为0.736 2,脑干、小脑、基底节区和背侧丘脑的测试集平均DICE值分别为0.902 5、0.879 5、0.781 8、0.828 4。而未进行数据扩增和迁移学习的mAP和平均IOU分别为0.870 8、0.715 9;数据扩增组则为0.894 1、0.729 7;U-Net组则为0.839 0、0.671 1。研究显示,Mask R-CNN卷积神经网络模型可以较好地应用于脑出血常见部位的自动分割,且迁移学习对模型训练效果的提升较大。     

利用整体经验模态分解和随机森林的脑电信号分类研究

癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60％,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。     

基于深度可分离稠密网络的新型冠状病毒肺炎X线图像检测方法研究

新型冠状病毒肺炎肆虐全球,为了更加快速地诊断新型冠状病毒肺炎(COVID-19),本文提出一种深度可分离稠密网络DWSDenseNet,以2 905例COVID-19胸部X线平片影像作为实验数据集,在网络训练前使用限制对比度自适应直方图均衡化(CLAHE)算法对图像进行预处理,增强图像的对比度,将预处理之后的图像放入训练网络中,采用Leaky ReLU作为激活函数,调整参数以达到最优。本文引入VGG16、ResNet18、ResNet34、DenseNet121和SDenseNet模型进行比较,所提出的网络在三分类实验中相较于ResNet34在准确率、灵敏度和特异性上分别提高了2.0%、2.3%、1.5%。相对于改进前的SDenseNet网络,本文模型的参数量减少了43.9%,但分类效果并未下降。通过对比实验可以发现,本文所提出的深度可分离稠密网络对COVID-19胸部X线平片影像数据集具有良好的分类效果,在保证准确率的情况下,深度可分离卷积能够有效地降低模型参数量。     

基于深度级联网络的乳腺淋巴结全景图像的癌转移区域自动识别

淋巴结癌转移区域的自动识别是乳腺癌病理分期的重要前提。但由于全景图像尺寸巨大, 组织形态复杂多样, 在乳腺淋巴结全景图像中自动检测和定位癌转移区域具有很大的难度。设计一种基于深度级联网络的方法, 实现对乳腺淋巴结全景图像癌转移区域的自动定位与识别。采用由粗定位到精定位的两个深度网络模型级联的方式, 首先基于医生标记的癌转移区域, 提取阳性与阴性图像块训练粗定位网络VGG16得到粗定位结果, 然后对比粗定位结果与医生标记提取阳性和假阳性区域的图像块, 再训练精定位的ResNet50网络用于识别阳性和假阳性区域。为了验证所提出深度级联网络的有效性, 选用Camelyon16公开的共400张乳腺淋巴结全景图像数据集用作训练和测试。结果表明, 所提出的VGG16+ResNet50级联网络模型的定位指标FROC得分达到0.891 2, 分别比单个深度网络模型VGG16和ResNet50的FROC得分高0.153 1和0.147 0, 比AlexNet+VGG16级联的网络模型FROC得分高0.028 8, 显示深度级联网络模型对淋巴结癌转移区域可以实现更加精准的识别。