摘要睡眠是人类的一项基本功能,对睡眠阶段的正确分类是评估睡眠质量的关键步骤。基于射频传感器的非接触式睡眠监测技术在保证测量精度的基础上,有效解决了传统睡眠监测方案的弊端,是现代睡眠监测技术的有效替代方案。然而现有的射频传感器方案受限于数据集以及不同数据分布的领域偏移,泛化性不足。因此本文研究了基于迁移学习的非接触式睡眠监测技术,首先搭建了基于瞬时心率/呼吸率的深度卷积神经网络,完成了睡眠阶段四分类并改善了睡眠数据不均衡问题;其次利用了预训练-微调的迁移方法,实现了PSG至雷达睡眠数据的迁移;最后研究了基于最大均值差异的深度领域自适应方法,实现了多中心雷达睡眠数据的迁移,提高了模型的分类性能及泛化能力。本文的主要工作如下:<br> 1、研究了基于多导睡眠数据的深度卷积神经网络睡眠分期。首先基于瞬时心率/呼吸率信号搭建了深度卷积神经网络,实现了患者间的睡眠分期;然后针对睡眠数据类别不平衡问题,研究了基于成本敏感学习的解决方法,利用多种损失函数结合重加权处理,最终在基于瞬时心率的睡眠分期中,实现了69.3%的准确率和0.550的Kappa,并将少数类的召回率提升了36%;在基于瞬时呼吸率的睡眠分期中,实现了67.5%准确率和0.513的Kappa,并将少数类的召回率提升了17%。<br> 2、研究了基于预训练-微调的睡眠分期,实现了多导睡眠数据至雷达数据的迁移。首先介绍了迁移学习在睡眠分期中的研究意义;然后基于射频传感器的信号采集系统,研究了生命体征信号提取方法,搭建了雷达睡眠数据集,并研究了基于雷达的瞬时心率/呼吸率提取方法;最后引入了基于预训练-微调的迁移网络,在基于瞬时心率的睡眠分期中实现了71.2%的准确率、0.504的Kappa;在基于瞬时呼吸率的睡眠分期中实现了70.4%的准确率、0.499的Kappa,改善了由于数据集领域偏移及雷达数据稀缺而导致的分类精度低下问题。<br> 3、研究了基于深度领域自适应的睡眠分期,实现了多中心雷达睡眠数据的迁移。首先介绍了本文进行深度迁移的必要性,并搭建了多中心雷达睡眠数据集;然后研究了最大均值差异原理,提出了基于深度领域混淆和深度子领域适配网络的领域自适应方法,获得68.5%的准确率以及0.482的Kappa,相比于不使用深度迁移,提高了14.7%的准确率和0.139的Kappa,进一步提高了模型的泛化能力。
更多相关知识
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文