公开(公告)号：CN118436312A

公开(公告)日：2024-08-06

申请号：CN202410573534.7

申请日：2024-05-10

Applicant: 江南大学

Inventor： 杨金龙 ,  喻伟 ,  魏真正 ,  吴家彝 ,  刘子岐

IPC: A61B5/00 ,  A61B5/374 ,  A61B5/397 ,  A61B5/398 ,  G06F18/211 ,  G06F18/2411 ,  G06F18/25 ,  G06F18/213

Abstract: 本发明涉及一种基于多特征融合的自动睡眠分期方法。其包括：提供生理信号，生理信号包括脑电信号EEG、眼电信号EOG以及肌电信号EMG；对所述生理信号进行分段，以在分段后生成生理分段片段信号组；进行多模态信号特征提取，以得到生理片段信号的多模态信号特征，对相邻生理分段片段信号的多模态信号特征进行跨相邻样本融合；利用预构建的特征选择支持向量机对生理信号融合特征集进行特征选择，以在特征选择后生成生理信号选择特征集；利用预构建的睡眠分期识别支持向量机对生理信号选择特征集进行识别分类，并输出所述生理信号的睡眠分期类别。本发明能够更加有效地进行睡眠分期，睡眠分期精度高，具有较好的泛化能力。

公开(公告)号：CN119760322A

公开(公告)日：2025-04-04

申请号：CN202510098168.9

申请日：2025-01-22

Applicant: 江南大学

Inventor： 杨金龙 ,  卢景川 ,  魏真正 ,  刘建军 ,  王映辉

IPC: G06F18/10 ,  A61B5/00 ,  G06F18/2131 ,  G06F18/25 ,  G06F18/24 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了基于多模态显著波形分析的睡眠阶段自动分类方法，属于睡眠医学和人工智能技术领域。本发明以脑电信号、眼电信号等多模态信号为主要输入，通过频率特征提取模块、交互卷积模块和多模态特征融合模块协同作用，实现对显著波形的精准提取与分类。本发明通过快速傅里叶变换提取频域特征，结合自适应滤波技术去除高频噪声，显著增强信号特征；通过交互卷积操作捕获信号的局部与全局依赖特性；通过Transformer编码器的注意力机制对多模态特征进行融合，进一步提升对时间序列依赖关系的建模能力。本发明方法在分类准确率和宏平均F1分值方面表现优越，且参数量较少，计算效率高，能够广泛应用于临床睡眠障碍的评估与自动化诊断。