基于多通道的睡眠呼吸暂停检测

目的为了提高检测性能和验证不同生理信号对睡眠呼吸暂停的检测结果,本文提出一种信号叠加和通道相加检测睡眠呼吸暂停的方法。方法首先对100例睡眠呼吸障碍患者的心电(electrocardiogram,ECG)和脑电(electroencephalogram,EEG)信号通过小波阈值方法进行预处理,其次进行通道相加和信号叠加,然后通过Relief特征选择算法对30个特征进行分析,最后采用支持向量机(support vector machine,SVM)构建睡眠呼吸暂停分类模型,并验证该模型的准确性。结果实验结果表明,通道相加和信号叠加时睡眠呼吸暂停检测的最高准确率分别为96.24%和96.18%。结论ECG和EEG两种信号叠加和通道相加的方法均可提高睡眠呼吸暂停检测结果,且X2(ECG)和C3-A2(EEG)通道相加检测结果最好。

基于改进人工蜂群优化支持向量机的睡眠分期

本研究提出通过改进人工蜂群算法优化支持向量机(IMABC-SVM)进行睡眠分期。对提取的离散小波变换分解数据分量、时域特征、非线性特征、微状态特征,使用ReliefF算法进行特征筛选,提取出最优特征矩阵,并由IMABC-SVM分类器对特征矩阵进行训练。为验证特征筛选与优化分类器效果,进行相关消融实验。结果表明IMABC-SVM方法精度可达89.97%。IMABC-SVM方法可为睡眠相关疾病的检测、预防和治疗提供有效的依据。

一种基于改进人工蜂群算法优化支持向量机的睡眠呼吸暂停检测方法

目的睡眠呼吸暂停综合征(sleep apnea syndrome,SAS)是由于睡眠时上气道通气不畅或堵塞引起的呼吸暂停或低通气,严重影响人类健康和生活。目前的检测方法是多导睡眠仪,检测过程较为复杂,影响患者正常睡眠。为此本文提出了一种针对血氧饱和度信号的引入交叉变异的全局混沌人工蜂群(cross global chaos artificial bee colony,CGCABC)算法优化支持向量机(support vector machine,SVM)的SAS检测方法。方法从数据集ISRUC-SLEEP中提取25名SAS患者整晚8 h的脉搏血氧饱和度数据,经预处理后对每段数据计算5种非线性特征,包括近似熵、模糊熵、信息熵、排列熵和样本熵。比较发病片段信号特征和未发病片段信号特征之间的差异,使用CGCABC算法优化的SVM模型进行分类检测,并与人工蜂群(artificial bee colony,ABC)算法、粒子群(particle swarm optimization,PSO)算法、麻雀搜索(sparrow search,SS)算法优化SVM模型的检测结果进行对比。结果使用CGCABC算法优化的SVM模型在准确率、特异度、敏感度以及收敛时间上均有较好的效果,优于ABC算法、PSO算法和SS算法优化SVM模型的检测。结论本文提出的方法对SAS这一疾病的识别和检测具有重要价值,在医疗领域上具有广泛的应用前景。

浅谈细粒煤分级设备技术现状

通过对现有的细粒煤分级技术和设备进行详细的分析,对筛分分级、水力分级以及离心力分级三种常见类型的细粒煤分级设备,各自的适用范围和优缺点进行比较。

人工智能技术在医学研究中的应用

阐述人工智能技术比较睡眠呼吸暂停综合征(SAS)患者的血氧饱和度指标与健康人群之间指标的差异性,选择患者血氧的最佳指标,对每段数据计算多种特征并分析差异,使用人工智能领域中的人工蜂群算法优化支持向量机相关参数的模型。