应用深度神经网络对多导睡眠图的睡眠分期研究

传统上,自动睡眠分期是一项非常具有挑战性且费时费力的任务。大多数现有的自动睡眠分期方法都基于单通道的脑电(electroencephalography, EEG)数据,然而,这些方法忽略了医师从整体上观测多个通道EEG信号进行睡眠阶段评分的过程。为了解决这一问题,我们优化了数据结构,对医师的评分过程进行了详细的学习与建模,提出了一种基于多通道脑电图的自动睡眠评分方法。我们介绍了在原始EEG与EOG样本上使用深度卷积神经网络(convolutional neural network, CNN)进行睡眠阶段评分的监督学习。该网络具有11层,每30 s的睡眠数据作为一个分期,并且不需要任何信号预处理或特征提取。本文使用来自福建省某医院的EEG与EOG及专家评估的多导睡眠图(polysomnography, PSG)数据对系统进行训练和评估。实验结果表明,在自动睡眠分期的研究中不应该忽略EOG数据。我们的系统性能与中级睡眠分期专家的结果相当。

睡眠自动分期方法综述

睡眠是人体必不可少的一项生理活动。通常,专家将病人整夜的脑电EEG数据以30秒为一帧进行睡眠状态分期并据此进行睡眠状态的分析与评估。然而,依靠人工标记睡眠数据需要消耗大量的精力。另一方面,专家的主观判断也会对分期结果带来误差。所以睡眠的自动分期就变得很重要,本文将介绍近年来的睡眠分期方法,分别是基于统计规则分期方法与基于深度学习技术的分期方法。在统计的分期方法中,介绍了三个重要的过程,预处理、特征提取以及分类器的选择。在基于深度学习的分期方法中,介绍了多层神经网络、卷积神经网络、长短时记忆神经网络以及不同网络组合的神经网络。最后我们对睡眠分期的研究进行了讨论, 认为深度神经网络将是未来睡眠分期研究主要方法。

骨科康复医疗领域知识图谱建立及其分析

知识图谱作为知识的结构化表示,已成为智能认知系统的一个重要研究方向。本文主要通过抓取网络上以骨科康复治疗知识为主的各种医学知识,通过数据清洗将这些医学数据整合成以疾病为中心的结构化知识。同时辅助权威书籍和医生专家对数据进行修正和增删。最终将数据存入图数据库,构建七类约9.6万的实体节点、十类约109万的实体关系以及九类属性类型的医疗健康知识图谱。本文进一步对构建的知识图谱进行通用疾病和骨科疾病分析,发现实体关系边数分布满足幂律分布,同时分析了各类型实体关系边数排行榜,为病人食谱、症状、检查项目和并发症等选择提供一定的参考价值,本知识图谱也为骨科康复的互联网远程智能问诊打下基础。