基于卷积神经网络的睡眠呼吸暂停自动分类方法及其有效性评估

医学信息学解锁26（2021）100724使用卷积神经网络的睡眠呼吸暂停的自动睡眠阶段分类G. Naveen Sundar a，D. Narmadha a、黑果草A. Amir Anton Jone b，K. Martin Sagayam b，Hien Dangc，d，*，Marc Pomplunda印度哥印拜陀Karunya技术和科学学院计算机科学和工程系b印度哥印拜陀Karunya理工学院电子和通信工程系c越南河内Thuyloi大学计算机科学与工程学院d美国马萨诸塞州波士顿市马萨诸塞大学计算机科学系A R T I C L EI N FO关键词：多导睡眠图脑电图眼电图肌电图分析睡眠分期卷积神经网络A B S T R A C T睡眠障碍是一种对一个人的正常睡眠能力产生不利影响的情况。它也是许多神经系统疾病的结果。这些类型的疾病可以使用基于实验室的多导睡眠图（PSG）信号进行研究。由于对睡眠降级阶段的自动监测，神经系统疾病的检测是准确和有效的。这种自动化方法公开提出了一种灵活的深度学习模型和利用原始脑电图（EEG）信号的机器学习方法。深度学习模型是一个深度卷积神经网络（CNN），它分析不变的时间容量和频率现状，并收集评估适应性。它还捕获了时期和睡眠阶段降级程度之间的不可侵犯的和长的简短长度设置条件该方法使用了一个创新的函数来计算在训练睡眠阶段的网络时发现的数据丢失和错误分类错误，同时考虑到在公开可用的睡眠数据集中发现的限制。它与机器学习技术结合使用，以预测该过程的最佳方法。其有效性是通过使用PhysioNet提供的两个开源公共数据库确定的：两个记录5402个历元计数。在这种方法中使用的技术实 现 了 90.70% 的 准 确 率 ， 90.50% 的 精 确 度 ， 92.70% 的 召 回 率 和 90.60% 的 F- 措 施 。 该 方 法 比 AlexNet ，ResNet，VGGNet和LeNet等现有模型更重要。模型的对比研究可用于临床使用，并根据需要进行修改。1. 介绍睡眠是由神经生物学活动、呼气、心率、脉搏率和其他代谢反应来定义的。它对人类身体和认知活动的影响使其成为人类福祉的重要因素由于生活的艰苦和发明的后果，睡眠中断在现代社会中变得越来越普遍。S. Biswal等人，2017年建议andragogy了解可能损害标准睡眠模式的神经和心理障碍的组合[1]。其中一类影响是睡眠障碍，这已成为大多数人口的普遍现象。根据韦克菲尔德研究公司（美国）R.Acharya例如，2018 [2]; R. B. Berry等人，2012 [3]; A. Rechtschaffen 1968[4]），超过一半（51%）的成年基督教社区哀叹他们平均每晚的睡眠比他们想要的要少。根据国际睡眠障碍分类的必要条件，已经发现了许多离散的睡眠障碍。S. Miran等人，2018 [5]和Miller，M.A2015[6]表明，睡眠障碍除了减少不健康，思考和回忆之外。作者如J.Chen等人，2017 [7]，J.Chen等人，2018 [8]，B. Koley和D. Dey 2012 [9]分析了这些疾病的显著副作用，包括心血管疾病、神经认知和勒索的风 险 增 加 。 L. Fraiwan 等 人 ， 2012 [10] ， A. P.Mog haplitsa 和 S.Mousavi 2012 [11]，and Y.- L. Hsu等人，2013年[12]* 通讯作者。麻省大学计算机科学系，波士顿，美国，Thuy Loi大学计算机科学与工程学院，越南河内。电子邮件地址：naveensundar@karunya.edu（G.N.Sundar），narmadha@karunya.edu（D.Narmadha），amiranton8787@gmail.com（A.A.AntonJone），martinsagayam. gmail.com（K.M. Sagayam），hiendt@tlu.edu.vn（H.Dang），marc. umb.edu（M.Pomplun）。https://doi.org/10.1016/j.imu.2021.100724接收日期：2021年7月5日;接收日期：2021年9月1日;接受日期：2021年9月2日在线预订2021年2352-9148/©2021的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imu号政府Sundar等人医学信息学解锁26（2021）1007242建议准确的韧性和治疗的影响，几个重要的记录，并认为精确的睡眠评分作为一个关键的过程组成部分。他们提出了一种视觉评估方法，这是最相关的方法，但需要对各种信号数据进行视觉解释。但定性评分也存在一定的缺陷，如受专家此外，在整夜EEG标记中，视觉审查是一个耗时的过程，使得自动评分更有效。Sutskever等人，2014 [13]和S. S. Mousavi等人， 2016年[14]，写了关于睡眠障碍的计算机化治疗，认为多导睡眠图（PSG）可以被认为是实施电生理信号以分析睡眠期间身体功能的最重要方法[15，16]。PSG是一个多变量标题，涵盖了诸如脑电图（EEG）、心电图（ECG）、眼电图（EOG）和肌电图（EMG）等信号的记录。传统上，EEG主要用于筛查脑活动以诊断睡眠和其他流行疾病。S. S.穆萨维例如，2017 [17]和S. S. Mousavi等人，2017 [18]建议将EEG信号划分为无限预定义的固定长度片段，称为时期，并根据美国睡眠医学学会（AASM）提出的睡眠评分标准以及Rechtschaffen和Kales的标准进行标记;每个EEG记录平均跨度约为8小时许多研究都集中在开发自动睡眠阶段评分算法这些通常被称为特征提取方法，并且主要分为两类。S. S.Mousavi 等 人 ， 2014; A. Shamsoshoara 等 人 ，2019 年 [19]; 和 A. L.Goldberger等人，2000 [20]提出了手工设计的特征预测策略，该策略需要EEG分析的辅助认知以提取最密切的特征。这些程序提取特定的方面，如时间，频率和时间-频率域的单通道EEG波形。一些规范的机器学习（ML）算法，诸如随机森林（RF）、支持向量机（SVM）和神经网络（NN），结合了基于所提取的特征的睡眠评分尽管这些方法已经证明了合理的性能，但是它们具有若干局限性，包括需要睡眠分析的先验知识以及不能从具有不同睡眠模式的多个患者中概括更大规模的数据集。其次，基于自动特征提取的方法与深度学习算法相似，因为机器会自动提取所有相关特征。O. Yildirim等人，2019[21]; A. Supratak等人，2017 [22]; O. Tsinalis等人，2016年[23];和DangT. T. Hien等人，在过去的几年里，2015 [24]提出了从强化学习和自然语言处理到计算机视觉的深度神经网络。N. Escherelli等人，2019 [25]和M.Johnson等人， 2017 [26]解决了这些领域越来越多地使用基于深度学习的方法的关键原因之一：海量数据维度的可用性掌握了数据集的潜在凹模式。由于这些广泛的睡眠EEG记录的存在，深度学习算法也可以用于睡眠阶段分类和其他目的。尽管使用bromidic机器学习方法进行睡眠障碍预测的深度学习模型的使用显著增加，但它们仍然遭受类的不平衡，数据集中的困境。K. M. Sagayam等人，2021 [27]建议使用深度学习技术和一个普遍的机器学习技术，允许模型达到睡眠阶段分类的专家级能力。这项研究提出了一种新的深度学习方法，通过使用单通道EEG和这个问题的顺序性质来自动进行睡眠评分。因此，除了应用对应于深度学习模型的序列到序列模型之外，还需要以下构建块a) 一个双向递归神经网络（BiRNN），用于从聚类中捕获瞬时数据，同时考虑参考点和未来输入数据。b) 条件任意字段（CRF），统计方法，以促进代表性，并阐明必要的相关组成部分的输入安排，而规划。c) 一个新生的能力，以尽量减少片面的后果阅读困境，平等对待每一个错误分类的测试失败，无论它是属于多数或少数类。本研究文章的组织如下：第二节介绍了方法。第三节讨论了数据集和实验结果，以及与高级计算的性能比较。第四节总结了研究，并概述了未来的工作。2. 方法以下部分详细描述了所提出的概念框架，以根据给定的EEG信号自动对睡眠的每个阶段进行评分。2.1. 预处理可以通过对30s EEG时期进行分组来获得对先前提到的构造的输入。两个简单的步骤从EEG信号中提取EEG时期：a) 根据注释文件，将连续的新单通道脑电信号分割为一组30秒的epoch，并进行epoch的b) 标准化30年代的EEG时期，使每个时期具有零均值和单位变化。注意，用于睡眠分数提取的预处理的具体步骤是次要的，并且不包括过滤或失真审议策略的任何帧。2.2. PROPOSED架构根据神经机器翻译的推论，这种序列到序列的模型是非常值得注意的，近似于人类水平的性能。这种序列到序列网络通常由两个组件组成，即一种类型的递归神经网络（编码器）和卷积神经网络（解码器），以启动Shibin David等人提出2020年[28]。CNN模型具有最近研究推荐的相同特征。所提出的具有序列到序列方法的深度学习架构如图1所示。它分为两个部分：用于提取时间数据的微小通道和用于释放频率数据的较大通道。该方法利用可变大小的滤波器，其源自信号处理社区并且用于在时间-空间和频率域特征之间交换。在分类分配中，它突出了从频率和时域特征中受益的事实。每个CNN部分包括四个连续的一维卷积层。卷积的每一层都被传递到非线性ReLU层。标记最大池化层和dropout块以及第一地幔层。此外，最后一个卷积层后面是一个丢弃块。在训练或测试模型的相应时间戳处，将EEG的30秒时段馈送到CNN特征提取中。CNN组件的输出在终止内级联，然后是一个丢弃块，以组织编码器对输入排列进行编码。序列到序列模型被简化以预测编码器-解码器号政府Sundar等人医学信息学解锁26（2021）1007243==图1.一、 使用序列到序列方法的深度学习架构。抽象具有特征提取的CNN模型的布局如图所示。 二、当编码器混淆输入序列时，解码器评估每个30秒的单通道EEG的类别。长短期记忆（LSTM）检索从编码器开始，通过捕获长短期设置条件以及目标和输入之间的渐开线曲线。它捕捉的非线性状态表现在整个时间的安排，而精确化的目标。时间序列输入特征被馈送到LSTM，然后将具有计算LSTM能力的公司视为编码器表示并馈送到注意力网络。2.3. 双向递归神经网络双向LSTM（BiLSTM）架构的图示如图3所示。该模型使用双向递归神经网络，而不是标准的LSTM，后者是单向的，因此仅限于行为输入状态。为了克服这一障碍，提出了BiRNN，它可以在两种情况正向和反向轴承。因此，当前状态可以同时访问未来和过去的信息。输入序列以普通时间顺序1 T提供给前向网络，并且对于后向网络，以逆时间顺序T提供给前向网络。1.一、之和然后对两个网络的输出进行加权并计算为BiRNN的输出。2.4. TTENTION译码器递归神经网络的编码器-解码器模型旨在预测分组到分组的问题。2.5. 编码器编码器可以冒险通过输入的时间步长，并将整个排列编码为微调的长度向量，称为设置向量。号政府Sundar等人医学信息学解锁26（2021）1007244图二. CNN模型显示特征提取。条件随机场相对于隐马尔可夫模型的根本优势在于它们的条件特征，这使得隐马尔可夫模型可以放松易于推理所需的独立假设。另一方面，CRF消除了影响最大熵马尔可夫模型（MEMM）和其他基于有向图形模型的条件马尔可夫模型的标签局部性问题（Mhathesh T.S.R.例如，2021 [30]; Sathish Nirala等人， 2019 [31]）。2.8. 算法步骤1：将原始EEG信号通过卷积层（32个特征图，ReLU激活函数）y =int maximum（0，x）步骤2：通过LSTM网络传递的前一层的输出（递归图三. BiLSTM的一般结构2.6. 解码器解码器可以冒险通过屈服十字路口的步骤，从设置向量扫描。该设计的一个问题是，由于编码器所利用的表示内部的微调大小，在长输入或产量布置上执行较差。考虑是对设计的扩展，解决了这种限制。它将编码器-解码器从内部表示的微调长度中解放出来。它通过从编码器LSTM到解码器LSTM提供相对丰富的设置来操作。之后，包含了一个认知组件，解码器LSTM可以理解在更丰富的编码中应该关注哪里。这些预测产量安排中的时间步长（Shibin David等人，2020 [28]; G.Rajesh等人，2020 [29]）。2.7. 常规随机字段（CRF）这些是概率系统，用于命名和划分有组织的信息，如排列、树和横截面。其基本思想是定义一个条件概率分布的标签分组给予分类的光学洞察力的安排，而不是联合分散在名称和视觉敏锐度分组。第三步：对输入信号进行预处理，利用离散小波变换方法从信号数据中提取最优特征。第三步：对提取的特征进行统计检验。 步骤4：使用PCA选择最佳特征。步骤4：通过尺寸为2X 2的2D最大池化层传递前一层的输出。步骤5：对于所提出的模型，最佳特征通过具有32个标记和S形激活函数的卷积层。步骤6：前一层的输出通过一个具有186个感知器的全连接密集层（整流器激活）。步骤7：使用Adam优化器通过应用0.05的学习率、分类交叉熵损失和整流器激活来构建模型。用于二进制分类的交叉熵损失函数可以由等式（2）给出，CEL（交叉熵损失）=概率号政府Sundar等人医学信息学解锁26（2021）1007245R+ P=3. 实验结果3.1. 数据集和数据准备本研究中使用的数据集是Phys- ioNet Sleep-EDF数据集的第二次改编，该数据集创建于2018年，包含197个多导睡眠图（PSG），用于评估所提出的睡眠阶段分配模型的性能。Sleep-EDF数据集包含两种类型的数据：（1）评估年龄对健康人睡眠影响的数据，以及（2）调查替马西泮（安眠药）对睡眠影响的数据。该数据集包括在100 Hz测试速率下的整夜多导睡眠图（PSG）睡眠记录。每个记录包括EOG、EEG、下巴EMG和时机标记。一个不充分的文件通常包括口鼻呼吸和直肠体温。睡眠图由专业人员根据Rechtschaffen和Kales标准进行物理标记，并在每个级别分配到不同的类别。美国睡眠医学学会（AASM）对这些类别的标准是W，REM，N1，N2和N3。在评估中，在整合中考虑了两个版本组中的单个EEG通道。用于评估的数据集中的阶段总数为65，971-W（清醒）、21，522- N1、96，132-N2、13，039-N3-N4（其中N1、N2、N3和N4记录眼球运动时间），以及25，835-REM（快速眼动）。3.3. 评估指标用于评估所提出的模型的性能的措施是准确率，精度，召回率和F-分数。准确性是用于确定睡眠呼吸暂停疾病阶段的一个指标。更高的准确度导致对呼吸暂停阶段的预测得到改善使用准确度验证呼吸暂停的睡眠阶段的分类准确度对睡眠呼吸暂停各阶段的预测应积极预测。将实际阴性患者预后为阳性和将阳性患者预后为阴性将影响预测模型的结果。精确度显示了阳性预测的正确性（在所有阳性类别中，预测正确类别的频率-即有多少是阳性的高精度表示标记为阳性的示例确实是阳性的（只有少量误报）。F-score是平衡查准率和查全率的一个很好的选择。它有助于在一个等式中计算召回率和精度，以区分低召回率和高精度的模型，反之亦然。准确度=（真（+ve）+真（-ve））/（（真（+ve）+真（-ve）+假（+ve）+假（-ve））（3）精度（P）=真（+ve）/（（真（+ve）+假_（+ve））（4）Recall（R）=truetrue（+ve）（五）3.2. 实验设计尽管Sleep-EDF数据库中睡眠阶段的分布不均匀，但W和N2阶段的数量远远高于其他阶段的数量。当数据集存在类不平衡问题时，机器学习算法的性能会下降;为了解决这个问题，损失函数与合成回忆过采样相结合（+ve）+假（-ve）F-评分=2 xR ×P3.4. 结果和讨论（六）策略，通过考虑人工数据点生成现有少数样本之间的值。这次演示得到了评价真阳性（TP）值表示准确评分的阶段数，用于识别每个混淆中的大多数成分使用k折交叉验证，对于此数据库，k值设置为20Sion网络 从视觉上看，这些表格（并将数据库划分为k个折叠。对于每个独特的折叠，将一个折叠作为测试集，其余的折叠作为训练集。然后，利用训练集对模型进行训练，利用测试集对模型进行评估，并将所有评估结果进行合并。术语“20倍“是指给定数据集可以被分成的组的数量。这有助于评估算法的性能。数据集分为20倍。每个折叠被作为一个测试集，其余的折叠作为测试集，并使用测试集评估所提出的模型。表1显示了单个EEG信号的训练和测试数据集nexus最多训练400个epoch。开发了一个名为RMSProp的优化器来处理LMFE的不幸情况，其聚类大小小于预期的20，认知率为α0.0001。此外，随着CRF算法，副词L2正则化组件被应用到不幸的工作，以减轻过度拟合。利用Google Tensor流深度学习库和Python编程语言来执行所提出的方法。表1矩阵这些表显示在预测执行中准确性、回顾、具体城市和F1分数）。在各阶段中，REM（Rapid Eye Movement）、W1、N2和N3阶段模型的表现优于N1阶段。数据集中的N1个阶段的数量低于其他阶段的数量通过对CNN-BiLSTM-CRF（CBC）模型和随机森林（RF）模型的比较，使所构建的模型具有透明性，RF模型使用Welch算法和谱密度映射进行特征提取，是目前应用最广泛的睡眠阶段降级方法。两个分类器的性能进行了评估，使用20倍交叉验证，其中测量了以下执行措施：准确性，准确性，F1-措施，召回。而精确度是可以具体计算以通过两个类之间的大量执行而出现的评估程度，精确度、F1分数和召回率是按类测量的。可以看出，CBC的表现优于RF综合性能测试，准确率达到90%，而AlexNet为82%。一般来说，可以假设分类器的执行本质上是预测狮子的配额类，在我们的例子中，这将是50%的精度，因为这两个类是相似的。通过使用睡眠EDF数据库的单个EEG通道进行训练和测试实现的性能预测的课前表现（%）W1N1N2N3REM预RecSPEF1W17258484873531490.1590.4596.8890.55N158015895252152655.1555.1195.8548.68N242376914,5811235110892.5884.2194.1284.94N354158124985780.9882.5796.5488.27REM25335255143698582.1088.7795.9484.89号政府Sundar等人医学信息学解锁26（2021）1007246发放因此，CBC和AlexNet完全击败了这种模式。CBC相对于AlexNet的巨大优势在于，它不需要突出显示设计来构建和获取有价值的突出显示。相反，它只接受前960个特征作为输入，并且可以自然地选择最有指导意义的特征。另一方面，AlexNet高光需要使用小波调整，然后进行高光提取和去除。如果能将其作为一个单一的边缘信号--鼻气流，那么90%的准确率在实践中可能是一个吉祥的结果。在未来，设计师打算使用其他类型的运动，如胸部，腹部和胸部流。表2显示了CBC和AlexNet的20次交叉验证运行结果的微小标准差，以及两者的所有执行步骤。CBC和AlexNet之间有一些明显的差异：CBC对偏心过程的精度比传统方法更高，而AlexNet则相反。此外，CBC对平凡的判断比对异常的判断更好，而AlexNet的情况正好相反。将日常事件误认为罕见事件或将罕见事件误认为日常事件的成本可在成本敏感评价中加以考虑表2显示了所提出的模型的性能比较现有的CNN模型。请注意，所提出的方法比AlexNet产生了约8.7%的准确性增益，比ResNet提高了14.1%，比VGGNet提高了15.7%，比LeNet提高了17.5%。在精度方面，该模型比AlexNet提高了8.39%，比ResNet提高了10.3%，比VGGNet提高了10.9%，比LeNet提高了10.3%在召回率方面，该方法比AlexNet提高了10.7%，比ResNet提高了11.1%，比VGGNet提高了16.3%，比LeNet提高了14.5%。对于F1分数，该模型比AlexNet提高了8.6%，比ResNet提高了11.3%，比VGGNet提高了12.6%，比LeNet提高了12.6%。图图5和图6示出了所提出的模型对于50个时期的训练和验证数据集的平均准确度和损失。图4比较了各种CNN模型的准确性度量。如图4所示，所提出的方法比AlexNet高出10.7%，Resnet高出14.1%，VGGNet高出15%，Lenet高出17.5%。4. 今后工作的范围和结论4.1. 未来工作虽然程序化睡眠阶段分类策略的主要目标是检测患者的异常EEG信号，但没有一个提出的计划能够说服理解组。通过这种方式，创建个性化的基于EEG的亮点来检测EEG心律失常至关重要。这些信号处理策略往往是有效的分析人工和准节奏信号。然而，它们不足以用于混沌形状的信号，例如来自睡眠障碍患者的EEG。请注意，预处理和提取组件比分类部分更重要。主要的相对静止阶段是N1、N2和REM，这似乎没有被传统的基于通信的信号处理亮点很好地分割。这并不意味着REM物质可以在睡眠的其他阶段快速眼动和所有其他休息阶段之间有一定程度的相似这导致REM分类精度降低。在任何情况下，N2、REM和N1的相似性与其他相似性相比是显著的。这 组合 突出 捕获 的 严格性，复发性表2在每个模型中获得的性能指标。见图4。每个类别的各种CNN模型的性能（20倍交叉验证）。图五、 所提出模型的模型精度。图六、建议模型的模型损失。组和丰富的EEG时相变化，这可以是显著的和修改睡眠阶段性能。其他一些亮点是优化训练时期，处理不平衡的数据集，N1阶段与不同阶段相比显示了巨大的结果，降低了平均F1分数，防止过采样和欠采样，增加了模型复杂性，结合了LSTM和GRU层，并使用额外的CRF层检查多通道输入。通过睡眠阶段分类，深度学习是对来自MASS和SHHR等组织的海量数据集进行训练的最佳方法，模型准确度（%）精密度（%）召回率（%）F1-评分（%）CNN-BiLSTM-CRF90.7090.5092.7090.60AlexNet82.0082.1182.0082.00ResNet76.680.281.679.3VGG网络7579.676.478LeNet73.280.278.279号政府Sundar等人医学信息学解锁26（2021）1007247跨多个平台手工制作专家定义的功能。BiLSTM-CNN模型可以在单个患者的数据上进行训练和测试，允许定制睡眠阶段评分。5. C包含所提出的策略利用了深度卷积神经网络和编码器-解码器架构，以及双向永久神经系统和作为其构建块的考虑因素。所提出的早期损失计算与条件随机场方法相结合，成功地减少了类不平衡问题的影响并改善了执行，特别是在阶段N1上，这比其他睡眠阶段更难评分。通过产生睡眠阶段评分任务的优越性能，所提出的模型有效地克服了现有的方法。在大多数情况下，在开发自动化框架时会出现知识不平衡的问题（普通类比感染类拥有更多的信息）。所生成的接口可以连接到生物医学应用，例如使用ECG信号的心律失常检测，使用EEG信号的癫痫检测，以及使用EMG信号的站立认知。该数据集也被发现是高维的，需要非线性决策边界。在机器学习方法中，随机森林和Boosting表现良好。使用PCA/特征剔除来降低维度可以加速计算阀。由于它编码原始的时不变特征和过渡特征，因此这个问题的语言表达非常适合深度学习及其最佳模型CNN-BiLSTM。资金我们从越南Thuyloi大学获得了这篇论文的部分资金。数据可用性PhysioNet提供的开源公共数据库：https：//physionet.org/about/database/代码可用性本研究中使用的代码可根据合理要求从相应作者处获得。作者所有作者都为写作过程做出了巨大贡献。 所有作者审查和编辑了手稿，并批准了手稿的最终版本。伦理批准适用因竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认我们特别感谢Thuyloi大学对本文的部分资助。此外，我们还要感谢我们所有的大学为我们提供的时间支持。参考文献[1] Biswal S，KulasJ，Sun H，Goparaju B，Westover MB，Bianchi MT，Sun J.Sleepnet：机械化的休息组织框架。2017. arXiv预印本arXiv：1707.08262。[2] Acharya UR，Goodness SL，Hagiwara Y，Tan JH，Adeli H.深度卷积神经组织用于利用EEG信号的癫痫发作的计算机化揭示和结论。计算机在科学和制药2018;100：270-8。[3] Berry RB，Brooks R，Gamaldo CE，Harding SM，Marcus C，Vaughn B，et al.TheAASM manual for the scoring of rest and cognate events.规则、措辞和专门规格。Darien，Illinois：American Institute of RestPharmaceutical; 2012.[4] 法夏芬河人类受试者休息阶段的标准化措辞、方法和评分框架手册。1968年的大脑数据慈善会。[5] [10]杨文辉，陈文辉.从m/eeg实时跟踪具体的声音同源考虑：一种有效滤波方法。神经科学中的荒野2018;12.[6] MA Miller睡眠和睡眠障碍在神经认知障碍的发展、诊断和管理中的作用。 前神经2015;6：224。[7] 陈军，彭华，拉齐A.远程心电图检查单元，用于预测患者特定的心脏异常。Diary of Systemics，Artificial Perspicacity and Informatics2017;15（4）：82-9.[8] 放大图片作者：ChenJ，Valehi A，Razi A.利用受控空间变换的生物医学信号预测建模。2018年 arXiv预印本arXiv：1811.00079。[9] Koley B，Dey D.利用单通道脑电信号进行程序化休息组织分类的装备框架。计算机在科学和制药2012;42（12）：1186-95。[10] Fraiwan L，Lweesy K，Khasawneh N，Wenz H，Dickhaus H.“基于单个EEG通道和异常林地分类器的时间重现调查的自动休息组织识别框架。生物医学中的计算机策略和程序2012;108（1）：10-9。[11] 穆萨维·穆格什·AP利用神经组织学习剔除树的健全性和灵活性。伊朗治疗信息学日记2012;1（3）：39-44。[12] 徐玉良，杨永泰，王俊生，徐春英.自动休息安排永久神经classi fier利用活力亮点的脑电信号。神经计算2013;104：105-14.[13] Sutskever I，Vinyals O，Le QV.用神经网络进行序列到排列的学习。推进神经数据准备框架。2014年。p. 3104- 12[14] 放大图片作者：Mousavi SS，Schukat M，Howley E.“深度支持学习：概述”，在SAI快速而清晰的框架会议程序中。Springer;2016. p. 四二六比四零[15] Mousavi S，Schukat M，Howley E，Borji A，Mozayani N.学习预测在直观的情况下，利用深刻的永久q学习光学辨别。2016年。 arXiv预印本arXiv：1612.05753。[16] 放大图片作者：Mousavi SS，Schukat M，Howley E.基于深度策略梯度和值函数强化学习的交通灯控制。IET Intell Transp Syst 2017;11（7）：417-23.[17] Mousavi SS，Schukat M，Howley E，Mannion P.在深度强化学习中应用q（λ）-学习来玩Atari游戏。AAMAS多种学习专家。ALA）研讨会; 2017年。[18] 李文，李文，李文，等.自动反射控制器的设计与实现.北京：机械工业出版社，2000. ConnectedDelicate Computing 2014;25：118-28.[19] Shamsoshoara A，Khaledi M，Afghah F，Razi A，AshdownJ.利用多智能体支持学习的无人机系统分布式一致范围共享。2019年第16届IEEE年度买家通信&组织会议（CCNC）。IEEE; 2019. p. 1比6[20] Goldberger AL，Amaral LA，Glass L，Hausdorff JM，Ivanov PC，StampRG，Mietus JE，Testy GB，Peng C-K，Stanley HE. Physiobank，physiotoolkit和physionet：用于渐开线生理信号的现代调查资产的组成部分。循环2000;101（23）：e215-20.[21] Yildirim O，Baloglu UB，Acharya UR.一个深刻的学习演示计算机休息阶段分类利用PSG信号。自然询问和开放幸福的普世日记2019;16（4）：599。[22] Supratak A，Dong H，Wu C，Guo Y. Deepsleepnet：基于粗糙单通道EEG预测的编程休息组织评分显示。IEEE关于神经框架和恢复建设的E x变化2017;25（11）：1998-2008。[23] 杨伟，王伟，王伟.使用时频分析和堆叠稀疏自动编码器的自动睡眠阶段评分。生物医学建筑档案2016;44（5）：1587-97。[24] Hien Dang TT，Huan Hoang X，Hoang Le XM.用RBF神经网络解决回归问题的一种有效方法。Int.J. of Operation Research and InformationSystem- IJORIS 2015;6（4）：57-74.[25] 杨伟，王伟.级联LSTM永久神经组织，用于利用单通道EEG信号进行机器人化休息组织分类。计算机在科学和医学中的应用2019. https://doi.org/10.1016/j的网站。compbiomed.2019.01.013网站。[26] Johnson M，Schuster M，Le QV，Krikun M，Wu Y，Chen Z，Thorat N，Vi'egasF，WattenbergM，CorradoG，等. 谷歌的多语言神经机器翻译系统：实现零命中翻译。Transactions of the Association forComputational Linguistics2017;5：339-51.[27] K. M. Sagayam，A.放大图片作者：Diana Andrushia，Ahona Ghosh，OmerDeperlioglu，Ahmed A. Elngar，https://doi.org/10.1142/S0219467821400088。2021年...号政府Sundar等人医学信息学解锁26（2021）1007248[28] David Shibin，Anand RS，Sagayam KM.使用农业数据集增强基于人工智能的智能 种 植 和 作 物 测 试 评 估 。 人 工 智 能 与 系 统 杂 志 2020;2 ： 149-67 。https://doi.org/10.33969/AIS.2020.21010。 2020年。[29] Rajesh G，Raajini XM，Sagayam KM，Dang Hien.预测糖尿病性黄斑水肿的高阶上位性相互作用检测的统计方法。医学信息学解锁2020;29：1-9。https://doi.org/10.1016/j的网站。imu.2020.100362. 2020年。[30] Mhathesh T.S.R.，安德鲁·J，M. Sagayam K.，亨尼西湖，A3DConvolutionalNeuralNetworkforBacterialImageClassification. 在：彼得J.，Fernandes S.，AlaviA. (eds)大数据技术中的智能-超越炒作。智能系统和计算的进展，卷1167。新加坡，施普林格。DOI：10.1007/978-981-15-5285-4_42.2021。[31] Sathish Nirala，Deepak Mishra，K. M. Sagayam，D. Narain Ponraj，X. AjayVasanth，Lawrence Henesey，and Chung Ching H），“Image Fusion in RemoteSensing based on Sparse Sampling Method and PCNN Techniques”，In Book：Machine learning for Big Data Analytics，Frontiers in Computational Intelligence（FCIR），De Gruyter.第149 -180页：DOI：10.1515/9783110551433-006.2019。