公开(公告)号：CN116304882A

公开(公告)日：2023-06-23

申请号：CN202310446421.6

申请日：2023-04-24

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  马硕 ,  张迎伟

IPC: G06F18/241 ,  A61B5/00 ,  G06F18/214 ,  G06F18/211

Abstract: 本发明提供了一种用于训练睡眠阶段分类模型的方法，包括：获取训练集，其包括多个样本、每个样本对应的指示睡眠阶段类别的类别标签以及指示每个样本所属域的域标签，其中，样本为多模态生理时序信号，所述域与用户或者用户分组相关；利用所述训练集对基于神经网络的睡眠阶段分类模型和域鉴别器进行对抗训练，其中，所述睡眠阶段分类模型被配置为根据样本提取样本特征并根据样本特征识别样本对应的睡眠阶段类别，所述域鉴别器被配置为根据所述样本特征识别样本的域，对抗训练时基于类别标签确定的睡眠阶段分类损失和基于域标签确定的域分类损失更新睡眠阶段分类模型的参数，以及根据所述域分类损失更新域鉴别器的参数。

公开(公告)号：CN118690223A

公开(公告)日：2024-09-24

申请号：CN202410667497.6

申请日：2024-05-28

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  马硕 ,  张迎伟

IPC: G06F18/24 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明提供了一种多模态平衡的睡眠阶段分类模型训练方法，所述方法包括：获取训练集，其包括多个样本、每个样本对应类别标签以及领域标签；利用所述训练集对预设的睡眠阶段分类模型和领域判别器进行多轮训练，得到经训练的睡眠阶段分类模型，其中，每轮训练中：利用分类模型的特征提取器提取样本中的特征，利用分类模型的分类器根据特征进行分类；利用领域判别器根据特征进行领域判别；根据特征的分类结果和类别标签确定分类性能指标和分类损失；根据特征的域判别结果和领域标签确定域判别性能指标和域判别损失；根据分类损失和域判别损失确定的总损失更新特征提取器的参数，根据损失和性能指标确定的梯度更新分类器或领域判别器中的参数。

公开(公告)号：CN117828412A

公开(公告)日：2024-04-05

申请号：CN202311394420.8

申请日：2023-10-25

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  马硕 ,  张迎伟

IPC: G06F18/241 ,  A61B5/00 ,  A61B5/369 ,  A61B5/318 ,  A61B5/389 ,  A61B5/398 ,  G06F18/26 ,  G06F18/213 ,  G06F18/214 ,  G16H20/70 ,  G16H10/60 ,  G16H50/70

Abstract: 本发明提供一种单通道脑电睡眠分类模型构建方法，所述方法包括：S1、获取原始PSG数据，所述PSG数据包含多条记录，每条记录包含多个通道数据，所述每条记录对应有睡眠阶段分类标签；S2、以一个预设的脑电通道为目标单通道，以多个其他通道为关联通道，从所述原始PSG数据中的每条记录中筛选出目标单通道数据和原始关联通道数据组成训练数据集；S3、构建初始分类模型，所述初始模型包括初始关联特征挖掘单元、分类单元、融合模块；S4、采用训练数据集训练所述初始分类模型至收敛，其中，训练过程中采用基于目标单通道数据挖掘的关联通道特征与关联通道数据的特征之间的距离损失、分类标签损失构建的综合损失更新模型参数。

公开(公告)号：CN117272150A

公开(公告)日：2023-12-22

申请号：CN202311388682.3

申请日：2023-10-25

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  马硕 ,  张迎伟

IPC: G06F18/241 ,  G06F18/214 ,  G06F18/213 ,  G06F18/25 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08 ,  A61B5/00 ,  A61B5/369

Abstract: 本发明提供一种单通道脑电睡眠分类模型构建方法，包括：S1、获取原始PSG数据，所述PSG数据包含多条记录，每条记录包含多个通道数据，所述每条记录对应有睡眠阶段分类标签；S2、以一个预设的脑电通道为目标单通道，以多个其他通道为关联通道，从所述原始PSG数据中的每条记录中筛选出目标单通道数据和原始关联通道数据组成训练数据集；S3、构建初始分类模型，所述初始模型包括特征提取模块、生成式对抗单元、分类单元、融合模块；S4、训练所述初始分类模型至收敛获得以特征提取模块、多个生成器、分类单元、融合模块构成的模型，其中，训练过程中生成器的损失、鉴别器损失、分类标签损失分别更新生成器的参数、鉴别器的参数、其他模块参数。