基于深度学习的端到端自动睡眠分期研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 背景和研究意义 | 第8-11页 |
| 1.2 自动睡眠分期研究现状 | 第11-14页 |
| 1.2.1 基于传统机器学习技术的睡眠分期研究 | 第11-13页 |
| 1.2.2 基于深度学习技术的睡眠分期研究 | 第13-14页 |
| 1.3 本文的研究目标和内容安排 | 第14-16页 |
| 1.3.1 研究目标 | 第14页 |
| 1.3.2 各章内容安排 | 第14-16页 |
| 第2章 深度自动睡眠分期模型 | 第16-33页 |
| 2.1 模型总体结构 | 第16-20页 |
| 2.1.1 标准卷积神经网络 | 第16-18页 |
| 2.1.2 标准循环神经网络 | 第18-20页 |
| 2.2 卷积神经网络模块的设计及优化 | 第20-27页 |
| 2.2.1 CNN模块的设计 | 第20-21页 |
| 2.2.2 批归一化及稀疏化策略的引入 | 第21-23页 |
| 2.2.3 激活函数的性能分析与选取 | 第23-25页 |
| 2.2.4 残差连接的迁移应用 | 第25-27页 |
| 2.3 循环神经网络模块的设计及优化 | 第27-31页 |
| 2.3.1 RNN模块的设计 | 第27-28页 |
| 2.3.2 GRU构建的RNN | 第28-30页 |
| 2.3.3 双向解码策略 | 第30-31页 |
| 2.4 Softmax分类器模块的设计及优化 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 实验数据及数据重构 | 第33-39页 |
| 3.1 引言 | 第33页 |
| 3.2 实验数据 | 第33-34页 |
| 3.3 类不均衡处理策略 | 第34-36页 |
| 3.3.1 分类器方向 | 第34-35页 |
| 3.3.2 数据方向 | 第35-36页 |
| 3.4 改进MSMOTE | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于迁移学习的分步训练方法 | 第39-45页 |
| 4.1 引言 | 第39页 |
| 4.2 迁移学习 | 第39-42页 |
| 4.2.1 迁移学习概念描述 | 第39-40页 |
| 4.2.2 传统机器学习和迁移学习区别 | 第40-41页 |
| 4.2.3 迁移学习的研究内容 | 第41-42页 |
| 4.3 分步训练法 | 第42页 |
| 4.4 参数设置及数据流 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 实验及应用展望 | 第45-57页 |
| 5.1 引言 | 第45页 |
| 5.2 评估设计 | 第45-47页 |
| 5.2.1 K折交叉验证 | 第45-46页 |
| 5.2.2 评估指标 | 第46-47页 |
| 5.3 验证实验 | 第47-53页 |
| 5.3.1 验证实验设计 | 第48页 |
| 5.3.2 实验结果 | 第48-53页 |
| 5.4 综合评估 | 第53-55页 |
| 5.5 应用展望 | 第55-56页 |
| 5.6 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |
