干货！面向多源数据融合的睡眠时序分类方法研究

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

时间序列分类任务是数据挖掘领域重要的研究方向，针对于生理时间序列的分析与挖掘有助于进行疾病的诊断和预测，促进了智慧医疗的发展。睡眠阶段分类作为典型的生理时序分类任务，对人体健康状况和精神状态的分析起着至关重要的作用。但是如何针对多源数据，例如多通道或多模态生理信号设计高精度分类模型仍然是一个挑战。本次报告将分享我们在IJCAI 2020 和 2021关于睡眠时序分类的代表性研究成果。

本期AI TIME 特别邀请了北京交通大学博士生——贾子钰，为我们带来报告分享《面向多源数据融合的睡眠时序分类方法研究》

贾子钰：

目前在北交大计算机与信息技术学院/网络科学与智能系统研究所攻读博士学位，师从林友芳教授、王晶副教授。同时他也是新加坡国立大学计算机学院联合培养博士，师从Wang Ye教授。与美国麻省理工学院、罗格斯大学、新加坡A*STAR保持着紧密的合作关系。主要研究兴趣集中于生理时间序列的挖掘及其在睡眠数据的应用。目前以第一作者在IJCAI、ACM MM、ECML-PKDD、TNSRE、TAI等顶级会议或期刊发表论文10余篇，并被国内外主流媒体报道。

个人主页：https://ziyujia.github.io/

01

时间序列概述

•  时间序列

时间序列是按照时间排序的一组随机变量，它通常是在相等间隔的时间段内 依照给定的采样率对某种潜在过程进行观测的结果。

• 时间序列的分析与挖掘

在过去的二十年中，时间序列的分析与挖掘被认为是数据挖掘中最具挑战性 的问题之一。

02

生理时间序列概述

• 生理时间序列

心电信号，大多是由附着在心脏周围的传感器去采集心脏的信号。心脏的活动通过传感器传递到数据库之中，被称为心电ECG。脑电信号，则是通过收集大脑反应来判断大脑状态。

• 医疗健康

重获肢体能力、运动康复、与周围环境进行交流、基于可穿戴设备进行健康评估

• 多源睡眠数据—研究架构图
  

多源数据范围较广，本次分享主要是研究两种数据，一种是多通道的，类似脑电信号。另一种是多模态的，即会同时去研究脑电信号和心电信号。

03

 睡眠分期的研究工作 

GraphSleepNet （IJCAI 2020）

面向睡眠阶段分类的自适应时空图卷积网络

• <