为了更全面地对睡眠脑电进行特征提取,提出一种基于多视图与注意力机制的睡眠脑电分期方法。首先针对原始睡眠脑电信号构造时域和时频域两类视图数据;然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习;接着通过双向长短...为了更全面地对睡眠脑电进行特征提取,提出一种基于多视图与注意力机制的睡眠脑电分期方法。首先针对原始睡眠脑电信号构造时域和时频域两类视图数据;然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习;接着通过双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络进一步学习睡眠阶段之间的转换规则;最后使用Softmax函数进行睡眠分期,并利用类别加权损失函数解决睡眠数据类别不均衡的问题。实验使用Sleep-EDF数据库中前20名受试者的单通道脑电信号并采用20折交叉验证对模型进行性能评估,睡眠分期准确率达到83.7%,宏平均F_(1)值达到79.0%,Cohen′s Kappa系数达到0.78。与现有方法相比,算法性能提升明显,证明了所提方法的有效性。展开更多
为支持BIM(Building Information Modeling)不同项目参与方按需求高效地获取定制信息,提出一种基于IFC(Industry Foundation Class)属性抽取的子模型生成方式。通过分析IFC分类、IFC实体关联机制,根据领域模型信息需求对IFC模型中的数...为支持BIM(Building Information Modeling)不同项目参与方按需求高效地获取定制信息,提出一种基于IFC(Industry Foundation Class)属性抽取的子模型生成方式。通过分析IFC分类、IFC实体关联机制,根据领域模型信息需求对IFC模型中的数据实现基于属性的自动抽取,去除与需求数据无关的IFC标准、定义及引用关系,提高子模型数据价值密度,简化模型处理复杂度,生成更适应高密度数据交互模式的协同工作的BIM子模型。最后,在开源平台BIMserver上实现并验证了本方法的正确性和可行性。试验证明,抽取的子模型与IFC完备子模型相比在数据量、数据访问时间、内存资源占用和网络传输速度上有着明显优势。展开更多
文摘为了更全面地对睡眠脑电进行特征提取,提出一种基于多视图与注意力机制的睡眠脑电分期方法。首先针对原始睡眠脑电信号构造时域和时频域两类视图数据;然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习;接着通过双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络进一步学习睡眠阶段之间的转换规则;最后使用Softmax函数进行睡眠分期,并利用类别加权损失函数解决睡眠数据类别不均衡的问题。实验使用Sleep-EDF数据库中前20名受试者的单通道脑电信号并采用20折交叉验证对模型进行性能评估,睡眠分期准确率达到83.7%,宏平均F_(1)值达到79.0%,Cohen′s Kappa系数达到0.78。与现有方法相比,算法性能提升明显,证明了所提方法的有效性。
文摘为支持BIM(Building Information Modeling)不同项目参与方按需求高效地获取定制信息,提出一种基于IFC(Industry Foundation Class)属性抽取的子模型生成方式。通过分析IFC分类、IFC实体关联机制,根据领域模型信息需求对IFC模型中的数据实现基于属性的自动抽取,去除与需求数据无关的IFC标准、定义及引用关系,提高子模型数据价值密度,简化模型处理复杂度,生成更适应高密度数据交互模式的协同工作的BIM子模型。最后,在开源平台BIMserver上实现并验证了本方法的正确性和可行性。试验证明,抽取的子模型与IFC完备子模型相比在数据量、数据访问时间、内存资源占用和网络传输速度上有着明显优势。
