文献综述（或调研报告）：
睡眠呼吸暂停综合征是一种常见的睡眠疾病，影响着大约4%的成年人。具体是指每晚7小时的睡眠时间中出现超过30次呼吸暂停，并且每次暂停的时间超过10秒，或者每小时呼吸暂停的次数大于5次。这是一种累及多系统并造成多器官损害的疾病，是高血压、冠心病、心律失常、脑卒等多种疾病的独立危险因素。
在过去的二十年中，科学家们已经证实了自主神经系统和心血管疾病死亡率(包括心脏猝死)之间有重要联系。实验证据表明，致命性心律失常倾向与交感神经活动增加或减少的迹象之间的联系促进了自主神经活动定量标记的发展。心率变异性(HRV)是此类标志物中最有希望的一个。睡眠呼吸暂停伴随着心率的周期性变化或心电图波形的其他变化。如果仅用心电图就能诊断睡眠呼吸暂停，那么就有可能从病人家中采集的心电图记录中以低廉的价格自动诊断睡眠呼吸暂停。
最近的研究表明，心博序列的主成分分析(PCA)是一种从心电图中提取呼吸信号的有效方法。Widjaja等[1]提出了一种基于核主元分析(kPCA)的改进心电导联呼吸(EDR)算法。kPCA可以看作是PCA的一种推广，考虑到数据的非线性，它利用非线性核函数将数据映射到更高维空间中进行主成分分析。对几种核函数的比较表明，径向基函数(RBF)核在提取EDR信号时性能最好。文中进一步的改进是通过调整代表RBF核方差的参数来实现的。通过比较EDR信号与参考呼吸信号的相关性和幅度平方相干系数，评价kPCA的性能。将使用kPCA的调谐EDR信号的系数与使用PCA和基于R峰值算法得到的EDR信号的系数进行比较，发现相关系数和相干系数有统计学差异(两者p lt; 0.0001)，这表明kPCA在提取单导联心电图呼吸信号方面优于PCA和R峰值。
再者，Penzel等[2]比较了13种估计心率变化和呼吸对心电波形影响的算法，主要有时域法，频域法，时频域结合分析法。13种算法都是在2000年公开竞赛所提供的含35条心电数据记录的训练集上展开，并且用在含35条记录的测试集上的结果以供独立评分。评分结果表明，利用频域特征来评估心率变化是最有效的。
随着大数据和计算机性能的逐步提升，区别于传统的基于特征的机器分类算法，神经网络模型和算法在很多领域中取得了良好效果。因而，可以将神经网络模型应用到呼吸暂停研究领域，以提供新的思路和想法。
Cho K等[3]提出了一种新的神经网络模型——RNN编解码器，该模型由两个递归神经网络(RNN)组成。一个递归神经网络将符号序列编码为定长向量表示，另一个递归神经网络将符号序列解码为另一个符号序列。RNN编解码器的编码器和解码器被联合训练，以最大限度地提高给定源序列的目标序列的条件概率。在已有的对数线性模型中，利用RNN编解码器计算的短语对条件概率作为附加特征，对统计机器翻译系统（SMT）的性能进行了改进。文中定性地证明了该模型在语义和句法上都能有效地表示语言短语。
深度神经网络(DNNs)是一种功能强大的模型，在困难的学习任务中取得了优异的性能。尽管DNNs在有大量标记训练集的情况下工作良好，但它们不能用于将序列映射到序列。Sutskever等[4]提出了一种对序列结构做最小假设的一般端到端序列学习方法。使用多层长短时记忆(LSTM)将输入序列映射到一个固定维数的向量上，然后用另一个深度LSTM从向量上解码目标序列。在数据集的英法翻译任务中，LSTM生成的翻译在整个测试集上获得了34.8的BLEU分数，对长句子的翻译也没有困难。作为比较，基于短语的SMT系统在同一数据集上的BLEU得分为33.3。当使用LSTM对上述SMT系统产生的1000个假设进行重新排序时，它的BLEU分数增加到36.5，接近于之前在这个任务中的最佳结果。LSTM还学习了对词序敏感、对主动语态和被动语态相对不变的有意义的短语和句子表示。最后发现颠倒所有源句(但不包括目标句)中的单词顺序显著地提高了LSTM的性能，因为这样做会在源句和目标句之间引入许多短期依赖关系，从而使优化问题变得更容易。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
