大型语言模型及提示优化在从生物通路图中提取知识中的应用

《IEEE Journal of Biomedical and Health Informatics》：Applications of Large Language Models and Prompt Optimization for Knowledge Extraction from Biological Pathway Figures

睡眠质量评估方法提出基于多阈值邻域极值统计模式（SMNE）的模型，结合离散小波变换（DWT）与数据增强算法优化EEG信号预处理，利用灰狼优化（GWO）动态调整SNR和SMNE特征阈值，通过随机森林（RF）分类器实现睡眠分期，在三个数据集上验证准确率达88.5%-96.3%，kappa系数0.83-0.94。

　　

摘要：

睡眠在人类生活中起着至关重要的作用，其质量直接影响整体健康状况。睡眠分期是一个关键过程，也是评估睡眠质量的重要指标。本文提出了一种基于多阈值邻域极值统计模式（SMNE）的睡眠分期方法。我们结合离散小波变换（DWT）和数据增强算法对脑电图（EEG）信号进行预处理，通过信噪比（SNR）评估和信号重叠分析来提高信号质量。随后，将EEG信号的极值分类为5种不同的状态，并对5状态极值矩阵中的差异应用多阈值算法以定义和提取模式。这些模式经过统计编码后，被输入到5个权重层中。接着，这些编码结果被送入灰狼优化（GWO）算法，以确定SNR和SMNE特征的阈值。最后，通过这个过程得到的特征被输入到随机森林（RF）分类器中。SleepEDFx数据集的准确率为94.6%，Kappa系数为0.92，F1分数为89.3%；SleepEDF-20数据集的相应指标分别为准确率96.3%、Kappa系数0.94和F1分数89.2%；ISRUC-Sleep数据集的准确率为88.5%，Kappa值为0.83，F1分数为86.5%。