[發明專利]一種結合快速表示學習和語義學習的睡眠階段分期系統

有效

• 申請號: 202010090052.8
• 申請日: 2020-02-13
• 公開（公告）號: CN111150372B
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 向鴻鑫;楊云
• 申請（專利權）人: 云南大學
• 主分類號: A61B5/00
• 分類號: A61B5/00;A61B5/369;A61B5/372
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 胡川

1.一種結合快速表示學習和語義學習的睡眠階段分期系統，其特征在于，包括：

信號采集單元，包括EEG信號采集模塊和知識數據采集模塊，所述EEG信號采集模塊從公開睡眠數據庫中獲取原始EEG信號，所述知識數據采集模塊從知識庫中采集與睡眠分期判定的知識和關于各個睡眠分期特征的描述；

數據預處理單元，將從公開睡眠數據庫中獲得的EEG信號進行劃分為訓練集、驗證集和測試集，并對EEG信號進行等值分段處理，在將分段后的信號進行拼接擴充；

信號處理單元，包括表示學習模塊和語義學習模塊，將數據預處理單元中劃分得到并經過分段處理的訓練集輸入到表示學習模塊中進行訓練，利用模型對測試集進行預測得出預測結果1，同時將信號采集單元中的睡眠分期知識輸入到語義學習模塊中的生成器中，提取語義特征并使用語義特征訓練分類器對測試集的EEG信號進行預測得出預測結果2；

預測結果處理單元，將信號處理單元中預測的兩個結果通過加權融合得出最終的預測結果。

2.如權利要求1所述的結合快速表示學習和語義學習的睡眠階段分期系統，其特征在于，所述數據預處理單元包括特征預處理模塊和知識預處理模塊，所述特征預處理模塊將EEG信號分成25等分，并將這25段進行縱向拼接成(25,120)的二維矩陣，所述知識預處理模塊將文本只是先去除停用詞，再使用jieba分詞器進行分詞，最后用TF-IDF的方法提取出語義特征。

3.如權利要求2所述的結合快速表示學習和語義學習的睡眠階段分期系統，其特征在于，所述表示學習模塊包括卷積層和softmax層，所述卷積層包括3個并行的卷積神經網絡和2個串行的雙向長短記憶網絡，將經過所述數據預處理單元處理得到的形狀為(25,120)的二維數據輸入到卷積層中進行特征提取，將提取的特征橫向拼接并輸入到softmax層得出預測結果1。

4.如權利要求3所述的結合快速表示學習和語義學習的睡眠階段分期系統，其特征在于，所述表示學習模塊中數據從卷積層輸出后要通過擬標準化、線性整流單元和最大池層采樣的處理。

5.如權利要求4所述的結合快速表示學習和語義學習的睡眠階段分期系統，其特征在于，所述語義學習模塊包括兩個全連接層和兩個帶有LeakyReLU激活器的FC層，將經過所述數據

預處理單元提取得到的語義特征輸入到兩個全連接層并與從高斯分布采樣中獲取的10維高斯隨機噪聲串聯，再輸入到兩個帶有LeakyReLU激活器的FC層中得到特征維度為3000維的語義特征。

6.如權利要求5所述的結合快速表示學習和語義學習的睡眠階段分期系統，其特征在于，所述語義特征的維度和EEG信號的特征維度相同，通過語義特征訓練分類器，并對測試集的原始EEG信號預測得出預測結果2。

7.如權利要求6所述的結合快速表示學習和語義學習的睡眠階段分期系統，其特征在于，所述表示學習模塊中得到的預測結果1與所述語義學習模塊中得到的預測結果2進行加權融合得到最終預測結果。

8.如權利要求6所述的結合快速表示學習和語義學習的睡眠階段分期系統，其特征在于，所述語義學習模塊中得到的預測結果2可以和使用EEG信號訓練的其它任意機器學習模型輸出的預測結果1進行融合得到最終結果。