[發明專利]一種基于深度學習的睡眠分期方法

在審

• 申請號: 202010466274.5
• 申請日: 2020-05-28
• 公開（公告）號: CN111783534A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 胥凱林;夏思宇
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;A61B5/0476;A61B5/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 羅運紅

本發明公開一種基于深度學習的睡眠分期方法，該方法包含以下步驟：對單通道腦電信號進行過采樣獲得數據集；設計用于睡眠分期的卷積神經網絡；在過采樣后的數據集上預訓練，并根據貝葉斯優化調整模型的超參數；設計懲罰權重損失函數對模型二次優化；利用訓練好的模型測試輸入的單通道腦電信號得到預測的睡眠時期。本發明方法無需額外的提取特征就可以讓神經網絡學習到睡眠分期信息，利用該方法可以有效的避免由數據集不平衡引起的各時期平均識別率低下的問題。該方法可被廣泛應用于存在數據集不平衡的場景，如心電圖檢測心律不齊和腦電圖檢測癲癇。

技術領域

本發明涉及模式識別、信號處理領域，具體涉及一種基于深度學習的睡眠分期方法。

背景技術

自動睡眠階段分類算法主要有手動提取特征的方法和自動提取特征兩種方式。手動提取特征的方法從原始信號中提取諸如時間，頻率和時頻域特征之類的特征進行訓練。這類方法由于僅提取特征，因此可能會丟失大多數原始信息。自動提取特征的方法可以直接用原始數據進行訓練，利用部分神經網絡能端到端進行訓練的特點，將它們同時作為特征提取器和分類器，可以解決手工特征提取的局限性。

自動提取特征的方法是目前采用比較多的算法，然而數據集本身卻存在嚴重的不平衡問題，相關算法大部分未關注模型優化以及損失函數的提升，導致各睡眠時期平均識別率低下。

發明內容

發明目的：針對以上問題，本發明提出一種基于深度學習的睡眠分期方法，通過貝葉斯優化搜索合適的超參數并采用懲罰權重損失函數對模型二次優化以解決各睡眠類別平均識別率低下的問題。

技術方案：為實現本發明的目的，本發明提出一種基于深度學習的睡眠分期方法，具體包括以下步驟：

步驟1：獲取單通道腦電信號構建數據集，并對數據集中腦電信號進行過采樣，將過采樣后的腦電信號數據集劃分為訓練集和驗證集；

步驟2：構建用于睡眠分期的卷積神經網絡模型，將單通道腦電信號過采樣后的數據作為模型的輸入，睡眠時期的標簽作為模型的輸出；

步驟3：使用訓練集對網絡模型進行預訓練，使用驗證集對模型進行驗證，并根據貝葉斯優化調整模型的超參數，得到初步優化后的網絡模型；

步驟4：構建懲罰權重損失函數對模型進行二次優化，得到二次優化后的網絡模型；

步驟5：利用訓練好的模型測試輸入的單通道腦電信號，得到預測的睡眠時期。

進一步的，所述步驟1，獲取單通道腦電信號構建數據集，劃分訓練集和驗證集，方法如下：

獲取睡眠分期數據集Sleep-EDF，將睡眠時期的標簽分為5類，分別是覺醒期、淺度睡眠I期、淺度睡眠II期、深度睡眠期、快速眼動期；

對腦電信號進行數據截取，保留睡眠前半個小時到睡眠后半個小時的睡眠記錄；將通道Fpz-Cz中的數據提取出來，獲得單通道腦電數據；

對腦電信號進行過采樣，并以t秒的腦電信號和其對應的睡眠時期標簽作為一個訓練樣本，將數據集劃分為訓練樣本集和驗證樣本集。

進一步的，所述步驟2，構建用于睡眠分期的卷積神經網絡模型，方法如下：

網絡結構由十個卷積層和兩個全連接層組成，在每個卷積層中使用大小為3×1的卷積核，每兩個相鄰的卷積層是一個模塊，并依次執行五個操作：卷積，經過激活函數，卷積，經過激活函數，批標準化；十個卷積層構成了五個模塊，每個模塊中第一個卷積步長為1，第二個卷積步長為2，在兩個全連接層前均添加dropout層。

進一步的，所述步驟3，對網絡模型預訓練，并調整模型的超參數，方法如下：