[發明專利]一種基于深度殘差Mask-CCNN的睡眠分期方法

在審

• 申請號: 202011191789.5
• 申請日: 2020-10-30
• 公開（公告）號: CN112294342A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 宋立新;裴秀
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: A61B5/372
• 分類號: A61B5/372
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 岳泉清

1.一種基于深度殘差Mask-CCNN的睡眠分期方法，其特征在于：包括以下步驟：

步驟a.特征提取：將含有專家睡眠階段標記的腦電信號數據集輸入到深度殘差Mask-CCNN進行時頻特征提取；

步驟b.特征增強：采用深度殘差塊增強信息特征；

步驟c.序列間特征提取：雙向門控循環單元BiGRU構成的編、解碼器提取腦電序列間的時序特征，使用注意力機制加強每個睡眠階段特征序列的最相關部分；

步驟d.輸出處理：通過softmax層輸出睡眠分期。

2.根據權利要求1所述的一種基于深度殘差Mask-CCNN的睡眠分期方法，其特征在于，所述步驟a包括利用深度殘差Mask-CCNN對基于專家經驗標記睡眠階段的腦電信號進行時域和頻域特征提取，并用深度殘差連接實現信息特征的增強，包括如下步驟：

a.1將將含有專家睡眠階段標記的30sEEG數據集送入Mask-CCNN網絡模型進行特征提取，其中主要包括提取信號的時域特征、頻域特征，每段數據生成向量，并順序排列成序列；

a.2該Mask-CCNN網絡模型包含Mask-CCNN-1和Mask-CCNN-2，每個Mask-CCNN部分由包含3個連續的卷積層、一個Mask層和一個殘差塊，Mask-CCNN部分接收EEG信號，進行特征提取，設置的Mask-CCNN-1和Mask-CCNN-2主要區別在于卷積核大小不同，其中尺寸較小的卷積核能更好地捕獲信號的時域特征，較大尺寸的卷積核能更好地捕獲信號的頻域特征，使用兩個不同尺寸的卷積核優勢就是更利于全面提取數據的時頻特征，然后通過connet將輸出特征組合在一起，最后這些特征通過Dropout層操作按照一定概率隨機“丟棄”隱層神經元，以減弱訓練期間不同神經元間的共適性，從而增強模型泛化能力，同時便于序列進入編碼器進行編碼；

a.3為了消除傳統的線性模型表達能力不足的缺點，網絡結構中又引入了激活函數，從而能夠達到非線性建模的目的，選用ReLu激活函數，該激活函數與Sigmoid函數和雙曲正切等其它激活函數相比，計算和收斂的速度比較快，提高了梯度下降和反向傳播的效率；

a.4Mask-CCNN網絡結構最后一層加入Mask層來濾除無用的腦電特征序列。

3.根據權利要求1所述一種基于深度殘差Mask-CCNN的睡眠分期方法，其特征在于，所述步驟b采用深度殘差塊增強信息特征包括如下步驟：

b.1在Mask-CCNN網絡結構中加入改進的殘差塊，加入殘差塊后不僅能使網絡表達特征的能力增強，而且可以緩解梯度消失現象。

4.根據權利要求1所述一種基于深度殘差Mask-CCNN的睡眠分期方法，其特征在于，所述步驟c采用雙向門控循環單元BiGRU構成的編、解碼器學習腦電序列間的時序特征，使用注意力機制加強每個睡眠階段特征序列的最相關部分，進而進行睡眠階段計算，包括如下步驟：

c.1BiGRU編碼器對從Mask-CCNN部分輸出的EEG信號特征序列進行編碼，學習各種睡眠階段間的依賴關系；

c.2BiGRU譯碼器中，譯碼的每一步都由編碼器產生序列和目標序列作為輸入序列產生新的表示；

c.3在BiGRU構成的譯碼器中加入一種適用于循環神經網絡的Attention，使BiGRU網絡不僅考慮整個編碼器輸入序列，而且在解碼的每一步加強編碼器輸出的不同部分，即注意力機制使模型在解碼階段學習輸入序列中最相關的部分，同時更具導向性。

5.根據權利要求1所述一種基于深度殘差Mask-CCNN的睡眠分期方法，其特征在于，所述步驟d包括輸出處理：通過softmax層輸出睡眠階段，計算睡眠分期的整體準確度。

d.1采用損失函數減弱所用數據集睡眠因類不平衡對睡眠分期準確度的影響。