[發明專利]一種基于一維卷積神經網絡自動識別失眠方法

在審

• 申請號: 202110094678.0
• 申請日: 2021-01-25
• 公開（公告）號: CN112932501A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 高美珍;謝宏
• 申請（專利權）人: 上海海事大學
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/372
• 代理公司: 上海互順專利代理事務所(普通合伙) 31332
• 代理人: 裴姣姣

1.一種基于一維卷積神經網絡自動識別失眠方法，其特征在于，包括：

對原始單通道腦電信號數據集進行預處理,以去除所述腦電信號中的高頻噪聲和直流分量；

根據不同時期的睡眠階段和重疊法將預處理后的腦電信號構造子數據集；

基于重新構造的子數據集構建一維卷積神經網絡模型；

將測試集信號輸入至已完成訓練的一維卷積神經網絡進行分類識別。

2.根據權利要求1所述的一種基于一維卷積神經網絡自動識別失眠方法，其特征在于，所述根據不同時期的睡眠階段和重疊法將預處理后的腦電信號構造子數據集的步驟：

選擇需要構建的子數據集的睡眠階段；

選定兩個連續時期時間窗口信號片段；

若所選定的時間窗口信號與所選擇的睡眠階段相同，則使用滑動窗口重疊,構建子數據集；否則，不進行重疊。

3.根據權利要求1所述的一種基于一維卷積神經網絡自動識別失眠方法，其特征在于，所述將測試集信號輸入至已完成訓練的一維卷積神經網絡進行分類識別的步驟：

將測試集信號輸入至卷積層充分提取序列內與失眠相關的特征；

使用池化層對特征進行降維，將特征映射為一維向量；

將所有一維向量送入至全連接層進行特征融合，并輸入到softmax分類器中進行分類，獲得分類結果。

4.根據權利要求1所述的一種基于一維卷積神經網絡自動識別失眠方法，其特征在于，所述基于重新構造的子數據集構建一維卷積神經網絡模型的步驟，包括：

選取卷積神經網絡，所述卷積神經網絡包括：5個卷積層、3個池化層和3個全連接層；第一卷積層和第二卷積層分別使用1×11和1×5的大卷積核，第三卷積層、第四卷積層和第五卷積層使用1×3的小卷積核，在所述第一卷積層、所述第二卷積層、所述第五卷積層之后，使用大小為1×3的池化層對特征進行降維，在最后一個池化層將特征映射為一維向量，并將該向量送入全連接層進行二分類；

基于重新構造的子數據集對卷積神經網絡進行訓練，將訓練后的卷積神經網絡作為一維卷積神經網絡模型。

5.根據權利要求4所述的一種基于一維卷積神經網絡自動識別失眠方法，其特征在于，所述基于重新構造的子數據集對卷積神經網絡進行訓練的步驟，包括：對所選取的卷積神經網絡的輸入指定的睡眠階段30s epoch的一維時間序列，所選取的卷積神經網絡使用了一維卷積核具體表達為:

其中,為第l層輸出特征的第i個像素，和b^l表示卷積核在第l層的權值向量和偏差參數，d為卷積核的大小，N為輸入特征向量的長度，f(·)表示卷積層的激活函數；

在第一卷積層、第二卷積層、第五卷積層之后，利用大小為1×3的池化層對特征進行降維，通過池化層將特征映射為一維向量，并將該向量送入全連接層進行二分類，得到最終的識別結果，ReLU作為激活函數，具體表達為:

f(x)＝max(0,x)

其中x為卷積后輸出的特征矩陣；

在第一卷積層之后是批處理歸一化層，該層對特征進行歸一化處理再輸入激活函數，從而減少內部協變量偏移，批處理歸一化定義如下:

其中，B代表包括m個樣本的小批量，μ_B和分別表示B的均值和方差，ε為常數，γ和β為在訓練過程中計算的標度和位移參數；

全連接層使用SoftMax分類器進行分類，完成對失眠信號的分類輸出。

6.根據權利要求5所述的一種基于一維卷積神經網絡自動識別失眠方法，其特征在于，所述SoftMax分類器的分類函數具體表達為：

其中表示第i個節點的輸出值，m表示類別的個數。