[發明專利]基于深度遷移學習的單通道耳腦電自動睡眠分期方法

有效

• 申請號: 202110676558.1
• 申請日: 2021-06-13
• 公開（公告）號: CN113303814B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 劉蓉;季希禹;孫長凱;王永軒;梁洪宇;李宏輝
• 申請（專利權）人: 大連理工大學
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/00;G06N3/04;G06N3/08
• 代理公司: 大連星海專利事務所有限公司 21208
• 代理人: 王樹本;徐雪蓮

1.一種基于深度遷移學習的單通道耳腦電自動睡眠分期方法，其特征在于包括以下步驟：

步驟1、信號采集及預處理，采集受試者耳腦電信號，以及對睡眠數據庫單通道頭皮腦電信號及采集的耳腦電信號進行預處理，具體包括以下子步驟：

(a)、目標域數據的采集及預處理，采用耳腦電電極采集受試者整夜耳腦電信號，設置采樣頻率為125Hz，將采集后的耳腦電信號依次選取3750個采樣點，作為一個睡眠時期，即一個30s的睡眠時期，對采集到的耳腦電信號進行睡眠專家評分，以便后續進行模型評估，并對耳腦電信號進行0.1-50Hz的帶通濾波；

(b)、源域數據的選取及預處理，選取美國國家睡眠研究資源提供的睡眠心臟健康研究數據SHHS中接近正常多導睡眠圖記錄的100個受試者的C4-A1通道數據作為源域數據；將源域數據中非快速眼動期的深度睡眠期標簽S3、S4合并為非快速眼動期N3，并排除體動和未知標簽；考慮到非快速眼動期N1數據少，通過合成少數類過采樣技術SMOTE將源域數據處理為類平衡數據，并對源域數據進行0.1-50Hz的帶通濾波；

步驟2、特征提取，構建卷積神經網絡CNN，提取睡眠數據庫單通道頭皮腦電信號及耳腦電信號的時不變特征，構建的卷積神經網絡由源域數據輸入，特征提取和分類輸出層組成，具體包括以下子步驟：

(a)、源域數據輸入，輸入源域預處理后的C4-A1通道數據，采樣頻率為125Hz，即一個30s的睡眠時期為3750個采樣點；將數據分成10份以便進行10折交叉驗證，對于第一次交叉驗證，采用源域數據中90個受試者的睡眠腦電數據做訓練，剩余10個受試者睡眠腦電數據用作測試；

(b)、特征提取，選用3個結構相同但網絡參數不同的一維CNN，即1D CNN并行提取睡眠腦電EEG的時不變特征，分別為時域、時頻域及頻域特征，網絡訓練層共包含8層，由4個一維卷積層、2個最大池化層maxpool、2個Dropout層組成；其中，三個初始卷積層中卷積核的大小分別為Fs/2、2Fs、4Fs，均選用64個卷積核，Fs表示使用的實驗數據的采樣頻率125Hz，步長分別為Fs/16、Fs/6、Fs/2；在卷積層后加入maxpool，池化核大小分別為8、6、4，步長分別為8、6、4；在maxpool后加入Dropout層，使某個神經元的激活值以概率p停止工作，概率p選取0.5；在后續卷積層中，卷積核大小和步長選擇小的固定值，3個卷積核的大小分別為8、7、6，步長均為1，均選用128個卷積核，用尺寸小的多層卷積核代替大卷積核的單層卷積核；卷積層后maxpool的池化核大小分別為4、3、2，步長分別為4、3、2；

共有n段30s的單通道腦電信號{x₁,…,x_n}，應用三個1D CNN提取第i個腦電信號x_i第j個特征a_j，通過公式(1)-(4)進行描述，

式中，θ_s、θ_m和θ_l分別表示CNN小、中和大卷積核的參數，和分別表示使用CNN小卷積核、中卷積核和大卷積核將一個30s的睡眠腦電信號x_i轉換成一個特征向量h_j^s、h_j^m和h_j^l，||表示將兩層卷積核輸出的特征向量連接起來；在網絡訓練過程中，采用交叉熵損失函數度量損失，損失函數通過公式(5)進行描述，

表示CNN參數的集合，l表示網絡的層數，J表示交叉熵損失函數，θ(x_i)表示第i個睡眠腦電信號x_i通過CNN訓練預測為某個睡眠階段的概率，y_i表示指示變量，如果x_i的預測分期與真實分期相同則為1，否則為0；

(c)、分類輸出層，CNN的最后一層通過全連接層輸出，激活函數為softmax，對于預測的睡眠階段i，通過將5個睡眠階段映射為[0,1]的輸出，Z_i為經過CNN的輸出，為經過CNN輸出預測為5個睡眠階段的指數和；

(d)、采用基于mini-batch的Adam優化算法更新網絡權重；

(e)、以上步驟2子步驟(a)、(b)、(c)和(d)為一次交叉驗證，此(a)、(b)、(c)和(d)子步驟重復進行10次，完成10折交叉驗證；

步驟3、模型適配，構建深度遷移學習模型，使得源域腦電信號的睡眠分期模型能應用于目標域的耳腦電信號上，進而完成耳腦電信號的自動睡眠分期，具體包括以下子步驟：

(a)、輸入數據：輸入源域預處理后的C4-A1通道數據和目標域單通道耳腦電信號數據；

(b)、加入適配層：在特征層即步驟2構建的卷積神經網絡實現源域數據的參數和目標域數據的參數共享；在網絡深層，即分類器前加入三層適配層，即三層全連接層；在源域數據和目標域數據的三層適配層之間加入多核最大均值差異MK-MMD的度量函數，來度量源域數據和目標域數據的距離，最大均值差異即通過多個高斯核函數K將源域數據和目標域數據映射到再生核希爾伯特空間，在再生核希爾伯特空間度量兩個分布p和q的距離，多個核定義的核函數K通過公式(6)進行描述，

β為不同高斯核貢獻的權重，貢獻大的高斯核權重大，貢獻小的高斯核權重小，k_u表示第u個高斯核，共m個高斯核，并將其加入網絡的損失中繼續訓練，MK-MMD通過公式(7)進行描述，

式中，d_k(p,q)表示再生核希爾伯特空間H_K的距離，其中，φ(x^s)、φ(x^t)分別為源域數據x^s和目標域數據x^t在再生核希爾伯特空間的映射，E_p表示數學期望；因此，整個深度遷移學習模型的優化目標由分類損失函數和度量函數構成，通過公式(8)進行描述，

式中，l₁、l₂表示網絡適配是從第l₁層到第l₂層；和分別表示源域數據和目標域數據樣本經過網絡第l層的輸出，參數λ決定了混淆域數據的強度；

(c)、采用基于mini-batch的Adam優化算法更新網絡權重；

步驟4、模型評估，根據源域腦電信號SHHS的標簽和目標域耳腦電信號睡眠專家的評分，分別采用每類指標和總體指標對構建的深度遷移學習模型得到的睡眠5期分期結果進行評估，分別包括準確率PR、召回率RE，以及總體準確率ACC和宏平均F1值，即MF1，具體通過公式(9)-(13)進行描述，

式中，TP表示正實例，即將正類預測為正類數，FP表示假正例，即將負類預測為正類數，FN表示假反例，即將正類預測為負類數，N表示所有睡眠階段的樣本總數，I表示睡眠階段總類數。