[發(fā)明專利]基于改進(jìn)的深度學(xué)習(xí)算法模型的睡眠信號自動分期方法

在審

• 申請?zhí)枺?/td>: 202210145154.4
• 申請日: 2022-02-17
• 公開（公告）號: CN114366038A
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計）人: 趙德春;蔣人品;楊佳欣;禤思寧
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 北京同恒源知識產(chǎn)權(quán)代理有限公司 11275
• 代理人: 廖曦

本發(fā)明涉及一種基于改進(jìn)的深度學(xué)習(xí)算法模型的睡眠信號自動分期方法，屬于信號處理和模式識別領(lǐng)域。該方法包括：S1：獲取原始睡眠數(shù)據(jù)；S2：數(shù)據(jù)預(yù)處理；S3：構(gòu)建改進(jìn)的深度學(xué)習(xí)算法模型，包括實例特征學(xué)習(xí)模塊、序列特征學(xué)習(xí)模塊和注意力機(jī)制加工模塊；并利用改進(jìn)的深度學(xué)習(xí)算法模型提取睡眠分期所需的特征信息；S4：利用分類器對提取的特征信息進(jìn)行分類。本發(fā)明解決了睡眠自動分期過程的信號預(yù)處理降噪，避免了繁雜的特征工程，同時能夠獲取睡眠數(shù)據(jù)中的時間序列特征。

技術(shù)領(lǐng)域

本發(fā)明屬于信號處理和模式識別領(lǐng)域，涉及睡眠自動分期以及深度學(xué)習(xí)算法，具體涉及一種基于1DCNN+BiLSTM+Self-Attention的睡眠信號自動分期方法。

背景技術(shù)

睡眠分期是研究睡眠和評價睡眠質(zhì)量的關(guān)鍵步驟。睡眠階段將睡眠過程劃分為不同的狀態(tài)。根據(jù)AASM指南，睡眠過程分為三個階段：覺醒期、非快速眼動睡眠期和快速眼動睡眠期。其中，非快速眼動睡眠期又細(xì)分為三個時期：N1、N2、N3。N1和N2代表淺睡眠期，N3代表深睡期。目前，多導(dǎo)睡眠圖(PSG)是睡眠分期的一般依據(jù)。PSG通常包括多種生理指標(biāo)，如腦電圖(EEG)、眼電圖(EOG)、肌電圖(EMG)等。PSG信號通常分為一系列段，每段長30秒。然后，專家們分析這個片段的特征，以確定它屬于哪個睡眠階段。同時，睡眠階段分類最常用的PSG信號是來自一個或多個通道的EEG數(shù)據(jù)。在自動睡眠分期過程中，專家通常采用多種生理信號的組合，其中最常用的是EEG信號中的Fpz-Cz通道和水平EOG信號。

人工睡眠分期方法效率低，易受睡眠分期中主觀因素的影響。因此，自動睡眠分期已成為該領(lǐng)域的研究熱點。傳統(tǒng)的睡眠自動分級的主要步驟包括預(yù)處理、特征提取、特征選擇和分類。在特征提取階段，研究人員首先獲取時域、頻域、時頻域和非線性特征，然后選擇高質(zhì)量特征進(jìn)行睡眠分期。簡言之，這些方法大多基于通過特征提取和特征選擇過程訓(xùn)練的分類器。由于當(dāng)前的自動睡眠分段算法高度依賴于特征提取，并且無法在長時間序列數(shù)據(jù)中提取時間序列特征，同時深度學(xué)習(xí)模型在生物醫(yī)學(xué)領(lǐng)域得到了廣泛應(yīng)用，并且使用深度學(xué)習(xí)評估生物醫(yī)學(xué)信號的情況顯著增加。目前，使用深度學(xué)習(xí)進(jìn)行自動睡眠分期時也存在諸多問題。首先，深度學(xué)習(xí)模型對數(shù)據(jù)的敏感的度十分苛刻。睡眠數(shù)據(jù)易受個體差異、環(huán)境因素、技術(shù)水平等條件的影響，難以獲得較高的信噪比信號。睡眠生理信號的特點就是高度隨機(jī)性、高度的非平衡性和高度的非線性，易受干擾，所以其進(jìn)行降噪處理是預(yù)處理過程的關(guān)鍵。其次使用深度學(xué)習(xí)進(jìn)行自動睡眠分期時雖然避免了繁雜的特征工程，但是目前的方法中，并沒有獲取睡眠數(shù)據(jù)的時間相關(guān)性特征。睡眠專家在進(jìn)行手動睡眠分期的時候，評判一個睡眠30秒的段屬于那個睡眠周期時，往往需要參考周圍睡眠數(shù)據(jù)段的波形數(shù)據(jù)。

因此亟需一種新的方法來解決睡眠自動分期過程的信號預(yù)處理降噪，避免了繁雜的特征工程，同時能夠獲取睡眠數(shù)據(jù)中的時間序列特征。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于改進(jìn)的深度學(xué)習(xí)算法模型的睡眠信號自動分期方法，解決睡眠自動分期過程的信號預(yù)處理降噪，避免了繁雜的特征工程，同時能夠獲取睡眠數(shù)據(jù)中的時間序列特征。

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于改進(jìn)的深度學(xué)習(xí)算法模型的睡眠信號自動分期方法，具體包括以下步驟：

S1：獲取原始睡眠數(shù)據(jù)；

S2：數(shù)據(jù)預(yù)處理；

S3：構(gòu)建改進(jìn)的深度學(xué)習(xí)算法模型，包括實例特征學(xué)習(xí)模塊、序列特征學(xué)習(xí)模塊和注意力機(jī)制加工模塊；并利用改進(jìn)的深度學(xué)習(xí)算法模型提取睡眠分期所需的特征信息；

S4：利用分類器對提取的特征信息進(jìn)行分類。

進(jìn)一步，步驟S1中，獲取的原始睡眠數(shù)據(jù)是EEG中的Fpz-Cz和水平EOG，采樣頻率為100赫茲，并且被人工標(biāo)注30秒為一個睡眠階段；同時，去掉睡眠中未打分的睡眠“幀”，保留一段睡眠前后30分鐘的清醒“幀”。