[發(fā)明專利]基于量子CNN-LSTM的睡眠分段方法

在審

• 申請?zhí)枺?/td>: 202210406440.1
• 申請日: 2022-04-18
• 公開（公告）號(hào): CN114967911A
• 公開（公告）日: 2022-08-30
• 發(fā)明（設(shè)計(jì)）人: 張方言
• 申請（專利權(quán)）人: 上海圖靈智算量子科技有限公司
• 主分類號(hào): G06F3/01
• 分類號(hào): G06F3/01;G06N3/04;G06N3/08;A61B5/00;A61B5/369
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于量子CNN-LSTM的睡眠分段方法，其特征在于：

獲取睡眠腦電波信息并編碼為對應(yīng)的量子態(tài)；

將所述量子態(tài)輸入量子CNN-LSTM中進(jìn)行演化，測量后即得睡眠分段的類別信息。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：

其中，所述量子CNN-LSTM包括量子CNN與量子LSTM，

所述量子CNN用于對所述睡眠腦電波信息進(jìn)行特征提取后得到睡眠腦電特征；

所述量子LSTM用于學(xué)習(xí)所述睡眠腦電特征中的時(shí)序特征，演化后輸出睡眠分段的類別信息。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于：

其中，所述量子CNN包括量子卷積模塊與量子池化模塊；

所述量子卷積模塊包括參數(shù)化泡利旋轉(zhuǎn)門；

所述量子池化模塊包括參數(shù)化泡利旋轉(zhuǎn)門與受控門。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于：

其中，所述量子CNN還包括約化密度矩陣操作，從而提取得到所述睡眠腦電特征。

5.根據(jù)權(quán)利要求2所述的方法，其特征在于：

其中，所述量子LSTM包括第一量子線路、第二量子線路、第三量子線路及第四量子線路，

所述第一量子線路用于遺忘細(xì)胞狀態(tài)的先前睡眠腦電特征；

所述第二量子線路用于輸入當(dāng)前的睡眠腦電特征；

所述第三量子線路用于更新細(xì)胞狀態(tài)當(dāng)前的所有睡眠腦電特征；

所述第四量子線路用于確定先前隱藏狀態(tài)下需要保留的睡眠腦電特征。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于：

其中，所述第一量子線路的表達(dá)式如下：

f_t*C_t-1＝σ'(VQC₁(x_t+h_t-1))*C_t-1

f_t為遺忘門，C_t-1為先前的細(xì)胞狀態(tài)，σ'為量子非線性激活函數(shù)，

VQC₁為第一變分量子線路，x_t為t時(shí)刻的睡眠腦電特征，h_t-1為t-1時(shí)刻的睡眠腦電特征生成的隱藏狀態(tài)。

7.根據(jù)權(quán)利要求5所述的方法，其特征在于：

其中，所述第二量子線路的表達(dá)式如下：

i_t*C_t'＝σ'(VQC₂(x_t+h_t-1))*C_t'

i_t為輸入門，C_t'為細(xì)胞候選門，σ'為量子非線性激活函數(shù)，VQC₂為第二變分量子線路。

8.根據(jù)權(quán)利要求5所述的方法，其特征在于：

其中，所述第三量子線路的表達(dá)式如下：

C_t＝f_t*C_t-1+i_t*C_t'

C_t為當(dāng)前細(xì)胞狀態(tài)。

9.根據(jù)權(quán)利要求5所述的方法，其特征在于：

其中，所述第四量子線路的表達(dá)式如下：

o_t＝σ'(VQC₃(x_t+h_t-1))

h_t＝o_t*tanh'(C_t)

o_t為輸出門，h_t為先前隱藏狀態(tài)下需要保留的睡眠腦電特征。

10.根據(jù)權(quán)利要求6-9任一項(xiàng)所述的方法，其特征在于：

其中，所述σ'及所述tanh'對應(yīng)的非線性輸出線路的初始態(tài)通過測量變分量子線路輸出的概率幅得到。