一种睡眠自动分期方法、系统、介质及电子设备技术方案

本公开提供了一种睡眠自动分期方法、系统、介质及电子设备，涉及睡眠分期技术领域，需要解决的技术问题是现有技术中无法实现高精度的睡眠分期；具体方案为：获取EEG数据，进行数据预处理后转换为频域信号；利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果；本公开通过GoogLeNet神经网络和SRC算法相结合，以GoogLeNet神经网络的输出为SRC算法的输入，极大的提高了睡眠自动分期的精度。

A method, system, medium and electronic equipment for automatic sleep staging

【技术实现步骤摘要】
一种睡眠自动分期方法、系统、介质及电子设备
本公开涉及睡眠分期
，特别涉及一种睡眠自动分期方法、系统、介质及电子设备。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。睡眠是对人的身体和心理健康十分重要，随着睡眠障碍病患的高发，睡眠问题越来越受人们的关注。睡眠分期是研究睡眠及相关疾病的基础，也是完成睡眠质量评估的前提，有着重要的临床意义。睡眠研究一直是个热门的话题，目前临床上睡眠分期普遍采用的方法有人工判别法，但是存在效率太低的缺点；心理量表法，但是存在主观性太强的缺点，生理参数检测法是一种较为客观有效的方法。近年来，已有许多学者致力于睡眠EEG(脑电信号)自动分期研究，但国外进展较好，国内进展相对滞后，利用睡眠EEG评估睡眠质量的准确性需待进一步提高。睡眠质量评估是诊断和治疗睡眠相关疾病的依据，而睡眠分期是研究睡眠及相关疾病的基础，是完成睡眠质量评估的前提。目前，睡眠分期主要通过人工手动判别和计算机辅助自动分期两种方法实现。人工手动判别需通过睡眠专家的视觉分析来完成，不仅效率低，还容易造成误判。计算机辅助分期是利用现代信号处理技术对睡眠进行自动分期，既高效又客观，是现代睡眠分期研究的主要方法，也是未来的一个挑战。临床上一般采用多导睡眠监测仪(Polysomnography，PSG)来对睡眠进行监测。因为多导睡眠监测仪必需在专门的睡眠室中完成，所以测试者的自然睡眠很大程度上会受到影响。不仅如此，检测仪需由专业人员来操作，不仅技术要求较高，且费用昂贵。所以，研究一种简便又经济的睡眠分期技术对于睡眠疾病的诊断和治疗具有重要临床价值。随着睡眠监护仪向便携化、家用化方向发展，只采用单通道脑电信号分析睡眠将成为未来一个发展方向。睡眠脑电分析不仅属于生物医学工程的研究范畴，还是涉及康复医学、神经科学、计算机科学等多个学科的一个前沿研究领域。睡眠研究将具有十分重要的临床意义和应用价值。本公开专利技术人发现，目前睡眠分期主要通过人工手动判别和计算机辅助自动分期两种方法实现。人工手动判别需通过睡眠专家的视觉分析来完成，效率低，且易造成误判；计算机辅助分期是利用现代信号处理技术对睡眠进行自动分期，高效、客观，是现代睡眠分期研究的主要方法，也是未来的一个挑战，但是目前的计算机辅助分期结果较差，无法实现高精度的睡眠分期。
技术实现思路
为了解决现有技术的不足，本公开提供了一种睡眠自动分期方法、系统、介质及电子设备，通过GoogLeNet神经网络和SRC算法相结合，提高了睡眠自动分期的精度。为了实现上述目的，本公开采用如下技术方案：本公开第一方面提供了一种睡眠自动分期方法。一种睡眠自动分期方法，包括以下步骤：获取EEG数据，进行数据预处理后转换为频域信号；利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果。本公开第二方面提供了一种睡眠自动分期系统。一种睡眠自动分期系统，包括：数据预处理模块，被配置为：获取EEG数据，进行数据预处理后转换为频域信号；训练样本数据获取模块，被配置为：利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；分类模块，被配置为：以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果。本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的睡眠自动分期方法中的步骤。本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的睡眠自动分期方法中的步骤。与现有技术相比，本公开的有益效果是：本公开提供的分期方法、系统、介质及电子设备，通过GoogLeNet神经网络和SRC算法相结合，以GoogLeNet神经网络的输出为SRC算法的输入，极大的提高了睡眠自动分期的精度。附图说明图1为本公开实施例1提供的睡眠自动分期方法的流程示意图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。实施例1：睡眠脑电自动分期系统属于模式识别系统，其一般过程是“信号获取-预处理-特征提取和选择-模式识别分类-结果输出”，其中特征提取和选择、模式识别分类是两个关键步骤。要进行睡眠分期首先要进行的是信号的特征提取。信号一般用时间作为自变量来表示,通过傅立叶变换可将其分解为不同的频率分量。在平稳信号分析中，时间和频率是两个非常重要的变量，傅立叶变换及其反变换建立了信号频域与时域的映射关系。基于傅立叶变换的信号频域表示及其能量的频域分布揭示了信号在频域的特征，但傅立叶变换是一种整体变换，对信号的表征要么完全是时间域，要么完全是频率域，不能分析信号中频率随时间的变化关系。为了解决频率随时间变化的关系，需要使用信号的时频分析方法。时频分析方法是将一维时域信号映射到二维的时频平面的方法，可以全面反映非平稳信号的时频联合特征。时频分析中通常会用到小波变换，小波由一组小波基函数构成，它可以描述信号时间(空间)和频率(尺度)域的局部特性。采用小波分析最大优点是可对信号进行实施局部分析，可在任意的时间或空间域中分析信号。小波分析可以发现其他信号分析方法所不能识别的、隐藏于数据之中的表现结构特性的信息。特征提取后就要进行训练网络的选择。要寻找一种既能保持网络结构的稀疏性，又能利用密集矩阵的高计算性能的方法至关重要。大量的文献表明可以将稀疏矩阵聚类为较为密集的子矩阵来提高计算性能，就如人类的大脑是可以看做是神经元的重复堆积，因此，GoogLeNet团队提出了Inception网络结构，就是构造一种“基础神经元”结构，可以来搭建一个稀疏性、高计算性能的网络结构。GoogLeNet是一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度(层数)来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。一般来说，提升网络性能最本文档来自技高网...

【技术保护点】
1.一种睡眠自动分期方法，其特征在于，包括以下步骤：/n获取EEG数据，进行数据预处理后转换为频域信号；/n利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；/n以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果。/n

【技术特征摘要】
1.一种睡眠自动分期方法，其特征在于，包括以下步骤：
获取EEG数据，进行数据预处理后转换为频域信号；
利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；
以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果。


2.如权利要求1所述的睡眠自动分期方法，其特征在于，进行数据预处理，具体为：创建EEG信号的时频表示的尺度图，尺度图为EEG信号的CWT系数的绝对值；
利用函数cwtfilterbank为具有N个样本的信号创建CWT滤波器组，利用滤波器组获取信号的前N个样本的CWT，并基于系数获得尺度图；
利用函数helperCreateRGBfromTF将尺度图创建为RGB图像。


3.如权利要求2所述的睡眠自动分期方法，其特征在于，将RGB图像加载为图像数据存储，利用imageDatastore函数自动根据文件夹名称对图像加标签，并将数据存储为ImageDatastore对象。


4.如权利要求1所述的睡眠自动分期方法，其特征在于，采用梯度下降算法对GoogLeNet神经网络进行训练，并通过InitialLearnRate函数指定损失函数负梯度方向的初始步长大小。


5.如权利要求4所述的睡眠自动分期方法，其特征在于，采用MiniBatchSize函数指定在每次迭代中使用的训练集子集的大小。


6.如...

【专利技术属性】
技术研发人员：袁琦，秦鹏，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37