一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统技术方案

本发明专利技术公开了一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统，其中的方法选取出现纺锤波的脑电通道数据作为数据基础，将纺锤波识别转化为二分类问题。通过降采样将数据片段统一长度作为原始数据集。通过设计一个轻量卷积神经网络模型，直接提取时间序列信号的深层特征，根据脑电信号非平稳随机性的特点，计算时间序列的小波熵、样本熵和排序熵，将其组成信息熵向量辅助模型训练，得到最终的分类结果。本发明专利技术模型网络层数少，计算复杂度低，融入衡量复杂系统秩序的信息熵辅助判断，在无需先验知识情况下，实现对睡眠脑电纺锤波的识别。别。别。

【技术实现步骤摘要】
一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统


[0001]本专利技术涉及机器学习
，具体涉及一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统。

技术介绍

[0002]睡眠纺锤波是一种诊断神经性疾病、衡量睡眠质量的生物标志物，具有很重要的临床价值。当前对于纺锤波的诊断识别主要依靠专家通过脑电图的视觉检查来完成，成本高效率低且一致性差。所以亟需一种即灵敏又精确的自动检测器来解决这个问题。
[0003]众多的纺锤波识别框架和方法主要分为两类，一类是基于信号处理的方法，利用带通滤波和振幅阈值进行检测；另一类是基于分类器的方法，通过傅里叶变换、小波变换等各类特征提取方法提取特征后使用分类器进行分类。本专利技术主要关注的是机器学习的方法，旨在实现一种稳定性强且分类效率高，能够满足潜在大数据应用需求的睡眠纺锤波检测方法。在过去几十年的研究中，相关学者提出大量基于机器学习的睡眠脑电纺锤波识别方法，也取得了一些成就。
[0004]然而当前的方法主要通过先验知识，提取脑电信号在频率、幅度、波形等特征，再进行特征选择后再使用分类器进行分类。然而睡眠纺锤波的特征如振幅、持续时间等对个体来说是稳定的，但是个体之间具有差异性。因此这种方法容易受到异常个体的影响，稳定性差且计算复杂度高。
[0005]由此可知，现有技术中的方法存在稳定性差且计算复杂度高的技术问题。

技术实现思路

[0006]本专利技术提出一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统，用于解决或者至少部分解决现有技术的方法存在的稳定性差且计算复杂度高的技术问题。
[0007]为了解决上述技术问题，本专利技术第一方面提供了一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法，包括：
[0008]S1：将原始脑电数据截取出相同数量的纺锤波片段和非纺锤波片段；
[0009]S2：分别求出每个片段的信息熵，其中，信息熵为由小波熵、样本熵和排序熵组成的向量；
[0010]S3：将纺锤波片段和非纺锤波片段进行标准化处理；
[0011]S4：将标准化处理后的数据片段输入至预先构建的轻量卷积神经网络中，其中，轻量卷积神经网络包括三个卷积层、三个池化层、一个平铺层、两个全连接层以及输出层，通过轻量卷积神经网络的多个层计算后得到深度特征；
[0012]S5：将计算得到的深度特征与信息熵向量拼接后得到新的向量输入到输出层进行计算，得到最终的识别结果。
[0013]在一种实施方式中，步骤S1包括：
[0014]S1.1：在原始脑电数据中截取出专家标注为纺锤波片段，并对长度超过0.5s*Fs的纺锤波片段进行下采样，将片段长度统一到0.5s*Fs作为纺锤波的数据集，其中Fs表示采样频率，将剩余片段也以0.5s*Fs的长度为单位进行截取，并随机选出与纺锤波数量相同的片段，作为非纺锤波片段，每个片段表示为段，作为非纺锤波片段，每个片段表示为其中，x
a
表示第a个片段中的时间序列，n表示该为时间序列信号片段的点的个数；
[0015]S1.2：对于非纺锤波和纺锤波片段分别用0和1进行标记；若为纺锤波片段，则标记为1，否则标记0。
[0016]在一种实施方式中，S2包括：
[0017]S2.1：计算时间序列的小波熵，其具体步骤如下：
[0018]S2.1.1：将原始时间序列x(i)，i＝1，2，
…
，N通过小波包分解，将信号分解为J层，在尺度j下，多分辨率的离散小波系数为D
j
(k),其中k表示位置系数，则某一时窗长度为L，某个尺度下的信号能量E
j
及所有尺度下的总频率能量E
total
分别为：
[0019][0020][0021]S2.1.2：计算时间窗口内每个尺度信号的相对能量值为：
[0022][0023]S2.1.3：相对小波能量覆盖信号整个频段，即∑p
j
＝1，计算小波熵为：
[0024]S
WE
＝-∑
j
p
j
ln(p
j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2.4)
[0025]S2.2：计算时间序列的样本熵，其计算步骤具体如下：
[0026]S2.2.1：时间序列为x(i)，i＝1，2，...，N，将其嵌入高维特征空间中，组成m维向量，即将时间序列分成N-m+1个序列：
[0027]X
m
(i)＝{x(i)，x(i+1)，...x(i+m-1)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2.5)
[0028]其中i＝1，2，...，N-m+1；
[0029]S2.2.2：两个向量之间的距离为d
ij
为两者对应元素中最大差值的绝对值，即：
[0030]d
ij
＝d[X
m
(i)，X
m
(j)]＝max(|x(i+k)-x(j+k)|)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2.6)
[0031]其中k＝0，1，...m，表示向量中第k个元素；
[0032]S2.2.3：计算任意向量X
m
(i)与X
m
(j)之间距离小于r的个数，定义为其中，r＝0.20*SD，SD表示标准差，然后对所有的i值进行叠加平均，得到模板匹配总数B
m
(r)，即：
[0033][0034]S2.2.4：将维度增加至m+1，经过S2.2.3同样的运算得到模板匹配总数为B
m+1
(r)，最后得到该时间序列的样本熵为：
[0035][0036]S2.3：对时间序列计算排序熵，其计算的具体步骤如下：
[0037]S2.3.1：时间序列为x(i)，i＝1，2，...，N，采用相空间重构延迟坐标法对x(i)中任一元素进行相空间重构，组成m维向量：
[0038]X
i
＝{x(i)，x(i+τ)，...x(i+(m-1)τ)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2.9)
[0039]其中i＝1，2，...，N-(m-1)*τ；τ表示延迟时间；
[0040]S2.3.2：对于重构时间序列X
i
，在m维空间中，任意向量都能被映射到m维矢量上，按照递增顺序排列，得到m！种排列方式，将其中一种排列方式定义为π
j
(1≤j≤m！)，π
j
出现的概率表示为p(π
j
)，即：
[0041][0042]S2.3.3：最后得到排序熵为
[0043][0044]在一种实施方式中，S3具体包括：
[0045]计算时间序列的数据期望和标准差s(X
i
)，再进行标准化处理使其符合均值为0，方差为1的高斯分布，标准化之后的数据作为卷积神经网络的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法，其特征在于，包括：S1：将原始脑电数据截取出相同数量的纺锤波片段和非纺锤波片段；S2：分别求出每个片段的信息熵，其中，信息熵为由小波熵、样本熵和排序熵组成的向量；S3：将纺锤波片段和非纺锤波片段进行标准化处理；S4：将标准化处理后的数据片段输入至预先构建的轻量卷积神经网络中，其中，轻量卷积神经网络包括三个卷积层、三个池化层、一个平铺层、两个全连接层以及输出层，通过轻量卷积神经网络的多个层计算后得到深度特征；S5：将计算得到的深度特征与信息熵向量拼接后得到新的向量输入到输出层进行计算，得到最终的识别结果。2.如权利要求1所述的睡眠脑电纺锤波识别方法，其特征在于，步骤S1包括：S1.1：在原始脑电数据中截取出专家标注为纺锤波片段，并对长度超过0.5s*Fs的纺锤波片段进行下采样，将片段长度统一到0.5s*Fs作为纺锤波的数据集，其中Fs表示采样频率，将剩余片段也以0.5s*Fs的长度为单位进行截取，并随机选出与纺锤波数量相同的片段，作为非纺锤波片段，每个片段表示为段，作为非纺锤波片段，每个片段表示为其中，x
a
表示第a个片段中的时间序列，n表示该为时间序列信号片段的点的个数；S1.2：对于非纺锤波和纺锤波片段分别用0和1进行标记；若为纺锤波片段，则标记为1，否则标记0。3.如权利要求1所述的睡眠脑电纺锤波识别方法，其特征在于，S2包括：S2.1：计算时间序列的小波熵，其具体步骤如下：S2.1.1：将原始时间序列x(i)，i＝1，2，...，N通过小波包分解，将信号分解为J层，在尺度j下，多分辨率的离散小波系数为D
j
(k)，其中k表示位置系数，则某一时窗长度为L，某个尺度下的信号能量E
j
及所有尺度下的总频率能量E
total
分别为：分别为：S2.1.2：计算时间窗口内每个尺度信号的相对能量值为：S2.1.3：相对小波能量覆盖信号整个频段，即∑p
j
＝1，计算小波熵为：S
WE
＝-∑
j
p
j
ln(p
j
)
ꢀꢀꢀꢀꢀ
(2.4)S2.2：计算时间序列的样本熵，其计算步骤具体如下：S2.2.1：时间序列为x(i)，i＝1，2，...，N，将其嵌入高维特征空间中，组成m维向量，即将时间序列分成N-m+1个序列：X
m
(i)＝{x(i)，x(i+1)，...x(i+m-1)}
ꢀꢀꢀ
(2.5)其中i＝1，2，...，N-m+1；S2.2.2：两个向量之间的距离为d
ij
为两者对应元素中最大差值的绝对值，即：d
ij
＝d[X
m
(i)，X
m
(j)]＝max(|x(i+k)-x(j+k)|)
ꢀꢀꢀ
(2.6)
其中k＝0，1，...m，表示向量中第k个元素；S2.2.3：计算任意向量X
m
(i)与X
m
(j)之间距离小于r的个数，定义为其中，r＝0.20*SD，SD表示标准差，然后对所有的i值进行叠加平均，得到模板匹配总数B
m
(r)，即：S2.2.4：将维度增加至m+1，经过S2.2.3同样的运算得到模板匹配总数为B
m+1
(r)，最后得到该时间序列的样本熵为：S2.3：对时间序列计算排序熵，其计算的具体步骤如下：S2.3.1：时间序列为x(i)，i＝1，2，...，N，采用相空间重构延迟坐标法对x(i)中任一元素进行相空间重构，组成m维向量：X
i
＝{x(i)，x(i+τ)，...x(i+(m-1)τ)}
ꢀꢀꢀꢀ
(2.9)其中i＝1，2，...，N-(m-1)*τ；τ表示延迟时间；S2.3.2：对于重构时间序列X
i
，在m维空间中，任意向量都能被映...

【专利技术属性】
技术研发人员：陈丹，陈培璐，张垒，陈靓影，李小俚，熊明福，
申请(专利权)人：武汉大学，
类型：发明
国别省市：