基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统技术方案

本发明专利技术提出一种基于自监督式记忆网络的睡眠呼吸障碍检测方法和系统，利用自监督学习模块丰富正常数据并从正常数据中学习一种通用模式，还引入了一种自适应记忆融合网络，包括全局记忆模块、局部记忆模块和自适应融合模块，分别通过全局和局部记忆模块学习正常数据的共有特征和特有特征，最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中，将其用于重构输入数据。本发明专利技术实现了无监督的端到端模型训练方法，即无需异常数据就能够完成训练。能够完成训练。能够完成训练。

【技术实现步骤摘要】
基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统


[0001]本专利技术涉及普适计算、异常检测技术和睡眠障碍诊断
，特别涉及一种睡眠呼吸障碍检测方法和系统。

技术介绍

[0002]在睡眠过程中，呼吸可能中断，随着年龄的增长和体重的增加，患睡眠呼吸暂停的几率也会增高，男性和停经后女性的发病率更高，据估算，在所有成年人中，超过5％的人患有睡眠呼吸暂停，有些人甚至不知道自己患有这种疾病，因为睡眠呼吸暂停会影响睡眠，损害大脑的恢复能力，引发与睡眠不足及脑氧合相关的症状，如心血管疾病、糖尿病、抑郁症等，因此研究睡眠呼吸障碍的检测方法具有重大意义。现有多导睡眠记录仪检测电极众多，检测程序繁琐,随之而来的是多种传感器信号存在大量的噪声，当噪声严重时，会大大降低模型的泛化能力，使得检测精度变差。此外，还将面临的问题是，在实际应用场景中，正常人群的数据是大量且容易采集的，而由于数据采集的成本和规范等多方面原因,标记过的患者病例很少，即睡眠呼吸障碍患者的数据相较于正常人群在数据量上是稀少的，采集过程中也很难标注，因此，训练过程中会因数据不均衡或标注不准确影响模型在该病例上的训练学习。

技术实现思路

[0003]针对上述问题，本专利技术使用了一种更加通用化、精度高的方法来进行睡眠呼吸障碍检测，本专利技术目的是使用多模态生理信号来进行睡眠呼吸障碍检测，如今深度学习在医疗辅助诊断上发挥着越来越重要的作用，因此本专利技术设计了一种基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统，该方法使用到了深度异常检测技术，即训练过程中无需异常样本(睡眠呼吸障碍)，该类方法能够有效解决数据标签不足的问题，且精度与有监督学习方法相近甚至能够超越。此外，为了克服因数据存在噪声而导致的模型泛化能力差的问题，本专利技术的方法还提出了自监督学习和记忆网络来丰富数据的特征表达，并从正常数据中学习一种通用模式，避免噪声数据的干扰。
[0004]具体来说，本专利技术提出了一种基于自监督式记忆网络的睡眠呼吸障碍检测方法，包括：
[0005]步骤1、获取睡眠呼吸正常的多导睡眠图所产生的多模态时序信号作为原始时间序列，依据预设的变换策略将该原始时间序列处理为多个变换时间序列，通过编码器依次将该原始时间序列和每个变换时间序列进行编码，得到多个潜在特征；
[0006]步骤2、构建包含多分类器的自监督学习模块，使用该自监督学习模块对该潜在特征的变换策略进行识别，得到该潜在特征对应各变换策略的概率分布，基于该概率分布，得到该自监督学习模块的交叉熵损失函数L
CE
；
[0007]步骤3、构建记忆网络的全局记忆模块和局部记忆模块，使用该全局记忆模块提取所有潜在特征的共有特征，使用该局部记忆模块依次提取各潜在特征的特有特征，并基于
全局记忆模块和局部记忆模块的寻址向量，分别得到全局记忆模块和局部记忆模块的稀疏损失函数L
spar
；
[0008]步骤4、通过自适应融合模块将该共有特征和该特有特征进行融合，得到新特征，将该新特征输入至与该编码器相对应的解码器中，得到新时间序列，基于该新时间序列和该原始时间序列间的重构误差，构建重构损失函数L
MSE
；
[0009]步骤5、通过整合该交叉熵损失函数L
CE
、稀疏损失函数L
spar
和重构损失函数L
MSE
，得到目标函数J，端到端的迭代优化该目标函数J，直到该目标函数J收敛或达到预设迭代次数，保存当前编码器、全局记忆模块、局部记忆模块、自适应融合模块和解码器作为睡眠呼吸障碍检测模型；
[0010]步骤6、将待睡眠呼吸障碍检测的多模态时序信号，输入至该睡眠呼吸障碍检测模型，得到新时间序列作为新时序信号，判断该新时序信号和该多模态时序信号间的重构误差是否大于阈值，若是则输出睡眠呼吸障碍作为检测结果，否则输出睡眠呼吸正常作为检测结果。
[0011]所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法，其中步骤1中该变换策略包括：高斯噪声变换、时间维度反转转换、沿时间维度随机扰动变换、缩放变换、取反变换和/或平滑变换。
[0012]所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法，其中该交叉熵损失函数L
CE
：
[0013][0014]其中R表示该潜在特征的总个数，y
i
和p
i
是第i类的伪标签和预测概率，且多分类器的结构为两层全连接层，全连接层中每个神经元都与下一层中的所有神经元相连；
[0015]该稀疏损失函数L
spar
：
[0016][0017][0018]L
spar
＝L
spar1
+L
spar2
[0019]式中C1和C2分别为全局记忆模块与局部记忆模块用于记忆存储的矩阵的行数，w
i
为全局记忆模块中的第i行寻址向量，w
j
为局部记忆模块中的第j行寻址向量；
[0020]重构损失函数L
MSE
：
[0021][0022]式中concat(
·
)代表将和z
i
串联，z为编码器输出的该新时间序列，为自适应
融合模块生成的该原始时间序列，Decoder表示该解码器执行的重构过程；
[0023]该目标函数J：J(θ)＝L
MSE
+λ1L
CE
+λ2L
spar
，λ1和λ2均为权重。
[0024]所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法，其中步骤6中该阈值为训练集中的所有睡眠呼吸正常数据的重构误差值的99分位数。
[0025]本专利技术还提出了一种基于自监督式记忆网络的睡眠呼吸障碍检测系统，其中包括：
[0026]模块1，用于获取睡眠呼吸正常的多导睡眠图所产生的多模态时序信号作为原始时间序列，依据预设的变换策略将该原始时间序列处理为多个变换时间序列，通过编码器依次将该原始时间序列和每个变换时间序列进行编码，得到多个潜在特征；
[0027]模块2，用于构建包含多分类器的自监督学习模块，使用该自监督学习模块对该潜在特征的变换策略进行识别，得到该潜在特征对应各变换策略的概率分布，基于该概率分布，得到该自监督学习模块的交叉熵损失函数L
CE
；
[0028]模块3，用于构建记忆网络的全局记忆模块和局部记忆模块，使用该全局记忆模块提取所有潜在特征的共有特征，使用该局部记忆模块依次提取各潜在特征的特有特征，并基于全局记忆模块和局部记忆模块的寻址向量，分别得到全局记忆模块和局部记忆模块的稀疏损失函数L
spar
；
[0029]模块4，用于通过自适应融合模块将该共有特征和该特有特征进行融合，得到新特征，将该新特征输入至与该编码器相对应的解码器中，得到新时间序列，基于该新时间序列和该原始时间序列间的重构误差，构建重构损失函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督式记忆网络的睡眠呼吸障碍检测方法，其特征在于，包括：步骤1、获取睡眠呼吸正常的多导睡眠图所产生的多模态时序信号作为原始时间序列，依据预设的变换策略将该原始时间序列处理为多个变换时间序列，通过编码器依次将该原始时间序列和每个变换时间序列进行编码，得到多个潜在特征；步骤2、构建包含多分类器的自监督学习模块，使用该自监督学习模块对该潜在特征的变换策略进行识别，得到该潜在特征对应各变换策略的概率分布，基于该概率分布，得到该自监督学习模块的交叉熵损失函数L
CE
；步骤3、构建记忆网络的全局记忆模块和局部记忆模块，使用该全局记忆模块提取所有潜在特征的共有特征，使用该局部记忆模块依次提取各潜在特征的特有特征，并基于全局记忆模块和局部记忆模块的寻址向量，分别得到全局记忆模块和局部记忆模块的稀疏损失函数L
spar
；步骤4、通过自适应融合模块将该共有特征和该特有特征进行融合，得到新特征，将该新特征输入至与该编码器相对应的解码器中，得到新时间序列，基于该新时间序列和该原始时间序列间的重构误差，构建重构损失函数L
MSE
；步骤5、通过整合该交叉熵损失函数L
CE
、稀疏损失函数L
spar
和重构损失函数L
MSE
，得到目标函数J，端到端的迭代优化该目标函数J，直到该目标函数J收敛或达到预设迭代次数，保存当前编码器、全局记忆模块、局部记忆模块、自适应融合模块和解码器作为睡眠呼吸障碍检测模型；步骤6、将待睡眠呼吸障碍检测的多模态时序信号，输入至该睡眠呼吸障碍检测模型，得到新时间序列作为新时序信号，判断该新时序信号和该多模态时序信号问的重构误差是否大于阈值，若是则输出睡眠呼吸障碍作为检测结果，否则输出睡眠呼吸正常作为检测结果。2.如权利要求1所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法，其特征在于，步骤1中该变换策略包括：高斯噪声变换、时间维度反转转换、沿时间维度随机扰动变换、缩放变换、取反变换和/或平滑变换。3.如权利要求1所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法，其特征在于，该交叉熵损失函数L
CE
：其中R表示该潜在特征的总个数，y
i
和p
i
是第i类的伪标签和预测概率，且多分类器的结构为两层全连接层，全连接层中每个神经元都与下一层中的所有神经元相连；该稀疏损失函数L
spar
：
L
spar
＝L
spar1
+L
spar2
式中C1和C2分别为全局记忆模块与局部记忆模块用于记忆存储的矩阵的行数，w
i
为全局记忆模块中的第i行寻址向量，w
j
为局部记忆模块中的第j行寻址向量；重构损失函数L
MSE
：式中concat(
·
)代表将和z
i
串联，z为编码器输出的该新时间序列，为自适应融合模块生成的该原始时间序列，Decoder表示该解码器执行的重构过程；该目标函数J：J(θ)＝L
MSE
+λ1L
CE
+λ2L
spar
，λ1和λ2均为权重。4.如权利要求1所述的基于自监督式记忆网络的睡眠呼吸障碍检测方法，其特征在于，步骤6中该阈值为训练集中的所有睡眠呼吸正常数据的重构误差值的99分位数。5.一种基于自监督式记忆网络的睡眠呼吸障碍检测系统，其特征在于，包括：模块1，用于获取睡眠呼吸正常的多导睡眠图所产生的多模态时序信号作为原始时间...

【专利技术属性】
技术研发人员：陈益强，张宇欣，谷洋，高晨龙，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：