基于改进的深度学习算法模型的睡眠信号自动分期方法技术

本发明专利技术涉及一种基于改进的深度学习算法模型的睡眠信号自动分期方法，属于信号处理和模式识别领域。该方法包括：S1：获取原始睡眠数据；S2：数据预处理；S3：构建改进的深度学习算法模型，包括实例特征学习模块、序列特征学习模块和注意力机制加工模块；并利用改进的深度学习算法模型提取睡眠分期所需的特征信息；S4：利用分类器对提取的特征信息进行分类。本发明专利技术解决了睡眠自动分期过程的信号预处理降噪，避免了繁杂的特征工程，同时能够获取睡眠数据中的时间序列特征。数据中的时间序列特征。数据中的时间序列特征。

【技术实现步骤摘要】
基于改进的深度学习算法模型的睡眠信号自动分期方法


[0001]本专利技术属于信号处理和模式识别领域，涉及睡眠自动分期以及深度学习算法，具体涉及一种基于1DCNN+BiLSTM+Self
‑
Attention的睡眠信号自动分期方法。

技术介绍

[0002]睡眠分期是研究睡眠和评价睡眠质量的关键步骤。睡眠阶段将睡眠过程划分为不同的状态。根据AASM指南，睡眠过程分为三个阶段：觉醒期、非快速眼动睡眠期和快速眼动睡眠期。其中，非快速眼动睡眠期又细分为三个时期：N1、N2、N3。N1和N2代表浅睡眠期，N3代表深睡期。目前，多导睡眠图(PSG)是睡眠分期的一般依据。PSG通常包括多种生理指标，如脑电图(EEG)、眼电图(EOG)、肌电图(EMG)等。PSG信号通常分为一系列段，每段长30秒。然后，专家们分析这个片段的特征，以确定它属于哪个睡眠阶段。同时，睡眠阶段分类最常用的PSG信号是来自一个或多个通道的EEG数据。在自动睡眠分期过程中，专家通常采用多种生理信号的组合，其中最常用的是EEG信号中的Fpz
‑<br/>Cz通道和水本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的深度学习算法模型的睡眠信号自动分期方法，其特征在于，该方法具体包括以下步骤：S1：获取原始睡眠数据；S2：数据预处理；S3：构建改进的深度学习算法模型，包括实例特征学习模块、序列特征学习模块和注意力机制加工模块；并利用改进的深度学习算法模型提取睡眠分期所需的特征信息；S4：利用分类器对提取的特征信息进行分类。2.根据权利要求1所述的睡眠信号自动分期方法，其特征在于，步骤S1中，获取的原始睡眠数据是EEG中的Fpz
‑
Cz和水平EOG；同时，去掉睡眠中未打分的睡眠“帧”，保留一段睡眠前后30分钟的清醒“帧”。3.根据权利要求1所述的睡眠信号自动分期方法，其特征在于，步骤S2中，数据预处理包括：S21：信号分解：对原始睡眠数据进行小波分解，获得详细分量和近似分量，其中细节分量对应高频，近似分量对应低频；S22：阈值处理：对细节分量进行阈值处理，...

【专利技术属性】
技术研发人员：赵德春，蒋人品，杨佳欣，禤思宁，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：