一种基于多尺度注意力残差网络的脑电睡眠分期方法技术

本发明专利技术提供一种基于多尺度注意力残差网络的脑电睡眠分期方法，将注意力模型和Selu激活函数加入到原始Resnet的残差模块中，使其能够强化与睡眠分类关联性更强的脑电睡眠特征。再通过在同一空间位置并联使用不同尺寸的卷积核，得到了多尺度的脑电特征输出，从而对脑电睡眠信号进行了多尺度的睡眠特征提取，并对神经网络通过残差学习来避免网络退化。本发明专利技术的脑电睡眠分期方法与以往的脑电睡眠分期方法相比，在分类类型和识别精度上都有显著提高，输出结果也更加稳定。输出结果也更加稳定。输出结果也更加稳定。

【技术实现步骤摘要】
一种基于多尺度注意力残差网络的脑电睡眠分期方法


[0001]本专利技术设计脑电信号处理
，特别是一种基于多尺度注意力残差网络的脑电睡眠分期方法。
[0002]睡眠是每个人每天都要经历的生理过程，人的一生中大约1/3的时间在睡眠中度过。日常生活中许多基本活动的表现，比如学习能力、注意力，以及认知能力等，与良好的睡眠质量密切相关。高质量的睡眠能够促进儿童的生长发育，增强机体免疫力以及保护人的心理健康。长期睡眠不足、失眠会带来一系列的机体损害，比如导致内分泌失调，诱发肥胖和加速人体衰老，也可能出现免疫力减退、思维判断能力与记忆力下降等问题，严重情况下甚至导致死亡。
[0003]睡眠障碍疾病是一个不容忽视的社会问题，甚至成为一个世界性问题，对睡眠医学的研究刻不容缓。睡眠分期作为睡眠医学研究中的一个重要环节，对睡眠质量进行有效评估，是睡眠疾病诊断的重要依据。而目前的睡眠分期主要是人工手动完成，费时费力，并且容易出现错误，对睡眠的自动分期研究随之出现。对自动睡眠分期的研究，不仅可以将医务人员从繁重单调的分析脑电图中解脱出来，投入到更为深入的睡眠研究中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度注意力残差网络的脑电睡眠分期方法，其特征在于，包含以下步骤：S1、采集受试者脑电信号，并抽取其中多导脑电信号；S2、对所述脑电信号进行预处理；S3、构建并训练多尺度注意力残差网络模型；S4、用所述多尺度注意力残差网络分类器进行睡眠脑电分期。2.如权利要求1中所述的基于多尺度注意力残差网络的脑电睡眠分期方法，其特征在于，步骤S2中所述的数据预处理包含以下的一种或多种处理：S21、用2阶巴特沃斯带通滤波器去除脑电信号中的噪声与伪影；S22、对MSMOTE进行改进，来缓解数据集类不平衡问题；S23、构建特征矩阵。3.如权利要求2所述的基于多尺度注意力残差网络的脑电睡眠分期方法，其特征在于，所述的S22处理包括以下步骤：1）以生成S1的一个新样本new N为例，通过K邻近算法确定属于S1的安全类样本N
[i]
；2）随机选取一个安全类样本N
[i]
，从该样本的3000个维度中随机选取600个进行修改，将其与N
[i]
的剩余2400维重组，生成属于S1的新样本new N；3）若待修改的数据N
[i][m]
（安全类样本N
[i]
的第m维），判断N
[i]
为安全类k个邻近点的第m维的数据用S
[j]m
(j=1,2,3,
…
,k)表示，则new N的第m维数值从N
[i][m]
、S
1m
、S
2m
…
、S
km
中随机确定。4.如权利要求2所述的基于多尺度注意力残差网络的脑电睡眠分期方法，其特征在于，所述的构建特征矩阵是将原始的30s的1维形式的原始睡眠信号做如下处理：按顺序将睡眠闹电信号切分为时间跨度为1s的30个小段，这30个信号子段按顺序构造时域特征信息矩阵，大小为30
×
100.制定这一规则令特征矩阵的每一行包含100个信号点，每两个连续的信号点包含0.01s的变化信息，每两列30个信号点中连续的两个点包含了间隔1s的信号变化信息。5.如权利要求1所述的基于多尺度注意力残差网络的脑电睡眠分期方法，其特征在于，步骤3中所构建的多尺度注意力残差网络模型包括以下层级：将改进的残差通道注意力模块（RCAM）加入到原始残差网络中，第一层使用了卷积核尺寸1
×
15的标准卷积层，并在第一层卷积计算后进行了1
×
3最大池化处理。6.接下来在RCAM中并联使用了1
×
3，1
×
5和1
×
7三种尺寸的卷积核，每个卷积核有对应的尺度输出，同一个卷积核共享参数;在每个尺度上的神经网络中，其中RCAM里的卷积核数量设为64、128和256，为了使数据批量标准化和加快训练速度，在各个通道上的每一卷积层后增加了Ba...

【专利技术属性】
技术研发人员：柳长源，孙雨涵，赵鑫雨，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：