一种基于时序信号卷积与多信号融合的睡眠阶段分期方法技术

本发明专利技术涉及一种基于时序信号卷积与多信号融合的睡眠阶段分期方法，包括：获取受试者的睡眠状态下的生理信号数据，包括：4通道的脑电信号EEG、1通道的心电信号ECG、2通道的眼动信号EOG、1通道的肌电信号EMG；将受试者的睡眠状态下的生理信号数据输入至训练后的监测模型，获取分类结果；训练后的监测模型包括：用于对输入的生理信号数据中的各通道单独进行一维卷积，以提取各通道的信号的时域波形变化特征的时序信号卷积网络；用于提取生理信号数据中的任意两个通道之间关系的空间功能连接网络；用于根据生理信号数据中各通道信号的时域波形变化特征和任意两个通道之间关系对生理信号数据进行分类以获取分类结果的全连接网络。络。络。

【技术实现步骤摘要】
一种基于时序信号卷积与多信号融合的睡眠阶段分期方法


[0001]本专利技术涉及睡眠阶段检测
，尤其涉及一种基于时序信号卷积与多信号融合的睡眠阶段分期方法。

技术介绍

[0002]人类每天大约有三分之一的时间处于睡眠中，睡眠是人们日常生活中重要的一种生理过程。睡眠时人整个身体处于低活动量状态，包括体内代谢在内的所有生理活动水平均较低。睡眠开始时，血压基本无变化，睡眠阶段中期，血压有明显降低，睡眠阶段末期，血压恢复到正常水平。睡眠不足会直接影响到人的精神状况，容易造成注意力不集中，内分泌失调等状况，影响正常生活状态，睡眠阶段分期对于认识人类睡眠规律、改善人类生命健康具有重要意义。
[0003]睡眠阶段分期是睡眠医学研究疾病诊断过程的重要过程。传统的睡眠分期方法主要由医学工作者根据睡眠时期生理信号数据人工分期，判断周期长，费时费力，同时分期结果具有主观性差异。目前的自动分期系统使用：K
‑
means聚类，专家系统，隐马尔可夫模型，人工神经网络，随机森林，支持向量机，光谱分析，非线性特征分析等手段。但是这些方法首先从每个记录样本时期提取频域和时频域特征。在多个信号的情况下，来自一个时期中的所有信号的特征被连接成一个特征向量。这些特征用于训练分类器以识别单个样本的睡眠阶段分期，这些方法存在检测过程复杂，提取特征不够全面，识别准确率较低的问题。

技术实现思路

[0004]（一）要解决的技术问题鉴于现有技术的上述缺点、不足，本专利技术提供一种基于时序信号卷积与多信号融合的睡眠阶段分期方法，其解决了现有技术中生理信号利用不充分、人工提取特征不全面、识别准确率较低的问题技术问题。
[0005]（二）技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：本专利技术实施例提供一种基于时序信号卷积与多信号融合的睡眠阶段分期方法，包括：S10、获取受试者的睡眠状态下的生理信号数据；所述生理信号数据包括：4通道的脑电信号EEG、1通道的心电信号ECG、2通道的眼动信号EOG、1通道的肌电信号EMG；S20、将所述受试者的睡眠状态下的生理信号数据输入至训练后的监测模型，获取分类结果；所述训练后的监测模型包括：用于对输入的所述生理信号数据中的各通道单独进行一维卷积，以提取各通道的信号的时域波形变化特征的时序信号卷积网络；
用于提取所述生理信号数据中的任意两个通道之间关系的空间功能连接网络；用于根据所述生理信号数据中各通道信号的时域波形变化特征和任意两个通道之间关系对所述生理信号数据进行分类以获取分类结果的全连接网络；其中，预先采用训练数据对监测网络进行训练以获取训练后的监测模型。
[0006]优选的，在S10之前具体包括：S01、基于预先获取的用于训练的多个被试者睡眠状态下的生理信号数据，获取初始训练数据；S02、采用带通滤波器针对所述初始训练数据进行处理，获取训练数据；S03、采用所述训练数据对监测模型进行训练以获取训练后的监测模型。
[0007]优选的，所述S01具体包括：S01
‑
1、针对预先获取的多个用于训练的被试者睡眠状态下的生理信号数据，设置相应睡眠阶段标签；所述睡眠阶段标签包括：清醒期标签、睡眠Ⅰ期标签、睡眠Ⅱ期标签、睡眠Ⅲ期标签、快速眼动期标签；S01
‑
2、将用于训练的被试者睡眠状态下的生理信号数据划分为多个30s时长的数据段，且每个数据段对应一个睡眠阶段标签，以获取初始训练数据。
[0008]优选的，所述带通滤波器为Butterworth带通滤波器；所述带通滤波器的通带下限频率为1Hz，通带上限频率为45Hz，采样频率500Hz。
[0009]优选的，所述时序信号卷积网络依次包括：第一个卷积层、第二个卷积层、最大池化层、第三个卷积层、第四个卷积层、第五个卷积层，且每个卷积层后均设置有BatchNorm1d函数使卷积层的输出的数据标准化，且由ReLU激活函数连接任意相邻的两个卷积层；所述空间功能连接网络，通过公式（1）以提取生理信号数据中各通道间的关系；所述公式（1）为：；其中，表示生理信号数据中任一通道p
m
和另一通道p
n
之间关系的邻接矩阵；ReLU为激活函数；exp是e为底的指数函数；w为空间功能连接网络的权向量；其中，；T为向量转置；N为所述生理信号数据中的通道总数量。
[0010]优选的，在所述时序信号卷积网络中，针对任意两个相邻卷积层的后一层的运算为：
；其中，M∈R
B
×
N
×
L
；表示卷积内核的参数；表示标准卷积操作；为卷积核；为图卷积运算；M
（l）
为任意两个相邻卷积层的后一卷积层的运算结果；是任意两个相邻卷积层的前一卷积层的运算结果；R表示有理数集；B表示批处理数量；L表示时序信号长度。
[0011]优选的，在所述时序信号卷积网络中，第一个卷积层的：输入神经元节点数量为8、输出神经元节点数量为200、卷积核尺寸为100、步长为10、填充为5；第二个卷积层的：输入神经元节点数量为200、输出神经元节点数量为200、卷积核尺寸为100、步长为10、填充为5；最大池化层的卷积核尺寸为5、步长为5；第三个卷积层的：输入神经元节点数量为200、输出神经元节点数量为300、卷积核尺寸为10、步长为1；第四个卷积层的：输入神经元节点数量为300、输出神经元节点数量为300、卷积核尺寸为10、步长为1；第五个卷积层的：输入神经元节点数量为300、输出神经元节点数量为200、卷积核尺寸为5、步长为1。
[0012]优选的，所述全连接网络包括：两个线性变换层；所述全连接网络的第一个线性变换层的输入神经元节点数量为1500、输出神经元节点数量为200；所述全连接网络的第二个线性变换层的输入神经元节点为200、输出神经元节点数量为5。
[0013]优选的，所述训练后的监测模型为采用所述训练数据训练的监测模型所对应的多分类交叉熵损失函数收敛时的监测模型；所述多分类交叉熵损失函数为：；其中，p
i
为监测模型所输出的对应睡眠阶段标签的概率的分布；
其中，p
i
＝｛p0，p1，...，p
Z－1
｝；y
i
为训练数据所对应的睡眠阶段标签的真实概率分布；其中，y
i
＝｛y0，y1，...，y
Z－1
｝；Z为训练数据所对应的标签的数量。
[0014]优选的，所述监测模型还设置有优化器；所述优化器为SGD优化器或Adagrad优化器。
[0015]（三）有益效果本专利技术的有益效果是：本专利技术的一种基于时序信号卷积与多信号融合的睡眠阶段分期方法，由于采用的生理信号有脑电信号EEG、心电信号ECG、眼动信号EOG、肌电信号EMG，这样多种信号融合突破了单一脑电信号的局限性，使得提取人体睡眠时的特征更加全面，睡眠阶段分期的准确率要高。同时，本专利技术采用训练后的监测模型进行睡眠阶段分期，避免了手动提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序信号卷积与多信号融合的睡眠阶段分期方法，其特征在于，包括：S10、获取受试者的睡眠状态下的生理信号数据；所述生理信号数据包括：4通道的脑电信号EEG、1通道的心电信号ECG、2通道的眼动信号EOG、1通道的肌电信号EMG；S20、将所述受试者的睡眠状态下的生理信号数据输入至训练后的监测模型，获取分类结果；所述训练后的监测模型包括：用于对输入的所述生理信号数据中的各通道单独进行一维卷积，以提取各通道的信号的时域波形变化特征的时序信号卷积网络；用于提取所述生理信号数据中的任意两个通道之间关系的空间功能连接网络；用于根据所述生理信号数据中各通道信号的时域波形变化特征和任意两个通道之间关系对所述生理信号数据进行分类以获取分类结果的全连接网络；其中，预先采用训练数据对监测网络进行训练以获取训练后的监测模型。2.根据权利要求1所述的方法，其特征在于，在S10之前具体包括：S01、基于预先获取的用于训练的多个被试者睡眠状态下的生理信号数据，获取初始训练数据；S02、采用带通滤波器针对所述初始训练数据进行处理，获取训练数据；S03、采用所述训练数据对监测模型进行训练以获取训练后的监测模型。3.根据权利要求2所述的方法，其特征在于，所述S01具体包括：S01
‑
1、针对预先获取的多个用于训练的被试者睡眠状态下的生理信号数据，设置相应睡眠阶段标签；所述睡眠阶段标签包括：清醒期标签、睡眠Ⅰ期标签、睡眠Ⅱ期标签、睡眠Ⅲ期标签、快速眼动期标签；S01
‑
2、将用于训练的被试者睡眠状态下的生理信号数据划分为多个30s时长的数据段，且每个数据段对应一个睡眠阶段标签，以获取初始训练数据。4.根据权利要求3所述的方法，其特征在于，所述带通滤波器为Butterworth带通滤波器；所述带通滤波器的通带下限频率为1Hz，通带上限频率为45Hz，采样频率500Hz。5.根据权利要求4所述的方法，其特征在于，所述时序信号卷积网络依次包括：第一个卷积层、第二个卷积层、最大池化层、第三个卷积层、第四个卷积层、第五个卷积层，且每个卷积层后均设置有BatchNorm1d函数使卷积层的输出的数据标准化，且由ReLU激活函数连接任意相邻的两个卷积层；所述空间功能连接网络，通过公式（1）以提取生理信号数据中各通道间的关系；所述公式（1）为：；其中，表示生理信号数据中任一通道p
m
和另一通道p
n
之间关系的
邻接矩阵；ReLU为激活函数；exp是e...

【专利技术属性】
技术研发人员：高阳，王大伟，宁晓琳，房建成，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：