【技术实现步骤摘要】
EEG[J].Biomedical Signal Processing and Control,2018,42:107
‑
114》中采用多层CNN的结构,同时为了更好地建模分期规则,将四个相邻的EPOCH数据串联在一起作为一个样本输入,但这也意味着模型的输入存在冗余,模型输入的维度就会增大,模型的训练时间也会增加。Chen等人在文献《Chen K,Zhang C,Ma J,et al.Sleep staging from single
‑
channel EEG with multi
‑
scale feature and contextual information[J].Sleep and breathing,2019,23(4):1159
‑
1167》中提出一个基于多尺度CNN+RNN(循环神经网络)的方法,使用多尺度CNN代替单尺度卷积层,能够提取特定EEG特征,再用RNN将提取的相邻EPOCH特征中的时间信息编码,最后用CRF(条件随机场)捕捉阶段转换规则,并在健康人和阻塞性睡眠呼吸暂停症患者的数据集上取得较好结果,但它的问题是将N1期和N2期合并为单个阶段,无法区分。Sun等人在文献《Sun C,Chen C,Li W,et al.A hierarchical neural network for sleep stage classification based on comprehensive feature learning and multi
‑
flow
【技术保护点】
【技术特征摘要】
1.基于半监督学习的单通道脑电睡眠分期方法,其特征在于,包括以下步骤:S1、建立睡眠混合神经网络模型;S2、将训练集数据TrainSet分为标签数据集LabeledDataSet和无标签数据集NolabeledDataSet,并将训练数据集TrainSet中的脑电数据按照每30秒为一个数据片段进行数据划分,标签数据集LabeledDataSet中每个数据片段的标签为W、N1、N2、N3或REM中的一种;S3、利用标签数据集LabeledDataSet对睡眠混合神经网络模型进行预训练,得到预模型PreModel;S4、使用PreModel对无标签数据集NolabeledDataSet进行预测,打上伪标签;然后使用标签数据和伪标签数据对预训练模型进行再次训练,得到伪标签模型PseudoLabelModel;S5、利用PseudoLabelModel对脑电数据进行预测,得到分期结果。2.根据权利要求1所述的基于半监督学习的单通道脑电睡眠分期方法,其特征在于,所述睡眠混合神经网络模型包括特征提取模块、时间上下文信息提取模块和分类模块;特征提取模块利用两个拥有不同卷积核大小的CNN分支分别从30秒脑电数据片段中提取特征,然后将提取到的特征向量进行融合,并输入到时间上下文信息提取模块中;时间上下文信息提取模块使用Bi
‑
GRU结构来获取睡眠数据序列的时间上下文信息,然后输入到分类模块中;最后,使用分类模块的全连接层和的Softmax函数来进行睡眠阶段的预测。3.根据权利要求2所述的基于半监督学习的单通道脑电睡眠分期方法,其特征在于,所述特征提取模块的两个CNN分支都包含三个卷积层、两个池化层;其中,第一个池化层在第一个卷积层之后,第二个池化层在第三个卷积层之后;其中每个卷积层都包含一个批处理归一化层,并使用整流线性单位函数作为激活函数,然后将两个特征张量通过Reshape函数调整后连接起来;在两个CNN分支的第一个池化层之后和两个CNN分支进行特征连接之后均连接Dropout层;提取特征的过程为:假设有n个30秒的脑电EEG数据,记为{X1,X2,X3......X
n
},使用两个CNN分支从脑电EPOCH数据X
t
中提取特征,如下式所示:x
1t
=CNN1(X
t
)x
2t
=CNN2(X
t
)feature
t
=x
1t
||x
2t
其中,CNN1(X
t
)、CNN2(X
t
)分别为CNN分支1和CNN分支2中,将30秒脑电EPOCH数据X
t
转化为特征向量x
1t
和x
2t
的卷积操作,t=1,...,n;符号||表示连接操作;将经过连接操作的n个特征向量{feature1,feature2,feature3,...,feature
n
}输入到时间上下文信息提取模块中。4.根据权利要求2所述的基于半监督学习的单通道脑电睡眠分期方法,其特征在于,所述时间上下文信息提取模块的利用Bi
‑
GRU提取时间...
【专利技术属性】
技术研发人员:张永清,曹文鹏,李静,王柯杰,郜东瑞,汪曼青,杨惠,
申请(专利权)人:成都信息工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。