基于半监督学习的单通道脑电睡眠分期方法技术

本发明专利技术公开了一种基于半监督学习的单通道脑电睡眠分期方法，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；S3、利用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。本发明专利技术采用伪标签训练方法对SHNN模型进行训练，在不改变模型结构的情况下，增强了模型的睡眠分期性能。能。能。

【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 sequence learning[J].IEEE journal of biomedical and health informatics,2019,24(5):1351
‑
1366》中从EEG、EOG和EMG中提取手工特征，并且利用三尺度CNN网络提取抽象特征，再将手工特征和抽象融合后输入LSTM结构中，根据睡眠数据序列包含的信息，建立一个“序列到序列”的映射关系，但此种方法的问题是过程过于繁琐，提取手工特征也就意味着需要睡眠领域先验知识，同时模型对输入数据是有要求的，需要同时输入EEG、EOG和EMG的数据到网络中，这对数据集的要求较高。Dong等人在文献《Dong,Hao,et al."Mixed neural network approach for temporal sleep stage classification."IEEE Transactions on Neural Systems and Rehabilitation Engineering 26.2(2017):324
‑
333》中提出了使用三层MLP加LSTM的模型，先对单通道EEG数据做短时傅里叶变换(STFT)，然后计算出功率谱密度等特征，再将特征工程得到的时域、频域特征输入到模型中，模型的结构非常简单，但存在的问题是需要先做特征工程的工作，这也就意味着需要睡眠领域先验知识。Supratak等人在文献《Supratak,Akara,et al."DeepSleepNet:A model for usingbased on raw single
‑
channel EEG."IEEE Transactions on Neural Systems and Rehabilitation Engineering 25.11(2017):1998
‑
2008.MBVCXZzXCVBNM》中针对单通道脑电数据提出一种CNN+双向LSTM(Bi
‑
LSTM)的模型。它包含两个部分：一个提取时不变特征的表征学习模块和一个序列残差学习模块。
[0006]以上都是基于监督学习的方法，即方法中的模型训练完全依赖于标记的数据。虽然模型的分期结果是行的，但通常需要大量带标签训练数据以保证模型的效果。但实际情况是，在睡眠数据资源中，标签数据只占少部分，大部分睡眠数据是没有标签的，因此如何利用无标签睡眠数据来训练睡眠分期模型是目前研究的一大难题。为了能够充分利用无标签睡眠数据，引入半监督的解决方法来识别睡眠阶段是可行的。半监督模型可以同时利用有标签和无标签睡眠数据构建模型，模型最终达到的分类性能与监督模型相似甚至更好。但目前存在的基于半监督的睡眠分期模型存在着一个问题，即模型结构过于复杂或者可移植性差。

技术实现思路

[0007]本专利技术的目的在于克服现有技术的不足，提供一种采用伪标签训练方法对SHNN模型进行训练，在不改变模型结构的情况下，增强了模型的睡眠分期性能的基于半监督学习
的单通道脑电睡眠分期方法。
[0008]本专利技术的目的是通过以下技术方案来实现的：基于半监督学习的单通道脑电睡眠分期方法，包括以下步骤：
[0009]S1、建立睡眠混合神经网络模型；
[0010]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；
[0011]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；
[0012]S4、使用PreModel对无标签数据集NolabeledDataSet进行预测，并打上伪标签；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；
[0013]S5、利用PseudoLabelModel对脑电数据进行预测，得到分期结果。
[0014]进一步地，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；
[0015]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。
[0016]进一步地，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；
[0017]提取特征的过程为：假设有n个30秒的脑电EPOCH数据，记为{X1，X2，X3......X
n
}，使用两个CNN分支从脑电EPOCH数据X
t...

【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：