一种基于动态融合的多模态睡眠分期方法和装置制造方法及图纸

本发明专利技术公开了一种基于动态融合的多模态睡眠分期方法和装置，该方法包括：采集患者的数据信息，对采集的数据信息进行预处理，再构建并训练睡眠分期模型，利用训练完成的睡眠分期模型对预处理后的数据信息进行处理，得到患者的睡眠分期信息。所述的睡眠分期模型包括SMDC网络、S1DCNN网络、ResNets网络、AUX网络和融合网络。所述的SMDC网络用于把患者的离散个人数据信息转换为稠密实值特征向量，所述的S1DCNN网络用于从患者的睡眠生理电信号数据信息中提取不同感受野的时域特征信息。本发明专利技术实现了睡眠分期患者多种数据源的处理，有效地对睡眠数据进行了特征提取，提高了睡眠分期的准确性，避免了直接拼接对所有特征等同处理的缺点，提升了特征提取的效果。提升了特征提取的效果。提升了特征提取的效果。

【技术实现步骤摘要】
一种基于动态融合的多模态睡眠分期方法和装置


[0001]本专利技术属于睡眠结构分析
，尤其涉及一种基于动态融合的多模态睡眠分期方法和装置。

技术介绍

[0002]睡眠是人体必不可少的生理活动，是一种既重要又复杂的生理现象，在人类生命中大约占有三分之一的时间。睡眠是机体进行自我修复和完善的过程，对维持身心健康具有重要的调节作用。睡眠分期是根据人体在睡眠期间生理信号的不同变化而将睡眠过程分为不同的阶段。对睡眠进行分期是睡眠质量监测的前提和基础。现有的睡眠分期方法在输入信息上由于只考虑了脑电单通道信息，因此会影响到觉醒期(Wake期)和非觉醒期(N1、N2、N3和REM期)区分；同时由于其只采用时域信号作为输入，因此无法有效地反映睡眠数据各种电信号在多类型空间上所蕴含的特征，导致睡眠特征提取不充分、信息融合效果欠佳，从而一定程度上影响睡眠分期的准确性。另外，对于现有的睡眠分析方法，其睡眠分期效果非常依赖特征提取特征的好坏。现有的睡眠特征提取主要采用手工提取方法，对于手工特征提取而言，其需要在此领域具备较多的睡眠分期理论知识，同时在手工提取的特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态融合的多模态睡眠分期方法，其特征在于，包括：采集患者的数据信息，对采集的数据信息进行预处理，再构建并训练睡眠分期模型，利用训练完成的睡眠分期模型对预处理后的数据信息进行处理，得到患者的睡眠分期信息。2.如权利要求1所述的基于动态融合的多模态睡眠分期方法，其特征在于，所述睡眠分期信息包括睡眠的Wake期、REM期、N1期、N2期和N3期的相关信息；所述睡眠分期的类别包括睡眠的Wake期、REM期、N1期、N2期和N3期；所述的患者的数据信息，包括患者的离散个人数据信息和睡眠生理电信号数据信息；所述的睡眠生理电信号数据信息包括脑电数据信息、眼电数据信息和肌电数据信息。3.如权利要求2所述的基于动态融合的多模态睡眠分期方法，其特征在于，所述的利用训练完成的睡眠分期模型对预处理后的数据信息进行处理，得到患者的睡眠分期信息，其包括：利用训练完成的睡眠分期模型，以若干时间内采集并预处理后的患者数据为一个数据帧，将数据帧逐个输入至睡眠分期模型，得到睡眠分期各个类别的分类概率，取分类概率最大值对应的类别即为当前数据帧的睡眠分期结果。4.如权利要求1所述的基于动态融合的多模态睡眠分期方法，其特征在于，所述的睡眠分期模型包括SMDC网络、S1DCNN网络、ResNets网络、AUX网络和融合网络；SMDC网络、S1DCNN网络、ResNets网络和AUX网络均与融合网络相连接。5.如权利要求4所述的基于动态融合的多模态睡眠分期方法，其特征在于，所述的对睡眠生理电信号数据信息的预处理，对各类睡眠生理电信号数据信息的采样频率进行统一，再将采样频率统一后的各类睡眠生理电信号数据信息拼接为时域矩阵，将采样频率统一后的各类睡眠生理电信号数据信息进行短时傅里叶变换，得到时频矩阵。6.如权利要求5所述的基于动态融合的多模态睡眠分期方法，其特征在于，所述的SMDC网络用于把患者的离散个人数据信息转换为稠密实值特征向量，SMDC网络包括嵌入层即Embedding层、掩码层、交叉网络、深度网络和连接层；嵌入层与掩码层进行连接，掩码层与交叉网络和深度网络分别进行连接，交叉网络和深度网络的输出均输入到连接层；SMDC网络对患者的离散个人数据信息中的稀疏特征，利用嵌入层对其进行向量化，然后将向量化后的稀疏特征与患者的离散个人数据信息中的稠密特征进行拼接，形成SMDC网络的输入x
s
，使x
s
经过掩码层后得到比例特征向量，通过对得到的部分比例特征向量进行置零操作得到掩码特征x0，将得到的掩码特征，分别经过交叉网络和深度网络，相应的得到高阶显式特征和隐式特征，该过程表示为：其中，x
l
,x
l+1
分别表示交叉网络的第l,l+1层的输出，h
l
,h
l+1
分别表示深度网络的第l,l+1层的输出，W
l
,b
l
分别为SMDC网络的第l层的权重和偏置项，其均通过对SMDC网络进行训练而确定，Relu表示线性整流函数；对交叉网络和深度网络的输出进行拼接，得到第一部分特征x
f1
，并将其作为SMDC网络的输出；所述的S1DCNN网络用于从患者的睡眠生理电信号数据信息中提取不同感受野的时域特征信息，S1DCNN网络的输入为时域数据，S1DCNN网络包括三个尺度的卷积网络和拼接模块，三个尺度的卷积网络均与拼接模块相连接；三个尺度的卷积网络包括第一卷积网络、第
二卷积网络和第三卷积网络，每个卷积网络设置相应规模的卷积核，用于对相应类型的睡眠生理电信号数据信息进行处理；拼接模块用于对每个尺度的卷积网络提取出的特征进行拼接，得到第二部分特征x
f2
，并将其作为S1DCNN网络的输出；所述的ResNets网络用于从患者的睡眠生理电信号数据信息中提取时频域特征信息；ResNets网络包括三个ResNet18网络和拼接模块，三个ResNet18网络分别和拼接模块进行连接，三个ResNet18网络分别用于对三种类型的睡眠生理电信号数据信息进行处理；ResNets网络的输入为时频矩阵；ResNets网络利用其所包含的三个ResNet18网络分别对传感器采集的脑电生理电信号x
tf,eeg
、眼电生理电信号x
tf,eog
和肌电生理电信号x
tf,emg
进行处理，得到相应的时频域高阶特征x
f,eeg
,x
f,eog
,x
f,emg
，然后对该时频域高阶特征进行拼接，得到第三部分特征x
f3
，并将其作为ResNets网络的输出；所述的AUX网络用于对时域矩阵和时频矩...

【专利技术属性】
技术研发人员：吉保民，许利群，高和，王青松，段莹，崔丽，李燕，马建均，张蕊，潘治颖，韩晓霞，谢悦，郭静静，李家慧，崔丽，乔丰，
申请(专利权)人：中移成都信息通信科技有限公司，
类型：发明
国别省市：