一种基于多模态生理信号融合的睡眠分期方法及系统技术方案

本发明专利技术公开了一种基于多模态生理信号融合的睡眠分期方法及系统，方法包括：对采集到的多导睡眠监测信号进行降采样处理，得到多导联信号；将所述多导联信号进行短时傅里叶变换处理，转换得到时频图，以及使用一维卷积提取所述多导联信号中的导联特征后，根据导联特征生成机器自学习图；分别将所述时频图和所述机器自学习图进行相邻睡眠阶段的时域特征结合，得到频域

【技术实现步骤摘要】
一种基于多模态生理信号融合的睡眠分期方法及系统


[0001]本专利技术涉及人工智能
，尤其是一种基于多模态生理信号融合的睡眠分期方法及系统。

技术介绍

[0002]睡眠是人类的一项基本生理功能，其表现特征是大脑、肌肉、眼睛、心脏和呼吸活动的一系列变化，对人类各项机能起着重要的修复作用。通过睡眠，人体一天的疲劳得以消除，精力得以恢复，可保证第二天清醒状态下的大脑思维清晰与反应灵敏。睡眠与人类精神类疾病有着紧密的联系，睡眠缺失会导致人类精神萎靡，抑郁症患者往往伴随失眠，异态睡眠等症状。睡眠状态监测是近年来生理信号与人工智能交叉领域的研究重点，对人体健康有着重要意义，一些与睡眠有关的疾病，如失眠、精神分裂症和自闭症，可以通过分析睡眠质量来区分。睡眠分期是识别睡眠状态的重要方法，它有助于更好地定位不同异常的发作时期。
[0003]传统的睡眠分期方法大多依赖于医护人员用肉眼观测多导睡眠图(PSG)，对患者进行夜间记录，使用附着在身体上的传感器测量多种生理信号，如脑电图(EEG)、肌电图(EMG)、心电图(ECG)和眼电图(EOG)，用于监测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态生理信号融合的睡眠分期方法，其特征在于，包括：对采集到的多导睡眠监测信号进行降采样处理，得到多导联信号；将所述多导联信号进行短时傅里叶变换处理，转换得到时频图，以及使用一维卷积提取所述多导联信号中的导联特征后，根据导联特征生成机器自学习图；分别将所述时频图和所述机器自学习图进行相邻睡眠阶段的时域特征结合，得到频域
‑
时域融合特征和空域
‑
时域融合特征；将所述频域
‑
时域融合特征和空域
‑
时域融合特征进行多视图特征融合，得到睡眠分期结果。2.根据权利要求1所述的一种基于多模态生理信号融合的睡眠分期方法，其特征在于，所述将所述多导联信号进行短时傅里叶变换处理，转换得到时频图，包括：配置采样频率和STFT窗宽度；根据所述配置好的采样频率和STFT窗宽度，对每30秒一段的信号进行短时傅里叶变换，得到每一个导联信号对应的STFT图像；将所有导联信号的STFT图像堆叠后，得到时频图；其中，当所述短时傅里叶变换过程中截取的窗口宽度少于100时，对时频图的两端进行填0补充。3.根据权利要求1所述的一种基于多模态生理信号融合的睡眠分期方法，其特征在于，所述根据导联特征生成机器自学习图，包括：把每个导联看作图中的每个节点；其中，所述节点的特征由两个一维卷积核从原始信号中提取的特征矩阵构成；根据提取到的所述特征矩阵生成自学习图，进而形成不同信号导联间的生理结构关系图。4.根据权利要求1所述的一种基于多模态生理信号融合的睡眠分期方法，其特征在于，所述分别将所述时频图和所述机器自学习图进行相邻睡眠阶段的时域特征结合，得到频域
‑
时域融合特征和空域
‑
时域融合特征，包括：使用频域卷积对所述时频图进行特征提取，提取频域特征；使用空域卷积对所述自学习图进行特征提取，提取人体生理结构之间的空间特征；分别提取时频图和自学习图的时域特征；根据提取到的频域特征、空间特征以及时域特征进行多视图特征融合，得到频域
‑
时域融合特征和空域
‑
时域融合特征。5.根据权利要求4所述的一种基于多模态生理信号融合的睡眠分期方法，其特征在于，所述使用频域卷积对所述时频图进行特征提取，提取频域特征，包括：通过VGG
‑
...

【专利技术属性】
技术研发人员：樊小毛，李宇杰，马文俊，赵淦森，陈莹，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：