本实施例涉及睡眠分期技术领域，特别涉及一种睡眠分期方法、装置、电子设备及存储介质。其中，睡眠分期方法包括：获取待处理的睡眠数据；将所述待处理的睡眠数据输入训练好的目标神经网络，得到目标特征；其中，所述目标神经网络是以已知睡眠数据对和所述已知睡眠数据对对应的睡眠分期是否相同的标签作为样本训练孪生神经网络得到的；将所述待处理的睡眠数据和所述目标特征进行特征融合，得到目标睡眠数据；将所述目标睡眠数据输入训练好的睡眠分期模型，得到所述目标睡眠数据对应的睡眠分期；其中，所述睡眠分期模型是以已知睡眠数据和所述已知睡眠数据对应的睡眠分期作为样本训练分类器得到的。本技术方案能够提高未知睡眠数据的分期准确率。据的分期准确率。据的分期准确率。
【技术实现步骤摘要】
睡眠分期方法、装置、电子设备及存储介质
[0001]本说明书实施例涉及睡眠分期
，特别涉及一种睡眠分期方法、装置、电子设备及存储介质。
技术介绍
[0002]“睡眠分期”是临床睡眠诊疗的基础和重要的一环，其结果可以作为衡量人睡眠质量的指标，也可以作为判断一些睡眠障碍和疾病的依据。
[0003]相关技术中，首先利用已知睡眠数据（即带有标签的睡眠数据，标签为该睡眠数据对应的睡眠分期）来训练得到睡眠分期模型，然后利用该睡眠分期模型对未知睡眠数据（即待处理的睡眠数据）进行分期（即分类），从而得到未知睡眠数据的睡眠分期。然而，由于睡眠数据具有较高的随机性、非平衡性和非线性，因此在利用睡眠分期模型对睡眠数据进行分期时，难以保证较高的分期准确率。
[0004]因此，目前亟待需要提供一种睡眠分期方法、装置、电子设备及存储介质来解决上述技术问题。
技术实现思路
[0005]为了提高未知睡眠数据的分期准确率，本说明书实施例提供了一种睡眠分期方法、装置、电子设备及存储介质。
[0006]第一方面，本说明书实施例提供了一种睡眠分期方法，包括：获取待处理的睡眠数据；将所述待处理的睡眠数据输入训练好的目标神经网络，得到目标特征；其中，所述目标神经网络是以已知睡眠数据对和所述已知睡眠数据对对应的睡眠分期是否相同的标签作为样本训练孪生神经网络得到的；将所述待处理的睡眠数据和所述目标特征进行特征融合，得到目标睡眠数据；将所述目标睡眠数据输入训练好的睡眠分期模型，得到所述目标睡眠数据对应的睡眠分期；其中，所述睡眠分期模型是以已知睡眠数据和所述已知睡眠数据对应的睡眠分期作为样本训练分类器得到的。
[0007]在一种可能的设计中，所述睡眠数据包括如下中的至少一种：脑电数据、眼电数据、下颌肌电数据、心电数据、胸带数据、腹带数据、脉搏波数据、腿动数据、鼾声数据、脉率数据和血氧饱和度数据。
[0008]在一种可能的设计中，所述孪生神经网络包括两个网络结构相同的第一神经网络和第二神经网络，所述第一神经网络和所述第二神经网络的参数共享，所述目标神经网络为完成参数更新的所述第一神经网络或所述第二神经网络。
[0009]在一种可能的设计中，所述已知睡眠数据对包括第一已知睡眠数据和第二已知睡眠数据；所述目标神经网络具体是通过如下方式得到的：
将所述第一已知睡眠数据输入所述第一神经网络，输出第一特征向量；将所述第二已知睡眠数据输入所述第二神经网络，输出第二特征向量；将所述第一特征向量和所述第二特征向量输入预设的对比损失函数，得到所述第一已知睡眠数据和所述第二已知睡眠数据的损失值；其中，所述对比损失函数与所述已知睡眠数据对对应的睡眠分期是否相同的标签有关；基于所述损失值对所述第一神经网络和所述第二神经网络的参数进行更新；将完成参数更新的所述第一神经网络或所述第二神经网络作为目标神经网络。
[0010]在一种可能的设计中，所述孪生神经网络还包括一个全连接神经网络；所述将所述第一特征向量和所述第二特征向量输入预设的对比损失函数，包括：将所述第一特征向量和所述第二特征向量输入所述全连接神经网络，得到标准向量；将所述标准向量输入预设的交叉熵损失函数，得到预测值；在所述预测值大于预设阈值时，将所述第一特征向量和所述第二特征向量输入预设的对比损失函数。
[0011]在一种可能的设计中，所述对比损失函数为：，式中，N为样本个数，n表示具体样本编号，n取值范围是1~N，y为两个样本是否匹配的标签，y=1表示两个样本匹配，y=0表示两个样本不匹配，d为两个样本的欧氏距离，margin为预设的欧氏距离阈值。
[0012]在一种可能的设计中，所述将所述待处理的睡眠数据和所述目标特征进行特征融合，得到目标睡眠数据，包括：将所述目标特征进行维度变换，以使所述目标特征与所述待处理的睡眠数据的维度相同；将进行维度变换后的所述目标特征和所述待处理的睡眠数据进行加权融合，得到目标睡眠数据。
[0013]第二方面，本说明书实施例还提供了一种睡眠分期装置，包括：获取模块，用于获取待处理的睡眠数据；第一输入模块，用于将所述待处理的睡眠数据输入训练好的目标神经网络，得到目标特征；其中，所述目标神经网络是以已知睡眠数据对和所述已知睡眠数据对对应的睡眠分期是否相同的标签作为样本训练孪生神经网络得到的；特征融合模块，用于将所述待处理的睡眠数据和所述目标特征进行特征融合，得到目标睡眠数据；第二输入模块，用于将所述目标睡眠数据输入训练好的睡眠分期模型，得到所述目标睡眠数据对应的睡眠分期；其中，所述睡眠分期模型是以已知睡眠数据和所述已知睡眠数据对应的睡眠分期作为样本训练分类器得到的。
[0014]第三方面，本说明书实施例还提供了一种电子设备，包括存储器和处理器，所述存
储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0015]第四方面，本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0016]本说明书实施例提供了一种睡眠分期方法、装置、电子设备及存储介质，首先将待处理的睡眠数据输入训练好的目标神经网络，得到目标特征，目标神经网络是以已知睡眠数据对和已知睡眠数据对对应的睡眠分期是否相同的标签作为样本训练孪生神经网络得到的，这样考虑了待处理的睡眠数据所蕴含的具有其特色的目标特征；然后将待处理的睡眠数据和目标特征进行特征融合，得到目标睡眠数据，这样使得目标睡眠数据包括了其原始的待处理的睡眠数据和具有其特色的目标特征；最后将目标睡眠数据输入训练好的睡眠分期模型，得到目标睡眠数据对应的睡眠分期，睡眠分期模型是以已知睡眠数据和已知睡眠数据对应的睡眠分期作为样本训练分类器得到的，这样对目标睡眠数据进行分期的分期准确率相比对原有的待处理的睡眠数据进行分期的分期准确率就会得到提高，即提高了未知睡眠数据的分期准确率。
附图说明
[0017]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本说明书一实施例提供的一种睡眠分期方法流程图；图2是本说明书一实施例提供的一种电子设备的硬件架构图；图3是本说明书一实施例提供的一种睡眠分期装置结构图；图4是本说明书一实施例提供的孪生神经网络训练过程的框架图；图5是本说明书一实施例提供的睡眠分期处理过程的框架图。
具体实施方式
[0019]为使本说明书实施例的目的、技术方案和优点更加清楚，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本说明书一部分实施例，而不是全部的实施例，基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动的前提本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种睡眠分期方法，其特征在于，包括：获取待处理的睡眠数据；将所述待处理的睡眠数据输入训练好的目标神经网络，得到目标特征；其中，所述目标神经网络是以已知睡眠数据对和所述已知睡眠数据对对应的睡眠分期是否相同的标签作为样本训练孪生神经网络得到的；将所述待处理的睡眠数据和所述目标特征进行特征融合，得到目标睡眠数据；将所述目标睡眠数据输入训练好的睡眠分期模型，得到所述目标睡眠数据对应的睡眠分期；其中，所述睡眠分期模型是以已知睡眠数据和所述已知睡眠数据对应的睡眠分期作为样本训练分类器得到的。2.根据权利要求1所述的方法，其特征在于，所述睡眠数据包括如下中的至少一种：脑电数据、眼电数据、下颌肌电数据、心电数据、胸带数据、腹带数据、脉搏波数据、腿动数据、鼾声数据、脉率数据和血氧饱和度数据。3.根据权利要求1所述的方法，其特征在于，所述孪生神经网络包括两个网络结构相同的第一神经网络和第二神经网络，所述第一神经网络和所述第二神经网络的参数共享，所述目标神经网络为完成参数更新的所述第一神经网络或所述第二神经网络。4.根据权利要求3所述的方法，其特征在于，所述已知睡眠数据对包括第一已知睡眠数据和第二已知睡眠数据；所述目标神经网络具体是通过如下方式得到的：将所述第一已知睡眠数据输入所述第一神经网络，输出第一特征向量；将所述第二已知睡眠数据输入所述第二神经网络，输出第二特征向量；将所述第一特征向量和所述第二特征向量输入预设的对比损失函数，得到所述第一已知睡眠数据和所述第二已知睡眠数据的损失值；其中，所述对比损失函数与所述已知睡眠数据对对应的睡眠分期是否相同的标签有关；基于所述损失值对所述第一神经网络和所述第二神经网络的参数进行更新；将完成参数更新的所述第一神经网络或所述第二神经网络作为目标神经网络。5.根据权利要求4所述的方法，其特征在于，所述孪生神经网络还包括一个全连接神经网络；所述将所述第一特征向量和所述第二特征向量输入预设的对比损失函数，包括：将所述第一特征向量和所述第二特征向量输...
【专利技术属性】
技术研发人员：由育阳，杨志宏，
申请(专利权)人：北京理工大学，
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。