基于自监督的睡眠分期方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及睡眠分期技术领域，特别涉及一种基于自监督的睡眠分期方法、装置、电子设备及存储介质。其中，该方法包括：获取至少一帧待处理的睡眠数据；将待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧待处理的睡眠数据之后的预测特征，自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层；将预测特征输入训练好的睡眠分期模型，得到预测特征对应的睡眠分期，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。本发明专利技术能够保证睡眠数据的分期一致性。睡眠数据的分期一致性。睡眠数据的分期一致性。

【技术实现步骤摘要】
基于自监督的睡眠分期方法、装置、电子设备及存储介质


[0001]本专利技术涉及睡眠分期
，特别涉及一种基于自监督的睡眠分期方法、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，通常是由分期人员（例如医师）通过肉眼观察多导睡眠图（PSG）中的至少一组睡眠数据（即生理信号）来进行睡眠阶段的分期。然而，这种人工睡眠分期方法至少存在如下问题：不同分期人员对同一睡眠时期的分期结果不一致。
[0004]因此，目前亟待需要提供一种基于自监督的睡眠分期方法、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]为了保证睡眠数据的分期一致性，本说明书实施例提供了一种基于自监督的睡眠分期方法、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基于自监督的睡眠分期方法，包括：获取至少一帧待处理的睡眠数据；其中，所述待处理的睡眠数据为时间序列数据；将所述待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧所述待处理的睡眠数据之后的预测特征；其中，所述自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层，所述编码层包括多个第一编码器，所述编码层用于对睡眠数据进行特征提取而得到第一特征，所述递归层用于对所述第一特征进行表征学习而得到第二特征，所述预测层用于将最后一帧对应的第二特征作为输入而得到该第二特征之后的预测特征；将所述预测特征输入训练好的睡眠分期模型，得到所述预测特征对应的睡眠分期；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]第二方面，本说明书实施例还提供了一种基于自监督的睡眠分期装置，包括：获取模块，用于获取至少一帧待处理的睡眠数据；其中，所述待处理的睡眠数据为时间序列数据；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自监督学习模型，得到最后一帧所述待处理的睡眠数据之后的预测特征；其中，所述自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层，所述编码层包括多个第一编码器，所述编码层用于对睡眠数据进行特征提取而得到第一特征，所述递归层用于对所述第一特征进行表征学习而得到第二特征，所述预测层用于将最后一帧对应的第二特征作为输入而得到该第二特征之后的预测特征；
第二输入模块，用于将所述预测特征输入训练好的睡眠分期模型，得到所述预测特征对应的睡眠分期；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。
[0008]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。
[0009]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。
[0010]本说明书实施例提供了一种基于自监督的睡眠分期方法、装置、电子设备及存储介质，首先将至少一帧待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧待处理的睡眠数据之后的预测特征；然后将预测特征输入训练好的睡眠分期模型，得到预测特征对应的睡眠分期，这样就可以利用人工智能的方式实现了对睡眠数据的自动分期，从而保证了睡眠数据的分期一致性；而且采用自监督学习的方式，可以从未标注的数据中心学习到表征，从而可以减轻标注的成本。
附图说明
[0011]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。
[0012]图1是本说明书一实施例提供的一种基于自监督的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基于自监督的睡眠分期装置结构图；图4是本说明书一实施例提供的基于待处理的睡眠数据的睡眠分期处理过程的框架图；图5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6是本说明书一实施例提供的基于预测特征的睡眠分期处理过程的框架图。
具体实施方式
[0013]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下所获得的所有其他实施例，都属于本说明书保护的范围。
[0014]请参考图1和图4，本说明书实施例提供了一种基于自监督的睡眠分期方法，该方法包括：步骤100：获取至少一帧待处理的睡眠数据；其中，待处理的睡眠数据为时间序列数据；
步骤102：将待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧待处理的睡眠数据之后的预测特征；其中，自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层，编码层包括多个第一编码器，编码层用于对睡眠数据进行特征提取而得到第一特征，递归层用于对第一特征进行表征学习而得到第二特征，预测层用于将最后一帧对应的第二特征作为输入而得到该第二特征之后的预测特征；步骤104：将预测特征输入训练好的睡眠分期模型，得到预测特征对应的睡眠分期；其中，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。
[0015]在本实施例中，首先将至少一帧待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧待处理的睡眠数据之后的预测特征；然后将预测特征输入训练好的睡眠分期模型，得到预测特征对应的睡眠分期，这样就可以利用人工智能的方式实现了对睡眠数据的自动分期，从而保证了睡眠数据的分期一致性；而且采用自监督学习的方式，可以从未标注的数据中心学习到表征，从而可以减轻标注的成本。
[0016]下面描述图1所示的各个步骤的执行方式。
[0017]针对步骤100：在本说明书一个实施例中，睡眠数据（即本说明书实施例提及的待处理的睡眠数据和待训练的睡眠数据）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。
[0018]在一些实施方式中，睡眠数据包括脑电数据、眼电数据和下颌肌电数据。
[0019]在该实施例中，由于睡眠数据是综合三个通道的信息（即包括脑电数据、眼电数据和下颌肌电数据），与相关技术中只根据单通道脑电数据进行睡眠分期的方式相比，上述方式可以有利于提高未知睡眠数据的分期准确率。
[0020]当然，睡眠数据也可以仅本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督的睡眠分期方法，其特征在于，包括：获取至少一帧待处理的睡眠数据；其中，所述待处理的睡眠数据为时间序列数据；将所述待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧所述待处理的睡眠数据之后的预测特征；其中，所述自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层，所述编码层包括多个第一编码器，所述编码层用于对睡眠数据进行特征提取而得到第一特征，所述递归层用于对所述第一特征进行表征学习而得到第二特征，所述预测层用于将最后一帧对应的第二特征作为输入而得到该第二特征之后的预测特征；将所述预测特征输入训练好的睡眠分期模型，得到所述预测特征对应的睡眠分期；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，所述递归层包括多个第一递归神经网络和一个第二递归神经网络，每个所述第一编码器的输出分别作为一个所述第一递归神经网络的输入，所有所述第一递归神经网络的输出作为所述第二递归神经网络的输入；所述第一递归神经网络用于对每个所述第一编码器输出的第一特征进行表征学习而得到过渡特征，所述第二递归神经网络用于对所有所述第一递归神经网络输出的过渡特征进行表征学习而得到第二特征。4.根据权利要求1所述的方法，其特征在于，所述自监督学习模型是通过如下方式训练的：获取多帧待训练的睡眠数据；其中，所述待训练的睡眠数据为时间序列数据；将所述待训练的睡眠数据按照时间顺序划分成多个训练批次；其中，每个所述训练批次均包括n帧睡眠数据，n为大于等于3的正整数；针对每一个训练批次，均执行：将当前训练批次的m帧睡眠数据输入到待训练的自监督学习模型中，得到所述m帧睡眠数据中最后一帧之后的样本预测特征；其中，m为大于1且小于n的正整数，所述样本预测特征的帧数为n
‑
m；将n
‑
m帧睡眠数据中的每帧睡眠数据分别输入到一个第二编码器中，得到n
‑
m帧睡眠数据的样本特征；其中，所述第二编码器的结构与所述第一编码器的结构相同；基于每一帧分别对应的所述样本预测特征和所述样本特征，确定正样本对和负样本对；将所述正样本对和所述负样本对输入到预设的损失函数中，以对待训练的自监督学习模型进行训练...

【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：