睡眠障碍的可视化实时诊断系统及其诊断结果的可视化方法技术方案

本发明专利技术提供了一种睡眠障碍诊断结果的可视化方法以及一种睡眠障碍的可视化实时诊断系统。本发明专利技术的睡眠障碍的可视化实时诊断系统分两步进行睡眠障碍的实时诊断：首先，本申请基于在对生物电信号进行时间窗采样的基础上，对每个信号片段先进行睡眠阶段分期的判断，并对判断结果进行置信度检验和模型选择，并将高置信度的生物电信号片段输入疾病诊断模型以对睡眠障碍疾病进行诊断；然后，利用类别激活图谱算法，对已获得的自动实时诊断结果的信号片段进行回溯可视化，将计算机借以做出诊断结果的生物电信号片段进行可视化标注。这样可以做到消耗更少的计算资源来完成睡眠障碍诊断任务，而且方便医师进行直观地对比甄别，提高医师的读图效率。医师的读图效率。医师的读图效率。

【技术实现步骤摘要】
睡眠障碍的可视化实时诊断系统及其诊断结果的可视化方法


[0001]本专利技术涉及计算机
，且特别涉及一种基于深度卷积神经网络及类别激活图谱的睡眠障碍的可视化实时诊断系统，及睡眠障碍诊断结果的可视化方法。

技术介绍

[0002]睡眠活动是一项耗时长、过程复杂且不可控的生理活动，对于人的神经系统恢复起到至关重要的作用。睡眠障碍则通过各种形式影响这一生理过程，干扰、打断这一过程。不同的睡眠障碍有其不同的病因，但是其主诉症状可能有所重叠，所以目前临床上需要使用睡眠多导图这一诊断金标准进行睡眠相关的检查。根据美国睡眠医学会(AASM)的规则，睡眠时的复合生物信号的特征，可以将睡眠分为：清醒期(WAKE)、快速眼动期(REM)、非快速眼动I期(NREM
‑
I)、非快速眼动II期(NREM
‑
II)和非快速眼动III期(NREM
‑
III)。
[0003]睡眠多导图采集一段复合生物信号，通常包括受检者的脑电、眼电、心电、下颏肌电、口鼻气流及血氧饱和度等信号通道。睡眠多导图的检查结果通常涵盖患者的整夜睡眠时长的上述信号，但是由于其记录数据量大、信号噪音大等特点，只有少数受专业训练的医师才能够有效手工判读，且判读效率低。
[0004]现有的睡眠障碍诊断系统种类较少，且使用的诊断方法较为复杂，大多仅仅能够提供诊断结果而无法给出判读依据，难以直接被医师参考。

技术实现思路

[0005]为了解决现有的睡眠障碍诊断系统种类较少，且使用的诊断方法较为复杂，大多仅仅能够提供诊断结果而无法给出判读依据，难以直接被医师参考的技术问题，本申请的第一个方面提供一种睡眠障碍诊断结果的可视化方法，所述睡眠障碍诊断结果是通过分类器输出的，所述分类器是由具有特定结构及权重矩阵的感知机模型构成的，所述可视化方法包括：
[0006]步骤S1：加载构成所述分类器的感知机模型的结构及权重矩阵；
[0007]步骤S2：实时获取所述睡眠障碍诊断结果，将所述睡眠障碍诊断结果以独热编码的形式输入分类器的输出层，并计算诊断结果沿着模型的结构及权重矩阵从输出层传播至模型的传递至输入层的梯度其中，y
c
为目标疾病，为相对于输入层的第k个维度的元素A
k
的梯度；
[0008]步骤S3：将梯度输入一维深度卷积神经网络，并将梯度回传至一维深度卷积神经网络的输入层，并进行全局平均池化，从而获得该卷积核k在诊断鉴别疾病c中的重要性权重其可表示为
[0009]步骤S4：对重要性权重进行线性整流单元激活，获取重要性权重高于其阈值的生物电信号片段的时间信息；重要性权重的阈值是由使用者结合实际情况选择的一个数
值，示例地为0.50；
[0010]步骤S5：根据时间信息在原始生物电信号片段上实时地叠加标注有睡眠障碍疾病类别的显著性图谱。
[0011]本申请的第二个方面提供一种睡眠障碍的可视化实时诊断系统，包括信号采集模块、睡眠障碍实时诊断单元和睡眠障碍实时呈现单元；其中，所述睡眠障碍实时诊断单元包括获取信号片段模块、预处理模块、提取关键特征模块、判别睡眠分期模块、模型选择模块、分类器模块和诊断结果输出模块；其中，所述睡眠障碍实时呈现单元包括分类器加载模块、计算模块、回传模块、激活模块和显示模块；
[0012]所述信号采集模块，用于采集生物体的生物电信号；
[0013]所述获取信号片段模块，用于设定时间窗的窗宽及步长，并根据设定的时间窗切分所述生物电信号以获得设定长度的生物电信号片段；
[0014]所述预处理模块，用于对生物电信号片段进行预处理；
[0015]所述提取关键特征模块，用于利用一维深度卷积神经网络提取生物电信号片段的关键特征；
[0016]所述判别睡眠分期模块，用于将所述关键特征输入到采用多个全连接神经网络的分类器中，然后由全连接网络的密集连接结构完成信号关键特征的特征空间至睡眠阶段分期的结果空间的空间映射，从而获得睡眠的阶段分期信息，其中，理想的结果空间以独热编码表示，全连接网络的输出信息经过softmax激活，将呈现为相加之和为1的一维张量，该张量的最大值即为本次关键特征的睡眠分期置信度；
[0017]所述模型选择模块，用于当生物电信号片段的睡眠分期置信度大于等于0.70时，从模型库中对睡眠分期置信度大于等于0.70的生物电信号片段选择合适的二分类的感知机模型集合；
[0018]所述分类器模块，用于通过二分类的感知机模型集合中的多个感知机模型串联，并使用以感知机为核心的决策树方法，通过一层或多层感知机对生物电信号片段的关键特征进行睡眠障碍的诊断，每一次疾病判别过程都将疾病诊断的范围进行缩小，使诊断的置信度提高，最终得到关键特征所描绘的睡眠障碍的诊断结果；
[0019]所述诊断结果输出模块，用于将分类器模块判别的睡眠障碍诊断结果实时地输出；
[0020]所述分类器加载模块，用于调用分类器模块并加载感知机模型的结构及权重矩阵；
[0021]所述计算模块，用于将诊断结果以独热编码的形式输入分类器的输出层，并计算诊断结果沿着模型的结构及权重矩阵从输出层传播至模型的传递至输入层的梯度其中，y
c
为目标疾病，为相对于输入层的第k个维度的元素A
k
的梯度；
[0022]所述回传模块，用于将梯度输入一维深度卷积神经网络，并将梯度回传至一维深度卷积神经网络的输入层，并进行全局平均池化，从而获得该卷积核k在诊断鉴别疾病c中的重要性权重其可表示为
[0023]所述激活模块，用于对重要性权重进行线性整流单元激活，获取重要性权重高于其阈值的生物电信号片段的时间信息；重要性权重的阈值是由使用者结合实际情况选择的一个数值，示例地为0.50；
[0024]所述显示模块，用于根据时间信息在原始生物电信号片段上实时地叠加标注有睡眠障碍疾病类别的显著性图谱。
[0025]进一步地，所述提取关键特征模块，用于利用多层的一维卷积层构建深度卷积神经网络以提取生物电信号片段的关键特征，所述深度卷积神经网络通过卷积层的局部感受野特性对生物电信号的局部特征进行提取，而不过度重构特征空间，并且不对滤波后的时域信号片段特征进行进一步的转换，所述多层的一维深度卷积神经网络由若干卷积层构成，每一个卷积层l都通过该层卷积核W
(l)
卷积前一层的输入数据X
(l
‑
1)
，并加上该层的偏差系数b
(l)
，即，卷积层l的输出值可表示为
[0026]进一步地，当获得由具有特定结构及权重矩阵的感知机模型构成的所述分类器时，利用已知的睡眠障碍疾病类型和睡眠阶段分期的数据以训练获得一维深度卷积神经网络的最优的网络结构和网络权重矩阵，所述训练是指使用尽可能多的经过专业医师标注的含有睡眠阶段分期及睡眠障碍疾病诊断结果的生物电信号数据作为感知机模型的输入、医师标注的睡眠障碍疾病诊断结果作为感知机模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种睡眠障碍诊断结果的可视化方法，其特征在于，所述睡眠障碍诊断结果是通过分类器输出的，所述分类器是由具有特定结构及权重矩阵的感知机模型构成的，所述可视化方法包括：步骤S1：加载构成所述分类器的感知机模型的结构及权重矩阵；步骤S2：实时获取所述睡眠障碍诊断结果，将所述睡眠障碍诊断结果以独热编码的形式输入分类器的输出层，并计算诊断结果沿着模型的结构及权重矩阵从输出层传播至模型的传递至输入层的梯度其中，y
c
为目标疾病，为相对于输入层的第k个维度的元素A
k
的梯度；步骤S3：将梯度输入一维深度卷积神经网络，并将梯度回传至一维深度卷积神经网络的输入层，并进行全局平均池化，从而获得该卷积核k在诊断鉴别疾病c中的重要性权重其可表示为步骤S4：对重要性权重进行线性整流单元激活，获取重要性权重高于其阈值的生物电信号片段的时间信息；步骤S5：根据时间信息在原始生物电信号片段上实时地叠加标注有睡眠障碍疾病类别的显著性图谱。2.一种睡眠障碍的可视化实时诊断系统，其特征在于，包括信号采集模块、睡眠障碍实时诊断单元和睡眠障碍实时呈现单元；其中，所述睡眠障碍实时诊断单元包括获取信号片段模块、预处理模块、提取关键特征模块、判别睡眠分期模块、模型选择模块、分类器模块和诊断结果输出模块；其中，所述睡眠障碍实时呈现单元包括分类器加载模块、计算模块、回传模块、激活模块和显示模块；所述信号采集模块，用于采集生物体的生物电信号；所述获取信号片段模块，用于设定时间窗的窗宽及步长，并根据设定的时间窗切分所述生物电信号以获得设定长度的生物电信号片段；所述预处理模块，用于对生物电信号片段进行预处理；所述提取关键特征模块，用于利用一维深度卷积神经网络提取生物电信号片段的关键特征；所述判别睡眠分期模块，用于将所述关键特征输入到采用多个全连接神经网络的分类器中，然后由全连接网络的密集连接结构完成信号关键特征的特征空间至睡眠阶段分期的结果空间的空间映射，从而获得睡眠的阶段分期信息，其中，理想的结果空间以独热编码表示，全连接网络的输出信息经过softmax激活，将呈现为相加之和为1的一维张量，该张量的最大值即为本次关键特征的睡眠分期置信度；所述模型选择模块，用于当生物电信号片段的睡眠分期置信度大于等于0.70时，从模型库中对睡眠分期置信度大于等于0.70的生物电信号片段选择合适的二分类的感知机模型集合；所述分类器模块，用于通过二分类的感知机模型集合中的多个感知机模型串联，并使用以感知机为核心的决策树方法，通过一层或多层感知机对生物电信号片段的关键特征进
行睡眠障碍的诊断，每一次疾病判别过程都将疾病诊断的范围进行缩小，使诊断的置信度提高，最终得到关键特征所描绘的睡眠障碍的诊断结果；所述诊断结果输出模块，用于将分类器模块判别的睡眠障碍诊断结果实时地输出；所述分类器加载模块，用于调用分类器模块并加载感知机模型的结构及权重矩阵；所述计算模块，用于将诊断结果以独热编码的形式输入分类器的输出层，并计算诊断结果沿着模型的结构及权重矩阵从输出层传播至模型的传递至输入层的梯度其中，y
c
为目标疾病，为相对...

【专利技术属性】
技术研发人员：尹又，库逸轩，赵匡是，庄建华，贺斌，李澎，陈晓晗，龚宝峰，储坚坚，梁文丹琪，
申请(专利权)人：上海长征医院，
类型：发明
国别省市：