一种基于CNN的睡眠自动分期方法、系统及存储介质技术方案

本发明专利技术公开了一种基于CNN的睡眠自动分期方法、系统及存储介质，方法包括：获取脑电波数据，对所述脑电波数据进行数据预处理，得到脑电信号；然后通过卷积睡眠网络对所述脑电信号进行睡眠分期；其中，所述卷积睡眠网络包括依次连接的多个连续的卷积池化模块和输出模块。本发明专利技术通过脑电信号的数据预处理，提高分期效率，进而通过依次连接的多个连续的卷积池化模块和输出模块的卷积睡眠网络实现单通道方式的睡眠分期，并基于多个连续的卷积池化模块提高网络的泛化能力，进而提高分期精度的效果，可广泛应用于脑电信号处理技术领域。可广泛应用于脑电信号处理技术领域。可广泛应用于脑电信号处理技术领域。

【技术实现步骤摘要】
一种基于CNN的睡眠自动分期方法、系统及存储介质


[0001]本专利技术涉及脑电信号处理
，尤其是一种基于CNN的睡眠自动分期方法、系统及存储介质。

技术介绍

[0002]1968年，Rechtschaffen和Kates根据人体睡眠时的脑电图、眼电图、肌电图，提出了R&K睡眠分期标准。
[0003]由于人工分期的方法费时费力、较为主观且易产生错误判断，学者们不断探寻自动睡眠分期的方法，深度学习的出现激发了自动睡眠分期领域的活力
[0004]但是目前睡眠分期的研究方法要么是多通道，高信息依赖性，要么是单通道，但精度低。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供一种高精度的，一种基于CNN的睡眠自动分期方法、系统及存储介质。
[0006]一方面，本专利技术实施例提供了一种基于CNN的睡眠自动分期方法，包括：
[0007]获取脑电波数据，对所述脑电波数据进行数据预处理，得到脑电信号；
[0008]通过卷积睡眠网络对所述脑电信号进行睡眠分期；
[0009]其中，所述卷积睡眠网络包括依次连接的多个连续的卷积池化模块和输出模块。
[0010]可选地，所述对所述脑电波数据进行数据预处理，包括：
[0011]通过滤波器对所述脑电波数据进行降噪处理；
[0012]对所述降噪处理后的脑电波数据进行标准化处理。
[0013]可选地，所述通过滤波器对所述脑电波数据进行降噪处理，包括：
[0014]将所述脑电波数据放入滤波器，通过带通滤波法保留预设频段的脑电波数据。
[0015]可选地，所述对所述降噪处理后的脑电波数据进行标准化处理，包括：
[0016]对所述降噪处理后的脑电波数据采用均值
‑
方差归一化进行标准化处理；
[0017]其中，所述均值
‑
方差归一化的表达式为：
[0018][0019]式中，z
i
表示均值
‑
方差归一化结果，x
i
表示第i个数据，表示数据的平均值，S表示数据整体的标准差。
[0020]可选地，所述通过卷积睡眠网络对所述脑电信号进行睡眠分期，包括：
[0021]通过多个连续的所述卷积池化单元对所述脑电信号进行多次卷积池化处理；
[0022]通过所述输出模块对多次所述卷积池化处理后的脑电信号依次进行扁平化处理、剔除处理、全连接处理和输出处理；
[0023]其中，所述卷积池化模块包括依次连接的两个卷积层、最大池化层和剔除层；所述
多个卷积池化模块一维线性连接，且中部的卷积池化模块的卷积核数量大于两端的卷积池化模块的卷积核数量；所述输出模块包括依次连接的扁平化层、剔除层、全连接层和归一化指数函数层。
[0024]可选地，所述方法还包括：
[0025]通过多个卷积池化模块和输出模块依次连接构建卷积睡眠网络；
[0026]其中，所述卷积池化模块包括依次连接的两个卷积层、最大池化层和剔除层；所述多个卷积池化模块一维线性连接，且中部的卷积池化模块的卷积核数量大于两端的卷积池化模块的卷积核数量；所述输出模块包括依次连接的扁平化层、剔除层、全连接层和归一化指数函数层；
[0027]通过均衡分布处理的数据集对所述卷积睡眠网络进行网络模型训练。
[0028]可选地，所述网络模型训练的方式，包括以下至少之一：
[0029]通过Adam优化器更新调整模型的权重参数和偏差参数；
[0030]通过正则化处理更新模型的损失函数参数。
[0031]另一方面，本专利技术实施例提供了一种基于CNN的睡眠自动分期系统，包括：
[0032]第一模块，用于获取脑电波数据，对所述脑电波数据进行数据预处理，得到脑电信号；
[0033]第二模块，用于通过卷积睡眠网络对所述脑电信号进行睡眠分期；其中，所述卷积睡眠网络包括依次连接的多个连续的卷积池化模块和输出模块。
[0034]另一方面，本专利技术实施例提供了一种电子设备，包括处理器以及存储器；
[0035]所述存储器用于存储程序；
[0036]所述处理器执行所述程序实现如前面所述的方法。
[0037]另一方面，本专利技术实施例提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0038]本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0039]本专利技术的实施例首先获取脑电波数据，对所述脑电波数据进行数据预处理，得到脑电信号；然后通过卷积睡眠网络对所述脑电信号进行睡眠分期；其中，所述卷积睡眠网络包括依次连接的多个连续的卷积池化模块和输出模块。本专利技术通过脑电信号的数据预处理，提高分期效率，进而通过依次连接的多个连续的卷积池化模块和输出模块的卷积睡眠网络实现单通道方式的睡眠分期，并基于多个连续的卷积池化模块提高网络的泛化能力，进而提高分期精度的效果。
附图说明
[0040]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。
[0041]图1为本专利技术实施例提供的一种基于CNN的睡眠自动分期方法的整体步骤流程示意图；
[0042]图2为本专利技术实施例提供的ConvSleepNet的结构示意图；
[0043]图3为本专利技术实施例提供的ConvSleepNet的总体结构框图；
[0044]图4为本专利技术实施例提供的softmax分类流程原理示意图；
[0045]图5为本专利技术实施例提供的最大池化层的信号处理流程原理示意图；
[0046]图6为本专利技术实施例提供的剔除层的结构原理示意图；
[0047]图7为本专利技术实施例提供的ConvSleepNet在十倍交叉验证中的混淆矩阵热力图。
具体实施方式
[0048]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0049]针对现有技术存在的问题，一方面，本专利技术提供了一种基于CNN的睡眠自动分期方法，如图1所示，方法包括以下步骤：
[0050]获取脑电波数据，对脑电波数据进行数据预处理，得到脑电信号；
[0051]通过卷积睡眠网络对脑电信号进行睡眠分期；
[0052]其中，卷积睡眠网络包括依次连接的多个连续的卷积池化模块和输出模块。
[0053]可选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN的睡眠自动分期方法，其特征在于，包括：获取脑电波数据，对所述脑电波数据进行数据预处理，得到脑电信号；通过卷积睡眠网络对所述脑电信号进行睡眠分期；其中，所述卷积睡眠网络包括依次连接的多个连续的卷积池化模块和输出模块。2.根据权利要求1所述的一种基于CNN的睡眠自动分期方法，其特征在于，所述对所述脑电波数据进行数据预处理，包括：通过滤波器对所述脑电波数据进行降噪处理；对所述降噪处理后的脑电波数据进行标准化处理。3.根据权利要求2所述的一种基于CNN的睡眠自动分期方法，其特征在于，所述通过滤波器对所述脑电波数据进行降噪处理，包括：将所述脑电波数据放入滤波器，通过带通滤波法保留预设频段的脑电波数据。4.根据权利要求2所述的一种基于CNN的睡眠自动分期方法，其特征在于，所述对所述降噪处理后的脑电波数据进行标准化处理，包括：对所述降噪处理后的脑电波数据采用均值
‑
方差归一化进行标准化处理；其中，所述均值
‑
方差归一化的表达式为：式中，z
i
表示均值
‑
方差归一化结果，x
i
表示第i个数据，表示数据的平均值，S表示数据整体的标准差。5.根据权利要求1所述的一种基于CNN的睡眠自动分期方法，其特征在于，所述通过卷积睡眠网络对所述脑电信号进行睡眠分期，包括：通过多个连续的所述卷积池化单元对所述脑电信号进行多次卷积池化处理；通过所述输出模块对多次所述卷积池化处理后的脑电信号依次进行扁平化处理、剔除处理、全连接处理和输出处理；其中，所述卷积池化模块包括依次...

【专利技术属性】
技术研发人员：王斐，谢轶帆，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：