【技术实现步骤摘要】
一种睡眠纺锤波智能识别方法及系统
[0001]本专利技术属于信息技术、医疗
,具体涉及一种基于同步挤压小波变换和迁移学习的睡眠纺锤波智能识别方法及系统。
技术介绍
[0002]根据世界卫生组织的调查显示,27%的人具有睡眠问题,睡眠障碍已经成为威胁公众健康的突出问题。然而目前睡眠障碍疾病的诊断大多还是依靠睡眠质量量表等主观方式进行分析,缺少客观的诊断依据。随着脑电信号的发展,纺锤波逐渐进入了研究者们的视野。睡眠纺锤波反映了11Hz
‑
16Hz频率范围内大脑在睡眠期间的瞬态爆发行为,在脑电图上显示为纺锤状波形。美国睡眠医学学会将其定义为频率在11
‑
16Hz,且持续时长在0.5
‑
3s呈纺锤状的正弦波形。
[0003]睡眠纺锤波是所有睡眠信号中非常重要并且具有代表性的波形,主要通过丘脑皮层网络和丘脑网状核的相互作产生。目前,已有相关研究提示睡眠纺锤体与多种脑部疾病如帕金森病、阿尔茨海默病、癫痫、精神分裂症等具有潜在相关性。睡眠纺锤波减弱或消失,在提示脑功能障碍的同时,还往往伴随着器质性改变。有研究表明,对于一些颅脑外伤的患者,纺锤波的出现往往对临床预后具有积极的提示意义。因此,实现纺锤波的自动化、智能化检测,对探索睡眠的生理机制、睡眠障碍、认知活动以及神经生理学研究中有着重要意义。
[0004]通过对纺锤波的分析,可以对个体认知、记忆以及部分脑部疾病等健康状况进行研究判别。目前临床上仍把人工检测当作睡眠脑电波分析过程中的金标准,大部分依赖于专家 ...
【技术保护点】
【技术特征摘要】
1.一种睡眠纺锤波智能识别方法,其特征在于,包括以下步骤:获取标注的脑电波信号;对获取的标注的脑电波信号按照时间进行分段,得到脑电信号片段;对脑电信号片段进行同步挤压小波变换;将同步挤压小波变换后的一维脑电信号转换为二维时频图;利用二维时频图训练睡眠纺锤波分类识别神经网络;将待识别的脑电波信号进行分段并进行同步挤压小波变换后输入到训练完成后的睡眠纺锤波分级分类识别神经网络,识别出待识别的脑电波信号中是否包含纺锤波信号。2.根据权利要求1所述的睡眠纺锤波智能识别方法,其特征在于,所述获取标注的脑电波信号,包括:由人工标注出采集的脑电波信号中各纺锤波的关键信号节点,从而获得各纺锤波起始点、终止点和持续时间的具体数值。3.根据权利要求2所述的睡眠纺锤波智能识别方法,其特征在于,所述对获取的标注的脑电波信号按照时间进行分段,得到脑电信号片段,包括:对原始脑电信号进行预处理,包括去噪和重采样;以标注的纺锤波起始点为基准,向后延伸固定时长的时间段进行分段提取,提取出n个包含纺锤波信号的脑电信号片段,作为训练正样本;随后在非标注脑电信号中随机抽取数量一致的不包含纺锤波信号的相同固定时长的片段,作为训练负样本。4.根据权利要求3所述的睡眠纺锤波智能识别方法,其特征在于,所述固定时长为1.5s。5.根据权利要求1所述的睡眠纺锤波智能识别方法,其特征在于,所述利用二维时频图训练睡眠纺锤波分类识别神经网络,包括:通过迁移学习将二维时频图输入到具有预训练权重的ConvNeXt网络中,对其进行训练,通过ConvNeXt网络得到输出值Y,完成纺锤波的二分类识别。6.根据权利要求5所述的睡眠纺锤波智能识别方法,其特征在于,所述ConvNeXt网络的骨干网络分为四个阶段,根据图像大小将二维时频图定义为T
×
H
×
W的3维特征数组,表示为X (T
×
H
×
W);所述四个阶段包括:第一个阶段,X经过一个步长为4的4
×
4的卷积层进行降采样,以达到合适的特征映射大小,特征图缩小至1/4,通道数不变,得到S1(T
×
H/4
×
W/4),S1经过标准化层后输入3个ConvNeXt块拼接的模块中,每个ConvNeXt块由步长为1的7
×
7深度卷积层、标准化层、1
×
1的卷积层、高斯误差线性单元激活函数以及最后一层1
×
1的卷积层组成;经过第一阶段的3个ConvNeXt块后的特征图图像大小不变,通道数变为96,得到S2(96
×
H/4
×
W/4);第二个...
【专利技术属性】
技术研发人员:夏邵君,孔祥星,王芝楠,孙应实,朱海涛,张晓燕,李晓婷,林天烨,杨青默,
申请(专利权)人:北京肿瘤医院北京大学肿瘤医院,
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。