【技术实现步骤摘要】
基于时间自注意力与动态图卷积的睡眠分期分析系统及方法
[0001]本专利技术涉及基于时间自注意力与动态图卷积的睡眠分期分析系统及方法，该方法适用基于多通道睡眠信号的睡眠分期，从而支撑睡眠障碍相关疾病的诊断，属于睡眠健康监测
技术介绍
[0002]睡眠占据人一生的三分之一，监测睡眠质量存在重大需求。研究表明，良好的睡眠质量有利于身心健康。另一方面，失眠和睡眠呼吸暂停等睡眠障碍往往会导致睡眠质量下降，使人体产生健康问题。为了协助诊断睡眠障碍，基于多导睡眠图（PSG）的评估标准被用来支持睡眠阶段监测，其中PSG包括脑电图（EEG）、眼电图（EOG）、肌电图（EMG）和心电图（ECG）。根据美国睡眠医学会（AASM）的标准，PSG信号被分割成30秒的脑电信号片段，并被分为五个睡眠阶段，包括清醒期（W）、快速眼动期（REM）和三个非快速眼动期（NREM：N1、N2和N3）。注意到N3是由R&K规则中的第3和第4阶段合并而来的，因为这两个阶段的临床/生理差异有限。人工分类是十分耗时耗力且具有主观性的。因此，许多...
【技术保护点】
【技术特征摘要】
1.基于时间自注意力与动态图卷积的睡眠分期分析系统，其特征在于：该睡眠分期分析系统包括特征提取模块、注意力模块、时间信息处理模块、动态图卷积模块和特征融合模块；所述特征提取模块用于接收原始信号，并提取接收到的原始信号中脑电信号不同频段的特征，得到不同睡眠片段的特征向量，再将得到的不同睡眠片段的特征向量输出给注意力模块和动态图卷积模块；所述注意力模块用于接收特征提取模块输出的不同睡眠片段的特征向量，并根据接收到的不同睡眠片段的特征向量计算不同脑电通道之间的相关性，再根据计算得到的相关性结果聚合来自相邻脑电通道的特征向量，得到不同睡眠片段的聚合特征并输出给时间信息处理模块；所述时间信息处理模块用于接收注意力模块输出的不同睡眠片段的聚合特征，并根据接收到的不同睡眠片段的聚合特征提取不同睡眠片段之间的全局时间依赖关系作为时间特征，再将提取到的时间特征输出给特征融合模块；所述动态图卷积模块用于接收特征提取模块输出的不同睡眠片段的特征向量，并根据接收到的不同睡眠片段的特征向量构建不同睡眠片段的自适应邻接矩阵，再将构建的不同睡眠片段的自适应邻接矩阵和特征向量进行图卷积，得到空间特征，最后将得到的空间特征输出给特征融合模块；所述特征融合模块用于接收时间信息处理模块输出的时间特征和动态图卷积模块输出的空间特征，并将接收到的时间特征和空间特征进行特征融合，得到类别结果序列。2.根据权利要求1所述的基于时间自注意力与动态图卷积的睡眠分期分析系统，其特征在于：所述原始信号的获取方法为：在脑部不同位置放置电极来采集脑电信号，每个电极采集到的脑电信号均对应一个脑电通道，原始信号包括所有脑电通道采集到的脑电信号。3.根据权利要求2所述的基于时间自注意力与动态图卷积的睡眠分期分析系统，其特征在于：所述睡眠片段是指将原始信号按照30s一个片段进行分割，得到若干个睡眠片段。4.根据权利要求1
‑
3任一所述的基于时间自注意力与动态图卷积的睡眠分期分析系统，其特征在于：所述特征提取模块由五个卷积层和三个最大池化层组成，每个卷积层先进行一维卷积，得到卷积特征，再将得到的卷积特征输入到ReLU激活函数中，卷积层中卷积核的大小为脑电信号采样率的二分之一，每个最大池化层通过取最大值进行降采样。5.根据权利要求1所述的基于时间自注意力与动态图卷积的睡眠分期分析系统，其特征在于：所述注意力模块利用动态时间规整算法，计算不同脑电通道之间的相关性。6.根据权利要求1所述的基于时间自注意力与动态图卷积的睡眠分期分析系统，其特征在于：所述时间信息处理模块由多头注意力机制组成。7.根据权利要求1所述的基于时间自注意力与动态图卷积的睡眠分期分析系统，其特征在于：
所述根据相关性结果聚合来自相邻脑电通道的特征向量，得到的不同睡眠片段的聚合特征Q
i
为：Q
i
=X
i
×
softmax (DTW (X
i
,X
i
) W)其中，DTW (X
i
,X
i
)为DTW算法计算的N
×
N相关性矩阵，矩阵中的每一项DTW (X
i
,X
i
)
p，q
代表脑电通道p和通电通道q的相关性；softmax运算用于注意力权重矩阵的归一化；W∈R
N
×
N
是可学习参数，是由特征向量组成的特征矩阵，i=1，2，
…
，L，L为睡眠片段的个数，N是脑电通道个数，F
CNN
是特征提取模块提取特征向量的长度；j=1，2，
…
，N...
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。