一种睡眠分期结果确定方法、装置、设备及介质制造方法及图纸

本申请公开了一种睡眠分期结果确定方法、装置、设备及介质，涉及睡眠处理技术领域，包括对脑电信号数据进行切分，对切分后的各信号数据进行数据增强处理；对增强后信号数据下采样处理，得到下采样处理过程数据和下采样处理后的数据，对下采样处理后的数据进行全局特征提取操作，得到提取后数据；对提取后数据进行数据形状还原，得到还原后的特征矩阵，对特征矩阵上采样处理，得到上采样处理过程数据，将上采样处理过程数据与下采样处理过程数据进行数据拼接，得到数据特征信息；对数据特征信息进行映射，对映射后的数据特征信息进行睡眠阶段映射，得到睡眠分期结果，实现不同睡眠阶段的局部主要特征与全局特征的融合，提升睡眠分期算法的效能。期算法的效能。期算法的效能。

【技术实现步骤摘要】
一种睡眠分期结果确定方法、装置、设备及介质


[0001]本专利技术涉及睡眠处理
，特别涉及一种睡眠分期结果确定方法、装置、设备及介质。

技术介绍

[0002]睡眠过程是一个动态的过程，根据美国睡眠医学会（American Academy of Sleep Medicine，AASM）的睡眠标准，睡眠过程可被划分为：清醒期(W)、快速眼动期(Rapid Eye Movement，REM)和非快速眼动期(N)，非快速眼动期(N)又分为睡眠Ⅰ期(N1)，睡眠Ⅱ期(N2)，睡眠Ⅲ期(N3)。通常使用多导睡眠图(Polysomnography，PSG)记录睡眠过程中脑电、眼电、肌电等多导生理信号，然后再由经验丰富的睡眠专家进行判读，得出临床睡眠分期结果。然而在大量的睡眠数据下，人工判读耗时耗力，是对人力资源的极大浪费。自动睡眠分期方法主要包括传统的机器学习和近些年来基于神经网络的两大类方法。传统的机器学习通过构造特征工程，训练输出，得到睡眠分期结果。该类睡眠分期方法依赖于睡眠专家提取构造的特征空间，通常特征的可解释性比较强，针对某种特性分类效果明显，但是由于不同的分类系统所需求的特征不尽相同，甚至是同一分类系统的、不同数据集以及不同通道上的表现也有较大差异，导致该方法泛化能力较差。基于神经网络结构的睡眠分期方法，实现了通过深度学习技术自身提取睡眠特征，使得该类睡眠分期方法的分类准确率得到显著提升。当前卷积神经网络在医学睡眠分期领域占据主导地位，尽管卷积神经网络及其变种方法在睡眠分期模型中具有出色的表达能力，但是由于CNN（卷积神经网络）的固有局限性，使得其在建模时特征映射关系表现出较弱的性能，特别是在样本差异性较大的不同测试者之间，由于卷积神经网络侧重于提取局部特征，对于全局特征的刻画能力较弱，无法很好的捕获睡眠过渡规则。
[0003]由上可见，如何实现不同睡眠阶段的局部主要特征与全局特征的融合，多尺度的捕获睡眠过渡规则，进一步提升睡眠分期算法的效能，提高睡眠分期结果确定的准确性和效率是本领域有待解决的问题。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种睡眠分期结果确定方法、装置、设备及介质，能够实现不同睡眠阶段的局部主要特征与全局特征的融合，多尺度的捕获睡眠过渡规则，进一步提升睡眠分期算法的效能，提高睡眠分期结果确定的准确性和效率。其具体方案如下：第一方面，本申请公开了一种睡眠分期结果确定方法，应用于预设的睡眠分期网络框架，包括：获取脑电信号数据，并对所述脑电信号数据进行切分，以得到切分后的各信号数据，对切分后的各所述信号数据进行数据增强处理，以得到增强后信号数据；利用本地的编码器对所述增强后信号数据进行下采样处理，以得到下采样处理过
程数据和下采样处理后的数据，然后利用本地的注意力模块对所述下采样处理后的数据进行全局特征提取操作，以得到提取后数据；通过本地的维度变换模块对所述提取后数据进行数据形状还原，得到还原后的特征矩阵，利用本地的解码器对所述特征矩阵进行上采样处理，以得到上采样处理过程数据，将所述上采样处理过程数据与所述下采样处理过程数据进行数据拼接，以得到数据特征信息；利用本地的全连接层对所述数据特征信息进行映射，以得到映射后的所述数据特征信息，调用预设的归一化指数函数并对映射后的所述数据特征信息进行睡眠阶段映射，以得到睡眠分期结果。
[0005]可选的，所述对所述脑电信号数据进行切分，以得到切分后的各信号数据，对切分后的各所述信号数据进行数据增强处理，以得到增强后信号数据，包括：确定出数据切分时间间隔，按照所述数据切分时间间隔对所述脑电信号数据进行切分，以得到切分后的各数据片段；为切分后的各所述数据片段添加标签，以得到切分后的各信号数据，采用边界人工合成少数类过采样算法对切分后的各所述信号数据进行数据增强处理，以得到增强后信号数据。
[0006]可选的，所述利用本地的注意力模块对所述下采样处理后的数据进行全局特征提取操作，以得到提取后数据，包括：将所述下采样处理后的数据映射到本地的所述注意力模块，利用所述注意力模块对所述下采样处理后的数据进行计算，以得到查询向量、键向量以及值向量，基于所述查询向量、所述键向量以及所述值向量构建出多头注意力函数；基于所述多头注意力函数计算出多头注意力机制输出，依次利用所述注意力模块中的归一化层和多层感知机对所述多头注意力机制输出和所述多头注意力函数进行提取计算，得到提取后数据。
[0007]可选的，所述基于所述多头注意力函数计算出多头注意力机制输出，包括：对所述查询向量、所述键向量以及所述值向量进行线性映射，得到映射后所述查询向量、映射后所述键向量以及映射后所述值向量；对映射后所述查询向量、映射后所述键向量以及映射后所述值向量执行缩放点注意力，以得到各注意头，将各所述注意头串联并进行线性投影，得到多头注意力机制输出。
[0008]可选的，所述利用本地的编码器对所述增强后信号数据进行下采样处理，以得到下采样处理过程数据和下采样处理后的数据，包括：利用本地的编码器中的第一下采样层对所述增强后信号数据进行第一次下采样处理，以得到第一下采样处理过程数据和第一下采样处理后的数据，然后利用第二下采样层对所述第一下采样处理后的数据进行第二次下采样处理，以得到第二下采样处理过程数据和第二下采样处理后的数据；将所述第二下采样处理后的数据发送至所述编码器中的卷积层，以得到处理过程数据和下采样处理后的数据；其中，所述下采样处理过程数据包括所述第一下采样处理后的数据、所述第二下采样处理后的数据以及所述处理过程数据。
[0009]可选的，所述利用本地的解码器对所述特征矩阵进行上采样处理，以得到上采样
处理过程数据，将所述上采样处理过程数据与所述下采样处理过程数据进行数据拼接，以得到数据特征信息，包括：利用本地的解码器中的第一上采样层对所述特征矩阵进行第一次上采样处理，以得到第一上采样处理过程数据，将所述第一上采样处理过程数据与所述处理过程数据进行数据拼接，以得到第一数据特征信息，利用所述解码器中的第二上采样层对所述第一数据特征信息进行第二次上采样处理，以得到第二上采样处理过程数据，将所述第二上采样处理过程数据与所述第二下采样处理过程数据进行数据拼接，以得到第二数据特征信息；利用所述解码器中的第三上采样层对所述第二数据特征信息进行第三次上采样处理，以得到第三上采样处理过程数据，将所述第三上采样处理过程数据与所述第一下采样处理过程数据进行数据拼接，以得到第三数据特征信息，利用所述解码器中的卷积层对所述第三数据特征信息进行输出，以得到数据特征信息。
[0010]可选的，所述将所述第一上采样处理过程数据与所述处理过程数据进行数据拼接，以得到第一数据特征信息，包括：利用预设的第一横向连接层将所述编码器中的所述处理过程数据引入至所述解码器，然后利用所述解码器将所述第一上采样处理过程数据与所述处理过程数据进行数据拼接，以得到第一数据特征信息；相应的，所述将所述第二上采样处理过程数据与所述第二下采样处理过程数据进行数据拼接，以得到第二数据特征信息，包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种睡眠分期结果确定方法，其特征在于，应用于预设的睡眠分期网络框架，包括：获取脑电信号数据，并对所述脑电信号数据进行切分，以得到切分后的各信号数据，对切分后的各所述信号数据进行数据增强处理，以得到增强后信号数据；利用本地的编码器对所述增强后信号数据进行下采样处理，以得到下采样处理过程数据和下采样处理后的数据，然后利用本地的注意力模块对所述下采样处理后的数据进行全局特征提取操作，以得到提取后数据；通过本地的维度变换模块对所述提取后数据进行数据形状还原，得到还原后的特征矩阵，利用本地的解码器对所述特征矩阵进行上采样处理，以得到上采样处理过程数据，将所述上采样处理过程数据与所述下采样处理过程数据进行数据拼接，以得到数据特征信息；利用本地的全连接层对所述数据特征信息进行映射，以得到映射后的所述数据特征信息，调用预设的归一化指数函数并对映射后的所述数据特征信息进行睡眠阶段映射，以得到睡眠分期结果。2.根据权利要求1所述的睡眠分期结果确定方法，其特征在于，所述对所述脑电信号数据进行切分，以得到切分后的各信号数据，对切分后的各所述信号数据进行数据增强处理，以得到增强后信号数据，包括：确定出数据切分时间间隔，按照所述数据切分时间间隔对所述脑电信号数据进行切分，以得到切分后的各数据片段；为切分后的各所述数据片段添加标签，以得到切分后的各信号数据，采用边界人工合成少数类过采样算法对切分后的各所述信号数据进行数据增强处理，以得到增强后信号数据。3.根据权利要求1所述的睡眠分期结果确定方法，其特征在于，所述利用本地的注意力模块对所述下采样处理后的数据进行全局特征提取操作，以得到提取后数据，包括：将所述下采样处理后的数据映射到本地的所述注意力模块，利用所述注意力模块对所述下采样处理后的数据进行计算，以得到查询向量、键向量以及值向量，基于所述查询向量、所述键向量以及所述值向量构建出多头注意力函数；基于所述多头注意力函数计算出多头注意力机制输出，依次利用所述注意力模块中的归一化层和多层感知机对所述多头注意力机制输出和所述多头注意力函数进行提取计算，得到提取后数据。4.根据权利要求3所述的睡眠分期结果确定方法，其特征在于，所述基于所述多头注意力函数计算出多头注意力机制输出，包括：对所述查询向量、所述键向量以及所述值向量进行线性映射，得到映射后所述查询向量、映射后所述键向量以及映射后所述值向量；对映射后所述查询向量、映射后所述键向量以及映射后所述值向量执行缩放点注意力，以得到各注意头，将各所述注意头串联并进行线性投影，得到多头注意力机制输出。5.根据权利要求1至4任一项所述的睡眠分期结果确定方法，其特征在于，所述利用本地的编码器对所述增强后信号数据进行下采样处理，以得到下采样处理过程数据和下采样处理后的数据，包括：利用本地的编码器中的第一下采样层对所述增强后信号数据进行第一次下采样处理，以得到第一下采样处理过程数据和第一下采样处理后的数据，然后利用第二下采样层对所
述第一下采样处理后的数据进行第二次下采样处理，以得到第二下采样处理过程数据和第二下采样处理后的数据；将所述第二下采样处理后的数据发送至所述编码器中的卷积层，以得到处理过程数据和下采样处理后的数据；其中，所述下采样处理过程数据包括所述第一下采样处理后的数据、所述第二下采样处理后的数据以及所述处理过程数据。6.根据权利要求5所述的睡眠分期结果确定方法，其特征在于，所述利用本地的解码器对所述特征矩阵进行上采样处理，...

【专利技术属性】
技术研发人员：宫玉琳，李天星，陈晓娟，韩博，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：