一种基于特征重建的单通道脑电图自动睡眠分期方法技术

本发明专利技术提供一种基于特征重建的单通道脑电图自动睡眠分期方法，包括：采集与标注整夜睡眠单通道脑电图，获得用于训练模型的数据集；预处理所述数据集，进行数据标准化和数据增广；建立并初始化模型，使用所述与预处理后的数据集对模型进行无监督的预训练与有监督的训练；使用训练好的模型实现睡眠阶段的标注。本发明专利技术仅仅通过单通道的脑电信号即可进行睡眠分期的准确预测，降低了患者就诊的不适感与信号采集难度。与信号采集难度。与信号采集难度。

【技术实现步骤摘要】
一种基于特征重建的单通道脑电图自动睡眠分期方法


[0001]本专利技术涉及采用深度学习用于脑电图分类领域，具体地，涉及一种基于特征重建的单通道脑电图自动睡眠分期方法。

技术介绍

[0002]在整夜的睡眠过程中，人体的脑部，肌肉与心脏等部位的活动处于一个动态变化的过程，由此可将睡眠的状态进行分类。根据美国睡眠协会的标准，根据由脑电图，心电图眼电图与肌电图等信号组成的多导睡眠图，每三十秒的睡眠状态可分为五个阶段：清醒，快速眼动睡眠，非快速眼动睡眠一期，非快速眼动睡眠二期，非快速眼动睡眠三期。
[0003]每个睡眠阶段都对人体的健康起着必要的作用，因此，睡眠分期是睡眠质量评估与睡眠相关疾病检测的重要手段。
[0004]睡眠分期主要由具有多年经验的睡眠专家完成，但此做法具有以下局限：
[0005](1)整晚睡眠分期极其耗时，睡眠专家需要将每三十秒的多个通道的信号分类到一种睡眠阶段中，然而整晚的睡眠信号往往长达八个小时，因此整个过程需要耗费睡眠专家的大量时间，患者也需要长时间等待才能拿到结果；
[0006](2)睡眠分期十分困难，只有具有多年经验的睡眠专家才能进行睡眠分期，且由于受到工作时间与主观经验的影响，两位睡眠专家所给出的睡眠分期结果往往也会出现差异。因此，许多研究人员开始关注如何实现自动地睡眠分期。
[0007]早期的一些研究人员基于模式识别建造自动睡眠分期系统。然而，各个睡眠阶段对应的模式较为复杂，很难对其进行识别，限制了系统的表现。此后研究人员通过机器学习建立自动睡眠分期模型，此类方法首先由研究人员手动的提取出每三十秒多导睡眠图中的各种特征，再将特征送入神经网络，支持向量机与随机森林等机器学习模型中进行分类。此方法具有以下缺陷：(1)分类性能极其依赖于如何选择手动提取的特征，而特征的选择并无明确标准，仅仅依赖研究员的经验；(2)睡眠阶段的变化具有一定的转移规则，从单个三十秒信号片段中提取的特征无法准确地反映睡眠阶段之间的转移关系。
[0008]随着近些年来计算机算力的提升，深度学习得到了越来越多研究人员的关注，且在计算机视觉和自然语言处理等任务上达成了极其优秀的结果。因此，许多睡眠相关的研究人员开始尝试利用深度学习实现自动睡眠分期。不同于机器学习必须进行手动地提取特征，深度学习可利用卷积神经网络直接实现特征的自动提取，从而实现端到端的自动睡眠分期系统。
[0009]基于睡眠专家，模式识别和机器学习的睡眠分期系统往往都需测量整晚的多导睡眠图，然而整晚的多导睡眠图由多通道的信号组成，需要专业的大型仪器，测量极其麻烦且患者体感较差。由于不同的睡眠阶段具有不同频段的睡眠脑波，多数基于深度学习的自动睡眠分期模型仅仅依靠单通道的脑电图即可完成睡眠分期，单通道脑电图可通过小型设备检测，测量较为简单且患者测量过程更舒适。
[0010]不同于计算机视觉任务，基于脑电图的自动睡眠分期存在以下技术难题：(1)脑电
图数据信息密度低。为了避免信号的失真，脑电图通常以一个较高的采样率进行采集(通常大于100Hz)，故具有较高的数据维度，导致信息密度较低，同等数据维度信息含量远远小于图像；(2)睡眠阶段之间具有转移关系。睡眠分期标准要求睡眠标注要同时关注对应脑电图片段与其相邻脑电图片段，且整晚睡眠中睡眠阶段的变化情况具有一定规律；(3)脑电图包含大量噪声。脑电图本身是微弱的电位信号，测量过程中会无可避免地引入身体移动和测量误差等情况带来的噪声。基于脑电图的自动睡眠分期模型必须考虑以上问题，现有的模型可依据结构分为纯卷积神经网络模型和卷积与循环神经网络混合模型。
[0011]纯卷积神经网络模型即是只包含卷积层的神经网络，如U
‑
Time模型。卷积层由于其所具有的平移不变性与局部性等特征，常常被用于处理图像。脑电图信号作为一维的数据序列，可被视为一种特殊的图像。在自动睡眠分期任务中，模型每次接受一定长度的连续的脑电图片段序列，输出对应的睡眠片段序列。随着卷积层数的不断增加，模型的感受野逐渐扩大，因此能够从相邻的连续脑电图片段中提取特征，从而隐式地对睡眠转移规则进行编码。然而，正如上面提到，三十秒的脑电图片段数据维度较高，为了提取到连续睡眠片段的特征，对模型的感受野具有较高要求，从而导致了模型较为复杂，运行较为缓慢且参数量较高。
[0012]卷积与循环神经网络混合模型在卷积神经网络后引入了循环神经网络，如TinySleepNet。循环神经网络的引入使得模型可以提取时序关系，因此，模型中卷积神经网络部分从单个脑电图片段中提取特征，而其后的循环神经网络部分学习相邻睡眠片段之间的转移关系。此类模型虽然降低了感受野的要求，但较浅的模型导致了卷积神经网络部分的输出具有较高的时间维度，且循环神经网络的引入加大了模型训练的难度。

技术实现思路

[0013]针对现有技术中的缺陷，本专利技术的目的是提供一种基于特征重建的单通道脑电图自动睡眠分期方法。
[0014]根据本专利技术的一个方面，提供一种基于特征重建的单通道脑电图自动睡眠分期方法，包括：
[0015]采集与标注整夜睡眠单通道脑电图，获得用于训练模型的数据集；
[0016]预处理所述数据集，进行数据标准化和数据增广；
[0017]建立并初始化模型，使用所述与预处理后的数据集对模型进行无监督的预训练与有监督的训练；
[0018]使用训练好的模型实现睡眠阶段的标注。
[0019]优选地，所述采集与标注整夜睡眠脑电图，获得用于训练模型的数据集，包括：通过采集设备对Fpz
‑
Cz单通道脑电图进行测量，去除包含受试者体动带来噪声的片段与非睡眠阶段的片段。
[0020]优选地，所述数据预处理，包括：
[0021]对每条整晚睡眠脑电记录进行均值为0，方差为1或中位数为0，四分位数差为1的标准化；
[0022]每个训练轮次内随机挑选若干三十秒睡眠片段进行平移与反转，以实现数据增广。
[0023]优选地，所述建立的模型，包括：
[0024]卷积重建模块，所述卷积重建模块采用第二卷积神经网络，所述第二卷积神经网络包括前向部分和反向部分；所述前向部分提取所述输入图像的特征，所述反向部分对前向部分第一层的输出特征进行重建并输出；
[0025]全局最大与平均池化模块，所述全局最大与平均池化模块对所述卷积重建模块中输出的特征进行数据降维，并提取时不变特征。
[0026]优选地，所述建立的模型，还包括：
[0027]低层特征提取模块，所述低层特征提取模块采用第一卷积神经网络，对输入的脑电图进行特征提取与降维，得到低层特征，作为所述卷积重建模块的输入；
[0028]循环神经网络模块，所述循环神经网络模块采用第一循环神经网络，同时接收循环神经网络模块对于上一脑电图片段的输出与全局最大与平均池化模块的输出作为输入，学习睡眠片段间的转移关系，输出睡眠分期结果。
[0029]优选地，所述第一卷积神经网络，包括：1层卷积层，1层最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，包括：采集与标注整夜睡眠单通道脑电图，获得用于训练模型的数据集；预处理所述数据集，进行数据标准化和数据增广；建立并初始化模型，使用所述预处理后的数据集对模型进行无监督的预训练与有监督的训练；使用训练好的模型实现睡眠阶段的标注。2.根据权利要求1所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述采集与标注整夜睡眠脑电图，获得用于训练模型的数据集，包括：通过采集设备对Fpz
‑
Cz单通道脑电图进行测量，去除包含受试者体动带来噪声的片段与非睡眠阶段的片段。3.根据权利要求1所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述数据预处理，包括：对每条所述整晚睡眠脑电图数据进行均值为0、方差为1或中位数为0、四分位数差为1的标准化；每个训练轮次内随机挑选若干个三十秒睡眠片段；将所述三十秒睡眠片段逐个进行平移和反转，实现数据增广。4.根据权利要求1所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述建立的模型，包括：卷积重建模块，所述卷积重建模块采用第二卷积神经网络，所述第二卷积神经网络包括前向部分和反向部分；所述前向部分提取所述输入图像的特征，所述反向部分对前向部分第一层的输出特征进行重建并输出；全局最大与平均池化模块，所述全局最大与平均池化模块对所述卷积重建模块中输出的特征进行数据降维，并提取时不变特征。5.根据权要求4所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述建立的模型，还包括：低层特征提取模块，所述低层特征提取模块采用第一卷积神经网络，对输入的脑电图进行特征提取与降维，得到低层特征，作为所述卷积重建模块的输入；循环神经网络模块，所述循环神经网络模块采用第一循环神经网络，同时接收循环神经网络模块对于上一脑...

【专利技术属性】
技术研发人员：聂浩东，涂仕奎，徐雷，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：