睡眠信号分期和分类方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及一种睡眠信号分期和分类方法、装置、电子设备及存储介质。本发明专利技术所述的睡眠信号分期和分类方法包括：获取脑电图信号，并提取所述脑电图信号的微分熵特征和统计特征；将所述微分熵特征和所述统计特征输入训练好的睡眠分期网络，得到所述脑电图信号对应的睡眠分期结果；根据所述睡眠分期结果提取特征向量，并将所述特征向量输入训练好的分类网络，得到所述脑电图信号对应的分类结果；所述分类结果指示所述脑电图信号对应UDD患者、BD患者和健康人群。本发明专利技术所述的睡眠信号分期和分类方法，基于各睡眠阶段的置信分数设计了一种通道注意力机制，以补充常用的时间注意力机制，提升多通道自动睡眠分期方法的准确率。提升多通道自动睡眠分期方法的准确率。提升多通道自动睡眠分期方法的准确率。

【技术实现步骤摘要】
睡眠信号分期和分类方法、装置、电子设备及存储介质


[0001]本专利技术涉及脑电信号处理
，特别是涉及一种睡眠信号分期和分类方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，基于多导睡眠图的睡眠分期方法是分析评估人类睡眠的金标准，传统睡眠分期工作是睡眠领域相关从业人员根据美国睡眠医学学会(American Academy of Sleep Medicine，AASM)制定的AASM标准进行人工睡眠分期。人工分期工作内容重复且耗时，而且AASM曾召集超过2500名睡眠评分工作者对同一组数据进行睡眠分期，平均分期准确率仅为82.6％，其中多数人员从业时间超过三年，这表明人工睡眠分期工作还存在主观性强的问题，因此亟需高准确率的自动睡眠分期技术来辅助或替代人工睡眠分期。
[0003]目前多数自动睡眠分期技术都基于单通道信号，这与采集单通道生理信号较为方便有关，然而基于单通道信号的自动睡眠分期方法的准确率易受信号伪迹的影响，因此基于多通道生理信号的自动睡眠分期技术准确率的上限往往较基于单通道信号的技术高，更适合应用于临床实践。然而大多数多通道自动睡眠分期方法只是单通道方法的简单叠加，注重于建模时间相邻帧之间的相互依赖性却忽略了各通道生理信号之间的相互依赖性以及各通道与睡眠阶段的相关性。此外，睡眠分期是评价睡眠质量的重要手段，但自动睡眠分期在医疗领域的应用研究却很少，许多临床研究报道了健康人群和不同种类抑郁症患者之间睡眠结构的差异，这表明睡眠结构特征是检测抑郁症的可行生物标志物。
[0004]神经科学、心理学及行为认知学领域的相关研究表明，EEG信号与大多数的心理活动及行为认知相互关联，因此EEG信号常被用于对精神障碍类疾病如抑郁症的研究。值得注意的是，除了清醒状态下的任务态或静息态EEG信号对抑郁症检测的研究有帮助，睡眠EEG信号在经过睡眠分期后表现出的睡眠结构特征也能辅助检测抑郁症，然而目前大部分基于生理信号的自动抑郁症检测的研究都是使用清醒状态下的EEG信号的各项特征，忽略了抑郁症患者与健康人群相异的睡眠结构特征。

技术实现思路

[0005]基于此，本专利技术的目的在于，提供一种睡眠信号分期和分类方法、装置、电子设备及存储介质，基于各睡眠阶段的置信分数设计了一种通道注意力机制，以补充常用的时间注意力机制，通道注意力机制能有效地学习各生理信号通道间的相互依赖性，且自适应地关注与当前睡眠阶段更相关的通道，提升多通道自动睡眠分期方法的准确率。
[0006]第一方面，本专利技术提供一种睡眠信号分期和分类方法，包括以下步骤：
[0007]获取用户的脑电图信号；
[0008]对所述脑电图信号进行提高信噪比的预处理后，进行分段处理，得到若干个时间长度相同的连续的睡眠帧；
[0009]提取所述睡眠帧的微分熵特征和统计特征，并使用所述微分熵特征和所述统计特
征构造特征矩阵；
[0010]将所述特征矩阵输入训练好的睡眠分期网络，得到所述脑电图信号对应的睡眠分期结果；所述睡眠分期网络包括顺次连接的时间注意力机制模块、通道注意力机制模块、时间卷积网络和softmax分类器；
[0011]根据所述睡眠分期结果提取特征向量，并将所述特征向量输入训练好的分类网络，得到所述脑电图信号对应的分类结果；所述分类结果指示所述脑电图信号对应UDD患者、BD患者和健康人群。
[0012]进一步地，所述时间注意力机制模块对所述特征矩阵进行如下处理：
[0013]使用如下公式，计算时间注意力矩阵：
[0014]Q＝V
l
·
(((C
l
‑1)
T
M1)M2(M3X
l
‑1)+b
l
)
[0015]Q'＝softmax(Q)
[0016]其中，Q为时间注意力矩阵，表示相邻睡眠帧之间的关联程度，V
l
,,以及是时间注意力机制的可学习参数，是第l层的输入数据；Softmax()表示将Q通过softmax层得到归一化矩阵Q'；
[0017]通过矩阵乘法根据Q'更新每个睡眠帧的特征权重。
[0018]进一步地，所述通道注意力机制模块对所述特征矩阵进行如下处理：
[0019]通过GAP层、FC层、softmax层，得到当前睡眠帧每个睡眠阶段类别的概率c
l
；
[0020]使用如下公式，从c
l
获得通道注意力向量p：
[0021]p＝Sigmoid(FC(c
l
))
[0022]其中，FC层用于激励置信向量c
l
；
[0023]通过Hadamard乘法根据通道注意力向量p更新X
I
‑1生理信号通道维度的权重。
[0024]进一步地，所述时间卷积网络之前还包括串行CNN架构和残差结构；
[0025]所述串行CNN架构包括CNN层、归一化层、ReLU激活层、池化层和Dropout层。
[0026]进一步地，将所述特征矩阵输入训练好的睡眠分期网络，得到所述脑电图信号对应的睡眠分期结果之后，还包括以下步骤：
[0027]根据所述睡眠分期结果，生成睡眠生理信号的频谱图与睡眠结构图。
[0028]进一步地，对所述脑电图信号进行预处理，包括陷波滤波、带通滤波、去除伪迹、降噪、标准化和降采样。
[0029]进一步地，所述脑电图信号的微分熵特征包括0.5
‑
4Hz、2
‑
6Hz、4
‑
8Hz、6
‑
11Hz、8
‑
14Hz、11
‑
22Hz、14
‑
31Hz、22
‑
40Hz和31
‑
50Hz共9个交叉频带上的微分熵特征；
[0030]所述脑电图信号的统计特征包括平均值、均方根误差、偏度、峰度、波形因子、峰值因子、脉冲因子和裕度因子。
[0031]第二方面，本专利技术还提供一种睡眠信号分期和分类装置，包括：
[0032]信号获取模块，用于获取用户的脑电图信号；
[0033]信号预处理模块，用于对所述脑电图信号进行提高信噪比的预处理后，进行分段处理，得到若干个时间长度相同的连续的睡眠帧；
[0034]特征提取模块，用于提取所述睡眠帧的微分熵特征和统计特征，并使用所述微分熵特征和所述统计特征构造特征矩阵；
[0035]睡眠分期模块，用于将所述特征矩阵输入训练好的睡眠分期网络，得到所述脑电图信号对应的睡眠分期结果；所述睡眠分期网络包括顺次连接的时间注意力机制模块、通道注意力机制模块、时间卷积网络和softmax分类器；
[0036]信号分类模块，用于根据所述睡眠分期结果提取特征向量，并将所述特征向量输入训练好的分类网络，得到所述脑电图信号对应的分类结果；所述分类结果指示所述脑电图信号对应UD本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种睡眠信号分期和分类方法，其特征在于，包括以下步骤：获取用户的脑电图信号；对所述脑电图信号进行提高信噪比的预处理后，进行分段处理，得到若干个时间长度相同的连续的睡眠帧；提取所述睡眠帧的微分熵特征和统计特征，并使用所述微分熵特征和所述统计特征构造特征矩阵；将所述特征矩阵输入训练好的睡眠分期网络，得到所述脑电图信号对应的睡眠分期结果；所述睡眠分期网络包括顺次连接的时间注意力机制模块、通道注意力机制模块、时间卷积网络和softmax分类器；根据所述睡眠分期结果提取特征向量，并将所述特征向量输入训练好的分类网络，得到所述脑电图信号对应的分类结果；所述分类结果指示所述脑电图信号对应UDD患者、BD患者和健康人群。2.根据权利要求1所述的一种睡眠信号分期和分类方法，其特征在于，所述时间注意力机制模块对所述特征矩阵进行如下处理：使用如下公式，计算时间注意力矩阵：Q＝V
l
·
(((X
l
‑1)
T
M1)M2(M3X
l
‑1)+b
l
)Q'＝Softmax(Q)其中，Q为时间注意力矩阵，表示相邻睡眠帧之间的关联程度，V
l
,,以及是时间注意力机制的可学习参数，是第l层的输入数据；Softmax()表示将Q通过softmax层得到归一化矩阵Q'；通过矩阵乘法根据Q'更新每个睡眠帧的特征权重。3.根据权利要求1所述的一种睡眠信号分期和分类方法，其特征在于，所述通道注意力机制模块对所述特征矩阵进行如下处理：通过GAP层、FC层、softmax层，得到当前睡眠帧每个睡眠阶段类别的概率c
l
；使用如下公式，从c
l
获得通道注意力向量p：p＝Sigmoid(FC(c
l
))其中，FC层用于激励置信向量c
l
；通过Hadamard乘法根据通道注意力向量p更新X
l
‑1生理信号通道维度的权重。4.根据权利要求1所述的一种睡眠信号分期和分类方法，其特征在于：所述时间卷积网络之前还包括串行CNN架构和残差结构；所述串行CNN架构包括CNN层、归一化层、ReLU激活层、池化层和Dropout层。5.根据权利要求1所述的一种睡眠信号分期和分类方法，其特征在于，将所述特征矩阵输入训练好的睡...

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