基于脑肌眼电深度学习融合模型的睡眠检测方法及系统技术方案

本发明专利技术公开了一种基于脑肌眼电深度学习融合模型的睡眠检测方法及系统，该方法包括同步采集脑电、肌电和眼电数据，并对采集的脑电、肌电和眼电数据分别进行预处理，将预处理后的脑电、肌电和眼电的特征数据进行数据融合，得到融合后的睡眠特征信号；将睡眠特征信号输入深度学习融合模型中，利用深度学习网络进行特征提取和特征融合后，输出睡眠分类的预测的结果。本申请根据不同信号进行独立的信号提取，并进行融合，解决上述多层网络占用过多CPU资源，无法将计算方法迁移到嵌入式芯片进行单独使用的问题，并在此基础上提高分类结果准确性。性。性。

【技术实现步骤摘要】
基于脑肌眼电深度学习融合模型的睡眠检测方法及系统


[0001]本专利技术涉及睡眠检测
，尤其涉及一种基于脑肌眼电深度学习融合模型的睡眠检测方法及系统。

技术介绍

[0002]睡眠在每个人的日常生活中起着至关重要的作用，并且它与日常活动的表现密切相关。一般来说，在一个睡眠周期中，有六个睡眠阶段，整个睡眠可以分为清醒状态（W）、非快速眼动状态（NREM）、快速眼动状态（REM）三个部分，其中非快速眼动状态又分为4个阶段：第1期为极浅睡期（N1），第2期为浅睡期(N2)，第3期为中睡期（N3），第4期为深睡期(N4)。在 2007 年美国睡眠医学学会制订新标准把N3、N4期两个以慢波为主要特色的分期予以合并为慢波睡眠阶段。
[0003]睡眠对身体和大脑在睡眠阶段中从疲劳中恢复过来至关重要。然而，随着生活压力的增加，更多的人患有与睡眠相关的疾病。睡眠障碍已被确认是一种具有公共危害性的疾病，越来越受到人们的重视。通过各种生理信号对人体睡眠状态进行分期，是客观评估睡眠质量的一种有效方法。
[0004]然而现有的睡眠检测方法中，多采用多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，包括以下步骤：S1、同步采集脑电、肌电和眼电数据，并对采集的脑电、肌电和眼电数据分别进行预处理，所述预处理的过程包括：1.对脑电数据进行时频转换后，将得到的频段数据分别计算微分熵，将得出的微分熵结果作为脑电信号的特征数据；2.对肌电信号进行分解，并对分解后的结果合成肌电频谱数据，对合成后的肌电频谱数据计算样本熵，作为肌电信号的特征数据；3.对眼电信号进行分解，并对分解后的结果合成眼电频谱数据，对合成后的眼电频谱数据计算样本熵，作为眼电信号的特征数据；S2、将预处理后的脑电、肌电和眼电的特征数据进行数据融合，得到融合后的睡眠特征信号；S3、将睡眠特征信号输入深度学习融合模型中，利用深度学习网络进行特征提取和特征融合后，输出睡眠分类的预测的结果。2.根据权利要求1所述的基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，在S1中，所述对脑电数据进行时频转换后，将得到的频段数据分别计算微分熵，包括以下步骤：对脑电数据进行时频转换后，将原始脑电图信号转换成delta、theta、alpha、beta、gamma五个频段数据；分别计算5个频段数据的脑电图信号的功率谱密度；对得到的功率谱密度采用公式分别计算微分熵：；其中，P为各频段数据的功率谱密度，N表示信号片段数量。3.根据权利要求1所述的基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，在S1中，所述对肌电信号进行分解，并对分解后的结果合成肌电频谱数据时，包括：采用小波基函数对肌电信号进行多尺度分解，根据低频系数选择特定层对分解后的结果合成肌电频谱数据。4.根据权利要求1所述的基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，在S2中，所述融合后的睡眠特征信号为预处理后的脑电、肌电、眼电的特征数据合成的二维向量；所述二维向量的行向量分别为：8通道脑电信号、2通道肌电信号和2通道眼电信号；其中，8通道脑电信号，每个通道5个信号频段共计40个脑电特征数据作为脑电行向量。5.根据权利要求1所述的基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，在S3中，所述利用深度学习网络包括特征提取层、特征融合层和睡眠分类层；所述特征提取层包括三个并行的卷积网络，三个网络卷积核分别设置为（1,）、(1,)、(1,)，填充参数分别设置为（0，）、（0,）、（0,）；其...

【专利技术属性】
技术研发人员：李光，巩国，李延波，
申请(专利权)人：北京博通睿创信息技术有限公司，
类型：发明
国别省市：