基于CNN-PSO-BiLSTM睡眠分期方法及系统技术方案

本发明专利技术基于CNN

【技术实现步骤摘要】
基于CNN
‑
PSO
‑
BiLSTM睡眠分期方法及系统


[0001]本专利技术涉及睡眠分期
，特别是涉及基于CNN
‑
PSO
‑
BiLSTM的睡眠分期方法及系统。

技术介绍

[0002]依据美国睡眠医学学会睡眠分期的最新标准将睡眠分为清醒期、非快速眼动期(NREM)和快速眼动期(REM)，其中NREM随着睡眠的加深又可以分为NREM1、NREM2和NREM3。即将睡眠分期分为五类，分别记作Wake期、N1期、N2期、N3期、REM期。
[0003]睡眠分期是诊断睡眠障碍和监测睡眠质量的有效方法，具有重要的临床意义。传统的睡眠分期方法通常是通过专家医生根据睡眠分类标准对收集到的多导睡眠图数据进行手工分析来获得的。这种分段方法工作量大，分段效率低。此外，分类结果是主观的，容易被误判。
[0004]睡眠自动分期方法可以提高医学研究中睡眠分期的效率。一般来说，睡眠阶段的自动解释有两个步骤：特征提取和睡眠阶段分类。采用时域分析方法、频域分析方法等方法来提取睡眠特征，捕捉睡眠过程中的主要变化。
[0005]对于特征提取的问题，CNN使自动提取特征成为可能。通过池化操作，在保持特征尺度不变的同时，避免过拟合。由于卷积层和池化层的存在，CNN已经解决了传统的全连通神经网络的缺点。CNN的卷积层可以看作是一种特征提取器，它可以同时提取和分类特征。此外，由于其反向传播特性，利用CNN进行自动睡眠分期可以反馈分类结果，从而更好地提取特征。
[0006]CNN模型常用于识别二维图像。然而，CNN模型的使用并不局限于二维或三维的识别任务。1D CNN与其他CNN模型具有相同的属性。唯一不同的是卷积网络结构中的卷积核也是一维的，它适用于一维的输入数据，如生物医学信号。
[0007]从早期基于专家知识规则的分类方法到当前的机器学习方法，关于睡眠阶段分类器的研究也有很多，如使用随机森林进行睡眠分期、基于支持向量机的决策树睡眠分期模型和结合主成分分析的集成支持向量机自动睡眠分期模型等。在对不同分类器的尝试中，深度学习神经网络在处理时间序列信号方面表现出更好的性能。由于睡眠脑电图是一组连续的时间序列信号，其前后的信号具有一定的相关性，考虑到这种相关性可以更好地判断睡眠阶段。因此，为了更好地适应基于脑电图神经生理信号的自动睡眠分期问题，还需要进一步发展神经网络的结构。
[0008]在睡眠分期任务中，由于睡眠是一个连续的过程，每个相邻睡眠周期的特征没有显著差异，因此每个睡眠周期更容易与相邻睡眠周期相混淆。同时，神经网络模型训练过程中需要调节很多超参数，只有输入和输出参数可以直接确定，其他参数包括隐藏层神经元数量、学习率、训练迭代次数和滑窗大小都对睡眠分期识别非常重要，但是无法直接计算出。目前模型训练方法大多凭借经验手动调参，将耗费大量的资源和时间，并且不能确保得到的超参数组合是最优解。

技术实现思路

[0009]本专利技术针对现有技术存在的技术问题和不足，提供一种基于CNN
‑
PSO
‑
BiLSTM的睡眠分期方法及系统。
[0010]本专利技术是通过下述技术方案来解决上述技术问题的：
[0011]本专利技术提供一种基于CNN
‑
PSO
‑
BiLSTM睡眠分期方法，其特点在于，其包括以下步骤：
[0012]S1、以一采集频率采集多个历史待测者睡眠阶段设定时间段的脑电信号，对每个历史待测者对应的脑电信号进行预处理操作，以获得预处理后脑电信号；
[0013]S2、以设定时间窗将每个历史待测者对应的脑电信号连续划分为多个片段，每个片段脑电信号作为一个脑电信号睡眠样本，并为每个脑电信号睡眠样本标注睡眠分期标签；
[0014]S3、利用1D CNN作为特征提取器，从每个脑电信号睡眠样本中提取对应的空间特征数据，空间特征数据包括时域特征数据、频域特征数据和非线性特征数据；
[0015]S4、初始化粒子群优化模型中各粒子参数并确定粒子全局最优位置，粒子参数包括不同维的粒子速度、不同维的粒子位置、作为学习率η的粒子参数、作为隐藏层神经元数量n的粒子参数；
[0016]S5、以学习率η粒子参数、隐藏层神经元数量n粒子参数构建BiLSTM神经网络模型，部分历史待测者的多个空间特征数据作为输入、对应的睡眠分期标签作为输出，对构建的BiLSTM神经网络模型进行模型训练；
[0017]S6、余下历史待测者的多个空间特征数据作为输入，对训练好的BiLSTM神经网络模型进行模型验证，以获得余下历史待测者的每个脑电信号睡眠样本对应的睡眠分期，验证获得的睡眠分期与对应的睡眠分期标签进行比较，获得的睡眠分期结果的准确率PR作为各粒子的适应度值；
[0018]S7、判断前后两次模型验证的适应度值的变化是否小于设定阈值，若是则进入步骤S8，否则进入步骤S9；
[0019]S8、返回粒子群优化模型中最优学习率η粒子参数、最优隐藏层神经元数量n粒子参数，基于最优学习率η粒子参数、最优隐藏层神经元数量n粒子参数构建PSO
‑
BiLSTM神经网络睡眠自动分期模型，进入步骤S10；
[0020]S9、将BiLSTM神经网络模型中学习率η、隐藏层神经元数量n两个粒子参数作为粒子群优化模型寻优的目标对象，更新粒子群优化模型中各粒子参数并确定粒子全局最优位置，获得第t+1次迭代对应的最优学习率η、最优隐藏层神经元数量n输入到BiLSTM神经网络模型中，进入步骤S5，t≥1；
[0021]S10、采集待测者的脑电信号，经预处理后获得预处理后脑电信号，预处理后脑电信号代入训练好的PSO
‑
BiLSTM神经网络睡眠自动分期模型中，获得脑电信号对应的睡眠分期。
[0022]本专利技术还提供一种基于CNN
‑
PSO
‑
BiLSTM睡眠分期系统，其特点在于，其包括采集模块、划分标注模块、特征提取模块、初始化模块、模型训练模块、模型验证模块、判断模块、模型构建模块、优化模块和预测模块；
[0023]所述采集模块用于以一采集频率采集多个历史待测者睡眠阶段设定时间段的脑
电信号，对每个历史待测者对应的脑电信号进行预处理操作，以获得预处理后脑电信号；
[0024]所述划分标注模块用于以设定时间窗将每个历史待测者对应的脑电信号连续划分为多个片段，每个片段脑电信号作为一个脑电信号睡眠样本，并为每个脑电信号睡眠样本标注睡眠分期标签；
[0025]所述特征提取模块用于利用1D CNN作为特征提取器，从每个脑电信号睡眠样本中提取对应的空间特征数据，空间特征数据包括时域特征数据、频域特征数据和非线性特征数据；
[0026]所述初始化模块用于初始化粒子群优化模型中各粒子参数并确定粒子全局最优位置，粒子参数包括不同维的粒子速度、不同维的粒子位置、作为学习率η的粒子参数、作为隐藏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
PSO
‑
BiLSTM睡眠分期方法，其特征在于，其包括以下步骤：S1、以一采集频率采集多个历史待测者睡眠阶段设定时间段的脑电信号，对每个历史待测者对应的脑电信号进行预处理操作，以获得预处理后脑电信号；S2、以设定时间窗将每个历史待测者对应的脑电信号连续划分为多个片段，每个片段脑电信号作为一个脑电信号睡眠样本，并为每个脑电信号睡眠样本标注睡眠分期标签；S3、利用1D CNN作为特征提取器，从每个脑电信号睡眠样本中提取对应的空间特征数据，空间特征数据包括时域特征数据、频域特征数据和非线性特征数据；S4、初始化粒子群优化模型中各粒子参数并确定粒子全局最优位置，粒子参数包括不同维的粒子速度、不同维的粒子位置、作为学习率η的粒子参数、作为隐藏层神经元数量n的粒子参数；S5、以学习率η粒子参数、隐藏层神经元数量n粒子参数构建BiLSTM神经网络模型，部分历史待测者的多个空间特征数据作为输入、对应的睡眠分期标签作为输出，对构建的BiLSTM神经网络模型进行模型训练；S6、余下历史待测者的多个空间特征数据作为输入，对训练好的BiLSTM神经网络模型进行模型验证，以获得余下历史待测者的每个脑电信号睡眠样本对应的睡眠分期，验证获得的睡眠分期与对应的睡眠分期标签进行比较，获得的睡眠分期结果的准确率PR作为各粒子的适应度值；S7、判断前后两次模型验证的适应度值的变化是否小于设定阈值，若是则进入步骤S8，否则进入步骤S9；S8、返回粒子群优化模型中最优学习率η粒子参数、最优隐藏层神经元数量n粒子参数，基于最优学习率η粒子参数、最优隐藏层神经元数量n粒子参数构建PSO
‑
BiLSTM神经网络睡眠自动分期模型，进入步骤S10；S9、将BiLSTM神经网络模型中学习率η、隐藏层神经元数量n两个粒子参数作为粒子群优化模型寻优的目标对象，更新粒子群优化模型中各粒子参数并确定粒子全局最优位置，获得第t+1次迭代对应的最优学习率η、最优隐藏层神经元数量n输入到BiLSTM神经网络模型中，进入步骤S5，t≥1；S10、采集待测者的脑电信号，经预处理后获得预处理后脑电信号，预处理后脑电信号代入训练好的PSO
‑
BiLSTM神经网络睡眠自动分期模型中，获得脑电信号对应的睡眠分期。2.如权利要求1所述的基于CNN
‑
PSO
‑
BiLSTM睡眠分期方法，其特征在于，步骤S4作为第1次迭代，在步骤S9中，学习率η更新公式如下：1次迭代，在步骤S9中，学习率η更新公式如下：其中t表示第t次迭代，j∈{1，...，S}是粒子的数量，表示在第一维粒子空间中第t次迭代时第j个粒子的速度，表示在第一维粒子空间中第t次迭代时第j个粒子的学习率，w表示在[0,1]范围内的一个名为惯性权重的常量值，c1和c2为加速常数，一般取c1＝c2∈[0,4]，是在第一维粒子空间中第t次迭代时第j个粒子的位置，而是在第一维粒子空间中第t次迭代在整个粒子群中的最佳位置，r1和r2是从均匀分布U(0,1)中提取出来的，目
的是在速度更新中添加一个随机分量，以使搜索多样化；隐藏层神经元数量n的更新公式：隐藏层神经元数量n的更新公式：其中表示在第二维粒子空间中第t次迭代时第j个粒子的速度，表示在第二维粒子空间中第t次迭代时第j个粒子的隐藏层神经元数量，表示在第二维粒子空间中第t次迭代时第j个粒子的位置，表示在第二维粒子空间中第t次迭代在整个粒子群中的最佳位置。3.如权利要求2所述的基于CNN
‑
PSO
‑
BiLSTM睡眠分期方法，其特征在于，粒子群中的学习率η不允许无边界地随机移动，需被限制在一个预定义的范围内：习率η不允许无边界地随机移动，需被限制在一个预定义的范围内：其中，v
1，min
和v
1，max
决定v1的边界，v
1，max
表示在第一维粒子空间中粒子的最大速度值，v
1，min
表示在第一维粒子空间中粒子的最小速度值，η
min
和η
max
决定η的边界，η
max
表示在第一维粒子空间中粒子的最大学习率，η
min
表示在第一维粒子空间中粒子的最小学习率。4.如权利要求2所述的基于CNN
‑
PSO
‑
BiLSTM睡眠分期方法，其特征在于，粒子群中的隐藏层神经元数量n不允许无边界地随机移动，需被限制在一个预定义的范围内：藏层神经元数量n不允许无边界地随机移动，需被限制在一个预定义的范围内：其中，v
2，min
和v
2，max
决定v2的边界，v
2，max
表示在第二维粒子空间中粒子的最大速度值，v
2，min
表示在第二维粒子空间中粒子的最小速度值，n
min
和n
max
决定n的边界，n
max
表示在第二维粒子空间中粒子的最大隐藏层神经元数量，n
min
表示在第一维粒子空间中粒子的最小隐藏层神经元数量。5.一种基于CNN
‑
PSO
‑
BiLSTM睡眠分期系统，...

【专利技术属性】
技术研发人员：赵丹，王涛，
申请(专利权)人：苏州海神联合医疗器械有限公司，
类型：发明
国别省市：