一种睡眠分期识别方法技术

本申请提供一种睡眠分期识别方法，包括以下步骤：获取多导睡眠图数据，对所述多导睡眠图数据进行预处理，得到睡眠信号；构建睡眠分期识别模型，通过训练数据集与经验数据集训练所述睡眠分期识别模型；所述训练数据集为未分期的睡眠信号，所述经验数据集为完成睡眠分期的睡眠信号；采集多导睡眠图数据，通过所述睡眠分期识别模型对所述多导睡眠图数据进行睡眠分期，得到总睡眠分期结果

【技术实现步骤摘要】
一种睡眠分期识别方法、系统、存储介质


[0001]本申请涉及睡眠监测
，具体涉及一种睡眠分期方法
、
系统
、
存储介质
。

技术介绍

[0002]多导睡眠监测系统采集仪是在全夜睡眠过程中，连续并同步地描记脑电
、
呼吸等
10
余项指标，全部记录次日由仪器自动分析后再经人工逐项实，对睡眠数据分析，从而得到用户的睡眠分析结果
。
[0003]在该过程中，需要人工逐项核实
、
分析，成本较高且耗时较长
。
为提高分析效率，存在采集受试者的睡眠电脑
、
眼电信号，通过深度学习进行睡眠分期，但该方式基本依赖于原始数据，信号来源单一，缺少临床医生的专业指导，导致睡眠分期准确性低
。

技术实现思路

[0004]为了解决上述的问题，本申请的实施例中提供了一种睡眠分期识别方法
、
系统
、
存储介质，快速
、
准确地输出总睡眠分期结果，解决人工判断耗时长
、
机器判断准确性低的问题
。
[0005]为此，本申请的一个方面，提供一种睡眠分期识别方法，包括以下步骤：
[0006]获取多导睡眠图数据，对所述多导睡眠图数据进行预处理，得到睡眠信号；
[0007]构建睡眠分期识别模型，通过训练数据集与经验数据集训练所述睡眠分期识别模型；所述训练数据集为未分期的睡眠信号，所述经验数据集为完成睡眠分期的睡眠信号；
[0008]采集多导睡眠图数据，通过所述睡眠分期识别模型对所述多导睡眠图数据进行睡眠分期，得到总睡眠分期结果
。
[0009]可选地，结合上述任一方面，在本方面的另一种实现方式中，通过所述训练数据集与经验数据集训练所述睡眠分期识别模型，包括：
[0010]根据所述经验数据集识别所述训练数据集，输出睡眠分期初步结果；
[0011]通过加权算法对所述睡眠分期初步结果进行加权计算，得到总睡眠分期结果
。
[0012]可选地，结合上述任一方面，在本方面的另一种实现方式中，所述睡眠分期识别模型包括经验转换模型
、
自注意力机制网络与多层感知神经网络；
[0013]根据所述经验数据集识别所述训练数据集，输出睡眠分期初步结果，包括：
[0014]所述训练数据集通过经验转换模型，根据经验数据集将睡眠信号转换成特征数据；
[0015]将训练数据集输入至所述自注意力机制网络，输出不同维度的隐向量；
[0016]拼接所述特征数据与隐向量，构成输入数据，所述多层感知神经网络以所述输入数据为输入，输出睡眠分期初步结果
。
[0017]可选地，结合上述任一方面，在本方面的另一种实现方式中，所述自注意力机制网络以睡眠信号为输入，输出不同维度的隐向量，具体为，
[0018]所述自注意力机制网络学习所述睡眠信号的表征，将所述睡眠信号的表征输入至
不同维度的
CNN
网络中学习，输出不同维度
、
预设大小的隐向量
。
[0019]可选地，结合上述任一方面，在本方面的另一种实现方式中，所述经验转换模型将睡眠信号转换成特征数据，包括：
[0020]提取所述睡眠信号的特征，将特征归一化处理，将归一化处理后的特征组合成特征列，得到特征数据；
[0021]提取所述睡眠信号的特征包括提取数学变换特征，
Hjorth
参数，
Theta、Alpha、Beta、Gamma
波带的功率特征，排列熵，
higuchi
分形维数和
/
或
Petrosian
分形维数
。
[0022]可选地，结合上述任一方面，在本方面的另一种实现方式中，通过加权算法对所述睡眠分期初步结果进行加权计算，具体为，
[0023]计算每个睡眠信号的睡眠分期初步结果的准确率，根据所述准确率确定该睡眠信号的权重；
[0024]通过权重计算公式对所述睡眠分期初步结果进行加权计算；
[0025]所述权重计算公式为：
[0026][0027]其中，
h(x)
t
为第
t
组结果，为第
t
组结果中，第
j
个结果的预测概率，
ω
t
为第
t
组结果的权重，
max
j
为所有组中取第
j
个结果概率最大的结果
。
[0028]可选地，结合上述任一方面，在本方面的另一种实现方式中，通过所述训练数据集与经验数据集训练所述睡眠分期识别模型，还包括：
[0029]获取多导睡眠图数据，按照预设比例将所述多导睡眠图数据分为训练数据集与校验数据集，通过校验数据集验证所述睡眠分期识别模型，根据校验结果调整所述睡眠分期识别模型
。
[0030]可选地，结合上述任一方面，在本方面的另一种实现方式中，对所述多导睡眠图数据进行预处理，包括：
[0031]对所述多导睡眠图数据进行编号，保存编号以及编号对应的原始数据路径；
[0032]将所述多导睡眠图数据进行降频
、
切割处理，得到预设频段的睡眠信号
。
[0033]本申请的另一方面，提供一种睡眠识别分析系统，包括：
[0034]采集模块，采集多导睡眠图数据，对所述多导睡眠图数据进行预处理，得到预处理后的睡眠信号；
[0035]训练模块，通过训练数据集与经验数据集训练所述睡眠分期识别模型；所述训练数据集为未分期的睡眠信号，所述经验数据集为完成睡眠分期的睡眠信号；
[0036]识别模块，获取多导睡眠图数据，通过所述睡眠分期识别模型对所述多导睡眠图数据进行睡眠分期，得到总睡眠分期结果
。
[0037]本申请的另一方面，提供一种装置，包括：存储器
、
处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的一种睡眠分期识别方法
。
[0038]可选地，结合上述任一方面，在本方面的另一种实现方式中
[0039]如上所述，本申请提供了一种睡眠分期识别方法
、
系统
、
装置，利用多导睡眠监测
系统采集仪采集患者的多导睡眠图数据，将医疗专家临床经验加以收集和处理，转化成相应的经验数据集，通过经验数据集与训练数据集训练睡眠分期识别模型，通过睡眠分期识别模型识别多导图睡眠数据，得到总睡眠分期结果
。
从本方法能够更好地从数据特征上表示出医疗专家临床的经验知识，提高总睡眠分期识别结果的准确性
。
快速
、
准确地输出睡眠分期结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种睡眠分期识别方法，其特征在于，包括以下步骤：获取多导睡眠图数据，对所述多导睡眠图数据进行预处理，得到睡眠信号；构建睡眠分期识别模型，通过训练数据集与经验数据集训练所述睡眠分期识别模型；所述训练数据集为未分期的睡眠信号，所述经验数据集为完成睡眠分期的睡眠信号；采集多导睡眠图数据，通过所述睡眠分期识别模型对所述多导睡眠图数据进行睡眠分期，得到总睡眠分期结果
。2.
如权利要求1所述的一种睡眠分期识别方法，其特征在于：通过所述训练数据集与经验数据集训练所述睡眠分期识别模型，包括：根据所述经验数据集识别所述训练数据集，输出睡眠分期初步结果；通过加权算法对所述睡眠分期初步结果进行加权计算，得到总睡眠分期结果
。3.
如权利要求2所述的一种睡眠分期识别方法，其特征在于：所述睡眠分期识别模型包括经验转换模型
、
自注意力机制网络与多层感知神经网络；根据所述经验数据集识别所述训练数据集，输出睡眠分期初步结果，包括：所述训练数据集通过经验转换模型，根据经验数据集将睡眠信号转换成特征数据；将训练数据集输入至所述自注意力机制网络，输出不同维度的隐向量；拼接所述特征数据与隐向量，构成输入数据，所述多层感知神经网络以所述输入数据为输入，输出睡眠分期初步结果
。4.
如权利要求3所述的一种睡眠分期识别方法，其特征在于：所述自注意力机制网络以睡眠信号为输入，输出不同维度的隐向量，具体为，所述自注意力机制网络学习所述睡眠信号的表征，将所述睡眠信号的表征输入至不同维度的
CNN
网络中学习，输出不同维度
、
预设大小的隐向量
。5.
如权利要求3所述的一种睡眠分期识别方法，其特征在于：所述经验转换模型将睡眠信号转换成特征数据，包括：提取所述睡眠信号的特征，将特征归一化处理，将归一化处理后的特征组合成特征列，得到特征数据；提取所述睡眠信号的特征包括提取数学变换特征，
Hjorth
参数，
Theta、Alpha、Beta、Gamma
波带的功率特征，排列熵，
higuchi
分形维数和
/
或
Petro...

【专利技术属性】
技术研发人员：徐碧云，宾炜，蔡庆豪，杨志敏，原嘉民，麦润汝，杨一帆，黄嘉瑜，
申请(专利权)人：广东省中医院广州中医药大学第二附属医院，
类型：发明
国别省市：