【技术实现步骤摘要】
一种基于图注意力机制与时空图卷积的睡眠分期检测系统
[0001]本专利技术属于睡眠健康监测
,具体涉及一种基于图注意力机制与时空图卷积的睡眠分期检测系统
。
技术介绍
[0002]睡眠是对生活的基本调节,多疾病(如高血压
、
心律失常
、
脑中风和缺血)与睡眠充足与否密切相关
。
睡眠阶段分类是评估睡眠质量的关键
。
两个常用睡眠标准分别为
Rechtschaffen
和
Kales
标准(
R&K
)和睡眠医学会标准(
AASM
)
。
多导睡眠图(
PSG
)是包含眼电图(
EOG
)
、
脑电图(
EEG
)
、
肌电图(
EMG
)和心电图(
ECG
)等多种记录,睡眠专家用其识别睡眠阶段
。
考虑人工视觉睡眠分类的时间成本,且不同专家分类结果缺乏一致性,许多研究关注有效自动睡眠阶段分类器
。
[0003]最初阶段,传统机器学习或深度学习方法的特征提取主要基于时域
、
频域
、
时频域或非线性特征,并提出了一些特征选择策略
。
然而,该类方法性能主要依赖于特征数据预处理和特征工程,需要大量的专家先验知识
。
[0004]深度学习方法在 ...
【技术保护点】
【技术特征摘要】
1.
一种基于图注意力机制与时空图卷积的睡眠分期检测系统,其特征在于,包括数据预处理模块
、
表征学习模块
、ST
‑
GATv2
模块以及分期识别模块;所述数据预处理模块用于对数据进行预处理:采用有向图表示不同脑电电极通道之间的联系;其中表示脑电电极通道的集合;表示集合
V
中的第
c
个脑电电极通道,
C
则表示脑电电极通道总数;表示第
c
个脑电电极通道输出的脑电数据序列,其中
N
为每个通道输出的脑电数据序列的睡眠切片总数,表示其中第
n
个睡眠切片,
L
为的序列长度;以窗口长度为
T、
滑动步长为1的滑动窗口对序列进行滑窗处理,从而将脑电数据序列中当前阶段与相邻的下一阶段和上一阶段结合,得到新的睡眠阶段;滑动窗口处理后新信号序列集合表示为;其中, ;所述表征学习模块采用6个以
Relu
激活函数层为主体的
1D
‑
CNN
,用于对预处理后的数据进行特征提取;所述
ST
‑
GATv2
模块包括
S
‑
GATv2
子模块和
T
‑
GATv2
子模块;所述
S
‑
GATv2
子模块的输入为表征学习模块所提取的特征,设为,表示第
c
个脑电电极通道的特征;第
i
个脑电电极通道和第
j
个脑电电极通道之间的注意力系数表示为,其中和均为可训练参数,表示拼接操作;表示激活函数;第
i
个脑电电极通道和第
j
个脑电电极通道的连接关系表示为:
(1)
其中,表示第
i
个脑电电极通道的邻接节点的集合;每个具有
sigmoid
函数的节点输出特征表示为:
(2)
其中,表示激活函数;表示特征对应的特征序列;采用拼接或平均操作获得最终输出特征,如公式
(3)
和
(4)
所示:
(3)(4)
其中,
H
表示由公式
(2)
在不同初始化参数下执行的独立注意力机制个数;表示第
h
个独立注意力输出的的特征序列;表示第
h
个独立注意力输出的的特征序列;所述
T
‑
GATv2
子模块用于:计算,用以表示当前阶段在第
i
个脑电电极通道的特征与上个阶段在第
j
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。