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方案

本发明专利技术提供了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，属于睡眠健康监测技术领域；本发明专利技术基于表征学习与图卷积机制，将非谱域图卷积方法引入睡眠分期，同时提出了

【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]深度学习方法在强大表征能力支持下，一类借助深度学习进行特征提取的方法
(
即表征学习
)
被提出，成功用于多个领域，以解决传统特征工程由于不同学科间异质性导致泛化能力不足的问题
。
针对睡眠分期任务，多种层数和不同参数的卷积神经网络
(CNN)
被广泛用于提取数据中的多尺度特征，获得了较优的分类性能
(MASS
睡眠脑电数据集分类正确率达
87%
左右
)。
[0005]尽管使用递归神经网络
(RNN)
或其他传统深度学习层
(
如自编码器
)
表示基于
CNN
的学习可达到相当的精度，上述模型限制在于其对欧几里得数据
(
如视频
、
文本和图像
)
的有效潜在表示，即，其具有类似
CNN
的网格结构而无法表征非欧几里得数据
。
反之，图数据结构更适合捕捉非欧几里得空间
(
如大脑各区域之间的联系
)
的隐藏模式和连接，对于图神经网络
(GNN)
，每个脑电信号通道对应图结构的一个节点
。
[0006]目前，图域卷积主要分为非谱域方法和谱域方法
。
初始谱域图卷积基于计算图拉普拉斯的特征分解并在傅里叶域进行卷积运算，尽管已提出几种简化近似，其计算开销仍较大
。
此外，谱域方法的另一个限制是，其严重依赖图结构决定的拉普拉斯特征基，这意味着它们对特定结构的训练模型可能无法直接用于其它不同图结构模型
。
相反，非谱域方法通过对一组相邻空间节点的操作直接在图上定义卷积，因此，相比于谱域方法具有更大的灵活性和直观性，计算成本开销更低
。
最近，一些研究将图卷积用于睡眠分期，达到了高准确率
(MASS
睡眠脑电数据集达
88.9%
，
ISRUC
‑
SLEEP
睡眠脑电数据集达
91%)
，然而这些研究皆采用基于谱域方法的图卷积
。

技术实现思路

[0007]有鉴于此，本专利技术的目的是提供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，可以提高睡眠分期的准确率
。
[0008]一种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
个脑电电极通道上的特征之间的注意力系数，如公式
(5)
所示：
(5)
则根据如下公式获得相邻两个阶段之间的中间阶段在第
i
个脑本文档来自技高网...

【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
...

【专利技术属性】
技术研发人员：叶建宏，胡祎东，史文彬，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：