【技术实现步骤摘要】
本专利技术涉及睡眠质量和睡眠疾病诊断领域，具体来说，涉及基于脑电信号进行睡眠分类的，更具体地说，涉及基于跨通道关联挖掘的、面向普适化环境的单通道脑电睡眠分类模型构建方法及模型。
技术介绍
1、睡眠监测和分期对人类至关重要，可以提供为个人睡眠质量的评估和睡眠相关疾病的诊断提供宝贵数据支撑。尤其睡眠阶段分类在疾病监测、安排和干预中具有广泛应用，并对人类健康具有重要意义。
2、目前存在两种主要的睡眠阶段分类标准，分别是rechtschaffen&kales(r&k)标准和美国睡眠学会医学(aasm)标准。r&k标准最早于1968年提出，该标准基于多导睡眠图(psg)的多模态生理时序信号(包括脑电(eeg)、心电(ecg)、眼电(eog)和肌电(emg))将睡眠分为七个阶段，即清醒(wake)、快速眼动(rem)、四个非快速眼动(nrem)和运动时间段。其中，nrem包含四个阶段，分别命名为阶段1(s1)、阶段2(s2)、阶段3(s3)和阶段4(s4)，前两个阶段属于浅睡眠期，后两个阶段属于深度睡眠期，也被称为慢波睡眠。2007年，aasm对r&k标准进行了改进，将s3和s4阶段合并为s3阶段，并将s1、s2、s3阶段重命名为n1、n2、n3阶段。改进后的aasm标准将睡眠周期分为wake、rem、n1、n2和n3阶段，对应睡眠阶段分类的五个类别。基于这些国际公认的睡眠阶段分类标准，睡眠监测在医疗保健、疾病诊断等许多领域中扮演着不可或缺的角色。
3、现有技术下的睡眠阶段分类方法主要
4、其中，传统的脑电睡眠阶段分类方法通常采用原始信号的时频和基于统计的方法来分析结果。虽然传统的方法产生了一定的效果，但这些方法严重依赖专家的先验知识和手动分析，这使得传统方法劳动密集型并且分类精度有限。
5、幸运的是，基于机器学习和深度学习的睡眠阶段分类，简化了分类模型的训练流程，获得了相当可观的效果。尤其是基于多通道、多模态的psg信号做睡眠阶段分类的分类模型，分类效果是非常好的。然而，佩戴具有多通道psg或eeg的睡眠监测设备是不舒服的，影响了受试者的睡眠质量并限制了此类设备在普适环境中的应用(即居家环境等)。多个笨重的电极缺乏设备便携性，并且由于佩戴时的不适和睡眠时的人工挤压而导致信号偏差。为了克服这一挑战，人们开发了一些普适化的设备和方法。基于单通道脑电图的睡眠监测方法使用特定设计的单通道脑电图设备感知睡眠数据并使用机器学习算法对睡眠阶段进行分类。常用的通道是国际10-20系统中位于左中央的c3-a2通道和右中央的c4-a1通道和靠近耳朵的通道，因为这些通道可以使受试者以舒适的姿势躺着。基于此，研究人员开发了入耳式脑电图设备，用于商业用途中的驾驶员睡意监测。此外，研究人员还探索了基于智能手表/手环、智能手机和智能眼罩的睡眠监测设备。为了充分利用现有的多通道数据，训练出可以使用单通道数据在普适环境下推理应用的模型并利用跨通道关联来改进单通道脑电图睡眠阶段分类成为必然。现有技术下，有研究者提出了基于掩模的预训练微调方法来促进单通道脑电图模型主动从其他通道学习信息，或者利用耦合学习来揭示脑电图信号与其他模态数据之间的一致性和相异性，以增强基于脑电图的模型的性能。除此之外，还有研究者提出应用前额叶单通道脑电信号对睡眠分期的机器学习算法，根据信号频率做分解和滤波，然后配合xgboost机器学习方法做睡眠阶段分类。
6、其中，需要说明的是，虽然手环等非脑部监测设备能感知肢体的活动信息，但无法捕捉真实的大脑状态，而入耳式脑电图等信号采集通道较少，基于单通道脑电图的睡眠监测设备只能感知大脑特定位置的有限信息，此类方法对计算算法提出了很高的要求，以便充分挖掘有效信息。例如，可以使用多视图模型从多角度挖掘单通道脑电图的信息，可以获得一定的效果提升，但是没有明确的数据和标签引导，训练和学习过程很可能随机盲目偏向。另外现有多视图方法并不是为普适的睡眠监测任务而设计的，并且具有一些局限性。应用预训练和微调范式需要收集大量数据并消耗大量计算资源，多模态信息的融合不能应用于普适化的监测环境。此外，现有的基于单通道前额叶脑电的数据采集和佩戴也十分方便，但是由于预处理过程比较繁琐和复杂，以及相应的机器学习方法的分类精度较低，导致了一定的局限性。因此，急需一种更加有效的能够基于单通道数据进行准确睡眠阶段分类的方案。
技术实现思路
1、因此，本专利技术的目的在于克服上述现有技术的缺陷，提供一种单通道脑电睡眠分类模型的构建方法及系统。
2、根据本专利技术的第一方面，提供一种单通道脑电睡眠分类模型构建方法，所述方法包括：s1、获取原始psg数据，所述psg数据包含多条记录，每条记录包含多个通道数据，所述每条记录对应有睡眠阶段分类标签；s2、以一个预设的脑电通道为目标单通道，以多个其他通道为关联通道，从所述原始psg数据中的每条记录中筛选出目标单通道数据和原始关联通道数据组成训练数据集；s3、构建初始分类模型，所述初始模型包括初始关联特征挖掘单元、分类单元、融合模块，其中：所述初始关联挖掘单元用于提取目标单通道数据的特征以及根据目标单通道数据的特征挖掘多个关联通道的特征，其包括一个目标单通道特征提取模块、多个初始关联特征挖掘模块，每个初始关联特征挖掘模块包括一个原始关联通道数据特征提取模块、一个关联特征挖掘模块；所述分类单元用于根据目标单通道特征以及基于其挖掘的多个关联通道的特征分别进行睡眠阶段分类预测以获得多个睡眠阶段分类预测结果；所述融合模块用于将分类单元获得的睡眠阶段分类预测结果进行融合以得到目标单通道数据对应的最终睡眠分类结果；s4、采用训练数据集训练所述初始分类模型至收敛获得以目标单通道特征挖局模块、关联特征挖掘模块、分类单元、融合模块构成的模型，其中，训练过程中采用基于目标单通道数据挖掘的关联通道特征与关联通道数据的特征之间的距离损失、分类标签损失构建的综合损失更新模型参数。
3、优选的，所述目标单通道特征提取模块被配置为featurenet模型。
4、优选的，所述每个原始关联通道数据特征提取模块用于提取其对应原始关联通道数据的特征，所述每个关联特征挖掘模块用于用于根据目标单通道数据的特征挖掘其对应关联通道的特征。
5、优选的，所述分类单元包括多个分类模块，一个分类模块用于根据目标单通道特征或挖掘的关联通道的特征进行睡眠阶段分类。
6、优选的，所述预设的脑电通道为c3-a2通道或c4-a1通道。
7、优选的，所述其他多个通道为目标单通道以外的其他脑电通道、心电通道、肌电通道、眼电通道中的多个通道。
8、优选的，所述其他多个通道为目标单通道以外的其他脑电通道中的2个脑电通道、1个心电通道、2个眼电通道、1个肌电通道。
9、优选的，所述综合损失为：
10、
11、其中，表示分类标本文档来自技高网...
【技术保护点】
1.一种单通道脑电睡眠分类模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述目标单通道特征提取模块被配置为FeatureNet模型。
3.根据权利要求1所述的方法，其特征在于，所述每个原始关联通道数据特征提取模块用于提取其对应原始关联通道数据的特征，所述每个关联特征挖掘模块用于用于根据目标单通道数据的特征挖掘其对应关联通道的特征。
4.根据权利要求3所述的方法，其特征在于，所述分类单元包括多个分类模块，一个分类模块用于根据目标单通道特征或挖掘的关联通道的特征进行睡眠阶段分类。
5.根据权利要求4所述的方法，其特征在于，所述预设的脑电通道为C3-A2通道或C4-A1通道。
6.根据权利要求5所述的方法，其特征在于，所述其他多个通道为目标单通道以外的其他脑电通道、心电通道、肌电通道、眼电通道中的多个通道。
7.根据权利要求6所述的方法，其特征在于，所述其他多个通道为目标单通道以外的其他脑电通道中的2个脑电通道、1个心电通道、2个眼电通道、1个肌电通道。
8.根据权
9.一种基于权利要求1-8任一所述方法的单通道脑电数据睡眠分类模型，其特征在于，所述模型包括：
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序可被处理器执行以实现权利要求1至8任一所述方法的步骤。
11.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种单通道脑电睡眠分类模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述目标单通道特征提取模块被配置为featurenet模型。
3.根据权利要求1所述的方法，其特征在于，所述每个原始关联通道数据特征提取模块用于提取其对应原始关联通道数据的特征，所述每个关联特征挖掘模块用于用于根据目标单通道数据的特征挖掘其对应关联通道的特征。
4.根据权利要求3所述的方法，其特征在于，所述分类单元包括多个分类模块，一个分类模块用于根据目标单通道特征或挖掘的关联通道的特征进行睡眠阶段分类。
5.根据权利要求4所述的方法，其特征在于，所述预设的脑电通道为c3-a2通道或c4-a1通道。
6...
【专利技术属性】
技术研发人员：陈益强，马硕，张迎伟，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：
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。