【技术实现步骤摘要】
本专利技术属于睡眠脑电信号处理，具体涉及一种基于半监督深度学习的睡眠脑电信号处理方法。
技术介绍
1、脑机接口（brain-computer interface， bci）是一个记录和解码人脑信号的系统，以便人脑与外部设备进行通信。它为医生了解病患情况提供了有效的帮助。通过脑机接口可以获得脑电图（electroencephalogram， eeg）。eeg获得成本低廉、便于使用，并在所有非侵入性技术中具有相对较高的时间分辨率。因此，eeg在实际bci系统中被广泛使用。基于eeg的bci应用有很多种类，如事件相关电位检测、情绪识别、睡眠阶段分类等。对于不同的应用场景，有许多不同类型的bci范式和不同类型的eeg信号。基于睡眠eeg的bci系统可应用于记录、处理和监测慢性失眠症的睡眠阶段。在自动识别睡眠阶段系统中，许多机器学习算法被提出并在基准数据集sleep-edf上进行评估。
2、eeg解码技术对bci系统的应用和部署至关重要。现有的传统eeg解码技术基于监督学习，其性能依赖于大量有标签数据，然而标注标签是一项具有挑战性的工作。给eeg信号标注标签的成本高昂，需要专业人士进行手动标注，过程费时费力，且易受主观意识影响，存在失误。
3、常见的有监督自动睡眠分期方法大致分为两种。第一种是传统的机器学习方法，如支持向量机、决策树或相似方法。叶贤等人提出了一种基于精细复合多尺度熵和svm的睡眠分期方法，并通过rcmse算法对时间序列信号进行多尺度划分。倪洪波等人实现了基于脉搏变异性的睡眠自动分期方法。另一种方法是
4、上述方法均取得了不错的表现，但深度有监督学习的表现却仍然依赖于大量的有标签数据。脑电被试之间存在差异，验证效果不如训练效果理想。比较理想的解决方法是针对被试单独学习。然而，eeg信号易取，数据标签却不易得。半监督方法可以不借助人工标签学习这些新获得的eeg信号继而有效地解决打标签费时费力这一难题。当前半监督学习方法常用于学习平衡的数据集，而在现实应用中的数据集往往存在类数量不平衡的问题，导致少数类性能不佳。
技术实现思路
1、本专利技术的目的在于提供一种基于半监督深度学习的睡眠脑电信号处理方法，主要调整、改进最先进的整体ssl方法——adamatch并应用于脑电信号的学习和检测。所提出方法可以拓展到不同的eeg范式上进行应用，包括erp检测、情绪识别和睡眠分期三种不同eeg范式，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于半监督深度学习的睡眠脑电信号处理方法，具体包括如下步骤：
3、步骤一：将脑机接口采样频率为每秒100个采样点采集脑电信号并且进行预处理；
4、步骤二：每个eeg信号被分割为30秒的帧，所得的eeg信号进行数据增强，使用不同程度的数据增强对所有的睡眠eeg信号分别进行弱增强和强增强，通过骨干网络将数据增强后的eeg信号划分为源域数据和目标域数据；
5、步骤三：将源域数据与目标域数据通过训练骨干网络进行训练，在训练过程中，源域数据经过自动睡眠分期模型计算得到有监督预测值，有监督预测值通过两次调整，分别在其对应预测弱增强的无标签数据和预测强增的无标签数据，得到lsource；在目标域训练中，弱增强信号经过模型得到预测，预测值根据目标域的预测值调整后更新预测值；
6、步骤四：根据其预测值最大值打上伪标签，信心阈值根据弱增强源域预测值和固定阈值相乘得到，使用mask来标记目标域样本是否参与损失值计算。预测值高于信心域值的弱增强样本mask值赋值为1，否则赋值为0.强增强信号经过模型的输出和其弱增强信号相应的伪标签与mask相乘计算得到无监督预测值ltarget。
7、作为本专利技术中一种优选的技术方案，所述步骤二中的源域数据主要包含了19个被试的信号及其标签，而目标域数据包括部分源域信号和1个被试的信号，视为无标签数据。
8、作为本专利技术中一种优选的技术方案，所述步骤二中的骨干网络采用数据集；sl为源域，主要包含19个被试的信号及其对应标签以及其强增强和弱增强的信号，视为有标签样本；tu为目标域，包含经过数据增强的1个被试和部分从源域中抽取得到的信号，tu中的信号视为无标签数据，将有标签数据输入模型，得到预测值,预测值分别在弱增强和强增强样本上，然后和对应标签计算得到lsource；无标签的弱增强数据和强增强数据分别输入模型得到预测值和，根据使用分布对齐调整得到 ，接着使用给无标签数据打上伪标签，并且根据重新计算动态阈值t；将超过阈值的mask值设置为1，反之则设置为0.和伪标签经计算和mask相乘得到ltarget，最后将lsource和ltarget协同运算反向推导更新模型；睡眠分期拟采用骨干网络模型sleepcnn结构，卷积神经网络，用于处理时间序列数据；它的主要作用是对输入的信号进行特征提取和分类；
9、骨干网络的输入是一个形状为（100，3000，1，1） 的张量，表示有100个长度为3000的时间序列信号，每个信号时长为30秒，频率为100hz，每个时间点上只有一个通道；通过reshape得到形状的张量（-1，1，3000）。
10、作为本专利技术中一种优选的技术方案，所述骨干网络网络的整体结构如下：
11、第一层是一个卷积层，输入通道数为1，输出通道数为64，卷积核大小为（64，），步长为16；这一层通过 relu6 激活函数和批归一化进行特征提取；
12、第二层是另一个卷积层，输入通道数为64，输出通道数为128，卷积核大小为（8，），填充为1，步长为1；这一层同样通过 relu本文档来自技高网...
【技术保护点】
1.一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：所述步骤二中的源域数据主要包含了19个被试的信号及其标签，而目标域数据包括部分源域信号和1个被试的信号，视为无标签数据。
3.根据权利要求1所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：所述步骤二中的骨干网络采用数据集；SL为源域，主要包含19个被试的信号及其对应标签以及其强增强和弱增强的信号，视为有标签样本；TU为目标域，包含经过数据增强的1个被试和部分从源域中抽取得到的信号，TU中的信号视为无标签数据，将有标签数据输入模型，得到预测值,分别经过在其对应的弱增强输出和强增强输出两次调整后计算得到Lsource；无标签的弱增强数据和强增强数据分别输入模型得到预测值和，根据使用分布对齐调整得到，根据重新计算动态阈值t；接着使用给大于阈值t的无标签数据打上伪标签；和伪标签计算得到Ltarget，最后将Lsource和Ltarget协同运算反向推导更新模型；睡眠分期拟采用骨干网络模型
4.根据权利要求3所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：所述骨干网络网络的整体结构如下：
5.根据权利要求3所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：所述骨干网络通过卷积和池化操作提取输入信号的局部特征，并通过全连接层进行分类，将输入的时间序列数据映射到五个不同的类别；它可以用于睡眠信号学习的任务。
6.根据权利要求1所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：所述步骤二中的数据增强使用随机抽取高斯噪声、信号旋转、滤波、重排、贝叶斯数据增强方式增强无标签EEG信号。
7.根据权利要求6所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：高斯模糊将增强后的数据表示为，x分布在[0，1]，N是一个μ=0.5的高斯分布，数据的增强水平通过改变值进行调整，项目拟分别使得和增加高斯噪声以此代表强增强和弱增强；信号旋转将30s信号最后5s移动到信号前端；滤波部分使用Butterworth 滤波器，指定了滤波器的边界频率为30Hz，超过该频率的信号将被滤除；重排将脑电信号切割分成5份，随机打乱片段的顺序，最后将打乱顺序后的脑电信号重新组合得到排列后的脑电信号。
8.根据权利要求6所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：所述贝叶斯数据增强将每个信号划分为多个时间窗口，并对每个时间窗口使用傅里叶变换将其转换到频域，然后对每个频谱进行变换或增强操作，最后，使用傅里叶逆变换将增强后的频谱还原为时域信号，并将所有增强后的片段组合成增强后的信号。
9.根据权利要求1所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：还包括指标评价，采用准确率(Accuracy)、F1-Score（F1）评价指标评测方法的总体性能，同时辅以精度(Precision)、召回率（Recall）、F1评价每一类别的最终学习效果。上述评价指标公式如下所示：
...【技术特征摘要】
1.一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：所述步骤二中的源域数据主要包含了19个被试的信号及其标签，而目标域数据包括部分源域信号和1个被试的信号，视为无标签数据。
3.根据权利要求1所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：所述步骤二中的骨干网络采用数据集；sl为源域，主要包含19个被试的信号及其对应标签以及其强增强和弱增强的信号，视为有标签样本；tu为目标域，包含经过数据增强的1个被试和部分从源域中抽取得到的信号，tu中的信号视为无标签数据，将有标签数据输入模型，得到预测值,分别经过在其对应的弱增强输出和强增强输出两次调整后计算得到lsource；无标签的弱增强数据和强增强数据分别输入模型得到预测值和，根据使用分布对齐调整得到，根据重新计算动态阈值t；接着使用给大于阈值t的无标签数据打上伪标签；和伪标签计算得到ltarget，最后将lsource和ltarget协同运算反向推导更新模型；睡眠分期拟采用骨干网络模型sleepcnn结构，卷积神经网络，用于处理时间序列数据；它的主要作用是对输入的信号进行特征提取和分类；
4.根据权利要求3所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：所述骨干网络网络的整体结构如下：
5.根据权利要求3所述的一种基于半监督深度学习的睡眠脑电信号处理方法，其特征在于：所述骨干网络通过卷积和池化操作提取输入信号的局部特征，并通过全连接层进行分类，将输入的时...
【专利技术属性】
技术研发人员：李景聪，杨叶泽盛，潘家辉，王斐，
申请(专利权)人：华南师范大学，
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。