System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及脑电特征波识别领域,尤其涉及一种融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法及装置。
技术介绍
1、睡眠纺锤波是在非快速眼动期(nrem)观察到的神经性振荡活动,在临床领域被认为与睡眠质量、认知能力等脑健康状态相关。睡眠纺锤波特征(如振荡频率、纺锤波密度、持续时间)可以作为评估认知能力和相关障碍的重要生物标志物。从整夜脑电图中检测睡眠纺锤波是获得上述特征的基础,因此具有重要的临床研究价值。然而,目前临床上对于睡眠纺锤波的诊断和识别仍主要依赖专家进行脑电图的视觉检查,这种人工标定的方法专业度和成本较高、效率低且一致性差。因此,迫切需要一种准确、高效的睡眠纺锤波自动化检测方法来解决上述问题。
2、近年来,许多学者致力于该领域的研究,因而涌现出大量的自动化纺锤波检测算法,并取得了一定成果。这些算法主要可以分为三类:基于模板匹配的方法、基于分类器的方法和基于深度学习的方法。其中,基于模板匹配的方法将原始信号使用带通滤波或信号分解计算出包络平面,并使用固定或者自适应的阈值进行检测;基于分类器的方法主要使用机器学习分类器(如:svm,决策树以及方法的组合等)来直接对从eeg中提取的时频表征和非线性特征进行分类;基于深度学习的方法通常利用神经网络模型自动从信号中提取形态学特征来确定睡眠纺锤波事件的存在。但这些基于深度学习的自动化检测方法在检测精度上仍面临一些的挑战,而且少有关注到睡眠纺锤波数量等在整晚睡眠尺度上的统计,而这些睡眠纺锤波特征是评估认知能力的重要生理标志物。
技术实现
1、本专利技术提供了一种融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法及装置,用以解决或者至少部分解决现有技术中存在的检测精度不高的技术问题。
2、为了解决上述技术问题,本专利技术第一方面提供了融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,包括:
3、s1:从睡眠脑电图中提取出c3通道信号作为原始信号,对原始信号进行预处理,基于原始信号与预处理后的信号得到输入信号;
4、s2:对输入信号进行重采样,并分别对输入信号中包含的原始信号与预处理后的信号进行标准化处理,然后对标准化后的信号数据进行睡眠纺锤波事件的标签分配;再对标注后的数据进行裁切并利用平衡化策略对训练样本进行平衡化处理;
5、s3:将经过平衡化处理后的样本输入至融合时序关联性与软注意力机制的事件检测网络中进行训练,其中,融合时序关联性与软注意力机制的事件检测网络包括:编码模块、时序建模模块、跳连注意力模块以及解码模块,编码模块用于对输入信号进行多层次的特征提取,获取输入信号的上下文信息,时序建模模块用于对信号片段内部的时序信息进行建模,跳连注意力模块用于采用软注意力机制将编码模块中的特征图与解码模块中的特征图进行拼接,解码模块用于将跳连注意力模块输出的特征与上采样卷积块输出的特征进行拼接后进行解码,得到最终的特征输出;
6、s4:对最终的特征输出进行后处理,得到睡眠纺锤波的检测结果。
7、在一种实施方式中,步骤s1包括:
8、s1.1:从睡眠脑电图中提取出c3通道信号作为原始信号;
9、s1.2:对原始信号使用8阶巴特沃斯滤波器进行带通滤波处理,得到滤波后的信号,将原始信号与滤波信号进行拼接,得到拼接后的向量x=[x1,x2],将其作为输入信号,其中,x1表示原始信号,x2表示滤波后的信号。
10、在一种实施方式中,步骤s2包括:
11、s2.1:对向量x中的每个通道i对应的数据xi进行重采样处理至100hz,然后使用鲁棒性标准化方法进行标准化处理,其中,标准化处理的公式为:
12、
13、其中mi表示数据xi的中位数,iqri表示四分位距,zi是xi标准化后的数据;
14、s2.2:对标准化后的数据进行睡眠纺锤波事件标签分配,在进行标签分配时标注每个纺锤波事件的起始时间和终止时间;
15、s2.3:利用长度为l的滑动时间窗对标注后的数据进行样本裁切,得到时间长度为l的样本;
16、s2.4:对负样本进行随机采样直至负样本和正样本的数量比为1∶1。
17、在一种实施方式中,编码模块包括三层编码模块和两个下采样模块,编码模块的处理过程包括:
18、s3.1.1:通过第一层编码模块对输入信号进行特征提取;
19、s3.1.2:通过下采样模块对步骤s3.1.1得到的特征向量进行下采样操作;
20、s3.1.3:通过第二层编码模块对步骤s3.1.2得到的特征进行编码;
21、s3.1.4:通过下采样模块对步骤s3.1.3编码得到的特征进行下采样操作;
22、s3.1.5:通过第三层编码模块对步骤s3.1.4得到的特征进行编码,得到编码后的特征。
23、在一种实施方式中,时序建模模块的处理过程包括:
24、s3.2.1:基于编码模块输出的特征向量构建序列数据;
25、s3.2.2:将步骤s3.2.1中构建的序列数据输入到长短期记忆网络中进行处理,捕捉数据中存在的时序信息;
26、s3.2.3:将步骤s3.2.2中得到的数据进行转换,得到时序建模模块的输出数据。
27、在一种实施方式中,跳连注意力模块以及解码模块的处理过程包括:
28、s3.3.1:使用上采样卷积块对时序建模模块的输出进行上采样处理;
29、s3.3.2:将步骤s3.3.1得到的上采样卷积块输出的特征g与步骤s3.1.3中第二层编码模块的编码特征f2一同输入至软注意力机制中,得到跳连注意力模块的第一输出
30、s3.3.3:将步骤s3.3.2得到的跳连注意力模块的第一输出与步骤s3.3.1得到的上采样卷积块输出在通道维度进行拼接,然后通过一个卷积块进行解码操作;
31、s3.3.4:将步骤s3.3.3得到的解码特征向量继续输入到上采样卷积块中进行2倍上采样处理;
32、s3.3.5:将步骤s3.3.4得到的上采样卷积块输出的特征与步骤s3.1.1第一层编码模块的编码特征f1一同输入至软注意力机制中,得到跳连注意力模块的第二输出;
33、s.3.6:将步骤s3.3.5得到的跳连注意力模块的第二输出与步骤s3.3.4得到的上采样卷积块输出的特征在通道维度进行拼接,然后通过一个卷积块进行解码操作,得到解码模块最终的特征输出。
34、在一种实施方式中,步骤s4包括:
35、s4.1:使用卷积层对解码模块的输出进行卷积处理,在每个采样点位置输出2个值,分别代表该采样点属于睡眠纺锤波事件的概率和属于背景的概率;
36、s4.2:将每个采样点最大概率所对应的标签作为该采样点的标签,其中睡眠纺锤波事件的标签为1,背景的标签为0;然后将脑电信号中连续的1进行合并处理,得到每个睡眠纺锤波事件的起本文档来自技高网...
【技术保护点】
1.融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,包括:
2.如权利要求1所述的融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,步骤S1包括:
3.如权利要求2所述的融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,步骤S2包括:
4.如权利要求1所述的融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,编码模块包括三层编码模块和两个下采样模块,编码模块的处理过程包括:
5.如权利要求1所述的融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,时序建模模块的处理过程包括:
6.如权利要求4所述的融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,跳连注意力模块以及解码模块的处理过程包括:
7.如权利要求1所述的融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,步骤S4包括:
8.融合时序关联性与软注意力机制的睡眠纺锤波自动化检测装置,其特征在于,包括:
9.一种
10.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至7中任一项权利要求所述的方法。
...【技术特征摘要】
1.融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,包括:
2.如权利要求1所述的融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,步骤s1包括:
3.如权利要求2所述的融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,步骤s2包括:
4.如权利要求1所述的融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,编码模块包括三层编码模块和两个下采样模块,编码模块的处理过程包括:
5.如权利要求1所述的融合时序关联性与软注意力机制的睡眠纺锤波自动化检测方法,其特征在于,时序建模模块的处理过程包括:
6.如权利要求4所...
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。