本发明属于数据处理,具体涉及一种睡眠脑电分期方法及系统。
背景技术:
1、人的一生中有三分之一是在睡眠中度过的,睡眠是人类不可或缺的重要生理活动。良好的睡眠有利于人体机能恢复,睡眠质量的好坏与体力以及脑力恢复程度有着直接联系。实际上,临床专家也正是通过睡眠质量好坏去判断个体是否患有睡眠障碍疾病。而睡眠质量也同样需要通过关键的客观媒介去评判,即睡眠分期工作。目前,睡眠分期工作是临床专家对由专门的设备采集到的睡眠数据进行观察分类,最终通过数据的分类结果去判断患者的睡眠质量进而判断是否患有睡眠障碍。睡眠分期作为睡眠医学研究过程中的一个重要步骤,可以有效监测、检查和评估睡眠质量,对提前预防和治疗睡眠相关疾病有重大意义。
2、对于睡眠阶段的分类,目前主要有传统的机器学习方法以及深度学习方法。传统的机器学习方法主要依赖于特征工程,需要一定的先验知识,且自动学习能力不足;而目前的深度学习算法,通常以复杂的结构来获取可靠的检测精度,这种算法通常需要长时间的训练,不利于实时监测。
3、对于数据预处理方面,通常包括去除基线漂移和抑制噪声伪迹,用以提高信号的信噪比。小波变换或傅里叶变换只是对信号进行频率维度或时频维度的特征进行表示,需要前期的经验知识判断和处理。
4、对于特征提取方面,机器学习方法主要利用通过专家知识提取的睡眠特征如时域特征、频域特征等构成特征空间;深度学习方法主要通过网络自身从输入睡眠数据中提取分期特征。
5、睡眠阶段分类是算法中的最后一步。简单来说就是将前期提取到的特征进行分类。经典机器学习模型包括睡眠逻辑斯特回归模型、决策树模型、随机分期森林模型和支持向量机模型;深度学习模型主要有卷积神经网络、循环神经网络、长短时记忆网络以及基于注意力机制的神经网络。但是以上方法存在着需要先验知识和网络结构较为复杂,训练时间长的缺点。
技术实现思路
1、针对现有技术存在的不足,本发明提出了一种睡眠脑电分期方法及系统,该方法包括:实时获取脑电信号数据并对其进行预处理,将预处理好的脑电信号数据输入到训练好的睡眠脑电分期模型中,得到脑电信号分类结果;
2、对睡眠脑电分期模型进行训练的过程包括:
3、s1:获取脑电信号数据并对其进行预处理,得到预处理好的脑电信号数据;
4、s2:对预处理好的脑电信号数据进行特征提取,得到时频特征图;
5、s3:对时频特征图进行时序特征提取,得到时序特征图;
6、s4:将时频特征图和时序特征图输入到分类器中进行分类,得到脑电信号分类结果。
7、优选的,对脑电信号数据进行预处理包括:采用陷波器去除脑电信号数据的工频干扰,采用巴特沃斯滤波器对去除工频干扰后的脑电信号数据进行带通滤波,得到预处理好的脑电信号数据。
8、优选的,对预处理好的脑电信号数据进行特征提取的过程包括:采用双分支卷积模块中两个卷积分支分别对预处理好的脑电信号数据进行初步处理,得到频域特征和时域特征;拼接频域特征和时域特征,得到拼接后的特征;对拼接后的特征进行丢弃操作以降低特征维度,得到脑电特征;采用核和步长大小均为1的卷积层对脑电特征进行融合校正,得到时频特征图。
9、进一步的,所述双分支卷积模块包括两个分支,每个分支均由三个卷积层和两个最大池化层构成,每个卷积层后均跟有一个归一化层,并使用高斯误差线性单元作为激活函数。
10、优选的,对时频特征图进行时序特征提取的过程包括:采用因果卷积模块对时频特征图进行初步处理,得到多个第一时序特征;串联多个第一时序特征,得到第二时序特征;采用转换模块对第二时序特征的维度进行转换,得到时序特征图。
11、进一步的,所述因果卷积模块由多个密集连接的因果卷积块构成,每个因果卷积块由4个膨胀因果卷积层构成。
12、优选的,所述分类器包括全连接层和softmax层。
13、一种睡眠脑电分期系统,用于执行一种睡眠脑电分期方法,包括:数据预处理模块、双分支卷积模块、因果卷积模块和分类模块;
14、所述数据预处理模块用于对脑电信号数据进行预处理;
15、所述双分支卷积模块用于对预处理后的脑电信号数据进行特征提取,得到时频特征图;
16、所述因果卷积模块用于对时频特征图进行时序特征提取,得到时序特征图;
17、所述分类模块用于根据时频特征图和时序特征图进行脑电信号分类,输出脑电信号分类结果。
18、本发明的有益效果为:本发明使用双分支卷积模块对预处理后的信号进行时频特征提取,并通过因果卷积模块进行时序特征提取,然后通过分类器进行分类,最终获取分类结果;本发明只需要来自单个脑电通道的数据,避免了多通道信号采集过程中存在的受试者运动限制以及多个电极的干扰问题;本发明不依赖于任何手工提取的特征,而是直接从经过滤波处理的脑电信号中提取有用的特征,获得良好的分期性能;采用了交叉验证的训练策略,体现模型的稳定性和泛化能力。而且由于设计的网络结构更为简单、优化参数较少,算法运行所需时间更短,有利于辅助医师进行实时睡眠监测以及评估用户的健康状态。
1.一种睡眠脑电分期方法,其特征在于,包括:实时获取脑电信号数据并对其进行预处理,将预处理好的脑电信号数据输入到训练好的睡眠脑电分期模型中,得到脑电信号分类结果;
2.根据权利要求1所述的一种睡眠脑电分期方法,其特征在于,对脑电信号数据进行预处理包括:采用陷波器去除脑电信号数据的工频干扰,采用巴特沃斯滤波器对去除工频干扰后的脑电信号数据进行带通滤波,得到预处理好的脑电信号数据。
3.根据权利要求1所述的一种睡眠脑电分期方法,其特征在于,对预处理好的脑电信号数据进行特征提取的过程包括:采用双分支卷积模块中两个卷积分支分别对预处理好的脑电信号数据进行初步处理,得到频域特征和时域特征;拼接频域特征和时域特征,得到拼接后的特征;对拼接后的特征进行丢弃操作以降低特征维度,得到脑电特征;采用核和步长大小均为1的卷积层对脑电特征进行融合校正,得到时频特征图。
4.根据权利要求3所述的一种睡眠脑电分期方法,其特征在于,所述双分支卷积模块包括两个分支,每个分支均由三个卷积层和两个最大池化层构成,每个卷积层后均跟有一个归一化层,并使用高斯误差线性单元作为激活函数。
5.根据权利要求1所述的一种睡眠脑电分期方法,其特征在于,对时频特征图进行时序特征提取的过程包括:采用因果卷积模块对时频特征图进行初步处理,得到多个第一时序特征;串联多个第一时序特征,得到第二时序特征;采用转换模块对第二时序特征的维度进行转换,得到时序特征图。
6.根据权利要求5所述的一种睡眠脑电分期方法,其特征在于,所述因果卷积模块由多个密集连接的因果卷积块构成,每个因果卷积块由4个膨胀因果卷积层构成。
7.根据权利要求1所述的一种睡眠脑电分期方法,其特征在于,所述分类器包括全连接层和softmax层。
8.一种睡眠脑电分期系统,该系统用于执行权利要求1~7所述的任意一种睡眠脑电分期方法,其特征在于,包括:数据预处理模块、双分支卷积模块、因果卷积模块和分类模块;