融合多特征信息的睡眠阶段分类方法和装置、介质及设备

本发明实施例涉及计算机领域，具体而言，涉及一种融合多特征信息的睡眠阶段分类方法和装置、介质及设备。

背景技术：

1、睡眠医学学会(aasm)以五个阶段作为评判睡眠分期的标准，分别是清醒期(w)、睡眠阶段一期(n1)、睡眠阶段二期(n2)、睡眠阶段三期(n3)以及快速眼动期(rem)。临床上常用的睡眠分期分类方法是多导睡眠图psg，它能监测数十种生理信号，但是检测过程耗时费力，且需要医生的手工数据判读，具有一定的主观性。

2、目前现有技术中提出的许多基于深度学习进行睡眠分期分类的方法主要基于单视图数据和多视图数据两类，单视图数据的研究中常用方法有卷积神经网络、图神经网络以及两者的结合等等，然而他们忽略了来自生理信号的另一个数据视图的信息。而现有的基于生理信号多数据视图融合的自动睡眠分期方法尽管取得了良好的效果，但他们仍然忽略了不同特征尺度下不同数据视图之间的关系。

技术实现思路

1、本发明实施例提供了一种融合多特征信息的睡眠阶段分类方法和装置、介质及设备。以至少解决相关技术中存在的检测过程耗时费力，需要人工判读数据存在主观性的问题；弥补了未考虑多特征尺度下不同数据视图之间的关系，导致的计算精度不高的缺陷。

2、本发明的目的是采用下述技术方案实现的：

3、根据本发明的一个实施例，提供了一种融合多特征信息的睡眠阶段分类方法，包括：

4、根据睡眠阶段分类任务对原始夜间psg信号进行分类，建立训练数据集；

5、基于训练数据集对预先构建的睡眠分期模型进行训练；

6、将待测psg信号输入训练好的睡眠分期模型进行睡眠阶段预测，获得睡眠阶段预测结果；

7、其中，所述预先构建的睡眠分期模型包括：类残差网络、类transformer网络和尺度感知注意模块；尺度感知注意模块，对类残差网络和类transformer网络在不同特征尺度上的关系进行建模，获得睡眠分期模型。

8、在一个示例性实施例中，上述根据睡眠阶段分类任务对原始夜间psg信号进行分类，建立训练数据集包括：

9、获取原始夜间psg信号s＝{s1,s2，···，sn}；

10、其中，n为参与登记睡眠监测的个体数，每个夜间psg信号si由多通道生理信号组成，所述多通道生理信号包括eeg、eog、emg和ecg；

11、定义睡眠阶段分类任务，将每个夜间psg信号si分割为{x(1)，x(2)，···，x(m)}段，每个夜间psg信号段定义为x(i)＝{x(i)1,x(i)2，···，x(i)l}；

12、根据睡眠阶段分类任务，为每个夜间psg信号段x(i)分配一个睡眠阶段标签y(i)，生成训练数据集d＝{(x(i)，y(i))|i＝1，2，···，m}；

13、其中，l为生理信号通道数，m为夜间psg信号段数。

14、在一个示例性实施例中，上述基于训练数据集对预先构建的睡眠分期模型进行训练的过程包括：

15、根据训练数据集构建psg段序列，将psg段序列作为模型的输入；

16、通过类残差网络从基于所述psg段序列的短时傅里叶变化生成的视频图像中学习光谱特征信息；

17、将所述psg段序列及其夜间psg信号的数据点位置作为类transformer网络的输入，通过类transformer网络从psg段序列中学习形态特征信息；

18、采用跨视图对齐组件，重组学习到的特征映射，使映射得到的特征点位置关系与相应的psg片段一致；通过共同特征学习模块，获取残差网络和类transformer网络从视频图像中学习到的特征信息的共同语义特征；通过睡眠阶段分类器，将共同语义特征的融合张量映射到睡眠阶段，预测睡眠阶段的概率分布，获得用于睡眠阶段预测的睡眠分期模型；

19、定义睡眠分期模型的损失函数，并以最小化损失函数为目标，对睡眠分期模型进行优化，直到获得训练后满足所述目标的睡眠分期模型。

20、在一个示例性实施例中，上述根据训练数据集建立psg段序列包括：

21、获取训练数据集的相邻信息，建立psg段序列siseg＝{x(i-t)，···，x(i)，···，x(i)，··，x(i+t)}；

22、其中，xj(i)表示第i个夜间psg信号段第j个通道的夜间psg信号；y(i)∈{0,1,2,3,4}，依次对应w、n1、n2、n3、rem的睡眠阶段；t为夜间psg信号段的长度。

23、在一个示例性实施例中，上述通过类残差网络，从基于psg段序列的短时傅里叶变化生成的视频图像中学习光谱特征信息，如下式：

24、hres＝fres(ximg)

25、其中，hres表示由类残差网络学习获得的空间特征；fres为类残差网络；ximg表示具有频谱信息的视频图像序列；

26、通过类transformer网络，从psg段序列中学习形态特征信息，如下式：

27、

28、其中，ftrans为类transformer网络，fscale为尺度感知注意模块，htrans为由类transformer网络学习获得的时间特征。

29、在一个示例性实施例中，上述通过下式学习类残差网络和类transformer网络共同的语义特征：

30、

31、其中，ls为相似度损失，||·||表示一维张量的模。

32、在一个示例性实施例中，上述通过下式计算预测的睡眠阶段的概率分布：

33、

34、其中，fclf表示睡眠阶段分类器，hres和htrans分别为从类残差网络和类transformer网络中学习到的特征。

35、根据本发明的又一个实施例，还提供了一种融合多特征信息的睡眠阶段分类装置，包括：

36、数据集构建模块，用于根据睡眠阶段分类任务对原始夜间psg信号进行分类，建立训练数据集；

37、训练模块，用于基于训练数据集对预先构建的睡眠分期模型进行训练；其中，所述预先构建的睡眠分期模型包括：类残差网络、类transformer网络和尺度感知注意模块；尺度感知注意模块，对类残差网络和类transformer网络在不同特征尺度上的关系进行建模，获得睡眠分期模型；

38、阶段预测模块，用于将待测psg信号输入训练好的睡眠分期模型进行睡眠阶段预测，获得睡眠阶段预测结果。

39、根据本发明的又一个实施例，还提供了一种计算机可读存储介质，上述计算机可读存储介质中存储有计算机程序，其中，上述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

40、根据本发明的又一个实施例，还提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，上述处理器被设置为运行上述计算机程序以执行上述任一项方法实施例中的步骤。

41、本发明提出的方法基于尺度感知的跨视图对齐网络技术构建睡眠分期模型，通过尺度感知注意力进行睡眠阶段分类。具体来说，模型主要由五部分组成，即类残差网络、类transformer网络、尺度感知注意模块、共同特征学习模块和睡眠分期分类器。为了从视频图像中学习光谱特征信息，本发明提出了一种基于多个空间通道注意头块的深度可分离的类残差网络，为了从生理信号中获取空间特征信息，本发明提出了一种具有全局注意机制的类transformer网络。为了更好地利用来自不同数据视图的光谱和空间特征信息，本发明将它们结合在一起，并采用尺度感知注意力以确定不同特征尺度下不同数据视图之间的关系。

42、此外，本发明通过优化相似损失的类残差网络和类transformer网络将常见的语义特征从学习到的特征中分离出来，提高了模型的跨域能力。