一种用于训练睡眠阶段分类模型的方法

本发明涉及迁移学习领域，具体来说涉及迁移学习在智能医学领域的应用，更具体地说，涉及一种用于训练睡眠阶段分类模型的方法。

背景技术：

1、睡眠占人类寿命的三分之一，与人的身心健康有直接关系。睡眠阶段分类广泛应用于疾病监测和干预，对人类健康具有重要的现实意义。睡眠有两个主要的指导标准阶段分类，包括r&k(rechtschaffen&kales)标准和美国睡眠学会医学(aasm)标准。

2、早在1968年，rechtschaffen和kales就提出了基于在睡眠期间收集的多导睡眠图(psg)，是包含脑电(eeg)、心电(ecg)、眼电(eog)和肌电(emg)等的多模态生理时序信号。基于psg将睡眠阶段分为七个阶段，即清醒(wake)、快速眼动(rem)、四个非快速眼动(nrem)和运动时间段。nrem(non-rapid eye movement)包含四个阶段，命名为阶段1(s1)、阶段2(s2)、阶段3(s3)和阶段4(s4)。前两个是浅睡眠期，后两个是深度睡眠期，也称为慢波睡眠。2007年，美国睡眠医学会将r&k标准中的s3、s4阶段合并为s3阶段，将s1、s2、s3阶段重命名为n1、n2、n3阶段。

3、改进后的aasm标准将睡眠周期分为清醒(wake)、快速眼动(rem)、n1、n3、n3阶段，也对应到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的许多领域都扮演着不可或缺的角色。例如，癫痫和睡眠障碍表现出复杂而密切的关联关系，许多现有研究探索了睡眠监测在癫痫干预中的应用。对于帕金森病来说，睡眠障碍也是最频繁的非运动表现，监测睡眠质量是预警帕金森病发作和了解疾病的进展的有效方式。

4、普适计算(ubiquitous computing)是适应计算技术发展出现的一种新型计算模式，强调融合信息、物理和社会空间，通过无所不在的计算服务突破传统计算模式的时空限制。区别于传统受限环境下的睡眠阶段分类，普适非受限环境下的自动睡眠阶段分类能够通过可穿戴设备、自然人机交互和自适应计算实现长时间、实时、跨场景应用。然而，在医疗问诊、社区生活、居家监护等不同普适计算场景下，由于睡眠相关采集的时序生理信号存在严重的用户依赖，往往带来跨用户场景下数据分布不一致的问题，使已有模型难以跨用户应用。简单来说，现有技术训练的睡眠阶段分类模型提取特征时将一些用户特有的用户特征提取出来用于分类，模型的泛化性受限，使得模型在用于对其他用户的数据进行分类时，分类准确性受到影响。因此，有必要对现有技术进行改进。

技术实现思路

1、因此，本发明的目的在于克服上述现有技术的缺陷，提供一种用于训练睡眠阶段分类模型的方法。

2、本发明的目的是通过以下技术方案实现的：

3、根据本发明的第一方面，提供一种用于训练睡眠阶段分类模型的方法，包括：获取训练集，其包括多个样本、每个样本对应的指示睡眠阶段类别的类别标签以及指示每个样本所属域的域标签，其中，样本为多模态生理时序信号，所述域与用户或者用户分组相关；利用所述训练集对基于神经网络的睡眠阶段分类模型和域鉴别器进行对抗训练，其中，所述睡眠阶段分类模型被配置为根据样本提取样本特征并根据样本特征识别样本对应的睡眠阶段类别，所述域鉴别器被配置为根据所述样本特征识别样本的域，对抗训练时基于类别标签确定的睡眠阶段分类损失和基于域标签确定的域分类损失更新睡眠阶段分类模型的参数，以及根据所述域分类损失更新域鉴别器的参数。

4、可选的，所述睡眠阶段分类模型包括用于从样本提取样本特征的特征提取器和用于根据样本特征识别每个睡眠阶段类别的置信度的分类器，所述域鉴别器包括多个子鉴别器，每个子鉴别器对应一个睡眠阶段类别并用于根据分类器对样本输出的所对应的睡眠阶段类别的置信度对该样本的样本特征进行加权后识别该样本的域。

5、可选的，训练时，利用以下损失函数确定的总损失更新所述睡眠阶段分类模型的参数：

6、lt＝ly-ld

7、其中，lt表示总损失，ly表示根据睡眠阶段分类模型对样本输出的各睡眠阶段类别的置信度和类别标签确定的睡眠阶段分类损失，ld表示根据域鉴别器识别样本的域的置信度和对应的域标签确定的域分类损失。

8、可选的，所述域分类损失按照以下方式确定：

9、

10、其中，j表示当前参与更新参数的样本的数量，r表示睡眠阶段类别的数量，r表示子鉴别器的编号，j表示样本的编号，αr表示为第r个子鉴别器的域分类子损失预设的权值，表示第r个子鉴别器的域分类子损失，表示第r个子鉴别器识别样本在各个域的域置信度，表示分类器对样本输出的该子鉴别器所对应的睡眠阶段类别的置信度，gf(xj)表示特征提取器对样本xj提取的样本特征，dj表示样本xj的域标签。

11、可选的，所述特征提取器被配置能对图数据进行处理的图神经网络，在所述图数据中，多模态生理时序信号中每个模态的每个通道信号作为一个节点，同一模态下的各信号通道对应的节点彼此设为具有连接关系，其中：所述特征提取器包括mstgcn模型或者jk-stgcn模型中对多模态生理时序信号进行分模态处理及特征融合的结构部分，以融合空间特征和时序特征得到样本特征，或者所述特征提取器包括mstgcn模型或者jk-stgcn模型中对多模态生理时序信号进行分模态处理及特征融合的结构部分以提取空间特征和时序特征，并且特征提取器将空间特征、时序特征与预设的频谱特征进行融合得到样本特征。

12、可选的，所述特征提取器采用特征提取第一子模块和特征提取第二子模块串联的结构，其中：特征提取第一子模块，用于对样本中每个模态的生理时序信号分别在为该模态预设的至少两个卷积通道中以不同的卷积尺度进行卷积，并对至少两个卷积通道的输出进行融合，得到经降维的每个模态的生理时序信号；特征提取第二子模块，用于对经降维的每个模态的生理时序信号进行分模态处理及特征融合以得到样本特征，其中，所述特征提取第二子模块采用mstgcn模型或者jk-stgcn模型中对多模态生理时序信号进行分模态处理及特征融合的结构部分。

13、可选的，所述类别标签指示的睡眠阶段类别为以下阶段之一：

14、清醒阶段、快速眼动阶段和非快速眼动阶段；或者

15、清醒阶段、快速眼动阶段、n1阶段、n2阶段和n3阶段。

16、根据本发明的第二方面，提供一种用户睡眠阶段分类方法，所述方法包括：获取用户的多模态生理时序信号；利用经第一方面所述的方法训练得到的睡眠阶段分类模型根据所述用户的多模态生理时序信号进行睡眠阶段分类。

17、根据本发明的第三方面，提供一种电子设备，包括：一个或多个处理器；以及存储器，其中存储器用于存储可执行指令；所述一个或多个处理器被配置为经由执行所述可执行指令以实现第一方面和/或第二方面所述方法的步骤。

18、与现有技术相比，本发明的优点在于：

19、本发明实施例在训练集中，除设置指示睡眠阶段类别的类别标签外，还设置指示每个样本所属域的域标签，不同的域对应用户或者用户分组不同；并基于对抗训练方式来训练基于神经网络的睡眠阶段分类模型和域鉴别器，其中，基于类别标签确定的睡眠阶段分类损失和基于域标签确定的域分类损失更新睡眠阶段分类模型的参数，可以利用域标签帮助睡眠阶段分类模型在特征提取时提取到与睡眠阶段分类更加相关但与域分类关联性更弱的用户特征用于分类，从而提升模型的泛化性；相对于现有技术，经本发明实施例的方法训练得到模型用于其他用户的数据进行分类时，模型的分类准确性可以得到提升。