一种睡眠信号分期可信度自动评价方法

1.本发明属于生物医学工程技术领域，特别涉及睡眠监测领域中的一种睡眠信号分期可信度自动评价方法。


背景技术：

2.随着现代生活节奏的加快和生活方式的改变，睡眠日益成为一个突出医疗及公共卫生问题。中国睡眠研究会2021年发布睡眠调查报告显示，我国有超3亿人存在睡眠障碍，成年人失眠发生率高达38.2％，其中老年人睡眠障碍发生率占56.7％。临床上通过睡眠分期研究被试的睡眠结构和睡眠质量，对干预改善人们睡眠和辅助医生诊断治疗睡眠疾病至关重要。
3.现阶段睡眠医学领域中，多导睡眠图(polysomnography，psg)是睡眠分期的“金标准”，该方法同步采集受试者睡眠过程中的脑电(electroencephalogram，eeg)、心电(electrocardiogram，eeg)、肌电(electromyogram，emg)、眼电(electrooculogram，eog)、呼吸等被试的整晚多通道生理信号，然后专业医生按照美国睡眠医学学会(american academy of sleep medicine,aasm)制定的睡眠分期标准将夜间睡眠以30s时间间隔为单位分为清醒期(wake，w)、非快速眼动睡眠期(non
‑
rapid eye movement，nrem)和快速眼动睡眠期(rapid eye movement，rem)，其中nrem期又细分为ⅰ期(n1)、ⅱ期(n2)、ⅲ期(n3)。由于psg价格昂贵、受试者睡眠时需要佩戴大量传感器、需要搭建专业睡眠实验室及专业医生判读结果等缺陷，严重限制了其普及和推广，以及利用人工智能技术在睡眠领域开展海量数据规模的新应用。近年来，很多研究人员开始将注意力集中在通过可穿戴睡眠监测装置，利用人工智能技术进行自动睡眠分期算法研究。
4.自动睡眠分期算法主要包括生理信号预处理、特征提取和睡眠状态分类三个步骤，对易于采集的ecg、呼吸与光电容积脉搏波(photoplethysmography，ppg)等生理信号预处理后，提取与睡眠分期相关的时域、频域及非线性特征，然后对分类器进行模型训练。现有训练分类器的方法往往采用有监督技术，分类精度与训练集规模成正相关。但由于医疗数据的特殊性和人工标记的复杂性，导致可用的标记数据非常稀缺。利用数量有限的标记数据训练出的分期模型，其健壮性和结果可信度很难保证。对睡眠分期结果可信度进行有效评价具有重要意义和应用价值。
5.近年来，睡眠健康监测产品的市场化和家庭化，快速产生了海量的无标记睡眠数据。人工标记这些海量的无标记数据需要花费大量时间和人力，该类方案缺乏现实可行性。(1)如何对海量数据进行自动分析，形成可用于模型算法训练的有标记数据是一个巨大的挑战；(2)如何充分有效利用这些海量无标记数据，提高睡眠分期算法的健壮性和结果可信度是另一个需要解决的问题。


技术实现要素：

6.为了克服上述现有技术的缺陷，本发明的目的在于提供一种睡眠信号分期可信度
自动评价方法，利用睡眠多视图概念，对于获得的睡眠数据，按不同分类粒度对同一睡眠时刻分别进行分类，采用五分类方式，把睡眠状态分为w、rem、n1、n2、n3五个期，由于不同的分类视图是用不同的分类器得到的同一组数据的不同视图，使用训练好的多个不同粒度分类器，对睡眠数据进行多分类视图预测，然后计算多个分类视图的逻辑一致性系数即可信度r，作为睡眠分期可信度评价指标。
7.为了达到上述目的，本发明采用的技术方案为：
8.一种睡眠信号分期可信度自动评价方法，包括以下步骤：
9.步骤一：选择主分类器和辅分类器，采用监督学习对主、辅分类器进行训练，获得训练后的主、辅分类器。
10.步骤二：输入睡眠数据，利用步骤一中训练后的主、辅分类器，对睡眠数据进行多粒度分类视图预测，并输出主分类器的预测结果。
11.步骤三：根据步骤二的主、辅分类器预测结果，计算并输出逻辑一致性系数即可信度r。
12.所述的步骤一具体为：
13.首先根据需要的分类粒度，选择该粒度的分类器作为主分类器，其他粒度的分类器为辅分类器；
14.用c
m
表示主分类器；c1、...、c
p
表示p个辅分类器，然后用标记数据库对主、辅分类器分别进行训练，得到训练后的主、辅分类器。
15.所述的步骤二具体为：
16.使用步骤一中训练好的主、辅分类器，对需要分析的睡眠数据分别进行预测，得到不同分类粒度的预测结果，并输出主分类器的预测结果，具体过程：
17.睡眠数据用x(i)表示，其中i＝1，2，3，......，m，m代表数据长度；对x(i)按固定时间间隔划分为n个睡眠时段，得到y(j)，其中j＝1，2，3，......，n；把y(j)分别输入到主、辅分类器c
m
和c1、...、c
p
，分别得到所有睡眠时段的预测结果z
mj
、z
1j
、
…
、z
pj
，并输出主分类器z
mj
的预测结果，其中j＝1，2，3，......，n。
18.所述的步骤三具体为：
19.利用步骤二得到的不同分类粒度预测结果z
mj
、z
1j
、...、z
pj
，根据逻辑一致性关系图，计算所有睡眠时段的逻辑一致性值；
20.所述的逻辑一致性关系图为：把多个睡眠视图，按粒度从细到粗排列，如果细视图的分类结果等效为相邻粗分类视图的结果，与该相邻粗分类视图的时间分类结果相等，就认为这两个视图在逻辑上一致。
21.第j睡眠时段的逻辑一致性值定义为：
[0022][0023]
根据l
j
睡眠分期值，用公式(2)计算并输出逻辑一致性系数：
[0024][0025]
式中，j＝1，2，3，......，n，r的取值范围是0～1，r值越大，代表可信度越高。
[0026]
本发明的优点是：
[0027]
(1)、多视图是指对于同一事物，可以从多种不同途径或不同角度对其进行描述，以便更全面和深入地揭示问题本质。本发明利用多视图概念，提出一种基于多分类视图包含一致性的睡眠信号分期可信度自动评价方法，适用于对基于各种生理信号和分类器的睡眠分期结果进行可信度评价。同时可利用输出的可信度值，对海量无标记睡眠数据自动标记来更新训练集规模；以及利用海量无标记数据直接训练分类器训练过程，提高分类器精度。主要可用于以下三种应用场景：1)对睡眠分期结果给出可信度指标；2)对无标记睡眠数据进行自动标记，迭代更新标记数据库规模；3)直接利用海量无标记数据，训练健壮性更好、结果可信度更高的睡眠分期算法。
[0028]
(2)、本发明由睡眠数据x(i)得到的睡眠分段数据y(j)，可以是对x(i)直接进行分段获得，也可以是对x(i)分段后提取的特征向量。
[0029]
本发明中的辅分类器可以根据具体应用灵活选择。例如应用于家庭睡眠评价时，选择四分类器为主分类器，即可以选择二、三分类器为辅分类器，也可选择二、三、五分类器为辅分类器。
附图说明
[0030]
图1为本发明睡眠信号分期可信度自动评价方法流程图。
[0031]
图2为本发明实施例的分类器结构示意图。
[0032]
图3为本发明实施例的逻辑一致性系数r计算过程。
[0033]
图4为专业医师睡眠分期结果图和本发明实施例的自动分期结果图。
[0034]
图5为逻辑一致性关系图。
具体实施方式
[0035]
参照图1，本发明结合附图提供一种睡眠信号分期可信度自动评价方法的具体实施例，即将上述可信度自动评价方法，用于对一种利用单导ecg信号、通过双向长短时记忆(bi
‑
directional long short
‑
term memory，bi
‑
lstm)深度神经网络构建的睡眠分期模型得到的睡眠分期结果进行评价，包括以下步骤：
[0036]
一种睡眠信号分期可信度自动评价方法，包括以下步骤：
[0037]
步骤一：选择主分类器和辅分类器，采用监督学习对主、辅分类器进行训练，获得训练后的主、辅分类器。
[0038]
所述的步骤一具体为：
[0039]
结合具体的应用场景，首先根据需要的分类粒度，选择该粒度的分类器作为主分类器，其他粒度的分类器为辅分类器。
[0040]
例如，需要获得与临床分期类型数一致的结果，则选择五分类器作为主分类器，二、三、四分类器作为辅分类器；若应用于家庭睡眠评价，则选择四分类器为主分类器，二、三分类器为辅分类器，也可选择二、三、五分类器为辅分类器。
[0041]
用c
m
表示主分类器；c1、...、c
p
表示p个辅分类器，然后用标记数据库对主、辅分类器分别进行训练，得到训练后的主、辅分类器。
[0042]
结合临床睡眠分期的需求，参照图2，首先基于bi
‑
lstm网络分别构建二、三、四和
五分类器器c1、c2、c3、c
m
，其中主分类器c
m
为五分类器，其他三个为辅分类器，然后对标记数据库中的ecg信号以30s为间隔划分为n个睡眠时段，每个睡眠时段提取与睡眠分期相关的25个特征，最后利用提取的特征向量和标签对主、辅分类器进行训练。
[0043]
步骤二：输入睡眠数据，利用步骤一中训练后的主、辅分类器，对睡眠数据进行多粒度分类视图预测，并输出主分类器的预测结果。
[0044]
使用步骤一中训练好的主、辅分类器，对需要分析的睡眠数据分别进行预测，得到不同分类粒度的预测结果，具体过程：
[0045]
睡眠数据用x(i)表示，其中i＝1，2，3，......，m，m代表数据长度；对x(i)按固定时间间隔划分为n个睡眠时段，得到y(j)，其中j＝1，2，3，......，n；把y(j)分别输入到主、辅分类器c
m
和c1、...、c
p
，分别得到所有睡眠时段的预测结果z
mj
、z
1j
、...、z
pj
，并且输出主分类器z
mj
的结果，其中j＝1，2，3，......，n。
[0046]
具体为：对一段8小时13分钟30s的ecg信号数据x(i)按照30s间隔划分为987个睡眠时段，得到y(j)，其中i＝1，2，3，......，29610s，m代表数据长度，j＝1，2，3，......，987。将y(j)输入步骤一中训练好的主、辅分类器c
m
和c1、c2、c3，分别得到所有睡眠时段的预测结果z
mj
、z
1j
、z
2j
、z
3j
，，如图3中(a)、(b)、(c)、(d)所示，并且输出主分类器z
mj
的结果。如图4所示，为专业医师睡眠分期结果图和本发明自动分期结果图，说明本发明的方法基本准确，可信度越高，与专业医生做出的判断基本一致。
[0047]
步骤三：根据步骤二的主、辅分类器预测结果，计算并输出逻辑一致性系数即可信度r。
[0048]
利用步骤二得到的不同分类粒度预测结果z
mj
、z
1j
、...、z
pj
，根据逻辑一致性关系图，计算所有睡眠时段的逻辑一致性值；
[0049]
所述的逻辑一致性关系图为：把多个睡眠视图，按粒度从细到粗排列，如果细视图的分类结果等效为相邻粗分类视图的结果，与该相邻粗分类视图的时间分类结果相等，就认为这两个视图在逻辑上一致。
[0050]
如图5所示，这就是五分类视图，如果把n1、n2合并为浅睡(light sleep，ls)期，把n3称为慢波睡眠(slow wave sleep，sws)期，其他分期状态不变就得到四分类视图；进一步粗粒化，把四分类的ls期和sws期合并为nrem期，其他分期状态不变就得到三分类视图；更进一步粗粒化，把三分类的ls期和sws期合并为睡眠(sleep，s)期，w期状态不变就得到二分类视图。
[0051]
例如五分类视图的结果为n2，四分类视图的结果为ls，由于五分类视图的n2可以等效为四分类视图ls，与四分类视图的结果ls相等，所以认为这两个视图逻辑上一致；否则，例如五分类视图的结果为w，四分类视图的结果为rem，由于五分类视图的w等效为四分类视图w，与四分类视图的结果rem不等，所以认为这两个视图逻辑上不一致。按这种方式，验证所有相邻视图的一致性，如果所有结果都一致，就认为该时刻分期结果逻辑上一致；否则有任何一个相邻视图逻辑上不一致，就认为该时刻分期结果逻辑上不一致。
[0052]
按公式(1)计算所有睡眠时段的逻辑一致性值l
j
，结果如图3(e)所示。
[0053]
第j睡眠时段的逻辑一致性值定义为：
[0054][0055]
最后按公式(2)，
[0056]
根据l
j
睡眠分期值，用公式(2)计算并输出逻辑一致性系数：
[0057][0058]
式中，j＝1，2，3，......，n，r的取值范围是0～1，r值越大，代表可信度越高。
[0059]
计算得到r＝0.97，代表可信度很高。