一种基于长短期记忆网络的脑电信号睡眠分期方法

1.本发明属于信号处理与模式识别领域，涉及基于脑电信号的睡眠分期识别与深度学习方法，具体为一种基于长短期记忆网络的脑电信号睡眠分期方法。


背景技术：

2.脑电作为一种由神经系统产生的可测量的电信号，包含着丰富的生理信息。由于eeg信号在睡眠期间非常微弱，因此容易引入干扰，并且睡眠eeg信号是非平稳随机信号，并且很难提取特征，所以要从睡眠脑电中进行睡眠分析难度很大，为改变这一问题，需要有效手段对睡眠信号脑电进行处理。
3.近些年随着深度学习的发展，脑电信号识别分析有一个更好的解决方案，它使用深度学习框架将特征值提取和分类器结合到一个框架中，以自动从海量大数据中学习特征，从而减少了手工设计中使用的特征的庞大性。由于长期和短期记忆网络以及完全连接的网络在深度学习中的广泛应用，故本文将使用这两种方法对于脑电信号进行分期识别方法的研究。


技术实现要素：

4.本发明的目的在于提供一种基于长短记忆网络的脑电睡眠分期识别的方法，帮助对于脑电信号进行分期识别方法的研究。减少人工判读出现的低效率，提升机器判断的低准确率，从而在医疗上帮助人们了解睡眠质量以及解决某些睡眠疾病。
5.具体步骤如下：
6.s1：通过电极帽中的电极收集受测者的脑电信号；
7.s2：对收集到的脑电信号使用小波变换进行信号预处理。
8.进一步，所述步骤s2具体包括：所述的数据预处理采用小波变换方法对于原始信号进行噪声降低处理，其中，小波基选择
‘
coif3’，分解层数为五层，使用stein无偏估计方法确定阈值，选择硬阈值函数对于初始信号进行预处理。
9.s3：搭建长短期记忆网络分类模型。
10.进一步，所述s2的搭建长短期记忆网络分类模型由输入门、候选门、忘记门、输出门组成的若干单元构成；
11.s31：通过遗忘门，将上隐藏层的输出信息s
t-1
与当前输入x
t
，使用矩阵和uf进行维度调整加上一个bf偏置完成线性组合后，利用激活函数，将函数值压缩，获得的阈值在0～1之间。当函数值接近1时，表示存储器保留更多信息。当函数值接近于零时，表示内存将丢弃更多信息，其中：
[0012][0013]
s32：通过输入门，当前记忆信息流中将会被添加多少的输入信息x
t
，与忘记门的计算公式相似，输入门也是通过一个sigmiod的激活函数来实现，其中：
[0014][0015]
s33：通过候选门，计算当前的输入和过去的记忆所具有的信息总量，其中：
[0016][0017]
s34：通过输出门，控制着记忆信息将被用于下一阶段的更新中，即由c
t
求解s
t
的过程，其中：
[0018][0019]
进一步，在于构建深度学习分类模型中，使用categorical_crossentropy交叉熵损失函数计算损失值。
[0020]
进一步，在于构建深度学习分类模型中，使用softmax激活函数。
[0021]
进一步在于构建深度学习分类模型中，使用adam优化模型参数。
[0022]
s4：对搭建的分类模型使用标注好的分期数据进行训练。
[0023]
本发明具体有益效果在于：
[0024]
(1)本发明基于eeg睡眠生理信号进行睡眠分期识别，并通过电极帽中的电极收集受测者的脑电信号，易于获取，并且数据量大，方便于提高睡眠分期识别的准确率；
[0025]
(2)本发明在信号进行预处理阶段，使用小波变换方式选取了较为合适的降噪方法，为后续睡眠分期识别的准确率提供帮助；
[0026]
(3)本发明设计了一种无需单独进行特征提取，采用长短期记忆网络，泛化性能好，是一种简便且精准率高的脑电信号睡眠分期识别方法。
附图说明
[0027]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0028]
图1是本发明的基于长短记忆网络的脑电睡眠分期识别方法流程图；
[0029]
图2是基于睡眠五期的分期结果图。
具体实施方式
[0030]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0031]
下面将参考附图并结合实施例来详细说明本发明。
[0032]
如图1所示图1是一种基于长短记忆网络的脑电睡眠分期识别方法的实现步骤
[0033]
具体实施方式
[0034]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0035]
下面结合附图对本发明的应用原理作详细的描述。
[0036]
如图1所示，基于长短记忆网络的脑电睡眠分期识别方法包括以下步骤：
[0037]
s1：通过电极帽中的电极收集受测者的脑电信号；
[0038]
s2：对收集到的脑电信号使用小波变换进行信号预处理。
[0039]
进一步，所述步骤s2具体包括：所述的数据预处理采用小波变换方法对于原始信号进行噪声降低处理，其中，小波基选择
‘
coif3’，分解层数为五层，使用stein无偏估计方法确定阈值，选择硬阈值函数对于初始信号进行预处理。
[0040]
s3：搭建长短期记忆网络分类模型。
[0041]
进一步，所述s2的搭建长短期记忆网络分类模型由输入门、候选门、忘记门、输出门组成的若干单元构成；
[0042]
s31：通过遗忘门，将上隐藏层的输出信息s
t-1
与当前输入x
t
，使用矩阵和uf进行维度调整加上一个bf偏置完成线性组合后，利用激活函数，将函数值压缩，获得的阈值在0～1之间。当函数值接近1时，表示存储器保留更多信息。当函数值接近于零时，表示内存将丢弃更多信息，其中：
[0043][0044]
s32：通过输入门，当前记忆信息流中将会被添加多少的输入信息x
t
，与忘记门的计算公式相似，输入门也是通过一个sigmiod的激活函数来实现，其中：
[0045][0046]
s33：通过候选门，计算当前的输入和过去的记忆所具有的信息总量，其中：
[0047][0048]
s34：通过输出门，控制着记忆信息将被用于下一阶段的更新中，即由c
t
求解s
t
的过程，其中：
[0049][0050]
进一步，在于构建深度学习分类模型中，使用categorical_crossentropy交叉熵损失函数计算损失值。
[0051]
进一步，在于构建深度学习分类模型中，使用softmax激活函数。
[0052]
进一步在于构建深度学习分类模型中，使用adam优化模型参数。
[0053]
s4：对搭建的分类模型使用标注好的分期数据进行训练。
[0054]
进一步，所述步骤s4中，对搭建的分类模型进行训练具体步骤包括以下：
[0055]
s41：训练集数据以每30s为一集合，将其分为n个采样点；假设总样本为x，训练集的样本数为x1，则训练时输入的数据为x1*n；测试时输入数据的格式为(x-x1)*n；
[0056]
s42：使用验证集和测试集睡眠脑电分期数据作为分类模型的输入数据，并使用模型的正向计算获得分类结果；
[0057]
s43：采用5倍交叉验证进行验证，其中重复进行上述过程5次，每次交换选择的训练数据集和测试数据集，5次的训练的分类准确率进行汇总，取平均值作为模型的最终分类正确率评价，找出最优结果，用于测试。
[0058]
s5：用长短期记忆网络分类模型对于脑电信号进行睡眠分期。
[0059]
根据r&k睡眠分期标准，本方法将睡眠分为n1(非快速眼动1期)、n2(非快速眼动2
期)、n3(非快速眼动3期)、rem(快速眼动期)、wake(清醒期期)五期，建立基于睡眠五期的分期结果如图2所示。可以看出本方法对于各期睡眠都表现出良好的分类性能。