一种基于条件对抗网络的非接触式睡眠分期系统的制作方法

1.本发明涉及生理信号监测及深度学习领域，具体为一种基于条件对抗网络的非接触式睡眠分期系统。


背景技术：

2.睡眠障碍是指以入睡或睡眠维持困难导致的睡眠质量或时间不能满足正常生理需求而影响日间社会功能的一种主观体验，是最为常见的睡眠障碍。美国国家睡眠基金会(american academy of sleep medicine,aasm)已经建立了多个睡眠指数解释其收集的大量睡眠模式数据集并评估被试者的睡眠质量。而计算这些睡眠指数的基础是睡眠分期。
3.睡眠阶段大致可分为清醒(wake)阶段、快速眼动(rem)阶段和非快速眼动(nrem)阶段。其中nrem阶段又可以分为深睡(deep)阶段与浅睡(light)阶段。使用传统的多导睡眠仪(psg)进行睡眠监测，参与者会有严重的不舒适感，这种不舒适感会影响睡眠质量。因此，多导睡眠仪不适合用于日常生活中的长期睡眠监测。
4.基于此，本发明设计了一种基于条件对抗网络的非接触式睡眠分期系统，以解决上述问题。


技术实现要素：

5.本发明的目的在于提供一种基于条件对抗网络的非接触式睡眠分期系统，以解决上述背景技术中提出的问题。
6.为实现上述目的，本发明提供如下技术方案：
7.一种基于条件对抗网络的非接触式睡眠分期系统，包括毫米波雷达，用于发射多个频率随时间线性增长的chirp信号，获得由于呼吸和心跳导致的胸腔表面位移信号s(t)；信号预处理模块，用于对胸腔表面位移信号s(t)进行时频分析，得到时频图；深度学习模型，用于学习与被试者个体差异性无关的特征，提高模型的泛用性；所述深度学习模型包括编码器e，分类器f和鉴别器d，所述编码器e用于将时频图输入生成特征e(x)，所述分类器f用于根据输入的特征e(x)得到睡眠分期类别标签所述鉴别器d用于将e(x)与作为输入判断样本来自的被试者，输出
8.优选地，所述毫米波雷达为fmcw雷达，所述的毫米波雷达包括接收天线rx与发射天线tx。
9.优选地，所述胸腔表面位移信号s(t)的获得方法为以250hz的频率连续发送chirp，提取幅值最高处频率对应相位。
10.优选地，所述时频图的获得方法为使用mexican hat小波基对胸腔表面位移信号s(t)进行时频分析得到。
11.优选地，所述为源类别标签，代表样本所来自的被试者。
12.优选地，所述e(x)为编码器e由34个卷积层的残差网络resnet34从30秒的胸腔表
面体动信号提取特征，输出的特征经过flatten层之后输入到lstm网络学习时序特征得到。
13.优选地，所述分类器f与鉴别器d为两个全连接层构成的分类网络。
14.优选地，所述分类器f和编码器e进行合作博弈，所述编码器e和鉴别器d之间对抗博弈，用于防止从编码表示中解码源标签s，所述编码器e用于学习与被试者个体差异性无关的特征，提高模型的泛用性。
15.优选地，所述深度学习模型的训练流程为使用有时频图数据、睡眠分期类别标签和源类别标签的多个样本作为训练集，进行n次迭代，输出e、f、d的权重θ
e
，θ
f
和θ
d
。
16.与现有技术相比，本发明的有益效果是：
17.本发明通过采用调频连续波雷达(fmcw)监测人体的胸部表面由于心跳与呼吸导致的微小位移信号。根据心肺耦合理论，心跳信号及呼吸信号一定程度上反映了不同心理生理条件下心血管和心肺系统调节机制的状态，对睡眠分期具有重要意义，故将作为算法睡眠分期算法的输入信号。由于本设计采用卷积神经网络搭建深度学习网络模型，因此使用小波时频分析将信号转换为时频图，作为网络的输入。本设计是一种非接触式睡眠分期方法，不需要被试者佩戴任何传感器，在保证可接受的睡眠分期准确率的同时，提供了一种适用于日常生活中的睡眠监测方案。
附图说明
18.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1为本发明胸腔与雷达的相对位置随着呼吸与心跳变化示意图；
20.图2为本发明睡眠分期网络结构示意图；
21.图3为本发明睡眠分期网络训练流程示意图。
具体实施方式
22.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它实施例，都属于本发明保护的范围。
23.请参阅图1
‑
3，本发明提供一种技术方案：
24.一种基于条件对抗网络的非接触式睡眠分期系统，包括毫米波雷达，用于发射多个频率随时间线性增长的chirp信号，获得由于呼吸和心跳导致的胸腔表面位移信号s(t)；信号预处理模块，用于对胸腔表面位移信号s(t)进行时频分析，得到时频图；深度学习模型，用于学习与被试者个体差异性无关的特征，提高模型的泛用性；所述的深度学习模型包括编码器e，分类器f和鉴别器d，所述的编码器e用于将时频图输入生成特征e(x)，所述的分类器f用于根据输入的特征e(x)得到睡眠分期类别标签所述的鉴别器d用于将e(x)与作为输入判断样本来自的被试者，输出
25.信号采集：本发明利用毫米波雷达采集胸部表面的体动信号，其具体原理是fmcw雷达发射多个频率随时间线性增长的chirp信号。当信号遇到距离为s的单个物体被反射，接收器接收到的信号会有时间为的δt时延。接收天线rx与发射天线tx的信号混频后得到中频信号，单个反射面会在中频信号的频谱上产生单个峰值。
26.静态反射面反射产生的频谱分量随着时间的变化保持恒定，因此通过减去平均值能够去除静态反射面的干扰。在睡眠过程中，绝大部分时间人体保持静止，而体动最大的部位就是随着呼吸而胸腔表面。因此幅值最高的频率分量对应的位置即为胸腔所在的位置，以250hz的频率连续发送chirp信号，提取幅值最高处频率对应相位，就能够获得由于呼吸和心跳导致的胸腔表面位移信号s(t)(见图1)。由于毫米波雷达的波长约为3.8mm，微小的位移就能导致明显的相位变化。
27.信号预处理：使用mexican hat小波基对胸腔表面位移信号s(t)进行时频分析，得到时频图。
28.模型结构：深度学习模型由编码器e，分类器f与鉴别器d组成，如图2所示。x为输入的时频图，e(x)为输入编码器e生成的特征，为分类器f根据输入的特征e(x)得到的睡眠分期类别标签。称为源类别标签，代表样本所来自的被试者。鉴别器d将e(x)与分类器f的输出结果y作为输入判断样本来自的被试者
29.其中编码器e由34个卷积层的残差网络resnet34从30秒的胸腔表面体动信号的时频图提取特征，输出的特征经过flatten层之后输入到lstm网络学习时序特征，得到e(x)。而预测器f和鉴别器d是两个全连接层构成的分类网络。
30.最优化函数：上述网络损失函数为：
31.v(e,f,d)＝l
f
(f；e)
‑
λl
d
(d；e)
32.s.tλ＞0
33.其中l
f
(f；e)为分类器f预测的睡眠分期类别标签与真实睡眠间期标签之间的交叉熵损失。l
d
(d；e)为鉴别器d预测的源类别标签与真实的源类别标签标签之间的交叉熵损失。训练过程可以看作是e、f、d的极大极小博弈。编码器e和分类器f进行合作博弈，提高分类器f使用编码后的特征e(x)更准确地预测睡眠阶段。编码器e和鉴别器d之间对抗博弈，以防止其从编码表示中解码源标签s。如此一来，编码器e就能学习到与被试者个体差异性无关的特征，从而提高模型的泛用性。优化目标如下：
[0034][0035]
训练流程：设有睡眠间期类别标签与源类别标签标签的具有m个样本的训练集为共迭代n次。e、f、d的权重分别为θ
e
，θ
f
和θ
d
，学习率分别为η
e
、η
f
、η
d
。训练流程如图3所示，其中δ
d
为源类别标签标签的熵。
[0036]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0037]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。