一种基于脑电采集头环的睡眠状态检测方法、装置及系统与流程

1.本发明属于睡眠检测领域，尤其是涉及一种基于脑电采集头环的睡眠状态检测方法、装置及系统。


背景技术：

2.睡眠是人类最重要的生理活动之一，良好的睡眠有利于人类保持身体健康。但随着时代的进步，人们在工作、学习、生活上的压力也随之增加，越来越多的人患有睡眠障碍。睡眠障碍会产生许多问题，包括疲劳、焦虑、抑郁和死亡风险等，是具有公共危害性的疾病。睡眠障碍是亚健康人群普遍存在的疾病,表现为睡眠质量差、失眠等,并可能诱发各种心脑血管疾病。根据世界卫生组织2019年调查数据显示，我国有超过3亿人存在睡眠障碍，其中成年人的失眠发病率高达38.2％，并且有超过60％的青年人觉得睡眠不足。研究发现，认知障碍、记忆障碍、阿尔兹海默症、心血管疾病和一些慢性疾病都与睡眠质量息息相关。脑电图(eeg)记录大脑皮层的活动，体现人脑的活动状态和思维状态。脑电信号检测技术可以实时反映人的睡眠状态，以便人了解自己的睡眠健康状态并及时做出调整。
3.便携式脑电采集系统相比于医疗机构的传统脑电采集仪器，在保证采集精度，采集速度满足要求的条件下，具有极小的体积与质量，工作条件要求低，大幅提高了易携性，在脑机接口设备中获得了广泛的应用。尤其是在使用者需要进行日常活动的条件下，便携式脑电采集系统可以为使用者提供进行脑电检测的条件，为一些需要持续监视脑电变化的生理状态提供了便利。但脑电数据往往数据量大，且难以直观发现其特征，因此若在采集完数据之后进行人工分析将会十分困难，因此近年来，随着计算机技术的发展，越来越多的科研工作者青睐于使用计算机采用一些分析算法对脑电数据进行分析处理，但传统脑电分析方法要么不注意跨时间分析，或者往往使用lstm进行分析，造成训练过程繁琐，且现有神经网络模型高度依赖超参数调优，适用性不佳，在换一个测试者之后，需要对模型进行重新训练重新调参，否则无法得到良好的检测效果。


技术实现要素：

4.有鉴于此，本发明旨在提出一种基于脑电采集头环的睡眠状态检测方法、装置及系统，以解决现有技术中神经网络模型在对不同测试者测试时测试效果不佳的问题。
5.为达到上述目的，本发明的技术方案是这样实现的：
6.第一方面，本发明实施例提供了一种基于脑电采集头环的睡眠状态检测方法，包括：
7.获取10-20国际标准导联系统中fp1电极和fp2电极的eeg脑电信号；
8.对所述eeg脑电信号进行处理，获取30s的eeg epoch信号；
9.将所述30s的eeg epoch信号输入训练完成的脑电图分期注意力机制模型，得到所述30s的eeg epoch信号的近似希尔伯特变化，即脑电信号epoch；
10.利用脑电图分期注意力机制模型中的编码器对脑电信号epoch进行编码，得到向
量映射序列；编码器包括依次连接的第一残差块、第二残差块、以及全局平均池化层；
11.利用脑电图分期注意力机制模型中的基于多头注意力机制的解码器对向量映射序列进行解码；解码器包括依次连接的多头注意力子模块、第一全连接层、以及第二全连接层；
12.获取脑电图分期注意力机制模型输出的睡眠阶段分期结果。
13.进一步的，所述对所述eeg脑电信号进行处理，获取30s的eeg epoch信号，包括：
14.使用截止频率为0.1-50hz的六阶巴特沃斯带通滤波器处理eeg脑电信号；
15.对处理后的eeg脑电信号进行降采样，由500hz降至100hz后，再将完整的eeg脑电信号分割成30s一段的时间序列片段，得到数个30s的eeg epoch信号。
16.进一步的，所述30s的eeg epoch信号的近似希尔伯特变化方法，包括：
17.将30s的eeg epoch信号输入到第一卷积层，第一卷积层的卷积核大小fs＝n/100,64个卷积核，移动步长sd＝n/1000；其中，n为每个30s的eeg epoch信号所包含的采样点个数，即n＝30*100＝3000；
18.将第一卷积层的输出分别输入到两个最大池化层；其中，第一个最大池化层输出的尺寸为n/1000，其输出是30s的eeg epoch信号的频率特征，第二个最大池化层输出的尺寸是π*n/1000,其输出的是输入的30s的eeg epoch信号的振幅特征；
19.将两个最大池化层的输出逐点求和，得到30s的eeg epoch信号的近似希尔伯特变化；其中，记输入的30s的eeg epoch信号为s(t),则希尔伯特变化为：
20.sa(t)＝s(t)+i*h(s(t))
21.其中，实部包含频率信息，虚部包含振幅信息；
22.*表示卷积操作。
23.进一步的，所述编码器中的第一残差块包括：
24.第二卷积层，第二卷积层的卷积核数目为128，卷积核大小为1*1，步长为2；
25.第三卷积层，第三卷积层卷积核数目为64，卷积核大小为3*1，步长为1；
26.第四卷积层，第四卷积层的卷积核数目为128，卷积核大小为1*1，步长为1；
27.其中，第一残差块残差网络的快捷连接使用平均池化层，平均池化层的尺寸为2，步长为2，以实现将64维输入转化为128维输出；将第四卷积层的输出和平均池化层的输出求和，再经过relu函数后，得到第一残差块的输出。
28.进一步的，所述编码器中的第二残差块包括：
29.第五卷积层，第五卷积层的卷积核数目为128，卷积核大小为1*1，步长为2；
30.第六卷积层，第六卷积层的卷积核数目为64，卷积核大小为3*1，步长为1；
31.第七卷积层，第七卷积层的卷积核数目为128，卷积核大小为1*1，步长为1；
32.其中，第二残差块残差网络的快捷连接使用直连接；将第七卷积层的输出和直接连接求和，再经过relu函数后，得到第二残差块的输出。
33.进一步的，利用脑电图分期注意力机制模型中的编码器对脑电信号epoch进行编码，得到向量映射序列之后，所述方法还包括：
34.将全局平均池化层输出的向量映射序列输入第一dropout层，得到编码器的输出；其中，第一dropout层的dropout概率为0.5。
35.进一步的，所述利用脑电图分期注意力机制模型中的基于多头注意力机制的解码器对向量映射序列进行解码，包括：
36.将编码器的输出与位置编码pe求和并标准化后，再输入到解码器的多头注意力机制子模块中；其中，位置编码pe的计算方式如下：
[0037][0038][0039]
其中p表示当前脑电信号epoch在输入脑电信号epoch队列中的位置；d表示输入到多头注意力机制子模块的输入队列包含的脑电信号epoch个数；dim表示所述全局平均池化层输出的数据个数；
[0040]
利用残差连接将解码器的输入和输出求和并标准化后，输入第二dropout层；其中，第二dropout层的dropout概率为0.5；
[0041]
将第二dropout层的输出输入softmax层，softmax层输出睡眠阶段分期结果。
[0042]
进一步的，将编码器的输出与位置编码pe求和并标准化后，再输入到解码器的多头注意力机制子模块之后，所述方法还包括：
[0043]
将多头注意力机制子模块的输出输入到第三dropout层，第三dropout层的dropout概率为0.8，通过第三dropout层的处理使多头注意力机制子模块的输出规范化；其中，多头注意力机制子模块中头部的数量为8，每个头部的尺寸为64维，注意力机制在每个头部并行执行；注意力机制函数表示为：
[0044][0045]
其中x为输入序列组成的矩阵，dim表示数据维度；表达式中的对应多头注意力机制子模块中的比例层；
[0046]
将所述第三dropout层的输出输入第一全连接层后，再经过relu函数激活结果；
[0047]
将所述第一全连接层的输出输入第二全连接层，第二全连接层输出结果即为解码器的输出；其中，多头注意力机制的规范化输出通过跳跃连接添加到第一全连接层和第二全连接层的输出中。
[0048]
第二方面，本发明实施例还提供了一种基于脑电采集头环的睡眠状态检测装置，包括：
[0049]
获取模块,用于获取10-20国际标准导联系统中fp1电极和fp2电极的eeg脑电信号；
[0050]
预处理模块,用于对所述eeg脑电信号进行处理，获取30s的eeg epoch信号；
[0051]
变换模块，用于将所述30s的eeg epoch信号输入训练完成的脑电图分期注意力机制模型，得到所述30s的eeg epoch信号的近似希尔伯特变化，即脑电信号epoch；
[0052]
编码模块，用于利用脑电图分期注意力机制模型中的编码器对脑电信号epoch进行编码，得到向量映射序列；
[0053]
解码模块，用于利用脑电图分期注意力机制模型中的基于多头注意力机制的解码器对向量映射序列进行解码；
[0054]
输出模块，用于获取脑电图分期注意力机制模型输出的睡眠阶段分期结果。
[0055]
第三方面，本发明实施例还提供了一种基于脑电采集头环的睡眠状态检测系统，包括：
[0056]
上述实施例提供的基于脑电采集头环的睡眠状态检测装置；
[0057]
eeg信号采集头环和eeg信号分析设备。
[0058]
相对于现有技术，本发明所述的一种基于脑电采集头环的睡眠状态检测方法、装置及系统具有以下优势：
[0059]
本发明提供一种能够通过对脑电信号进行采集与数据分析得出使用者的睡眠状态，进而可以给使用者对于自己的睡眠健康状态的了解提供参考的睡眠状态检测方法。
[0060]
本发明还提供了一种基于便携式脑电采集头环的睡眠状态检测装置及系统，能够实现对eeg信号的准确采集、准确辨识以及正确分类，通过识别使用者的脑电信号对使用者的睡眠状态进行分类以供使用者参考了解自己的睡眠健康状态。
附图说明
[0061]
构成本发明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：
[0062]
图1为本发明实施例一基于脑电采集头环的睡眠状态检测方法的流程示意图；
[0063]
图2为本发明实施例一提供的基于脑电采集头环的睡眠状态检测方法中eeg信号采集头环的结构示意图；
[0064]
图3为本发明实施例一提供的基于脑电采集头环的睡眠状态检测方法中30s的eeg epoch信号获取方法的流程示意图；
[0065]
图4为本发明实施例一提供的基于脑电采集头环的睡眠状态检测方法中希尔伯特变换的神经网络单元结构示意图；
[0066]
图5为本发明实施例一提供的基于脑电采集头环的睡眠状态检测方法中第一残差块的结构示意图；
[0067]
图6为本发明实施例一提供的基于脑电采集头环的睡眠状态检测方法中第二残差块的结构示意图；
[0068]
图7为本发明实施例二提供的基于脑电采集头环的睡眠状态检测方法的流程示意图；
[0069]
图8为本发明实施例二提供的基于脑电采集头环的睡眠状态检测方法中编码器的结构示意图；
[0070]
图9为本发明实施例三提供的基于脑电采集头环的睡眠状态检测方法的流程示意图；
[0071]
图10为本发明实施例三提供的基于脑电采集头环的睡眠状态检测方法中解码器的结构示意图；
[0072]
图11为本发明实施例四提供的基于脑电采集头环的睡眠状态检测装置的结构示意图；
[0073]
图12为本发明实施例四提供的基于脑电采集头环的睡眠状态检测系统的结构示意图。
具体实施方式
[0074]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0075]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0076]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0077]
下面将参考附图并结合实施例来详细说明本发明。
[0078]
实施例一
[0079]
图1为本发明实施例一提供的基于脑电采集头环的睡眠状态检测方法的流程示意图，本实施例可适用于利用便携式脑电采集头环的睡眠状态检测，该方法可由基于脑电采集头环的睡眠状态检测装置来执行，具体包括如下步骤：
[0080]
s110、获取10-20国际标准导联系统中fp1电极和fp2电极的eeg脑电信号；
[0081]
示例性的，可采用便携式eeg信号采集头环，并参照10-20系统电极放置法放置电极片，以获取使用者对应10-20系统电极放置法的fp1,fp2共两个电极的eeg脑电信号，
[0082]
图2为本发明实施例一提供的基于脑电采集头环的睡眠状态检测方法中eeg信号采集头环的结构示意图，参见图2，所述eeg信号采集头环包括有：依次连接的用于采集eeg脑电信号的电极片以及连接装置、用于脑电信号放大和转化的生物电信号采集模块、用于控制生物电信号采集模块的esp32处理器和用于传输eeg信号的wifi无线传输电路，eeg信号采集头环还包括分别连接生物电信号采集模块和esp32处理器的电源电路和用于承载内容芯片与电路的可伸缩头环外壳。其中，所述的电极片以及连接装置采集使用者前额叶区域的eeg信号，通过软排线与生物电信号采集模块相连接，用于生物电信号的采集和传输。
[0083]
上述生物电信号采集模块是由集成了用于接收脑电帽采集的电压信号的高共模抑制比模拟输入模块、用于进行脑电压信号放大的低噪声可编程增益放大器(pga)和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器(adc)的生物电信号采集芯片组成。
[0084]
上述esp32处理器用于控制生物电信号采集模块的采集模式与参数和在控制wifi无线传输模式与传输速度。
[0085]
上述wifi无线传输电路的输入为所述生物电信号采集模块的输出，将eeg信号数据向eeg信号分析软件传输。
[0086]
上述电源电路，输入电压为5v,使用锂电池供电，通过电压转化模块提供系统所需的不同工作电压，也可以不使用锂电池，直接使用usb数据线进行供电，不过这样会影响其便携性。
[0087]
上述可伸缩头环外壳包括耳后固定装置、伸缩器件、弹性内衬、外壳以及电极开口，其可佩戴于人头部，并通过固定装置固定于耳后，对于不同头型人群可以通过伸缩器件调整头环松紧程度，外壳共设有四个电极开口，用于放置四个电极以接触人体，四个电极分别位于额头和耳后。
[0088]
s120、对所述eeg脑电信号进行处理，获取30s的eeg epoch信号；
[0089]
首先需要对采集到的脑电信号进行预处理，通过截取30s的eeg epoch信号，以降低数据处理难度，提高算法分析效率；示例性的，可采用使用截止频率为0.1-50hz的六阶巴特沃斯带通滤波器处理完整的脑电图向量，实现对噪声的滤除，以提高后续信号处理的准确性。然后对采集得到的eeg信号进行降采样由500hz降至100hz。再将脑电图向量分割成30s一段的时间序列片段，即可得到30s的eeg epoch信号。
[0090]
图3为本发明实施例一提供的基于脑电采集头环的睡眠状态检测方法中30s的eeg epoch信号获取方法的流程示意图，如图3所示，可以先使用截止频率为0.1-50hz的六阶巴特沃斯带通滤波器处理eeg脑电信号；然后对处理后的eeg脑电信号进行降采样，由500hz降至100hz后，再将完整的eeg脑电信号分割成30s一段的时间序列片段，得到数个30s的eeg epoch信号。
[0091]
s130、将所述30s的eeg epoch信号输入训练完成的脑电图分期注意力机制模型，得到所述30s的eeg epoch信号的近似希尔伯特变化，即脑电信号epoch；
[0092]
希尔伯特变换是信号分析的一个重要工具，在信号处理系统和通信系统中是非常有用的。主要作用有以下三点：一是用来构建解析信号，使信号频谱仅含有正频率成分，从而降低信号的抽样率；二是可以用来表示带通信号，从而为无线电通信中的信号调制提供了一种方法；三是可以与其他变换及分解结合在一起，进行非平稳信号的频谱分析。
[0093]
示例性的，可先将30s的eeg epoch输入到第一卷积层，该卷积层的卷积核大小fs＝n/100,64个卷积核，移动步长sd＝n/1000。n为每个eeg epoch所包含的采样点个数，即n＝30*100＝3000。之后将卷积层的输出分别输入到两个最大池化层。第一个池化层的尺寸为n/1000，其输出是输入的eeg epoch的频率特征，第二个输出的尺寸是π*n/1000,其输出的是输入的eeg epoch的振幅特征。最后将将两个池化层的输出逐点求和，得到输入信号的近似希尔伯特变化。记输入的30s的eeg epoch为s(t),则希尔伯特变化为：
[0094]
sa(t)＝s(t)+i*h(s(t))
[0095]
其中，实部包含频率信息，虚部包含振幅信息；
[0096]
这里的*表示卷积操作。
[0097]
图4为本发明实施例一提供的基于脑电采集头环的睡眠状态检测方法中希尔伯特变换的神经网络单元结构示意图；该神经网络单元包括第一卷积层、以及两个最大池化层；将30s的eeg epoch信号输入到第一卷积层，第一卷积层的卷积核大小fs＝n/100,64个卷积核，移动步长sd＝n/1000；其中，n为每个30s的eeg epoch信号所包含的采样点个数，即n＝30*100＝3000；将第一卷积层的输出分别输入到两个最大池化层；其中，第一个最大池化层
输出的尺寸为n/1000，其输出是30s的eeg epoch信号的频率特征，第二个最大池化层输出的尺寸是π*n/1000,其输出的是输入的30s的eeg epoch信号的振幅特征。
[0098]
s140、利用脑电图分期注意力机制模型中的编码器对脑电信号epoch进行编码，得到向量映射序列；编码器包括依次连接的第一残差块、第二残差块、以及全局平均池化层。
[0099]
图5为本发明实施例一提供的基于脑电采集头环的睡眠状态检测方法中第一残差块的结构示意图；如图5所示，第一残差块包括：第二卷积层，第二卷积层的卷积核数目为128，卷积核大小为1*1，步长为2；第三卷积层，第三卷积层卷积核数目为64，卷积核大小为3*1，步长为1；第四卷积层，第四卷积层的卷积核数目为128，卷积核大小为1*1，步长为1；第一残差块残差网络的快捷连接使用平均池化层，平均池化层的尺寸为2，步长为2，以实现将64维输入转化为128维输出；将第四卷积层的输出和平均池化层的输出求和，再经过relu函数后，得到第一残差块的输出。
[0100]
图6为本发明实施例一提供的基于脑电采集头环的睡眠状态检测方法中第二残差块的结构示意图，如图6所示，第二残差块包括：第五卷积层，第五卷积层的卷积核数目为128，卷积核大小为1*1，步长为2；第六卷积层，第六卷积层的卷积核数目为64，卷积核大小为3*1，步长为1；第七卷积层，第七卷积层的卷积核数目为128，卷积核大小为1*1，步长为1；其中，第二残差块残差网络的快捷连接使用直连接；将第七卷积层的输出和直接连接求和，再经过relu函数后，得到第二残差块的输出。
[0101]
相比传统的cnn最后一层都是全连接层，参数个数非常之多，容易引起过拟合(如alexnet)，一个cnn模型，大部分的参数都被全连接层给占用了，所以本实施例提出采用了全局均值池化替代全连接层。与传统的全连接层不同，我们对每个特征图一整张图片进行全局均值池化，这样每张特征图都可以得到一个输出。这样采用均值池化，可省略参数，可以大大减小网络参数，避免过拟合，另一方面它有一个特点，每张特征图相当于一个输出特征，然后这个特征就表示了我们输出类的特征。
[0102]
具体的，全局平均池化的优势包括：通过加强特征图与类别的一致性，让卷积结构更简单；不需要进行参数优化，所以这一层可以避免过拟合；它对空间信息进行了求和，因而对输入的空间变换更具有稳定性，因此通过采用全局平均池化层可有效提高脑电图分期注意力机制模型的处理效率。
[0103]
s150、利用脑电图分期注意力机制模型中的基于多头注意力机制的解码器对向量映射序列进行解码；解码器包括依次连接的多头注意力子模块、第一全连接层、以及第二全连接层；
[0104]
编码后产生的向量映射序列由多头注意力子模块和两个全连接层进行解码。
[0105]
示例性的，可将编码器的输出与位置编码pe求和并标准化后，再输入到解码器的多头注意力机制子模块；其中，位置编码pe的计算方式如下：
[0106][0107][0108]
其中p表示当前脑电信号epoch在输入脑电信号epoch队列中的位置；d表示输入到多头注意力机制子模块的输入队列包含的脑电信号epoch个数；dim表示所述全局平均池化
层输出的数据个数；各脑电信号epoch的位置映射可以在不需要训练的情况下直接由上述方程计算出来，从而加快了训练的速度，并帮助算法从两个方向学习过渡规则。
[0109]
利用残差连接将解码器的输入和输出求和并标准化后，输入第二dropout层；其中，第二dropout层的dropout概率为0.5；
[0110]
将第二dropout层的输出输入softmax层，softmax层输出睡眠阶段分期结果。
[0111]
相较于传统方法，本实施例引入了多头注意力机制。传统脑电分析方法要么不注意跨时间分析，即在分析当前epoch的时候不注意前后epoch对该epoch的影响，或者往往使用lstm进行分析，但是lstm无法进行并行计算且会延长训练过程，而引入多头注意力机制能够在进行跨时间分析的同时还能做到并行计算并缩短训练过程。
[0112]
s160、获取脑电图分期注意力机制模型输出的睡眠阶段分期结果。
[0113]
通过对脑电信号进行采集与数据分析得出使用者的睡眠状态，进而可以给使用者对于自己的睡眠健康状态的了解提供参考；本实施例提供的这种基于脑电采集头环的睡眠状态检测方法能够实现对eeg信号的准确采集、准确辨识以及正确分类，通过识别使用者的脑电信号对使用者的睡眠状态进行分类，以供使用者参考了解自己的睡眠健康状态。
[0114]
实施例二
[0115]
图7为本发明实施例二提供的基于脑电采集头环的睡眠状态检测方法的流程示意图；本实施例以上述实施例为基础进行优化，在本实施例中，在利用脑电图分期注意力机制模型中的编码器对脑电信号epoch进行编码，得到向量映射序列之后，增加如下步骤：将全局平均池化层输出的向量映射序列输入第一dropout层，得到编码器的输出；其中，第一dropout层的dropout概率为0.5。
[0116]
相应的，本实施例所提供的基于脑电采集头环的睡眠状态检测方法，具体包括：
[0117]
s210、获取10-20国际标准导联系统中fp1电极和fp2电极的eeg脑电信号；
[0118]
s220、对所述eeg脑电信号进行处理，获取30s的eeg epoch信号；
[0119]
s230、将所述30s的eeg epoch信号输入训练完成的脑电图分期注意力机制模型，得到所述30s的eeg epoch信号的近似希尔伯特变化，即脑电信号epoch；
[0120]
s240、利用脑电图分期注意力机制模型中的编码器对脑电信号epoch进行编码，得到向量映射序列；编码器包括依次连接的第一残差块、第二残差块、以及全局平均池化层；
[0121]
s250、将全局平均池化层输出的向量映射序列输入第一dropout层，得到编码器的输出；其中，第一dropout层的dropout概率为0.5；
[0122]
示例性的，由于上述步骤中在第一个卷积层中使用了64个卷积核，因此输入到编码器的特征具有64个特征图；图8为本发明实施例二提供的基于脑电采集头环的睡眠状态检测方法中编码器的结构示意图，如图8所示，脑电图分期注意力机制模型中的编码器包括：
[0123]
第二卷积层，第二卷积层的卷积核数目为128，卷积核大小为1*1，步长为2。
[0124]
第三卷积层，卷积核数目为64，卷积核大小为3*1，步长为1。
[0125]
第四卷积层，为了得到一个epoch中不同频段信号的百分比引入第四卷积层。第四卷积层的卷积核数目为128，卷积核大小为1*1，步长为1。
[0126]
残差网络的快捷连接，因为第二卷积层的输入为64维，而第四卷积层的输出为128维，为了进行维数匹配，在快捷连接时使用平均池化层，尺寸为2，步长为2，将64维输入转化
为128维输出。
[0127]
将第四卷积层的输出和平均池化层的输出求和，再经过relu函数，得到第一残差块的输出。
[0128]
第五卷积层，第五卷积层的卷积核数目为128，卷积核大小为1*1，步长为2。
[0129]
第六卷积层，卷积核数目为64，卷积核大小为3*1，步长为1。
[0130]
第七卷积层，第七卷积层的卷积核数目为128，卷积核大小为1*1，步长为1。
[0131]
残差网络的快捷连接，因为第二残差块的输入输出信号维数都是128，所以使用直接连接。
[0132]
将第七卷积层的输出和直接连接求和，再经过relu函数，得到第二残差块的输出。
[0133]
将第二残差块的输出输入到一个全局平均池化层得到一个向量映射。由于第二残差块的输出为128维数据，因此经过全局平均池化层之后得到的是128个数据。
[0134]
第一dropout层，dropout概率为0.5，对于每个神经网络单元，按照一定的概率将其暂时从网络中丢弃，以缓解过拟合程度。
[0135]
通过使用两个残差块的连接以及后面的全局平均池化层作为编码器，对30s的脑电信号epoch进行编码。对比于传统方法，该网络结构克服了网络模型高度依赖超参数调优的缺点，在换一个测试者之后，需要对模型进行重新训练重新调参，否则无法得到良好的效果，而我们的网络结构能够实现对不同测试者适配，不需要重新训练调参，在对一个测试者的数据训练好模型后，更换其他测试者的数据也能取得很好的效果。也正是如此，该基于便携式脑电采集头环的睡眠状态检测系统在使用过程中不需要使用者先进行训练过程。
[0136]
s260、利用脑电图分期注意力机制模型中的基于多头注意力机制的解码器对向量映射序列进行解码；解码器包括依次连接的多头注意力子模块、第一全连接层、以及第二全连接层；
[0137]
s270、获取脑电图分期注意力机制模型输出的睡眠阶段分期结果。
[0138]
本实施例中通过在全局平均池化层后增加一个第一dropout层，可以对每个神经网络单元，按照一定的概率将其暂时从网络中丢弃，以缓解过拟合程度，以提高信号处理效率。
[0139]
实施例三
[0140]
图9为本发明实施例三提供的基于脑电采集头环的睡眠状态检测方法的流程示意图；本实施例以上述实施例为基础进行优化，在本实施例中，在将编码器的输出与位置编码pe求和并标准化后，再输入到解码器的多头注意力机制子模块之后，增加如下步骤：将多头注意力机制子模块的输出输入到第三dropout层，第三dropout层的dropout概率为0.8，通过第三dropout层的处理使多头注意力机制子模块的输出规范化；其中，多头注意力机制子模块中头部的数量为8，每个头部的尺寸为64维，注意力机制在每个头部并行执行；注意力机制函数表示为：
[0141][0142]
其中x为输入序列组成的矩阵，dim表示数据维度；表达式中的对应多头注意力机制子模块中的比例层；将所述第三dropout层的输出输入第一全连接层后，再经过
relu函数激活结果；将所述第一全连接层的输出输入第二全连接层，第二全连接层输出结果即为解码器的输出；其中，多头注意力机制的规范化输出通过跳跃连接添加到第一全连接层和第二全连接层的输出中。
[0143]
相应的，本实施例所提供的基于脑电采集头环的睡眠状态检测方法，具体包括：
[0144]
s301、获取10-20国际标准导联系统中fp1电极和fp2电极的eeg脑电信号；
[0145]
s302、对所述eeg脑电信号进行处理，获取30s的eeg epoch信号；
[0146]
s303、将所述30s的eeg epoch信号输入训练完成的脑电图分期注意力机制模型，得到所述30s的eeg epoch信号的近似希尔伯特变化，即脑电信号epoch；
[0147]
s304、利用脑电图分期注意力机制模型中的编码器对脑电信号epoch进行编码，得到向量映射序列；编码器包括依次连接的第一残差块、第二残差块、以及全局平均池化层；
[0148]
s305、将编码器的输出与位置编码pe求和并标准化后，再输入到解码器的多头注意力机制子模块；位置编码pe的计算方式如下：
[0149][0150][0151]
其中p表示当前脑电信号epoch在输入脑电信号epoch队列中的位置；d表示输入到多头注意力机制子模块的输入队列包含的脑电信号epoch个数；dim表示所述全局平均池化层输出的数据个数。
[0152]
示例性的，d为30，表示输入到多头注意力机制的输入队列包含30个脑电信号epoch，dim为128，为上述全局平均池化层输出的数据个数，各epoch的位置映射可以在不需要训练的情况下直接由上述方程计算出来，从而加快了训练的速度，并帮助算法从两个方向学习过渡规则。
[0153]
s306、将多头注意力机制子模块的输出输入到第三dropout层，第三dropout层的dropout概率为0.8，通过第三dropout层的处理使多头注意力机制子模块的输出规范化；其中，多头注意力机制子模块中头部的数量为8，每个头部的尺寸为64维，注意力机制在每个头部并行执行；注意力机制函数表示为：
[0154][0155]
其中x为输入序列组成的矩阵，dim表示数据维度；表达式中的对应多头注意力机制子模块中的比例层；然后多头注意力机制子模块中每个头部的输出被连接起来再利用全连接层将级联结果从更高维度(8
×
64＝512)投影到原始输入到解码器的向量映射的相同维度128。
[0156]
s307、将所述第三dropout层的输出输入第一全连接层后，再经过relu函数激活结果；其中，第一全连接层为由2048个神经元组成的完整连接层；
[0157]
s308、将所述第一全连接层的输出输入第二全连接层，第二全连接层输出结果即为解码器的输出；其中，第二全连接层可以将激活结果投射回128维；多头注意力机制的规范化输出通过跳跃连接添加到第一全连接层和第二全连接层的输出中；
[0158]
s309、利用残差连接将解码器的输入和输出求和并标准化后，输入第二dropout
层；其中，第二dropout层的dropout概率为0.5，通过对于每个神经网络单元，按照一定的概率将其暂时从网络中丢弃，以缓解过拟合程度；其中，通过将编码器输出与上一步的输出残差连接，可以提高性能并避免反向传播过程中梯度消失的问题。
[0159]
s310、将第二dropout层的输出输入softmax层，softmax层输出睡眠阶段分期结果；
[0160]
s311、获取脑电图分期注意力机制模型输出的睡眠阶段分期结果。
[0161]
图10为本发明实施例三提供的基于脑电采集头环的睡眠状态检测方法中解码器的结构示意图，如图10所示，上述解码器包括依次连接的多头注意力机制子模块、第三dropout层、第一全连接层、第二全连接层、第二dropout层、以及softmax层。
[0162]
本实施例中，通过引入多头注意力机制，能够进行跨时间分析的同时还能做到并行计算并缩短训练过程，以提高对使用者睡眠状态的检测效率。
[0163]
实施例四
[0164]
图11为本发明实施例四提供的基于脑电采集头环的睡眠状态检测装置的结构示意图，如图11所示，所述装置包括：
[0165]
获取模块410,用于获取10-20国际标准导联系统中fp1电极和fp2电极的eeg脑电信号；
[0166]
预处理模块420,用于对所述eeg脑电信号进行处理，获取30s的eeg epoch信号；
[0167]
变换模块430，用于将所述30s的eeg epoch信号输入训练完成的脑电图分期注意力机制模型，得到所述30s的eeg epoch信号的近似希尔伯特变化，即脑电信号epoch；
[0168]
编码模块440，用于利用脑电图分期注意力机制模型中的编码器对脑电信号epoch进行编码，得到向量映射序列；
[0169]
解码模块450，用于利用脑电图分期注意力机制模型中的基于多头注意力机制的解码器对向量映射序列进行解码；
[0170]
输出模块460，用于获取脑电图分期注意力机制模型输出的睡眠阶段分期结果。
[0171]
本实施例提供的基于脑电采集头环的睡眠状态检测装置通过获取10-20国际标准导联系统中fp1电极和fp2电极的eeg脑电信号，对对所述eeg脑电信号进行处理，获取30s的eeg epoch信号；将所述30s的eeg epoch信号输入训练完成的脑电图分期注意力机制模型，得到所述30s的eeg epoch信号的近似希尔伯特变化，即脑电信号epoch；然后通过利用脑电图分期注意力机制模型中的编码器对脑电信号epoch进行编码，得到向量映射序列，并利用脑电图分期注意力机制模型中的基于多头注意力机制的解码器对向量映射序列进行解码，最后可输出的睡眠阶段分期结果，供使用者参考。
[0172]
实施例五
[0173]
图12为本发明实施例四提供的基于脑电采集头环的睡眠状态检测系统的结构示意图，如图12所示，所述系统包括：
[0174]
上述实施例提供的基于脑电采集头环的睡眠状态检测装置；
[0175]
eeg信号采集头环和eeg信号分析设备
[0176]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行
了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。