本发明属于生物电信号分析,具体涉及一种基于深度学习的多模态睡眠阶段预测方法。
背景技术:
1、睡眠对一个人的精神和身体健康至关重要,睡眠质量的监测对医学研究和实践有重大影响。根据人体在睡眠期间生理信号的不同变化而将睡眠过程分为不同的阶段,这个过程被称为睡眠分期或评分。睡眠障碍与许多不同的疾病有关,采用30秒的夜间多导睡眠图(psg)进行睡眠分期,从而对睡眠障碍进行筛查、评估和诊断。睡眠阶段和周期体现了潜在的神经生理过程,从中也可以获得各种睡眠障碍的诊断标志。
2、通常情况下,睡眠专家通过连接在身体不同部位的传感器所记录的电活动来确定睡眠质量。来自这些传感器的一组信号被称为多导睡眠图(psg),由脑电图(eeg)、眼电图(eog)、肌电图(emg)和心电图(ecg)组成。这种psg被划分为30秒的时段,然后由专家根据公认的手册(r&k及aasm),人工进行睡眠阶段评分。然而,这种纯手工方法是耗时耗力的。
3、对睡眠进行准确且高效的监测不仅具有巨大的医疗价值,而且可以让个人对睡眠进行自我评估和自我管理。现有的睡眠评分方法都是医生根据手册标准人工确定的,效率较低。
技术实现思路
1、本发明要克服现有技术的上述缺点,提出了一种基于深度学习的多模态睡眠阶段预测方法。
2、机器执行这项任务的速度可以比人类专家快数千倍,从而每年为临床医生节省数千小时,并使睡眠评估和诊断更为广泛,实现睡眠评分的自动化。本发明提出了一种基于多模态脑电图的睡眠阶段自动评分方法,利用深度学习从脑电图中自动学习睡眠阶段评分的特征,得到睡眠阶段评分,能够更好地辅助医疗诊断。
3、本发明的一种基于深度学习的多模态睡眠阶段预测方法,解决其技术问题所实现的具体步骤如下:
4、步骤1:从数据集sleepedf-20中获取原始psg信号,包含一个eeg pz-oz信号,一个水平eog信号,一个颏下emg信号。将信号分割成30s片段,进行预处理,对各类睡眠生理电信号数据信息的采样频率进行统一。
5、步骤2:使用类平衡数据集对模型的两个不同规模的卷积神经网络(cnn)进行有监督的预训练,防止对睡眠阶段的过度拟合。提取两个cnn,叠加softmax层,用adam优化器进行优化。在预训练结束时,丢弃softmax层。通过复制原始训练集中的少数睡眠阶段获得类平衡训练集,使得所有睡眠阶段具有相同数量的样本。
6、步骤3:将一段采样率为fs的30s信号,分别输入到一大一小两个经过预训练的卷积神经网络中,经过四次卷积和两次池化,训练表示学习的滤波器,用以提取时不变特征。
7、步骤4:将步骤2经过两个卷积神经网络的得到的特征进行融合后,输入到残差学习网络,与经过两次双向lstm模块的特征再次融合,用以学习时间相关特征,如阶段转换规则,即通过目前所在的阶段预测可能发生的下一阶段。
8、步骤5:步骤3得到的输出经过softmax层得到模型所预测的睡眠阶段,将softmax函数与交叉熵损失进行组合作为模型的损失函数对模型进行训练。使用sleepedf数据集对模型进行评估。
9、本发明提供一种基于深度学习的多模态睡眠阶段预测方法,利用真实标签信号,结合多模态的信号输入模型,首先经过预训练好的两个卷积神经网络提取信号的时不变特征,经过融合后再输入残差网络提取时间特征,输出得到信号的睡眠阶段预测。不断训练以得到最好的睡眠阶段预测效果。
10、本发明的优点是:利用深度学习的方法,设计具有两个不同大小的cnn网络和双向lstm模块,从而提取多模态睡眠信号中的特征,自动学习并预测睡眠阶段,比起人工判断可以获得更准确的预测结果,并节省更多的时间精力。同时相较于单一通道的信号,多模态信号考虑到多尺度的特征交叉,具有更高的准确率。
1.一种基于深度学习的多模态睡眠阶段预测方法,包括如下步骤:
2.如权利要求1所述的一种基于深度学习的多模态睡眠阶段预测方法,其特征在于:步骤3所述的将一段采样率为fs的30s信号,分别输入到一大一小两个经过预训练的卷积神经网络中,经过四次卷积和两次池化,训练表示学习的滤波器,用以提取时不变特征,具体包括:
3.如权利要求1所述的一种基于深度学习的多模态睡眠阶段预测方法,其特征在于:步骤4所述的经过两个卷积神经网络的得到的特征进行融合后,输入到残差学习网络,与经过两次双向lstm模块的特征再次融合,用以学习时间相关特征,如阶段转换规则,即通过目前所在的阶段预测可能发生的下一阶段,具体包括:
4.如权利要求1所述的一种基于深度学习的多模态睡眠阶段预测方法,其特征在于:步骤5所述的步骤3得到的输出经过softmax层得到模型所预测的睡眠阶段,将softmax函数与交叉熵损失进行组合作为模型的损失函数对模型进行训练,对训练完的模型进行评价,具体包括: