基于脑肌眼电深度学习融合模型的睡眠检测方法及系统与流程

本发明涉及睡眠检测，尤其涉及一种基于脑肌眼电深度学习融合模型的睡眠检测方法及系统。

背景技术：

1、睡眠在每个人的日常生活中起着至关重要的作用，并且它与日常活动的表现密切相关。一般来说，在一个睡眠周期中，有六个睡眠阶段，整个睡眠可以分为清醒状态（w）、非快速眼动状态（nrem）、快速眼动状态（rem）三个部分，其中非快速眼动状态又分为4个阶段：第1期为极浅睡期（n1），第2期为浅睡期(n2)，第3期为中睡期（n3），第4期为深睡期(n4)。在2007 年美国睡眠医学学会制订新标准把n3、n4期两个以慢波为主要特色的分期予以合并为慢波睡眠阶段。

2、睡眠对身体和大脑在睡眠阶段中从疲劳中恢复过来至关重要。然而，随着生活压力的增加，更多的人患有与睡眠相关的疾病。睡眠障碍已被确认是一种具有公共危害性的疾病，越来越受到人们的重视。通过各种生理信号对人体睡眠状态进行分期，是客观评估睡眠质量的一种有效方法。

3、然而现有的睡眠检测方法中，多采用多层网络对脑电信号进行分类识别，例如申请号为202210225368.2，名称为基于动态融合的多模态睡眠分期方法的专利中，对获得的睡眠生理电信号，分别采用smdc网络、s1dcnn网络、resnets网络、aux网络和融合网络等网络进行特征提取、信号融合和睡眠等级分类；网络层级较多，需要占用大量cpu资源，不适合迁移到嵌入式单片机上进行单独使用，并且多睡眠生理电信号数据信息包括脑电数据信息、眼电数据信息和肌电数据信息的特征提取直接依赖s1dcnn网络和resnets网络，进行时域和频域特征提取，没有考虑信号来源本身的差异性，对于时域或频域特征不明显的信号无法准确识别，因此，据此进行睡眠等级分类容易造成分类结果不准确。

4、因此，为了解决上述多层网络占用过多cpu资源，无法将计算方法迁移到嵌入式芯片进行单独使用的问题以及分类结果不准确的问题，本技术提供了一种基于脑肌眼电深度学习融合模型的睡眠检测方法及系统。

技术实现思路

1、因此，本发明的目的在于提供一种基于脑肌眼电深度学习融合模型的睡眠检测方法及系统，根据不同信号进行独立的信号提取，并进行融合，解决上述多层网络占用过多cpu资源，无法将计算方法迁移到嵌入式芯片进行单独使用的问题，并在此基础上提高分类结果准确性。

2、为了实现上述目的，本发明的一种基于脑肌眼电深度学习融合模型的睡眠检测方法，包括以下步骤：

3、s1、同步采集脑电、肌电和眼电数据，并对采集的脑电、肌电和眼电数据分别进行预处理，所述预处理的过程包括：

4、1.对脑电数据进行时频转换后，将得到的频段数据分别计算微分熵，将得出的微分熵结果作为脑电信号的特征数据；

5、2.对肌电信号进行分解，并对分解后的结果合成肌电频谱数据，对合成后的肌电频谱数据计算样本熵，作为肌电信号的特征数据；

6、3.对眼电信号进行分解，并对分解后的结果合成眼电频谱数据，对合成后的眼电频谱数据计算样本熵，作为眼电信号的特征数据；

7、s2、将预处理后的脑电、肌电和眼电的特征数据进行数据融合，得到融合后的睡眠特征信号；

8、s3、将睡眠特征信号输入深度学习融合模型中，利用深度学习网络进行特征提取和特征融合后，输出睡眠分类的预测的结果。

9、进一步优选的，在s1中，所述对脑电数据进行时频转换后，将得到的频段数据分别计算微分熵，包括以下步骤：

10、对脑电数据进行时频转换后，将原始脑电图信号转换成delta、theta、alpha、beta、gamma五个频段数据；

11、分别计算5个频段数据的脑电图信号的功率谱密度；

12、对得到的功率谱密度采用公式分别计算微分熵：

13、；

14、其中，p为各频段数据的功率谱密度，n表示信号片段数量。

15、进一步优选的，在s1中，所述对肌电信号进行分解，并对分解后的结果合成肌电频谱数据时，包括：

16、采用小波基函数对肌电信号进行多尺度分解，根据低频系数选择特定层对分解后的结果合成肌电频谱数据。

17、进一步优选的，在s2中，所述融合后的睡眠特征信号为预处理后的脑电、肌电、眼电的特征数据合成的二维向量；所述二维向量的行向量分别为：8通道脑电信号、2通道肌电信号和2通道眼电信号；其中，8通道脑电信号，每个通道5个信号频段共计40个脑电特征数据作为脑电行向量。

18、进一步优选的，在s3中，所述利用深度学习网络包括特征提取层、特征融合层和睡眠分类层；

19、所述特征提取层包括三个并行的卷积网络，三个网络卷积核（kernel size）分别设置为（1,fs）、(1,)、(1,16)，其中fs为采用频率，

20、填充（padding）分别设置为（0，）、（0，）、（0,0）

21、所述三个并行的卷积网络用于提取输入的睡眠特征信号中不同的特征，并通过填充保证每个网络输出的结果大小相同。

22、进一步优选的，所述特征融合层包括4个cnn卷积块和se-net网络，所述cnn卷积块，用于进行特征融合；se-net网络，用于进行特征校准；

23、所述se-net网络进行特征校准的过程包括：

24、将特征融合后的数据进行全局池化；池化后利用两个conv2d的卷积网络进行分类和激活后，完成特征校准。

25、进一步优选的，所述睡眠分类层由linear全连接层、softmax归一化指数函数组成，用于完成输入数据的n个睡眠分类的预测。

26、本发明提供一种基于脑肌眼电深度学习融合模型的睡眠检测系统，用于实施上述基于脑肌眼电深度学习融合模型的睡眠检测方法，包括：

27、脑肌眼电一体化采集设备，用于同步采集佩戴者的脑电、肌电和眼电数据；

28、主控处理模块用于对采集的脑电、肌电和眼电数据，进行预处理；将处理后的脑电、肌电和眼电的特征数据进行数据融合，得到融合后的睡眠特征信号；

29、并输入深度学习融合模型中，利用深度学习网络进行特征提取和特征融合后，输出睡眠分类的预测的结果。

30、进一步优选的，数据采集模块，用于对采集的脑电、肌电和眼电数据，进行滤波和放大后利用spi数据接口并行输入到主控处理模块中。

31、进一步优选的，所述主控处理模块连接数据服务器，所述数据服务器用于根据主控处理模块输出的睡眠分类的预测结果，以及采集到的用户生物电信号原始数据，综合评价系统运行的效果；

32、当数据服务器采集到的用户的生物电信号原始数据达到一定数量时，会根据采集到的用户自身的生物电信号重新训练深度学习网络，生成对用户更有针对性的网络模型参数；并下发到主控处理模块。

33、本技术公开的基于脑肌眼电深度学习融合模型的睡眠检测方法及系统，相比于与现有技术，至少具有以下优点：本技术在预处理过程中，根据不同信号进行独立的特征提取，并进行融合，解决传统睡眠预测模型中依赖多层网络，占用过多cpu资源的问题，根据本技术的方法，将该方法迁移至嵌入式主控芯片即可进行睡眠分类预测，解决了睡眠仪器脱离电脑无法单独使用的问题，针对脑电肌电眼电的不同信号类型，在与处理的基础上再设置不同的卷积核和填充参数，提高了睡眠分类的准确性，并能实现数据的完美融合。