一种失眠治疗用智能化睡眠监测方法、装置及系统

本发明属于睡眠监测，具体是指一种失眠治疗用智能化睡眠监测方法、装置及系统。

背景技术：

1、在治疗失眠的过程中，通常需要对患者的睡眠阶段进行监测，以便于医生对失眠的严重程度和性质进行评估，从而有助于确定治疗的方向和个性化的治疗计划。

2、现有的睡眠阶段监测方式通常采用深度学习模型自动学习特征和时间上下文信息，从而对睡眠阶段进行分类，但大多数深度学习模型仅考虑纪元内、相邻纪元和长纪元的一种或者两种时间特征，没有充分利用三种时间特征之间的互补性，从而导致时间特征提取不完整，进而导致分类精度较差；现有的模型在训练过程中，为充分学习时间特征，通常需要将更多的纪元作为输入，从而导致模型更加复杂且训练时间更长，以及特征计算的开销大且难以训练的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种失眠治疗用智能化睡眠监测方法、装置及系统，针对现有的大多数深度学习模型仅考虑纪元内、相邻纪元和长纪元的一种或者两种时间特征，没有充分利用三种时间特征之间的互补性，从而导致时间特征提取不完整，进而导致分类精度较差的技术问题，本方案通过时间特征提取模块、频域特征提取模块和睡眠监测模型构建模块的配合使用，充分利用了三种时间特征的互补性，能够从纪元内、相邻纪元和长纪元中提取时间特征，从而提取出完整的时间特征，进而极大地提高了分类精度；针对现有的模型在训练过程中，为充分学习时间特征，通常需要更多的纪元作为输入，从而导致模型更加复杂且训练时间更长，以及特征计算的开销大且难以训练的技术问题，本方案仅需从纪元内、相邻纪元和长纪元中提取时间特征，且能够学习到完整的时间特征，而不需要更多的纪元作为输入，从而使模型较为简单、训练时间短，且特征计算的成本低且易于训练。

2、本发明采取的技术方案如下：本发明提供的一种失眠治疗用智能化睡眠监测方法，包括：

3、步骤s1：获取原始脑电信号；

4、步骤s2：对原始脑电信号进行处理，得到标准化时频图像和标准化脑电信号；

5、步骤s3：通过时间卷积网络提取一个纪元内的标准化脑电信号的时间特征，所述通过时间卷积网络提取一个纪元内的标准化脑电信号的时间特征的计算公式为：

6、；

7、式中，表示一个纪元内的标准化脑电信号的时间特征，包括一个纪元内的预测的概率和一个纪元内的分类的概率，表示时间卷积网络，表示一个纪元内的标准化脑电信号，表示通过时间卷积网络从一个纪元内的标准化脑电信号提取一个纪元内的标准化脑电信号的时间特征；

8、步骤s4：计算频域特征提取参数，所述频域特征提取参数包括卷积层的数量和感受野的宽度，并根据频域特征提取参数对标准化时频图像进行处理，得到标准化时频图像的频域特征；

9、步骤s5：建立睡眠监测模型，并根据一个纪元内的标准化脑电信号的时间特征和标准化时频图像的频域特征训练睡眠监测模型，得到睡眠监测完善模型；

10、步骤s6：通过睡眠监测完善模型对睡眠过程中不同纪元的原始脑电信号的一个纪元内的标准化脑电信号的时间特征和标准化时频图像的频域特征进行处理，得到睡眠过程中不同纪元的睡眠阶段的分类结果。

11、作为本方案的进一步改进，在步骤s2中，所述对原始脑电信号进行处理的步骤，包括：

12、步骤s21：计算标准化脑电信号，所述标准化脑电信号的计算公式为：

13、；

14、式中，表示第i次获取的原始脑电信号的标准化脑电信号，表示第i次获取的原始脑电信号，表示原始脑电信号的均值，表示原始脑电信号的标准差；

15、步骤s22：预先设置窗口大小为2秒，即每个窗口的时间跨度为2秒，设置窗口重叠率为50%，即相邻窗口之间有一半的区域重叠；

16、步骤s23：将原始脑电信号分割成多个窗口；

17、步骤s24：对每个窗口应用快速傅里叶变换，使原始脑电信号变为频域脑电信号；

18、步骤s25：对频域脑电信号进行对数运算，得到对数功率谱一；

19、步骤s26：通过频域滤波器组对对数功率谱一进行平滑处理，得到对数功率谱二；

20、步骤s27：将对数功率谱二转换为标准化时频图像。

21、进一步地，在步骤s4中，所述计算频域特征提取参数，并根据频域特征提取参数对标准化时频图像进行处理，包括：

22、步骤s41：计算卷积层的数量，所述卷积层的数量的计算公式为：

23、；

24、式中，n1表示卷积层的数量，k表示卷积核的大小，b表示膨胀因子，且k≥b，表示输入数据的长度；

25、步骤s42：计算感受野的宽度，所述感受野的宽度的计算公式为：

26、；

27、式中，ω表示感受野的宽度，n1表示卷积层的数量，k表示卷积核的大小，b表示膨胀因子，且k≥b，bi表示第i个卷积层的膨胀因子，表示第n1个卷积层的膨胀因子；

28、步骤s43：对标准化时频图像进行处理，得到标准化时频图像的频域特征，所述对标准化时频图像进行处理的计算公式为：

29、；

30、式中，表示第n个纪元的标准化时频图像，pg表示标准化时频图像的频域特征，包括第n-1个纪元的预测概率、第n+1个纪元的预测概率和第n个纪元的分类概率，表示通过卷积神经网络cnn输出第n个纪元的标准化时频图像的最大池化操作，表示第n个纪元的标准化时频图像对应的的睡眠阶段，表示第n-1个纪元的标准化时频图像对应的的睡眠阶段，表示第n+1个纪元的标准化时频图像对应的睡眠阶段，所述睡眠阶段包括清醒阶段wake、快速眼动阶段rem、轻度睡眠n1、中度睡眠n2和深度睡眠n3。

31、进一步地，在步骤s5中，所述根据一个纪元内的标准化脑电信号的时间特征和标准化时频图像的频域特征训练睡眠监测模型，包括：

32、步骤s51：预先设置真实分类标签和预测分类标签，并将一个纪元内的标准化脑电信号的时间特征和标准化时频图像的频域特征输入睡眠监测模型，所述真实分类标签包括第n-1个纪元的真实分类标签、第n个纪元的真实分类标签和第n+1个纪元的真实分类标签，所述预测分类标签包括示第n-1个纪元的预测分类标签、第n个纪元的预测分类标签和第n+1个纪元的预测分类标签；

33、步骤s52：计算各个子任务的交叉熵误差，并将各个子任务的交叉熵误差累加，得到各个子任务的交叉熵误差之和，所述各个子任务的交叉熵误差的计算公式为：

34、；

35、式中，表示第i个子任务的交叉熵误差，n-1表示第n-1个纪元的子任务，n+1表示第n+1个纪元的子任务，表示第i个子任务的真实分类标签，表示第i个子任务的预测分类标签，θ表示睡眠监测模型的参数，表示睡眠监测模型对第i个子任务的预测结果；

36、步骤s53：计算睡眠监测模型在n个训练样本上的多任务交叉熵损失，所述n个训练样本的多任务交叉熵损失的计算公式为：

37、；

38、式中，θ表示睡眠监测模型的参数，表示第i个子任务的交叉熵误差，表示睡眠监测模型在n个训练样本上的多任务交叉熵损失，n表示训练样本的数量，λ表示正则化项的权重，表示θ的l2范数的平方；

39、步骤s54：计算第n个纪元的真实分类标签的融合概率，所述第n个纪元的真实分类标签的融合概率的计算公式为：

40、；

41、；

42、式中，表示第n个纪元的真实分类标签的融合概率，n-1表示第n-1个纪元，n+1表示第n+1个纪元，表示第i个纪元的预测权重，表示输入的预测精度，即作为输入时，作为输出的精度，为的分类精度，即作为输入时，对第n个纪元的真实分类标签的分类准确度，表示作为输入时，对第n个纪元的真实分类标签的概率预测；

43、步骤s55：通过似然最大化计算第n个纪元的真实分类标签，得到观察序列oi，所述通过似然最大化计算第n个纪元的真实分类标签的计算公式为：

44、；

45、式中，表示通过似然最大化得到的第n个纪元的真实分类标签，表示第n个纪元的真实分类标签的概率，即数据点属于该类别的概率，argmax表示取使得后面的表达式最大化的参数值；

46、步骤s56：对睡眠阶段进行校正和微调；

47、步骤s57：重复上述步骤，直至达到收敛条件，得到睡眠监测完善模型。

48、进一步地，在步骤s55中，所述对睡眠阶段进行校正和微调的步骤，包括：

49、步骤s551：预先设置状态序列si，所述状态序列si为睡眠专家标注的睡眠阶段；

50、步骤s552：通过hmm模型对状态序列si和观察序列oi进行参数估计，得到状态转移概率ptr和发射概率pem；

51、步骤s553：通过viterbi算法对观察序列oi进行处理，得到最大概率的睡眠阶段序列；

52、步骤s554：根据最大概率的睡眠阶段序列对异常睡眠阶段进行校正；

53、步骤s555：选择最佳序列长度对睡眠阶段进行微调。

54、本发明提供的一种失眠治疗用智能化睡眠监测装置，包括信号采集模块、预处理模块、时间特征提取模块、频域特征提取模块、睡眠监测模型构建模块和睡眠阶段分类模块；

55、所述信号采集模块获取原始脑电信号，并将原始脑电信号发送至预处理模块；

56、所述预处理模块对原始脑电信号进行处理，得到标准化时频图像和标准化脑电信号，将标准化时频图像发送至频域特征提取模块，将标准化脑电信号发送至时间特征提取模块；

57、所述时间特征提取模块通过时间卷积网络提取一个纪元内的标准化脑电信号的时间特征，并将一个纪元内的标准化脑电信号的时间特征发送至睡眠监测模型构建模块和睡眠阶段分类模块；

58、所述频域特征提取模块计算频域特征提取参数，所述频域特征提取参数包括感受野的宽度和卷积层的数量，并根据频域特征提取参数对标准化时频图像进行处理，得到标准化时频图像的频域特征，并将标准化时频图像的频域特征发送至睡眠监测模型构建模块和睡眠阶段分类模块；

59、所述睡眠监测模型构建模块建立睡眠监测模型，并根据一个纪元内的标准化脑电信号的时间特征和标准化时频图像的频域特征训练睡眠监测模型，得到睡眠监测完善模型，并将睡眠监测完善模型发送至睡眠阶段分类模块；

60、所述睡眠阶段分类模块通过睡眠监测完善模型对睡眠过程中不同纪元的原始脑电信号的一个纪元内的标准化脑电信号的时间特征和标准化时频图像的频域特征进行处理，得到睡眠过程中不同纪元的睡眠阶段的分类结果。

61、本发明提供的一种失眠治疗用智能化睡眠监测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序。

62、采用上述方案本发明取得的有益效果如下：

63、（1）针对现有的大多数深度学习模型仅考虑纪元内、相邻纪元和长纪元的一种或者两种时间特征，没有充分利用三种时间特征之间的互补性，从而导致时间特征提取不完整，进而导致分类精度较差的技术问题，本方案通过时间特征提取模块、频域特征提取模块和睡眠监测模型构建模块的配合使用，充分利用了三种时间特征的互补性，能够从纪元内、相邻纪元和长纪元中提取时间特征，从而提取出完整的时间特征，进而极大地提高了分类精度。

64、（2）针对现有的模型在训练过程中，为充分学习时间特征，通常需要更多的纪元作为输入，从而导致模型更加复杂且训练时间更长，以及特征计算的开销大且难以训练的技术问题，本方案仅需从纪元内、相邻纪元和长纪元中提取时间特征，且能够学习到完整的时间特征，而不需要更多的纪元作为输入，从而使模型较为简单、训练时间短，且特征计算的成本低且易于训练。