一种睡眠阶段分期方法、装置、设备及存储介质

本发明涉及睡眠处理，特别涉及一种睡眠阶段分期方法、装置、设备及存储介质。

背景技术：

1、睡眠异常越来越被认为是许多疾病的关键因素。具体而言，通过多导睡眠图（psg，即polysomnography）记录的睡眠生理信号提供了关于大脑和心血管健康的丰富信息来源。因此，自动睡眠分期和睡眠障碍诊断可能在将睡眠模式与疾病和健康应用联系起来的大规模流行病学研究中发挥至关重要的作用。睡眠分期的基本事实仍然是多导联脑电图（eeg，即electroencephalogram），睡眠专家使用标准规则（例如，rechtschaffen和kales以及美国睡眠医学学会）用于注释睡眠分期。规则通常侧重于30秒的数据窗口，并将30秒数据手动标记为五个阶段：觉醒（w）、快速眼动（rem）、非rem 1-3（n1、n2和n3）。除了手动睡眠分期所涉及的时间和成本外，专家间的主观性可能会导致标签准确性难以确定的问题。因此，如何提高睡眠分期的准确性和可解释性是需要解决的。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种睡眠阶段分期方法、装置、设备及存储介质，能够提高睡眠分期的准确性和可解释性。其具体方案如下：

2、第一方面，本技术公开了一种睡眠阶段分期方法，包括：

3、基于预设睡眠工具采集睡眠脑电波信号，并基于预设数据切分标准将所述睡眠脑电波信号切分为若干个数据片段，然后根据aasm标准对所述若干个数据片段标记相应的睡眠阶段标签；

4、基于预设特征提取方式对标记后的所述若干个数据片段进行数据特征提取以得到若干个序列数据帧；

5、通过预设神经网络模型中的空间注意力层确定所述若干个序列数据帧对应的空间注意力权重，并利用所述预设神经网络模型中的乘积图学习层学习所述若干个序列数据帧之间的数据空间关系和数据时空关系以得到空间学习图和时间学习图；

6、基于所述空间注意力权重和所述空间学习图对所述若干个序列数据帧进行空间卷积处理以得到睡眠空间图，并对所述睡眠空间图进行时间平坦化处理，然后将处理后的所述睡眠空间图输入至所述预设神经网络模型中的bigru层以得到时间节点特征向量；

7、根据所述时间学习图和所述预设神经网络模型中的图自适应注意力网络层对所述时间节点特征向量进行睡眠阶段分类以得到数据阶段分期结果，并基于所述数据阶段分期结果确定睡眠阶段分期结果。

8、可选的，所述基于预设特征提取方式对标记后的所述若干个数据片段进行数据特征提取以得到若干个序列数据帧，包括：

9、基于预设特征提取方式从标记后的所述若干个数据片段的每个psg通道中提取差分熵特征以得到若干个序列数据帧。

10、可选的，所述通过预设神经网络模型中的空间注意力层确定所述若干个序列数据帧对应的空间注意力权重，包括：

11、将所述若干个序列数据帧输入至预设神经网络模型中的空间注意力层中，并利用空间注意力机制进行权重学习以确定所述若干个序列数据帧对应的空间注意力权重。

12、可选的，所述利用所述预设神经网络模型中的乘积图学习层学习所述若干个序列数据帧之间的数据空间关系和数据时空关系以得到空间学习图和时间学习图，包括：

13、将所述若干个序列数据帧输入至预设神经网络模型中的乘积图学习层学习中，然后基于预设空间关系权值建模公式和预设时间关系权值建模公式分别确定目标空间关系权重和目标时间关系权重；

14、将所述目标空间关系权重和所述目标时间关系权重插入至第一预设损失函数中，以得到空间学习图和时间学习图。

15、可选的，所述根据所述时间学习图和所述预设神经网络模型中的图自适应注意力网络层对所述时间节点特征向量进行睡眠阶段分类以得到数据阶段分期结果，包括：

16、将所述时间节点特征向量输入至所述预设神经网络模型中的图自适应注意力网络层中，并利用预设学习注意力系数和所述时间学习图确定新时间节点特征向量；

17、利用多头注意力机制对所述新时间节点特征向量进行睡眠阶段分类以得到数据阶段分期结果。

18、可选的，所述利用预设学习注意力系数和所述时间学习图确定新时间节点特征向量，包括：

19、利用所述时间学习图中的倾斜时间权重对预设学习注意力系数进行细化处理以得到目标注意力系数；

20、基于所述目标注意力系数确定时间特征向量的注意力值建模公式，并基于所述注意力值建模公式对所述时间节点特征向量进行处理以得到新时间节点特征向量。

21、可选的，所述基于所述数据阶段分期结果确定睡眠阶段分期结果，包括：

22、基于所述数据阶段分期结果确定分类交叉熵损失值，并基于所述分类交叉熵损失值确定第二预设损失函数；

23、基于所述第二预设损失函数和所述数据阶段分期结果确定睡眠阶段分期结果。

24、第二方面，本技术公开了一种睡眠阶段分期装置，包括：

25、数据片段切割模块，用于基于预设睡眠工具采集睡眠脑电波信号，并基于预设数据切分标准将所述睡眠脑电波信号切分为若干个数据片段，然后根据aasm标准对所述若干个数据片段标记相应的睡眠阶段标签；

26、特征提取模块，用于基于预设特征提取方式对标记后的所述若干个数据片段进行数据特征提取以得到若干个序列数据帧；

27、学习图确定模块，用于通过预设神经网络模型中的空间注意力层确定所述若干个序列数据帧对应的空间注意力权重，并利用所述预设神经网络模型中的乘积图学习层学习所述若干个序列数据帧之间的数据空间关系和数据时空关系以得到空间学习图和时间学习图；

28、特征向量确定模块，用于基于所述空间注意力权重和所述空间学习图对所述若干个序列数据帧进行空间卷积处理以得到睡眠空间图，并对所述睡眠空间图进行时间平坦化处理，然后将处理后的所述睡眠空间图输入至所述预设神经网络模型中的bigru层以得到时间节点特征向量；

29、睡眠分期模块，用于根据所述时间学习图和所述预设神经网络模型中的图自适应注意力网络层对所述时间节点特征向量进行睡眠阶段分类以得到数据阶段分期结果，并基于所述数据阶段分期结果确定睡眠阶段分期结果。

30、第三方面，本技术公开了一种电子设备，包括：

31、存储器，用于保存计算机程序；

32、处理器，用于执行所述计算机程序以实现前述的睡眠阶段分期方法。

33、第四方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的睡眠阶段分期方法。

34、可见，本技术中，首先基于预设睡眠工具采集睡眠脑电波信号，并基于预设数据切分标准将所述睡眠脑电波信号切分为若干个数据片段，然后根据aasm标准对所述若干个数据片段标记相应的睡眠阶段标签；基于预设特征提取方式对标记后的所述若干个数据片段进行数据特征提取以得到若干个序列数据帧；通过预设神经网络模型中的空间注意力层确定所述若干个序列数据帧对应的空间注意力权重，并利用所述预设神经网络模型中的乘积图学习层学习所述若干个序列数据帧之间的数据空间关系和数据时空关系以得到空间学习图和时间学习图基于所述空间注意力权重和所述空间学习图对所述若干个序列数据帧进行空间卷积处理以得到睡眠空间图，并对所述睡眠空间图进行时间平坦化处理，然后将处理后的所述睡眠空间图输入至所述预设神经网络模型中的bigru层以得到时间节点特征向量；根据所述时间学习图和所述预设神经网络模型中的图自适应注意力网络层对所述时间节点特征向量进行睡眠阶段分类以得到数据阶段分期结果，并基于所述数据阶段分期结果确定睡眠阶段分期结果。这样一来，通过乘积图学习和图信号处理来联合学习从相邻（顺序）睡眠时期获得的时空图，强化相邻睡眠时期之间连接权重的重要性，更进一步的提升睡眠分期算法的效能。