一种融合交叉预测和判别任务的睡眠分期识别系统

本发明涉及深度学习和生物医学工程的，尤其是指一种融合交叉预测和判别任务的睡眠分期识别系统。

背景技术：

1、睡眠分期作为睡眠研究的重要组成部分，对于理解睡眠的生理过程、诊断睡眠障碍和评估睡眠质量具有重要意义。睡眠是一种复杂的生理状态，可划分为快速眼动、非快速眼动等多个阶段，每个阶段都具有独特的生理特征和功能，不同阶段对人体的恢复和健康有着不同的影响。因此，准确地识别睡眠状态对于研究睡眠障碍、相关疾病诊断和个体健康管理至关重要。

2、目前，常用的睡眠分期识别方法主要基于生理信号的分析，比如脑电、眼电、肌电等，其中脑电信号反映了大脑在睡眠过程中的活动状态，是判断睡眠阶段最常用的信号。基于脑电信号的睡眠分期识别系统主要分为三类：1)人工分期：专家根据脑电信号的特征和趋势，依据一些睡眠分期准则进行人工分析。2)基于机器学习方法的系统：选取适用于睡眠分期的脑电信号特征，利用贝叶斯模型、集成学习、支持向量机等方法对数据建模并做出分期判断。3)基于监督学习方法的深度学习系统：利用多种深度学习网络提取信号的局部特征和结构信息，捕捉信号的时间依赖性从而进行睡眠状态的识别。人工标注耗时且存在主观性，传统机器学习方法的特征提取过程严重依赖领域学科知识，而全监督深度学习方法需要大量标签样本，但人工标记样本成本高，且无法利用到大量的无标签样本。总体而言，现有的分期系统大都需要带标签的数据样本，且分期效果严重依赖于带标签样本的数据量。

技术实现思路

1、本发明的目的在于克服现有技术的缺点与不足，提出了一种融合交叉预测和判别任务的睡眠分期识别系统，该系统利用自监督技术，通过设计交叉预测和判别任务多个辅助任务，充分挖掘无标签样本的潜在特征，从而在提升睡眠分期检测准确率的同时减少对于标签数据的依赖，为睡眠检测技术带来更高效和经济的解决方案。

2、为实现上述目的，本发明所提供的技术方案为：一种融合交叉预测和判别任务的睡眠分期识别系统，包括：

3、数据导入模块，用于导入脑电睡眠数据，脑电睡眠数据包含睡眠信号和睡眠信号对应的睡眠分期标签，将脑电睡眠数据按比例划分为训练集、验证集和测试集，对训练集、验证集和测试集中的睡眠信号进行预处理，得到符合美国睡眠医学会评分标准的数据，称为预处理信号，然后通过两种增强方式对预处理信号进行两种增强变换，得到两种变换后的信号，分别称为第一脑电信号和第二脑电信号，再对预处理信号进行样本序列化处理，得到第三脑电信号，第三脑电信号对应的标签称为第三信号睡眠标签；

4、自监督预训练模块，用于构建多任务预训练框架，该框架包含两个结构相同、参数相同的预训练网络，这两个预训练网络分别接收第一脑电信号和第二脑电信号并得到两种信号序列特征，分别称为序列特征一和序列特征二，选取某一固定时刻将序列特征一和序列特征二划分为两部分，得到序列特征一的过去特征、序列特征一的未来特征、序列特征二的过去特征和序列特征二的未来特征，利用序列特征一的过去特征预测序列特征二的未来特征，同时利用序列特征二的过去特征预测序列特征一的未来特征形成交叉预测任务，将序列特征一和序列特征二进行特征映射，并结合对比学习构成判别任务，整个过程使用训练集，总损失是交叉预测任务和判别任务的损失加权和，通过最小化总损失进行预训练，更新预训练网络的参数，最终得到的多任务预训练框架中包含带有样本信息的编码器模型；

5、监督微调模块，用于构建微调框架并进一步调整模型参数，使用带有样本信息的编码器模型，结合带有时序特征分类能力的自回归模型构成微调框架，并使用训练集和验证集进行微调框架的微调，得到具有良好分类效果的微调框架，称为最优睡眠分期模型；

6、睡眠阶段识别模块，用于依据测试集中的第三脑电信号进行睡眠阶段识别，使用得到的最优睡眠分期模型进行睡眠阶段判断，对受试者的睡眠状态进行深入了解和评估。

7、进一步，所述数据导入模块包括数据集划分模块和数据预处理模块，其中：

8、所述数据集划分模块用于构建训练集、验证集和测试集，根据受试者数量按比例划分得到训练集、验证集和测试集，训练集、验证集和测试集中均包含预训练数据样本和微调数据样本，其中预训练数据样本包括第一脑电信号和第二脑电信号，微调数据样本包括第三脑电信号和第三信号睡眠标签；

9、所述数据预处理模块从本地读取脑电睡眠数据，得到睡眠信号和睡眠信号对应的睡眠分期标签，以受试者为单位，将睡眠信号按固定长度划分信号片段，剔除带有未知标签信息的数据，并将睡眠数据处理为符合美国睡眠医学会评分标准的数据，得到预处理信号x＝{x1,x2,…,xi,…,xn}和信号分期标签y＝{y1,y2,…,yi,…,yn}，其中xi表示第i个样本，yi表示第i个样本的睡眠分期标签，n为总样本数量，将预处理信号x进行两种方式的增强得到预训练数据样本，包括第一脑电信号和第二脑电信号其中和分别为第n个样本经过两种增强方式后得到的第一脑电信号和第二脑电信号，为进一步提取样本序列化信息同时最大化保留数据标签，从预处理信号x中进行固定窗口长度为k的滑动窗口取样，每次取样时窗口起始点向后挪动一位，构成新的样本集，即第三脑电信号其中总样本数量n′＝n-k+1，第i个样本标签取每个新样本最后一行元素的标签，即第三信号睡眠标签其中为第i个样本对应的睡眠标签，得到微调数据样本。

10、进一步，所述自监督预训练模块执行以下操作：

11、1)搭建两个结构相同、参数相同的预训练网络，预训练网络由特征编码器、循环残差网络、线性映射网络和非线性投影网络构成，其中特征编码器由一维卷积网络和一维卷积残差块拼接而成，循环残差网络由多个长短时记忆网络进行残差连接构成，线性映射网络由多个线性分类器组成，非线性投影网络由线性分类器和非线性映射函数组成；

12、2)所述预训练数据样本包括第一脑电信号和第二脑电信号，将训练集中的第一脑电信号x1和第二脑电信号x2作为特征编码器的输入，得到序列特征一z1和序列特征二z2，随机选取时刻q，将z1和z2中小于时刻q的时序信息传入循环残差网络得到时序特征和

13、3)交叉预测任务：时序特征中包含序列特征一z1的部分时序信息，将进行t次线性映射得到z2未来t个时刻的预测向量时序特征中包含序列特征二z2中的部分时序信息，将进行t次线性映射得到z1未来t个时刻的预测向量采用对比学习损失函数得到交叉预测任务损失：

14、

15、

16、lcp＝l1+l2

17、式中，exp(·)用于实现指数运算，和为两种变换下从q时刻向后预测第t个时刻的向量，和表示两种变换下从q时刻向后的第t个时刻的真实特征向量，nq,t表示该批次中所有样本自q时刻起向后第t个时刻的样本的集合，和为集合中各样本q+t时刻的特征向量，l1为利用特征向量预测z2未来t个时刻特征的损失和，l2为利用特征向量预测z1未来t个时刻特征的损失和，交叉预测任务损失函数lcp为两部分损失之和；

18、4)判别任务：将时序特征和经过非线性投影网络得到判别特征d1和d2，将同一预处理信号经过增强后的两个样本视作正样本对，将一个批次中不同预处理信号经过增强后的样本均视作负样本对，计算正负样本对间的相似度，结合对比损失构成判别任务损失函数ld：

19、

20、

21、式中，csim(·)为余弦相似度计算公式，di为某个样本的判别特征，di+为与该样本构成正样本对的判别特征，f(·)为一个二值函数，当m的值不等于i时f(m)值为1，否则取0；

22、5)将交叉预测任务损失函数lcp和判别任务损失函数ld进行加权求和得到自监督预训练总损失，即自监督损失lssl：

23、lssl＝λ1×lcp+λ2×ld

24、式中，λ1为交叉预测任务损失函数的权重，λ2为判别任务损失函数的权重，基于预训练网络进行梯度回传反向传播更新预训练网络参数，权重λ1和λ2根据dwa算法不断更新权值，最终得到带有样本信息的预训练网络，其中的特征编码器即为带有样本信息的编码器模型。

25、进一步，所述监督微调模块构建微调框架并进一步调整模型参数，得到适用于睡眠分期识别的最优睡眠分期模型，包括特征表示模块和特征分类模块，其中：

26、所述特征表示模块用于对样本进行特征表示，其输入为训练集和验证集中的微调数据样本，利用预训练得到的带有样本信息的编码器模型将微调数据样本表示为特征向量：

27、

28、式中，为微调数据样本，为经编码器模型后得到的特征向量，特征编码器encoder(·)由输入层、表征层和输出层构成，其中输入层和输出层均由一维卷积网络构成，表征层由多个一维卷积残差块堆叠而成；

29、所述特征分类模块用于进行样本信息整合和分类，该模块由自回归模型和线性分类器构成，其中自回归模型选用长短时记忆网络，将特征表示模块输出的特征向量作为输入传进特征分类模块，得到最终的预测向量和监督损失：

30、

31、

32、

33、式中，tsnet(·)为长短时记忆网络，为经过长短时记忆网络后得到的序列特征向量，mlp(·)为线性分类器，为经过线性分类器后得到的样本预测向量，进一步取最大值索引能得到基于脑电样本预测出的睡眠阶段，监督损失函数为交叉熵损失函数，根据微调数据样本真实睡眠标签和经过监督微调模块后得到的预测向量能得到监督损失lsup，其中为交叉熵损失函数，θ(·)为归一化指数函数。

34、进一步，所述睡眠阶段识别模块执行以下操作：

35、1)使用数据导入模块中的数据预处理模块加载受试者的脑电睡眠数据，使用预处理方法对脑电信号进行预处理得到第三脑电信号和第三信号睡眠标签；

36、2)将经过步骤1)处理后的第三脑电信号输入由监督微调模块训练出的最优睡眠分期模型，得到各时段的睡眠阶段判断结果，根据判断结果中各睡眠阶段出现的时长和频数并结合医学领域相关知识对受试者的睡眠状态进行深入了解和评估。

37、本发明与现有技术相比，具有如下优点与有益效果：

38、1、本发明系统通过搭建深度神经网络挖掘信号特征，实现了自动睡眠分期，相较于其它方法，本发明系统可以在自动捕捉睡眠特征的同时提升睡眠检测的效率。

39、2、本发明系统通过引入自监督学习思想，减少了训练过程对于数据标签的依赖性，降低了数据收集和处理的成本。

40、3、本发明系统通过设计交叉预测任务和判别任务，从多个角度挖掘无标签样本的潜在特征，在提升睡眠分期检测准确率的同时进一步增强系统的泛化能力和鲁棒性。