一种基于混合神经网络的自动睡眠分期方法

1.本发明涉及睡眠质量评估技术领域，具体涉及一种基于混合神经网络的自动睡眠分期方法。


背景技术：

2.睡眠质量的高低与我们的一系列健康问题息息相关，如焦虑症等常见心理性问题，注意力不集中、内分泌紊乱等常见功能性问题，其重要程度不容小觑。越来越多的研究者使用机器学习算法进行睡眠分类，分担睡眠专家的工作任务，促进睡眠监测的日常推广。根据分类算法的不同，可将脑电睡眠分期分为两类，一类是基于传统机器学习算法的方法，一类是基于深度学习算法的方法。在机器学习应用到睡眠分期领域的前期，许多研究集中在开发自动睡眠阶段分期方法上，这些方法的流程通常由数据预处理、特征提取、特征筛选、分类预测四部分组成，为了获得更高的分期准确度，研究者们必须不断尝试并严格筛选特征，但因特征难以穷尽，且评价标准多样，这无疑给睡眠分期任务带来了额外的工作量。相对而言，深度学习算法无需任何先验知识便可以实现特征的自动学习，减少了手工提取特征质量限制和筛选的难度。
3.特征质量的好坏决定了机器学习能力的上限，在传统的机器学习算法中，为了获得更高的分期准确度，研究者们必须不断尝试并严格筛选特征，但因特征难以穷尽，且评价标准多样，这无疑给睡眠分期任务带来了额外的工作量，难以模拟在睡眠手册中用于分类判定的特征情况多的问题。相对而言，深度学习算法无需任何先验知识便可以实现特征的自动学习，减少了手工提取特征质量限制和筛选的难度。在睡眠分期任务中，无论是人工分期方法，还是机器学习算法，都存在一些问题，归纳如下：
4.(1)数据不平衡问题。即训练样本中类别数据存在极端分布，导致机器学习算法过度关注多量样本，出现过拟合现象。
5.(2)难以满足日常睡眠监测的问题。尽管多模态、多通道数据能显著提升睡眠分期效果，但这也意味着受试者佩戴更多的传感器，这对设备要求高、对睡眠本身有影响，往往难以满足当代人睡眠监测的日常需求。
6.(3)阶段关联性问题。由于睡眠数据是按照时序进行连续采集的事件，数据往往具有过渡性特点，即前后时期的数据对当前分类任务具有一定辅助作用。因此该领域多数方法仍然需要通过增加输入数据量，增加了模型计算的数据量，对实时睡眠监测有所影响。
7.(4)阶段特征相似问题。阶段相似，是指在人工评阅中各类别的特征具有一定的重叠性、相似性，各阶段之间没有明显的界限。在睡眠评判手册中，对类别数据的评判标准情况多种。而目前在阶段特征相似问题上，研究者们对各个阶段之间相关性进行了广泛的研究，却忽略了各个阶段内部特征的相似性。
8.因此，亟需设计一种基于混合神经网络的自动睡眠分期方法。


技术实现要素：

9.本发明的目的在于提供一种基于混合神经网络的自动睡眠分期方法，以解决上述背景技术中提出的问题。
10.为实现上述目的，本发明提供如下技术方案：一种基于混合神经网络的自动睡眠分期方法，包括以下步骤：
11.(1)四分类部分(第一部分)
12.s1：首先对五分类数据中数据量最小且最相似的两类(n1和rem)进行合并，在第一部分的三个关键模块执行四类分类：自底向上、自顶向下和特征融合；
13.s2：在自底向上模块中，使用堆叠的卷积运算学习频率信息，使用长短期记忆神经网络单元提取各层频率特征的时间信息；
14.s3：在自顶向下的模块中，采用对数据左右填充0的上采样方法来加强底层的信息；
15.s4：在特征融合模块中，结合卷积块注意机制的思想，融合了有助于分类的高语义特征和有助于定位的浅层特征，可以从不同层次生成自适应权重，而无需人工指定。
16.(2)二分类部分(第二部分)
17.s1：在第二部分，考虑到n1和rem的相似性和数据不平衡，对第一部分中分类为n1-rem阶段的数据采用随机过采样方法构建新的平衡的数据集，使用平衡后的数据集训练模型2；
18.s2：将模型串联起来，划分出五类睡眠阶段。
19.进一步的，上述基于混合神经网络的自动睡眠分期方法中，模型1特征提取流程如公式2和公式3所示：假设有n段30秒的单通道脑电图信号；使用多个堆叠的cnn和lstm块来提取和融合时频特征：
20.xi＝f(x
i-1
)
21.hi＝p(g(xi)||k(h
i+1
))
22.进一步的，上述基于混合神经网络的自动睡眠分期方法中，上述公式中f(x)通过卷积操作将xt变换为特征矩阵x
t+1
，p(x)代表卷积块注意力模块，可以自动学习不同层次提取的信息重要性，g(x)表示通过长短期记忆神经网络从各层空间特征中提取时间信息的操作，k(x)表示对上层特征进行左右0填充方式的上采样过程，||是一个连接操作，它将不同层提取到的特性进行拼接融合。
23.进一步的，上述基于混合神经网络的自动睡眠分期方法中，该方法由先进行四分类和再进行二分类的两个级联部分组成。
24.与现有技术相比，本发明的有益效果是：
25.1、本发明能够从实践和理论两方面论证各类别特征相似性重叠性的观点，为睡眠分期任务提供新的思考角度。
26.2、本发明将相似性最大数据量最少的两个类别进行组合进行级联分类，提出一种基于混合神经网络的自动睡眠分期方法，提高睡眠分期整体性能。
附图说明
27.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的
附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
28.图1为本发明基础模型结构示意图；
29.图2为本发明文本相似度计算流程图；
30.图3为本发明基于混合神经网络的自动睡眠分期模型结构示意图；
具体实施方式
31.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
32.本发明提供一种技术方案：一种基于混合神经网络的自动睡眠分期方法，包括以下步骤：
33.(1)四分类部分(第一部分)
34.s1：首先对五分类数据中数据量最小且最相似的两类(n1和rem)进行合并，在第一部分的三个关键模块执行四类分类：自底向上、自顶向下和特征融合；
35.s2：在自底向上模块中，使用堆叠的卷积运算学习频率信息，使用长短期记忆神经网络单元提取各层频率特征的时间信息；
36.s3：在自顶向下的模块中，采用对数据左右填充0的上采样方法来加强底层的信息；
37.s4：在特征融合模块中，结合卷积块注意机制的思想，融合了有助于分类的高语义特征和有助于定位的浅层特征，可以从不同层次生成自适应权重，而无需人工指定。
38.(2)二分类部分(第二部分)
39.s1：在第二部分，考虑到n1和rem的相似性和数据不平衡，对第一部分中分类为n1-rem阶段的数据采用随机过采样方法构建新的平衡的数据集，使用平衡后的数据集训练模型2；
40.模型1特征提取流程如公式2和公式3所示：假设有n段30秒的单通道脑电图信号；使用多个堆叠的cnn和lstm块来提取和融合时频特征：
41.xi＝f(x
i-1
)
42.hi＝p(g(xi)||k(h
i+1
))
43.上述公式中f(x)通过卷积操作将xt变换为特征矩阵x
t+1
，p(x)代表卷积块注意力模块，可以自动学习不同层次提取的信息重要性，g(x)表示通过长短期记忆神经网络从各层空间特征中提取时间信息的操作，k(x)表示对上层特征进行左右0填充方式的上采样过程，||是一个连接操作，它将不同层提取到的特性进行拼接融合。
44.s2：将模型串联起来，划分出五类睡眠阶段。
45.该方法由先进行四分类和再进行二分类的两个级联部分组成。
46.本方案对基于简单基线模型的实验结果和人工睡眠分期手册进行分析，得出提出影响n1阶段分类性能低的原因之一即各阶段分类规则相似性、重叠性高，推动了睡眠各阶
段内部特征相似度的研究。为了排除网络种各结构对结果的影响，使用了一个简单的卷积网络作为基础模型，如图1所示，它由几个堆叠的卷积层和池化层组合而成。
47.n1分类结果和原始数据中各类别数据分布情况如表1所示，发现对于少数类n1而言，30.50％数据被正确分类，29.24％数据偏向了rem类，23.68％数据偏向了n2类。其中rem是继最少类n1的第二少类，n2类是数据量最大的类别。根据n1误分类情况，引起了脑电睡眠分期任务中除了数据不平衡问题以外，特征评判规则相似性、重叠性的猜想。
48.表1.n1阶段数据量和分类结果
[0049][0050]
为了更加直观的验证该思想，本方案提取aasm手册中各类别分类规则，选用simtext库计算基于单词集合的jaccard值。其值越大则表明相似性越高。jaccard系数通过两文档交集除以两文档并集计算得到，如下公式所示。其中，dsi现在是文档i中找到的单词的集合，而范数(|s|)给出了集合中元素的数量。
[0051][0052]
在计算jaccard系数之前，需要提取人工睡眠分期手册中general staging rules(一般分类规则)对五阶段的分类说明进行整理，通过两两组合的方式计算其相似度。对每一段文本进行分词、大小写统一(以统一同一词语的不同形式)、去特殊字符与去停用词操作后，计算两者的单词集合相似度，如图2所示。在去特殊字符和停用词部分，适当的删除和增加了部分词语，如字母k在睡眠分期规则中代表一种特殊的波形，具有明确的意义(一种特殊的波形k complex wave)，因此选择保留。
[0053]
基于以上研究分析，因rem是继n1阶段数据量最少的阶段，本发明将相似度最高、数据量最小的n1与rem两个阶段进行合并，以求达到提高睡眠分期效果的目的。
[0054]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0055]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。