CN110897639A - 一种基于深度卷积神经网络的脑电睡眠分期方法 - Google Patents

Abstract

本发明提供一种基于深度卷积神经网络的脑电睡眠分期方法，包括以下步骤：S1、采集受试者睡眠信号并抽取其中的多导脑电信号；S2、对所述脑电信号进行数据预处理；S3、构建并训练端到端的深度卷积神经网络分类器；S4、用所述深度卷积神经网络分类器进行脑电睡眠分期。本发明的脑电睡眠分期方法与以往的CNN脑电睡眠分期方法相比，在相同迭代次数和学习率的条件下，模型每批次采用更高的数据，获得的输出结果也更加稳定。在准确率和F得分上，本发明的方法具有更好的分类性能。

Description

一种基于深度卷积神经网络的脑电睡眠分期方法

技术领域

本发明涉及脑电信号处理技术领域，特别是一种基于深度卷积神经网络的脑电睡眠分期方法。

背景技术

睡眠障碍相关疾病如阻塞性呼吸睡眠疾病(OSA)等的负面影响会从婴幼儿时期累积到成人时期，给身体造成不可逆转的损伤，比如反应迟钝，颅面凸起等。睡眠健康监控如多导睡眠图(PSG)和家用便携脑电血压设备是跟踪睡眠障碍患者的主要工具。睡眠分期包括将多导睡眠图的记录划分为20秒或者30秒的连续短时期，并根据标准化分类规则将患者的脑电标注对应上睡眠阶段，通常需要大量人工专家的标注工作，使用计算机方法对脑电信号分类有助于提高工作效率。

家用便携的可穿戴系统可以减少设备本身带来的睡眠阻碍，获得的单通道脑电信号同实验室PSG获得的脑电信号质量相当。大多数单通道脑电睡眠分期的研究采取两步法：1)从时间波形中提取不同特征，2)再用这些特征来训练分类器预测睡眠分期。这些特征可以大致分为时域特征、频域特征、非线性特征。常用分类器包括：决策树、随机森林、支持向量机和神经网络。这些技术在脑电信号提取特征部分，可能会忽略非线性脑电不同的生理状态表征，或者提取特征技术本身也带有局限性。

睡眠评分文献中的研究一般很难进行比较，使用的数据库可能不同，且患者人数、评分规则、平衡分类方式等也各有千秋。目前，成人睡眠数据分期的研究方法较多。传统方法会按照预处理-特征提取-匹配分类的模型进行，深度学习自动分级对于固定时序的信号也有很好的应用。然而，对于儿童的数据分期研究相对较少，数据敏感混杂，准确率也并不高。

参考文献：

[1].M.Radha,G.Garcia-Molina,M.Poel,G.Tononi,Comparison of featureandclassifier algorithms for online automatic sleep staging based on asingleEEG signal,Annual International Conference of the IEEE EngineeringinMedicine and Biology Society,2014(2014)1876–1880,http://dx.doi.org/10.1109/EMBC.2014.6943976

[2].L.Fraiwan,K.Lweesy,N.Khasawneh,H.Wenz,H.Dickhaus,Automatedsleepstage identification system based on time-frequency analysis of asingleEEG channel and random forest classifier,Comput.MethodsProgr.Biomed.108(1)(2012)10–19,http://dx.doi.org/10.1016/j.cmpb.2011.11.005

[3].B.Koley,D.Dey,An ensemble system for automatic sleep stageclassificationusing single channel EEG signal,Comput.Biol.Med.,42(12)(2012)1186–1195,http://dx.doi.org/10.1016/j.compbiomed.2012.09.012

[4].O.Tsinalis,P.M.Matthews,Y.Guo,Automatic sleep stage scoringusingtime-frequency analysis and stacked sparse autoencoders,Ann.Biomed.Eng.44(5)(2016)1587–1597,http://dx.doi.org/10.1007/s10439-015-1444-y

[5].S.-F.Liang,C.-E.Kuo,Y.-H.Hu,Y.-H.Pan,Y.-H.Wang,Automaticstagescoring of single-channel sleep EEG by using multiscale entropyandautoregressive models,IEEE Trans.Instrum.Meas.,61(6)(2012)1649–1657.

[6].G.Zhu,Y.Li,P.P.Wen,Analysis and classification of sleep stagesbased ondifference visibility graphs from a single-channel EEG signal,IEEEJ.Biomed.Health Inf.,18(6)(2014)1813–1821

发明内容

本发明针对目前儿童睡眠分期方法依赖特征提取与预处理、准确性有待提高等问题，提出了一种基于深度卷积神经网络的脑电睡眠分期方法。

为实现上述目的，本发明采用以下技术方案：

一种基于深度卷积神经网络的脑电睡眠分期方法，包括以下步骤：

S1、采集受试者睡眠信号并抽取其中的多导脑电信号；

S2、对所述脑电信号进行数据预处理；

S3、构建并训练端到端的深度卷积神经网络分类器；

S4、用所述深度卷积神经网络分类器进行脑电睡眠分期。

进一步地：

步骤S2中，所述数据预处理包括以下的一种或多种处理：

S21、对所述的脑电信号进行极性差异统计分析，翻转极性差异部分；

S22、合并中度睡眠期N3和深度睡眠期N4信号段，以及剪掉前后两端的等长清醒期W信号段，消除睡眠前/后过长清醒期数量对其他时期的影响；

S23、消除眼电信号伪迹。

所述S21的处理包括以下步骤：

1)标准化样本信号，经过0.1～3Hz、δ波段的带通滤波器区分所有正与负采样点，分别标记正负分量的偶数峰和奇数峰；将原始信号拆分为上下两部分，并翻转其奇数个分量的极性得到两个新信号；

2)选取Hjorth时域参数的差异作为半部信号不对称性的度量，如果原始信号不存在极性翻转，相应产生的两个半部信号将具有相似的光谱特性；利用Hjorth时域参数可以展示信号谱的活动性A_c、移动性M_o、和复杂度C_o，做方差分析标记极性不对称部分，其中：

C_o＝M_o(s^′(n))/M_o(s(n))

其中，μ_s和var(·)分别为信号均值和方差；

3)将筛选出的极性不对称样本信号值乘以-1进行翻转，并保留睡眠主轴和慢波震荡时间耦合的样本部分。

所述S23的处理采用近似熵来分离脑电信号中的眼电信号，包括以下步骤：

1)按时域分割采样信号，得到时间序列t(N)，设定比较序列长度参数m和阈值q的值，m＝2，q＝0.1*SD(t(N))；

2)构建新的m维向量X(i)以及其距离矩阵d[X(i),X(k)],1≤i,j≤N-m+1，其中d[X(i),X(j)]＝max[|t(i+k)-t(j+k)|],X(i)＝[t(i),t(i+1),…,t(i+m-1)]；

3)构建新的时间序列

定义Φ^m(q)为：

4)更新m＝m+1，重复以上步骤得到Φ^m+1(q)；

5)计算近似熵ApEn，分离熵值较低的眼电伪迹分量，计算其与眼电通道信号EOG的相关系数r，高度相关的可以适当调整近似熵判定阈值，准确区分出脑电和眼电分量，清除明显伪迹干扰：

ApEn＝Φ^m(q)-Φ^m+1(q)

6)所述的伪迹处理过的信号按设定时间长度分割不同采样频率的信号片段，舍去非时长*频率整数倍信号尾部没有注释的部分，便于后期进入模型进行子采样或混合采样；优选地，所述设定时间长度为30s，所述不同采样频率为125Hz、128Hz、200Hz、256Hz、512Hz。

步骤S3中，所构建的深度卷积神经网络包括输入层、一维卷积层、全连接层和带有softmax函数的分类输出层；

所述一维卷积层中，神经元由n(l,m,j)定义，其中l是层，m是特征图(featuremap)，j是该特征图中的位置，每个神经元的输入和输出可以表示为

和

以及

其中f(·)为卷积层的LeakyReLU非线性激活函数，前半段的斜率为0.01；本层的神经元连接到下层某个局部窗口的神经元构成局部连接网络，其输入特征图和带有滑动步幅s＞1的卷积核运算投影到下一层的特征图集上，池化层被微步卷积取代；

所述一维卷积层的内部变量流动为：

其中

表示输出特征集X^(l)对应的第j个特征映射，

表示输入特征i通过内核W^(l)输出的第j个映射的内核部分，g表示p^(l)部分的跨步卷积子采样算子，步幅范围2-3，σ表示非线性激活函数，而*是一维卷积算子。

步骤S3中，构建的所述卷积层共有13层，包括：

(1)第1-7个卷积层，卷积核大小为7×7，层间滑动步长s＝3，每层保留128个特征图，输出为7×7×128；

(2)第8-10个卷积层，卷积核大小5×5，步长s＝2，每层保留256个特征图，输出为5×5×256；

(3)第11-13个卷积层，卷积核大小3×3，步长s＝2，每层保留256个特征图，输出为3×3×256。

所述全连接层包含100个神经元，前接256的卷积层输入，输出1×100的向量；

在所述全连接层，卷积层的每一个输出特征映射依赖于所有输入特征，第p个输出特征映射依赖于第d个输入特征映射，相关连接表T_p,d＝1，输出特征与输入特征满足：

所述输出层softmax-with-loss含5个神经元，使用多项逻辑回归分类；

其中，所述输出层的softmax函数在交叉熵成本函数的训练下，得到一个多项逻辑回归的非线性变体，将输出映射到[0,1]分布，可用于脑电信号多分类：

其中z是分类输出层的向量，j是正确的输出单元的索引。

步骤S3中，使用多类交叉熵作为成本函数，进行小批量mini-batch随机优化训练，其中，将样本分成M个mini-batch，每个mini-batch包含k个样本，w是可学习的参数集；在每个mini-batch里计算每个样本的梯度，取平均值更新梯度参数，循环计算直到第m个mini-batch操作结束为一个完整epoch；

优选地，训练实例满足：

而m个mini-batch通过独热编码处理后产生m个互斥的二元特征集：

判断输出每次激活其中一元；梯度训练中的

相关的神经网络输出为{y_i,i∈[1,m]}；mini-batch的损失函数l表达式为：

优选地，前期使用改进版Adam梯度优化算法；当满足

即SGD相应学习率的移动平均值基本不变时，进行后期SGD算法的切换，其中，每次迭代完计算SGD的相应学习率：

其中β₂参数为前期Adam算法的参数值，基本稳定之后使用移动平均值修正对学习率的估计：

本发明具有如下有益效果：

本发明提出了一种改进的脑电睡眠分期方法，前期预处理降噪后，接入端到端的深度卷积神经网络(CNN)，进行端到端的训练与分类，原始样本进行分期处理。与已有方法相比，本方法无需单独的特征提取过程，采用的卷积神经网络模型没有汇聚层，泛化性好，是简单有效且可靠的睡眠分类措施。本发明采用端到端的CNN训练，不需要提前提取特征阶段，训练分期结果比手动设计的参数功能更好。

本发明提出的脑电睡眠分期方法与以往的CNN脑电睡眠分期方法相比，在相同迭代次数和学习率的条件下，本发明的模型每批次采用更高的数据，获得的输出结果也更加稳定。在准确率和F得分上，本发明的方法具有更好的分类性能。

附图说明

图1为本发明实施例基于深度卷积神经网络的脑电睡眠分期方法的流程图；

图2为本发明实施例中电极放置示意图；

图3为本发明实施例中一维卷积层结构图；

图4为本发明实施例中模型卷积网络构建图；

图5为本发明实施例中SHHS数据库测试集的模型预测信号与原始信号的对比图；

图6为本发明实施例中SHHS项目测试集睡眠W期和REM期10秒波形图(预处理消除眼电伪迹后)；

图7为本发明实施例中SHHS项目测试集睡眠N1期、N2期和N3期10秒波形图。

具体实施方式

以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

参阅图1，本发明实施例提出一种基于深度卷积神经网络的脑电睡眠分期方法，包括以下步骤：

S1、采集受试者睡眠信号并抽取其中的多导脑电信号；

S2、对所述脑电信号进行数据预处理；

S3、构建并训练端到端的深度卷积神经网络分类器；

S4、用所述深度卷积神经网络分类器进行脑电睡眠分期。

在本发明一些实施例中，本发明实施例提出的方法在原始EEG样本上使用深度卷积神经网络进行睡眠阶段预测分类的监督学习。使用多导睡眠仪设备分别采集受试者睡眠信号并抽取其中的多导脑电信号；为提高信噪比，对脑电信号的数据预处理包括，翻转极性，合并N3和N4期信号，消除眼电伪迹；按30s切割的预处理信号按照5:3:2的比例分成训练集、测试集、验证集；训练端到端的卷积神经网络分类器，调整优化后进行五个睡眠阶段分类，获得结果利用混淆矩阵评分验证。

在本发明一些实施例中，构建的CNN网络包括卷积层、全连接层和输出类概率的softmax回归层。其中的一维卷积层l包括：输入特征图集X^(l-1)及其对应的输出特征图集，卷积内核W^(l)及其增加的残差b^(l)；由于输入信号为单通道，将初始n⁽⁰⁾设定为1；池化层被带步幅的卷积取代，除去冗余信息也不会大量丢失数据；每一个卷积层是用泄露线性整流单元(LeakyReLU)作为非线性激活函数，其前半段的斜率为0.01，校正输出函数：

其中

为符号函数，当x为真时返回1，否则返回0；一维卷积层的内部变量流动为：

其中

表示输出特征集X^(l)对应的第j个特征映射，

表示输入特征i通过内核W^(l)输出的第j个映射的内核部分，g表示p^(l)部分的跨步卷积子采样算子，步幅范围(2-3)，σ表示非线性激活函数，而*是一维卷积算子。神经网络分类器最后一层的softmax激活函数在交叉熵成本函数的训练下，得到一个多项逻辑回归的非线性变体，将输出映射到[0,1]分布，可以用于脑电信号多分类：

其中z是分类输出层的向量，j是正确的输出单元的索引。

在本发明一些实施例中，梯度训练中的

相关的神经网络输出为{y_i,i∈[1,m]}，mini-batch的损失函数L表达式为：

前期使用改进版Adam梯度优化算法，低阶矩的自适应估计参数(lr＝3×10⁵,β₁＝0.9,β₂＝0.999)；利用改进Adam算法快速梯度下降，为避免错过全局最优解，当满足

即相应学习率的移动平均值基本不变时，后期切换SGD算法调优。

在本发明一些实施例中，预处理过的脑电信号，经由初步构建的卷积层获得分布式特征输出，映射到分类器的全连接层和带有softmax的输出层，分类结果对应到五个睡眠时期标记。

一些实施例的实例数据来源于sleep data数据库中的成人睡眠心脏健康研究SHHS和儿童扁桃体切除术睡眠研究CHAT数据库，选取的是C4/C3单通道脑电信号，SHHS数据库采样频率包括，125Hz和128Hz；CHAT数据库脑电采样频率包括200Hz、256Hz、512Hz。输入CNN网络之前会识别频率自动分流并切割样本信号，再进入模型分类，通过混淆矩阵得到模型评分。

以下进一步描述本发明的具体实施例。

数据采集和分布

利用多导睡眠仪的脑电放大器接收不同睡眠时期多通道的脑电信号，所述多导睡眠仪设备的脑电电极采用国际标准10-20电极放置标准，包括2个参考电极和4-16个采样电极，采集电极放在头颅表面主要的对称部位。所述位点8对电极中，常用的单通道C4和C3放置在中央枕线的两侧，A1和A2放在两只耳后的骨突上，EEG1的C4-A1通道和EEG2的C3-A2通道。上述双侧通道对称，任选其一进入处理即可。用F列举采样电极中前部电极，P为对应的后部电极：

F＝{FP1,FP2,F7,F3,F4,F8,FT7,FC3,FCZ,FC4,FT8}，

P＝{O1,O2,P7,P3,P4,P8,TP7,C3,CPZ,C4,TP8}.

本发明申请中使用的实验数据来自sleep data数据库的SHHS和CHAT数据库等多项项目研究，SHHS数据库包括5084名患者的在未服药情况下的睡眠监测数据，CHAT数据库包括1243名6-8岁的儿童，其中只选取464名参加了扁桃体切除对呼吸暂停的影响随机研究。所述检测的样本通道包括：C3-A2，C4-A1，采样频率为125Hz和128Hz；CHAT研究样本数据有8个通道：F3-M2，F4-M1，C3-M2，C4-M1，T3-M2，T4-M1，O1-M2，O2-M1，采样频率可为200Hz、256Hz和512Hz。

较佳地，选取C4/C3通道信号来分析和识别睡眠状况；这两个通道相互对称，部分信号极性翻转(可通过预处理解决)，可根据采样频率进行样本信号段切割，样本记录和注释质量较高。

数据预处理

1.对所述的脑电信号进行极性差异统计分析，翻转极性差异部分；

1)标准化样本信号，经过带通滤波器(0.1～3Hz，δ波段)区分所有正与负采样点，分别区分所有正与负采样点；标记正负组分的偶数峰和奇数峰；将原始信号拆分为上下两部分，并翻转其奇数个分量的极性得到两个新信号；

2)选取Hjorth参数的差异作为半部信号不对称性的度量，所述原始信号如果不存在极性翻转，相应产生的两个半部信号具有相似的光谱特性。时域参数Hjorth可以展示信号谱的性质，包括活动性A_c、移动性M_o、和复杂度C_o，分别对应脑电信号s(n)在时域上的幅度、斜率和斜率变化率特性，做方差分析标记极性不对称部分，其中μ_s和var(·)分别为信号均值和方差：

C_o＝M_o(s′(n))/M_o(s(n))

3)筛选出的极性不对称样本信号值乘以-1进行翻转，保留睡眠主轴和慢波震荡时间耦合的样本部分。

2.剪切过长的清醒期来消除对训练模型中其他时期的影响；

每个片段都有对应的医院专家注释好的睡眠片段标签，以上睡眠标签包括：清醒期W、入睡期N1、浅睡期N2、中度睡眠期N3、深度睡眠期N4、快速眼动期REM；根据最新美国医学学会(AASM)睡眠以及相关事件评分手册显示，新的标准已将N4期并入N3期，所述方法也将N4期标签合并到N3期的分类中；大多数受试者进入睡眠前和醒来后都有一段长时间的清醒期。为了消除这些清醒期数量对其它时期的影响，预处理会按比例剪掉前后两端的等长清醒期记录。

3.单通道眼电伪迹消除；

采用近似熵来分离脑电信号中的眼电信号，所述的眼电信号来自眼球运动或者眨眼活动，比脑电信号复杂度简单，熵值较低；

步骤1：按时域分割采样信号，得到时间序列t(N)，设定比较序列长度参数m和阈值q的值，m＝2，q＝0.1*SD(t(N))；

步骤2：构建新的m维向量X(i)以及其距离矩阵d[X(i),X(k)],1≤i,j≤N-m+1，

其中d[X(i),X(j)]＝max[|t(i+k)-t(j+k)|],X(i)＝[t(i),t(i+1),…,t(i+m-1)]

步骤3：构建新的时间序列

定义Φ^m(q)为：

步骤4：m＝m+1，重复以上步骤得到Φ^m+1(q)；

步骤5：计算近似熵ApEn，分离熵值较低的眼电伪迹分量，计算其与眼电通道信号EOG的相关系数r，高度相关的可以适当调整近似熵判定阈值，准确区分出脑电和眼电分量，消除明显伪迹干扰：

ApEn＝Φ^m(q)-Φ^m+1(q)

步骤6：所述的伪迹处理过的信号按特定时间长度(30s)分割所述不同采样频率的信号片段(125Hz、128Hz、200Hz、256Hz、512Hz)，舍去非时长*频率整数倍信号尾部没有注释的部分，后期便于进入模型进行子采样或混合采样。实例：SHHS数据库的所有125Hz信号按每30秒切割共得到15000个片段。

网络训练

CNN在图像处理，自然语言处理，监督模式识别任务等领域对原始连续信号的处理效果很好，进来CNN也被用于短脑电图时间序列，如脑机接口领域的稳态视觉诱发电位，癫痫发作监测，驾驶员认知表现和眼动追踪。在睡眠分期评分系统上，CNN也能很好地处理非线性、非平稳脑电信号完成分期任务。

深度卷积网络构建

进一步地，用分割过的子片段测试集训练深度卷积神经网络模型，识别出所述单通道脑电信号对应的不同睡眠时期，构建包括：

1.输入层:

例子SHHS数据库125HZ、128Hz预处理后，在125Hz的情况下，一个30秒的周期有3750个样本片段。为了更好地模拟脑电分期的评分规则，本发明选择将4个连续片段作为一个样本例，片段串联的前两个时期的和后一个时期的片段，这样输入层就有1×15000个信号样本；虽然会产生样本重叠，但可以避免直接提取特征环节。

2.卷积层:共13层，可分为3个大卷积块:

卷积网络中的神经元由n(l,m,j)定义，其中l是层，m是特征图(featuremap)，j是该特征图中的位置。每个神经元的输入和输出可以表示为

和

以及

其中f(·)为卷积层的LeakyReLU非线性激活函数，前半段的斜率为0.01。本层的神经元连接到下层(第l-1层)某个局部窗口的神经元构成局部连接网络，其输入特征图和带有滑动步幅(s＞1)的卷积核运算会投影到下一层的特征图集上，池化层被微步卷积取代，除去冗余信息也不会大量丢失数据。

一个实施例中，一维卷积层的参数包含一个m维的权重W^(l)和一个1维的偏差b^(l)，卷积内核的参数在第l层的神经元都是共享的，第l层的神经元个数满足：n^(l)＝n^(l-1)-m+1；输入特征图集X^(l-1)的数量为n^(l-1)，相应的输出特征映射集数量为n^(l)，内核W^(l)的宽度为k^(l)，整个内核的形状大小设定是(k^(l),n^(l-1),n^(l))；由于输入信号为单通道，将初始n⁽⁰⁾设定为1。所述一维卷积层的内部变量流动为：

(1)第1-7个卷积层，卷积核大小为7×7，层间滑动步长s＝3，每层保留128个featuremap，输出为7×7×128；

(2)第8-10个卷积层，卷积核大小5×5，步长s＝2，每层保留256个featuremap，输出为5×5×256；

(3)第11-13个卷积层，卷积核大小3×3，步长s＝2，每层保留256个featuremap，输出为3×3×256；

3.全连接层：包含100个神经元，输出1×100的向量；

在全连接层，前接256的卷积层的输入，卷积层的每一个输出特征映射依赖于所有输入特征，第p个输出特征映射依赖于第d个输入特征映射，相关连接表T_p,d＝1，输出特征与输入特征满足：

4.分类输出层softmax-with-loss：

带有softmax激活函数的全连接层放在网络最后一层，进行最后的分类和归一化，5个神经元将输出映射到[0,1]分布，不会产生梯度消失而影响优化速度，避免非线性问题。若Softmax输入为z^′，损失函数loss在后续训练过程中逐渐得到优化。

训练优化网络

所述训练集、验证集和测试集按照(0.5,0.2,0.3)的比例在数据集里随机切割，使用多类交叉熵作为成本函数，对网络中的权重和偏差校正和调整，开始小批量(mini-batch)随机优化训练；将近似样本分成M个mini-batch，每个mini-batch包含k个样本，w是可学习的参数集；在每个mini-batch里计算每个样本的梯度，取平均值更新梯度参数，循环计算直到第m个mini-batch操作结束为一个完整epoch。训练集一个epoch为2000次，例子SHHS数据库的mini-batch大小取M＝128效果更稳定，CHAT数据库取M＝256。

所述训练实例可以满足：

而m个mini-batch特征集通过独热编码处理过后产生m个互斥的二元特征集：

判断输出每次只能激活其中一元；梯度训练中的

相关的神经网络输出为{y_i,i∈[1,m]}；所述的mini-batch的损失函数l表达式为：

最小化交叉熵等价于最大化训练集所有标签类别的联合预测概率，可以解决训练速度变慢的问题，与log似然代价函数效果一致。传统上梯度计算使用的是反向误差传播，泛化能力和训练能力互斥，本发明整合Adam和SGD梯度优化算法。前期使用改进版Adam梯度优化算法，低阶矩的自适应估计参数(lr＝3×10^-5,β₁＝0.9,β₂＝0.999)。为了保证Adam算法的收敛‖V_t‖≥‖V_t-1‖，可以通过控制二阶动量的变化来避免波动过大造成的学习率单调递减：

由于快速梯度下降容易错过全局最优解，当SGD相应学习率的移动平均值基本不变时，进行后期SGD算法的切换。每次迭代完计算SGD的相应学习率：

其中β₂参数为前期Adam算法的参数值，基本稳定之后使用移动平均值可以减少噪声干扰并修正对学习率的估计：

也防止学习效率过好带来的过拟合。

可视化过程

神经网络训练期间监控验证成本，保留最低验证成本的模型用于测试。测试过程中，可通过TensorFlowboard监控学习效率和损失成本变化，也可以定点合成最大化激活的五个睡眠期波形图。例子：图5为SHHS数据库测试集的模型预测信号与原始信号的对比图，图6和7为SHHS数据库测试集某患者10秒睡眠阶段EEG信号。使用高斯噪声初始化输入样本再进行标准梯度上升，步长0.03，经过1-33Hz巴特沃斯滤波器后得到。

性能分析

性能指标

评估模型部分的混淆矩阵包括：分类准确度，科恩卡帕值k，F1值(宏平均/微平均)；k是相关系数的一种形式，衡量数据集分类估计值的一致性水平：

其中Pr(a)代表实际观察符合率，Pr(e)代表机遇符合率；

F1值综合考虑精确度和召回值的二分类矩阵，多分类F1值是n个F1值的加权平均值，宏平均F1值(F1-macro)的加权是均匀的，而微平均F1值通过计算真阳性(TP)，假阴性(FN)和假阳性(FP)的总数得到加权值：

性能分析

对于分类结果评测，本发明得到了测试集分类结果的混淆矩阵，横纵单元格对应标注正确分类的片段和预测分类的片段。表格1和2显示，SHHS项目和CHAT项目的效果有较大差距，其原因有可能是：(1)CHAT项目的样本总量只有423人，SHHS项目为大型队列研究，共计5084人，如果加入非随机选择对照组，健康人群含1024余人，壮大样本量，引入新的样本类群也会带来结果的波动。整体SHHS的分类准确度为86％，总柯恩卡帕值为0.81，F1宏平均值为0.86，F1微平均值为0.77。而CHAT项目混合频率的分类效果较差，不同优化调参结果的平均准确率在62％左右；(2)CHAT项目的混合频率跨度大更加复杂，频率统一的单通道模型训练效果更好，把CHAT项目中三种频率的样本分开进入训练并输出结果，总体准确率在512Hz采样频率下最高能达到76％；(3)由于数据集分布不均衡，尤其是CHAT研究项目，按频率分类学习和过采样方法会进一步解决分类不均衡的问题。

表1.SHHS项目的混淆矩阵

表2.CHAT测试集的混淆矩阵(频率未分类)

如图6显示的波形，REM和Wake之间的主要相似之处是眼动部分，预处理消除掉眼电尾迹，W期就不容易被误判为REM期。目前，模型预测的REM期更容易与N2期错判。表1和表2均显示，N2期虽然最容易与N3期混淆，但几乎不会错判为N1期；如图7显示的波形，N1期的特征部分在W期、N2期、REM期有相似的分布，频率有差异，W期包含最高频率的特征部分。例如，N3期含有θ波，就比N2期的相似部分频率高。

实际模型训练时，干净数据训练的模型会有更高的准确率。虽然没有进行预处理清洗的数据训练的模型可能更具有代表性，但数据分布是不均匀，模型过多地学习某类数据容易导致其输出结果偏向于该类型的数据。经过预处理，通过调整输入的数据分布可以一定程度提高模型的泛化能力。单通道处理和干净的数据能够提高模型的稳定性和准确率。

本发明提出的方法与传统CNN分期方法的定量比较显示在表3。

表3.SHHS与其他脑电分期方法的对比

与同类CNN模型相比，本发明的模型使用的训练集无论是CHAT还是SHHS数据量均远超Sleep-EDF的样本量；相同迭代次数和学习率的条件下，本发明的模型每批次采用更高的数据，获得的输出结果也更加稳定。和其余传统分类方法相比，在准确率和F得分上，CNN类的方法具有更好的分类性能。

本发明的背景部分可以包含关于本发明的问题或环境的背景信息，而不一定是描述现有技术。因此，在背景技术部分中包含的内容并不是申请人对现有技术的承认。

以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中，参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”、或“一些示例”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必须针对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一个或多个实施例或示例中以合适的方式结合。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点，但应当理解，在不脱离专利申请的保护范围的情况下，可以在本文中进行各种改变、替换和变更。

Claims (9)

1.一种基于深度卷积神经网络的脑电睡眠分期方法，其特征在于，包括以下步骤：

S1、采集受试者睡眠信号并抽取其中的多导脑电信号；

S2、对所述脑电信号进行数据预处理；

S3、构建并训练端到端的深度卷积神经网络分类器；

S4、用所述深度卷积神经网络分类器进行脑电睡眠分期。

2.如权利要求1所述的基于深度卷积神经网络的脑电睡眠分期方法，其特征在于，步骤S2中，所述数据预处理包括以下的一种或多种处理：

S21、对所述的脑电信号进行极性差异统计分析，翻转极性差异部分；

S22、合并中度睡眠期N3和深度睡眠期N4信号段，以及剪掉前后两端的等长清醒期W信号段；

S23、消除眼电信号伪迹。

3.如权利要求2所述的基于深度卷积神经网络的脑电睡眠分期方法，其特征在于，所述S21的处理包括以下步骤：

1)标准化样本信号，经过0.1～3Hz、δ波段的带通滤波器区分所有正与负采样点，分别标记正负分量的偶数峰和奇数峰；将原始信号拆分为上下两部分，并翻转其奇数个分量的极性得到两个新信号；

2)选取Hjorth时域参数的差异作为半部信号不对称性的度量，如果原始信号不存在极性翻转，相应产生的两个半部信号将具有相似的光谱特性；利用Hjorth时域参数可以展示信号谱的活动性A_c、移动性M_o、和复杂度C_o，做方差分析标记极性不对称部分，其中：

C_o＝M_o(s′(n))/M_o(s(n))

其中，μ_s和var(·)分别为信号均值和方差；

3)将筛选出的极性不对称样本信号值乘以-1进行翻转，并保留睡眠主轴和慢波震荡时间耦合的样本部分。

4.如权利要求2所述的基于深度卷积神经网络的脑电睡眠分期方法，其特征在于，所述S23的处理采用近似熵来分离脑电信号中的眼电信号，包括以下步骤：

1)按时域分割采样信号，得到时间序列t(N)，设定比较序列长度参数m和阈值q的值，m＝2，q＝0.1*SD(t(N))；

2)构建新的m维向量X(i)以及其距离矩阵d[X(i)，X(k)]，1≤i，j≤N-m+1，其中d[X(i)，X(j)]＝max[|t(i+k)-t(j+k)|]，X(i)＝[t(i)，t(i+1)，…，t(i+m-1)]；

3)构建新的时间序列

定义Φ^m(q)为：

4)更新m＝m+1，重复以上步骤得到Φ^m+1(q)；

5)计算近似熵ApEn，分离熵值较低的眼电伪迹分量，计算其与眼电通道信号EOG的相关系数r：

ApEn＝Φ^m(q)-Φ^m+1(q)

6)所述的伪迹处理过的信号按设定时间长度分割不同采样频率的信号片段，舍去非时长*频率整数倍信号尾部没有注释的部分，便于后期进入模型进行子采样或混合采样；优选地，所述设定时间长度为30s，所述不同采样频率为125Hz、128Hz、200Hz、256Hz、512Hz。

5.如权利要求1所述的基于深度卷积神经网络的脑电睡眠分期方法，其特征在于，步骤S3中，所构建的深度卷积神经网络包括输入层、一维卷积层、全连接层和带有softmax函数的分类输出层；

所述一维卷积层中，神经元由n(l，m，j)定义，其中l是层，m是特征图，j是该特征图中的位置，每个神经元的输入和输出可以表示为

和

以及

其中f(·)为卷积层的LeakyReLU非线性激活函数，前半段的斜率为0.01；本层的神经元连接到下层某个局部窗口的神经元构成局部连接网络，其输入特征图和带有滑动步幅s＞1的卷积核运算投影到下一层的特征图集上，池化层被微步卷积取代；

所述一维卷积层的内部变量流动为：

其中

表示输出特征集X^(l)对应的第j个特征映射，

表示输入特征i通过内核W^(l)输出的第j个映射的内核部分，g表示p^(l)部分的跨步卷积子采样算子，步幅范围2-3，σ表示非线性激活函数，而*是一维卷积算子。

6.如权利要求5所述的基于深度卷积神经网络的脑电睡眠分期方法，其特征在于，步骤S3中，构建的所述卷积层共有13层，包括：

(1)第1-7个卷积层，卷积核大小为7×7，层间滑动步长s＝3，每层保留128个特征图，输出为7×7×128；

(2)第8-10个卷积层，卷积核大小5×5，步长s＝2，每层保留256个特征图，输出为5×5×256；

(3)第11-13个卷积层，卷积核大小3×3，步长s＝2，每层保留256个特征图，输出为3×3×256。

7.如权利要求5或6所述的基于深度卷积神经网络的脑电睡眠分期方法，其特征在于，所述全连接层包含100个神经元，前接256的卷积层的输入，输出1×100的向量；

在所述全连接层，卷积层的每一个输出特征映射依赖于所有输入特征，第p个输出特征映射依赖于第d个输入特征映射，相关连接表T_p，d＝1，输出特征与输入特征满足：

8.如权利要求5至7任一项所述的基于深度卷积神经网络的脑电睡眠分期方法，其特征在于，所述输出层softmax-with-loss含5个神经元，使用多项逻辑回归分类；

其中，所述输出层的softmax函数在交叉熵成本函数的训练下，得到一个多项逻辑回归的非线性变体，将输出映射到[0，1]分布，可用于脑电信号多分类：

其中z是分类输出层的向量，j是正确的输出单元的索引。

9.如权利要求1至8任一项所述的基于深度卷积神经网络的脑电睡眠分期方法，其特征在于，步骤S3中，使用多类交叉熵作为成本函数，进行小批量mini-batch随机优化训练，其中，将样本分成M个mini-batch，每个mini-batch包含k个样本，w是可学习的参数集；在每个mini-batch里计算每个样本的梯度，取平均值更新梯度参数，循环计算直到第m个mini-batch操作结束为一个完整epoch；

优选地，训练实例满足：

而m个mini-batch通过独热编码处理后产生m个互斥的二元特征集：

判断输出每次激活其中一元；梯度训练中的

相关的神经网络输出为{y_i，i∈[1，m]}；mini-batch的损失函数l表达式为：

优选地，前期使用改进版Adam梯度优化算法；当满足

即SGD相应学习率的移动平均值基本不变时，进行后期SGD算法的切换，其中，每次迭代完计算SGD的相应学习率：

其中β₂参数为前期Adam算法的参数值，基本稳定之后使用移动平均值修正对学习率的估计：

Images