CN111063438A - 一种基于红外图像序列的睡眠质量评估系统和方法 - Google Patents

一种基于红外图像序列的睡眠质量评估系统和方法 Download PDF

Info

Publication number
CN111063438A
CN111063438A CN201911304813.9A CN201911304813A CN111063438A CN 111063438 A CN111063438 A CN 111063438A CN 201911304813 A CN201911304813 A CN 201911304813A CN 111063438 A CN111063438 A CN 111063438A
Authority
CN
China
Prior art keywords
infrared image
image sequence
respiratory
tensor
sleep quality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911304813.9A
Other languages
English (en)
Other versions
CN111063438B (zh
Inventor
王书强
游森榕
吴国宝
陆一乾
苗芬
张炽堂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201911304813.9A priority Critical patent/CN111063438B/zh
Publication of CN111063438A publication Critical patent/CN111063438A/zh
Application granted granted Critical
Publication of CN111063438B publication Critical patent/CN111063438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4815—Sleep quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本申请适用于深度学习技术领域，提供了一种基于红外图像序列的睡眠质量评估系统和方法，包括：获取多个待评估呼吸红外图像序列，一个待评估呼吸红外图像序列包括多帧待评估呼吸红外图像；通过分类器对所述多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果；根据所述多个待评估呼吸红外图像序列分别对应的睡眠质量评估结果，统计不同睡眠质量评估结果的数量，并确定数量最多的睡眠质量评估结果为用户的睡眠质量评估结果。通过本申请可对用户进行无接触的睡眠监测，同时降低监测成本，提高睡眠质量的评估准确度。

Description

一种基于红外图像序列的睡眠质量评估系统和方法
技术领域
本申请属于深度学习技术领域，尤其涉及一种基于红外图像序列的睡眠质量评估系统和方法。
背景技术
睡眠作为一个复杂的生命行为，与人的健康息息相关，睡眠大约占据人类寿命三分之一的时间。然而现代生活节奏普遍加快，生活工作压力不断增加，睡眠缺失愈发常见，严重影响了人们日常生活质量甚至身体健康。因此对睡眠质量进行检测，评估人的睡眠状况，对不良睡眠及时进行引导治疗具有重要意义。
对于睡眠质量的检测，现有方法通常使用多导生理睡眠检测图和穿戴式设备捕获生理学数据等方法评估用户的睡眠质量。然而，多导生理睡眠检测图方法，需要采用大量传感器，且多数传感器位于敏感的头部和面部，容易给被测者带来生理上的不适和心理上的压力，从而影响被测者在测量时的睡眠，导致检测结果与真实情况产生偏差，且多导生理睡眠监测仪设备操作复杂，不方便移动，被测者需要在医院里使用相关仪器监测约8小时，价格昂贵，时间成本和价格成本都比较高；穿戴式设备捕获生理学数据方法在分析睡眠质量时，需要直接与人体接触，给被测者带来行动不便和心理负担，对被测者睡眠过程造成干扰，影响被测者的睡眠习惯，最终影响对被测者睡眠质量的评估准确度。
发明内容
本申请实施例提供了一种基于红外图像序列的睡眠质量评估系统和方法，以对用户进行无接触的睡眠监测，同时降低监测成本，提高睡眠质量的评估准确度。
本申请实施例的第一方面提供了一种基于红外图像序列的睡眠质量评估方法，所述睡眠质量评估方法包括：
获取多个待评估呼吸红外图像序列，一个待评估呼吸红外图像序列包括多帧待评估呼吸红外图像；
通过分类器对所述多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果；
根据所述多个待评估呼吸红外图像序列分别对应的睡眠质量评估结果，统计不同睡眠质量评估结果的数量，并确定数量最多的睡眠质量评估结果为用户的睡眠质量评估结果。
本申请实施例的第二方面提供了一种基于红外图像序列的睡眠质量评估系统，所述睡眠质量评估系统包括：
图像序列获取模块，用于获取多个待评估呼吸红外图像序列，一个待评估呼吸红外图像序列包括多帧待评估呼吸红外图像；
睡眠质量评估模块，用于通过分类器对所述多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果；
睡眠质量确定模块，用于根据所述多个待评估呼吸红外图像序列分别对应的睡眠质量评估结果，统计不同睡眠质量评估结果的数量，并确定数量最多的睡眠质量评估结果为用户的睡眠质量评估结果。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述睡眠质量评估方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述睡眠质量评估方法的步骤。
本申请的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行如上述第一方面所述睡眠质量评估方法的步骤。
由上可见，本方案通过红外摄像装置获取用户在睡眠时的多个待评估呼吸红外图像序列，可以实现对用户的无接触睡眠监测，同时降低监测成本，并通过基于张量分解的分类器，将多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列作为一个整体进行睡眠质量评估，可以有效保留每个待评估呼吸红外图像序列中待评估呼吸红外图像之间在时空上的连续性信息，提高对每个待评估呼吸红外图像序列的睡眠质量评估结果的准确度，并将多个睡眠质量评估结果中，占比最多的睡眠质量评估结果作为用户的睡眠质量评估结果，提高了对用户睡眠质量的评估准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的基于红外图像序列的睡眠质量评估方法的实现流程示意图；
图2是本申请实施例二提供的基于红外图像序列的睡眠质量评估方法的实现流程示意图；
图3a是张量化的三元生成对抗网络的结构示例图；图3b是生成器的结构示例图；图3c是判别器的结构示例图；图3d是分类器的结构示例图；
图4是本申请实施例三提供的基于红外图像序列的睡眠质量评估系统的结构示意图；
图5是本申请实施例四提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
参见图1，是本申请实施例一提供的基于红外图像序列的睡眠质量评估方法的实现流程示意图，该睡眠质量评估方法应用于终端设备，如图所示该睡眠质量评估方法可以包括以下步骤：
步骤S101，获取多个待评估呼吸红外图像序列，一个待评估呼吸红外图像序列包括多帧待评估呼吸红外图像。
在本申请实施例中，可以通过红外摄像装置获取用户睡眠时的多个待评估呼吸红外图像序列(即至少两个待评估呼吸红外图像序列)，该红外摄像装置可以集成在终端设备中，也可以独立于终端设备(即红外摄像装置不集成在终端设备中)，在红外摄像装置独立于终端设备时，可以通过无线或有线等方式建立红外摄像装置与终端设备之间的连接通信，将红外摄像装置获取的多个待评估呼吸红外图像序列传输给终端设备。其中，待评估呼吸红外图像可以是指红外摄像装置对用户(即被评估睡眠质量的用户)口鼻区域所拍摄的图像，该红外摄像装置无需与用户接触，可以实现对用户的无接触睡眠监测，避免对用户日常睡眠造成干扰，同时降低了监测成本。通过连续采集的多帧待评估呼吸红外图像能够捕捉到用户呼吸时在口鼻区域的温度变化，从而提取呼吸频率和呼吸深度等特征。一个待评估呼吸红外图像序列可以是指一个等待进行睡眠质量评估的呼吸红外图像序列。
红外摄像装置在获取用户睡眠时的多个待评估呼吸红外图像序列时，可以采用滑动窗口方式以预设时长为一个基本单位采集用户睡眠时一个待评估呼吸红外图像序列，例如以一分钟为一个基本单位，连续采集五分钟的待评估呼吸红外图像，一分钟内的多帧待评估呼吸红外图像组成一个待评估呼吸红外图像序列，五分钟包括五个一分钟，即五分钟对应五个待评估呼吸红外图像序列。
可选的，在将每个待评估呼吸红外图像序列输入至分类器之前，还可以对每个待评估呼吸红外图像序列进行预处理，该预处理包括但不限于将每个待评估呼吸红外图像序列中多帧待评估呼吸红外图像的尺寸调整为相同(例如均调整为预设尺寸)和/或将每个待评估呼吸红外图像序列中多帧待评估呼吸红外图像的像素值均调整为预设范围内。
步骤S102，通过分类器对所述多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果。
其中，上述分类器能够将一个待评估呼吸红外图像序列作为一个整体进行睡眠质量评估，即上述分类器能够直接对一个待评估呼吸红外图像序列进行睡眠质量评估，可以有效保留一个待评估呼吸红外图像序列中多帧待评估呼吸红外图像之间在时空上的连续性信息，提高对一个待评估呼吸红外图像序列的睡眠质量评估结果的准确性。睡眠质量评估结果用于指示睡眠质量的好或坏，睡眠质量评估结果包括但不限于第一睡眠质量评估结果和第二睡眠质量评估结果，第一睡眠质量评估结果可以是指睡眠质量好，第二睡眠质量评估结果可以是指睡眠质量坏，即，第一睡眠质量评估结果指示的睡眠质量优于第二睡眠质量评估结果指示的睡眠质量。需要说明的是，也可以根据实际需要将睡眠质量评估结果的内容重新进行划分，例如睡眠质量评估结果可以是睡眠质量优、睡眠质量良、睡眠质量差等，在此不作限定。需要说明的是，分类器对一个待评估呼吸红外图像序列进行睡眠质量评估是对一个待评估呼吸红外图像序列进行分类，分类的类别即为睡眠质量评估结果，例如分类的类别包括睡眠质量好和睡眠质量坏，通过分类器判断一个待评估呼吸红外图像序列所属类别是睡眠质量好，还是睡眠质量坏。
需要说明的是，在通过分类器对多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估时，可以是在获取到多个待评估呼吸红外图像序列之后，通过分类器分别对多个待评估呼吸红外图像序列进行睡眠质量评估；也可以是在获取到第一个待评估呼吸红外图像序列时，通过分类器对第一个待评估呼吸红外图像序列进行睡眠质量评估，获取第一个待评估呼吸红外图像序列的睡眠质量评估结果(即第一个待评估呼吸红外图像序列对应的睡眠质量评估结果)，在获取到第二个待评估呼吸红外图像序列时，通过分类器对第二待评估呼吸红外图像序列进行睡眠质量评估，获得第二个待评估呼吸红外图像序列的睡眠质量评估结果，以此类推，直到获得多个待评估呼吸红外图像序列中最后一个待评估呼吸红外图像序列的睡眠质量评估结果。例如，红外摄像装置逐分钟(即以一分钟为一个基本单位)采集待评估呼吸红外图像序列时，可以逐分钟进行睡眠质量评估，统计每一分钟内待评估呼吸红外图像序列的睡眠质量评估结果。
可选的，所述通过分类器对所述多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果包括：
将所述每个待评估呼吸红外图像序列输入至所述分类器；
根据所述分类器中二阶池化块和基于张量分解的网络层，获取所述每个待评估呼吸红外图像序列的目标特征图；
根据所述目标特征图和所述分类器中基于张量分解的全连接层，对所述每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果。
在本申请实施例中，分类器在接收到一个待评估呼吸红外图像序列时，可以通过二阶池化块利用该待评估呼吸红外图像序列的二阶信息在自注意力机制作用下自动提取与睡眠有关的呼吸特征，提高对该待评估呼吸红外图像序列的睡眠质量的评估准确度。基于张量分解的网络层包括基于张量分解的卷积层、两个基于张量分解的密集连接块，分类器利用密集连接块的稠密连接机制，可以有效解决梯度消失问题。其中，分类器中的密集连接块可以是指密集型卷积神经网络，例如残差网络。一个密集连接块通常包括多个卷积层。基于张量分解的卷积层是指对卷积层的卷积核进行张量分解，基于张量分解的卷积层是3D卷积层，对3D卷积层的卷积核进行张量分解，可以将3D卷积层的卷积核分解为两个矩阵与一个三维张量的乘积，第一阶和第三阶为矩阵，第二阶为三维张量。
基于张量分解的全连接层是指对全连接层的权重进行张量分解，可以将全连接层的权重分解为两个矩阵和一个三维张量的乘积，第一阶和第三阶为矩阵，第二阶为三维张量。
在本申请实施例中，一个待评估呼吸红外图像序列输入至分类器之后，先将待评估呼吸红外图像序列作为一个张量整体，与卷积层中张量分解后的卷积核进行卷积计算，接着与一个密集连接块中张量分解后的卷积核进行卷积计算，然后通过二阶池化块，再与一个密集连接块中张量分解后的卷积和进行卷积计算，最后再通过权重已进行张量分解的全连接层获得对待评估呼吸红外图像序列的睡眠质量评估结果。目标特征图为分类器中最后一个密集连接块输出的特征图，是通过多层卷积后产生的高阶特征图，因为分类器中最后一个密集连接块输出的特征图的数量为多个，故可以称之为高阶特征图。其中，通过张量分解表示分类器中的网络层和全连接层，可以减少分类器中参数数量，解决对张量形式数据进行向量化计算造成张量数据内部结构信息丢失和分类器中参数数量过大消耗存储空间的问题。上述张量分解可以是指Tensor-Train张量分解。
步骤S103，根据所述多个待评估呼吸红外图像序列分别对应的睡眠质量评估结果，统计不同睡眠质量评估结果的数量，并确定数量最多的睡眠质量评估结果为用户的睡眠质量评估结果。
其中，一个待评估呼吸红外图像序列对应一个睡眠质量评估结果，那么多个待评估呼吸红外图像序列就对应多个睡眠质量评估结果，多个睡眠质量评估结果中可能存在相同的睡眠质量评估结果。
示例性的，通过分类器分别对五个待评估呼吸红外图像序列，第一个待评估呼吸红外图像序列、第二个待评估呼吸红外图像序列以及第五个待评估呼吸红外图像序列的睡眠质量评估结果均为睡眠质量好，第三个待评估呼吸红外图像序列和第四个待评估呼吸红外图像序列的睡眠质量评估结果是睡眠质量坏，统计出五个睡眠质量评估结果中有三个睡眠质量好和两个睡眠质量坏，睡眠质量好的数量最多，那么就可以确定用户的睡眠质量评估结果是睡眠质量好。
本申请实施例通过红外摄像装置获取用户在睡眠时的待评估呼吸红外图像序列，并通过基于张量分解的分类器，将每个待评估呼吸红外图像序列作为一个张量整体进行睡眠质量评估，可以实现无接触的睡眠质量评估，提高对用户睡眠质量的评估准确度。
参见图2，是本申请实施例二提供的基于红外图像序列的睡眠质量评估方法的实现流程示意图，该睡眠质量评估方法应用于终端设备，如图所示该睡眠质量评估方法可以包括以下步骤：
步骤S201，通过张量化的三元生成对抗网络对分类器进行训练。
其中，所述张量化的三元生成对抗网络包括生成器、分类器和判别器，生成器、分类器和判别器均使用了张量分解，有效地减少了生成器、分类器和判别器中的参数数量，并可实现对呼吸红外图像序列的整体处理，如图3a所示是张量化的三元生成对抗网络的结构示例图，图中G表示生成器，C表示分类器，D表示判别器，未标记呼吸红外图像序列Xc为未携带标签的呼吸红外图像序列，标记红外图像序列(Xl,Yl)为携带标签的呼吸红外图像序列，Yc为未标记红外图像序列的标签，Xg为生成器生成的呼吸红外图像序列。
张量分解算法Tensor-Train对一个d阶张量进行分解表示，可以表示为两个矩阵和d-2个三维张量的乘积，第1个和第d个为矩阵，其余d-2个为三维张量，d为大于2的整数。例如d阶张量A进行分解后可以表示为A(l1,l2,…,ld)＝G(l1)G(l2)…G(ld)，其中，G(l1)和G(ld)为矩阵，G(l2)为三维张量。
可选的，所述通过张量化的三元生成对抗网络对分类器进行训练包括：
将一维随机噪声和目标标签输入至所述生成器，通过所述生成器中基于张量分解的反卷积层，获得携带所述目标标签的第一呼吸红外图像序列；
将所述第一呼吸红外图像序列输入至所述判别器，通过所述判别器中基于张量分解的网络层和全连接层，获得所述判别器对所述第一呼吸红外图像序列的判别结果；
根据所述判别结果训练所述生成器；
获取未携带标签的第二呼吸红外图像序列；
将所述第二呼吸红外图像序列输入至所述分类器，通过所述分类器中二阶池化块、基于张量分解的网络层和全连接层，获得第三呼吸红外图像序列，所述第三呼吸红外图像序列是指携带标签的第二呼吸红外图像序列；
获取携带标签的第四呼吸红外图像序列；
根据所述第一呼吸红外图像序列、所述第三呼吸红外图像序列以及所述第四呼吸红外图像序列，训练所述判别器，并获取所述判别器对所述第三呼吸红外图像序列的判别结果；
根据所述第一呼吸红外图像序列、所述判别器对所述第三呼吸红外图像序列的判别结果以及所述第四呼吸红外图像序列，训练所述分类器。
在本申请实施例中，生成器采用条件生成对抗网络的思想，以服从正态分布的一维随机噪声作为生成器的输入，同时以睡眠质量为目标标签作为条件输入，中间网络层采用3D反卷积层，接着使用Leaky ReLU作为激活函数，使用Batch Norm进行批正则化，生成器最后一层3D反卷积层后接着一层tanh激活层，使用Tensor-Train张量分解辅助生成器生成携带睡眠质量标签的呼吸红外图像序列，减少了对真实的携带标签的呼吸红外图像序列的需求。如图3b所示是生成器的结构示例图。其中，将携带目标标签的一维随机噪声依次经过3D反卷积层、Leaky ReLU激活函数和批正则化进行特征图的逐步反卷积，可以生成逼近真实的携带目标标签的第一呼吸红外图像序列。
将生成器生成的第一呼吸红外图像序列输入至判别器，获得判别器对第一呼吸红外图像序列的判别结果，根据该判别结果获取生成器的损失函数，根据该损失函数训练生成器，生成器的损失函数可以表示为
Figure BDA0002322795870000101
其中，D(xg,yg)表示判别器的判别结果，如果判别结果为真，则D(xg,yg)为1，如果判别结果为假，则D(xg,yg)为0；λ为权重参数(用户可以根据实际需要自行设定)；xlabel为真实的呼吸红外图像序列，xg为生成的呼吸红外图像序列(即第一呼吸红外图像序列)，
Figure BDA0002322795870000102
表示真实的呼吸红外图像序列与生成的呼吸红外图像序列的L1损失，使得生成的呼吸红外图像序列更加逼近真实的呼吸红外图像序列。
将通过红外摄像装置采集到的未携带标签的呼吸红外图像序列分为两部分：一部分作为第二呼吸红外图像序列，通过分类器进行睡眠质量评估，并将分类器输出的睡眠质量评估结果作为标签，从而获得第三呼吸红外图像序列；另一部分通过睡眠专家进行睡眠质量评估，并将睡眠质量评估结果为标签，从而获得携带标签的第四呼吸红外图像序列；将第一呼吸红外图像序列、第三呼吸红外图像序列以及第四呼吸红外图像序列分别输入至判别器，获取判别器分别对第一呼吸红外图像序列、第三呼吸红外图像序列以及第四呼吸红外图像序列的判别结果，根据上述三个呼吸红外图像序列的判别结果获取判别器的损失函数，根据该损失函数训练判别器。判别器的损失函数可以表示为LossD＝logD(xl,yl)+αlog(1-D(xc,yc))+(1-α)log(1-D(xg,yg))，其中，D(xl,yl)为第四呼吸红外图像序列的判别结果，D(xc,yc)为第三呼吸红外图像序列的判别结果，D(xg,yg)为第一呼吸红外图像序列的判别结果，α为权重参数(用户可以根据实际需要自行设定，且α大于或等于0且小于或等于1)。
将第一呼吸红外图像序列和第四呼吸红外图像序列分别输入至分类器，对分类器进行分类训练，获得使用第一呼吸红外图像序列对分类器进行训练时的损失函数Lossg以及使用第四呼吸红外图像序列对分类器进行训练时的损失函数Lossl，并将Lossg和Lossl综合成Losssupervised＝Lossg+αLossl，根据判别器对第三呼吸红外图像序列的判别结果，获得分类器对第二呼吸红外图像序列进行分类的损失函数Lossunsupervised，分类器的损失函数可以表示为Lossc＝Losssupervised+Lossunsupervised。
在本申请实施例中，张量化的三元生成对抗网络，通过大量的第二呼吸红外图像序列(即未携带标签的呼吸红外图像序列)和少量的第四呼吸红外图像序列(即携带标签的呼吸红外图像序列)进行张量化的三元生成对抗网络的训练，可以解决携带标签的呼吸红外图像序列数据较少的问题，同时充分利用未携带标签的呼吸红外图像序列，有利于提高张量化的三元生成对抗网络的稳健性。
可选的，所述通过生成器中基于张量分解的反卷积层，获得携带所述目标标签的第一呼吸红外图像序列包括：
对所述生成器中反卷积层的反卷积核进行张量分解，获得第一张量；
将所述一维随机噪声与所述第一张量进行反卷积计算，获得携带所述目标标签的第一呼吸红外图像序列。
在本申请实施例中，对生成器中3D反卷积层的反卷积核进行张量分解后，可以分解为两个矩阵和一个三维张量的乘积(其中，第一阶和第三阶为矩阵，第二阶为三维张量)，然后将输入的一维随机噪声与第一张量(即两个矩阵和一个三维张量的乘积)进行多层的反卷积计算，再通过图3b所示结构示例图中的激活函数Leaky ReLU、批正则化以及tanh激活层生成逼近真实的携带目标标签的第一呼吸红外图像序列。
可选的，所述判别器中基于张量分解的网络层包括基于张量分解的卷积层、第一密集连接块以及第二密集连接块；所述通过所述判别器中基于张量分解的网络层和全连接层，获得所述判别器对所述第一呼吸红外图像序列的判别结果包括：
对所述判别器中卷积层的卷积核进行张量分解，获得第二张量；
将所述第一呼吸红外图像序列与所述第二张量进行卷积计算，获得第一特征图；
对所述判别器中第一密集连接块的卷积核进行张量分解，获得第三张量；
将所述第一特征图与所述第三张量进行卷积计算，获得第二特征图；
对所述判别器中第二密集连接块的卷积核进行张量分解，获得第四张量；
将所述第二特征图与所述第四张量进行卷积计算，获得第三特征图；
对所述判别器中全连接层的权重进行张量分解，获得第五张量；
根据所述第三特征图和所述第五张量，获得所述判别器对所述第一呼吸红外图像序列的判别结果；
其中，所述第一特征图、所述第二特征图以及所述第三特征图均为所述第一呼吸红外图像序列的特征图。
在本申请实施例中，对判别器中3D卷积层的卷积核进行张量分解后，可以分解为两个矩阵和一个三维张量的乘积(其中，第一阶和第三阶为矩阵，第二阶为三维张量)，分解后得到的两个矩阵和一个三维张量的乘积即为第二张量，将第一呼吸红外图像序列通过第二张量进行多层的卷积计算后所得特征图即为第一特征图；对判别器中第一密集连接块的卷积核进行张量分解后，可以分解为两个矩阵和一个三维张量的乘积(其中，第一阶和第三阶为矩阵，第二阶为三维张量)，分解后得到的两个矩阵和一个三维张量的乘积即为第三张量，将第一特征图通过第三张量进行多层的卷积计算后所得特征图即为第二特征图；对判别器中第二密集连接块的卷积核进行张量分解后，可以分解为两个矩阵和一个三维张量的乘积(其中，第一阶和第三阶为矩阵，第二阶为三维张量)，分解后得到的两个矩阵和一个三维张量的乘积即为第四张量，将第二特征图通过第四张量进行多层的卷积计算后所得特征图即为第三特征图；对判别器中全连接层的权重进行张量分解，可以分解为两个矩阵和一个三维张量的乘积(其中，第一阶和第三阶为矩阵，第二阶为三维张量)，分解后得到的两个矩阵和一个三维张量的乘积即为第五张量，第三特征图通过第五张量可以实现对第一呼吸红外图像序列的真假判别。
可选的，所述判别器还包括第一过渡层和第二过渡层，所述第一过渡层、所述第二过渡层均为1×1×1的卷积核；所述第一过渡层位于所述判别器中第一密集连接块与第二密集连接块之间，用于减少所述第二特征图的数量；所述第二过渡层位于所述判别器中第二密集连接块与全连接层之间，用于减少所述第三特征图的数量。
在本申请实施例中，第一特征图经过第一密集连接块卷积处理后，得到的第二特征图的数量增加，通过1×1×1的3D卷积核进行卷积计算，可以减少第二特征图的数量，即减少通道数量。第二特征图经过第二密集连接块卷积处理后，得到的第三特征图的数量增加，通过1×1×1的3D卷积核进行卷积计算，可以减少第三特征图的数量，即减少通道数量。
如图3c所示是判别器的结构示例图，输入判别器的携带标签的呼吸红外图像序列(可以是输入至判别器的任一携带标签的呼吸红外图像序列)通过基于张量分解的卷积层(即3D张量化卷积层)、基于张量分解的密集连接块(即3D张量化密集连接块)、过渡层和基于张量分解的全连接层组成的深度神经网络，对呼吸红外图像序列进行特征提取，获得保留了呼吸红外图像序列在时空上的呼吸特征信息，最后将提取的呼吸特征信息通过一层基于张量分解的全连接层，实现对携带标签的呼吸红外图像序列的真假判别。判别器还包括Leaky ReLU激活函数、Batch Norm正则化和sigmoid函数。
对于判别器，本申请实施例利用密集连接块将位于密集连接块之前的网络层提取的特征图直接输入到后续网络层进行级联，减少梯度传递过程中的特征损失，解决深度神经网络反向传播过程中梯度消失的问题，稳定对抗生成网络的训练，提升判别器对生成样本和真实样本的判别性能。
可选的，所述分类器中基于张量分解的网络层包括基于张量分解的卷积层、第三密集连接块以及第四密集连接块；所述通过所述分类器中二阶池化块、基于张量分解的网络层和全连接层，获得第三吸红外图像序列包括：
对所述分类器中卷积层的卷积核进行张量分解，获得第六张量；
将所述第二呼吸红外图像序列与所述第六张量进行卷积计算，获得第四特征图；
对所述分类器中第三密集连接块的卷积核进行张量分解，获得第七张量；
将所述第四特征图和所述第七张量进行卷积计算，获得第五特征图；
通过所述分类器中二阶池化块处理所述第五特征图，获得第六特征图；
对所述分类器中第四密集连接块的卷积核进行张量分解，获得第八张量；
将所述第六特征图与所述第八张量进行卷积计算，获得第七特征图；
对所述分类器中全连接层的权重进行张量分解，获得第九张量；
根据所述第七特征图和所述第九张量，获得所述第三呼吸红外图像序列；
其中，所述第四特征图、所述第五特征图、所述第六特征图以及所述第七特征图均为所述第二呼吸红外图像序列的特征图。
在本申请实施例中，对分类器中3D卷积层的卷积核进行张量分解后，可以分解为两个矩阵和一个三维张量的乘积(其中，第一阶和第三阶为矩阵，第二阶为三维张量)，分解后得到的两个矩阵和一个三维张量的乘积即为第六张量，将第二呼吸红外图像序列通过第六张量进行多层的卷积计算后所得特征图即为第四特征图；对分类器中第三密集连接块的卷积核进行张量分解后，可以分解为两个矩阵和一个三维张量的乘积(其中，第一阶和第三阶为矩阵，第二阶为三维张量)，分解后得到的两个矩阵和一个三维张量的乘积即为第七张量，将第四特征图通过第七张量进行多层的卷积计算后所得特征图即为第五特征图；第五特征图经过二阶池化块处理后所得的特征图即为第六特征图；对分类器中第四密集连接块的卷积核进行张量分解后，可以分解为两个矩阵和一个三维张量的乘积(其中，第一阶和第三阶为矩阵，第二阶为三维张量)，分解后得到的两个矩阵和一个三维张量的乘积即为第八张量，将第六特征图通过第八张量进行多层的卷积计算后所得特征图即为第七特征图；对分类器中全连接层的权重进行张量分解，可以分解为两个矩阵和一个三维张量的乘积(其中，第一阶和第三阶为矩阵，第二阶为三维张量)，分解后得到的两个矩阵和一个三维张量的乘积即为第九张量，第七特征图通过第九张量可以得到对应类别的概率值，从而获得第二呼吸红外图像序列的睡眠质量评估结果(即第二呼吸红外图像的标签)。
可选的，所述分类器还包括第三过渡层和第四过渡层，所述第三过渡层和所述第四过渡层均为1×1×1的卷积核；所述第三过渡层位于所述分类器中二阶池化块与第四密集连接块之间，用于减少所述第六特征图的数量；所述第四过渡层位于所述分类器中第四密集连接块与全连接层之间，用于减少所述第七特征图的数量。
在本申请实施例中，第四特征图经过第三密集连接块卷积处理后，得到的第五特征图的数量增加，进而导致经过二阶池化块处理的第六特征图的数量也较多，通过1×1×1的3D卷积核进行卷积计算，可以减少第六特征图的数量，即减少通道数量。第六特征图经过第四密集连接块卷积处理后，得到的第七特征图的数量增加，通过1×1×1的3D卷积核进行卷积计算，可以减少第七特征图的数量，即减少通道数量。
如图3d所示是分类器的结构示例图，输入分类器的呼吸红外图像序列通过基于张量分解的卷积层(即3D张量化卷积层)和基于张量分解的密集连接块(即3D张量化密集连接块)进行多层的卷积计算，并通过过渡层减少特征图数量，再通过一层基于张量分解的全连接层，可以得到对应类别的概率值，从而获得呼吸红外图像序列的睡眠质量评估结果。分类器还包括Leaky ReLU激活函数、Batch Norm正则化和sigmoid函数。
对于分类器，本申请实施例利用基于二阶池化的密集连接块的自注意力机制根据不同区域的相关性对特征图在特征通道的维度上进行加权，使重要的通道权重大，不重要的通道权重小，有效地提取红外图像序列中的呼吸特征，提高对睡眠质量的评估精度。
步骤S202，获取多个待评估呼吸红外图像序列，一个待评估呼吸红外图像序列包括多帧待评估呼吸红外图像。
该步骤与步骤S101相同，具体可参见步骤S101的相关描述，在此不再赘述。
步骤S203，通过分类器对所述多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果。
该步骤与步骤S102相同，具体可参见步骤S102的相关描述，在此不再赘述。
步骤S204，根据所述多个待评估呼吸红外图像序列分别对应的睡眠质量评估结果，统计不同睡眠质量评估结果的数量，并确定数量最多的睡眠质量评估结果为用户的睡眠质量评估结果。
该步骤与步骤S103相同，具体可参见步骤S103的相关描述，在此不再赘述。
本申请实施例通过张量化整个三元生成对抗网络，使得网络具有正则化效果，减少了网络过拟合的可能，增强了网络的预测泛化能力。同时张量化减少了网络参数，加快了网络训练速度，增加了网络运行效率。另外，本申请实施例通过将呼吸红外图像序列张量化，并将2D卷积替换为3D卷积，在有效地提取了时序特征信息的同时，去除了噪声以及非必要的冗余信息，保留了呼吸红外图像序列之间的特征关系，减少了时序特征信息的损失，提高了分类器的分类能力和分类精度。
参见图4，是本申请实施例三提供的基于红外图像序列的睡眠质量评估系统的示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
所述睡眠质量评估系统包括：
图像序列获取模块41，用于获取多个待评估呼吸红外图像序列，一个待评估呼吸红外图像序列包括多帧待评估呼吸红外图像；
睡眠质量评估模块42，用于通过分类器对所述多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果；
睡眠质量确定模块43，用于根据所述多个待评估呼吸红外图像序列分别对应的睡眠质量评估结果，统计不同睡眠质量评估结果的数量，并确定数量最多的睡眠质量评估结果为用户的睡眠质量评估结果。
可选的，所述睡眠质量评估模块42包括：
序列输入单元，用于将所述每个待评估呼吸红外图像序列输入至所述分类器；
目标特征图获取单元，用于根据所述分类器中二阶池化块和基于张量分解的网络层，获取所述每个待评估呼吸红外图像序列的目标特征图；
评估结果获取单元，用于根据所述目标特征图和所述分类器中基于张量分解的全连接层，对所述每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果。
可选的，所述睡眠质量评估系统还包括：
分类器训练模块，用于通过张量化的三元生成对抗网络对所述分类器进行训练。
可选的，所述张量化的三元生成对抗网络包括生成器、所述分类器和判别器；所述分类器训练模块包括：
第一处理单元，用于将一维随机噪声和目标标签输入至所述生成器，通过所述生成器中基于张量分解的反卷积层，获得携带所述目标标签的第一呼吸红外图像序列；
第二处理单元，用于将所述第一呼吸红外图像序列输入至所述判别器，通过所述判别器中基于张量分解的网络层和全连接层，获得所述判别器对所述第一呼吸红外图像序列的判别结果；
第一训练单元，用于根据所述判别结果训练所述生成器；
第一获取单元，用于获取未携带标签的第二呼吸红外图像序列；
第三处理单元，用于将所述第二呼吸红外图像序列输入至所述分类器，通过所述分类器中二阶池化块、基于张量分解的网络层和全连接层，获得第三呼吸红外图像序列，所述第三呼吸红外图像序列是指携带标签的第二呼吸红外图像序列；
第二获取单元，用于获取携带标签的第四呼吸红外图像序列；
第二训练单元，用于根据所述第一呼吸红外图像序列、所述第三呼吸红外图像序列以及所述第四呼吸红外图像序列，训练所述判别器，并获取所述判别器对所述第三呼吸红外图像序列的判别结果；
第三训练单元，用于根据所述第一呼吸红外图像序列、所述判别器对所述第三呼吸红外图像序列的判别结果以及所述第四呼吸红外图像序列，训练所述分类器。
可选的，所述第一处理单元具体用于：
对所述生成器中反卷积层的反卷积核进行张量分解，获得第一张量；
将所述一维随机噪声与所述第一张量进行反卷积计算，获得携带所述目标标签的第一呼吸红外图像序列。
可选的，所述判别器中基于张量分解的网络层包括基于张量分解的卷积层、第一密集连接块以及第二密集连接块；所述第二处理单元具体用于：
对所述判别器中卷积层的卷积核进行张量分解，获得第二张量；
将所述第一呼吸红外图像序列与所述第二张量进行卷积计算，获得第一特征图；
对所述判别器中第一密集连接块的卷积核进行张量分解，获得第三张量；
将所述第一特征图与所述第三张量进行卷积计算，获得第二特征图；
对所述判别器中第二密集连接块的卷积核进行张量分解，获得第四张量；
将所述第二特征图与所述第四张量进行卷积计算，获得第三特征图；
对所述判别器中全连接层的权重进行张量分解，获得第五张量；
根据所述第三特征图和所述第五张量，获得所述判别器对所述第一呼吸红外图像序列的判别结果；
其中，所述第一特征图、所述第二特征图以及所述第三特征图均为所述第一呼吸红外图像序列的特征图。
可选的，所述判别器还包括第一过渡层和第二过渡层，所述第一过渡层、所述第二过渡层均为1×1×1的卷积核；所述第一过渡层位于所述判别器中第一密集连接块与第二密集连接块之间，用于减少所述第二特征图的数量；所述第二过渡层位于所述判别器中第二密集连接块与全连接层之间，用于减少所述第三特征图的数量。
可选的，所述分类器中基于张量分解的网络层包括基于张量分解的卷积层、第三密集连接块以及第四密集连接块；所述第三处理单元具体用于：
对所述分类器中卷积层的卷积核进行张量分解，获得第六张量；
将所述第二呼吸红外图像序列与所述第六张量进行卷积计算，获得第四特征图；
对所述分类器中第三密集连接块的卷积核进行张量分解，获得第七张量；
将所述第四特征图和所述第七张量进行卷积计算，获得第五特征图；
通过所述分类器中二阶池化块处理所述第五特征图，获得第六特征图；
对所述分类器中第四密集连接块的卷积核进行张量分解，获得第八张量；
将所述第六特征图与所述第八张量进行卷积计算，获得第七特征图；
对所述分类器中全连接层的权重进行张量分解，获得第九张量；
根据所述第七特征图和所述第九张量，获得所述第三呼吸红外图像序列；
其中，所述第四特征图、所述第五特征图、所述第六特征图以及所述第七特征图均为所述第二呼吸红外图像序列的特征图。
可选的，所述分类器还包括第三过渡层和第四过渡层，所述第三过渡层和所述第四过渡层均为1×1×1的卷积核；所述第三过渡层位于所述分类器中二阶池化块与第四密集连接块之间，用于减少所述第六特征图的数量；所述第四过渡层位于所述分类器中第四密集连接块与全连接层之间，用于减少所述第七特征图的数量。
本申请实施例提供的睡眠质量评估系统可以应用在前述方法实施例一和实施例二中，详情参见上述方法实施例一和实施例二的描述，在此不再赘述。
图5是本申请实施例四提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个睡眠质量评估方法实施例中的步骤。或者，所述处理器50执行所述计算机程序52时实现上述各系统实施例中各模块/单元的功能。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行时实现可实现上述各个方法实施例中的步骤。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于红外图像序列的睡眠质量评估方法，其特征在于，所述睡眠质量评估方法包括：
获取多个待评估呼吸红外图像序列，一个待评估呼吸红外图像序列包括多帧待评估呼吸红外图像；
通过分类器对所述多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果；
根据所述多个待评估呼吸红外图像序列分别对应的睡眠质量评估结果，统计不同睡眠质量评估结果的数量，并确定数量最多的睡眠质量评估结果为用户的睡眠质量评估结果。
2.如权利要求1所述的睡眠质量评估方法，其特征在于，所述通过分类器对所述多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果包括：
将所述每个待评估呼吸红外图像序列输入至所述分类器；
根据所述分类器中二阶池化块和基于张量分解的网络层，获取所述每个待评估呼吸红外图像序列的目标特征图；
根据所述目标特征图和所述分类器中基于张量分解的全连接层，对所述每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果。
3.如权利要求1所述的睡眠质量评估方法，其特征在于，在通过分类器对所述多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估之前，还包括：
通过张量化的三元生成对抗网络对所述分类器进行训练。
4.如权利要求3所述的睡眠质量评估方法，其特征在于，所述张量化的三元生成对抗网络包括生成器、所述分类器和判别器；所述通过张量化的三元生成对抗网络对所述分类器进行训练包括：
将一维随机噪声和目标标签输入至所述生成器，通过所述生成器中基于张量分解的反卷积层，获得携带所述目标标签的第一呼吸红外图像序列；
将所述第一呼吸红外图像序列输入至所述判别器，通过所述判别器中基于张量分解的网络层和全连接层，获得所述判别器对所述第一呼吸红外图像序列的判别结果；
根据所述判别结果训练所述生成器；
获取未携带标签的第二呼吸红外图像序列；
将所述第二呼吸红外图像序列输入至所述分类器，通过所述分类器中二阶池化块、基于张量分解的网络层和全连接层，获得第三呼吸红外图像序列，所述第三呼吸红外图像序列是指携带标签的第二呼吸红外图像序列；
获取携带标签的第四呼吸红外图像序列；
根据所述第一呼吸红外图像序列、所述第三呼吸红外图像序列以及所述第四呼吸红外图像序列，训练所述判别器，并获取所述判别器对所述第三呼吸红外图像序列的判别结果；
根据所述第一呼吸红外图像序列、所述判别器对所述第三呼吸红外图像序列的判别结果以及所述第四呼吸红外图像序列，训练所述分类器。
5.如权利要求4所述的睡眠质量评估方法，其特征在于，所述通过生成器中基于张量分解的反卷积层，获得携带所述目标标签的第一呼吸红外图像序列包括：
对所述生成器中反卷积层的反卷积核进行张量分解，获得第一张量；
将所述一维随机噪声与所述第一张量进行反卷积计算，获得携带所述目标标签的第一呼吸红外图像序列。
6.如权利要求4所述的睡眠质量评估方法，其特征在于，所述判别器中基于张量分解的网络层包括基于张量分解的卷积层、第一密集连接块以及第二密集连接块；所述通过所述判别器中基于张量分解的网络层和全连接层，获得所述判别器对所述第一呼吸红外图像序列的判别结果包括：
对所述判别器中卷积层的卷积核进行张量分解，获得第二张量；
将所述第一呼吸红外图像序列与所述第二张量进行卷积计算，获得第一特征图；
对所述判别器中第一密集连接块的卷积核进行张量分解，获得第三张量；
将所述第一特征图与所述第三张量进行卷积计算，获得第二特征图；
对所述判别器中第二密集连接块的卷积核进行张量分解，获得第四张量；
将所述第二特征图与所述第四张量进行卷积计算，获得第三特征图；
对所述判别器中全连接层的权重进行张量分解，获得第五张量；
根据所述第三特征图和所述第五张量，获得所述判别器对所述第一呼吸红外图像序列的判别结果；
其中，所述第一特征图、所述第二特征图以及所述第三特征图均为所述第一呼吸红外图像序列的特征图。
7.如权利要求4所述的睡眠质量评估方法，其特征在于，所述分类器中基于张量分解的网络层包括基于张量分解的卷积层、第三密集连接块以及第四密集连接块；所述通过所述分类器中二阶池化块、基于张量分解的网络层和全连接层，获得第三吸红外图像序列包括：
对所述分类器中卷积层的卷积核进行张量分解，获得第六张量；
将所述第二呼吸红外图像序列与所述第六张量进行卷积计算，获得第四特征图；
对所述分类器中第三密集连接块的卷积核进行张量分解，获得第七张量；
将所述第四特征图和所述第七张量进行卷积计算，获得第五特征图；
通过所述分类器中二阶池化块处理所述第五特征图，获得第六特征图；
对所述分类器中第四密集连接块的卷积核进行张量分解，获得第八张量；
将所述第六特征图与所述第八张量进行卷积计算，获得第七特征图；
对所述分类器中全连接层的权重进行张量分解，获得第九张量；
根据所述第七特征图和所述第九张量，获得所述第三呼吸红外图像序列；
其中，所述第四特征图、所述第五特征图、所述第六特征图以及所述第七特征图均为所述第二呼吸红外图像序列的特征图。
8.一种基于红外图像序列的睡眠质量评估系统，其特征在于，所述睡眠质量评估系统包括：
图像序列获取模块，用于获取多个待评估呼吸红外图像序列，一个待评估呼吸红外图像序列包括多帧待评估呼吸红外图像；
睡眠质量评估模块，用于通过分类器对所述多个待评估呼吸红外图像序列中每个待评估呼吸红外图像序列进行睡眠质量评估，获得所述每个待评估呼吸红外图像序列对应的睡眠质量评估结果；
睡眠质量确定模块，用于根据所述多个待评估呼吸红外图像序列分别对应的睡眠质量评估结果，统计不同睡眠质量评估结果的数量，并确定数量最多的睡眠质量评估结果为用户的睡眠质量评估结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述睡眠质量评估方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述睡眠质量评估方法的步骤。
CN201911304813.9A 2019-12-17 2019-12-17 一种基于红外图像序列的睡眠质量评估系统和方法 Active CN111063438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911304813.9A CN111063438B (zh) 2019-12-17 2019-12-17 一种基于红外图像序列的睡眠质量评估系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911304813.9A CN111063438B (zh) 2019-12-17 2019-12-17 一种基于红外图像序列的睡眠质量评估系统和方法

Publications (2)

Publication Number Publication Date
CN111063438A true CN111063438A (zh) 2020-04-24
CN111063438B CN111063438B (zh) 2023-04-18

Family

ID=70302133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911304813.9A Active CN111063438B (zh) 2019-12-17 2019-12-17 一种基于红外图像序列的睡眠质量评估系统和方法

Country Status (1)

Country Link
CN (1) CN111063438B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232281A (zh) * 2020-11-04 2021-01-15 深圳大学 一种人脸属性编辑方法、装置、智能终端及存储介质
CN113221802A (zh) * 2021-05-24 2021-08-06 新疆爱华盈通信息技术有限公司 踢被子识别方法与装置、电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101489478A (zh) * 2006-06-01 2009-07-22 必安康医疗有限公司 用于监视生理症状的装置、系统和方法
CN102973244A (zh) * 2012-11-16 2013-03-20 西南石油大学 基于热红外成像技术的非接触式睡眠呼吸暂停监测方法及装置
CN104834946A (zh) * 2015-04-09 2015-08-12 清华大学 一种非接触式睡眠监测方法及系统
CN107622485A (zh) * 2017-08-15 2018-01-23 中国科学院深圳先进技术研究院 一种融合深度张量神经网络的医学影像数据分析方法和系统
CN108201435A (zh) * 2017-12-06 2018-06-26 深圳和而泰数据资源与云技术有限公司 睡眠分期确定方法、相关设备及计算机可读介质
CN110464303A (zh) * 2019-08-15 2019-11-19 深圳和而泰家居在线网络科技有限公司 睡眠质量评估方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101489478A (zh) * 2006-06-01 2009-07-22 必安康医疗有限公司 用于监视生理症状的装置、系统和方法
CN102973244A (zh) * 2012-11-16 2013-03-20 西南石油大学 基于热红外成像技术的非接触式睡眠呼吸暂停监测方法及装置
CN104834946A (zh) * 2015-04-09 2015-08-12 清华大学 一种非接触式睡眠监测方法及系统
CN107622485A (zh) * 2017-08-15 2018-01-23 中国科学院深圳先进技术研究院 一种融合深度张量神经网络的医学影像数据分析方法和系统
CN108201435A (zh) * 2017-12-06 2018-06-26 深圳和而泰数据资源与云技术有限公司 睡眠分期确定方法、相关设备及计算机可读介质
CN110464303A (zh) * 2019-08-15 2019-11-19 深圳和而泰家居在线网络科技有限公司 睡眠质量评估方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232281A (zh) * 2020-11-04 2021-01-15 深圳大学 一种人脸属性编辑方法、装置、智能终端及存储介质
CN113221802A (zh) * 2021-05-24 2021-08-06 新疆爱华盈通信息技术有限公司 踢被子识别方法与装置、电子设备

Also Published As

Publication number Publication date
CN111063438B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
Qin et al. Imaging and fusing time series for wearable sensor-based human activity recognition
CN111209885B (zh) 一种手势信息处理方法、装置、电子设备及存储介质
CN105701331A (zh) 计算机辅助诊断设备和计算机辅助诊断方法
US20230022206A1 (en) Infrared image sequence-based sleep quality evaluation system and method
CN111954250B (zh) 一种轻量级Wi-Fi行为感知方法和系统
Prasetio et al. The facial stress recognition based on multi-histogram features and convolutional neural network
CN111063438B (zh) 一种基于红外图像序列的睡眠质量评估系统和方法
Yang et al. PD-ResNet for classification of Parkinson’s disease from gait
Galshetwar et al. Local energy oriented pattern for image indexing and retrieval
Joshi et al. Deep learning based person authentication using hand radiographs: A forensic approach
US20220211327A1 (en) Measurement method and apparatus for period information of biological signal, and electronic device
CN117542474A (zh) 基于大数据的远程护理监测系统及方法
Kwaśniewska et al. Real-time facial features detection from low resolution thermal images with deep classification models
WO2023108418A1 (zh) 脑图谱构建及神经环路检测的方法和相关产品
CN115909438A (zh) 基于深度时空域卷积神经网络的疼痛表情识别系统
CN114359657A (zh) 脑图谱构建及神经环路检测的方法和相关产品
Luo et al. Exploring adaptive graph topologies and temporal graph networks for eeg-based depression detection
CN111291632A (zh) 一种行人状态检测方法、装置以及设备
CN114694234B (zh) 情绪识别方法、系统、电子设备和存储介质
CN112884076B (zh) 一种基于条件式生成对抗网络的传感器数据生成模型及方法
Rangkuti et al. A Recognizing Technique Specific Disease on a Chest X-Ray with Support for Image Clarity and Deep Learning
Kwasniewska et al. Pose-invariant face detection by replacing deep neurons with capsules for thermal imagery in telemedicine
Mavaddati Brain Tumors Classification using Deep Models and Transfer Learning
Yadav et al. Design of a Lightweight Compressed Video Stream-Based Patient Activity Monitoring System
Olawuyi et al. Domain Specific Deep Neural Network Model for Classification of Abnormalities on Chest Radiographs

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant