CN111202517A - 一种睡眠自动分期方法、系统、介质及电子设备 - Google Patents
一种睡眠自动分期方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN111202517A CN111202517A CN202010078747.4A CN202010078747A CN111202517A CN 111202517 A CN111202517 A CN 111202517A CN 202010078747 A CN202010078747 A CN 202010078747A CN 111202517 A CN111202517 A CN 111202517A
- Authority
- CN
- China
- Prior art keywords
- sleep
- data
- staging
- training
- automatic
- 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
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000007635 classification algorithm Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 12
- 230000008667 sleep stage Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 210000004556 brain Anatomy 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 230000003860 sleep quality Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 208000019116 sleep disease Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000012905 Brassica oleracea var viridis Nutrition 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- 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
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- 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
- A61B5/4812—Detecting sleep stages or cycles
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Anesthesiology (AREA)
- Psychology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种睡眠自动分期方法、系统、介质及电子设备，涉及睡眠分期技术领域，需要解决的技术问题是现有技术中无法实现高精度的睡眠分期；具体方案为：获取EEG数据，进行数据预处理后转换为频域信号；利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果；本公开通过GoogLeNet神经网络和SRC算法相结合，以GoogLeNet神经网络的输出为SRC算法的输入，极大的提高了睡眠自动分期的精度。
Description
技术领域
本公开涉及睡眠分期技术领域，特别涉及一种睡眠自动分期方法、系统、介质及电子设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
睡眠是对人的身体和心理健康十分重要，随着睡眠障碍病患的高发，睡眠问题越来越受人们的关注。睡眠分期是研究睡眠及相关疾病的基础，也是完成睡眠质量评估的前提，有着重要的临床意义。睡眠研究一直是个热门的话题，目前临床上睡眠分期普遍采用的方法有人工判别法，但是存在效率太低的缺点；心理量表法，但是存在主观性太强的缺点，生理参数检测法是一种较为客观有效的方法。近年来，已有许多学者致力于睡眠EEG(脑电信号)自动分期研究，但国外进展较好，国内进展相对滞后，利用睡眠EEG评估睡眠质量的准确性需待进一步提高。
睡眠质量评估是诊断和治疗睡眠相关疾病的依据，而睡眠分期是研究睡眠及相关疾病的基础，是完成睡眠质量评估的前提。目前，睡眠分期主要通过人工手动判别和计算机辅助自动分期两种方法实现。人工手动判别需通过睡眠专家的视觉分析来完成，不仅效率低，还容易造成误判。计算机辅助分期是利用现代信号处理技术对睡眠进行自动分期，既高效又客观，是现代睡眠分期研究的主要方法，也是未来的一个挑战。临床上一般采用多导睡眠监测仪(Polysomnography，PSG)来对睡眠进行监测。因为多导睡眠监测仪必需在专门的睡眠室中完成，所以测试者的自然睡眠很大程度上会受到影响。不仅如此，检测仪需由专业人员来操作，不仅技术要求较高，且费用昂贵。所以，研究一种简便又经济的睡眠分期技术对于睡眠疾病的诊断和治疗具有重要临床价值。随着睡眠监护仪向便携化、家用化方向发展，只采用单通道脑电信号分析睡眠将成为未来一个发展方向。睡眠脑电分析不仅属于生物医学工程的研究范畴，还是涉及康复医学、神经科学、计算机科学等多个学科的一个前沿研究领域。睡眠研究将具有十分重要的临床意义和应用价值。
本公开发明人发现，目前睡眠分期主要通过人工手动判别和计算机辅助自动分期两种方法实现。人工手动判别需通过睡眠专家的视觉分析来完成，效率低，且易造成误判；计算机辅助分期是利用现代信号处理技术对睡眠进行自动分期，高效、客观，是现代睡眠分期研究的主要方法，也是未来的一个挑战，但是目前的计算机辅助分期结果较差，无法实现高精度的睡眠分期。
发明内容
为了解决现有技术的不足，本公开提供了一种睡眠自动分期方法、系统、介质及电子设备，通过GoogLeNet神经网络和SRC算法相结合，提高了睡眠自动分期的精度。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种睡眠自动分期方法。
一种睡眠自动分期方法，包括以下步骤：
获取EEG数据，进行数据预处理后转换为频域信号；
利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；
以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果。
本公开第二方面提供了一种睡眠自动分期系统。
一种睡眠自动分期系统，包括：
数据预处理模块，被配置为：获取EEG数据，进行数据预处理后转换为频域信号；
训练样本数据获取模块，被配置为：利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；
分类模块，被配置为：以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的睡眠自动分期方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的睡眠自动分期方法中的步骤。
与现有技术相比，本公开的有益效果是：
本公开提供的分期方法、系统、介质及电子设备，通过GoogLeNet神经网络和SRC算法相结合，以GoogLeNet神经网络的输出为SRC算法的输入，极大的提高了睡眠自动分期的精度。
附图说明
图1为本公开实施例1提供的睡眠自动分期方法的流程示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1：
睡眠脑电自动分期系统属于模式识别系统，其一般过程是“信号获取-预处理-特征提取和选择-模式识别分类-结果输出”，其中特征提取和选择、模式识别分类是两个关键步骤。
要进行睡眠分期首先要进行的是信号的特征提取。信号一般用时间作为自变量来表示,通过傅立叶变换可将其分解为不同的频率分量。在平稳信号分析中，时间和频率是两个非常重要的变量，傅立叶变换及其反变换建立了信号频域与时域的映射关系。
基于傅立叶变换的信号频域表示及其能量的频域分布揭示了信号在频域的特征，但傅立叶变换是一种整体变换，对信号的表征要么完全是时间域，要么完全是频率域，不能分析信号中频率随时间的变化关系。为了解决频率随时间变化的关系，需要使用信号的时频分析方法。时频分析方法是将一维时域信号映射到二维的时频平面的方法，可以全面反映非平稳信号的时频联合特征。
时频分析中通常会用到小波变换，小波由一组小波基函数构成，它可以描述信号时间(空间)和频率(尺度)域的局部特性。采用小波分析最大优点是可对信号进行实施局部分析，可在任意的时间或空间域中分析信号。小波分析可以发现其他信号分析方法所不能识别的、隐藏于数据之中的表现结构特性的信息。
特征提取后就要进行训练网络的选择。要寻找一种既能保持网络结构的稀疏性，又能利用密集矩阵的高计算性能的方法至关重要。大量的文献表明可以将稀疏矩阵聚类为较为密集的子矩阵来提高计算性能，就如人类的大脑是可以看做是神经元的重复堆积，因此，GoogLeNet团队提出了Inception网络结构，就是构造一种“基础神经元”结构，可以来搭建一个稀疏性、高计算性能的网络结构。
GoogLeNet是一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度(层数)来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。
一般来说，提升网络性能最直接的办法就是增加网络深度和宽度，深度指网络层次数量、宽度指神经元数量。但这种方式存在以下问题：
(a)参数太多，如果训练数据集有限，很容易产生过拟合；
(b)网络越大、参数越多，计算复杂度越大，难以应用；
(c)网络越深，容易出现梯度弥散问题(梯度越往后穿越容易消失)，难以优化模型。
解决这些问题的方法是在增加网络深度和宽度的同时减少参数，为了减少参数，自然就想到将全连接变成稀疏连接。但是在实现上，全连接变成稀疏连接后实际计算量并不会有质的提升，因为大部分硬件是针对密集矩阵计算优化的，稀疏矩阵虽然数据量少，但是计算所消耗的时间却很难减少。
GoogLeNet的主要思想就是围绕这两个思路去做：
(A)深度，层数更深，一般采用22层，为了避免梯度消失问题，GoogLeNet巧妙的在不同深度处增加了两个loss来保证梯度回传消失的现象。
(B)宽度，增加了多种核(1×1，3×3，5×5)，还有直接最大池化的，但是如果简单的将这些应用到特征图上的话，连接起来的特征图厚度将会很大，所以在GoogLeNet中为了避免这一现象提出的inception具有如下结构，在3×3前，5×5前，最大池化后分别加上了1×1的卷积核起到了降低特征图厚度的作用。
从头开始训练深度CNN的计算成本很高，并且需要大量的训练数据。在很多应用中，并没有足够数量的训练数据可用，并且人工新建符合实际情况的训练数据也不可行。在这些情况下，利用已基于大型数据集训练的现有神经网络来完成概念相似的任务是可取的。这种对现有神经网络的利用称为迁移学习。
SRC(sparse representation-based classifier)：基于稀疏表达的分类。把稀疏编码的方法运用到分类中的机器学习方法，就叫做SRC。稀疏编码的概念来自于神经生物学。生物学家提出，哺乳类动物在长期的进化中，生成了能够快速，准确，低代价地表示自然图像的视觉神经方面的能力。可以想象，眼睛每看到的一副画面都是上亿像素的，而大脑很难像电脑那样直接存储。研究表明，每一副图像都提取出很少的信息用于存储。也就是稀疏编码，即Sparse Coding。
而SRC算法就是利用训练样本数据和测试样本数据之间的关系，通过这个关系来找到一个稀疏矩阵，SRC算法的本质就是寻找到这样的一个矩阵，即一个稀疏的、超完备基向量集，来覆盖输入数据空间。
稀疏表述方法是以压缩感知理论为依据的。近年来基于l1范数最小化的稀疏表示分类器已经成为模式识别领域的一个重要的研究成果。稀疏表示分类是直接根据测试样本在全部训练上的投影系数来进行识别的。当训练样本较好的反应所属的特征分布时，稀疏表示的分类性能就比较高。
将训练样本集记为A，其中属于第i类的训练样本集记为Ai＝[vi,1,vi,2,...,vi,ni]∈Rm×n，其中一列表示一个样本，响应的样本个数记为ni特征维数记为m。也就是说Ai中的样本均属于同一类别的，可以将Ai当作一个线性子空间。任意一个测试样本记为y∈Rm，如果y和Ai是属于同一类别的，那么
其中系数ai,j∈R,j＝1,2,...ni。
稀疏表示分类器的算法步骤如下：
(1)输入：训练样本矩阵：A＝[A1,A2,...Ak]∈Rm×n，其中一共包含k个类别，一个新的测试样本记为y∈Rm；ε是一个可调的允许误差；
(2)正交标准化：以l2范数为单位，对矩阵A的列进行正交标准化；
(3)l1范数最小化：求解式
的l1范数最小化的问题：
(4)计算残差：
(5)输出：把测试样本y所属的类额归为残差最小对应的类别。
EEG(脑电信号)的频域通常是0～100Hz，但是主要信号集中于0.5～30Hz，所以关于睡眠脑电的研究，都主要是研究0.5～30Hz的信号。依据睡眠状态和脑电信号频率的相关性将0.5～30Hz脑电波分为以下四种频域无重叠的节律波，分别为0.5～3Hz的δ波，4～8.0Hz的θ波，8.0～13.0Hz的α波，14～30Hz的β波。以上四种为主要的节律波，还有少量的纺锤波、锯齿波、K-复合波等等。不同睡眠阶段机体状态和脑电波表现都不同，可以根据不同的脑电信号将睡眠分为六个时期。
1)觉醒期：觉醒期大脑是完全有意识的，此阶段的脑电波主要为混合的α波和β波为主。当一帧中有50％以上都为α波时，可判别此帧为觉醒期。
2)NREM睡眠I期：是清醒状态到睡眠的过渡期。此期的主要特点是α波逐渐减少，占据时间少于50％，α波逐渐被θ波替代。不会出现k复合波和梭形波。
3)NREM睡眠Ⅱ期：此阶段通常被认为是真正睡眠的开始。该阶段，以睡眠梭形波和k复合波为特征，眼球运动停止，脑电波幅度变得更大。
4)NREM睡眠Ⅲ期：该期以δ波为主δ波约占此段EEG信号的20％-50％，脑电波幅度的峰峰值一般在75uV以上。此时睡眠程度加深，不易被唤醒。
5)NREM睡眠Ⅳ期：该期是高度深睡阶段，与NREM睡眠Ⅲ期有相同的波形出现，也是以δ节律波占主导地位，但此期的慢波多于50％，且平均幅度更大。一般也将Ⅲ期与Ⅳ期并称为Ⅲ期。
6)REM睡眠期：REM期和NREM睡眠I期在波形上很相似，都为含有α波和β波的混合频率波，但REM期尖峰波并不明显，且通常会伴有锯齿波出现。
本实施例使用的数据集由圣文森特大学医院和都柏林大学学院提供。数据集包括25个疑似睡眠障碍型呼吸综合征的受试者(21名男性，4名女性，平均年龄50岁，平均体重95公斤，平均身高173厘米。)。每个采集由两个EEG通道、两个EOG通道和一个EMG通道构成，使用10-20电极放置系统。睡眠阶段由经验丰富的睡眠技术人员根据标准的Rechtschaffen和Kales规则进行评。1为觉醒期，2为REM期，3是NREM睡眠I期，4是NREM睡眠Ⅱ期，5是NREM睡眠Ⅲ、Ⅳ期。
具体方法如图1所示，在matlab中读取数据后，要先对数据进行预处理，要存储每个类别的预处理数据，首先在tempdir内创建一个EEG数据目录dataDir。然后在“data”中创建六个子目录，以每个EEG类别命名。然后绘制每个EEG类别的表示图。辅助函数helperPlotReps用于实现此目的。在创建文件夹后，创建EEG信号的时频表示。这些表示称为尺度图。
尺度图是信号的CWT系数的绝对值。要创建尺度图，就要计算一个CWT滤波器组。就要先生成一个尺度图，使用cwtfilterbank为具有3840个样本的信号创建一个CWT滤波器组。
使用滤波器组获取信号的前3840个样本的CWT，并基于系数获得尺度图。使用函数helperCreateRGBfromTF将尺度图创建为RGB图像，并将其写入dataDir中的适当子目录。
将尺度图图像加载为图像数据存储。imageDatastore函数自动根据文件夹名称对图像加标签，并将数据存储为ImageDatastore对象。
通过图像数据存储可以存储大图像数据，包括无法放入内存的数据，并在CNN的训练过程中高效分批读取图像将图像随机分成两组，一组用于训练，另一组用于验证。使用90％的图像进行训练，其余的10％用于验证。为了实现可再现性，将随机种子设置为默认值，极大的提高了模型训练的准确性
然后加载预训练的GoogLeNet神经网络，修改GoogLeNet网络参数，重新训练GoogLeNet以解决EEG分类问题，然后设置训练选项并训练GoogLeNet。训练神经网络是一个使损失函数最小的迭代过程。要使损失函数最小，使用梯度下降算法。
在每次迭代中，会评估损失函数的梯度并更新下降算法权重。可以通过设置各种选项来调整训练。
本实施例通过InitialLearnRate指定损失函数负梯度方向的初始步长大小，通过MiniBatchSize指定在每次迭代中使用的训练集子集的大小，利用多种函数的相互配合，提高了模型训练的自动化程度和准确性，避免了人为选择带来的训练精度降低
一轮指对整个训练集完整运行一遍训练算法。MaxEpochs指定用于训练的最大轮数。选择正确的轮数至关重要。减少轮数会导致模型欠拟合，而增加轮数会导致过拟合。最终输出训练结果。
本实施例通过MaxEpochs指定用于训练的最大轮数，实现了对轮数的选择正确，防止了轮数减少导致的模型欠拟合和轮数增加导致的过拟合，提高了输出的训练结果的准确性
输出训练结果之后进行下一步，这是个五分类问题，可以将数据分类为五类，将训练结果输入到SRC分类算法中进行正交标准化、l1范数最小化和计算残差等步骤后输出分类结果。为了证明该方法的准确度，可以使用另外一种分类器与之进行比对，于是选择了超限学习机这种分类器。
在对25个数据集进行训练分类后，所得出的分期结果准确率如表1所示，从表1中可以看到两种针对睡眠1期的分类准确度较差，但是对睡眠2期和3期的分类准确的效果较好。而且相对于超限学习机的分类方式，GoogLeNet神经网络和SRC算法相结合的方式，在分类准确精度上有了明显的提高
表1：睡眠分期结果表
实时2：
本公开实施例2提供了一种睡眠自动分期系统，包括：
数据预处理模块，被配置为：获取EEG数据，进行数据预处理后转换为频域信号；
训练样本数据获取模块，被配置为：利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；
分类模块，被配置为：以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果。
具体的分类方法与实施例1中的相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的睡眠自动分期方法中的步骤。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的睡眠自动分期方法中的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种睡眠自动分期方法，其特征在于，包括以下步骤：
获取EEG数据，进行数据预处理后转换为频域信号；
利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；
以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果。
2.如权利要求1所述的睡眠自动分期方法，其特征在于，进行数据预处理，具体为：创建EEG信号的时频表示的尺度图，尺度图为EEG信号的CWT系数的绝对值；
利用函数cwtfilterbank为具有N个样本的信号创建CWT滤波器组，利用滤波器组获取信号的前N个样本的CWT，并基于系数获得尺度图；
利用函数helperCreateRGBfromTF将尺度图创建为RGB图像。
3.如权利要求2所述的睡眠自动分期方法，其特征在于，将RGB图像加载为图像数据存储，利用imageDatastore函数自动根据文件夹名称对图像加标签，并将数据存储为ImageDatastore对象。
4.如权利要求1所述的睡眠自动分期方法，其特征在于，采用梯度下降算法对GoogLeNet神经网络进行训练，并通过InitialLearnRate函数指定损失函数负梯度方向的初始步长大小。
5.如权利要求4所述的睡眠自动分期方法，其特征在于，采用MiniBatchSize函数指定在每次迭代中使用的训练集子集的大小。
6.如权利要求4所述的睡眠自动分期方法，其特征在于，采用MaxEpochs函数指定用于训练的最大轮数。
7.如权利要求1所述的睡眠自动分期方法，其特征在于，SRC分类算法具体为：
输入：训练样本矩阵：A＝[A1,A2,...Ak]∈Rm×n，其中一共包含k个类别，一个新的测试样本记为y∈Rm；ε是一个可调的允许误差；
正交标准化：以l2范数为单位，对矩阵A的列进行正交标准化；
l1范数最小化：求解式
s.t.||Ax-y||≤ε的l1范数最小化：
计算残差：
i＝1,2,...k；
输出：把测试样本y所属的类额归为残差最小对应的类别。
8.一种睡眠自动分期系统，其特征在于，包括：
数据预处理模块，被配置为：获取EEG数据，进行数据预处理后转换为频域信号；
训练样本数据获取模块，被配置为：利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；
分类模块，被配置为：以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果。
9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的睡眠自动分期方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的睡眠自动分期方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010078747.4A CN111202517B (zh) | 2020-02-03 | 2020-02-03 | 一种睡眠自动分期方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010078747.4A CN111202517B (zh) | 2020-02-03 | 2020-02-03 | 一种睡眠自动分期方法、系统、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111202517A true CN111202517A (zh) | 2020-05-29 |
| CN111202517B CN111202517B (zh) | 2022-06-24 |
Family
ID=70783015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010078747.4A Expired - Fee Related CN111202517B (zh) | 2020-02-03 | 2020-02-03 | 一种睡眠自动分期方法、系统、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111202517B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112426147A (zh) * | 2020-10-21 | 2021-03-02 | 华南师范大学 | 睡眠呼吸事件检测模型处理方法、系统和存储介质 |
| CN112641451A (zh) * | 2020-12-18 | 2021-04-13 | 北方工业大学 | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 |
| CN112869711A (zh) * | 2021-01-19 | 2021-06-01 | 华南理工大学 | 一种基于深度神经网络的自动睡眠分期及迁移方法 |
| CN113116307A (zh) * | 2021-04-26 | 2021-07-16 | 西安领跑网络传媒科技股份有限公司 | 一种睡眠分期方法、计算机可读存储介质及程序产品 |
| CN113208625A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于LightGBM算法的睡眠分期方法、系统 |
| CN113303814A (zh) * | 2021-06-13 | 2021-08-27 | 大连理工大学 | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 |
| CN113812965A (zh) * | 2021-08-19 | 2021-12-21 | 杭州回车电子科技有限公司 | 睡眠状态识别方法、装置、电子装置和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101019441A (zh) * | 2004-06-22 | 2007-08-15 | 株式会社Ntt都科摩 | 用电模式认知数据包通信方法和装置 |
| CN102133100A (zh) * | 2011-03-04 | 2011-07-27 | 上海交通大学 | 基于稀疏重表示的脑电信号检测方法 |
| CN103425249A (zh) * | 2013-09-06 | 2013-12-04 | 西安电子科技大学 | 基于正则化csp和src的脑电信号分类识别方法及其遥控系统 |
| WO2014068537A2 (en) * | 2012-11-02 | 2014-05-08 | Koninklijke Philips N.V. | Electronic switch for controlling a device in dependency on a sleep stage |
| US20170140253A1 (en) * | 2015-11-12 | 2017-05-18 | Xerox Corporation | Multi-layer fusion in a convolutional neural network for image classification |
| CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控系统 |
| CN110163180A (zh) * | 2019-05-29 | 2019-08-23 | 长春思帕德科技有限公司 | 运动想象脑电数据分类方法及系统 |
| CN110236533A (zh) * | 2019-05-10 | 2019-09-17 | 杭州电子科技大学 | 基于多深度神经网络迁移特征学习的癫痫发作预测方法 |
| CN110337638A (zh) * | 2017-03-28 | 2019-10-15 | 赫尔实验室有限公司 | 基于神经模型的控制器 |
| CN110623665A (zh) * | 2019-09-26 | 2019-12-31 | 川北医学院 | 一种智能睡眠时相检测与睡眠质量评估系统及方法 |
-
2020
- 2020-02-03 CN CN202010078747.4A patent/CN111202517B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101019441A (zh) * | 2004-06-22 | 2007-08-15 | 株式会社Ntt都科摩 | 用电模式认知数据包通信方法和装置 |
| CN102133100A (zh) * | 2011-03-04 | 2011-07-27 | 上海交通大学 | 基于稀疏重表示的脑电信号检测方法 |
| WO2014068537A2 (en) * | 2012-11-02 | 2014-05-08 | Koninklijke Philips N.V. | Electronic switch for controlling a device in dependency on a sleep stage |
| CN103425249A (zh) * | 2013-09-06 | 2013-12-04 | 西安电子科技大学 | 基于正则化csp和src的脑电信号分类识别方法及其遥控系统 |
| CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控系统 |
| US20170140253A1 (en) * | 2015-11-12 | 2017-05-18 | Xerox Corporation | Multi-layer fusion in a convolutional neural network for image classification |
| CN110337638A (zh) * | 2017-03-28 | 2019-10-15 | 赫尔实验室有限公司 | 基于神经模型的控制器 |
| CN110236533A (zh) * | 2019-05-10 | 2019-09-17 | 杭州电子科技大学 | 基于多深度神经网络迁移特征学习的癫痫发作预测方法 |
| CN110163180A (zh) * | 2019-05-29 | 2019-08-23 | 长春思帕德科技有限公司 | 运动想象脑电数据分类方法及系统 |
| CN110623665A (zh) * | 2019-09-26 | 2019-12-31 | 川北医学院 | 一种智能睡眠时相检测与睡眠质量评估系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 丑远婷: "基于卷积神经网络的P300 事件相关电位分类识别", 《中国生物医学工程学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112426147A (zh) * | 2020-10-21 | 2021-03-02 | 华南师范大学 | 睡眠呼吸事件检测模型处理方法、系统和存储介质 |
| CN112426147B (zh) * | 2020-10-21 | 2023-08-08 | 华南师范大学 | 睡眠呼吸事件检测模型处理方法、系统和存储介质 |
| CN112641451A (zh) * | 2020-12-18 | 2021-04-13 | 北方工业大学 | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 |
| CN112869711A (zh) * | 2021-01-19 | 2021-06-01 | 华南理工大学 | 一种基于深度神经网络的自动睡眠分期及迁移方法 |
| CN113208625A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于LightGBM算法的睡眠分期方法、系统 |
| CN113116307A (zh) * | 2021-04-26 | 2021-07-16 | 西安领跑网络传媒科技股份有限公司 | 一种睡眠分期方法、计算机可读存储介质及程序产品 |
| CN113303814A (zh) * | 2021-06-13 | 2021-08-27 | 大连理工大学 | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 |
| CN113812965A (zh) * | 2021-08-19 | 2021-12-21 | 杭州回车电子科技有限公司 | 睡眠状态识别方法、装置、电子装置和存储介质 |
| CN113812965B (zh) * | 2021-08-19 | 2024-04-09 | 杭州回车电子科技有限公司 | 睡眠状态识别方法、装置、电子装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111202517B (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111202517B (zh) | 一种睡眠自动分期方法、系统、介质及电子设备 | |
| Khare et al. | Time–frequency representation and convolutional neural network-based emotion recognition | |
| CN110507335B (zh) | 基于多模态信息的服刑人员心理健康状态评估方法及系统 | |
| Ay et al. | Automated depression detection using deep representation and sequence learning with EEG signals | |
| CN111461176B (zh) | 基于归一化互信息的多模态融合方法、装置、介质及设备 | |
| Zheng et al. | A novel hybrid energy fraction and entropy-based approach for systolic heart murmurs identification | |
| CN113052113B (zh) | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 | |
| CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
| Jinliang et al. | EEG emotion recognition based on granger causality and capsnet neural network | |
| CN113925459A (zh) | 一种基于脑电特征融合的睡眠分期方法 | |
| CN115919330A (zh) | 基于多层次se注意力和图卷积的eeg情绪状态分类方法 | |
| CN118044813B (zh) | 基于多任务学习的心理健康状况评估方法及系统 | |
| CN112185493A (zh) | 人格偏好诊断装置及基于该装置的项目推荐系统 | |
| Wu et al. | A novel approach to diagnose sleep apnea using enhanced frequency extraction network | |
| Zhang et al. | Competition convolutional neural network for sleep stage classification | |
| CN115969392A (zh) | 基于张量化频空注意力域适应网络的跨时段脑纹识别方法 | |
| CN113974627B (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
| Wang et al. | Hand gesture recognition using smooth wavelet packet transformation and hybrid CNN based on surface EMG and accelerometer signal | |
| Zhang et al. | Research on lung sound classification model based on dual-channel CNN-LSTM algorithm | |
| Hu et al. | Automatic heart sound classification using one dimension deep neural network | |
| Quanyu | Pulse signal analysis based on deep learning network | |
| Yu et al. | Encoding physiological signals as images for affective state recognition using convolutional neural networks | |
| Mohammadi et al. | Two-step deep learning for estimating human sleep pose occluded by bed covers | |
| Chang et al. | Data augmentation of wrist pulse signal for traditional chinese medicine using Wasserstein GAN | |
| Liao et al. | Music Education Teaching Quality Evaluation System Based on Convolutional Neural Network |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220624 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |