CN112244772A

CN112244772A - 一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备

Info

Publication number: CN112244772A
Application number: CN202011102569.0A
Authority: CN
Inventors: 王映姗
Original assignee: Individual
Current assignee: Individual
Priority date: 2020-10-15
Filing date: 2020-10-15
Publication date: 2021-01-22

Abstract

本申请公开了一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备，所述方法包括获取待检测用户的脑电信号；基于所述脑电信号以及若干经过训练的睡眠阶段分类模型，以得到若干候选预测概率组；基于若干候选预测概率组确定所述原始脑电信号对应的睡眠阶段。本申请通过若干睡眠阶段分类模型进行集成学习，增加模型的预测准确度，从而提高预测得到的睡眠阶段的准确性。

Description

一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备

技术领域

本申请涉及睡眠监测技术领域，特别涉及一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备。

背景技术

睡眠是发生在人类身上的一个重要的、动态的、有规律的过程，它对一个人的日常活动有着重要的影响，睡眠是大脑活动的最重要的功能之一。一个健康的人的大脑在睡眠过程中会经历几种心理-生理状态，即睡眠阶段。随着现在社会生活压力的增加，越来越多的人被睡眠相关的疾病，如睡眠呼吸暂停、失眠、嗜睡、昏厥等所困扰。这将严重的影响人们的健康和生活质量。越来越多的人们希望通过连续的脑电信号采集与分析并进行睡眠监护来了解自己的睡眠状态，睡眠阶段检测，就是对睡眠阶段进行分类，这对睡眠障碍的研究起着至关重要的作用。然而，现有的人工睡眠信号分类方法普遍成本昂贵、对经验的依赖性高以及耗时长的问题。

发明内容

本申请要解决的技术问题在于，针对现有技术的不足，提供一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备。

为了解决上述技术问题，本申请实施例第一方面提供一种基于深度学习的睡眠阶段预测方法，所述方法包括：

基于待检测用户的脑电信号以及若干经过训练的睡眠阶段分类模型，以得到若干候选预测概率组；

基于若干候选预测概率组确定所述原始脑电信号对应的睡眠阶段。

所述基于深度学习的睡眠阶段预测方法，其中，所述睡眠阶段分类模型的训练过程具体包括：

获取若干原始脑电信号；

对于每个原始脑电信号，基于预设滑动窗口大小以及预设移动步长将该原始脑电信号划分为若干信号数据段，以得到训练数据集；

基于得到的训练数据集对初始网络模型进行训练，以得到睡眠阶段分类模型。

所述基于深度学习的睡眠阶段预测方法，其中，所述预设滑动窗口大小以及预设移动步长的确定过程包括：

获取若干窗口参数，其中，若干窗口参数中每个窗口参数均包括滑动窗口大小以及移动步长，且各窗口参数互不相同；

基于各窗口参数以及预设脑电信号，确定若干候选数据集，其中，若干候选数据集与若干窗口参数一一对应；

基于各候选数据集对预设网络模型进行训练，以得到若干候选睡眠阶段分类模型；

基于若干候选睡眠阶段分类模型，确定预设滑动窗口大小以及预设移动步长。

所述基于深度学习的睡眠阶段预测方法，其中，所述获取若干窗口参数具体包括：

获取若干滑动窗口大小以及若干移动步长；

将若干滑动窗口大小以及若干移动步长大小进行组合，以得到若干窗口参数。

所述基于深度学习的睡眠阶段预测方法，其中，所述预设滑动窗口大小以及预设移动步长为基于第一候选睡眠阶段分类模型对应的候选数据集对应的窗口参数确定得到，其中，所述第一候选睡眠阶段分类模型为若干候选睡眠阶段分类模型中模型精度最高的候选睡眠阶段分类模型。

所述基于深度学习的睡眠阶段预测方法，其中，滑动窗口大小所述基于得到的训练数据集对初始网络模型进行训练，以得到睡眠阶段分类模型之前，所述方法包括：

确定所述训练数据集中的若干信号数据段对应的均值以及标准差；

对于训练数据集中的每个信号数据段，基于所述均值以及标准差对该信号数据段进行归一化处理，并将归一化处理得到的信号数据段作为训练数据集中的信号数据段。

所述基于深度学习的睡眠阶段预测方法，其中，所述若干睡眠阶段分类模型包括基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型。

所述基于深度学习的睡眠阶段预测方法，其中，所述基于若干候选预测概率组确定所述原始脑电信号对应的睡眠阶段之后，所述方法还包括：

获取预设时间段内所述待检测用户对应的睡眠阶段；

基于获取到的所有睡眠阶段，生成所述待检测用户对应的睡眠分析报告。

本申请实施例第二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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于深度学习的睡眠阶段预测方法中的步骤。

本申请实施例第三方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；

所述通信总线实现处理器和存储器之间的连接通信；

所述处理器执行所述计算机可读程序时实现如上任一所述的基于深度学习的睡眠阶段预测方法中的步骤。

有益效果：与现有技术相比，本申请提供了一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备，所述方法包括获取待检测用户的脑电信号；基于所述脑电信号以及若干经过训练的睡眠阶段分类模型，以得到若干候选预测概率组；基于若干候选预测概率组确定所述原始脑电信号对应的睡眠阶段。本申请通过若干睡眠阶段分类模型进行集成学习，增加模型的预测准确度，从而提高预测得到的睡眠阶段的准确性。

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而言，在不符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。

图1为本申请提供的基于深度学习的睡眠阶段预测方法的流程图。

图2为本申请提供的基于深度学习的睡眠阶段预测方法的流程示意图。

图3为本申请提供的基于深度学习的睡眠阶段预测方法中的基于卷积神经网络的分类模型的结构原理图。

图4为本申请提供的基于深度学习的睡眠阶段预测方法中的基于GRU的分类模型的结构原理图。

图5为本申请提供的基于深度学习的睡眠阶段预测方法中的基于GRU的分类模型的结构原理图。

图6为本申请提供的终端设备的结构原理图。

具体实施方式

本申请提供一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

具体实现中，本申请实施例中描述的终端设备包括但不限于诸如具有触摸敏感表面(例如，触摸显示屏和/或触摸板)的移动电话，膝上形计算机或平板计算机之类的其他便携式设备。还应该理解的是，在某些实施例中，所述设备并非便携式通讯设备，而是具有触摸敏感表面(例如，触摸显示屏和/或触摸板)的台式计算机。

在接下来的讨论中，描述了包括显示器和触摸敏感表面的终端设备。然而，应当理解的是，终端设备还可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其他物理用户接口设备。

终端设备支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、视频会议应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件由于程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数据相机应用程序、数字摄像机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放应用程序等。

可以在终端设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的第一或多个功能以及终端上显示的相应信息。这样，终端的公共物理框架(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。

应理解，本实施例中各步骤的序号和大小并不意味着执行顺序的先后，各过程的执行顺序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。

下面结合附图，通过对实施例的描述，对申请内容作进一步说明。

本实施例提供的一种基于深度学习的睡眠阶段预测方法，该方法可以由睡眠阶段预测装置来执行，所述装置可以由软件实现，应用于诸如PC机、服务器或个人数字助理等之类的的电子设备上。参见图1和图2，本实施提供了一种基于深度学习的睡眠阶段预测方法具体包括：

S10、基于待检测用户的脑电信号以及若干经过训练的睡眠阶段分类模型，以得到若干候选预测概率组。

具体地，脑电信号通过对待检测用户进行检测得到，例如，所述脑电信号可以穿戴设备采集得到的脑电信号。所述脑电信号为一段时间检测到的脑电信号，其中，一段时间可以从待检测用户躺下准备睡觉到待检测用户睡醒起床。例如，待检测用户躺下准备睡觉的时间为21:00，睡醒起床时间为次日6:00，那么脑电信号为21:00-次日6:00这段时间的脑电信号。

为了确定待检测用户在睡眠过程中所处的各睡眠阶段，可以将获取到脑电信号按照预设滑动窗口大小以及预设移动步长进行划分，以得到若干脑电信号段，并将得到若干脑电信号段与其对应的采集时间段相关联。此外，在获取到若干脑电信号段后，将每个脑电信号段作为一个脑电信号，并基于若干经过训练的睡眠阶段分类模型确定该脑电信号段对应的若干预测概率组。由此，若干脑电信号段会确定得到若干预测概率集，若干脑电信号段与若干预测概率集一一对应，若干预测概率集中的每个预测概率集均包括该预测概率集对应的脑电信号段对应的若干预测概率组。例如，若干脑电信号段包括脑电信号段A和脑电信号段B,脑电信号段A对应预测概率组a和预测概率组b，脑电信号段B对应预测概率组c和预测概率组d，那么脑电信号段A对应预测概率集1，预测概率集1包括预测概率组a和预测概率组b，脑电信号段B对应预测概率集2，预测概率集2包括预测概率组c和预测概率组d。

在本实施例的一个实现方式中，所述若干睡眠阶段分类模型中各睡眠阶段分类模型均是经过训练得到。对于若干睡眠阶段分类模型的每个睡眠阶段分类模型，该睡眠阶段分类模型的输入项均为脑电信号，输出项均为预测概率组，并且睡眠阶段分类模型对应的预测概率组包括该睡眠阶段分类模型配置的各默认睡眠阶段类别的预测概率。此外，若干睡眠阶段分类模型中各睡眠阶段分类模型的模型结构不相同，但各睡眠阶段分类模型配置的默认睡眠阶段类别相同，例如，若干睡眠阶段分类模型包括睡眠阶段分类模型A和睡眠阶段分类模型B，睡眠阶段分类模型A配置有默认睡眠阶段类别1和默认睡眠阶段2，那么睡眠阶段分类模型B也配置有默认睡眠阶段类别1和默认睡眠阶段2。

在实施例的一个实现方式中，若干睡眠阶段分类模型中各睡眠阶段分类模型各自对应的训练过程均相同，其不同在各睡眠阶段分类模型的模型结构以及所述睡眠阶段分类模型配置的模型参数不同。由此，所述睡眠阶段分类模型的训练过程具体包括：

获取若干原始脑电信号；

具体地，若干原始脑电信号中的每个原始脑电信号均为睡眠阶段的连续脑电信号，若干原始脑电信号中的每个原始脑电信号可以为同一用户的不同天的睡眠阶段的连续脑电信号，也可以是不同用户同一天的睡眠阶段的连续脑电信号。所述预设滑动窗口大小以及预设移动步长为经过预处理得到，用于将各原始脑电信号划分为若干信号数据段，以得到训练数据集，其中，训练数据集中的各信号数据段对应的信号时长相同，并且各信号数据段均对应有睡眠分期标注。

在本实施例的一个实现方式中，所述预设滑动窗口大小以及预设移动步长的确定过程包括：

获取若干窗口参数；

具体地，所述若干窗口参数中每个窗口参数均包括滑动窗口大小以及移动步长，且各窗口参数互不相同，其中，所述各窗口参数互不相同指的是对于任意两个窗口参数，分别记为窗口参数A和窗口参数B，窗口参数A的滑动窗口大小与窗口参数B中的滑动窗口大小，和/或窗口参数A的移动步长与窗口参数B中的移动步长不相同。此外，所述滑动窗口大小和移动步长为预先设置，所述若干窗口参数为基于预先设置的若干滑动窗口大小和若干移动步长确定。

基于此，在本实施例的一个实现方式中，所述获取若干窗口参数具体包括：

获取若干滑动窗口大小以及若干移动步长；

具体地，所述滑动窗口大小可以根据脑电信号的采集频率确定的，由于脑电信号的收集频率一般为125赫兹且脑电信号具有一定非严格的周期性，从而若干滑动窗口大小可以包括125,250，375，…,1250，滑动步长可以包括50，100，150，…,300。在获取到若干滑动窗口大小和移动步长后，可以将若干滑动窗口大小和移动步长两两组合以得到60组窗口参数。其中，所述两两组合指的是将对于若干滑动窗口大小中的每个滑动窗口大小，将该滑动窗口大小与各移动步长进行组合。例如，对于125，分别将50，100，150，…,300与其进行组合，以得到(125,50)，(125,100)，(125,150,)，...，(125，300)。

在本实施例的一个实现方式中，在获取到若干窗口参数后，对于若干窗口参数中的每个窗口参数，采用该若干窗口参数将预设脑电信号进行滑窗处理，可以得到若干候选数据段，得到的若干候选数据段构成候选数据集。例如，对于包含4001000个连续数据点的脑电信号，如果使用滑动窗口大小为1000、移动步长为200的窗口参数，可以生成20001候选数据段，从而得到包括有20001个候选数据段的候选数据集。此外，由每个窗口参数可以确定一个候选数据集可知，若干窗口参数可以确定若干候选数据集，并且若干候选数据集与若干窗口参数一一对应。例如，当窗口参数为60组时，确定得到候选数据集为60个。

在获取到若干候选数据集后，可以采用各候选数据集分别对预设网络模型进行训练，以得到各候选数据集训练得到的候选睡眠阶段分类模型。其中，所述预设网络模型为预先设置，所述预设网络模型的输入项为候选数据段，输出项为预测睡眠阶段类别。在本实施例的一个实现方式中，所述预设网络模型可以为一维卷积神经网络模型(CNN模型)，每个候选数据集对各CNN模型进行训练，均会得到一个经过训练的CNN模型，为此可以得到若干经过训练的CNN模型，例如，当若干候选数据集为60个候选数据集时，可以60个一维CNN模型。

在训练得到若干候选睡眠阶段分类模型后，基于第一候选睡眠阶段分类模型对应的候选数据集对应的窗口参数确定预设窗口大小以及预设移动步长，其中，所述第一候选睡眠阶段分类模型为若干候选睡眠阶段分类模型中模型精度最高的候选睡眠阶段分类模型，第一候选睡眠阶段分类模型所对应候选数据集对应的滑动窗口大小和滑动步长作为预设滑动窗口大小和预设移动步长。在本实施例的一个具体实现方式中，在获取到若干候选睡眠阶段分类模型后，可以采用验证数据对各候选睡眠阶段分类模型预测准确率进行验证，并选取预测准确率最高的候选睡眠阶段分类模型所对应候选数据集对应的滑动窗口大小和滑动步长作为预设滑动窗口大小和预设移动步长，这样可以降低滑动窗口大小以及移动步长对于模型训练的影响，从而可以提高模型训练的速度。

在本实施例的一个实现方式中，滑动窗口大小所述基于得到的训练数据集对初始网络模型进行训练，以得到睡眠阶段分类模型之前，所述方法包括：

具体地，所述均值为训练数据集中所有信号数据段的均值，所述标准差训练数据集中所有信号数据段的均值。可以理解的是，在获取到训练数据集后，分别计算训练数据中的所有信号数据段的均值，以及所有信号数据段的标准差。也就是说，训练数据集中的若干信号数据段指的是训练数据中的所有信号数据段。所述基于所述均值以及标准差对该信号数据段进行归一化处理可以为将每一个信号数据段数据减去平均向量再除以标准差向量，以得到归一化处理后的信号数据段。这样通过归一化处理可以有效地将训练数据和测试数据的范围统一限定在零向量附近，从而有助于深度学习模型训练和预测。

在本实施例的一个实现方式中，所述若干睡眠阶段分类模型包括基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型。如图3所示，所述基于卷积神经网络的分类模型包括依次级联的第一卷积层单元、第二卷积单元、第三卷积单元以及全连接单元，其中，所述第一卷积层单元、第二卷积单元以及第三卷积单元均包括级联的卷积层以及最大池化层，其中，第一卷积层单元、第二卷积单元以及第三卷积单元中的最大池化层结构相同，卷积层均为1D卷积层，但卷积层的卷积参数不同，第一卷积单元中的卷积层的卷积参数为卷积核的大小为7，卷积核数量为32；第一卷积单元中的卷积层的卷积参数为卷积核的大小为5，卷积核数量为32，第一卷积单元中的卷积层的卷积参数为卷积核的大小为3，卷积核数量为64。所述全连接单元包括第一全连接层和第二全连接层，所述第一全连接层的单元数为128，所述第二全连接层的单元数为6。所述基于卷积神经网络的分类模型配置的激活函数分别为relu激活函数以及softmax函数，relu激活函数一方面增加非线性到神经网络中，多重“relu”的叠加可以使得神经网络可以模拟非常复杂的非线性函数(在此专利中复杂的非线性函数特质睡眠信号到睡眠阶段的预测影射)，同时，相较于其他激活函数，“relu”存在计算效率优势。对于分类问题，在神经网络的最后一层使用“softmax”激活函数，可以将预测的不同分类的正负数评分预测转化为离散的概率分布。

如图4所示，基于GRU的分类模型包括GRU层以及全连接层,其中，GRU层为若干层GRU层(例如，两层、三层或者四层等)，若干GRU层中各GRU层的神经元数均为64，这样通过多层GRU层可以更好的模拟复杂的非线性影射。然而，额外的GRU层会引入额外的训练参数，增加训练的复杂度以及引入过拟合的风险，为此在本实施例的一个实现方式中，若干GRU层为两层GRU层。此外，全连接层包括两个全连接层，两个全连接层单元数分别为32和6，基于GRU的分类模型配置有relu函数以及softmax激活函数。

如图5所示，LSTM分类模型包括LSTM层和全连接层，LSTM层包括若干层LSTM层(例如，两层、三层或者四层等)，若干LSTM层中各LSTM层的神经元数均为16；全连接层包括两个全连接层，两个全连接层单元数分别为8和6，基于GRU的分类模型配置有relu函数以及softmax激活函数。在本实施例的一个实现方式中，若干层LSTM层为两层LSTM层。

在本实施例的一个实现方式中，为了微调模型，在训练基于卷积神经网络的分类模型时研究了以下超参数：学习率(learning rate)，卷积核大小(kernel size)和滤波器数(filterrnumber)；在训练基于GRU的分类模型以及基于LSTM的分类模型时研究了一下超参数：学习率(learning rate)，隐藏神经元的数量(hidden neuron number)。不同的超参数组合导致不同的神经网络结构，从而影响神经网络对当前数据的学习效率与预测准确性。超参数调节过程主要基于训练数据集，对不同超参数组合产生的神经网络结构进行训练，选取在验证数据集上表现最好的神经网络结构，即超参数组合。

此外，在实际应用中，基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型可以分别单独训练，在训练得到经过训练的基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型后，再进行集成学习使用；或者是，基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型可以分别先单独训练，在在训练得到经过训练的基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型后，将基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型进行集成，将训练数据分别输入基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型，获取基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型各自确定的预测概率组，在基于获取到所有预测概率组确定该训练样本对应的预测睡眠阶段类别，采用该预测睡眠阶段类别分别对基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型进行微调，以提高集成得到模型的模型精度。

在本实施例的一个实现方式中，采用集成学习(ensemble learning)可以提高深度学习模型的分类性能，其中，集成学习通过基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型的预测概率组确定作为最终的预测概率分布，这样可以帮助减少预测的方差，使得预测更加可靠。基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型是在同一数据集下独立进行训练的，分别使用超参数调节确定的学习速率(learning rate)训练20个epoch(一个epoch代表使用所有数据训练神经网络一遍的过程)直至收敛。相对于任意单独的CNN或者RNN模型，集成学习可以提升深度学习模型的性能。

S30、基于若干候选预测概率组确定所述原始脑电信号对应的睡眠阶段。

具体地，所述睡眠阶段可以为清醒阶段、浅度睡眠阶段、深度睡眠阶段和快速眼动睡眠阶段中的一种，若干睡眠阶段分类模型配置的默认睡眠阶段类别构成的默认睡觉阶段类别集包括且仅包括清醒阶段、浅度睡眠阶段、深度睡眠阶段和快速眼动睡眠阶段。在获取到若干候选预测概率组后，可以选取若干候选预测概率组作为最大预测概率，将该预测概率对应的睡眠阶段作为原始脑电信号对应的睡眠阶段，或者是，计算各候选预测概率组中对应于相同睡眠阶段的预测概率的平均值，根据计算得到各平均值确定原始脑电信号对应的睡眠阶段，其中，原始脑电信号对应的睡眠阶段为各平均值中的最大值对应的睡眠阶段。

在本实施例的一个实现方式中，所述基于若干候选预测概率确定所述原始脑电信号对应的睡眠阶段之后，所述方法还包括：

获取预设时间段内所述待检测用户对应的睡眠阶段；

具体地，预设时间段可以为睡眠阶段，所述预设数据段对应若干信号数据段，所述预设时间段内所述待检测用户对应的睡眠阶段指的是获取预设时间段包括的各信号数据段各自对应的睡眠阶段，并将获取到各睡眠阶段根据各信号数据段对应的采集时间进行排序，进而得到整个睡眠过程中各每一个时刻对应的睡眠阶段，进而整个睡眠过程的睡眠阶段并生成睡眠分析报告，以便于基于该睡眠分析报告以及预设的睡眠障碍检测模型确定待检测用户在睡眠过程中是否出现障碍。

综上所述，本实施例提供了一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备，所述方法包括获取待检测用户的脑电信号；基于所述脑电信号以及若干经过训练的睡眠阶段分类模型，以得到若干候选预测概率组；基于若干候选预测概率组确定所述原始脑电信号对应的睡眠阶段。本申请通过若干睡眠阶段分类模型进行集成学习，增加模型的预测准确度，从而提高预测得到的睡眠阶段的准确性。

基于上述基于深度学习的睡眠阶段预测方法，本实施例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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的基于深度学习的睡眠阶段预测方法中的步骤。

基于上述基于深度学习的睡眠阶段预测方法，本申请还提供了一种终端设备，如图6所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。

此外，上述的存储器22中的逻辑指令可以通过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。

存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。

存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。

最后应说明的是：以上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。

Claims

1.一种基于深度学习的睡眠阶段预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述基于深度学习的睡眠阶段预测方法，其特征在于，所述睡眠阶段分类模型的训练过程具体包括：

获取若干原始脑电信号；

3.根据权利要求2所述基于深度学习的睡眠阶段预测方法，其特征在于，所述预设滑动窗口大小以及预设移动步长的确定过程包括：

4.根据权利要求3所述基于深度学习的睡眠阶段预测方法，其特征在于，所述获取若干窗口参数具体包括：

获取若干滑动窗口大小以及若干移动步长；

5.根据权利要求3所述基于深度学习的睡眠阶段预测方法，其特征在于，所述预设滑动窗口大小以及预设移动步长为基于第一候选睡眠阶段分类模型对应的候选数据集对应的窗口参数确定得到，其中，所述第一候选睡眠阶段分类模型为若干候选睡眠阶段分类模型中模型精度最高的候选睡眠阶段分类模型。

6.根据权利要求2所述基于深度学习的睡眠阶段预测方法，其特征在于，滑动窗口大小所述基于得到的训练数据集对初始网络模型进行训练，以得到睡眠阶段分类模型之前，所述方法包括：

7.根据权利要求1-6任一所述基于深度学习的睡眠阶段预测方法，其特征在于，所述若干睡眠阶段分类模型包括基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型。

8.根据权利要求1所述基于深度学习的睡眠阶段预测方法，其特征在于，所述基于若干候选预测概率组确定所述原始脑电信号对应的睡眠阶段之后，所述方法还包括：

获取预设时间段内所述待检测用户对应的睡眠阶段；

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1～8任意一项所述的基于深度学习的睡眠阶段预测方法中的步骤。

10.一种终端设备，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；

所述通信总线实现处理器和存储器之间的连接通信；

所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的基于深度学习的睡眠阶段预测方法中的步骤。