CN112294342A - 一种基于深度残差Mask-CCNN的睡眠分期方法 - Google Patents
一种基于深度残差Mask-CCNN的睡眠分期方法 Download PDFInfo
- Publication number
- CN112294342A CN112294342A CN202011191789.5A CN202011191789A CN112294342A CN 112294342 A CN112294342 A CN 112294342A CN 202011191789 A CN202011191789 A CN 202011191789A CN 112294342 A CN112294342 A CN 112294342A
- Authority
- CN
- China
- Prior art keywords
- ccnn
- mask
- sleep
- sleep stage
- sequence
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 26
- 230000008667 sleep stage Effects 0.000 claims abstract description 49
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 6
- 210000004556 brain Anatomy 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000008034 disappearance Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000005728 strengthening Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 2
- 241000288105 Grus Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010022998 Irritability Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000019790 abdominal distention Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 206010020765 hypersomnia Diseases 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037053 non-rapid eye movement Effects 0.000 description 1
- 208000001797 obstructive sleep apnea Diseases 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004461 rapid eye movement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method 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
- A61B5/48—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- 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)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于深度残差Mask‑CCNN的睡眠分期算法，涉及深度学习领域，包括如下步骤：步骤a.特征提取：将含有专家睡眠阶段标记的脑电信号(EEG)数据集输入到深度残差Mask‑CCNN进行时域和频域特征提取；步骤b.特征增强：采用深度残差块增强信息特征；步骤c.序列间特征提取：双向门控循环单元BiGRU构成的编、解码器提取脑电序列间的时序特征，使用注意力机制(Attention)加强每个睡眠阶段特征序列的最相关部分；步骤d.输出处理：通过softmax层输出睡眠分期。应用已经训练好的最优模型，输入EEG信号进行睡眠阶段分期。本发明可完成EEG信号的睡眠阶段自动分期，在获得较高分期准确度的同时有效避免特征选取的主观性。
Description
技术领域
本发明涉及深度学习脑电信号分期算法领域，具体涉及一种深度学习睡眠阶段分期方法。
背景技术
睡眠对人类健康非常重要，睡眠疾病会影响患者的生活质量，如嗜睡症和睡眠呼吸暂停低通气综合征，可能导致白天嗜睡，高腹胀压力，心血管烦躁，甚至死亡。因此，睡眠监测和睡眠质量评估是卫生保健领域的重要研究课题。睡眠阶段分期分析是认识睡眠结构和诊断睡眠相关疾病的前期重要环节。
研究表明，人在睡眠过程中的状态并不是固定的，而是在若干个睡眠阶段之间进行周期性的转换，睡眠状态的转换周期也称为睡眠周期。每个睡眠周期约为90分钟，正常人的整夜睡眠过程中通常要历经4～6次睡眠周期，这个过程中收集到的EEG、EMG、EOG信号被分割成若干预定义的固定长度段,然后根据美国睡眠医学学会(American Academy andSleep Medicine,AASM)提出的AASM标准分期，将整夜睡眠被分为Wake期、非快速眼动期(N1、N2、N3期)和快速眼动期(REM期)五期。
基于脑电信号的睡眠阶段分期研究主要内容有以下三个方面：脑电信号的预处理、脑电信号的特征提取与选择分析、特征分类等关键部分进行研究。脑电信号预处理主要是去噪去伪，原始脑电信号含有低高频噪声、工频干扰、大量的肌电和口鼻气流等噪声和眼电伪迹；脑电信号的特征提取与选择分析是睡眠分期的重要环节之一。脑电信号的特征提取可以在时域及变换域中进行，常用的变换方法有傅里叶变换、小波变换、Hermite变换。然后提取若干个参数，使得这些参数能够更好的表征EEG的不同特性，进而为分类器提供最优的输入；脑电信号的特征分类一般是基于特征的，如支持向量机、随机森林、K均值聚类算法等根据脑电信号的特征进行分类。
基于深度学习的方法利用深层神经网络的逐层深入的非线性表示和无监督学习能力，通过训练网络参数自动学习得到EEG数据中具有区分度的深层次特征，从而提高基于脑电信号的睡眠阶段自动分期的效率和精度。此类方法执行速度较快，无需过分依赖专家经验，训练的分期器泛化能力较强，但此类方法中特征提取过程很大程度影响自动睡眠分期模型分期精度，为了解决此问题，需要提出一种新的方法。
发明内容
本发明针对特征提取过程很大程度影响自动睡眠分期模型分期精度问题，提出了一种基于深度残差Mask-CCNN的睡眠分期方法。本发明通过Mask-CCNN网络更全面地提取EEG信号的时频特征，并且在使用了深度残差连接实现特征信息的增强，使网络表达特征的能力增强，同时缓解梯度消失现象，从而提高分期准确度。
本发明的技术方案：
一种基于深度残差Mask-CCNN的睡眠分期方法，包括以下步骤：
步骤a.特征提取：将含有专家睡眠阶段标记的脑电信号(EEG)数据集输入到深度残差Mask-CCNN进行时域和频域特征提取；
步骤b.特征增强：采用深度残差块增强信息特征；
步骤c.序列间特征提取：双向门控循环单元BiGRU构成的编、解码器提取脑电序列间的时序特征，使用注意力机制(Attention)加强每个睡眠阶段特征序列的最相关部分；、
步骤d.输出处理：通过softmax层输出睡眠分期。
进一步的，所述步骤a扩展具体为：
a.1原始EEG信号被分为30s一段的长度,每段做好睡眠阶段的标签；
a.2将上述数据集送入Mask-CCNN网络模型进行特征提取，其中主要方式包括提取信号的时域特征、频域特征，每段数据生成向量，并顺序排列成序列；
a.3该Mask-CCNN网络模型包含Mask-CCNN-1和Mask-CCNN-2，每个Mask-CCNN部分由包含3个连续的卷积层、一个Mask层和一个残差块。Mask-CCNN部分接收EEG信号，进行特征提取，设置的Mask-CCNN-1和Mask-CCNN-2主要区别在于卷积核大小不同，其中尺寸较小的卷积核能更好地捕获信号的时域特征，较大尺寸的卷积核能更好地捕获信号的频域特征，使用这两个不同尺寸的卷积核优势就是更利于全面提取数据的时频特征。然后通过connet将输出特征组合在一起。最后这些特征通过Dropout层操作按照一定概率随机“丢弃”隐层神经元，以减弱训练期间不同神经元间的共适性，从而增强模型泛化能力，同时便于序列进入编码器进行编码；
a.4为了消除传统的线性模型表达能力不足的缺点，网络结构中又引入了激活函数，从而能够达到非线性建模的目的，选用ReLu激活函数，该激活函数与Sigmoid函数和双曲正切等其它激活函数相比，计算和收敛的速度比较快，提高了梯度下降和反向传播的效率；
a.5 Mask-CCNN网络结构最后一层加入Mask层来滤除无用(过长或过短)的脑电特征序列。
进一步的，所述步骤b扩展具体为：
b.1在Mask-CCNN网络结构中加入改进的残差块，改进残差块主要由卷积层叠加而成，加入深度残差块后不仅能使网络表达特征的能力增强，而且可以缓解梯度消失现象。
进一步的，所述步骤c扩展具体为：
c.1 BiGRU编码器对从Mask-CCNN部分输出的EEG信号特征序列进行编码，学习各种睡眠阶段间的依赖关系；
c.2 BiGRU译码器中，译码的每一步都由编码器产生序列和目标序列作为输入序列产生新的表示；
c.3在BiGRU构成的译码器中加入一种适用于循环神经网络(Recurrent neuralnetwork，RNN)的Attention，使BiGRU网络不仅考虑整个编码器输入序列，而且在解码的每一步加强编码器输出的不同部分，即注意力机制使模型在解码阶段学习输入序列中最相关的部分，同时更具导向性，从而计算各睡眠阶段。
进一步的，所述步骤d包括输出处理：通过softmax层输出睡眠阶段。然后基于对20折交叉验证的睡眠阶段分期结果，计算睡眠分期的整体准确度。
本发明相对于现有技术具有以下有益效果：
本发明通过Mask-CCNN网络更全面地提取EEG信号的时域特征，并且在使用了深度残差连接实现特征信息的增强，使网络表达特征的能力增强，同时缓解梯度消失现象，从而提高分期准确度；
本发明通过本发明中采用的是完全卷积神经网络CCNN，即去掉了标准CNN网络中的池化层，因为池化层会对输入的脑电信号特征进行降维，其中一些有用的特征可能就会被舍弃，那么使用完全卷据网络就能把有用的特征保存下来；另外在CCNN网络中加入一个Mask层，滤去了与睡眠阶段分期不相关的特征序列，使其更有利于接下来的特征分期；
本发明通过本发明中采用的改进残差块，加入残差块后不仅能使网络表达特征的能力增强，而且可以缓解梯度消失现象，加强模型的分期能力；
本发明通过本发明中采用Attention，加强每个睡眠阶段特征序列的最相关部分以选择最有用特征，从而有益于睡眠阶段分期。
本发明通过本发明中采用损失函数MFE(mean false error)减弱所用数据集睡眠因类不平衡对睡眠分期准确度的影响，MFE定义公式如下：
ci表示睡眠阶段标签(W，N1等)；
Ci是每类睡眠阶段中的样本数目；
N是可获得的分期类别(这里是睡眠阶段)；
yj(j∈[1，i])为样本的真实值；
y？j为样本的预测值；
l(ci)是ci类的计算误差；
lMFE是平均错误方差。
附图说明
图1是本发明的流程图；
图2是本发明的Mask-CCNN网络结构图；
图3是本发明的Mask-CCNN网络中卷积层各层的参数图；
图4是本发明的改进残差块与经典残差块对比图(左边为经典残差块，右边为本发明改进残差块)；
图5是本发明的改进残差块中卷积层各层的参数图；
图6是本发明使用的GRU网络结构图。
具体实施方式
以下将结合附图对本发明进行详细说明。
实施例一：
结合图1-图6示，本实施例公开的一种基于深度残差Mask-CCNN的睡眠分期方法，包括以下步骤：
步骤a.特征提取：将含有专家睡眠阶段标记的脑电信号(EEG)数据集输入到深度残差Mask-CCNN进行时域和频域特征提取；
步骤b.特征增强：采用深度残差块增强信息特征；
步骤c.序列间特征提取：双向门控循环单元BiGRU构成的编、解码器提取脑电序列间的时序特征，使用注意力机制(Attention)加强每个睡眠阶段特征序列的最相关部分；
步骤d.输出处理：通过softmax层输出睡眠分期。
所述利用深度残差Mask-CCNN对EEG进行时域和频域特征提取，并用深度残差连接实现时域信息特征的增强包括：
a.1所用数据集：本发明使用PhysioBank的开源睡眠Sleep-EDF数据集。该数据集包含61个PSG记录，PSG记录实验周期为两个昼夜(约40小时)，采样率为100Hz，所有的PSG被划分为30s，每条PSG记录包含EEG、EOG、EMG和专家根据AASM标准进行的人工睡眠阶段分期标记(分为W、N1、N2、N3、REM五期)。本文只使用了其中对健康人监测所得的39个PSG文件数据。实验时采用k折交叉验证评估本发明模型，将选用的Sleep-EDF数据集划为20个数据子集(k＝20)，交叉验证重复20次，即选取其中37个PSG数据作为训练集，另外2个PSG数据作为测试集，取20次结果的平均值作为最终模型的评价指标。
a.2特征提取：Mask-CCNN部分接收30s一段的原始EEG信号，并进行自动特征提取，设置Mask-CCNN-1和Mask-CCNN-2两部分的主要区别在于卷积核大小不同，其中尺寸较小的卷积核能更好地捕获信号的时域特征，较大尺寸的卷积核能更好地捕获信号的频率信息特征，使用这两个不同尺寸的卷积核优势就是更利于全面提取数据的时频特征；然后通过connet将输出特征组合在一起；最后这些特征通过Dropout层操作按照一定概率随机“丢弃”隐层神经元，以减弱训练期间不同神经元间的共适性，从而增强模型泛化能力，同时便于序列进入编码器进行编码；为了消除传统的线性模型表达能力不足的缺点，网络结构中又引入了激活函数，从而能够达到非线性建模的目的，选用ReLu激活函数，该激活函数与Sigmoid函数和双曲正切等其它激活函数相比，计算和收敛的速度比较快，提高了梯度下降和反向传播的效率；Mask-CCNN网络结构最后一层加入Mask层来滤除无用(过长或过短)的特征序列。Mask-CCNN网络结构图为图2所示。
a.3特征增强：在Mask-CCNN网络结构中加入改进的残差块，加入残差块后不仅能使网络表达特征的能力增强，而且可以缓解梯度消失现象。改进残差块是在经典残差块基础上进行改进，主要是去掉经典残差块中第一个卷积层后的BN层，去掉第二个到第七个卷积层的BN层和Relu激活函数，然后叠加多个卷积层在一起，通过跳跃连接方式构成残差块，即在输入信息x通过一系列卷积层的作用得到特征信息F(x)。改进残差块与经典残差块对比图为图4所示。
实施例二：
具体的，所述步骤c包括利用双向门控循环单元BiGRU构成的编解码器学习脑电序列间的时序特征，使用注意力机制(Attention)加强每个睡眠阶段特征序列的最相关部分以选择最有用特征，从而进行睡眠阶段分期包括：
c.1 BiGRU编码器：GRU模型中只有两个门，分别是更新门zt和重置门rt，GRU网络模型较LSTM网络少了一个门函数，所以参数比LSTM更少，可有效抑制过拟合，且在处理同样的问题时收敛速度更快，因此在训练大量数据时GRU能节约大量时间；相对于单向GRU，BiGRU可以通过使用两个GRU独立地处理前后两个方向的输入序列，两个方向的GRU的输出彼此无连接，因此能够利用前后两侧的时间信息，所以本发明选用BiGRU作为编码器。BiGRU编码器通过结合EEG信号特征序列xt和上一节点传递下来包含之前节点相关信息的隐状态信息ht-1，会得到当前隐藏节点的输出yt和传递给下一节点的隐状态ht，以此实现对各种睡眠阶段间的依赖关系，完成不同类型特征的融合结合。GRU网络结构图为图6所示。
c.2 BiGRU译码器中，译码的每一步都由编码器产生序列和目标序列作为输入序列产生新的表示；
c.3在BiGRU构成的译码器中加入一种适用于循环神经网络(Recurrent neuralnetwork，RNN)的Attention，考虑了编码器表示和解码隐藏向量的组合，调用注意向量(ct)。使BiGRU网络不仅考虑整个编码器输入序列，而且在解码的每一步加强编码器输出的不同部分，即注意力机制使模型在解码阶段学习输入序列中最相关的部分，同时更具导向性。ct计算公式如下：
f(ht-1,ei)＝tanh(Whht-1+Wiei) (3)
其中，
权重函数f(.)为通过Softmax函数计算的对应每个BiGRU译码器中每个隐藏状态的重要性(即概率ai)；
ei为编码器输出的隐藏向量；
ht-1为译码器隐藏状态。
实施例三：
具体的：进一步的，所述步骤c是输出处理，通过softmax层输出前述网络模型的各类睡眠阶段。
实施例四：
具体的：本发明采用MFE损失函数减弱所用数据集睡眠因类不平衡对睡眠分期准确度的影响，MFE定义公式如下：
ci表示睡眠阶段标签(W，N1等)；
Ci是每类睡眠阶段中的样本数目；
N是可获得的分期类别(这里是睡眠阶段)；
yj(j∈[1，i])为样本的真实值；
y？j为样本的预测值；
l(ci)是ci类的计算误差；
lMFE是平均错误方差。
以上实施例只是对本发明的示例性说明，并不限于它的保护范围，本领域技术人员还可以对其局部进行改变，只要没有超出本发明的精神实质，都在本发明的保护范围内。
Claims (5)
1.一种基于深度残差Mask-CCNN的睡眠分期方法，其特征在于：包括以下步骤：
步骤a.特征提取：将含有专家睡眠阶段标记的脑电信号数据集输入到深度残差Mask-CCNN进行时频特征提取；
步骤b.特征增强：采用深度残差块增强信息特征；
步骤c.序列间特征提取：双向门控循环单元BiGRU构成的编、解码器提取脑电序列间的时序特征，使用注意力机制加强每个睡眠阶段特征序列的最相关部分；
步骤d.输出处理：通过softmax层输出睡眠分期。
2.根据权利要求1所述的一种基于深度残差Mask-CCNN的睡眠分期方法，其特征在于，所述步骤a包括利用深度残差Mask-CCNN对基于专家经验标记睡眠阶段的脑电信号进行时域和频域特征提取，并用深度残差连接实现信息特征的增强，包括如下步骤：
a.1将将含有专家睡眠阶段标记的30sEEG数据集送入Mask-CCNN网络模型进行特征提取，其中主要包括提取信号的时域特征、频域特征，每段数据生成向量，并顺序排列成序列；
a.2该Mask-CCNN网络模型包含Mask-CCNN-1和Mask-CCNN-2，每个Mask-CCNN部分由包含3个连续的卷积层、一个Mask层和一个残差块，Mask-CCNN部分接收EEG信号，进行特征提取，设置的Mask-CCNN-1和Mask-CCNN-2主要区别在于卷积核大小不同，其中尺寸较小的卷积核能更好地捕获信号的时域特征，较大尺寸的卷积核能更好地捕获信号的频域特征，使用两个不同尺寸的卷积核优势就是更利于全面提取数据的时频特征，然后通过connet将输出特征组合在一起，最后这些特征通过Dropout层操作按照一定概率随机“丢弃”隐层神经元，以减弱训练期间不同神经元间的共适性，从而增强模型泛化能力，同时便于序列进入编码器进行编码；
a.3为了消除传统的线性模型表达能力不足的缺点，网络结构中又引入了激活函数，从而能够达到非线性建模的目的，选用ReLu激活函数，该激活函数与Sigmoid函数和双曲正切等其它激活函数相比，计算和收敛的速度比较快，提高了梯度下降和反向传播的效率；
a.4Mask-CCNN网络结构最后一层加入Mask层来滤除无用的脑电特征序列。
3.根据权利要求1所述一种基于深度残差Mask-CCNN的睡眠分期方法，其特征在于，所述步骤b采用深度残差块增强信息特征包括如下步骤：
b.1在Mask-CCNN网络结构中加入改进的残差块，加入残差块后不仅能使网络表达特征的能力增强，而且可以缓解梯度消失现象。
4.根据权利要求1所述一种基于深度残差Mask-CCNN的睡眠分期方法，其特征在于，所述步骤c采用双向门控循环单元BiGRU构成的编、解码器学习脑电序列间的时序特征，使用注意力机制加强每个睡眠阶段特征序列的最相关部分，进而进行睡眠阶段计算，包括如下步骤：
c.1BiGRU编码器对从Mask-CCNN部分输出的EEG信号特征序列进行编码，学习各种睡眠阶段间的依赖关系；
c.2BiGRU译码器中，译码的每一步都由编码器产生序列和目标序列作为输入序列产生新的表示；
c.3在BiGRU构成的译码器中加入一种适用于循环神经网络的Attention，使BiGRU网络不仅考虑整个编码器输入序列，而且在解码的每一步加强编码器输出的不同部分，即注意力机制使模型在解码阶段学习输入序列中最相关的部分，同时更具导向性。
5.根据权利要求1所述一种基于深度残差Mask-CCNN的睡眠分期方法，其特征在于，所述步骤d包括输出处理：通过softmax层输出睡眠阶段，计算睡眠分期的整体准确度。
d.1采用损失函数减弱所用数据集睡眠因类不平衡对睡眠分期准确度的影响。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011191789.5A CN112294342A (zh) | 2020-10-30 | 2020-10-30 | 一种基于深度残差Mask-CCNN的睡眠分期方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011191789.5A CN112294342A (zh) | 2020-10-30 | 2020-10-30 | 一种基于深度残差Mask-CCNN的睡眠分期方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112294342A true CN112294342A (zh) | 2021-02-02 |
Family
ID=74333099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011191789.5A Pending CN112294342A (zh) | 2020-10-30 | 2020-10-30 | 一种基于深度残差Mask-CCNN的睡眠分期方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112294342A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113261982A (zh) * | 2021-04-01 | 2021-08-17 | 复旦大学 | 一种基于眼电的便携式智能睡眠眼罩 |
| CN114129138A (zh) * | 2021-12-29 | 2022-03-04 | 北京工业大学 | 一种基于时序多尺度混合注意力模型的自动睡眠分期方法 |
| CN114246594A (zh) * | 2021-12-17 | 2022-03-29 | 天津大学 | 脑电信号处理方法、背景脑电预测模型的训练方法及装置 |
| CN114366038A (zh) * | 2022-02-17 | 2022-04-19 | 重庆邮电大学 | 基于改进的深度学习算法模型的睡眠信号自动分期方法 |
| CN115381467A (zh) * | 2022-10-31 | 2022-11-25 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
| CN117617911A (zh) * | 2024-01-25 | 2024-03-01 | 长春理工大学 | 一种睡眠阶段分期方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012076923A1 (en) * | 2010-12-08 | 2012-06-14 | Universite De Rouen | Method and system for automatic scoring of sleep stages |
| CN110811558A (zh) * | 2019-11-18 | 2020-02-21 | 郑州大学 | 基于深度学习的睡眠觉醒分析方法 |
| CN110897639A (zh) * | 2020-01-02 | 2020-03-24 | 清华大学深圳国际研究生院 | 一种基于深度卷积神经网络的脑电睡眠分期方法 |
| KR20200075711A (ko) * | 2018-12-07 | 2020-06-26 | 이화여자대학교 산학협력단 | 인공지능 수면개선 비침습적 뇌회로 조절치료시스템 및 방법 |
| CN111631688A (zh) * | 2020-06-24 | 2020-09-08 | 电子科技大学 | 睡眠自动分期的算法 |
-
2020
- 2020-10-30 CN CN202011191789.5A patent/CN112294342A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012076923A1 (en) * | 2010-12-08 | 2012-06-14 | Universite De Rouen | Method and system for automatic scoring of sleep stages |
| KR20200075711A (ko) * | 2018-12-07 | 2020-06-26 | 이화여자대학교 산학협력단 | 인공지능 수면개선 비침습적 뇌회로 조절치료시스템 및 방법 |
| CN110811558A (zh) * | 2019-11-18 | 2020-02-21 | 郑州大学 | 基于深度学习的睡眠觉醒分析方法 |
| CN110897639A (zh) * | 2020-01-02 | 2020-03-24 | 清华大学深圳国际研究生院 | 一种基于深度卷积神经网络的脑电睡眠分期方法 |
| CN111631688A (zh) * | 2020-06-24 | 2020-09-08 | 电子科技大学 | 睡眠自动分期的算法 |
Non-Patent Citations (1)
| Title |
|---|
| 金欢欢 等: "基于生成少数类技术的深度自动睡眠分期模型", 计算机应用, vol. 38, no. 09, pages 2483 - 2488 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113261982A (zh) * | 2021-04-01 | 2021-08-17 | 复旦大学 | 一种基于眼电的便携式智能睡眠眼罩 |
| CN114246594A (zh) * | 2021-12-17 | 2022-03-29 | 天津大学 | 脑电信号处理方法、背景脑电预测模型的训练方法及装置 |
| CN114246594B (zh) * | 2021-12-17 | 2024-04-09 | 天津大学 | 脑电信号处理方法、背景脑电预测模型的训练方法及装置 |
| CN114129138A (zh) * | 2021-12-29 | 2022-03-04 | 北京工业大学 | 一种基于时序多尺度混合注意力模型的自动睡眠分期方法 |
| CN114129138B (zh) * | 2021-12-29 | 2023-09-22 | 北京工业大学 | 一种基于时序多尺度混合注意力模型的自动睡眠分期方法 |
| CN114366038A (zh) * | 2022-02-17 | 2022-04-19 | 重庆邮电大学 | 基于改进的深度学习算法模型的睡眠信号自动分期方法 |
| CN114366038B (zh) * | 2022-02-17 | 2024-01-23 | 重庆邮电大学 | 基于改进的深度学习算法模型的睡眠信号自动分期方法 |
| CN115381467A (zh) * | 2022-10-31 | 2022-11-25 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
| CN117617911A (zh) * | 2024-01-25 | 2024-03-01 | 长春理工大学 | 一种睡眠阶段分期方法、装置、设备及存储介质 |
| CN117617911B (zh) * | 2024-01-25 | 2024-03-26 | 长春理工大学 | 一种睡眠阶段分期方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112294342A (zh) | 一种基于深度残差Mask-CCNN的睡眠分期方法 | |
| Jindal et al. | An adaptive deep learning approach for PPG-based identification | |
| CN112656427B (zh) | 一种基于维度模型的脑电信号情绪识别方法 | |
| CN114564991B (zh) | 基于Transformer引导卷积神经网络的脑电信号分类方法 | |
| Yavuz et al. | An epileptic seizure detection system based on cepstral analysis and generalized regression neural network | |
| CN106805965A (zh) | 一种心电信号分类方法及装置 | |
| CN112450885B (zh) | 一种面向癫痫脑电的识别方法 | |
| CN113274031B (zh) | 一种基于深度卷积残差网络的心律失常分类方法 | |
| You et al. | SpindleU-Net: An adaptive u-net framework for sleep spindle detection in single-channel EEG | |
| CN111297327B (zh) | 一种睡眠分析方法、系统、电子设备及存储介质 | |
| CN115530847A (zh) | 一种基于多尺度注意力的脑电信号自动睡眠分期方法 | |
| Liang et al. | Obstructive sleep apnea detection using combination of CNN and LSTM techniques | |
| Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
| Wang et al. | Deep learning for sleep stage classification | |
| CN115422973A (zh) | 一种基于注意力的时空网络的脑电情绪识别方法 | |
| Yulita et al. | A quantization of deep belief networks for long short-term memory in sleep stage detection | |
| Srivastava et al. | ApneaNet: A hybrid 1DCNN-LSTM architecture for detection of Obstructive Sleep Apnea using digitized ECG signals | |
| CN117158997A (zh) | 一种基于深度学习的癫痫脑电信号分类模型的建立方法、分类方法 | |
| Yuan et al. | Automatic seizure detection using logarithmic Euclidean-Gaussian mixture models (LE-GMMs) and improved deep forest learning | |
| CN113768514B (zh) | 基于卷积神经网络与门控循环单元的心律失常分类方法 | |
| Zhou et al. | A new method based on CEEMD combined with iterative feature reduction for aided diagnosis of epileptic EEG | |
| CN116522106A (zh) | 一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法 | |
| Shen | Effectiveness of a convolutional neural network in sleep arousal classification using multiple physiological signals | |
| Hao et al. | A novel sleep staging algorithm based on hybrid neural network | |
| Zhang et al. | Multi-feature decision fusion network for heart sound abnormality detection and classification |
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 |