CN113303814A - 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 - Google Patents

Abstract

本发明属于睡眠监测技术领域，基于深度迁移学习的单通道耳脑电自动睡眠分期方法，包括以下步骤：(1)信号采集及预处理，(2)特征提取，(3)模型适配，(4)模型评估。本发明具有以下优点：一是，使用CNN对源域数据进行端对端的训练，自动提取睡眠脑电数据SHHS的特征；二是，使用3个结构相同但网络参数不同的1D CNN进行并行特征提取，提取睡眠脑电数据SHHS的时域、时频域及频域特征；三是，采用深度迁移学习算法，完成源域和目标域数据的适配，四是，搭建的深度迁移学习模型，使得适用于脑电信号的睡眠分期模型应用于耳脑电信号上，完成不同受试者、不同设备、不同通道的迁移，实现连续的自动睡眠分期。

Description

基于深度迁移学习的单通道耳脑电自动睡眠分期方法

技术领域

本发明涉及一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法，属于睡眠监测技术领域。

背景技术

人的一生中约有1/3的时间在睡眠中度过，良好的睡眠质量可以帮助身体和大脑恢复机能、巩固记忆和保存能量。但是，随着现代社会生活节奏的不断加快，越来越多的人面临严重的睡眠障碍。实际上许多与大脑相关的疾病，在清醒状态时很难被发现。当人处于睡眠状态时，大脑对外部环境的刺激反应衰减，这时病症就会显现出来。因此，分析人体睡眠质量对诊断大脑疾病、改善睡眠质量和提升健康生活水平具有重要意义。

睡眠质量评估的一个重要内容是对睡眠脑电信号进行睡眠分期。根据最新美国睡眠医学会AASM标准，睡眠可分为清醒期W，快速眼动期REM和非快速眼动期N1、N2、N3，其中N1和N2为浅睡期，N3为深度睡眠期。目前临床睡眠检测技术主要是根据多导睡眠图(Polysomnographic,PSG)同步采集脑电图(EEG)、肌电图(EMG)、心电图(ECG)、眼电图(EOG)、血氧饱和度、心率和肢体运动等信号对每30s的睡眠阶段进行人工判定。这种人工判定方式不仅费时费力，而且判读的结果很大程度上依赖于睡眠专家的专业水平和个人经验。此外，PSG本身存在着费用昂贵、工作量大、易引起不适影响正常睡眠等局限性，制约其无法推广应用。最新研究表明脑电可以传导到耳道内，耳脑电传感器具有佩戴舒适、鲁棒性高和适合长时间采集等优点，这意味着耳道脑电具有适合作为睡眠状态监测的独特优势。然而，耳道脑电的睡眠分期准确率仅达70％左右，与同步采集的头皮睡眠脑电分期准确率(80％左右)相比还存在一定的差距。其主要原因在于模型忽略了脑电信号的个体差异性和信号源差异，导致模型的泛化能力较弱。

发明内容

为了克服现有技术中存在的不足，本发明目的是提供一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法。该方法对源域单通道脑电信号通过卷积神经网络进行自动特征提取，得到脑电信号自动分期模型，再通过深度迁移学习算法将脑电信号的自动分期模型迁移应用于耳脑电信号上，实现基于耳脑电信号的自动睡眠分期，改进睡眠分期性能。

为了实现上述发明目的，解决已有技术中所存在的问题，本发明采取的技术方案是：一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法，包括以下步骤：

步骤1、信号采集及预处理，采集受试者耳脑电信号，以及对睡眠数据库单通道头皮脑电信号及采集的耳脑电信号进行预处理，具体包括以下子步骤：

(a)、目标域数据的采集及预处理，采用耳脑电电极采集受试者整夜耳脑电信号，设置采样频率为125Hz，将采集后的耳脑电信号依次选取3750个采样点，作为一个睡眠时期，即一个30s的睡眠时期，对采集到的耳脑电信号进行睡眠专家评分，以便后续进行模型评估，并对耳脑电信号进行0.1-50Hz的带通滤波；

(b)、源域数据的选取及预处理，选取美国国家睡眠研究资源提供的睡眠心脏健康研究数据SHHS中接近正常多导睡眠图记录的100个受试者的C4-A1通道数据作为源域数据；将源域数据中非快速眼动期的深度睡眠期标签S3、S4合并为非快速眼动期N3，并排除体动和未知标签；考虑到非快速眼动期N1数据少，通过合成少数类过采样技术SMOTE将源域数据处理为类平衡数据，并对源域数据进行0.1-50Hz的带通滤波；

步骤2、特征提取，构建卷积神经网络CNN，提取睡眠数据库单通道头皮脑电信号及耳脑电信号的时不变特征，构建的卷积神经网络由源域数据输入，特征提取和分类输出层组成，具体包括以下子步骤：

(a)、源域数据输入，输入源域预处理后的C4-A1通道数据，采样频率为125Hz，即一个30s的睡眠时期为3750个采样点；将数据分成10份以便进行10折交叉验证，对于第一次交叉验证，采用源域数据中90个受试者的睡眠脑电数据做训练，剩余10个受试者睡眠脑电数据用作测试；

(b)、特征提取，选用3个结构相同但网络参数不同的一维CNN，即1D CNN并行提取睡眠脑电EEG的时不变特征，网络训练层共包含8层，由4个一维卷积层、2个最大池化层maxpool、2个Dropout层组成；其中，三个初始卷积层中卷积核的大小分别为Fs/2、2Fs、4Fs，均选用64个卷积核，Fs表示使用的实验数据的采样频率125Hz，步长分别为Fs/16、Fs/6、Fs/2；在卷积层后加入maxpool，池化核大小分别为8、6、4，步长分别为8、6、4；在maxpool后加入Dropout层，使某个神经元的激活值以概率p停止工作，概率p选取0.5；在后续卷积层中，卷积核大小和步长选择小的固定值，3个卷积核的大小分别为8、7、6，步长均为1，均选用128个卷积核，用尺寸小的多层卷积核代替大卷积核的单层卷积核；卷积层后maxpool的池化核大小分别为4、3、2，步长分别为4、3、2；

共有n段30s的单通道脑电信号{x₁,…,x_n}，应用三个1D CNN提取第i个脑电信号x_i第j个特征a_j，通过公式(1)-(4)进行描述，

式中，θ_s、θ_m和θ_l分别表示CNN小、中和大卷积核的参数，

和

分别表示使用CNN小卷积核、中卷积核和大卷积核将一个30s的睡眠脑电信号x_i转换成一个特征向量h_j ^s、h_j ^m和h_j ^l，||表示将两层卷积核输出的特征向量连接起来；在网络训练过程中，采用交叉熵损失函数度量损失，损失函数通过公式(5)进行描述，

表示CNN参数的集合，l表示网络的层数，J表示交叉熵损失函数，θ(x_i)表示第i个睡眠脑电信号x_i通过CNN训练预测为某个睡眠阶段的概率，y_i表示指示变量，如果x_i的预测分期与真实分期相同则为1，否则为0；

(c)、分类输出层，CNN的最后一层通过全连接层输出，激活函数为softmax，对于睡眠阶段i，通过

将预测的5个睡眠阶段映射为[0,1]的输出，Z_i为经过CNN的输出，

为经过CNN输出预测为5个睡眠阶段的指数和；

(d)、采用基于mini-batch的Adam优化算法更新网络权重；

(e)、以上步骤为一次交叉验证，此步骤重复进行10次，完成10折交叉验证；

步骤3、模型适配，构建深度迁移学习模型，使得源域脑电信号的睡眠分期模型能应用于目标域的耳脑电信号上，进而完成耳脑电信号的自动睡眠分期，具体包括以下子步骤：

(a)、输入数据：输入源域预处理后的C4-A1通道数据和目标域单通道耳脑电信号数据；

(b)、加入适配层：在特征层即步骤2构建的卷积神经网络实现源域数据的参数和目标域数据的参数共享；在网络深层，即分类器前加入三层适配层，即三层全连接层；在源域数据和目标域数据的三层适配层之间加入多核最大均值差异MK-MMD的度量函数，来度量源域数据和目标域数据的距离，最大均值差异即通过多个高斯核函数K将源域数据和目标域数据映射到再生核希尔伯特空间，在再生核希尔伯特空间度量两个分布p和q的距离，多个核定义的核函数K通过公式(6)进行描述，

β为不同高斯核贡献的权重，贡献大的高斯核权重大，贡献小的高斯核权重小，k_m表示第m个高斯核，并将其加入网络的损失中继续训练，MK-MMD通过公式(7)进行描述，

式中，d_k(p,q)表示再生核希尔伯特空间H_K的距离，其中，φ(x^s)、φ(x^t)分别为源域数据x^s和目标域数据x^t在再生核希尔伯特空间的映射，E_p表示数学期望；因此，整个深度迁移学习模型的优化目标由分类损失函数和度量函数构成，通过公式(8)进行描述，

式中，l₁、l₂表示网络适配是从第l₁层到第l₂层；

和

分别表示源域数据和目标域数据样本经过网络第l层的输出，参数λ决定了混淆域数据的强度；

(c)、采用基于mini-batch的Adam优化算法更新网络权重；

步骤4、模型评估，根据源域脑电信号SHHS的标签和目标域耳脑电信号睡眠专家的评分，分别采用每类指标和总体指标对构建的深度迁移学习模型得到的睡眠5期分期结果进行评估，分别包括准确率PR、召回率RE，以及总体准确率ACC和宏平均F1值，即MF1，具体通过公式(9)-(13)进行描述，

式中，TP表示正实例，即将正类预测为正类数，FP表示示假正例，即将负类预测为正类数，FN表示假反例，即将正类预测为负类数，N表示所有睡眠阶段的样本总数，I表示睡眠阶段总类数。

本发明有益效果是：一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法，包括以下步骤：(1)信号采集及预处理，(2)特征提取，(3)模型适配，(4)模型评估。与已有技术相比，本发明具有以下优点：一是，使用CNN对源域数据进行端对端的训练，自动提取睡眠脑电数据SHHS的特征；二是，使用3个结构相同但网络参数不同的1D CNN进行并行特征提取，提取睡眠脑电数据SHHS的时域、时频域及频域特征；三是，采用深度迁移学习算法，完成源域和目标域数据的适配，使得源域和目标域的数据分布更加接近；四是，搭建的深度迁移学习模型，使得适用于脑电信号的睡眠分期模型应用于耳脑电信号上，完成不同受试者、不同设备、不同通道的迁移，实现便携式单导脑电的无侵扰、无创、连续的自动睡眠分期。

附图说明

图1是本发明方法步骤流程图。

图2是本发明CNN特征提取图。

图3是本发明深度迁移学习模型结构图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法，包括以下步骤：

步骤1、信号采集及预处理，采集受试者耳脑电信号，以及对睡眠数据库单通道头皮脑电信号及采集的耳脑电信号进行预处理，具体包括以下子步骤：

(a)、目标域数据的采集及预处理，采用耳脑电电极采集受试者整夜耳脑电信号，设置采样频率为125Hz，将采集后的耳脑电信号依次选取3750个采样点，作为一个睡眠时期，即一个30s的睡眠时期，对采集到的耳脑电信号进行睡眠专家评分，以便后续进行模型评估，并对耳脑电信号进行0.1-50Hz的带通滤波；

(b)、源域数据的选取及预处理，选取美国国家睡眠研究资源提供的睡眠心脏健康研究数据SHHS中接近正常多导睡眠图记录的100个受试者的C4-A1通道数据作为源域数据；将源域数据中非快速眼动期的深度睡眠期标签S3、S4合并为非快速眼动期N3，并排除体动和未知标签；考虑到非快速眼动期N1数据少，通过合成少数类过采样技术SMOTE将源域数据处理为类平衡数据，并对源域数据进行0.1-50Hz的带通滤波；

步骤2、特征提取，构建卷积神经网络CNN，提取睡眠数据库单通道头皮脑电信号及耳脑电信号的时不变特征，构建的卷积神经网络由源域数据输入，特征提取和分类输出层组成，具体包括以下子步骤：

(a)、源域数据输入，输入源域预处理后的C4-A1通道数据，采样频率为125Hz，即一个30s的睡眠时期为3750个采样点；将数据分成10份以便进行10折交叉验证，对于第一次交叉验证，采用源域数据中90个受试者的睡眠脑电数据做训练，剩余10个受试者睡眠脑电数据用作测试；

(b)、特征提取，选用3个结构相同但网络参数不同的一维CNN，即1D CNN并行提取睡眠脑电EEG的时不变特征，如图2所示，网络训练层共包含8层，由4个一维卷积层、2个最大池化层maxpool、2个Dropout层组成；其中，三个初始卷积层中卷积核的大小分别为Fs/2、2Fs、4Fs，均选用64个卷积核，Fs表示使用的实验数据的采样频率125Hz，步长分别为Fs/16、Fs/6、Fs/2；在卷积层后加入maxpool，池化核大小分别为8、6、4，步长分别为8、6、4；在maxpool后加入Dropout层，使某个神经元的激活值以概率p停止工作，概率p选取0.5；在后续卷积层中，卷积核大小和步长选择小的固定值，3个卷积核的大小分别为8、7、6，步长均为1，均选用128个卷积核，用尺寸小的多层卷积核代替大卷积核的单层卷积核；卷积层后maxpool的池化核大小分别为4、3、2，步长分别为4、3、2；

共有n段30s的单通道脑电信号{x₁,…,x_n}，应用三个1D CNN提取第i个脑电信号x_i第j个特征a_j，通过公式(1)-(4)进行描述，

式中，θ_s、θ_m和θ_l分别表示CNN小、中和大卷积核的参数，

和

分别表示使用CNN小卷积核、中卷积核和大卷积核将一个30s的睡眠脑电信号x_i转换成一个特征向量h_j ^s、h_j ^m和h_j ^l，||表示将两层卷积核输出的特征向量连接起来；在网络训练过程中，采用交叉熵损失函数度量损失，损失函数通过公式(5)进行描述，

表示CNN参数的集合，l表示网络的层数，J表示交叉熵损失函数，θ(x_i)表示第i个睡眠脑电信号x_i通过CNN训练预测为某个睡眠阶段的概率，y_i表示指示变量，如果x_i的预测分期与真实分期相同则为1，否则为0；

(c)、分类输出层，CNN的最后一层通过全连接层输出，激活函数为softmax，对于睡眠阶段i，通过

将预测的5个睡眠阶段映射为[0,1]的输出，Z_i为经过CNN的输出，

为经过CNN输出预测为5个睡眠阶段的指数和；

(d)、采用基于mini-batch的Adam优化算法更新网络权重；

(e)、以上步骤为一次交叉验证，此步骤重复进行10次，完成10折交叉验证；

步骤3、模型适配，构建深度迁移学习模型，使得源域脑电信号的睡眠分期模型能应用于目标域的耳脑电信号上，进而完成耳脑电信号的自动睡眠分期，具体包括以下子步骤：

(a)、输入数据：输入源域预处理后的C4-A1通道数据和目标域单通道耳脑电信号数据；

(b)、加入适配层：在特征层即步骤2构建的卷积神经网络实现源域数据的参数和目标域数据的参数共享，如图3所示，在网络深层，即分类器前加入三层适配层，即三层全连接层；在源域数据和目标域数据的三层适配层之间加入多核最大均值差异MK-MMD的度量函数，来度量源域数据和目标域数据的距离，最大均值差异即通过多个高斯核函数K将源域数据和目标域数据映射到再生核希尔伯特空间，在再生核希尔伯特空间度量两个分布p和q的距离，多个核定义的核函数K通过公式(6)进行描述，

β为不同高斯核贡献的权重，贡献大的高斯核权重大，贡献小的高斯核权重小，k_m表示第m个高斯核，并将其加入网络的损失中继续训练，MK-MMD通过公式(7)进行描述，

式中，d_k(p,q)表示再生核希尔伯特空间H_K的距离，其中，φ(x^s)、φ(x^t)分别为源域数据x^s和目标域数据x^t在再生核希尔伯特空间的映射，E_p表示数学期望；因此，整个深度迁移学习模型的优化目标由分类损失函数和度量函数构成，通过公式(8)进行描述，

式中，l₁、l₂表示网络适配是从第l₁层到第l₂层，在该网络中l₁为9，l₂为11，

和

分别表示源域数据和目标域数据样本经过网络第l层的输出，参数λ决定了混淆域数据的强度，λ设置为1；

(c)、采用基于mini-batch的Adam优化算法更新网络权重；

步骤4、模型评估，根据源域脑电信号SHHS的标签和目标域耳脑电信号睡眠专家的评分，分别采用每类指标和总体指标对构建的深度迁移学习模型得到的睡眠5期分期结果进行评估，分别包括准确率PR、召回率RE，以及总体准确率ACC和宏平均F1值，即MF1，具体通过公式(9)-(13)进行描述，

式中，TP表示正实例，即将正类预测为正类数，FP表示示假正例，即将负类预测为正类数，FN表示假反例，即将正类预测为负类数，N表示所有睡眠阶段的样本总数，I表示睡眠阶段总类数。

Claims (1)

1.一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法，其特征在于包括以下步骤：

步骤1、信号采集及预处理，采集受试者耳脑电信号，以及对睡眠数据库单通道头皮脑电信号及采集的耳脑电信号进行预处理，具体包括以下子步骤：

(a)、目标域数据的采集及预处理，采用耳脑电电极采集受试者整夜耳脑电信号，设置采样频率为125Hz，将采集后的耳脑电信号依次选取3750个采样点，作为一个睡眠时期，即一个30s的睡眠时期，对采集到的耳脑电信号进行睡眠专家评分，以便后续进行模型评估，并对耳脑电信号进行0.1-50Hz的带通滤波；

(b)、源域数据的选取及预处理，选取美国国家睡眠研究资源提供的睡眠心脏健康研究数据SHHS中接近正常多导睡眠图记录的100个受试者的C4-A1通道数据作为源域数据；将源域数据中非快速眼动期的深度睡眠期标签S3、S4合并为非快速眼动期N3，并排除体动和未知标签；考虑到非快速眼动期N1数据少，通过合成少数类过采样技术SMOTE将源域数据处理为类平衡数据，并对源域数据进行0.1-50Hz的带通滤波；

步骤2、特征提取，构建卷积神经网络CNN，提取睡眠数据库单通道头皮脑电信号及耳脑电信号的时不变特征，构建的卷积神经网络由源域数据输入，特征提取和分类输出层组成，具体包括以下子步骤：

(a)、源域数据输入，输入源域预处理后的C4-A1通道数据，采样频率为125Hz，即一个30s的睡眠时期为3750个采样点；将数据分成10份以便进行10折交叉验证，对于第一次交叉验证，采用源域数据中90个受试者的睡眠脑电数据做训练，剩余10个受试者睡眠脑电数据用作测试；

(b)、特征提取，选用3个结构相同但网络参数不同的一维CNN，即1DCNN并行提取睡眠脑电EEG的时不变特征，网络训练层共包含8层，由4个一维卷积层、2个最大池化层maxpool、2个Dropout层组成；其中，三个初始卷积层中卷积核的大小分别为Fs/2、2Fs、4Fs，均选用64个卷积核，Fs表示使用的实验数据的采样频率125Hz，步长分别为Fs/16、Fs/6、Fs/2；在卷积层后加入maxpool，池化核大小分别为8、6、4，步长分别为8、6、4；在maxpool后加入Dropout层，使某个神经元的激活值以概率p停止工作，概率p选取0.5；在后续卷积层中，卷积核大小和步长选择小的固定值，3个卷积核的大小分别为8、7、6，步长均为1，均选用128个卷积核，用尺寸小的多层卷积核代替大卷积核的单层卷积核；卷积层后maxpool的池化核大小分别为4、3、2，步长分别为4、3、2；

共有n段30s的单通道脑电信号{x₁,…,x_n}，应用三个1D CNN提取第i个脑电信号x_i第j个特征a_j，通过公式(1)-(4)进行描述，

式中，θ_s、θ_m和θ_l分别表示CNN小、中和大卷积核的参数，

和

分别表示使用CNN小卷积核、中卷积核和大卷积核将一个30s的睡眠脑电信号x_i转换成一个特征向量h_j ^s、h_j ^m和h_j ^l，||表示将两层卷积核输出的特征向量连接起来；在网络训练过程中，采用交叉熵损失函数度量损失，损失函数通过公式(5)进行描述，

表示CNN参数的集合，l表示网络的层数，J表示交叉熵损失函数，θ(x_i)表示第i个睡眠脑电信号x_i通过CNN训练预测为某个睡眠阶段的概率，y_i表示指示变量，如果x_i的预测分期与真实分期相同则为1，否则为0；

(c)、分类输出层，CNN的最后一层通过全连接层输出，激活函数为softmax，对于睡眠阶段i，通过

将预测的5个睡眠阶段映射为[0,1]的输出，Z_i为经过CNN的输出，

为经过CNN输出预测为5个睡眠阶段的指数和；

(d)、采用基于mini-batch的Adam优化算法更新网络权重；

(e)、以上步骤为一次交叉验证，此步骤重复进行10次，完成10折交叉验证；

步骤3、模型适配，构建深度迁移学习模型，使得源域脑电信号的睡眠分期模型能应用于目标域的耳脑电信号上，进而完成耳脑电信号的自动睡眠分期，具体包括以下子步骤：

(a)、输入数据：输入源域预处理后的C4-A1通道数据和目标域单通道耳脑电信号数据；

(b)、加入适配层：在特征层即步骤2构建的卷积神经网络实现源域数据的参数和目标域数据的参数共享；在网络深层，即分类器前加入三层适配层，即三层全连接层；在源域数据和目标域数据的三层适配层之间加入多核最大均值差异MK-MMD的度量函数，来度量源域数据和目标域数据的距离，最大均值差异即通过多个高斯核函数K将源域数据和目标域数据映射到再生核希尔伯特空间，在再生核希尔伯特空间度量两个分布p和q的距离，多个核定义的核函数K通过公式(6)进行描述，

β为不同高斯核贡献的权重，贡献大的高斯核权重大，贡献小的高斯核权重小，k_m表示第m个高斯核，并将其加入网络的损失中继续训练，MK-MMD通过公式(7)进行描述，

式中，d_k(p,q)表示再生核希尔伯特空间H_K的距离，其中，φ(x^s)、φ(x^t)分别为源域数据x^s和目标域数据x^t在再生核希尔伯特空间的映射，E_p表示数学期望；因此，整个深度迁移学习模型的优化目标由分类损失函数和度量函数构成，通过公式(8)进行描述，

式中，l₁、l₂表示网络适配是从第l₁层到第l₂层；

和

分别表示源域数据和目标域数据样本经过网络第l层的输出，参数λ决定了混淆域数据的强度；

(c)、采用基于mini-batch的Adam优化算法更新网络权重；

步骤4、模型评估，根据源域脑电信号SHHS的标签和目标域耳脑电信号睡眠专家的评分，分别采用每类指标和总体指标对构建的深度迁移学习模型得到的睡眠5期分期结果进行评估，分别包括准确率PR、召回率RE，以及总体准确率ACC和宏平均F1值，即MF1，具体通过公式(9)-(13)进行描述，

式中，TP表示正实例，即将正类预测为正类数，FP表示示假正例，即将负类预测为正类数，FN表示假反例，即将正类预测为负类数，N表示所有睡眠阶段的样本总数，I表示睡眠阶段总类数。

Images