CN113807299B - 基于平行频域脑电信号的睡眠阶段分期方法及系统 - Google Patents
基于平行频域脑电信号的睡眠阶段分期方法及系统 Download PDFInfo
- Publication number
- CN113807299B CN113807299B CN202111127383.5A CN202111127383A CN113807299B CN 113807299 B CN113807299 B CN 113807299B CN 202111127383 A CN202111127383 A CN 202111127383A CN 113807299 B CN113807299 B CN 113807299B
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- electroencephalogram
- sleep stage
- individual
- electroencephalogram signal
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于睡眠分期技术领域,涉及一种基于平行频域脑电信号的睡眠阶段分期方法及系统,获取带有分期标签的真实频域脑电信号,并利用深度生成模型产生与真实频域脑电信号概率分布相同/相似的虚拟频域脑电信号,将两者按比例组合得到样本数据集;利用样本数据集作为输入对睡眠分期分类器模型进行训练优化,其中,睡眠分期分类器模型包含用于将输入均分为若干份输入数据的均分模块、与均分后每份输入数据对应用于对输入数据进行分类的若干个体分类器、及用于通过权值来融合各个体分类器分类结果的最终输出模块;利用睡眠分期分类器模型对待监测目标进行睡眠阶段分期。本发明通过平行频域数据建立集成的睡眠分期模型,增强睡眠分期准确性和鲁棒性。
Description
技术领域
本发明属于睡眠分期技术领域,特别涉及一种基于平行频域脑电信号的睡眠阶段分期方法及系统。
背景技术
睡眠是身体休整积蓄能量的重要环节,睡眠质量对人的身心状态也有着重大影响。睡眠过程中采集的脑电信号,属于自发型脑电信号能够反映身体状态的自身变化,也是用来诊断和治疗相关疾病的重要依据。睡眠过程是一个动态变化的复杂过程。在国际睡眠分期的判读标准R&K中,对睡眠过程中的不同状态给出了划分:除去清醒期以外,睡眠周期是由两种睡眠状态交替循环,分别是非快速眼动期和快速眼动期;在非快速眼动期中,根据睡眠状态由浅入深的逐步变化,又进一步分为睡眠I期,睡眠II期,睡眠III期和睡眠IV期;睡眠III期和睡眠IV期又可合并为深睡眠期。传统的睡眠分期主要依靠经验丰富的睡眠医师根据R&K标准人工判读,费时费力。随着现代计算机技术的发展,睡眠自动分期方法成为睡眠研究领域的前沿问题。现有技术中,有采用分层支持向量机对脑电和眼电通道信号的精细复合多尺度熵特征进行分类有效实现了睡眠分期,及通过对单个脑电图通道在Choi–Williams分布、连续小波变换和希尔伯特-黄变换下提取Renyi熵时频特征采用随机森林分类器对提取的特征进行分类得到好的分期效果。随着深度学习技术的广泛应用,睡眠自动分期问题迎来新的发展,例如,通过DeepSleepNet实现睡眠分期,它采用两个卷积神经网络提取EEG信号的时频特征,然后使用长短时记忆神经网络提取不同睡眠时期之间的关联。采用目前的技术进行睡眠分期研究达到一定的准确度,但仍然存在两个技术瓶颈需要解决:睡眠自动分期数据采集费时费力成本高昂,且深度学习分期模型为提高泛化能力需要大量多样的数据样本;其次睡眠分期数据在采集过程中易受噪音干扰,训练常规深度学习分期模型会产生输出偏置。
发明内容
为此,本发明提供一种基于平行频域脑电信号的睡眠阶段分期方法及系统,克服现有技术中因环境限制而影响数据采集数量和质量等情形,通过采用平行频域数据建立集成的睡眠分期模型,增强睡眠分期准确性。
按照本发明所提供的设计方案,提供一种基于平行频域脑电信号的睡眠阶段分期方法,包含如下内容:
获取带有分期标签的真实频域脑电信号,并利用深度生成模型产生与真实频域脑电信号概率分布相同/相似的虚拟频域脑电信号,将真实频域脑电信号和虚拟频域脑电信号按比例随机组合得到平行频域脑电信号样本数据集;
利用平行频域脑电信号样本数据集作为输入对睡眠分期分类器模型进行训练优化,其中,睡眠分期分类器模型包含用于将输入均分为若干份输入数据的均分模块、与均分后每份输入数据对应用于对输入数据进行分类的若干个体分类器、及用于通过权值来融合各个体分类器分类结果的最终输出模块;
利用训练优化后的睡眠分期分类器模型对待监测目标进行睡眠阶段分期。
作为本发明基于平行频域脑电信号的睡眠阶段分期方法,进一步地,利用多导睡眠记录仪采集若干名健康成年实验对象的脑电信号数据,并利用火烈鸟优化算法从已有多个脑电信号采集通道中筛选出最优单通道脑电信号,结合睡眠分期标准获取最优单通道脑电信号时间序列相应分期标签,利用最优单通道脑电信号及对应标签来得到真实频域脑电信号。
作为本发明基于平行频域脑电信号的睡眠阶段分期方法,进一步地,火烈鸟优化算法中,对多导睡眠记录仪若干候选脑电信号采集通道进行二进制编码,利用表示脑电信号采集通道脑电信号时间序列小波变换后各波段对应的小波变换系数之和占总能量比的算法目标函数选择噪声干扰最小的脑电信号采集通道。
作为本发明基于平行频域脑电信号的睡眠阶段分期方法,进一步地,对最优单通道脑电信号时间序列采用小波变换来计算相应频段的小波系数,利用公式来获取所需频段内相对脑电信号能量,并通过对各频段内相对脑电信号能量进行归一化处理得到真实频域脑电信号,其中,小波变换系数Cα、Cβ、Cθ和Cδ分别代表α、β、θ和δ频段的脑电信号能量,小波系数Ci表示其他频段的脑电信号能量,i∈FB,FB表示其他频段小波系数指标集合,/>表示字符α、β、θ或δ。
作为本发明基于平行频域脑电信号的睡眠阶段分期方法,进一步地,利用生成对抗网络SS-GAN作为深度生成模型来获取符合要求的虚拟频域脑电信号,其中,生成对抗网络SS-GAN包含:用于产生虚拟频域脑电信号的生成器,及用于区分虚拟和真实频域脑电信号的判别器,并利用目标函数来度量真实频域脑电信号概率分布和虚拟频域脑电信号概率分布的差异,通过度量结果对生成器和判别器参数进行稀疏约束。
作为本发明基于平行频域脑电信号的睡眠阶段分期方法,进一步地,个体分类器采用F-transformer模型结构,该F-transformer模型结构包括用于对输入信号及相同维度嵌入位置进行编码的编码单元、用于堆叠提取输入信号特征向量的特征提取单元、及用于通过全连接网络和softmax函数对特征向量进行睡眠阶段分期的分类单元。
作为本发明基于平行频域脑电信号的睡眠阶段分期方法,进一步地,特征提取单元中,利用混沌遗传算法优化F-transformer堆叠模块数目N,利用N个F-transformer模块堆叠提取输入信号特征向量。
作为本发明基于平行频域脑电信号的睡眠阶段分期方法,进一步地,最终输出模块的输出类别概率表示为:n表示个体分类器数目,pi和wi分别表示个体分类器的输出类别概率和其相应权值。
作为本发明基于平行频域脑电信号的睡眠阶段分期方法,进一步地,利用分层遗传粒子群优化算法来确定个体分类器数目及对应权值,具体包含如下内容:依据个体分类器数目上限初始化结构种群,并随机产生若干个与个体分类器对应的二进制个体,利用粒子群优化算法对每个二进制个体输出权值进行优化获取结构种群中二进制个体对应的最优输出权值向量及其适应值,以得到结构种群中二进制个体的适应值;根据适应值获取种群中个体选择概率,采用遗传算子并依据赌轮盘原理选择繁殖父代,随机从繁殖父代中选择两个个体并以交叉概率进行多点交叉操作,得到交叉后的子代个体,通过随机位置翻转以变异概率对交叉后的子代种群进行变异操作,获取新的种群;并依据个体分类器数目上限设置新的种群中个体十进制范围。
进一步地,本发明还提供一种基于平行频域脑电信号的睡眠阶段分期系统,包含:样本收集模块、模型训练模块和目标诊断模块,其中,
样本收集模块,用于获取带有分期标签的真实频域脑电信号,并利用深度生成模型产生与真实频域脑电信号概率分布相同/相似的虚拟频域脑电信号,将真实频域脑电信号和虚拟频域脑电信号按比例随机组合得到平行频域脑电信号样本数据集;
模型训练模块,用于利用平行频域脑电信号样本数据集作为输入对睡眠分期分类器模型进行训练优化,其中,睡眠分期分类器模型包含用于将输入均分为若干份输入数据的均分模块、与均分后每份输入数据对应用于对输入数据进行分类的若干个体分类器、及用于通过权值来融合各个体分类器分类结果的最终输出模块;
目标诊断模块,用于利用训练优化后的睡眠分期分类器模型对待监测目标进行睡眠阶段分期。
本发明的有益效果:
本发明针对脑电信号采集的数量和质量不能满足睡眠分期要求的现状,通过搜索最优脑电信号采集通道,采集噪声干扰最小的脑电信号序列,从而实现信号采集阶段的抗干扰处理,切实保证真实单通道频域脑电信号的保真度;通过多头注意力机制和分解模糊推理组成的F-transformer模块为基本单元搭建生成器和判别器组成SS-GAN,产生虚拟频域脑电信号;采用平行频域脑电信号作为输入信号,解决集成睡眠分期模型训练数据需求量大和真实脑电数据采集困难等问题;采用遗传优化技术确定个体F-transformer的数目同时粒子群优化输出权值向量,从而得到既分期准确又性能鲁棒的集成F-transformer睡眠分期模型,提高睡眠分期的准确性和鲁棒性,具有较好的应用前景。
附图说明:
图1为实施例中睡眠阶段分期方法流程示意;
图2为实施例中候选脑电信号采集通道示意;
图3为实施例中F-transformer的结构示意;
图4为实施例中集成F-transformer睡眠分期原理示意;
图5为实施例中单通道Best的脑电信号时间序列分期示意;
图6为实施例中深度生成模型结构示意。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚、明白,下面结合附图和技术方案对本发明作进一步详细的说明。
传统的睡眠自动分期方法主要包括机器学习和深度学习两种。常用输入信号特征有时域、频域或/和时频域等。为获得与人工分期相比较的自动分期效果,以上方法均需大量多样数据样本作为建模基础。但是由于实际环境限制,数据采集的数量和质量很难满足睡眠分期建模要求。本发明实施例,参见图1所示,提供一种基于平行频域脑电信号的睡眠阶段分期方法,包含如下内容:
S101、获取带有分期标签的真实频域脑电信号,并利用深度生成模型产生与真实频域脑电信号的概率分布相同/相似的虚拟频域脑电信号,将真实频域脑电信号和虚拟频域脑电信号按比例随机组合得到平行频域脑电信号样本数据集;
S102、利用平行频域脑电信号样本数据集作为输入对睡眠分期分类器模型进行训练优化,其中,睡眠分期分类器模型包含用于将输入均分为若干份输入数据的均分模块、与均分后每份输入数据对应用于对输入数据进行分类的若干个体分类器、及用于通过权值来融合各个体分类器分类结果的最终输出模块;
S103、利用训练优化后的睡眠分期分类器模型对待监测目标进行睡眠阶段分期。
通过深度生成模型产生与采集到的真实频域脑电信号对应的虚拟频域脑电信号,并将两者按比例组合生成睡眠分期分类器模型的训练样本,克服现有技术中因环境限制而影响数据采集数量和质量等情形,采用平行频域数据建立集成的睡眠分期模型,增强睡眠分期准确性。
作为本发明基于平行频域脑电信号的睡眠阶段分期方法,进一步地,利用多导睡眠记录仪采集若干名健康成年实验对象的脑电信号数据,并利用火烈鸟优化算法从已有多个脑电信号采集通道中筛选出最优单通道脑电信号,结合睡眠分期标准获取最优单通道脑电信号时间序列相应分期标签,利用最优单通道脑电信号及对应标签得到真实频域脑电信号。
作为本发明实施例中基于平行频域脑电信号的睡眠阶段分期方法,进一步地,火烈鸟优化算法中,对多导睡眠记录仪若干候选脑电信号采集通道进行二进制编码,利用表示脑电信号采集通道脑电信号时间序列小波变换后各波段对应的小波变换系数之和占总能量比的算法目标函数选择噪声干扰最小的脑电信号采集通道。
进一步地,可采用多导睡眠记录仪对若干名健康成年实验对象记录整夜睡眠过程时间序列数据。因为实际的脑电信号数据量较大,包含较多的冗余信息。因此,采用改进火烈鸟优化算法(improving flamingo optimization algorithm,IFOA)从已有的多个脑电信号采集通道中去除无关或冗余的通道数据,降低睡眠分期模型复杂度。经过筛选得到最优单通道脑电信号时间序列{Tk}k=1 N,N表示屏数(每30秒定义为1屏)。根据美国睡眠医学会(American Academy of Sleep Medicine,AASM)制定的分期标准睡眠领域专家对每屏数据进行分期得到相应标签{Sk}k=1 N。对每屏睡眠时间序列数据采用小波变换计算相应频段(8-13Hz、14-25Hz、4-7Hz和0.5-4Hz)的小波系数Cα、Cβ、Cθ和Cδ(代表相应频段的脑电信号能量)。
在此基础上,采用公式(1)计算相对能量占比
其中表示希腊字母α、β、θ或δ,FB表示其他频段小波系数指标集合,Ci≥0是其他频段小波系数。因此有/>然后对/>进行归一化得到/>即/> 最后得到真实频域脑电信号数据集/>Sk表示清醒期、快速眼动期、睡眠Ⅰ期、睡眠Ⅱ期或深睡眠期。
真实单通道脑电信号由于受到眼电、肌电甚至心电信号的干扰,输入信号的质量不能很好保证。为减少相关生理伪迹和噪声信号的干扰,合理有效的选择最优通道的脑电信号是必要的。本发明提出采用改进的火烈鸟优化算法筛选最优通道的脑电信号。候选脑电信号采集通道如图1所示,它们表示为O9、FP1等标识符,为进一步处理的方便,将其用二进制编码,即O9→0000000,FP1→0000001,…,POz→1001111等。Nc表示候选脑电信号采样通道数目。改进的火烈鸟优化算法的目标函数表示第i个采样通道脑电信号序列小波变换后α、β、θ或δ波段对应小波系数之和(对应波段能量)占总能量之比。fi越大表示采样通道噪声干扰小可优先选择。最优脑电信号采集通道筛选过程可设计如下:
A.初始化种群,种群数目为P=(20-50)%Nc,最大迭代次数为Tmax,火烈鸟种群迁移的比例为MP。随机生成长度为L的二进制个体,表示候选脑电信号采集通道。
B.区分喂食火烈鸟和迁徙火烈鸟,对初始种群中的个体(候选采集通道)计算它们的适应度并降序排列,选取前MPf=rand[0,1]×P×(1-MP)个体和后MPl=(1-rand[0,1])×(1-MP)×P个体作为迁徙火烈鸟,其余为觅食火烈鸟。记录目前最优个体best(t)和相应的适应度fbest(t)。
C.对于觅食火烈鸟,它的个体更新公式表示如下:
chij(t+1)=(chij(t)+p1(t)bchj(t)+c1|c2bchj(t)+p2(t)chij(t)|)/C (2)
公式(2)中,chij(t+1)表示第t+1次迭代时种群中第i个觅食烈火鸟的第j位(二进制),chij(t)表示第t次迭代时种群中第i个觅食烈火鸟的第j位。此外bchj(t)表示第t次迭代时种群中适应度最好的火烈鸟的第j位。参数C是服从n个自由度卡方分布的随机数,用于强化火烈鸟的觅食范围,模拟自然界中火烈鸟的进化机会,提高算法的全局筛选能力。c1、c2是符合标准正态分布的随机数。为有效平衡优化算法的全局搜索能力和局部勘探能力,在迭代开始阶段t≤Tmax/2时,p1(t)、p2(t)是虫口混沌序列,到了迭代进行到大于Tmax/2时,p1(t)、p2(t)是取1或-1的随机数。对于迁徙火烈鸟,个体更新公式表示做公式(3)。
chij(t+1)=chij(t)+p3(t)(bchj(t)-chij(t)) (3)
其中,chij(t+1)表示t+1迭代时第i个迁徙火烈鸟的第j位,chij(t)表示t迭代时第i个迁徙火烈鸟的第j位。此外bchj(t)表示t次迭代中种群中适应度最好的火烈鸟的第j位。参数p3(t)是混沌序列,用于增加火烈鸟迁移过程中的搜索空间,模拟火烈鸟在特定迁移过程中的个体行为。
D.检查更新后种群CH(t+1)中的个体。因为第i个体中的第j位chij(t+1)的取值是0或1,则采用公式(4)规整chij(t+1)如下:
规整后的火烈鸟种群个体chi(t+1)(二进制)转化为十进制表示chi’(t+1)后,检查其是否越界
即:
其中,Nc表示候选脑电信号采集通道数目。检查合格后的个体chi’(t+1)(十进制)转化为二进制表示chi(t+1)。
E.判断优化算法终止条件。如果达到最大迭代次数t≥Tmax,转步骤F;否则,执行步骤B。F.输出最终最优个体(脑电信号采样通道)bch(Tmax)并转化为十进制表示Best。
经过以上步骤筛选出单通道Best的脑电信号序列{Tk}k=1 N,N表示屏数如图5所示。对每屏脑电信号序列进行人工标注,得到图5(a)-(e)所示的时域特征函数Fk(t)→Yk,其中k∈{1,…N},Yk∈{清醒期、睡眠Ⅰ期、睡眠Ⅱ期、深睡眠期、快速眼动期}。直接采用时域特征作为输入分期睡眠信号面临输入维数过高,模型冗余导致训练困难易过拟合等问题。本案实施例中,采用频域特征作为输入建立睡眠分期分类器模型,通过小波变换将最优单通道脑电信号{Tk}k=1 N与小波基函数调和得到小波系数Cα、Cβ、Cθ和Cδ,它们分别代表α、β、θ和δ频段的脑电信号能量。除此之外频段的能量表示为小波系数Ci,i∈FB。最优脑电信号采集通道在四个频段上能量占比最高,四个频段的能量占比和/>根据公式(1)计算表示他们能量的相对大小。为有效嵌入特征,用公式(6)进一步归一化得到
其中表示字符α、β、θ、δ,由此得到频域脑电信号输入特征向量最后得到真实频域脑电信号数据集/>Sk表示清醒期、快速眼动期、睡眠Ⅰ期、睡眠Ⅱ期或深睡眠期。
作为本发明实施例中基于平行频域脑电信号的睡眠阶段分期方法,进一步地,利用生成对抗网络SS-GAN作为深度生成模型来获取符合要求的虚拟频域脑电信号,其中,生成对抗网络SS-GAN包含:用于产生虚拟频域脑电信号的生成器,及用于区分虚拟和真实频域脑电信号的判别器,并利用目标函数来度量真实频域脑电信号概率分布和虚拟频域脑电信号概率分布的差异,通过度量结果对生成器和判别器参数进行稀疏约束。
影响睡眠分期准确度的因素主要有两个:其一数据集的质量;其二睡眠分期模型的泛化能力。高质量的睡眠分期数据集要求从大量的实验对象采集多样海量的完整睡眠过程时间序列,整个实验过程需要耗费大量人力物力得到的实验数据因为无法避免心电、肌电、眼电以及环境噪音的影响质量不能保证。除此以外,在获取数据标签的过程中,由于受到分期标准、个体差异、培训指导等多方面的主观或客观条件的影响,标签会出现错误使得数据集质量下降。而且实验数据越多真实数据集的质量就越差。为有效解决以上问题,本案实施例中采用深度生成模型根据真实数据集的概率分布产生虚拟睡眠分期样本数据。具体地,SS-GAN被提出根据真实频域脑电信号产生虚拟频域脑电信号。
脑电信号数据采集需要大量人力物力,时间成本较高。而训练样本的质量与数量对睡眠分期效果具有决定性影响,为解决这一重要矛盾生成对抗网络SS-GAN模型被提出从真实频域脑电信号产生近似同分布的虚拟频域脑电信号/>混合后称为平行频域脑电信号/>作为训练数据建立睡眠分期模型,其中真实频域脑电信号数目Nr和虚拟频域脑电信号数目Nv的比值根据分期效果确定。SS-GAN根据真实频域脑电信号产生虚拟频域脑电信号的过程如下:
SS-GAN的训练,SS-GAN(generative adversarial network for sleep stagetask)是用于产生虚拟频域脑电信号的深度生成模型。它包括生成器和判别器两部分,其中生成器部分采用分解模糊transformer块的堆叠再线性展开的方式产生虚拟频域脑电信号,它的结构如图6(a)所示,展示一个基于transformer的生成器,它由多个阶段组成。每一级有几个transformer组。逐步提取频域脑电信号的特征,直到产生满足概率分布要求的虚拟频域脑电信号。具体来说,生成器将随机噪声作为输入,通过多头注意力(multi-head self-attention,MHSA)得到特征向量mh。对于每一个头headi计算注意力为
geadi=softmax(QWi Q(Wi K)TKT)VWi V (7)
其中i=1,…,d,参数矩阵它们的多头注意力表示为
Multihead(Q,K,V)=Concat(head1,…,headd)Wo (8)
其中多头注意力的输出向量mh输入残差连接再进行层归一化可得lr=LayerNorm(mh+res(mh));接着特征向量lr执行分解模糊推理操作,nl表示向量lr的维数。对于每一维lr采用m个高斯隶属函数对其进行划分,再对每一个高斯隶属函数μ(lri)=exp(-(lri-ci)2/σi 2)进行分解可得
采用完备规则库建立原则可得包含有mnl条规则的模糊规则库。对每一条规则前件采用公式(9a)-(9c)进行分解得到完备分解模糊子系统,其中包含3nl条模糊规则。特征向量lr输入分解模糊推理系统,各个分解模糊子系统rk进行平行模糊推理,模糊规则的激活力/> 和对应后件/>的加权平均是分解模糊子系统的输出。
由此得到输出向量将其输入残差连接再进行层归一化可得/>它是生成的虚拟频域脑电信号。与之对应的判别器展示在图6(b)。与生成虚拟频域脑电信号的生成器不同,判别器的任务是区分真实/虚拟频域脑电信号,因此可以将其作为一个典型的分类器进行设计。然而,相比于分类器要完成复杂的多分类任务,判别器执行一个更简单的任务来区分虚拟/真实频域脑电信号。它的具体结构如下。输入判别器的真实/虚拟频域脑电信号/>经过transformer模块N次提取特征可以得到输出特征信号FSN经过sigmoid函数输出真实/虚拟(1/0)类别信号,这里transformer模块特征提取过程与生成器的相应过程类似。在SS-GAN训练的过程中,目标函数表示为
其中公式(11)第一部分度量真实频域脑电信号的概率分布和生成器产生的虚拟频域脑电信号的概率分布的差异,第二和第三部分分别表示生成器和判别器参数的稀疏约束。采用交替方向乘子法训练SS-GAN,当判别器不能区分高度逼真的虚拟频域脑电信号和真实频域脑电信号时,SS-GAN训练过程结束。虚拟频域脑电信号的生成,对于完成训练的SS-GAN,当输入随机信号时,即可得到符合要求的虚拟频域脑电信号
作为本发明实施例中基于平行频域脑电信号的睡眠阶段分期方法,进一步地,个体分类器采用F-transformer模型结构,该F-transformer模型结构包括用于对输入信号及相同维度嵌入位置进行编码的编码单元、用于堆叠提取输入信号特征向量的特征提取单元、及用于通过全连接网络和softmax函数对特征向量进行睡眠阶段分期的分类单元。进一步地,特征提取单元中,利用混沌遗传算法优化F-transformer堆叠模块数目N,利用N个F-transformer模块堆叠提取输入信号特征向量。
将真实频域脑电信号和虚拟频域脑电信号/>按照某种比例随机混合得到平行频域脑电信号/>为了有效避免类的不平衡,在/>中各个分期的样本数量大致相等。样本的标签S={S1,S2,S3,S4,S5},其中S1表示清醒期,S2表示快速眼动期,S3表示睡眠Ⅰ期,S4表示睡眠Ⅱ期,S5表示深睡眠期。本发明建立基于平行频域脑电数据驱动的F-transformer(F-trans)分类模型,即F-trans:/>其中F-transformer整体结构如图3所示。针对单通道频域脑电信号睡眠阶段分期提出F-transformer分类器,通过神经结构搜索方法结合随机梯度下降法建立该分类器模型,进行单通道频域脑电信号睡眠分期。由于不可避免的受单通道频域脑电信号标签噪声的干扰,单个F-transformer分类模型会出现归纳偏置泛化性能不能完全满足要求。为进一步提高睡眠分期模型可靠性和准确度,采用结构自搜索技术建立集成F-transformer睡眠分期模型。该技术的核心问题是个体F-transformer分类器的数目选择以保证睡眠分期准确度和泛化性能同时达到最优。集成F-transformer分类器结构示意图如图4所示。为保证个体F-transformer的多样性和差异性,将平行频域脑电信号随机平均分成num份,分别训练个体F-transformer进行睡眠分期。
作为本发明实施例中基于平行频域脑电信号的睡眠阶段分期方法,进一步地,利用分层遗传粒子群优化算法来确定个体分类器数目及对应权值,具体包含如下内容:依据个体分类器数目上限初始化结构种群,并随机产生若干个与个体分类器对应的二进制个体,利用粒子群优化算法对每个二进制个体输出权值进行优化获取结构种群中二进制个体对应的最优输出权值向量及其适应值,以得到结构种群中二进制个体的适应值;根据适应值获取种群中个体选择概率,采用遗传算子并依据赌轮盘原理选择繁殖父代,随机从繁殖父代中选择两个个体并以交叉概率进行多点交叉操作,得到交叉后的子代个体,通过随机位置翻转以变异概率对交叉后的子代种群进行变异操作,获取新的种群;并依据个体分类器数目上限设置新的种群中个体十进制范围。
虚拟频域脑电信号和真实频域脑电信号按照比例进行随机混合得到平行频域脑电信号进而作为输入信号训练F-transformer进行睡眠分期。如图3所示,F-transformer的结构主要包括三部分:第一部分将输入信号特征编码及其位置编码相加得到(两者维度相同)输入到N个F-transformer模块的堆叠提取特征。第二部分表示N个F-transformer块的堆叠,它主要决定了F-transformer的计算效率和分期准确度。第三部分是输出特征向量经过全连接网络输入softmax函数进行睡眠阶段分期。具体过程可设计如下:
A.计算F-transformer模块的输入特征。虚拟频域脑电信号和真实频域脑电信号/>按某种比例混合得到平行频域脑电信号/>由于F-transformer不包含递归,必须注入标记在脑电信号序列中的绝对位置信息让其利用序列的顺序。因此,在/>中增加位置编码。作为嵌入位置编码/>和/>具有相同的维度,表示为
其中pa是绝对位置,i是维数。也就是说,位置编码的每个维度对应于一个正弦波。波长从2π到2×104π呈几何级数。所以得到F-transformer模块的输入特征
B.推理N个F-transformer模块的堆叠提取特征。表征有位置信息的平行频域脑电信号In输入到N个F-transformer模块的堆叠进行特征提取。如何确定堆叠模块数目N是至关重要的问题,它直接影响睡眠分期的内存使用量和分期准确度。本案实施例中,可采用神经结构搜索技术优化F-transformer的堆叠设计出既紧凑又节省内存的分期模型。Nm表示最大允许的F-transformer堆叠数目,通常根据实际计算资源上限确定。根据Nm确定二进制编码的位数L例如采用混沌遗传算法优化F-transformer模块堆叠数。具体过程可设计如下:
第一步:生成初始种群。混沌遗传算法中,种群数目是Pn,种群中的个体是L位的二进制编码。随机确定初值向量(维度是L)作为虫口混沌模型的初始值迭代产生个体的每一维度,经过四舍五入取整得到初始种群。判断每个个体Ind是否小于Nm,否则舍去。直到所有个体满足最大值条件Ind≤Nm。
第二步:评估种群中个体适应值。将种群中每一个体表示成十进制,得到F-transformer模块堆叠数目,采用交替方向乘子法得到使目标函数达到最小时的参数值W,评估测试真实频域脑电信号数据集得到该个体对应F-transformer的准确度(适应值)FitInd。由此得到种群中所有个体适应值,其中最小者即为最优适应值Fitbest和最优个体Best。
第三步:采用遗传算子产生新的种群。首先根据适应值计算种群中个体选择概率根据赌轮盘原理选择繁殖父代其中包括最优个体Best。随机从繁殖父代中选择两个个体以交叉概率pc进行多点交叉操作,得到交叉后的子代个体。接着采用随机位置翻转以变异概率pm对交叉后的子代种群进行变异操作得到新的种群。
第四步:检查新种群的合理性。因为F-transformer模块数目的最大值是Nm,检查新种群中个体(二进制)表示的十进制数目是否超过Nm,如果大于它则该个体是无效个体,从新种群中去除。根据第三步再产生新的满足要求的个体补充新种群,最后得到合理的新种群。
第四步:神经结构搜索算法停止。判断目前迭代次数t是否达到最大迭代次数Tm,如果达到,进行下一步。否则,转向第二步。
第五步:得到全局最优个体。对于第四步得到的合理的新种群,计算他们的适应值,得到最优适应值Fitbest(Tm)和最优个体Best(Tm)。判断Fitbest(Tm)<Fitbest是否成立,若成立输出全局最优个体Best(Tm),否则输出Best。
C.根据输出特征向量进行睡眠分期。N个F-transformer模块堆叠提取特征向量FSN采用残差连接的全连接网络可以得到O=LayerNorm(FSN+res(FSN)),为提高泛化能力这里采用概率为pd的dropout策略,输出通过softmax函数计算睡眠分期结果。
经过A-C得到结构和参数优化的F-transformer作为集成睡眠分期的个体。进一步,利用分层遗传-粒子群优化技术集成F-transformer实现睡眠分期。在通过人工标注单通道脑电信号序列(每屏)的过程中,由于主客观原因会造成标注错误(特别是在区分睡眠Ⅰ期和睡眠Ⅱ期时),采用这样的数据训练睡眠分期模型不可避免会引入归纳偏置,为解决这一问题,本案实施例中,采用集成F-transformer技术减小标签噪声的负面影响。在训练集成模型的过程中,训练样本是未使用过的平行频域脑电信号和对应标签Ne表示集成训练样本数目。为保持集成模型中每个个体F-transformer的多样性,在训练个体F-transformer的过程中频域脑电信号不重复使用。集成F-transformer的结构如图3所示。每个个体F-transformer输出的类别概率pi和相应权值wi的加权和是集成F-transformer的输出类别概率/>n表示集成F-transformer中个体F-transformer的数目。其中,采用分层遗传-粒子群优化技术同时确定个体数目n和对应权值wi,i=1,…,n,整个过程可设计如下:
A.初始化结构种群。集成F-transformer包含的个体数目n∈[2,nm],其中nm表示个体数目的上限,他决定结构种群中个体(二进制表示)的长度Len,例如随机产生Pe个二进制个体Ind,它们对应的十进制表示符合以上范围。
B.评估种群适应值。对应于每个个体Ind,他确定一个由Ind个个体F-transformer集成的睡眠分期模型。该模型输出权值wi,i=1,…,Ind采用粒子群优化技术计算得到。权值wi作为粒子群中的粒子进行优化,即
B.1初始化权值粒子群。在粒子中每一维的取值范围内随机产生初始粒子群,它包含Pp个粒子。
B.2评估粒子群的适应值。对于每个粒子,可以得到输出权值向量Wo,当集成训练频域脑电信号数据集输入对应的集成F-transformer中得到集成输出类别概率p,应用多类交叉熵目标函数可得适应值/>由此得到粒子群的适应值向量Fit。比较每个粒子的历史适应值得到其历史最优值Lbest,对于整个粒子群可以得到全局历史最优值Gbest,他们对应适应值分别为/>和/>
B.3更新粒子群。粒子群优化技术的关键在于全局搜索能力和局部勘探能力的有效平衡,为增强其全局优化能力同时提高优化效率,本发明采用以下更新公式改变粒子取值。
Δwij(t+1)=a(t)Δwij(t)+b(t)((Lbest)ij-wij(t))+c(t)((Gbest)j-wij(t)) (13)
wij(t+1)=wij(t)+Δwij(t+1) (14)
当迭代次数为t时,粒子群中的粒子更新采用公式(13)和(14)。测量公式如公式(15)所示:
∑i,k||wi(t+1)-wk(t+1)||2≤Δ (15)
成立与否,如果成立则优化进入局部勘探阶段,其中a(t),b(t),c(t)是虫口混沌序列,Δ是充分小的正数。此后,粒子更新采用以下公式:
Δwij(t+1)=dΔwij(t)+e((Lbest)ij-wij(t))+f((Gbest)j-wij(t)) (16)
wij(t+1)=wij(t)+Δwij(t+1) (17)
其中d接近1,e,f接近零,这一阶段粒子变化小于前一阶段有利于在局部空间勘探最优值。
B.4检查更新后的粒子群。如果wij(t+1)<w ij,则wij(t+1)=w ij;同理如果则/>检查过后粒子群满足上下限要求。
B.5检查迭代条件。如果迭代次数t<Tm p,则继续执行B.2操作,否则执行下一步。
B.6更新全局最优值和对应粒子。比较和/>的大小,得到全局最优值和对应粒子wbest。
经过B.1-B.6可以得到结构优化技术中个体Ind对应的输出权值向量wbest和适应值Fit。由此得到结构优化种群的适应值向量,其中最优个体Indbest和它的适应值Fitbest。
C.采用遗传算子产生新的种群。首先根据适应值计算种群中个体选择概率 根据赌轮盘原理选择繁殖父代其中包括最优个体Best。随机从繁殖父代中选择两个个体以交叉概率pc进行多点交叉操作,得到交叉后的子代个体。接着采用随机位置翻转以变异概率pm对交叉后的子代种群进行变异操作得到新的种群。
D.检查新种群的合理性。因为集成睡眠分期模型中个体F-transformer数目取值范围是[2,nm],检查新种群中个体(二进制)表示的十进制数目是否属于该范围,如果小于2则强制该个体等于2,同理如果大于nm则该个体等于nm,最后得到符合要求的新种群。
E.结构优化过程停止。判断目前迭代次数t是否达到最大迭代次数Tm g,如果达到,进行下一步。否则,转向B。
F.得到全局最优的集成睡眠分期模型。对于D得到的符合要求的新种群,计算他们的适应值,得到最优适应值Fitbest(Tm g)和最优个体Best(Tm g)。判断Fitbest(Tm g)<Fitbest是否成立,若成立输出全局最优个体Best(Tm g),否则输出Best。
经过上述步骤,得到最优的集成F-transformer睡眠分期分类器模型,当新的单通道脑电信号序列输入该模型将会得到准确的睡眠分期信息,为睡眠相关疾病的早期诊断提供可靠依据。
睡眠分期是睡眠相关疾病(例如失眠、嗜睡、睡眠呼吸暂停等)早期诊断的关键技术,也是睡眠质量评估的核心与基石。因此,本案实施例针对已有睡眠分期方法的不足,提出采用集成F-transformer对单通道平行频域脑电信号进行睡眠分期方案,采用改进火烈鸟优化算法筛选最优数据采集通道得到噪声干扰最小的脑电信号序列,从而实现信号采集阶段的抗干扰处理切实保证真实单通道频域脑电信号的保真度;采用SS-GAN产生虚拟单通道频域脑电信号并与真实单通道频域脑电信号生成平行单通道频域脑电信号作为实际输入信号,解决了集成分类器训练数据需求量大和真实脑电数据采集困难的矛盾,为提高睡眠分期准确性奠定了数据基础;采用集成若干个体F-transformer进行睡眠分期效果好于采用传统深度学习技术的睡眠分期。由于个体F-transformer结合多头注意力机制和分解模糊推理技术的优点并根据睡眠分期问题的特点取消了传统transformer中的掩码多头注意力模块,使得整体结构更加简洁灵活。同时将神经结构搜索和交替方向乘子技术结合通过目标函数达到最优设计个体F-transformer,基于此,集成个体F-transformer得到更加准确的睡眠分期结果,提升睡眠分期准确性和鲁棒性。
进一步地,基于上述的方法,本发明实施例还提供一种基于平行频域脑电信号的睡眠阶段分期系统,包含:样本收集模块、模型训练模块和目标诊断模块,其中,
样本收集模块,用于获取带有分期标签的真实频域脑电信号,并利用深度生成模型产生与真实频域脑电信号概率分布相同/相似的虚拟频域脑电信号,将真实频域脑电信号和虚拟频域脑电信号按比例随机组合得到平行频域脑电信号样本数据集;
模型训练模块,用于利用平行频域脑电信号样本数据集作为输入对睡眠分期分类器模型进行训练优化,其中,睡眠分期分类器模型包含用于将输入均分为若干份输入数据的均分模块、与均分后每份输入数据对应用于对输入数据进行分类的若干个体分类器、及用于通过权值来融合各个体分类器分类结果的最终输出模块;
目标诊断模块,用于利用训练优化后的睡眠分期分类器模型对待监测目标进行睡眠阶段分期。
基于上述的系统,本发明实施例还提供一种服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的方法。
基于上述的系统,本发明实施例还提供一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现上述的方法。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述系统实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述系统实施例中相应内容。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述系统实施例中的对应过程,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和系统,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (3)
1.一种基于平行频域脑电信号的睡眠阶段分期方法,其特征在于,包含如下内容:
获取带有分期标签的真实频域脑电信号,并利用深度生成模型产生与真实频域脑电信号概率分布相同/相似的虚拟频域脑电信号,将真实频域脑电信号和虚拟频域脑电信号按比例随机组合得到平行频域脑电信号样本数据集;其中,利用多导睡眠记录仪采集若干名健康成年实验对象的脑电信号数据,并利用火烈鸟优化算法从已有多个脑电信号采集通道中筛选出最优单通道脑电信号,结合睡眠分期标准获取最优单通道脑电信号时间序列相应分期标签,利用最优单通道脑电信号及对应标签得到真实频域脑电信号;火烈鸟优化算法中,对多导睡眠记录仪若干候选脑电信号采集通道进行二进制编码,利用表示脑电信号采集通道脑电信号时间序列小波变换后各波段对应的小波变换系数之和占总能量比的算法目标函数选择噪声干扰最小的脑电信号采集通道;对最优单通道脑电信号时间序列采用小波变换来计算相应频段的小波系数,利用公式获取所需频段内相对脑电信号能量,并通过对各频段内相对脑电信号能量进行归一化处理得到真实频域脑电信号,其中,小波变换系数Cα、Cβ、Cθ和Cδ分别代表α、β、θ和δ频段的脑电信号能量,小波系数Ci表示其他频段的脑电信号能量,i∈FB,FB表示其他频段小波系数指标集合,/>表示字符α、β、θ或δ;并利用生成对抗网络SS-GAN作为深度生成模型来获取符合要求的虚拟频域脑电信号,其中,生成对抗网络SS-GAN包含:用于产生虚拟频域脑电信号的生成器,及用于区分虚拟和真实频域脑电信号的判别器,并利用目标函数来度量真实频域脑电信号概率分布和虚拟频域脑电信号概率分布的差异,通过度量结果对生成器和判别器参数进行稀疏约束;
利用平行频域脑电信号样本数据集作为输入对睡眠分期分类器模型进行训练优化,其中,睡眠分期分类器模型包含用于将输入均分为若干份输入数据的均分模块、与均分后每份输入数据对应用于对输入数据进行分类的若干个体分类器、及用于通过权值来融合各个体分类器分类结果的最终输出模块;且个体分类器采用F-transformer模型结构,该F-transformer模型结构包括用于对输入信号及相同维度嵌入位置进行编码的编码单元、用于堆叠提取输入信号特征向量的特征提取单元、及用于通过全连接网络和softmax函数对特征向量进行睡眠阶段分期的分类单元;最终输出模块的输出类别概率表示为:n表示个体分类器数目,pi和wi分别表示个体分类器的输出类别概率和其相应权值;并利用分层遗传粒子群优化算法来确定个体分类器数目及对应权值,具体包含如下内容:依据个体分类器数目上限初始化结构种群,并随机产生若干个与个体分类器对应的二进制个体,利用粒子群优化算法对每个二进制个体输出权值进行优化获取结构种群中二进制个体对应的最优输出权值向量及其适应值,以得到结构种群中二进制个体的适应值;根据适应值获取种群中个体选择概率,采用遗传算子并依据赌轮盘原理选择繁殖父代,随机从繁殖父代中选择两个个体并以交叉概率进行多点交叉操作,得到交叉后的子代个体,通过随机位置翻转以变异概率对交叉后的子代种群进行变异操作,获取新的种群;并依据个体分类器数目上限设置新的种群中个体十进制范围;
利用训练优化后的睡眠分期分类器模型对待监测目标进行睡眠阶段分期。
2.根据权利要求1所述的基于平行频域脑电信号的睡眠阶段分期方法,其特征在于,特征提取单元中,利用混沌遗传算法优化F-transformer堆叠模块数目N,利用N个F-transformer模块堆叠提取输入信号特征向量。
3.一种基于平行频域脑电信号的睡眠阶段分期系统,其特征在于,包含如下内容:样本收集模块、模型训练模块和目标诊断模块,其中,
样本收集模块,用于获取带有分期标签的真实频域脑电信号,并利用深度生成模型产生与真实频域脑电信号概率分布相同/相似的虚拟频域脑电信号,将真实频域脑电信号和虚拟频域脑电信号按比例随机组合得到平行频域脑电信号样本数据集;其中,利用多导睡眠记录仪采集若干名健康成年实验对象的脑电信号数据,并利用火烈鸟优化算法从已有多个脑电信号采集通道中筛选出最优单通道脑电信号,结合睡眠分期标准获取最优单通道脑电信号时间序列相应分期标签,利用最优单通道脑电信号及对应标签得到真实频域脑电信号;火烈鸟优化算法中,对多导睡眠记录仪若干候选脑电信号采集通道进行二进制编码,利用表示脑电信号采集通道脑电信号时间序列小波变换后各波段对应的小波变换系数之和占总能量比的算法目标函数选择噪声干扰最小的脑电信号采集通道;对最优单通道脑电信号时间序列采用小波变换来计算相应频段的小波系数,利用公式获取所需频段内相对脑电信号能量,并通过对各频段内相对脑电信号能量进行归一化处理得到真实频域脑电信号,其中,小波变换系数Cα、Cβ、Cθ和Cδ分别代表α、β、θ和δ频段的脑电信号能量,小波系数Ci表示其他频段的脑电信号能量,i∈FB,FB表示其他频段小波系数指标集合,/>表示字符α、β、θ或δ;并利用生成对抗网络SS-GAN作为深度生成模型来获取符合要求的虚拟频域脑电信号,其中,生成对抗网络SS-GAN包含:用于产生虚拟频域脑电信号的生成器,及用于区分虚拟和真实频域脑电信号的判别器,并利用目标函数来度量真实频域脑电信号概率分布和虚拟频域脑电信号概率分布的差异,通过度量结果对生成器和判别器参数进行稀疏约束;
模型训练模块,用于利用平行频域脑电信号样本数据集作为输入对睡眠分期分类器模型进行训练优化,其中,睡眠分期分类器模型包含用于将输入均分为若干份输入数据的均分模块、与均分后每份输入数据对应用于对输入数据进行分类的若干个体分类器、及用于通过权值来融合各个体分类器分类结果的最终输出模块;且个体分类器采用F-transformer模型结构,该F-transformer模型结构包括用于对输入信号及相同维度嵌入位置进行编码的编码单元、用于堆叠提取输入信号特征向量的特征提取单元、及用于通过全连接网络和softmax函数对特征向量进行睡眠阶段分期的分类单元;最终输出模块的输出类别概率表示为:n表示个体分类器数目,pi和wi分别表示个体分类器的输出类别概率和其相应权值;并利用分层遗传粒子群优化算法来确定个体分类器数目及对应权值,具体包含如下内容:依据个体分类器数目上限初始化结构种群,并随机产生若干个与个体分类器对应的二进制个体,利用粒子群优化算法对每个二进制个体输出权值进行优化获取结构种群中二进制个体对应的最优输出权值向量及其适应值,以得到结构种群中二进制个体的适应值;根据适应值获取种群中个体选择概率,采用遗传算子并依据赌轮盘原理选择繁殖父代,随机从繁殖父代中选择两个个体并以交叉概率进行多点交叉操作,得到交叉后的子代个体,通过随机位置翻转以变异概率对交叉后的子代种群进行变异操作,获取新的种群;并依据个体分类器数目上限设置新的种群中个体十进制范围;
目标诊断模块,用于利用训练优化后的睡眠分期分类器模型对待监测目标进行睡眠阶段分期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111127383.5A CN113807299B (zh) | 2021-09-26 | 2021-09-26 | 基于平行频域脑电信号的睡眠阶段分期方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111127383.5A CN113807299B (zh) | 2021-09-26 | 2021-09-26 | 基于平行频域脑电信号的睡眠阶段分期方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807299A CN113807299A (zh) | 2021-12-17 |
CN113807299B true CN113807299B (zh) | 2023-08-08 |
Family
ID=78896673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111127383.5A Active CN113807299B (zh) | 2021-09-26 | 2021-09-26 | 基于平行频域脑电信号的睡眠阶段分期方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807299B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398991B (zh) * | 2022-01-17 | 2024-03-01 | 合肥工业大学 | 基于Transformer结构搜索的脑电信号情绪识别方法 |
CN116421152B (zh) * | 2023-06-13 | 2023-08-22 | 长春理工大学 | 一种睡眠分期结果确定方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7509163B1 (en) * | 2007-09-28 | 2009-03-24 | International Business Machines Corporation | Method and system for subject-adaptive real-time sleep stage classification |
CN105496363A (zh) * | 2015-12-15 | 2016-04-20 | 浙江神灯生物科技有限公司 | 基于检测睡眠脑电信号对睡眠阶段进行分类的方法 |
CN108742517A (zh) * | 2018-03-27 | 2018-11-06 | 重庆邮电大学 | 一种基于Stacking单导联脑电睡眠自动分期方法 |
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 |
CN113392733A (zh) * | 2021-05-31 | 2021-09-14 | 杭州电子科技大学 | 基于标签对齐的多源域自适应跨被试eeg认知状态评估方法 |
-
2021
- 2021-09-26 CN CN202111127383.5A patent/CN113807299B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7509163B1 (en) * | 2007-09-28 | 2009-03-24 | International Business Machines Corporation | Method and system for subject-adaptive real-time sleep stage classification |
CN105496363A (zh) * | 2015-12-15 | 2016-04-20 | 浙江神灯生物科技有限公司 | 基于检测睡眠脑电信号对睡眠阶段进行分类的方法 |
CN108742517A (zh) * | 2018-03-27 | 2018-11-06 | 重庆邮电大学 | 一种基于Stacking单导联脑电睡眠自动分期方法 |
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 |
CN113392733A (zh) * | 2021-05-31 | 2021-09-14 | 杭州电子科技大学 | 基于标签对齐的多源域自适应跨被试eeg认知状态评估方法 |
Non-Patent Citations (1)
Title |
---|
《基于周期分割的睡眠自动分期研究》;李同庆等;《 计算机工程与应用 》(第第9期期);第94-99页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113807299A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sahu et al. | FINE_DENSEIGANET: Automatic medical image classification in chest CT scan using Hybrid Deep Learning Framework | |
CN109086805B (zh) | 一种基于深度神经网络和成对约束的聚类方法 | |
CN113807299B (zh) | 基于平行频域脑电信号的睡眠阶段分期方法及系统 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN112699960B (zh) | 基于深度学习的半监督分类方法、设备及存储介质 | |
Baseri Saadi et al. | Investigation of Effectiveness of Shuffled Frog‐Leaping Optimizer in Training a Convolution Neural Network | |
CN111128380A (zh) | 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统 | |
Li et al. | Medical data stream distribution pattern association rule mining algorithm based on density estimation | |
Sahu et al. | Hybrid Deep learning based Semi-supervised Model for Medical Imaging | |
Dong et al. | Subject sensitive EEG discrimination with fast reconstructable CNN driven by reinforcement learning: A case study of ASD evaluation | |
Xu et al. | Intelligent emotion detection method based on deep learning in medical and health data | |
CN106959946A (zh) | 一种基于深度学习的文本语义特征生成优化方法 | |
Ramasamy et al. | Classification of healthcare data using hybridised fuzzy and convolutional neural network | |
CN114748053A (zh) | 一种基于fMRI高维时间序列的信号分类方法及装置 | |
CN110502989A (zh) | 一种小样本高光谱人脸识别方法及系统 | |
Balamurugan et al. | An integrated approach to performance measurement, analysis, improvements and knowledge management in healthcare sector | |
Harikumar et al. | Genetic algorithm optimization of fuzzy outputs for classification of epilepsy risk levels from EEG signals | |
Hassan et al. | A hybrid data mining approach for knowledge extraction and classification in medical databases | |
CN110210562A (zh) | 基于深度网络和稀疏Fisher矢量的图像分类方法 | |
CN115310491A (zh) | 一种基于深度学习的类不平衡磁共振全脑数据分类方法 | |
Wang et al. | Evaluation algorithm for the effectiveness of stroke rehabilitation treatment using cross-modal deep learning | |
Wu et al. | A CNN-RBPNN model with feature knowledge embedding and its application to time-varying signal classification | |
CN114626408A (zh) | 脑电信号分类方法、装置、电子设备、介质及产品 | |
Manimegalai et al. | Deep Learning Based Approach for Identification of Parkinson’s Syndrome | |
CN110174947A (zh) | 基于分形几何和概率协作的运动想象任务识别方法 |
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 |