CN114366038A

CN114366038A - 基于改进的深度学习算法模型的睡眠信号自动分期方法

Info

Publication number: CN114366038A
Application number: CN202210145154.4A
Authority: CN
Inventors: 赵德春; 蒋人品; 杨佳欣; 禤思宁
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2022-02-17
Filing date: 2022-02-17
Publication date: 2022-04-19
Anticipated expiration: 2042-02-17
Also published as: CN114366038B

Abstract

本发明涉及一种基于改进的深度学习算法模型的睡眠信号自动分期方法，属于信号处理和模式识别领域。该方法包括：S1：获取原始睡眠数据；S2：数据预处理；S3：构建改进的深度学习算法模型，包括实例特征学习模块、序列特征学习模块和注意力机制加工模块；并利用改进的深度学习算法模型提取睡眠分期所需的特征信息；S4：利用分类器对提取的特征信息进行分类。本发明解决了睡眠自动分期过程的信号预处理降噪，避免了繁杂的特征工程，同时能够获取睡眠数据中的时间序列特征。

Description

基于改进的深度学习算法模型的睡眠信号自动分期方法

技术领域

本发明属于信号处理和模式识别领域，涉及睡眠自动分期以及深度学习算法，具体涉及一种基于1DCNN+BiLSTM+Self-Attention的睡眠信号自动分期方法。

背景技术

睡眠分期是研究睡眠和评价睡眠质量的关键步骤。睡眠阶段将睡眠过程划分为不同的状态。根据AASM指南，睡眠过程分为三个阶段：觉醒期、非快速眼动睡眠期和快速眼动睡眠期。其中，非快速眼动睡眠期又细分为三个时期：N1、N2、N3。N1和N2代表浅睡眠期，N3代表深睡期。目前，多导睡眠图(PSG)是睡眠分期的一般依据。PSG通常包括多种生理指标，如脑电图(EEG)、眼电图(EOG)、肌电图(EMG)等。PSG信号通常分为一系列段，每段长30秒。然后，专家们分析这个片段的特征，以确定它属于哪个睡眠阶段。同时，睡眠阶段分类最常用的PSG信号是来自一个或多个通道的EEG数据。在自动睡眠分期过程中，专家通常采用多种生理信号的组合，其中最常用的是EEG信号中的Fpz-Cz通道和水平EOG信号。

人工睡眠分期方法效率低，易受睡眠分期中主观因素的影响。因此，自动睡眠分期已成为该领域的研究热点。传统的睡眠自动分级的主要步骤包括预处理、特征提取、特征选择和分类。在特征提取阶段，研究人员首先获取时域、频域、时频域和非线性特征，然后选择高质量特征进行睡眠分期。简言之，这些方法大多基于通过特征提取和特征选择过程训练的分类器。由于当前的自动睡眠分段算法高度依赖于特征提取，并且无法在长时间序列数据中提取时间序列特征，同时深度学习模型在生物医学领域得到了广泛应用，并且使用深度学习评估生物医学信号的情况显著增加。目前，使用深度学习进行自动睡眠分期时也存在诸多问题。首先，深度学习模型对数据的敏感的度十分苛刻。睡眠数据易受个体差异、环境因素、技术水平等条件的影响，难以获得较高的信噪比信号。睡眠生理信号的特点就是高度随机性、高度的非平衡性和高度的非线性，易受干扰，所以其进行降噪处理是预处理过程的关键。其次使用深度学习进行自动睡眠分期时虽然避免了繁杂的特征工程，但是目前的方法中，并没有获取睡眠数据的时间相关性特征。睡眠专家在进行手动睡眠分期的时候，评判一个睡眠30秒的段属于那个睡眠周期时，往往需要参考周围睡眠数据段的波形数据。

因此亟需一种新的方法来解决睡眠自动分期过程的信号预处理降噪，避免了繁杂的特征工程，同时能够获取睡眠数据中的时间序列特征。

发明内容

有鉴于此，本发明的目的在于提供一种基于改进的深度学习算法模型的睡眠信号自动分期方法，解决睡眠自动分期过程的信号预处理降噪，避免了繁杂的特征工程，同时能够获取睡眠数据中的时间序列特征。

为达到上述目的，本发明提供如下技术方案：

一种基于改进的深度学习算法模型的睡眠信号自动分期方法，具体包括以下步骤：

S1：获取原始睡眠数据；

S2：数据预处理；

S3：构建改进的深度学习算法模型，包括实例特征学习模块、序列特征学习模块和注意力机制加工模块；并利用改进的深度学习算法模型提取睡眠分期所需的特征信息；

S4：利用分类器对提取的特征信息进行分类。

进一步，步骤S1中，获取的原始睡眠数据是EEG中的Fpz-Cz和水平EOG，采样频率为100赫兹，并且被人工标注30秒为一个睡眠阶段；同时，去掉睡眠中未打分的睡眠“帧”，保留一段睡眠前后30分钟的清醒“帧”。

进一步，步骤S2中，数据预处理包括：

S21：信号分解：对原始睡眠数据进行小波分解，获得详细分量和近似分量，其中细节分量对应高频，近似分量对应低频；

S22：阈值处理：对细节分量进行阈值处理，保留近似分量；其中，采用Stein无偏估计方法确定阈值，选择启发式阈值函数对原始睡眠数据进行预处理；

S23：信号重构：采用小波重构，利用处理后的分量得到去噪信号。

进一步，步骤S3中，所述实例特征学习模块用于获取数据局部特征，该模块由卷积网络组成，包含4个一维卷积单元、2个最大池化单元和2个失活单元。

进一步，步骤S3中，所述序列特征学习模块是使用双向的长短时记忆网络来获取网络睡眠“帧”间相关特征。

进一步，步骤S3中，所述注意力机制加工模块是采用自注意力机制来获取关键通道和关键窗口特征。

进一步，步骤S3中，构建的改进的深度学习算法模型还包括：对注意力加工后的数据进行归一化处理。

本发明的有益效果在于：

(1)本发明设计了一种适合睡眠生理信号的降噪算法(采用小波分解的方式对睡眠信号进行降噪处理，同时选择合理的小波基函数、小波的阈值函数、小波层数、小波阈值大小)，解决了不同睡眠阶段睡眠电信号的节律波存在差异，不同的节律波之间频率范围存在差异的问题。

(2)本发明设计了一种基于1DCNN+BiLSTM+Self-attention的深度学习算法模型，在不需要进行特征提取的情况下进行睡眠自动分期，避免了特征工程的庞杂性。一方面，本发明模型实现了高准确度的睡眠自动分期并评估睡眠状态，能从经过处理的生理信号中主动学习到有益信息作为分期的判定标准。并且，还提高了算法的准确度。同时，在自动睡眠分期方面，还解决了传统深度学习算法因忽略了睡眠脑电信号中的时间关系，无法在长时间序列数据中提取时间序列特征的问题。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明基于改进的深度学习算法模型的睡眠信号自动分期方法流程图；

图2为本发明自动睡眠分期算法模型内部结构图；

图3为序列特征提取模块内部结构图；

图4为自注意力机制加工模块内部结构图；

图5为评价指标柱状图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图5，本实施例提供了一种基于改进的深度学习算法模型(1DCNN+BiLSTM+Self_attention)的自动睡眠分期方法，如图1所示，主要包括以下几步：

步骤1：构建数据库；

在本实施例中，使用名为sleep EDF的公共睡眠数据库来评估提出的睡眠分期模型，其中包括61名受试者的PSG记录。PSG记录被分为两组：79名25至101岁的健康白种人，每天24小时定期接受PSG记录；22名有轻微睡眠困难的白种人，隔夜接受PSG记录。其次，PSG记录包括EEG、EOG和EMG，采样率为100Hz。同时，根据A&K标准，原数据分为六个时段。本实施例采用最新的AASM标准，因此需要重新标记数据。根据AASM标准，由专家以每次30秒的间隔手动标记相应的睡眠状态。本实施例使用健康受试者的EEG和EOG信号进行睡眠分期。同时，由于原数据中存在未评分的阶段，本实施例需要对其进行剔除操作。本实施例使用的是EEG中Fpz-Cz通道和水平EOG通道作为联合输出。

步骤2：数据预处理；

本实施例采用的预处理方法是小波去噪。小波去噪的主要过程包括信号分解、阈值处理和信号重构三个步骤。第一步是对原始信号进行小波分解，以获得细节分量(高频)和近似分量(低频)。由于噪声通常存在于高频部分，信号主要分布在低频部分，第二步是对细节分量(高频)进行阈值处理，保留近似分量(低频)。第三步是小波重构，利用处理后的分量得到去噪信号。本实施例选用db4小波函数，小波分解层数为5层。采用Stein无偏估计方法确定阈值，选择启发式阈值函数对原始信号进行预处理。

步骤2：构建深度学习算法模型；

该模型把预处理后睡眠数据作为模型输入，以此训练模型。该模型主要包含3个部分，第一个部分实例特征学习模块，该模块主要由卷积网络组成，其包含4个一维卷积单元，2个最大池化单元，2个失活单元。其主要作用是实现对信号的局部特征的联合提取。第二个部分是序列特征学习模块，该模块使用双向的长短时记忆网络。采用长短时记忆网络睡眠“帧”间相关特征。模仿的是睡眠专家在进行手动睡眠分期的时候，评判一个睡眠30秒的段属于那个睡眠周期时，往往需要参考周围睡眠数据段的波形数据的情况。其主要作用是捕获睡眠“帧”间的时序特征。第三个部分是注意力机制加工模块。特征提取有时并不是出现在全局范围，有的地方比较关键，有的地方则基本无贡献，想要将睡眠“帧”中的局部区域重要性体现出来，使用注意力机制。该模块的主要作用捕获局部局域的重要信息的同时，又能捕获多通道中重要通道体现出来的信息。

步骤4：分类；

采用分类器对模型算法结果需要进行多分类，其中常见的R&K(6类)和AASM(5类)标准常应用与睡眠研究专家和临床医疗工作者，2，3，4分类常应用于日常睡眠检测仪器仪表上。同时选取精度，召回率和f1值等评价指标来测试算法分类性能。

如图2所示，本发明构建的深度学习算法模型，内部结构具体包括以下几部分：

(1)输入信号为原始数据中的EEG中的Fpz-Cz和水平EOG，该段数据采样频率为100赫兹，并且被人工标注30秒为一个睡眠阶段，由于数据必定存在人工难以评分的阶段需要对数据额外操作。首先去掉睡眠中未打分的睡眠“帧”，其次为了保留睡眠阶段的完整性，需要保留一段睡眠前后30分钟的清醒“帧”，这不仅仅是保存数据的完整性，其次是为了使得清醒期(Awake)也能够被模型所识别，最后本发明对模型算法的要求是能够实现多分类，所以需要对于不同分类标准进行不同的合并操作，如表1所示，举例说明在A&K标准(6类)转换为AASM标准(5类)把其中的S3期和S4期合并为SWS期。

表1对于不同分类标准进行不同的合并操作结果

睡眠分期期数(类)	睡眠分期
		2	Wake,Sleep{S1,S2,S3,S4,REM}
3	Wake,NREM{S1,S2,S3,S4},REM
		4	Wake,LS{S1,S2},SWS{S3,S4},REM
5	Wake-S1-S2-SWS{S3-S4}-REM
		6	Wake-S1-S2-S3-S4-REM

(2)把睡眠原始数据通过小波降噪处理，考虑到睡眠生理为不同频率的节律波和离散小波的特点，信号采用小波降噪，db4小波函数，小波分解层数为5层，选择启发式阈值函数，为了评价小波降噪后效果，选择2个平均指标，信噪比(snr)表示的信号与噪声的比例，误差值(err)表示原始信号与降噪后的信号最大误差值。

err＝max(|s-s₁|)

其中，A(·)表示求向量的范数，S和S₁分别表示原始信号和降噪后的信号。

与原始信号相比，Fpz-Cz降噪脑电信号的信噪比为26.1dB，误差为5.8034uV。去噪EOG信号的SNR值和ERR值分别为21.8dB和9.6222UV。

(3)通过实例特征学习模块获取数据局部特征。该层主要由卷积层，池化层，失活层构成。该模块的输入为模型的序列加载器即全连接层的输出，其大小为3427*400*10的张量，经过第2层卷积层后输出，该2层卷积层的卷积核的个数为64和128，其卷积窗口均为3*3。激活函数选择Sigmoid函数，能够把输入的值压缩在0到1之间。卷积过后，再实行Max-pooling操作，池化窗口为2*2，参数为same padding。由于数据量庞大，有用的信息有限，需要失活部分神经元，添加失活层，失活率为20％。深层卷积是为了进一步提取局部特征，所以后续的结构依然是2层卷积层，一层Max-pooling层，一层失活层。参数同上。

(4)通过序列特征学习模块获取数据时序特征。模仿的是睡眠专家在进行手动睡眠分期的时候，评判一个睡眠30秒的段属于那个睡眠周期时，往往需要参考周围睡眠数据段的波形数据的情况。其主要作用是捕获睡眠“帧”间的时序特征。所以序列特征模块这里采用的双向的长短时记忆网络，详细结构参数见图3，实例特征学习模块的输出作为序列特征模块的输入，该序列特征模块的包含前向的256个的长短时记忆网络单元，以及后向的256个长短时记忆网络单元。首先，每一前向和后向的LSTM单元中的遗忘门决定从上一个cell中丢弃信息。在该门读取上一时刻的输出h_t-1和本时刻的输入x_t后，其结果输入到激活函数为sigmod函数的神经元，输出一个在0到1之间的数值给记忆单元C_t-1，1表示完全保留，0表示全部舍弃。输入门决定让多少新的信息加入到cell状态中来。实现这个需要2个步骤。首先，计算

(新的输入带来的信息)和i_t(新的信息保留控制量)，然后就是对C_t进行更新。最后，LSTM中的输出门决定输出的值。首先，LSTM运行一个sigmoid来确定cell状态的哪个部分将输出出去。接着，LSTM把细胞状态通过tanh进行处理(得到一个在-1到1之间的值)并将它和sigmoid门的输出相乘，最终仅仅会输出被确定输出的那部分该模块输出也为一个同等长短的序列即(return_sequences＝True)，为了防止拟合该模块最后添加一个失活层，失活率为30％。

f_t＝σ(W_f[h_t-1x_t]+b_f)

i_t＝σ(W_i[x_t,h_t-1]+b_i)

o_t＝σ(W_o[x_t,h_t-1]+b_o)

h_t＝tanh(C_t)·o_t

(5)通过注意力机制加工模块后获取关键通道和关键窗口特征。特征提取有时并不是出现在全局范围，有的地方比较关键，有的地方则基本无贡献，想要将睡眠“帧”中的局部区域重要性体现出来，使用注意力机制。如图4所示，对于Self-Attention来讲，Q(Query),K(key),V(Value)三个矩阵均来自同一个输入，首先将query和每一个key进行相似的计算得到相应的权重，为了防止其结果过大，会除以一个尺度标度

其中d_k为一个query和key向量的维度其次，利用Softmax函数对权重进行归一化。使其成为0-1的概率分布。最后，将权重和相应的value进行加权求和，得到最后的输出。

a_i＝softmax(f(A,K))

Attention(Q,K,V)＝∑a_iV

其中，f(·)表示a_i对应的权重系数。

(6)对注意力加工后的数据进行归一化处理，因为该算法要实现多分类的要求，所以在归一化之前需要加入全连接层，该层的神经元个数由所指定分类期数做决定，如：分6类，即该全连接层神经元个数为6，分5类也是如此。模型训练时选择的优化器是随机梯度下降优化器，内部具体参数为学习率为0.0001，权重损失为1e-6,Momentum和学习率损失均为默认值，模型训练结束并且得到分期结果之后，需要进行分类评估来验证算法的优越性。结果选择了5组测试集，每一组同样都分2至6类，分别在单通道的脑电信号和单通道的眼电信号和联合作为输入的条件下，得到了其详细的分期结果。如表2～表4所示，最后选取了5分类下第四组的结果做出评价指标图。包括精度，召回率和f1值，见图5，该算法在清醒期的精度可以达到99％，而N2期的精度也可以达到85％以上，N1和REM期间的准确性较低，这些低性能得分的关键因素是每个阶段中数据分布的不平衡。但是，该算法在这两个阶段中显示的准确性也很高，进一步说明该算法在处理长时间序列数据的优异性能。

其中，precision表示精确率，TP表示预测结果与实际一致的正例样本数量，FP表示负例样本中预测错误的样本数量，f1-score表示相关这一类数据的分类情况，recall表示召回率，FN表示正例样本中预测错误的样本数量。

表2 EGG信号数据表

表3 EOG信号数据表

睡眠类	1	2	3	4	5
						1	98.16	98.02	98.87	98.77	98.04
2	93.76	95.66	93.60	94.80	91.70
						3	91.88	90.38	92.48	92.99	89.27
4	89.78	88.14	90.76	90.92	87.23
						5	88.26	87.84	89.39	88.91	85.28

表4 EGG+EOG信号数据表

睡眠类	1	2	3	4	5
						1	99.42	98.24	99.41	99.37	98.13
2	91.72	93.12	94.29	94.64	92.36
						3	91.35	92.36	91.79	94.89	90.47
4	88.90	89.14	89.72	94.04	88.13
						5	88.54	87.32	89.45	91.27	89.139

通过准确度、召回率和F1值来评估实验结果，证明了本发明的深度学习算法在唤醒阶段的准确率可达99％，在N2阶段的准确率可达85％。N1和REM的精度也可以超过60％，这进一步表明了该算法在处理长期序列数据时的优异性能。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims

1.一种基于改进的深度学习算法模型的睡眠信号自动分期方法，其特征在于，该方法具体包括以下步骤：

S1：获取原始睡眠数据；

S2：数据预处理；

S4：利用分类器对提取的特征信息进行分类。

2.根据权利要求1所述的睡眠信号自动分期方法，其特征在于，步骤S1中，获取的原始睡眠数据是EEG中的Fpz-Cz和水平EOG；同时，去掉睡眠中未打分的睡眠“帧”，保留一段睡眠前后30分钟的清醒“帧”。

3.根据权利要求1所述的睡眠信号自动分期方法，其特征在于，步骤S2中，数据预处理包括：

4.根据权利要求1所述的睡眠信号自动分期方法，其特征在于，步骤S3中，所述实例特征学习模块用于获取数据局部特征，该模块由卷积网络组成，包含4个一维卷积单元、2个最大池化单元和2个失活单元。

5.根据权利要求1所述的睡眠信号自动分期方法，其特征在于，步骤S3中，所述序列特征学习模块是使用双向的长短时记忆网络来获取网络睡眠“帧”间相关特征。

6.根据权利要求1所述的睡眠信号自动分期方法，其特征在于，步骤S3中，所述注意力机制加工模块是采用自注意力机制来获取关键通道和关键窗口特征。

7.根据权利要求1所述的睡眠信号自动分期方法，其特征在于，步骤S3中，构建的改进的深度学习算法模型还包括：对注意力加工后的数据进行归一化处理。