CN114847968A - 一种基于长短期记忆网络的脑电信号睡眠分期方法 - Google Patents

一种基于长短期记忆网络的脑电信号睡眠分期方法 Download PDF

Info

Publication number
CN114847968A
CN114847968A CN202110154321.7A CN202110154321A CN114847968A CN 114847968 A CN114847968 A CN 114847968A CN 202110154321 A CN202110154321 A CN 202110154321A CN 114847968 A CN114847968 A CN 114847968A
Authority
CN
China
Prior art keywords
long
input
memory network
term memory
classification model
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
Application number
CN202110154321.7A
Other languages
English (en)
Inventor
沈玉龙
章璋
李嘉辉
任忠
高文佳
赵延鑫
陈文祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cetc Qingdao Computing Technology Research Institute Co ltd
Qingdao Institute Of Computing Technology Xi'an University Of Electronic Science And Technology
Xidian University
Original Assignee
Cetc Qingdao Computing Technology Research Institute Co ltd
Qingdao Institute Of Computing Technology Xi'an University Of Electronic Science And Technology
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cetc Qingdao Computing Technology Research Institute Co ltd, Qingdao Institute Of Computing Technology Xi'an University Of Electronic Science And Technology, Xidian University filed Critical Cetc Qingdao Computing Technology Research Institute Co ltd
Priority to CN202110154321.7A priority Critical patent/CN114847968A/zh
Publication of CN114847968A publication Critical patent/CN114847968A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明为一种基于长短期记忆网络的脑电信号睡眠分期方法，包括以下步骤：S1，通过电极帽中的电极收集受测者的脑电信号；S2，对收集到的脑电信号使用小波变换进行信号预处理；S3，搭建长短期记忆网络分类模型；S4，对搭建的分类模型使用标注好的分期数据进行训练；S5，用长短期记忆网络分类模型对于脑电信号进行睡眠分期。本发明的脑电信号睡眠分期识别方法与其他脑电信号睡眠分期识别方法相比，更加高效、稳定，对于医学上针对睡眠的研究具有帮助的作用。

Description

一种基于长短期记忆网络的脑电信号睡眠分期方法
技术领域
本发明属于信号处理与模式识别领域，涉及基于脑电信号的睡眠分期识别与深度学习方法，具体为一种基于长短期记忆网络的脑电信号睡眠分期方法。
背景技术
脑电作为一种由神经系统产生的可测量的电信号，包含着丰富的生理信息。由于EEG信号在睡眠期间非常微弱，因此容易引入干扰，并且睡眠EEG信号是非平稳随机信号，并且很难提取特征，所以要从睡眠脑电中进行睡眠分析难度很大，为改变这一问题，需要有效手段对睡眠信号脑电进行处理。
近些年随着深度学习的发展，脑电信号识别分析有一个更好的解决方案，它使用深度学习框架将特征值提取和分类器结合到一个框架中，以自动从海量大数据中学习特征，从而减少了手工设计中使用的特征的庞大性。由于长期和短期记忆网络以及完全连接的网络在深度学习中的广泛应用，故本文将使用这两种方法对于脑电信号进行分期识别方法的研究。
发明内容
本发明的目的在于提供一种基于长短记忆网络的脑电睡眠分期识别的方法，帮助对于脑电信号进行分期识别方法的研究。减少人工判读出现的低效率，提升机器判断的低准确率，从而在医疗上帮助人们了解睡眠质量以及解决某些睡眠疾病。
具体步骤如下：
S1：通过电极帽中的电极收集受测者的脑电信号；
S2：对收集到的脑电信号使用小波变换进行信号预处理。
进一步，所述步骤S2具体包括：所述的数据预处理采用小波变换方法对于原始信号进行噪声降低处理，其中，小波基选择‘coif3’，分解层数为五层，使用stein无偏估计方法确定阈值，选择硬阈值函数对于初始信号进行预处理。
S3：搭建长短期记忆网络分类模型。
进一步，所述S2的搭建长短期记忆网络分类模型由输入门、候选门、忘记门、输出门组成的若干单元构成；
S31：通过遗忘门，将上隐藏层的输出信息St-1与当前输入xt，使用矩阵
Figure BDA0002932838370000025
和Uf进行维度调整加上一个bf偏置完成线性组合后，利用激活函数，将函数值压缩，获得的阈值在0～1之间。当函数值接近1时，表示存储器保留更多信息。当函数值接近于零时，表示内存将丢弃更多信息，其中：
Figure BDA0002932838370000021
S32：通过输入门，当前记忆信息流中将会被添加多少的输入信息xt，与忘记门的计算公式相似，输入门也是通过一个sigmiod的激活函数来实现，其中：
Figure BDA0002932838370000022
S33：通过候选门，计算当前的输入和过去的记忆所具有的信息总量，其中：
Figure BDA0002932838370000023
S34：通过输出门，控制着记忆信息将被用于下一阶段的更新中，即由Ct求解St的过程，其中：
Figure BDA0002932838370000024
进一步，在于构建深度学习分类模型中，使用categorical_crossentropy交叉熵损失函数计算损失值。
进一步，在于构建深度学习分类模型中，使用softmax激活函数。
进一步在于构建深度学习分类模型中，使用Adam优化模型参数。
S4：对搭建的分类模型使用标注好的分期数据进行训练。
本发明具体有益效果在于：
(1)本发明基于EEG睡眠生理信号进行睡眠分期识别，并通过电极帽中的电极收集受测者的脑电信号，易于获取，并且数据量大，方便于提高睡眠分期识别的准确率；
(2)本发明在信号进行预处理阶段，使用小波变换方式选取了较为合适的降噪方法，为后续睡眠分期识别的准确率提供帮助；
(3)本发明设计了一种无需单独进行特征提取，采用长短期记忆网络，泛化性能好，是一种简便且精准率高的脑电信号睡眠分期识别方法。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明的基于长短记忆网络的脑电睡眠分期识别方法流程图；
图2是基于睡眠五期的分期结果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示图1是一种基于长短记忆网络的脑电睡眠分期识别方法的实现步骤
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，基于长短记忆网络的脑电睡眠分期识别方法包括以下步骤：
S1：通过电极帽中的电极收集受测者的脑电信号；
S2：对收集到的脑电信号使用小波变换进行信号预处理。
进一步，所述步骤S2具体包括：所述的数据预处理采用小波变换方法对于原始信号进行噪声降低处理，其中，小波基选择‘coif3’，分解层数为五层，使用stein无偏估计方法确定阈值，选择硬阈值函数对于初始信号进行预处理。
S3：搭建长短期记忆网络分类模型。
进一步，所述S2的搭建长短期记忆网络分类模型由输入门、候选门、忘记门、输出门组成的若干单元构成；
S31：通过遗忘门，将上隐藏层的输出信息St-1与当前输入xt，使用矩阵
Figure BDA0002932838370000045
和Uf进行维度调整加上一个bf偏置完成线性组合后，利用激活函数，将函数值压缩，获得的阈值在0～1之间。当函数值接近1时，表示存储器保留更多信息。当函数值接近于零时，表示内存将丢弃更多信息，其中：
Figure BDA0002932838370000041
S32：通过输入门，当前记忆信息流中将会被添加多少的输入信息xt，与忘记门的计算公式相似，输入门也是通过一个sigmiod的激活函数来实现，其中：
Figure BDA0002932838370000042
S33：通过候选门，计算当前的输入和过去的记忆所具有的信息总量，其中：
Figure BDA0002932838370000043
S34：通过输出门，控制着记忆信息将被用于下一阶段的更新中，即由Ct求解St的过程，其中：
Figure BDA0002932838370000044
进一步，在于构建深度学习分类模型中，使用categorical_crossentropy交叉熵损失函数计算损失值。
进一步，在于构建深度学习分类模型中，使用softmax激活函数。
进一步在于构建深度学习分类模型中，使用Adam优化模型参数。
S4：对搭建的分类模型使用标注好的分期数据进行训练。
进一步，所述步骤S4中，对搭建的分类模型进行训练具体步骤包括以下：
S41：训练集数据以每30s为一集合，将其分为n个采样点；假设总样本为x，训练集的样本数为x1，则训练时输入的数据为x1*n；测试时输入数据的格式为(x-x1)*n；
S42：使用验证集和测试集睡眠脑电分期数据作为分类模型的输入数据，并使用模型的正向计算获得分类结果；
S43：采用5倍交叉验证进行验证，其中重复进行上述过程5次，每次交换选择的训练数据集和测试数据集，5次的训练的分类准确率进行汇总，取平均值作为模型的最终分类正确率评价，找出最优结果，用于测试。
S5：用长短期记忆网络分类模型对于脑电信号进行睡眠分期。
根据R&K睡眠分期标准，本方法将睡眠分为N1(非快速眼动1期)、N2(非快速眼动2期)、N3(非快速眼动3期)、REM(快速眼动期)、WAKE(清醒期期)五期，建立基于睡眠五期的分期结果如图2所示。可以看出本方法对于各期睡眠都表现出良好的分类性能。

Claims (7)

1.一种基于长短期记忆网络的脑电信号睡眠分期识别方法，其特征在于，该方法具体包括以下步骤：
S1：通过电极帽中的电极收集受测者的脑电信号；
S2：对收集到的脑电信号使用小波变换进行信号预处理；
S3：搭建长短期记忆网络分类模型；
S4：对搭建的分类模型使用标注好的分期数据进行训练；
S5：用长短期记忆网络分类模型对于脑电信号进行睡眠分期。
2.根据权利要求1所述的基于长短期记忆网络的脑电信号睡眠分期识别方法，其特征在于，步骤S2中，所述的数据预处理采用小波变换方法对于原始信号进行噪声降低处理，其中，小波基选择‘coif3’，分解层数为五层，使用stein无偏估计即Stein’s Unbiased RiskEstimate,SURE方法确定阈值，选择硬阈值函数对于初始信号进行预处理，其中‘coif3’是一种用于去噪的小波变换方法。
3.根据权利要求1所述的基于长短期记忆网络的脑电信号睡眠分期识别方法，其特征在于，所述步骤S3中，所述的搭建长短期记忆网络分类模型由输入门、候选门、忘记门、输出门组成的若干单元构成；
实现步骤包括：
S31：通过遗忘门，将上隐藏层的输出信息St-1与当前输入xt，使用此时遗忘门的权重矩阵
Figure FDA0002932838360000011
和隐藏状态Uf进行维度调整加上一个偏置项bf偏置完成线性组合后，利用激活函数，将函数值压缩，获得的阈值在0～1之间。当函数值接近1时，表示存储器保留更多信息。当函数值接近于零时，表示内存将丢弃更多信息，其中：
Figure FDA0002932838360000012
其中，ft为当前t时刻输出值；
S32：通过输入门，当前记忆信息流中将会被添加多少的输入信息xi，与忘记门的计算公式相似，输入门也是通过一个sigmiod的激活函数来实现，其中：
Figure FDA0002932838360000013
其中i′t是当前t时刻输出值，
Figure FDA0002932838360000021
为输入门的权重矩阵，St-1为上一层的输出信息，
Figure FDA0002932838360000022
为输入层隐藏状态，bi为偏置项；
S33：通过候选门，计算当前的输入和过去的记忆所具有的信息总量，其中：
Figure FDA0002932838360000023
其中，C′t为当前t时刻输出值，
Figure FDA0002932838360000024
为输入门的权重矩阵，St-1为上一层的输出信息，
Figure FDA0002932838360000025
为输入层隐藏状态，bc为偏置项；
S34：通过输出门，控制着记忆信息将被用于下一阶段的更新中，即由Ct求解St的过程，其中：
Figure FDA0002932838360000026
其中，ot为当前t时刻输出值，
Figure FDA0002932838360000027
为输入门的权重矩阵，St-1为上一层的输出信息，
Figure FDA0002932838360000028
为输入层隐藏状态，bo为偏置项。
4.根据权利要求1所述的基于长短期记忆网络的脑电信号睡眠分期识别方法，其特征在于构建深度学习分类模型中，使用categorical_crossentropy交叉熵损失函数计算损失值，其中categorical_crossentropy交叉熵损失函数为：
Figure FDA0002932838360000029
。
5.根据权利要求1所述的基于长短期记忆网络的脑电信号睡眠分期识别方法，其特征在于构建深度学习分类模型中，使用softmax激活函数对于输出值进行映射，其中softmax激活函数为：
Figure FDA00029328383600000210
。
6.根据权利要求1所述的基于长短期记忆网络的脑电信号睡眠分期识别方法，其特征在于构建深度学习分类模型中，使用Adam(Adaptive Moment Estimation)优化模型参数。
7.根据权利要求1所述的基于长短期记忆网络的脑电信号睡眠分期识别方法，其特征在于，对搭建的分类模型使用标注好的分期数据进行训练，所述步骤S4中，对于分期数据进行训练具体包括以下步骤：
S41：训练集数据以每30s为一集合，将其分为n个采样点；假设总样本为x，训练集的样本数为x1，则训练时输入的数据为x1*n；测试时输入数据的格式为(x-x1)*n；
S42：使用验证集和测试集睡眠脑电分期数据作为分类模型的输入数据，并使用模型的正向计算获得分类结果；
S43：采用5倍交叉验证进行验证，其中重复进行上述过程5次，每次交换选择的训练数据集和测试数据集，5次的训练的分类准确率进行汇总，取平均值作为模型的最终分类正确率评价，找出最优结果，用于测试。
CN202110154321.7A 2021-02-04 2021-02-04 一种基于长短期记忆网络的脑电信号睡眠分期方法 Pending CN114847968A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110154321.7A CN114847968A (zh) 2021-02-04 2021-02-04 一种基于长短期记忆网络的脑电信号睡眠分期方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110154321.7A CN114847968A (zh) 2021-02-04 2021-02-04 一种基于长短期记忆网络的脑电信号睡眠分期方法

Publications (1)

Publication Number Publication Date
CN114847968A true CN114847968A (zh) 2022-08-05

Family

ID=82622991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110154321.7A Pending CN114847968A (zh) 2021-02-04 2021-02-04 一种基于长短期记忆网络的脑电信号睡眠分期方法

Country Status (1)

Country Link
CN (1) CN114847968A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116269244A (zh) * 2023-05-18 2023-06-23 安徽星辰智跃科技有限责任公司 基于眼动的睡眠记忆情感张力量化的方法、系统和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116269244A (zh) * 2023-05-18 2023-06-23 安徽星辰智跃科技有限责任公司 基于眼动的睡眠记忆情感张力量化的方法、系统和装置
CN116269244B (zh) * 2023-05-18 2023-08-15 安徽星辰智跃科技有限责任公司 基于眼动的睡眠记忆情感张力量化的方法、系统和装置

Similar Documents

Publication Publication Date Title
CN108304917B (zh) 一种基于lstm网络的p300信号检测方法
CN109389059B (zh) 一种基于cnn-lstm网络的p300检测方法
CN111461176B (zh) 基于归一化互信息的多模态融合方法、装置、介质及设备
CN110353673B (zh) 一种基于标准互信息的脑电通道选择方法
CN111134666A (zh) 一种多通道脑电数据的情绪识别方法及电子装置
CN110598793B (zh) 一种大脑功能网络特征分类方法
CN112581979A (zh) 一种基于语谱图的语音情绪识别方法
CN112587153B (zh) 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法
CN111951824A (zh) 一种基于声音判别抑郁症的检测方法
CN111898526B (zh) 基于多流卷积神经网络的肌电手势识别方法
CN107822645B (zh) 一种基于WiFi信号的情绪识别方法
CN110135244B (zh) 一种基于脑-机协同智能的表情识别方法
CN105448291A (zh) 基于语音的帕金森症检测方法及检测系统
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
Yan et al. An EEG signal classification method based on sparse auto-encoders and support vector machine
CN104887263A (zh) 一种基于心音多维特征提取的身份识别算法及其系统
CN113069117A (zh) 一种基于时间卷积神经网络的脑电情绪识别方法及系统
Jinliang et al. EEG emotion recognition based on granger causality and capsnet neural network
CN109222966A (zh) 一种基于变分自编码器的脑电信号情感分类方法
CN114732409A (zh) 一种基于脑电信号的情绪识别方法
CN110584596A (zh) 基于双输入卷积神经网络的睡眠阶段分类方法及应用
CN113868374B (zh) 基于多头注意力机制的图卷积网络生物医学信息提取方法
CN114847968A (zh) 一种基于长短期记忆网络的脑电信号睡眠分期方法
Jiang et al. Application of transformer with auto-encoder in motor imagery EEG signals
CN114209342A (zh) 一种基于时空特征的脑电信号运动想象分类方法

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