CN114983343A - 睡眠分期方法及其系统、计算机可读存储介质、电子设备 - Google Patents

睡眠分期方法及其系统、计算机可读存储介质、电子设备 Download PDF

Info

Publication number
CN114983343A
CN114983343A CN202210611158.7A CN202210611158A CN114983343A CN 114983343 A CN114983343 A CN 114983343A CN 202210611158 A CN202210611158 A CN 202210611158A CN 114983343 A CN114983343 A CN 114983343A
Authority
CN
China
Prior art keywords
sleep
domain
domain data
data set
feature
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
CN202210611158.7A
Other languages
English (en)
Inventor
方震
何征岭
赵荣建
何光强
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.)
Nanjing Runnan Medical Electronic Research Institute Co ltd
Original Assignee
Nanjing Runnan Medical Electronic Research Institute Co ltd
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 Nanjing Runnan Medical Electronic Research Institute Co ltd filed Critical Nanjing Runnan Medical Electronic Research Institute Co ltd
Priority to CN202210611158.7A priority Critical patent/CN114983343A/zh
Publication of CN114983343A publication Critical patent/CN114983343A/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
    • A61B5/48—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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Psychology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种睡眠分期方法及其系统、计算机可读存储介质、电子设备，该方法包括：获取具有第一睡眠生理信号的睡眠数据作为源域数据集；获取具有第二睡眠生理信号的睡眠数据作为目标域数据集；对所述源域数据集和目标域数据集进行预处理，得到预处理后的源域数据集和预处理后的目标域数据集；根据预处理后的源域数据集和预处理后的目标域数据集对异构领域自适应模型进行训练，得到训练好的睡眠期分类模型；根据待测的目标域数据和训练好的睡眠期分类模型，得到目标睡眠分期。该方法结合少量带标签的目标域数据样本，可对无标签的目标域数据实现自动睡眠分期，避免了繁琐的数据采集过程，提高了睡眠监测工作的时效性和便利性。

Description

睡眠分期方法及其系统、计算机可读存储介质、电子设备
技术领域
本发明涉及睡眠监测的技术领域，特别涉及一种睡眠分期方法及其系统、 计算机可读存储介质、电子设备。
背景技术
睡眠分期是睡眠障碍诊断或睡眠质量评估的一项重要检查手段，主要是 通过记录人体睡眠过程中产生的生理参数信号，并对这些信号的特征进行分 析，从而实现睡眠阶段的识别，睡眠阶段主要包括觉醒(Wake)，睡眠一期(N1)， 睡眠二期(N2)，睡眠三期(N3)，睡眠四期(N4)以及快速眼动期(REM)。 人工睡眠分期通常依靠人类专家对睡眠多导仪(Polysomnography，简称为 PSG)记录中的生理参数信号进行视觉检查，但这是一件低效、主观性强的工 作，因此自动睡眠分期成为了热点研究课题。
近些年，随着微电子技术的发展，出现了很多新型传感原理的便携可穿 戴式设备，基于这些设备，研究人员已经提出了大量新的睡眠分期方法，例 如基于单通道心电信号的模型，或者基于压电陶瓷、毫米波雷达等无感式睡 眠监测手段的模型。然而这些模型大多属于监督学习方法，一般需要利用设 备和睡眠多导仪同步记录受试者在睡眠阶段的生理参数数据，并以脑电信号 作为参考，完成睡眠标签的人工标注。然而，数据采集是一项极为耗时且成 本高昂的过程，在一些应用场景下难以实现。
发明内容
(一)发明目的
本发明的目的是提供一种睡眠分期方法及其系统、计算机可读存储介质、 电子设备，异构领域自适应模型能够从脑电信号中学到的知识迁移到基于心 电、压电陶瓷、毫米波雷达等设备采集的睡眠数据分期任务中，通过训练好 的模型可实现对待测的目标域数据睡眠分期，该方法避免了繁琐的数据采集 过程，提高了睡眠监测工作的时效性和便利性。
(二)技术方案
本发明的第一方面提供了一种睡眠分期方法，包括：获取具有第一睡眠 生理信号的睡眠数据作为源域数据集；获取具有第二睡眠生理信号的睡眠数 据作为目标域数据集；对所述源域数据集和目标域数据集进行预处理，得到 预处理后的源域数据集和预处理后的目标域数据集；根据预处理后的源域数 据集和预处理后的目标域数据集对异构领域自适应模型进行训练，得到训练 好的睡眠期分类模型；根据待测的目标域数据和训练好的睡眠期分类模型， 得到目标睡眠分期。
进一步地，所述根据源域数据集和目标域数据集对异构领域自适应模型 进行训练，得到训练好的睡眠期分类模型，包括：对预处理后的源域数据集 和预处理后的目标域数据集进行域独立特征提取，得到第一维度的特征数据； 对第一维度的特征数据进行共享特征提取，得到共享的特征图；对共享的特 征图进行基于注意力机制的特征分离，得到域共享特征图和域独立特征图。
进一步地，对预处理后的源域数据集和预处理后的目标域数据集进行域 独立特征提取，得到第一维度的特征数据，包括：所述预处理后的源域数据 集包括有标签源域数据，有标签源域数据为对所述具有第一睡眠生理信号的 睡眠数据已标注睡眠分期；所述预处理后的目标域数据集包括有标签目标域 数据和无标签目标域数据，有标签目标域数据为对所述具有第二睡眠生理信 号的睡眠数据已标注睡眠分期；无标签目标域数据为对所述具有第二睡眠生 理信号的睡眠数据未标注睡眠分期；对有标签源域数据进行域独立特征提取， 得到第一维度的第一特征数据；对有标签目标域数据和无标签目标域数据进 行域独立特征提取，得到第一维度的第二特征数据。
进一步地，所述对共享的特征图进行基于注意力机制的特征分离，得到 域共享特征图和域独立特征图，包括：将共享的特征图输入通道注意力模型 进行处理，得到通道注意力特征图；其中，通道注意力模型的条件式为：
Ac(f)＝σ(MLP(AvgPool(f))+MLP(MaxPool(f)))
式中，AC(f)表示通道注意力；AvgPool(·)和MaxPool(·)分别表示全局平均池化和全局最大池化操作；σ(·)为激活函数；MLP(·)为共享的卷积网络；
将通道注意力特征图输入空间注意力模型进行处理，得到注意力图；其 中，空间注意力模型的条件式为：
As(f)＝σ(Conv([AvgPool(f)；MaxPool(f)]))
式中，As(f)表示空间注意力；Conv(·)为单层卷积层；
注意力图的条件式为：
A(f)＝As(Ac(f))
将注意力图进行划分为域共享特征图和域独立特征图。
进一步地，根据源域数据集和目标域数据集对异构领域自适应模型进行 训练，得到训练好的睡眠期分类模型，还包括：将域共享特征图中有标签源 域数据和有标签目标域数据输入睡眠期分类模型进行训练，得到训练好的睡 眠期分类模型。
进一步地，根据源域数据集和目标域数据集对异构领域自适应模型进行 训练，得到训练好的睡眠期分类模型，还包括：计算总损失值，根据总损失 值调整异构领域自适应模型的参数，以实现对异构领域自适应模型进行约束 和优化；其中，将域共享特征图中输入训练好的睡眠期分类模型，得到预期 的睡眠期分类数据；根据预期的睡眠期分类数据计算睡眠期分类损失值；将 域共享特征图输入边缘分布判别模型，以实现对域共享特征图中的不同域特 征进行分布对齐，根据边缘分布判别模型的输出结果计算边缘分布损失值；将域共享特征图和由睡眠期分类模型输出的睡眠分类数据输入条件分布判别 模型，以实现对域共享特征图中的不同域特征进行分布对齐，根据条件分布 判别模型的输出结果计算条件分布损失值；将域共享特征图中的有标签源域 数据输入中心损失函数，以实现对有标签源域数据进行约束，以使有标签源 域数据中相同类别样本的离散程度减小，并使有标签源域数据中不同类别样 本的离散程度加大，根据中心损失函数的输出结果得到中心损失值；将域独 立特征图输入域独立特征差异损失函数，以使有标签源域数据和有标签目标域数据的独立特征差异最大化，根据域独立特征差异损失函数的输出结果得 到域独立特征差异损失值；根据睡眠期分类损失值、边缘分布损失值、条件 分布损失值、中心损失值和域独立特征差异损失值计算总损失值。
进一步地，根据待测的目标域数据和训练好的睡眠期分类模型，得到目 标睡眠分期，包括：对待测的目标域数据进行域独立特征提取，得到第一维 度的待测特征数据；对第一维度的待测特征数据进行共享特征的提取，得到 学习共享的待测特征图；对学习共享的待测特征图进行基于注意力机制的特 征分离，得到待测的域共享特征图；将待测的域共享特征图输入训练好的睡 眠期分类模型，得到目标睡眠分期。
进一步地，对所述源域数据集和目标域数据集进行预处理，得到预处理 后的源域数据集和预处理后的目标域数据集，包括：对所述源域数据集和目 标域数据集进行预滤波，消除基线干扰和噪声干扰；对预滤波后的所述源域 数据集和目标域数据集按照设定的时长进行分割，得到多个片段的睡眠生理 信号；对多个片段的睡眠生理信号进行标准化处理，得到多个标准化后的睡 眠生理信号。
本发明的第二方面提供了一种睡眠分期系统，包括：第一获取模块，其 用于获取具有第一睡眠生理信号的睡眠数据作为源域数据集；第二获取模块， 其用于获取具有第二睡眠生理信号的睡眠数据作为目标域数据集；预处理模 块，其用于对所述源域数据集和目标域数据集进行预处理，得到预处理后的 源域数据集和预处理后的目标域数据集；训练模块，其用于根据预处理后的 源域数据集和预处理后的目标域数据集对异构领域自适应模型进行训练，得 到训练好的睡眠期分类模型；目标睡眠分期模块，其用于根据待测的目标域 数据和训练好的睡眠期分类模型，得到目标睡眠分期。
进一步地，所述训练模块包括：域独立特征提取器，其用于对预处理后 的源域数据集和预处理后的目标域数据集进行域独立特征提取，得到第一维 度的特征数据；共享特征提取器，其用于对第一维度的特征数据进行共享特 征提取，得到共享的特征图；基于注意力机制的特征分离器，其用于对共享 的特征图进行基于注意力机制的特征分离，得到域共享特征图和域独立特征 图。
进一步地，所述基于注意力机制的特征分离器包括：通道注意力子模块， 其用于将共享的特征图输入通道注意力模型进行处理，得到通道注意力特征 图；其中，通道注意力模型的条件式为：
Ac(f)＝σ(MLP(AvgPool(f))+MLP(MaxPool(f)))
式中，AC(f)表示通道注意力；AvgPool(·)和MaxPool(·)分别表示全局平均池化和全局最大池化操作；σ(·)为激活函数；MLP(·)为共享的卷积网络；
空间注意力子模块，其用于将通道注意力特征图输入空间注意力模型进 行处理，得到注意力图；其中，空间注意力模型的条件式为：
As(f)＝σ(Conv([AvgPool(f)；MaxPool(f)]))
式中，As(f)表示空间注意力；Conv(·)为单层卷积层；
注意力图的条件式为：
A(f)＝As(Ac(f))
划分子模块，其用于将注意力图进行划分为域共享特征图和域独立特征 图。
进一步地，所述训练模块还包括：训练子模块，其用于将域共享特征图 中有标签源域数据和有标签目标域数据输入睡眠期分类模型进行训练，得到 训练好的睡眠期分类模型。
进一步地，所述训练模块还包括：优化器，其用于计算总损失值，根据 总损失值调整异构领域自适应模型的参数，以实现对异构领域自适应模型进 行约束和优化；其中，所述优化器作用范围包括：
睡眠期分类器，其用于将域共享特征图输入训练好的睡眠期分类模型， 得到预期的睡眠期分类数据；根据预期的睡眠期分类数据计算睡眠期分类损 失值；边缘分布判别器，其用于将域共享特征图输入边缘分布判别模型，以 实现对域共享特征图中的不同域特征进行分布对齐，根据边缘分布判别模型 的输出结果计算边缘分布损失值；条件分布判别器，其用于将域共享特征图 和预期的睡眠期分类数据输入条件分布判别模型，以实现对域共享特征图中 的不同域特征进行分布对齐，根据条件分布判别模型的输出结果计算条件分 布损失值；中心损失函数子模块，其用于将域共享特征图中的有标签源域数 据输入中心损失函数，以实现对有标签源域数据进行约束，以使有标签源域 数据中相同类别样本的离散程度减小，并使有标签源域数据中不同类别样本 的离散程度加大，根据中心损失函数的输出结果得到中心损失值；域独立特 征差异损失子模块，其用于将域独立特征图输入域独立特征差异损失函数， 以使有标签源域数据和有标签目标域数据的独立特征差异最大化，根据域独 立特征差异损失函数的输出结果得到域独立特征差异损失值；总损失函数子模块，其用于根据睡眠期分类损失值、边缘分布损失值、条件分布损失值、 中心损失值和域独立特征差异损失值计算总损失值。
本发明的第三方面提供了一种计算机可读存储介质，其上存储有计算机 程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
本发明的第四方面提供了一种电子设备，包括存储器、处理器及存储在 存储器上的计算机程序，所述处理器执行所述计算机程序时实现上述的方法 的步骤。
(三)有益效果
本发明的上述技术方案具有如下有益的技术效果：
1、本发明实施例中的异构领域自适应模型可实现半监督功能，该模型以 脑电信号作为源域数据，以心电、压电陶瓷、毫米波雷达等设备采集的心电 或心冲击信号作为目标域数据，结合少量带标签的目标域数据样本，可对无 标签的目标域数据实现自动睡眠分期。具体而言，该模型首先为来自不同域 的异构领域数据源分别构建特征提取器，随后通过一个带注意力机制的特征 分离器实现域共享特征和域独立特征的分离。一方面，域共享分支通过构造 边缘分布和条件分布适配项，实现不同域特征数据隐层特征的对齐，另外通过中心损失为源域数据增加约束，以缩小睡眠阶段类别内距离并加大类别间 距离；另一方面，域独立分支能够通过特征差异损失，实现域独立特征的提 取。该异构领域自适应模型能够为基于新型传感原理的睡眠期分类模型提供 有效、可靠的睡眠分期算法策略。
2、源域数据集和目标域数据集来自不同信号源，差异性大，异构领域自 适应模型能够从脑电信号中学到的知识迁移到基于心电、压电陶瓷、毫米波 雷达等设备采集的睡眠数据分期任务中，实现对待测的目标域数据睡眠分期， 避免了繁琐的数据采集过程，提高了睡眠监测工作的时效性和便利性。
3、本发明实施例的技术方案通过对待测的目标域数据依次进行域独立 特征提取、共享特征的提取、基于注意力机制的特征分离和训练好的睡眠期 分类模型处理，可提高睡眠分期结果的准确性。
附图说明
图1是根据本发明第一实施方式的睡眠分期方法的流程框图；
图2是根据本发明第二实施方式的睡眠分期系统的结构示意图；
图3是根据本发明第三实施方式的异构领域自适应模型的总体框架结构 示意图；
图4是根据本发明第四实施方式的基于注意力机制的特征分离器的工作 原理示意图。
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了，下面结合具体实施 方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例 性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结 构和技术的描述，以避免不必要地混淆本发明的概念。
目前已经存在了大量的基于脑电信号的睡眠分期数据集，利用这些数据 集可以发掘脑电特征和睡眠阶段的对应关系。进一步地，如果能够充分利用 脑电睡眠分期的能力，辅助新型传感原理的睡眠监测设备完成睡眠分期，将 是具有重要现实意义和应用价值的研究方向。但是，脑电信号和新型传感原 理的信号对比，存在着信号源、采样率的差异，而且目标域数据通常无标签 或只有少量的标签，因此如何设计合适有效的异构迁移模型是一大难题。
为解决上述难题，本发明的第一方面提供了一种睡眠分期方法，如图1 所示，具体地包括以下步骤：
步骤S100，获取具有第一睡眠生理信号的睡眠数据作为源域数据集；
步骤S200，获取具有第二睡眠生理信号的睡眠数据作为目标域数据集；
步骤S300，对所述源域数据集和目标域数据集进行预处理，得到预处理 后的源域数据集和预处理后的目标域数据集；
步骤S400，根据预处理后的源域数据集和预处理后的目标域数据集对异 构领域自适应模型进行训练，得到训练好的睡眠期分类模型；
步骤S500，根据待测的目标域数据和训练好的睡眠期分类模型，得到目 标睡眠分期。
一些实施例中，第一睡眠生理信号可以是脑电信号，可获取Sleep-EDF Database,Montreal Archive of Sleep Studies(MASS),MIT-BIH Polysomnographic Database等公开睡眠数据集作为源域数据集；第二睡眠 生理信号可以是心电信号或心冲击信号，可利用新型传感原理的设备采集睡 眠数据集作为目标域数据集，新型传感原理的设备包括但不限于基于心电、 压电陶瓷、毫米波雷达信号的采集设备。预处理后的源域数据集和预处理后 的目标域数据集，消除了基线干扰和高频噪声，可作为训练样本更好地对异 构领域自适应模型进行训练；并建立异构领域自适应模型开展端到端模型训 练；再将训练得到的睡眠期分类模型用于待测的目标域数据，实现对目标域 数据的睡眠分期。源域数据集和目标域数据集来自不同信号源，比如脑电和 心电，其信号源不一样，差异性大，该异构领域自适应模型能够从脑电信号 中学到的知识迁移到基于心电、压电陶瓷、毫米波雷达等设备采集的睡眠数 据分期任务中，避免了繁琐的数据集采集过程，即避免了需要利用设备和睡 眠多导仪同步记录受试者在睡眠阶段的生理参数数据，并可提高睡眠监测工 作的时效性和便利性；因此该异构领域自适应模型为基于新型传感原理的睡 眠期分类模型可提供有效、可靠的睡眠分期算法策略。
一些实施例中，步骤S300，对所述源域数据集和目标域数据集进行预处 理，得到预处理后的源域数据集和预处理后的目标域数据集，包括：
步骤S310，对所述源域数据集和目标域数据集进行预滤波，消除基线干 扰和噪声干扰；
步骤S320，对预滤波后的所述源域数据集和目标域数据集按照设定的时 长进行分割，得到多个片段的睡眠生理信号；
步骤S330，对多个片段的睡眠生理信号进行标准化处理，得到多个标准 化后的睡眠生理信号。
示例性实施例中，利用有限冲激响应滤波器、无限冲激响应滤波器或小 波方法对睡眠生理信号进行预滤波，消除基线干扰和高频噪声；然后以30 秒作为一个片段对原始睡眠生理信号进行分割，再采用Z-Score方法对输入 睡眠生理信号进行标准化处理，即计算睡眠生理信号的均值μ和标准差σ， 则标准化后的睡眠生理信号为
Figure BDA0003672036100000091
一些实施例中，步骤S400，所述根据源域数据集和目标域数据集对异构 领域自适应模型进行训练，得到训练好的睡眠期分类模型，包括：
步骤S410，对预处理后的源域数据集和预处理后的目标域数据集进行域 独立特征提取，得到第一维度的特征数据；
步骤S420，对第一维度的特征数据进行共享特征提取，得到共享的特征 图；
步骤S430，对共享的特征图进行基于注意力机制的特征分离，得到域共 享特征图和域独立特征图。
一些实施例中，所述预处理后的源域数据集包括有标签源域数据，有标 签源域数据为对所述具有第一睡眠生理信号的睡眠数据已标注睡眠分期；所 述预处理后的目标域数据集包括有标签目标域数据和无标签目标域数据，有 标签目标域数据为对所述具有第二睡眠生理信号的睡眠数据已标注睡眠分 期；无标签目标域数据为对所述具有第二睡眠生理信号的睡眠数据未标注睡 眠分期。步骤S410，对预处理后的源域数据集和预处理后的目标域数据集进 行域独立特征提取，得到第一维度的特征数据，包括：
步骤S411，对有标签源域数据进行域独立特征提取，得到第一维度的第 一特征数据；
步骤S412，对有标签目标域数据和无标签目标域数据进行域独立特征提 取，得到第一维度的第二特征数据。
一些实施例中，步骤S430，所述对共享的特征图进行基于注意力机制的 特征分离，得到域共享特征图和域独立特征图，包括：
步骤S431，将共享的特征图输入通道注意力模型进行处理，得到通道注 意力特征图；其中，通道注意力模型的条件式为：
Ac(f)＝σ(MLP(AvgPool(f))+MLP(MaxPool(f)))
式中，AC(f)表示通道注意力；AvgPool(·)和MaxPool(·)分别表示全局平均池化和全局最大池化操作；σ(·)为激活函数；MLP(·)为共享的卷积网络；
步骤S432，将通道注意力特征图输入空间注意力模型进行处理，得到注 意力图；其中，空间注意力模型的条件式为：
As(f)＝σ(Conv([AvgPool(f)；MaxPool(f)]))
式中，As(f)表示空间注意力；Conv(·)为单层卷积层；
注意力图的条件式为：
A(f)＝As(Ac(f))
步骤S433，将注意力图进行划分为域共享特征图和域独立特征图。
一些实施例中，步骤S400，根据源域数据集和目标域数据集对异构领域 自适应模型进行训练，得到训练好的睡眠期分类模型，还包括：
步骤S440，将域共享特征图中有标签源域数据和有标签目标域数据输入 睡眠期分类模型进行训练，得到训练好的睡眠期分类模型。
一些实施例中，步骤S400，根据源域数据集和目标域数据集对异构领域 自适应模型进行训练，得到训练好的睡眠期分类模型，还包括：
步骤S450，计算总损失值，根据总损失值调整异构领域自适应模型的参 数，以实现对异构领域自适应模型进行约束和优化。具体地包括以下步骤：
步骤S451，将域共享特征图输入训练好的睡眠期分类模型，得到预期的 睡眠期分类数据；根据预期的睡眠期分类数据计算睡眠期分类损失值；
步骤S452，将域共享特征图输入边缘分布判别模型，以实现对域共享特 征图中的不同域特征进行分布对齐，根据边缘分布判别模型的输出结果计算 边缘分布损失值；
步骤S453，将域共享特征图和由睡眠期分类模型输出的睡眠分类数据输 入条件分布判别模型，以实现对域共享特征图中的不同域特征进行分布对齐， 根据条件分布判别模型的输出结果计算条件分布损失值；
步骤S454，将域共享特征图中的有标签源域数据输入中心损失函数，以 实现对有标签源域数据进行约束，以使有标签源域数据中相同类别样本的离 散程度减小，并使有标签源域数据中不同类别样本的离散程度加大，根据中 心损失函数的输出结果得到中心损失值；
步骤S455，将域独立特征图输入域独立特征差异损失函数，以使有标签 源域数据和有标签目标域数据的独立特征差异最大化，根据域独立特征差异 损失函数的输出结果得到域独立特征差异损失值；
步骤S456，根据睡眠期分类损失值、边缘分布损失值、条件分布损失值、 中心损失值和域独立特征差异损失值计算总损失值。
示例性实施例中，边缘分布判别模型、条件分布判别模型可由多层深度 神经网络模型构成，包括但不限于卷积神经网络、全连接网络。
一些实施例中，步骤S500，根据待测的目标域数据和训练好的睡眠期分 类模型，得到目标睡眠分期，包括：
步骤S510，对待测的目标域数据进行域独立特征提取，得到第一维度的 待测特征数据；
步骤S520，对第一维度的待测特征数据进行共享特征的提取，得到学习 共享的待测特征图；
步骤S530，对学习共享的待测特征图进行基于注意力机制的特征分离， 得到待测的域共享特征图；
步骤S540，将待测的域共享特征图输入训练好的睡眠期分类模型，得到 目标睡眠分期。
本发明的第二方面提供了一种睡眠分期系统，如图2所示，包括：第一 获取模块10，其用于获取具有第一睡眠生理信号的睡眠数据作为源域数据 集；第二获取模块20，其用于获取具有第二睡眠生理信号的睡眠数据作为目 标域数据集；预处理模块30，其用于对所述源域数据集和目标域数据集进行 预处理，得到预处理后的源域数据集和预处理后的目标域数据集；训练模块 40，其用于根据预处理后的源域数据集和预处理后的目标域数据集对异构领 域自适应模型进行训练，得到训练好的睡眠期分类模型；目标睡眠分期模块50，其用于根据待测的目标域数据和训练好的睡眠期分类模型，得到目标睡 眠分期。
一些实施例中，所述训练模块40包括：域独立特征提取器41，其用于 对预处理后的源域数据集和预处理后的目标域数据集进行域独立特征提取， 得到第一维度的特征数据；共享特征提取器42，其用于对第一维度的特征数 据进行共享特征提取，得到共享的特征图；基于注意力机制的特征分离器43， 其用于对共享的特征图进行基于注意力机制的特征分离，得到域共享特征图 和域独立特征图。
一些实施例中，域独立特征提取器41包括：源域特征提取器411，其用 于对有标签源域数据进行域独立特征提取，得到第一维度的第一特征数据； 目标域特征提取器412，其用于对有标签目标域数据和无标签目标域数据进 行域独立特征提取，得到第一维度的第二特征数据。
一些实施例中，所述基于注意力机制的特征分离器43包括：通道注意力 子模块431，其用于将共享的特征图输入通道注意力模型进行处理，得到通 道注意力特征图；其中，通道注意力模型的条件式为：
Ac(f)＝σ(MLP(AvgPool(f))+MLP(MaxPool(f)))
式中，AC(f)表示通道注意力；AvgPool(·)和MaxPool(·)分别表示全局平均池化和全局最大池化操作；σ(·)为激活函数；MLP(·)为共享的卷积网络；
空间注意力子模块432，其用于将通道注意力特征图输入空间注意力模 型进行处理，得到注意力图；其中，空间注意力模型的条件式为：
As(f)＝σ(Conv([AvgPool(f)；MaxPool(f)]))
式中，As(f)表示空间注意力；Conv(·)为单层卷积层；
注意力图的条件式为：
A(f)＝As(Ac(f))
划分子模块，其用于将注意力图进行划分为域共享特征图和域独立特征 图。
一些实施例中，所述训练模块还包括：训练子模块，其用于将域共享特 征图中有标签源域数据和有标签目标域数据输入睡眠期分类模型进行训练， 得到训练好的睡眠期分类模型。
一些实施例中，所述训练模块还包括：优化器，其用于计算总损失值， 根据总损失值调整异构领域自适应模型的参数，以实现对异构领域自适应模 型进行约束和优化；其中，所述优化器作用范围包括：
睡眠期分类器，其用于将域共享特征图输入训练好的睡眠期分类模型， 得到预期的睡眠期分类数据；根据预期的睡眠期分类数据计算睡眠期分类损 失值；边缘分布判别器，其用于将域共享特征图输入边缘分布判别模型，以 实现对域共享特征图中的不同域特征进行分布对齐，根据边缘分布判别模型 的输出结果计算边缘分布损失值；条件分布判别器，其用于将域共享特征图 和预期的睡眠期分类数据输入条件分布判别模型，以实现对域共享特征图中 的不同域特征进行分布对齐，根据条件分布判别模型的输出结果计算条件分 布损失值；中心损失函数子模块，其用于将域共享特征图中的有标签源域数 据输入中心损失函数，以实现对有标签源域数据进行约束，以使有标签源域 数据中相同类别样本的离散程度减小，并使有标签源域数据中不同类别样本 的离散程度加大，根据中心损失函数的输出结果得到中心损失值；域独立特 征差异损失子模块，其用于将域独立特征图输入域独立特征差异损失函数， 以使有标签源域数据和有标签目标域数据的独立特征差异最大化，根据域独 立特征差异损失函数的输出结果得到域独立特征差异损失值；总损失函数子模块，其用于根据睡眠期分类损失值、边缘分布损失值、条件分布损失值、 中心损失值和域独立特征差异损失值计算总损失值。
下面结合附图对异构领域自适应模型进行训练的流程进行详细描述，该 模型的总体框架如图3所示，它可以实现端到端训练。
1、定义：有标签的源数据集可定义为
Figure BDA0003672036100000131
有标签的源 数据集例如为用于睡眠分期的脑电信号数据集；其中，x表示脑电信号，y表 示人类专家为它已标注睡眠分期标签；无标签的目标数据集为可定义
Figure BDA0003672036100000132
无标签的目标数据集例如为用于睡眠分期的心电信号或心冲击 信号数据集，表示对该数据集未标注睡眠分期标签；有标签的目标域数据可 定义为
Figure BDA0003672036100000133
有标签的目标域数据例如为用于睡眠分期的心电 信号或心冲击信号数据集，其中，x表示脑电信号，y表示人类专家为它已标注睡眠分期标签。由于为这些信号标注标签是一项费时、成本高的工作，所 以在实际情况下，目标域数据只有少量的信号有标签，其他的大量信号是没 有标签的。其中，ns，nl和nu为有标签源域数据、有标签目标域数据和无标签 目标域数据样本的数量。一般地，在真实应用场景中，有标签目标域数据样 本远少于无标签目标域数据样本，并少于有标签源域数据样本，即 nl＜＜nu＜ns源域数据样本和目标域数据样本的标签空间一致，但由于源域 数据样本和目标域数据样本来自不同信号源，比如脑电信号和心电信号，其 信号源不一样，在生理学上的产生机理各异，因此其原始特征空间不同。本 发明实施例的目的是使用有标签的源域数据和少量有标签的目标域数据作为 训练样本输入模型，以得到训练好的模型，从而能够对目标域的无标签数据 实现睡眠分期，即实现对没有标签的心电信号或心冲击信号的睡眠分期阶段 识别，将其识别为Wake，N1,N2,N3,N4，REM中的一种标签类别。
2、域独立特征提取器：对于来自不同信号源的睡眠生理信号的参数，通 常存在着采样率不一致的问题，比如脑电信号可能是500Hz采样率，而心电 信号只有250Hz。重采样是解决数据采样率不一致问题的一种常用方法，然 而，重采样会不可避免导致原始信号信息的改变。另外，由于源域和目标域 数据类型的不同，将睡眠生理信号映射到同一个特征空间的映射函数也是有 所差异的。为了解决该问题，本发明实施例首先通过域独立特征提取器，将 源域和目标域数据通过差异的映射和映射到同一个维度的特征空间，特征空 间是对原始数据更高维的抽象，对于脑电、心电、心冲击这样的睡眠生理信 号，显示的是一段波形，但是为了对其进行分期，就需要找到睡眠生理信号 的规律，特征空间就是这种规律所在的层面。另外，由于前面提到了采样率 不一致问题，所以这里需要通过差异的映射对源域和目标域数据输入分别处 理，以使得处理后的数据维度一致，例如是128*25*15的三维矩阵。域独立 特征提取器可由多层深度神经网络模型构成，包括但不限于卷积神经网络、 全连接网络。
3、共享特征提取器：让源域和目标域的特征数据进入共享特征提取器E(·) (可以理解为模型或者函数)，以学习共享的特征表示。共享特征提取器可由 卷积神经网络或全连接网络构成，在特征数据输入共享特征提取器之前已经 实现了输入维度的统一；共享特征提取器的输入可视为一个多维向量，比如 对于原始脑电或者心电信号，他们的长度可能不同，但是在输入共享特征提 取器之前，都已经成为了一个特定大小(例如128*25*15)的三维矩阵，因 此实现了输入维度的统一。该三维矩阵在神经网络中也可叫做“特征图”。
4、基于注意力机制的特征分离器：本发明实施例通过基于注意力机制的 特征分离器，以产生域共享特征和域独立特征。基于注意力机制的特征分离 器的工作原理如图4所示，对于输入特征图
Figure BDA0003672036100000151
其中C是E(·)最后一 个卷积层的卷积核数量，H是EEG信号通道的数量，W是特征图的宽度。
1)计算通道注意力：
Ac(f)＝σ(MLP(AvgPool(f))+MLP(MaxPool(f)))
式中，AvgPool(.)和MaxPool(.)分别表示全局平均池化和全局最大池化操作， 其用于对特征图的变换，使得原始特征图在H和W维度上得到压缩，生成大 小为C×1×1的特征图，也就是指一个大小为C×1×1的多维向量。全局平均池化 和全局最大池化关注的信息不同，同时结合两个模块有助于提高模型的特征 表示能力。之后，输出结果将输入到一个共享的卷积网络MLP(·)，该网络由两 层卷积层构成，第一层可对卷积核数量进行压缩，能够防止过拟合，第二层 恢复到原始卷积核数量。最后，将两个特征图进行元素层面的相加；即两个 特征图大小都一样了，比如都是128*25*15大小的三维矩阵，那么就可以把 他们对应位置元素的数字相加，并送入到激活函数σ(·)中，激活函数一般为 sigmoid(·)函数，因此输出的通道注意力
Figure BDA0003672036100000152
元素值会分布在0到 1的范围。
2)计算空间注意力：
As(f)＝σ(Conv([AvgPool(f)；MaxPool(f)]))
式中，AvgPool(·)和MaxPool(·)同样是全局平均池化和全局最大池化操作，但在 空间注意力机制中它们针对的是维度C，它们将使得原始特征图在维度C上 得到压缩，生成大小为1×H×W的特征图，从而能够使得模型学习到哪一区域 的数据更值得关注。对输入分别进行全局平均池化和全局最大池化操作后， 再对结果进行连接操作，之后输入到一个单层卷积层，其卷积核大小为1*3。 最后，将结果输入到激活函数σ(·)中。
首先可将原始特征图输入到通道注意力模块中，再将得到的特征图进一 步输入到空间注意力模块中，注意力图最终可表示为：
A(f)＝As(Ac(f))
利用生成的注意力图A(f)，可以将网络(“网络”可指神经网络，也可 以理解为模型或者函数)，进一步划分为域共享分支和域独立分支，对应于域 共享特征图fc和域独立特征图fs(每个分支传递的是特征图)，使得f＝fc+fs：
Figure BDA0003672036100000161
Figure BDA0003672036100000162
式中，
Figure BDA0003672036100000163
为元素级乘法运算，分别将分离后的特征图输入到“网络1”I1(·) 和“网络2”I2(·)之后，再进行进一步的处理。“网络1”和“网络2”由全连 接层构成，主要用于对前层网络输出的降维，能够减少计算量大小并防止模 型因为过大的参数量而导致的过拟合问题。
对于来自不同域的异构类型信号，通过引入域共享特征和域独立特征， 一方面能够使得源域数据和目标域数据能够学习到更好的共享特征，另一方 面也保证了特征的完整性。对于域共享分支中“网络1”的输出，将进一步 输入到边缘分布判别器、条件分布判别器、睡眠期分类器以及中心损失函数 模块。
5、睡眠期分类器：在域共享分支的“网络1”后连接两个全连接层组成 分类器C(·；θC)，应用于源域数据样本和部分有标签的目标域数据样本，实现对 睡眠阶段的分类的训练学习。睡眠期分类器需要信号和标签，所以对于无标 签的目标域数据样本，此时不需要参与训练学习。睡眠期分类损失函数为：
Figure BDA0003672036100000164
其中LWCE为带权重的交叉熵损失函数，ns为有标签源域数据的样本数，nl为有标签目标域数据的样本数，
Figure BDA0003672036100000165
和
Figure BDA0003672036100000166
分别为有标签源域数据和少量有标签 目标域数据样本的睡眠阶段类别的标签。另外，ESH(·)＝I1(E(·))，表示将特征 提取器E(·)的输出经由“网络1”进一步降维。
6、边缘分布判别器和条件分布判别器：利用边缘分布判别器Dg(·)和C个 条件分布判别器对不同域的特征进行分布对齐，因为来自于源域和目标域的 特征图都是具有自己的分布的，分布对齐就是让他们的分布尽可能相似，使 得模型产生不特定于输入信号类型的特征表示，并且保持与睡眠分期相关的 信息，则源域和目标域数据能够使用同一个睡眠期分类器实现睡眠分期。边 缘分布判别器和条件分布判别器可采用卷积神经网络或全连接神经网络实 现。
1)边缘分布损失函数为：
Figure BDA0003672036100000171
式中，
Figure BDA0003672036100000172
和di分别是输入样本xi的域独立特征提取函数和域标签，若 输入为源域数据，域标签为1，且
Figure BDA0003672036100000173
若输入为目标域数据，域标 签为0，且
Figure BDA0003672036100000174
ns和nt分别为有标签源域样本数量和有标签目标域 样本数量，LBCE(·)为二分类交叉熵损失函数。
然而，仅使用边缘分布对齐无法实现睡眠期阶段分类层面的更加精准的 分布对齐，可能造成异构迁移任务性能的不足。因此，本发明建立了C个判 别器分别对每个类别的源域特征图和目标域特征图分布进行对齐。通过睡眠 期分类器得到睡眠阶段分类样本xi属于某一类别k的概率为
Figure BDA0003672036100000175
对于类别k的 判别器为
Figure BDA0003672036100000176
可采用卷积神经网络或全连接神经网络实现，从而条件 分布损失函数为：
Figure RE-GDA0003720202410000183
式中，C是类别数。
7、中心损失函数模块：上述过程实现了边缘分布和条件分布对齐，为了 进一步减小相同睡眠阶段类别样本的离散程度并加大不同类别的离散程度， 例如脑电信号中有5个样本属于Wake期，有3个样本属于N2期，那么就是 要让这5个Wake期样本的睡眠阶段类别的类别内离散程度尽量小，此外，也 要让这3个N2期样本的类别内离散程度尽量小，但是5个Wake期和3个N2 期样本之间的类别离散程度尽量大，因为它们不是一个类别。为了实现该目 标，提出中心损失函数模块对源域数据进行约束：
Figure BDA0003672036100000178
式中，cj是类别j的特征向量的质心，它作为待训练参数θcenter添加到总 体模型中，中心损失Lcenter相对于xi的梯度为：
Figure BDA0003672036100000181
理想情况下，cj应该由训练集中某一特定类别的所有样本计算得到，但 为了提高算法的求解效率，我们在每个训练批次中对其进行更新，更新方程 为：
Figure BDA0003672036100000182
式中，δ(·)为：
Figure BDA0003672036100000183
8、域独立特征差异损失模块：在域独立分支上，为了使得来自不同域的 独立特征差异最大化，比如源域数据是脑电信号，目标域数据是心电或者心 冲击信号，需要引入差异性度量，加大差异性损失将鼓励网络产生差异性大 的域独立特征。本发明实施例通过最大均值差异(Max mean discrepancy， 简称为MMD)来度量差异的大小，这个公式也是基于特征图来计算的，如图2 所示，因为MMD是一种无参方法，不需要对其参数进行训练，域独立特征差 异损失函数为：
Figure BDA0003672036100000184
式中，φ(·)将源域和目标域的样本映射到与核k(xi，xj)＝φ(xi)Tφ(xj)关联的希尔伯 特空间
Figure RE-GDA0003720202410000192
中，再求解均值差异来实现的，可采用高斯核函数。
9、总体损失函数和优化：基于上述模块，总损失函数为：
Figure BDA0003672036100000186
式中，α，β以及η为需要调整的平衡参数，优化目标为一个最小-最大 值的过程：
Figure BDA0003672036100000191
Figure BDA0003672036100000192
在第(1)项式子中，边缘分布判别器和条件分布判别器要最大程度实现 对不同域特征图的区分，因此，他们分别试图最小化Lg和Lcond，也即最大化Ltotal。 而在第(2)项式子中，特征提取器试图生成边缘分布判别器和条件分布判别 器难以判别的特征，因此，它要最大化Lg和Lcond，即最小化Ltotal。睡眠期分类 器的目的是准确预测睡眠阶段，所以它的目标是最小化Ltotal。另外，中心损失 函数总体上要最小化Ltotal，以减小相同睡眠阶段类别样本的离散程度并加大不 同睡眠阶段类别的离散程度；而域独立特征差异损失函数则要最大化Ltotal，因 为这样能够使得源域数据和目标域数据的特有特征图被分离开来。在模型训练过程中，以上过程可以交替执行以完成优化，优化器可以采用随机梯度下 降算法。
经过步骤400的模型训练之后，整个异构领域自适应模型的参数已经确 定，此时该模型具备了睡眠分期的能力，将其应用到无标签的待测目标域数 据集中，对这些样本进行睡眠分期即可。可参考图3，无标签的待测试目标 域数据的走向为“目标域特征提取器→共享特征提取器→网络1→睡眠期分 类器”，最终输出目标睡眠分期结果。
本发明的第三方面提供了一种计算机可读存储介质，其上存储有计算机 程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
本发明的第四方面提供了一种电子设备，包括存储器、处理器及存储在 存储器上的计算机程序，所述处理器执行所述计算机程序时实现上述的方法 的步骤。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释 本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和 范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保 护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和 边界、或者这种范围和边界的等同形式内的全部变化和修改例。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤 是可以通过程序来指令相关硬件来完成，所述的程序可以存储于一计算机可 读取存储介质中，该程序在执行时，包括如下如上述各方法的实施例的流程。 其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory， 简称ROM)或随机存取存储器(RandomAccessMemory，简称RAM)等。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删 减。本发明实施例系统中的模块可以根据实际需要进行合并、划分和删减。

Claims (15)

1.一种睡眠分期方法，其特征在于，包括：
获取具有第一睡眠生理信号的睡眠数据作为源域数据集；
获取具有第二睡眠生理信号的睡眠数据作为目标域数据集；
对所述源域数据集和目标域数据集进行预处理，得到预处理后的源域数据集和预处理后的目标域数据集；
根据预处理后的源域数据集和预处理后的目标域数据集对异构领域自适应模型进行训练，得到训练好的睡眠期分类模型；
根据待测的目标域数据和训练好的睡眠期分类模型，得到目标睡眠分期。
2.根据权利要求1所述的睡眠分期方法，其特征在于，所述根据源域数据集和目标域数据集对异构领域自适应模型进行训练，得到训练好的睡眠期分类模型，包括：
对预处理后的源域数据集和预处理后的目标域数据集进行域独立特征提取，得到第一维度的特征数据；
对第一维度的特征数据进行共享特征提取，得到共享的特征图；
对共享的特征图进行基于注意力机制的特征分离，得到域共享特征图和域独立特征图。
3.根据权利要求2所述的睡眠分期方法，其特征在于，对预处理后的源域数据集和预处理后的目标域数据集进行域独立特征提取，得到第一维度的特征数据，包括：
所述预处理后的源域数据集包括有标签源域数据，有标签源域数据为对所述具有第一睡眠生理信号的睡眠数据已标注睡眠分期；
所述预处理后的目标域数据集包括有标签目标域数据和无标签目标域数据，有标签目标域数据为对所述具有第二睡眠生理信号的睡眠数据已标注睡眠分期；无标签目标域数据为对所述具有第二睡眠生理信号的睡眠数据未标注睡眠分期；
对有标签源域数据进行域独立特征提取，得到第一维度的第一特征数据；
对有标签目标域数据和无标签目标域数据进行域独立特征提取，得到第一维度的第二特征数据。
4.根据权利要求2所述的睡眠分期方法，其特征在于，所述对共享的特征图进行基于注意力机制的特征分离，得到域共享特征图和域独立特征图，包括：
将共享的特征图输入通道注意力模型进行处理，得到通道注意力特征图；其中，通道注意力模型的条件式为：
Ac(f)＝σ(MLP(AvgPool(f))+MLP(MaxPool(f)))
式中，AC(f)表示通道注意力；AvgPool(·)和MaxPool(·)分别表示全局平均池化和全局最大池化操作；σ(·)为激活函数；MLP(·)为共享的卷积网络；
将通道注意力特征图输入空间注意力模型进行处理，得到注意力图；其中，空间注意力模型的条件式为：
As(f)＝σ(Conv([AvgPool(f)；MaxPool(f)]))
式中，As(f)表示空间注意力；Conv(·)为单层卷积层；
注意力图的条件式为：
A(f)＝As(Ac(f))
将注意力图划分为域共享特征图和域独立特征图。
5.根据权利要求4所述的睡眠分期方法，其特征在于，根据源域数据集和目标域数据集对异构领域自适应模型进行训练，得到训练好的睡眠期分类模型，还包括：
将域共享特征图中有标签源域数据和有标签目标域数据输入睡眠期分类模型进行训练，得到训练好的睡眠期分类模型。
6.根据权利要求5所述的睡眠分期方法，其特征在于，根据源域数据集和目标域数据集对异构领域自适应模型进行训练，得到训练好的睡眠期分类模型，还包括：
计算总损失值，根据总损失值调整异构领域自适应模型的参数，以实现对异构领域自适应模型进行约束和优化；其中，
将域共享特征图输入睡眠期分类模型，得到预期的睡眠期分类数据；根据预期的睡眠期分类数据计算睡眠期分类损失值；
将域共享特征图输入边缘分布判别模型，以实现对域共享特征图中的不同域特征进行分布对齐，根据边缘分布判别模型的输出结果计算边缘分布损失值；
将域共享特征图和由睡眠期分类模型输出的睡眠分类数据输入条件分布判别模型，以实现对域共享特征图中的不同域特征进行分布对齐，根据条件分布判别模型的输出结果计算条件分布损失值；
将域共享特征图中的有标签源域数据输入中心损失函数，以实现对有标签源域数据进行约束，以使有标签源域数据中相同类别样本的离散程度减小，并使有标签源域数据中不同类别样本的离散程度加大，根据中心损失函数的输出结果得到中心损失值；
将域独立特征图输入域独立特征差异损失函数，以使有标签源域数据和有标签目标域数据的独立特征差异最大化，根据域独立特征差异损失函数的输出结果得到域独立特征差异损失值；
根据睡眠期分类损失值、边缘分布损失值、条件分布损失值、中心损失值和域独立特征差异损失值计算总损失值。
7.根据权利要求5所述的睡眠分期方法，其特征在于，根据待测的目标域数据和训练好的睡眠期分类模型，得到目标睡眠分期，包括：
对待测的目标域数据进行域独立特征提取，得到第一维度的待测特征数据；
对第一维度的待测特征数据进行共享特征的提取，得到共享的待测特征图；
对共享的待测特征图进行基于注意力机制的特征分离，得到待测的域共享特征图；
将待测的域共享特征图输入训练好的睡眠期分类模型，得到目标睡眠分期。
8.根据权利要求1所述的睡眠分期方法，其特征在于，对所述源域数据集和目标域数据集进行预处理，得到预处理后的源域数据集和预处理后的目标域数据集，包括：
对所述源域数据集和目标域数据集进行预滤波，消除基线干扰和噪声干扰；
对预滤波后的所述源域数据集和目标域数据集按照设定的时长进行分割，得到多个片段的睡眠生理信号；
对多个片段的睡眠生理信号进行标准化处理，得到多个标准化后的睡眠生理信号。
9.一种睡眠分期系统，其特征在于，包括：
第一获取模块，其用于获取具有第一睡眠生理信号的睡眠数据作为源域数据集；
第二获取模块，其用于获取具有第二睡眠生理信号的睡眠数据作为目标域数据集；
预处理模块，其用于对所述源域数据集和目标域数据集进行预处理，得到预处理后的源域数据集和预处理后的目标域数据集；
训练模块，其用于根据预处理后的源域数据集和预处理后的目标域数据集对异构领域自适应模型进行训练，得到训练好的睡眠期分类模型；
目标睡眠分期模块，其用于根据待测的目标域数据和训练好的睡眠期分类模型，得到目标睡眠分期。
10.根据权利要求9所述的睡眠分期系统，其特征在于，所述训练模块包括：
域独立特征提取器，其用于对预处理后的源域数据集和预处理后的目标域数据集进行域独立特征提取，得到第一维度的特征数据；
共享特征提取器，其用于对第一维度的特征数据进行共享特征提取，得到共享的特征图；
基于注意力机制的特征分离器，其用于对共享的特征图进行基于注意力机制的特征分离，得到域共享特征图和域独立特征图。
11.根据权利要求9所述的睡眠分期系统，其特征在于，所述基于注意力机制的特征分离器包括：
通道注意力子模块，其用于将共享的特征图输入通道注意力模型进行处理，得到通道注意力特征图；其中，通道注意力模型的条件式为：
Ac(f)＝σ(MLP(AvgPool(f))+MLP(MaxPool(f)))
式中，AC(f)表示通道注意力；AvgPool(·)和MaxPool(·)分别表示全局平均池化和全局最大池化操作；σ(·)为激活函数；MLP(·)为共享的卷积网络；
空间注意力子模块，其用于将通道注意力特征图输入空间注意力模型进行处理，得到注意力图；其中，空间注意力模型的条件式为：
As(f)＝σ(Conv([AvgPool(f)；MaxPool(f)]))
式中，As(f)表示空间注意力；Conv(·)为单层卷积层；
注意力图的条件式为：
A(f)＝As(Ac(f))
划分子模块，其用于将注意力图进行划分为域共享特征图和域独立特征图。
12.根据权利要求9所述的睡眠分期系统，其特征在于，所述训练模块还包括：
训练子模块，其用于将域共享特征图中有标签源域数据和有标签目标域数据输入睡眠期分类模型进行训练，得到训练好的睡眠期分类模型。
13.根据权利要求9所述的睡眠分期系统，其特征在于，所述训练模块还包括：
优化器，其用于计算总损失值，根据总损失值调整异构领域自适应模型的参数，以实现对异构领域自适应模型进行约束和优化；其中，所述优化器作用范围包括：
睡眠期分类器，其用于将域共享特征图输入训练好的睡眠期分类模型，得到预期的睡眠期分类数据；根据预期的睡眠期分类数据计算睡眠期分类损失值；
边缘分布判别器，其用于将域共享特征图输入边缘分布判别模型，以实现对域共享特征图中的不同域特征进行分布对齐，根据边缘分布判别模型的输出结果计算边缘分布损失值；
条件分布判别器，其用于将域共享特征图和预期的睡眠期分类数据输入条件分布判别模型，以实现对域共享特征图中的不同域特征进行分布对齐，根据条件分布判别模型的输出结果计算条件分布损失值；
中心损失函数子模块，其用于将域共享特征图中的有标签源域数据输入中心损失函数，以实现对有标签源域数据进行约束，以使有标签源域数据中相同类别样本的离散程度减小，并使有标签源域数据中不同类别样本的离散程度加大，根据中心损失函数的输出结果得到中心损失值；
域独立特征差异损失子模块，其用于将域独立特征图输入域独立特征差异损失函数，以使有标签源域数据和有标签目标域数据的独立特征差异最大化，根据域独立特征差异损失函数的输出结果得到域独立特征差异损失值；
总损失函数子模块，其用于根据睡眠期分类损失值、边缘分布损失值、条件分布损失值、中心损失值和域独立特征差异损失值计算总损失值。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
15.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
CN202210611158.7A 2022-05-31 2022-05-31 睡眠分期方法及其系统、计算机可读存储介质、电子设备 Pending CN114983343A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210611158.7A CN114983343A (zh) 2022-05-31 2022-05-31 睡眠分期方法及其系统、计算机可读存储介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210611158.7A CN114983343A (zh) 2022-05-31 2022-05-31 睡眠分期方法及其系统、计算机可读存储介质、电子设备

Publications (1)

Publication Number Publication Date
CN114983343A true CN114983343A (zh) 2022-09-02

Family

ID=83031823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210611158.7A Pending CN114983343A (zh) 2022-05-31 2022-05-31 睡眠分期方法及其系统、计算机可读存储介质、电子设备

Country Status (1)

Country Link
CN (1) CN114983343A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374882A (zh) * 2022-10-24 2022-11-22 中国医学科学院药用植物研究所 睡眠分期方法、装置、电子设备及存储介质
CN116070796A (zh) * 2023-03-29 2023-05-05 中国科学技术大学 柴油车排放等级评估方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374882A (zh) * 2022-10-24 2022-11-22 中国医学科学院药用植物研究所 睡眠分期方法、装置、电子设备及存储介质
CN116070796A (zh) * 2023-03-29 2023-05-05 中国科学技术大学 柴油车排放等级评估方法及系统

Similar Documents

Publication Publication Date Title
CN113627518B (zh) 利用迁移学习实现神经网络脑电情感识别模型的方法
US20200337580A1 (en) Time series data learning and analysis method using artificial intelligence
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
Hosseini et al. The comparison of different feed forward neural network architectures for ECG signal diagnosis
Lewicki A review of methods for spike sorting: the detection and classification of neural action potentials
Ölmez et al. Classification of heart sounds using an artificial neural network
Übeyli Analysis of EEG signals by implementing eigenvector methods/recurrent neural networks
CN112244873A (zh) 一种基于混合神经网络的脑电时空特征学习与情感分类方法
CN110353673B (zh) 一种基于标准互信息的脑电通道选择方法
CN114983343A (zh) 睡眠分期方法及其系统、计算机可读存储介质、电子设备
CN111150393B (zh) 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法
CN111956212A (zh) 基于频域滤波-多模态深度神经网络的组间房颤识别方法
CN113693563A (zh) 一种基于超图注意力网络的脑功能网络分类方法
CN113010013A (zh) 一种基于Wasserstein距离的运动想象脑电迁移学习方法
CN114564990A (zh) 一种基于多通道反馈胶囊网络的脑电信号分类方法
Karthik et al. Automated Deep Learning Based Cardiovascular Disease Diagnosis Using ECG Signals.
Asghar et al. Semi-skipping layered gated unit and efficient network: hybrid deep feature selection method for edge computing in EEG-based emotion classification
CN114595725B (zh) 一种基于加法网络和监督对比学习的脑电信号分类方法
CN107045624B (zh) 一种基于最大加权团的脑电信号预处理与分类方法
Zhao et al. E3GCAPS: Efficient EEG-based multi-capsule framework with dynamic attention for cross-subject cognitive state detection
CN114224354B (zh) 心律失常分类方法、装置及可读存储介质
Abhishek et al. Harnessing deep learning for precise rice image classification: Implications for sustainable agriculture
Zhou et al. A novel 1-D densely connected feature selection convolutional neural network for heart sounds classification
CN115034296A (zh) 一种基于域相似性脑电跨被试源域选择方法
CN114626408A (zh) 脑电信号分类方法、装置、电子设备、介质及产品

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