CN115192042B - 睡眠质量分析方法、装置、电子设备及计算机可读介质 - Google Patents

睡眠质量分析方法、装置、电子设备及计算机可读介质 Download PDF

Info

Publication number
CN115192042B
CN115192042B CN202211118063.8A CN202211118063A CN115192042B CN 115192042 B CN115192042 B CN 115192042B CN 202211118063 A CN202211118063 A CN 202211118063A CN 115192042 B CN115192042 B CN 115192042B
Authority
CN
China
Prior art keywords
data
model
sleep
feature data
electroencephalogram
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
Application number
CN202211118063.8A
Other languages
English (en)
Other versions
CN115192042A (zh
Inventor
叶骏
陈娟
张世潮
胡三红
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.)
Beijing Dongliang Health Technology Co ltd
Original Assignee
Beijing Dongliang Health Technology 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 Beijing Dongliang Health Technology Co ltd filed Critical Beijing Dongliang Health Technology Co ltd
Priority to CN202211118063.8A priority Critical patent/CN115192042B/zh
Publication of CN115192042A publication Critical patent/CN115192042A/zh
Application granted granted Critical
Publication of CN115192042B publication Critical patent/CN115192042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/4815—Sleep quality
    • 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

Landscapes

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

Abstract

本申请涉及一种睡眠质量分析方法、装置、电子设备及计算机可读介质。该方法包括：获取用户的头皮脑电图信号；在所述头皮脑电图信号满足第一策略时，基于所述头皮脑电图信号生成多组特征数据；将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现；基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。本申请涉及的睡眠质量分析方法、装置、电子设备及计算机可读介质，能有效解决不同数据集间存在特征分布差异导致机器学习模型泛化性能下降的问题，针对未标记的测试数据集也能有较好的的模型训练效果，提升模型在实际应用中的分析质量。

Description

睡眠质量分析方法、装置、电子设备及计算机可读介质
技术领域
本申请涉及睡眠监测领域，具体而言，涉及一种睡眠质量分析方法、装置、电子设备及计算机可读介质。
背景技术
睡眠阶段的准确分期可以有效评估人群的睡眠效率和睡眠质量。目前睡眠分期的金标准是采用融合脑电图、心电图、肌电图信号的多导睡眠图，在分期过程中，通常需要有足够经验的合格医师对每个数据段进行分析，给出合适的标签，但由于这些睡眠相关信号的特点和复杂性，可能需要有数年培训的经验才能具备分析能力。因此，开发一种自动睡眠分期系统来避免这种耗时耗力的过程就显得尤为重要。
深度学习在睡眠自动分期上具有显著的性能，一般来说，要让深度学习达到令人满意的性能，需要基于两个基本假设：1）训练和测试数据集的潜在特征应该符合相同的分布，2）有效的模型需要有大量的标签数据。然而在实践中，这两个条件往往都不能满足。
首先，经过训练的模型通常被期望用于没有训练过的测试数据集上，这样的数据集特征分布可能与训练数据集的特征分布不一致。其次，为了使训练模型适应测试数据集，一种常规的手段是在该数据集上重新训练该模型，这意味着需要标记大量的数据实例。为此，pan等人提出了迁移学习，旨在通过结合来自标记数据集的先验知识和未标记的分数数据集信息来实现更好的模型训练，但模型的数据适应问题远未解决，跨区域不同数据集的学习导致模型性能下降仍然是个棘手的问题。
因此，需要一种新的睡眠质量分析方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本申请提供一种睡眠质量分析方法、装置、电子设备及计算机可读介质，能有效解决不同数据集间存在特征分布差异导致机器学习模型泛化性能下降的问题，针对未标记的测试数据集也能有较好的的模型训练效果，提升模型在实际应用中的分析质量。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请的一方面，提出一种睡眠质量分析方法，该方法包括：获取用户的头皮脑电图信号；在所述头皮脑电图信号满足第一策略时，基于所述头皮脑电图信号生成多组特征数据；将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现；基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。
在本申请的一种示例性实施例中，还包括：通过EEG-Fpz-Cz通道的头皮脑电信号生成源域样本数据；通过EEG-Pz-Cz通道的头皮脑电信号生成目标域样本数据；通过所述源域样本数据和所述目标域样本数据对无监督学习模型进行训练以生成所述脑电分期模型。
在本申请的一种示例性实施例中，还包括：在所述头皮脑电图信号满足第二策略时，获取用户的蛋白组学信息；将所述蛋白组学信息输入蛋白分期模型中，输出输出多个睡眠分期概率，所述蛋白分期模型通过逻辑回归模型训练生成；基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。
在本申请的一种示例性实施例中，还包括：基于逻辑回归模型建立蛋白组学信息和源域样本数据之间的函数关系；将所述源域样本数据作为逻辑回归模型的输出；将所述蛋白组学信息作为逻辑回归模型的输入；基于输出、输入、函数关系建立所述蛋白分期模型。
在本申请的一种示例性实施例中，通过所述源域样本数据和所述目标域样本数据对无监督学习模型进行训练以生成所述脑电分期模型，包括：通过所述源域样本生成多组源域特征数据；通过所述目标域样本生成多组目标域特征数据；通过多组源域特征数据中的第一特定组特征数据和多组目标域特征数据中的第二特定组特征数据对无监督学习模型中的分类器进行第一训练；通过多组源域特征数据、第一特定组特征数据和多组目标域特征数据、第二特定组特征数据对无监督学习模型中的SoftMax层进行第二训练；在第一训练和第二训练的损失函数满足策略时，生成所述脑电分期模型。
在本申请的一种示例性实施例中，通过多组源域特征数据中的第一特定组特征数据和多组目标域特征数据中的第二特定组特征数据对无监督学习模型中的分类器进行第一训练，包括：将所述多组源域特征数据中的最后一组特征数据作为第一特定组特征数据；将所述多组目标域特征数据中的最后一组特征数据作为第二特定组特征数据；通过第一特定组特征数据和第二特定组特征数据输入分类器，得到交叉损失熵；基于所述交叉损失熵对分类器进行第一训练。
在本申请的一种示例性实施例中，通过多组源域特征数据、第一特定组特征数据和多组目标域特征数据、第二特定组特征数据对无监督学习模型中的SoftMax层进行第二训练，包括：将第一特定组特征数据和第二特定组特征数据输入无监督学习模型中的SoftMax层生成预测概率；基于所述预测概率和所述多组源域特征数据、多组目标域特征数据生成多组线性映射；将所述多组线性映射两两组合生成多组联合矩阵；将所述多组联合矩阵属于对应的域判别器以生成多个损失函数；基于所述多个损失函数对SoftMax层进行第二训练。
根据本申请的一方面，提出一种睡眠质量分析装置，该装置包括：信号模块，用于获取用户的头皮脑电图信号；特征模块，用于在所述头皮脑电图信号满足第一策略时，基于所述头皮脑电图信号生成多组特征数据；脑电模块，用于将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现；分期模块，用于基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。
根据本申请的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
根据本申请的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本申请的睡眠质量分析方法、装置、电子设备及计算机可读介质，通过获取用户的头皮脑电图信号；在所述头皮脑电图信号满足第一策略时，基于所述头皮脑电图信号生成多组特征数据；将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现；基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析的方式，能有效解决不同数据集间存在特征分布差异导致机器学习模型泛化性能下降的问题，针对未标记的测试数据集也能有较好的的模型训练效果，提升模型在实际应用中的分析质量。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
通过参照附图详细描述其示例实施例，本申请的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种睡眠质量分析方法及装置的系统框图。
图2是根据一示例性实施例示出的一种睡眠质量分析方法的流程图。
图3是根据另一示例性实施例示出的一种睡眠质量分析方法的示意图。
图4是根据另一示例性实施例示出的一种睡眠质量分析方法的流程图。
图5是根据另一示例性实施例示出的一种睡眠质量分析方法的流程图。
图6是根据另一示例性实施例示出的一种睡眠质量分析方法的示意图。
图7是根据一示例性实施例示出的一种睡眠质量分析装置的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
图9是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本申请将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本申请概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本申请所必须的，因此不能用于限制本申请的保护范围。
图1是根据一示例性实施例示出的一种睡眠质量分析方法、装置的系统框图。
如图1所示，系统架构10可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是头皮脑电图信号获取功能并且支持数据传输的电子设备。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103获取的头皮脑电信号进行处理的后台服务器。后台服务器可以对接收到的头皮脑电信号进行分析等处理，并将处理结果（例如睡眠分期）反馈给管理员。
服务器105可例如由终端设备101、102、103获取用户的头皮脑电图信号；服务器105可例如在所述头皮脑电图信号满足第一策略时，基于所述头皮脑电图信号生成多组特征数据；服务器105可例如将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现；服务器105可例如基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。
服务器105还可例如通过EEG-Fpz-Cz通道的头皮脑电信号生成源域样本数据；服务器105还可例如通过EEG-Pz-Cz通道的头皮脑电信号生成目标域样本数据；服务器105还可例如通过所述源域样本数据和所述目标域样本数据对无监督学习模型进行训练以生成所述脑电分期模型。
服务器105还可例如在所述头皮脑电图信号满足第二策略时，获取用户的蛋白组学信息；服务器105还可例如将所述蛋白组学信息输入蛋白分期模型中，输出输出多个睡眠分期概率，所述蛋白分期模型通过逻辑回归模型训练生成；服务器105还可例如基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。
服务器105还可例如基于逻辑回归模型建立蛋白组学信息和源域样本数据之间的函数关系；服务器105还可例如将所述源域样本数据作为逻辑回归模型的输出；服务器105还可例如将所述蛋白组学信息作为逻辑回归模型的输入；服务器105还可例如基于输出、输入、函数关系建立所述蛋白分期模型。
服务器105可以是一个实体的服务器，还可例如为多个服务器组成，服务器105中的一部分可例如作为本申请中的应用处理系统，用于预实时的用户脑电图信号进行分析；服务器105中的一部分还可例如作为本申请中的蛋白分期模型训练系统；服务器105中的一部分还可例如作为本申请中的脑电分期模型训练系统；需要说明的是，本申请实施例所提供的睡眠质量分析方法可以由服务器105执行，相应地，睡眠质量分析装置可以设置于服务器105中。
图2是根据一示例性实施例示出的一种睡眠质量分析方法的流程图。睡眠质量分析方法20至少包括步骤S202至S212。
如图2所示，在S202中，获取用户的头皮脑电图信号。其中，头皮脑电信号可为EEG-Fpz-Cz通道的头皮脑电信号或EEG-Pz-Cz通道的头皮脑电信号。
在S204中，在所述头皮脑电图信号满足第一策略时，基于所述头皮脑电图信号生成多组特征数据。可例如，在头皮脑电信号的信号质量C.V大于预设阈值TH时，将所述头皮脑电信号进行特征提取。
其中，
Figure 728695DEST_PATH_IMAGE001
，其中N为给定时间内的脑电图信号的周期个数，
Figure 504890DEST_PATH_IMAGE002
表示每一个周期内的信号最高值，
Figure 504201DEST_PATH_IMAGE003
表示给定时间内所有最高值求和后的平均值，更具体的，可通过6层特征提取，生成6组特征数据。当然，也可以经过4层，8层或其他偶数层的特征提取生成多组特征数据。
更具体的，可将头皮脑电信号的幅值作为信号质量的判别标准，还
可将头皮脑电信号的波动情况作为信号质量的判别标准，本申请不以此为限，可在实际应用中，根据用户操作确定判别标准。
在S206中，将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现。
在一个实施例中，可通过不同的睡眠分类数量进行分期。更具体的，睡眠分期可以分为三类（清醒、非快速眼动期和快速眼动期）、睡眠分期还可以分为四类（清醒、浅睡、深睡、快速眼动期）、睡眠分期还可以分为五类（清醒、N1、N2、深睡、快速眼动期）。在实际应用中，分期输出的结果和脑电分期模型时，训练的分期分类数量相关。本申请在此不再赘述。
在S208中，在所述头皮脑电图信号满足第二策略时，获取用户的蛋白组学信息。在头皮脑电信号的信号质量小于阈值时，提取用户的1、血浆胆红素、TNF-α、1L-1β、C反应蛋白等蛋白组学信息。
在S210中，将所述蛋白组学信息输入蛋白分期模型中，输出输出多个睡眠分期概率，所述蛋白分期模型通过逻辑回归模型训练生成。本案申请人研究认为，蛋白组学的变化可以映射出睡眠结果的变化，蛋白组学信息可以作为辅助信息来对光电信息获得的睡眠结果进行校准，以提高监测的准确性。蛋白分期模型数据的分期概率也和蛋白分期模型训练时候的标准相关，可分为多种类别，蛋白模型和脑电模型在模型训练过程中可以进行设置。
在S212中，基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。
图3是一个具体的应用场景中，睡眠分期分析的流程框图，在图中，在用户的头皮脑电信号质量良好的情况下，可将用户的头皮脑电信号输入6层脑电分期模型中，进行睡眠分期计算，在用户的头皮脑电信号质量较差时，通过蛋白模型进行睡眠分期计算。
根据本申请的睡眠质量分析方法，通过获取用户的头皮脑电图信号；在所述头皮脑电图信号满足第一策略时，基于所述头皮脑电图信号生成多组特征数据；将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现；基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析的方式，能有效解决不同数据集间存在特征分布差异导致机器学习模型泛化性能下降的问题，针对未标记的测试数据集也能有较好的的模型训练效果，提升模型在实际应用中的分析质量。
本申请的睡眠质量分析方法，可以使用睡眠障碍患者的数据模型和使用来自健康受试者的数据训练的模型之间的转移，并解决在实践中很难收集到大量与睡眠状态相关的标记生理数据的问题，同时借助蛋白组学信信号息可以实现对睡眠分期结果的校正可在脑电图信号质量差的情况下，对睡眠结果进行分期预测。
应清楚地理解，本申请描述了如何形成和使用特定示例，但本申请的原理不限于这些示例的任何细节。相反，基于本申请公开的内容的教导，这些原理能够应用于许多其它实施例。
图4是根据另一示例性实施例示出的一种睡眠质量分析方法的流程图。图4所示的流程40是对图2所示的流程的补充描述。
如图4所示，在S402中，通过EEG-Fpz-Cz通道的头皮脑电信号生成源域样本数据。源域样本数据可表示为
Figure 492886DEST_PATH_IMAGE004
，其中
Figure 776100DEST_PATH_IMAGE005
为来自源域的第i个数据样本，
Figure 552557DEST_PATH_IMAGE006
为预先知道标签的源域数据样本的数量。
在S404中，通过所述源域样本生成多组源域特征数据。所述源域样本经过六层特征提取层，形成六组源域特征数据（向量形式）；如本申请上文所述，还可生成其他偶数组特征向量，本申请不以此为限。
在S406中，通过EEG-Pz-Cz通道的头皮脑电信号生成目标域样本数据。目标域数据可表示为
Figure 413065DEST_PATH_IMAGE007
，其中
Figure 80807DEST_PATH_IMAGE008
为来自目标域的第i个数据样本，
Figure 844626DEST_PATH_IMAGE009
为预先不知道标签的目标域数据样本的数量。
在S408中，通过所述目标域样本生成多组目标域特征数据。所述目标域样本经过六层特征提取层，形成六组目标域特征数据（向量形式）。
在一个具体的实施例中，源域和目标域数据的样本特征可以从目标域和源域的联合分布函数中提取。
在S410中，通过多组源域特征数据中的第一特定组特征数据和多组目标域特征数据中的第二特定组特征数据对无监督学习模型中的分类器进行第一训练。可例如将所述多组源域特征数据中的最后一组特征数据作为第一特定组特征数据；将所述多组目标域特征数据中的最后一组特征数据作为第二特定组特征数据；通过第一特定组特征数据和第二特定组特征数据输入分类器，得到交叉损失熵；基于所述交叉损失熵对分类器进行第一训练。
更具体的，可将第六组得到的特征输入向量经过分类器C，预测睡眠阶段信息，采用交叉损失熵函数
Figure 556099DEST_PATH_IMAGE010
来优化睡眠阶段分类器C的参数。
其中，交叉损失熵函数
Figure 133930DEST_PATH_IMAGE011
，其中
Figure 339783DEST_PATH_IMAGE012
表示数据样本的真实分类标签，
Figure 456644DEST_PATH_IMAGE013
是预测的类别的概率。
在S412中，通过多组源域特征数据、第一特定组特征数据和多组目标域特征数据、第二特定组特征数据对无监督学习模型中的SoftMax层进行第二训练。还可例如，将第一特定组特征数据和第二特定组特征数据输入无监督学习模型中的SoftMax层生成预测概率；基于所述预测概率和所述多组源域特征数据、多组目标域特征数据生成多组线性映射；将所述多组线性映射两两组合生成多组联合矩阵；将所述多组联合矩阵属于对应的域判别器以生成多个损失函数；基于所述多个损失函数对SoftMax层进行第二训练。
睡眠阶段信息经过SoftMax层形成睡眠阶段分类的预测概率向量；预测概率向量与多组源域特征数据、多组目标域特征数据通过多重线性映射结合，形成六个多重线性映射矩阵
Figure 106062DEST_PATH_IMAGE014
,j=1,2,3,4,5,6。
其中，预测概率向量和多组源域特征数据、多组目标域特征数据通过多重线性映射结合的办法为
Figure 206742DEST_PATH_IMAGE015
，其中c为维度
Figure 950707DEST_PATH_IMAGE016
的向量，f为维度1*df的向量。T为维度df*dc的向量。通过这种类条件特征拼接，多线性映射更能捕捉多通道数据背后的复杂结构信息。
六个多种线性映射矩阵分别两两组合，其中
Figure 954698DEST_PATH_IMAGE017
，
Figure 883340DEST_PATH_IMAGE018
，
Figure 238360DEST_PATH_IMAGE019
，其中上标T表示矩阵转置。
多重线性映射两两组合的结果分别经过3个域判别器，分别形成不同域判别器的损失函数
Figure 35283DEST_PATH_IMAGE020
,j=1,2,3，并计算总损失函数
Figure 911358DEST_PATH_IMAGE021
。
其中，
Figure 151847DEST_PATH_IMAGE022
。其中
Figure 118797DEST_PATH_IMAGE023
表示源域知道标签的样本数量，
Figure 470144DEST_PATH_IMAGE024
表示目标域未知标签的样本数量，
Figure 416103DEST_PATH_IMAGE025
表示域判别器
Figure 578225DEST_PATH_IMAGE026
的参数。
Figure 609635DEST_PATH_IMAGE027
和
Figure 499094DEST_PATH_IMAGE028
分别是源域和目标域的线性映射矩阵。
其中，
Figure 597762DEST_PATH_IMAGE029
，其
Figure 304687DEST_PATH_IMAGE030
幅度范围在
Figure 443632DEST_PATH_IMAGE031
之间，
Figure 261415DEST_PATH_IMAGE032
为分类的数量，
Figure 791754DEST_PATH_IMAGE033
是示例为类l的预测概率。
如上文所述，dg分类数量，可以分为三类（清醒、非快速眼动期和快速眼动期）、四类（清醒、浅睡、深睡、快速眼动期）、五类（清醒、N1、N2、深睡、快速眼动期）。
更具体的，
Figure 30100DEST_PATH_IMAGE021
的计算方法可为
Figure 301681DEST_PATH_IMAGE034
。其中
Figure 424620DEST_PATH_IMAGE035
（j=1,2）为不同域判别器的权重系数。
在S414中，在第一训练和第二训练的损失函数满足策略时，生成所述脑电分期模型。
可将交叉损失熵函数
Figure 75044DEST_PATH_IMAGE010
和判别器的损失函数
Figure 858192DEST_PATH_IMAGE020
的和最小作为总体模型训练目标，在总体损失函数最小时，模型训练完毕。
本申请的睡眠质量分析方法，可以有效解决不同数据集间存在特征分布差异导致泛化性能下降的问题，针对未标记的测试数据集也能有较好的的评估效果。
图5是根据另一示例性实施例示出的一种睡眠质量分析方法的流程图。图5所示的流程50是对图2所示的流程的补充描述。
如图5所示，在S502中，基于逻辑回归模型建立蛋白组学信息和源域样本数据之间的函数关系。
在S504中，将所述源域样本数据作为逻辑回归模型的输出。
在S506中，将所述蛋白组学信息作为逻辑回归模型的输入。
在S508中，基于输出、输入、函数关系建立所述蛋白分期模型。
可以源域样本中的真实值作为输出，以蛋白组学特征作为输入，建立多元逻辑回归公式
Figure 977589DEST_PATH_IMAGE036
。更具体的，可建立四种蛋白指标与睡眠分期真实结果的关系。
其中蛋白组学特征包括x1：血浆胆红素、x2：TNF-α、x3：1L-1β、x4：C反应蛋白。
Figure 668334DEST_PATH_IMAGE037
，a0为超参数。a0~a4为未知参数，通过真实值和血红蛋白之间的线性回归公式计算获得。
Figure 324662DEST_PATH_IMAGE038
(i=1~4)分别表示预测为清醒、浅睡、深睡、快速眼动期的概率。
图6是基于一个具体的实际应用中，模型的训练方法的架构，可例如包括如下步骤：
（1）形成源域数据集样本和目标域数据集样本；
（2）源域数据集和目标域数据集样本分别经过六层特征提取层，形成六组特征输入；
（3）最后一组得到的特征输入向量经过分类器C，预测睡眠阶段信息，采用交叉损失熵函数
Figure 154078DEST_PATH_IMAGE010
来优化睡眠阶段分类器C的参数；
（4）睡眠阶段信息经过
Figure 400251DEST_PATH_IMAGE039
层形成睡眠阶段分类的预测概率向量；
（5）步骤（4）中的预测概率向量与步骤（2）中的特征输入通过多重线性映射结合，形成六个多重线性映射矩阵
Figure 864993DEST_PATH_IMAGE014
,j=1,2,3,4,5,6；
（6）多重线性映射的结果分别两两组合，其中
Figure 473698DEST_PATH_IMAGE017
，
Figure 365692DEST_PATH_IMAGE018
，
Figure 177791DEST_PATH_IMAGE019
，其中上标T表示矩阵转置。
（7）两两组合的结果分别经过三个域判别器，分别形成不同域判别器的损失函数
Figure 69392DEST_PATH_IMAGE020
,j=1,2,3，并计算总损失函数
Figure 440593DEST_PATH_IMAGE021
。
（8）使得交叉损失熵函数
Figure 267604DEST_PATH_IMAGE010
与域判别器的损失函数
Figure 832577DEST_PATH_IMAGE021
的和最小作为总体模型训练优化目标。当
Figure 633262DEST_PATH_IMAGE021
最小时，即模型训练完毕。
（9）建立基于蛋白组学信息的多元逻辑回归模型。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU 执行的计算机程序。在该计算机程序被CPU 执行时，执行本申请提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图7是根据一示例性实施例示出的一种睡眠质量分析装置的框图。如图7所示，睡眠质量分析装置70包括：信号模块702，特征模块704，脑电模块706，分期模块708，睡眠质量分析装置70还可包括：蛋白模块710。
信号模块702用于获取用户的头皮脑电图信号；
特征模块704用于在所述头皮脑电图信号满足第一策略时，基于所述头皮脑电图信号生成多组特征数据；
脑电模块706用于将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现；
分期模块708用于基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。
蛋白模块710用于在所述头皮脑电图信号满足第二策略时，获取用户的蛋白组学信息；将所述蛋白组学信息输入蛋白分期模型中，输出输出多个睡眠分期概率，所述蛋白分期模型通过逻辑回归模型训练生成；
根据本申请的睡眠质量分析装置，通过获取用户的头皮脑电图信号；在所述头皮脑电图信号满足第一策略时，基于所述头皮脑电图信号生成多组特征数据；将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现；基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析的方式，能有效解决不同数据集间存在特征分布差异导致机器学习模型泛化性能下降的问题，针对未标记的测试数据集也能有较好的的模型训练效果，提升模型在实际应用中的分析质量。
图8是根据一示例性实施例示出的一种电子设备的框图。
下面参照图8来描述根据本申请的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同系统组件（包括存储单元820和处理单元810）的总线830、显示单元840等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书中描述的根据本申请各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图2，图4，图5中所示的步骤。
所述存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元（ROM）8203。
所述存储单元820还可以包括具有一组（至少一个）程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备800’（例如键盘、指向设备、蓝牙设备等）通信，使得用户能与该电子设备800交互的设备通信，和/或该电子设备800能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器860可以通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图9所示，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本申请实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取用户的头皮脑电图信号；在所述头皮脑电图信号满足第一策略时，基于所述头皮脑电图信号生成多组特征数据；将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现；基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。该计算机可读介质还可实现如下功能：在所述头皮脑电图信号满足第二策略时，获取用户的蛋白组学信息；将所述蛋白组学信息输入蛋白分期模型中，输出输出多个睡眠分期概率，所述蛋白分期模型通过逻辑回归模型训练生成；基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、移动终端、或者网络设备等）执行根据本申请实施例的方法。
以上具体地示出和描述了本申请的示例性实施例。应可理解的是，本申请不限于这里描述的详细结构、设置方式或实现方法；相反，本申请意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (7)

1.一种睡眠质量分析方法，其特征在于，包括：
通过EEG-Fpz-Cz通道的头皮脑电信号生成源域样本数据；
通过EEG-Pz-Cz通道的头皮脑电信号生成目标域样本数据；
通过所述源域样本生成多组源域特征数据；
通过所述目标域样本生成多组目标域特征数据；
通过多组源域特征数据中的第一特定组特征数据和多组目标域特征数据中的第二特定组特征数据对无监督学习模型中的分类器进行第一训练；
通过多组源域特征数据、第一特定组特征数据和多组目标域特征数据、第二特定组特征数据对无监督学习模型中的SoftMax层进行第二训练；
在第一训练和第二训练的交叉熵损失函数与判别器损失函数的和为最小值时，生成脑电分期模型；
获取用户的头皮脑电图信号；
在所述头皮脑电图信号的信号质量大于阈值时，基于所述头皮脑电图信号生成多组特征数据；
将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现；
基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析；
在所述头皮脑电图信号的信号质量小于阈值时，获取用户的蛋白组学信息；
将所述蛋白组学信息输入蛋白分期模型中，输出多个睡眠分期概率，所述蛋白分期模型通过逻辑回归模型训练生成；
基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。
2.如权利要求1所述的方法，其特征在于，还包括：
基于逻辑回归模型建立蛋白组学信息和源域样本数据之间的函数关系；
将所述源域样本数据作为逻辑回归模型的输出；
将所述蛋白组学信息作为逻辑回归模型的输入；
基于输出、输入、函数关系建立所述蛋白分期模型。
3.如权利要求1所述的方法，其特征在于，通过多组源域特征数据中的第一特定组特征数据和多组目标域特征数据中的第二特定组特征数据对无监督学习模型中的分类器进行第一训练，包括：
将所述多组源域特征数据中的最后一组特征数据作为第一特定组特征数据；
将所述多组目标域特征数据中的最后一组特征数据作为第二特定组特征数据；
通过第一特定组特征数据和第二特定组特征数据输入分类器，得到交叉损失熵；
基于所述交叉损失熵对分类器进行第一训练。
4.如权利要求3所述的方法，其特征在于，通过多组源域特征数据、第一特定组特征数据和多组目标域特征数据、第二特定组特征数据对无监督学习模型中的SoftMax层进行第二训练，包括：
将第一特定组特征数据和第二特定组特征数据输入无监督学习模型中的SoftMax层生成预测概率；
基于所述预测概率和所述多组源域特征数据、多组目标域特征数据生成多组线性映射；
将所述多组线性映射两两组合生成多组联合矩阵；
将所述多组联合矩阵属于对应的域判别器以生成多个损失函数；
基于所述多个损失函数对SoftMax层进行第二训练。
5.一种睡眠质量分析装置，该装置能够执行如权利要求1所述的方法，其特征在于，包括：
信号模块，用于获取用户的头皮脑电图信号；
特征模块，用于在所述头皮脑电图信号满足第一策略时，基于所述头皮脑电图信号生成多组特征数据；
脑电模块，用于将所述多组特征数据输入脑电分期模型中，输出多个睡眠分期概率，所述脑电分期模型通过跨域样本数据和无监督学习模型实现；
分期模块，用于基于所述多个睡眠分期概率确定目标睡眠分期并对所述用户的睡眠质量进行分析。
6.一种电子设备，其特征在于，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如权利要求1-4中任一所述的方法。
7.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202211118063.8A 2022-09-15 2022-09-15 睡眠质量分析方法、装置、电子设备及计算机可读介质 Active CN115192042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211118063.8A CN115192042B (zh) 2022-09-15 2022-09-15 睡眠质量分析方法、装置、电子设备及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211118063.8A CN115192042B (zh) 2022-09-15 2022-09-15 睡眠质量分析方法、装置、电子设备及计算机可读介质

Publications (2)

Publication Number Publication Date
CN115192042A CN115192042A (zh) 2022-10-18
CN115192042B true CN115192042B (zh) 2022-11-22

Family

ID=83571916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211118063.8A Active CN115192042B (zh) 2022-09-15 2022-09-15 睡眠质量分析方法、装置、电子设备及计算机可读介质

Country Status (1)

Country Link
CN (1) CN115192042B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106725462A (zh) * 2017-01-12 2017-05-31 兰州大学 基于脑电信号的声光睡眠干预系统和方法
CN110801221A (zh) * 2019-12-09 2020-02-18 中山大学 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备
CN112450878A (zh) * 2020-10-16 2021-03-09 中国人民解放军63919部队 睡眠检测方法、系统及存储介质
CN114190897A (zh) * 2021-12-15 2022-03-18 中国科学院空天信息创新研究院 睡眠分期模型的训练方法、睡眠分期方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11696714B2 (en) * 2019-04-24 2023-07-11 Interaxon Inc. System and method for brain modelling

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106725462A (zh) * 2017-01-12 2017-05-31 兰州大学 基于脑电信号的声光睡眠干预系统和方法
CN110801221A (zh) * 2019-12-09 2020-02-18 中山大学 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备
CN112450878A (zh) * 2020-10-16 2021-03-09 中国人民解放军63919部队 睡眠检测方法、系统及存储介质
CN114190897A (zh) * 2021-12-15 2022-03-18 中国科学院空天信息创新研究院 睡眠分期模型的训练方法、睡眠分期方法及装置

Also Published As

Publication number Publication date
CN115192042A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
Liao et al. Qualitative decision making with correlation coefficients of hesitant fuzzy linguistic term sets
Dafflon et al. An automated machine learning approach to predict brain age from cortical anatomical measures
Hong et al. Conditional screening for ultra-high dimensional covariates with survival outcomes
US10691585B2 (en) Efficient software testing system
Zhao et al. Variational autoencoder with truncated mixture of gaussians for functional connectivity analysis
WO2020078818A1 (en) Adapting prediction models
Zheng et al. Capturing feature-level irregularity in disease progression modeling
WO2020072383A1 (en) Deep learning particle classification platform
Kapoor et al. Cardiovascular disease prognosis and analysis using machine learning techniques
Salih et al. Investigating explainable artificial intelligence for mri-based classification of dementia: a new stability criterion for explainable methods
Zha et al. Convolution-based model-solving method for three-dimensional, unsteady, partial differential equations
Ramlakhan et al. Building artificial intelligence and machine learning models: a primer for emergency physicians
Covert et al. Predictive and robust gene selection for spatial transcriptomics
Shahbandegan et al. Developing a machine learning model to predict patient need for computed tomography imaging in the emergency department
JP2020042645A (ja) 時系列データ分析装置、時系列データ分析方法、および時系列データ分析プログラム
CN111403028B (zh) 医疗文本分类方法及装置、存储介质、电子设备
CN115192042B (zh) 睡眠质量分析方法、装置、电子设备及计算机可读介质
Zhou et al. A model-agnostic approach for explaining the predictions on clustered data
CN110059743B (zh) 确定预测的可靠性度量的方法、设备和存储介质
Silva et al. Patient trajectory modelling in longitudinal data: a review on existing solutions
Chen et al. Quantifying deep neural network uncertainty for atrial fibrillation detection with limited labels
Zhang et al. Usable region estimate for assessing practical usability of medical image segmentation models
CN115410642A (zh) 一种生物关系网络信息建模方法与系统
EP4371130A1 (en) Method of evaluating text similarity for diagnosis or monitoring of a health condition
Xiong et al. On training deep 3d cnn models with dependent samples in neuroimaging

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