CN115336973A - 基于自注意力机制和单导联心电信号的睡眠分期系统构建方法、及睡眠分期系统 - Google Patents
基于自注意力机制和单导联心电信号的睡眠分期系统构建方法、及睡眠分期系统 Download PDFInfo
- Publication number
- CN115336973A CN115336973A CN202210856900.0A CN202210856900A CN115336973A CN 115336973 A CN115336973 A CN 115336973A CN 202210856900 A CN202210856900 A CN 202210856900A CN 115336973 A CN115336973 A CN 115336973A
- Authority
- CN
- China
- Prior art keywords
- module
- sleep
- sleep staging
- staging system
- gru
- 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
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 89
- 230000007246 mechanism Effects 0.000 title claims abstract description 27
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000008667 sleep stage Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract 2
- 239000013598 vector Substances 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 206010062519 Poor quality sleep Diseases 0.000 claims description 7
- 230000004461 rapid eye movement Effects 0.000 claims description 6
- 230000000747 cardiac effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 241000288105 Grus Species 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000005189 cardiac health Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000010340 Sleep Deprivation Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000037053 non-rapid eye movement Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- A61B5/24—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]
-
- 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
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- 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
- A61B5/72—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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Cardiology (AREA)
- Anesthesiology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于自注意力机制和单导联心电(ECG)信号的睡眠分期系统构建方法及睡眠分期系统,构建方法包括如下步骤:构建包含深度神经网络的睡眠分期系统,所述深度神经网络包括依次串联的CNN模块、Bi‑GRU模块、自注意力机制模块、BN模块及全连接层;将带有睡眠分期标签的ECG信号进行滤波及零均值归一化处理,并根据睡眠分期准则进行分段,多个数据段构成训练数据集;利用所述训练数据集训练深度神经网络,完成自动睡眠分期系统的构建。本发明构建的系统能够捕捉ECG信号片段内部相关性信息,实现特征自动提取与分类,满足低负荷的睡眠分期需求。
Description
技术领域
本发明属于睡眠监测技术领域,具体涉及一种基于自注意力机制和单导联心电信号的睡眠分期系统构建方法、及睡眠分期系统。
背景技术
人一生中三分之一的时间是在睡眠中度过的,睡眠过程十分复杂且对人体的自我修复十分重要。伴随着现代生活节奏的逐渐加快,多种压力正在影响着人们的睡眠状态。许多人都出现睡眠模式紊乱的问题,面临着入睡困难和白天嗜睡等困扰。有研究证实,睡眠不足会导致各种健康问题,从而引发各种各样的疾病,如阿尔茨海默氏症、糖尿病等,因睡眠情况不佳导致患上癌症的情况也时有发生。
研究表明,人的睡眠过程存在一定的周期性变化规律。通过对人体睡眠过程中的脑电图和眼球运动情况的监测分析,人们对睡眠的周期性变化过程进行了研究并提出了人类睡眠分期规则,将睡眠进行了分类。
准确的睡眠分期能够帮助人们正确认识自身的睡眠结构、进一步改善或提升自身的睡眠质量。睡眠分期是睡眠相关疾病诊断中的重要步骤。临床医学上,睡眠分期可以辅助医生对睡眠疾病进行分析诊断,还可以对患者的治疗效果进行追踪监测,因此对睡眠情况的监测与睡眠分期的研究具有重要意义。
在医学睡眠领域,多导睡眠图是睡眠监测研究的“金标准”,睡眠专家基于多导睡眠仪获取的脑电、眼电、肌电、血氧饱和度、心电(Electrocardiogram,ECG)、口鼻气流、胸腹呼吸运动等多通道生物电信号,根据睡眠分期标准划分睡眠片段实现睡眠分期。多导睡眠监测准确度高,但操作繁琐耗时且舒适度低,低负荷的睡眠分期方案研究具有重要的现实意义。
研究表明,可以反映人体自主神经系统的ECG信号可以较好地反映睡眠状态,随着可穿戴生理参数监测设备的不断发展,低负荷的睡眠分期方案多基于ECG信号、呼吸信号及瞬时心率序列等ECG衍生信号进行。基于手工标记或传统机器学习方法实现睡眠分期过程复杂且效率低下。随着深度学习算法研究的深入,深度神经网络被广泛应用于睡眠分期的研究,深层次提取信号粗粒度与细粒度特征,采用端到端的卷积神经网络、长短时记忆网络、门控循环单元等算法实现自动睡眠分期。深度神经网络因其强大的提取复杂特征的能力改善了睡眠分期结果,通常具有更高的分类准确度,但仍存在忽略片段内部信息相关性的问题。
发明内容
本发明的目的是针对现有基于人工神经网络的睡眠分期方案存在的忽略睡眠片段内部信息相关性的问题,提出一种基于自注意力机制的睡眠分期系统构建方法及睡眠分期系统,该系统能够捕捉ECG信号片段内部相关性信息,实现特征自动提取与分类,满足低负荷的睡眠分期需求。
实现本发明的技术方案如下:
一方面实施例,本申请一种基于自注意力机制和单导联心电信号的睡眠分期系统构建方法,具体过程为:
构建包含深度神经网络的睡眠分期系统,所述深度神经网络包括依次串联的CNN模块、Bi-GRU模块、自注意力机制(SA)模块、BN模块及全连接层;
将带有睡眠分期标签的ECG信号进行滤波及零均值归一化处理,并根据睡眠分期准则进行分段,多个数据段构成训练数据集;
利用所述训练数据集训练深度神经网络,完成自动睡眠分期系统的构建。
进一步地,本发明所述深度神经网络包括4个CNN模块,所述4个CNN模块依次串联,所述深度神经网络包括2个Bi-GRU模块,所述2个Bi-GRU模块依次串联。
进一步地,本发明所述SA模块输出向量为hi:
Q=WQX
K=WKX
V=WVX
其中,X表述SA模块输入向量,WQ、WK和WV分别待学习的参数矩阵。
进一步地,本发明所述睡眠分期系统还包括预处理模块,所述预处理模块与深度神经网络的输入端相连,用于对采集到的ECG信号进行滤波及零均值归一化处理,并将归一化处理后的数据进行分段。
进一步地,本发明所述全连接层的输出为睡眠分期阶段的概率分布,所述睡眠分期阶段包括4个,分别为:唤醒期、快速动眼期、浅睡眠阶段和深睡眠阶段。
另一方面,本申请实施例一种基于自注意力机制和单导联心电信号的睡眠分期系统,包括:该系统包括生理参数监测设备、ECG预处理模块、CNN模块、Bi-GRU模块、SA模块及睡眠分期结果输出模块;
生理参数监测设备用于获取单导联ECG信号,并输入CNN模块;
CNN模块单元,获取ECG信号空间特征;
Bi-GRU模块单元,捕捉CNN模块所提取的空间特征的内部相关性,即捕捉ECG信号时间特征;
SA模块单元,对Bi-GRU每个时刻单元的输出的ECG信号时间特征的重要度进行打分,捕捉片段内部信息相关性,输出相应的特征向量;
睡眠分期结果输出单元包括BN模块及全连接层,基于所述SA模块输出的特征向量,输出睡眠分期的概率分布。
进一步地,本发明所述SA模块输出向量为hi:
Q=WQX
K=WKX
V=WVX
其中,X表述SA模块输入向量,WQ、WK和WV分别参数矩阵。
有益效果:
第一,本发明引入SA模块用于在长序列中对Bi-GRU每个时刻单元的输出重要度做出打分,捕捉片段内部信息相关性,Bi-GRU提取了序列的前后相关性特征,但却无法在长序列中凸显重要的信息,缩放点积SA模块的引入弥补了这一缺点,自动捕捉长序列内部的关联信息,增强了模型对ECG信号时序特征的提取能力。
第二、本发明SA模块相对于点积模型多除了一个K维度的平方根以起到调节作用,让训练过程中具有更稳定的梯度。
第三、本申请利用Bi-GRU模块的特征提取能力强大,捕捉特征的内部相关性,获取ECG信号时间特征,Bi-GRU网络通过两个方向完全独立的GRU处理前后两端的ECG信号,能够深入挖掘双向时间结构信息。
第四、本申请构建的算法模型主要由4个卷积CNN模块、2个Bi-GRU模块和1个SA模块构成,使用一维CNN模块提取ECG信号空间特征后,由Bi-GRU模块提取序列前后相关信息,SA模块对每个时刻Bi-GRU的输出重要度加权来提取序列每个单元的相关信息。本申请深入挖掘ECG信号时间、空间及内部相关性特征,基于单导联ECG信号实现端到端的自动睡眠分期,提高了睡眠分期的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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它的附图。
图1是本发明的基于自注意力机制和单导联心电信号的自动睡眠分期方法实现流程图;
图2是本发明的算法模型流程图;
图3是本发明的Bi-GRU网络结构图;
图4是本发明的缩放点积注意力机制结构图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是,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;并且,基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
针对现有基于人工神经网络的睡眠分期方案存在的忽略睡眠片段内部信息相关性的问题,本发明提出了一种基于自注意力机制和单导联心电信号的自动睡眠分期方法,捕捉片段内部相关性信息,实现特征自动提取与分类,满足低负荷的睡眠分期需求。
本申请实施例一种基于自注意力机制和单导联心电信号的睡眠分期系统构建方法,具体过程为:
步骤一,构建深度神经网络;
如图2所示,构建包含深度神经网络的睡眠分期系统,所述深度神经网络包括依次串联的CNN模块、Bi-GRU模块、自注意力机制(SA)模块、BN模块及全连接层;
本实施例中采用4个CNN模块3、2个Bi-GRU模块4和1个SA模块5的深度神经网络,如图2所示;其中,CNN模块用于提取ECG信号空间特征序列,Bi-GRU模块用于提取ECG模块输出序列前后相关信息,即ECG信号的时间特征,SA模块用于对每一时刻Bi-GRU单元的输出的时间特征序列的重要度加权来提取序列每个单元的相关信息。
基于人工神经网络的睡眠分期方法的关键区别在本申请采用SA模块单元5,在传统CNN结构提取的ECG片段特征基础上捕捉片段内部时序信息及重要程度,提取特征更加充分,实现特征自动提取与分类,满足低负荷的睡眠分期需求。
本申请实施例中所采用的CNN模块与Bi-GRU模块均采用现有技术,为了便于理解,现对其进行简单说明:
(1)CNN模块:使用一维卷积神经网络作为特征提取器,获取ECG信号空间特征。
每个CNN模块包含两个卷积层(Convolution,Conv),每个卷积层采用大小为5,维度为12的卷积核。采用全零填充以保持输入特征图的尺寸不变。使用一个最大池化层(Max-Pooling),减小特征维度,提高所提取特征的鲁棒性并缓解过拟合。模型执行最大池化的树池是一个3*3矩阵。执行时将输入拆分成3*3的区域,输出该区域中的最大元素值。
在最后一个CNN模块后连接一个丢弃层(Dropout),在网络前向传递过程中关闭一些神经元和他们的连接,以提高神经元的学习能力并防止过拟合。
引入随机生成概率向量r,服从参数为p的伯努利分布。模型中p选为20%,即随机生成一个只含0、1的参数向量,让神经元以概率值0.2停止工作。
(2)Bi-GRU模块:特征提取能力强大,捕捉特征的内部相关性,获取ECG信号时间特征。
Bi-GRU模块包含两个Bi-GRU层,Bi-GRU结构如图3所示,每个Bi-GRU层包含正反两个方向的GRU,每个GRU包括12个记忆单元,提取出ECG序列的前后相关信息。GRU网络通过调整更新门控制新信息中历史信息占据的比例避免了长期依赖问题,拥有记忆长期信息的能力。Bi-GRU模块通过两个方向完全独立的GRU处理前后两端的ECG信号,深入挖掘双向时间结构信息。
最终输出hi′由前向GRU输出hi f和后向GRU输出hi b共同决定,由下式(1)计算获得,其中“[]”表示两个向量相连,σ为激活函数。
hi′=σ[hi f,hi b] (1)
(3)SA模块:在长序列中对Bi-GRU每个时刻单元的输出重要度做出打分,捕捉片段内部信息相关性。
Bi-GRU提取了序列的前后相关性特征,但却无法在长序列中凸显重要的信息,SA模块的引入弥补了这一缺点,自动捕捉长序列内部的关联信息,增强了模型对ECG信号时序特征的提取能力。
SA(注意力机制)模型可以宏观上理解为一个查询(Query,Q)到一系列键-值(Key-Value,K-V)对的映射,本质上是对源数据元素的V进行加权求和,而Q和K用来计算对应V的权重系数。对于自注意力机制而言,查询向量序列Q、键向量序列K和值向量序列V三个矩阵均来自同一输入,信号经自注意力机制前后具有相同的维度。
根据Q和K计算权重系数,为防止Q与K之间的点乘积结果过大导致softmax函数进入无梯度区域,模型采用了缩放点积注意力模型,结构如图4所示。相对于点积模型多除了一个K维度的平方根以起到调节作用,让训练过程中具有更稳定的梯度。利用softmax函数将其结果归一化为概率分布,然后再乘以矩阵V就得到权重求和的表示。
用X=[x1,x2,…,xn]表示N个输入信息,Q、K和V通过式(2)~(4)所示的线性变换获得,其中WQ、WK和WV分别是可以学习的参数矩阵,输出序列为与输入X同等长度的H=[h1,h2,…,hn]。
Q=WQX (2)
K=WKX (3)
V=WVX (4)
输出向量hi计算如式(5)所示。其中i,j∈[1,N],为输出和输入向量序列的位置;s(ki,qi)是注意力打分函数,dk是键向量维度,模型中为24。
在深度神经网络的最后引入批标准化(Batch Normalization,BN),使得该模型具有更快的训练和收敛速度,也在一定程度上缓解了过拟合问题。
经过BN之后,将输出结果展开送入全连接层(Dense),全连接层的输出为睡眠各类别概率分布。
睡眠分期阶段包括唤醒、快速眼动期(REM)、非快速眼动期(包含S1、S2、S3和S4期),本说明书将睡眠阶段进行四分类,故将S1和S2结合标记为浅睡眠(Light Sleep)阶段,S3和S4结合标记为深睡眠(Deep Sleep)阶段,即本申请睡眠阶段包括唤醒、REM、浅睡眠阶段和深睡眠阶段。
步骤二:对带有睡眠分期标签的ECG信号进行滤波及零均值归一化处理,将归一化处理后的数据根据睡眠分期准则进行分段,多个无交集的数据段构成训练数据集;
本实施例中根据睡眠分期准则,将归一化处理后的ECG数据每30s划分为一个片段,形成多个无交集的片段集,再按照一定的比例将片段集数据进一步划分为训练数据集。
本实施例中训练数据集可以是受试者穿戴生理参数监测设备,利用设备采集受试者睡眠期间的单导联ECG信号和同时间戳的睡眠分期标签,来构建数据集。
本实施例中在对数据集中的数据进行预处理后进行片段划,分为无交集的训练集和测试集,70%数据用于训练,30%数据用于测试。
步骤三:将所述训练数据集训练深度神经网络,完成自动睡眠分期系统的构建。
本申请实施例本申请实施例一种基于自注意力机制和单导联心电信号的睡眠分期系统,如图1所示,该系统包括生理参数监测设备1、ECG预处理模块2、CNN模块3、Bi-GRU模块4、SA模块5及睡眠分期结果输出模块6;其中,
生理参数监测设备1用于获取单导联ECG信号和同时间戳的睡眠分期标签构建数据集;
本实施例中,生理参数监测设备可以为便携式的可穿戴设备,例如可穿戴的手环等;数据采集时,设备穿戴于受试者身体的相应部位,在受试者睡眠期间,采集受试者单导联ECG信号。
ECG预处理单元2用于对采集到的ECG信号进行滤波及零均值归一化处理;将归一化处理后的数据进行分段。
CNN模块单元3,作为特征提取器,获取ECG信号空间特征;
Bi-GRU模块单元4,捕捉CNN模块所提取的空间特征的内部相关性,即捕捉ECG信号时间特征;
SA模块单元5,对Bi-GRU每个时刻单元的输出的ECG信号时间特征的重要度进行打分,捕捉片段内部信息相关性;
睡眠分期结果输出单元6,用于输出最终的睡眠分期结果。
本申请实施例的效果如下:
第一,本申请构建的算法模型主要由4个卷积(Convolutional Neural Networks,CNN)模块、2个双向门控循环单元(Bidirectional Gated Recurrent Unit,Bi-GRU)模块和1个自注意力机制(Self-Attention,SA)模块构成。使用一维CNN模块提取ECG信号空间特征后,由Bi-GRU模块提取序列前后相关信息,SA模块对每个时刻Bi-GRU的输出重要度加权来提取序列每个单元的相关信息。本申请深入挖掘ECG信号时间、空间及内部相关性特征,基于单导联ECG信号实现端到端的自动睡眠分期,提高了睡眠分期的准确性。
第二,本申请利用Bi-GRU模块:特征提取能力强大,捕捉特征的内部相关性,获取ECG信号时间特征。Bi-GRU网络通过两个方向完全独立的GRU处理前后两端的ECG信号,深入挖掘双向时间结构信息。
第三,本申请利用SA模块:在长序列中对Bi-GRU每个时刻单元的输出重要度做出打分,捕捉片段内部信息相关性。Bi-GRU提取了序列的前后相关性特征,但却无法在长序列中凸显重要的信息,缩放点积自注意力模块的引入弥补了这一缺点,自动捕捉长序列内部的关联信息,增强了模型对ECG信号时序特征的提取能力。
实例:
数据集:实验数据采用睡眠数据网站(网址为:https://www.sleepdata.org)提供的睡眠心脏健康研究(Sleep Heart Health Study,SHHS)数据库。该数据库数据由约翰霍普金斯大学的睡眠心脏健康协调中心在不同时间收集获得,包含SHHS1和SHHS2两个数据集。ECG记录在SHHS1中按125Hz采样,而在SHHS2按250Hz采样。上述数据集被标记为六个睡眠阶段,包括唤醒、REM、S1、S2、S3和S4期。研究将睡眠阶段进行四分类,故将S1和S2结合标记为浅睡眠(Light Sleep)阶段,S3和S4结合标记为深睡眠(Deep Sleep)阶段。随机选取了SHHS2数据的100名受试者数据进行非独立被试研究。
测试结果:采用多分类交叉熵函数作为损失函数实现睡眠片段四分类。将睡眠数据集70%数据用于训练,30%数据用于测试,学习率设为0.0001,批量(Batch)大小设置为128,迭代次数(Epoch)设为500。经多轮迭代,准确率和损失值逐渐收敛并趋于稳定。
本发明算法与未添加SA的CNN-BiGRU模型以及几种机器学习模型算法总体分类结果对比如表1所示。本发明提出的基于自注意力机制的深度神经网络算法在基于单导联心电信号的睡眠分期总体分类准确率(Accuracy,Acc)、精确率(Precision,P)、召回率(Recall,R)、F1值(F1-Score)和相关性系数(Kappa)相比于其他分类算法均得到了提升。四分类准确率和Kappa系数分别为81.54%和0.66,优于基于人工传统特征机器学习算法的睡眠分期结果,验证了提出模型的有效性。
表1总体睡眠分期结果对比
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于自注意力机制和单导联心电信号的睡眠分期系统构建方法,其特征在于,具体过程为:
构建包含深度神经网络的睡眠分期系统,所述深度神经网络包括依次串联的CNN模块、Bi-GRU模块、自注意力机制SA模块、BN模块及全连接层;
将带有睡眠分期标签的ECG信号进行滤波及零均值归一化处理,并根据睡眠分期准则进行分段,多个数据段构成训练数据集;
利用所述训练数据集训练深度神经网络,完成自动睡眠分期系统的构建。
2.根据权利要求1所述基于自注意力机制和单导联心电信号的睡眠分期系统构建方法,其特征在于,所述深度神经网络包括4个CNN模块,所述4个CNN模块依次串联,所述深度神经网络包括2个Bi-GRU模块,所述2个Bi-GRU模块依次串联。
4.根据权利要求1或2所述基于自注意力机制和单导联心电信号的睡眠分期系统构建方法,其特征在于,所述睡眠分期系统还包括预处理模块,所述预处理模块与深度神经网络的输入端相连,用于对采集到的ECG信号进行滤波及零均值归一化处理,并将归一化处理后的数据进行分段。
5.根据权利要求1所述基于自注意力机制和单导联心电信号的睡眠分期系统构建方法,其特征在于,所述全连接层的输出为睡眠分期阶段的概率分布,所述睡眠分期阶段包括4个,分别为:唤醒期、快速动眼期、浅睡眠阶段和深睡眠阶段。
6.一种基于自注意力机制和单导联心电信号的睡眠分期系统,其特征在于,包括:该系统包括生理参数监测设备、ECG预处理模块、CNN模块、Bi-GRU模块、SA模块及睡眠分期结果输出模块;
生理参数监测设备用于获取单导联ECG信号,并输入CNN模块;
CNN模块单元,获取ECG信号空间特征;
Bi-GRU模块单元,捕捉CNN模块所提取的空间特征的内部相关性,即捕捉ECG信号时间特征;
SA模块单元,对Bi-GRU每个时刻单元的输出的ECG信号时间特征的重要度进行打分,捕捉片段内部信息相关性,输出相应的特征向量;
睡眠分期结果输出单元包括BN模块及全连接层,基于所述SA模块输出的特征向量,输出睡眠分期的概率分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856900.0A CN115336973A (zh) | 2022-07-20 | 2022-07-20 | 基于自注意力机制和单导联心电信号的睡眠分期系统构建方法、及睡眠分期系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856900.0A CN115336973A (zh) | 2022-07-20 | 2022-07-20 | 基于自注意力机制和单导联心电信号的睡眠分期系统构建方法、及睡眠分期系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115336973A true CN115336973A (zh) | 2022-11-15 |
Family
ID=83950413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210856900.0A Pending CN115336973A (zh) | 2022-07-20 | 2022-07-20 | 基于自注意力机制和单导联心电信号的睡眠分期系统构建方法、及睡眠分期系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115336973A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117617911A (zh) * | 2024-01-25 | 2024-03-01 | 长春理工大学 | 一种睡眠阶段分期方法、装置、设备及存储介质 |
CN117993868A (zh) * | 2024-04-02 | 2024-05-07 | 国网山东省电力公司济宁供电公司 | 基于双模态注意力的电网工程项目审计预警方法及系统 |
-
2022
- 2022-07-20 CN CN202210856900.0A patent/CN115336973A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117617911A (zh) * | 2024-01-25 | 2024-03-01 | 长春理工大学 | 一种睡眠阶段分期方法、装置、设备及存储介质 |
CN117617911B (zh) * | 2024-01-25 | 2024-03-26 | 长春理工大学 | 一种睡眠阶段分期方法、装置、设备及存储介质 |
CN117993868A (zh) * | 2024-04-02 | 2024-05-07 | 国网山东省电力公司济宁供电公司 | 基于双模态注意力的电网工程项目审计预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tzimourta et al. | EEG-based automatic sleep stage classification | |
Mostafa et al. | Multi-objective hyperparameter optimization of convolutional neural network for obstructive sleep apnea detection | |
CN115336973A (zh) | 基于自注意力机制和单导联心电信号的睡眠分期系统构建方法、及睡眠分期系统 | |
Haidar et al. | Convolutional neural networks on multiple respiratory channels to detect hypopnea and obstructive apnea events | |
Huang et al. | Sleep stage classification for child patients using DeConvolutional Neural Network | |
CN113080864B (zh) | 一种通过自动睡眠分期结果的常见睡眠疾病检测方法 | |
WO2023116736A1 (zh) | 一种基于视频数据的抽动症辅助筛查系统 | |
Xie et al. | Feature enrichment based convolutional neural network for heartbeat classification from electrocardiogram | |
Moridian et al. | Automatic diagnosis of sleep apnea from biomedical signals using artificial intelligence techniques: Methods, challenges, and future works | |
CN113095302A (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
Noviyanto et al. | Selecting features of single lead ECG signal for automatic sleep stages classification using correlation-based feature subset selection | |
US20210401376A1 (en) | Neural-network based electrocardiography monitor and associated methods | |
Fedorin et al. | Sleep stages classification in a healthy people based on optical plethysmography and accelerometer signals via wearable devices | |
CN113925459A (zh) | 一种基于脑电特征融合的睡眠分期方法 | |
Ragnarsdóttir et al. | Automatic detection of target regions of respiratory effort-related arousals using recurrent neural networks | |
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 | |
He et al. | Identification of arousals with deep neural networks (DNNs) using different physiological signals | |
Mellouk et al. | CNN-LSTM for automatic emotion recognition using contactless photoplythesmographic signals | |
CN115500843A (zh) | 基于零样本学习与对比学习的睡眠阶段分期方法 | |
Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
Luo et al. | A hierarchical attention-based method for sleep staging using movement and cardiopulmonary signals | |
Erdenebayar et al. | Automatic classification of sleep stage from an ECG signal using a gated-recurrent unit | |
Siddiqa et al. | Single-Channel EEG Data Analysis Using a Multi-Branch CNN for Neonatal Sleep Staging | |
CN115399735A (zh) | 基于时频双流增强的多头注意机制睡眠分期方法 | |
Locharla et al. | EEG-based deep learning neural net for apnea detection |
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 |