CN115429293B - 一种基于脉冲神经网络的睡眠类型分类方法和装置 - Google Patents

一种基于脉冲神经网络的睡眠类型分类方法和装置 Download PDF

Info

Publication number
CN115429293B
CN115429293B CN202211373110.3A CN202211373110A CN115429293B CN 115429293 B CN115429293 B CN 115429293B CN 202211373110 A CN202211373110 A CN 202211373110A CN 115429293 B CN115429293 B CN 115429293B
Authority
CN
China
Prior art keywords
segment
neural network
stage
layer
signal
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
CN202211373110.3A
Other languages
English (en)
Other versions
CN115429293A (zh
Inventor
张徽
时拓
刘琦
高丽丽
王志斌
顾子熙
李一琪
崔狮雨
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202211373110.3A priority Critical patent/CN115429293B/zh
Publication of CN115429293A publication Critical patent/CN115429293A/zh
Application granted granted Critical
Publication of CN115429293B publication Critical patent/CN115429293B/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
    • A61B5/24—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
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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
    • A61B5/72—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Fuzzy Systems (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

本发明公开一种基于脉冲神经网络的睡眠类型分类方法和装置，该方法包括：步骤一，获取开源睡眠脑电图数据集；步骤二，将数据集中脑电图信号分割成多个第一片段信号，删除不需要的第一片段信号，并归一化剩余的第一片段信号；步骤三，分割归一化后的第一片段信号，得到第二片段信号；步骤四，将每一个第二片段信号进行事件编码，获得第二片段事件信号，并分为训练集和测试集；步骤五，构建脉冲神经网络模型及其损失函数进行各项参数梯度求解；步骤六，在训练集上进行脉冲神经网络模型优化训练，利用训练好的脉冲神经网络模型对测试集进行识别，实现睡眠类型分类。本发明相比传统神经网络分类检测具有计算量更少、更节能的优点。

Description

一种基于脉冲神经网络的睡眠类型分类方法和装置
技术领域
本发明属于信息技术与生物电信号分析处理领域，具体涉及一种基于脉冲神经网络的睡眠类型分类方法和装置。
背景技术
睡眠脑电图又称多导睡眠图（Polysomnography, PSG），主要用于睡眠和梦境研究以及抑郁症和睡眠呼吸暂停综合征的诊断。睡眠脑电图是通过不同部位的生物电或通过不同传感获得生物讯号，经前置放大，输出为不同的电讯号，记录出不同的图形以供分析。
作为第三代神经网络，低功耗的脉冲神经网络(SNN，Spiking Neural Network)是实现适用于嵌入式和移动端的睡眠类型分类算法的一个潜在解决方案，相比于ANN，SNN中单个神经元的构造和大脑中神经元的结构具有更强的相似性。SNN中常用的神经元模型是Leaky Integrate-and-Fire (LIF)模型，该模型中信息的传递定义为单个脉冲组成的时间不规则的序列，主要计算过程是对输入脉冲进行时间上的累积，根据每一时刻的累计值决定是否发放脉冲。由于脉冲的传递方式，SNN中采用的是能耗更少的累加操作，强的生物相似性和低的能耗使得SNN在低能耗睡眠类型分类方面有巨大的应用潜力。
目前，现有技术中，研究者多采用循环神经网络或ANN转换SNN的方法，需花费大量的时间进行训练，才能获得较高的识别率，而传统神经网络中大量线性神经细胞模型以及复杂的网络结构，导致计算量十分巨大，不能很好地应用到集成电路和移动设备上。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提出了，其具体技术方案如下：
一种基于脉冲神经网络的睡眠类型分类方法，包括以下步骤：
步骤一，获取开源的睡眠脑电图数据集；
步骤二，按照数据集中睡眠类型分类标签将每一个脑电图数据信号分割成多个第一片段信号，删除其中不需要的第一片段信号，并将剩余的第一片段信号进行归一化，得到归一化后的第一片段信号；
步骤三，分割归一化后的第一片段信号，将分割后的信号作为第二片段信号；
步骤四，将每一个第二片段信号进行事件编码，获得第二片段事件信号，将所有第二片段事件信号分为训练集和测试集；
步骤五，构建脉冲神经网络模型及其损失函数进行各项参数梯度求解；
步骤六，在训练集上使用梯度下降参数更新方法进行脉冲神经网络模型优化训练，得到训练好的脉冲神经网络模型，再利用训练好的脉冲神经网络模型对测试集进行识别，得到预测的睡眠类型，由此实现睡眠类型分类。
进一步的，所述的睡眠脑电图数据集为Sleep-EDF Database Expanded数据集，其中的每条数据包含脑电图来自Fpz-Cz和Pz-Oz电极位置的数据信号、临床眼电图、下颌肌电图和事件标记的整夜睡眠记录。
进一步的，所述步骤二，具体为：使用8个标签对获取的数据集中的脑电图Fpz-Cz电极位置的数据信号进行标注，分割成8个第一片段信号，分别代表8个阶段：Wake表示的清醒阶段，Stage 1表示的第1阶段，Stage 2表示的第2阶段，Stage 3表示的第3阶段，Stage 4表示的第4阶段，Stage R表示的快速眼运动睡眠阶段，Movement time表示的非快速眼运动阶段，Stage N表示的其他未得分阶段；使用其中的6个第一片段信号，即6个阶段，包括：Wake、第1阶段、第2阶段、第3阶段、第4阶段和Stage R的阶段；其余部分删掉，并将第3阶段与第4阶段归一化合并为一个类别。
进一步的，所述步骤三，具体为：判断每个归一化后的第一片段信号的时长，当第一片段信号时长为所需间隔时长的整数倍时，按照每所需间隔时长分割一次的原则，将其分割为相同长度的多个第二片段信号；当第一片段信号时长不为所需间隔时长的整数倍，计算切割剩余长度，若剩余长度大于等于所需间隔时长的1/2，则按照所需间隔时长由后往前进行最后一个第二片段信号的切割；若剩余长度小于所需间隔时长的1/2，则将该剩余长度舍弃。
进一步的，所述步骤四，具体包括以下子步骤：
步骤4.1，使用窗口长度为L，步长为L/3的滑窗对每一个第二片段信号进行滑窗，得到一组维度为
Figure 100002_DEST_PATH_IMAGE002
的第三片段信号，其中
Figure 100002_DEST_PATH_IMAGE004
为时间步长数量；
步骤4.2，使用均匀分布随机数发生器生成维度与第三片段信号相同，值在[0,1]之间的随机数组；
步骤4.3，判断随机数组中的随机数值与对应位置的第三片段信号数值大小，若随机数值大于第三片段信号数值，则第三片段信号该位置不发生事件；若随机数小于或等于第三片段信号数值，则第三片段信号该位置发生事件；因此得到事件编码后的第三片段事件信号；
步骤4.4，将第三片段事件信号按照比例分为训练集和测试集。
进一步的，所述步骤五中的构建脉冲神经网络模型，具体包括以下子步骤：
步骤5.1，构建脉冲神经网络LIF神经元层，具体为构建泄露量为前一个时间步膜电位的LIF神经元，表达式为：
Figure 100002_DEST_PATH_IMAGE006
Figure 100002_DEST_PATH_IMAGE008
其中
Figure 100002_DEST_PATH_IMAGE010
是指对于该神经元共有
Figure 100002_DEST_PATH_IMAGE012
个来自于
Figure 100002_DEST_PATH_IMAGE014
层神经元的输入；
Figure 100002_DEST_PATH_IMAGE016
：表示第
Figure 100002_DEST_PATH_IMAGE018
层脉冲神经元在第t个时间步的电压值；
Figure 100002_DEST_PATH_IMAGE020
：表示脉冲神经元的阈值电压；
Figure 100002_DEST_PATH_IMAGE022
：表示第
Figure 99606DEST_PATH_IMAGE018
层脉冲神经元在第t个时间步的脉冲值；
Figure 100002_DEST_PATH_IMAGE024
：表示第
Figure 954429DEST_PATH_IMAGE014
层中第i神经元在t个时间步长的脉冲值；
Figure 100002_DEST_PATH_IMAGE026
：表示第
Figure 170385DEST_PATH_IMAGE018
层中第
Figure 100002_DEST_PATH_IMAGE028
个突触的权重；
步骤5.2，构建脉冲神经网络突触层，其中神经元与突触层之间的连接均代表任意的线性操作，包括全连接层、卷积层；
步骤5.3，构建网络的输出层，输出层即为网络最后的分类层，输出为隐含层神经元放电率。
进一步的，所述步骤五中的构建脉冲神经网络模型的损失函数进行各项参数梯度求解，具体包括以下子步骤：
步骤5.4，构建模型训练中的损失函数，包括：均方差损失函数
Figure 100002_DEST_PATH_IMAGE030
，
Figure 100002_DEST_PATH_IMAGE032
表示脉冲神经网络模型的输出，
Figure 100002_DEST_PATH_IMAGE034
表示训练样本的标签；
因此训练中的损失函数表示为：
Figure 100002_DEST_PATH_IMAGE036
步骤5.5，基于LIF神经元计算公式，采用双曲正弦函数近似传播函数模拟反向传播，表达式为：
Figure 100002_DEST_PATH_IMAGE038
，
Figure 100002_DEST_PATH_IMAGE040
，
Figure 100002_DEST_PATH_IMAGE042
，
Figure 100002_DEST_PATH_IMAGE044
，
其中，
Figure 100002_DEST_PATH_IMAGE046
梯度计算符号；
Figure 100002_DEST_PATH_IMAGE048
表示第
Figure 752545DEST_PATH_IMAGE018
层脉冲神经元在第t+1个时间步的电压值的梯度值；
Figure 100002_DEST_PATH_IMAGE050
表示第
Figure 504600DEST_PATH_IMAGE018
+1层中第
Figure 327062DEST_PATH_IMAGE028
个突触的权重。
一种基于脉冲神经网络的睡眠类型分类装置，包括一个或多个处理器，用于实现所述的一种基于脉冲神经网络的睡眠类型分类方法。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现所述的一种基于脉冲神经网络的睡眠类型分类方法。
本发明的优点：
与现有的其他分类方法相比，本发明使用脉冲神经网络对睡眠脑电图数据进行分类，可以保证脉冲神经网络对脑电图这类时间序列识别的准确性，提高预测结果的准确度，由于脉冲神经网络的计算是基于脉冲序列，时间上的稀疏性使得脉冲神经网络相比于传统神经网络计算量更少更节能，可以更好地应用到集成电路和移动设备中。
附图说明
图1是本发明的一种基于脉冲神经网络的睡眠类型分类方法的主要流程示意图；
图2是本发明实施例的睡眠数据集的各项数据信号示意图；
图3是本发明实施例的脑电图信号分割片段及归一化合并示意图；
图4是本发明实施例的对片段信号进行滑窗截取的示意图；
图5是本发明实施例的对片段信号进行事件编码获取片段事件信号示意图；
图6是本发明实施例的一种基于脉冲神经网络的睡眠类型分类装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图和实施例，对本发明作进一步详细说明。
如图1所示，本发明的一种基于脉冲神经网络的睡眠类型分类方法，包括以下步骤：
步骤一，获取开源的睡眠脑电图数据集。
具体的，本实施例数据集为Sleep-EDF Database Expanded数据集，该数据集中包含20位受试者的实验数据，记录当时年龄为25~34岁的10位男性和10位女性的实验数据，每条数据包含脑电图（EEG, Electroencephalography）来自Fpz-Cz和Pz-Oz电极位置的数据，临床眼电图（EOG, Electro-Oculogram），下颌肌电图(EMG, electromyography)和事件标记的整夜睡眠记录，如图2所示。
步骤二，按照数据集中睡眠类型分类标签将每一个脑电图Fpz-Cz电极位置收集到的信号分割成多个第一片段信号，删除其中不需要的第一片段信号，并将剩余的第一片段信号进行归一化，得到归一化后的第一片段信号。
具体的，Sleep-EDF Database Expanded数据集使用8个标签进行标注，分割成8个第一片段信号，分别代表8个阶段：Wake (W)表示的清醒阶段，Stage 1表示的第1阶段，Stage 2表示的第2阶段，Stage 3表示的第3阶段，Stage 4表示的第4阶段，Stage R (REM,Rapid Eye Movement)表示的快速眼运动睡眠阶段，Movement time(M)表示的非快速眼运动阶段，Stage N (Not scored)表示的其他未得分阶段，其中Wake(W)、第1阶段、第2阶段、第3阶段、第4阶段对应于从清醒状态至轻度睡眠，再到深度睡眠的范围。本实施例仅使用其中的6个第一片段信号，即阶段：Wake (W)，第1阶段，第2阶段，第3阶段，第4阶段和Stage R阶段，其余部分删掉，并将第3阶段与第4阶段归一化合并为一个类别，如图3所示。
步骤三，分割归一化后的第一片段信号，将分割后的信号作为第二片段信号。
具体为，判断每个归一化后的第一片段信号的时长，当第一片段信号时长为所需间隔时长P = 3000的整数倍时，按照每所需间隔时长分割一次的原则，将其分割为相同长度的多个第二片段信号；当第一片段信号时长不为所需间隔时长的整数倍，计算切割剩余长度，若剩余长度大于等于所需间隔时长的1/2，则按照所需间隔时长由后往前进行最后一个第二片段信号的切割；若剩余长度小于所需间隔时长的1/2，则将该剩余长度舍弃，如图3所示。
步骤四，将每一个第二片段信号进行事件编码，获得第二片段事件信号，将所有第二片段事件信号分为训练集和测试集。
具体包括以下子步骤：
步骤4.1，使用窗口长度为L = 300，步长为L/3的滑窗对每一个第二片段信号进行滑窗，得到一组维度为
Figure 531779DEST_PATH_IMAGE002
的第三片段信号，其中
Figure 730679DEST_PATH_IMAGE004
为时间步长数量，如图4所示；
步骤4.2，使用均匀分布随机数发生器生成维度与第三片段信号相同，值在[0,1]之间的随机数组；
步骤4.3，判断随机数组中的随机数值与对应位置的第三片段信号数值大小，若随机数值大于第三片段信号数值，则第三片段信号该位置不发生事件；若随机数小于或等于第三片段信号数值，则第三片段信号该位置发生事件；因此得到事件编码后的第三片段事件信号，如图5所示；
步骤4.4，将第三片段事件信号按照5：5比例分为训练集和测试集。
步骤五，构建脉冲神经网络模型及其损失函数进行各项参数梯度求解。
其中，所述构建脉冲神经网络模型，具体包括以下子步骤：
步骤5.1，构建脉冲神经网络LIF神经元层，具体为构建泄露量为前一个时间步膜电位的LIF神经元，表达式为：
Figure DEST_PATH_IMAGE006A
Figure DEST_PATH_IMAGE008A
其中
Figure 773459DEST_PATH_IMAGE010
是指对于该神经元共有
Figure 704506DEST_PATH_IMAGE012
个来自于
Figure 458835DEST_PATH_IMAGE014
层神经元的输入；
Figure 133530DEST_PATH_IMAGE016
：第
Figure 656916DEST_PATH_IMAGE018
层脉冲神经元在第t个时间步的电压值；
Figure 86760DEST_PATH_IMAGE020
：脉冲神经元的阈值电压；
Figure 764604DEST_PATH_IMAGE022
：第
Figure 39727DEST_PATH_IMAGE018
层脉冲神经元在第t个时间步的脉冲值；
Figure 620881DEST_PATH_IMAGE024
：表示第
Figure 956048DEST_PATH_IMAGE014
层中第i神经元在t个时间步长的脉冲值；
Figure 622652DEST_PATH_IMAGE026
：表示第
Figure 701467DEST_PATH_IMAGE018
层中第
Figure 137127DEST_PATH_IMAGE028
个突触的权重；
步骤5.2，构建脉冲神经网络突触层，其中神经元与突触层之间的连接均代表任意的线性操作，包括全连接层、卷积层；
步骤5.3，构建网络的输出层，输出层即为网络最后的分类层，输出为隐含层神经元放电率。
所述构建脉冲神经网络模型的损失函数进行各项参数梯度求解，具体包括以下子步骤：
步骤5.4，构建模型训练中的损失函数，包括：均方差损失函数
Figure 908774DEST_PATH_IMAGE030
，
Figure 859413DEST_PATH_IMAGE032
表示脉冲神经网络模型的输出，
Figure 201574DEST_PATH_IMAGE034
表示训练样本的标签；
因此训练中的损失函数可表示为：
Figure DEST_PATH_IMAGE036A
步骤5.5，基于LIF神经元计算公式，采用双曲正弦函数近似传播函数模拟反向传播，表达式为：
Figure DEST_PATH_IMAGE052
Figure DEST_PATH_IMAGE054
Figure DEST_PATH_IMAGE056
Figure 803325DEST_PATH_IMAGE044
，
其中，
Figure 745874DEST_PATH_IMAGE046
梯度计算符号；
Figure 183808DEST_PATH_IMAGE048
表示第
Figure 542108DEST_PATH_IMAGE018
层脉冲神经元在第t+1个时间步的电压值的梯度值；
Figure 14678DEST_PATH_IMAGE050
表示第
Figure 65811DEST_PATH_IMAGE018
+1层中第
Figure 991041DEST_PATH_IMAGE028
个突触的权重。
步骤六，在训练集上使用梯度下降参数更新方法进行脉冲神经网络模型优化训练，得到训练好的脉冲神经网络模型，再利用训练好的脉冲神经网络模型对测试集进行识别，得到预测的睡眠类型，由此实现睡眠类型分类。
下面结合仿真实验对本发明的效果做进一步的说明：
1. 仿真条件：
本发明的仿真实验是在Intel(R) Core(TM) i7-9700 CPU@3.00GH的硬件环境和Python3.5的软件环境下进行的。
2. 仿真内容与结果分析：
本实施例中，对于Sleep-EDF Database Expanded数据集，本发明构建具有两层隐含层的脉冲神经网络：输入层到第一层隐含层的连接是输出通道数为64的全连接运算，第一层隐含层到第二层隐含层是输出维度为5的全连接层。
本实施例中使用带Nesterov动量的随机梯度下降算法进行模型的训练，动量为0.9，权重衰减因子为0.0005。训练过程迭代100轮，批大小为128，即每128个样本为一个批次，学习速率初始值为0.05，在31至60轮学习速率为0.005，在61至90轮学习速率为0.0005，在91至100轮学习速率为0.00005，
Figure 153032DEST_PATH_IMAGE020
初始化为0.2。
本发明可以用测试集对SNN模型进行验证。通过以上实验最终实验结果表明通过SNN其睡眠类型分类的准确率为86.75%，现有的模型准确率为87.5%，但SNN计算量却小于现有传统神经网络模型的计算量，大大减小了方法的时空复杂度。
与前述一种基于脉冲神经网络的睡眠类型分类方法的实施例相对应，本发明还提供了一种基于脉冲神经网络的睡眠类型分类装置的实施例。
参见图6，本发明实施例提供的一种基于脉冲神经网络的睡眠类型分类装置，包括一个或多个处理器，用于实现上述实施例中的一种基于脉冲神经网络的睡眠类型分类方法。
本发明的一种基于脉冲神经网络的睡眠类型分类装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，为本发明的一种基于脉冲神经网络的睡眠类型分类装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于脉冲神经网络的睡眠类型分类方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于脉冲神经网络的睡眠类型分类方法，其特征在于，包括以下步骤：
步骤一，获取开源的睡眠脑电图数据集；
步骤二，按照数据集中睡眠类型分类标签将每一个脑电图数据信号分割成多个第一片段信号，删除其中不需要的第一片段信号，并将剩余的第一片段信号进行归一化，得到归一化后的第一片段信号；
步骤三，分割归一化后的第一片段信号，将分割后的信号作为第二片段信号；
步骤四，将每一个第二片段信号进行事件编码，获得第二片段事件信号，将所有第二片段事件信号分为训练集和测试集；
步骤五，构建脉冲神经网络模型及其损失函数进行各项参数梯度求解；
步骤六，在训练集上使用梯度下降参数更新方法进行脉冲神经网络模型优化训练，得到训练好的脉冲神经网络模型，再利用训练好的脉冲神经网络模型对测试集进行识别，得到预测的睡眠类型，由此实现睡眠类型分类；
所述的睡眠脑电图数据集为Sleep-EDF Database Expanded数据集，其中的每条数据包含脑电图来自Fpz-Cz和Pz-Oz电极位置的数据信号、临床眼电图、下颌肌电图和事件标记的整夜睡眠记录；
所述步骤二，具体为：使用8个标签对获取的数据集中的脑电图Fpz-Cz电极位置的数据信号进行标注，分割成8个第一片段信号，分别代表8个阶段：Wake表示的清醒阶段，Stage 1表示的第1阶段，Stage 2表示的第2阶段，Stage 3表示的第3阶段，Stage 4表示的第4阶段，Stage R表示的快速眼运动睡眠阶段，Movement time表示的非快速眼运动阶段，Stage N表示的其他未得分阶段；使用其中的6个第一片段信号，即6个阶段，包括：Wake、第1阶段、第2阶段、第3阶段、第4阶段和Stage R的阶段；其余部分删掉，并将第3阶段与第4阶段归一化合并为一个类别；
所述步骤三，具体为：判断每个归一化后的第一片段信号的时长，当第一片段信号时长为所需间隔时长的整数倍时，按照每所需间隔时长分割一次的原则，将其分割为相同长度的多个第二片段信号；当第一片段信号时长不为所需间隔时长的整数倍，计算切割剩余长度，若剩余长度大于等于所需间隔时长的1/2，则按照所需间隔时长由后往前进行最后一个第二片段信号的切割；若剩余长度小于所需间隔时长的1/2，则将该剩余长度舍弃；
所述步骤四，具体包括以下子步骤：
步骤4.1，使用窗口长度为L，步长为L/3的滑窗对每一个第二片段信号进行滑窗，得到一组维度为
Figure DEST_PATH_IMAGE002
的第三片段信号，其中
Figure DEST_PATH_IMAGE004
为时间步长数量，P为所需间隔时长；
步骤4.2，使用均匀分布随机数发生器生成维度与第三片段信号相同，值在[0,1]之间的随机数组；
步骤4.3，判断随机数组中的随机数值与对应位置的第三片段信号数值大小，若随机数值大于第三片段信号数值，则第三片段信号对应位置不发生事件；若随机数小于或等于第三片段信号数值，则第三片段信号对应位置发生事件；因此得到事件编码后的第三片段事件信号；
步骤4.4，将第三片段事件信号按照比例分为训练集和测试集；
所述步骤五中的构建脉冲神经网络模型，具体包括以下子步骤：
步骤5.1，构建脉冲神经网络LIF神经元层，具体为构建泄露量为前一个时间步膜电位的LIF神经元，表达式为：
Figure DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE008
其中
Figure DEST_PATH_IMAGE010
是指对于该神经元共有
Figure DEST_PATH_IMAGE012
个来自于
Figure DEST_PATH_IMAGE014
层神经元的输入；
Figure DEST_PATH_IMAGE016
：表示第
Figure DEST_PATH_IMAGE018
层脉冲神经元在第t个时间步的电压值；
Figure DEST_PATH_IMAGE020
：表示脉冲神经元的阈值电压；
Figure DEST_PATH_IMAGE022
：表示第
Figure 834759DEST_PATH_IMAGE018
层脉冲神经元在第t个时间步的脉冲值；
Figure DEST_PATH_IMAGE024
：表示第
Figure 814216DEST_PATH_IMAGE014
层中第i神经元在t个时间步长的脉冲值；
Figure DEST_PATH_IMAGE026
：表示第
Figure 656270DEST_PATH_IMAGE018
层中第
Figure DEST_PATH_IMAGE028
个突触的权重；
步骤5.2，构建脉冲神经网络突触层，其中神经元与突触层之间的连接均代表任意的线性操作，包括全连接层、卷积层；
步骤5.3，构建网络的输出层，输出层即为网络最后的分类层，输出为隐含层神经元放电率；
所述步骤五中的构建脉冲神经网络模型的损失函数进行各项参数梯度求解，具体包括以下子步骤：
步骤5.4，构建模型训练中的损失函数，包括：均方差损失函数
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE032
表示脉冲神经网络模型的输出，
Figure DEST_PATH_IMAGE034
表示训练样本的标签；
因此训练中的损失函数表示为：
Figure DEST_PATH_IMAGE036
步骤5.5，基于LIF神经元计算公式，采用双曲正弦函数近似传播函数模拟反向传播，表达式为：
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
，
其中，
Figure DEST_PATH_IMAGE046
表示梯度计算符号；
Figure DEST_PATH_IMAGE048
表示第
Figure 428311DEST_PATH_IMAGE018
层脉冲神经元在第t+1个时间步的电压值的梯度值；
Figure DEST_PATH_IMAGE050
表示第
Figure 305000DEST_PATH_IMAGE018
+1层中第
Figure 720938DEST_PATH_IMAGE028
个突触的权重。
2.一种基于脉冲神经网络的睡眠类型分类装置，其特征在于，包括一个或多个处理器，用于实现权利要求1中所述的一种基于脉冲神经网络的睡眠类型分类方法。
3.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1中所述的一种基于脉冲神经网络的睡眠类型分类方法。
CN202211373110.3A 2022-11-04 2022-11-04 一种基于脉冲神经网络的睡眠类型分类方法和装置 Active CN115429293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211373110.3A CN115429293B (zh) 2022-11-04 2022-11-04 一种基于脉冲神经网络的睡眠类型分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211373110.3A CN115429293B (zh) 2022-11-04 2022-11-04 一种基于脉冲神经网络的睡眠类型分类方法和装置

Publications (2)

Publication Number Publication Date
CN115429293A CN115429293A (zh) 2022-12-06
CN115429293B true CN115429293B (zh) 2023-04-07

Family

ID=84252843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211373110.3A Active CN115429293B (zh) 2022-11-04 2022-11-04 一种基于脉冲神经网络的睡眠类型分类方法和装置

Country Status (1)

Country Link
CN (1) CN115429293B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000011601A2 (de) * 1998-08-25 2000-03-02 Siemens Aktiengesellschaft Verfahren zum trainieren eines neuronalen netzes, verfahren zur klassifikation einer folge von eingangsgrössen unter verwendung eines neuronalen netzes, neuronales netz und anordnung zum trainieren eines neuronalen netzes
US7509163B1 (en) * 2007-09-28 2009-03-24 International Business Machines Corporation Method and system for subject-adaptive real-time sleep stage classification
US9401150B1 (en) * 2014-04-21 2016-07-26 Anritsu Company Systems and methods to detect lost audio frames from a continuous audio signal
CN108830176A (zh) * 2018-05-25 2018-11-16 深圳市太空科技南方研究院 一种睡眠觉醒检测方法、装置及终端
CN110680313A (zh) * 2019-09-30 2020-01-14 北京工业大学 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法
CN111783534A (zh) * 2020-05-28 2020-10-16 东南大学 一种基于深度学习的睡眠分期方法
CN111919242A (zh) * 2018-03-14 2020-11-10 克罗农莱弗公司 用于处理多个信号的系统和方法
CN112155549A (zh) * 2020-09-04 2021-01-01 西北师范大学 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统
CN112294341A (zh) * 2020-10-29 2021-02-02 武汉大学 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统
CN112749637A (zh) * 2020-12-29 2021-05-04 电子科技大学 一种基于snn的分布式光纤传感信号识别方法
CN112906828A (zh) * 2021-04-08 2021-06-04 周士博 一种基于时域编码和脉冲神经网络的图像分类方法
CN112932501A (zh) * 2021-01-25 2021-06-11 上海海事大学 一种基于一维卷积神经网络自动识别失眠方法
CN113158964A (zh) * 2021-05-07 2021-07-23 北京工业大学 一种基于残差学习和多粒度特征融合的睡眠分期方法
CN113221859A (zh) * 2021-06-22 2021-08-06 浙江工业大学 一种基于微表情分析的睡眠障碍判别方法和系统
CN113679355A (zh) * 2021-09-17 2021-11-23 山西瑞豪生物科技有限公司 一种用于强脉冲光干眼治疗的皮肤肤色测量装置及方法
CN114118383A (zh) * 2021-12-09 2022-03-01 之江实验室 基于多突触可塑性脉冲神经网络快速记忆编码方法和装置
CN114841191A (zh) * 2022-03-18 2022-08-02 西安电子科技大学 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法
CN114983439A (zh) * 2022-06-15 2022-09-02 四川省医学科学院·四川省人民医院 一种融合脉冲神经网络和二值动态网络的脑状态识别方法
CN115054828A (zh) * 2022-07-25 2022-09-16 苏州景昱医疗器械有限公司 脉冲发生器、医疗系统及计算机可读存储介质

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020008848A (ko) * 2000-03-31 2002-01-31 이데이 노부유끼 로봇 장치, 로봇 장치의 행동 제어 방법, 외력 검출 장치및 외력 검출 방법
US9443141B2 (en) * 2008-06-02 2016-09-13 New York University Method, system, and computer-accessible medium for classification of at least one ICTAL state
EP2884890A1 (en) * 2012-08-20 2015-06-24 Danmarks Tekniske Universitet (DTU) Method for detection of an abnormal sleep pattern in a person
US10735298B2 (en) * 2012-12-05 2020-08-04 Origin Wireless, Inc. Method, apparatus, server and system for vital sign detection and monitoring
US20200064444A1 (en) * 2015-07-17 2020-02-27 Origin Wireless, Inc. Method, apparatus, and system for human identification based on human radio biometric information
US10495725B2 (en) * 2012-12-05 2019-12-03 Origin Wireless, Inc. Method, apparatus, server and system for real-time vital sign detection and monitoring
US10248675B2 (en) * 2013-10-16 2019-04-02 University Of Tennessee Research Foundation Method and apparatus for providing real-time monitoring of an artifical neural network
US11439344B2 (en) * 2015-07-17 2022-09-13 Origin Wireless, Inc. Method, apparatus, and system for wireless sleep monitoring
EP3225279B1 (en) * 2016-03-31 2023-12-20 Université de Rennes Brain tissue stimulation apparatus and computer program
US10083397B2 (en) * 2016-08-25 2018-09-25 TCL Research America Inc. Personalized intelligent wake-up system and method based on multimodal deep neural network
US11609955B2 (en) * 2017-01-22 2023-03-21 Huawei Technologies Co., Ltd. Method and terminal device for managing application snippet
CN109214395A (zh) * 2018-08-21 2019-01-15 电子科技大学 一种基于脉冲神经网络的图像特征描述方法
US11413425B2 (en) * 2019-05-24 2022-08-16 Neuroenhancement Lab, LLC Device, system, and method for reducing coronasomnia to enhance immunity and immune response
KR102258726B1 (ko) * 2019-08-12 2021-06-01 (주)허니냅스 딥러닝을 이용한 수면질환 자동 판정을 위한 데이터 처리 장치 및 그 동작 방법
KR102251388B1 (ko) * 2019-08-12 2021-05-12 (주)허니냅스 딥러닝을 이용한 수면질환 판정 자동화 장치 및 그 동작 방법
CN110897639A (zh) * 2020-01-02 2020-03-24 清华大学深圳国际研究生院 一种基于深度卷积神经网络的脑电睡眠分期方法
CN111477299B (zh) * 2020-04-08 2023-01-03 广州艾博润医疗科技有限公司 结合脑电检测分析控制的声电刺激神经调控方法及装置
US12061985B2 (en) * 2020-07-02 2024-08-13 Mitsubishi Electric Research Laboratories, Inc. Automated construction of neural network architecture with Bayesian graph exploration
CN113974607B (zh) * 2021-11-17 2024-04-26 杭州电子科技大学 一种基于脉冲神经网络的睡眠鼾声检测系统
CN114186672A (zh) * 2021-12-16 2022-03-15 西安交通大学 一种用于脉冲神经网络的高效高精度训练算法
CN114332545B (zh) * 2022-03-17 2022-08-05 之江实验室 一种基于低比特脉冲神经网络的图像数据分类方法和装置
CN114881105A (zh) * 2022-03-28 2022-08-09 华南理工大学 基于transformer模型和对比学习的睡眠分期方法及系统
CN114861838B (zh) * 2022-07-06 2022-09-27 武汉理工大学 一种基于神经元复杂动力学的脉冲神经类脑智能分类方法
CN114925734B (zh) * 2022-07-20 2022-11-25 浙江大学 一种基于神经拟态计算的在线神经元分类方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000011601A2 (de) * 1998-08-25 2000-03-02 Siemens Aktiengesellschaft Verfahren zum trainieren eines neuronalen netzes, verfahren zur klassifikation einer folge von eingangsgrössen unter verwendung eines neuronalen netzes, neuronales netz und anordnung zum trainieren eines neuronalen netzes
US7509163B1 (en) * 2007-09-28 2009-03-24 International Business Machines Corporation Method and system for subject-adaptive real-time sleep stage classification
US9401150B1 (en) * 2014-04-21 2016-07-26 Anritsu Company Systems and methods to detect lost audio frames from a continuous audio signal
CN111919242A (zh) * 2018-03-14 2020-11-10 克罗农莱弗公司 用于处理多个信号的系统和方法
CN108830176A (zh) * 2018-05-25 2018-11-16 深圳市太空科技南方研究院 一种睡眠觉醒检测方法、装置及终端
CN110680313A (zh) * 2019-09-30 2020-01-14 北京工业大学 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法
CN111783534A (zh) * 2020-05-28 2020-10-16 东南大学 一种基于深度学习的睡眠分期方法
CN112155549A (zh) * 2020-09-04 2021-01-01 西北师范大学 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统
CN112294341A (zh) * 2020-10-29 2021-02-02 武汉大学 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统
CN112749637A (zh) * 2020-12-29 2021-05-04 电子科技大学 一种基于snn的分布式光纤传感信号识别方法
CN112932501A (zh) * 2021-01-25 2021-06-11 上海海事大学 一种基于一维卷积神经网络自动识别失眠方法
CN112906828A (zh) * 2021-04-08 2021-06-04 周士博 一种基于时域编码和脉冲神经网络的图像分类方法
CN113158964A (zh) * 2021-05-07 2021-07-23 北京工业大学 一种基于残差学习和多粒度特征融合的睡眠分期方法
CN113221859A (zh) * 2021-06-22 2021-08-06 浙江工业大学 一种基于微表情分析的睡眠障碍判别方法和系统
CN113679355A (zh) * 2021-09-17 2021-11-23 山西瑞豪生物科技有限公司 一种用于强脉冲光干眼治疗的皮肤肤色测量装置及方法
CN114118383A (zh) * 2021-12-09 2022-03-01 之江实验室 基于多突触可塑性脉冲神经网络快速记忆编码方法和装置
CN114841191A (zh) * 2022-03-18 2022-08-02 西安电子科技大学 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法
CN114983439A (zh) * 2022-06-15 2022-09-02 四川省医学科学院·四川省人民医院 一种融合脉冲神经网络和二值动态网络的脑状态识别方法
CN115054828A (zh) * 2022-07-25 2022-09-16 苏州景昱医疗器械有限公司 脉冲发生器、医疗系统及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
光电容积脉搏波的睡眠呼吸暂停综合征筛查方法;李肃义等;《光谱学与光谱分析》;20190615(第06期);198-203 *

Also Published As

Publication number Publication date
CN115429293A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
CN109460473B (zh) 基于症状提取和特征表示的电子病历多标签分类方法
CN111134666A (zh) 一种多通道脑电数据的情绪识别方法及电子装置
Zhang et al. Multivariate time series missing data imputation using recurrent denoising autoencoder
CN110162779A (zh) 病历质量的评估方法、装置及设备
Zhang et al. Detecting negative emotional stress based on facial expression in real time
CN109036577A (zh) 糖尿病并发症分析方法及装置
CN117009780A (zh) 一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法
US10318892B2 (en) Feature selection algorithm under conditions of noisy data and limited recording
Haile et al. Deep machine learning for detection of acoustic wave reflections
CN115919330A (zh) 基于多层次se注意力和图卷积的eeg情绪状态分类方法
Yang et al. Cross-domain missingness-aware time-series adaptation with similarity distillation in medical applications
Balasubramanian et al. Comparison of neural networks based on accuracy and robustness in identifying impact location for structural health monitoring applications
Shen et al. A high-precision feature extraction network of fatigue speech from air traffic controller radiotelephony based on improved deep learning
Lee et al. Improved recurrent generative adversarial networks with regularization techniques and a controllable framework
CN114191665A (zh) 机械通气过程中人机异步现象的分类方法和分类装置
CN115429293B (zh) 一种基于脉冲神经网络的睡眠类型分类方法和装置
US20230315203A1 (en) Brain-Computer Interface Decoding Method and Apparatus Based on Point-Position Equivalent Augmentation
CN114841216B (zh) 一种基于模型不确定性学习的脑电信号分类方法
CN116746947A (zh) 基于在线测试时间域适应的跨受试者脑电信号分类方法
CN110633368A (zh) 早期结直肠癌非结构化数据的深度学习分类方法
CN115966314A (zh) 一种数据处理方法、装置、电子设备及存储介质
Wang et al. Multichannel biomedical time series clustering via hierarchical probabilistic latent semantic analysis
Seong et al. Self-Supervised Framework Based on Subject-Wise Clustering for Human Subject Time Series Data
Prawira et al. Emotion classification using fast fourier transform and recurrent neural networks

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