CN115590477B - 基于自监督的睡眠分期方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明涉及睡眠分期技术领域，特别涉及一种基于自监督的睡眠分期方法、装置、电子设备及存储介质。其中，该方法包括：获取至少一帧待处理的睡眠数据；将待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧待处理的睡眠数据之后的预测特征，自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层；将预测特征输入训练好的睡眠分期模型，得到预测特征对应的睡眠分期，睡眠分期模型是以已知睡眠数据和已知睡眠数据对应的睡眠分期作为样本训练分类器得到的。本发明能够保证睡眠数据的分期一致性。

Description

基于自监督的睡眠分期方法、装置、电子设备及存储介质

技术领域

本发明涉及睡眠分期技术领域，特别涉及一种基于自监督的睡眠分期方法、装置、电子设备及存储介质。

背景技术

“睡眠分期”是临床睡眠诊疗的基础和重要的一环，其结果可以作为衡量人睡眠质量的指标，也可以作为判断一些睡眠障碍和疾病的依据。

相关技术中，通常是由分期人员（例如医师）通过肉眼观察多导睡眠图（PSG）中的至少一组睡眠数据（即生理信号）来进行睡眠阶段的分期。然而，这种人工睡眠分期方法至少存在如下问题：不同分期人员对同一睡眠时期的分期结果不一致。

因此，目前亟待需要提供一种基于自监督的睡眠分期方法、装置、电子设备及存储介质来解决上述技术问题。

发明内容

为了保证睡眠数据的分期一致性，本说明书实施例提供了一种基于自监督的睡眠分期方法、装置、电子设备及存储介质。

第一方面，本说明书实施例提供了一种基于自监督的睡眠分期方法，包括：

获取至少一帧待处理的睡眠数据；其中，所述待处理的睡眠数据为时间序列数据；

将所述待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧所述待处理的睡眠数据之后的预测特征；其中，所述自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层，所述编码层包括多个第一编码器，所述编码层用于对睡眠数据进行特征提取而得到第一特征，所述递归层用于对所述第一特征进行表征学习而得到第二特征，所述预测层用于将最后一帧对应的第二特征作为输入而得到该第二特征之后的预测特征；

将所述预测特征输入训练好的睡眠分期模型，得到所述预测特征对应的睡眠分期；其中，所述睡眠分期模型是以已知睡眠数据和所述已知睡眠数据对应的睡眠分期作为样本训练分类器得到的。

第二方面，本说明书实施例还提供了一种基于自监督的睡眠分期装置，包括：

获取模块，用于获取至少一帧待处理的睡眠数据；其中，所述待处理的睡眠数据为时间序列数据；

第一输入模块，用于将所述待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧所述待处理的睡眠数据之后的预测特征；其中，所述自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层，所述编码层包括多个第一编码器，所述编码层用于对睡眠数据进行特征提取而得到第一特征，所述递归层用于对所述第一特征进行表征学习而得到第二特征，所述预测层用于将最后一帧对应的第二特征作为输入而得到该第二特征之后的预测特征；

第二输入模块，用于将所述预测特征输入训练好的睡眠分期模型，得到所述预测特征对应的睡眠分期；其中，所述睡眠分期模型是以已知睡眠数据和所述已知睡眠数据对应的睡眠分期作为样本训练分类器得到的。

第三方面，本说明书实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。

第四方面，本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。

本说明书实施例提供了一种基于自监督的睡眠分期方法、装置、电子设备及存储介质，首先将至少一帧待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧待处理的睡眠数据之后的预测特征；然后将预测特征输入训练好的睡眠分期模型，得到预测特征对应的睡眠分期，这样就可以利用人工智能的方式实现了对睡眠数据的自动分期，从而保证了睡眠数据的分期一致性；而且采用自监督学习的方式，可以从未标注的数据中心学习到表征，从而可以减轻标注的成本。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本说明书的一些实施例，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他的附图。

图1是本说明书一实施例提供的一种基于自监督的睡眠分期方法流程图；

图2是本说明书一实施例提供的一种电子设备的硬件架构图；

图3是本说明书一实施例提供的一种基于自监督的睡眠分期装置结构图；

图4是本说明书一实施例提供的基于待处理的睡眠数据的睡眠分期处理过程的框架图；

图5是本说明书一实施例提供的孪生神经网络训练过程的框架图；

图6是本说明书一实施例提供的基于预测特征的睡眠分期处理过程的框架图。

具体实施方式

为使本说明书实施例的目的、技术方案和优点更加清楚，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本说明书一部分实施例，而不是全部的实施例，基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本说明书保护的范围。

请参考图1和图4，本说明书实施例提供了一种基于自监督的睡眠分期方法，该方法包括：

步骤100：获取至少一帧待处理的睡眠数据；其中，待处理的睡眠数据为时间序列数据；

步骤102：将待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧待处理的睡眠数据之后的预测特征；其中，自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层，编码层包括多个第一编码器，编码层用于对睡眠数据进行特征提取而得到第一特征，递归层用于对第一特征进行表征学习而得到第二特征，预测层用于将最后一帧对应的第二特征作为输入而得到该第二特征之后的预测特征；

步骤104：将预测特征输入训练好的睡眠分期模型，得到预测特征对应的睡眠分期；其中，睡眠分期模型是以已知睡眠数据和已知睡眠数据对应的睡眠分期作为样本训练分类器得到的。

在本实施例中，首先将至少一帧待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧待处理的睡眠数据之后的预测特征；然后将预测特征输入训练好的睡眠分期模型，得到预测特征对应的睡眠分期，这样就可以利用人工智能的方式实现了对睡眠数据的自动分期，从而保证了睡眠数据的分期一致性；而且采用自监督学习的方式，可以从未标注的数据中心学习到表征，从而可以减轻标注的成本。

下面描述图1所示的各个步骤的执行方式。

针对步骤100：

在本说明书一个实施例中，睡眠数据（即本说明书实施例提及的待处理的睡眠数据和待训练的睡眠数据）包括如下中的至少一种：脑电数据、眼电数据、下颌肌电数据、心电数据、胸带数据、腹带数据、脉搏波数据、腿动数据、鼾声数据、脉率数据和血氧饱和度数据。

在一些实施方式中，睡眠数据包括脑电数据、眼电数据和下颌肌电数据。

在该实施例中，由于睡眠数据是综合三个通道的信息（即包括脑电数据、眼电数据和下颌肌电数据），与相关技术中只根据单通道脑电数据进行睡眠分期的方式相比，上述方式可以有利于提高未知睡眠数据的分期准确率。

当然，睡眠数据也可以仅为脑电数据，在此不进行限定。

需要说明的是，上述睡眠数据可以从多导睡眠图（polysomnography，PSG）中提取得到，已知睡眠数据的睡眠分期可以是由分期人员或其他分析方式确定的，在此本说明书实施例不进行限定。

由于自监督学习模型输出的是预测特征，因此需要保证自监督学习模型的输入为时间序列数据，即待处理的睡眠数据为时间序列数据。具体而言，待处理的睡眠数据是以帧为单位，每帧睡眠数据包括沿时间顺序依次排列的预设维度的睡眠数据。在一些实施方式中，预设维度可以是3000，在此不进行限定。

针对步骤102：

在一些实施方式中，第一编码器可以是任何类型的编码器（例如CNN），只要能实现对原始数据的特征提取即可，在此不进行限定。

在一些实施方式中，第一编码器具有类似于DSN的部分架构，由卷积层和一个epoch级别的循环层组成。在卷积层中，卷积层的两个分支分别在第一层中采用小滤波器和大滤波器。基于DSN的架构可知，一个小滤波器可以提取时间信息，而一个大滤波器可以提取频率信息。因此，卷积层的两个分支可以同时捕获时域-频域特征。进一步地，为了防止模型的过拟合，可以在最后一层中包含一个dropout层。

在本说明书一个实施例中，递归层包括多个第一递归神经网络和一个第二递归神经网络，每个第一编码器的输出分别作为一个第一递归神经网络的输入，所有第一递归神经网络的输出作为第二递归神经网络的输入；

第一递归神经网络用于对每个第一编码器输出的第一特征进行表征学习而得到过渡特征，第二递归神经网络用于对所有第一递归神经网络输出的过渡特征进行表征学习而得到第二特征。

在本实施例中，通过设置递归层包括多个第一递归神经网络和一个第二递归神经网络，第一递归神经网络对每个第一编码器输出的第一特征进行表征学习而得到过渡特征，第二递归神经网络对所有第一递归神经网络输出的过渡特征进行表征学习而得到第二特征，如此可以使得递归层不仅能够对每一帧原始睡眠数据的帧内特征进行表征学习，还能够对不同帧原始睡眠数据的帧间特征进行表征学习，从而使得递归层输出的第二特征能够最大程度地表征原始睡眠数据。

在一些实施方式中，一帧原始的睡眠数据作为一个第一递归神经网络的输入。

在一些实施方式中，考虑到计算效率，第一递归神经网络和第二递归神经网络均可以考虑采用GRU。当然，本说明书实施例对第一递归神经网络和第二递归神经网络还可以考虑其它类型的神经网络，在此不进行限定。同时，第一递归神经网络和第二递归神经网络的类型可以相同，也可以不同，在此不进行限定。

在一些实施方式中，预测层可以是任何类型的预测神经网络（例如LSTM），只要能实现对特征向量的预测即可，在此不进行限定。

在本说明书一个实施例中，自监督学习模型是通过如下方式训练的：

获取多帧待训练的睡眠数据；其中，待训练的睡眠数据为时间序列数据；

将待训练的睡眠数据按照时间顺序划分成多个训练批次；其中，每个训练批次均包括n帧睡眠数据，n为大于等于3的正整数；

针对每一个训练批次，均执行：

将当前训练批次的m帧睡眠数据输入到待训练的自监督学习模型中，得到m帧睡眠数据对应的最后一帧之后的样本预测特征；其中，m为大于1且小于n的正整数，样本预测特征的帧数为n-m；

将n-m帧睡眠数据中的每帧睡眠数据分别输入到一个第二编码器中，得到n-m帧睡眠数据的样本特征；其中，第二编码器的结构与第一编码器的结构相同；

基于每一帧分别对应的样本预测特征和样本特征，确定正样本对和负样本对；

将正样本对和负样本对输入到预设的损失函数中，以对待训练的自监督学习模型进行训练，直至损失函数的结果符合预期结果或完成所有训练批次的睡眠数据的训练。

在本实施例中，基于样本预测特征和样本特征组成正样本对和负样本对，再将正样本对和负样本对输入到预设的损失函数中，以对待训练的自监督学习模型进行训练，从而可以使得训练好的自监督学习模型输出较为准确的预测特征。此外，由于负样本是基于每一个训练批次的睡眠数据选择的，因此可以最大限度地提高负样本对之间的一致性，从而提高了负样本数量较少时的性能。

需要说明的是，由于自监督学习是基于对抗学习的过程，因此如何选取监督信号是整个自监督学习过程的关键所在。发明人在研发过程中发现：可以通过对在先的睡眠数据进行预测而得到预测特征，这样这些预测特征就可以和实际的在后的睡眠数据组成样本对，从而可以完成后续的对抗学习。

举例来说，每一个训练批次包括12帧睡眠数据，其中前8帧睡眠数据需要输入到自监督学习模型中，而后4帧睡眠数据则需要对其进行特征提取（即通过第二编码器实现）即可，这样前8帧睡眠数据经自监督学习模型输出4帧样本预测特征，这4帧样本预测特征就可以和经特征提取的后4帧样本特征联立形成样本对。至于形成正样本对还是形成负样本对，还需要进一步处理，可参见下文。

在此，本说明书实施例对训练批次的数量、m、n等均不进行限定。其中，在上述举例中，m等于8，n等于12。

在本说明书一个实施例中，步骤“基于每一帧分别对应的样本预测特征和样本特征，确定正样本对和负样本对”具体可以包括：

将每一帧分别对应的样本预测特征和样本特征作为当前帧的正样本对；

针对每一帧，将当前帧对应的样本特征中的每个数值依次进行乘以随机数和添加高斯噪声的处理，得到当前帧对应的处理后样本特征；

将每一帧分别对应的样本预测特征和处理后样本特征作为当前帧的负样本对。

在本实施例中，通过将当前帧对应的样本特征中的每个数值依次进行乘以随机数和添加高斯噪声的处理，得到当前帧对应的处理后样本特征，如此可以保证负样本对的区别度，从而有利于后续的自监督学习模型的训练。

当然，也可以采用其它方式对当前帧对应的样本特征进行处理来作为负样本，在此不进行限定。例如，将高斯噪声处理替换为归一化处理。

在本说明书一个实施例中，损失函数为正样本对的互信息与正样本对的互信息和预设个数的负样本对的互信息之和的商。

在本实施例中，通过设置上述具体的损失函数，可以使得在自监督学习的过程中，可以使实际分期结果相同的特征之间的距离尽可能的小（即越相同的越相似），实际分期结果不同的特征之间的距离尽可能的大（即越不同的越不相似），以此来对自监督学习模型的参数进行更新。

在一些实施方式中，预设个数可以为10，在此不进行限定。

当然，损失函数也可以是除互信息函数之外的其它类型的损失函数，例如欧氏距离、余弦相似性等，在此不进行限定。

针对步骤104：

在一些实施方式中，上述分类器可以包括但不限于朴素贝叶斯、决策树、逻辑回归、支持向量机、神经网络（例如任意形式的卷积神经网络和循环神经网络）等，在此不进行限定。

需要指出的是，由于睡眠数据具有较高的随机性、非平衡性和非线性，因此在利用睡眠分期模型对睡眠数据进行分期时，难以保证较高的分期准确率。

为了解决该技术问题，发明人在研发过程中考虑到：可以增加睡眠数据的数据特点（即特色），即使得该睡眠数据具有更多的能够代表其特色的信息，这样就可以提高睡眠数据的分期准确率。进一步地，发明人考虑到可以借助孪生神经网络对已知睡眠数据对进行训练后得到的完成参数更新后的子神经网络，该完成参数更新后的子神经网络可以提取到更多的能够代表睡眠数据特色的信息，然后将提取到的具有特色的信息（即下文的目标特征）与初始的预测特征进行特征融合后得到目标预测特征，从而完成了对睡眠数据的信息扩充。

在本说明书一个实施例中，步骤104具体可以包括：

将预测特征输入训练好的目标神经网络，得到目标特征；其中，目标神经网络是以已知正样本对和已知负样本对作为样本训练孪生神经网络得到的；

将预测特征和目标特征进行特征融合，得到目标预测特征；其中，预测特征和目标预测特征的维度相同；

将目标预测特征输入训练好的睡眠分期模型，得到目标预测特征对应的睡眠分期。

在本实施例中，首先将预测特征输入训练好的目标神经网络，得到目标特征，目标神经网络是以已知正样本对和已知负样本对作为样本训练孪生神经网络得到的，这样考虑了预测特征所蕴含的具有其特色的目标特征；然后将预测特征和目标特征进行特征融合，得到目标预测特征，这样使得目标预测特征包括了其初始的预测特征和具有其特色的目标特征；最后将目标预测特征输入训练好的睡眠分期模型，得到目标预测特征对应的睡眠分期，这样对目标预测特征进行分期的分期准确率相比对原有的预测特征进行分期的分期准确率就会得到提高，即提高了预测特征的分期准确率。

此外，通过借助孪生神经网络对已知正样本对和已知负样本对进行训练后得到的完成参数更新后的子神经网络，该完成参数更新后的子神经网络可以提取到更多的能够代表睡眠数据特色的信息，然后将提取到的具有特色的信息（即目标特征）与初始的预测特征进行特征融合，从而完成了对预测特征的信息扩充。

举例来说，对于测试集来说，测试集的前8帧的睡眠数据作为训练好的自监督学习模型的输入，输出第9帧至第12帧的预测特征，然后将该4帧的预测特征分别输入到训练好的睡眠分期模型中，得到第9帧至第12帧的预测特征各自对应的睡眠分期；以此类推，直至完成对所有后续帧的睡眠数据的测试。

至于测试集的前8帧的睡眠数据分别对应的睡眠分期，可以利用训练集中与该前8帧相邻的睡眠数据，即利用这部分睡眠数据对测试集的前8帧进行预测，如此可以得到测试集的前8帧的预测特征，以将得到的这8帧的预测特征各自输入到睡眠分期模型中，从而可以得到测试集的前8帧的睡眠数据分别对应的睡眠分期。

也就是说，相关技术都是对当前帧的睡眠数据进行识别分期，而这种方式是需要进行标注的（即有监督学习）。然而，本说明书实施例提供的是一种无需进行标注的自监督学习的方案，通过训练好的自监督学习模型输出的预测特征作为睡眠分期模型的输入，从而来完成睡眠分期。

在本说明书一个实施例中，孪生神经网络包括两个网络结构相同的第一神经网络和第二神经网络，第一神经网络和第二神经网络的参数共享，目标神经网络为完成参数更新的第一神经网络或第二神经网络。

在本实施例中，通过利用孪生神经网络的两个子神经网络（即第一神经网络和第二神经网络）的网络结构完全相同的特性，在训练完成后即可将完成参数更新的第一神经网络或第二神经网络作为目标神经网络。

需要重点说明的是，相关技术中，均是利用孪生神经网络去计算两个数据对的相似度。然而，请参见图5和图6，本说明书实施例的发明构思是：借助孪生神经网络计算已知正样本对和已知负样本对，这样可以对两个子神经网络的参数（包括权重w和偏置b）进行不断更新，直至训练完成后得到完成参数更新的第一神经网络或第二神经网络。接着，利用该第一神经网络或该第二神经网络去执行扩充预测特征的特色信息的操作，即将预测特征输入该第一神经网络或该第二神经网络（即目标神经网络）来得到目标特征，并将提取到的具有特色的信息（即目标特征）与初始的预测特征进行特征融合，从而完成了对预测特征的信息扩充。最后，将经特征融合得到的目标预测特征输入训练好的睡眠分期模型，得到目标预测特征对应的睡眠分期，这样就可以提高预测特征的分期准确率。

在一些实施方式中，上述网络结构相同的第一神经网络和第二神经网络可以是AE、CNN、GRU、LSTM中的一个，在此不进行限定。

当然，孪生神经网络也可以包括两个网络结构不同的第一神经网络和第二神经网络，第一神经网络和第二神经网络的参数不共享，即该孪生神经网络为伪孪生神经网络。

在一些实施方式中，上述网络结构不同的第一神经网络和第二神经网络可以分别是AE和CNN，也可以是AE和GRU，还可以是AE和LSTM，在此不进行限定。

请继续参见图5，在本说明书一个实施例中，目标神经网络具体是通过如下方式得到的：

将已知正样本对或已知负样本对分别输入第一神经网络和第二神经网络中，输出第三特征和第四特征；

将第三特征和第四特征输入预设的对比损失函数，得到损失值；其中，对比损失函数与已知正样本对和已知负样本对有关；

基于损失值对第一神经网络和第二神经网络的参数进行更新；

将完成参数更新的第一神经网络或第二神经网络作为目标神经网络。

在本实施例中，将孪生神经网络与对比损失函数联用，可以有效处理孪生神经网络中的数据对的关系，即训练目的是让两个标签相同的输入（即已知正样本对）的距离（即损失值）尽可能的小，两个标签不同的输入（即已知负样本对）的距离尽可能的大，以此来进行第一神经网络和第二神经网络的参数更新。

在一些实施方式中，为了保证对睡眠数据更精细化地处理，在孪生神经网络的训练过程中可以对睡眠数据进行特征融合，在此不进行赘述。

请继续参见图5，在本说明书一个实施例中，孪生神经网络还包括一个全连接神经网络；

将第三特征和第四特征输入预设的对比损失函数，包括：

将第三特征和第四特征输入全连接神经网络，得到标准向量；

将标准向量输入预设的交叉熵损失函数，得到预测值；

在预测值大于预设阈值时，将第三特征和第四特征输入预设的对比损失函数。

在本实施例中，在将第三特征和第四特征输入预设的对比损失函数之前，可以先借助全连接神经网络和交叉熵损失函数来计算正样本对或负样本对的预测值，如果该预测值大于预设阈值（例如可以是85%）时，则代表该孪生神经网络的模型复杂度可以用于进行后续计算损失值，从而可以保证获得较为准确的睡眠分期。

在本说明书一个实施例中，对比损失函数为：

，

式中，N为样本个数，n表示具体样本编号，n取值范围是1~N，y为两个样本是否匹配的标签，y=1表示两个样本匹配（即两个样本为正样本对），y=0表示两个样本不匹配（即两个样本为负样本对），d为两个样本的欧氏距离，margin为预设的欧氏距离阈值。

当然，对比损失函数还可以采用余弦相似性函数、互信息函数和相关性度量函数等函数实现度量，在此不进行限定。

需要说明的是，通过利用目标神经网络得到的目标特征，不仅可以提高了后续的分期准确率，还可以使得睡眠分期模型具备一定的可解释性，即采用的是哪种对比损失函数，就可以利用该对比损失函数的类型（例如欧氏距离、概率密度分布等）来解释睡眠分期的分期结果，进而实现睡眠分期模型的过程可解释。

在本说明书实施例中，步骤“将预测特征和目标特征进行特征融合，得到目标预测特征”具体可以包括：

将目标特征进行维度变换，以使目标特征与预测特征的维度相同；

将进行维度变换后的目标特征和预测特征进行加权融合，得到目标预测特征。

在本实施例中，通过将目标特征进行维度变换以及将进行维度变换后的目标特征和预测特征进行加权融合，可以使得预测特征得到更完全地扩充和更具有特色化的扩充，从而使得该目标预测特征所得到的分期准确率相对初始的预测特征更高。

下面提供发明人针对三种睡眠分期算法在两个公共数据集上的测试结果，请参见表1。

表1

由表1的测试结果可知，本说明书实施例提供的基于自监督的睡眠分期方法具有更好的鲁棒性和分期准确率。

如图2、图3所示，本说明书实施例提供了一种基于自监督的睡眠分期装置。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。从硬件层面而言，如图2所示，为本说明书实施例提供的一种基于自监督的睡眠分期装置所在电子设备的一种硬件架构图，除了图2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电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。

如图3所示，本实施例提供的一种基于自监督的睡眠分期装置，包括：

获取模块300，用于获取至少一帧待处理的睡眠数据；其中，所述待处理的睡眠数据为时间序列数据；

第一输入模块302，用于将所述待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧所述待处理的睡眠数据之后的预测特征；其中，所述自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层，所述编码层包括多个第一编码器，所述编码层用于对睡眠数据进行特征提取而得到第一特征，所述递归层用于对所述第一特征进行表征学习而得到第二特征，所述预测层用于将最后一帧对应的第二特征作为输入而得到该第二特征之后的预测特征；

第二输入模块304，用于将所述预测特征输入训练好的睡眠分期模型，得到所述预测特征对应的睡眠分期；其中，所述睡眠分期模型是以已知睡眠数据和所述已知睡眠数据对应的睡眠分期作为样本训练分类器得到的。

在本说明书实施例中，获取模块300可用于执行上述方法实施例中的步骤100，第一输入模块302可用于执行上述方法实施例中的步骤102，第二输入模块304可用于执行上述方法实施例中的步骤104。

在本说明书的一个实施例中，所述睡眠数据包括如下中的至少一种：脑电数据、眼电数据、下颌肌电数据、心电数据、胸带数据、腹带数据、脉搏波数据、腿动数据、鼾声数据、脉率数据和血氧饱和度数据。

在本说明书的一个实施例中，所述递归层包括多个第一递归神经网络和一个第二递归神经网络，每个所述第一编码器的输出分别作为一个所述第一递归神经网络的输入，所有所述第一递归神经网络的输出作为所述第二递归神经网络的输入；

所述第一递归神经网络用于对每个所述第一编码器输出的第一特征进行表征学习而得到过渡特征，所述第二递归神经网络用于对所有所述第一递归神经网络输出的过渡特征进行表征学习而得到第二特征。

在本说明书的一个实施例中，所述自监督学习模型是通过如下方式训练的：

获取多帧待训练的睡眠数据；其中，所述待训练的睡眠数据为时间序列数据；

将所述待训练的睡眠数据按照时间顺序划分成多个训练批次；其中，每个所述训练批次均包括n帧睡眠数据，n为大于等于3的正整数；

针对每一个训练批次，均执行：

将当前训练批次的m帧睡眠数据输入到待训练的自监督学习模型中，得到所述m帧睡眠数据对应的最后一帧之后的样本预测特征；其中，m为大于1且小于n的正整数，所述样本预测特征的帧数为n-m；

将n-m帧睡眠数据中的每帧睡眠数据分别输入到一个第二编码器中，得到n-m帧睡眠数据的样本特征；其中，所述第二编码器的结构与所述第一编码器的结构相同；

基于每一帧分别对应的所述样本预测特征和所述样本特征，确定正样本对和负样本对；

将所述正样本对和所述负样本对输入到预设的损失函数中，以对待训练的自监督学习模型进行训练，直至所述损失函数的结果符合预期结果或完成所有训练批次的睡眠数据的训练。

在本说明书的一个实施例中，所述基于每一帧分别对应的所述样本预测特征和所述样本特征，确定正样本对和负样本对，包括：

将每一帧分别对应的所述样本预测特征和所述样本特征作为当前帧的正样本对；

针对每一帧，将当前帧对应的样本特征中的每个数值依次进行乘以随机数和添加高斯噪声的处理，得到当前帧对应的处理后样本特征；

将每一帧分别对应的所述样本预测特征和所述处理后样本特征作为当前帧的负样本对。

在本说明书的一个实施例中，所述损失函数为正样本对的互信息与正样本对的互信息和预设个数的负样本对的互信息之和的商。

在本说明书的一个实施例中，所述第二输入模块，用于执行如下操作：

将所述预测特征输入训练好的目标神经网络，得到目标特征；其中，所述目标神经网络是以已知正样本对和已知负样本对作为样本训练孪生神经网络得到的；

将所述预测特征和所述目标特征进行特征融合，得到目标预测特征；其中，所述预测特征和所述目标预测特征的维度相同；

将所述目标预测特征输入训练好的睡眠分期模型，得到所述目标预测特征对应的睡眠分期。

在本说明书的一个实施例中，所述孪生神经网络包括两个网络结构相同的第一神经网络和第二神经网络，所述第一神经网络和所述第二神经网络的参数共享，所述目标神经网络为完成参数更新的所述第一神经网络或所述第二神经网络。

在本说明书的一个实施例中，所述目标神经网络具体是通过如下方式得到的：

将所述已知正样本对或所述已知负样本对分别输入所述第一神经网络和所述第二神经网络中，输出第三特征和第四特征；

将所述第三特征和所述第四特征输入预设的对比损失函数，得到损失值；其中，所述对比损失函数与所述已知正样本对和所述已知负样本对有关；

基于所述损失值对所述第一神经网络和所述第二神经网络的参数进行更新；

将完成参数更新的所述第一神经网络或所述第二神经网络作为目标神经网络。

在本说明书的一个实施例中，所述孪生神经网络还包括一个全连接神经网络；

所述将所述第三特征和所述第四特征输入预设的对比损失函数，包括：

将所述第三特征和所述第四特征输入所述全连接神经网络，得到标准向量；

将所述标准向量输入预设的交叉熵损失函数，得到预测值；

在所述预测值大于预设阈值时，将所述第三特征和所述第四特征输入预设的对比损失函数。

在本说明书的一个实施例中，所述对比损失函数为：

，

式中，N为样本个数，n表示具体样本编号，n取值范围是1~N，y为两个样本是否匹配的标签，y=1表示两个样本匹配，y=0表示两个样本不匹配，d为两个样本的欧氏距离，margin为预设的欧氏距离阈值。

在本说明书的一个实施例中，所述第二输入模块在执行所述将所述预测特征和所述目标特征进行特征融合，得到目标预测特征时，用于执行如下操作：

将所述目标特征进行维度变换，以使所述目标特征与所述预测特征的维度相同；

将进行维度变换后的所述目标特征和所述预测特征进行加权融合，得到目标预测特征。

可以理解的是，本说明书实施例示意的结构并不构成对一种基于自监督的睡眠分期装置的具体限定。在本说明书的另一些实施例中，一种基于自监督的睡眠分期装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。

上述装置内的各模块之间的信息交互、执行过程等内容，由于与本说明书方法实施例基于同一构思，具体内容可参见本说明书方法实施例中的叙述，此处不再赘述。

本说明书实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例中的一种基于自监督的睡眠分期方法。

本说明书实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本说明书任一实施例中的一种基于自监督的睡眠分期方法。

具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机（或CPU或MPU）读出并执行存储在存储介质中的程序代码。

在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本说明书的一部分。

用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。

此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。

此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。

需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。

最后应说明的是：以上实施例仅用以说明本说明书的技术方案，而非对其限制；尽管参照前述实施例对本说明书进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本说明书各实施例技术方案的精神和范围。

Claims (9)

1.一种基于自监督的睡眠分期方法，其特征在于，包括：

获取至少一帧待处理的睡眠数据；其中，所述待处理的睡眠数据为时间序列数据；

将所述待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧所述待处理的睡眠数据之后的预测特征；其中，所述自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层，所述编码层包括多个第一编码器，所述编码层用于对睡眠数据进行特征提取而得到第一特征，所述递归层用于对所述第一特征进行表征学习而得到第二特征，所述预测层用于将最后一帧对应的第二特征作为输入而得到该第二特征之后的预测特征；

将所述预测特征输入训练好的睡眠分期模型，得到所述预测特征对应的睡眠分期；其中，所述睡眠分期模型是以已知睡眠数据的样本特征和所述已知睡眠数据对应的睡眠分期作为样本训练分类器得到的；

所述自监督学习模型是通过如下方式训练的：

获取多帧待训练的睡眠数据；其中，所述待训练的睡眠数据为时间序列数据；

将所述待训练的睡眠数据按照时间顺序划分成多个训练批次；其中，每个所述训练批次均包括n帧睡眠数据，n为大于等于3的正整数；

针对每一个训练批次，均执行：

将当前训练批次的m帧睡眠数据输入到待训练的自监督学习模型中，得到所述m帧睡眠数据中最后一帧之后的样本预测特征；其中，m为大于1且小于n的正整数，所述样本预测特征的帧数为n-m；

将n-m帧睡眠数据中的每帧睡眠数据分别输入到一个第二编码器中，得到n-m帧睡眠数据的样本特征；其中，所述第二编码器的结构与所述第一编码器的结构相同；

基于每一帧分别对应的所述样本预测特征和所述样本特征，确定正样本对和负样本对；

将所述正样本对和所述负样本对输入到预设的损失函数中，以对待训练的自监督学习模型进行训练，直至所述损失函数的结果符合预期结果或完成所有训练批次的睡眠数据的训练。

2.根据权利要求1所述的方法，其特征在于，所述睡眠数据包括如下中的至少一种：脑电数据、眼电数据、下颌肌电数据、心电数据、胸带数据、腹带数据、脉搏波数据、腿动数据、鼾声数据、脉率数据和血氧饱和度数据。

3.根据权利要求1所述的方法，其特征在于，所述递归层包括多个第一递归神经网络和一个第二递归神经网络，每个所述第一编码器的输出分别作为一个所述第一递归神经网络的输入，所有所述第一递归神经网络的输出作为所述第二递归神经网络的输入；

所述第一递归神经网络用于对每个所述第一编码器输出的第一特征进行表征学习而得到过渡特征，所述第二递归神经网络用于对所有所述第一递归神经网络输出的过渡特征进行表征学习而得到第二特征。

4.根据权利要求1所述的方法，其特征在于，所述基于每一帧分别对应的所述样本预测特征和所述样本特征，确定正样本对和负样本对，包括：

将每一帧分别对应的所述样本预测特征和所述样本特征作为当前帧的正样本对；

针对每一帧，将当前帧对应的样本特征中的每个数值依次进行乘以随机数和添加高斯噪声的处理，得到当前帧对应的处理后样本特征；

将每一帧分别对应的所述样本预测特征和所述处理后样本特征作为当前帧的负样本对。

5.根据权利要求1所述的方法，其特征在于，所述损失函数为正样本对的互信息与正样本对的互信息和预设个数的负样本对的互信息之和的商。

6.根据权利要求1所述的方法，其特征在于，所述将所述预测特征输入训练好的睡眠分期模型，得到所述预测特征对应的睡眠分期，包括：

将所述预测特征输入训练好的目标神经网络，得到目标特征；其中，所述目标神经网络是以已知正样本对和已知负样本对作为样本训练孪生神经网络得到的；

将所述预测特征和所述目标特征进行特征融合，得到目标预测特征；其中，所述预测特征和所述目标预测特征的维度相同；

将所述目标预测特征输入训练好的睡眠分期模型，得到所述目标预测特征对应的睡眠分期。

7.一种基于自监督的睡眠分期装置，其特征在于，包括：

获取模块，用于获取至少一帧待处理的睡眠数据；其中，所述待处理的睡眠数据为时间序列数据；

第一输入模块，用于将所述待处理的睡眠数据输入训练好的自监督学习模型，得到最后一帧所述待处理的睡眠数据之后的预测特征；其中，所述自监督学习模型包括按照数据处理顺序依次连接的编码层、递归层和预测层，所述编码层包括多个第一编码器，所述编码层用于对睡眠数据进行特征提取而得到第一特征，所述递归层用于对所述第一特征进行表征学习而得到第二特征，所述预测层用于将最后一帧对应的第二特征作为输入而得到该第二特征之后的预测特征；

第二输入模块，用于将所述预测特征输入训练好的睡眠分期模型，得到所述预测特征对应的睡眠分期；其中，所述睡眠分期模型是以已知睡眠数据的样本特征和所述已知睡眠数据对应的睡眠分期作为样本训练分类器得到的；

所述自监督学习模型是通过如下方式训练的：

获取多帧待训练的睡眠数据；其中，所述待训练的睡眠数据为时间序列数据；

将所述待训练的睡眠数据按照时间顺序划分成多个训练批次；其中，每个所述训练批次均包括n帧睡眠数据，n为大于等于3的正整数；

针对每一个训练批次，均执行：

将当前训练批次的m帧睡眠数据输入到待训练的自监督学习模型中，得到所述m帧睡眠数据对应的最后一帧之后的样本预测特征；其中，m为大于1且小于n的正整数，所述样本预测特征的帧数为n-m；

将n-m帧睡眠数据中的每帧睡眠数据分别输入到一个第二编码器中，得到n-m帧睡眠数据的样本特征；其中，所述第二编码器的结构与所述第一编码器的结构相同；

基于每一帧分别对应的所述样本预测特征和所述样本特征，确定正样本对和负样本对；

将所述正样本对和所述负样本对输入到预设的损失函数中，以对待训练的自监督学习模型进行训练，直至所述损失函数的结果符合预期结果或完成所有训练批次的睡眠数据的训练。

8.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-6中任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-6中任一项所述的方法。

Images