CN115607170A - 一种基于单通道脑电信号的轻量级睡眠分期方法及应用 - Google Patents
一种基于单通道脑电信号的轻量级睡眠分期方法及应用 Download PDFInfo
- Publication number
- CN115607170A CN115607170A CN202211442688.XA CN202211442688A CN115607170A CN 115607170 A CN115607170 A CN 115607170A CN 202211442688 A CN202211442688 A CN 202211442688A CN 115607170 A CN115607170 A CN 115607170A
- Authority
- CN
- China
- Prior art keywords
- layer
- channel
- lightweight
- sleep
- sleep staging
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000011478 gradient descent method Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 41
- 230000008667 sleep stage Effects 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 241000894007 species Species 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 101100533306 Mus musculus Setx gene Proteins 0.000 claims description 3
- 241001131927 Placea Species 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000002570 electrooculography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000002700 urine Anatomy 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
- A61B5/369—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
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于单通道脑电信号的轻量级睡眠分期方法及应用，其步骤包括：1、对整晚原始脑电信号和标签预处理，包括通道选择、切片，得到训练样本；2、基于深度可分离卷积、通道打乱、通道均分等操作构建睡眠分期模型；3、采用Logit Adjustment损失函数建立优化目标；4、输入训练样本对模型进行训练，采用梯度下降法优化网络参数。本发明能在降低模型复杂度的同时提升睡眠分期准确率。
Description
技术领域
本发明涉及脑电信号处理及健康监测领域，尤其涉及一种基于单通道脑电信号的轻量级睡眠分期方法。
背景技术
睡眠是一种复杂的生理状态，是生命健康的基本需求。睡眠阶段按照AASM标准可分为W、N1、N2、N3、REM五期，准确掌握睡眠分期的结果有利于人体健康检测和分析睡眠质量。
目前，实现睡眠阶段分期的人工手段是借助多导睡眠监测(Polysomnography,PSG)对整晚的睡眠状态进行监测，首先获取脑电图（Electroencephalogram, EEG）、眼电图、心电图等电生理信号，然后依据睡眠分期手册以30s时间长度为一帧对PSG信号进行逐帧判读，最终获得整晚的睡眠分期结果，然而这种人工分期方法价格昂贵、耗时、费力。传统的自动睡眠分期方法是借助信号处理和生物医学相关的先验知识，首先从原始脑电信号中提取手工特征，然后将特征输入分类器进行睡眠分期，这种方案对特征提取要求高，需要有丰富的先验知识，方法鲁棒性较差，准确率较低。随着深度学习技术在睡眠分期领域的应用，可实现自动睡眠分期以节省人力，然而目前基于深度学习的方案为了提升准确率多通过加深网络层次、使用脑电加眼电加肌电等不同模态电生理信号的组合作为网络的输入、将一维时序信号转换为二维特征图作为网络的输入等方案实现，此类方法增加了模型复杂度、计算量较大，忽略了轻量级模型有利于睡眠分期算法的移动端部署，轻量级的算法也更适用于居家环境下睡眠检测的需求。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于单通道脑电信号的轻量级睡眠分期方法及应用，以期通过设计基于深度可分离卷积和通道打乱等操作的分类模型，仅使用单通道脑电信号即可实现端到端的睡眠分期，从而能在降低模型复杂度的同时提升睡眠分期准确率。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于单通道脑电信号的轻量级睡眠分期方法的特点在于，包括以下步骤：
步骤1、获取带有睡眠分期标签信息的多导睡眠监测信号，选取多导睡眠监测信号中的1个通道脑电信号进行切片分割，分割成N个时间长度为δ的训练样本，从而得到训练样本集记为X={x 1,x 2,…x j ,…,x N }，其中，x j ∈R 1×n 表示第j个训练样本，n = f ×δ为脑电信号采样点数，f为脑电采样频率，令所述训练样本集X对应的睡眠分期标签集为Y={y 1,y 2,…y j ,…,y N }，其中，y j 表示第j个训练样本x j 的睡眠分期标签，y j ∈{1,2，,…,M}，M表示睡眠分期类别总数；
步骤2、搭建基于单通道脑电信号的轻量级睡眠分期网络，包括：初始卷积层、特征融合模块、通道打乱层、通道均分层、残差模块、分类模块；
步骤3、利用轻量级睡眠分期网络对所述训练样本x j 进行处理，得到网络输出得分；
步骤4、利用式(1)构建轻量级睡眠分期网络的损失函数L：
式(1)中，
和
分别为第m种类别和第
种类别在训练样本集中的先验
概率，τ > 0为调节因子；
表示训练样本x j 在第
种类别上的得分；
∈{1,
2,…,M}。
步骤5、利用梯度下降法对所述轻量级睡眠分期网络进行训练，并最小化所述损失函数L以优化网络参数，直到所述损失函数L收敛为止，获得最优轻量级睡眠分期模型，用于实现单通道脑电信号的睡眠分期。
本发明所述的基于单通道脑电信号的轻量级睡眠分期方法的特点也在于，所述步骤2中的轻量级睡眠分期网络具体包括：
所述初始卷积层依次包含：步长为s、卷积核为k×1的一维卷积层，第一BN归一化层、第一ReLu非线性激活层、卷积核为k×1的最大池层、第一Point-wise卷积层、第二BN归一化层、第二ReLu非线性激活层；
所述特征融合模块包含两个分支，第一分支依次包含：第一Depth-wise 卷积层、第三BN归一化层、第二Point-wise卷积层、第四BN归一化层、第三ReLu非线性激活层；
第二分支依次包含：第二Depth-wise 卷积层、第五BN归一化层、第三Point-wise卷积层、第六BN归一化层、第四ReLu非线性激活层；
所述残差模块包括一条短接的分支和一条特征融合分支，特征融合分支依次包括：第四Point-wise卷积层、第七BN归一化层、第五ReLu非线性激活层、第三Depth-wise 卷积层、第八BN归一化层、第五Point-wise卷积层、第九BN归一化层、第六ReLu非线性激活层；
所述分类模块依次包括：第六Point-wise卷积层、第十BN归一化层、第七ReLu非线性激活层、全局平均池化层、全连接层。
所述步骤3中的轻量级睡眠分期网络是按如下过程对训练样本x j 进行处理：
步骤3.1、将所述训练样本x j 输入所述基于单通道脑电信号的轻量级睡眠分期网
络中，并经过初始卷积层的初步特征提取和冗余信息去除后，得到特征图
，
其中，c,w分别为特征图
的通道数和特征图长度；
步骤3.2、特征图
并行经过所述特征融合模块的第一分支和第二分
支的处理后，相应输出通道数为c的第一特征图
和第二特征图
，将
和
在通道维度进行连接操作
后得到新的特征图
，其中，w 2为新特征图
的长度；
步骤3.3、所述通道打乱层对新的特征图
进行通道打乱操
作，得到打乱后的特征图
；
步骤3.4、所述通道均分层对打乱后的特征图
进行通道均
分操作，得到两个通道数为c的第三特征图
和第四特征图
；
所述第四特征图
经过残差模块的特征融合分支处理后，得到
第五特征图
，所述第三特征图
经过残差模块中短接
的分支与第五特征图
在通道维度进行连接操作得到融合后的特征图
；
步骤3.5、融合后的特征图
输入分类模块中进行处理，得到
所述训练样本x j 对应的网络输出得分
；其中，Score j,m 表示训练样本x j 在第m
种类别上的得分；m∈{1,2，,…,M}。
本发明一种电子设备，包括存储器以及处理器，其特点在于，所述存储器用于存储支持处理器执行所述轻量级睡眠分期方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特点在于， 所述计算机程序被处理器运行时执行所述轻量级睡眠分期方法的步骤。
与现有技术相比，本发明的有益效果在于：
1、相比人工标注的睡眠分期方法，本发明通过设计端到端的深度学习模型，自动实现了睡眠分期任务，可节省人力资源、提升了睡眠分期工作的效率。
2、相比于传统的自动睡眠分期方案，本发明通过设计基于单通道原始脑电信号的特征提取网络，不需要信号处理或生物医学相关的先验知识进行复杂的特征提取和筛选工作，降低了睡眠分期算法实现难度。
3、相比于现有基于深度学习的睡眠分期方案，本发明通过设计适用于睡眠分期任务的特征融合模块，在不同的时间尺度提取到有效的脑电特征，通道打乱层、通道均分层和残差模块的设计既降低了模型复杂度又保证了不同通道特征图的融合，使得网络具有高效的特征提取能力，从而提升了睡眠分期准确率，分类模块中的全局平均池化层又进一步减少了模型的可训练参数。本发明的模型可训练参数仅有41.67K，为睡眠分期提供了一种轻量级适合移动部署的解决方案。
4、本发明使用Logit Adjustment损失函数作为网络优化目标，借助各类别在训练样本集中的先验概率，在网络训练过程中自适应地平衡对各类别的关注，以应对睡眠分期类别不平衡的问题，提升了睡眠分期准确率。
附图说明
图1为本发明方法的流程图；
图2为本发明分类模型的整体框架图；
图3为本发明特征融合模块和残差模块的结构图；
图4为本发明方法中通道打乱和通道均分的操作说明图。
具体实施方式
本实施例中，一种基于单通道脑电信号的轻量级睡眠分期方法，设计了适用于睡眠分期任务的特征融合模块，可在不同的时间尺度提取脑电特征，利用深度可分离卷积设计更适用于睡眠分期任务的网络结构，保证可充分提取脑电信号特征的能力，从而提升睡眠分期准确率，借助通道打乱层、通道均分层和残差模块的设计既降低了模型复杂度又保证了不同通道特征图的融合，使用Logit Adjustment损失函数作为网络优化目标，借助各类别在训练集中的先验概率，在网络训练过程中自适应地平衡对各类别的关注，以应对睡眠分期类别不平衡的问题，提升睡眠分期准确率。整体的步骤流程图如图1所示，具体的说，包括以下步骤：
步骤1、获取带有睡眠分期标签信息的多导睡眠监测信号，选取多导睡眠监测信号
中的1个通道脑电信号进行切片分割，分割成N个时间长度为
的训练样本，从而得到训练
样本集记为X={x 1,x 2,…x j ,…,x N }，其中，x j ∈R 1×n 表示第j个训练样本，n = f ×δ为脑电信
号采样点数，f为脑电采样频率，令训练样本集X对应的睡眠分期标签集为Y={y 1,y 2,…,y j ,…,y N }，其中，y j 表示第j个训练样本x j 的睡眠分期标签，y j ∈{1,2,…,M}，M表示睡眠分期
类别总数；
本实例中使用的是公开数据集Sleep-EDF-20，数据集包含20名被试，使用的脑电信号通道为Fpz-Cz。实验采用个体独立的验证方法，19名被试的数据作为训练集，1名被试的数据作为测试集。
步骤2、搭建基于单通道脑电信号的轻量级睡眠分期网络，包括：初始卷积层、特征融合模块、通道打乱层、通道均分层、残差模块、分类模块，如图2所示
初始卷积层依次包含：步长为s、卷积核为k×1的一维卷积层，第一BN归一化层、第一ReLu非线性激活层、卷积核为k×1的最大池层、第一Point-wise卷积层、第二BN归一化层、第二ReLu非线性激活层。
本实例中一维卷积层的输入通道数为1、输出通道数为64、卷积核大小为8×1、步长s=2，padding=1，最大池化层的卷积核大小为8×1，步长s=2，padding=1，第一Point-wise卷积层的输入输出通道为64。
特征融合模块包含两个分支，如图3中的特征融合模块所示。第一分支依次包含：第一Depth-wise 卷积层、第三BN归一化层、第二Point-wise卷积层、第四BN归一化层、第三ReLu非线性激活层。
第二分支依次包含：第二Depth-wise 卷积层、第五BN归一化层、第三Point-wise卷积层、第六BN归一化层、第四ReLu非线性激活层；
为了在不同尺度上提取脑电信号特征，特征融合模块的两条分支中的Depth-wise卷积层使用尺寸一大一小的卷积核。脑电信号为一维时序图，卷积核的大小便对应着时间上的不同尺度，时间上的不同尺度也对应着频域上的不同尺度，特征融合模块有效的提取了脑电信号中的时频域特征。本实例中，第一Depth-wise 卷积层的输入输出通道均为64，卷积核大小为5×1，步长为2，padding=2，第二Point-wise卷积层的输入输出通道为64。第二Depth-wise 卷积层的输入输出通道均为64，卷积核大小为15×1，步长为2，padding=7。
残差模块是为了进一步的特征融合和降低模型复杂度，其包括一条短接的分支和一条特征融合分支，特征融合分支依次包括：第四Point-wise卷积层、第七BN归一化层、第五ReLu非线性激活层、第三Depth-wise 卷积层、第八BN归一化层、第五Point-wise卷积层、第九BN归一化层、第六ReLu非线性激活层；
本实例中，第四Point-wise卷积层的输入输出通道为64，第三Depth-wise 卷积层的输入输出通道均为64，卷积核大小为15×1，步长为2，padding=7，第五Point-wise卷积层的输入输出通道为64。
分类模块依次包括：第六Point-wise卷积层、第十BN归一化层、第七ReLu非线性激活层、全局平均池化层、全连接层；
本实例中，第六Point-wise卷积层的输入通道为128，输出通道为128。
步骤2.1、将训练样本x j 输入基于单通道脑电信号的轻量级睡眠分期网络中，并经
过初始卷积层的初步特征提取和冗余信息去除后，得到特征图
，其中，c,w分别
为特征图
的通道数和特征图长度；
步骤2.2、特征图
并行经过特征融合模块的第一分支和第二分支的处
理后，相应输出通道数为c的第一特征图
和第二特征图
，将
和
在通道维度进行连接操作后得到新的特征图
，其中，w 2为新特征图
的长度；
步骤2.3、通道打乱层对新的特征图
进行通道打乱操作，得到
打乱后的特征图
保证特征融合模块两个分支的特征图均可以进入残
差模块的两个分支，因此特征信息可以在不同分支之间传递，达到特征充分融合的目的，图
4展示了通道打乱和通道均分的操作过程。
步骤2.4、通道均分层对打乱后的特征图
进行通道均分操
作，得到两个通道数为c的第三特征图
和第四特征图
，
通道均分是为了将特征图的
通道数降半，降低计算量。
第四特征图
经过残差模块的特征融合分支处理后，得到第五特征
图
，第三特征图
经过残差模块中短接的分支与第五特征
图
在通道维度进行连接操作得到融合后的特征图
；
步骤2.5、融合后的特征图
输入分类模块中进行处理，得到训练
样本x j 对应的网络输出得分
；其中，Score j,m 表示训练样本x j 在第m种类别上
的得分；m∈{1,2,…,M}；
步骤3、利用式(1)构建轻量级睡眠分期网络的损失函数L：
式(1)中，
和
分别为第m种类别和第
种类别在训练样本集中的先验
概率，τ > 0为调节因子；
表示训练样本x j 在第
种类别上的得分；
∈{1,
2,…,M}。
步骤4、利用梯度下降法对轻量级睡眠分期网络进行训练，并最小化损失函数L以优化网络参数，直到损失函数L收敛为止，获得最优轻量级睡眠分期模型，用于实现单通道脑电信号的睡眠分期，本实例中梯度下降方法为SGD，动量设置为0.9。
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述轻量级睡眠分期方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
本实施例中，一计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述轻量级睡眠分期方法的步骤。
根据AASM睡眠分期标准，本方法将睡眠阶段分为五期，分别为W、N1、N2、N3、REM。为了说明本发明方案的性能，使用了近期期刊文献报道的睡眠分期方案性能与本发明的上述方案性能进行了对比，如表1所示：
表1. 不同方法在SleepEDF-20数据集的睡眠分期性能对比
对比的指标为模型可训练参数量、睡眠分期准确率、各期分类的F1指数。所有对比方案和本发明均采用SleepEDF-20数据集、并采用个体独立验证方案，个体独立表示，测试数据不参与模型训练，本发明与其他方案的对比结果如表1所示，本发明的模型可训练参数量最低，表示模型最轻量，平均分期准确率最高，说明本发明有效降低了模型参数量并显著提升了睡眠分期性能。
综上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种基于单通道脑电信号的轻量级睡眠分期方法，其特征在于，包括以下步骤：
步骤1、获取带有睡眠分期标签信息的多导睡眠监测信号，选取多导睡眠监测信号中的1个通道脑电信号进行切片分割，分割成N个时间长度为δ的训练样本，从而得到训练样本集记为X={x 1, x 2, … x j , …, x N }，其中，x j ∈R 1×n 表示第j个训练样本，n = f ×δ为脑电信号采样点数，f为脑电采样频率，令所述训练样本集X对应的睡眠分期标签集为Y={y 1,y 2,…,y j ,…,y N }，其中，y j 表示第j个训练样本x j 的睡眠分期标签，y j ∈{1,2,…,M}，M表示睡眠分期类别总数；
步骤2、搭建基于单通道脑电信号的轻量级睡眠分期网络，包括：初始卷积层、特征融合模块、通道打乱层、通道均分层、残差模块、分类模块；
步骤3、利用轻量级睡眠分期网络对所述训练样本x j 进行处理，得到网络输出得分；
步骤4、利用式(1)构建轻量级睡眠分期网络的损失函数L：
式(1)中， p(m)和
分别为第m种类别和第
种类别在训练样本集中的先验概
率，τ > 0为调节因子；
表示训练样本x j 在第
种类别上的得分；
∈{1,
2,…,M}；
步骤5、利用梯度下降法对所述轻量级睡眠分期网络进行训练，并最小化所述损失函数L以优化网络参数，直到所述损失函数L收敛为止，获得最优轻量级睡眠分期模型，用于实现单通道脑电信号的睡眠分期。
2.根据权利要求1所述的基于单通道脑电信号的轻量级睡眠分期方法，其特征在于，所述步骤2中的轻量级睡眠分期网络具体包括：
所述初始卷积层依次包含：步长为s、卷积核为k×1的一维卷积层，第一BN归一化层、第一ReLu非线性激活层、卷积核为k×1的最大池层、第一Point-wise卷积层、第二BN归一化层、第二ReLu非线性激活层；
所述特征融合模块包含两个分支，第一分支依次包含：第一Depth-wise 卷积层、第三BN归一化层、第二Point-wise卷积层、第四BN归一化层、第三ReLu非线性激活层；
第二分支依次包含：第二Depth-wise 卷积层、第五BN归一化层、第三Point-wise卷积层、第六BN归一化层、第四ReLu非线性激活层；
所述残差模块包括一条短接的分支和一条特征融合分支，特征融合分支依次包括：第四Point-wise卷积层、第七BN归一化层、第五ReLu非线性激活层、第三Depth-wise 卷积层、第八BN归一化层、第五Point-wise卷积层、第九BN归一化层、第六ReLu非线性激活层；
所述分类模块依次包括：第六Point-wise卷积层、第十BN归一化层、第七ReLu非线性激活层、全局平均池化层、全连接层。
3.根据权利要求2所述的基于单通道脑电信号的轻量级睡眠分期方法，其特征在于，所述步骤3中的轻量级睡眠分期网络是按如下过程对训练样本x j 进行处理：
步骤3.1、将所述训练样本x j 输入所述基于单通道脑电信号的轻量级睡眠分期网络中，
并经过初始卷积层的初步特征提取和冗余信息去除后，得到特征图
，其中，c和w
分别为特征图
的通道数和特征图长度；
步骤3.2、特征图
并行经过所述特征融合模块的第一分支和第二分支的处理
后，相应输出通道数为c的第一特征图
和第二特征图
，将
和
在通道维度进行连接操作后得到新的特征图
，其
中，w 2为新特征图
的长度；
步骤3.3、所述通道打乱层对新的特征图
进行通道打乱操作，得到打乱后
的特征图
；
步骤3.4、所述通道均分层对打乱后的特征图
进行通道均分操作，得到两
个通道数为c的第三特征图
和第四特征图
；
所述第四特征图
经过残差模块的特征融合分支处理后，得到第五特征图
，所述第三特征图
经过残差模块中短接的分支与第五特征图
在通道维度进行连接操作得到融合后的特征图
；
步骤3.5、融合后的特征图
输入分类模块中进行处理，得到所述训练样本x j 对应的网络输出得分
；其中，Score j,m 表示训练样本x j 在第m种类别上的得
分；m∈{1,2,…,M}。
4.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-3中任一所述轻量级睡眠分期方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
5.一种计算机可读存储介质，计算机可读存储介质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运行时执行权利要求1-3中任一所述轻量级睡眠分期方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211442688.XA CN115607170B (zh) | 2022-11-18 | 2022-11-18 | 一种基于单通道脑电信号的轻量级睡眠分期方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211442688.XA CN115607170B (zh) | 2022-11-18 | 2022-11-18 | 一种基于单通道脑电信号的轻量级睡眠分期方法及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115607170A true CN115607170A (zh) | 2023-01-17 |
| CN115607170B CN115607170B (zh) | 2023-04-25 |
Family
ID=84878398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211442688.XA Active CN115607170B (zh) | 2022-11-18 | 2022-11-18 | 一种基于单通道脑电信号的轻量级睡眠分期方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115607170B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109753996A (zh) * | 2018-12-17 | 2019-05-14 | 西北工业大学 | 基于三维轻量化深度网络的高光谱图像分类方法 |
| 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 |
| CN112641451A (zh) * | 2020-12-18 | 2021-04-13 | 北方工业大学 | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 |
| CN112766355A (zh) * | 2021-01-13 | 2021-05-07 | 合肥工业大学 | 一种标签噪声下的脑电信号情绪识别方法 |
| 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 |
| WO2021230775A1 (ru) * | 2020-05-15 | 2021-11-18 | ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" | Способ определения фазы сна в длительной записи ээг |
| CN114067153A (zh) * | 2021-11-02 | 2022-02-18 | 暨南大学 | 基于并行双注意力轻量残差网络的图像分类方法及系统 |
| CN114595725A (zh) * | 2022-03-15 | 2022-06-07 | 合肥工业大学 | 一种基于加法网络和监督对比学习的脑电信号分类方法 |
| CN115105020A (zh) * | 2022-05-30 | 2022-09-27 | 兰州大学第二医院 | 一种患者睡眠状态监测系统 |
-
2022
- 2022-11-18 CN CN202211442688.XA patent/CN115607170B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109753996A (zh) * | 2018-12-17 | 2019-05-14 | 西北工业大学 | 基于三维轻量化深度网络的高光谱图像分类方法 |
| 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 |
| WO2021230775A1 (ru) * | 2020-05-15 | 2021-11-18 | ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" | Способ определения фазы сна в длительной записи ээг |
| CN112641451A (zh) * | 2020-12-18 | 2021-04-13 | 北方工业大学 | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 |
| CN112766355A (zh) * | 2021-01-13 | 2021-05-07 | 合肥工业大学 | 一种标签噪声下的脑电信号情绪识别方法 |
| 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 |
| CN114067153A (zh) * | 2021-11-02 | 2022-02-18 | 暨南大学 | 基于并行双注意力轻量残差网络的图像分类方法及系统 |
| CN114595725A (zh) * | 2022-03-15 | 2022-06-07 | 合肥工业大学 | 一种基于加法网络和监督对比学习的脑电信号分类方法 |
| CN115105020A (zh) * | 2022-05-30 | 2022-09-27 | 兰州大学第二医院 | 一种患者睡眠状态监测系统 |
Non-Patent Citations (1)
| Title |
|---|
| YIQIAO LIAO: "LightSleepNet: Design of a Personalized Portable Sleep Staging System Based on Single-Channel EEG" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115607170B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111832416B (zh) | 一种基于增强卷积神经网络的运动想象脑电信号识别方法 | |
| US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
| CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
| CN107194158A (zh) | 一种基于图像识别的疾病辅助诊断方法 | |
| EP3614301A1 (en) | Artificial intelligence-based interference recognition method for electrocardiogram | |
| CN108542386B (zh) | 一种基于单通道eeg信号的睡眠状态检测方法和系统 | |
| CN110731773B (zh) | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 | |
| CN113314205A (zh) | 一种高效的医学影像标注与学习系统 | |
| CN112043260B (zh) | 基于局部模式变换的心电图分类方法 | |
| CN113076878B (zh) | 基于注意力机制卷积网络结构的体质辨识方法 | |
| CN107330393A (zh) | 一种基于视频分析的新生儿疼痛表情识别方法 | |
| CN116072265B (zh) | 基于时间自注意力与动态图卷积的睡眠分期分析系统及方法 | |
| 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 | |
| CN107193378A (zh) | 基于脑电波机器学习的情感判定装置及方法 | |
| CN109508755A (zh) | 一种基于图像认知的心理测评方法 | |
| CN115630314A (zh) | 一种基于改进的Inception网络运动想象脑电信号分类方法 | |
| Xie et al. | WT feature based emotion recognition from multi-channel physiological signals with decision fusion | |
| CN116503668A (zh) | 一种基于小样本元学习的医学影像分类方法 | |
| Chen et al. | Intelligent teaching evaluation system integrating facial expression and behavior recognition in teaching video | |
| CN110811591A (zh) | 一种基于心率变异性的心力衰竭分级方法 | |
| CN113255789A (zh) | 基于对抗网络和多被试脑电信号的视频质量评价方法 | |
| CN103488297A (zh) | 一种基于脑机接口的在线半监督文字输入系统及方法 | |
| CN115607170A (zh) | 一种基于单通道脑电信号的轻量级睡眠分期方法及应用 | |
| CN115399735A (zh) | 基于时频双流增强的多头注意机制睡眠分期方法 | |
| CN114081492A (zh) | 一种基于可学习邻接矩阵的脑电情绪识别系统 |
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 |