CN116035598B - 一种睡眠纺锤波智能识别方法及系统 - Google Patents

Abstract

本发明涉及一种睡眠纺锤波智能识别方法及系统。该方法包括：获取标注的脑电波信号；对获取的标注的脑电波信号按照时间进行分段，得到脑电信号片段；对脑电信号片段进行同步挤压小波变换；将同步挤压小波变换后的一维脑电信号转换为二维时频图；利用二维时频图训练睡眠纺锤波分类识别神经网络；将待识别的脑电波信号进行分段并进行同步挤压小波变换后输入到训练完成后的睡眠纺锤波分级分类识别神经网络，识别出待识别的脑电波信号中是否包含纺锤波信号。本发明利用同步挤压小波变换和ConvNeXt网络的优势，提出一种基于同步挤压小波变换和迁移学习的睡眠纺锤波智能识别方法及系统，能够解决现有技术中存在的鲁棒性差以及效率低等技术问题。

Description

一种睡眠纺锤波智能识别方法及系统

技术领域

本发明属于信息技术、医疗技术领域，具体涉及一种基于同步挤压小波变换和迁移学习的睡眠纺锤波智能识别方法及系统。

背景技术

根据世界卫生组织的调查显示，27%的人具有睡眠问题，睡眠障碍已经成为威胁公众健康的突出问题。然而目前睡眠障碍疾病的诊断大多还是依靠睡眠质量量表等主观方式进行分析，缺少客观的诊断依据。随着脑电信号的发展，纺锤波逐渐进入了研究者们的视野。睡眠纺锤波反映了11Hz-16Hz频率范围内大脑在睡眠期间的瞬态爆发行为，在脑电图上显示为纺锤状波形。美国睡眠医学学会将其定义为频率在11-16Hz，且持续时长在0.5-3s呈纺锤状的正弦波形。

睡眠纺锤波是所有睡眠信号中非常重要并且具有代表性的波形，主要通过丘脑皮层网络和丘脑网状核的相互作产生。目前，已有相关研究提示睡眠纺锤体与多种脑部疾病如帕金森病、阿尔茨海默病、癫痫、精神分裂症等具有潜在相关性。睡眠纺锤波减弱或消失，在提示脑功能障碍的同时，还往往伴随着器质性改变。有研究表明，对于一些颅脑外伤的患者，纺锤波的出现往往对临床预后具有积极的提示意义。因此，实现纺锤波的自动化、智能化检测，对探索睡眠的生理机制、睡眠障碍、认知活动以及神经生理学研究中有着重要意义。

通过对纺锤波的分析，可以对个体认知、记忆以及部分脑部疾病等健康状况进行研究判别。目前临床上仍把人工检测当作睡眠脑电波分析过程中的金标准，大部分依赖于专家的主观经验，诊断判别结果极易受到专家主观意见和患者的个体性差异的影响。这种方法对医师的专业要求较高，并且不同医师之间的判定结果存在一定差异，往往需要两个或三个医师协同进行标注，过程较为繁琐，造成临床资源的浪费。另一方面，采用传统的算法虽然可以完成纺锤波的自动化检测，但是检测阈值以及特征等主观因素对性能精度的影响较大，这导致模型的实际应用难度较高。因此，开发一种鲁棒性强、性能精度高且应用方法简单的纺锤波识别方法具有极高的临床应用价值。

发明内容

为了解决上述问题，本发明利用同步挤压小波变换和ConvNeXt网络的优势，开发了一种新型的脑电节段纺锤波检测方法，提出了一种基于同步挤压小波变换和迁移学习的睡眠纺锤波智能识别方法及系统，用于解决现有技术方法存在的鲁棒性差以及效率低等技术问题。

本发明采用的技术方案如下：

一种睡眠纺锤波智能识别方法，包括以下步骤：

获取标注的脑电波信号；

对获取的标注的脑电波信号按照时间进行分段，得到脑电信号片段；

对脑电信号片段进行同步挤压小波变换；

将同步挤压小波变换后的一维脑电信号转换为二维时频图；

利用二维时频图训练睡眠纺锤波分类识别神经网络；

将待识别的脑电波信号进行分段并进行同步挤压小波变换后输入到训练完成后的睡眠纺锤波分级分类识别神经网络，识别出待识别的脑电波信号中是否包含纺锤波信号。

进一步地，所述获取标注的脑电波信号，包括：由人工标注出采集的脑电波信号中各纺锤波的关键信号节点，从而获得各纺锤波起始点、终止点和持续时间的具体数值。

进一步地，所述对获取的标注的脑电波信号按照时间进行分段，得到脑电信号片段，包括：

对原始脑电信号进行预处理，包括去噪和重采样；

以标注的纺锤波起始点为基准，向后延伸固定时长的时间段进行分段提取，提取出n个包含纺锤波信号的脑电信号片段，作为训练正样本；随后在非标注脑电信号中随机抽取数量一致的不包含纺锤波信号的相同固定时长的片段，作为训练负样本。

进一步地，所述固定时长优选为1.5s。

进一步地，所述利用二维时频图训练睡眠纺锤波分类识别神经网络，包括：通过迁移学习将二维时频图输入到具有预训练权重的ConvNeXt网络中，对其进行训练，通过ConvNeXt网络得到输出值Y，完成纺锤波的二分类识别。

进一步地，所述ConvNeXt网络的骨干网络分为四个阶段，根据图像大小将二维时频图定义为T×H×W的3维特征数组，表示为X (T×H×W)；

第一个阶段，X经过一个步长为4的4×4的卷积层进行降采样，以达到合适的特征映射大小，特征图缩小至1/4，通道数不变，得到S1（T×H/4×W/4），S1经过标准化层后输入3个ConvNeXt块拼接的模块中，每个ConvNeXt块由步长为1的7×7深度卷积层、标准化层、1×1的卷积层、高斯误差线性单元激活函数以及最后一层1×1的卷积层组成；经过第一阶段的3个ConvNeXt块后的特征图图像大小不变，通道数变为96，得到S2（96×H/4×W/4）；

第二个阶段，S2首先经过降采样模块进行降采样，降采样模块由标准化层以及步长为2的2×2卷积层组成。经过降采样模块后，通道数不变，特征图图像大小减小一半，得到S3（96×H/8×W/8），S3随后经过3个ConvNeXt块拼接的模块中，特征图图像大小不变，通道数为192，得到S4（192×H/8×W/8）；

第三个阶段，S4同样经过降采样模块，得到通道数不变，维度大小减小一半的特征图S5（192×H/16×W/16），S5随后经过9个ConvNeXt块拼接的模块中，特征图图像大小不变，通道数为384，得到S6（384×H/16×W/16）；

第四个阶段，S6经过降采样模块得到S7（384×H/32×W/32），随后经过3个ConvNeXt块拼接的模块，最终得到通道数为768的S8（768×H/32×W/32）。

进一步地，在二维时频图经过所述ConvNetxt网络处理后，将得到的高维特征S8输入全连接层分类模块，所述全连接层分类模块包括全局平均池化层，标准化层以及线性层；经过所述全连接层分类模块后，再经过激活函数，得到输出值来进行纺锤波的二分类识别。

一种睡眠纺锤波智能识别系统，其包括：

信号获取模块，用于获取标注的脑电信号；

预处理模块，用于对获取的标注的脑电信号进行预处理，包括去噪和重采样；

信号分段模块，用于对预处理后的脑电波信号按照时间进行分段，得到脑电信号片段；

同步挤压小波变换模块，用于对脑电信号片段进行同步挤压小波变换；

时频图转换模块，用于将同步挤压小波变换后的一维脑电信号转换为二维时频图；

模型训练模块，用于利用二维时频图训练睡眠纺锤波分类识别神经网络；

纺锤波识别模块，用于将待识别的脑电波信号进行分段并进行同步挤压小波变换后输入到训练完成后的睡眠纺锤波分级分类识别神经网络，识别出待识别的脑电波信号中是否包含纺锤波信号。

本发明的有益效果如下：

1.本发明利用ConvNeXt作为分类网络，不需要增加额外的移动窗口注意力以及相对位置偏置等特殊结构，既保持了模型的简洁性，又保证了模型精度，并在参数量、吞吐量和内存使用量上与其他模型持平，极大程度的提高了模型的可部署性。

2.本发明利用迁移学习将具有预训练权重的ConvNeXt网络作为分类网络，既可以减轻计算的复杂度，又能显著提高模型精度，在模型搭建中发挥极其重要的作用。

3.将原始一维脑电信号分段后进行同步挤压小波转换，进而转换为二维时频图作为网络输入，提高了脑电波之间的可区分性，解决了现有技术方法存在的鲁棒性差以及效率低等技术问题。

附图说明

图1为本发明实施例中基于同步挤压小波变换和ConvNeXt的睡眠纺锤波分级识别方法的流程图。

图2为本发明实施例中的部分原始脑电信号片段。

图3为本发明实施例中的ConvNeXt网络结构示意图。

图4为本发明实施例中的ConvNeXt网络的ConvNeXt块和降采样块结构示意图，其中(a)为ConvNeXt块，(b)为降采样块。

具体实施方式

下面将结合附图对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但不限制本发明的范围。

本发明的技术方案的主要内容包括：

1.首先获取模型训练所需要的标签，由专业睡眠医师对采集的脑电波信号进行标注，人工肉眼标注出所采集脑电信号中各纺锤波的关键信号节点，从而获得各纺锤波起始点、终止点和持续时间的具体数值。

2.以所标注的纺锤波起始点为基准，向后延伸固定时长（例如1.5s）的时间段进行分段提取，提取出n个包含纺锤波信号的脑电信号片段，作为训练正样本；随后在非标注脑电信号中随机抽取数量一致的不包含纺锤波信号的相同固定时长（例如1.5s）的片段，作为训练负样本。

3.对步骤2中提取的所有脑电信号片段进行同步挤压小波变换，并将转换后的一维电信号转换为二维时频图（时间-频率图）。

4.利用二维时频图训练睡眠纺锤波分类识别神经网络，即通过迁移学习将二维时频图输入到具有预训练权重的ConvNeXt网络中，对其进行训练，通过ConvNeXt网络得到输出值Y，完成纺锤波的二分类识别（纺锤波或非纺锤波）。

本发明的一个实施例中，提供一种基于同步挤压小波变换和迁移学习的睡眠纺锤波智能识别方法，其流程如图1所示，具体包括以下步骤：

步骤1：首先对原始脑电信号（EEG信号）进行预处理，对所采集的EEG信号去噪，并将频率重采样到500HZ。图2为部分原始脑电信号片段。

步骤2：对脑电信号进行分段。根据专业睡眠医师对脑电信号中纺锤波所做标注(标注总量为n)，以所标注的纺锤波起始点为基准，向后延伸1.5s的时间段进行分段提取，提取出n个包含纺锤波信号的脑电信号片段，作为训练正样本；随后在非标注脑电信号中随机抽取数量一致的不包含纺锤波信号的1.5s片段，作为训练负样本；最终得到整体用于训练和构建模型的数据集，包含2n个1.5s的脑电信号片段。

步骤3：基于步骤2，对提取的脑电信号片段分别进行同步挤压小波变换，将每一个脑电片段单独视为一个输入信号为f(t)，经同步挤压小波变换后得到的输出信号f_s(m,n)满足以下公式：

其中

为连续小波变换，/>

是小波函数/>

的共轭，m为尺度参数，n为平移参数，j为虚数单位，t表示时间。

将经过同步挤压小波变换后的一维脑电信号转换为二维时频图，并将时频图作为下述步骤中神经网络的输入。

步骤4：基于步骤3，利用迁移学习将二维时频图输入到有预训练权重的ConvNeXt网络中，如图3所示，根据图像大小将二维时频图定义为T×H×W的3维特征数组，表示为：X(T×H×W)。

根据读取的二维时频图的大小，将读取到的时频图重采样为大小为3×224×224的3维特征数组，表示为：X (3×224×224)，其中第一个维度为3，代表X的通道数量，第二个维度和第三个维度分别为224和224，代表X的特征图分辨率。

步骤5：在ConvNeXt网络中，骨干网络被分为四个不同的阶段，第一个阶段由卷积层、标准化层和ConvNeXt块组成，第二、三、四个阶段由降采样块和ConvNeXt块组成。第一个阶段，X经过一个步长为4的4×4的卷积层进行降采样，以达到合适的特征映射大小，特征图缩小至原来的1/4，通道数不变，得到

，S1经过标准化层后输入3个ConvNeXt块拼接的模块中。如图4中(a)所示，每个ConvNeXt块由步长为1的7×7深度卷积层、标准化层、1×1的卷积层、高斯误差线性单元激活函数以及最后一层1×1的卷积层组成。经过第一阶段的3个ConvNeXt块后的特征图图像大小不变，通道数变为96，得到/>

。

步骤6：第二个阶段，S2首先经过降采样模块进行降采样，如图4中(b)所示，降采样模块由标准化层以及步长为2的2×2卷积层组成。经过降采样模块后，通道数不变，特征图图像大小减小一半，得到

。S3随后经过3个ConvNeXt块拼接的模块中，特征图图像大小不变，通道数为192，得到/>

。

步骤7：第三个阶段，S4同样经过降采样模块，得到通道数不变，维度大小减小一半的特征图

。S5随后经过9个ConvNeXt块拼接的模块中，特征图图像大小不变，通道数为384，得到/>

。

步骤8：第四个阶段，S6经过降采样模块得到

，随后经过3个ConvNeXt块拼接的模块，最终得到通道数为768的/>

。

步骤9：S8输入到最后的全连接层分类模块，经过全局平均池化层，标准化层以及线性层后得到D（2×1），D经过Softmax激活函数之后即得到输出值Y，完成纺锤波的二分类识别（纺锤波或非纺锤波）。每个Y值和其输入的脑电二维时频图是一一对应的，通过Y值可以直观地完成相对应的脑电片段是否为纺锤波的分类识别。通过步骤4-9进行训练，得到训练后的睡眠纺锤波分类识别神经网络。

步骤10. 将待识别的脑电波信号进行分段并对其进行同步挤压小波变换后输入到训练后的睡眠纺锤波分类识别神经网络，识别出每一分段是否包含纺锤波信号。

上述步骤中，步骤1-3为数据处理，得到输入网络的二维时频图，步骤4-9为网络训练并得到结果，步骤10为实际应用阶段。

本发明的关键点包括：

基于同步挤压小波转换和迁移学习结合的脑波分类技术，对分段后的脑电信号进行同步挤压小波变换，将经过同步挤压小波变换后的一维脑电信号转换为二维时频图，并将时频图作为分类神经网络的输入，完成睡眠纺锤波的二分类。

基于同步挤压小波转换和迁移学习结合的脑波分类技术，利用迁移学习，搭建具有预训练权重的ConvNeXt分类网络模型。

用于睡眠纺锤波识别的迁移学习ConvNetxt网络图像分类方法，包括以下要点：

关键点1：脑电信号预处理以及信号转化方法。对所采集的原始脑电信号去噪，并将频率重采样到500HZ。以专业睡眠医师所标注的纺锤波起始点为基准，向后延伸1.5s的时间段进行分段提取，提取出n个包含纺锤波信号的脑电信号片段；并在非标注脑电信号中随机抽取n个不包含纺锤波信号的1.5s片段。将提取到的2n个片段分别进行同步挤压小波变换，并将一维脑电信号转换为二维时频图。

关键点2：基于迁移学习的ConvNeXt纺锤波分类网络。利用迁移学习将二维时频图输入到有预训练权重的ConvNeXt网络中。在ConvNeXt网络中，骨干网络被分为四个不同的阶段，第一个阶段由卷积层、标准化层和ConvNeXt块组成，第二、三、四个阶段由降采样块和ConvNeXt块组成。根据图像大小将其定义为T×H×W的3维特征数组，表示为：X (T×H×W)。第一个阶段，X经过一个步长为4的4×4的卷积层进行降采样，以达到合适的特征映射大小，特征图缩小至1/4，通道数不变，得到S1（T×H/4×W/4），S1经过标准化层后输入3个ConvNeXt块拼接的模块中。每个ConvNeXt块由步长为1的7×7深度卷积层、标准化层、1×1的卷积层、高斯误差线性单元激活函数以及最后一层1×1的卷积层组成。经过第一阶段的3个ConvNeXt块后的特征图图像大小不变，通道数变为96，得到S2（96×H/4×W/4）。第二个阶段，S2首先经过降采样模块进行降采样，降采样模块由标准化层以及步长为2的2×2卷积层组成。经过降采样模块后，通道数不变，特征图图像大小减小一半，得到S3（96×H/8×W/8）。S3随后经过3个ConvNeXt块拼接的模块中，特征图图像大小不变，通道数为192，得到S4（192×H/8×W/8）。第三个阶段，S4同样经过降采样模块，得到通道数不变，维度大小减小一半的特征图S5（192×H/16×W/16）。S5随后经过9个ConvNeXt块拼接的模块中，特征图图像大小不变，通道数为384，得到S6（384×H/16×W/16）。第四个阶段，S6经过降采样模块得到S7（384×H/32×W/32），随后经过3个ConvNeXt块拼接的模块，最终得到通道数为768的S8（768×H/32×W/32）。

关键点3：基于标准化、全局平均池化及线性层的纺锤波全连接层分类模块。在时频图经过ConvNetxt网络结构处理后，最终得到的高维特征输入全连接层分类模块。该模块由全局平均池化层，标准化层以及线性层组成，S8输入到最后的全连接层分类模块，经过后得到D（2×1），D经过激活函数之后得到输出值Y来进行纺锤波的二分类识别。

本发明的另一个实施例提供一种睡眠纺锤波智能识别系统，其包括：

信号获取模块，用于获取标注的脑电信号；

预处理模块，用于对获取的标注的脑电信号进行预处理，包括去噪和重采样；

信号分段模块，用于对预处理后的脑电波信号按照时间进行分段，得到脑电信号片段；

同步挤压小波变换模块，用于对脑电信号片段进行同步挤压小波变换；

时频图转换模块，用于将同步挤压小波变换后的一维脑电信号转换为二维时频图；

模型训练模块，用于利用二维时频图训练睡眠纺锤波分类识别神经网络；

纺锤波识别模块，用于将待识别的脑电波信号进行分段并进行同步挤压小波变换后输入到训练完成后的睡眠纺锤波分级分类识别神经网络，识别出待识别的脑电波信号中是否包含纺锤波信号。

其中各模块的具体实施过程参见前文对本发明方法的描述。

基于同一发明构思，本发明的另一实施例提供一种计算机设备（计算机、服务器、智能手机等），其包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行本发明方法中各步骤的指令。

基于同一发明构思，本发明的另一实施例提供一种计算机可读存储介质（如ROM/RAM、磁盘、光盘），所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现本发明方法的各个步骤。

以上公开的本发明的具体实施例，其目的在于帮助理解本发明的内容并据以实施，本领域的普通技术人员可以理解，在不脱离本发明的精神和范围内，各种替换、变化和修改都是可能的。本发明不应局限于本说明书的实施例所公开的内容，本发明的保护范围以权利要求书界定的范围为准。

Claims (7)

1.一种基于同步挤压小波变换和迁移学习的睡眠纺锤波智能识别方法，其特征在于，包括以下步骤：

获取标注的脑电波信号；

对获取的标注的脑电波信号按照时间进行分段，得到脑电信号片段；

对脑电信号片段进行同步挤压小波变换；

将同步挤压小波变换后的一维脑电信号转换为二维时频图；

利用二维时频图训练睡眠纺锤波分类识别神经网络；

将待识别的脑电波信号进行分段并进行同步挤压小波变换后输入到训练完成后的睡眠纺锤波分级分类识别神经网络，识别出待识别的脑电波信号中是否包含纺锤波信号；

所述对获取的标注的脑电波信号按照时间进行分段，包括：以专业睡眠医师所标注的纺锤波起始点为基准，向后延伸1.5s的时间段进行分段提取，提取出n个包含纺锤波信号的脑电信号片段，作为训练正样本；随后在非标注脑电信号中随机抽取数量一致的不包含纺锤波信号的1.5s片段，作为训练负样本；最终得到整体用于训练和构建模型的数据集，包含2n个1.5s的脑电信号片段；

所述利用二维时频图训练睡眠纺锤波分类识别神经网络，包括：根据读取的二维时频图的大小，将读取到的时频图重采样为大小为3×224×224的3维特征数组，表示为：X (3×224×224)，其中第一个维度为3，代表X的通道数量，第二个维度和第三个维度分别为224和224，代表X的特征图分辨率；通过迁移学习将二维时频图输入到具有预训练权重的ConvNeXt网络中，对其进行训练，通过ConvNeXt网络得到输出值Y，完成纺锤波的二分类识别；

所述ConvNeXt网络的骨干网络分为四个阶段，根据图像大小将二维时频图定义为T×H×W的3维特征数组，表示为X (T×H×W)；所述四个阶段包括：

第一个阶段，X经过一个步长为4的4×4的卷积层进行降采样，以达到合适的特征映射大小，特征图缩小至1/4，通道数不变，得到S1（T×H/4×W/4），S1经过标准化层后输入3个ConvNeXt块拼接的模块中，每个ConvNeXt块由步长为1的7×7深度卷积层、标准化层、1×1的卷积层、高斯误差线性单元激活函数以及最后一层1×1的卷积层组成；经过第一阶段的3个ConvNeXt块后的特征图图像大小不变，通道数变为96，得到S2（96×H/4×W/4）；

第二个阶段，S2首先经过降采样模块进行降采样，降采样模块由标准化层以及步长为2的2×2卷积层组成；经过降采样模块后，通道数不变，特征图图像大小减小一半，得到S3（96×H/8×W/8），S3随后经过3个ConvNeXt块拼接的模块中，特征图图像大小不变，通道数为192，得到S4（192×H/8×W/8）；

第三个阶段，S4同样经过降采样模块，得到通道数不变，维度大小减小一半的特征图S5（192×H/16×W/16），S5随后经过9个ConvNeXt块拼接的模块中，特征图图像大小不变，通道数为384，得到S6（384×H/16×W/16）；

第四个阶段，S6经过降采样模块得到S7（384×H/32×W/32），随后经过3个ConvNeXt块拼接的模块，最终得到通道数为768的S8（768×H/32×W/32）。

2.根据权利要求1所述的睡眠纺锤波智能识别方法，其特征在于，所述获取标注的脑电波信号，包括：由人工标注出采集的脑电波信号中各纺锤波的关键信号节点，从而获得各纺锤波起始点、终止点和持续时间的具体数值。

3.根据权利要求2所述的睡眠纺锤波智能识别方法，其特征在于，所述对获取的标注的脑电波信号按照时间进行分段，得到脑电信号片段，包括：

对原始脑电信号进行预处理，包括去噪和重采样；

以标注的纺锤波起始点为基准，向后延伸固定时长的时间段进行分段提取，提取出n个包含纺锤波信号的脑电信号片段，作为训练正样本；随后在非标注脑电信号中随机抽取数量一致的不包含纺锤波信号的相同固定时长的片段，作为训练负样本。

4.根据权利要求1所述的睡眠纺锤波智能识别方法，其特征在于，在二维时频图经过所述ConvNeXt网络处理后，将得到的高维特征S8输入全连接层分类模块，所述全连接层分类模块包括全局平均池化层，标准化层以及线性层；经过所述全连接层分类模块后，再经过激活函数，得到输出值来进行纺锤波的二分类识别。

5.一种基于同步挤压小波变换和迁移学习的睡眠纺锤波智能识别系统，其特征在于，包括：

信号获取模块，用于获取标注的脑电信号；

预处理模块，用于对获取的标注的脑电信号进行预处理，包括去噪和重采样；

信号分段模块，用于对预处理后的脑电波信号按照时间进行分段，得到脑电信号片段；

同步挤压小波变换模块，用于对脑电信号片段进行同步挤压小波变换；

时频图转换模块，用于将同步挤压小波变换后的一维脑电信号转换为二维时频图；

模型训练模块，用于利用二维时频图训练睡眠纺锤波分类识别神经网络；

纺锤波识别模块，用于将待识别的脑电波信号进行分段并进行同步挤压小波变换后输入到训练完成后的睡眠纺锤波分级分类识别神经网络，识别出待识别的脑电波信号中是否包含纺锤波信号；

所述对获取的标注的脑电波信号按照时间进行分段，包括：以专业睡眠医师所标注的纺锤波起始点为基准，向后延伸1.5s的时间段进行分段提取，提取出n个包含纺锤波信号的脑电信号片段，作为训练正样本；随后在非标注脑电信号中随机抽取数量一致的不包含纺锤波信号的1.5s片段，作为训练负样本；最终得到整体用于训练和构建模型的数据集，包含2n个1.5s的脑电信号片段；

所述利用二维时频图训练睡眠纺锤波分类识别神经网络，包括：根据读取的二维时频图的大小，将读取到的时频图重采样为大小为3×224×224的3维特征数组，表示为：X (3×224×224)，其中第一个维度为3，代表X的通道数量，第二个维度和第三个维度分别为224和224，代表X的特征图分辨率；通过迁移学习将二维时频图输入到具有预训练权重的ConvNeXt网络中，对其进行训练，通过ConvNeXt网络得到输出值Y，完成纺锤波的二分类识别；

所述ConvNeXt网络的骨干网络分为四个阶段，根据图像大小将二维时频图定义为T×H×W的3维特征数组，表示为X (T×H×W)；所述四个阶段包括：

第一个阶段，X经过一个步长为4的4×4的卷积层进行降采样，以达到合适的特征映射大小，特征图缩小至1/4，通道数不变，得到S1（T×H/4×W/4），S1经过标准化层后输入3个ConvNeXt块拼接的模块中，每个ConvNeXt块由步长为1的7×7深度卷积层、标准化层、1×1的卷积层、高斯误差线性单元激活函数以及最后一层1×1的卷积层组成；经过第一阶段的3个ConvNeXt块后的特征图图像大小不变，通道数变为96，得到S2（96×H/4×W/4）；

第二个阶段，S2首先经过降采样模块进行降采样，降采样模块由标准化层以及步长为2的2×2卷积层组成；经过降采样模块后，通道数不变，特征图图像大小减小一半，得到S3（96×H/8×W/8），S3随后经过3个ConvNeXt块拼接的模块中，特征图图像大小不变，通道数为192，得到S4（192×H/8×W/8）；

第三个阶段，S4同样经过降采样模块，得到通道数不变，维度大小减小一半的特征图S5（192×H/16×W/16），S5随后经过9个ConvNeXt块拼接的模块中，特征图图像大小不变，通道数为384，得到S6（384×H/16×W/16）；

第四个阶段，S6经过降采样模块得到S7（384×H/32×W/32），随后经过3个ConvNeXt块拼接的模块，最终得到通道数为768的S8（768×H/32×W/32）。

6.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1~4中任一项所述睡眠纺锤波智能识别方法的指令。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现权利要求1~4中任一项所述的睡眠纺锤波智能识别方法。

Images