一种基于片段-序列两阶段训练框架的睡眠分期方法及系统

摘要

本发明面向单信道脑电数据，提出一种基于“片段—序列”两阶段训练框架的睡眠分期方法及系统，属于深度学习算法智能应用领域。将单信道脑电数据进行平滑处理、片段化以及多通道生成等步骤，利用基于脑电片段的CNN网络模型对脑电数据进行训练，得到脑电特征表示方法，并通过基于脑电“片段—序列”的“CNN‑RNN”网络模型，增强睡眠序列之间学习，通过两阶段训练框架来提升模型的睡眠分期效果，进而提升利用单信道脑电数据进行睡眠质量评估的效果。本发明基于“片段—序列”两阶段训练框架的睡眠分期方法与基于脑电片段的CNN网络模型分期相比，效果有较大提升，通过在数据集Sleep_EDFx 39的单信道Fpz‑Cz脑电数据上验证，本发明将睡眠分期的准确率从80％提升到了87％。

说明书

技术领域

本发明属于深度学习算法智能应用领域，尤其涉及一种基于“片段-序列”两阶段训练框架的睡眠分期方法及系统。

背景技术

睡眠在人的一生中占据大约1/3的时间，是人体各组织器官和神经系统休息的过程，对人的身心健康起着重要的作用。然而，全球有27％的人有睡眠障碍，我国的睡眠障碍患者的比例也越来越高。睡眠障碍易引发健康问题，增加肥胖、糖尿病、心血管疾病的患病风险，且容易诱发心理疾病。用以判断睡眠障碍和睡眠质量的基础，通常是睡眠分期。

睡眠分期，根据2007美国睡眠协会的分期标准(2017 AASM)，可以分为清醒期(W)、浅睡1期(N1)、浅睡2期(N2)、深睡期(N3)、快速眼动期(REM)五个时期。睡眠存在一定的节律特点，正常周期一般为90～100分钟。入睡20分钟左右进入潜睡期，经过中度睡眠，大约在30～45分钟后进入深度睡眠阶段，然后逐渐退回到中度睡眠和浅睡，进入快速眼动阶段。

在医院中，通常使用睡眠检测仪(PSG)来监测患者的睡眠生物电信号，监测的信号包括脑电(EEG)、眼电(EOG)、心电(ECG)、肌电(EMG)等，并通过电信号分析患者的睡眠分期结果，基于睡眠分期的结果辅助诊断患者的睡眠质量。然而，在其他的场景，如居家、社区医院等，很难通过专业的PSG设备来监测睡眠质量，手环等基于心电的睡眠监测效果不如脑电数据。因此，通过单信道脑电数据进行睡眠分期监测的需求越来越强。

发明内容

发明目的：提出一种基于“片段-序列”两阶段训练框架的睡眠分期方法及系统，基于单信道脑电数据进行睡眠分期，并通过两阶段训练来提升模型的分期效果，并进一步提出一种用于实现上述方法的系统，以解决现有技术存在的上述问题。

技术方案：第一方面，提出一种基于“片段-序列”两阶段训练框架的睡眠分期方法，包括如下步骤：

步骤1、对单信道脑电数据文件进行处理，去除首尾预定长度的清醒期数据，只保留睡眠阶段的监测数据，并统一存储为EDF文件；

步骤2、将单信道脑电数据EDF文件按照比例分为两个部分，第一个部分P用作脑电片段模型和脑电序列模型的训练和验证，第二个部分R用作脑电片段模型和脑电序列模型测试；

步骤3、读取P中带有标签的单信道脑电监测数据，进行数据移动平滑处理，得到p'；

步骤4、对p'数据进行片段化和多通道扩展，形成脑电片段数据集T1；

步骤5、将脑电片段数据集T1按比例划分为脑电片段训练集M1、脑电片段验证集V1；

步骤6、将脑电片段训练集M1随机打乱片段顺序，用于训练基于脑电片段的CNN 网络模型，并通过脑电片段验证集V1选择最佳的脑电片段模型结构和模型参数；

步骤7、将脑电片段最佳CNN网络模型结构和模型参数存储下来，保存后缀为“.pth”的脑电片段模型文件F1；

步骤8、将步骤3中未打乱片段顺序的脑电片段数据集T1，按照时间步t进行划分，形成脑电序列数据集T2；

步骤9、将脑电序列数据集T2按照比例划分为脑电序列训练集M2、脑电序列验证集V2；

步骤10、读取脑电片段模型文件F1获取片段模型及其参数，连接序列模型，将脑电序列训练集M2随机打乱序列顺序，用来训练基于脑电“片段-序列”的“CNN-RNN”网络模型，并通过脑电序列验证集V2选择最佳的模型结构和参数；

步骤11、将脑电最佳“CNN-RNN”网络模型结构和模型参数存储下来，保存为后缀为“.pth”的脑电“片段-序列”模型文件F2；

步骤12、读取脑电“片段-序列”模型F2文件，使用步骤2中的脑电测试集R，对测试集R中的单信道脑电数据文件，进行睡眠分期序列分类。

进一步的，在步骤3中，读取P中带有标签的单信道脑电监测数据，进行数据移动平滑处理，得到p'；其平滑方法如下：

对于P中的每个文件，读取当中的单信道脑电监测数据列表{x

进一步的，在步骤4中，对p'数据进行片段化和多通道扩展，形成脑电片段数据集T1；其具体操作步骤如下：

步骤4.1、将监测数据按照标签所表示的片段长度(假设长度为s)进行划分，并按照片段长度进行标准化处理，形成通道A1；

步骤4.2、将监测数据整体进行标准化，再按照片段长度s进行划分，形成通道B1；

步骤4.3、将通道A1与通道B1进行合并后，形成基于片段的脑电片段数据集T1。

进一步的，在步骤6中，将脑电片段训练集M1随机打乱片段顺序，用于训练基于脑电片段的CNN网络模型，并通过脑电片段验证集V1选择最佳的脑电片段模型结构和模型参数；具体流程如下：

步骤6.1、对打乱顺序的脑电片段训练集M1中的片段通道A1和片段通道B1分别进行两支路的卷积，片段通道A1的两条支路的卷积分别为CNN1和CNN2，片段通道 B1的两条支路的卷积分别为CNN3和CNN4；其中，CNN1、CNN2、CNN3、CNN4的卷积的参数不同，但结构相同，具体结构如附图3b所示；

步骤6.2、将CNN1、CNN2、CNN3、CNN4四个分支的结果进行合并全连接；

步骤6.3、对步骤6.2结果进行dropout处理后，连接5个输出单元输出；

步骤6.4、对步骤6.3的输出结果进行softmax处理后按类别输出。

更进一步的，在步骤6.1中，CNN1、CNN2、CNN3、CNN4的卷积的参数不同，但结构相同，具体的流程如下：

步骤6.1.1、将通道进行卷积层卷积后，使用激活函数Swish进行激活。

步骤6.1.2、连接最大池化maxpooling层P1。

步骤6.1.3、连接dropout层D1。

步骤6.1.4、连接注意力机制层S1。

步骤6.1.5、连续连接3个卷积层和激活函数Swish的组合。

步骤6.1.6、连接最大池化maxpooling层P2。

步骤6.1.7、连接注意力机制层S2。

进一步的，在步骤10中，读取脑电片段模型文件F1获取片段模型及其参数，连接序列模型，将脑电序列训练集M2随机打乱序列顺序，用来训练基于脑电“片段-序列”的“CNN-RNN”网络模型，并通过脑电序列验证集V2选择最佳的模型结构和参数；具体流程如下：

步骤10.1、对打乱顺序的脑电序列训练集M2中的序列按照时间步输入到基于脑电片段的CNN网络模型提取特征；

步骤10.2、将提取的特征输入到双向LSTM单元，进行双向循环神经网络的学习，学习脑电序列的长短期依赖关系；

步骤10.3、将双向LSTM单元的结果合并后，连接条件随机场模块CRF，学习序列标签之间的状态转移关系。

第二方面，提出一种睡眠分期系统，该系统至少包括数据预处理模块、单信道脑电数据比例划分模块、脑电片段数据集构建模块、脑电片段数据集比例划分模块、脑电片段训练集打乱模块、脑电片段模型文件生成模块、脑电序列数据集生成模块、序列模型连接模块、脑电片段-序列模型文件存储模块以及睡眠分期序列分类模块。

数据预处理模块用于对单信道脑电数据文件进行处理，去除首尾预定长度的清醒期数据，只保留睡眠阶段的监测数据，并统一存储为EDF文件；

单信道脑电数据比例划分模块用于将数据预处理模块中单信道脑电数据EDF文件按照比例分为两个部分，第一个部分P用作脑电片段模型和脑电序列模型的训练和验证，第二个部分R用作脑电片段模型和脑电序列模型测试；

脑电片段数据集构建模块用于读取第一个部分P中带有标签的单信道脑电监测数据，进行数据移动平滑处理，得到p'，并对p'数据进行片段化和多通道扩展，形成脑电片段数据集T1；

脑电片段数据集比例划分模块用于将所述脑电片段数据集T1按比例划分为脑电片段训练集M1、脑电片段验证集V1；

脑电片段训练集打乱模块用于将脑电片段训练集M1随机打乱片段顺序，训练基于脑电片段的CNN网络模型，并通过脑电片段验证集V1选择最佳的脑电片段模型结构和模型参数；

脑电片段模型文件生成模块用于将脑电片段最佳CNN网络模型结构和模型参数存储下来，保存后缀为“.pth”的脑电片段模型文件F1；

脑电序列数据集生成模块用于将所述脑电片段数据集构建模块中未打乱片段顺序的脑电片段数据集T1，按照时间步t进行划分，形成脑电序列数据集T2；将脑电序列数据集T2按照比例划分为脑电序列训练集M2、脑电序列验证集V2；

序列模型连接模块用于读取脑电片段模型文件F1获取片段模型及其参数，连接序列模型，将脑电序列训练集M2随机打乱序列顺序，用来训练基于脑电“片段-序列”的“CNN-RNN”网络模型，并通过脑电序列验证集V2选择最佳的模型结构和参数；

脑电片段-序列模型文件存储模块用于将脑电最佳“CNN-RNN”网络模型结构和模型参数存储下来，保存为后缀为“.pth”的脑电“片段-序列”模型文件F2；

睡眠分期序列分类模块用于读取脑电“片段-序列”模型F2文件，使用所述单信道脑电数据比例划分模块中的脑电测试集R，对测试集R中的单信道脑电数据文件，进行睡眠分期序列分类。

第三方面，提出一种睡眠分期设备，包括至少一个处理器和存储器；存储器存储计算机执行指令；至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行第一方面所述的睡眠分期方法。

第四方面，提出一种可读存储介质，该可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现第一方面所述的睡眠分期方法。

有益效果：本发明面向单信道脑电数据，提出一种基于“片段-序列”两阶段训练框架的睡眠分期方法及系统。将单信道脑电数据进行平滑处理、片段化、多通道生成等步骤，利用基于脑电片段的CNN网络模型对脑电数据进行训练，得到脑电特征表示方法，并通过基于脑电“片段-序列”的“CNN-RNN”网络模型，增强睡眠序列之间学习，通过两阶段训练框架来提升模型的睡眠分期效果，进而提升利用单信道脑电数据进行睡眠质量评估的效果。

附图说明

图1是本专利的基于“片段-序列”两阶段训练框架的睡眠分期方法流程图。

图2是对单信道脑电数据使用不同的移动平滑窗口进行数据平滑后的效果图。

图3a是基于脑电片段的网络模型结构图。

图3b是基于脑电片段的网络模型CNN分支结构图。

图4是基于脑电“片段-序列”的网络模型结构图。

图5是基于脑电“片段-序列”的网络模型对Sleep_EDFx39数据集交叉验证的混淆矩阵图。

图6是基于“脑电片段的网络模型”和“脑电‘片段-序列’的网络模型”对睡眠实例进行睡眠分期的结果对比图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

申请人认为，现有睡眠分期方法在其他的场景，如居家、社区医院等，很难通过专业的PSG设备来监测睡眠质量，手环等基于心电的睡眠监测效果不如脑电数据，因此，通过单信道脑电数据进行睡眠分期监测的需求越来越强。

为此，申请人提出一种基于“片段-序列”两阶段训练框架的睡眠分期方法及系统如图1-图6所示，包括第一方面：一种基于“片段-序列”两阶段训练框架的睡眠分期方法，包括以下步骤：

选择数据集Sleep_EDFx 39的单信道Fpz-Cz脑电数据，先将单信道Fpz-Cz脑电数据按照AASM 2007睡眠标准进行标签处理，形成数据文件，再利用本文的基于“片段 -序列”两阶段训练框架的睡眠分期方法进行睡眠分期。

步骤1、对单信道Fpz-Cz脑电数据文件进行处理，去除首尾预定长度的清醒期数据，只保留睡眠阶段的监测数据，并统一存储为EDF文件。

步骤2、将单信道Fpz-Cz脑电数据EDF文件按照比例分为两个部分，第一个部分 P用作脑电片段模型和脑电序列模型的训练和验证，第二个部分R用作脑电片段模型和脑电序列模型测试。

步骤3、读取P中带有标签的单信道脑电监测数据，进行数据移动平滑处理，得到p'。

步骤4、对p'数据进行片段化和多通道扩展，形成脑电片段数据集T1。

步骤5、将脑电片段数据集T1按比例划分为脑电片段训练集M1、脑电片段验证集V1。

步骤6、将脑电片段训练集M1随机打乱片段顺序，用于训练基于脑电片段的CNN 网络模型，并通过脑电片段验证集V1选择最佳的脑电片段模型结构和模型参数。

其中，脑电片段的CNN网络模型如附图3a和附图3b所示。

步骤7、将脑电片段最佳CNN网络模型结构和模型参数存储下来，保存为脑电片段模型文件“cnn.pth”。

步骤8、将步骤3中未打乱片段顺序的脑电片段数据集T1，按照时间步64进行划分，形成脑电序列数据集T2。

步骤9、将脑电序列数据集T2按照比例划分为脑电序列训练集M2、脑电序列验证集V2。

步骤10、读取脑电片段模型文件“cnn.pth”获取片段模型及其参数，连接序列模型，将脑电序列训练集M2随机打乱序列顺序，用来训练基于脑电“片段-序列”的“CNN-RNN”网络模型，并通过脑电序列验证集V2选择最佳的模型结构和参数。

其中，基于脑电“片段-序列”的“CNN-RNN”网络模型结构如附图4所示。

步骤11、将脑电最佳“CNN-RNN”网络模型结构和模型参数存储下来，保存为模型文件“cnn_rnn.pth”。

步骤12、读取脑电“片段-序列”模型文件“cnn_rnn.pth”，使用步骤2中的脑电测试集R，对测试集R中的单信道脑电数据文件，进行睡眠分期序列分类。

其中，附图5展示了基于脑电“片段-序列”的网络模型对Sleep_EDFx39数据集进行20折交叉验证的混淆矩阵图，附图6展示了基于“脑电片段的网络模型”和“脑电‘片段-序列’的网络模型”对Sleep_EDFx数据集当中某个未经训练的睡眠实例进行睡眠分期的结果对比图。

在进一步实施例中，在步骤3中，读取P中带有标签的单信道脑电监测数据，进行数据移动平滑处理，得到p'；其平滑方法如下：

对于P中的每个文件，读取当中的单信道脑电监测数据列表{x

根据滑动窗口大小的不同(记作K)，可以获取不同的平滑效果，如附图2所示。

假设平滑窗口大小K＝2s+1，则移动平滑后的x′

在进一步实施例中，在步骤4中，对p'数据进行片段化和多通道扩展，形成脑电片段数据集T1；其具体操作步骤如下：

步骤4.1、将监测数据按照标签所表示的片段长度(假设长度为s)进行划分，并按照片段长度进行标准化处理，形成通道A1。

步骤4.2、将监测数据整体进行标准化，再按照片段长度s进行划分,形成通道B1。

步骤4.3、将通道A1与通道B1进行合并后，形成基于片段的脑电片段数据集T1。

在进一步实施例中，在步骤6中，将脑电片段训练集M1随机打乱片段顺序，用于训练基于脑电片段的CNN网络模型，并通过脑电片段验证集V1选择最佳的脑电片段模型结构和模型参数；其基于脑电片段的CNN网络模型结构如附图3a所示，具体流程如下：

步骤6.1、对打乱顺序的脑电片段训练集M1中的片段通道A1和片段通道B1分别进行两支路的卷积，片段通道A1的两条支路的卷积分别为CNN1和CNN2，片段通道 B1的两条支路的卷积分别为CNN3和CNN4。

其中，CNN1、CNN2、CNN3、CNN4的卷积的参数不同，但结构相同，具体结构如附图3b所示。

步骤6.2、将CNN1、CNN2、CNN3、CNN4四个分支的结果进行合并全连接。

步骤6.3、对上一步结果进行dropout处理后，连接5个输出单元输出。

步骤6.4、对上一步输出进行softmax处理后进行类别输出。

在更进一步实施例中，在步骤6.1中，CNN1、CNN2、CNN3、CNN4的卷积的参数不同，但结构相同，具体结构如附图3b所示。具体流程如下：

步骤6.2.1、将通道进行卷积层卷积后，使用激活函数Swish进行激活。

步骤6.2.2、连接最大池化maxpooling层P1。

步骤6.2.3、连接dropout层D1。

步骤6.2.4、连接注意力机制层S1。

步骤6.2.5、连续连接3个卷积层和激活函数Swish的组合。

步骤6.2.6、连接最大池化maxpooling层P2。

步骤6.2.7、连接注意力机制层S2。

在进一步实施例中，在步骤10中，读取脑电片段模型文件F1获取片段模型及其参数，连接序列模型，将脑电序列训练集M2随机打乱序列顺序，用来训练基于脑电“片段-序列”的“CNN-RNN”网络模型，并通过脑电序列验证集V2选择最佳的模型结构和参数；其基于脑电“片段-序列”的“CNN-RNN”网络模型结构如附图4所示，具体流程如下：

步骤10.1、对打乱顺序的脑电序列训练集M2中的序列按照时间步输入到基于脑电片段的CNN网络模型提取特征；

步骤10.2、将提取的特征输入到双向LSTM单元，进行双向循环神经网络的学习，学习脑电序列的长短期依赖关系；

步骤10.3、将双向LSTM单元的结果合并后，连接条件随机场模块CRF，学习序列标签之间的状态转移关系。

第二方面，提出一种睡眠分期系统，该系统至少包括数据预处理模块、单信道脑电数据比例划分模块、脑电片段数据集构建模块、脑电片段数据集比例划分模块、脑电片段训练集打乱模块、脑电片段模型文件生成模块、脑电序列数据集生成模块、序列模型连接模块、脑电片段-序列模型文件存储模块以及睡眠分期序列分类模块。

数据预处理模块用于对单信道脑电数据文件进行处理，去除首尾预定长度的清醒期数据，只保留睡眠阶段的监测数据，并统一存储为EDF文件；

单信道脑电数据比例划分模块用于将数据预处理模块中单信道脑电数据EDF文件按照比例分为两个部分，第一个部分P用作脑电片段模型和脑电序列模型的训练和验证，第二个部分R用作脑电片段模型和脑电序列模型测试；

脑电片段数据集构建模块用于读取第一个部分P中带有标签的单信道脑电监测数据，进行数据移动平滑处理，得到p'，并对p'数据进行片段化和多通道扩展，形成脑电片段数据集T1；

脑电片段数据集比例划分模块用于将所述脑电片段数据集T1按比例划分为脑电片段训练集M1、脑电片段验证集V1；

脑电片段训练集打乱模块用于将脑电片段训练集M1随机打乱片段顺序，训练基于脑电片段的CNN网络模型，并通过脑电片段验证集V1选择最佳的脑电片段模型结构和模型参数；

脑电片段模型文件生成模块用于将脑电片段最佳CNN网络模型结构和模型参数存储下来，保存后缀为“.pth”的脑电片段模型文件F1；

脑电序列数据集生成模块用于将所述脑电片段数据集构建模块中未打乱片段顺序的脑电片段数据集T1，按照时间步t进行划分，形成脑电序列数据集T2；将脑电序列数据集T2按照比例划分为脑电序列训练集M2、脑电序列验证集V2；

序列模型连接模块用于读取脑电片段模型文件F1获取片段模型及其参数，连接序列模型，将脑电序列训练集M2随机打乱序列顺序，用来训练基于脑电“片段-序列”的“CNN-RNN”网络模型，并通过脑电序列验证集V2选择最佳的模型结构和参数；

脑电片段-序列模型文件存储模块用于将脑电最佳“CNN-RNN”网络模型结构和模型参数存储下来，保存为后缀为“.pth”的脑电“片段-序列”模型文件F2；

睡眠分期序列分类模块用于读取脑电“片段-序列”模型F2文件，使用所述单信道脑电数据比例划分模块中的脑电测试集R，对测试集R中的单信道脑电数据文件，进行睡眠分期序列分类。

第三方面，提出一种睡眠分期设备，包括至少一个处理器和存储器；存储器存储计算机执行指令；至少一个处理器执行该存储器存储的计算机执行指令，使得至少一个处理器执行第一方面的睡眠分期方法。

第四方面，提出一种可读存储介质，该可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现第一方面的睡眠分期方法。

以上详细描述了本发明的实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。