睡眠分期方法及装置与流程

1.本技术涉及睡眠分期技术领域，尤其涉及一种睡眠分期方法及装置。


背景技术：

2.睡眠分期是一种诊断睡眠障碍或评估睡眠质量的重要手段。
3.传统的睡眠分期方法通常先利用多导睡眠图(polysomnography,简称为psg)技术同步记录睡眠过程中的脑电(eeg)、心电、肌电、眼电等信号，再由经验丰富的人类专家对这些信号进行视觉检查，从而完成分期。但这是一个耗时且枯燥的过程，分期结果受专家的主观因素影响较大，容易出现人为错误。因此，睡眠分期自动化成为了一个重要的研究课题。
4.近年来产生了很多基于机器学习和深度学习的监督学习方法，能够实现自动睡眠分期，并取得了巨大的成功。但在真实应用环境下的睡眠分期任务包含了更加复杂多样的场景，例如：(1)由于头皮表面电极位置的不同，源和目标域数据集具有不同的eeg信号通道；(2)源和目标域数据集通常是从不同的人群、设备和软件中收集的。上述场景面临的主要挑战是源和目标域数据集存在数据分布偏移问题，而现有的监督学习方法要求训练数据集(源域)和测试数据集(目标域)具有非常相似的分布，因此难以解决上述挑战。


技术实现要素：

5.(一)发明目的
6.本技术的目的是提供一种睡眠分期方法及装置，以解决训练数据集(源域)和测试数据集(目标域)分布不同导致模型难以泛化和应用的问题。
7.(二)技术方案
8.第一方面，本技术提供了一种睡眠分期方法，包括：
9.获取待测者的睡眠生理信号作为目标域样本；
10.获取公开睡眠数据作为源域样本，所述源域样本包括睡眠生理信号和对应的真实分期；
11.建立迁移学习网络模型，所述迁移学习网络模型包括特征提取器和与所述特征提取器连接的分期网络和域自适应网络；
12.将所述目标域样本和所述源域样本作为训练样本对所述迁移学习网络模型进行训练；
13.将目标域样本输入训练后的特征提取器得到目标特征；
14.将目标特征输入训练后的分期网络，得到目标分期。
15.可选地，根据目标域样本和源域样本对所述迁移学习网络模型进行训练包括：
16.将源域样本中的睡眠生理信号输入特征提取器，并将特征提取器的输出输入分期网络，根据所述分期网络的输出结果和对应的真实分期计算分期损失；
17.将训练样本输入特征提取器，并将特征提取器的输出输入域自适应网络，根据所述域自适应网络输出的预测域判别结果计算域判别损失；
18.根据所述分期损失和所述域判别损失计算总损失；
19.根据所述总损失调整所述特征提取器、所述分期网络和所述域自适应网络的参数。
20.可选地，所述分期损失的计算公式如下：
[0021][0022]
其中，为分期损失，ns为源域样本的数量，为第i个源域样本的睡眠生理信号数值，为第i个源域样本的真实分期，e(
·
)为特征提取器，c(
·
)为第一分期器，lc为多分类交叉熵损失函数。
[0023]
可选地，所述分期网络包括第一分期器，所述域自适应网络包括第二分期器、特征融合层和第一域判别器，所述第一分期器和所述第二分期器参数共享；
[0024]
所述域判别损失包括联合分布损失，所述联合分布损失的计算方法包括：
[0025]
将特征提取器的输出输入第二分期器，通过特征融合层对第二分期器的输出和特征提取器的输出进行融合，将所述特征融合层的输出输入第一域判别器，根据所述第一域判别器的输出计算所述联合分布损失。
[0026]
可选地，所述第二分期器和所述特征融合层通过梯度截止层连接；
[0027]
所述特征融合层和所述第一域判别器通过第一梯度反转层连接。
[0028]
可选地，所述联合分布损失的计算公式如下：
[0029][0030]
其中，为联合分布损失，ns为源域样本的数量，n
t
为目标域样本的数量，xi为第i个样本的睡眠生理信号数值，是第i个样本的预测分期，ld是二元交叉熵损失函数，是特征融合层，e(
·
)为特征提取器，dj为第一域判别器，di为域标签，ds为源域样本集合，d
t
为目标域样本集合，ld为二元交叉熵损失函数。
[0031]
可选地，所述域判别损失还包括睡眠期转移损失，所述域自适应网络还包括时间序列构造层和第二域判别器，所述时间序列构造层用于将相邻的n个训练样本构造为时间序列；
[0032]
所述睡眠期转移损失的计算方法包括：
[0033]
将特征提取器的输出输入时间序列构造层，将所述时间序列构造层的输出输入第二域判别器，根据所述第二域判别器的输出计算所述睡眠期转移损失。
[0034]
可选地，所述时间序列构造层与所述特征提取器通过第二梯度反转层连接。
[0035]
可选地，所述睡眠期转移损失的计算公式如下：
[0036]
[0037]
其中，为睡眠转移损失，ns为源域样本的数量，n
t
为目标域样本的数量，xi为第i个样本的睡眠生理信号数值，ds为源域样本集合，d
t
为目标域样本集合，d
t
为第二域判别器，ld为二元交叉熵损失函数，di为域标签，为时间序列。
[0038]
可选地，对所述迁移学习网络模型进行训练前还包括：
[0039]
对所述训练样本进行预滤波，消除基线干扰和噪声干扰；
[0040]
按照设定的时长将预滤波后的训练样本分割为多个片段；
[0041]
每个所述片段作为一个训练样本。
[0042]
第二方面，本技术提供了一种睡眠分期装置，包括；
[0043]
第一获取模块，用于获取待测者的睡眠生理信号作为目标域样本；
[0044]
第二获取模块，用于获取公开睡眠数据作为源域样本，所述源域样本包括睡眠生理信号和对应的真实分期；
[0045]
第一数据处理模块，第一数据处理模块包括特征提取模块、分期模块和域判别模块，所述特征提取模块用于对睡眠生理信号进行特征提取，所述分期模块用于对所述特征提取模块的输出进行分期，所述域判别模块用于判断所述特征提取模块的输出属于目标域还是源域；
[0046]
训练模块，用于将目标域样本和源域样本作为训练样本对所述第一数据处理模块进行训练。
[0047]
(三)有益效果
[0048]
本技术的上述技术方案具有如下有益的技术效果：
[0049]
本技术实施例提供的睡眠分期方法通过迁移学习模型对特征提取器、分期网络和域自适应网络进行整体训练，使得特征提取器能够输出在源域和目标域上分布近似的特征，从而可以通过分期网络对目标域样本进行分期，得到目标分期，该方法能在复杂的实际应用场景中具有更好的泛化性和适应性，尤其适用于源域样本和目标域样本分布不同的情况。
附图说明
[0050]
图1示出了根据本技术一实施方式的睡眠分期方法的流程图；
[0051]
图2示出了根据本技术一实施方式的迁移学习网络模型的结构框图；
[0052]
图3示出了根据本技术一实施方式的睡眠分期装置的结构示意图。
[0053]
附图标记：
[0054]
1：特征提取器；
[0055]
2：分期网络；21：第一分期器；
[0056]
3：域自适应网络；31：第二分期器；32：梯度截止层；33：特征融合层；34：第一梯度反转层；35：第一域判别器；36：第二梯度反转层；37：时间序列构造层；38：第二域判别器；
[0057]
4：源域样本；
[0058]
5：目标域样本；
[0059]
301：第一获取模块；302：第二获取模块；303：第一数据处理模块；3031：特征提取模块；3032：分期模块；3033：域判别模块；304：训练模块。
具体实施方式
[0060]
为使本技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本技术的概念。
[0061]
本技术，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0062]
在本技术的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0063]
图1示出了根据本技术一实施方式的睡眠分期方法的流程图。如图1所示，该方法包括如下步骤：
[0064]
s101：获取待测者的睡眠生理信号作为目标域样本。睡眠生理信号可选为脑电、心电、肌电或眼电信号。睡眠生理信号为脑电信号时，待测者的睡眠生理信号通过可穿戴脑电设备采集。
[0065]
s102：获取公开睡眠数据作为源域样本，源域样本包括睡眠生理信号和对应的真实分期。公开睡眠数据可选为sleep-edf database[expanded],montreal archive of sleep studies(mass),mit-bih polysomnographic database等公开数据集。
[0066]
s103：建立迁移学习网络模型，迁移学习网络模型包括特征提取器和与特征提取器连接的分期网络和域自适应网络。特征提取器包括深度神经网络，用于对源域样本或目标域样本进行特征提取。分期网络用于根据特征提取器的输出判断训练样本的分期，分期规则可选为aasm(american academy of sleep medicine)分期规则。域自适应网络用于根据特征提取器的输出和分期网络输出判断训练样本属于源域还是目标域。
[0067]
s104：将目标域样本和源域样本作为训练样本对迁移学习网络模型进行训练。
[0068]
s105：将目标域样本输入训练后的特征提取器得到目标特征。
[0069]
s106：将目标特征输入训练后的分期网络，得到目标分期。
[0070]
本技术实施例提供的睡眠分期方法通过迁移学习模型对特征提取器、分期网络和域自适应网络进行整体训练，使得特征提取器能够输出在源域和目标域上分布近似的特征，从而可以通过分期网络对目标域样本进行分期，得到目标分期，该方法能在复杂的实际应用场景中具有更好的泛化性和适应性，尤其适用于源域样本和目标域样本分布不同的情况。
[0071]
图2示出了根据本技术一实施方式的迁移学习网络模型的结构框图。如图2所示，特征提取器1e(
·
)，特征提取过程为f＝e(x；θe)，其中，f为特征提取器1的输出，x＝xs∪xt，xs和xt分别是源域和目标域样本，θe为特征提取器1的参数，模型训练的过程即是对参数进行更新的过程。e(
·
)是多层深度神经网络结构，包括但不限于卷积神经网络、全连接网络结构。
[0072]
分期网络2包括第一分期器21c(
·
)，源域样本通过特征提取器1提取的特征向量fs被进一步传递给分类器，得到对睡眠分期的预测结果ys＝c(fs；θc)，其中θc为第一分期器21的参数。真实分期为yi，则分期损失如下：
[0073][0074]
其中，为分期损失，ns为源域样本的数量，为第i个源域样本的睡眠生理信号数值，为第i个源域样本的真实分期，e(
·
)为特征提取器，c(
·
)为第一分期器，lc为多分类交叉熵损失函数。
[0075]
域自适应网络3包括第二分期器31、特征融合层33和第一域判别器35，第一分期器21和第二分期器31参数共享。第二分期器31和特征融合层33通过梯度截止层32连接；特征融合层33和第一域判别器35通过第一梯度反转层34连接。域自适应网络3还包括时间序列构造层37和第二域判别器38，时间序列构造层37用于将相邻的n个训练样本构造为时间序列，时间序列构造层37与特征提取器1通过第二梯度反转层36连接。迁移学习网络模型可以端到端实现特征提取器1、分期网络2和域自适应网络3的训练。
[0076]
通道数为c、信号长度为l的源域样本中的睡眠生理信号被定义为xs∈rc×
l
。通道数为c、信号长度为l的目标域样本中的睡眠生理信号被定义为x
t
∈rc×
l
，p(xs)和p(x
t
)分别是xs和x
t
的边缘概率分布。源域数据集为其中为第i个源域样本的真实分期，为源域数据的标签。目标域数据集为其中ns和n
t
分别表示源域样本和目标域样本的个数。源和目标域具有相同的特征空间和标签空间，但边缘分布不同，即p(xs)≠p(x
t
)。本发明的目标是利用有标签的源域数据集和无标签的目标域数据集预测目标域的标签，即目标分期y
t
。
[0077]
在一些实施例中，将源域样本中的睡眠生理信号输入特征提取器1，并将特征提取器1的输出输入分期网络2，根据分期网络2的输出结果和对应的真实分期计算分期损失；将训练样本输入特征提取器1，并将特征提取器1的输出输入域自适应网络3，根据域自适应网络3输出的预测域判别结果计算域判别损失；根据分期损失和域判别损失计算总损失；根据总损失调整特征提取器1、分期网络2和域自适应网络3的参数。
[0078]
由于第一分期器21和第二分期器31参数共享，在计算梯度的过程中域自适应网络3产生的梯度也会同步更新到第一分期器21。由于目标域样本在训练时没有分期标签，所以第一分期器21的参数只能由带分期标签的源域样本更新(即使用)。为了解决这一问题，我们发明了一个梯度截止层32(gradient cut-off layer,gcl)，在前馈过程中，它将执行一个恒等映射，但在反向梯度传导的过程中能实现对梯度的截断(梯度被置为0)，从而有效地终止从域自适应网络3到源分类器的梯度传导：
[0079]
x＝gcl(x)
[0080][0081][0082]
是梯度截止层32的输出。
[0083]
第一域判别器35和第二域判别器38用于输出预测的域标签，通过构造合适的域判别器能够实现源域样本和目标域样本的分布对齐，使得目标域样本能够使用通过源域样本训练的第一分期器21来分期。yi为第i个训练样本的预测分期。
[0084]
联合分布损失的计算方法包括：
[0085]
将特征提取器1的输出输入第二分期器31，将第二分期器31的输出输入梯度截止层32，通过特征融合层33对梯度截止层32的输出和特征提取器1的输出进行融合，将特征融合层33的输出输入第一梯度反转层34，将第一梯度反转层34的输出输入第一域判别器35，根据第一域判别器35的输出计算联合分布损失。
[0086]
联合分布损失的计算公式如下：
[0087][0088]
其中，为联合分布损失，ns为源域样本的数量，n
t
为目标域样本的数量，xi为第i个样本的睡眠生理信号数值，是第i个样本的预测分期，ld是二元交叉熵损失函数，是特征融合层，e(
·
)为特征提取器，dj为第一域判别器，di为域标签，源域数据域标签定义为di＝1，目标域数据域标签定义为di＝0，ds为源域样本集合，d
t
为目标域样本集合，ld为二元交叉熵损失函数。
[0089]
当前睡眠分期向下一分期过渡的概率不同的，例如，如果当前分期是称为“觉醒”的阶段，那么下一阶段最可能的分期也是“觉醒”，而直接转移到“深睡”分期的概率是极小的，即睡眠分期转移呈现出较强的规律性，可以通过分期转移概率进行刻画，这是睡眠阶段的固有特征。基于这样的规律，在设计迁移模型的时候，除了考虑当前睡眠片段的分布对齐，还应该考虑到相邻睡眠片段的分布对齐。因此，我们发明了睡眠期转移损失，首先把相邻的h个睡眠片段构造为时间序列h为大于2的正整数，基于循环神经网络的第二域判别器38，d
t
(
·
；θ
dt
)被用来判别输入来自源域还是目标域，从而实现对源和目标域数据集在分期转移概率分布上的对齐。
[0090]
将特征提取器1的输出输入时间序列构造层37，将时间序列构造层37的输出输入第二域判别器38，根据第二域判别器38的输出计算睡眠期转移损失。
[0091]
睡眠期转移损失的计算公式如下：
[0092][0093]
其中，为睡眠转移损失，ns为源域样本的数量，n
t
为目标域样本的数量，xi为第i个样本的睡眠生理信号数值，ds为源域样本集合，d
t
为目标域样本集合，d
t
为第二域判别器，ld为二元交叉熵损失函数，di为域标签，为时间序列。
[0094]
总损失的计算公式如下：
[0095]
[0096]
其中，γ和δ是平衡参数，优化的目标是一个最小最大化的过程：
[0097][0098][0099]
θe为特征提取器参数，θc为第一分期器和第二分期器的参数，θ
dj
为第一域判别器参数，θ
dt
为第二域判别器参数。
[0100]dj
(
·
)和d
t
(
·
)要最大程度实现对不同域训练样本的区分，因此，通过调整dj(
·
)的参数最小化通过调整d
t
(
·
)的参数最小化也即最大化e(
·
)试图生成dj(
·
)和d
t
(
·
)难以判别的特征，因此，通过调整e(
·
)的参数最大化和即最小化c(
·
)的目的是准确预测睡眠阶段，所以通过调整c(
·
)的参数最小化以上过程可以交替执行以完成优化，然而为了实现端到端训练，我们借鉴了经典domain adaptive neural network网络中的梯度反转层(gradient reverse layer,grl)设计。grl可以在前馈过程中实现恒等映射。
[0101]
x＝r
λ
(x)
[0102]
而在梯度反向传播时，它可以对梯度进行负向控制，其程度可以通过一个系数λ调节：
[0103][0104]
grl中的λ在0到1的区间动态调整：
[0105][0106]
式中ε为控制系数，iter和iters分别是当前训练迭代次数和总的迭代次数。损失函数现在可以重写为：
[0107][0108][0109][0110]
其中，和分别是dj(
·
)和d
t
(
·
)两个判别器前的grl。现在整个端到端网络
只需要最小化即可，优化过程可采用标准的随机梯度下降算法。
[0111]
在一些实施方式中，对迁移学习网络模型进行训练前还包括对训练样本进行预处理，处理步骤如下：
[0112]
利用fir，iir或小波方法对训练样本进行预滤波，消除基线干扰和噪声干扰。
[0113]
以每30s作为一个片段对滤波后的训练样本进行分割，每个片段作为一个训练样本。
[0114]
图3示出了根据本技术一实施方式的睡眠分期装置的结构示意图。如图3所示，该睡眠分期装置，包括；
[0115]
第一获取模块301，用于获取待测者的睡眠生理信号作为目标域样本；
[0116]
第二获取模块302，用于获取公开睡眠数据作为源域样本，所述源域样本包括睡眠生理信号和对应的真实分期；
[0117]
第一数据处理模块303，第一数据处理模块包括特征提取模块3031、分期模块3032和域判别模块3033，所述特征提取模块用于对睡眠生理信号进行特征提取，所述分期模块用于对所述特征提取模块的输出进行分期，所述域判别模块用于判断所述特征提取模块的输出属于目标域还是源域，训练后的特征提取模块还用于提取目标域样本的特征并发送给训练后的分期模块，训练后的分期模块还用于对训练后的特征提取模块的输出进行分期，得到目标分期。
[0118]
训练模块304，用于将目标域样本和源域样本作为训练样本对所述第一数据处理模块进行训练。
[0119]
本技术实施例提供的睡眠分期装置通过迁移学习模型对特征提取器、分期网络和域自适应网络进行整体训练，使得特征提取器能够输出在源域和目标域上分布近似的特征，从而可以通过分期网络对目标域样本进行分期，得到目标分期，该方法能在复杂的实际应用场景中具有更好的泛化性和适应性，尤其适用于源域样本和目标域样本分布不同的情况。
[0120]
应当理解的是，本技术的上述具体实施方式仅仅用于示例性说明或解释本技术的原理，而不构成对本技术的限制。因此，在不偏离本技术的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。此外，本技术所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。