应用前额叶单通道脑电信号对睡眠分期的深度学习算法的制作方法

1.本发明涉及一种睡眠分期的深度学习算法，具体为应用前额叶单通道脑电信号对睡眠分期的深度学习算法，属于睡眠分期技术领域。


背景技术：

2.睡眠监测和心率、血氧以及血压等日常生理指标监测一样是十分重要的日常监测项目之一，睡眠监测不仅是患有睡眠障碍的人有需求，还包括很多普通人以及一些慢性病患者。基于脑电的睡眠分期会比基于心电或者脉率、体动等的方法要精确许多。目前基于脑电信号做睡眠监测的方法主要基于多通道，比如脑电信号(eeg)、眼电信号(eog)和肌电信号(emg)等，或者是基于头顶中轴位置的单通道，如fpz-oz、pz-cz等单通道脑电信号。
3.多通道的方法，比如医院采用的睡眠多导图(polysomnography，psg)，所使用的通道数遍布头部以及身体多个部位；而头顶中轴单通道的方法使用的是fpz-cz或者pz-oz通道。这两种方法对于普通人的睡眠监测会有诸多不便，佩戴方式也比较繁琐，甚至会影响睡眠，针对解决上述问题，本发明采用的是基于前额叶的单通道脑电信号(fp1-fp2)实现睡眠分期的深度学习。


技术实现要素：

4.本发明的目的就在于为了解决上述问题而提供应用前额叶单通道脑电信号对睡眠分期的深度学习算法。
5.本发明通过以下技术方案来实现上述目的，应用前额叶单通道脑电信号对睡眠分期的深度学习算法，包括训练模型的建立和最终输出预测，其特征在于：所述训练模型的建立包括fp1-fp2脑电数据的采集、30s分段处理和搭建深度学习网络三个阶段，最后建立训练模型；
6.所述最终输出预测需要经过fp1-fp2脑电数据的采集和30s分段处理，然后再将处理好的信号送入建立好的深度学习模型后得到最终输出预测。
7.优选的，所述fp1-fp2脑电数据的采集是在人脑前额叶fp1-fp2位置放置柔性贴片电极采集脑电信号；同时佩戴上psg设备进行数据采集，然后针对psg设备采集的数据进行标注，这个标注作为模型训练的标签使用。
8.优选的，所述30s分段处理是对原始脑电信号进行30s每段的信号分段处理；并提取对应标注的标签。
9.优选的，所述搭建深度学习网络是使用pytorch深度学习框架进行搭建，所述深度学习网络结构包括表征学习和序列学习两个阶段；
10.所述表征学习阶段是针对睡眠阶段中的时不变特征进行提取，所述序列学习阶段是针对睡眠中的时间信息进行学习。
11.优选的，所述表征学习阶段包括以下几个步骤；
12.第一步：首先使用一层64通道的卷积层和池化层对输入的原始信号进行处理；
13.第二步：然后为了防止过拟合，加了一层dropout层，dropout可设置抛弃网络层中神经元的概率，设定之后一定比例的神经元会被抛弃掉，以此进行过拟合问题的缓解；
14.第三步：再使用三层128通道的卷积层进行特征学习；
15.第四步：最后再使用max-pool层缩减特征的规模，同时为了防止过拟合，再使用一层dropout层。
16.优选的，所述序列学习阶段是仅使用一层双向的lstm网络层，再加一层防止过拟合的dropout层；
17.最后使用softmax函数输出睡眠阶段的输出层。
18.优选的，所述深度学习网络搭建完毕后，将采集得到的信号依据对应标注的标签，划分为清醒、快速眼动时期、浅睡和深睡这四个类别；然后将原始脑电数据和对应的标签送入深度学习模型中进行训练。
19.优选的，所述训练过程中，使用反向传播算法和adam随机优化算法，通过网络不断迭代，直到达到最佳的accuracy值和loss值，此时再将该训练模型进行保存；
20.所述睡眠类别划分时采用权重交叉熵损失函数进行区间划定。
21.优选的，所述保存下来的训练模型即为深度学习模型；
22.然后采集新的fp1-fp2脑电数据，之后进行30s的分段处理，最后将处理好的分段数据直接送入该深度学习模型中进行预测，并依据模型给出预测结果。
23.本发明的有益效果是：1、本发明采用的fp1-fp2前额叶单通道脑电位于人脑额头部位，采集电极使用柔性贴片电极，十分轻薄，对于佩戴者来说，采集和佩戴都十分便利，且近乎无感的佩戴不会影响佩戴者的夜间睡眠。
24.2、本发明使用了深度学习模型，采用cnn和bi-lstm的框架，节约了人工定义特征的时间成本，也带来了精确度的提高，同时为了提升非均衡数据的分类精确度，使用了权重交叉熵损失函数，结果证明对非均衡数据，在不做任何数据增强的情况下，可带来睡眠分期精确度的提升。
附图说明
25.图1为本发明最终输出预测流程图；
26.图2为本发明模型训练流程图；
27.图3为本发明深度学习模型框架。
具体实施方式
28.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
29.请参阅图1-3所示，应用前额叶单通道脑电信号对睡眠分期的深度学习算法，包括训练模型的建立和最终输出预测，其特征在于：训练模型的建立包括fp1-fp2脑电数据的采集、30s分段处理和搭建深度学习网络三个阶段，最后建立训练模型；
30.最终输出预测需要经过fp1-fp2脑电数据的采集和30s分段处理，然后再将处理好
的信号送入建立好的深度学习模型后得到最终输出预测。
31.fp1-fp2脑电数据的采集是在人脑前额叶fp1-fp2位置放置柔性贴片电极采集脑电信号；同时佩戴上psg设备进行数据采集，然后针对psg设备采集的数据进行标注，这个标注作为模型训练的标签使用。
32.30s分段处理是对原始脑电信号进行30s每段的信号分段处理；并提取对应标注的标签。
33.搭建深度学习网络是使用pytorch深度学习框架进行搭建，深度学习网络结构包括表征学习和序列学习两个阶段；
34.(pytorch是一个开源的python机器学习库，基于torch，用于自然语言处理等应用程序，pytorch既可以看作加入了gpu支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络)。
35.深度学习网络的构建使用的是卷积网络(convolution neural networks，简称cnn)和长短时记忆(long short-term memory，简称lstm)的结合框架。
36.表征学习阶段是针对睡眠阶段中的时不变特征进行提取，序列学习阶段是针对睡眠中的时间信息进行学习，比如睡眠过渡原则，睡眠专家使用睡眠过渡规则来基于前一阶段睡眠特征来判断下一个睡眠阶段的可能性，整个网络框架如图3所示。
37.表征学习阶段包括以下几个步骤；
38.第一步：首先使用一层64通道的卷积层和池化层对输入的原始信号进行处理；
39.第二步：然后为了防止过拟合，加了一层dropout层，dropout可设置抛弃网络层中神经元的概率，设定之后一定比例的神经元会被抛弃掉，以此进行过拟合问题的缓解；
40.第三步：再使用三层128通道的卷积层进行特征学习；
41.第四步：最后再使用max-pool(池化层的简称)层缩减特征的规模，同时为了防止过拟合，再使用一层dropout层。
42.序列学习阶段是仅使用一层双向的lstm(lstm为长短时记忆的简称)网络层(简称bi-lstm)，再加一层防止过拟合的dropout层；
43.最后使用softmax函数输出睡眠阶段的输出层。
44.深度学习网络搭建完毕后，将采集得到的信号依据对应标注的标签，划分为清醒、快速眼动时期、浅睡和深睡这四个类别；然后将原始脑电数据和对应的标签送入深度学习模型中进行训练。
45.训练过程中，使用反向传播算法和adam随机优化算法，通过网络不断迭代，直到达到最佳的accuracy值和loss值，此时再将该训练模型进行保存；
46.所述睡眠类别划分时采用权重交叉熵损失函数进行区间划定；
47.睡眠数据集是非均衡的数据集，为了提高睡眠分期的精确度，网络训练过程中使用了权重交叉熵损失函数；数据量比较少的类别的权重会设定的比较大。
48.保存下来的训练模型即为深度学习模型；
49.然后采集新的fp1-fp2脑电数据，之后进行30s的分段处理，最后将处理好的分段数据直接送入该深度学习模型中进行预测，并依据模型给出预测结果；
50.依据模型给出的预测结果，能够绘制睡眠分期图。
51.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包
含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。