一种脑电睡眠分期方法、装置、电子设备及存储介质

1.本发明涉及深度学习技术领域，特别是涉及一种脑电睡眠分期方法、装置、电子设备及存储介质。


背景技术：

2.利用脑机接口技术采集睡眠脑电信号，对采集的信号进行分析处理，得到睡眠质量相关数据，具有十分重大的意义。睡眠分期是睡眠活动领域的重点内容，通过睡眠分期，个体的睡眠活动进程变得一目了然。深睡时长、睡眠总时间以及睡眠各时期占比等睡眠质量评估指标的计算也变得简单。睡眠分期是睡眠质量评估的有利辅助。
3.现有的睡眠分期方法中，大都使用传统的深度学习算法对被试者的睡眠脑电信号进行分类处理。但传统的深度学习每次遇见一个病人时，如果只采用深度学习的方法，将会导致将大量时间运用在前面的数据分析当中。而如果要在目标个体上起效果，就需要采集大量的目标个体的数据，耗费大量时间和能耗。


技术实现要素：

4.基于此，本发明的目的在于，提供一种脑电睡眠分期方法、装置、电子设备及存储介质，针对病人样本较少的问题，能充分利用非目标域数据的信息，在目标域上迁移这种信息。并且对于每个类别只需要很少的样例数据。
5.第一方面，本发明提供一种脑电睡眠分期方法，包括以下步骤：
6.获取待分类的脑电信号；
7.将所述脑电信号输入训练好的特征提取网络，得到所述脑电信号对应的特征向量；
8.将所述特征向量输入训练好的分类器，得到所述脑电信号对应的睡眠分期分类结果；其中，所述分类器为基于元学习算法改进的原型网络。
9.进一步地，所述特征提取网络包括4个卷积层和2个最大池化层；每个卷积层顺序执行卷积运算、批量归一化和线性整流函数激活；
10.其中，卷积核用于提取时域和空域特征，最大池化层用于减少模型参数，dropout层用于防止由于样本过少来带来的过拟合。
11.进一步地，所述分类器的训练步骤包括：
12.从训练集中随机抽取一个受试者，从该受试者中随机抽取5类睡眠期间的数据，5个类分别作为支持集；
13.从训练集中再随机抽取一个受试者，从该受试者中随机抽取5类数据，每类5个作为查询集，构造5-way、k-shot实验；
14.多次构造任务进行实验，取平均的loss进行梯度下降，得到训练好的分类器。
15.进一步地，所述分类器的训练还包括以下测试步骤：
16.从测试集中随机抽取一个受试者，从该受试者中随机抽取5类数据，每个类作为支
持集；
17.从测试集中随机抽取一个跟支持集抽取时不重复的受试者，从该受试者中随机抽取5类数据，每类5个作为查询集；
18.多次构造任务进行测试，取平均准确率作为最终的测试结果精度。
19.进一步地，构造5-way、k-shot实验，包括：
20.获取由训练好的特征提取网络提取到的特征向量；
21.对所述特征向量取平均值，进行归一化处理；
22.使用softmax预测所述归一化后的特征向量对应的睡眠分期结果。
23.进一步地，所述分类器包括余弦相似度函数和softmax距离函数。
24.进一步地，使用以下公式，预测概率分布值pj：
[0025][0026][0027]
其中，pj为所述特征向量对应的睡眠分期结果概率分布值，softmax分类器中，sim为余弦相似度函数，其中u代表真实值，q代表预测值，b为误差，t为转置。
[0028]
第二方面，本发明还提供一种脑电睡眠分期装置，包括：
[0029]
脑电信号获取模块，用于获取待分类的脑电信号；
[0030]
特征向量提取模块，用于将所述脑电信号输入训练好的特征提取网络，得到所述脑电信号对应的特征向量；
[0031]
睡眠分期模块，用于将所述特征向量输入训练好的分类器，得到所述脑电信号对应的睡眠分期分类结果；其中，所述分类器为基于元学习算法改进的原型网络。
[0032]
第三方面，本发明还提供一种电子设备，包括：
[0033]
至少一个存储器以及至少一个处理器；
[0034]
所述存储器，用于存储一个或多个程序；
[0035]
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如本发明第一方面任一所述的一种脑电睡眠分期方法的步骤。
[0036]
第四方面，本发明还提供一种计算机可读存储介质，
[0037]
所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面任一所述的一种脑电睡眠分期方法的步骤。
[0038]
本发明提供的一种脑电睡眠分期方法、装置、电子设备及存储介质，运用原型网络，实现在深度学习算法后，能跨被试识别其他被试的脑电，该网络能识别出在训练过程中从未见过的新的类别，实现跨被试的脑电睡眠分期。
[0039]
针对病人样本较少的问题，原形网络(prototypical networks)能充分利用非目标域数据的信息，在目标域上迁移这种信息。并且对于每个类别只需要很少的样例数据。原形网络将每个类别中的样例数据映射到一个空间当中，并且提取他们的“均值”来表示为该
类的原形(prototype)。由于个体之间的差异，能看到不同个体之间有着不同的睡眠脑电数据。
[0040]
把原型网络如何解决预测新类别的问题转换成原型网络如何预测“新被试“的问题，实现跨被试的睡眠识别。既能节约能耗，又能提高睡眠分割的准确性。
[0041]
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
[0042]
图1为本发明提供的一种脑电睡眠分期方法的步骤示意图；
[0043]
图2为本发明在一个实施例中使用的特征提取网络的结构示意图；
[0044]
图3为本发明在一个实施例中使用的特征提取网络的预训练流程示意图；
[0045]
图4为本发明在一个实施例中support set为(5-way 2-shot)训练时的具体流程图；
[0046]
图5为本发明在一个实施例中对分类器进行训练的流程示意图；
[0047]
图6为本发明在一个实施例中对分类器进行测试的流程示意图；
[0048]
图7为本发明在一个实施例中使用的分类器的具体细节示意图；
[0049]
图8为本发明在一个实施例中使用的元学习算法中准确率与way数的相关关系示意图；
[0050]
图9为本发明在一个实施例中使用的元学习算法中准确率与shot值的相关关系示意图；
[0051]
图10为本发明提供的一种脑电睡眠分期装置的结构示意图。
具体实施方式
[0052]
为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施例方式作进一步地详细描述。
[0053]
应当明确，所描述的实施例仅仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本技术实施例保护的范围。
[0054]
在本技术实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术实施例。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0055]
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。在本技术的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
[0056]
此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，
同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0057]
针对背景技术中的问题，本技术实施例提供一种脑电睡眠分期方法，如图1所示，该方法包括以下步骤：
[0058]
s01：获取待分类的脑电信号。
[0059]
s02：将所述脑电信号输入训练好的特征提取网络，得到所述脑电信号对应的特征向量。
[0060]
在一个优选的实施例中，如图2和图3所示，所述特征提取网络包括4个卷积层和2个最大池化层；每个卷积层顺序执行卷积运算、批量归一化和线性整流函数激活。
[0061]
其中，卷积核用于提取时域和空域特征，最大池化层用于减少模型参数，dropout层用于防止由于样本过少来带来的过拟合。
[0062]
特征提取网络的训练数据集使用sleep-edf公开数据集。
[0063]
具体的，将sleep-edf数据集分割成30秒一个样本，并由专家根据r&k手册手动注释。使用psg记录中提供的fpzcz、pzoz脑电图通道，来评估和测试的模型，其采样率为100hz。每次记录开始和结束都有长时间的清醒期(w)。只包括了睡眠前后30分钟的时间，因为对睡眠分期感兴趣，因此并不需要大量的无关睡眠的清醒(w)的脑电数据，这样将不会导致挑选睡眠周期时包含大量的清醒周期。
[0064]
对于所有的数据集，排除了每个睡眠数据在开始和结束时被标记为运动或未知的运动伪迹，因为它们不属于五个睡眠阶段，从而进行伪迹消除。如果根据r&k手册对数据集进行评分，通过将n3和n4阶段合并为单个阶段n3，将其转换为与aasm手册相同，以便于数据集[9]之间的比较。
[0065]
将153个健康受试者(sc)的睡眠脑电分为训练集、测试集及验证集，其中训练集包括100个受试者，测试集包括50个受试者，验证集包括3个受试者。其中，对训练集及测试集进行数据伪迹处理后，分别对训练集的100个受试者和测试集的50个受试者进行样本的随机挑选，取30s的时间窗截取睡眠样本作为一个epoch，通道分别为fpzcz、pzoz两个通道，分别从w、n1、n2、n3、r期中各随机挑选出10个epoch，因此包括的训练集样本形状为(10000，30*100，2)，测试集样本形状为(5000，30*50，2)。
[0066]
s03：将所述特征向量输入训练好的分类器，得到所述脑电信号对应的睡眠分期分类结果；其中，所述分类器为基于元学习算法改进的原型网络。
[0067]
如图4-图7所示，分类器的训练过程包括：
[0068]
s11：从训练集中随机抽取一个受试者，从该受试者中随机抽取5类睡眠期间的数据，5个类分别作为支持集。
[0069]
在一个具体的实施例中，包括训练集的100个受试者和测试集的50个受试者的(15000，30*150，2)个样本。
[0070]
s12：从训练集中再随机抽取一个受试者，从该受试者中随机抽取5类数据，每类5个作为查询集，构造5-way、k-shot实验。
[0071]
具体的，当每个类的样本数量为2时，则构造一个5-way、2shot实验
[0072]
s13：多次构造任务进行实验，取平均的loss进行梯度下降，得到训练好的分类器。
[0073]
其中，用预训练的神经网络提取特征向量，取平均值，进行归一化处理。使用softmax做预测分析。多次构造任务进行实验，然后取平均的loss进行梯度下降。
[0074]
还包括测试阶段。
[0075]
s14：从测试集中随机抽取一个受试者，从该受试者中随机抽取5类数据，每个类作为支持集；
[0076]
s15：从测试集中随机抽取一个跟支持集抽取时不重复的受试者，从该受试者中随机抽取5类数据，每类5个作为查询集；
[0077]
s16：多次构造任务进行测试，取平均准确率作为最终的测试结果精度。
[0078]
测试时，从测试集中随机抽取一个受试者，然后从该受试者中随机抽取5类数据，每个类作为支持集(support set)，从测试集中随机抽取一个跟支持集(support set)抽取时不重复的受试者。从该受试者中随机抽取5类数据，每类5个作为查询集(query_set)，多次构造任务进行测试，然后取平均准确率作为最终的测试结果精度。
[0079]
在一个具体的实施例中，在元学习算法中，由于way和shot受到样本种类及数量的限制，因此，大致会呈现出如图8和图9所示的规律：在元学习算法中，预测精度受way数的限制，随着way数的增加，的预测精度将会下降，因此需要控制好way数，才能实现精度上的提高；预测精度受shot值的限制，随着shot值的增加，的预测精度将会上升，因此需要适当在运算条件允许的情况下适当提高shot值，才能实现精度上的提高。由于脑电睡眠分期总共仅有五个类别(w、n1、n2、n3、r期)的数据，因此way数固定为5，且shot可以根据需要变更数量，因此预测小样本学习的准确率应该会相对较高。
[0080]
根据最近的文献显示，增加fine tuning能显著增加概率分布值pj预测的准确率。因此可以根据这个思路，在fine tuning中将增加一个余弦相似度函数(cosine similarity)和softmax分类器(softmax classifier)。得到
[0081][0082]
其中，softmax分类器中，sim为余弦相似度函数，其中u代表真实值，q代表预测值，b为误差，t为转置。
[0083]
softmax距离函数使用snell等人提出的原型网络(prototypical networks)算法，在小样本学习中，给定一个小的支持集n，其中标记了示例s＝{(x1,y1),...,(xn,yn)}，其中xi∈rd是d维特征向量的一个例子，yi∈{1,...,k}是对应的标签，sk表示标记为k类的示例集。
[0084]
原型网络计算一个m维表示，其中ck∈rm或原型，通过一个嵌入函数f
φ
：rd→rm
具有可学习参数φ。每个原型都是属于其类的嵌入式支撑点的平均向量。
[0085][0086]
其中，sk表示标记为k类的示例集，ck为原型，x,y为示例集中的样本，f为包含有可学习参数的函数。
[0087]
给定一个距离函数d:rm×rm
→
[0, ∞)，原型网络基于嵌入空间中原型距离的
softmax为查询点x产生类上的分布：
[0088][0089]
其中，ck为原型网络中的原型，k为第k类示例集，x、y为示例集中的样本，p
φ
为样本属于每一个分类的概率函数。
[0090]
由于个体之间的差异，能看到不同个体之间有着不同的睡眠脑电数据。训练时，采用的是将个体当作一个类别，训练单个类别的五个睡眠时期的数据，经过深度神经网络提取特征向量，归一化处理，softmax及调参后得到一个能分类五个睡眠时期的小样本分期网络。可以针对遇见不同的人，且样本较少的情况，分割出五个睡眠时期的脑电信号。实现了一个针对不同个体、样本较少也能做出准确睡眠分割的少样本学习算法。
[0091]
使用欧几里得距离作为距离度量，训练使得本类别数据到本类原形表示的距离为最近，到其他类原形表示的距离较远。测试时，对测试数据到各个类别的原形数据的距离做softmax，来判断测试数据的类别标签。提出了一种简单的方法，即小样本学习方法，基于通过神经网络学习的表示空间中的例子来表示每个类，通过使用情景训练来训练这些网络,在小样本睡眠分期中表现良好。
[0092]
本技术实施例还提供一种脑电睡眠分期装置，如图10所示，该脑电睡眠分期装置400包括：
[0093]
脑电信号获取模块401，用于获取待分类的脑电信号；
[0094]
特征向量提取模块402，用于将所述脑电信号输入训练好的特征提取网络，得到所述脑电信号对应的特征向量；
[0095]
睡眠分期模块403，用于将所述特征向量输入训练好的分类器，得到所述脑电信号对应的睡眠分期分类结果；其中，所述分类器为基于元学习算法改进的原型网络。
[0096]
优选的，所述特征提取网络包括4个卷积层和2个最大池化层；每个卷积层顺序执行卷积运算、批量归一化和线性整流函数激活；
[0097]
其中，卷积核用于提取时域和空域特征，最大池化层用于减少模型参数，dropout层用于防止由于样本过少来带来的过拟合。
[0098]
优选的，所述分类器的训练步骤包括：
[0099]
从训练集中随机抽取一个受试者，从该受试者中随机抽取5类睡眠期间的数据，5个类分别作为支持集；
[0100]
从训练集中再随机抽取一个受试者，从该受试者中随机抽取5类数据，每类5个作为查询集，构造5-way、k-shot实验；
[0101]
多次构造任务进行实验，取平均的loss进行梯度下降，得到训练好的分类器。
[0102]
优选的，所述分类器的训练还包括以下测试步骤：
[0103]
从测试集中随机抽取一个受试者，从该受试者中随机抽取5类数据，每个类作为支持集；
[0104]
从测试集中随机抽取一个跟支持集抽取时不重复的受试者，从该受试者中随机抽取5类数据，每类5个作为查询集；
[0105]
多次构造任务进行测试，取平均准确率作为最终的测试结果精度。
m)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0124]
本发明提供的一种脑电睡眠分期方法、装置、电子设备及存储介质，运用原型网络，实现在深度学习算法后，能跨被试识别其他被试的脑电，该网络能识别出在训练过程中从未见过的新的类别，实现跨被试的脑电睡眠分期。
[0125]
针对病人样本较少的问题，原形网络(prototypical networks)能充分利用非目标域数据的信息，在目标域上迁移这种信息。并且对于每个类别只需要很少的样例数据。原形网络将每个类别中的样例数据映射到一个空间当中，并且提取他们的“均值”来表示为该类的原形(prototype)。由于个体之间的差异，能看到不同个体之间有着不同的睡眠脑电数据。
[0126]
把原型网络如何解决预测新类别的问题转换成原型网络如何预测“新被试“的问题，实现跨被试的睡眠识别。既能节约能耗，又能提高睡眠分割的准确性。
[0127]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。