[发明专利]一种基于1D CNN-LSTM的睡眠信号自动分期方法

说明书

本发明涉及一种基于1D CNN‑LSTM的睡眠信号自动分期方法，属于信号处理及模式识别领域。该方法具体包括：S1：选择数据，从睡眠数据库中选择不同通道的EEG信号以及EOG信号作为原始信号；S2：信号预处理，利用小波变换方法对原始两个通道的EEG和EOG信号分别进行预处理，选出训练集数据和测试集数据；S3：将预处理之后的信号输入深度学习分类模型中，利用深度学习算法对睡眠状态进行分期，并输出分期结果。本发明提高睡眠分期准确度，降低信号的信噪比，从而有效节省运算时间；并且通过优化算法实现准确度高的睡眠自动分期，为睡眠质量评估提供有效依据。

技术领域

本发明属于信号处理及模式识别领域，涉及睡眠自动分期以及深度学习算法，具体涉及一种基于1D CNN-LSTM的睡眠信号自动分期方法。

背景技术

目前，睡眠障碍已被确认为一种具有公共危害性的疾病，越来越受到人们的高度重视。通过各生理信号对人体睡眠状态进行分期，是客观评估睡眠质量的一种有效方法。人们可以通过对睡眠状况来对睡眠质量和某些基于睡眠的疾病如神经衰弱、心血管疾病进行检测。而睡眠分期是了解睡眠状况和睡眠质量评价的关键，基于睡眠分期的睡眠评分同时也是精神病学和神经病学最重要的诊断方法。

目前大多是基于脑电信号来对睡眠进行研究，因为其与睡眠有直接联系，可以更加准确地分析睡眠情况。通过不同分析方法提取EEG信号的特征参数，再利用分类器进行分类是睡眠分期的经典方法。对EEG的分析方法主要是从其时域、频域和非线性方面进行分析。刘志勇等通过对EEG进行非线性符号动力学分析、去趋势波动分析和频谱分析的方法，并结合最小二乘向量机分类器将睡眠状态分为5期，准确率达到92.87％，但该算法只对每个样本进行单独的训练和验证，泛化能力有待提高。谢宏等利用离散小波变换结合非线性支持向量机的方法满足了模型对泛化能力的要求，准确率为81.65％。但现有的公共睡眠数据集包含具有多个EEG通道的PSG记录，以及其他模式，如EOG或EMG通道。虽然人类睡眠专家在睡眠评分过程中使用这些方式，但很少被自动睡眠评分系统考虑。大多都仅仅只关注EEG信号，很自然地认为EEG数据的多变量性质确实携带了宝贵的信息，但它通常仅用于处理电极去除或不良信道的问题，而不是用作改进算法的杠杆。因此除EEG外，还有许多其他生理信号，如ECG，EOG，EMG也常应用于睡眠自动分期，并有助于睡眠相关疾病的鉴定。EEG在睡眠各阶段的特征波不同，EMG在觉醒阶段具有高肌电水平，而在快速眼动期具有低肌电水平。为提高睡眠分期的准确度，研究者们提出一种新的思想，即利用人体其他生理电信对睡眠进行分期研究，如心电(electrocardiogram，ECG)、EMG、EOG、血氧、呼吸等。因此，目前在睡眠生理信号的选择与预处理方面存在如下缺陷：①睡眠生理信号多，选择方式各不相同。②睡眠生理信号随机性强，易受干扰，预处理要求高。睡眠生理信号(包括EEG，EOG等)具有很高的时变敏感性，其信号极易被无关噪音污染，从而形成各种噪音和伪迹。如何对常见的噪音进行有效的消除和尽可能避免在信号中产生伪迹是预处理的关键，同时也是影响睡眠分期准确度的关键因素。

深度学习根源于神经网络算法，“深度”源于其含有多层网。深度学习的方法是受到大脑的分层处理机制的启发发展而来的。典型的浅层的机器学习算法包括隐马尔科夫模型、最大熵模型、支持向量机等，均为单层结构。因为其自身存在的局限性，从而激发了利用深度网络的动机。Hinton等人在2006年提出的深度信念网络(DBN)解决了BP算法训练多层网络时需要大量含标签的样本、收敛速度慢以及容易陷入局部最优的难题。自此以后，深度学习成为学术界关注的热点，在应用领域显示出巨大的优势。除了图像和语言方面，深度学习还应用在自然语言处理，搜索广告预测等方面。将深度学习算法用于时序信号的处理方面的成果相对较少。

在睡眠分期过程中，睡眠分期准确度是一个重要的衡量指标。睡眠分期准确度主要取决于睡眠分期特征选择和提取、特征筛选和分类器选择和分类器内部参数调优。传统的处理方式在睡眠分期准确度方面存在以下缺点：