[发明专利]一种基于深度神经网络的自动睡眠分期及迁移方法

权利要求书

1.一种基于深度神经网络的自动睡眠分期及迁移方法，其特征在于：

S1、采集受试者的睡眠脑电以及眼电信号作为迁移学习的目标数据集；

S2、选取数据集作为迁移学习的源数据集；

S3、对所述的源数据集和目标数据集中的数据进行预处理；

S4、构建基于深度神经网络的自动睡眠分

期模型；

S5、使用源数据集对构建的自动睡眠分期模型进行训练，训练完成后可对源域上的数据进行自动睡眠分期，对目标域则可以得到预训练后的模型；

S6、使用少量目标数据集上的数据对预训练后得到的模型进行迁移，并将迁移后得到的模型对目标数据集上的数据进行自动睡眠分期；

步骤S4中，构建基于深度神经网络的自动睡眠分期模型包括以下步骤：

S41、每个输入样本中包含一个30s的EEG信号片段以及一个30s的EOG信号片段，将预处理后的EEG信号和EOG信号以一维信号的形式分别输入到模型的两个CNN中，分别从EEG和EOG信号中进行特征提取；

S42、处理EEG信号和EOG信号的两个CNN具有相同的网络结构，因此统一进行描述，输入的信号首先经过一个sinc一维卷积层，该卷积层中的各个卷积核使用不同参数的sinc函数对输入样本进行卷积，具有带通滤波器的效果，输出的各个通道是具在某个频率范围内的信号，且由于sinc层各个卷积核参数只有两个，因此该卷积层在具有良好的特征提取能力的同时可以有效减少模型参数，提升泛化性能；

S43、sinc卷积层的输出随后输入到3个连续的一维卷积模块中，每个卷积模块中，首先经过一个一维卷积层，然后经过一个最大池化层，最后把池化层的输出经过一个WeightNormalization(WN)以及一个leaky Relu，得到每个一维卷积模块的输出；

S44、S43中3个连续的一维卷积模块中最后一个模块的输出作为输入，输入到一个rule-based一维卷积模块中，该卷积模块根据AASM睡眠分期标准，在两个通道中采用了不同的池化方法，使得输出能更有效地提取与分期标准相关的特征；首先rule-based一维卷积模块的输入分别分发到该模块的两个通道中作为它们的输入：第一个通道的输入首先经过一个一维卷积层，随后该卷积层的输出经过WN和leaky Relu，最后经过一个特殊设计的最大池化层，该池化层的核大小和步长大小的设计思想是使得其输出的长度只有4个数据点，从而模拟AASM标准中判断特殊波形是否出现的规则；第二个通道与第一个通道除了最后的池化层，前面的结构完全相同，该通道最后的池化层使用的是平均池化层，该池化层的核大小为输入的长度，步长为1，基本思想是对该层的所有输入数据点作平均，模拟AASM标准中计算波形出现时间的规则；最后，rule-based一维卷积模块中，把两个通道的输出先flatten为一维输出之后，再拼接两个通道的输出，得到一个最终的一维输出作为该模块的输出；

S45、在S44中，模型的分别处理EEG和EOG的两个CNN都得到的一个一维的输出，将这两个一维输出拼接之后，经过一个dropout层，得到CNN部分最终的一个一维输出；

S46、为了提取时间上相邻的各个30s的输入样本之间的时序信息，在中，把N个相邻的样本分别输入到S41-S45描述的CNN部分后，得到N个输入样本对应的N个一维输出，作为双向LSTM的N个时间点上的输入，N可以通过权衡模型的学习利能力以及模型的运算时间来选择，一般在5-20之间；最终从双向LSTM得到N个时间点上的一维输出,并分别把这些输出经过一个dropout层；

S47、把S46中得到的LSTM部分的N个一维输出，与S45得到的CNN部分的N个一维输出，按相同的时间片段拼接起来，得到N个一维输出，分别输入到一个具有全连接(FC)层，该FC层的激活函数为leaky Relu，然后其输出再经过一个的dropout层，最后把dropout层的输出输入到具有5个神经元的softmax层，最终就得到了各个30s输入样本对应5个睡眠阶段的输出概率，取对应概率最大的阶段就得到睡眠分期结果。