[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

说明书

本发明公开了一种基于深度神经网络的自动睡眠分期及迁移方法，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；本发明提出了一种改进的基于深度神经网络的自动睡眠分期模型及其迁移方法，在得到源数据和目标数据后，先使用预处理方法对数据进行降噪等处理，随后利用源数据集中的数据对提出的深度神经网络模型中进行预训练，最终把预训练后的模型在目标数据集上进行迁移，得到的迁移后的模型就可以对目标域上的新数据进行自动睡眠分期，且分期结果能够取得较高的准确率。

技术领域

本发明属于信号处理及模式识别技术领域，具体涉及一种基于深度神经网络的自动睡眠分期及迁移方法。

背景技术

面对与日俱增的生活工作压力，越来越多的人被迫加入到快节奏的生活方式中来。与之相伴而来的，是睡眠障碍疾病的对人们造成的困扰，个体睡眠质量急剧下降。在这样的时代背景下，进行睡眠活动相关研究，改善睡眠质量，具有重要的意义。睡眠分期是睡眠活动研究领域的重点内容。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效率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。

近几年来，深度学习在计算机视觉、语音处理和自然语言处理等领域上取得突破性的进展，因此也有越来越多的研究在深度神经网络的基础上，设计了睡眠分期方法，这些方法与传统机器学习方法下那个比，可以有效地避免特征提取的复杂性以及特征选择的主观性。虽然如此，这些应用于睡眠分期的深度学习方法仍存在以下缺陷：首先是这些研究使用的卷积神经网络(CNN)在结构上没有很好地契合睡眠分期的特点，因此降低了它们提取的特征的有效性和泛化性；其次是这些研究没有充分探索基于深度学习的睡眠分期模型在具有不同特性的数据集上的迁移性能，但在实际应用中通常需要把模型应用到具有不同特性的数据集上且数据集里数据的数量往往很小，因此需要提升模型迁移到小数据集上的迁移性能。因此，亟需一种能够提取睡眠脑电中有效的、契合睡眠分期规则的特征的深度神经网络模型，从而提高该模型在睡眠分期应用上的有效性和泛化性，同时也可以使得模型能够有效地迁移到小数据上，提升实际应用价值。

发明内容

本发明的目的在于提供一种基于深度神经网络的自动睡眠分期及迁移方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于深度神经网络的自动睡眠分期及迁移方法：

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。

优选的，步骤S1中，所采用的信号采集方法如下：在信号采集过程中，所使用的采集设备为32通道的脑电采集帽以及信号放大器，受试者需要戴上脑电采集帽后入睡，所有通道的脑电信号均以右耳突为参照，在中仅采集“C3”通道的脑电信号，以及左右两个通道的垂直眼电信号，其中“C3”通道的脑电信号和“HEOL”、“HEOG”两个通道的眼电信号用于供给睡眠专家进行人工睡眠时期评定，用于后续计算实时睡眠分期系统的分期准确率，只有“C3”通道的脑电信号用于分期模型的训练和实时睡眠分期，在脑电采集的过程中，所有电极的阻抗值皆为5kΩ以下，信号均以250Hz的采样频率采样。