[发明专利]一种通过自动睡眠分期结果的常见睡眠疾病检测方法

说明书

本发明公开了一种通过自动睡眠分期结果的常见睡眠疾病检测方法，包括以下步骤：S1、获取健康人、患有夜间额叶癫痫的患者、患有阻塞性睡眠呼吸暂停的患者的睡眠数据集；S2、特征提取；S3、采用时间注意力结合条件随机场构建睡眠自动分期模型；S4、采用迁移学习进行患者数据集分期；S5、构建睡眠疾病检测模型：将睡眠分期的预测结果作为输入数据，打上相应身体状态的标签，制作睡眠疾病检测数据集；然后通过机器学习Xgboost模型进行训练，得到睡眠疾病检测模型。本发明采用条件随机场和时间注意力模型，可以有效提取睡眠数据的时间连续性信息；引入迁移学习，将睡眠疾病数据集迁移到健康人数据集的网络上；数据量少，且可以完成多种睡眠疾病检测。

技术领域

本发明属于睡眠检测技术领域，具体涉及一种通过自动睡眠分期结果的常见睡眠疾病检测方法。

背景技术

睡眠是人类生理活动中最重要的昼夜节律之一。睡眠质量会影响许多基本活动的表现，例如学习，记忆和注意力集中。目前，患有睡眠障碍及睡眠疾病的人越来越多。常见的睡眠疾病有夜间癫痫和阻塞性呼吸暂停综合征。夜间癫痫发作症状对睡眠结构有明显影响，表现为睡眠效率的降低和REM睡眠数量的减少，肢体抽搐，意识丧失等。阻塞性呼吸暂停患者记忆力减退，注意力不能集中，引起躁动、多梦、遗尿、阳痿、晨起头痛等。严重持久的病人可并发高血压、心律失常、心肺功能衷竭等。睡眠疾病严重危害到人们的健康。睡眠质量评估最重要的部分是睡眠阶段的分类，即将不同睡眠时间段划分为WAKE、REM、N1、N2和N3期，共五个正常类别。睡眠分期有助于诊断与睡眠有关的疾病。在传统的睡眠分期方法中，受试者必须通过佩戴多导睡眠脑电记录仪记录多导睡眠图。睡眠专家通过监视信号对睡眠阶段进行分类，这费时费力且容易受到睡眠专家的主观影响。所以研究者们开始不断研究自动睡眠分期方法。自动睡眠分期方法的研究算法大致分为两类，传统的机器学习以及应用人工神经网络的深度学习。

早期，研究者们通过提取特征结合机器学习的方式来进行自动睡眠分期。最常见的方法机器学习分类方法包括决策树、随机森林，支持向量机。Fraiwan通过提取时频特征、熵特征结合随机森林分类器进行分类。Zhu提取时频特征，使用支持向量机进行分类。Hassan使用来自可调Q因子小波变换和随机森林分类器进行分类。但是使用特征提取与传统机器学习相结合的算法，普遍存在准确率不高、不适用于大规模训练样本、N1期识别率低、忽略信号以及标签的时间连续性等缺点，实用性不高。

随着人工神经网络的发展，深度学习在睡眠分期领域类逐渐流行，深度学习是机器学习领域中一个新的研究方向，它通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。近年来，深度学习在睡眠分期领域取得了很多成果。2018年，Olesen用大规模多通道数据集，采用50层卷积的CNN方法，得到了84％的准确率，但是其CNN层数太多，耗费计算资源太多，不容易工程化。2019年，Yildirim等人通过19层1D-CNN模型，达到了90％以上的准确率，并且该算法适用于入睡正常与入睡困难人群。然而，CNN提取的时间信息少，且层数多，跳跃性强，忽略了时间连续性。2020年，Wei Qu等人通过CNN提取特征，结合注意力机制与残差神经网络进行睡眠分期，得到了84％以上的准确率，并且解决了上述深度学习因为网络层次太多而耗时过多的问题。但其准确率偏低，且网络结构复杂。

有了自动睡眠分期结果即睡眠状态后，睡眠医生可以根据睡眠状态判断常见睡眠疾病，如夜间癫痫，阻塞性睡眠呼吸暂停等。而现在利用计算机进行自动睡眠疾病检测的研究主要针对单一的睡眠疾病。如Zhao在EEG中提取相关特征，通过卷积网络来判断被试是否患有癫痫。Zarei用ECG通过小波变换和提取熵特征来检测被试是否患有阻塞性睡眠呼吸暂停疾病。但是，目前并没有通过睡眠分期结果直接判断多种睡眠疾病的研究。

发明内容

本发明的目的在于克服现有技术的不足，提供一种采用条件随机场和时间注意力模型，可以有效提取睡眠数据的时间连续性信息，数据量少，且可以完成多种睡眠疾病检测的通过自动睡眠分期结果的常见睡眠疾病检测方法。