[发明专利]一种基于片段-序列两阶段训练框架的睡眠分期方法及系统

权利要求书

1.基于“片段—序列”两阶段训练框架的睡眠分期方法，其特征在于，包括如下步骤：

步骤1、对单信道脑电数据文件进行处理，去除首尾预定长度的清醒期数据，只保留睡眠阶段的监测数据，并统一存储为EDF文件；

步骤2、将步骤1中单信道脑电数据EDF文件按照比例分为两个部分，第一个部分P用作脑电片段模型和脑电序列模型的训练和验证，第二个部分R用作脑电片段模型和脑电序列模型测试；

步骤3、读取第一个部分P中带有标签的单信道脑电监测数据，进行数据移动平滑处理，得到p'；

步骤4、对p'数据进行片段化和多通道扩展，形成脑电片段数据集T1；

步骤5、将所述脑电片段数据集T1按比例划分为脑电片段训练集M1、脑电片段验证集V1；

步骤6、将脑电片段训练集M1随机打乱片段顺序，用于训练基于脑电片段的CNN网络模型，并通过脑电片段验证集V1选择最佳的脑电片段模型结构和模型参数；

步骤7、将脑电片段最佳CNN网络模型结构和模型参数存储下来，保存后缀为“.pth”的脑电片段模型文件F1；

步骤8、将步骤3中未打乱片段顺序的脑电片段数据集T1，按照时间步t进行划分，形成脑电序列数据集T2；

步骤9、将脑电序列数据集T2按照比例划分为脑电序列训练集M2、脑电序列验证集V2；

步骤10、读取脑电片段模型文件F1获取片段模型及其参数，连接序列模型，将脑电序列训练集M2随机打乱序列顺序，用来训练基于脑电“片段—序列”的“CNN-RNN”网络模型，并通过脑电序列验证集V2选择最佳的模型结构和参数；

步骤11、将脑电最佳“CNN-RNN”网络模型结构和模型参数存储下来，保存为后缀为“.pth”的脑电“片段—序列”模型文件F2；

步骤12、读取脑电“片段—序列”模型F2文件，使用步骤2中的脑电测试集R，对测试集R中的单信道脑电数据文件，进行睡眠分期序列分类。

2.根据权利要求1所述的睡眠分期方法，其特征在于，所述步骤3中，得到p'的具体平滑方法如下：

对于P中的每个文件，读取当中的单信道脑电监测数据列表{x₁,x₂,...,x_n}，对脑电监测数据列表当中的每一个数据都进行移动平滑，得到平滑后的数据{x′₁,x′₂,...,x′_n}，将平滑后的数据组合起来形成P′，根滑动窗口大小的不同，记作K，可以获取不同的平滑效果，假设平滑窗口大小K＝2s+1，则移动平滑后的x′_t(t＝1,2,...,n)的计算公式为：

3.根据权利要求1所述的睡眠分期方法，其特征在于，所述步骤4中，形成脑电片段数据集T1的具体操作步骤如下：

步骤4.1、将监测数据按照标签所表示的片段长度s进行划分，并按照片段长度s进行标准化处理，形成通道A1；

步骤4.2、将监测数据整体进行标准化，再按照片段长度s进行划分，形成通道B1；

步骤4.3、将通道A1与通道B1进行合并后，形成基于片段的脑电片段数据集T1。

4.根据权利要求3所述的睡眠分期方法，其特征在于，所述步骤6的具体流程如下：

步骤6.1、对打乱顺序的脑电片段训练集M1中的片段通道A1和片段通道B1分别进行两支路的卷积，片段通道A1的两条支路的卷积分别为CNN1和CNN2，片段通道B1的两条支路的卷积分别为CNN3和CNN4；

步骤6.2、将CNN1、CNN2、CNN3、CNN4四个分支的结果进行合并全连接；

步骤6.3、对步骤6.2的结果进行dropout处理后，连接5个输出单元输出；

步骤6.4、对步骤6.3的输出结果进行softmax处理后按类别输出。