[发明专利]基于深度迁移学习的单通道耳脑电自动睡眠分期方法

说明书

本发明属于睡眠监测技术领域，基于深度迁移学习的单通道耳脑电自动睡眠分期方法，包括以下步骤：(1)信号采集及预处理，(2)特征提取，(3)模型适配，(4)模型评估。本发明具有以下优点：一是，使用CNN对源域数据进行端对端的训练，自动提取睡眠脑电数据SHHS的特征；二是，使用3个结构相同但网络参数不同的1D CNN进行并行特征提取，提取睡眠脑电数据SHHS的时域、时频域及频域特征；三是，采用深度迁移学习算法，完成源域和目标域数据的适配，四是，搭建的深度迁移学习模型，使得适用于脑电信号的睡眠分期模型应用于耳脑电信号上，完成不同受试者、不同设备、不同通道的迁移，实现连续的自动睡眠分期。

技术领域

本发明涉及一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法，属于睡眠监测技术领域。

背景技术

人的一生中约有1/3的时间在睡眠中度过，良好的睡眠质量可以帮助身体和大脑恢复机能、巩固记忆和保存能量。但是，随着现代社会生活节奏的不断加快，越来越多的人面临严重的睡眠障碍。实际上许多与大脑相关的疾病，在清醒状态时很难被发现。当人处于睡眠状态时，大脑对外部环境的刺激反应衰减，这时病症就会显现出来。因此，分析人体睡眠质量对诊断大脑疾病、改善睡眠质量和提升健康生活水平具有重要意义。

睡眠质量评估的一个重要内容是对睡眠脑电信号进行睡眠分期。根据最新美国睡眠医学会AASM标准，睡眠可分为清醒期W，快速眼动期REM和非快速眼动期N1、N2、N3，其中N1和N2为浅睡期，N3为深度睡眠期。目前临床睡眠检测技术主要是根据多导睡眠图(Polysomnographic,PSG)同步采集脑电图(EEG)、肌电图(EMG)、心电图(ECG)、眼电图(EOG)、血氧饱和度、心率和肢体运动等信号对每30s的睡眠阶段进行人工判定。这种人工判定方式不仅费时费力，而且判读的结果很大程度上依赖于睡眠专家的专业水平和个人经验。此外，PSG本身存在着费用昂贵、工作量大、易引起不适影响正常睡眠等局限性，制约其无法推广应用。最新研究表明脑电可以传导到耳道内，耳脑电传感器具有佩戴舒适、鲁棒性高和适合长时间采集等优点，这意味着耳道脑电具有适合作为睡眠状态监测的独特优势。然而，耳道脑电的睡眠分期准确率仅达70％左右，与同步采集的头皮睡眠脑电分期准确率(80％左右)相比还存在一定的差距。其主要原因在于模型忽略了脑电信号的个体差异性和信号源差异，导致模型的泛化能力较弱。

发明内容

为了克服现有技术中存在的不足，本发明目的是提供一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法。该方法对源域单通道脑电信号通过卷积神经网络进行自动特征提取，得到脑电信号自动分期模型，再通过深度迁移学习算法将脑电信号的自动分期模型迁移应用于耳脑电信号上，实现基于耳脑电信号的自动睡眠分期，改进睡眠分期性能。

为了实现上述发明目的，解决已有技术中所存在的问题，本发明采取的技术方案是：一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法，包括以下步骤：

步骤1、信号采集及预处理，采集受试者耳脑电信号，以及对睡眠数据库单通道头皮脑电信号及采集的耳脑电信号进行预处理，具体包括以下子步骤：

(a)、目标域数据的采集及预处理，采用耳脑电电极采集受试者整夜耳脑电信号，设置采样频率为125Hz，将采集后的耳脑电信号依次选取3750个采样点，作为一个睡眠时期，即一个30s的睡眠时期，对采集到的耳脑电信号进行睡眠专家评分，以便后续进行模型评估，并对耳脑电信号进行0.1-50Hz的带通滤波；

(b)、源域数据的选取及预处理，选取美国国家睡眠研究资源提供的睡眠心脏健康研究数据SHHS中接近正常多导睡眠图记录的100个受试者的C4-A1通道数据作为源域数据；将源域数据中非快速眼动期的深度睡眠期标签S3、S4合并为非快速眼动期N3，并排除体动和未知标签；考虑到非快速眼动期N1数据少，通过合成少数类过采样技术SMOTE将源域数据处理为类平衡数据，并对源域数据进行0.1-50Hz的带通滤波；