[发明专利]睡眠分期模型的训练方法、睡眠分期方法及装置

权利要求书

1.一种睡眠分期模型的训练方法，包括：

对源域数据进行预处理，得到源域数据集，所述源域数据包括心律失常数据；

利用所述源域数据集训练初始睡眠分期模型，得到预训练睡眠分期模型；以及

利用目标域数据集训练所述预训练睡眠分期模型，得到用于对睡眠数据进行分类的睡眠分期模型，其中，所述目标域数据集包括单导联心电数据和呼吸数据。

2.根据权利要求1所述的方法，其中，所述源域数据集包括训练样本集，所述训练样本集包括多个数据组，所述数据组包括两个单导联心电数据；所述初始睡眠分期模型包括多个初始子模型；所述利用所述源域数据集训练初始睡眠分期模型，得到预训练睡眠分期模型包括：

将所述训练样本集输入所述多个初始子模型，得到多个子分类结果；

根据所述多个子分类结果，确定预测类别；

基于所述预测类别，确定与所述预测类别对应的样本，得到优化训练样本集；以及

利用所述优化训练样本集训练初始睡眠分期模型，得到所述预训练睡眠分期模型。

3.根据权利要求1所述的方法，其中，所述睡眠分期模型包括第一分类模块、第二分类模块和补充特征提取模块，所述利用目标域数据集训练所述预训练睡眠分期模型，得到用于对睡眠数据进行分类的睡眠分期模型包括：

将所述目标域数据集输入第一分类模块，输出第一特征数据，其中，所述第一分类模块为经过的调整的所述预训练睡眠分期模型；

将所述目标域数据集输入补充特征提取模块，输出第二特征数据和第三特征数据；

将所述第一特征数据、所述第二特征数据和所述第三特征数据输入所述第二分类模块，输出分类结果；

根据所述分类结果调整所述预训练睡眠分期模型的网络参数，直至所述分类结果满足预设条件，将所述分类结果满足预设条件的预训练睡眠分期模型作为睡眠分期模型。

4.根据权利要求3所述的方法，其中，将所述第一特征数据、所述第二特征数据和所述第三特征数据输入所述第二分类模块，输出分类结果包括：

所述第一特征数据包括多个第一子特征数据，将所述多个第一子特征数据进行合并，得到第一输入特征数据；

将所述第二特征数据和所述第三特征数据做降维处理，得到第二输入特征数据和第三输入特征数据；

将所述第一输入特征数据、所述第二输入特征数据和所述第三输入特征数据进行合并，得到总输入数据；

将所述总输入数据输入所述第二分类模块，得到分类结果。

5.根据权利要求1所述的方法，其中，所述对所述源域数据进行预处理，得到源域训练样本集包括：

对所述源域数据进行降采样，得到预设频率的源域数据；

对所述预设频率的源域数据进行随机截取或补零，得到数据长度一致的源域数据；

对所述数据长度一致的源域数据进行上采样，得到样本数量均衡的源域训练样本集。

6.根据权利要求5所述的方法，其中，所述对所述数据长度一致的源域数据进行上采样，得到样本数量均衡的源域训练样本集包括：

基于所述源域数据，确定所述源域数据中的基准类别，所述基准类别为样本数最多的类别；

在所述基准类别的样本数为所述源域数据中第一类别的样本数的整数倍时，直接复制所述第一类别的样本，得到与所述基准类别的样本数相同的第一类样本；

在所述基准类别的样本数不是所述源域数据中第二类别的样本数的整数倍时，在所述第二类别的样本中随机抽取样本，得到与所述基准类别的样本数相同的第二类样本。

7.根据权利要求1所述的方法，其中，所述初始睡眠分期模型包括卷积神经网络模块、双向门循环单元层和自注意力层；其中

所述卷积神经网络模块用于处理所述目标域数据集，输出第一结构特征数据；

所述双向门循环单元层用于处理所述第一结构特征数据，输出第二结构特征数据；

所述自注意力层用于处理所述第二结构特征数据，输出第三结构特征数据。