[发明专利]一种基于时序多尺度混合注意力模型的自动睡眠分期方法

权利要求书

1.一种基于时序多尺度混合注意力模型的自动睡眠分期方法，其特征在于包括以下步骤：

1)将整夜多通道PSG按30秒切分为等长的片段，取T个多通道PSG片段组成的序列和中间t时刻PSG片段对应的独热睡眠标签y_t作为训练数据集其中，1:T表示时间维度标号序列{1,2,…,t,…,T-1,T}，t为中间时刻，1:C表示通道维度标号序列{1,2,…,C-1,C}，C表示通道总数量，表示中间t时刻包含C个通道信号的PSG片段，表示第i个连续T个时刻C个通道信号的PSG片段序列，表示对应的标签，M表示为训练样本数量；

2)对于训练集中所有样本序列内每个多通道PSG片段，分别按通道维度拆分为多个单通道一维信号；随后对每个单通道一维信号分别进行短时傅里叶变换，生成相应的二维时频矩阵，最终得到多通道PSG时频矩阵训练集其中，表示对应的多通道PSG二维时频矩阵；

3)用生成的多通道PSG时频矩阵训练集训练时序多尺度混合注意力模型，具体为：

a)利用神经网络线性层对各个训练样本序列内每一时刻多通道PSG片段的所有二维时频矩阵进行滤波，生成去除冗余频带信息的时频矩阵；

b)通过片段内层级的待训练循环神经网络与注意力机制对a)步骤得到的所有滤波后二维时频矩阵分别进行深度特征提取与融合，计算出各个训练样本序列内所有时刻多通道片段内时序表征

c)对b)步骤得到的所有时刻多通道片段内时序表征序列选取中间t时刻与前后相邻时刻的多通道片段内时序表征通过片段间层级的新的待训练循环神经网络表达时间窄尺度下多通道片段间时序特征序列

d)基于c)步骤得到的时间窄尺度下中间t时刻多通道片段间时序特征采用一维通道注意力机制融合出窄尺度局部表征{L_narrow⁽ⁱ⁾,i＝1,2,…,M}，用于表达时间窄尺度下中间t时刻有效波形信息；同时针对时间窄尺度下多通道片段间时序特征序列采用二维全局注意力机制融合出窄尺度全局表征{G_narrow⁽ⁱ⁾,i＝1,2,…,M}，用于表达片段间短时突变性时序转换信息；

e)针对b)步骤得到的整体所有时刻多通道片段内时序表征序列通过片段间层级的另一新的待训练循环神经网络表达时间宽尺度下多通道片段间时序特征序列

f)基于e)步骤得到的时间宽尺度下中间t时刻多通道片段间时序特征采用一维通道注意力机制融合出宽尺度局部表征{L_wide⁽ⁱ⁾,i＝1,2,…,M}，用于表达时间宽尺度下中间t时刻有效波形信息；同时针对时间宽尺度下多通道片段间时序特征序列采用二维全局注意力机制融合出宽尺度全局表征{G_wide⁽ⁱ⁾,i＝1,2,…,M}，用于表达片段间长时周期性时序转换信息；

g)将d)和f)步骤中两种时间尺度下计算得到的局部表征与全局表征{L_narrow⁽ⁱ⁾,L_wide⁽ⁱ⁾,G_narrow⁽ⁱ⁾,G_wide⁽ⁱ⁾,i＝1,2,…,M}拼接成高维表征，经过神经网络线性层降维后输入softmax分类器，输出模型预测中间t时刻的独热睡眠标签

4)根据模型预测的所有训练样本序列中间t时刻睡眠标签与训练集中真实睡眠标签计算交叉熵损失函数，记为J(Θ)，进行端到端的模型训练，其计算公式为：

其中，Θ为时序多尺度混合注意力模型的参数集合，M表示为训练样本数量；

5)选取T个多通道PSG片段组成的待检测序列

6)对待检测多通道PSG片段序列进行2)步骤中短时傅里叶变换预处理之后，将相应的多通道PSG二维时频矩阵序列输入到训练好的时序多尺度混合注意力模型中，得到中间t时刻独热睡眠分类结果

7)根据模型分类结果标记中间t时刻PSG片段属于哪种睡眠阶段；至此，完成基于时序多尺度混合注意力模型的自动睡眠分期过程。

2.根据权利要求1所述的一种基于时序多尺度混合注意力模型的自动睡眠分期方法，其特征在于所述的步骤3)中，用生成的多通道PSG时频矩阵训练集训练时序多尺度混合注意力模型，具体包括：

a)利用神经网络线性层对训练样本序列内每一时刻多通道PSG片段的所有二维时频矩阵进行滤波，生成去除冗余频带信息的时频矩阵，其中，对于第i个训练样本序列中间t时刻PSG片段第1个通道，其二维时频矩阵滤波过程表示为：

其中，为滤波后结果，W_filter为神经网络线性层待训练的参数；

b)通过片段内层级的待训练循环神经网络与注意力机制对所有滤波后二维时频矩阵分别进行深度特征提取与融合，用于表达片段内时序信息，对于步骤a)中的其特征提取与特征融合的具体过程为，先将该二维时频矩阵按列拆分为连续多个列向量，记为n为矩阵列数，片段内循环神经网络RNN_intra对其特征提取过程表示为：

其中，为RNN_intra对滤波后时频矩阵列向量序列学习出的网络隐层特征向量序列，θ_intra为片段内循环神经网络RNN_intra内待训练的参数；随后，采用注意力机制对网络隐层特征向量序列进行特征融合，计算公式为：

其中，为经过特征融合得到的片段内时序表征，代表每个列向量的注意力权重，W_γ和b_γ为待训练的参数，σ(·)为sigmoid激活函数σ(z)＝1/(1+e^-z)，按通道维度逐一计算后，得到第i个训练样本序列中间t时刻多通道时频矩阵对应的多通道片段内时序表征进一步计算出第i个训练样本序列所有时刻多通道片段内时序表征

c)对于步骤b)得到的第i个训练样本序列所有时刻多通道片段内时序表征选取中间t时刻与前后相邻时刻对应的多通道片段内时序表征并利用片段间层级的新的待训练循环神经网络表达时间窄尺度下每个通道的片段间时序特征信息，其中，对于第1个通道3个时刻的片段内时序表征序列窄尺度片段间循环神经网络RNN_narrow对其提取窄尺度片段间时序特征的计算公式为：

其中，为该通道时间窄尺度下片段间时序特征序列，θ_narrow为窄尺度片段间循环神经网络RNN_narrow内待训练的参数，对每个通道逐一计算后，生成时间窄尺度下第i个训练样本序列3个时刻多通道片段间时序特征序列

d)基于步骤c)得到的窄尺度多通道片段间时序特征序列内中间t时刻多通道片段间时序特征按通道维度展开，记为采用一维通道注意力机制表达时间窄尺度下中间t时刻有效波形信息，计算公式为：

其中，L_narrow⁽ⁱ⁾为经过特征融合得到的第i个训练样本序列时间窄尺度局部表征，代表一维通道注意力权重，W_α和b_α为待训练的参数，σ(·)为sigmoid激活函数；同时对于步骤c)得到的窄尺度多通道片段间时序特征序列将每一时刻多通道片段间时序特征按通道维度展开，采用二维全局注意力机制同时对通道维度与时间维度进行特征融合，表达片段间短时突变性时序转换信息，计算公式为：

其中，G_narrow⁽ⁱ⁾为经过特征融合得到的第i个训练样本序列时间窄尺度全局表征，为二维全局注意力权重，W_β和b_β为待训练的参数，σ(·)为sigmoid激活函数；

e)针对步骤b)得到的第i个训练样本序列所有时刻多通道片段内时序表征利用片段间层级的另一新的待训练循环神经网络表达时间宽尺度下每个通道的片段间时序特征信息，其中，对于第i个训练样本序列第1个通道的片段内时序表征序列宽尺度片段间循环神经网络RNN_wide对其提取宽尺度片段间时序特征的计算公式为：

其中，为该通道时间宽尺度下片段间时序特征序列，θ_wide为宽尺度片段间循环神经网络RNN_wide内待训练的参数；对每个通道逐一计算后，生成时间宽尺度下第i个训练样本序列所有时刻多通道片段间时序特征序列

f)基于步骤e)得到的宽尺度多通道片段间时序特征序列内中间t时刻多通道片段间时序特征按通道维度展开，记为采用一维通道注意力机制表达时间宽尺度下中间t时刻有效波形信息，计算公式为：

其中，L_wide⁽ⁱ⁾为经过特征融合得到的第i个训练样本序列时间宽尺度局部表征，代表一维通道注意力权重，W_A和b_A为待训练的参数，σ(·)为sigmoid激活函数；同时对于步骤e)得到的宽尺度多通道片段间时序特征序列将每一时刻多通道片段间时序特征按通道维度展开，采用二维全局注意力机制同时对通道维度与时间维度进行特征融合，表达片段间长时周期性时序转换信息，计算公式为：

其中，G_wide⁽ⁱ⁾为经过特征融合得到的第i个训练样本序列时间宽尺度全局表征，为二维全局注意力权重，W_B和b_B为待训练的参数，σ(·)为sigmoid激活函数；

g)将步骤d)与步骤f)得到的两种时间尺度下融合出的第i个训练样本序列局部特征L_narrow⁽ⁱ⁾、L_wide⁽ⁱ⁾与全局特征G_narrow⁽ⁱ⁾、G_wide⁽ⁱ⁾拼接成高维表征，通过神经网络线性层进行降维，并使用softmax分类器进行结果预测，计算公式为：

其中，为模型预测第i个训练样本序列内中间t时刻的独热睡眠标签，⊕代表拼接操作，W_y、W_FC、b_y和b_FC为待训练的参数，softmax(·)表示softmax分类器。