[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

说明书

本发明公开了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，属于生物医学工程和机器学习领域。本发明基于当下流行的深度学习神经网络与注意力机制，引入时序多尺度思想并设计了端到端的自动睡眠分期模型，能够充分表达睡眠信号波形与结构特征，考虑两种时间尺度下睡眠阶段转换的时序特性。与现有自动睡眠分期方法相比，本发明能够在保证较高睡眠分期准确率的同时，最大程度贴合睡眠信号特性和人工睡眠分期过程，具有较高的可解释性，为将来睡眠医学领域与人工智能领域的结合提供了新思想。

技术领域

本发明涉及生物医学工程和机器学习领域，尤其涉及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。

背景技术

睡眠占据人类生命1/3的时间，在维持身体健康方面至关重要。随着社会节奏的加快，人们的睡眠质量逐渐降低，睡眠障碍发病率逐渐升高。多导睡眠图(polysomnogram,PSG)是监测睡眠质量、诊疗睡眠疾病的金标准，其本质是从人体各个部位表面采集到的多通道生理电信号，包括脑电图、眼电图等。基于PSG的睡眠分期是诊疗睡眠疾病的前提，医生每隔30秒对PSG进行一次睡眠阶段分类。根据美国睡眠医学会的睡眠分期准则，睡眠可被分为清醒期、非快速眼动1～3期和快速眼动期共5种阶段。准确实现睡眠分期是高效诊疗睡眠疾病的保障，目前的人工分期法是通过视觉观察PSG片段波形特征进行标定，但正常人整夜睡眠时间为6～8小时，标记大规模30秒PSG片段不仅会耗费医生大量的时间和精力，还会受主观因素影响。因此，利用计算机算法提取PSG波形特征并实现自动睡眠分期，从而减轻医生压力和主观因素干扰，对于未来睡眠医学领域具有重大意义。

近年来，国内外涌现出了大量基于机器学习的自动睡眠分期算法研究，主要研究方向集中在应用深度学习模型自动提取PSG波形特征，进而实现睡眠分期。在人工睡眠分期时，医生会同时依据三种信息判断一个30秒PSG片段属于哪类睡眠阶段，包括：1)该片段内有效波形与结构信息(如脑电通道的睡眠纺锤波等波形)；2)该片段与前后相邻片段共同反映出的短时突变性时序转换信息(如清醒期→非快速眼动1期→非快速眼动2期的过渡过程)；3)该片段与前后多个片段共同反映出的长时周期性时序转换信息(如持续出现非快速眼动2期的周期过程)。目前，有些自动睡眠分期模型仅采用卷积神经网络(convolutionalneural networks,CNN)提取上述第1种片段内波形特征，忽略了若干PSG片段间的时序转换特征；还有些模型虽然加入循环神经网络(recurrent neural networks,RNN)进一步提取了PSG片段间时序转换特征，但也仅仅考虑了上述第2和第3种时序转换特征中的一种，无法同时考虑上述三种特征信息。因此，现有模型存在的问题可总结为：1)未充分提取PSG片段内波形与结构特征；2)忽略时间维度下PSG片段间时序转换特征；3)无法同时考虑两种时间尺度下PSG片段间时序转换特征(短时突变性和长时周期性时序转换信息)。综上所述，如何在符合人工睡眠分期规律的前提下，利用现有深度学习技术来充分表达PSG片段内波形与结构特征、同时提取多时间尺度片段间时序转换特征，进而保证模型较高的睡眠分期准确率与效率，是研究人员需要攻克的一个难题。

发明内容

本发明的目的在于解决现有深度学习算法在自动睡眠分期中的不足，提出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，即通过在两种时间尺度机制下结合循环神经网络特征提取、一维通道注意力与二维全局注意力特征融合的方式，充分表达PSG在不同时间尺度下的通道相关性特征和时序转换特征，在保证较高睡眠分期准确率的同时，最大程度贴合PSG信号特性和人工睡眠分期过程。

为实现以上目的，本发明采用的技术方案是，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，包括以下步骤：