[发明专利]一种基于深度学习的睡眠监测网络模型的构建方法及系统、睡眠监测方法

权利要求书

1.一种基于深度学习的睡眠监测网络模型的构建方法，其特征在于，包括：

S1：获取睡眠监测数据，其中，睡眠监测数据为PSG数据；

S2：获取CBCT影像学数据；

S3：对获取的睡眠监测数据进行预处理，得到PSG文本数据；

S4：构建深度学习网络模型，深度学习网络模型包括第一特征提取模块、第二特征提取模块、特征融合模块和后处理模块，其中，第一特征提取模块用于从PSG文本数据中提取文本特征，第二特征提取模块用于从CBCT影像学数据中提取影像特征，特征融合模块采用多模态双线性矩阵分解池化方法，用于将文本特征和影像特征进行融合得到联合特征，后处理模块用于根据联合特征得到睡眠监测指标；

S5：将PSG文本数据和CBCT影像学数据作为训练数据，对深度学习网络模型进行训练，得到训练好的模型。

2.如权利要求1所述的基于深度学习的睡眠监测网络模型的构建方法，其特征在于，步骤S3包括：对PSG监测数据进行人工分图，获得PSG文本数据。

3.如权利要求1所述的基于深度学习的睡眠监测网络模型的构建方法，其特征在于，步骤S4的深度学习网络模型中，第二特征提取模块为卷积网络CNN，用于从CBCT影像学数据中提取图像特征x。

4.如权利要求3所述的基于深度学习的睡眠监测网络模型的构建方法，其特征在于，步骤S4的深度学习网络模型中，第一特征提取模块包括循环神经网络RNN和文本卷积网络textCNN，循环神经网络用于从PSG文本数据中提取初步特征，文本卷积网络基于循环神经网络提取的初步特征生成与图像特征同维度的注意力特征y。

5.如权利要求1所述的基于深度学习的睡眠监测网络模型的构建方法，其特征在于，步骤S4的深度学习网络模型中，特征融合模块采用多模态双线性矩阵分解池化方法，对不同模态数据进行双线性融合，并结合矩阵分解，对原始特征进行高维映射，然后进行对应元素逐个相乘，再进行池化操作。

6.如权利要求1所述的基于深度学习的睡眠监测网络模型的构建方法，其特征在于，步骤S5的训练过程中，将CBCT影像学数据对应的呼吸生物学指标与PSG文本数据通过特征融合模块得到的联合特征，作为深度学习网络模型的输入，将监测指标作为回归任务的目标训练模型，并调整模型的参数，得到训练好的模型。

7.一种基于深度学习的睡眠监测网络模型的构建系统，其特征在于，包括：

睡眠监测数据获取模块，用于获取睡眠监测数据，其中，睡眠监测数据为PSG数据；

影像学数据获取模块，用于获取CBCT影像学数据；

预处理模块，用于对获取的睡眠监测数据进行预处理，得到PSG文本数据；

模型构建模块，用于构建深度学习网络模型，深度学习网络模型包括第一特征提取模块、第二特征提取模块、特征融合模块和后处理模块，其中，第一特征提取模块用于从PSG文本数据中提取文本特征，第二特征提取模块用于从CBCT影像学数据中提取影像特征，特征融合模块采用多模态双线性矩阵分解池化方法，用于将文本特征和影像特征进行融合得到联合特征，后处理模块用于根据联合特征得到睡眠监测指标；

训练模块，用于将PSG文本数据和CBCT影像学数据作为训练数据，对深度学习网络模型进行训练，得到训练好的模型。

8.一种睡眠监测方法，其特征在于，包括：

将待处理的CBCT影像学数据输入权利要求1至6中任一项权利要求所构建的睡眠监测网络模型，得到睡眠监测指标。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任一项权利要求所述的方法。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6中任一项权利要求所述的方法。