[发明专利]基于单专家标注数据的自动睡眠分期方法及装置

说明书

本发明公开了一种基于单专家标注数据的自动睡眠分期方法及装置，针对自动睡眠分期任务中单专家标注数据质量不高、多专家联合标注所需成本较高的问题，本发明使用两个结构一致但初始化不同的网络进行联合训练，通过预测一致性损失防止模型过拟合到错误标注标签上，并通过模型间对比学习在不依赖可能带有噪声的标签的情况下增强对特征表示的探索。实验结果表明，该算法可以有效提高在单专家标注数据集上训练的多种自动睡眠分期模型的性能。

技术领域

本发明涉及信号处理和模式识别技术领域，尤其涉及一种基于单专家标注数据的自动睡眠分期方法及装置。

背景技术

睡眠分期是评估睡眠质量和诊断睡眠障碍的重要基础。在临床上，睡眠分期主要依赖于睡眠专家根据多导睡眠图(PSG)信号对整个夜间的睡眠阶段进行手动标记。PSG通常包括多种生理指标信号，用于睡眠分期的信号主要有脑电图(EEG)、眼电图(EOG)、肌电图(EMG)等。根据美国睡眠协会的标准，PSG信号通常被划分为一系列长度为30s的睡眠信号(每30s的睡眠片段称为一个epoch)，睡眠专家将每30s的睡眠信号划分为五个睡眠阶段(W、N1、N2、N3、REM)中的一个。

由于睡眠专家手工标注的方法存在效率低、成本高的问题，许多自动睡眠分期方法被提出，其中深度学习模型在这一任务上取得了显著的效果。由于睡眠分期任务中当前时期的分类不仅依赖于其自身特征，而且与其上下文特征相关，2018年以后的主流自动睡眠分期模型通常包含提取当前时期特征的epoch编码器和提取上下文特征的序列编码器，如图1所示。现有的自动睡眠分期工作均默认标签是可靠的。但是，由于睡眠专家主观性和能力的差异，在睡眠分期数据集中通常会出现标签错误，标签错误会降低模型的分类性能。虽然目前的一些研究使用多个专家对同一PSG记录进行标注以减少标签错误，但这种方法在时间和人力上都是昂贵的。一个睡眠专家手动注释一整夜的睡眠记录大约需要两个小时。因此，开发对训练数据中的标签错误具有鲁棒性的训练方法对于睡眠分期任务至关重要。

发明内容

针对自动睡眠分期任务中获取单专家标注数据质量不高、多专家联合标注所需成本较高的问题，本发明实现了一种基于单专家标注数据的自动睡眠分期方法，旨在缓解单专家标注数据中错误标签对自动睡眠分期模型性能的影响，提高在单专家标注数据上训练的自动睡眠分期模型的性能。

为了解决上述技术问题，本发明第一方面提供了基于单专家标注数据的自动睡眠分期方法，包括：

S1：获取原始睡眠信号；

S2：构建自动睡眠分期模型框架，自动睡眠分期模型框架包括两个结构相同的分类模型，两个结构相同的分类模型都包括特征提取器、映射头和分类头，其中特征提取器用于从输入的睡眠信号中提取出特征，得到特征表示向量，映射头用于根据输入的特征表示向量得到特征映射向量，分类头用于根据输入的特征表示向量得到预测结果；

S3：将获取的原始睡眠信号经过不同的数据增强后分别输入自动睡眠分期模型框架中的两个分类模型的特征提取器中，对自动睡眠分期模型框架中的两个分类模型进行联合训练，得到训练好的自动睡眠分期模型，其中，训练过程中根据两个分类模型输出的预测结果计算分类损失和预测一致性损失，根据两个分类模型输出的特征映射向量计算对比损失，并根据分类损失、预测一致性损失以及对比损失计算出总的目标损失，并通过反向传播进行梯度回传；

S4：使用训练好的自动睡眠分期模型对待处理的信号数据进行预测，得到睡眠分期预测结果。

在一种实施方式中，步骤S2构建的自动睡眠分期模型框架中，特征提取器为包含epoch级特征提取器和sequence级特征提取器的模型，或者为仅包含epoch级特征提取器的模型。

在一种实施方式中，步骤S3中训练好的自动睡眠分期模型为包含两个分类模型的模型或者仅包含其中一个分类模型的模型。

在一种实施方式中，步骤S3中根据两个分类模型输出的预测结果计算分类损失，通过下述方式实现：