CN111493828B - 基于全卷积网络的序列到序列的睡眠障碍检测方法 - Google Patents

Abstract

本发明公开了一种基于全卷积网络的序列到序列的睡眠障碍检测方法，该方法获取需要检测睡眠障碍的数据集，对数据集进行预处理，构建包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型并进行模型训练，利用训练后的睡眠唤醒检测网络模型进行睡眠障碍检测。本发明通过对多模态生物信号进行统一预处理，减少了工作量，提升了处理效率，并且保留了数据的上下文信息，提升了检测准确率；本发明直接从多种原始生物信号中给出睡眠唤醒指数，实现了睡眠障碍检测的自动化，并且通过序列到序列的检测方式，保留了数据在时序上的关联性，取得了更好的检测结果。

Description

基于全卷积网络的序列到序列的睡眠障碍检测方法

技术领域

本发明属于睡眠检测技术领域，具体涉及一种基于全卷积网络的序列到序列的睡眠障碍检测方法。

背景技术

睡眠质量与人体健康息息相关，睡眠障碍会影响人的精神状态，从而引发健康问题，特别是肥胖、抑郁、精神疾病(如神经衰弱)和一些心脑血管疾病等具有较高死亡风险的疾病。调查显示有睡眠障碍的人患上心肌梗死的风险比普通人高出2.6倍，中风的风险也会高出1.5-4倍。

睡眠中的呼吸障碍是导致睡眠质量低下的主要原因。导致睡眠障碍的原因有很多，如自发性的微觉醒、与呼吸努力相关的微觉醒、磨牙、打鼾、呼吸不足、呼吸暂停、周期性的腿部运动、潮式呼吸或部分气道阻塞等。在临床实验中，通常使用多导睡眠图(PSG)来进行睡眠研究和疾病的诊断，但由于PSG会受到药物(如催眠药、咖啡、茶水、酒类)、运动和疾病(如感冒)等因素的影响，所以借助PSG会导致睡眠障碍难以确定。更重要的是睡眠障碍的PSG变化很微妙，这就意味着极其容易误判。

现有的基于计算机的自动或半自动的检测算法，主要是在信号处理之后采用机器学***衡性，需要丢弃大部分的数据。由于睡眠觉醒被定义为EEG信号频率的突然变化，持续至少3秒，并且在这之前有至少10秒的稳定睡眠，因此睡眠障碍的检测需要考虑数据在时序上的相关性，所以数据切片会导致丢失部分上下文信息，从而影响准确率。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于全卷积网络的序列到序列的睡眠障碍检测方法，提高了睡眠障碍检测的检测效率和准确率。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于全卷积网络的序列到序列的睡眠障碍检测方法，包括以下步骤：

S1、获取需要检测睡眠障碍的数据集，并划分为训练集和测试集；

S2、对步骤S1获取的数据集进行预处理；

S3、构建包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型，并将处理后的训练集数据融合后进行模型训练；

S4、利用训练后的睡眠唤醒检测网络模型对处理后的测试集进行睡眠障碍检测。

进一步地，所述步骤S1中获取的数据集具体包括多模态生物信号以及对应的标注信息，其中标注信息为各类型的觉醒开始时间以及结束时间。

进一步地，所述步骤S2中对步骤S1获取的数据集进行预处理，具体包括：

采用one-hot的编码形式对数据集进行重新标注，将所有觉醒区间标注为1，非觉醒的区间则标注为0；

对数据集进行下采样处理，得到数据记录时间长度相同的数据集；

对数据集中设定时间长度的滚动窗口数据进行Z-score标准化处理，得到归一化后的数据集。

进一步地，所述步骤S3中包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型具体包括：

编码器、解码器和分类决策模块；

所述编码器将融合后的数据作为网络输入，其包括多个双层卷积模块，每个双层卷积模块依次包括一维卷积层、批标准化层、ReLU激活层、一维卷积层，批标准化层、ReLU激活层、Dropout层和最大池化层；

所述解码器将编码器的输出作为输入，其包括多个双层卷积模块，每个模块依次包含上采样层，一维卷积层、批标准化层、ReLU激活层、一维卷积层，批标准化层、ReLU激活层和Dropout层；

所述分类决策模块将解码器的输出作为输入，其包括平均池化层、一维卷积层、批标准化层、ReLU激活层、双向LSTM、全连接层和softmax层。

进一步地，所述步骤S3在模型训练过程中，每次迭代后分别计算AUPRC和AUROC分数，判断AUPRC或AUROC分数是否高于历史最高分数，若是则保存最新的网络参数，否则进行下一次迭代；直到AUPRC或AUROC分数为历史最高分数时，对应的网络参数即为最优网络参数。

进一步地，所述AUPRC分数的计算方式具体为：

AUPRC＝∑_jP_j(R_j-P_j+1)

其中，j表示第j条记录，P_j表示精确率，R_j表示召回率。

进一步地，所述AUROC分数的计算方式具体为：

其中，∑_{insi∈positiveclass}表示正样本序列之和，rank_insi表示第i条样本的序号，M表示正样本数量，N表示负样本数量。

进一步地，所述步骤S4具体包括：

将处理后的测试集作为训练后的睡眠唤醒检测网络模型输入，计算唤醒预测的概率值；并对得到的唤醒预测概率值采用双线性插值法进行上采样，得到唤醒检测的标记结果序列。

进一步地，所述双线性插值法具体包括：

设定时间x₁处的唤醒概率值为y₁，时间x₂处的唤醒概率值为y₂，分别记为(x₁,y₁)、(x₂,y₂)；根据函数f在Q₁₁＝(x₁,y₁)、Q₁₂＝(x₁,y₂)、Q₂₁＝(x₂,y₁)以及Q₂₂＝(x₂,y₂)四个点的值，首先在x方向进行线性插值，分别得到点(x,y₁)和点(x,y₂)的值，表示为

再在y方向上进行线性插值，得到函数f在插值点(x,y)的插值结果，表示为

本发明具有以下有益效果：

(1)本发明通过对多模态生物信号进行统一预处理，而不必考虑不同信号之间的差异性，可直接对各种类型的生理信号进行同一种归一化处理，也不必针对不同信号作不同时域和频域的特征提取，从而大大提升了处理效率，减少了不必要的复杂工作量；并且不再对原始数据进行切割，不会丢弃大量数据，因此不会丢失数据的上下文信息，从而提升了检测准确率；

(2)本发明通过构建包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型，可以直接从多种原始生物信号中给出睡眠唤醒指数，实现了睡眠障碍检测的自动化，并且通过序列到序列的检测方式，保留了数据在时序上的关联性，取得了更好的检测结果。

附图说明

图1是本发明基于全卷积网络的序列到序列的睡眠障碍检测方法流程图；

图2是本发明构建的包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型结果示意图；

图3是本发明与人工检测的效果对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供了一种基于全卷积网络的序列到序列的睡眠障碍检测方法，包括以下步骤S1至S4：

S1、获取需要检测睡眠障碍的数据集，并划分为训练集和测试集；

在本实施例中，本发明获取的需要检测睡眠障碍的数据集具体包括多模态生物信号以及对应的标注信息，其中标注信息为各类型的觉醒开始时间以及结束时间。

以马萨诸塞洲医院计算临床神经生理学实验室(CCNL)和临床数据动画实验室(CDAC)提供的数据集为例，数据集包括994名不同年龄阶段和性别的受试者采集的一晚上的多导睡眠图数据，每条原始数据的时长为5-10小时，这些受试者在MGH睡眠实验室进行监测，以诊断睡眠障碍。记录包括以200Hz采样的6通道EEG信号、EOG信号、3通道EMG信号、呼吸信号、ECG信号和SaO2信号以及由睡眠认证技术人员提供的注释。

在获取需要检测睡眠障碍的数据集，以一定比例随机划分为训练集和测试集，具体划分为800个训练集和194个测试集。

S2、对步骤S1获取的数据集进行预处理；

在本实施例中，本发明对步骤S1获取的数据集进行预处理，具体包括：

为了提高网络模型训练效率，采用one-hot的编码形式对数据集进行重新标注，依次读取数据集的标注信息，将所有觉醒区间标注为1，而非觉醒的区间则标注为0。

对数据集进行下采样处理，得到数据记录时间长度相同的数据集；具体而言，考虑到计算机内存容量，设置下采样的频率为50Hz；同时，由于数据集中大多数受试者的睡眠时长在7至8小时，平均睡眠时长为7.7小时，此外，数据集中大多数唤醒事件(99.7％)的持续时间小于2分钟，平均事件持续时间为30±15秒，并且，唤醒事件在数据集中的所有睡眠阶段都是不对称分布的。基于对数据的统计分析，考虑到模型的参数大小以及模型训练的稳定性和效率问题，本发明将所有训练数据都进行了下采样，并且将每条记录的数据记录时间都处理成相同的长度；经过对数据的统计分析，平均时长为7.7小时，因此选择将数据处理为7小时的时长，即每条数据有50*7*3600＝1260000个采样点。对于长度超过7小时的数据，直接丢弃后面多余的数据，对于不足7小时的数据做零值填充。

为了计算方便，加快模型的收敛速度，提高模型精度，本发明对数据集中设定时间长度的滚动窗口数据进行Z-score标准化处理，得到归一化后的数据集，具体而言，将数据变成(0，1)之间的小数。归一化是缩放单个样本以具有单位范数的过程，具体方法为对18分钟的滚动窗口数据的Z-score标准化，即对滚动窗口内的数据求均值和标准差，原始数据值减去均值后再除以方差就得到了归一化之后的值。经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：

其中，μ为滚动窗口内数据的均值，σ为滚动窗口内数据的标准差，X为处理前的数据，X^*为归一化处理之后的数据。

特别地，由于血氧饱和度本身数据值分布在-0.5至0.5之间，不会使得网络值过大而饱和，因此对血氧饱和度信号不再进行归一化处理。

本发明基于多种原始生物信号进行检测，而不必考虑不同信号之间的差异性，可直接对各种类型的生理信号进行同一种归一化处理，也不必针对不同信号作不同时域和频域的特征提取，提升了检测速度，减轻了工作量；并且不再对原始数据进行切割，不会丢弃大量数据，因此不会丢失数据的上下文信息，提升了检测结果的准确率。

S3、构建包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型，并将处理后的训练集数据融合后进行模型训练；

在本实施例中，本发明构建包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型，将经过步骤S2处理后的数据融合成一个13通道的二维数据，并将此作为网络模型的输入。以交叉熵函数作为损失函数来训练网络模型，同时在每次迭代完成之后进行测试打分，在得到比较稳定的分数之后就保存训练好的模型参数，停止训练。

本发明包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型，采用了U-Net的基本概念，通过将整个序列映射到单个通道中分割，实现了一维时间序列的分割。如图2所示，包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型具体包括：编码器、解码器和分类决策模块；

上述编码器将融合后的数据作为网络输入，其包括6个类似的双层卷积模块，每个双层卷积模块依次包括一维卷积层、批标准化层、ReLU激活层、一维卷积层，批标准化层、ReLU激活层、Dropout层和最大池化层；其中，前三个双层卷积模块中卷积层的卷积核数目为71，后三个双层卷积模块中卷积层的卷积核数目为35；前两个双层卷积模块中最大池化层缩减倍数为5，后四个双层卷积模块中最大池化层缩减倍数为2；Dropout层的衰减因子为0.2。数据经过编码器后，6个卷积模块分别得到6个输出y_i(i＝1～6)。编码器中双层卷积模块的参数设置如表1所示。

表1、编码器中双层卷积模块参数表

模块	输出尺寸	卷积核个数	扩张系数
				1	24*630000	71	1
2	48*126000	71	1
				3	96*25200	71	1
4	48*12600	35	1
				5	24*6300	35	2
6	12*3150	35	4

上述解码器将编码器的输出y_i作为输入，其包括5个类似的双层卷积模块，每个双层卷积模块依次包含上采样层，一维卷积层、批标准化层、ReLU激活层、一维卷积层，批标准化层、ReLU激活层和Dropout层；5个双层卷积模块中卷积层的卷积核数目均为35，Dropout层的衰减因子为0.2。每上采样一次，就和编码器部分的输出中对应的通道数相同尺度的数据融合，即将上采样之后的数据和编码器输出中通道数相同的对应数据拼接在一起，拼接后的数据作为下一个解码器单元的输入。解码器中双层卷积模块的参数设置如表2所示。

表2、解码器中双层卷积模块参数表

上述分类决策模块将解码器的输出作为输入，其包括一个平均池化层、一维卷积层、批标准化层、ReLU激活层、双向LSTM、全连接层和softmax层。数据经过前四层处理后再输入进入一个双向LSTM，该LSTM层包含128个单元，它对解码之后的数据执行序列到序列的特征学习，即输入序列和输出序列等长，输入的序列数据中的每一个元素均有一个与之对应的输出。将LSTM输出的特征向量输入至全连接层进行分类，最后经过softmax函数计算每个向量的唤醒概率进行分类，从而判断所述特征向量所对应位置是否属于觉醒区域。其中模型的交叉熵损失函数为：

其中，p(x)表示真实的概率分布，q(x)表示预测概率分布。

在模型训练过程中，每次迭代后分别计算精确召回曲线下的区域面积(AUPRC)和接受者操作特征曲线下面积(AUROC)分数，判断AUPRC或AUROC分数是否高于历史最高分数，若是则保存最新的网络参数，否则进行下一次迭代；直到AUPRC或AUROC分数为历史最高分数，即AUPRC和AUROC分数均稳定不再变化时，判断此时的模型为最优，对应的网络参数即为最优网络参数。

上述AUPRC分数的计算方式具体为：

AUPRC＝∑_jP_j(R_j-P_j+1)

其中，j表示第j条记录；P_j表示精确率，即预测正确的正样本数量与预测的所有的正样本数量之比；R_j表示召回率，即预测正确的正样本数量与所有真实的正样本数量之比。这里针对整个测试集计算总AUPRC分数，即对于每个可能的j值，计算整个测试数据库的精度和召回率，而非计算每条记录的精度和召回率之后再算平均精度和召回率。

上述AUROC分数的计算方式具体为：

其中，∑_{insi∈positiveclass}表示正样本序列之和，rank_insi表示第i条样本的序号，即概率得分从小到大排，排在第rank个位置，M表示正样本数量，N表示负样本数量。

S4、利用训练后的睡眠唤醒检测网络模型对处理后的测试集进行睡眠障碍检测。

在本实施例中，上述步骤S4具体包括：

将处理后的测试集作为训练后的睡眠唤醒检测网络模型输入，计算唤醒预测的概率值；并对得到的唤醒预测概率值采用双线性插值法进行上采样，得到唤醒检测的标记结果序列。

本发明将处理后的测试集作为训练后的睡眠唤醒检测网络模型输入，最终输出为一个二维的向量，该向量在第二个维度上的值即表示对应元素处于唤醒区间的概率，当概率值大于设置阈值时，我们认为该值对应的元素处于唤醒区间，这里设定阈值为0.5，否则就不属于唤醒区间。

由于在步骤S2中对数据预处理进行了下采样操作，为了得到与原始数据相同的预测序列数据，本发明将得到的预测数据利用双线性插值法进行了上采样，上采样之后得到的序列即为唤醒检测的标记结果序列。

上述双线性插值法具体包括：

设定时间x₁处的唤醒概率值为y₁，时间x₂处的唤醒概率值为y₂，分别记为(x₁,y₁)、(x₂,y₂)；假设需要在[x₁,x₂]区间内某一位置x上***值y，即得到未知函数f在点P＝(x,y)的值，根据已知数据可以得到函数f在Q₁₁＝(x₁,y₁)、Q₁₂＝(x₁,y₂)、Q₂₁＝(x₂,y₁)以及Q₂₂＝(x₂,y₂)四个点的值，首先在x方向进行线性插值，分别得到点(x,y₁)和点(x,y₂)的值，表示为

再在y方向上进行线性插值，得到函数f在插值点P＝(x,y)的插值结果，表示为

本发明提出的基于全连接网络的序列到序列的睡眠障碍检测方法，简化了数据的预处理工作，不用再对数据进行信号处理来去噪以及提取特征，也不必再对数据进行切片，直接从多种原始生物信号中给出睡眠唤醒指数，实现了睡眠障碍检测的自动化，并且通过序列到序列的检测方式，保留了数据在时序上的关联性，取得了更好的检测结果。

如图3所示，为本发明与人工打分的效果对比图，其中1代表出现睡眠障碍，0代表正常睡眠。可以看到，本发明的检测结果基本完全和专业人员一致。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.一种基于全卷积网络的序列到序列的睡眠唤醒检测网络模型构建方法，其特征在于，包括以下步骤：

S1、获取需要检测睡眠障碍的数据集，并划分为训练集和测试集；

S2、对步骤S1获取的数据集进行预处理，具体包括：

采用one-hot的编码形式对数据集进行重新标注，将所有觉醒区间标注为1，非觉醒的区间则标注为0；

对数据集进行下采样处理，得到数据记录时间长度相同的数据集；

对数据集中设定时间长度的滚动窗口数据进行Z-score标准化处理，得到归一化后的数据集；

S3、构建包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型，并将处理后的训练集数据融合后进行模型训练；其中包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型具体包括：

编码器、解码器和分类决策模块；

所述编码器将融合后的数据作为网络输入，其包括多个双层卷积模块，每个双层卷积模块依次包括一维卷积层、批标准化层、ReLU激活层、一维卷积层，批标准化层、ReLU激活层、Dropout层和最大池化层；

所述解码器将编码器的输出作为输入，其包括多个双层卷积模块，每个模块依次包含上采样层，一维卷积层、批标准化层、ReLU激活层、一维卷积层，批标准化层、ReLU激活层和Dropout层；

所述分类决策模块将解码器的输出作为输入，其包括平均池化层、一维卷积层、批标准化层、ReLU激活层、双向LSTM、全连接层和softmax层。

2.如权利要求1所述的基于全卷积网络的序列到序列的睡眠唤醒检测网络模型构建方法，其特征在于，所述步骤S1中获取的数据集具体包括多模态生物信号以及对应的标注信息，其中标注信息为各类型的觉醒开始时间以及结束时间。

3.如权利要求1所述的基于全卷积网络的序列到序列的睡眠唤醒检测网络模型构建方法，其特征在于，所述步骤S3在模型训练过程中，每次迭代后分别计算AUPRC和AUROC分数，判断AUPRC或AUROC分数是否高于历史最高分数，若是则保存最新的网络参数，否则进行下一次迭代；直到AUPRC或AUROC分数为历史最高分数时，对应的网络参数即为最优网络参数。

4.如权利要求3所述的基于全卷积网络的序列到序列的睡眠唤醒检测网络模型构建方法，其特征在于，所述AUPRC分数的计算方式具体为：

AUPRC＝∑_jP_j(R_j-P_j+1)

其中，j表示第j条记录，P_j表示精确率，R_j表示召回率。

5.如权利要求3所述的基于全卷积网络的序列到序列的睡眠唤醒检测网络模型构建方法，其特征在于，所述AUROC分数的计算方式具体为：

其中，∑_{insi∈positiveclass}表示正样本序列之和，rank_insi表示第i条样本的序号，M表示正样本数量，N表示负样本数量。

Images