CN112641451B - 基于单通道脑电信号多尺度残差网络睡眠分期方法及*** - Google Patents

Abstract

本发明公开了一种基于单通道脑电信号的多尺度残差网络睡眠分期方法及***，包括：步骤S1：采集原始单通道脑电信号作为输入信号；步骤S2：构建多尺度残差睡眠自动分期网络，将输入信号输入到多尺度残差睡眠自动分期网络进行训练，并输出睡眠分期结果；步骤S3：对输出结果进行评估。本发明公开的基于单通道脑电信号的多尺度残差网络睡眠分期方法通过采用多种尺度的卷积核从原始单通道脑电信号中自动提取特征，即使在非平稳条件下，也能够提高模型的鲁棒性和信号特征的表征能力。此外本发明利用残差网络中的恒等映射和残差映射，让网络能够有效地学习单通道脑电信号的特征，克服传统深度学习网络中的退化问题。

Description

基于单通道脑电信号多尺度残差网络睡眠分期方法及***

技术领域

本发明涉及脑电信号处理领域，特别地涉及一种单通道脑电信号多尺度残差网络睡眠分期方法及***。

背景技术

世界卫生组织(WHO)在2104年的研究表明，全世界有27％的人存在睡眠障碍，其中，有近3亿人存在失眠问题，5000万人在睡眠过程中发生过呼吸暂停。长期睡眠不足，睡眠质量低下，将危害人的生理心理健康，导致免疫力下降，严重的甚至会引发一系列的生理疾病，如心脑血管疾病、健忘症等，对人体的生命活动造成严重的威胁。为了改善睡眠问题，首先需要做的便是对睡眠问题进行诊断，而睡眠分类则是睡眠分析中最关键的一步。所以，睡眠分期已经成为诊断失眠、嗜睡症等睡眠障碍问题的重要工具。

目前主要的睡眠分期方法多为基于人睡眠时的多导生理信号，这包含了脑电、肌电和眼电等多种信号。但是采集多导生理信号的采集需要受试者佩戴多个电极，这不仅会让受试者感受到身体上的不舒适，同时也会使其造成心理上的压力。此外多电极设备价格昂贵，所以需要更高的成本。因此目前主流的方法集中在使用单通道脑电信号进行睡眠自动分期。目前基于脑电信号的睡眠自动分期算法主要可以分为两类，一是传统机器学习算法；二是基于深度学习的方法。但是这两类方法依然存在下述缺陷：

1、机器学***稳性等特性，而且数据个体多样化，这使得为特定人群构建一种特征提取器的方法非常的费时间。

2、基于深度学习的方法虽然近年来大量被提出，但是很多方法效果不够显著，并且存在很多缺陷。从整体正确率上看，目前很多方法得到的模型睡眠分类的整体正确率均在80％～90％，具有较大的提高空间。很多算法并没有表现出足够的鲁棒性，具体表现为训练数据与验证数据都为所有受试者数据，这样的交叉验证不能证明***在未知受试者的数据上依然具有同样的表现。此外很多睡眠自动分类方法在N1阶段的分类效果非常差。这些问题都是由于端到端的深度学习睡眠自动分期算法是属于类别不均衡的数据分类问题，所以大多数模型学习后的分类效果并不是很理想。

重庆邮电大学王强强、赵德春等申请的公开号为CN108742517A，于2018年11月6日公开，发明名称为“一种基于Stacking单导联脑电睡眠自动分期方法”的中国发明专利申请中，使用IIR滤波函数和集成学习算法进行分类。大连理工大学刘蓉、梁洪宇等申请的公开号为CN109674468A，于2019年4月26日公开，发明名称为“一种单导脑电自动睡眠分期方法”的中国发明专利申请中，使用随机森林模型作为分类器，并且运用大量复杂的信号处理方法提取脑电信号的时域、频域、非线性领域的特征。这两类方法，首先都需要人为设计脑电信号特征提取过程，具有较大的主观性，此外两种方法使用的训练测试数据集均较小，当该方法在遇到未知的受试者时，其表现会出现较大的误差。

重庆邮电大学赵德春、王怡等申请的公开号CN110432870A，于2019年11月12日公开，发明名称为“一种基于1D CNN-LSTM的睡眠信号自动分期方法”的中国发明专利申请中，联合了卷积核长短记忆网络提取学习睡眠时的脑电信号和眼电信号特征，实现睡眠的自动分期。但是该方法需要额外的信号预处理过程，即利用小波变换对两种睡眠信号进行预处理。此外该方法使用了多种信号，这大大增加了睡眠时生理信号的采集难度。

因此如何高效、简单地采集脑电信号，并且有效、准确地解决脑电信号的睡眠的自动分期问题成为一个亟待解决的问题。

发明内容

为了解决上述技术问题，本发明提供一种基于单通道脑电信号的多尺度残差网络睡眠分期方法，本发明中使用多种尺度的卷积核，更加全面地提取睡眠脑电信号特征，提高了睡眠分期的整体性能。本发明构建残差网络，有效的解决了因为网络过深而导致的梯度***现象，提高了模型的睡眠分期效率。

本发明技术解决方案为：一种基于单通道脑电信号的多尺度残差网络睡眠分期方法，包括：

步骤S1：采集原始单通道脑电信号作为输入信号；

步骤S2：构建多尺度残差睡眠自动分期网络，将所述输入信号输入到所述多尺度残差睡眠自动分期网络进行训练，并输出睡眠分期结果；

步骤S3：对所述输出结果进行评估。

本发明与现有技术相比，具有以下优点：

1、本发明选用单通道脑电信号进行睡眠自动分期，单通道信号采集相对简单，对人睡眠几乎没有影响，信号采集效率高，成本低；

2、本发明提出方法为端到端的深度学习方法，无需任何额外的数字信号滤波处理过程，避免了人为参与睡眠脑电信号特征提取这一繁琐的过程；

3、本发明公开了一种多尺度残差睡眠自动分类网络，具有泛化能力强、准确度高的特点。采用多种尺度的卷积核从原始单通道脑电信号中自动提取特征，即使在非平稳条件下，也能够提高模型的鲁棒性和信号特征的表征能力。此外本发明利用残差网络中的恒等映射和残差映射，让网络能够有效地学习单通道脑电信号的特征，克服传统深度学习网络中的退化问题。

附图说明

图1为本发明实施例中一种基于单通道脑电信号的多尺度残差网络睡眠分期方法的流程图；

图2为本发明实施例中一种基于单通道脑电信号的多尺度残差网络睡眠分期方法中步骤S2：构建多尺度残差睡眠自动分期网络，将输入信号输入到多尺度残差睡眠自动分期网络进行训练，并输出睡眠分期结果的流程图；

图3为本发明实施例中基于单通道脑电信号的多尺度残差网络睡眠分期方法中步骤S21：将输入信号进行采样以及数据处理，构建训练数据的流程图；

图4为本发明实施例中多尺度残差睡眠自动分期网络的结构示意图；

图5为本发明实施例中多尺度残差睡眠自动分期网络中卷积块结构示意图；

图6为本发明实施例中多尺度残差睡眠自动分期网络中一条通道以及残差连接的示意图；

图7a为本发明实施例中多尺度残差睡眠自动分期网络处理前的睡眠分期结果的可视化图；

图7b为本发明实施例中多尺度残差睡眠自动分期网络处理后的睡眠分期结果的可视化图；

图8为本发明实施例中一种基于单通道脑电信号的多尺度残差网络睡眠分期***的结构框图。

具体实施方式

本发明提供了一种单通道脑电信号多尺度残差网络睡眠分期方法及***，选用单通道脑电信号进行睡眠自动分期，单通道信号采集相对简单，对人睡眠几乎没有影响，信号采集效率高，成本低；本发明提出方法为端到端的深度学***稳条件下，也能够提高模型的鲁棒性和信号特征的表征能力。此外本发明利用残差网络中的恒等映射和残差映射，让网络能够有效地学习单通道脑电信号的特征，克服传统深度学习网络中的退化问题。

为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。

实施例一

如图1所示，本发明实施例提供的一种基于单通道脑电信号的多尺度残差网络睡眠分期方法，包括下述步骤：

步骤S1：采集原始单通道脑电信号作为输入信号；

本发明实施例使用的睡眠数据集包括Sleep-EDF、Sleep-EDFx和CinC Challenge2018三个数据集。本发明实施例按照美国睡眠协会的睡眠评分手册，将睡眠分成W、N1、N2、N3、R五个阶段。

Sleep-EDF数据来自于8位高加索男性和女性(21-35岁)分为两个子集(分别以sc*与st*命名)，其中以sc*命名的四段记录是健康受试者在正常生活中24小时的脑电信号，以st*命名的四段记录是来自在医院进行夜间睡眠测试且有轻微睡眠障碍的受试者的信号。所有数据都包含有Fpz-Cz和Pz-Oz两个通道，均以100Hz的频率采样。数据包含睡眠阶段W,R,S1,S2,S3,S4,M及“unscored”，由经过良好培训的技术人员手动评分得出。为了适应实际应用，在本发明中去掉了占比极少的M与“not scored”阶段，同时根据最新的美国睡眠医学会的睡眠评分手册，将S3与S4合并为N3。

第二个数据集为Sleep-EDFx，该数据为Sleep-EDF数据集的拓展版本，包含153例SC*文件以及44例ST*文件，所有处理情况均与Sleep-EDF数据集类似。

第三个数据集为CinC Challenge 2018(CC2018)，该数据集是由美国马萨诸塞州总医院的计算临床神经生理学实验室和临床数据实验室提供。该数据集包括1,985名受试者，这些受试者在睡眠实验室进行监测以诊断睡眠障碍。本发明中随机抽取了200名受试者数据作为数据集，使用其C4-M1通道的数据并删除了占比极少的未定义时期。三个数据集的睡眠阶段统计情况如表1所示。

表1.三个数据集中各睡眠阶段统计情况

在本发明实施例中，使用留出法验证和5-fold交叉验证，训练集与验证集的比例划分为8：2。因为Sleep-EDF数据集仅包含8个受试者，样本量过小，故本发明不使用Sleep-EDF数据集进行留出法验证实验。其余两个数据中训练集及验证集的划分情况如表2所示。

表2.训练接和测试集划分

在本步骤中，为了最大限度的降低脑电信号采集对受试者睡眠的影响，本发明实施例中使用Fpz-Cz或者Pz-Oz通道数据。脑电信号以100Hz的采样率采集，按照每30秒一个片段进行切割，即每个睡眠阶段具有3000个样本点。每个片段对应一个睡眠阶段标签。

步骤S2：构建多尺度残差睡眠自动分期网络，将输入信号输入到多尺度残差睡眠自动分期网络进行训练，并输出睡眠分期结果；

步骤S3：对睡眠分期结果进行评估。

如图2所示，在一个实施例中，上述步骤S2：构建多尺度残差睡眠自动分期网络，将输入信号输入到多尺度残差睡眠自动分期网络进行训练，并输出睡眠分期结果，包括：

步骤S21：将输入信号进行采样以及数据处理，构建训练数据；

步骤S22：将训练数据经过预处理卷积层进行预处理，得到特征信号序列；

步骤S23：将特征信号序列通过至少一个通路处理，再经过平均池化，得到至少一个特征向量，通路包括至少一个残差块，至少一个残差块包括至少两个卷积块；

步骤S24：将至少一个特征向量合并，连接到全连接层，输出睡眠分期结果。

如图3所示，在一个实施例中，上述步骤S21：将输入信号进行采样以及数据处理，构建训练数据，包括：

步骤S211：对输入信号进行翻转，添加随机噪声；

为了实现增大训练数据的目的，对每个输入信号进行0.5概率的翻转，添加1％的随机噪声。此外，为了适应不同的脑电采集设备以及不同受试者的个体差异，采用了如下述步骤S212的归一化处理。

步骤S212：对输入信号的第5分位数和第95分位数据，根据如下公式(1)进行归一化处理:

其中，x为输入信号；S_0.95(x)为信号中第95分位的信号；S_0.05(x)为信号中第5分位的信号；x_no_rm为归一化后的训练数据，其值的范围为[-1,1]。经过上述处理，构建出1×3000大小的输入信号可直接作为多尺度残差睡眠自动分期网络的输入，而不需要任何其他滤波处理。本发明实施例中的单通道信号的采集相对简单，对人睡眠几乎没有影响，信号采集效率高，成本低。

在一个实施例中，上述步骤S22：将训练数据经过预处理卷积层进行预处理，得到特征信号序列，包括：将所述训练数据进行卷积操作、批标准化操作、激活函数和池化操作。

如图4所示，本发明实施例中的训练数据首先经过一个预处理卷积层，该预处理卷积层由大小为1×15的卷积、批标准化、ReLU激活函数和1×3大小的最大池化构成。训练数据经过预处理卷积层处理后，输出64个通道的特征信号序列，表示为64×750。

如图5所示，在一个实施例中，上述步骤S23中的卷积块，包括：如下述公式(2)所示的卷积操作、如下述公式(3)所示的批标准化操作以及如下述公式(4)所示的激活函数；

其中，

为卷积算子；x为输入；μ为权重；y为输出；b为偏置；

s＝BN(y) (3)

其中，BN为批标准化操作；s是批标准化操作后的输出向量；

h＝ReLU(s) (4)

其中，h是经过激活函数ReLU计算后的卷积块的输出向量。

由于神经网络会因为堆叠而产生退化。因此，本发明实施例通过使用残差网络，使得网络的内部结构拥有了恒等映射的能力，以保证在堆叠网络的过程中，从而解决了神经网络因为继续堆叠而产生退化。

残差网络的输入为x，一个有参网络层为H，则该层的输出将为H(x)。一般的卷积神经网络会直接通过训练学习出参数函数H的表达，从而直接学习x->H(X)。而残差网络则是使用多个有参网络层来学习输入、输出之间的残差，即F(x)＝H(x)–x，F(x)为残差函数。如果残差值F(x)为0，那么当前的网络层只是一个恒等映射，不会对网络有任何影响。如果残差值不为0，可以通过增加网络中的层数来提高网络的性能。因此残差网络可以在网络层次加深的情况下，避免退化现象的发生。

在一个实施例中，上述步骤S23中残差块包括至少两个卷积块，其中，每个残差块如下述公式(5)～(8)所示：

h₁＝B(x) (5)

h₂＝B(h₁) (6)

y＝h₂+x (7)

其中，B为基础卷积块；h₁和h₂为卷积块；

为残差块。

将每一个子残差块定义为subB。在本发明实施例中，使用四个子残差块构成一个通路的结构。则在一条通路中就如下述公式(9)～(11)表示残差块

在一个实施例中，上述步骤S23中残差块，还包括：捷径连接作为残差连接，如下述公式(13)所示：

其中，x为输入；y为通过捷径连接得到输出；W_i为卷积操作；线性映射W_s用于规范x和y的维度；F(x,W_i)为残差函数，如下述公式(14)表示：

F＝W_iσ(W_ix) (14)

其中，σ为激活函数。

如图6所示，实线捷径表示x和y的维度一致，数据直接相加，虚线捷径表示x和y的维度不一致，需要经过1×1的卷积操作增加到相同维度后再相加。

在本发明实施例中，如图4所示，经过预处理卷积层处理后的特征信号序列通过三个通路R1、R2和R3进行处理，三条通路的卷积块中卷积核的大小分别为1×3、1×5和1×7，每个通路都由四个残差块构成，特征信号在每条通路中经过每个残差块后的信号大小依次为64×750、128×375、256×188和512×94；其中，每个残差块都由2个卷积块构成。每条通路最后都经过平均池化输出得到512个特征向量，其大小为512×1。

在一个实施例中，上述步骤S24：将至少一个特征向量合并，连接到全连接层，输出睡眠分期结果。

如图4所示，将上述步骤中3个通路分别输出的3个512个特征向量进行合并，然后连接到拥有1536个神经元的全连接层，最后通过Softmax函数得到一维数组input，数组input中包含了预测后的每个睡眠阶段标签的概率值。

在本步骤中，还包括使用交叉熵函数作为损失函数对input进行计算，最后输出睡眠分期结果。其中，交叉熵函数定义如下述公式(15)：

loss(input,target)＝weight[target]×(-input[target]+log(∑_je^input[j])(15)

其中input是经过Softmax函数处理后的一维数组，包含了预测后的每个睡眠阶段标签的概率值，input[j]表示input数组中索引为j的元素，target为实际的睡眠阶段标签,weight[target]为该实际标签的权重，weight[target]定义如下公式(16)：

其中，p(target)为标签target占总标签的比例。从而达到平衡各睡眠标签的数据量差异的作用。

在一个实施例中，上述步骤S3：对所述输出结果进行评估，包括，采用多种指标对***性能进行评估。

对于每种睡眠阶段，有三种评价指标，分别是召回率，正确率，特异性，F1分数。本文同时计算各个睡眠阶段和模型的整体评价指标，如下述公式(17)～(24)所示：

其中，Acc_nk表示各阶段的分类准确率，Acc_n表示模型的整体分期准确率，Re_nk表示各阶段的召回率，Re_n表示模型的整体召回率，Sp_nk表示各阶段的分类准确率，Sp_n表示模型的整体分期准确率，F1_nk表示各阶段的分类准确率，F1_n表示模型的整体分期准确率。TP、TN、FP、FN分别表示分类器对该类别进行判断所形成的真正例，真负例，假正例，假负例。在本发明实施例中，n＝5，k＝1，2，3，4，5，表示5个不同的睡眠阶段。同时，对于***整体性能的评价，错误率error及kappa系数也通过下述公式(23)～(24)进行计算：

其中，Y_i表示第i个样本的真实标签，PY_i表示表示模型对第i个样本的预测标签；

其中，

po＝1-err；ai为第i个实际样本个数,bi为第i个预测样本个数，n为总的样本个数。

上述kappa系数用于衡量模型分类结果和真实结果的吻合程度，当kappa系数的值越接近1，则两者越吻合，表明模型的性能越好。模型的分期结果如下表3所示：

表3.实验结果

如上表3所示，本发明实施例所提出的模型在三种数据集的单通道信号中睡眠自动分器的准确率都达到了90％以上，满足睡眠疾病诊断中医学专家人工手动诊断的标准；其中，召回率在Fpz-Cz通道上表现均更好，表明模型识别正样本的能力非常强；特异性是生医工程领域中疾病诊断非常重要的一个指标，用来衡量模型误诊率的高低，当特异性高时表示误诊率低，本模型的特异性除了在CC2018数据集上，都达到了95％以上；此外，模型的错误率、Kappa系数和F1分数均满足专家人工手动分类标准的要求。下表4和表5分别为Sleep-EDFx数据集上Fpz-Cz和Pz-Oz通道上的测试混淆矩阵结果。

表4.Sleep-EDFx数据集Fpz-Cz通道实验混淆矩阵

表5.Sleep-EDFx数据集Pz-Oz通道实验混淆矩阵

由表4和表5可知，本发明中方法所有阶段的睡眠分期准确率均在90％以上，其中W阶段和N3阶段的分期准确率都达到了97％左右，R阶段准确率为94-95％，N1和N2的准确率在90-91％之间。这是因为N1阶段是清醒状态与睡眠状态的过渡期，且均含有α波以及β波，这造成了判断的困难。

如图7a和图7b所示为使用t-sne算法进行可视化对经过多尺度残差睡眠自动分期网络处理前后的睡眠脑电信号特征分布情况，图7a中W、N1、N2、N3和R分别代表各睡眠阶段。图7a和图7b中选取了一个包含930个睡眠阶段的受试者数据，分别可视化处理原始睡眠脑电信号数据和模型全连接层得到的特征数据。根据图7a可看出，在网络提取特征前，各睡眠阶段散乱的分布在空间上；根据图7b可看出，经过多尺度残差网络处理后，相同睡眠阶段被分到相同的区域，不同睡眠阶段之间出现边界，即经过模型提取特征后不同睡眠阶段之间的区分性得到了极大的增强。同时观察图中信息可知，N1阶段和R,N2,W阶段均有部分重叠部分，这与N1阶段的分期准确率较低的结论是一致的。

本发明公开的多尺度残差睡眠自动分类网络，能自动的从原始单通道脑电信号中获取有效信息，并对睡眠阶段进行分类，在不同的数据集、不同脑电通道和不同的验证方法中都获得了很好的***性能，结果表明模型满足人工分类睡眠标准要求，并且N1阶段的性能具有较大的提升，因此，本发明公开的多尺度残差睡眠自动分类网络具有泛化能力强、准确度高的特点。

本发明公开的一种基于单通道脑电信号的多尺度残差网络睡眠分期方法，无需任何额外的数字信号滤波处理过程，避免了人为参与睡眠脑电信号特征提取这一繁琐的过程，并且采用多种尺度的卷积核从原始单通道脑电信号中自动提取特征，即使在非平稳条件下，也能够提高模型的鲁棒性和信号特征的表征能力。此外本发明利用残差网络中的恒等映射和残差映射，让网络能够有效地学习单通道脑电信号的特征，克服传统深度学习网络中的退化问题。

实施例二

如图8所示，本发明实施例提供的一种基于单通道脑电信号的多尺度残差网络睡眠分期***，包括下述模块：

采集输入信号模块31，用于采集原始单通道脑电信号作为输入信号；

神经网络训练模块32：构建多尺度残差睡眠自动分期网络，将输入信号输入到多尺度残差睡眠自动分期网络进行训练，并输出睡眠分期结果；

评估模块33：用于对输出结果进行评估。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (5)

1.一种基于单通道脑电信号的多尺度残差网络睡眠分期方法，其特征在于，包括：

步骤S1：采集原始单通道脑电信号作为输入信号；

步骤S2：将所述输入信号进行翻转，添加随机噪声后，对其进行归一化处理，构建训练数据；

步骤S3：将所述训练数据经过预处理卷积层进行卷积操作、批标准化操作、激活函数和池化操作后，得到特征信号序列；

步骤S4：将所述特征信号序列通过至少一个通路处理，再经过平均池化，得到至少一个特征向量，所述通路包括至少一个残差块，所述至少一个残差块包括至少两个卷积块；

步骤S5：将所述至少一个特征向量合并，连接到全连接层，输出所述睡眠分期结果；

步骤S6：利用带权重数据构建自适应损失函数，训练多尺度睡眠分期结果；

步骤S7：对所述输出结果进行评估。

2.根据权利要求1所述的基于单通道脑电信号的多尺度残差网络睡眠分期方法，其特征在于，所述步骤S4中所述卷积块包括：如下述公式(2)所示的卷积操作、如下述公式(3)所示的批标准化操作以及如下述公式(4)所示的激活函数；

其中，

为卷积算子；x为输入；μ为权重；y为输出；b为偏置；

s＝BN(y) (3)

其中，BN为批标准化操作；s是批标准化操作后的输出向量；

h＝ReLU(s) (4)

其中，h是经过激活函数ReLU计算后的卷积块的输出向量。

3.根据权利要求2所述的基于单通道脑电信号的多尺度残差网络睡眠分期方法，其特征在于，所述步骤S4中所述残差块包括至少两个卷积块，其中，每个所述残差块如下述公式(5)～(8)所示：

h₁＝B(x) (5)

h₂＝B(h₁) (6)

y＝h₂+x (7)

∧

h＝ReLU(y) (8)

其中，B为基础卷积块；h₁和h₂为卷积块；

为残差块。

4.根据权利要求3所述的基于单通道脑电信号的多尺度残差网络睡眠分期方法，其特征在于，所述步骤S4中所述残差块，还包括：捷径连接作为残差连接，如下述公式(13)所示：

其中，x为输入；y为通过捷径连接得到输出；W_i为卷积操作；线性映射W_s用于规范x和y的维度；F(x,W_i)为残差函数，如下述公式(10)表示：

F＝W_iσ(W_ix) (14)

其中，σ为激活函数。

5.根据权利要求2所述的基于单通道脑电信号的多尺度残差网络睡眠分期方法，其特征在于，所述步骤S6中损失函数，如下述公式(15)所示：

loss(input,target)＝weight[target]×(-input[target]+log(∑_je^input[j])(15)

其中,input是激活函数处理后的一维数组，数组中包含了预测后的每个睡眠阶段标签的概率值，input[j]表示input数组中索引为j的元素，target为实际的睡眠阶段标签,weight[target]为该实际标签的权重；weight[target]定义如下述公式(16)所示：

其中，p(target)为标签target占总标签的比例。

Images