CN113303814A - 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 - Google Patents
基于深度迁移学习的单通道耳脑电自动睡眠分期方法 Download PDFInfo
- Publication number
- CN113303814A CN113303814A CN202110676558.1A CN202110676558A CN113303814A CN 113303814 A CN113303814 A CN 113303814A CN 202110676558 A CN202110676558 A CN 202110676558A CN 113303814 A CN113303814 A CN 113303814A
- Authority
- CN
- China
- Prior art keywords
- sleep
- data
- domain data
- layer
- source domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Anesthesiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于睡眠监测技术领域,基于深度迁移学习的单通道耳脑电自动睡眠分期方法,包括以下步骤:(1)信号采集及预处理,(2)特征提取,(3)模型适配,(4)模型评估。本发明具有以下优点:一是,使用CNN对源域数据进行端对端的训练,自动提取睡眠脑电数据SHHS的特征;二是,使用3个结构相同但网络参数不同的1D CNN进行并行特征提取,提取睡眠脑电数据SHHS的时域、时频域及频域特征;三是,采用深度迁移学习算法,完成源域和目标域数据的适配,四是,搭建的深度迁移学习模型,使得适用于脑电信号的睡眠分期模型应用于耳脑电信号上,完成不同受试者、不同设备、不同通道的迁移,实现连续的自动睡眠分期。
Description
技术领域
本发明涉及一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法,属于睡眠监测技术领域。
背景技术
人的一生中约有1/3的时间在睡眠中度过,良好的睡眠质量可以帮助身体和大脑恢复机能、巩固记忆和保存能量。但是,随着现代社会生活节奏的不断加快,越来越多的人面临严重的睡眠障碍。实际上许多与大脑相关的疾病,在清醒状态时很难被发现。当人处于睡眠状态时,大脑对外部环境的刺激反应衰减,这时病症就会显现出来。因此,分析人体睡眠质量对诊断大脑疾病、改善睡眠质量和提升健康生活水平具有重要意义。
睡眠质量评估的一个重要内容是对睡眠脑电信号进行睡眠分期。根据最新美国睡眠医学会AASM标准,睡眠可分为清醒期W,快速眼动期REM和非快速眼动期N1、N2、N3,其中N1和N2为浅睡期,N3为深度睡眠期。目前临床睡眠检测技术主要是根据多导睡眠图(Polysomnographic,PSG)同步采集脑电图(EEG)、肌电图(EMG)、心电图(ECG)、眼电图(EOG)、血氧饱和度、心率和肢体运动等信号对每30s的睡眠阶段进行人工判定。这种人工判定方式不仅费时费力,而且判读的结果很大程度上依赖于睡眠专家的专业水平和个人经验。此外,PSG本身存在着费用昂贵、工作量大、易引起不适影响正常睡眠等局限性,制约其无法推广应用。最新研究表明脑电可以传导到耳道内,耳脑电传感器具有佩戴舒适、鲁棒性高和适合长时间采集等优点,这意味着耳道脑电具有适合作为睡眠状态监测的独特优势。然而,耳道脑电的睡眠分期准确率仅达70%左右,与同步采集的头皮睡眠脑电分期准确率(80%左右)相比还存在一定的差距。其主要原因在于模型忽略了脑电信号的个体差异性和信号源差异,导致模型的泛化能力较弱。
发明内容
为了克服现有技术中存在的不足,本发明目的是提供一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法。该方法对源域单通道脑电信号通过卷积神经网络进行自动特征提取,得到脑电信号自动分期模型,再通过深度迁移学习算法将脑电信号的自动分期模型迁移应用于耳脑电信号上,实现基于耳脑电信号的自动睡眠分期,改进睡眠分期性能。
为了实现上述发明目的,解决已有技术中所存在的问题,本发明采取的技术方案是:一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法,包括以下步骤:
步骤1、信号采集及预处理,采集受试者耳脑电信号,以及对睡眠数据库单通道头皮脑电信号及采集的耳脑电信号进行预处理,具体包括以下子步骤:
(a)、目标域数据的采集及预处理,采用耳脑电电极采集受试者整夜耳脑电信号,设置采样频率为125Hz,将采集后的耳脑电信号依次选取3750个采样点,作为一个睡眠时期,即一个30s的睡眠时期,对采集到的耳脑电信号进行睡眠专家评分,以便后续进行模型评估,并对耳脑电信号进行0.1-50Hz的带通滤波;
(b)、源域数据的选取及预处理,选取美国国家睡眠研究资源提供的睡眠心脏健康研究数据SHHS中接近正常多导睡眠图记录的100个受试者的C4-A1通道数据作为源域数据;将源域数据中非快速眼动期的深度睡眠期标签S3、S4合并为非快速眼动期N3,并排除体动和未知标签;考虑到非快速眼动期N1数据少,通过合成少数类过采样技术SMOTE将源域数据处理为类平衡数据,并对源域数据进行0.1-50Hz的带通滤波;
步骤2、特征提取,构建卷积神经网络CNN,提取睡眠数据库单通道头皮脑电信号及耳脑电信号的时不变特征,构建的卷积神经网络由源域数据输入,特征提取和分类输出层组成,具体包括以下子步骤:
(a)、源域数据输入,输入源域预处理后的C4-A1通道数据,采样频率为125Hz,即一个30s的睡眠时期为3750个采样点;将数据分成10份以便进行10折交叉验证,对于第一次交叉验证,采用源域数据中90个受试者的睡眠脑电数据做训练,剩余10个受试者睡眠脑电数据用作测试;
(b)、特征提取,选用3个结构相同但网络参数不同的一维CNN,即1D CNN并行提取睡眠脑电EEG的时不变特征,网络训练层共包含8层,由4个一维卷积层、2个最大池化层maxpool、2个Dropout层组成;其中,三个初始卷积层中卷积核的大小分别为Fs/2、2Fs、4Fs,均选用64个卷积核,Fs表示使用的实验数据的采样频率125Hz,步长分别为Fs/16、Fs/6、Fs/2;在卷积层后加入maxpool,池化核大小分别为8、6、4,步长分别为8、6、4;在maxpool后加入Dropout层,使某个神经元的激活值以概率p停止工作,概率p选取0.5;在后续卷积层中,卷积核大小和步长选择小的固定值,3个卷积核的大小分别为8、7、6,步长均为1,均选用128个卷积核,用尺寸小的多层卷积核代替大卷积核的单层卷积核;卷积层后maxpool的池化核大小分别为4、3、2,步长分别为4、3、2;
共有n段30s的单通道脑电信号{x1,…,xn},应用三个1D CNN提取第i个脑电信号xi第j个特征aj,通过公式(1)-(4)进行描述,
式中,θs、θm和θl分别表示CNN小、中和大卷积核的参数, 和分别表示使用CNN小卷积核、中卷积核和大卷积核将一个30s的睡眠脑电信号xi转换成一个特征向量hj s、hj m和hj l,||表示将两层卷积核输出的特征向量连接起来;在网络训练过程中,采用交叉熵损失函数度量损失,损失函数通过公式(5)进行描述,
表示CNN参数的集合,l表示网络的层数,J表示交叉熵损失函数,θ(xi)表示第i个睡眠脑电信号xi通过CNN训练预测为某个睡眠阶段的概率,yi表示指示变量,如果xi的预测分期与真实分期相同则为1,否则为0;
(c)、分类输出层,CNN的最后一层通过全连接层输出,激活函数为softmax,对于睡眠阶段i,通过将预测的5个睡眠阶段映射为[0,1]的输出,Zi为经过CNN的输出,为经过CNN输出预测为5个睡眠阶段的指数和;
(d)、采用基于mini-batch的Adam优化算法更新网络权重;
(e)、以上步骤为一次交叉验证,此步骤重复进行10次,完成10折交叉验证;
步骤3、模型适配,构建深度迁移学习模型,使得源域脑电信号的睡眠分期模型能应用于目标域的耳脑电信号上,进而完成耳脑电信号的自动睡眠分期,具体包括以下子步骤:
(a)、输入数据:输入源域预处理后的C4-A1通道数据和目标域单通道耳脑电信号数据;
(b)、加入适配层:在特征层即步骤2构建的卷积神经网络实现源域数据的参数和目标域数据的参数共享;在网络深层,即分类器前加入三层适配层,即三层全连接层;在源域数据和目标域数据的三层适配层之间加入多核最大均值差异MK-MMD的度量函数,来度量源域数据和目标域数据的距离,最大均值差异即通过多个高斯核函数K将源域数据和目标域数据映射到再生核希尔伯特空间,在再生核希尔伯特空间度量两个分布p和q的距离,多个核定义的核函数K通过公式(6)进行描述,
β为不同高斯核贡献的权重,贡献大的高斯核权重大,贡献小的高斯核权重小,km表示第m个高斯核,并将其加入网络的损失中继续训练,MK-MMD通过公式(7)进行描述,
式中,dk(p,q)表示再生核希尔伯特空间HK的距离,其中,φ(xs)、φ(xt)分别为源域数据xs和目标域数据xt在再生核希尔伯特空间的映射,Ep表示数学期望;因此,整个深度迁移学习模型的优化目标由分类损失函数和度量函数构成,通过公式(8)进行描述,
(c)、采用基于mini-batch的Adam优化算法更新网络权重;
步骤4、模型评估,根据源域脑电信号SHHS的标签和目标域耳脑电信号睡眠专家的评分,分别采用每类指标和总体指标对构建的深度迁移学***均F1值,即MF1,具体通过公式(9)-(13)进行描述,
式中,TP表示正实例,即将正类预测为正类数,FP表示示假正例,即将负类预测为正类数,FN表示假反例,即将正类预测为负类数,N表示所有睡眠阶段的样本总数,I表示睡眠阶段总类数。
本发明有益效果是:一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法,包括以下步骤:(1)信号采集及预处理,(2)特征提取,(3)模型适配,(4)模型评估。与已有技术相比,本发明具有以下优点:一是,使用CNN对源域数据进行端对端的训练,自动提取睡眠脑电数据SHHS的特征;二是,使用3个结构相同但网络参数不同的1D CNN进行并行特征提取,提取睡眠脑电数据SHHS的时域、时频域及频域特征;三是,采用深度迁移学习算法,完成源域和目标域数据的适配,使得源域和目标域的数据分布更加接近;四是,搭建的深度迁移学习模型,使得适用于脑电信号的睡眠分期模型应用于耳脑电信号上,完成不同受试者、不同设备、不同通道的迁移,实现便携式单导脑电的无侵扰、无创、连续的自动睡眠分期。
附图说明
图1是本发明方法步骤流程图。
图2是本发明CNN特征提取图。
图3是本发明深度迁移学习模型结构图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法,包括以下步骤:
步骤1、信号采集及预处理,采集受试者耳脑电信号,以及对睡眠数据库单通道头皮脑电信号及采集的耳脑电信号进行预处理,具体包括以下子步骤:
(a)、目标域数据的采集及预处理,采用耳脑电电极采集受试者整夜耳脑电信号,设置采样频率为125Hz,将采集后的耳脑电信号依次选取3750个采样点,作为一个睡眠时期,即一个30s的睡眠时期,对采集到的耳脑电信号进行睡眠专家评分,以便后续进行模型评估,并对耳脑电信号进行0.1-50Hz的带通滤波;
(b)、源域数据的选取及预处理,选取美国国家睡眠研究资源提供的睡眠心脏健康研究数据SHHS中接近正常多导睡眠图记录的100个受试者的C4-A1通道数据作为源域数据;将源域数据中非快速眼动期的深度睡眠期标签S3、S4合并为非快速眼动期N3,并排除体动和未知标签;考虑到非快速眼动期N1数据少,通过合成少数类过采样技术SMOTE将源域数据处理为类平衡数据,并对源域数据进行0.1-50Hz的带通滤波;
步骤2、特征提取,构建卷积神经网络CNN,提取睡眠数据库单通道头皮脑电信号及耳脑电信号的时不变特征,构建的卷积神经网络由源域数据输入,特征提取和分类输出层组成,具体包括以下子步骤:
(a)、源域数据输入,输入源域预处理后的C4-A1通道数据,采样频率为125Hz,即一个30s的睡眠时期为3750个采样点;将数据分成10份以便进行10折交叉验证,对于第一次交叉验证,采用源域数据中90个受试者的睡眠脑电数据做训练,剩余10个受试者睡眠脑电数据用作测试;
(b)、特征提取,选用3个结构相同但网络参数不同的一维CNN,即1D CNN并行提取睡眠脑电EEG的时不变特征,如图2所示,网络训练层共包含8层,由4个一维卷积层、2个最大池化层maxpool、2个Dropout层组成;其中,三个初始卷积层中卷积核的大小分别为Fs/2、2Fs、4Fs,均选用64个卷积核,Fs表示使用的实验数据的采样频率125Hz,步长分别为Fs/16、Fs/6、Fs/2;在卷积层后加入maxpool,池化核大小分别为8、6、4,步长分别为8、6、4;在maxpool后加入Dropout层,使某个神经元的激活值以概率p停止工作,概率p选取0.5;在后续卷积层中,卷积核大小和步长选择小的固定值,3个卷积核的大小分别为8、7、6,步长均为1,均选用128个卷积核,用尺寸小的多层卷积核代替大卷积核的单层卷积核;卷积层后maxpool的池化核大小分别为4、3、2,步长分别为4、3、2;
共有n段30s的单通道脑电信号{x1,…,xn},应用三个1D CNN提取第i个脑电信号xi第j个特征aj,通过公式(1)-(4)进行描述,
式中,θs、θm和θl分别表示CNN小、中和大卷积核的参数, 和分别表示使用CNN小卷积核、中卷积核和大卷积核将一个30s的睡眠脑电信号xi转换成一个特征向量hj s、hj m和hj l,||表示将两层卷积核输出的特征向量连接起来;在网络训练过程中,采用交叉熵损失函数度量损失,损失函数通过公式(5)进行描述,
表示CNN参数的集合,l表示网络的层数,J表示交叉熵损失函数,θ(xi)表示第i个睡眠脑电信号xi通过CNN训练预测为某个睡眠阶段的概率,yi表示指示变量,如果xi的预测分期与真实分期相同则为1,否则为0;
(c)、分类输出层,CNN的最后一层通过全连接层输出,激活函数为softmax,对于睡眠阶段i,通过将预测的5个睡眠阶段映射为[0,1]的输出,Zi为经过CNN的输出,为经过CNN输出预测为5个睡眠阶段的指数和;
(d)、采用基于mini-batch的Adam优化算法更新网络权重;
(e)、以上步骤为一次交叉验证,此步骤重复进行10次,完成10折交叉验证;
步骤3、模型适配,构建深度迁移学习模型,使得源域脑电信号的睡眠分期模型能应用于目标域的耳脑电信号上,进而完成耳脑电信号的自动睡眠分期,具体包括以下子步骤:
(a)、输入数据:输入源域预处理后的C4-A1通道数据和目标域单通道耳脑电信号数据;
(b)、加入适配层:在特征层即步骤2构建的卷积神经网络实现源域数据的参数和目标域数据的参数共享,如图3所示,在网络深层,即分类器前加入三层适配层,即三层全连接层;在源域数据和目标域数据的三层适配层之间加入多核最大均值差异MK-MMD的度量函数,来度量源域数据和目标域数据的距离,最大均值差异即通过多个高斯核函数K将源域数据和目标域数据映射到再生核希尔伯特空间,在再生核希尔伯特空间度量两个分布p和q的距离,多个核定义的核函数K通过公式(6)进行描述,
β为不同高斯核贡献的权重,贡献大的高斯核权重大,贡献小的高斯核权重小,km表示第m个高斯核,并将其加入网络的损失中继续训练,MK-MMD通过公式(7)进行描述,
式中,dk(p,q)表示再生核希尔伯特空间HK的距离,其中,φ(xs)、φ(xt)分别为源域数据xs和目标域数据xt在再生核希尔伯特空间的映射,Ep表示数学期望;因此,整个深度迁移学习模型的优化目标由分类损失函数和度量函数构成,通过公式(8)进行描述,
(c)、采用基于mini-batch的Adam优化算法更新网络权重;
步骤4、模型评估,根据源域脑电信号SHHS的标签和目标域耳脑电信号睡眠专家的评分,分别采用每类指标和总体指标对构建的深度迁移学***均F1值,即MF1,具体通过公式(9)-(13)进行描述,
式中,TP表示正实例,即将正类预测为正类数,FP表示示假正例,即将负类预测为正类数,FN表示假反例,即将正类预测为负类数,N表示所有睡眠阶段的样本总数,I表示睡眠阶段总类数。
Claims (1)
1.一种基于深度迁移学习的单通道耳脑电自动睡眠分期方法,其特征在于包括以下步骤:
步骤1、信号采集及预处理,采集受试者耳脑电信号,以及对睡眠数据库单通道头皮脑电信号及采集的耳脑电信号进行预处理,具体包括以下子步骤:
(a)、目标域数据的采集及预处理,采用耳脑电电极采集受试者整夜耳脑电信号,设置采样频率为125Hz,将采集后的耳脑电信号依次选取3750个采样点,作为一个睡眠时期,即一个30s的睡眠时期,对采集到的耳脑电信号进行睡眠专家评分,以便后续进行模型评估,并对耳脑电信号进行0.1-50Hz的带通滤波;
(b)、源域数据的选取及预处理,选取美国国家睡眠研究资源提供的睡眠心脏健康研究数据SHHS中接近正常多导睡眠图记录的100个受试者的C4-A1通道数据作为源域数据;将源域数据中非快速眼动期的深度睡眠期标签S3、S4合并为非快速眼动期N3,并排除体动和未知标签;考虑到非快速眼动期N1数据少,通过合成少数类过采样技术SMOTE将源域数据处理为类平衡数据,并对源域数据进行0.1-50Hz的带通滤波;
步骤2、特征提取,构建卷积神经网络CNN,提取睡眠数据库单通道头皮脑电信号及耳脑电信号的时不变特征,构建的卷积神经网络由源域数据输入,特征提取和分类输出层组成,具体包括以下子步骤:
(a)、源域数据输入,输入源域预处理后的C4-A1通道数据,采样频率为125Hz,即一个30s的睡眠时期为3750个采样点;将数据分成10份以便进行10折交叉验证,对于第一次交叉验证,采用源域数据中90个受试者的睡眠脑电数据做训练,剩余10个受试者睡眠脑电数据用作测试;
(b)、特征提取,选用3个结构相同但网络参数不同的一维CNN,即1DCNN并行提取睡眠脑电EEG的时不变特征,网络训练层共包含8层,由4个一维卷积层、2个最大池化层maxpool、2个Dropout层组成;其中,三个初始卷积层中卷积核的大小分别为Fs/2、2Fs、4Fs,均选用64个卷积核,Fs表示使用的实验数据的采样频率125Hz,步长分别为Fs/16、Fs/6、Fs/2;在卷积层后加入maxpool,池化核大小分别为8、6、4,步长分别为8、6、4;在maxpool后加入Dropout层,使某个神经元的激活值以概率p停止工作,概率p选取0.5;在后续卷积层中,卷积核大小和步长选择小的固定值,3个卷积核的大小分别为8、7、6,步长均为1,均选用128个卷积核,用尺寸小的多层卷积核代替大卷积核的单层卷积核;卷积层后maxpool的池化核大小分别为4、3、2,步长分别为4、3、2;
共有n段30s的单通道脑电信号{x1,…,xn},应用三个1D CNN提取第i个脑电信号xi第j个特征aj,通过公式(1)-(4)进行描述,
式中,θs、θm和θl分别表示CNN小、中和大卷积核的参数, 和分别表示使用CNN小卷积核、中卷积核和大卷积核将一个30s的睡眠脑电信号xi转换成一个特征向量hj s、hj m和hj l,||表示将两层卷积核输出的特征向量连接起来;在网络训练过程中,采用交叉熵损失函数度量损失,损失函数通过公式(5)进行描述,
表示CNN参数的集合,l表示网络的层数,J表示交叉熵损失函数,θ(xi)表示第i个睡眠脑电信号xi通过CNN训练预测为某个睡眠阶段的概率,yi表示指示变量,如果xi的预测分期与真实分期相同则为1,否则为0;
(c)、分类输出层,CNN的最后一层通过全连接层输出,激活函数为softmax,对于睡眠阶段i,通过将预测的5个睡眠阶段映射为[0,1]的输出,Zi为经过CNN的输出,为经过CNN输出预测为5个睡眠阶段的指数和;
(d)、采用基于mini-batch的Adam优化算法更新网络权重;
(e)、以上步骤为一次交叉验证,此步骤重复进行10次,完成10折交叉验证;
步骤3、模型适配,构建深度迁移学习模型,使得源域脑电信号的睡眠分期模型能应用于目标域的耳脑电信号上,进而完成耳脑电信号的自动睡眠分期,具体包括以下子步骤:
(a)、输入数据:输入源域预处理后的C4-A1通道数据和目标域单通道耳脑电信号数据;
(b)、加入适配层:在特征层即步骤2构建的卷积神经网络实现源域数据的参数和目标域数据的参数共享;在网络深层,即分类器前加入三层适配层,即三层全连接层;在源域数据和目标域数据的三层适配层之间加入多核最大均值差异MK-MMD的度量函数,来度量源域数据和目标域数据的距离,最大均值差异即通过多个高斯核函数K将源域数据和目标域数据映射到再生核希尔伯特空间,在再生核希尔伯特空间度量两个分布p和q的距离,多个核定义的核函数K通过公式(6)进行描述,
β为不同高斯核贡献的权重,贡献大的高斯核权重大,贡献小的高斯核权重小,km表示第m个高斯核,并将其加入网络的损失中继续训练,MK-MMD通过公式(7)进行描述,
式中,dk(p,q)表示再生核希尔伯特空间HK的距离,其中,φ(xs)、φ(xt)分别为源域数据xs和目标域数据xt在再生核希尔伯特空间的映射,Ep表示数学期望;因此,整个深度迁移学习模型的优化目标由分类损失函数和度量函数构成,通过公式(8)进行描述,
(c)、采用基于mini-batch的Adam优化算法更新网络权重;
步骤4、模型评估,根据源域脑电信号SHHS的标签和目标域耳脑电信号睡眠专家的评分,分别采用每类指标和总体指标对构建的深度迁移学***均F1值,即MF1,具体通过公式(9)-(13)进行描述,
式中,TP表示正实例,即将正类预测为正类数,FP表示示假正例,即将负类预测为正类数,FN表示假反例,即将正类预测为负类数,N表示所有睡眠阶段的样本总数,I表示睡眠阶段总类数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676558.1A CN113303814B (zh) | 2021-06-13 | 2021-06-13 | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676558.1A CN113303814B (zh) | 2021-06-13 | 2021-06-13 | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113303814A true CN113303814A (zh) | 2021-08-27 |
CN113303814B CN113303814B (zh) | 2022-07-05 |
Family
ID=77379402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110676558.1A Active CN113303814B (zh) | 2021-06-13 | 2021-06-13 | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113303814B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951821A (zh) * | 2021-10-19 | 2022-01-21 | 南京润楠医疗电子研究院有限公司 | 睡眠分期方法及装置 |
CN114190897A (zh) * | 2021-12-15 | 2022-03-18 | 中国科学院空天信息创新研究院 | 睡眠分期模型的训练方法、睡眠分期方法及装置 |
CN114511521A (zh) * | 2022-01-21 | 2022-05-17 | 浙江大学 | 基于多重表示与多重子域自适应的轮胎瑕疵检测方法 |
CN114831643A (zh) * | 2022-07-04 | 2022-08-02 | 南京大学 | 一种心电信号监测装置和可穿戴设备 |
CN116616800A (zh) * | 2023-07-21 | 2023-08-22 | 厦门大学 | 基于元迁移学习的头皮脑电高频振荡信号识别方法及装置 |
CN118228129B (zh) * | 2024-05-22 | 2024-07-16 | 长春工业大学 | 一种基于深度迁移学习的运动想象脑电信号分类方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010095796A (ko) * | 2000-04-12 | 2001-11-07 | 배병훈 | 뇌파의 수면 단계를 이용한 자명종 시계 |
US20160081616A1 (en) * | 2014-09-23 | 2016-03-24 | Boe Technology Group Co., Ltd. | Apparatus and method for processing electroencephalogram, and sleep monitoring wearable device |
US20170360362A1 (en) * | 2014-12-05 | 2017-12-21 | Agency For Science, Technology And Research | Sleep profiling system with feature generation and auto-mapping |
CN107495962A (zh) * | 2017-09-18 | 2017-12-22 | 北京大学 | 一种单导联脑电的睡眠自动分期方法 |
WO2018070935A1 (en) * | 2016-10-11 | 2018-04-19 | National University Of Singapore | Determining sleep stages |
CN108542386A (zh) * | 2018-04-23 | 2018-09-18 | 长沙学院 | 一种基于单通道eeg信号的睡眠状态检测方法和*** |
CN109316166A (zh) * | 2018-10-10 | 2019-02-12 | 大连理工大学 | 一种基于深度学习网络的人体睡眠阶段估计方法 |
CN109745043A (zh) * | 2017-11-07 | 2019-05-14 | 南京大学 | 入耳式脑电图采集处理*** |
US20190192069A1 (en) * | 2017-12-21 | 2019-06-27 | Koninklijke Philips N.V. | Sleep stage prediction and intervention preparation based thereon |
US20200085369A1 (en) * | 2016-08-05 | 2020-03-19 | The Regents Of The University Of Colordo, A Body Corporate | In-ear sensing systems and methods for biological signal monitoring |
CN111202517A (zh) * | 2020-02-03 | 2020-05-29 | 山东师范大学 | 一种睡眠自动分期方法、***、介质及电子设备 |
AU2019227364A1 (en) * | 2018-03-02 | 2020-09-24 | Nitto Denko Corporation | Method, computing device and wearable device for sleep stage detection |
CN111783534A (zh) * | 2020-05-28 | 2020-10-16 | 东南大学 | 一种基于深度学习的睡眠分期方法 |
CN112263218A (zh) * | 2020-10-12 | 2021-01-26 | 上海大学 | 睡眠分期方法及装置 |
CN112438738A (zh) * | 2019-09-03 | 2021-03-05 | 西安慧脑智能科技有限公司 | 基于单通道脑电信号睡眠分期的方法、装置及存储介质 |
CN112869711A (zh) * | 2021-01-19 | 2021-06-01 | 华南理工大学 | 一种基于深度神经网络的自动睡眠分期及迁移方法 |
-
2021
- 2021-06-13 CN CN202110676558.1A patent/CN113303814B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010095796A (ko) * | 2000-04-12 | 2001-11-07 | 배병훈 | 뇌파의 수면 단계를 이용한 자명종 시계 |
US20160081616A1 (en) * | 2014-09-23 | 2016-03-24 | Boe Technology Group Co., Ltd. | Apparatus and method for processing electroencephalogram, and sleep monitoring wearable device |
US20170360362A1 (en) * | 2014-12-05 | 2017-12-21 | Agency For Science, Technology And Research | Sleep profiling system with feature generation and auto-mapping |
US20200085369A1 (en) * | 2016-08-05 | 2020-03-19 | The Regents Of The University Of Colordo, A Body Corporate | In-ear sensing systems and methods for biological signal monitoring |
WO2018070935A1 (en) * | 2016-10-11 | 2018-04-19 | National University Of Singapore | Determining sleep stages |
CN107495962A (zh) * | 2017-09-18 | 2017-12-22 | 北京大学 | 一种单导联脑电的睡眠自动分期方法 |
CN109745043A (zh) * | 2017-11-07 | 2019-05-14 | 南京大学 | 入耳式脑电图采集处理*** |
US20190192069A1 (en) * | 2017-12-21 | 2019-06-27 | Koninklijke Philips N.V. | Sleep stage prediction and intervention preparation based thereon |
AU2019227364A1 (en) * | 2018-03-02 | 2020-09-24 | Nitto Denko Corporation | Method, computing device and wearable device for sleep stage detection |
CN108542386A (zh) * | 2018-04-23 | 2018-09-18 | 长沙学院 | 一种基于单通道eeg信号的睡眠状态检测方法和*** |
CN109316166A (zh) * | 2018-10-10 | 2019-02-12 | 大连理工大学 | 一种基于深度学习网络的人体睡眠阶段估计方法 |
CN112438738A (zh) * | 2019-09-03 | 2021-03-05 | 西安慧脑智能科技有限公司 | 基于单通道脑电信号睡眠分期的方法、装置及存储介质 |
CN111202517A (zh) * | 2020-02-03 | 2020-05-29 | 山东师范大学 | 一种睡眠自动分期方法、***、介质及电子设备 |
CN111783534A (zh) * | 2020-05-28 | 2020-10-16 | 东南大学 | 一种基于深度学习的睡眠分期方法 |
CN112263218A (zh) * | 2020-10-12 | 2021-01-26 | 上海大学 | 睡眠分期方法及装置 |
CN112869711A (zh) * | 2021-01-19 | 2021-06-01 | 华南理工大学 | 一种基于深度神经网络的自动睡眠分期及迁移方法 |
Non-Patent Citations (11)
Title |
---|
FAN LI, RUI YAN, REZA MAHINI, ETC: "End-to-end sleep staging using convolutional neural network in raw single-channel EEG", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
KAARE B. MIKKELSEN, DAVID BOVÉ VILLADSEN, MARIT OTTO,ETC: "Automatic Sleep Stage Classification Using Ear-EEG", 《BIOMEDICAL ENGINEERING ONLINE》 * |
LIU RONG; LI CHUN-YUE; (...); LI XIANG: "SPRT-based classification method for motor imagery electroencephalogram", 《JOURNAL OF DALIAN UNIVERSITY OF TECHNOLOGY》 * |
NICK MERRILL ; MAX T. CURRAN ; JONG-KAI YANG ; JOHN CHUANG: "Classifying mental gestures with in-ear EEG", 《2016 IEEE 13TH INTERNATIONAL CONFERENCE ON WEARABLE AND IMPLANTABLE BODY SENSOR NETWORKS (BSN)》 * |
TAKASHI NAKAMURA, YOUSEF D. ALQURASHI, MARY J. MORRELL, ETC: "Hearables: Automatic Overnight Sleep Monitoring With Standardized In-Ear EEG Sensor", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
TETTAMANTI, G; AUVINEN, A; (...); HILLERT, L: "Long-term effect of mobile phone use on sleep quality: Results from the cohort study of mobile phone use and health (COSMOS)", 《ENVIRONMENT INTERNATIONAL》 * |
刘 戈,刘洪运,石金龙,等: "睡眠分期的双谱域快慢同步比研究", 《医疗卫生装备》 * |
张婷,王永轩,刘蓉: "脊髓小脑共济失调的运动想象脑电信号分析", 《中国生物医学工程学报》 * |
王永轩 邱天爽 刘蓉: "基于小波分析方法的脑电诱发电位单导少次提取", 《中 国 生 物 医 学 工 程 学 报》 * |
罗森林,郝靖伟,潘丽敏: "基于CNN-BiLSTM的自动睡眠分期方法", 《北京理工大学学报》 * |
赵梦雅: "基于EEG信号的睡眠自动分期方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951821A (zh) * | 2021-10-19 | 2022-01-21 | 南京润楠医疗电子研究院有限公司 | 睡眠分期方法及装置 |
CN113951821B (zh) * | 2021-10-19 | 2023-12-22 | 南京润楠医疗电子研究院有限公司 | 睡眠分期方法及装置 |
CN114190897A (zh) * | 2021-12-15 | 2022-03-18 | 中国科学院空天信息创新研究院 | 睡眠分期模型的训练方法、睡眠分期方法及装置 |
CN114190897B (zh) * | 2021-12-15 | 2024-04-05 | 中国科学院空天信息创新研究院 | 睡眠分期模型的训练方法、睡眠分期方法及装置 |
CN114511521A (zh) * | 2022-01-21 | 2022-05-17 | 浙江大学 | 基于多重表示与多重子域自适应的轮胎瑕疵检测方法 |
CN114831643A (zh) * | 2022-07-04 | 2022-08-02 | 南京大学 | 一种心电信号监测装置和可穿戴设备 |
CN116616800A (zh) * | 2023-07-21 | 2023-08-22 | 厦门大学 | 基于元迁移学习的头皮脑电高频振荡信号识别方法及装置 |
CN116616800B (zh) * | 2023-07-21 | 2023-10-03 | 厦门大学 | 基于元迁移学习的头皮脑电高频振荡信号识别方法及装置 |
CN118228129B (zh) * | 2024-05-22 | 2024-07-16 | 长春工业大学 | 一种基于深度迁移学习的运动想象脑电信号分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113303814B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113303814B (zh) | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 | |
Feng et al. | A sleep apnea detection method based on unsupervised feature learning and single-lead electrocardiogram | |
CN107495962B (zh) | 一种单导联脑电的睡眠自动分期方法 | |
CN105147248A (zh) | 基于生理信息的抑郁症评估***及其评估方法 | |
CN204931634U (zh) | 基于生理信息的抑郁症评估*** | |
CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
CN114010171B (zh) | 一种基于心跳数据的分类器设置方法 | |
CN111317446B (zh) | 基于人体肌肉表面电信号的睡眠结构自动分析方法 | |
AU2020102907A4 (en) | Novel automated machine learning algorithms based system for sleep staging features analysis | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
Sharma et al. | SzHNN: a novel and scalable deep convolution hybrid neural network framework for schizophrenia detection using multichannel EEG | |
WO2022134242A1 (zh) | 一种自动睡眠分期的建立方法及其应用 | |
CN113925459A (zh) | 一种基于脑电特征融合的睡眠分期方法 | |
CN113095302A (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN115530847A (zh) | 一种基于多尺度注意力的脑电信号自动睡眠分期方法 | |
CN116058800A (zh) | 基于深度神经网络与脑机接口的自动睡眠分期*** | |
Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
Feng et al. | Automatic sleep staging algorithm based on time attention mechanism | |
Jiang et al. | A multi-scale parallel convolutional neural network for automatic sleep apnea detection using single-channel EEG signals | |
CN116269212A (zh) | 一种基于深度学习的多模态睡眠阶段预测方法 | |
CN114711725A (zh) | 一种基于双重注意力机制的睡眠呼吸暂停检测方法及装置 | |
CN114267444A (zh) | 利用睡眠结构检测阻塞性呼吸暂停及夜间额叶癫痫的方法 | |
Lee et al. | SeriesSleepNet: an EEG time series model with partial data augmentation for automatic sleep stage scoring | |
CN112155577B (zh) | 一种社会压力检测方法、装置、计算机设备及存储介质 | |
CN117064333A (zh) | 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |