一种基于特征重建的单通道脑电图自动睡眠分期方法

1.本发明涉及采用深度学习用于脑电图分类领域，具体地，涉及一种基于特征重建的单通道脑电图自动睡眠分期方法。


背景技术：

2.在整夜的睡眠过程中，人体的脑部，肌肉与心脏等部位的活动处于一个动态变化的过程，由此可将睡眠的状态进行分类。根据美国睡眠协会的标准，根据由脑电图，心电图眼电图与肌电图等信号组成的多导睡眠图，每三十秒的睡眠状态可分为五个阶段：清醒，快速眼动睡眠，非快速眼动睡眠一期，非快速眼动睡眠二期，非快速眼动睡眠三期。
3.每个睡眠阶段都对人体的健康起着必要的作用，因此，睡眠分期是睡眠质量评估与睡眠相关疾病检测的重要手段。
4.睡眠分期主要由具有多年经验的睡眠专家完成，但此做法具有以下局限：
5.(1)整晚睡眠分期极其耗时，睡眠专家需要将每三十秒的多个通道的信号分类到一种睡眠阶段中，然而整晚的睡眠信号往往长达八个小时，因此整个过程需要耗费睡眠专家的大量时间，患者也需要长时间等待才能拿到结果；
6.(2)睡眠分期十分困难，只有具有多年经验的睡眠专家才能进行睡眠分期，且由于受到工作时间与主观经验的影响，两位睡眠专家所给出的睡眠分期结果往往也会出现差异。因此，许多研究人员开始关注如何实现自动地睡眠分期。
7.早期的一些研究人员基于模式识别建造自动睡眠分期系统。然而，各个睡眠阶段对应的模式较为复杂，很难对其进行识别，限制了系统的表现。此后研究人员通过机器学习建立自动睡眠分期模型，此类方法首先由研究人员手动的提取出每三十秒多导睡眠图中的各种特征，再将特征送入神经网络，支持向量机与随机森林等机器学习模型中进行分类。此方法具有以下缺陷：(1)分类性能极其依赖于如何选择手动提取的特征，而特征的选择并无明确标准，仅仅依赖研究员的经验；(2)睡眠阶段的变化具有一定的转移规则，从单个三十秒信号片段中提取的特征无法准确地反映睡眠阶段之间的转移关系。
8.随着近些年来计算机算力的提升，深度学习得到了越来越多研究人员的关注，且在计算机视觉和自然语言处理等任务上达成了极其优秀的结果。因此，许多睡眠相关的研究人员开始尝试利用深度学习实现自动睡眠分期。不同于机器学习必须进行手动地提取特征，深度学习可利用卷积神经网络直接实现特征的自动提取，从而实现端到端的自动睡眠分期系统。
9.基于睡眠专家，模式识别和机器学习的睡眠分期系统往往都需测量整晚的多导睡眠图，然而整晚的多导睡眠图由多通道的信号组成，需要专业的大型仪器，测量极其麻烦且患者体感较差。由于不同的睡眠阶段具有不同频段的睡眠脑波，多数基于深度学习的自动睡眠分期模型仅仅依靠单通道的脑电图即可完成睡眠分期，单通道脑电图可通过小型设备检测，测量较为简单且患者测量过程更舒适。
10.不同于计算机视觉任务，基于脑电图的自动睡眠分期存在以下技术难题：(1)脑电
图数据信息密度低。为了避免信号的失真，脑电图通常以一个较高的采样率进行采集(通常大于100hz)，故具有较高的数据维度，导致信息密度较低，同等数据维度信息含量远远小于图像；(2)睡眠阶段之间具有转移关系。睡眠分期标准要求睡眠标注要同时关注对应脑电图片段与其相邻脑电图片段，且整晚睡眠中睡眠阶段的变化情况具有一定规律；(3)脑电图包含大量噪声。脑电图本身是微弱的电位信号，测量过程中会无可避免地引入身体移动和测量误差等情况带来的噪声。基于脑电图的自动睡眠分期模型必须考虑以上问题，现有的模型可依据结构分为纯卷积神经网络模型和卷积与循环神经网络混合模型。
11.纯卷积神经网络模型即是只包含卷积层的神经网络，如u-time模型。卷积层由于其所具有的平移不变性与局部性等特征，常常被用于处理图像。脑电图信号作为一维的数据序列，可被视为一种特殊的图像。在自动睡眠分期任务中，模型每次接受一定长度的连续的脑电图片段序列，输出对应的睡眠片段序列。随着卷积层数的不断增加，模型的感受野逐渐扩大，因此能够从相邻的连续脑电图片段中提取特征，从而隐式地对睡眠转移规则进行编码。然而，正如上面提到，三十秒的脑电图片段数据维度较高，为了提取到连续睡眠片段的特征，对模型的感受野具有较高要求，从而导致了模型较为复杂，运行较为缓慢且参数量较高。
12.卷积与循环神经网络混合模型在卷积神经网络后引入了循环神经网络，如tinysleepnet。循环神经网络的引入使得模型可以提取时序关系，因此，模型中卷积神经网络部分从单个脑电图片段中提取特征，而其后的循环神经网络部分学习相邻睡眠片段之间的转移关系。此类模型虽然降低了感受野的要求，但较浅的模型导致了卷积神经网络部分的输出具有较高的时间维度，且循环神经网络的引入加大了模型训练的难度。


技术实现要素：

13.针对现有技术中的缺陷，本发明的目的是提供一种基于特征重建的单通道脑电图自动睡眠分期方法。
14.根据本发明的一个方面，提供一种基于特征重建的单通道脑电图自动睡眠分期方法，包括：
15.采集与标注整夜睡眠单通道脑电图，获得用于训练模型的数据集；
16.预处理所述数据集，进行数据标准化和数据增广；
17.建立并初始化模型，使用所述与预处理后的数据集对模型进行无监督的预训练与有监督的训练；
18.使用训练好的模型实现睡眠阶段的标注。
19.优选地，所述采集与标注整夜睡眠脑电图，获得用于训练模型的数据集，包括：通过采集设备对fpz-cz单通道脑电图进行测量，去除包含受试者体动带来噪声的片段与非睡眠阶段的片段。
20.优选地，所述数据预处理，包括：
21.对每条整晚睡眠脑电记录进行均值为0，方差为1或中位数为0，四分位数差为1的标准化；
22.每个训练轮次内随机挑选若干三十秒睡眠片段进行平移与反转，以实现数据增广。
23.优选地，所述建立的模型，包括：
24.卷积重建模块，所述卷积重建模块采用第二卷积神经网络，所述第二卷积神经网络包括前向部分和反向部分；所述前向部分提取所述输入图像的特征，所述反向部分对前向部分第一层的输出特征进行重建并输出；
25.全局最大与平均池化模块，所述全局最大与平均池化模块对所述卷积重建模块中输出的特征进行数据降维，并提取时不变特征。
26.优选地，所述建立的模型，还包括：
27.低层特征提取模块，所述低层特征提取模块采用第一卷积神经网络，对输入的脑电图进行特征提取与降维，得到低层特征，作为所述卷积重建模块的输入；
28.循环神经网络模块，所述循环神经网络模块采用第一循环神经网络，同时接收循环神经网络模块对于上一脑电图片段的输出与全局最大与平均池化模块的输出作为输入，学习睡眠片段间的转移关系，输出睡眠分期结果。
29.优选地，所述第一卷积神经网络，包括：1层卷积层，1层最大池化层与一层dropout层；
30.优选地，所述第二卷积神经网络，包括：3层前向卷积层，2层反向卷积层与1层最大池化层；
31.优选地，所述全局最大与平均池化模块，包括：全局最大池化层、全局平均池化层、连接层与dropout层；所述全局最大池化层与全局平均池化层分别对卷积重建模块的输出进行全局池化，连接层将所得的两个特征在通道的维度上连接在一起。
32.优选地，所述循环神经网络模块，包括：1层长短期记忆网络与1层线性层；
33.优选地，所述无监督的预训练，为预训练所述低层特征提取模块与所述卷积重建模块，包括：
34.衡量所述卷积重建模块的重建质量的损失函数为均方误差损失，其定义为：
[0035][0036]
其中，代表第一层前向卷积层的输出，代表反向卷积层的输出；
[0037]
所述有监督地训练，为利用分类损失和重建损失训练整体模型，包括：
[0038]
所使用的损失函数加入了带权重的交叉熵分类损失l
cls
，总的损失函数被设置为分类损失与带权的重建损失，即为：
[0039]
l
total
＝l
cls
+α*l
rec
；
[0040]
其中α为重建损失的权重，被设置为1e-5。
[0041]
与现有技术相比，本发明具有如下的有益效果：
[0042]
本发明仅仅通过单通道的脑电信号即可进行睡眠分期的准确预测，降低了患者就诊的不适感与信号采集难度。
[0043]
本发明提出了一个较少参数量的基于特征重建的神经网络模型，可更好的从脑电信号中提取睡眠分期所需特征，需要更少的训练时间达到与现有方法近似甚至更优的睡眠分期结果。
附图说明
[0044]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0045]
图1为本发明提供的一个实施例基于特征重建的单通道脑电图自动睡眠分期方法的流程图。
[0046]
图2为本发明提供的一个优选实施例中基于特征重建的单通道脑电图自动睡眠分期模型的总体架构图。
具体实施方式
[0047]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0048]
如图1所示，为本发明提供的一个实施例基于特征重建的单通道脑电图自动睡眠分期方法的流程图，包括：
[0049]
s1,对整夜睡眠单通道脑电脑进行采集与标注，获得用于训练模型的数据集；
[0050]
s2,对所述数据集进行预处理，包括数据标准化和数据增广；
[0051]
s3,建立并初始化模型，使用预处理后的数据集对模型进行无监督的预训练与有监督的训练；
[0052]
s4,使用训练好的模型进行睡眠阶段的标注。
[0053]
本发明提供一个优选实施例执行s1,进行单通道脑电图的采集。使用可穿戴式设备或脑电图仪采集受试者整夜的fpz-cz通道脑电信号，并进行睡眠阶段标注，由此生成用于模型训练的数据集。此外，也可使用诸如physionet等网站提供的带有睡眠阶段标注的公开数据集。部分睡眠片段由于受试者身体的大幅度移动引入了大量噪声，此类片段应被直接剔除出数据集；部分无法确认睡眠周期的睡眠片段也应被剔除。
[0054]
本发明提供一个优选实施例执行s2,对数据集进行预处理，对每个整晚的睡眠脑电信号进行归一化以帮助模型训练。作为较优实施例，将每晚的脑电信号平移缩放至均值为0，方差为1；或是至中位数为0，四分位数差为1，此种归一化方式具有更好的鲁棒性。
[0055]
深度学习中，模型的学习能力往往与数据规模的大小正相关。因此，本实施例对部分三十秒脑电片段通过5％到10％幅度(即100hz采样率下的150到300个样本点)的平移或反转进行数据增广，从而生成更多样化的脑电图数据，进一步扩大数据量。
[0056]
为了解决现有技术中存在的缺陷，增强训练速度和提高分期精准度，本发明提供一个优选实施例执行s3，建立整体模型。在本实施例中，整体模型包括四个模块，分别为：
[0057]
低层特征提取模块、卷积重建模块、全局最大与平均池化模块和循环神经网络模块。
[0058]
低层特征提取模块，采用第一卷积神经网络，对输入的脑电图进行一次初级的特征提取与降维，得到一个原始信号的特征。
[0059]
卷积重建模块，采用第一卷积神经网络，由前向部分和反向部分组成。其前向部分对低层特征提取模块中提取到的特征进一步处理，得到更为高级与抽象的特征；其反向部
分对前向部分第一层的输出特征进行尽可能地重建。
[0060]
全局最大与平均池化模块，对卷积重建模块中输出的特征进行进一步地加工，在数据降维的同时提取到时不变特征。
[0061]
循环神经网络模块，采用第一循环神经网络，同时接收循环神经网络模块对于上一脑电图片段的输出与全局最大与平均池化模块的输出作为输入，学习睡眠片段间的转移关系，最终输出睡眠分期结果。
[0062]
进一步的，如图2所示，为本实施例的基于深度神经网络的自动睡眠分析模型总体架构图。从图中可见，建立的模型参数中，包括：
[0063]
低层特征提取模块中采用的第一卷积神经网络，包括：1层卷积层，1层最大池化层与一层dropout层。其中：所述卷积层包括卷积操作层和relu激活函数,卷积核大小为50，卷积步长为6，输出通道数为128；最大池化层尺寸为8，步长为8；dropout层概率为0.5。
[0064]
卷积重建模块中采用的第二卷积神经网络，包括：3层前向卷积层，2层反向卷积层与1层最大池化层。其中，所述卷积层包括卷积操作层和relu激活函数，卷积核大小为8，卷积步长为1，输出通道数为128；最大池化层尺寸为4，步长为4。
[0065]
所述全局最大与平均池化模块包括：全局最大池化层，全局平均池化层，连接层与dropout层。其中，dropout层概率为0.5；全局最大池化层与全局平均池化层分别对卷积重建模块的输出进行全局池化，连接层将所得的两个特征在通道的维度上连接在一起。
[0066]
循环神经网络模块采用的第一循环神经网络包括：1层长短期记忆网络与1层线性层。其中，长短期记忆网络隐藏层状态数为128，线性层神经元个数为5，激活函数为softmax函数。长短期记忆网络仅接受1维数据作为输入，而卷积重建模块的输出特征为其中c代表特征的通道数，t代表特征的时间维度。在无全局最大与平均池化模块的情况下，为将该特征输入到长短期记忆，需要将特征展平为然而，由于长短期记忆网络中的门类似于线性层，这种直接展平特征的方式又增加了特征的维度，导致了模型参数的极大量增加。此外，根据睡眠分期的标准，睡眠分期的主要判别方式为各个睡眠阶段所对应脑电波的是否出现与所占比例，而并不关注于其在所对应脑电信号中的具体位置，而直接地特征展平破坏了这一性质。在加入全局最大与平均池化模块后，输出特征为显著降低了特征维数，进而大大减少了模型参数量。
[0067]
本发明提供一个优选实施进行无监督训练的预训练。具体的，使用无监督地重建损失预训练低层特征提取模块与卷积重建模块。在前向的卷积神经网络外额外提出了反向的特征重建卷积层，从而帮助前向结构的特征提取，该部分旨在尽可能好地重建前向过程中的中间特征。脑电图的采集过程中无可避免地引入了大量噪声，因此靠近模型输入部分的特征包含更多的噪声，故对输入脑电图信号或低层特征提取模块的输出进行重建十分困难，甚至可能与前向的特征提取冲突，从而导致模型性能的下降。进一步的，反向卷积层以前向卷积层的输出作为输入，其重建目标为第一层前向卷积层的输出。衡量重建质量的损失函数为均方误差损失，其定义为：
[0068][0069]
其中，代表第一层前向卷积层的输出，代表反向卷积层的输出。
[0070]
更进一步的，在正式使用睡眠阶段标签训练模型之前，在不使用睡眠阶段标签的情况下预训练低层特征提取模块与卷积重建模块10个轮次。
[0071]
本发明提供一个优选实施例执行有监督的训练，即有监督地利用分类损失和重建损失训练整体模型。与预训练中使用的损失函数不同，正式训练中所使用的损失函数加入了带权重的交叉熵分类损失l
cls
，考虑到数据集中的类别不平衡问题，如非快速眼动睡眠1期数据明显较少，清醒、快速眼动睡眠、非快速眼动睡眠1期、非快速眼动睡眠2期、非快速眼动睡眠3期的权重分别为1、1、1.5、1、1。总的损失函数被设置为分类损失与带权的重建损失，即为：
[0072]
l
total
＝l
cls
+α*l
rec
[0073]
其中α为重建损失的权重，被设置为1e-5。
[0074]
与全卷积神经网络不同，长短期记忆网络需要保存每个睡眠阶段所对应的内部神经元状态，从而作为下一个睡眠阶段的输入。因此，每个批次内的脑电信号来自于不同的记录，且每个批次内的脑电信号通过零填充进行长度对齐，从而使得模型可以实现对eeg记录的批量处理，加速训练过程，同时填充部分的损失不会用于模型的优化，填充部分的损失计算对模型优化无意义。在每个批次开始时，长短期记忆网络的内部神经元会被零初始化，直到整个批次内的脑电信号都被输入到了模型中。例如，在一个轮次中，对具有n个整夜脑电信号的数据集dn，批次大小为b,则每个批次的数据为db,其中最长的脑电信号具有l个三十秒脑电片段，其余信号都会在末尾零填充到长度l,即为并引入填充矩阵其中各项数值对应此处为原信号或为填充信号，填充位置数值为0，原信号位置数值为1。考虑到显存与内存的限制，每次只能输入一段连续的脑电信号，若长度为l，则每批次的一次输入为填充矩阵在卷积神经网络部分，其可被视为进行处理，而在经过全局最大与平均池化模块后，特征为由此便可沿l方向逐个计算睡眠分期结果，得到逐项的损失
[0075]
则最终的分类损失为：
[0076][0077]
其中
⊙
代表逐元素乘。该部分为实现模型能对eeg记录的批量处理，批量处理的意义为加速训练过程。
[0078]
最后一个睡眠阶段的长短期记忆网络神经元状态保存，用于计算与此次长度l的脑电片段序列相邻的下一个序列的第一个片段。在整个批次计算完成后，对长短期记忆网络神经元进行零初始化。所有批次的训练完成后，则重复此步骤进行下一个轮次的训练。总轮次的设置应与训练数据的数量呈负相关，即越多的数据需要越少的训练轮次。
[0079]
为了更好的进行睡眠阶段标注，本发明提供一个优选实施例执行s4。在本实施例中，在训练完模型后的实际使用中，为快速地对多条整夜脑电记录进行睡眠阶段的标注，与训练过程相同，测试过程也要对较短脑电信号进行填充。将填充后的脑电数据送入到训练好的模型中，数据送入模型后softmax层输出向量其中和为1，分别代表模型对一个睡眠片段属于清醒，快速眼动睡眠，非快速眼动睡眠一期，非快
速眼动睡眠二期，非快速眼动睡眠三期的概率，选取概率最大的预测作为模型对该片段的分期结果。
[0080]
本实施例仅仅需要收集单通道的脑电图信号用于所使用模型的训练，相比于已有方法，所使用模型具有少的参数量，只需要较少的训练时间即可对单通道的脑电信号达到与已有方法可比甚至更优的睡眠分期性能。
[0081]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。上述各优选特征在互不冲突的情况下，可以任意组合使用。

技术特征：
1.一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，包括：采集与标注整夜睡眠单通道脑电图，获得用于训练模型的数据集；预处理所述数据集，进行数据标准化和数据增广；建立并初始化模型，使用所述预处理后的数据集对模型进行无监督的预训练与有监督的训练；使用训练好的模型实现睡眠阶段的标注。2.根据权利要求1所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述采集与标注整夜睡眠脑电图，获得用于训练模型的数据集，包括：通过采集设备对fpz-cz单通道脑电图进行测量，去除包含受试者体动带来噪声的片段与非睡眠阶段的片段。3.根据权利要求1所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述数据预处理，包括：对每条所述整晚睡眠脑电图数据进行均值为0、方差为1或中位数为0、四分位数差为1的标准化；每个训练轮次内随机挑选若干个三十秒睡眠片段；将所述三十秒睡眠片段逐个进行平移和反转，实现数据增广。4.根据权利要求1所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述建立的模型，包括：卷积重建模块，所述卷积重建模块采用第二卷积神经网络，所述第二卷积神经网络包括前向部分和反向部分；所述前向部分提取所述输入图像的特征，所述反向部分对前向部分第一层的输出特征进行重建并输出；全局最大与平均池化模块，所述全局最大与平均池化模块对所述卷积重建模块中输出的特征进行数据降维，并提取时不变特征。5.根据权要求4所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述建立的模型，还包括：低层特征提取模块，所述低层特征提取模块采用第一卷积神经网络，对输入的脑电图进行特征提取与降维，得到低层特征，作为所述卷积重建模块的输入；循环神经网络模块，所述循环神经网络模块采用第一循环神经网络，同时接收循环神经网络模块对于上一脑电图片段的输出与全局最大与平均池化模块的输出作为输入，学习睡眠片段间的转移关系，输出睡眠分期结果。6.根据权利要求5所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述第一卷积神经网络，包括：1层卷积层，1层最大池化层与一层dropout层。7.根据权利要求4所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述第二卷积神经网络，包括：3层前向卷积层，2层反向卷积层与1层最大池化层。8.根据权利要求4所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述全局最大与平均池化模块，包括：全局最大池化层、全局平均池化层、连接层与dropout层；所述全局最大池化层与全局平均池化层分别对所述卷积重建模块的输出进行全局池化；所述连接层将通过全局最大池化层、全局平均池化层所得的两个特征在通道的维度上连接在一起。
9.根据权利要求5所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述循环神经网络模块，包括：1层长短期记忆网络与1层线性层。10.根据权利要求5所述的一种基于特征重建的单通道脑电图自动睡眠分期方法，其特征在于，所述无监督的预训练，为预训练所述低层特征提取模块与所述卷积重建模块，包括：衡量所述卷积重建模块的重建质量的损失函数为均方误差损失，其定义为：其中，代表第一层前向卷积层的输出，代表反向卷积层的输出；所述有监督地训练，为利用分类损失和重建损失训练整体模型，包括：所使用的损失函数加入了带权重的交叉熵分类损失l
cls
，总的损失函数被设置为分类损失与带权的重建损失，即为：l
total
＝l
cls
+α*l
rec
；其中α为重建损失的权重，设置为1e-5。

技术总结
本发明提供一种基于特征重建的单通道脑电图自动睡眠分期方法，包括：采集与标注整夜睡眠单通道脑电图，获得用于训练模型的数据集；预处理所述数据集，进行数据标准化和数据增广；建立并初始化模型，使用所述与预处理后的数据集对模型进行无监督的预训练与有监督的训练；使用训练好的模型实现睡眠阶段的标注。本发明仅仅通过单通道的脑电信号即可进行睡眠分期的准确预测，降低了患者就诊的不适感与信号采集难度。与信号采集难度。与信号采集难度。


技术研发人员：聂浩东 涂仕奎 徐雷
受保护的技术使用者：上海交通大学
技术研发日：2022.01.19
技术公布日：2023/7/31