基于深度卷积自动编码器的睡眠分期模式识别的方法

本发明涉及深度学习，尤其涉及一种基于深度卷积自动编码器的睡眠分期模式识别的方法。

背景技术：

1、多导睡眠图psg，包括eeg，ecg,eog,emg etc.是无创诊断不同类型睡眠障碍的金标准，如睡眠呼吸暂停、失眠、发作性睡病、不宁腿综合征和睡眠障碍。基于多导睡眠图记录仪(psg)的睡眠障碍检测技术，是一种通过测量多种生理参数来分析和评估睡眠质量和睡眠障碍的方法。psg可以同时记录睡眠期间的多种生理反应，包括脑电图(eeg)、心电图(ecg)、眼电图(eog)、呼吸气流、胸腹呼吸运动和肌电图等。睡眠障碍检测技术通常通过识别睡眠病变、呼吸暂停、肌肉运动、睡眠中行为紊乱等以上述多种生理反应为基础来分析睡眠障碍和睡眠质量问题。

2、人类专家对视觉睡眠阶段的评分是目前睡眠分析的黄金标准。然而，这种方法繁琐、耗时、容易出现人为错误，并且无法检测睡眠的微观结构，例如循环交替模式(cap)，这是检测失眠和阻塞性睡眠呼吸暂停(osa)等睡眠障碍的重要诊断因素。cap仅作为非快速眼动过程中脑电图(eeg)信号的细微变化来观察(nrem)睡眠，使人类专家很难辨别。因此，重要的是要开发一个使用深度学习算法和技术的自动化系统，用于准确和稳健地检测cap和睡眠阶段分类。

3、睡眠模式分析是利用深度学习算法对睡眠数据进行分类和识别的过程。一些深度学习算法和模型得到了广泛的应用，包括：卷积神经网络(cnn)：cnn是一种能够自动提取睡眠数据中特征的神经网络模型，它可以避免手动选择特征的复杂和主观性。cnn可以使用多个卷积核对原始信号进行卷积操作，提取分层的特征，并通过最大池化将特征维度减少到较小的尺寸，最后通过全连接层进行分类。长短时记忆网络(lstm)：lstm是一种适用于在时间序列数据中进行分类和识别的深度学习算法。lstm能够自适应学习和提取序列数据中的时间依赖关系，可以捕捉到不同的睡眠阶段之间的细微变化。同时，lstm还能够处理不等长的时间序列数据，从而提高了睡眠数据的分类效果。信号自编码器(sae)：sae通过学习睡眠信号中的高层表示，能够实现非监督的特征学习。它通过无需人为干预的逐层训练和重构，可以学习信号的分层特征，并将其转换成一个压缩的表征形式进行分类。稀疏自编码器(ssae)：ssae与sae相似，但它通过鼓励激活稀疏性，可以学习更具有鉴别性的特征表示，从而提高了分类精度。

4、这些深度学习算法通常需要在大量的睡眠数据集上进行训练，并通过交叉验证进行调整和测试。这些技术的发展提供了一种高效、准确的方式来分析和评估睡眠质量和睡眠障碍的问题。

5、睡眠对于人类而言是至关重要的，睡眠过程中存在的各种异常情况严重影响着人类的健康，比如，失眠，睡眠过程中的呼吸暂停等。在过去几十年的研究中发现，对睡眠分期的识别至关重要，简而言之，人类睡眠过程分为以下阶段：①清醒期，wake(w),②快速眼动期，rapid eye movement(rem),③none rapid eye movement(nrem),其中包括1期(n1)指从醒到睡眠的过渡期，二期(n2)指浅度睡眠，三期(n3)指深度睡眠过程.人类的睡眠实际上是从w->n1->n2->n3->rem的循环过程。现有的对于睡眠分期的识别主要依赖于多导睡眠信号(psg)，其中包括脑电波图(eeg)，眼电图(eog)，肌电图(emg)，心电图(ecg),而psg信号的获取需要在专业的睡眠研究中心经过较长时间的睡眠才能获取，因而psg信号的获取成本非常高。

技术实现思路

1、本发明的目的在于提供一种基于深度卷积自动编码器的睡眠分期模式识别的方法，。

2、本发明的发明思想为：本发明采用psg原始信号的预处理，信号的标准化，信号预处理，多比例的编码器(multi-scale encoder)的生成,多比例的解码器(multi-scaledecoder)的生成,睡眠分期判别器的实现，对识别结果的评估等，通过添加与多层卷积网络相结合的多尺度编码、新的逐层跳跃连接和解码器的多尺度特征融合，提高了其性能。与现有的一些深度学习方法相比，具有更好的识别准确性。

3、为了实现上述发明目的，本发明采用技术方案具体为：基于深度卷积自动编码器的睡眠分期模式识别的方法，包括以下步骤：

4、步骤一：数据预处理。

5、对原始ecg信号进行分割和去噪，然后对ecg信号进行小波变换转换为1分钟、2分钟和3分钟的时频图像，小波变换是一种时频分析技术，可以提取信号在时频域中的局部特征。采用了两中小波转换技术，morlet wave(morl)和complex morlet wave(cmorl).morl是高斯包络下的单频正弦函数，可以有效地避免图像处理中的相位失真,其公式如下：

6、

7、cmorl是由morlet小波扩展而来的一种复连续小波，在时域和频域上都具有良好的分辨率,其公式如下：

8、

9、步骤二：多比例的自动编码器：

10、转换后的ecg信号被输入一个到一个多尺度的自动编码解码器网络进行分类识别，自编码器网络采用多层卷积网络结构，其结构如图1所示：

11、步骤三：逐层跳过连接

12、跳跃连接可以利用融合图像特征的水平连接来提高图像分割性能。u-net中的u形结构直接用于编码器和解码器，并通过使用跳跃连接在它们之间添加用于信息传输的信道。仅为编码器和解码器建立一条路径只能传输相应层的信息，由于传输跨度太大，信息之间的差异也会降低信息融合的效果。

13、为了减少连接过程中的差异，进一步提高分割结果，在每次编码后增加了向上反向解码的过程，将语义相似、跨度较小的特征融合在一起，获得更多的图像特征信息。其结构如下：

14、步骤四：multi-scale decoder(多尺度解码器)

15、由于不能获得良好的图像分割性能，我们使用多尺度特征融合来代替3×3卷积层进行解码。解码的多尺度特征融合采用不同大小的卷积核来尽可能准确地分割目标区域。改进的多尺度解码器如图3所示。

16、步骤五：网络总体架构如图4所示：该步骤是将以上步骤一到四中描述的方法相结合构建网络的整体模型，如图4所示。

17、步骤六：loss function(损失函数)

18、损失函数用于测量网络的实际值和预测值之间的差异。本发明中采用dice lossfunction,其公式如下：

19、

20、其中，yin是第n个像素处类别i的基本事实，n是像素总数，是yin的概率预测值，

21、是每个类别的权重。

22、与现有技术相比，本发明的有益效果为：

23、1、多尺度自动编码器(multi-scale encoding)方法与深度卷积网络的结合；这种编码方法使用不同尺度的卷积来提取前一层的输出，然后通过不同的卷积层聚合提取的几个特征信息；此外，卷积模块用于通过1×1卷积来降低每个卷积操作的维数，以降低计算复杂度，通过所提出的编码方法，可以获得更全面的特征信息，并获得更好的分割性能。

24、2、提出了新型的逐层跳过连接模式(layer-by-layer skip connection)针对传统的的单个对应层之间的跳跃连接在解码过程中只能提供编码层提取的一部分特征信息，浪费了其余特征信息的问题；在每个编码步骤后使用去卷积来获得结果，并添加一个逐层的跳跃连接来返回到前一层，并将每次编码后返回的信息与最终解码连接起来，以保存编码层生成的每个信息。这样，编码层获得的所有信息都可以完全传输回解码层，以保留所有提取的特征信息，从而获得更好的分割结果。

25、3、多尺度自动解码器(multi-scale decoding)方法与深度卷积网络的结合尽管通过所提出的逐层跳跃连接和与深度卷积相结合的多尺度编码已经保留了尽可能多的信息，但这些信息不能在解码中得到充分利用。受我们提出的网络编码器改进的启发，采用了多尺度方法来改进解码器。参考多尺度编码的思想，我们对解码器进行类似的操作，可以更完整地恢复特征。通过充分利用多尺度解码和逐层跳接，提取并保留所有特征信息，获得更清晰的分割图像。