[发明专利]基于双输入卷积神经网络的睡眠阶段分类方法及应用

权利要求书

1.一种基于双输入卷积神经网络的睡眠阶段分类方法，其特征在于，包括如下步骤：

1)获取有限穿越可视图复杂网络的特征指标，包括：

(1)对一个长度为T的睡眠阶段脑电片段建立有限穿越可视图复杂网络，其中，x_t表示睡眠阶段脑电片段的第i个节点；包括：

(ⅰ)设置有限穿越视距为L；

(ⅱ)找出有连边的节点对，具体是找出睡眠阶段脑电片段中所有不相邻的两个节点x_i和x_j之间的所有节点，对所有节点中的每一个节点x_b进行判断是否满足条件：其中，x_i,x_j,x_b分别表示睡眠阶段脑电片段的第i个、j个、b个节点，当所述的所有节点中不满足所述条件的节点数小于等于L个，则认定在有限穿越视距为L的有限穿越可视图复杂网络中节点x_i和节点x_j之间存在连边，否则认定在有限穿越视距为L的时间窗有限穿越可视图复杂网络中节点x_i和节点x_j之间不存在连边，所有连边和所有节点构成有限穿越可视图复杂网络；

(2)提取节点度值；是采用如下公式提取节点度值：

其中，k_i为第x_t个节点的度值，a_ij为可视图复杂网络中两个节点x_i和x_j的连边；

(3)根据节点度值得到节点度值序列，将节点度值序列作为有限穿越可视图复杂网络的特征指标；

2)建立双输入卷积神经网络模型；

所述的双输入卷积神经网络模型，包括有两个卷积神经网络，每个卷积神经网络由依次串连的第一卷积层、第一平均池化层、第二卷积层、第三卷积层、第四卷积层和第二平均池化层构成，每个卷积层依次执行三个操作：即分别与滤波器进行一维卷积、批量归一化和应用整流线性单元ReLU激活，每个平均池化层都对输入平均进行采样，最后两个卷积神经网络得到两个输入的特征向量；将两个输入的特征向量分别压平成一维向量；将两个一维向量首尾相连经过全连接层后，在softmax层中使用交叉熵目标函数生成分别属于清醒阶段，浅度睡眠阶段，深度睡眠阶段和快速眼动睡眠阶段的概率；将获得最大概率的阶段视为分类结果；

3)采用十折交叉验证和双输入卷积神经网络模型，将N个节点度值序列和N个长度为T的睡眠阶段脑电片段输入到双输入卷积神经网络模型，将一个长度为T的睡眠阶段脑电片段按照清醒阶段、浅度睡眠阶段、深度睡眠阶段和快速眼动睡眠阶段分成四类。

2.根据权利要求1所述的基于双输入卷积神经网络的睡眠阶段分类方法，其特征在于，步骤1)第(3)步所述的节点度值序列表达式如下：

其中，k_i为第x_t个节点的度值，T表示睡眠阶段的长度。

3.根据权利要求1所述的基于双输入卷积神经网络的睡眠阶段分类方法，其特征在于，步骤3)包括：

(1)将N个长度为T的睡眠阶段脑电片段和节点度值序列分别分为两组等长的十个子集，所述的两组等长的十个子集相互对应；

(2)分别将两组等长的十个子集中的一个子集作为测试集，剩余的九个子集作为训练集，提供对应的训练集标签；

(3)将两组具有训练集标签的训练集分别输入到双输入卷积神经网络模型，对双输入卷积神经网络模型进行训练；

(4)将两组测试集分别输入到训练好的双输入卷积神经网络模型，得到分类结果；

(5)重复第(2)～第(4)步，直到将相互对应的等长的十个子集全部进行分类；

(6)对全部分类结果中的清醒阶段、浅度睡眠阶段、深度睡眠阶段和快速眼动睡眠阶段分别求和，得到四个分类结果。

4.一种权利要求1所述的基于双输入卷积神经网络的睡眠阶段分类方法的应用，其特征在于，分别采集S个患有睡眠障碍的成年人四个睡眠阶段的脑电数据，所述四个睡眠阶段包括，清醒阶段，浅度睡眠阶段，深度睡眠阶段和快速眼动睡眠阶段，对于所采集的脑电数据，分别构建每个睡眠阶段下脑电片段的有限穿越可视图复杂网络，其中有限穿越视距L＝1，计算在有限穿越可视图复杂网络的所有节点度值序列，基于十折交叉验证和双输入卷积神经网络模型，实现对不同睡眠阶段脑状态下脑电数据的准确分类。