[发明专利]基于深度学习的睡眠觉醒分析方法

权利要求书

1.基于深度学习的睡眠觉醒分析方法，其特征在于，包括以下步骤：步骤1，通过多导睡眠仪采集受试者整个睡眠过程中的多模态生理信号，采集到的信号转换为200Hz的信号频率，并以30秒的滑动窗口50%重叠率对数据进行样本切分，然后对每一维度的所有样本求平均值和标准差，并通过Z-Score标准化对数据进行预处理；

步骤2，对步骤1中预处理后的每个样本的脑电信号进行傅里叶变换转换为频域特征，并选取0.5Hz-30Hz波段的信号通过逆傅里叶变换还原为时序特征，从而实现滤波处理；

步骤3，针对多模态多导联的生理信号特征，将不同导联的生理信号逐个送入单导联特征提取模型CNN-MhAtt中，进而获取该导联的特征输出向量；

步骤3.1，针对睡眠数据特征采用了1×64的大卷积核进行特征提取，在数据降维的同时增大模型感受野，提高特征的平移不变性；

步骤3.2，采用了Multi-Head Attention结构，结合Positional Encoding获取数据的时序特征；

步骤4，多导联特征汇总融合并通过softmax进行睡眠觉醒原因分析；

采用了Multi-Head Attention结构，结合Positional Encoding获取数据的时序特征；模型首先通过Positional Encoding对矩阵中每个位置进行编码，从而得到每个位置与原向量融合后的新的向量；接着将矩阵送入Multi-Head Attention结构进入序列编码，首先通过Attention机制获取向量内部特征，接着将Attention的Q,K,V通过参数矩阵进行映射，重复h次后将结果拼接起来；最后通过global average pooling对每个feature map内部取平均，得到输出矩阵。

2.根据权利要求1所述的基于深度学习的睡眠觉醒分析方法，其特征在于，选取腹部和胸部的呼吸信号、呼吸气流和眼电图，同时选取第1和第2导联的EEG进行滤波处理后的多模态数据送入模型训练。

3.根据权利要求1所述的基于深度学习的睡眠觉醒分析方法，其特征在于，将单一导联睡眠信号的输出矩阵进行连接，并通过两层全连接层，其中使用relu激活函数和Dropout防止数据过拟合，最后使用softmax分析器对睡眠觉醒原因进行分析。