[发明专利]基于深度学习的睡眠觉醒分析方法

说明书

本发明公开了基于深度学习的睡眠觉醒分析方法，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，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，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，通过引用多头注意力机制取代长短期记忆模型，并针对睡眠信号特征，设计了大卷积核来进行特征提取，实验表明，其在大幅提高模型训练速度的同时，减少了模型参数，并且有效提高了模型分析准确率。

技术领域

本发明涉及深度学习技术领域，特别是涉及基于深度学习的睡眠觉醒分析方法。

背景技术

眠医学作为一门新兴的边缘交叉学科，正广泛受到大家的重视，其研究有助于了解机体重要生理机制，诊断和治疗睡眠障碍疾病，以及改善睡眠质量。睡眠是一种复杂的生理过程，是机体复原和巩固的重要环节。随着现代生活压力的增大，越来越多的人睡眠受到影响，甚至存在睡眠障碍疾病，许多心血管疾病及精神疾病也与睡眠密切相关。睡眠不足可能导致多种不良后果，包括记忆和学习障碍、肥胖、易怒、心血管功能障碍、低血压、免疫功能下降以及抑郁症等。因此改善睡眠质量对于保持人体健康有着至关重要的作用。

睡眠觉醒是指在睡眠过程中大脑进入短暂的清醒期，然后又恢复睡眠状态。正常情况下，大脑会产生自发性觉醒，但是睡眠觉醒也可能是受到其他因素影响而产生的，且过度的睡眠觉醒会影响人的正常睡眠，对身体造成损害。觉醒的原因主要有阻塞性呼吸暂停、混合性呼吸暂停、中枢性呼吸暂停和低通气这四种，但是这并非是导致睡眠觉醒的唯一原因，其他一些因素也可能导致睡眠觉醒，比如磨牙症、打鼾、周期性腿动、部分气道阻塞或者呼吸努力等产生的觉醒。由于频繁的觉醒导致睡眠碎片化，从而使得受试者白天嗜睡、认知能力下降，降低了睡眠对人体恢复产生的效果。

为了改善受试者的睡眠质量，第一步就是对其进行睡眠监测。临床上通常采用多导睡眠仪获取病人整夜的多导睡眠图(Polysomnogram，PSG)来评估患者的睡眠状况，使医生能够监测脑电图(EEG)、肌电图(EMG)、眼电图(EOG)、心电图(ECG)、呼吸模式等与胸、腿等运动相关的多模态信号。医生可以通过这些信号判断睡眠觉醒是否来自于其他觉醒源(非呼吸暂停)，从而对病人进行有针对性的治疗。按照传统的诊断方法，医生需要对每个病人的整夜产生的数千万信号数据进行视觉分析标注识别，这种标注受评分医生经验的影响，效率低，且易造成误判，也浪费了大量医疗资源。因此，开发基于PSG的自动觉醒分析系统，可以通过高效、快速、可靠的算法形式为临床工作者提供有力的帮助。近些年计算机辅助分析蓬勃发展，利用现代信号处理技术和智能算法对信号进行分析处理，由于其高效、客观而成为现代信号研究的主要方法。深度学习作为人工智能领域最新的研究方向，深度学习技术也已经在生理信号领域获得广泛应用，把医疗AI推向了新的高潮。

目前国内已有部分算法在睡眠分期领域应用，但是国内目前还没有相关计算机辅助睡眠觉醒分析的方法。与本发明相近的现有技术有专利CN102274022A记载的一种基于脑电信号的睡眠阶段分期算法，通过对脑电信号采用传统的时频域分析方法和非线性动力学分析方法提取到一批能表征睡眠深度的特征参数。再通过套索回归选择最佳模型，最终建立睡眠的自动分期模型。该方法基于机器学习算法实现，需要设计并提取特征，且局限于低维特征，而深度学习算法可以模仿人的思维，从低层特征中抽象出更具识别力的高维特征。

发明内容

针对上述情况，为克服现有技术之缺陷，本发明之目的在于提供基于深度学习的睡眠觉醒分析方法，具有构思巧妙、人性化设计的特性，通过引用多头注意力机制取代长短期记忆模型，并针对睡眠信号特征，设计了大卷积核来进行特征提取，能够更好的对睡眠觉醒分析。