[发明专利]一种基于残差学习和多粒度特征融合的睡眠分期方法

权利要求书

1.一种基于残差学习和多粒度特征融合的睡眠分期方法，其特征在于，包括如下步骤：

步骤一，原始睡眠脑电信号预处理：

对包含N个通道的原始睡眠脑电信号进行带通滤波以去除噪声，最终得到采样率为T的N导睡眠脑电信号；进一步，采用长度为30秒的滑动时间窗口将预处理后的信号不重叠地划分为P段N个通道的子信号S_i,j，其中i∈[1,2,...,P]表示当前样本数据的序号,j∈[1,2,...,N]表示当前样本数据的通道，且每一通道的信号均包含30*T个采样点；

步骤二，HHT提取时频特征：

对于包含N个睡眠脑电数据通道的分段后的任意样本数据S_i＝[S_i1,S_i2,...,S_iN]，其中，S_iN＝[S_i,1 ... S_i,N]，S_i,N表示第N导信号的第i段数据。对每一通道数据使用HHT提取应的时频矩阵特征；人工设定希尔伯特黄变换的时频分辨率为M，则得到任意样本数据的特征大小为N*M*M的时频矩阵F＝[F₁,F₂,...,F_N]，其中每一脑电通道的时频特征F_j大小为M*M；

步骤三，多粒度特征提取及融合：

使用多粒度特征提取方法对每个通道的时频矩阵F_j进行睡眠多粒度特征的学习和整合，最终得到表征每个通道的全部时频信息的输出Fusion_j，j∈[1,2,...,N]；所述多粒度特征提取方法包括三个阶段，即数据预处理、利用多粒度残差学习模块对每个单通道进行多粒度特征提取以及利用多粒度特征融合模块得到每个单通道最终的注意力感知融合输出Fusion_j；

步骤四，多通道特征融合及分类：

利用步骤三中的多粒度特征融合模块，对N个通道的多粒度融合特征Fusion_j进行融合，将融合后的特征拉成一个一维向量，作为线性分类层的输入，进行睡眠阶段分类。

2.根据权利要求1所述的一种基于残差学习和多粒度特征融合的睡眠分期方法，其特征在于，步骤一所述的预处理包括带通滤波以及下采样，具体包括：

1)对原始脑电信号进行0.5-32Hz的带通滤波；

2)若原始脑电信号的采样频率高于100Hz，则使用降采样操作，将经过滤波后的数据采样频率降低到100Hz。

3.根据权利要求1所述的一种基于残差学习和多粒度特征融合的睡眠分期方法，其特征在于，步骤三所述的多粒度特征提取方法包括以下步骤：

1)数据预处理：对任意M*M的单通道时频特征矩阵，首先分别经过一个1*1卷积层、一个ReLU激活层以及一个最大池化层得到隐层输出特征hidden_1_j，该操作用于扩充通道数目、提升深层网络的非线性并降低特征图的大小；

2)利用多粒度残差学习模块对(1)中输出的隐层特征hidden_1_j进行多粒度特征提取，所述的多粒度残差学习模块以残差块ResBlock为网络的基本单位，其工作过程为：将单通道隐层特征hidden_1_j输入由残差块ResBlock1构成的主干网络后，划分为四个分支网络，利用这四个分支网络学习输入数据hidden_1_j的不同粒度大小的特征，来表征睡眠脑电时频特征的全局和局部信息，第一分支branch1依次包括残差块ResBlock2、残差块ResBlock4和一个池化层Maxpool2，用于学习和输出输入数据hidden_1_j的全局信息hidden_branch1_j，其中ResBlock2使用了步长为2的残差块用于降低数据的维度；第二分支branch2在依次经过残差块ResBlock3、残差块ResBlock4之后，进一步划分为两路网络结构，其中一路网络经过池化层Maxpool3之后得到该路网络的隐层输出hidden_branch2_j，另一路网络在经过池化层Maxpool4之后将得到的输出沿水平方向划分为两个相等大小的细粒度特征作为这一路网络的隐层输出hidden_branch2_seg1_j和hidden_branch2_seg2_j；第三分支branch3在依次经过残差块ResBlock3、残差块ResBlock4之后划分为两路，其中一路网络经过池化层Maxpool3得到的隐层输出hidden_branch3_j，另一路网络在经过池化层Maxpool5之后将得到的输出沿水平方向划分为三个相等大小的细粒度特征作为这一路网络的隐层输出hidden_branch3_seg1_j、hidden_branch3_seg2_j和hidden_branch3_seg3_j；其中在branch2和branch3中残差块ResBlock3设定为步长为1，用于为后续提取局部信息保留一定的接受域；第四分支结构依次包含一个1*1卷积层和一个最大池化层，用于对经过主干残差块ResBlock1后的隐层特征进行降维表达，最后，将前三分支的8路输出结果分别与第四分支的输出结果相加，得到8路输出hidden_j,k，其中j∈[1,2,...,N]，k∈[1,2,...,8]；

3)利用多粒度特征融合模块得到每个单通道最终的注意力感知融合输出Fusion_j，其中，多粒度特征融合模块的工作过程如下：

首先，对8路输出hidden_j,k进行卷积降维，即使用1*1卷积分别对8个hidden_j,k进行通道维度方向上的降维，在卷积层后使用ReLU激活层对网络神经元进行激活同时为网络加入非线性因素；

然后，利用注意力感知融合模块完成对经过卷积降维的8路hidden_j,k的特征融合，具体过程为：对卷积降维后的8个hidden_j,k进行拼接得到一个特征图Concat，Concat是8个不同粒度特征拼接之后的结果，Concat_k指Concat中第k个通道的数据，k∈[1,2,...,8]，然后经过一个全局平均池化在粒度通道维度上将特征矩阵的尺寸降为1，获得代表不同粒度特征的指向性特征GAP_k，其具体表达如下：

其中，S×T表示某一通道输入特征矩阵的大小，Concat_k(u,v)表示第k通道特征矩阵上的每个元素的数值；

接下来设置两个线性层用于学习不同粒度特征通道上的指向性特征GAP_k的信息权重值weight_k，两个线性层的激活函数分别为ReLU函数和Sigmoid函数，信息权重值公式表达如下：

weight_k＝σ(W₂δ(W₁GAP_k))

其中，W₁和W₂分别表示两个线性层的权值，δ(·)和σ(·)分别表示ReLU函数和Sigmoid函数；

最后，对Concat_k进行注意力权重的分配，得到注意力权重缩放后的数据Weighted_k，并沿粒度通道维度求和得到每个单通道最终的注意力感知融合输出Fusion_j：