[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

说明书

本发明提出了一种基于残差学习和多粒度特征融合的睡眠分期方法，属于信号处理和模式识别领域。首先，对原始睡眠脑电信号进行预处理，获得若干睡眠脑电信号数据样本，且每一个数据样本包含N个通道的数据。接下来，对每一个数据样本的N个通道数据分别进行HHT获得N个脑电数据的时频矩阵特征。最后，将所有样本的上述时频矩阵特征送入基于残差学习和多粒度特征融合的睡眠分期网络中，完成睡眠脑电信号的多粒度特征提取和分类任务。本发明能够在自适应提取到的睡眠脑电信号时频特征上高效融合不同粒度特征，实验证明本发明提出的网络训练速度快，对专家先验知识依赖少，有效提升了现有自动化睡眠分期方法的分类性能和效率。

技术领域

本发明涉及信号处理和模式识别领域，涉及一种睡眠脑电信号处理和多粒度特征提取并融合分类的方法。

背景技术

睡眠分期是进行睡眠质量打分或睡眠相关疾病诊断过程中十分重要的一步，专业医师需要观察患者整夜的睡眠数据并进行睡眠阶段分类和评估，这无疑是一项费时费力的诊断工作。随着人工智能的不断发展，使用计算机辅助诊疗技术提升医生工作效率方面的研究也在不断深入。对于睡眠分期这样工作量繁重的任务，自动化睡眠脑电信号分析方法的发展和应用对于减轻医生的工作负担十分必要。脑电信号(Electroencephalograph，EEG)是一种记录大脑活动的生物电信号数据，能够反映人脑神经细胞的电生理活动。目前，对脑电信号的研究是学术界的热门和前沿方向之一，主要包括信号采集、信号预处理、特征提取和特征分类几个方面。然而传统的基于手工设计的脑电信号特征提取和特征选择对信号的识别结果影响很大，因此自动化特征提取和特征分类在脑电信号研究中备受关注。

现有的一些自动化睡眠分期研究方法中，对睡眠数据进行分类手段主要分为两种：一种是直接利用深度学习网络学习预处理过后的时间序列样本数据并进行分类，另一种是利用信号处理算法对预处理过后的数据提取一个初步的特征，再使用深度学习网络进一步学习高阶特征后进行分类。由于睡眠样本数据是一种时序信号，在第一种分类手段中，网络学习到的特征往往更大程度上反映信号的时序信息。然而不同睡眠阶段脑电信号的显著性特征是信号的频域信息及幅值信息，故而该种方法的分类效果往往不够精确。进一步，研究人员针对上述问题提出了第二种分类手段，即先对预处理后的数据提取时频域特征，然后利用深度学习网络学习高阶特征。该方法能够较好地反映信号的频域和幅值信息，但是在时频特征提取过程中需要设定较多的参数值，且参数值对于最终结果的影响也很大。参数设置步骤通常需要专业医生指导或多次实验分析，导致网络模型的鲁棒性较差。

本发明为了解决上述问题，利用希尔伯特黄变换(Hilbert-Huang Transform，HHT)实现自适应地分解睡眠样本数据。该方法是由Huang等人提出的一种用于提取信号时频信息的自适应信号处理方法。它首先使用经验模态分解(Empirical ModeDecomposition，EMD)算法将信号分解为若干的本征模态函数(Intrinsic Mode Function，IMF)和一个分解余量，进一步通过希尔伯特变换将其转换并整合为一个时频信息矩阵。与短时傅里叶变换和小波变换相比，该方法完全依据睡眠脑电信号自身的特点进行分析处理，不再需要人工过多地进行参数设置，很大程度上减少了参数设定对特征提取和特征分类的影响。本发明中应用该方法进行时频特征转换的必要性有两点：一方面是，相比于时序的睡眠样本数据，时频矩阵特征能够更好地模拟医师在睡眠分期过程中着重于信号的频谱和幅值分析策略；另一方面是，相比于时序的睡眠样本数据，变换后的时频矩阵特征更加贴合卷积神经网络的使用场景。