[发明专利]一种基于脑电特征融合的睡眠分期方法

权利要求书

1.一种基于脑电特征融合的睡眠分期方法，其特征在于，包括以下步骤：

步骤一：信号采集

利用脑电信号采集仪器，采集单通道脑电信号；

步骤二：信号处理

对采集得到的单通道脑电信号进行初步滤波，然后对信号进行分段；具体为：

(1)原始脑电信号：

将连续的L个脑电信号片段序列作为第一种输入，即X_raw＝{x₁,x₂,x₃,…,x_L}；

(2)小波时频图像：

使用连续小波变换CWT计算每个片段的小波时频图，并缩小小波时频图的时间分辨率，x_wave＝CWT(x_raw,shape)；同样将连续L个小波时频图像序列作为第二种输入，

步骤三：模型构建

模型的训练包括两步：首先分别以脑电信号作为输入，预训练卷积神经网络1D-CNN并提取原始脑电特征，以小波时频图作为输入，预训练VGG并提取小波时频特征；然后将两种特征融合作为时序卷积网络TCN的输入，最终经过微调得到睡眠分期模型，具体为：

(1)使用均衡采样算法，将训练集中每一个类别的样本重复采样至数量相等，X_btran＝BalanceResample(X)；

(2)卷积神经网络1D-CNN由四个卷积层和两个池化层组成，卷积层包括卷积、激活、批归一化操作，池化层包括做大池化和Dropout操作；以均衡采样的原始脑电信号作为输入，通过卷积神经网络1D-CNN提取原始脑电特征：A_raw＝1D-CNN(X_{raw_btran})；预训练阶段，在最后接全连接层输出睡眠分期结果进行训练，Class_raw＝Softmax(A_raw)；

(3)VGG由五个卷积池化块组成，每个卷积池化块由两个卷积层和一个最大池化层组成，以均衡采样的小波时频图像作为输入，通过VGG提取小波特征：A_wave＝VGG(X_{wave_btran})；预训练阶段，在最后接全连接层输出睡眠分期结果进行训练，Class_wave＝Softmax(A_wave)；

(4)在时序卷积网络TCN训练阶段，微调1D-CNN和VGG，将两者的中间输出拼接：A_cat＝Concatenate(A_raw,A_wave)；并将连续L个序列连接作为TCN的输入向量：A＝{A_cat1,A_cat2,A_cat3,…,A_catL}，进行特征融合和模型的第二步训练；TCN由连续的四个膨胀残差块组成，每个膨胀残差块又由两个膨胀卷积层和一个残差卷积层组成；通过四个膨胀残差块依次计算特征向量；最后将四个膨胀残差块的输出相加，并求全局平均池化，并接入全连接层得到分类结果；

步骤四：睡眠分期

使用步骤三中得到的睡眠分期模型，以待预测的脑电信号和对应的小波图像作为输入，对需要检测的睡眠脑电信号进行5分类：分为清醒(W)，非快速眼动1期(N1)，非快速眼动2期(N2)，非快速眼动3期(N3)，以及快速眼动期(R)，得到睡眠分期结果。