[发明专利]基于脑肌眼电深度学习融合模型的睡眠检测方法及系统

权利要求书

1.一种基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，包括以下步骤：

S1、同步采集脑电、肌电和眼电数据，并对采集的脑电、肌电和眼电数据分别进行预处理，所述预处理的过程包括：

1.对脑电数据进行时频转换后，将得到的频段数据分别计算微分熵，将得出的微分熵结果作为脑电信号的特征数据；

2.对肌电信号进行分解，并对分解后的结果合成肌电频谱数据，对合成后的肌电频谱数据计算样本熵，作为肌电信号的特征数据；

3.对眼电信号进行分解，并对分解后的结果合成眼电频谱数据，对合成后的眼电频谱数据计算样本熵，作为眼电信号的特征数据；

S2、将预处理后的脑电、肌电和眼电的特征数据进行数据融合，得到融合后的睡眠特征信号；

S3、将睡眠特征信号输入深度学习融合模型中，利用深度学习网络进行特征提取和特征融合后，输出睡眠分类的预测的结果。

2.根据权利要求1所述的基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，在S1中，所述对脑电数据进行时频转换后，将得到的频段数据分别计算微分熵，包括以下步骤：

对脑电数据进行时频转换后，将原始脑电图信号转换成delta、theta、alpha、beta、gamma五个频段数据；

分别计算5个频段数据的脑电图信号的功率谱密度；

对得到的功率谱密度采用公式分别计算微分熵：

；

其中，P为各频段数据的功率谱密度，N表示信号片段数量。

3.根据权利要求1所述的基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，在S1中，所述对肌电信号进行分解，并对分解后的结果合成肌电频谱数据时，包括：

采用小波基函数对肌电信号进行多尺度分解，根据低频系数选择特定层对分解后的结果合成肌电频谱数据。

4.根据权利要求1所述的基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，在S2中，所述融合后的睡眠特征信号为预处理后的脑电、肌电、眼电的特征数据合成的二维向量；所述二维向量的行向量分别为：8通道脑电信号、2通道肌电信号和2通道眼电信号；其中，8通道脑电信号，每个通道5个信号频段共计40个脑电特征数据作为脑电行向量。

5.根据权利要求1所述的基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，在S3中，所述利用深度学习网络包括特征提取层、特征融合层和睡眠分类层；

所述特征提取层包括三个并行的卷积网络，三个网络卷积核分别设置为（1,）、(1,)、(1,)，填充参数分别设置为（0，）、（0,）、（0,）；其中、、设置为三个大小不同的卷积核并且，用于提取数据中的时域特征与频域特征，、、为填充值的大小，且卷积核与填充值的设置满足以下关系：

，i为1,2,3；

所述三个并行的卷积网络用于提取输入的睡眠特征信号中不同的特征，并通过填充保证每个网络输出的结果大小相同。

6.根据权利要求5所述的基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，所述特征融合层包括4个CNN卷积块和SE-Net网络，所述CNN卷积块，用于进行特征融合；SE-Net网络，用于进行特征校准；

所述SE-Net网络进行特征校准的过程包括：

将特征融合后的数据进行全局池化；池化后利用两个Conv2d的卷积网络进行分类和激活后，完成特征校准。

7.根据权利要求5所述的基于脑肌眼电深度学习融合模型的睡眠检测方法，其特征在于，所述睡眠分类层由Linear全连接层、Softmax归一化指数函数组成，用于完成输入数据的N个睡眠分类的预测。