[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

说明书

本发明公开了一种基于脑肌眼电深度学习融合模型的睡眠检测方法及系统，该方法包括同步采集脑电、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，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；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。本申请根据不同信号进行独立的信号提取，并进行融合，解决上述多层网络占用过多CPU资源，无法将计算方法迁移到嵌入式芯片进行单独使用的问题，并在此基础上提高分类结果准确性。

技术领域

本发明涉及睡眠检测技术领域，尤其涉及一种基于脑肌眼电深度学习融合模型的睡眠检测方法及系统。

背景技术

睡眠在每个人的日常生活中起着至关重要的作用，并且它与日常活动的表现密切相关。一般来说，在一个睡眠周期中，有六个睡眠阶段，整个睡眠可以分为清醒状态（W）、非快速眼动状态（NREM）、快速眼动状态（REM）三个部分，其中非快速眼动状态又分为4个阶段：第1期为极浅睡期（N1），第2期为浅睡期(N2)，第3期为中睡期（N3），第4期为深睡期(N4)。在2007 年美国睡眠医学学会制订新标准把N3、N4期两个以慢波为主要特色的分期予以合并为慢波睡眠阶段。

睡眠对身体和大脑在睡眠阶段中从疲劳中恢复过来至关重要。然而，随着生活压力的增加，更多的人患有与睡眠相关的疾病。睡眠障碍已被确认是一种具有公共危害性的疾病，越来越受到人们的重视。通过各种生理信号对人体睡眠状态进行分期，是客观评估睡眠质量的一种有效方法。

然而现有的睡眠检测方法中，多采用多层网络对脑电信号进行分类识别，例如申请号为202210225368.2，名称为基于动态融合的多模态睡眠分期方法的专利中，对获得的睡眠生理电信号，分别采用SMDC网络、S1DCNN网络、ResNets网络、AUX网络和融合网络等网络进行特征提取、信号融合和睡眠等级分类；网络层级较多，需要占用大量CPU资源，不适合迁移到嵌入式单片机上进行单独使用，并且多睡眠生理电信号数据信息包括脑电数据信息、眼电数据信息和肌电数据信息的特征提取直接依赖S1DCNN网络和ResNets网络，进行时域和频域特征提取，没有考虑信号来源本身的差异性，对于时域或频域特征不明显的信号无法准确识别，因此，据此进行睡眠等级分类容易造成分类结果不准确。

因此，为了解决上述多层网络占用过多CPU资源，无法将计算方法迁移到嵌入式芯片进行单独使用的问题以及分类结果不准确的问题，本申请提供了一种基于脑肌眼电深度学习融合模型的睡眠检测方法及系统。

发明内容

因此，本发明的目的在于提供一种基于脑肌眼电深度学习融合模型的睡眠检测方法及系统，根据不同信号进行独立的信号提取，并进行融合，解决上述多层网络占用过多CPU资源，无法将计算方法迁移到嵌入式芯片进行单独使用的问题，并在此基础上提高分类结果准确性。

为了实现上述目的，本发明的一种基于脑肌眼电深度学习融合模型的睡眠检测方法，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。

进一步优选的，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：