(19)國家知識產(chǎn)權局(12)發(fā)明專利(10)授權公告號CN115336973B(65)同一申請的已公布的文獻號(73)專利權人中國科學院空天信息創(chuàng)新研究院地址100190北京市海淀區(qū)北四環(huán)西路19號(72)發(fā)明人陳賢祥栗偉松方震杜利東王鵬(74)專利代理機構工業(yè)和信息化部電子專利中心11010專利代理師田衛(wèi)平A61B5/318(2021.01)GO6N3/0442(2023.01)審查員郝玉蘭(54)發(fā)明名稱基于自注意力機制和單導聯(lián)心電信號的睡眠分期系統(tǒng)構建方法、及睡眠分期系統(tǒng)本發(fā)明提供一種基于自注意力機制和單導聯(lián)心電(ECG)信號的睡眠分期系統(tǒng)構建方法及睡眠分期系統(tǒng)，構建方法包括如下步驟：構建包含深度神經(jīng)網(wǎng)絡的睡眠分期系統(tǒng)，所述深度神經(jīng)網(wǎng)力機制模塊、BN模塊及全連接層；將帶有睡眠分期標簽的ECG信號進行濾波及零均值歸一化處理，并根據(jù)睡眠分期準則進行分段，多個數(shù)據(jù)段構成訓練數(shù)據(jù)集；利用所述訓練數(shù)據(jù)集訓練深度神經(jīng)網(wǎng)絡，完成自動睡眠分期系統(tǒng)的構建。本發(fā)明構建的系統(tǒng)能夠捕捉ECG信號片段內(nèi)部相關性21.一種基于自注意力機制和單導聯(lián)心電信號的睡眠分期系統(tǒng)構建方法，其特征在于，具體過程為：構建包含深度神經(jīng)網(wǎng)絡的睡眠分期系統(tǒng)，所述深度神經(jīng)網(wǎng)絡包括依次串聯(lián)的CNN模塊、將帶有睡眠分期標簽的ECG信號進行濾波及零均值歸一化處理，并根據(jù)睡眠分期準則進行分段，多個數(shù)據(jù)段構成訓練數(shù)據(jù)集；利用所述訓練數(shù)據(jù)集訓練深度神經(jīng)網(wǎng)絡，完成自動睡眠分期系統(tǒng)的構建；所述深度神經(jīng)網(wǎng)絡包括4個CNN模塊，所述4個CNN模塊依次串聯(lián)，所述深度神經(jīng)網(wǎng)絡包括2個Bi-GRU模塊，所述2個Bi-GRU模塊依次串聯(lián)；所述SA模塊輸出向量為h:j=12.根據(jù)權利要求1所述基于自注意力機制和單導聯(lián)心電信號的睡眠分期系統(tǒng)構建方法，其特征在于，所述睡眠分期系統(tǒng)還包括預處理模塊，所述預處理模塊與深度神經(jīng)網(wǎng)絡的輸入端相連，用于對采集到的ECG信號進行濾波及零均值歸一化處理，并將歸一化處理后的數(shù)據(jù)進行分段。3.根據(jù)權利要求1所述基于自注意力機制和單導聯(lián)心電信號的睡眠分期系統(tǒng)構建方法，其特征在于，所述全連接層的輸出為睡眠分期階段的概率分布，所述睡眠分期階段包括4.一種基于自注意力機制和單導聯(lián)心電信號的睡眠分期系統(tǒng)，其特征在于，包括：該系輸出模塊；Bi-GRU模塊單元，捕捉CNN模塊所提取的空間特征的內(nèi)部相關性，即捕捉ECG信號時間SA模塊單元，對Bi-GRU每個時刻單元的輸出的ECG信號時間特征的重要度進行打捉片段內(nèi)部信息相關性，輸出相應的特征向量；34基于自注意力機制和單導聯(lián)心電信號的睡眠分期系統(tǒng)構建方法、及睡眠分期系統(tǒng)技術領域[0001]本發(fā)明屬于睡眠監(jiān)測技術領域，具體涉及一種基于自注意力機制和單導聯(lián)心電信號的睡眠分期系統(tǒng)構建方法、及睡眠分期系統(tǒng)。背景技術[0002]人一生中三分之一的時間是在睡眠中度過的，睡眠過程十分復雜且對人體的自我修復十分重要。伴隨著現(xiàn)代生活節(jié)奏的逐漸加快，多種壓力正在影響著人們的睡眠狀態(tài)。許多人都出現(xiàn)睡眠模式紊亂的問題，面臨著入睡困難和白天嗜睡等困擾。有研究證實，睡眠不足會導致各種健康問題，從而引發(fā)各種各樣的疾病，如阿爾茨海默氏癥、糖尿病等，因睡眠情況不佳導致患上癌癥的情況也時有發(fā)生。[0003]研究表明，人的睡眠過程存在一定的周期性變化規(guī)律。通過對人體睡眠過程中的腦電圖和眼球運動情況的監(jiān)測分析，人們對睡眠的周期性變化過程進行了研究并提出了人類睡眠分期規(guī)則，將睡眠進行了分類。[0004]準確的睡眠分期能夠幫助人們正確認識自身的睡眠結構、進一步改善或提升自身的睡眠質(zhì)量。睡眠分期是睡眠相關疾病診斷中的重要步驟。臨床醫(yī)學上，睡眠分期可以輔助醫(yī)生對睡眠疾病進行分析診斷，還可以對患者的治療效果進行追蹤監(jiān)測，因此對睡眠情況的監(jiān)測與睡眠分期的研究具有重要意義。[0005]在醫(yī)學睡眠領域，多導睡眠圖是睡眠監(jiān)測研究的“金標準”,睡眠專家基于多導睡呼吸運動等多通道生物電信號，根據(jù)睡眠分期標準劃分睡眠片段實現(xiàn)睡眠分期。多導睡眠監(jiān)測準確度高，但操作繁瑣耗時且舒適度低，低負荷的睡眠分期方案研究具有重要的現(xiàn)實意義。[0006]研究表明，可以反映人體自主神經(jīng)系統(tǒng)的ECG信號可以較好地反映睡眠狀態(tài)，隨著可穿戴生理參數(shù)監(jiān)測設備的不斷發(fā)展，低負荷的睡眠分期方案多基于ECG信號、呼吸信號及瞬時心率序列等ECG衍生信號進行?；谑止擞浕騻鹘y(tǒng)機器學習方法實現(xiàn)睡眠分期過程復雜且效率低下。隨著深度學習算法研究的深入，深度神經(jīng)網(wǎng)絡被廣泛應用于睡眠分期的研究，深層次提取信號粗粒度與細粒度特征，采用端到端的卷積神經(jīng)網(wǎng)絡、長短時記憶網(wǎng)絡、門控循環(huán)單元等算法實現(xiàn)自動睡眠分期。深度神經(jīng)網(wǎng)絡因其強大的提取復雜特征的能力改善了睡眠分期結果，通常具有更高的分類準確度，但仍存在忽略片段內(nèi)部信息相關性的問題。發(fā)明內(nèi)容[0007]本發(fā)明的目的是針對現(xiàn)有基于人工神經(jīng)網(wǎng)絡的睡眠分期方案存在的忽略睡眠片段內(nèi)部信息相關性的問題，提出一種基于自注意力機制的睡眠分期系統(tǒng)構建方法及睡眠分期系統(tǒng)，該系統(tǒng)能夠捕捉ECG信號片段內(nèi)部相關性信息，實現(xiàn)特征自動提取與分類，滿足低5[0010]構建包含深度神經(jīng)網(wǎng)絡的睡眠分期系統(tǒng)，所述深度神經(jīng)網(wǎng)絡包括依次串聯(lián)的CNN6[0029]睡眠分期結果輸出單元包括BN模塊及全連接層，基于所述SA模塊輸出的特征向附圖說明[0044]圖1是本發(fā)明的基于自注意力機制和單導聯(lián)心電信號的自動睡眠分期方法實現(xiàn)流7[0047]圖4是本發(fā)明的縮放點積注意力機制結構圖。具體實施方式[0048]下面結合附圖對本發(fā)明實施例進行詳細描述。且，基于本公開中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本公開保護的范圍。[0050]需要說明的是，下文描述在所附權利要求書的范圍內(nèi)的實施例的各種方面。應顯而易見，本文中所描述的方面可體現(xiàn)于廣泛多種形式中，且本文中所描述的任何特定結構及/或功能僅為說明性的?；诒竟_，所屬領域的技術人員應了解，本文中所描述的一個方面可與任何其它方面獨立地實施，且可以各種方式組合這些方面中的兩者或兩者以上。舉例來說，可使用本文中所闡述的任何數(shù)目個方面來實施設備及/或?qū)嵺`方法。另外，可使用除了本文中所闡述的方面中的一或多者之外的其它結構及/或功能性實施此設備及/或?qū)嵺`此方法。[0051]針對現(xiàn)有基于人工神經(jīng)網(wǎng)絡的睡眠分期方案存在的忽略睡眠片段內(nèi)部信息相關性的問題，本發(fā)明提出了一種基于自注意力機制和單導聯(lián)心電信號的自動睡眠分期方法，捕捉片段內(nèi)部相關性信息，實現(xiàn)特征自動提取與分類，滿足低負荷的睡眠分期需求。[0052]本申請實施例一種基于自注意力機制和單導聯(lián)心電信號的睡眠分期系統(tǒng)構建方[0054]如圖2所示，構建包含深度神經(jīng)網(wǎng)絡的睡眠分期系統(tǒng)，所述深度神經(jīng)網(wǎng)絡包括依次[0055]本實施例中采用4個CNN模塊3、2個Bi-GRU模塊4和1個SA模塊5的深度神經(jīng)網(wǎng)絡，如序列前后相關信息，即ECG信號的時間特征，SA模塊用于對每一時刻Bi-GRU單元的輸出的時間特征序列的重要度加權來提取序列每個單元的相關信息。[0056]基于人工神經(jīng)網(wǎng)絡的睡眠分期方法的關鍵區(qū)別在本申請采用SA模塊單元5,在傳統(tǒng)CNN結構提取的ECG片段特征基礎上捕捉片段內(nèi)部時序信息及重要程度，提取特征更加充分，實現(xiàn)特征自動提取與分類，滿足低負荷的睡眠分期需求。[0057]本申請實施例中所采用的CNN模塊與Bi-GRU模塊均采用現(xiàn)有技術，為了便于理解，現(xiàn)對其進行簡單說明：[0059]每個CNN模塊包含兩個卷積層(Convolution,Conv),每個卷積層采用大小為5,維度為12的卷積核。采用全零填充以保持輸入特征圖的尺寸不變。使用一個最大池化層(Max-Pooling),減小特征維度，提高所提取特征的魯棒性并緩解過擬合。模型執(zhí)行最大池化的樹池是一個3*3矩陣。執(zhí)行時將輸入拆分成3*3的區(qū)域，輸出該區(qū)域中的最大元素值。[0060]在最后一個CNN模塊后連接一個丟棄層(Dropout),在網(wǎng)絡前向傳遞過程中關閉一些神經(jīng)元和他們的連接，以提高神經(jīng)元的學習能力并防止過擬合。[0061]引入隨機生成概率向量r,服從參數(shù)為p的伯努利分布。模型中p選為20%,即隨機8結構信息。內(nèi)部信息相關性。[0068]SA(注意力機制)模型[0069]根據(jù)Q和K計算權重系數(shù)，為防止Q與K之間的點乘積結果過大導致s9有更快的訓練和收斂速度，也在一定程度上緩解了過擬合問題。[0078]經(jīng)過BN之后，將輸出結果展開送入全連接層(Dense),全連接層的輸出為睡眠各類別概率分布。[0079]睡眠分期階段包括喚醒、快速眼動期(REM)、非快速眼動期(包含S1、S2、S3和S4期),本說明書將睡眠階段進行四分類，故將S1和S2結合標記為淺睡眠(LightSleep)階段，S3和S4結合標記為深睡眠(DeepSleep)階段和深睡眠階段。[0080]步驟二：對帶有睡眠分期標簽的ECG信號進行濾波及零均值歸一化處理，將歸一化處理后的數(shù)據(jù)根據(jù)睡眠分期準則進行分段，多個無交集的數(shù)據(jù)段構成訓練數(shù)據(jù)集；[0081]本實施例中根據(jù)睡眠分期準則，將歸一化處理后的ECG數(shù)據(jù)每30s劃分為一個片段，形成多個無交集的片段集，再按照一定的比例將片段集數(shù)據(jù)進一步劃分為訓練數(shù)據(jù)集。[0082]本實施例中訓練數(shù)據(jù)集可以是受試者穿戴生理參數(shù)監(jiān)測設備，利用設備采集受試者睡眠期間的單導聯(lián)ECG信號和同時間戳的睡眠分期標簽，來構建數(shù)據(jù)集。[0083]本實施例中在對數(shù)據(jù)集中的數(shù)據(jù)進行預處理后進行片段劃，分為無交集的訓練集和測試集，70%數(shù)據(jù)用于訓練，30%數(shù)據(jù)用于測試。[0084]步驟三：將所述訓練數(shù)據(jù)集訓練深度神經(jīng)網(wǎng)絡，完成自動睡眠分期系統(tǒng)的構建。[0085]本申請實施例本申請實施例一種基于自注意力機制和單導聯(lián)心電信號的睡眠分[0086]生理參數(shù)監(jiān)測設備1用于獲取單導聯(lián)ECG信號和同時間戳的睡眠分期標簽構建數(shù)據(jù)集；[0087]本實施例中，生理參數(shù)監(jiān)測設備可以為便攜式的可穿戴設備，例如可穿戴的手環(huán)等；數(shù)據(jù)采集時，設備穿戴于受試者身體的相應部位，在受試者睡眠期間，采集受試者單導聯(lián)ECG信號。[0088]ECG預處理單元2用于對采集到的ECG信號進行濾波及零均值歸一化處理；將歸一化處理后的數(shù)據(jù)進行分段。時間特征；[0091]SA模塊單元5,對Bi-GRU每個時刻單元的輸出的ECG信號時間特征的重要度進行打[0092]睡眠分期結果輸出單元6,用于輸出最終的睡眠分期結果。[0093]本申請實施例的效果如下：[0094]第一，本申請構建的算法模型主要由4個卷積(ConvolutionalNeuralNetworks,CNN)模塊、2個雙向門控循環(huán)單元(BidirectionalGatedRecurrentUnit,Bi-GRU)模塊和1個自注意力機制(Self-Attention,SA)模塊構成。使用一維CNN模塊提取ECG信號空間特征后，由Bi-GRU模塊提取序列前后相關信息，SA模塊對每個時刻Bi-GRU的輸出重要度加權來提取序列每個單元的相關信息。本申請深入挖掘ECG信號時間、空間及內(nèi)部相關性特征，基于單導聯(lián)ECG信號實現(xiàn)端到端的自動睡眠分期，提高了睡眠分期的準確性。7/7頁7/7頁[0095]第二，本申請利用Bi-GRU模塊：特征提取能力強大，捕捉特征的內(nèi)部相關性，獲取挖掘雙向時間結構信息。[0096]第三，本申請利用SA模塊：在長序列中對Bi-GRU每個時刻單元的輸出重要度做出打分，捕捉片段內(nèi)部信息相關性。Bi-GRU提取了序列的前后相關性特征，但卻無法在長序列中凸顯重要的信息，縮放點積自注意力模塊的引入彌補了這一缺點，自動捕捉長序列內(nèi)部的關聯(lián)信息，增強了模型對ECG信號時序特征的提取能力。[0097]實例：[0098]數(shù)據(jù)集：實驗數(shù)據(jù)采用睡眠數(shù)據(jù)網(wǎng)站(網(wǎng)址為：)提供的睡眠心臟健康研究(SleepHeartHealthStudy,SHHS)數(shù)據(jù)庫。該數(shù)據(jù)庫數(shù)據(jù)由約翰霍普金斯大學的睡眠心臟健康協(xié)調(diào)中心在不同時間收集獲得，包含SHHS1和SHHS2兩個數(shù)據(jù)記為淺睡眠(LightSleep)階段，S3和S4結合標記為深睡眠(DeepSleep)階段。隨機選取了SHHS2數(shù)據(jù)的100名受試者數(shù)據(jù)進行非獨立被試研究。[0099]測試結果：采用多分類交叉熵函數(shù)作為損失函數(shù)實現(xiàn)睡眠片段四分類。將睡眠數(shù)據(jù)集70%數(shù)據(jù)用于訓練，30%數(shù)據(jù)用于測試，學習率設為0.0001,批量(Batch)大小設置為128,迭