CN114398932B 一种基于注意力机制和集成学习的睡眠分期方法 （安徽大学）

一种基于注意力机制和集成学习的睡眠分本发明公开了一种基于注意力机制和集成维原始EEG信号和二维时频信号，输入预先训练好的双分支卷积神经网络中，获取一维原始EEG原始EEG信号的睡眠分期结果。丰富了提取的信2获取一维原始EEG信号，对所述一维原始EEG信号进行预处理将所述一维原始EEG信号和所述二维时频信号，输入预先训练好的双分支卷积神经网将所述第一特征和所述多尺度细化特征进行融合，将融合后的特征输入分将所述一维原始EEG信号和所述二维时频信号，输入预先训练好的双分支卷积神经网通过所述一维网络获取所述一维原始EEG信号在不同预设频率通过所述二维网络获取所述二维时频信号的多尺所述二维网络为包括多尺度注意力机制模块的ResNet50网络；所述多尺将所述二维时频信号输入所述SPC子模块，得到所述二维时频信号在多个分支上不同针对每一分支的多尺度特征，将该多尺度特征输入所述SEWeigh针对每一分支，通过元素积子模块将该分支的第二权重和该分支的多尺度特征结合，将所述二维时频信号输入所述SPC子模块，得到所述二维时频信号在多个分支上不同2.根据权利要求1所述的一种基于注意力机制和集成学习的睡眠分期方法，其特征在3将所述一维原始EEG信号通过连续小波变换CWT得到对应的3.根据权利要求1所述的一种基于注意力机制和集成学习的睡眠分期方法，其特征在4.根据权利要求1所述的一种基于注意力机制和集成学习的睡眠分期方法，其特征在针对每一分支的多尺度特征，所述SEWeight子模块将该多尺度特征进行全局平均池5.根据权利要求4所述的一种基于注意力机制和集成学习的睡眠分期方法，其特征在6.根据权利要求5所述的一种基于注意力机制和集成学习的睡眠分期方法，其特征在4个片段都由专业医师根据美国睡眠医学学会(AASM)的睡眠分期规则将睡眠分为5个时期。[0004]本发明实施例的目的在于提供一种基于注意力机制和集[0008]将所述一维原始EEG信号和所述二维时频信号，输入预先训练好的双分支卷积神[0009]将所述第一特征和所述多尺度细化特征进行融合，将融[0015]将所述一维原始EEG信号和所述二维时频信号，输入预先训练好的双分支卷积神5[0021]将所述二维时频信号输入所述SPC子模块，得到所述二维时频信号在多个分支上[0030]得到所述二维时频信号每一分支上的多尺度6神经网络是使用集成学习算法进行训练而得；集成学习算法用于增加训练网络模型过程[0042]图1为本发明实施例提供的一种基于注意力机制和集成学习的睡眠分期方法的流[0044]图3为本发明实施例提供的另一种基于注意力机制和集成学习的睡眠分期方法的[0049]图8为本发明实施例提供的另一种基于注意力机制和集成学习的睡眠分期方法的图1为本发明实施例提供的一种基于注意力机制和集成学习的睡眠分期方法的流程图，该7[0060]一种实现方式中，需要将一维原始EEG信号和二维时频信号先划分为训练集和测[0066](3)将20折交叉验证得到的20组实验结果取平均得到最终结果。将该结果作为20[0067]在训练过程中，可以采用包括多个弱分类器的集成模型进行训练。例如，选取学习参数转移到后续的弱分类器，然后在已经更新了样本权重的数据集上进行再次训练。8[0081]在一个实施例中，一维网络包括两个并行的卷积核尺寸大小不同的卷积神经网(卷积核尺寸分别为50和400)用于提取不同频率范围的原始EEG信号特征。一维卷积参数的特征通过池化层之后再通过Flatten层将两个并行提取的特征进行融合，得到一维原始[0088]二维网络的主干网络为经典网络ResNet50。ResNet50网9活函数)和一个池化层。后面四个阶段都是由卷积块(convolutionalblock)和标识块(identityblock)组成，卷积块和标识块都由三个重复的卷积层和一个快捷方式模块组[0089]但是ResNet50可以提取的特征有限，因此可以使用PSAModule来替代卷积块(convolutionalblock)和标识块(identityblock)中三个卷积层中的一个卷积层(3×[0101]得到所述二维时频信号每一分支上的多尺度[0102]一种实现方式中，SPC子模块可以以多分支的方式提取输入信号的多尺度空间特t,$…⃞atty(6)