CN116172515B 一种改善n1期类别混淆的多模态多尺度睡眠分期方法 （北京工业大学）

LijuanDuan.MMS-SleepNet:Aknbasedmultimodalandmultiscalene一种改善N1期类别混淆的多模态多尺度睡本发明公开了一种改善N1期类别混淆的多理，且使用多尺度特征提取方式对EEG模态进行N1期容易与N2期和REM期混淆的问题，使用对比2设计了多模态多尺度特征提取方法充分利用睡眠数据并提取更具代表并对EEG信号分频率进行多尺度特征提取；拼接各个模态提取到的特征，送入SE注意力模将经过数据增强后的新样本集X作为输入数据，送入特征提取模块进行多模态多尺度度的卷积核大小S,从而提取EEG信号的多尺度睡眠特征，输出EEG信号特征fEEG，(3)注意经过步骤三可以获得睡眠分期的代表性特征，借助对比学32.根据权利要求1所述的一种改善N1期类别混淆的多模态多尺度睡眠分期方法，其特使用叠取策略，选取Xold中连续的两个同类样本和将的后v秒数据和的前(30_v)秒数据拼接在一起，组成一个完整的标签为yew的新睡眠数据在中v取15，别c生成的新样本数量；N为原始片段数Nold经过数据增强生成M个新N1期样本后的训练集X3.根据权利要求1所述的一种改善N1期类别混淆的多模态多尺度睡眠分期方法，其特将经过数据增强后的新样本集X作为输入数据，送入特征提取模块进行多模态多尺度EMGEOG分别为EMG信号和EOG信号提取出的特征；XEEG4度的卷积核大小S,从而提取EEG信号的多尺度睡眠特征，输出EEG信号特征fEEG，其中v∈s、sf、sf为提取EEG信号特征的不同尺度的EEG2EEG35批处理归一化；接着经过SE层，SE层设置一个全局平均池化(GlobalAveragePooling，4.根据权利要求1所述的一种改善N1期类别混淆的多模态多尺度睡眠分期方法，其特在整个模型框架的最后，按照国际标准AASM睡眠分期准则设定一个神经元数目为5的6约占总睡眠时间的45％_55而N1期仅占的2％_5％。这个问题存在于所有可用的睡眠数据集中，如蒙特利尔睡眠研究(MontrealArchiveofSleepStudies，MASS)档案数据库和7[0011]首先，选用脑电(Electroencephalography，EEG)信号中的Fpz_Cz通道，眼电分期中N1期容易与其他分期特别是N2期和REM期混淆的问题，以往的睡眠分期方法没有过8网络命名为多模态多尺度卷积神经网络(MultiModalandMultiScaleConvolution[0029]本发明的实施过程中，使用的是公开数据集Sleep_EDF的前20个被试组成的Sleep_EDF_20数据集，实验选用EEG信号中的Fpz_Cz通道，EOG信号和EMG信号作为实验数的前(30_v)秒数据拼接在一起，组成一个完整的标签为view的新睡眠数据xfew,在本发明9[0037]将经过数据增强后的新样本集X作为输入数据，送入特征提取模块进行多模态多同尺度的卷积核大小S,从而提取EEG信号的多尺度睡眠特征，输出EEG信号特征fEEG，其发明选取1Hz用来提取Kcomplex波对应频率范围的特征，将N2和N3期与其他分期区分开；度的卷积核。本发明中，卷积核由采样频率T除以频率得到，即s6=T/1,sf=T/2,sEEG2EEG3叶变换后提取到的fEOG做降维处理，然后进行特征拼接得到融合特征featuremulti，公式如层和批处理归一化。接着经过SE层，SE层设置一个全局平均池化(GlobalAverage线性层的激活函数分别是ReLU和Sigmoid。最后，经过下采样层，下采样层以融合特征[0054]其中，Temporal(·)表示双层Bi_LSTM函数，输入关键特征，经过层数为2且最终特征feature的分布情况，图5中第二幅图为使用对比学习后最终特征feature的分布ij是特征featurei与特征featurej的相似性损失，ltare,表示特征featurei的对比损con表示对比损失函数。sim(featurei,featurek)表示样本featurei和featurej的余弦[0070]网络分批(batch)进行训练，设定batchsize为256，并设定网络共训练100个[0092]对比实验中采用公开数据集Sleep_EDF_20来验证模型的性能。实验结果如表4所总体准确率，Acc_N1代表N1期的分类准确率，MF1_score代表宏观F1_socre，Kappa代表多层次特征的睡眠分期方法ResnetnetLSTM，以及使用多模态的多任务睡眠分期方法由于其系统的问题处理流程和强大的特征提取模块，比其他