CN119498778A 一种睡眠质量监测评估的方法和系统 （北京理工大学）

号先对多导睡眠图(PSG)数据进行采集和质量增强眠信号的判别性特征。网络由Kolmogorov_(BiLSTM)和Transformer组成，能够充分挖掘多2KAN_BiLSTM_Transfor2.根据权利要求1所述的睡眠质量检测评估方法，其特征在于，所述方法包括如下步双向长短期记忆网络：使用BiLSTM学习特征序列的时序依赖关系，前3多元信息交互融合模块：使用多头自注意力机制h为第h个注意力头的自注意力矩阵；Qh4对新的睡眠数据样本进行质量增强、特征提取，然后使用训练好4.一种睡眠质量检测评估系统，所述系统包括由数据采集模5其局限性在于特征工程需要大量领域知识和人力，且难以充分利用原始信号中的时序信[0005]2.基于深度学习的输入端至输出端两[0011]1.首次将KAN(Kolmogorov_ArnoldNetwoKAN具有更强的表示能力。用KAN替换CNN作为特征提取器，从多模态生理信号中学习更丰[0012]2.融合BiLSTM和Transformer各自的优势。BiLSTM善于建模长期时序依赖，而Transformer擅长捕捉关键局部模式。将KAN提取的特征先输入BiLSTM学习时序上下文信6[0015]一方面，本发明提出了一种睡眠质量检测评估方法，该方法基于KAN_BiLSTM_7[0031]多元信息交互融合模块：使用多头自注意力机制实现不wf和w为第h个注意力头的投影矩阵；Dh为第h个注意力头的子空间维+b1)W2+b2；间步预测为第c类的概率，yct为第t个时间步真实标签的独热向量的第c8max为总的训练步数。使用训练好的模型预测每个时间步的睡眠分期概率，并根据概率值决策最终的分期标签，片或高性能CPU/GPU实现，并配备了足够的内存和存储空间，用于缓存原始数据和中间结[0063]特征提取模块使用预训练的KAN模型，对每个数据质量增强后的信号提取自适应9[0065]特征融合模块使用Transformer模型，将不同信号的序列特征进行跨模态融合。Transformer模型的参数同样存储在内存或高速缓存中，融合后的特征向量将被写入内存[0073]本研究使用的数据来自某睡眠中心的多导睡眠图(PSG)记录。共纳入了100人(50[0076](2)眼动图(EOG)：记录了左右两个通噪后的信号i(t)为：数进行软阈值处理，从而去除高频噪声。设经过第一步去噪后的EEG信号为(l),其小波包到最终去噪后的EEG信号(l)。Hilbert变换的包络提取算法获取EMG信号的包络。设带通滤波后的EMG信号为x(t)，其Hilbert变换为Hix(),则解析信号z(t)和包络信号e(t)分别为：[0097]最后，对包络信号e(t)进行移动平均平滑，得到最终数据质量增强后的EMG信号。引起的异常值。其次，提取SpO2的统计特征，包括平均值μSpO2、标准差σSpO2、最大值max[0133](5)体动和环境信号：采用SMOTE算法对体动和环境特征向量xMOT和xENV进行过采为第i个样本的多模态输入，[0138]本发明提出了一种创新的自适应时空特征学习网络，该网络由三个关键组件构(BidirectionalLongShort_TermMemory，BiLSTM)和多元信息交互融合模块(Multi_ModalInformationInteractionFusionModule)。其中，自适应特征提取模块以[0140]自适应特征提取模块的输入为多模态睡眠信号采集与质量增强阶段得到的多模信号在第t个时间步提取出的第d个自适应特征。P为KAN的展开项数，w"ek"为第p项"r)为第d个自适应特征在第p项上的一元函数为相应的组合系数。"ir)采用Swish激活[0144]其中为第d个自适应特征在第p项上的形状参数，可通过输入端至输出端两[0145]对于EOG信号，采用与EEG类似的KAN特征提取器，将数据质量增强后的EOG信号[0148]对于维度较低的EMG信号(1维)和ECG信号(1维)，分别采用了简化版的KAN特征提[0153]其中HRESP_RATE量hio"ex"orov:[0160]其中x"e"为第t个时间步的三轴加速度原始特征。EMGECG矩阵首先将其按时间步切分为一系列特征向量然后将它[0168]其中和分别为第t个时间步的前向和后向LSTM隐状态输出，K为隐状态维度。为第t个时间步的BiLSTM输出，由前向和后向隐状态拼接而成。[0176]将所有模态的特征矩阵输入BiLSTM后，得到一组高级时序特征矩阵{ZEEG，ZEOG，ZEMGECGRESPSpO2}Qnex"、键矩阵和值矩阵Qn=wfx,kn=W$X,vi=WX,h=1,2,…,H:[0183]其中为第h个注意力头的投影矩阵，Dh＝D/H为:ye"":U2H]+bO；[0194]其中1eR"为全1向量。这一步将体动和环境WED和ct表示第t个时间步[0204]在定义了睡眠分期预测模型的结构后，下一个关键步骤是设计有效的训练策略，t为第t步的模型参数。[0228]批次大小(batchsize)：为了在训练效率和内存占用之间取得平衡，将batchDa,测试数据集g-vi[0252]10：score=evaluate(Dan:0)[0264]22：score=evaluate(DSX:brar