一种基于动态自适应核图神经网络的多分辨率睡眠阶段分类方法技术

本发明专利技术公开了一种基于动态自适应核图神经网络的多分辨率睡眠阶段分类方法，涉及人工智能技术领域，本方法将睡眠信号进行四层的离散小波分解，得到了四层高频信号和最后一层的低频信号共五个分量，对这些分量提取特征，使用神经网络学习嵌入表示，最后再对这些分量的嵌入表示进行整合并通过对比学习捕获它们之间的差异。本发明专利技术针对睡眠阶段分类问题，解决了传统模型难以对睡眠信号进行充分的多分辨率分析以及结合时间信息自适应处理多通道生理信号问题。以离散小波分解获得多分辨率信号、动态自适应核图神经网络学习多通道生理信号的嵌入表示、并以监督对比学习的方式学习各信号分量的异同进一步整合多分辨率信息，达到对睡眠阶段准确分类的效果。对睡眠阶段准确分类的效果。对睡眠阶段准确分类的效果。

【技术实现步骤摘要】
一种基于动态自适应核图神经网络的多分辨率睡眠阶段分类方法


[0001]本专利技术涉及人工智能
，具体是一种基于动态自适应核图神经网络的多分辨率睡眠阶段分类方法。

技术介绍

[0002]睡眠是人类最重要的生理活动之一，拥有良好睡眠对维持大脑功能的稳定和人类的身心健康十分重要。研究表明，睡眠障碍是心血管疾病、肥胖症、抑郁症和焦虑症等多种疾病的诱因，因此睡眠障碍已经成为威胁人类健康的突出问题之一。睡眠分期是睡眠障碍诊断的重要手段，也是诊断睡眠障碍的基础。睡眠阶段分类方法的准确性与便捷性是影响诊断质量的关键因素。
[0003]睡眠阶段分类是指根据多导睡眠图(PSG)的记录，并结合睡眠阶段分类标准将睡眠阶段分为快速眼动期(REM)、非快速眼动1期(N1)、非快速眼动2期(N2)、非快速眼动3期(N3)和清醒期(W)共五类。人工的睡眠阶段分类不仅繁琐费时、成本高昂，分类结果还受到睡眠专家的主观性的影响。而自动睡眠阶段分类不仅可以大大提高传统睡眠阶段分类的效率而且可以避免人工分类主观性的影响，具有重要的临床价值。
[0004]多导睡眠图记录的睡眠信号包含了丰富的睡眠信息，高频信号更多的包含了细节信息，而低频信号则更多的包含了趋势信息，充分的利用这些信息可以有效的提高睡眠阶段分类的准确度。然而，现有的研究很少地关注到了这一点，少数的几个使用小波变换将信号分解为各级高、低频信号的方法也只是将分解得到的高、低频信号提取特征后简单整合，并没有对高低频信号进行更深层次的分析与处理。
[0005]多导睡眠图(PSG)包含不同位置的脑电图(EEG)、肌电图(EMG)、眼电图(EOG)、心电图(ECG)等，这些不同的采样通道之间同样存在联系。而现有的方法大体可以分为三类：基于传统机器学习的方法、基于深度学习的方法以及基于图神经网络的方法。基于传统机器学习的方法比如随机森林(RF)、支持向量机(SVM)等，这些方法的一大局限性就是分类的准确度很大程度上受特征工程的影响，这就要求技术人员有大量的相关知识，为自动睡眠阶段分类方法的应用带来了困难。基于深度学习的方法一定程度上可以解决传统机器学习方法需要先验知识的局限性，但是，和传统机器学习方法一样，这些深度学习方法同样无法建模不同通道间的联系，这将丢失一些有用的信息。因为图这种数据结构可以同时表示节点信息和节点间的边信息，所以图数据无疑是最适合睡眠阶段分类的数据结构。现有的基于图神经网络的方法大多是基于切比雪夫图卷积实现的。在切比雪夫图卷积中，需要预定义特征向量最大值，这种预定义的方法限制了切比雪夫图卷积的泛化性，使得它很难找到最优的图核。

技术实现思路

[0006]本专利技术的目的在于提供一种基于动态自适应核图神经网络的多分辨率睡眠阶段
分类方法，以解决
技术介绍
中提出的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：
[0008]一种基于动态自适应核图神经网络的多分辨率睡眠阶段分类方法，包括以下步骤：
[0009]1)离散小波分解，通过四层离散小波分解将原始生理信号分解为1
‑
4层高频分量和4层低频分量共五个分量，然后对每个分量信号单独进行处理；
[0010]2)特征提取，基于箱线图提取特征得到特征矩阵；
[0011]3)睡眠阶段图构建，根据不同节点之间特征的相关性，基于高斯核函数计算邻接矩阵，特征矩阵和邻接矩阵共同构成睡眠阶段图；
[0012]4)动态自适应核图神经网络，使用自适应核图卷积来聚合节点间的信息，使用两层的双向门控循环单元分别对短期和长期睡眠时间序列进行建模，以学习睡眠阶段间的过渡规则，得到睡眠阶段的嵌入表示；
[0013]5)分类，在分别得到各分量的嵌入表示之后，将各分量的嵌入表示拼接并使用全连接层进行分类，通过预测标签和真实标签的差异得到分类的交叉熵损失；
[0014]6)监督对比学习，使用监督对比学习分别学习两个分量之间的异同，得到这两个分量间的监督对比学习损失，再将所有的监督对比损失加和得到最终的对比学习损失；最后使用交叉熵损失和对比学习损失联合优化模型。
[0015]在上述技术方案的基础上，本专利技术还提供以下可选技术方案：
[0016]在一种可选方案中：在步骤1)中四层离散小波分解是通过mallat算法实现，mallat算法，分别通过高通滤波器和低通滤波器对离散信号进行滤波、降采样得到高频信号和低频信号；再通过对低频信号进行高通、低通滤波和降采样，其中，第α级上的高通/低通操作定义为：
[0017][0018]其中，Q表示离散信号长度，K表示滤波器长度，low是低通滤波器，high是高通滤波器，通过离散小波分解，将原始信号S分解为S
CD1
、S
CD2
、S
CD3
、S
CD4
和S
CA4
。
[0019]在一种可选方案中：在步骤2)中，箱线图选择不同睡眠阶段的信号中最大值、最小值、上边界、下边界、上四分位值、下四分位值、中位数、平均值、标准差作为特征，对一个时间片段的单通道信号S
n
，n∈(0，N)，N为节点数即采样通道数，由上述九个特征值构成该节点的特征向量X
n
，由各节点的特征向量构成该时间片段的特征矩阵X。
[0020]在一种可选方案中：在步骤3)中，通过节点特征的相关性来确定节点间的连接，基于高斯核函数来计算基础邻接矩阵A1将基础邻接矩阵A1与权重W1相乘，使邻接矩阵可以通过数据驱动自适应的调节，为每个图结构寻找到最适合的邻接矩阵A，特征矩阵X和邻接矩阵A共同构成了睡眠阶段图，为每个时间片段构建了一个睡眠阶段图，将睡眠信号序列转换成了图序列。
[0021]在一种可选方案中：在步骤4)中，使用静态图编码器为每个睡眠阶段图生成图级
嵌入表示，将这些嵌入表示按照时间顺序传入顺序解码器。
[0022]在一种可选方案中：在步骤5)中，将各信号分量的嵌入表示进行拼接对多分辨率信号进行整合，再使用全连接层对拼接得到的信号进行分类；全连接层将拼接后的信号投影到五维空间中，分别对应着当前睡眠片段属于各个睡眠时期的概率；计算预测标签和真实标签的交叉熵损失，交叉熵损失的计算方法如下：
[0023][0024]其中，C是分类的类别数，y是真实标签，是预测标签，L表示样本数量。
[0025]在一种可选方案中：在步骤6)中，两个分量间的监督对比学习过程如下：将一个信号分量时间序列中某一时间片段设定为锚，那么这一时间片段的其他信号分量以及这一信号分量序列中与该时间片段属于同一睡眠阶段的其他时间片段都被认定为正样本。对比学习这一过程就是通过最小化监督对比学习损失的方式最大化正样本的相似度、最小化负样本的相似度。监督对比学习损失函数的计算方式如下：
[0026][0027]L
Contrastive_Learning
＝L
Component
(H
C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态自适应核图神经网络的多分辨率睡眠阶段分类方法，其特征在于，包括以下步骤：1)离散小波分解，通过四层离散小波分解将原始生理信号分解为1
‑
4层高频分量和4层低频分量共五个分量，然后对每个分量信号单独进行处理；2)特征提取，基于箱线图提取特征得到特征矩阵；3)睡眠阶段图构建，根据不同节点之间特征的相关性，基于高斯核函数计算邻接矩阵，特征矩阵和邻接矩阵共同构成睡眠阶段图；4)动态自适应核图神经网络，使用自适应核图卷积来聚合节点间的信息，使用两层的双向门控循环单元分别对短期和长期睡眠时间序列进行建模，以学习睡眠阶段间的过渡规则，得到睡眠阶段的嵌入表示；5)分类，在分别得到各分量的嵌入表示之后，将各分量的嵌入表示拼接并使用全连接层进行分类，通过预测标签和真实标签的差异得到分类的交叉熵损失；6)监督对比学习，使用监督对比学习分别学习两个分量之间的异同，得到这两个分量间的监督对比学习损失，再将所有的监督对比损失加和得到最终的对比学习损失；最后使用交叉熵损失和对比学习损失联合优化模型。2.根据权利要求1所述的睡眠阶段分类方法，其特征在于，在步骤1)中四层离散小波分解是通过mallat算法实现，mallat算法，分别通过高通滤波器和低通滤波器对离散信号进行滤波、降采样得到高频信号和低频信号；再通过对低频信号进行高通、低通滤波和降采样，其中，第α级上的高通/低通操作定义为：其中，Q表示离散信号长度，K表示滤波器长度，low是低通滤波器，high是高通滤波器，通过离散小波分解，将原始信号S分解为S
CD1
、S
CD2
、S
CD3
、S
CD4
和S
CA4
。3.根据权利要求1所述的睡眠阶段分类方法，其特征在于，在步骤2)中，箱线图选择不同睡眠阶段的信号中最大值、最小值、上边界、下边界、上四分位值、下四分位值、中位数、平均值和标准差作为特征，对一个时间片段的单通道信号S
n
，n∈(0，N)，N为节点数即采样通道数，由上述九个特征值构成该节点的特征向量X
n
，由各节点的特征向量构成该时间片段的特征矩阵X。4.根据权利要求3所述的睡眠阶段分类方法，其特征在于，在步骤3)中，通过节点特征的相关性来确定节点间的连接，基于高斯核函数来计算基础邻接矩...

【专利技术属性】
技术研发人员：李瑛，孙睿涵，杜伟，张洁琳，袁海波，兰晓馨，梁钰，张晓，
申请(专利权)人：吉林大学，
类型：发明
国别省市：