System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于自监督学习和Mamba网络的睡眠分期方法及系统技术方案_技高网

一种基于自监督学习和Mamba网络的睡眠分期方法及系统技术方案

技术编号:42491407 阅读:8 留言:0更新日期:2024-08-21 13:08
本发明专利技术涉及一种基于自监督学习和Mamba网络的睡眠分期方法及系统,属于健康信息处理、模式识别技术领域。采用自监督训练网络进行数据处理提取高质量睡眠脑电信号特征,自监督训练网络包括特征增强、特征筛选、掩码预测三分支并行网络;对高质量睡眠脑电信号特征利用可分离卷积模块进行时频特征提取;提取的特征输入基于Mamba网络的特征增强模块再次进行上下文特征提取;利用分类器对提取的特征信息进行睡眠分期分类。本发明专利技术整体方法提高了睡眠分期分类的效率、准确性和适应性。

【技术实现步骤摘要】

本专利技术涉及一种睡眠分期方法,特别涉及一种基于自监督学习和mamba网络的睡眠分期方法及系统,属于健康信息处理、模式识别。


技术介绍

1、统计数据显示,全球有大量人群仍然饱受睡眠问题的困扰,许多人依赖药物来改善睡眠质量。虽然药物能够快速诱导睡眠,但长期使用可能会带来严重的负面效果,包括对身体健康的损害和药物成瘾的风险。因此,准确评估睡眠质量显得尤为重要。对睡眠阶段进行分类是诊断睡眠障碍和评估睡眠质量的关键。睡眠分期主要分为快速眼动期和非快速眼动期。将睡眠分期划分为五类,分别为w(清醒期)、nrem- n1(非快速眼动期- n1期)、nrem-n2(非快速眼动期- n2期)、nrem- n3(非快速眼动期- n3期)和rem(快速眼动期)。

2、传统的睡眠阶段评分过程依赖于临床医生的手动操作,这不仅耗时费力,还容易受到人为偏见的影响。最新的深度学习技术在自动化睡眠阶段分类方面取得了显著进展,极大地提高了效率和准确性。然而,自动化分类仍面临一些挑战。首先,需要带有标签的大型数据集来训练深度学习模型,但获得这些数据既困难又昂贵;其次,人工生成的注释不可避免地带有固有偏见,这可能影响模型的性能;最后,处理长序列数据的计算复杂性问题也需要克服,以确保模型能够高效地处理和分析睡眠数据。


技术实现思路

1、本专利技术的目的是针对现有技术不足,而提供一种基于自监督学习和mamba网络的睡眠分期方法,在少量标注数据的情况下就能取得较准确的睡眠分期效果。

2、本专利技术采取的技术方案为:

3、一种基于自监督学习和mamba网络的睡眠分期方法,包括步骤如下:

4、s1. 获取睡眠脑电信号并预处理得到样本数据集;

5、s2. 采用自监督训练网络进行数据处理提取高质量睡眠脑电信号特征:自监督训练网络包括特征增强、特征筛选、掩码预测三分支并行网络,特征增强分支对脑电信号先分别基于频域和时域进行增强,再将原始脑电信号和增强后数据送入编码器模块中,得到每个片段元素的向量表示,分别在时序方向和频域方向对于向量表示进行随机数据组合增强得到增强样本数据向量,并计算时序特征优化损失、频率特征优化损失及总的对比损失;特征筛选分支对输入数据先经过嵌入层后进入聚类模块,通过聚类算法得到每个类的簇心向量表示,计算簇心周围每个点的聚类损失函数;掩码预测分支将脑电信号随机掩码,然后进行初步上下文特征提取,之后利用对聚类损失函数反向传播求导数得到每个维度的梯度值进行特征维度筛选,再进行掩码预测,计算掩码预测损失;计算三分支网络的总损失进行多任务训练,用训练好的网络提取高质量睡眠脑电信号特征;

6、s3. 对高质量睡眠脑电信号特征利用可分离卷积模块进行时频特征提取;

7、s4. 步骤s3提取的特征输入基于mamba网络的特征增强模块再次进行上下文特征提取;

8、s5. 利用分类器对提取的特征信息进行睡眠分期分类。

9、上述方法中,

10、步骤s2中特征增强分支对脑电信号先分别基于频域和时域进行增强,首先将不同的序列数据经过快速傅里叶变换得到序列的频率表示,将不同序列的相同频率数据段进行随机替换,得到新的频率表示,然后再经过一个反向快速傅里叶变换得到频域增强后的序列,其次对于一个完整的序列样本,对开头结尾数据进行裁剪,得到可用性更强的脑电信号数据。

11、步骤s2中时序特征优化损失计算公式如下:

12、,

13、其中,,为原始数据序列 i的第 t个片段的向量表示,为经过时频域数据增强后的增强序列 i的第 t个片段的向量表示,为原始数据在时序方向特征优化后序列 i的第 t’个片段的向量表示,为增强序列数据在时序方向优化后序列 i的第 t’个片段的向量表示,t ’ 为序列 i除去第 t片段时间以外的时间。

14、频率特征优化损失计算公式如下:

15、,

16、其中,,表示在第j个序列上与具有相同频率的片段数据, j为除去序列 i以外的其他序列, j的最大值为一批量数据中的序列数量,为原始数据在频率方向特征优化后在第j个序列上与具有相同频率的片段数据的向量表示,为增强序列数据在频域方向优化后在第j个序列上与具有相同频率的片段数据的向量表示; 通过计算所有序列片段的损失和,得到总的对比损失:

17、,

18、其中,为第 i个序列的第 t个片段的时序特征优化损失,为第 i个序列的第 t个片段的频率特征优化损失。

19、步骤s2中聚类损失函数的计算公式为:

20、,

21、其中,为每个高斯分布相同的导数, d为所有的序列数据表示, k i为簇心表示, k j是其他簇心的向量表示, d表示簇心周围每个点的向量表示。

22、步骤s2中特征维度筛选是根据梯度值的大小对特征维度进行排名,保留给定比例的重要维度。

23、步骤s2中掩码预测损失的计算公式为:

24、,

25、其中, d i、 ds i为原始数据和增强数据的向量表示,、为预测生成的向量表示,为正则化运算。

26、步骤s2中三分支网络的总损失为:

27、,其中 φ和 ω为超参数。

28、步骤s3所述的可分离卷积模块包括两个大小不同的卷积层和一个可分离卷积层,可分离卷积由一个深度卷积层和一个逐点卷积层组成;首先使用大小为150的卷积层提取睡眠脑电信号中的高频特征,使用大小为1100的卷积层提取睡眠脑电信号中的低频提取,随后经过深度卷积层来学习特定频率的空间信息并捕获每个睡眠阶段的频率间信息,使用逐点卷积层以最佳方式混合每个特征图。

29、步骤s4所述的基于mamba网络的特征增强模块包括线性映射层、一维卷积层、选择性状态空间模型层和激活函数,该本文档来自技高网...

【技术保护点】

1.一种基于自监督学习和Mamba网络的睡眠分期方法,其特征是,包括步骤如下:

2.根据权利要求1所述的一种基于自监督学习和Mamba网络的睡眠分期方法,其特征是,步骤S2中特征增强分支对脑电信号先分别基于频域和时域进行增强,首先将不同的序列数据经过快速傅里叶变换得到序列的频率表示,将不同序列的相同频率数据段进行随机替换,得到新的频率表示,然后再经过一个反向快速傅里叶变换得到频域增强后的序列,其次对于一个完整的序列样本,对开头结尾数据进行裁剪,得到可用性更强的脑电信号数据。

3.根据权利要求1所述的一种基于自监督学习和Mamba网络的睡眠分期方法,其特征是,步骤S2中时序特征优化损失计算公式如下:

4.根据权利要求1所述的一种基于自监督学习和Mamba网络的睡眠分期方法,其特征是,步骤S2中聚类损失函数的计算公式为:

5.根据权利要求1所述的一种基于自监督学习和Mamba网络的睡眠分期方法,其特征是,步骤S2中特征维度筛选是根据梯度值的大小对特征维度进行排名,保留给定比例的重要维度。

6.根据权利要求1所述的一种基于自监督学习和Mamba网络的睡眠分期方法,其特征是,步骤S2中掩码预测损失的计算公式为:

7.根据权利要求1所述的一种基于自监督学习和Mamba网络的睡眠分期方法,其特征是,步骤S2中三分支网络的总损失为:

8.根据权利要求1所述的一种基于自监督学习和Mamba网络的睡眠分期方法,其特征是,步骤S3所述的可分离卷积模块包括两个大小不同的卷积层和一个可分离卷积层,可分离卷积由一个深度卷积层和一个逐点卷积层组成;首先使用大小为150的卷积层提取睡眠脑电信号中的高频特征,使用大小为1100的卷积层提取睡眠脑电信号中的低频提取,随后经过深度卷积层来学习特定频率的空间信息并捕获每个睡眠阶段的频率间信息,使用逐点卷积层以最佳方式混合每个特征图。

9.根据权利要求1所述的一种基于自监督学习和Mamba网络的睡眠分期方法,其特征是,步骤S4所述的基于Mamba网络的特征增强模块包括线性映射层、一维卷积层、选择性状态空间模型层和激活函数,该模块先通过编码器接受来自多个信号时段的分类令牌,令牌的个数为信号输入的序列数,得到输出数据H,输出数据H经过线性映射以扩展输入嵌入,之后送入一层一维卷积块中得到输出数据V,输出数据V经过Silu激活函数处理后再输入选择性状态空间模型中在序列长度线性缩放的同时执行上下文相关的推理,最终经过一层线性映射得到最后的输出特征,同时在输入数据和输出特征之间采用了跳跃连接。

10.基于自监督学习和Mamba网络的睡眠分期系统,包括处理器以及存储有计算机程序指令的存储器;其特征是,所述处理器执行所述计算机程序指令时实现如权利要求1-9任一项所述的基于自监督学习和Mamba网络的睡眠分期方法。

...

【技术特征摘要】

1.一种基于自监督学习和mamba网络的睡眠分期方法,其特征是,包括步骤如下:

2.根据权利要求1所述的一种基于自监督学习和mamba网络的睡眠分期方法,其特征是,步骤s2中特征增强分支对脑电信号先分别基于频域和时域进行增强,首先将不同的序列数据经过快速傅里叶变换得到序列的频率表示,将不同序列的相同频率数据段进行随机替换,得到新的频率表示,然后再经过一个反向快速傅里叶变换得到频域增强后的序列,其次对于一个完整的序列样本,对开头结尾数据进行裁剪,得到可用性更强的脑电信号数据。

3.根据权利要求1所述的一种基于自监督学习和mamba网络的睡眠分期方法,其特征是,步骤s2中时序特征优化损失计算公式如下:

4.根据权利要求1所述的一种基于自监督学习和mamba网络的睡眠分期方法,其特征是,步骤s2中聚类损失函数的计算公式为:

5.根据权利要求1所述的一种基于自监督学习和mamba网络的睡眠分期方法,其特征是,步骤s2中特征维度筛选是根据梯度值的大小对特征维度进行排名,保留给定比例的重要维度。

6.根据权利要求1所述的一种基于自监督学习和mamba网络的睡眠分期方法,其特征是,步骤s2中掩码预测损失的计算公式为:

7.根据权利要求1所述的一种基于自监督学习和mamba网络的睡眠分期方法,其特征是,步骤s2中三分支网络的总损失为:

8.根...

【专利技术属性】
技术研发人员:孙启玉高亚欣张永忠王停停刘玉峰
申请(专利权)人:山东锋士信息技术有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1