【技术实现步骤摘要】
本专利技术涉及基于多模态显著波形分析的睡眠阶段自动分类方法，属于睡眠医学和人工智能。
技术介绍
1、睡眠阶段分类是睡眠医学中的一项关键任务，其主要目的是通过对个体睡眠过程中生理信号的分析，评估睡眠质量并辅助睡眠障碍的诊断与治疗。传统的睡眠阶段分类依赖于多导睡眠图(polysomnography,psg)，这是一种记录睡眠过程中多种生理信号的综合手段，包括脑电图(eeg)、眼电图(eog)和肌电图(emg)。依据美国睡眠医学会(aasm)的标准，睡眠过程被划分为五个主要阶段：清醒(w)、快速眼动阶段(rem)、非快速眼动阶段1(n1)、非快速眼动阶段2(n2)和非快速眼动阶段3(n3)。其中，每个阶段对应特定的生理信号特征，如eeg的不同波形(δ波、θ波、α波等)。
2、目前，睡眠分期仍以人工标注为主，专家需对8至10小时的多导睡眠数据进行逐段分析，依据信号特征及阶段转换规则对每个30秒或20秒的片段进行分类。然而，这种方法不仅耗时且繁琐，而且由于依赖于专家经验，可能存在一定的主观性和一致性问题，难以满足实际临床需求。
3、为了提高效率和准确性，近年来基于机器学习和深度学习的自动化睡眠分期方法逐渐成为研究热点。这些方法通过对多模态生理信号的自动特征提取与分类，能够在一定程度上替代人工分期，显著提升分期的效率。然而，现有方法仍然存在以下挑战：
4、多模态信号的复杂性：脑电信号和眼电信号在睡眠阶段转换过程中常伴有显著的信号重叠和变化，这给特征提取和阶段划分带来了困难。
5、显著波形特征的
6、跨时间依赖关系的建模不完善：睡眠阶段具有强烈的时间连续性，信号之间存在长短期依赖关系，而现有的模型在捕捉这种时间序列依赖方面存在不足。
7、模型效率问题：部分深度学习模型虽然在精度上有所提高，但由于参数量大，计算开销高，限制了其在实际临床场景中的应用。
技术实现思路
1、为了解决现有技术中睡眠阶段分类存在的多模态信号特征捕捉不足、时间序列依赖关系建模不完善以及分类精度和效率受限的问题，实现对多导睡眠信号中关键波形特征的准确提取与分类，从而提高自动化睡眠阶段分类的准确性和效率，本专利技术提供了基于多模态显著波形分析的睡眠阶段自动分类方法，所述技术方案如下：
2、本专利技术的睡眠阶段分类方法，包括：
3、步骤1：获取睡眠阶段的多模态生理信号并进行预处理；
4、步骤2：利用快速傅里叶变换将预处理后的生理信号转换至频率域，生成频谱，并剔除与睡眠阶段无关的低频和高频噪声；
5、步骤3：利用全局权重滤波器和局部权重滤波器分别对所述频谱进行滤波，分别得到全局特征和局部特征，将所述全局特征和局部特征通过加权求和的方式进行融合，生成统一的频域特征表示；
6、所述全局权重滤波器用于捕获信号在整体频谱的显著模式，所述局部权重滤波器用于捕获与睡眠相关频谱的显著模式；
7、步骤4：利用逆快速傅里叶变换将融合后的频域特征还原为时域信号；
8、步骤5：对所述步骤4得到的时域信号进行多尺度并行卷积，分别采用两种不同大小的卷积核提取局部和全局的时间特征，并采用逐元素加法的方式整合所述局部和全局的时间特征，形成时间域特征；
9、步骤6：对不同模态的时间域特征进行融合；
10、步骤61：将不同模态的时间域特征按通道维度进行拼接，将拼接后的特征变换到统一的特征空间，确保不同模态的特征具有相同的维度；
11、步骤62：引入transformer编码器，利用多头自注意力机制来建模不同模态之间的相关性，特征中加入位置信息，以捕捉时间序列的顺序信息；
12、步骤63：所述transformer编码器输出的融合特征fatt通过全连接层或加权求和的方式生成全局特征表示：fglobal＝wfusionfatt+b，wfusion和b是融合层的可训练参数；使用一个线性投影层将融合后的高维特征压缩为固定大小的特征表示ffinal，作为最终的多模态融合特征；
13、步骤7：基于多模态融合特征ffinal，利用训练好的深度学习模型预测每个信号片段的睡眠阶段类别。
14、可选的，所述生理信号包括：脑电信号和眼电信号。
15、可选的，所述步骤3还包括：引入频域掩码机制，通过权值调整对重要频段进行加权，同时降低不相关频段的权值。
16、可选的，所述步骤5采用1×1卷积核捕获局部特征，采用3×3卷积核捕获全局特征。
17、本专利技术的睡眠阶段分类系统包括：
18、信号获取模块，被配置为获取睡眠阶段的多模态生理信号并进行预处理；
19、频谱生成模块，被配置为利用快速傅里叶变换将预处理后的生理信号转换至频率域，生成频谱，并剔除与睡眠阶段无关的低频和高频噪声；
20、频域特征生成模块，被配置为利用全局权重滤波器和局部权重滤波器分别对所述频谱进行滤波，分别得到全局特征和局部特征，将所述全局特征和局部特征通过加权求和的方式进行融合，生成统一的频域特征表示；
21、所述全局权重滤波器用于捕获信号在整体频谱的显著模式，所述局部权重滤波器用于捕获与睡眠相关频谱的显著模式；
22、时域信号计算模块，被配置为利用逆快速傅里叶变换将融合后的频域特征还原为时域信号；
23、时间域特征提取模块，被配置为对所述时域信号计算模块得到的时域信号进行多尺度并行卷积，分别采用两种不同大小的卷积核提取局部和全局的时间特征，并采用逐元素加法的方式整合所述局部和全局的时间特征，形成时间域特征；
24、特征融合模块，被配置为对不同模态的时间域特征进行融合；
25、预测模块，被配置为基于多模态融合特征，利用训练好的深度学习模型预测每个信号片段的睡眠阶段类别；
26、所述特征融合模块包括：
27、拼接模块，用于将不同模态的时间域特征按通道维度进行拼接，将拼接后的特征变换到统一的特征空间，确保不同模态的特征具有相同的维度；
28、transformer编码器，利用多头自注意力机制来建模不同模态之间的相关性，特征中加入位置信息，以捕捉时间序列的顺序信息；
29、多模态融合特征生成模块，将所述transformer编码器输出的融合特征fatt通过全连接层或加权求和的方式生成全局特征表示：fglobal＝wfusionfatt+b，wfusion和b是融合层的可训练参数；使用一个线性投影层将融合后的高维特征压缩为固定大小的特征表示ffinal，作为最终的多模态融合特征；
30、可选的，所述生理信号包括：脑电信号和眼电信号。
31、可选的，所述频域特征生成模块还包括频域掩码机制，用于通过权值调整对重要频段进行加本文档来自技高网...
【技术保护点】
1.一种睡眠阶段分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的睡眠阶段分类方法，其特征在于，所述生理信号包括：脑电信号和眼电信号。
3.根据权利要求1所述的睡眠阶段分类方法，其特征在于，所述步骤3还包括：引入频域掩码机制，通过权值调整对重要频段进行加权，同时降低不相关频段的权值。
4.根据权利要求1所述的睡眠阶段分类方法，其特征在于，所述步骤5采用1×1卷积核捕获局部特征，采用3×3卷积核捕获全局特征。
5.一种睡眠阶段分类系统，其特征在于，所述系统包括：
6.根据权利要求5所述的睡眠阶段分类系统，其特征在于，所述生理信号包括：脑电信号和眼电信号。
7.根据权利要求5所述的睡眠阶段分类系统，其特征在于，所述频域特征生成模块还包括频域掩码机制，用于通过权值调整对重要频段进行加权，同时降低不相关频段的权值。
8.根据权利要求5所述的睡眠阶段分类系统，其特征在于，所述时间域特征提取模块包括1×1卷积核和3×3卷积核，分别用于捕获局部特征和全局特征。
9.一种睡眠阶段分类装置，
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至4任一项所述的睡眠阶段分类方法。
...【技术特征摘要】
1.一种睡眠阶段分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的睡眠阶段分类方法，其特征在于，所述生理信号包括：脑电信号和眼电信号。
3.根据权利要求1所述的睡眠阶段分类方法，其特征在于，所述步骤3还包括：引入频域掩码机制，通过权值调整对重要频段进行加权，同时降低不相关频段的权值。
4.根据权利要求1所述的睡眠阶段分类方法，其特征在于，所述步骤5采用1×1卷积核捕获局部特征，采用3×3卷积核捕获全局特征。
5.一种睡眠阶段分类系统，其特征在于，所述系统包括：
6.根据权利要求5所述的睡眠阶段分类系统，其特征在于，所述生...
【专利技术属性】
技术研发人员：杨金龙，卢景川，魏真正，刘建军，王映辉，
申请(专利权)人：江南大学，
类型：发明
国别省市：
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。