基于全卷积网络的序列到序列的睡眠障碍检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111493828A(43)申请公布日2020.08.07(21)申请号202010328201.X(22)申请日2020.04.23(71)申请人四川大学地址610064四川省成都市武侯区一环路南一段24号(72)发明人吕建成杨胜兰彭德中桑永胜彭玺孙亚楠贺喆南(74)专利代理机构成都正华专利代理事务所(普通合伙)51229代理人代维凡(51)Int.Cl.A61B5/00(2006.01)权利要求书2页说明书7页附图2页(54)发明名称基于全卷积网络的序列到序列的睡眠障碍检测方法(57)摘要本发明公开了一种基于全卷积网络的序列到序列的睡眠障碍检测方法，该方法获取需要检测睡眠障碍的数据集，对数据集进行预处理，构建包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型并进行模型训练，利用训练后的睡眠唤醒检测网络模型进行睡眠障碍检测。本发明通过对多模态生物信号进行统一预处理，减少了工作量，提升了处理效率，并且保留了数据的上下文信息，提升了检测准确率；本发明直接从多种原始生物信号中给出睡眠唤醒指数，实现了睡眠障碍检测的自动化，并且通过序列到序列的检测方式，保留了数据在时序上的关联性，取得了更好的检测结果。CN111493828ACN111493828A权利要求书1/2页1.一种基于全卷积网络的序列到序列的睡眠障碍检测方法，其特征在于，包括以下步骤：S1、获取需要检测睡眠障碍的数据集，并划分为训练集和测试集；S2、对步骤S1获取的数据集进行预处理；S3、构建包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型，并将处理后的训练集数据融合后进行模型训练；S4、利用训练后的睡眠唤醒检测网络模型对处理后的测试集进行睡眠障碍检测。2.如权利要求1所述的基于全卷积网络的序列到序列的睡眠障碍检测方法，其特征在于，所述步骤S1中获取的数据集具体包括多模态生物信号以及对应的标注信息，其中标注信息为各类型的觉醒开始时间以及结束时间。3.如权利要求2所述的基于全卷积网络的序列到序列的睡眠障碍检测方法，其特征在于，所述步骤S2中对步骤S1获取的数据集进行预处理，具体包括：采用one-hot的编码形式对数据集进行重新标注，将所有觉醒区间标注为1，非觉醒的区间则标注为0；对数据集进行下采样处理，得到数据记录时间长度相同的数据集；对数据集中设定时间长度的滚动窗口数据进行Z-score标准化处理，得到归一化后的数据集。4.如权利要求1所述的基于全卷积网络的序列到序列的睡眠障碍检测方法，其特征在于，所述步骤S3中包括全卷积网络和长短时记忆网络的睡眠唤醒检测网络模型具体包括：编码器、解码器和分类决策模块；所述编码器将融合后的数据作为网络输入，其包括多个双层卷积模块，每个双层卷积模块依次包括一维卷积层、批标准化层、ReLU激活层、一维卷积层，批标准化层、ReLU激活层、Dropout层和最大池化层；所述解码器将编码器的输出作为输入，其包括多个双层卷积模块，每个模块依次包含上采样层，一维卷积层、批标准化层、ReLU激活层、一维卷积层，批标准化层、ReLU激活层和Dropout层；所述分类决策模块将解码器的输出作为输入，其包括平均池化层、一维卷积层、批标准化层、ReLU激活层、双向LSTM、全连接层和softmax层。5.如权利要求4所述的基于全卷积网络的序列到序列的睡眠障碍检测方法，其特征在于，所述步骤S3在模型训练过程中，每次迭代后分别计算AUPRC和AUROC分数，判断AUPRC或AUROC分数是否高于历史最高分数，若是则保存最新的网络参数，否则进行下一次迭代；直到AUPRC或AUROC分数为历史最高分数时，对应的网络参数即为最优网络参数。6.如权利要求5所述的基于全卷积网络的序列到序列的睡眠障碍检测方法，其特征在于，所述AUPRC分数的计算方式具体为：AUPRC＝∑jPj(Rj-Pj+1)其中，j表示第j条记录，Pj表示精确率，Rj表示召回率。7.如权利要求5所述的基于全卷积网络的序列到序列的睡眠障碍检测方法，其特征在于，所述AUROC分数的计算方式具体为：2CN111493828A权利要求书2/2页其中，∑insi∈positiveclass表示正样本序列之和，rankinsi表示第i条样本的序号，M表示正样本数量，N表示负样本数量。8.如权利要求1所述的基于全卷积网络的序列到序列的睡眠障碍检测方法，其特征在于，所述步骤S4具体包括：将处理后的测试集作为训练后的睡眠唤醒检测网络模型输入，计算唤醒预测的概率值；并对得到的唤醒预测概率值采用双线性插值法进行上采样，得到唤醒检测的标记结果序列。9.如权利要求8所述的基于全卷积网络的序列到序列的睡眠障碍检测方法，其特征在于，所述双线性插值法具体包括