一种睡眠分期识别方法、系统、存储介质

技术领域

本申请涉及睡眠监测技术领域，具体涉及一种睡眠分期方法、系统、存储介质。

背景技术

多导睡眠监测系统采集仪是在全夜睡眠过程中，连续并同步地描记脑电、呼吸等10余项指标，全部记录次日由仪器自动分析后再经人工逐项实，对睡眠数据分析，从而得到用户的睡眠分析结果。

在该过程中，需要人工逐项核实、分析，成本较高且耗时较长。为提高分析效率，存在采集受试者的睡眠电脑、眼电信号，通过深度学习进行睡眠分期，但该方式基本依赖于原始数据，信号来源单一，缺少临床医生的专业指导，导致睡眠分期准确性低。

发明内容

为了解决上述的问题，本申请的实施例中提供了一种睡眠分期识别方法、系统、存储介质，快速、准确地输出总睡眠分期结果，解决人工判断耗时长、机器判断准确性低的问题。

为此，本申请的一个方面，提供一种睡眠分期识别方法，包括以下步骤：

获取多导睡眠图数据，对所述多导睡眠图数据进行预处理，得到睡眠信号；

构建睡眠分期识别模型，通过训练数据集与经验数据集训练所述睡眠分期识别模型；所述训练数据集为未分期的睡眠信号，所述经验数据集为完成睡眠分期的睡眠信号；

采集多导睡眠图数据，通过所述睡眠分期识别模型对所述多导睡眠图数据进行睡眠分期，得到总睡眠分期结果。

可选地，结合上述任一方面，在本方面的另一种实现方式中，通过所述训练数据集与经验数据集训练所述睡眠分期识别模型，包括：

根据所述经验数据集识别所述训练数据集，输出睡眠分期初步结果；

通过加权算法对所述睡眠分期初步结果进行加权计算，得到总睡眠分期结果。

可选地，结合上述任一方面，在本方面的另一种实现方式中，所述睡眠分期识别模型包括经验转换模型、自注意力机制网络与多层感知神经网络；

根据所述经验数据集识别所述训练数据集，输出睡眠分期初步结果，包括：

所述训练数据集通过经验转换模型，根据经验数据集将睡眠信号转换成特征数据；

将训练数据集输入至所述自注意力机制网络，输出不同维度的隐向量；

拼接所述特征数据与隐向量，构成输入数据，所述多层感知神经网络以所述输入数据为输入，输出睡眠分期初步结果。

可选地，结合上述任一方面，在本方面的另一种实现方式中，所述自注意力机制网络以睡眠信号为输入，输出不同维度的隐向量，具体为，

所述自注意力机制网络学习所述睡眠信号的表征，将所述睡眠信号的表征输入至不同维度的CNN网络中学习，输出不同维度、预设大小的隐向量。

可选地，结合上述任一方面，在本方面的另一种实现方式中，所述经验转换模型将睡眠信号转换成特征数据，包括：

提取所述睡眠信号的特征，将特征归一化处理，将归一化处理后的特征组合成特征列，得到特征数据；

提取所述睡眠信号的特征包括提取数学变换特征，Hjorth参数，Theta、Alpha、Beta、Gamma波带的功率特征，排列熵，higuchi分形维数和/或Petrosian分形维数。

可选地，结合上述任一方面，在本方面的另一种实现方式中，通过加权算法对所述睡眠分期初步结果进行加权计算，具体为，

计算每个睡眠信号的睡眠分期初步结果的准确率，根据所述准确率确定该睡眠信号的权重；

通过权重计算公式对所述睡眠分期初步结果进行加权计算；

所述权重计算公式为：

其中，h(x)

可选地，结合上述任一方面，在本方面的另一种实现方式中，通过所述训练数据集与经验数据集训练所述睡眠分期识别模型，还包括：

获取多导睡眠图数据，按照预设比例将所述多导睡眠图数据分为训练数据集与校验数据集，通过校验数据集验证所述睡眠分期识别模型，根据校验结果调整所述睡眠分期识别模型。

可选地，结合上述任一方面，在本方面的另一种实现方式中，对所述多导睡眠图数据进行预处理，包括：

对所述多导睡眠图数据进行编号，保存编号以及编号对应的原始数据路径；

将所述多导睡眠图数据进行降频、切割处理，得到预设频段的睡眠信号。

本申请的另一方面，提供一种睡眠识别分析系统，包括：

采集模块，采集多导睡眠图数据，对所述多导睡眠图数据进行预处理，得到预处理后的睡眠信号；

训练模块，通过训练数据集与经验数据集训练所述睡眠分期识别模型；所述训练数据集为未分期的睡眠信号，所述经验数据集为完成睡眠分期的睡眠信号；

识别模块，获取多导睡眠图数据，通过所述睡眠分期识别模型对所述多导睡眠图数据进行睡眠分期，得到总睡眠分期结果。

本申请的另一方面，提供一种装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的一种睡眠分期识别方法。

可选地，结合上述任一方面，在本方面的另一种实现方式中

如上所述，本申请提供了一种睡眠分期识别方法、系统、装置，利用多导睡眠监测系统采集仪采集患者的多导睡眠图数据，将医疗专家临床经验加以收集和处理，转化成相应的经验数据集，通过经验数据集与训练数据集训练睡眠分期识别模型，通过睡眠分期识别模型识别多导图睡眠数据，得到总睡眠分期结果。从本方法能够更好地从数据特征上表示出医疗专家临床的经验知识，提高总睡眠分期识别结果的准确性。快速、准确地输出睡眠分期结果，解决人工判断耗时长、机器判断准确性低的问题。

提供上述发明内容以简化形式介绍一些概念，这些概念将在下面的具体实施方式中进一步详细描述。上述发明内容既不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。本申请所要求保护的主题不限于解决背景技术中指出的任何或所有缺点的实施方式。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

图1为本申请实施例提供的一种睡眠分期识别方法流程示意图；

图2为本申请实施例提供的步骤S1的流程示意图；

图3是本申请实施例提供的步骤S2的流程示意图；

图4是本申请实施例提供的睡眠分期识别模型示意图；

图5是本申请实施例提供的自注意力网络示意图；

图6是本申请实施例提供的一种睡眠分期识别系统的示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

需要说明的是，在本文中，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素，此外，本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义，也可能具有不同含义，其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。

应当理解，尽管在本文可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本文范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。再者，如同在本文中所使用的，单数形式“一”“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类和/或组的存在、出现或添加。本申请使用的术语“或”“和/或”“包括以下至少一个”等可被解释为包括性的，或意味着任一个或任何组合。仅当元件、功能、步骤或操作的组合在某些方式下内在的互相排斥时，才会出现该定义的例外。

应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

取决于语境，如在此所使用的词语“如果”“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

请参阅图1，本申请提供了一种睡眠分期识别方法、系统、存储介质，快速、准确地输出睡眠分期结果，解决人工判断耗时长、机器判断准确性低的问题。

具体的，本方法包括以下步骤：

步骤S1、获取多导睡眠图数据，对所述多导睡眠图数据进行预处理，得到睡眠信号。

多导睡眠监测系统采集用户的多导睡眠图数据后，需要对所述多导睡眠图数据进行预处理。如图2所示，所述预处理包括：

步骤S11、对所述多导睡眠图数据进行编号，保存编号以及编号对应的原始数据路径。对所述多导睡眠图数据编号，是由于原始多导睡眠图数据的数据量庞大，便于识别统计。在编号后，将原始的多导睡眠图数据存储至分布式存储系统Hadoop的hdfs中，将编号和编号下的原始数据路径储存至hive数据库中，以便后续的调用或者溯源。数据库类型如表1所示：

表1多导睡眠图数据存储说明

步骤S12、将所述多导睡眠图数据进行降频、切割处理，得到预设频段的睡眠信号。由于多导睡眠监测系统中采集的多导睡眠图数据是通过多个不同设备采集，数据频率不同。为便于分析与判断，将所有数据的频率进行统一。而由于过高的频率会导致数据量庞大，增加分析、计算的时间，因此对多导睡眠图数据进行适当降频。一般的，将其降频至100赫兹，便于处理。

同时，基于现有的多导睡眠图判断标准，将所述多导睡眠数据切割成多个片段。一般的，将每份长达h小时数据切割成多个30秒的片段数据，若是最后一批数据不足30秒，则将其去除。每个100赫兹、时长为30秒的数据构成一个睡眠信号，如E1-A2、E2-A2、F3-A2、C3-A2、O1-A2。其中，E代表眼电信号，其中1为左边，2为右边；M代表耳后乳突，为监测导联的参考电极；F代表脑电额区信号；C代表脑电中央区信号；O代表脑电枕区信号，睡眠信号的命名来源于脑电图10-20命名及AASM指南，属于目前主流的命名方案。

步骤S2、构建睡眠分期识别模型，通过所述训练数据集与经验数据集训练所述睡眠分期识别模型；其中，所述训练数据集为未分期的睡眠信号，所述经验数据集为完成睡眠分期的睡眠信号。

在本申请中，基于睡眠诊疗专家的经验，对预处理完成的睡眠信号进行睡眠分期，得到睡眠分期结果，由该完成分期的睡眠信号构成经验数据集。将医疗专家临床经验加以收集和处理，经过理解转化成相应的经验数据集，从而能够更好的从数据特征上表示出医疗专家临床的经验知识，提高模型的准确性。而由未进行分期的睡眠信号构成训练数据集。采用经验数据集与训练数据集对所述睡眠分期识别模型进行训练，如图3所示，训练过程包括：

步骤S21、根据所述经验数据集识别所述训练数据集，输出睡眠分期初步结果；

具体的，如图4所示，所述睡眠分期识别模型包括经验转换模型、自注意力机制网络与多层感知神经网络。根据所述经验数据集识别所述训练数据集，输出睡眠分期初步结果，包括：

步骤S211、所述训练数据集通过经验转换模型，根据经验数据集将睡眠信号转换成特征数据。结合专家的诊疗经验，构建经验数据集与经验转换模型。经验转换模型将睡眠信号转换成特征数据，包括：提取所述睡眠信号的特征，将所述特征归一化处理，将所述特征组合成特征列，得到特征数据；所述提取所述睡眠信号的特征包括提取数学变换特征，Hjorth参数，Theta、Alpha、Beta、Gamma波带的功率特征，排列熵，higuchi分形维数和/或Petrosian分形维数。提取的特征数据如表2所示：

表2特征说明

更多的，假设每30s的数据集为X＝(x

Hjorth参数的活动性、移动性、复杂性：

其中，σ代表时间序列x的标准差

排列熵的计算公式为：

其中N为时间序列，以间隔k进行采样，起始点m＝(1,2,…,k)

Petrosian分形维数的计算公式为：

其中N是该区间的时间序列长度θ是指Delta。

将上述提取的特征，组成新的特征列f，构成特征数据。

步骤S212、将训练数据集输入至所述自注意力机制网络，输出不同维度的隐向量；

如图5所示，通过自注意力机制网络学习出训练数据集的表征，将其表征放到3个不同CNN网络中，使多导睡眠图数据得到充分的学习，并输出3个不同维度、预设大小的隐向量，向量大小分别为[80×128×16,80×128×11,80×128×8]。

步骤S213、拼接所述特征数据与隐向量，构成输入数据，所述多层感知神经网络以所述输入数据为输入，输出睡眠分期初步结果。

按照编号依次拼接步骤S211得到的特征数据与步骤S212得到的3个不同维度的隐向量，构成输入数据。所述多层感知神经网络以所述输入数据为输入，输出睡眠分期初步结果。

步骤S22、通过加权算法对所述睡眠分期初步结果进行加权计算，得到总睡眠分期结果。

具体地，本步骤包括：

步骤S221、计算每个睡眠信号的睡眠分期初步结果的准确率，根据所述准确率确定该睡眠信号的权重；

例如，一个睡眠信号的正确分期结果是：0101，第一个睡眠信号得到的结果是：0100，准确率是75％；第二个睡眠信号得到的结果是：0000，准确率是50％；第三个睡眠信号得到的结果是：0101，准确率是100％。根据上述准确率，则第一个睡眠信号的权重为[1,1,1,0.75]，第二个睡眠信号的权重为[1,0.5,1,0.5]，第三个睡眠信号的权重为[1,1,1,1]。

步骤S222、通过权重计算公式对所述睡眠分期初步结果进行加权计算。

第t组结果的权重，max

每个睡眠信号都会得到对应的睡眠分期初步结果，将不同睡眠信号及其睡眠分期初步结果通过上述方式加权计算，避免部分睡眠分期初步结果不准确而影响总睡眠分期结果，进而提高本方法的准确性。

更多的，通过所述训练数据集与经验数据集训练所述睡眠分期识别模型，还包括：

步骤S23、获取多导睡眠图数据，按照预设比例将所述多导睡眠图数据分为训练数据集与校验数据集，通过校验数据集校验所述睡眠分期识别模型，根据校验结果调整所述睡眠分期识别模型。

在通过上述方式得到的睡眠分期识别模型后，将多导睡眠图数据按照7：3的比例划分为训练数据集与校验数据集，通过校验数据集对所述睡眠分期识别模型进行校验。计算所述校验数据集得到的总睡眠分期结果的准确率，当准确率低于预设数值时，调整睡眠分期识别模型，直至所述睡眠分期识别模型的准确率高于预设数值。在本申请中，准确率的预设数值为80％，从而提高模型的识别准确度。

更进一步地，调整睡眠分期识别模型包括调整经验转换模型和/或调整自注意力机制网络参数。依据睡眠诊疗专家的经验得到经验数据集的分期结果，或者是在提取睡眠信号的特征时提取的特征重要性较低，甚至该特征导致睡眠分期初步结果过于偏差等情况，均可以对经验转换模型进行调整。所述经验转换模型调整为增加或者删除经验转换模型中提取所述睡眠信号的某个特征。而自注意力机制网络参数则包括输入的特征batchsize，即每一批次睡眠信号的条数，实现中选择的是20Attention heads，注意力机制的头数，在本申请中是2。

步骤S3、采集多导睡眠图数据，通过所述睡眠分期识别模型对所述多导睡眠图数据进行睡眠分期。

采集最新的多导睡眠图数据后，通过上述训练得到的睡眠分析识别模型，得到总睡眠分期结果。所述总睡眠分期结果是排列顺序为清醒期W期、浅睡眠期N1、浅睡眠期N2和深睡眠期N3的概率，概率最大的分期则为该睡眠信号的分期结果。例如该睡眠信号输出的总睡眠分期结果为[0.1，0.6，0.1，0.1，0.1]，则该睡眠信号对应为浅睡眠期N1。

本方法利用多导睡眠监测系统采集仪采集患者的多导睡眠图数据，经过睡眠诊疗专家标记睡眠分期阶段作为经验数据集，根据睡眠诊疗专家的经验，构建经验转换模型，将多导睡眠图的指标信号转化成数值特征，不同指标的数值特征分别与多导睡眠图数据一起输入到深度学习算法中得到多个结果，最后将多个结果进行加权计算，并将最终输出的总睡眠分期结果，再根据总睡眠分期结果调整该睡眠分期识别模型，形成自学习闭环。当新采集到患者的多导睡眠图数据时，通过本方法能快速、精准的输出睡眠分期结果，从而解决人工判图耗时长的问题。

基于相同的发明思想，如图6所示，本申请还提供了一种睡眠分期识别系统，包括：

采集模块，采集多导睡眠图数据，对所述多导睡眠图数据进行预处理，得到预处理后的睡眠信号；

训练模块，根据所述睡眠信号训练睡眠分期模型，通过所述睡眠分期模型识别所述睡眠信号，输出睡眠分期初步结果；通过加权算法对所述睡眠分期初步结果进行加权计算，得到总睡眠分期结果；

识别模块，获取多导睡眠图数据，通过睡眠分期模型获取总睡眠分期结果。

基于相同的发明思想，本申请还提供一种装置，该装置可以包括：存储有可执行程序代码的存储器；

与存储器耦合的处理器；

用于与其他设备或通信网络通信，接收或者发送网络消息的收发器；

用于连接存储器、处理器、收发器进行内部通信的总线。

收发器接收网络上传输过来的消息，通过总线传递给处理器，处理器通过总线调用存储器中存储的可执行程序代码进行处理，并将处理结果通过总线传递给收发器发送，从而实现本申请实施例提供的方法。

本申请实施例还提供一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行程序，当所述可执行程序被处理器运行时，使所述处理器执行如上述实施例提供的处理方法。存储有可执行程序代码的存储器；

与存储器耦合的处理器；

处理器调用存储器中存储的可执行程序代码，用于执行所描述的一种睡眠分期识别方法。

本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行所描述的一种睡眠分期识别方法。

本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行所描述的一种睡眠分期识别方法。

以上所描述的实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，既可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器，或者能够用于携带或存储数据的计算机可读的任何其他介质。

最后应说明的是：本发明实施例所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。