本發(fā)明屬于睡眠分析，特別涉及一種基于多模態(tài)注意力的睡眠分期方法。

背景技術(shù)：

1、在醫(yī)學和睡眠研究領(lǐng)域，睡眠分期是一個重要的診斷過程，它涉及將睡眠記錄分解成不同的睡眠階段，包括清醒、淺睡、深睡和rem(快速眼動)睡眠。這一過程對于診斷睡眠障礙，如睡眠呼吸暫停、失眠和嗜睡癥等，至關(guān)重要。傳統(tǒng)的睡眠分期方法依賴于睡眠技師通過視覺分析腦電圖(eeg)、眼電圖(eog)和肌電圖(emg)等信號來手動進行。這種方法不僅耗時，而且由于依賴于技師的主觀判斷，可能存在一致性問題。隨著技術(shù)的發(fā)展，自動睡眠分期技術(shù)應(yīng)運而生，旨在通過算法自動化這一過程。這些技術(shù)通常使用機器學習算法，如支持向量機(svm)、神經(jīng)網(wǎng)絡(luò)或深度學習模型，來識別和分類睡眠階段。自動化方法不僅可以提高分期的效率和準確性，還可以減少人為誤差，提供更加一致和可靠的數(shù)據(jù)。但是現(xiàn)有研究中常使用的單一的eeg信號往往難以全面捕捉睡眠狀態(tài)的復雜性和動態(tài)變化，特別是對于n1和n2階段的區(qū)分存在一定的困難。因此，基于多模態(tài)的睡眠分期方法往往有更高的研究價值。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種基于多模態(tài)注意力的睡眠分期方法，解決了現(xiàn)有方法面臨的特征魯棒性不佳、關(guān)鍵特征難以有效融合的問題。

2、為了達到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種基于多模態(tài)注意力的睡眠分期方法，包括以下步驟：

3、s1：獲取原始心電數(shù)據(jù)和原始腦電數(shù)據(jù)，并進行預(yù)處理，分別得到經(jīng)預(yù)處理的心電數(shù)據(jù)和經(jīng)預(yù)處理的腦電數(shù)據(jù)；

4、s2：根據(jù)經(jīng)預(yù)處理的心電數(shù)據(jù)，利用一維卷積神經(jīng)網(wǎng)絡(luò)進行處理，提取得到心電特征；

5、s3：根據(jù)經(jīng)預(yù)處理的腦電數(shù)據(jù)，利用多尺度特征提取模塊進行處理，提取得到腦電特征；

6、s4：根據(jù)心電特征和腦電特征，利用多模態(tài)注意力融合模塊進行融合，得到心電信號和腦電信號的融合特征；

7、s5：對心電信號和腦電信號的融合特征進行處理，得到睡眠分期結(jié)果。

8、本發(fā)明的有益效果為：本發(fā)明通過基于多模態(tài)注意力機制建立了睡眠分期模型，充分利用心電和腦電信號中的互補信息，提高睡眠分期的準確性和可靠性，通過注意力機制，睡眠分期模型能夠自動學習到不同模態(tài)信號在不同睡眠階段的特征重要性，實現(xiàn)更加精細和個性化的睡眠狀態(tài)識別，具有實用性和可靠性。

9、進一步地：所述s1的具體步驟如下：

10、s101：獲取原始心電數(shù)據(jù)與原始腦電數(shù)據(jù)；

11、s102：根據(jù)原始心電數(shù)據(jù)，利用上下截止頻率的帶通濾波器進行去噪，并利用中值濾波和曲線擬合去除基線漂移，得到經(jīng)預(yù)處理的心電數(shù)據(jù)；

12、s103：根據(jù)原始腦電數(shù)據(jù)，利用四階巴特沃斯帶通濾波器濾除噪聲與偽影，得到經(jīng)預(yù)處理的腦電數(shù)據(jù)。

13、上述進一步方案的有益效果為：通過預(yù)處理，能夠去除原始腦電數(shù)據(jù)和原始心電信號的各種偽跡和噪聲，提高數(shù)據(jù)的可靠性和準確性。

14、進一步地：所述s2的具體步驟如下：

15、s201：根據(jù)經(jīng)預(yù)處理的心電數(shù)據(jù)，利用hamilton哈密頓路徑算法進行計算，尋找得到r峰位置；

16、s202：根據(jù)r峰位置，計算得到rr間隔和r峰幅值；

17、s203：根據(jù)rr間隔和r峰幅值，利用三次樣條插值法進行處理，得到采樣率相同的rr間隔和r峰幅值；

18、s204：根據(jù)采樣率相同的rr間隔和r峰幅值，利用一維卷積神經(jīng)網(wǎng)絡(luò)進行特征提取，得到心電特征。

19、上述進一步方案的有益效果是：方案通過關(guān)注心電數(shù)據(jù)中的r鋒間隔和幅值，能夠減少心電數(shù)據(jù)中與睡眠無關(guān)的特征信號的干擾，使模型具有更高的魯棒性和準確性。

20、進一步地：所述s3的具體步驟如下：

21、s301：根據(jù)經(jīng)預(yù)處理的腦電數(shù)據(jù)，利用第一一維卷積單元提取得到高頻特征，利用第二一維卷積單元提取低頻特征；

22、s302：將高頻特征和低頻特征進行連接，并輸入至lstm長短期記憶神經(jīng)網(wǎng)絡(luò)進行分析處理，得到睡眠特征的時序關(guān)聯(lián)；

23、s303：根據(jù)睡眠特征的時序關(guān)聯(lián)，利用殘差網(wǎng)絡(luò)進行處理，得到腦電特征。

24、上述進一步方案的有益效果是：通過兩個一維卷積單元、lstm長短期記憶神經(jīng)網(wǎng)絡(luò)以及殘差網(wǎng)絡(luò)提取腦電特征，能夠避免腦電數(shù)據(jù)本身復雜多變的特征的干擾，能夠保證腦電特征提取的有效性。

25、進一步地：所述第一一維卷積單元包括：依次連接的大小為50×1的一維卷積、最大池化層和dropout層，所述大小為50×1的一維卷積的步長為6，卷積核數(shù)量為64；

26、所述第二一維卷積單元包括：依次連接的大小為400×1的一維卷積、最大池化層和dropout層，所述大小為400×1的一維卷積的步長為6，卷積核數(shù)量為64。

27、上述進一步方案的有益效果為：通過建立第一一維卷積單元，能夠用于提取腦電數(shù)據(jù)的高頻特征，通過建立第二一維卷積單元，能夠用于提取腦電數(shù)據(jù)的低頻特征。

28、進一步地：所述s4的具體步驟如下：

29、s401：根據(jù)心電特征和腦電特征，利用全局平均池化層進行處理，得到特征維度統(tǒng)一的心電特征圖和腦電特征；

30、s402：根據(jù)特征維度統(tǒng)一的心電特征和腦電特征，通過點乘計算，得到心電特征和腦電特征的融合特征；

31、s403：根據(jù)心電特征和腦電特征的融合特征，利用特征增強模塊進行處理，得到強化特征后的融合特征；

32、s404：根據(jù)強化特征后的融合特征，利用自注意力模塊和融合模塊進行處理，得到心電信號和腦電信號的融合特征。

33、上述進一步方案的有益效果為：不同的睡眠方式具有不同的特征，通過s4能夠有效地結(jié)合多種生理信號的特征，幫助實現(xiàn)心電和腦電信號的融合，增強睡眠分期中不同模態(tài)的關(guān)鍵特征，幫助提升不同睡眠階段的分類能力。

34、進一步地：所述多模態(tài)注意力融合模塊的表達式如下：

35、output＝xeeg+xatt′

36、xatt′＝xfuse⊙xatt

37、xatt＝σ(fc2(δ(fc1(gap(xfuse)))))

38、xfuse＝xecg+xeeg+(xecg⊙xeeg)

39、其中，output為多模態(tài)注意力融合模塊的輸出，代表心電信號和腦電信號的融合特征，xatt′為自注意力模塊的輸出結(jié)果，xatt為強化特征后的融合特征，xfuse為心電特征和腦電特征的融合特征圖，xecg為特征維度統(tǒng)一的心電特征，xeeg為特征維度統(tǒng)一的腦電特征，⊙為點乘運算符，σ為relu激活函數(shù)，δ為sigmoid激活函數(shù)，fc2為第二全連接層，fc1為第一全連接層，gap為全局平均池操作。

40、上述進一步方案的有益效果為：通過表達式，能夠明確多模態(tài)注意力融合模塊的內(nèi)部機制，提高了多模態(tài)注意力融合模塊的實用性和科學性。

技術(shù)特征：

1.一種基于多模態(tài)注意力的睡眠分期方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于多模態(tài)注意力的睡眠分期方法，其特征在于，所述s1的具體步驟如下：

3.根據(jù)權(quán)利要求1所述的基于多模態(tài)注意力的睡眠分期方法，其特征在于，所述s2的具體步驟如下：

4.根據(jù)權(quán)利要求1所述的基于多模態(tài)注意力的睡眠分期方法，其特征在于，所述s3的具體步驟如下：

5.根據(jù)權(quán)利要求4所述的基于多模態(tài)注意力的睡眠分期方法，其特征在于，所述第一一維卷積單元包括：依次連接的大小為50×1的一維卷積、最大池化層和dropout層，所述大小為50×1的一維卷積的步長為6，卷積核數(shù)量為64；

6.根據(jù)權(quán)利要求1所述的基于多模態(tài)注意力的睡眠分期方法，其特征在于，所述s4的具體步驟如下：

7.根據(jù)權(quán)利要求1所述的基于多模態(tài)注意力的睡眠分期方法，其特征在于，所述多模態(tài)注意力融合模塊的表達式如下：

技術(shù)總結(jié)
本發(fā)明公開了一種基于多模態(tài)注意力的睡眠分期方法，屬于睡眠分析技術(shù)領(lǐng)域，包括，獲取原始心電數(shù)據(jù)和原始腦電數(shù)據(jù)并進行預(yù)處理，利用一維卷積神經(jīng)網(wǎng)絡(luò)對經(jīng)預(yù)處理的心電數(shù)據(jù)進行處理，得到心電特征，利用多尺度特征提取模塊對經(jīng)預(yù)處理的腦電數(shù)據(jù)進行處理，得到腦電特征，利用多模態(tài)注意力融合模塊進行心電特征和腦電特征的融合，并對融合結(jié)果進行計算分析，得到睡眠分期結(jié)果。本發(fā)明基于多模態(tài)注意力機制建立了睡眠分期模型，根據(jù)心電信號和腦電信號中的互補信息，得到準確且可靠的睡眠分期結(jié)果，通過注意力機制，能夠自動學習到不同模態(tài)信號在不同睡眠階段的特征重要性，實現(xiàn)更加精細和個性化的睡眠狀態(tài)識別，具有實用性和可靠性。

技術(shù)研發(fā)人員：滕飛,梅挺,龔勛,張曉博,顧瑾,羅志鵬,張恩銘
受保護的技術(shù)使用者：西南交通大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/28