基于多特征融合的自动睡眠分期方法

本发明涉及一种睡眠分期方法，尤其是一种基于多特征融合的自动睡眠分期方法。背景技术：1、睡眠是人类最重要的生理活动之一，在人的一生中，超过三分之一的时间都处在睡眠状态中，良好的睡眠质量有助于身心健康。另一方面，长期缺乏足够质量的睡眠，可能会增加患心脏病、抑郁症、高血压等风险，最终威胁到人体健康。2、睡眠分期是评估睡眠质量和诊断睡眠障碍的基本方式。医生通过临床指南和医学知识，将多睡眠导图(psg)收集的生理信号，如脑电信号(eeg)、心电信号(ecg)、眼电信号(eog)、肌电信号(emg)等，划分阶段，以进行睡眠分期。3、睡眠医学发展至今，形成了完整的睡眠分期标准体系，目前最为常用的是美国睡眠医学学会(american medical sleep association，aasm)制定的睡眠分期标准。aasm标准，以30s为周期划分psg片段，将睡眠状态划分为以下几个阶段：清醒期(wake)、非快速眼动期(nrem)和快速眼动期(rem)，其中，非快速眼动期nrem包括三个阶段，分别为：n1、n2、n3。在目前的临床中，睡眠分期多数是由医生手动进行的，这是一个非常耗时耗力的过程，很大程度上取决于医生的个人专业知识，并且由于医生疲劳等原因，可能会出现一些主观错误。为了减轻医生的负担并提供客观有效的睡眠评估，许多研究致力于自动睡眠分期。4、脑电信号在时域、频域、时频域等多个方面都具有良好的、可解释的特征，因此，早期的研究是基于特征的机器学习方法。此外，还可以将脑电信号分解成不同的频带，针对不同的频带进行特征的提取。将提取出的特征放到支持向量机、随机森林等分类器中进行睡眠分期。基于特征的机器学习方法能够达到一定的准确率，且提取出的特征具有生理意义。但单一特征并不能满足信号分类的精度要求，此外，还有部分特征不能够有效地表达信号特性。5、近年来，基于深度学习的方法在自动睡眠分期领域得到了广泛使用。起初，仅使用卷积神经网络或循环神经网络进行自动睡眠分期。后来研究发现，多网络的融合在自动睡眠分期中表现出更好的性能，即使用卷积神经网络(cnn)提取特征，然后使用循环神经网络(rnn)学习睡眠转换规则，并输出分期结果，随后的注意力机制又更进一步的提升了模型的效果。这些深度学习方法使用原始的脑电信号进行建模，具有良好的灵活性，但是由于提取的特征是抽象的特征，难以从睡眠医学角度解释。此外，这类方法还面临着训练时间长、参数量大等问题。6、由上述说明，针对自动睡眠分期，基于特征的机器学习方法未能将特征实现很好的融合，例如特征与标签之间的相关性、特征与特征之间的冗余性均未纳入考虑。此外，睡眠时的脑电信号是动态变化的，从信号中提取的特征难以表达脑电信号动态变化的上下文信息，因此，会严重影响算法的精度和泛化性。技术实现思路1、本发明的目的是克服现有技术中存在的不足，提供一种基于多特征融合的自动睡眠分期方法，其采用了多模态信号特征融合，有效地提高提取的特征的表达能力，能够更加有效地进行睡眠分期，睡眠分期精度高，具有较好的泛化能力。2、按照本发明提供的技术方案，一种基于多特征融合的自动睡眠分期方法，所述自动睡眠分期方法包括：3、提供睡眠分期用的生理信号，其中，所述生理信号包括同一时间基准下的脑电信号、眼电信号以及肌电信号；4、对生理信号进行去噪处理，并在去噪处理后对所述生理信号进行分段，以在分段后生成生理分段片段信号组，其中，所述生理分段片段信号组包括若干生理分段片段信号，对任一生理分段片段信号，包括脑电分段片段信号、眼电分段片段信号以及肌电分段片段信号；5、对上述的每个生理分段片段信号进行多模态信号特征提取，以在特征提取后得到生理片段信号的多模态信号特征，其中，生理片段信号的多模态信号特征信号包括脑电分段片段信号的多模态信号特征、眼电分隔片段信号的多模态信号特征以及肌电分段片段信号的多模态信号特征；6、对任一多模态信号特征，包括功率谱密度特征、时域统计信息特征、频域统计信息特征、熵特征和/或hjorth参数特征；7、基于生理分段片段信号的时间顺序，对相邻生理分段片段信号的多模态信号特征进行跨相邻样本融合，以在跨相邻样本融合后生成生理信号融合特征集，其中，所述生理信号融合特征集包括若干生理信号融合特征；8、利用预构建的特征选择支持向量机对生理信号融合特征集进行特征选择，以在特征选择后生成生理信号选择特征集，其中，生理信号选择特征集包括若干生理信号选择特征，生理信号选择特征的信号特征数量小于生理信号融合特征的信号特征的数量；9、利用预构建的睡眠分期识别支持向量机对生理信号选择特征集进行识别分类，并输出所述生理信号的睡眠分期类别。10、对生理信号进行去噪处理时，对脑电信号、眼电信号以及肌电信号分别进行去噪处理，其中，11、所述去噪处理的方法包括小波包去噪。12、提取得到生理分段片段信号的功率谱密度特征时，包括：13、提供预设频段，其中，所述预设频段包括频率范围为0.5hz～1.5hz的low delta频段、频率范围为1.5hz～4.5hz的fast delta频段、频率范围为4.5hz-8.5hz的theta频段、频率范围为8.5hz-11.5hz的alpha频段、频率范围为11.5hz-15.5hz的sigma频段以及频率范围为15.5hz-30.0hz的beta频段；14、对任一生理分段片段信号内的脑电分段片段信号，分别计算在预设频段上的功率谱密度信息、功率谱密度累加值信息以及功率谱密度比值信息，以计算得到脑电分段片段信号的功率谱密度信息、脑电分段片段信号的功率谱密度累加信息以及脑电分段片段信号的功率谱密度比值信息；15、对任一生理分段片段信号内的眼电分段片段信号，分别计算在预设频段的功率谱密度信息以及功率谱密度累加值，以计算得到眼电分段片段信号的功率谱密度信息以及眼电分段片段信号的功率谱密度累值信息。16、对生理分段片段信号的时域统计信息特征，包括生理分段片段信号的时域标准差、时域均值、时域中位数、时域偏度以及时域峰度；17、对生理分段片段信号的频域统计信息特征，包括生理分段片段信号的频域方差、频域均值、频域偏度以及频域峰度。18、对每个生理分段片段信号提取得到的熵特征，包括排列熵以及分桶熵，其中，19、对分桶熵，包括时域的分桶熵以及频域的分桶熵。20、基于生理分段片段信号的多模态信号特征，生成生理信号融合特征集时，则有：其中，为第k个生理片段信号的多模态信号特征，为第k-1个片生理片段信号的多模态信号特征，为第k+1个片生理片段信号的多模态信号特征，concat表示特征拼接运算，fk-1表示第k-1个生理信号融合特征，k≥1。21、构建特征选择支持向量机时，包括：22、构建特征选择基本支持向量机，并构建用于对特征选择基本支持向量机训练的特征选择训练数据集，所述特征选择训练数据集包括若干特征选择训练样本，其中，每个特征选择训练样本包括若干训练样本信号融合特征，每个训练样本信号融合特征与每个生理信号融合特征具有相同的信号特征；23、基于特征选择训练数据集对特征选择基本支持向量机进行模型训练，其中，对特征选择基本支持向量机训练时，包括若干特征选择训练步骤，其中，对任一特征选择训练步骤，选择至少包括依次执行的支持向量机训练步骤与样本信号特征选择步骤；24、执行支持向量机训练步骤时，利用特征选择训练数据集对特征选择基本支持向量机训练，直至使得特征选择基本支持向量机训练达到目标状态，其中，特征选择基本支持向量机训练达到目标状态后，基于所述特征选择基本支持向量机的coef_属性得到样本信号特征权重集，样本信号特征权重集内样本信号特征权重的数量与特征选择训练样本内样本信号特征的数量相一致；25、执行样本信号特征选择步骤时，基于样本信号特征权重集以及特征选择训练数据集内每个样本信号特征的冗余度，以计算得到每个样本信号特征的重要性评分值；26、基于每个样本信号特征的重要性评分值，按预设的特征选择步长确定删减的信号特征，并将所确定删减的样本信号特征从特征选择训练数据集内删除，其中，基于对确定删减样本信号特征的删除，以对特征选择训练数据集更新；27、当更新后特征选择训练数据集内样本信号特征的数量大于样本信号特征的目标数量时，基于更新后的特征选择训练数据集重复执行特征选择训练步骤，直至使得更新后特征选择训练数据集内样本信号特征的数量与样本信号特征的目标数量适配；28、当更新后特征选择训练数据集内样本信号特征的数量与样本信号特征的目标数量适配时，则将与当前特征选择训练数据集对应的特征选择基本支持向量机配置作为特征选择支持向量机，且将当前的特征选择训练数据集配置作为睡眠分期识别训练数据集。29、对特征选择基本支持向量机进行一代训练后，通过特征选择基本支持向量机生成预测标签集s＝{s1,s2,...,sn}；30、计算当前代训练后的损失函数，其中，计算当前代训练后的损失函数时，则有：31、32、其中，hingelossk为对特征选择基本支持向量机进行k代训练后的损失函数值，si(li)为第i个预测标签中正确类别的预测值，si(j)为第i个预测标签中除正确类别预测值外的其他预测值。33、计算得到任一样本信号特征的重要性评分值时，则有：34、λi＝α|ωi|-(1-α)ri35、其中，λi为第i个样本信号特征的重要性评分值，α为重要性评分系数，ωi为第i个样本信号特征的特征权重，ri为第i个样本信号特征的冗余度。36、构建睡眠分期识别支持向量机时，包括：37、构建睡眠分期识别基本支持向量机，并利用睡眠分期识别训练数据集对所构建的睡眠分期识别基本支持向量机进行训练，其中，38、对睡眠分期识别基本支持向量机进行训练时，包括对睡眠分期识别基本支持向量机进行若干代的模型训练，在每代的模型训练后，计算模型损失，且对相邻的两代模型训练，计算模型损失变化；39、若模型损失变化与模型损失变化阈值适配时，则对睡眠分期识别基本支持向量机训练达到目标状态，将当前代模型训练后的睡眠分期识别基本支持向量机作为睡眠分期识别支持向量机。40、本发明的优点：对生理信号进行睡眠分期时，提取每个生理分段片段信号的多模态信号特征，基于所提取的多模态信号特征，可充分利用睡眠过程中不同模态生理信号中蕴含的丰富信息，对最终的睡眠阶段分类起到了积极的效果；41、为了解决睡眠过程中生理信号的动态变化的信息，本发明使用跨相邻样本融合，将相邻样本的多模态信号特征与当前样本的多模态信号特征相结合，有效地考虑到了上下文信息，提高了所提取多模态信号特征的表达能力，进一步提升了分类精度；为了解决特征维度高，特征冗余的问题，本发明使用了特征选择支持向量机对生理信号融合特征进行特征选择，在特征选择的过程中降低所生理信号融合特征的冗余性，既能降低特征维度，又能提升特征质量，提高分类效果。42、此外，对生理信号选择特征集，使用睡眠分期识别支持向量机作为分类器，在对睡眠分期分类时，实现比较简单，具有良好的泛化能力且能够较好地解决小样本、高维度等问题，提高了睡眠分期的可靠性。。