基于多粒度特征融合的睡眠阶段分类方法及系统

本发明涉及一种睡眠阶段分类识别方法，特别涉及一种基于多粒度特征融合的睡眠阶段分类方法及系统，属于信号处理和医疗保健信息识别。背景技术：1、睡眠是人类必须的生理活动，充足的睡眠能够使人从疲劳的状态中恢复过来，使人保持良好的状态。目前，随着信息时代的高速发展，学习、生活和工作等压力变大，人们的睡眠问题日益凸显，逐渐成为社会焦点问题。睡眠阶段是进行睡眠质量打分或睡眠相关疾病诊断过程中十分重要的一步，专业医师需要观察患者整夜的睡眠数据并进行睡眠阶段分类和评估，这无疑是一项费时费力的诊断工作。随着人工智能的不断发展，使用计算机辅助诊疗技术提升医生工作效率方面的研究也在不断深入。对于睡眠分期这样工作量繁重的任务，自动化睡眠脑电信号分析方法的发展和应用对于减轻医生的工作负担十分必要。目前对于睡眠阶段分类的研究主要针对于单一脑电信号或非脑电信号进行相关信号处理分类，这样会导致特征信号提取不完整而出现误差。2、脑电信号是大脑神经元活动产生的电信号，神经元通过突触连接彼此，形成复杂的神经网络。当神经元激活时，会产生生物电现象，这些电信号可以通过电极放置在头皮上或直接植入大脑来捕捉。脑电信号是比较微弱的，并且容易受到其他外来信号的干扰，因此对脑电信号的采集和噪声滤波是较为困难的问题，同样的肌电信号和眼电信号也面临着采集和去噪困难的问题。另外对于睡眠生物信号大多采用单一的维度特征，没有考虑多个维度之间的相关性；为了睡眠阶段分类的准确性，多信号多维度特征信号的筛选和融合很有必要。技术实现思路1、本发明的目的是克服现有技术不足而提供一种基于多粒度特征融合的睡眠阶段分类方法，该方法能够有效提升睡眠阶段的分类精度和分类性能。2、本发明采取的技术方案为：3、基于多粒度特征融合的睡眠阶段分类方法，包括步骤如下：4、s1.通过传感器获取用户睡眠过程中生理信号，包括脑电信号eeg、眼电信号eog和肌电信号emg；5、s2.对用户睡眠过程中采集到的eeg、eog、emg进行数据预处理；6、s3.将预处理后的生理信号经经验模态分解后利用希尔伯特变换进行时频特征提取，获取有表征信息的时频矩阵，然后输入到基于3d-cnn搭建的特征学习网络etn中提取脑电信号、眼电信号、肌电信号的睡眠高阶特征；7、s4.将高阶特征分别输入并行的三分支网络全局通道特征提取网络、局部特征提取网络、全局空间特征提取网络，提取eog、emg和eeg信号的局部和全局特征，获取更全面的特征信息；8、s5.采用过滤法筛选每个通道的特征，并采用注意力感知机制网络融合三分支网络中输出的特征；9、s6.融合后特征输入采用全连接和softmax函数组成的分类网络，实现对睡眠阶段的分类。10、上述方法中，步骤s2所述的预处理为对脑电信号、眼电信号和肌电信号进行信号段分割、去除噪声和伪迹以及去除基线漂移预处理。11、步骤s3所述的时频特征提取是将eeg、eog、emg信号划分为多个子段，利用时频分析方法希尔伯特黄变换hht将这些数据子段 m( t)分别转换为时频矩阵数据，希尔伯特黄变换hht步骤包括经验模态分解（emd）和希尔伯特变换（ht），具体步骤如下所示： 12、（1）找到信号 m( t)的极大值和极小值，通过三次样条拟合得到上、下包络线，计算其均值得； 13、（2）得到第一个分量，检查其是否满足模态分量（ imf）的条件：a. h1( t)的极大值点和过0点数量相差不超过1个；b.  h1( t)的上、下包络线均值恒为0；若不满足，重复操作步骤（1）、（2）直到满足 imf条件的模态分量 c1( t)； 14、（3）原始信号减去第一模态分量，得到信号，将 r1( t)当作新的“原始信号”，重复以上操作，直至 r n( t)为单调函数或者只存在一个极点为止，原信号便被分为若干经验模态分量 c i( t)和一个残余信号，原始信号被表示为； 15、（4）对于每一个 imf分量 c i( t)求其希尔伯特变换（ht）：， 16、根据以下公式求取相应 imf分量的瞬时频率 a i( t)和瞬时幅度 w i( t)， 17、，18、，19、其中， c i( t)表示 m( t)的每一个 imf分量，表示输入信号的希尔伯特变换，d()/dt表示微分，arctan表示arctan函数；将原始信号表示为： 20、，21、在经过 n次emd分解后，残余信号为常数或单调函数，对信号提取没有实质影响，故舍去。 22、步骤s3所述的特征学习网络etn通过3dcnn的卷积操作，学习不同时间尺度下相同感受野范围内的信号时频特征信息，构建的etn网络中共包含四个卷积层和三个池化层，卷积层均用于学习数据的高阶特征，其中设置三种尺寸不同的3d卷积核，大小分别为255、233、211，而网络中卷积核的尺寸大小依次分别为255、233、233、211，另外，网络中conv3d_1、conv3d_3和conv3d_4三个卷积层还用于增加特征图的数量。23、步骤s4所述的全局通道特征提取网络将输入特征先通过残差卷积模块进行特征向量重塑，分别得到特征向量 f e和 f f，然后对 f e和 f f进行矩阵叉乘得矩阵 r c，矩阵 r c经池化层平均化处理得到表示每个通道和全部通道之间的全局关系的一维向量，采用softmax函数将所有全局关系转换为每个通道的权重，将权重与输入特征相乘输出全局通道特征。残差卷积模块有两个卷积层，一个是11卷积层，一个是33卷积层，两次卷积后的信号与输入相加再进入激活函数。 24、全局通道特征提取网络的输入特征， c表示输入信号的通道数， h、 w表示单个通过残差卷积模块道的数据宽度和长度，具体计算步骤如下： 25、（1）输入信号输入 e( z)，先进行11卷积降维，提高模型的表达能力，同时减少33卷积核所需的参数量，再进行33卷积增大接收域，减少参数的数量，再将输入与两次卷积后的信号相加，得到 f e； 26、（2）输入信号再输入 f ( z)， f( z)计算与 e( z)相同，输入信号经 f( z)后得到 f f，然后对 f e和 f f进行矩阵叉乘，得到； 27、（3）将关系平均池化应用于矩阵 r c，得到一个向量， r中的元素表示每个通道和全部通道之间的全局关系， r中的元素计算公式为： 28、，29、其中， k表示 r向量中的第 k个元素， j表示第 j个通道； 30、（4）采用softmax函数将所有全局关系转换为每个通道的权重，计算公式为：31、，32、其中， p表示通道的权重， 33、（5）将权重与输入特征相乘输出全局通道特征 fc： 34、。35、所述的局部特征提取网络是将输入特征经过平均池化操作后进入特征分割，特征分割是对eeg、eog、emg三个信号的特征信号进行分割，先经过粒度分割函数分为三个特征向量，再经全连接层（fc）进行分类，生成三个特征向量f1、f2、f3。36、所述的全局空间特征提取网络将步骤s3的输出特征f作为局部模块的输入，先经特征环形分割，环形分割是采用不同的矩形窗口，将输入特征信号切割为n个不重叠的特征层fn，再使用平均池化层将每个环特征层转换为列特征描述符 f n。 37、步骤s5中所述的过滤法筛选过程为：38、使用互信息的计算公式，针对每个特征f与目标变量y计算互信息值：39、，40、其中， p( f, y)表示特征 f和目标变量 y的联合概率分布， p( f)和 p( y)分别表示特征 f和目标变量 y的边缘概率分布； 41、根据计算出的互信息值，将所有特征按照与目标变量的互信息值从大到小进行排序，根据排序结果，选择互信息值最高的前n个特征。42、步骤s5中所述的采用注意力感知机制融合特征，过程为：43、（1）将特征信号输入到注意力感知机制层，首先对输入的数据在粒度通道方向上进行拼接，并使用一个全局平均池化gap操作保留输入特征的粒度通道数目，将特征进行归一化，获得不同粒度特征上的指向信息：44、，45、其中，mg表示粒度通道数目，m×n表示特征图的尺寸大小，表示特征图上的每个像素的数值；46、（2）设置两个线性层来学习不同粒度特征的信息价值权重，两个线性层的激活函数分别是relu函数和sigmoid函数：47、，48、其中， w1和 w2分别表示两个线性层的权值， δ(•)和σ(•)分别表示relu函数和sigmoid函数； 49、（3）对原始输入数据进行注意力权重分配，并沿粒度通道维度求和得到融合后的输出 fusion： 50、，51、其中， fusion表示某一粒度特征基于注意力权重缩放后的数据， weight mg表示某一粒度特征施加注意力权重之前的数据（即在粒度通道方向上进行拼接的特征数据），mg表示粒度通道数目、  xmg表示mg通道的信号。 52、本发明的另一目的是提供用于实现上述方法的基于多粒度特征融合的睡眠阶段分类系统，包括：53、睡眠数据采集单元，用于获取用户在睡眠过程中的脑电信号、眼电信号和肌电信号；54、信号预处理单元，用于对采集到的用户在睡眠过程中的脑电信号、眼电信号和肌电信号进行段分割、滤除干扰噪声、去除基线漂移和干扰伪迹处理；55、特征提取单元，用于对脑电信号、眼电信号、肌电信号的时频特征提取、睡眠高阶特征提取、局部和全局特征的提取；56、特征融合单元，用于对提取的局部和全局特征的融合；57、分类单元，用于实现睡眠阶段的分类。58、本发明的有益效果是：59、（1）本发明采用脑电信号和非脑电信号（肌电信号和眼电信号）为输入信号，避免了脑电信号区分快速眼动期（rem）和非快速眼动期（nrem）正确率低的问题；60、（2）本发明采用hht提取eeg、eog和emg的时频域特征信号，并对所提取的特征信号输入基于3dcnn搭建etn子网络获取高阶张量，高阶张量作为一种多维数据结构，能够完整地表示eeg、eog和emg信号中的这些多维信息，从而保留更多的原始数据细节，另外高阶张量作为一种非线性分析工具，能够提取eeg信号中的非线性特征，从而更好地理解和分析大脑活动的本质；61、（3）本发明采用三分支网络获取局部特征和全局特征，局部特征提供了详细的信息，而全局特征提供了整体的概览，结合使用这两种特征可以更全面地理解和分析睡眠过程中的相关信号；62、（4）本方采用互信息量过滤法和注意力感知机制融合特征，采用互信息量过滤法去除每个通道相关性较弱的特征，然后对筛选过的特征信号进行注意力感知机融合特征，这样避免了不相关特征信号的干扰，从而获取相关性更高的特征信息，使得睡眠阶段的分类效果更加地准确。63、本发明方法首先利用hht进行时频特征提取，获取有表征信息的时频矩阵，进一步通过etn网络中提取脑电信号、眼电信号、肌电信号多通道数据的睡眠高阶特征张量，进一步采用三分支网络完成对全局和局部特征获取更全面的特征信息；最后在融合分类部分对每个通道进行自信息过滤法筛选的特征，并利用注意力感知模块对不同通道之间的特征信息进行融合，本发明方案能够有效提升睡眠阶段的分类精度和分类性能。