本技术方案提出了一种结合残差网络和多级注意力机制的脑电信号自动睡眠分期方法,旨在提升睡眠监测的准确性。该方法涵盖以下关键步骤:S1,构建并预处理睡眠数据集;S2,构建基于残差网络的模型框架;S3,引入多级注意力机制以增强特征提取能力;S4,训练模型并进行睡眠分期。该技术有助于提高睡眠分期的自动化水平,具有重要的临床应用价值。
背景技术
睡眠对人体健康非常重要,在日常生活中维持最佳认知和情绪功能等方面起着至关重要的作用。随着越来越多的人面临睡眠问题,准确评估睡眠质量以确保及时进行医疗干预变得重要。睡眠分期是睡眠研究的首要任务,通过各种生理信号对人体睡眠状态进行分期,是客观评估睡眠质量的一种有效方法。
临床上通常使用多导睡眠图(PSG)分析患者的睡眠模式,被广泛视为睡眠分期的金标准,它可记录脑电图(EEG)、肌电图(EOG)、肌电图(EMG)、心电图(ECG)等多种电生理信号。睡眠专家根据30秒睡眠数据的特征对睡眠进行分期,美国睡眠医学协会(AASM)将睡眠阶段分为五个阶段:清醒(W)、N1、N2、N3和快速眼动(REM)(Berry等,2017)。但人工睡眠分期不仅费时费力,而且分类结果易受专家主观性的影响,因此使用自动睡眠分期技术非常重要。
许多研究使用机器学习算法进行睡眠分期,通常涉及特征工程以提取时间域、频域、时频域等相关特征。然后使用随机森林)、支持向量机和决策树等分类器对提取的睡眠特征进行分类,这需要领域知识,并且可能导致信息丢失。并且可选择的特征类型众多,存在难以选择特征的问题。
近年来深度学习方法在自动睡眠分期任务中取得了良好的效果,模型在准确率上展现出与睡眠专家相当的表现。卷积神经网络(CNN)用于提取睡眠信号的时频特征,而循环神经网络(RNN)、改进的长短期记忆(LSTM)网络)和门控循环单元网络(GRU)用于学习睡眠分期之间的时间依赖性和切换规则。此类方法不依赖专家经验,可以减少临床医生工作量,虽然目前各类深度学习模型已被应用于睡眠分期任务,但是仍存在一些问题:为了充分提取睡眠特征而加深网络深度会导致梯度下降,单独的通道注意力忽略了同一通道中的空间信息对模型分类性能的贡献,GRU网络可以利用其门控机制缓解长时间序列中的信息丢失问题,但无法凸显长序列中的重要信息,会削弱网络学习睡眠分期转换规律的能力。
实现思路