本技术涉及基于多视图融合和改进稠密连接网络的睡眠分期方法包括,获取单通道睡眠EEG数据作为初始数据集;对所述初始数据集进行预处理,形成三通道二维时频谱图作为目标数据集;以稠密连接网络为基准构建改进的稠密连接网络作为睡眠分期网络模型;将目标数据集送入所构建的网络模型中完成睡眠分期判别。本发明针对睡眠脑电频率成分复杂、微弱动态信息难以捕捉及受试者个体差异大的问题,将单通道EEG信号所生成的二维时频谱图作为主特征信息通路,并借助FNS和LNDP方法生成相应的谱图辅以增强EEG信号的局部动态信息表征,使改进的稠密连接网络能够进行更全面的谱图信息感知,从而提升睡眠分期性能。
背景技术
睡眠是日常生活中一项至关重要的生理过程,对个人身心健康具有深远的影响。睡眠质量的监测与跟踪引起了广泛关注,睡眠分期是评估睡眠质量的一项重要手段。
专家手工的睡眠评分过程费时费力且具有主观性,目前已有多项研究基于单通道EEG信号进行自动睡眠分期。目前主要分为两类:一是利用特定算法从EEG信号中提取手动设计的特征,尽管能捕获相关信息,但需要深入理解睡眠信号,且提取的特征可能因个体差异而导致分期模型的泛化性能不佳;二是通过深度学习模型自动学习EEG特征,这种方法对特征具有很好的表达能力,且避免了复杂的特征工程。然而,睡眠分期技术仍面临挑战,如受试者个体差异大,以及模型对睡眠脑电局部隐匿动态的表征能力受限。
实现思路