本發(fā)明屬于自動(dòng)睡眠分期領(lǐng)域，具體涉及一種基于多尺度特征提取的自動(dòng)睡眠分期方法及系統(tǒng)。

背景技術(shù)：

1、在睡眠狀態(tài)研究領(lǐng)域中，睡眠分期一直是健康睡眠研究的熱點(diǎn)。盡管利用特征選擇以及數(shù)據(jù)增強(qiáng)可有效提升睡眠分期的準(zhǔn)確率，但使用單一的卷積神經(jīng)網(wǎng)絡(luò)(cnn)無(wú)法提取到更深層的圖像特征。現(xiàn)在人們對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)的改進(jìn)方法大多是簡(jiǎn)單直接地增加層數(shù)和寬度，從而提升了網(wǎng)絡(luò)的特征提取能力。但這種做法會(huì)導(dǎo)致網(wǎng)絡(luò)層數(shù)越深、參數(shù)越多，在反向傳播時(shí)很容易出現(xiàn)梯度消失的問(wèn)題，網(wǎng)絡(luò)訓(xùn)練難度加大。因此，為提高睡眠分期的準(zhǔn)確率，需對(duì)網(wǎng)絡(luò)訓(xùn)練提出進(jìn)一步的優(yōu)化，提取到更深層次的圖像特征。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種基于多尺度特征提取的自動(dòng)睡眠分期方法及系統(tǒng)，通過(guò)一種深層次特征提取的模型，可以利用多尺度卷積結(jié)合se通道注意力模塊加強(qiáng)整體的通道特征，增強(qiáng)模型性能，提高睡眠分期的準(zhǔn)確率。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種基于多尺度特征提取的自動(dòng)睡眠分期方法，包括以下步驟：

4、獲取被試者的腦電時(shí)頻圖并進(jìn)行預(yù)處理；

5、基于inception網(wǎng)絡(luò)與se模塊搭建多尺度自動(dòng)睡眠分期模型；

6、將預(yù)處理后的所述腦電時(shí)頻圖輸入所述多尺度自動(dòng)睡眠分期模型，獲得睡眠分期結(jié)果。

7、優(yōu)選的，所述多尺度自動(dòng)睡眠分期模型包括：特征級(jí)聯(lián)組模塊以及分類模塊；

8、所述特征級(jí)聯(lián)組模塊用于利用不同尺度的卷積塊提取不同維度特征，并通過(guò)對(duì)不同維度特征進(jìn)行拼接，獲得最終的特征圖；

9、所述分類模塊用于基于所述最終的特征圖，獲得睡眠分期的結(jié)果。

10、優(yōu)選的，所述特征級(jí)聯(lián)組模塊包含三部分，分別為：淺層特征提取子模塊、多尺度特征提取子模塊、深層特征提取子模塊；

11、所述淺層特征提取子模塊用于基于預(yù)處理后的腦電時(shí)頻圖，提取淺層特征并進(jìn)行降維，獲得淺層特征圖；

12、所述多尺度特征提取子模塊用于基于所述淺層特征圖，提取不同尺度的圖像特征并進(jìn)行融合，獲得融合的特征圖；

13、所述深層特征提取子模塊用于基于所述融合的特征圖，經(jīng)過(guò)三次卷積和特征融合后，獲得最終的特征圖。

14、優(yōu)選的，基于預(yù)處理后的腦電時(shí)頻圖，提取淺層特征并進(jìn)行降維，獲得淺層特征圖的過(guò)程包括：

15、將預(yù)處理后的腦電時(shí)頻圖通過(guò)小波時(shí)頻變換為96*96*3大小的二維時(shí)頻圖作為輸入，經(jīng)過(guò)兩個(gè)大小為3*3*64的卷積核串聯(lián)組成的二維卷積層進(jìn)行淺層特征提取，利用最大池化層進(jìn)行特征降維，輸出尺度為48*48*64的特征圖。

16、優(yōu)選的，基于所述淺層特征圖，提取不同尺度的圖像特征并進(jìn)行融合，獲得融合的特征圖的過(guò)程包括：

17、將經(jīng)過(guò)淺層特征提取模塊輸出的尺度為48*48*64的特征圖作為輸入，通過(guò)3*3，5*5，7*7不同大小的卷積核對(duì)不同尺度的圖像特征進(jìn)行提取，并通過(guò)并行操作和1*1卷積核，獲得經(jīng)過(guò)多尺度特征提取后融合的特征圖。

18、優(yōu)選的，基于所述融合的特征圖，經(jīng)過(guò)三次卷積和特征融合后，獲得最終的特征圖的過(guò)程包括：

19、結(jié)合vgg網(wǎng)絡(luò)，使用3*3卷積核，搭建深層網(wǎng)絡(luò)；并在深層網(wǎng)絡(luò)的基礎(chǔ)上結(jié)合se注意力機(jī)制，動(dòng)態(tài)地學(xué)習(xí)每個(gè)通道的重要性，賦予每個(gè)通道不同的權(quán)重值，獲得最終的特征圖。

20、本發(fā)明還提供了一種基于多尺度特征提取的自動(dòng)睡眠分期系統(tǒng)，包括：采集模塊、構(gòu)建模塊和分類模塊；

21、所述采集模塊用于獲取被試者的腦電時(shí)頻圖并進(jìn)行預(yù)處理；

22、所述構(gòu)建模塊用于基于inception網(wǎng)絡(luò)與se模塊搭建多尺度自動(dòng)睡眠分期模型；

23、所述分類模塊用于將預(yù)處理后的所述腦電時(shí)頻圖輸入所述多尺度自動(dòng)睡眠分期模型，獲得睡眠分期結(jié)果。

24、優(yōu)選的，所述多尺度自動(dòng)睡眠分期模型包括：特征級(jí)聯(lián)組模塊以及分類模塊；

25、所述特征級(jí)聯(lián)組模塊用于利用不同尺度的卷積塊提取不同維度特征，并通過(guò)對(duì)不同維度特征進(jìn)行拼接，獲得最終的特征圖；

26、所述分類模塊用于基于所述最終的特征圖，獲得睡眠分期的結(jié)果。

27、優(yōu)選的，所述特征級(jí)聯(lián)組模塊包含三部分，分別為：淺層特征提取子模塊、多尺度特征提取子模塊、深層特征提取子模塊；

28、所述淺層特征提取子模塊用于基于預(yù)處理后的腦電時(shí)頻圖，提取淺層特征并進(jìn)行降維，獲得淺層特征圖；

29、所述多尺度特征提取子模塊用于基于所述淺層特征圖，提取不同尺度的圖像特征并進(jìn)行融合，獲得融合的特征圖；

30、所述深層特征提取子模塊用于基于所述融合的特征圖，經(jīng)過(guò)三次卷積和特征融合后，獲得最終的特征圖。

31、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

32、本發(fā)明提供了一種基于多尺度特征提取的自動(dòng)睡眠分期方法及系統(tǒng)，可在inception系列模型的基礎(chǔ)上，根據(jù)不同大小的卷積核和池化操作來(lái)提取圖像的不同尺度的特征，然后將這些特征合并在一起，以豐富網(wǎng)絡(luò)對(duì)圖像的理解；可用se模塊引入對(duì)通道間的注意力機(jī)制，自適應(yīng)地學(xué)習(xí)并加強(qiáng)對(duì)于重要特征的關(guān)注，抑制對(duì)于不重要特征的關(guān)注；可通過(guò)在原始cnn網(wǎng)絡(luò)的基礎(chǔ)上結(jié)合inception多尺度特征提取模塊、se模塊以及vgg網(wǎng)絡(luò)結(jié)構(gòu)搭建了多尺度特征提取分期模型，通過(guò)對(duì)不同大小數(shù)量的卷積核組合、不同模型組合方式、不同網(wǎng)絡(luò)模型的分類效果以及數(shù)據(jù)集平均化前后的分類準(zhǔn)確率對(duì)比驗(yàn)證改進(jìn)多尺度特征提取模型的有效性。本申請(qǐng)通過(guò)對(duì)原始網(wǎng)絡(luò)模型進(jìn)行組合優(yōu)化改進(jìn)及，達(dá)到提高自動(dòng)睡眠分期的準(zhǔn)確率。

技術(shù)特征：

1.一種基于多尺度特征提取的自動(dòng)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所述的基于多尺度特征提取的自動(dòng)睡眠分期方法，其特征在于，所述多尺度自動(dòng)睡眠分期模型包括：特征級(jí)聯(lián)組模塊以及分類模塊；

3.根據(jù)權(quán)利要求1所述的基于多尺度特征提取的自動(dòng)睡眠分期方法，其特征在于，所述特征級(jí)聯(lián)組模塊包含三部分，分別為：淺層特征提取子模塊、多尺度特征提取子模塊、深層特征提取子模塊；

4.根據(jù)權(quán)利要求3所述的基于多尺度特征提取的自動(dòng)睡眠分期方法，其特征在于，基于預(yù)處理后的腦電時(shí)頻圖，提取淺層特征并進(jìn)行降維，獲得淺層特征圖的過(guò)程包括：

5.根據(jù)權(quán)利要求3所述的基于多尺度特征提取的自動(dòng)睡眠分期方法，其特征在于，基于所述淺層特征圖，提取不同尺度的圖像特征并進(jìn)行融合，獲得融合的特征圖的過(guò)程包括：

6.根據(jù)權(quán)利要求3所述的基于多尺度特征提取的自動(dòng)睡眠分期方法，其特征在于，基于所述融合的特征圖，經(jīng)過(guò)三次卷積和特征融合后，獲得最終的特征圖的過(guò)程包括：

7.一種基于多尺度特征提取的自動(dòng)睡眠分期系統(tǒng)，其特征在于，包括：采集模塊、構(gòu)建模塊和分類模塊；

8.根據(jù)權(quán)利要求7所述的基于多尺度特征提取的自動(dòng)睡眠分期系統(tǒng)，其特征在于，所述多尺度自動(dòng)睡眠分期模型包括：特征級(jí)聯(lián)組模塊以及分類模塊；

9.根據(jù)權(quán)利要求7所述的基于多尺度特征提取的自動(dòng)睡眠分期系統(tǒng)，其特征在于，所述特征級(jí)聯(lián)組模塊包含三部分，分別為：淺層特征提取子模塊、多尺度特征提取子模塊、深層特征提取子模塊；

技術(shù)總結(jié)
本發(fā)明公開了一種基于多尺度特征提取的自動(dòng)睡眠分期方法及系統(tǒng)，包括以下步驟：獲取被試者的腦電時(shí)頻圖并進(jìn)行預(yù)處理；基于Inception網(wǎng)絡(luò)與SE模塊搭建多尺度自動(dòng)睡眠分期模型；將預(yù)處理后的所述腦電時(shí)頻圖輸入所述多尺度自動(dòng)睡眠分期模型，獲得睡眠分期結(jié)果。本發(fā)明通過(guò)一種深層次特征提取的模型，可以利用多尺度卷積結(jié)合SE通道注意力模塊加強(qiáng)整體的通道特征，增強(qiáng)模型性能，提高睡眠分期的準(zhǔn)確率。

技術(shù)研發(fā)人員：黃玲,范鵬飛,嚴(yán)順楊,鄭博文,安會(huì)鋒
受保護(hù)的技術(shù)使用者：蘭州理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6