一种自动睡眠分期方法、系统、装置及存储介质

本发明涉及睡眠分析，尤其涉及一种自动睡眠分期方法、系统、装置及存储介质。

背景技术：

1、睡眠是人的重要生理活动之一。睡眠不足以及睡眠质量低会直接导致各种生理和精神疾病，例如睡眠呼吸暂停综合征、抑郁症、认知功能下降等。睡眠状态分期可以作为分析和评估患者睡眠质量的有效方法。在临床上，采用多导睡眠图(psg)记录患者睡眠过程中的多模态生理信号。psg包含多种多模态生理信号，例如脑电图(eeg)，眼电图(eog)，肌电图(emg)等。目前最为常用的分期方法将睡眠状态划分为五类：快速眼动期(rem)、3类非快速眼动期(nrem)、清醒期(wake)。目前的人工分期法主要通过睡眠专家观察psg各个生理信号的波形进行标定，这种分期方法要求睡眠专家耗费大量时间对海量psg片段进行专业判断，同时存在主观性的问题。因此，一套基于多模态生理信号特征融合的自动睡眠阶段分期方案具有重要的意义。

2、在实际应用中，单一模态的生理信号往往无法全面反映人体的生理状态，而不同模态的生理信号携带的信息具有一定的互补性。多模态生理信号融合可以充分利用各种信号的互补性，降低误诊率。常见的生理信号融合方法首先提取生理信号的各种特征，然后基于深度学习方法将各种生理信号的特征融合，主要方法包括特征拼接、卷积神经网络(cnn)、基于注意力机制的融合方法(attention-based fusion)、双线性池化融合等。

3、现有的自动睡眠分期方案，主要是采集多模态人体生理信号，提取生理信号的特征，由机器学习算法和深度学习算法来识别各睡眠阶段。但是，现有的技术方案存有以下缺陷：1)psg主要包含多个脑电通道，而部分模态只有少量通道，存在模态信息量不平衡的问题。2)没有考虑多模态生理信号间的高阶关联关系，即各个生理信号间对睡眠阶段的协同关联，在因此存在信息融合不充分的问题。3)现有的自动睡眠阶段分期忽视了采集群体不同引发的数据分布差异问题，使部分群体的分期效果存在误差。

技术实现思路

1、为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于多模态超图融合网络的自动睡眠分期方法、系统、装置及存储介质。

2、本发明所采用的第一技术方案是：

3、一种自动睡眠分期方法，包括以下步骤：

4、获取被测者睡眠时的多导睡眠图；

5、根据多导睡眠图提取生理信号特征，对生理信号特征进行对抗增强处理，获得增强生理信号特征；

6、基于增强生理信号特征，学习多模态生理信号之间的高阶关联关系，根据高阶关联关系进行多模态融合，并获取睡眠阶段分类结果。

7、进一步地，所述获取被测者睡眠时的多导睡眠图，包括：

8、采集被试者多种模态的生理信号，所述生理信号包括脑电信号(eeg)、眼动信号(eog)、肌电信号(emg)、心电信号(ecg)；

9、对采集的多种模态的生理信号进行放大处理和滤波处理，获得多导睡眠图。

10、进一步地，所述根据多导睡眠图提取生理信号特征，对生理信号特征进行对抗增强处理，获得增强生理信号特征，包括：

11、将所述多导睡眠图以预设周期进行时间片段分割后，进行特征提取，获得生理信号特征；其中，提取的特征包括功率谱密度特征、微分熵特征、频率域统计特征；

12、根据获得的生理信号特征，基于生成对抗网络进行跨模态生理信号数据转换，最终基于通道特征混合技术对各个生理信号进行特征混合，获得增强生理信号特征。

13、进一步地，所述生成对抗网络包括判别器d和各个模态对应的编码器、解码器；

14、定义编码后模态m1的特征分布为：

15、

16、式中，是编码器方程，θm1是该方程的参数；p(xm1)是编码前模态m1的特征的分布；xm1是模态m1的初始特征，即模态m1未经过对抗增强的生理信号特征；是经过编码后模态m1的特征；

17、所述判别器d用于判别各个编码器生成的模态特征是否为对应模态，定义判别损失函数为：

18、

19、其中定义错误对抗损失函数为：

20、

21、定义正确对抗损失函数为：

22、

23、式中，为经过编码后模态m2的特征，为经过编码后模态m3的特征，w为可训练的参数，d为判别器；

24、所述解码器的表达式为：

25、

26、式中，是解码器方程，θdm1是该方程的参数；是经过解码后模态m1的特征的分布；是经过解码器解码后模态m1的特征；

27、对于解码器，定义重构损失：

28、

29、式中，为经过解码器解码后的多模态生理信号特征，xf为未经编码和解码的生理信号特征，||||2为l2范数；

30、将编码后的各个模态的特征进行通道混合增强，定义增强后模态m1的特征为：

31、

32、式中，a和b是可学习的参数，m(xm1)是增强后模态m1的生理信号特征；

33、经过通道混合增强后，得到增强生理信号特征。

34、进一步地，所述基于增强生理信号特征，学习多模态生理信号之间的高阶关联关系，根据高阶关联关系进行多模态融合，并获取睡眠阶段分类结果，包括：

35、通过构建超图融合模块，以对增强生理信号特征进行多模态融合，并输出睡眠阶段分类结果；

36、其中，所述超图融合模块包括超图卷积层、图特征读取层、睡眠阶段分类层；所述超图融合模块的工作方式如下：

37、将每个时间片段的增强生理信号特征作为超图节点的特征，输入到超图卷积层中；

38、超图卷积层经过模型训练自适应学习到超图节点之间的超边，学习到生理信号的高阶关联关系，反映睡眠过程中各个生理器官的协同作用；以及基于信息传递机制更新超图节点特征；

39、将更新后的超图节点特征输入图特征读取层，读取超图特征，并通过睡眠阶段分类层对超图表征进行分类，得到对应睡眠阶段分类结果。

40、进一步地，所述自动睡眠分期方法还包括对超图融合模块进行微调的步骤：

41、对于新的被测者群体的多模态生理信号，采样部分数据并进行人工标注，并与超图融合模块计算出的分类结果进行比对，计算分类准确率；

42、若分类准确率低于预设阈值，对超图融合模块进行模型微调，并得出分类结果；

43、将被测者睡眠状态数据存入数据库中。

44、进一步地，所述自动睡眠分期方法还包括以下步骤：

45、根据睡眠阶段分类结果和预设数据库对被测者的睡眠质量进行分析。

46、本发明所采用的第二技术方案是：

47、一种自动睡眠分期系统，包括：

48、多导睡眠图采集模块，用于获取被测者睡眠时的多导睡眠图；

49、生理信号对抗增强模块，用于根据多导睡眠图提取生理信号特征，对生理信号特征进行对抗增强处理，获得增强生理信号特征；

50、超图融合模块，用于基于增强生理信号特征，学习多模态生理信号之间的高阶关联关系，根据高阶关联关系进行多模态融合，并获取睡眠阶段分类结果。

51、本发明所采用的第三技术方案是：

52、一种自动睡眠分期装置，包括：

53、至少一个处理器；

54、至少一个存储器，用于存储至少一个程序；

55、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。

56、本发明所采用的第四技术方案是：

57、一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。

58、本发明的有益效果是：本发明通过对生理信号对抗增强得到信息量平衡后的生理信号数据，并通过数据融合以实现自动睡眠状态检测，提升了预测准确度。另外，对采集得到的多模态生理信号特征进行模态间高阶关联捕获，有效利用多模态生理信号的冗余信息和关联信息进行特征融合，是一种准确可靠的多模态数据融合方法。