睡眠中K-复合波检测方法、装置、设备及存储介质

本申请涉及睡眠监测，尤其涉及一种睡眠中k-复合波检测方法、装置、设备及存储介质。

背景技术：

1、对于eeg（electroencephalogram，脑电波）中k-复合波的检测，能想到最普遍的自动化检测方法是使用深度神经网络提取eeg的形态特征与时间跨度上的动态关联，然后使用多层感知机分类器进行分类，继而判断当前波形片段中是否存在k-复合波。但是在实际医疗场景中往往会使用从患者脑部多个位置的电极片获得的eeg进行检测判断，即输入神经网络的数据是多通道的，且只要任意一条通道的eeg被检测出k-复合波就可以判定出现了k-复合波。在多通道的背景下，如果直接用网络进行对数据进行特征提取，特征空间的分布难免会出现各向异性的情况，各向异性空间中的数据存在着分布不均匀、语义关系不明确等问题，继而导致分类器的判断准确率对比单通道数据背景下的结果发生明显下降。而如果将数据按通道分别输入模型进行判别，虽然能保证判断精度不下降，但在患者几小时时长的数据面前，检测的速度会发生显著下降。

技术实现思路

1、针对上述技术问题，本申请的目的在于提供一种睡眠中k-复合波检测方法、装置、设备及存储介质，旨在解决对多通道eeg进行检测时特征空间产生的各向异性导致分类器的判断准确率降低以及将数据按通道分别输入模型进行判别检测的速度会发生显著下降的技术问题，实现提升k-复合波检测的准确性和速度。

2、第一方面，本申请实施例提供一种睡眠中k-复合波检测方法，包括：

3、将n个通道的eeg数据输入k-复合波检测模型；其中，所述k-复合波检测模型包括卷积神经网络、带跳跃连接的下采样网络、特征融合提取网络、标准化流和分类器；其中，所述下采样网络中的跳跃连接将下采样网络的各层输出提供给所述特征融合提取网络；

4、所述n个通道的eeg数据依次经过所述卷积神经网络、所述带跳跃连接的下采样网络和所述特征融合提取网络处理后输出第一隐编码；

5、使用标准化流对所述第一隐编码所在的向量空间进行变换，得到服从标准高斯分布的第二隐编码；

6、将所述第二隐编码输入所述分类器进行处理，处理后输出对当前eeg片段是否存在k-复合波的判断结果。

7、进一步的，所述k-复合波检测模型在训练阶段使用负对数似然nll作为标准化流的损失函数，标准化流的nll表示为：

8、

9、其中，z为第一隐编码，为标准化流的反向过程，为输入数据的复杂分布，为标准正态分布，为标准化流反向过程对应的雅可比行列式值的对数。

10、进一步的，所述k-复合波检测模型还包括伪影消除模块，所述n个通道的eeg数据在经过所述卷积神经网络之前，还经过所述伪影消除模块，所述伪影消除模块用于对所述n个通道的eeg数据进行伪影消除处理，并将伪影消除处理结果输入所述卷积神经网络。

11、进一步的，所述卷积神经网络包括一个二维卷积层、一个全连接层和激活函数；所述二维卷积层对输入的时间维t和通道维ｎ进行卷积下采样操作，然后二维卷积层的输出依次经过所述全连接层和所述激活函数处理后，将其输出结果输入述带跳跃连接的下采样网络。

12、进一步的，所述带跳跃连接的下采样网络包括n个串联的下采样模块，每个所述下采样模块均包括依次连接的全连接层、激活函数和门控循环单元gru；每个所述下采样模块的输出均输入所述特征融合提取网络以及下一个下采样模块。

13、进一步的，所述特征融合提取网络为双向特征金字塔网络，所述双向特征金字塔网络接收所述带跳跃连接的下采样网络各层级的下采样结果，并对所述各层级的下采样结果进行双向特征融合，最后经过一个多层感知机输出所述第一隐编码。

14、进一步的，所述分类器为多层感知机分类器。

15、第二方面，本申请实施例提供一种睡眠中k-复合波检测装置，所述装置包括：

16、输入模块，用于将n个通道的eeg数据输入k-复合波检测模型；其中，所述k-复合波检测模型包括卷积神经网络、带跳跃连接的下采样网络、特征融合提取网络、标准化流和分类器；

17、处理模块，用于所述n个通道的eeg数据依次经过所述卷积神经网络、所述带跳跃连接的下采样网络和所述特征融合提取网络处理后输出第一隐编码；

18、标准化流模块，用于使用标准化流对所述第一隐编码所在的向量空间进行变换，得到服从标准高斯分布的第二隐编码；

19、分类模块，用于将所述第二隐编码输入所述分类器进行处理，处理后输出对当前eeg片段是否存在k-复合波的判断结果。

20、第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的睡眠中k-复合波检测方法的步骤。

21、第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的睡眠中k-复合波检测方法的步骤。

22、本申请实施例引入标准化流、跳跃连接、多尺度特征融合等技术，有效地提升了k-复合波检测的准确性、速度和易用性。具体地，引入标准化流对特征融合提取网络输出的第一隐编码进行变换，使其服从标准高斯分布，而标准高斯分布是一个各向同性空间，而在各向同性的特征空间中，向量的分布均匀，且语义接近的向量在距离上也会更加接近，因此分类器能够做出更加精确的判别，从而提升了k-复合波检测的准确性。此外，本申请实施例在特征提取阶段使用了带跳跃连接的下采样网络和特征融合提取网络，且下采样网络中的跳跃连接将下采样网络的各层输出提供给所述特征融合提取网络，如此方式在有效提取了eeg信息的同时还大大提升了特征向量的语义丰富度，能够有效地提升k-复合波检测模型的判别精度。另外，传统k-复合波检测模型在面对多通道eeg数据时，为了不牺牲精确度，只能分通道一次次地进行检测，降低了检测速度，而本发明实施例提出的k-复合波检测模型在保持高精度的同时实现了多通道输入并整体判别的能力，提升检测速度，这使得该项技术在实际医学场景中的落地有了更大的可能性。

1.一种睡眠中k-复合波检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的睡眠中k-复合波检测方法，其特征在于，所述k-复合波检测模型在训练阶段使用负对数似然nll作为标准化流的损失函数，标准化流的nll表示为：

3.根据权利要求1所述的睡眠中k-复合波检测方法，其特征在于，所述k-复合波检测模型还包括伪影消除模块，所述n个通道的eeg数据在经过所述卷积神经网络之前，还经过所述伪影消除模块，所述伪影消除模块用于对所述n个通道的eeg数据进行伪影消除处理，并将伪影消除处理结果输入所述卷积神经网络。

4.根据权利要求1所述的睡眠中k-复合波检测方法，其特征在于，所述卷积神经网络包括一个二维卷积层、一个全连接层和激活函数；所述二维卷积层对输入的时间维t和通道维ｎ进行卷积下采样操作，然后二维卷积层的输出依次经过所述全连接层和所述激活函数处理后，将其输出结果输入述带跳跃连接的下采样网络。

5.根据权利要求1所述的睡眠中k-复合波检测方法，其特征在于，所述带跳跃连接的下采样网络包括n个串联的下采样模块，每个所述下采样模块均包括依次连接的全连接层、激活函数和门控循环单元gru；每个所述下采样模块的输出均输入所述特征融合提取网络以及下一个下采样模块。

6.根据权利要求1所述的睡眠中k-复合波检测方法，其特征在于，所述特征融合提取网络为双向特征金字塔网络，所述双向特征金字塔网络接收所述带跳跃连接的下采样网络各层级的下采样结果，并对所述各层级的下采样结果进行双向特征融合，最后经过一个多层感知机输出所述第一隐编码。

7.根据权利要求1所述的睡眠中k-复合波检测方法，其特征在于，所述分类器为多层感知机分类器。

8.一种睡眠中k-复合波检测装置，其特征在于，所述装置包括：

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的睡眠中k-复合波检测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的睡眠中k-复合波检测方法的步骤。