【技術實現步驟摘要】
本申請涉及睡眠分析，尤其涉及一種基于圖結構的睡眠分期方法和裝置、電子設備及存儲介質。
技術介紹
1、相關技術中，臨床上主要使用的睡眠分期分類方法是“金標準”多導睡眠圖(psg)，該多導圖可以監測多種生理信號。但是，這種分期方法的檢測過程費時且需要醫生進行手工數據判讀，導致分期結果存在一定的主觀性。而基于深度學習的圖神經網絡進行睡眠分期分類的方法由于在訓練層數上受限，導致訓練速度較慢，且圖卷積網絡只是按照具有頂點關系信息的卷積核在每層的全連接網絡上額外做一次過濾，未能充分利用節點之間的有效隱藏信息，導致睡眠分期結果的準確度不高。
2、綜上，相關技術中存在的技術問題有待得到改善。
技術實現思路
1、本申請實施例的主要目的在于提出一種基于圖結構的睡眠分期方法和裝置、電子設備及存儲介質，能夠有效提高睡眠分期結果的準確度。
2、為實現上述目的，本申請實施例的一方面提出了一種基于圖結構的睡眠分期方法，所述方法包括以下步驟：
3、獲取目標對象的多導睡眠監測生理信號；
4、對所述多導睡眠監測生理信號進行快速傅里葉變換，得到頻域信號；
5、將所述多導睡眠監測生理信號和所述頻域信號輸入基于圖結構的睡眠分期網絡模型，得到所述目標對象的睡眠分期結果；
6、其中，所述基于圖結構的睡眠分期網絡模型包括形態特征提取器、雙graphormer網絡和睡眠分類器；
7、所述將所述多導睡眠監測生理信號輸入基于圖結構的睡眠分期網絡模型，得
8、通過所述形態特征提取器提取所述多導睡眠監測生理信號的第一形態特征，以及通過所述形態特征提取器提取所述頻域信號的第二形態特征；
9、對所述第一形態特征和所述第二形態特征進行加權相加，得到第三形態特征；
10、將所述第三形態特征輸入所述雙graphormer網絡，得到所述多導睡眠監測生理信號的全局信息，所述全局信息包括空間特征信息和時間特征信息；
11、將所述全局信息輸入所述睡眠分類器，得到所述目標對象的睡眠分期結果。
12、在一些實施例中，所述形態特征提取器包括4個殘差模塊和1個共池層，4個所述殘差模塊依次連接后與所述共池層連接，每個所述殘差模塊均包括正卷積層和投影快捷連接層，4個所述殘差模塊中的卷積濾波器依次倍增。
13、在一些實施例中，所述雙graphormer網絡包括3個深度神經網絡模塊，3個所述深度神經網絡模塊依次串聯；第一個所述深度神經網絡模塊與自適應功能連接圖連接，第三所述深度神經網絡模塊與基于距離的連接圖連接；所述第三形態特征輸入第一個所述深度神經網絡模塊；所述全局信息通過第三個所述深度神經網絡模塊輸出。
14、在一些實施例中，每個所述深度神經網絡模塊均包括空間注意力機制模塊和時間通道注意力機制模塊，所述自適應功能連接圖與第一個所述深度神經網絡模塊中的所述空間注意力機制模塊連接，所述基于距離的連接圖與第三個所述深度神經網絡模塊中的所述空間注意力機制模塊連接，所述空間注意力機制模塊與所述時間通道注意力機制模塊連接。
15、在一些實施例中，所述空間注意力機制模塊包括中心性編碼、空間編碼和邊緣編碼；
16、所述中心性編碼用于捕獲語義相關性和生理信號重要性的熟練程度；
17、所述空間編碼用于引導增加生理信號中每個節點與相鄰節點的關注度；
18、所述邊緣編碼用于增強對邊緣特征的整合度。
19、在一些實施例中，所述時間通道注意力機制模塊用于對所述空間注意力機制模塊生成的空間信息特征圖進行聚合操作，得到第一時間特征，所述第一時間特征包括第二時間特征和第三時間特征，并將第一時間特征發送到所述睡眠分類器。
20、在一些實施例中，所述將所述全局信息輸入所述睡眠分類器，得到所述目標對象的睡眠分期結果，包括：
21、將所述全局信息輸入所述睡眠分類器，預測得到所述目標對象落入每個睡眠階段的分期預測概率作為所述睡眠分期結果。
22、為實現上述目的，本申請實施例的另一方面提出了一種基于圖結構的睡眠分期裝置，所述裝置包括：
23、第一模塊，用于獲取目標對象的多導睡眠監測生理信號；
24、第二模塊，用于對所述多導睡眠監測生理信號進行快速傅里葉變換，得到頻域信號；
25、第三模塊，用于將所述多導睡眠監測生理信號和所述頻域信號輸入基于圖結構的睡眠分期網絡模型，得到所述目標對象的睡眠分期結果；
26、其中，所述基于圖結構的睡眠分期網絡模型包括形態特征提取器、雙graphormer網絡和睡眠分類器；
27、所述將所述多導睡眠監測生理信號輸入基于圖結構的睡眠分期網絡模型，得到所述目標對象的睡眠分期結果，包括：
28、通過所述形態特征提取器提取所述多導睡眠監測生理信號的第一形態特征，以及通過所述形態特征提取器提取所述頻域信號的第二形態特征；
29、對所述第一形態特征和所述第二形態特征進行加權相加，得到第三形態特征；
30、將所述第三形態特征輸入所述雙graphormer網絡，得到所述多導睡眠監測生理信號的全局信息，所述全局信息包括空間特征信息和時間特征信息；
31、將所述全局信息輸入所述睡眠分類器，得到所述目標對象的睡眠分期結果。
32、為實現上述目的，本申請實施例的另一方面提出了一種電子設備/計算機裝置，包括：
33、至少一個處理器；
34、至少一個存儲器，用于存儲至少一個程序；
35、當所述至少一個程序被所述至少一個處理器執行，使得所述至少一個處理器實現上述的方法。
36、為實現上述目的，本申請實施例的另一方面提出了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現上述的方法。
37、本申請實施例至少包括以下有益效果：本申請提供一種基于圖結構的睡眠分期方法和裝置、電子設備及存儲介質,該方案通過設置基于圖結構的睡眠分期網絡模型，并在該模型中設置形態特征提取器、雙graphormer網絡和睡眠分類器，當獲取到目標對象的多導睡眠監測生理信號后，對多導睡眠監測生理信號進行快速傅里葉變換得到頻域信號，然后將多導睡眠監測生理信號和頻域信號一起輸入基于圖結構的睡眠分期網絡模型，以利用基于圖結構的睡眠分期網絡模型的特性對目標對象的睡眠情況進行分期，從而可以有效提高睡眠分期結果的準確度。
本文檔來自技高網...【技術保護點】
1.一種基于圖結構的睡眠分期方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，所述形態特征提取器包括4個殘差模塊和1個共池層，4個所述殘差模塊依次連接后與所述共池層連接，每個所述殘差模塊均包括正卷積層和投影快捷連接層，4個所述殘差模塊中的卷積濾波器依次倍增。
3.根據權利要求1所述的方法，其特征在于，所述雙Graphormer網絡包括3個深度神經網絡模塊，3個所述深度神經網絡模塊依次串聯；第一個所述深度神經網絡模塊與自適應功能連接圖連接，第三所述深度神經網絡模塊與基于距離的連接圖連接；所述第三形態特征輸入第一個所述深度神經網絡模塊；所述全局信息通過第三個所述深度神經網絡模塊輸出。
4.根據權利要求3所述的方法，其特征在于，每個所述深度神經網絡模塊均包括空間注意力機制模塊和時間通道注意力機制模塊，所述自適應功能連接圖與第一個所述深度神經網絡模塊中的所述空間注意力機制模塊連接，所述基于距離的連接圖與第三個所述深度神經網絡模塊中的所述空間注意力機制模塊連接，所述空間注意力機制模塊與所述時間通道注意力機制模塊連接。p>
5.根據權利要求4所述的方法，其特征在于，所述空間注意力機制模塊包括中心性編碼、空間編碼和邊緣編碼；
6.根據權利要求4所述的方法，其特征在于，所述時間通道注意力機制模塊用于對所述空間注意力機制模塊生成的空間信息特征圖進行聚合操作，得到第一時間特征，所述第一時間特征包括第二時間特征和第三時間特征，并將第一時間特征發送到所述睡眠分類器。
7.根據權利要求1所述的方法，其特征在于，所述將所述全局信息輸入所述睡眠分類器，得到所述目標對象的睡眠分期結果，包括：
8.一種基于圖結構的睡眠分期裝置，其特征在于，所述裝置包括：
9.一種電子設備/計算機裝置，其特征在于，包括：
10.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法。
...【技術特征摘要】
1.一種基于圖結構的睡眠分期方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，所述形態特征提取器包括4個殘差模塊和1個共池層，4個所述殘差模塊依次連接后與所述共池層連接，每個所述殘差模塊均包括正卷積層和投影快捷連接層，4個所述殘差模塊中的卷積濾波器依次倍增。
3.根據權利要求1所述的方法，其特征在于，所述雙graphormer網絡包括3個深度神經網絡模塊，3個所述深度神經網絡模塊依次串聯；第一個所述深度神經網絡模塊與自適應功能連接圖連接，第三所述深度神經網絡模塊與基于距離的連接圖連接；所述第三形態特征輸入第一個所述深度神經網絡模塊；所述全局信息通過第三個所述深度神經網絡模塊輸出。
4.根據權利要求3所述的方法，其特征在于，每個所述深度神經網絡模塊均包括空間注意力機制模塊和時間通道注意力機制模塊，所述自適應功能連接圖與第一個所述深度神經網絡模塊中的所述空間注意力機制模塊連接，所述基于距離的連接圖與第三個所述深度神...
【專利技術屬性】
技術研發人員：樊小毛，黃沛霖，邱玫瑜，傅向華，
申請(專利權)人：深圳技術大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。