【技術實現步驟摘要】
本專利技術涉及睡眠質量監測評估領域，尤其是提出了一種睡眠質量監測評估的方法和系統。
技術介紹
1、睡眠質量對人類健康和日常表現有著深遠影響。長期的睡眠問題不僅會導致白天疲勞和注意力下降，還可能增加各種慢性疾病的風險，如肥胖、糖尿病、心血管疾病等。客觀評估睡眠質量的關鍵是準確判斷睡眠分期。傳統的睡眠分期方法依賴于人工判讀多導睡眠圖(psg)數據，該過程耗時且容易受主觀因素影響。隨著可穿戴設備的普及和人工智能技術的發展，利用機器學習和深度學習算法實現睡眠分期的自動化成為可能，并日益受到關注。
2、現有的自動睡眠分期方法大致可分為以下幾類：
3、1.基于手工特征的傳統機器學習方法，如支持向量機(svm)和隨機森林(rf)。這類方法需要從原始psg信號中提取各種統計特征和頻域特征，再輸入分類器進行訓練和預測。其局限性在于特征工程需要大量領域知識和人力，且難以充分利用原始信號中的時序信息。
4、2.基于深度學習的輸入端至輸出端兩端方法，如卷積神經網絡(cnn)和長短期記憶網絡(lstm)。這類方法可以直接輸入原始psg信號，通過卷積層提取局部特征，再用循環神經網絡建模時序依賴。它克服了手工特征的局限，但在處理長序列時計算效率較低，且表達能力不足。
5、盡管上述方法在睡眠分期任務上取得了一定進展，但仍面臨著以下問題：
6、1.多模態信息融合不足。除了eeg、eog、emg等核心psg信號外，呼吸、心率、體動等生理指標以及溫度、噪音等環境因素也蘊含著重要的睡眠狀態信息。現有方法大多僅
7、2.泛化性能不理想。由于不同個體、不同設備采集的psg數據分布差異較大，現有模型在跨個體、跨設備場景下的泛化性能往往大打折扣，在實際應用中可靠性不足。
技術實現思路
1、針對上述問題，本專利技術提出了一種睡眠質量檢測評估方法及系統，
2、基于kan-bilstm-transformer的睡眠分期預測方法，其在多個方面表現出了相對現有技術的優越性：
3、1.首次將kan(kolmogorov-arnold?network)引入睡眠分期領域。kan是一種新型神經網絡結構，其核心思想是用一元函數的組合來逼近任意連續函數。相比傳統神經網絡，kan具有更強的表示能力。用kan替換cnn作為特征提取器，從多模態生理信號中學習更豐富、特征表示。
4、2.融合bilstm和transformer各自的優勢。bilstm善于建模長期時序依賴，而transformer擅長捕捉關鍵局部模式。將kan提取的特征先輸入bilstm學習時序上下文信息，再輸入transformer增強關鍵特征。兩者優勢互補，可以更全面地挖掘多模態睡眠信號的時空特征。
5、3.設計了新穎的學習框架。在主要的睡眠分期任務外，還引入了心率、呼吸等生理指標的預測作為輔助手段，從而更好地利用多模態信息，并從不同視角理解睡眠狀態，從而提高預測分期性能和泛化能力。
6、本專利技術的意義在于：1)探索了kan在睡眠質量生理信號分析中的應用；2)創新性地融合kan、bilbtm、transformer的優勢，為睡眠分期任務設計了高效、可解釋、魯棒的輸入端至輸出端兩端模型；3)充分利用多模態睡眠信息，為開發全面、準確的睡眠監測系統奠定基礎。
7、一方面，本專利技術提出了一種睡眠質量檢測評估方法，該方法基于kan-bilstm-transformer的睡眠分期預測方法，包括如下的步驟：
8、1.多模態睡眠信號采集與質量增強：對eeg、eog、emg、ecg、呼吸、spo2、體動和環境等信號進行去噪、濾波、歸一化等質量增強處理。對eeg和eog信號，使用基于經驗模態分解(emd)的自適應濾波算法去除噪聲，公式為：
9、
10、其中，為去噪后的信號，ci(t)為第i個本征模函數(imf)分量，βi為第i個imf分量的權重系數，n為imf分量的總數。
11、然后，采用基于小波包分解(wpd)的自適應閾值去噪算法進一步提高信噪比，軟閾值處理后的小波系數為：
12、
13、其中，為處理后的第i個小波系數，wi為原始第i個小波系數，為第i個子帶的閾值，sign(·)為符號函數。
14、最后，通過隨機截取、循環移位、加性高斯噪聲擾動進行數據增強，平衡類別分布，提高模型泛化性。
15、2.基于kan-bilstm-transformer的自適應時空特征學習網絡設計：自適應特征提取模塊：使用kan提取各模態信號的自適應特征表示，公式為：
16、
17、其中，表示第d個自適應特征在第t個時間步的值；p為kan的展開項數；為第d個自適應特征在第p項上的組合系數；為第d個自適應特征在第p項上的一元函數，本專利技術采用swish激活函數：
18、
19、其中，為第d個自適應特征在第p項上的形狀參數；為第p項的投影向量；為第t個時間步的原始特征向量。
20、雙向長短期記憶網絡：使用bilstm學習特征序列的時序依賴關系，前向和后向的隱狀態更新公式為：
21、
22、其中，和分別為第t個時間步的前向和后向隱狀態，為第t個時間步的自適應特征向量。
23、多元信息交互融合模塊：使用多頭自注意力機制實現不同模態特征的交互融合，公式為：
24、
25、其中，ah為第h個注意力頭的自注意力矩陣；qh、kh分別為第h個注意力頭的查詢矩陣和鍵矩陣，通過線性變換從多模態特征矩陣x得到：
26、
27、其中，和為第h個注意力頭的投影矩陣；dh為第h個注意力頭的子空間維度，用于縮放點積結果。
28、最后，通過前饋神經網絡(ffn)進一步提取高級特征：
29、f＝relu(y′w1+b1)w2+b2；
30、其中，y′為融合了體動和環境信息的多模態交互特征矩陣，w1、b1、w2、b2為ffn的參數。
31、在模型的最后，使用一個全連接層將f映射到睡眠分期標簽空間：
32、p＝softmax(wclsf+bcls)；
33、其中，wcls和bcls為分類層的參數，f為多元信息交互融合模塊輸出的特征矩陣。
34、3.基于kan-bilstm-transformer的多任務自監督預訓練范式構建：
35、損失函數設計：使用加權dice損失和時序平滑損失的加權和作為損失函數。加權dice損失的公式為：
36、
37、其中，為第c類的加權dice損失，wc為第c類的權重系數，pct為模型在第t個時間步預測為第c類的概率，yct為第t個時間步真實標簽的獨熱向量的第c個元素，∈為平滑項。時序平滑損失的公式為：
38、
39、其中本文檔來自技高網...
【技術保護點】
1.一種睡眠質量檢測評估方法，其特征在于，所述方法基于
2.根據權利要求1所述的睡眠質量檢測評估方法，其特征在于，所述方法包括如下步驟：步驟1：多模態睡眠信號采集與質量增強；步驟2：基于
3.根據權利要求2所述一種睡眠質量檢測評估方法，其特征在于，
4.一種睡眠質量檢測評估系統，所述系統包括由數據采集模塊、數據數據質量增強模塊、特征提取模塊、序列學習模塊、特征融合模塊、分期預測模塊和數據可視化模塊組成，其還包括存儲資源和計算資源，用來實現如權利要求1-3任一項中的方法。
【技術特征摘要】
1.一種睡眠質量檢測評估方法，其特征在于，所述方法基于
2.根據權利要求1所述的睡眠質量檢測評估方法，其特征在于，所述方法包括如下步驟：步驟1：多模態睡眠信號采集與質量增強；步驟2：基于
3.根據權利要求2所述一種睡眠質量檢測評估方...
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。