申请/专利权人：长春理工大学

申请日：2024-01-25

公开（公告）日：2024-03-26

公开（公告）号：CN117617911B

主分类号：A61B5/00

分类号：A61B5/00;A61B5/369

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2024.03.19#实质审查的生效;2024.03.01#公开

摘要：本申请公开了一种睡眠阶段分期方法、装置、设备及存储介质，涉及睡眠处理技术领域，包括：将睡眠脑电波信号切分为若干个数据片段并标记相应的睡眠阶段标签；对标记后的所述若干个数据片段进行数据特征提取以得到若干个序列数据帧；通过预设神经网络模型确定所述若干个序列数据帧对应的空间注意力权重，并确定空间学习图和时间学习图；基于所述空间注意力权重和所述空间学习图对所述若干个序列数据帧进行空间卷积处理以得到睡眠空间图后进行时间平坦化处理，然后输入至所述BiGRU层以得到时间节点特征向量；然后进行睡眠阶段分类以得到数据阶段分期结果并基于所述数据阶段分期结果确定睡眠阶段分期结果。这样一来，提高了睡眠分期的可解释性。

主权项：1.一种睡眠阶段分期方法，其特征在于，包括：基于预设睡眠工具采集睡眠脑电波信号，并基于预设数据切分标准将所述睡眠脑电波信号切分为若干个数据片段，然后根据AASM标准对所述若干个数据片段标记相应的睡眠阶段标签；基于预设特征提取方式对标记后的所述若干个数据片段进行数据特征提取以得到若干个序列数据帧；通过预设神经网络模型中的空间注意力层确定所述若干个序列数据帧对应的空间注意力权重，并利用所述预设神经网络模型中的乘积图学习层学习所述若干个序列数据帧之间的数据空间关系和数据时空关系以得到空间学习图和时间学习图；其中，所述利用所述预设神经网络模型中的乘积图学习层学习所述若干个序列数据帧之间的数据空间关系和数据时空关系以得到空间学习图和时间学习图，包括：将所述若干个序列数据帧输入至预设神经网络模型中的乘积图学习层学习中，然后基于预设空间关系权值建模公式和预设时间关系权值建模公式分别确定目标空间关系权重和目标时间关系权重；将所述目标空间关系权重和所述目标时间关系权重插入至第一预设损失函数中，以得到空间学习图和时间学习图；基于所述空间注意力权重和所述空间学习图对所述若干个序列数据帧进行空间卷积处理以得到睡眠空间图，并对所述睡眠空间图进行时间平坦化处理，然后将处理后的所述睡眠空间图输入至所述预设神经网络模型中的BiGRU层以得到时间节点特征向量；根据所述时间学习图和所述预设神经网络模型中的图自适应注意力网络层对所述时间节点特征向量进行睡眠阶段分类以得到数据阶段分期结果，并基于所述数据阶段分期结果确定睡眠阶段分期结果；其中，所述根据所述时间学习图和所述预设神经网络模型中的图自适应注意力网络层对所述时间节点特征向量进行睡眠阶段分类以得到数据阶段分期结果，包括：将所述时间节点特征向量输入至所述预设神经网络模型中的图自适应注意力网络层中，并利用预设学习注意力系数和所述时间学习图确定新时间节点特征向量；利用多头注意力机制对所述新时间节点特征向量进行睡眠阶段分类以得到数据阶段分期结果；所述利用预设学习注意力系数和所述时间学习图确定新时间节点特征向量，包括：利用所述时间学习图中的倾斜时间权重对预设学习注意力系数进行细化处理以得到目标注意力系数；基于所述目标注意力系数确定时间特征向量的注意力值建模公式，并基于所述注意力值建模公式对所述时间节点特征向量进行处理以得到新时间节点特征向量；所述基于所述数据阶段分期结果确定睡眠阶段分期结果，包括：基于所述数据阶段分期结果确定分类交叉熵损失值，并基于所述分类交叉熵损失值确定第二预设损失函数；基于所述第二预设损失函数和所述数据阶段分期结果确定睡眠阶段分期结果。

全文数据：

权利要求：

百度查询： 长春理工大学 一种睡眠阶段分期方法、装置、设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD