本发明涉及一种基于多视角特征的睡眠阶段分类方法，属于脑信息解码。
背景技术：
1、脑科学是以大脑为研究对象的多学科汇聚的新兴研究领域，是生物科学的最新前沿和挑战。近几年来，深度学习用于睡眠阶段分类已经成为脑科学热门研究方向之一。睡眠分期对评估睡眠质量和诊断睡眠障碍具有重要意义。
2、睡眠专家根据睡眠标准和多导睡眠图(psg)记录的观察结果来判断睡眠状态。多导睡眠图包括头部不同位置的脑电图(eeg)、肌电图(emg)、眼电图(eog)等。传统的睡眠分期方法需要睡眠专家的视觉检查。面对长达一整夜的生理信号，即使是经验丰富的专家也需要超过2小时的时间来进行病人的睡眠记录。总之，传统的人工分段方法既耗时又麻烦。
3、为了减少专家工作量，构建智能医疗系统，大量的研究工作引入了不同的睡眠分期模型。在早期的研究中，机器学习方法如支持向量机(svm)和随机森林(rf)被用来对睡眠阶段进行分类。然而，这些方法需要手工提取特征，这需要大量的先验知识。因此，一些研究人员转向使用深度学习方法进行睡眠阶段分类。与传统的机器学习算法相比，深度学习方法可以直接从原始输入和输出分类结果中提取更高层次的特征。卷积神经网络(cnn)在睡眠阶段分类方面已经展示了其先进的性能，而其他流行的深度学习算法，如循环神经网络(rnn)和深度置信网络也取得了可靠的结果。
4、但现有基于深度学习方法的睡眠分期模型大多就是基于一种视图的特征进行分类，相较于计算机视觉、自然语言处理、视觉跟踪领域还不够成熟，还需要尝试对多种视图的特征分类进行更多探索。
技术实现思路
1、本发明要解决的技术问题是提供一种基于多视角特征的睡眠阶段分类方法，用以解决上述问题。
2、本发明的技术方案是：一种基于多视角特征的睡眠阶段分类方法，先将原始睡眠电数据送入多频段视角模块提取不同波长和频率的特征，然后通过电极通道构建的拓扑图数据送入空间图视角模块提取不同通道间的空间特征，再结合快速傅里叶变换(stft)形成的时频图数据送入二维时频视角模块提取光谱和时间特征，最后用softmax函数对睡眠阶段进行分类。
3、具体步骤包括：
4、step1：将多导睡眠图信号送入多频段视角模块提取多尺度的特征。
5、所述多尺度特征是指不同波长和频率的特征。
6、step2：将通过电极通道构建的拓扑图数据送入空间图视角模块提取不同通道间的空间特征。
7、step3：将结合快速傅里叶变换形成的时频图数据送入二维时频视角模块提取光谱和时间特征。
8、step4：将得到的多视角特征融合并用softmax函数进行睡眠阶段的分类。
9、所述step1包括：
10、将原始睡眠电信号送入多频段视角模块提取不同波长和频率的特征，所述多频段视角模块利用5个不同尺度卷积核大小递增的并行sleep inception networks作为滤波器，所述sleep inceptionnetworks表示为sins。
11、所述sins是受经典的inception网络的启发，每个sin包括多尺度一维卷积和池化操作四个部分，内核大小在所有sin中逐渐增大，sins流程定义为：
12、
13、其中，iq表示sin在不同sins中的输出，iq∈rt′×c′，q∈[a,b,c,d,e]在sin中有五个分支，表示来自第j支中的第k个滤波器的参数，*表示卷积操作，x表示输入样本，t'表示时间点的数量，c'表示通道的数量。
14、将经过改良后的resnet和双向lstm组合，提取不同波长和频率的特征，输入到一个256维全连通层。
15、所述step2包括：
16、step2.1：首先采用自适应图学习方案来表示大脑在非欧几里德空间中来自不同通道的拓扑信息，将每个电极通道视为构造图中的一个节点，为了提取每个节点所表示的特征，在每个通道上采用一个一维卷积神经网络，生成特征矩阵。
17、step2.2：基于特征矩阵，通过自适应图学习构造gl图。
18、定义gl图为学习到的gl图的图结构，即邻接矩阵定义为：
19、
20、其中，整流线性单元(relu)是一个激活函数，以保证是非负的，xm和xn是图的节点，softmax操作将每一行agl归一化，ω为权值向量，通过最小化以下损失函数更新gl图的邻接矩阵值：
21、
22、其中，λ是正则化参数。
23、step2.3：自适应图学习方法自动构造节点的邻域连接，形成gl图，构造gl图之后，将图进行图卷积操作，切比雪夫图卷积的定义为：
24、
25、
26、其中，gθ表示卷积核，*g表示图卷积的操作，θ是切比雪夫系数的向量，x是输入数据，λmax是拉普拉斯矩阵的最大特征值，in是单位矩阵，tk是递归的切比雪夫多项式。
27、经过图卷积后，每个通道导联集成了另一个通道导联的特性，最后将提取到的空间特征融合在一起，输入到一个256维全连通层。
28、所述step3包括：
29、step3.1：将原始的时间序列数据经过短时傅立叶变换后转化为包含谱域特征的tf图像，所述短时傅立叶变换的方程定义为：
30、
31、其中w(t)是一个窗函数，s(t)是待变换的信号。窗口函数如下所示：
32、
33、其中，m为输入信号，n为采样偏移量。
34、step3.2：利用改良过的densenet对所述tf图像进行光谱特征提取。
35、step3.3：将提取的光谱特征和其前后两段结合成bilstm网络的一层，bilstm的更新表达式定义为：
36、
37、
38、其中，和分别表示前向和后向传播的门控信号，和分别表示当前信号信息，和分别表示前向和后向传播上一层传递的信息。
39、将提取到的光谱-时间特征融合在一起，并输入到一个256维全连接层。
40、所述step4包括：
41、在得到原始信号的多尺度特征、tf图像的光谱-时间特征和gl图的空间特征后，对这些特征矩阵进行拼接操作，进行多视角特征融合。
42、拼接操作的定义为：
43、
44、其中，分别表示多尺度特征、光谱-时间特征和空间特征，||为串接运算。
45、最后，将融合的特征输入到一个256维的全连接层中，经过softmax激活层后，将输出结果分为5个睡眠阶段。
46、本发明的有益效果是：本发明使用睡眠多导图原始数据、根据电极通道构建的拓扑图数据，以及结合快速傅里叶变换(stft)形成的时频图数据，分别通过三个模块获取多视角特征并将其特征融合分类五个睡眠阶段。原始睡眠电数据作为模型的第一个输入，多频段视角模块用于从该输入中学习不同波长和频率信息；根据电极通道构建的拓扑图数据作为模型的第二个输入，空间图视角模块用于从该输入中学习电极通道之间的空间信息；时频图数据作为模型的第三个输入，二维时频视角模块用于从该输入中学习光谱和时间信息。能很好地捕获整个睡眠过程中的有效特征，并且可以显著提高睡眠阶段分类精度。本发明可以作为一种结合时间，频率和空间信息的睡眠电信号解码策略，所提出的多视角特征组合模型为将来搭建更好的自动睡眠分期框架提供了新的思路。
1.一种基于多视角特征的睡眠阶段分类方法，其特征在于，包括：
2.根据权利要求1所述的基于多视角特征的睡眠阶段分类方法，其特征在于，所述step1包括：
3.根据权利要求1所述的基于多视角特征的睡眠阶段分类方法，其特征在于，所述step2包括：
4.根据权利要求1所述的基于多视角特征的睡眠阶段分类方法，其特征在于，所述step3包括：
5.根据权利要求1所述的基于多视角特征的睡眠阶段分类方法，其特征在于，所述step4包括：
