1.本发明涉及睡眠分期技术领域，具体而言，涉及多尺度特征融合的睡眠分期方法、装置、设备及存储介质。
背景技术：2.睡眠是人们生活中不可或缺的一个环节，是调节人生活规律的重要保障。随着生理信号采集设备的发展，便携式睡眠监测使用简单、成本不高，能够方便的采集人体的脑电信号和心电信号等生理信号，这为自动睡眠分期研究奠定了良好的基础。但是目前并不能基于心电信号准备识别整晚睡眠中不同时期的睡眠状态。
技术实现要素：3.本发明的目的在于提供一种多尺度特征融合的睡眠分期方法、装置、设备及存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
4.第一方面，本技术提供了一种多尺度特征融合的睡眠分期方法，包括：获取第一信息，所述第一信息包括至少两个心电信号数据和每个心电信号数据对应的睡眠期间；基于多头注意力机制和神经网络算法建立睡眠分期模型；将所述第一信息转化为数据集，并利用所述数据集训练所述睡眠分期模型得到训练后的所述睡眠分期模型；利用所述训练后的睡眠分期模型对测试者的心电信号数据进行识别，得到所述测试者在睡眠期间的睡眠状态。
5.第二方面，本技术还提供了一种多尺度特征融合的睡眠分期装置，包括：获取单元，用于获取第一信息，所述第一信息包括至少两个心电信号数据和每个心电信号数据对应的睡眠期间；模型构建单元，用于基于多头注意力机制和神经网络算法建立睡眠分期模型；模型训练单元，用于将所述第一信息转化为数据集，并利用所述数据集训练所述睡眠分期模型得到训练后的所述睡眠分期模型；睡眠期间识别单元，用于利用所述训练后的睡眠分期模型对测试者的心电信号数据进行识别，得到所述测试者在睡眠期间的睡眠状态。
6.第三方面，本技术还提供了一种多尺度特征融合的睡眠分期设备，包括：
7.存储器，用于存储计算机程序；
8.处理器，用于执行所述计算机程序时实现所述多尺度特征融合的睡眠分期方法的步骤。
9.第四方面，本技术还提供了一种存储介质，所述存储介质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上述多尺度特征融合的睡眠分期方法的步骤。
10.本发明的有益效果为：
11.本发明通过基于单通道心电信号提取并融合不同大小的时间长度划分下的心率变异性特征，从不同尺度反映心电信号的特征信息，使其能够包含更全面的特征信息，提高了心电信号的表征能力。同时并结合多尺度注意力模型，分挖掘特征序列各单元之间的依赖关系和注意力关系，统一了不同尺度特征向量的长度，弥补了特征窗口长度的限制问题。
并且在本技术中提出了一种改进的交叉熵损失函数可缓解了睡眠分期任务中存在的类别不平衡问题，使得自动睡眠分期准确率更高、稳定性更好。
12.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
13.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
14.图1为本发明实施例中所述的多尺度特征融合的睡眠分期方法流程示意图；
15.图2为本发明实施例中所述的多尺度特征融合的睡眠分期装置结构示意图；
16.图3为本发明实施例中所述的多尺度特征融合的睡眠分期设备结构示意图。
17.图中标记：1、获取单元；2、预处理单元；21、数据分解单元；22、数据重构单元；3、模型构建单元；31、第一构建单元；32、第二构建单元；33、第三构建单元；34、第四构建单元；4、模型训练单元；41、第一划分单元；42、特征提取单元；421、第一转化单元；422、第一计算单元；423、第二计算单元；424、第三计算单元；43、第二划分单元；44、数据集生成单元；45、函数构建单元；46、优化单元；47、逻辑单元；5、睡眠期间识别单元；800、多尺度特征融合的睡眠分期设备；801、处理器；802、存储器；803、多媒体组件；804、i/o接口；805、通信组件。
具体实施方式
18.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
20.随着生理信号采集设备的发展，便携式睡眠监测研究成为了新热点。便携式睡眠监测使用简单、成本不高，能够方便的采集人体的脑电信号和心电信号等生理信号，这为自动睡眠分期研究奠定了良好的基础。相较于脑电信号，心电信号信号的采集方式更加多样、也更为方便，同时心电信号被证实与睡眠分期存在关联性，因此基于心电信号的自动睡眠分期研究能够更好与睡眠医学设备进行结合，具备很高的睡眠医学研究应用价值。因此，本文将基于心电信号来研究自动睡眠分期。利用深度学习和机器学习等技术对人体生理信号进行睡眠状态的判别是目前自动睡眠分期研究的主要趋势。机器学习的主要工作在于生理
信号的特征提取，这需要有足够丰富的医学知识，寻找生理信号与睡眠状态之间的关联特征，关联特征的好坏决定了睡眠分期效果的好坏，存在很大的局限性。而深度学习凭借着其强大的神经网络结构，通过设计合适的深度学习模型，自动地学习生理信号与睡眠状态之间的特征，再结合分类器实现睡眠分期。但深度学习模型结构的设计和优化需要花费很多的时间和精力，且模型从生理信号中学习的特征信息可解释性较差。早期基于心电信号的睡眠分期研究都是针对单个片段进行睡眠阶段的分类，没有充分地考虑到睡眠中各个阶段的前后依赖关系，后来开始基于时间窗口进行特征提取来实现睡眠分期。基于时间窗口提取的特征考虑了睡眠阶段前后的依赖关系，但目前的工作都仅仅基于单一的时间窗口来进行特征提取，存在很大的局限性。
21.实施例1：
22.本实施例提供了一种多尺度特征融合的睡眠分期方法。
23.需要说明的是，在本技术中睡眠分为清醒期(wake)、n1浅睡期(n1)、n2浅睡期(n2)，n3深睡期(n3)和快速眼动期(rem)上述五个周期。
24.参见图1，图中示出了本方法包括步骤s100、步骤s200、步骤s300、步骤s400和步骤s500。
25.s100、获取第一信息，第一信息包括至少两个心电信号数据和每个心电信号数据对应的睡眠期间。
26.需要说明的是，在本技术中可以获取开源数据，比如：physionet官网上的hmc-sleep-stageing数据集，数据集包含154个整夜的多导睡眠仪的睡眠记录(其中男性88名，女性66名)，这些记录的平均年龄为53.8
±
15.4，患有不同程度的睡眠呼吸障碍疾病。该数据集每条睡眠记录包含了脑电信号、心电信号等，这些信号数据的采样频率为256hz，每条记录均由睡眠专家对这些信号进行睡眠事件的注释。信号数据每隔30s为一个心电片段，每个心电片段对应一个睡眠事件。睡眠事件类别共有5种，分别为清醒期(wake)、n1浅睡期(n1)、n2浅睡期(n2)，n3深睡期(n3)和快速眼动期(rem)。
27.s200、对每个心电信号数据进行噪声处理，并更新心电信号数据为噪声处理后的数据。
28.s300、基于多头注意力机制和神经网络算法建立睡眠分期模型；
29.需要说明的是，在本技术中即以多头注意力机制和神经网络算法为核心的睡眠分期模型。其中，在本技术中，睡眠分期模型的输入信息为心电信号数据在至少两个不同时间长度下提取的心率变异性特征集。
30.s400、将第一信息转化为数据集，并利用数据集训练睡眠分期模型得到训练后的睡眠分期模型。
31.s500、利用训练后的睡眠分期模型对测试者的心电信号数据进行识别，得到测试者在睡眠期间的睡眠状态。
32.在本技术中通过在心电信号这个单同道的信号基础上，通过多头注意力机制提取并融合不同大小的时间长度的心率变异性特征，从不同尺度反映心电信号的特征信息，提高了心电信号的表征能力。
33.进一步地，在本实施例中，步骤s200的目的在于去除心电信号采集过程中产生的基线漂移噪声。同时，需要说明是下述步骤s210和步骤s200是一个心电信号数据作为描述
对象，但是在实际处理过程中，会处理所有的心电信号数据。
34.s210、对一个心电信号数据进行小波变换分解得到近似系数组和细节系数组，近似系数组和细节系数组均包括六个系数。
35.需要说明的是，在在本步骤中即小波函数db6对一个心电信号数据进行处理。然后得到近似系数ca组和细节系数cd组，其中近似系数ca组包括a1～a6，细节系数cd组包括d1～d6，
36.s220、以近似系数组中第六个系数和细节系数组整体为重构基础信息，并通过小波重构方法重新生成心电信号，其中，细节系数组中第六个系数的系数为零。
37.需要说明的是，在本技术中随着小波变换尺度增加，分解信号和基线漂移噪声越接近。因此，本技术中选取d1～d6和a6这七个小波系数用作心电信号重构的基础，将接近基线漂移噪声分量的a6小波系数置为0，然后使用小波重构方法重新生成心电信号。
38.进一步地，在本技术中，步骤s300中包括步骤s310、步骤s320、步骤s330和步骤s340。
39.s310、根据多头注意力机制构建多尺度注意力模型，多尺度注意力模型的输入信息分别为心电信号数据在至少两个不同时间长度下提取的心率变异性特征集和每个心率变异性特征集对应的编码，多尺度注意力模型的输出信息分别为在每个时间长度对应的心电信号序列，每个时间长度之间具有重叠的时序，心率变异性特征集内包括至少一个心率变异性特征。
40.需要说明的是，在本步骤中所提及的心电信号序列是由心率变异性特征集内时序相邻心率变异性特征之间的前后依赖信息、注意力信息编码和心率变异性特征三个部分内容和注意力信息编码为基于多头注意力机制求得，而时序相邻心率变异性特征之间的前后依赖信息，即为多尺度注意力模型中多个输入单位之间的前后依赖关系。在本技术中，通过多尺度注意力模型不断学习不同时间长度、固定时间长度特征序列的各片段之间的依赖关系，将序列各单元之间的前后依赖信息和注意力信息编码到心率变异性特征序列中，加强了序列特征信息，使其能够充分表征心电信号序列。
41.还需要说明的是，在本步骤中所建立的多尺度注意力模型所使用的心率变异性特征为心电信号数据在r波间期并对其进行统计学分析，得到rr间期标准差(sdnn)、rr间期均值标准差(sdann)、rr间期差值均方根(rmssd)等时域统计指标。心率变异性特征指是对心电信号使用快速傅里叶转换或自递归分析得到心率变异性频谱。常用的指标有总功率(tp)、超低频功率(ulf)、极低频功率(vlf)、低频功率(lf)和高频功率(hf)。
42.s320、构建向量拼接模型，向量拼接模型的输入信息为每个时间长度对应的心电信号序列，向量拼接模型的输出信息为一个拼接向量，拼接向量包含每个时间长度对应的心电信号序列；
43.s330、构建双向长短时记忆网络模型，双向长短时记忆网络模型的输入信息为心电信号数据在每个时间长度下对应的心电信号序列。
44.需要说明的是，在本步骤中通过双向长短时记忆网络模型对多尺度特征序列进行时序特征挖掘。
45.s340、构建全连接层和softmax激活函数，全连接层的输入信息为双向长短时记忆网络模型的输出信息，softmax激活函数输入信息为全连接层的输出信息。
46.需要说明的是在本步骤中，全连接层和softmax激活函数使用来识别不同睡眠状态。
47.在一些公开的实施例中，步骤s400中包括步骤s410、步骤s420、步骤s430和步骤s440实现对数据集的划分。
48.为了便于本步骤的说明，假设本步骤中处理的心电信号数据包括了m个心电片段，m为自然数，即心电信号数据总时长为m*30s。
49.s410、对心电信号数据进行至少两个不同的时间长度的划分，得到至少两个第二信息，每个第二信息均对应一个时间长度对心电信号数据划分的结果，每个第二信息内均包括至少两个第一子心电信号。
50.需要说明的是，结合上述假设的心电数据的时间长度，那么本步骤中即存在多个时间长度，分别为30s、60s、90s
……
q*30s共计q个可以用于划分的时间长度，对应的30s的时间长度对应的第二信息内将心电数据分为m个第一子心电数据。
51.s420、对每个第一子心电信号进行特征提取，得到第三信息，第三信息包括每个第一子心电信号对应的心率变异性特征；
52.需要说明的是，在本步骤中即为每个第一子心电数据进行特征提取。
53.具体而言，在本技术中可以包括步骤s421、步骤s422、步骤s42和步骤s424。
54.s421、对第一子心电信号进行fft转化得到第一子心电信号对应的频域。
55.s422、根据hamilton-tompkins算法，对第一子心电信号对应的频域进行计算，得到第一子信号内的所有r峰。
56.s423、第一子信号内的所有r峰计算得到平均r峰值间隔。
57.s424、平均r峰值间隔计算得到r峰值大于预设第二时间长度的连续r峰值差异的百分比，将百分比作为心率变异性特征。
58.经过上述步骤可以在一个第一子心电信号中提取到一个心率变异性特征，同时对于本领域技术人员，也可以提取总功率(tp)、超低频功率(ulf)、极低频功率(vlf)、低频功率(lf)和高频功率(hf)等作为心率变异性特征，本技术中不再赘述。
59.s430、分别对每个第二信息进行汉明窗分割得到至少两个第二子心电信号，每次汉明窗分割的滑动长度等于每个第二信息对应划分的时间长度，第二子心电信号的时间长度为第一子心电信号的时间长度的整数倍关系。
60.需要说明的是，本步骤中对每个第二信息进行汉明窗滑动时，汉明窗滑动的时间长度是大于每个第二信息对应划分的时间长度，举例说明，若一次时间长度划分为30s，那么对应的第二信息的心电片段即为0-30s、30-60s、60-90s
……
。则对这第二信息进行汉明窗的滑动时间长度30s。若一次时间长度划分为60s，那么对应的第二信息的心电片段即为0-60s、60-120s、120-180s
……
。这对这第二信息进行汉明窗的滑动时间长度为60s。以上所有汉明窗的时长为j，j大于30s、j为30s的倍数且j＜m。
61.s440、根据第二子心电信号与多个第一子心电信号的对应关系，将第三信息划分为数据集，数据集中每个元素均对应的一个第二子心电信号对应的多个心率变异性特征。
62.在本步骤中通过上述步骤对第一信息进行处理，即能完成多尺度特征提取基础上并实现固定长度划分的特征序列。
63.进一步地，在本技术中，步骤s400中还包括步骤s450、步骤s460和步骤s470。
64.其中还需要说明的是，本步骤中还包括将数据集按照比例划分为训练集、验证集和测试集，并使用训练集进行训练睡眠分期模型的训练过程为现有技术，本技术中不再赘述。本技术在模型监督上的修改内容如下：
65.s450、构建改进型交叉熵损失函数，改进型交叉熵损失函数内包括错分系数和权重系数，权重系数用于调节在不同样本对睡眠分期模型训练过程中的学习权重，错分系数用于调节睡眠分期模型权衡不同类别识别的难易程度。
66.需要说明的是，在本技术中所用的改进型交叉熵损失函数为：
[0067][0068]
其中，θ表示睡眠分期模型参数；n表示用于训练的训练数据总数；l表示训练的数据存在类别总数；i表示训练数据编号，i∈[1，n]；j表示类别编号，j∈[1，l]；t
ij
代表第i个训练数据中类别j为的真实概率，t
ij
∈[0，1]；p
ij
表示第i个训练数据本中第j个类别的预测概率，p
ij
∈[0，1]；表示错分系数，预测类别偏离真实类别时影响较大；α表示错分参数，α＞0；
[0069]
其中，ωj表示权重系数，其与类别数量有关，计算公式如下：
[0070][0071]
式中：c表示训练集所有类别的数量；cj示训练集中第j个类别的数量；β表示权重参数。
[0072]
在本技术中，改进型交叉熵损失函数中的错分系数能够权衡不同类别识别的难易程度，当分类准确率越接近100％的时候，错分系数和损失值越小。权重系数用来调节不同类别样本在模型训练过程中的学习权重，使得模型重点训练类别数量少的样本，以此来解决类别不平衡问题。
[0073]
s460、在根据每个训练批次训练睡眠分期模型后，利用改进型交叉熵损失函数计算睡眠分期模型的损失值，并使用adam优化器对睡眠分期模型的参数进行更新，训练批次包括至少两个样本数据，每个样本数据由第一信息转化得到。
[0074]
s470、若在预设数量的训练批次内损失值变化率小于第二预设值，停止训练并保存模型。
[0075]
需要说明的是，在本步骤中第二预设值为0.1％。
[0076]
在本技术中，通过基于单通道心电信号提取并融合不同大小的时间长度划分下的心率变异性特征，从不同尺度反映心电信号的特征信息，使其能够包含更全面的特征信息，提高了心电信号的表征能力。同时并结合多尺度注意力模型，分挖掘特征序列各单元之间的依赖关系和注意力关系，统一了不同尺度特征向量的长度，弥补了特征窗口长度的限制问题。并且在本技术中提出了一种改进的交叉熵损失函数可缓解了睡眠分期任务中存在的类别不平衡问题，使得自动睡眠分期准确率更高、稳定性更好。
[0077]
实施例2：
[0078]
如图2所示，本实施例中提供了一种多尺度特征融合的睡眠分期装置，装置包括：
[0079]
获取单元1，用于获取第一信息，第一信息包括至少两个心电信号数据和每个心电信号数据对应的睡眠期间。
[0080]
预处理单元2，用于对每个心电信号数据进行噪声处理，并更新心电信号数据为噪声处理后的数据。
[0081]
模型构建单元3，用于基于多头注意力机制和神经网络算法建立睡眠分期模型。
[0082]
模型训练单元4，用于将第一信息转化为数据集，并利用数据集训练睡眠分期模型得到训练后的睡眠分期模型。
[0083]
睡眠期间识别单元5，用于利用训练后的睡眠分期模型对测试者的心电信号数据进行识别，得到测试者在睡眠期间的睡眠状态。
[0084]
在一些具体的实施例中，预处理单元2包括：
[0085]
数据分解单元21，用于对一个心电信号数据进行小波变换分解得到近似系数组和细节系数组，近似系数组和细节系数组均包括六个系数。
[0086]
数据重构单元22，用于以近似系数组中第六个系数和细节系数组整体为重构基础信息，并通过小波重构方法重新生成心电信号，其中，细节系数组中第六个系数的系数为零。
[0087]
在一些具体的实施例中，模型构建单元3包括：
[0088]
第一构建单元31，用于根据多头注意力机制构建多尺度注意力模型，多尺度注意力模型的输入信息分别为心电信号数据在至少两个不同的时间长度下提取的心率变异性特征集和每个心率变异性特征集对应的编码，多尺度注意力模型的输出信息分别为在每个时间长度对应的心电信号序列，每个时间长度之间具有重叠的时序，心率变异性特征集内包括至少一个心率变异性特征。
[0089]
第二构建单元32，用于构建向量拼接模型，向量拼接模型的输入信息为每个时间长度对应的心电信号序列，向量拼接模型的输出信息为一个拼接向量，拼接向量包含每个时间长度对应的心电信号序列。
[0090]
第三构建单元33，用于构建双向长短时记忆网络模型，双向长短时记忆网络模型的输入信息为心电信号数据在每个时间长度下对应的心电信号序列。
[0091]
第四构建单元34，用于构建全连接层和softmax激活函数，全连接层的输入信息为双向长短时记忆网络模型的输出信息，softmax激活函数输入信息为全连接层的输出信息。
[0092]
在一些具体的实施例中，模型训练单元4包括：
[0093]
第一划分单元41，用于对心电信号数据进行至少两个不同的时间长度的划分，得到至少两个第二信息，每个第二信息均对应一个时间长度对心电信号数据划分的结果，每个第二信息内均包括至少两个第一子心电信号。
[0094]
特征提取单元42，用于对每个第一子心电信号进行特征提取，得到第三信息，第三信息包括每个第一子心电信号对应的心率变异性特征。
[0095]
第二划分单元43，用于分别对每个第二信息进行汉明窗分割得到至少两个第二子心电信号，每次汉明窗分割的滑动长度等于每个第二信息对应划分的时间长度，第二子心电信号的时间长度为第一子心电信号的时间长度的整数倍。
[0096]
数据集生成单元44，用于根据第二子心电信号与多个第一子心电信号的对应关
系，将第三信息划分为数据集，数据集中每个元素均对应的一个第二子心电信号对应的多个心率变异性特征。
[0097]
在一些具体的实施例中，特征提取单元42包括：
[0098]
第一转化单元421，用于对第一子心电信号进行fft转化得到第一子心电信号对应的频域。
[0099]
第一计算单元422，用于根据hamilton-tompkins算法，对第一子心电信号对应的频域进行计算，得到第一子信号内的所有r峰。
[0100]
第二计算单元423，用于第一子信号内的所有r峰计算得到平均r峰值间隔。
[0101]
第三计算单元424，用于平均r峰值间隔计算得到r峰值大于预设第二时间长度的连续r峰值差异的百分比，将百分比作为心率变异性特征。
[0102]
在一些具体的实施例中，模型训练单元4还包括：
[0103]
函数构建单元45，用于构建改进型交叉熵损失函数，改进型交叉熵损失函数内包括错分系数和权重系数，权重系数用于调节在不同样本对睡眠分期模型训练过程中的学习权重，错分系数用于调节睡眠分期模型权衡不同类别识别的难易程度。
[0104]
优化单元46，用于在根据每个训练批次训练睡眠分期模型后，利用改进型交叉熵损失函数计算睡眠分期模型的损失值，并使用adam优化器对睡眠分期模型的参数进行更新，训练批次包括至少两个样本数据，每个样本数据由第一信息转化得到。
[0105]
逻辑单元47，用于若在预设数量的训练批次内损失值变化率小于第二预设值，停止训练并保存模型。
[0106]
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0107]
实施例3：
[0108]
相应于上面的方法实施例，本实施例中还提供了一种多尺度特征融合的睡眠分期设备，下文描述的一种多尺度特征融合的睡眠分期设备与上文描述的一种多尺度特征融合的睡眠分期方法可相互对应参照。
[0109]
图3是根据示例性实施例示出的一种多尺度特征融合的睡眠分期设备800的框图。如图3所示，该多尺度特征融合的睡眠分期设备800可以包括：处理器801，存储器802。该多尺度特征融合的睡眠分期设备800还可以包括多媒体组件803，i/o接口804，以及通信组件805中的一者或多者。
[0110]
其中，处理器801用于控制该多尺度特征融合的睡眠分期设备800的整体操作，以完成上述的多尺度特征融合的睡眠分期方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该多尺度特征融合的睡眠分期设备800的操作，这些数据例如可以包括用于在该多尺度特征融合的睡眠分期设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称
rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该多尺度特征融合的睡眠分期设备800与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near fieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：wi-fi模块，蓝牙模块，nfc模块。
[0111]
在一示例性实施例中，多尺度特征融合的睡眠分期设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digitalsignal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的多尺度特征融合的睡眠分期方法。
[0112]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的多尺度特征融合的睡眠分期方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由多尺度特征融合的睡眠分期设备800的处理器801执行以完成上述的多尺度特征融合的睡眠分期方法。
[0113]
实施例4：
[0114]
相应于上面的方法实施例，本实施例中还提供了一种存储介质，下文描述的一种存储介质与上文描述的一种多尺度特征融合的睡眠分期方法可相互对应参照。
[0115]
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的多尺度特征融合的睡眠分期方法的步骤。
[0116]
该存储介质具体可以为u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的存储介质。
[0117]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0118]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
技术特征：1.一种多尺度特征融合的睡眠分期方法，其特征在于，包括：获取第一信息，所述第一信息包括至少两个心电信号数据和每个心电信号数据对应的睡眠期间；基于多头注意力机制和神经网络算法建立睡眠分期模型；将所述第一信息转化为数据集，并利用所述数据集训练所述睡眠分期模型得到训练后的所述睡眠分期模型；利用所述训练后的睡眠分期模型对测试者的心电信号数据进行识别，得到所述测试者在睡眠期间的睡眠状态。2.根据权利要求1所述的多尺度特征融合的睡眠分期方法，其特征在于,基于多头注意力机制和神经网络算法建立睡眠分期模型，之前还包括：对每个所述心电信号数据进行噪声处理，并更新所述心电信号数据为噪声处理后的数据；其中，所述噪声处理包括：对一个所述心电信号数据进行小波变换分解得到近似系数组和细节系数组，所述近似系数组和所述细节系数组均包括六个系数；以所述近似系数组中第六个系数和所述细节系数组整体为重构基础信息，并通过小波重构方法重新生成心电信号，其中，所述细节系数组中第六个系数的系数为零。3.根据权利要求1所述的多尺度特征融合的睡眠分期方法，其特征在于,所述基于多头注意力机制和神经网络算法建立睡眠分期模型，包括：根据多头注意力机制构建多尺度注意力模型，所述多尺度注意力模型的输入信息分别为所述心电信号数据在至少两个不同的时间长度下提取的心率变异性特征集和每个所述心率变异性特征集对应的编码，所述多尺度注意力模型的输出信息分别为在每个时间长度对应的心电信号序列，每个所述时间长度之间具有重叠的时序，所述心率变异性特征集内包括至少一个心率变异性特征；构建向量拼接模型，所述向量拼接模型的输入信息为每个时间长度对应的心电信号序列，所述向量拼接模型的输出信息为一个拼接向量，所述拼接向量包含每个时间长度对应的心电信号序列；构建双向长短时记忆网络模型，所述双向长短时记忆网络模型的输入信息为所述心电信号数据在每个时间长度下对应的心电信号序列；构建全连接层和softmax激活函数，所述全连接层的输入信息为所述双向长短时记忆网络模型的输出信息，所述softmax激活函数输入信息为所述全连接层的输出信息。4.根据权利要求1所述的多尺度特征融合的睡眠分期方法，其特征在于,将所述第一信息转化为数据集，包括：对所述心电信号数据进行至少两个不同的时间长度的划分，得到至少两个第二信息，每个所述第二信息均对应一个时间长度对所述心电信号数据划分的结果，每个所述第二信息内均包括至少两个第一子心电信号；对每个所述第一子心电信号进行特征提取，得到第三信息，所述第三信息包括每个所述第一子心电信号对应的心率变异性特征；分别对每个所述第二信息进行汉明窗分割得到至少两个第二子心电信号，每次所述汉
明窗分割的滑动长度等于每个所述第二信息对应划分的时间长度，所述第二子心电信号的时间长度为所述第一子心电信号的时间长度的整数倍关系；根据所述第二子心电信号与多个所述第一子心电信号的对应关系，将所述第三信息划分为数据集，所述数据集中每个元素均对应的一个第二子心电信号对应的多个心率变异性特征。5.一种多尺度特征融合的睡眠分期装置，其特征在于，包括：获取单元，用于获取第一信息，所述第一信息包括至少两个心电信号数据和每个心电信号数据对应的睡眠期间；模型构建单元，用于基于多头注意力机制和神经网络算法建立睡眠分期模型；模型训练单元，用于将所述第一信息转化为数据集，并利用所述数据集训练所述睡眠分期模型得到训练后的所述睡眠分期模型；睡眠期间识别单元，用于利用所述训练后的睡眠分期模型对测试者的心电信号数据进行识别，得到所述测试者在睡眠期间的睡眠状态。6.根据权利要求5所述的多尺度特征融合的睡眠分期装置，其特征在于，还包括：预处理单元，用于对每个所述心电信号数据进行噪声处理，并更新所述心电信号数据为噪声处理后的数据；其中，预处理单元包括：数据分解单元，用于对一个所述心电信号数据进行小波变换分解得到近似系数组和细节系数组，所述近似系数组和所述细节系数组均包括六个系数；数据重构单元，用于以所述近似系数组中第六个系数和所述细节系数组整体为重构基础信息，并通过小波重构方法重新生成心电信号，其中，所述细节系数组中第六个系数的系数为零。7.根据权利要求5所述的多尺度特征融合的睡眠分期装置，其特征在于，所述模型构建单元包括：第一构建单元，用于根据多头注意力机制构建多尺度注意力模型，所述多尺度注意力模型的输入信息分别为所述心电信号数据在至少两个不同的时间长度下提取的心率变异性特征集和每个所述心率变异性特征集对应的编码，所述多尺度注意力模型的输出信息分别为在每个时间长度对应的心电信号序列，每个所述时间长度之间具有重叠的时序，所述心率变异性特征集内包括至少一个心率变异性特征；第二构建单元，用于构建向量拼接模型，所述向量拼接模型的输入信息为每个时间长度对应的心电信号序列，所述向量拼接模型的输出信息为一个拼接向量，所述拼接向量包含每个时间长度对应的心电信号序列；第三构建单元，用于构建双向长短时记忆网络模型，所述双向长短时记忆网络模型的输入信息为所述心电信号数据在每个时间长度下对应的心电信号序列；第四构建单元，用于构建全连接层和softmax激活函数，所述全连接层的输入信息为所述双向长短时记忆网络模型的输出信息，所述softmax激活函数输入信息为所述全连接层的输出信息。8.根据权利要求5所述的多尺度特征融合的睡眠分期装置，其特征在于，所述模型训练单元包括：
第一划分单元，用于对所述心电信号数据进行至少两个不同的时间长度的划分，得到至少两个第二信息，每个所述第二信息均对应一个时间长度对所述心电信号数据划分的结果，每个所述第二信息内均包括至少两个第一子心电信号；特征提取单元，用于对每个所述第一子心电信号进行特征提取，得到第三信息，所述第三信息包括每个所述第一子心电信号对应的心率变异性特征；第二划分单元，用于分别对每个所述第二信息进行汉明窗分割得到至少两个第二子心电信号，每次所述汉明窗分割的滑动长度等于每个所述第二信息对应划分的时间长度，所述第二子心电信号的时间长度为所述第一子心电信号的时间长度的整数倍关系；数据集生成单元，用于根据所述第二子心电信号与多个所述第一子心电信号的对应关系，将所述第三信息划分为数据集，所述数据集中每个元素均对应的一个第二子心电信号对应的多个心率变异性特征。9.一种多尺度特征融合的睡眠分期设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述多尺度特征融合的睡眠分期方法的步骤。10.一种存储介质，其特征在于：所述存储介质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权利要求1至4任一项所述多尺度特征融合的睡眠分期方法的步骤。
技术总结本发明提供了一种多尺度特征融合的睡眠分期方法、装置、设备及存储介质，涉及睡眠分期技术领域，包括获取第一信息，第一信息包括至少两个心电信号数据和每个心电信号数据对应的睡眠期间；基于多头注意力机制和神经网络算法建立睡眠分期模型；将第一信息转化为数据集，并利用数据集训练睡眠分期模型得到训练后的睡眠分期模型；利用训练后的睡眠分期模型对测试者的心电信号数据进行识别，得到测试者在睡眠期间的睡眠状态，本发明通过基于单通道心电信号提取并融合不同大小的时间长度划分下的心率变异性特征，从不同尺度反映心电信号的特征信息，使其能够包含更全面的特征信息，提高了心电信号的表征能力。使得睡眠分期准确率、稳定性提升。稳定性提升。稳定性提升。
技术研发人员：滕飞 王昭烁 郭劲宏 李鹏 张永超 窦艳玲 许强
受保护的技术使用者：西南交通大学
技术研发日：2022.06.21
技术公布日：2022/11/1
