1.一种基于平行频域脑电信号的睡眠阶段分期方法,其特征在于,包含如下内容:
获取带有分期标签的真实频域脑电信号,并利用深度生成模型产生与真实频域脑电信号概率分布相同/相似的虚拟频域脑电信号,将真实频域脑电信号和虚拟频域脑电信号按比例随机组合得到平行频域脑电信号样本数据集;其中,利用多导睡眠记录仪采集若干名健康成年实验对象的脑电信号数据,并利用火烈鸟优化算法从已有多个脑电信号采集通道中筛选出最优单通道脑电信号,结合睡眠分期标准获取最优单通道脑电信号时间序列相应分期标签,利用最优单通道脑电信号及对应标签得到真实频域脑电信号;火烈鸟优化算法中,对多导睡眠记录仪若干候选脑电信号采集通道进行二进制编码,利用表示脑电信号采集通道脑电信号时间序列小波变换后各波段对应的小波变换系数之和占总能量比的算法目标函数选择噪声干扰最小的脑电信号采集通道;对最优单通道脑电信号时间序列采用小波变换来计算相应频段的小波系数,利用公式 获取所需频段内相对脑电信号能量,并通过对各频段内相对脑电信号能量进行归一化处理得到真实频域脑电信号,其中,小波变换系数Cα、Cβ、Cθ和Cδ分别代表α、β、θ和δ频段的脑电信号能量,小波系数Ci表示其他频段的脑电信号能量,i∈FB,FB表示其他频段小波系数指标集合,表示字符α、β、θ或δ;并利用生成对抗网络SS‑GAN作为深度生成模型来获取符合要求的虚拟频域脑电信号,其中,生成对抗网络SS‑GAN包含:用于产生虚拟频域脑电信号的生成器,及用于区分虚拟和真实频域脑电信号的判别器,并利用目标函数来度量真实频域脑电信号概率分布和虚拟频域脑电信号概率分布的差异,通过度量结果对生成器和判别器参数进行稀疏约束;
利用平行频域脑电信号样本数据集作为输入对睡眠分期分类器模型进行训练优化,其中,睡眠分期分类器模型包含用于将输入均分为若干份输入数据的均分模块、与均分后每份输入数据对应用于对输入数据进行分类的若干个体分类器、及用于通过权值来融合各个体分类器分类结果的最终输出模块;且个体分类器采用F‑transformer模型结构,该F‑transformer模型结构包括用于对输入信号及相同维度嵌入位置进行编码的编码单元、用于堆叠提取输入信号特征向量的特征提取单元、及用于通过全连接网络和softmax函数对特征向量进行睡眠阶段分期的分类单元;最终输出模块的输出类别概率表示为:n表示个体分类器数目,pi和wi分别表示个体分类器的输出类别概率和其相
应权值;并利用分层遗传粒子群优化算法来确定个体分类器数目及对应权值,具体包含如下内容:依据个体分类器数目上限初始化结构种群,并随机产生若干个与个体分类器对应的二进制个体,利用粒子群优化算法对每个二进制个体输出权值进行优化获取结构种群中二进制个体对应的最优输出权值向量及其适应值,以得到结构种群中二进制个体的适应值;根据适应值获取种群中个体选择概率,采用遗传算子并依据赌轮盘原理选择繁殖父代,随机从繁殖父代中选择两个个体并以交叉概率进行多点交叉操作,得到交叉后的子代个体,通过随机位置翻转以变异概率对交叉后的子代种群进行变异操作,获取新的种群;并依据个体分类器数目上限设置新的种群中个体十进制范围;
利用训练优化后的睡眠分期分类器模型对待监测目标进行睡眠阶段分期。
2.根据权利要求1所述的基于平行频域脑电信号的睡眠阶段分期方法,其特征在于,特征提取单元中,利用混沌遗传算法优化F‑transformer堆叠模块数目N,利用N个F‑transformer模块堆叠提取输入信号特征向量。
3.一种基于平行频域脑电信号的睡眠阶段分期系统,其特征在于,包含如下内容:样本收集模块、模型训练模块和目标诊断模块,其中,
样本收集模块,用于获取带有分期标签的真实频域脑电信号,并利用深度生成模型产生与真实频域脑电信号概率分布相同/相似的虚拟频域脑电信号,将真实频域脑电信号和虚拟频域脑电信号按比例随机组合得到平行频域脑电信号样本数据集;其中,利用多导睡眠记录仪采集若干名健康成年实验对象的脑电信号数据,并利用火烈鸟优化算法从已有多个脑电信号采集通道中筛选出最优单通道脑电信号,结合睡眠分期标准获取最优单通道脑电信号时间序列相应分期标签,利用最优单通道脑电信号及对应标签得到真实频域脑电信号;火烈鸟优化算法中,对多导睡眠记录仪若干候选脑电信号采集通道进行二进制编码,利用表示脑电信号采集通道脑电信号时间序列小波变换后各波段对应的小波变换系数之和占总能量比的算法目标函数选择噪声干扰最小的脑电信号采集通道;对最优单通道脑电信号时间序列采用小波变换来计算相应频段的小波系数,利用公式获取所需频段内相对脑电信号能量,并通过对各频段内相对脑电信号能量进行归一化处理得到真实频域脑电信号,其中,小波变换系数Cα、Cβ、Cθ和Cδ分别代表α、β、θ和δ频段的脑电信号能量,小波系数Ci表示其他频段的脑电信号能量,i∈FB,FB表示其他频段小波系数指标集合,表示字符α、β、θ或δ;并利用生成对抗网络SS‑GAN作为深度生成模型来获取符合要求的虚拟频域脑电信号,其中,生成对抗网络SS‑GAN包含:用于产生虚拟频域脑电信号的生成器,及用于区分虚拟和真实频域脑电信号的判别器,并利用目标函数来度量真实频域脑电信号概率分布和虚拟频域脑电信号概率分布的差异,通过度量结果对生成器和判别器参数进行稀疏约束;
模型训练模块,用于利用平行频域脑电信号样本数据集作为输入对睡眠分期分类器模型进行训练优化,其中,睡眠分期分类器模型包含用于将输入均分为若干份输入数据的均分模块、与均分后每份输入数据对应用于对输入数据进行分类的若干个体分类器、及用于通过权值来融合各个体分类器分类结果的最终输出模块;且个体分类器采用F‑transformer模型结构,该F‑transformer模型结构包括用于对输入信号及相同维度嵌入位置进行编码的编码单元、用于堆叠提取输入信号特征向量的特征提取单元、及用于通过全连接网络和softmax函数对特征向量进行睡眠阶段分期的分类单元;最终输出模块的输出类别概率表示为: n表示个体分类器数目,pi和wi分别表示个体分类器的输出类别概率和其相应权值;并利用分层遗传粒子群优化算法来确定个体分类器数目及对应权值,具体包含如下内容:依据个体分类器数目上限初始化结构种群,并随机产生若干个与个体分类器对应的二进制个体,利用粒子群优化算法对每个二进制个体输出权值进行优化获取结构种群中二进制个体对应的最优输出权值向量及其适应值,以得到结构种群中二进制个体的适应值;根据适应值获取种群中个体选择概率,采用遗传算子并依据赌轮盘原理选择繁殖父代,随机从繁殖父代中选择两个个体并以交叉概率进行多点交叉操作,得到交叉后的子代个体,通过随机位置翻转以变异概率对交叉后的子代种群进行变异操作,获取新的种群;并依据个体分类器数目上限设置新的种群中个体十进制范围;
目标诊断模块,用于利用训练优化后的睡眠分期分类器模型对待监测目标进行睡眠阶段分期。