(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211373110.3 (22)申请日 2022.11.04 (71)申请人 之江实验室 地址 311100 浙江省杭州市余杭区中泰街 道之江实验室南湖总部 (72)发明人 张徽　时拓　刘琦　高丽丽　 王志斌　顾子熙　李一琪　崔狮雨　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 孙孟辉 (51)Int.Cl. A61B 5/374(2021.01) A61B 5/00(2006.01) G06K 9/00(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于脉冲神经网络的睡眠类型分类方 法和装置 (57)摘要 本发明公开一种基于脉冲神经网络的睡眠 类型分类方法和装置， 该方法包括： 步骤一， 获取 开源睡眠脑电图数据集； 步骤二， 将数据集中脑 电图信号分割成多个第一片段信号， 删除不需要 的第一片段信号， 并归一化剩余的第一片段信 号； 步骤三， 分割归一化后的第一片段信号， 得到 第二片段信号； 步骤四， 将每一个第二片段信号 进行事件编码， 获得第二片段事件信号， 并分为 训练集和测试集； 步骤五， 构建脉冲神经网络模 型及其损失函数进行各项参数梯度求解； 步骤 六， 在训练集上进行脉冲神经网络模型优化训 练， 利用训练好的脉冲神经网络模 型对测试集进 行识别， 实现睡眠类型分类。 本发明相比传统神 经网络分类检测具有计算量更少、 更节能的优 点。 权利要求书3页 说明书7页 附图4页 CN 115429293 A 2022.12.06 CN 115429293 A 1.一种基于脉冲神经网络的睡眠类型分类方法， 其特 征在于， 包括以下步骤： 步骤一， 获取开源的睡眠脑电图数据集； 步骤二， 按照数据集中睡眠类型分类标签将每一个脑电图数据信号分割成多个第 一片 段信号， 删除其中不需要的第一片段信号， 并将剩余的第一片段信号进 行归一化， 得到归一 化后的第一片段信号； 步骤三， 分割归一 化后的第一片段信号， 将分割后的信号作为第二片段信号； 步骤四， 将每一个第二片段信号进行事件编码， 获得第 二片段事件信号， 将所有第二片 段事件信号分为训练集和 测试集； 步骤五， 构建脉冲神经网络模型及其损失函数进行 各项参数梯度求 解； 步骤六， 在训练集上使用 梯度下降参数更新方法进行脉冲神经网络模型优化训练， 得 到训练好的脉冲神经网络模型， 再利用训练好的脉冲神经网络模型对测试集进行识别， 得 到预测的睡眠类型， 由此实现睡眠类型分类。 2. 如权利要求1所述的一种基于脉冲神经网络的睡眠类型分类方法， 其特征在于， 所 述的睡眠脑电图数据集为Sleep ‑EDF Database  Expanded数据集， 其中的每条数据包含脑 电图来自Fpz ‑Cz和Pz‑Oz电极位置的数据信号、 临床眼电图、 下颌肌电图和事件 标记的整夜 睡眠记录 。 3. 如权利要求2所述的一种基于脉冲神经网络的睡眠类型分类方法， 其特征在于， 所 述步骤二， 具体为： 使用8个标签对获取的数据集中的脑电图Fpz ‑Cz电极位置的数据信号进 行标注， 分割成8个第一片段信号， 分别代表8个阶段： Wake表示的清醒阶段， Stage  1表示的 第1阶段， Stage  2表示的第2阶段， Stage  3表示的第3阶段， Stage  4表示的第 4阶段， Stage   R表示的快速眼运动睡眠阶段， Movement  time表示的非快速眼运动阶段， Stage  N表示的其 他未得分阶段； 使用其中的6个第一片段信号， 即6个阶段， 包括： Wake、 第1阶段、 第2阶段、 第 3阶段、 第4阶段和St age R的阶段； 其余部分删掉， 并将第3阶段与第4阶段归一化合并为一 个类别。 4.如权利要求1所述的一种基于脉冲神经网络的睡眠类型分类方法， 其特征在于， 所述 步骤三， 具体为： 判断每个归一化后的第一片段信号的时长， 当第一片段信号时长为所需间 隔时长的整数倍时， 按照每所需间隔时长分割一次的原则， 将其分割为相同长度的多个第 二片段信号； 当第一片段信号时长不为所需间隔时长的整数倍， 计算切割剩余长度， 若剩余 长度大于等于所需间隔时长的1/2， 则按照所需间隔时长由后往前进行最后一个第二片段 信号的切割； 若剩余长度小于所需间隔时长的1/2， 则将该剩余长度舍弃。 5.如权利要求4所述的一种基于脉冲神经网络的睡眠类型分类方法， 其特征在于， 所述 步骤四， 具体包括以下子步骤： 步骤4.1， 使用窗口长度为L， 步长为L/3的滑窗对每一个第二片段信号进行滑窗， 得到 一组维度为 的第三片段信号， 其中 为时间步长数量； 步骤4.2， 使用均匀分布随机数发生器生成维度与第三片段信号相同， 值在[0,1]之间 的随机数组； 步骤4.3， 判断随机数组中的随机数值与对应位置的第三片段信号数值大小， 若随机数 值大于第三片段信号数值， 则第三片段信号该位置不发生事件； 若随机数小于或等于第三权　利　要　求　书 1/3 页 2 CN 115429293 A 2片段信号数值， 则第三片段信号该位置发生事件； 因此得到事件编码后的第三片段事件信 号； 步骤4.4， 将第三片段事 件信号按照比例分为训练集和 测试集。 6. 如权利要求1所述的一种基于脉冲神经网络的睡眠类型分类方法， 其特征在于， 所 述步骤五中的构建脉冲神经网络模型， 具体包括以下子步骤： 步骤5.1， 构建脉冲神经网络LIF神经元层， 具体为构建泄露量为前一个时间步膜电位 的LIF神经元， 表达式为： 其中 是指对于该神经 元共有 个来自于 层神经元的输入； ： 表示第 层脉冲神经 元在第t个时间步的电压值； ： 表示脉冲神经 元的阈值电压； ： 表示第 层脉冲神经 元在第t个时间步的脉冲值； ： 表示第 层中第i神经 元在t个时间步长的脉冲值； ： 表示第 层中第 个突触的权 重； 步骤5.2， 构建脉冲神经网络突触层， 其中神经元与突触层 之间的连接均代表任意的线 性操作， 包括全连接层、 卷积层； 步骤5.3， 构建网络的输出层， 输出层即为网络最后的分类层， 输出为隐含层神经元放 电率。 7.如权利要求6所述的一种基于脉冲神经网络的睡眠类型分类方法， 其特征在于， 所述 步骤五中的构建脉冲神经网络模型的损失函数进 行各项参数梯度求解， 具体包括以下子步 骤： 步骤5.4， 构建模型训练中的损失函数， 包括： 均方差损失函数 ， 表示脉冲神经网 络模型的输出， 表示训练样本的标签； 因此训练中的损失函数表示 为： 步骤5.5， 基于LIF神经元计算公式， 采用双曲正弦函数近似传播函数模拟反向传播， 表 达式为： ， ， ，权　利　要　求　书 2/3 页 3 CN 115429293 A 3