本發(fā)明屬于生物醫(yī)學(xué)工程與人工智能交叉領(lǐng)域，聚焦于利用s-eeg信號預(yù)測睡眠障礙的方法與系統(tǒng)。

背景技術(shù)：

1、睡眠障礙是一類嚴(yán)重影響個體健康和生活質(zhì)量的疾病，涵蓋入睡困難、睡眠維持障礙、睡眠節(jié)律紊亂及過度白日嗜睡等癥狀。這些癥狀不僅導(dǎo)致短期內(nèi)的認(rèn)知功能下降、情緒波動和記憶力減退，還可能引發(fā)長期健康問題，如心血管疾病、代謝綜合征及精神健康障礙。因此，早期發(fā)現(xiàn)和干預(yù)睡眠障礙具有重要臨床意義。s-eeg信號作為睡眠障礙預(yù)測的核心標(biāo)志物，通過分析其特征能夠?qū)崿F(xiàn)睡眠分期、質(zhì)量評估及異常模式檢測。然而，s-eeg信號的非線性和非平穩(wěn)性，以及易受噪聲干擾的特性，使得高精度睡眠障礙預(yù)測面臨重大挑戰(zhàn)。

2、傳統(tǒng)s-eeg信號分析方法依賴手動提取時域、頻域和時頻域特征，并結(jié)合經(jīng)典機(jī)器學(xué)習(xí)算法進(jìn)行睡眠狀態(tài)評估。然而，這些方法在捕捉非線性特征、處理非平穩(wěn)信號及高維數(shù)據(jù)方面存在顯著局限，特征提取效率低且難以自適應(yīng)調(diào)整。近年來，深度學(xué)習(xí)技術(shù)的引入為睡眠障礙預(yù)測提供了新方向，尤其是lstm因其在時序建模中的優(yōu)勢被廣泛應(yīng)用。結(jié)合注意力機(jī)制的lstm模型進(jìn)一步提升了s-eeg信號動態(tài)特征的捕捉能力。然而，現(xiàn)有深度學(xué)習(xí)方法在信號分解和參數(shù)優(yōu)化方面仍存在不足，直接分析s-eeg信號可能導(dǎo)致頻段混疊，影響預(yù)測精度。

3、vmd作為一種先進(jìn)的信號分解技術(shù)，能夠?qū)-eeg信號分解為不同頻率的imfs，從而便于提取各頻段特征以提高預(yù)測效果。盡管vmd在頻譜分析中表現(xiàn)優(yōu)異，但其模態(tài)數(shù)量和懲罰參數(shù)通常依賴經(jīng)驗(yàn)選擇，導(dǎo)致分解精度和穩(wěn)定性受限。為解決這一問題，研究者嘗試采用元啟發(fā)式優(yōu)化算法(如粒子群優(yōu)化、遺傳算法)對vmd參數(shù)進(jìn)行優(yōu)化，以提高分解質(zhì)量。然而，這些方法在全局參數(shù)搜索和復(fù)雜信號適應(yīng)性方面仍顯不足，常陷入局部最優(yōu)，難以充分挖掘s-eeg信號的深層信息。

4、現(xiàn)有技術(shù)的缺點(diǎn)總結(jié)如下：

5、(1)傳統(tǒng)s-eeg信號分析方法依賴手動特征提取和經(jīng)典機(jī)器學(xué)習(xí)，難以有效捕捉信號的非線性和非平穩(wěn)特性，導(dǎo)致特征提取效率低，預(yù)測精度有限。

6、(2)現(xiàn)有vmd分解方法在參數(shù)選擇上依賴經(jīng)驗(yàn)，模態(tài)數(shù)量和懲罰參數(shù)的非自適應(yīng)性降低了信號分解的精確性和穩(wěn)定性，易造成頻段混疊。

7、(3)現(xiàn)有元啟發(fā)式優(yōu)化算法在vmd參數(shù)優(yōu)化中缺乏全局搜索能力，易陷入局部最優(yōu)，且對初始參數(shù)依賴性強(qiáng)，可能導(dǎo)致分解效果不佳，進(jìn)而影響后續(xù)睡眠障礙預(yù)測的性能。

8、(4)現(xiàn)有睡眠障礙預(yù)測系統(tǒng)缺乏模塊間的協(xié)同優(yōu)化能力，導(dǎo)致信號處理與特征分析的整體效率低下，限制了預(yù)測結(jié)果的可靠性。

技術(shù)實(shí)現(xiàn)思路

1、為克服現(xiàn)有技術(shù)中s-eeg信號分析和睡眠障礙預(yù)測的局限性，本發(fā)明的目的在于提出一種基于rime優(yōu)化與多頭自注意力機(jī)制-長短時記憶網(wǎng)絡(luò)(multi-headed?self-attention?long?short-term?memory,mhsa-lstm)的睡眠障礙預(yù)測方法及系統(tǒng)。該方法通過自適應(yīng)優(yōu)化vmd參數(shù)、動態(tài)加權(quán)特征提取和時序建模相結(jié)合，有效解決s-eeg信號的非線性和非平穩(wěn)性問題，實(shí)現(xiàn)高精度睡眠障礙預(yù)測，適用于臨床診斷和干預(yù)。本發(fā)明主要解決以下問題：

2、(1)針對傳統(tǒng)vmd分解參數(shù)依賴經(jīng)驗(yàn)選擇導(dǎo)致信號分解精度低和頻段混疊的問題，采用rime優(yōu)化算法自適應(yīng)確定vmd參數(shù)以提升分解質(zhì)量。

3、(2)針對現(xiàn)有特征提取方法缺乏動態(tài)加權(quán)機(jī)制無法突出關(guān)鍵特征的問題，引入mhsa動態(tài)加權(quán)imfs以增強(qiáng)特征提取能力。

4、(3)針對現(xiàn)有深度學(xué)習(xí)模型難以捕捉s-eeg信號時序依賴關(guān)系導(dǎo)致分類精度有限的問題，利用lstm進(jìn)行時序建模以提高預(yù)測精度。

5、(4)針對現(xiàn)有系統(tǒng)缺乏模塊間協(xié)同優(yōu)化能力導(dǎo)致整體效率低下的問題，設(shè)計(jì)模塊化遞進(jìn)系統(tǒng)以提升信號處理與特征分析的協(xié)同效率。

6、為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：

7、一種基于深度學(xué)習(xí)與信號分解的睡眠障礙預(yù)測方法，包括以下步驟：

8、a)信號采集：獲取s-eeg信號；

9、b)參數(shù)優(yōu)化：利用rime優(yōu)化算法自適應(yīng)地確定vmd的模態(tài)數(shù)量k和懲罰參數(shù)α；

10、c)信號分解：使用步驟b)中確定的k和α對s-eeg信號進(jìn)行vmd分解，得到一系列imfs；

11、d)特征提取：對分解得到的imfs進(jìn)行特征提取和篩選，得到特征矩陣；

12、e)特征加權(quán)：利用mhsa對特征矩陣進(jìn)行加權(quán)處理，得到加權(quán)特征；

13、f)時序預(yù)測：將加權(quán)特征輸入到lstm中，通過時序建模預(yù)測睡眠障礙；

14、g)結(jié)果輸出：根據(jù)lstm的輸出結(jié)果，生成睡眠障礙的預(yù)測信息，包括睡眠階段分類和異常檢測。

15、進(jìn)一步地，步驟a)中的信號采集包括：使用多通道腦電設(shè)備采集s-eeg信號，通道包括f3-a2、f4-a1、c3-a2、c4-a1、o1-a2、o2-a1；對采集信號進(jìn)行預(yù)處理，包括小波閾值去噪和4-40hz帶通濾波，以去除噪聲和偽跡。

16、進(jìn)一步地，步驟b)中的參數(shù)優(yōu)化具體包括：通過rime優(yōu)化算法模擬霜粒群體的動態(tài)行為，搜索vmd的最優(yōu)模態(tài)數(shù)量k和懲罰參數(shù)α；

17、優(yōu)化目標(biāo)為最小化重構(gòu)誤差(re)和頻譜分離度(fs)的加權(quán)和，定義為：

18、loss＝λ1·re+λ2·fs

19、其中,表示重構(gòu)誤差，fs衡量模態(tài)間的頻率區(qū)分度，λ1,λ2為可調(diào)權(quán)重系數(shù)；

20、通過迭代更新霜粒位置，直至目標(biāo)函數(shù)收斂或達(dá)到最大迭代次數(shù)，輸出最優(yōu)參數(shù)k和α。

21、進(jìn)一步地，步驟c)中的信號分解具體為：基于步驟b)中優(yōu)化的k和α，通過vmd將s-eeg信號分解為一系列imfs，數(shù)學(xué)表達(dá)為：

22、

23、其中，x(t)為s-eeg信號，uk(t)為第k個固有模態(tài)函數(shù)；

24、通過優(yōu)化模態(tài)的中心頻率和頻譜寬度，確保imfs的頻率分離性，中心頻率更新公式為：

25、

26、其中，uk(f)為uk(t)的傅里葉變換，ωk為第k個模態(tài)的中心頻率。

27、進(jìn)一步地，步驟d)中的特征提取具體包括：

28、⑤時域特征：計(jì)算均方根(rms)和過零率(zcr)，rms公式為：

29、

30、⑥頻域特征：計(jì)算頻帶能量，公式為：

31、

32、其中，f1和f2為目標(biāo)頻帶范圍；

33、⑦時頻域特征：通過短時傅里葉變換(stft)計(jì)算能量，公式為：

34、

35、其中，ω(τ-t)為窗函數(shù)；

36、⑧特征篩選：基于睡眠分期的頻率標(biāo)準(zhǔn)篩選imfs，具體條件為：

37、wake階段：主頻fdom≥8hz，且零交叉率(zcr)>0.3；

38、rem階段：4hz≤fdom≤13hz；

39、nrem階段：0.5hz≤fdom≤7hz；

40、計(jì)算imfs與原始信號的皮爾遜相關(guān)系數(shù)，保留相關(guān)系數(shù)高于閾值的imfs。

41、進(jìn)一步地，步驟e)中的特征加權(quán)具體為：利用mhsa通過多個注意力頭并行計(jì)算特征權(quán)

42、重，每個頭的注意力分?jǐn)?shù)計(jì)算為：

43、

44、其中，qi,kj分別為第i個查詢向量和第j個鍵向量，n為輸入特征數(shù)量，dk為鍵向量的維度；

45、通過加權(quán)求和生成加權(quán)特征，公式為：

46、

47、其中，vj為值向量；拼接多頭輸出并通過線性變換生成最終特征表示。

48、進(jìn)一步地，步驟f)中的時序預(yù)測具體為：將加權(quán)特征輸入lstm網(wǎng)絡(luò)，lstm的隱藏狀態(tài)

49、更新公式為：

50、ht＝ot·tanh(ct)

51、其中，ot為輸出門，ct為單元狀態(tài)；

52、lstm網(wǎng)絡(luò)采用relu激活函數(shù)，定義為：

53、σ(x)＝max(0,x)

54、通過全連接層將lstm輸出映射到睡眠階段分類，輸出nrem、rem和wake階段的概率。

55、本發(fā)明還提出一種基于深度學(xué)習(xí)與信號分解的睡眠障礙預(yù)測系統(tǒng)，包括：

56、a)信號獲取模塊：提供干凈的s-eeg信號，作為整個系統(tǒng)的起點(diǎn)，為參數(shù)優(yōu)化和信號分解奠定基礎(chǔ)；

57、b)參數(shù)優(yōu)化模塊：生成vmd的最優(yōu)參數(shù)，直接支持信號分解模塊的精準(zhǔn)運(yùn)行；

58、c)信號分解模塊：輸出imfs，為特征提取模塊提供分解后的信號分量；

59、d)特征提取模塊：生成特征矩陣，為特征加權(quán)模塊提供關(guān)鍵特征數(shù)據(jù)；

60、e)特征加權(quán)模塊：優(yōu)化特征表示，為時序預(yù)測模塊提供更具針對性的輸入；

61、f)時序預(yù)測模塊：完成睡眠障礙預(yù)測，為結(jié)果輸出模塊提供核心依據(jù)；

62、g)結(jié)果輸出模塊：生成最終診斷信息，完成系統(tǒng)功能。

63、進(jìn)一步地，步驟a)信號獲取模塊配置為通過多通道腦電設(shè)備采集并預(yù)處理s-eeg信號，生成高質(zhì)量的干凈信號，直接為參數(shù)優(yōu)化模塊和信號分解模塊提供輸入數(shù)據(jù)，支持后續(xù)信號分析的精度。

64、進(jìn)一步地，步驟b)參數(shù)優(yōu)化模塊配置為通過處理器自動搜索vmd的最優(yōu)參數(shù)，包括模態(tài)數(shù)量和懲罰參數(shù)，確保信號分解模塊能夠高效、準(zhǔn)確地將s-eeg信號分解為imfs。

65、進(jìn)一步地，步驟c)信號分解模塊配置為利用參數(shù)優(yōu)化模塊提供的參數(shù)，對輸入的s-eeg信號進(jìn)行分解，生成頻率分明的imfs，作為特征提取模塊的信號基礎(chǔ)。

66、進(jìn)一步地，步驟d)特征提取模塊配置為從信號分解模塊輸出的imfs中提取多維度特征，并生成結(jié)構(gòu)化的特征矩陣，為特征加權(quán)模塊提供清晰且關(guān)鍵的數(shù)據(jù)支持。

67、進(jìn)一步地，步驟e)特征加權(quán)模塊配置為通過處理器對特征矩陣進(jìn)行動態(tài)加權(quán)處理，增強(qiáng)特征的區(qū)分性，生成優(yōu)化后的特征表示，直接支持時序預(yù)測模塊的預(yù)測精度。

68、進(jìn)一步地，步驟f)時序預(yù)測模塊配置為接收特征加權(quán)模塊的輸出，通過時序分析生成睡眠障礙的預(yù)測結(jié)果，為結(jié)果輸出模塊提供可靠的核心依據(jù)。

69、本發(fā)明的有益效果如下：

70、本發(fā)明通過rime優(yōu)化、多頭自注意力機(jī)制(mhsa)和長短時記憶網(wǎng)絡(luò)(lstm)的集成，顯著提升了s-eeg信號分析和睡眠障礙預(yù)測的性能，具有以下有益效果：

71、(1)通過rime優(yōu)化算法自適應(yīng)確定vmd參數(shù)，克服了傳統(tǒng)方法中參數(shù)依賴經(jīng)驗(yàn)選擇的局限，提升了信號分解的精確性和穩(wěn)定性，有效減少頻段混疊，為后續(xù)特征提取提供高質(zhì)量的imfs。

72、(2)引入mhsa動態(tài)加權(quán)機(jī)制，增強(qiáng)了特征提取的針對性，能夠突出與睡眠障礙相關(guān)的關(guān)鍵特征，提升模型對復(fù)雜非平穩(wěn)信號的表達(dá)能力。

73、(3)利用lstm進(jìn)行時序建模，改善了深度學(xué)習(xí)模型對s-eeg信號時序依賴關(guān)系的捕捉能力，從而提升了睡眠階段分類和異常檢測的預(yù)測精度。

74、(4)設(shè)計(jì)模塊化遞進(jìn)系統(tǒng)，優(yōu)化了信號處理與特征分析的協(xié)同效率，克服了現(xiàn)有系統(tǒng)模塊間缺乏協(xié)同的不足，提升了整體預(yù)測的可靠性和魯棒性。