Результат интеллектуальной деятельности: СПОСОБ ОПРЕДЕЛЕНИЯ ФАЗЫ СНА В ДЛИТЕЛЬНОЙ ЗАПИСИ ЭЭГ

ОБЛАСТЬ ТЕХНИКИ

Настоящее техническое решение относится к областям медицины и вычислительной техники, в частности, к способу автоматического определения фазы сна в длительной записи электроэнцефалограммы (далее - ЭЭГ) при помощи машинного обучения.

УРОВЕНЬ ТЕХНИКИ

Из уровня техники известен источник информации KR 101395197 B1, 15.05.2014 раскрывающий способ определения состояния сна пациента в течение определенного периода времени, содержащий этапы, на которых получают данные ЭЭГ для пациента в течение указанного периода времени, причем данные ЭЭГ содержат, по меньшей мере, один первый частотный диапазон, имеющий более низкую мощность в частотном спектре, второй частотный диапазон в частотном спектре, этап приема, показывающий динамический диапазон. Осуществляют сегментирование данных о мозговых волнах на одну или несколько эпох. Осуществляют взвешивания частотных мощностей одной или нескольких эпох с течением времени для нормализации данных мозговой волны для формирования нормализованных данных, причем этап взвешивания включает в себя: этап взвешивания мощности частоты частотного спектра, увеличение динамического диапазона мощности в пределах первый частотный диапазон путем сравнения динамического диапазона мощности со вторым частотным диапазоном; и этап генерирования одной или более взвешенных по частоте эпох. Второй взвешивающий этап взвешивания малой мощности для повторной нормализации нормализованных данных в соответствии со второй мерой для формирования дважды нормализованных данных. Осуществляют классификацию состояния сна пациента на основе одной или нескольких частотно-взвешенных эпох.

Из уровня техники известен источник информации RU 2672684 C2, 19.11.2018, раскрывающий способ обнаружения стадий сна пациента осуществляют с помощью системы обнаружения стадий сна. При этом обеспечивают стимул для пациента с помощью источника стимулов. Формируют с помощью датчиков выходные сигналы, передающие информацию, связанную с одним или более физиологическими параметрами пациента, относящимися к ЭЭГ, ЭМГ, ЭОГ и движению пациента. Анализируют с помощью модуля реакции на основе одного или более физиологических параметров реакции на стимулы. Формируют с помощью модуля стадий сна оценку стадии сна пациента, основываясь на одном или более физиологических параметрах, и определяют вероятность точности оценки стадии сна. Определяют с помощью модуля сравнения, превышает ли вероятность точности оценки заданный порог. Обеспечивают с помощью модуля управления стимулами в ответ на вероятность точности оценки, не превышающую заданный порог, стимул повторной оценки для пациента. Обеспечение стимула повторной оценки для пациента выполняется повторно с нарастающей интенсивностью, пока вероятность точности оценки не превысит заданный порог. Анализируют с помощью модуля реакции реакцию на стимул повторной оценки, основываясь на одном или более физиологических параметрах. Повторно оценивают с помощью модуля стадий сна оценку стадии сна и/или вероятность точности оценки, основываясь на проанализированной реакции на стимул повторной оценки. Достигается повышение точности оценки определения стадий сна и увеличение вероятности точной оценки определения стадий сна.

Предлагаемое решение отличается от известных из уровня техники решений тем, что при обучении нейронной сети учитывают признаки мощности сигнала ЭЭГ в альфа – диапазоне, которые связаны с процессами сна, так альфа-волны уменьшаются при открытых глазах, сонливости и сне, затылочные альфа-волны в периоды закрытых глаз являются наиболее сильными сигналами ЭЭГ мозга. Данные параметры помогут точно соотнести сигнал ЭЭГ к фазам сна.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Технической проблемой, на решение которой направлено заявленное техническое решение, является создание компьютерно-реализуемого способа автоматического определения фазы сна в длительной записи ЭЭГ, который охарактеризован в независимом пункте формулы. Дополнительные варианты реализации настоящего изобретения представлены в зависимых пунктах изобретения.

Технический результат заключается в повышении точности классификации сигнала ЭЭГ по фазам сна.

Заявленный результат достигается за счет осуществления компьютерно-реализуемого способа автоматического определения фазы сна в длительной записи ЭЭГ, который содержит:

Подготовительный этап, на котором:

производят предобработку по меньшей мере одного сигнала ЭЭГ из базы данных, осуществляют фильтрацию по меньшей мере одного канала, осуществляют выделение по меньшей мере одной эпохи из по меньшей мере одного сигнала ЭЭГ и осуществляют поканальную нормализацию;

обучают первую нейронную сеть, на вход которой подают по меньшей мере одну эпоху по меньшей мере одного сигнала ЭЭГ, в которой используются по меньшей мере два канала, которые являются общими для всех субъектов, при этом

осуществляют автоматическое выделение признаков из по меньшей мере одной эпохи по меньшей мере одного сигнала ЭЭГ, посредством применения одномерного свёрточного слоя с большим размером фильтра и применением, по меньшей мере одного свёрточного блока, который обеспечивает больший уровень абстракции;

полученные признаки объединяют во входные последовательности, причем последовательность состоит из текущей эпохи и по меньшей мере одной предыдущей эпохи первой нейронной сети;

каждая эпоха делится на равные части по длине отрезка и по каждому отрезку, в каждом канале, вычисляют мощность сигнала в альфа диапазоне, полученные признаки добавляются к входной последовательности;

обучают вторую нейронную сеть, на вход которой подают полученную на предыдущем этапе входную последовательность, для определения временной динамики зависимости между эпохами;

Рабочий этап, на котором:

запускают обученные на предыдущем этапе первую и вторую нейронные сети, на вход первой нейронной сети подают по меньшей мере одну эпоху, по меньшей мере одного сигнала ЭЭГ, затем на вход второй нейронной сети подают входную последовательность, полученную от первой нейронной сети и содержащую признаки, вычисленные на основе мощности сигнала в альфа диапазоне;

осуществляют классификацию по меньшей мере одной эпохи, по меньшей мере одного сигнала ЭЭГ для определения вероятности принадлежности по меньшей мере одной эпохи к по меньшей мере одной фазе сна;

выводят результаты классификации.

В частном варианте реализации предлагаемого способа, фазы сна делятся на:

● W (wakefulness) - бодрствование;

● N1 - дремота;

● N2 - легкий сон;

● N3 - глубокий / медленный сон;

● REM (rapid eye movement) - фаза сна, сопровождающаяся быстрыми движениями глаз и сновидениями.

В другом частном варианте реализации заявленного способа, каналами, являющимися общими для всех субъектов, являются: A1, A2, C3, C4, Cz, F3, F4, F7, F8, Fp1, Fp2, Fz, O1, O2, P3, P4, Pz, T3, T4, T5, T6.

В другом частном варианте реализации заявленного способа, если по меньшей мере один сигнал ЭЭГ длиннее 30 секунд, то сигнал делят на 30-ти секундные эпохи.

ОПИСАНИЕ ЧЕРТЕЖЕЙ

Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:

Фиг.1 иллюстрирует общий вид заявленного компьютерно-реализуемого способа определения фазы сна в длительной записи ЭЭГ.

Фиг.2 иллюстрирует пример архитектуры свёрточно-рекуррентной нейронной сети для классификации сна по фазам.

Фиг. 3 иллюстрирует пример общей схемы вычислительного устройства.

ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ

В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.

Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.

Качество сна может быть связано с проблемами здоровья человека, касающиеся сердечно-сосудистых заболеваний, диабета, кроме того, психиатрические расстройства также влияют на сон. Деление сна на фазы может помочь в диагностировании заболеваний, которые могут быть выявлены через отличия паттернов стадий сна от здорового человека.

Настоящее изобретение направлено на осуществление компьютерно-реализуемого способа автоматического определения фазы сна в длительной записи ЭЭГ.

На Фиг.1 проиллюстрирован предлагаемый компьютерно-реализуемый способ автоматического определения фазы сна в длительной записи ЭЭГ (100), выполняющийся на вычислительном устройстве (300), содержащий два этапа работы: подготовительный (110) (этап обучения) и рабочий (120) (этап тестирования).

На подготовительном этапе (110), из базы данных поступает по меньшей мере один сигнал ЭЭГ, который уже размечен специалистом по фазам сна.

Текущий стандарт Американской Академии Медицины Сна (American Academy of Sleep Medicine, AASM) различает 5 основных стадий сна:

W (wakefulness) - бодрствование;

N1 - дремота;

N2 - легкий сон;

N3 - глубокий / медленный сон;

REM (rapid eye movement) - фаза сна, сопровождающаяся быстрыми движениями глаз и сновидениями.

Нормальный сон состоит из 3-5 характерных циклов. Один цикл длится примерно 90 минут и состоит из фаз N2, N3 и REM. Фаза N1 наблюдается в основном во время засыпания или пробуждений по ходу сна.

На этапе 111 осуществляют предобработку полученного сигнала из базы данных.

Если сигнал ЭЭГ длиннее 30 секунд, то такой сигнал делят на несколько 30-ти секундных эпох.

Выбирают каналы из по меньшей мере одной эпохи по меньшей мере одного сигнала ЭЭГ. Для получения точного результата был выбран 21 канал, который является общим для всех субъектов в выборке, а именно: A1, A2, C3, C4, Cz, F3, F4, F7, F8, Fp1, Fp2, Fz, O1, O2, P3, P4, Pz, T3, T4, T5, T6. Однако предлагаемое решение не ограничивает использование большего количества каналов.

Далее каждый канал фильтруют двусторонним фильтром Баттерворта с граничными частотами в 0.3 и 35.0 Герц для того, чтобы убрать не относящиеся к мозговой деятельности помехи: наводки от сети, мышечную активность и другие.

Так как на рабочем этапе алгоритма данные могут приходить с потенциально разных источников снятия ЭЭГ с разной частотой дискретизации, в то время как алгоритм должен настраиваться под одну конкретную частоту, все каналы были передискретезированы к частоте 100 Герц.

Последним шагом предобработки сигнала является поканальная нормализация. Для каждого канала считается среднее значение и стандартное отклонение по всему сигналу для данной записи, после чего происходит нормализация канала - то есть вычитается среднее значение и полученный результат делится на стандартное отклонение.

На этапе 112 осуществляется обучение первой свёрточной нейронной сети. Пример архитектуры нейронный сети, представлен на фиг.2 На вход свёрточной нейронной сети подается по меньшей мере один предобработанный сигнал ЭЭГ, а именно по меньшей мере одна 30-ти секундная эпоха предобработанного сигнала ЭЭГ, которая включает в себя 21 канал, являющийся общим для всех субъектов.

При этом осуществляют автоматическое выделение признаков из по меньшей мере одной эпохи сигнала ЭЭГ, где к входному сигналу применяется одномерный свёрточный слой с большим размером фильтра (50). Данный фильтр применяется для того, чтобы в окно попадали колебания низких частот, на которых находятся значимые признаки для выделения стадии N3 - глубокого сна, где присутствуют характерные колебания в дельта диапазоне 0.5-4 Hz.

Далее полученные признаки поступают на по меньшей мере один свёрточный блок для выделения признаков с большим уровнем абстракции. Для получения наиболее точного результат использовались три свёрточных блока, однако, можно использовать и большее количество блоков. Каждый блок включает:

1) Одномерный свёрточный слой с фильтром размера 5, для выделения признаков (шаги и число фильтров варьируются);

2) Слой max-pooling, который заключается в выполнении прохода окном фиксированного размера по изображению и агрегации значений интенсивностей пикселей окна, для снижения вычислительной сложности, регуляризации, трансляционной инвариантности.

Каждый свёрточный слой дополняется после себя последовательностью слоев BatchNormalization и Dropout для ускорения сходимости и предотвращения переобучения.

Далее идет классификационная часть из полносвязных слоев, которая завершается слоем softmax, выдающем нормализованное распределение вероятностей принадлежности эпохи по меньшей мере одной фазе сна.

Свёрточная нейронная сеть не учитывает временную динамику зависимости между эпохами, которая очень важна при определении фаз сна, поэтому предлагается дополнительно использовать рекуррентную нейронную сеть. Она состоит из двух Long Short-Term Memory (LSTM) слоев, использующих рекуррентную разновидность Dropout, и одного классификационного softmax слоя на конце.

Для того, чтобы сформировать вход для рекуррентной модели все обучающие данные (по меньшей мере одна эпоха по меньшей мере одного сигнала ЭЭГ) пропускают через свёрточную сеть вплоть до первого полносвязного слоя. Далее выход первого полносвязного слоя берут в качестве нового признакового описания исходного объекта. Поскольку свёрточная часть модели уже обучена, то эти признаки будут хорошо характеризовать исходный сигнал.

После чего, на этапе 113, эти признаки объединяются во входные последовательности длиной 6 эпох. Таким образом, входом рекуррентной сети служит последовательность из текущей и 5 предыдущих эпох в признаковом описании свёрточной сети.

Для устранения размытости границ между фазами W, N1, N2 и повышения точности классификации фаз сна, на этапе 114 рассчитывают мощность сигнала ЭЭГ в альфа диапазоне:

1) по меньшей мере одну эпоху делят на несколько отрезков, равных по длине;

2) по каждому отрезку в каждом канале считается мощность сигнала в альфа диапазоне. Для это выполняют дискретное преобразование Фурье, затем рассчитывают частоту дискретизации DFT и выделяют частоты в диапазоне от 8 Гц до 13 ГЦ. Вычисляют сумму квадратов спектральных коэффициентов, которые соответствуют выделенным частотам;

3) полученные признаки добавляются к признакам на этапе формирования входной последовательности для рекуррентной сети;

Например, эпоху делят на 3 отрезка равных по длине, в одной эпохе выделен 21 канал. По каждому отрезку, в каждом канале считают мощность сигнала в альфа диапазоне, получают 63 признака мощности сигнала в альфа диапазоне с одной эпохи сигнала ЭЭГ. Полученные признаки добавляют к признакам, формирующим входную последовательность.

На этапе 115 обучают рекуррентную нейронную сеть, на вход которой подают полученную на предыдущем этапе входную последовательность, для определения временной динамики зависимости между эпохами. На данном этапе заканчивается подготовительный этап.

На рабочем этапе 120 запускают обученные на предыдущем этапе первую и вторую нейронные сети (этап 121), на вход первой нейронной сети подают по меньшей мере одну эпоху, по меньшей мере одного сигнала ЭЭГ, затем на вход второй нейронной сети подают входную последовательность, полученную от первой нейронной сети и содержащую признаки, вычисленные на основе мощности сигнала в альфа диапазоне.

Осуществляют классификацию по меньшей мере одной эпохи, по меньшей мере одного сигнала ЭЭГ, на этапе 122, для определения вероятности принадлежности по меньшей мере одной эпохи к по меньшей мере одной фазе сна. Полученные результаты классификации выводят на рабочий экран, на этапе 123.

На Фиг. 3 далее будет представлена общая схема вычислительного устройства (300), обеспечивающего обработку данных, необходимую для реализации заявленного решения.

В общем случае устройство (300) содержит такие компоненты, как: один или более процессоров (301), по меньшей мере одну память (302), средство хранения данных (303), интерфейсы ввода/вывода (304), средство В/В (305), средства сетевого взаимодействия (306).

Процессор (301) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (300) или функциональности одного или более его компонентов. Процессор (301) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (302).

Память (302), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал.

Средство хранения данных (303) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (303) позволяет выполнять долгосрочное хранение различного вида информации, например, вышеупомянутых файлов с наборами данных пользователей, базы данных, содержащих записи измеренных для каждого пользователя временных интервалов, идентификаторов пользователей и т.п.

Интерфейсы (304) представляют собой стандартные средства для подключения и работы с серверной частью, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п.

Выбор интерфейсов (304) зависит от конкретного исполнения устройства (300), которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п.

В качестве средств В/В данных (305) в любом воплощении системы, реализующей описываемый способ, должна использоваться клавиатура. Аппаратное исполнение клавиатуры может быть любым известным: это может быть, как встроенная клавиатура, используемая на ноутбуке или нетбуке, так и обособленное устройство, подключенное к настольному компьютеру, серверу или иному компьютерному устройству. Подключение при этом может быть, как проводным, при котором соединительный кабель клавиатуры подключен к порту PS/2 или USB, расположенному на системном блоке настольного компьютера, так и беспроводным, при котором клавиатура осуществляет обмен данными по каналу беспроводной связи, например, радиоканалу, с базовой станцией, которая, в свою очередь, непосредственно подключена к системному блоку, например, к одному из USB-портов. Помимо клавиатуры, в составе средств В/В данных также может использоваться: джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.

Средства сетевого взаимодействия (306) выбираются из устройства, обеспечивающий сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi-Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств (305) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM.

Компоненты устройства (300) сопряжены посредством общей шины передачи данных (310).

В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.