基于注意力机制与双向门控循环单元的多导睡眠图睡眠阶段分期方法研究

多导睡眠图(PSG）监测是临床上用于诊断诸如失眠、呼吸暂停等疾病的重要手段。为了解决以手工逐帧视觉判断PSG进行睡眠障碍患者睡眠阶段分期耗时长、耗费精力大等问题，本文提出一种结合卷积神经网络（CNN）与双向门控循环神经网络（Bi GRU）的深度学习算法模型，并设计了一种动态稀疏性自注意力机制以解决门控循环单元（GRU）网络对长距离信息难以获得准确向量表示的问题。本文采集来自上海精神卫生中心143例睡眠障碍患者整晚PSG数据并结合开源数据集153例睡眠障碍患者整晚PSG数据，选取其中的6个脑电（EEG）信号通道、2个眼电（EOG）信号通道与单个下颌肌电（EMG）信号通道等共9个通道的电生理通道信号进行模型训练与测试评估。经交叉验证后得到的分期准确率为（84.0±2.0）%，一致性检验值为0.77±0.50，优于医师间评分的一致性检验值0.75±0.11。实验结果表明，本文算法模型在不同人群中具有较高的分期效果并具有普适性，对于协助临床医师进行快速、大规模PSG睡眠自动分期具有重要研究意义。