本发明涉及睡眠分期，具体涉及一种基于多通道异构脉冲神经网络的睡眠分期方法及系统。
背景技术：
1、睡眠是人体必不可少的生理活动，睡眠障碍与抑郁症密切相关，长期睡眠障碍可能会导致抑郁症的产生，而睡眠分期是诊断睡眠障碍的重要依据，2007年，美国睡眠医学会（aasm）将睡眠分为五个阶段，包括：清醒期 (wake)、非快速眼动1期(nrem1)、非快速眼动2期(nrem2)、非快速眼动3期 (nrem3)以及快速眼动期(rem)。对于睡眠障碍患者，整个睡眠可能会出现某一睡眠阶段的缺失或某一睡眠阶段的时间过少等问题。睡眠分期的基本思路是将整个睡眠时间以30秒为间隔进行分段，采集每个30秒内的生物信号，通过分类方法将对应30秒的时间段分类为5个睡眠阶段中的某一类。传统的睡眠分期方法是医师根据多导睡眠图手动进行分期，这种方法需要依赖大量专业人员的人工操作，不利于普遍性的操作。
2、美国睡眠医学会（aasm）建议，睡眠脑电应包含6个通道，分别记录左、右侧额、中央和枕部的脑电活动。然而，目前的自动化睡眠分期模型大多利用单通道脑电信号进行睡眠分期。相较于单通道脑电信号，多通道脑电信号可以表达更多的脑电信号发放模式，不同通道之间的功能连接可以反映大脑不同区域之间的信息整合，因此，有必要研究一种基于多通道脑电的睡眠分期技术。
3、由于深度学习具有强大的特征提取和拟合能力，因此现有的睡眠自动分期技术大多基于cnn以及lstm等深度学习模型，这些深度学习模型具有准确率高，泛化能力强的优点，但是这些深度学习模型需要对高采样率的脑电信号进行分析，计算量大，而且由于其模型参数量大，导致深度学习模型往往没有较好的可解释性。
4、脉冲神经网络可以使用低功耗的神经形态电路进行计算，而且由于是仿生真实神经元的计算，脉冲神经网络在生物电信号的处理方面具有较强的可解释性，但脉冲神经网络的结构一般是只包括前馈兴奋性突触的前馈脉冲神经网络，前馈脉冲神经网络一般会出现脉冲发放不稳定（如脉冲发放率过高），训练困难（如训练收敛慢）等问题。
技术实现思路
1、为了克服现有技术存在的缺陷与不足，本发明提供一种基于多通道异构脉冲神经网络的睡眠分期方法及系统，本发明采用全局抑制神经元和去抑制神经元去除伪影的机制，利用输出神经元到隐藏层的抑制性突触稳定脉冲发放，固定突出权重与可学习突触权重的组合，可学习的侧向抑制，克服了传统前馈脉冲神经网络脉冲发放不稳定，易受到伪影及噪声干扰，训练困难的缺陷，同时利用脉冲神经网络将高采样率的多通道脑电信号转化为低采样率的脉冲发放率信号，减少transformer的运算数据量。
2、为了达到上述目的，本发明采用以下技术方案：
3、本发明提供一种基于多通道异构脉冲神经网络的睡眠分期方法，包括下述步骤：
4、获取多通道睡眠脑电信号，将多通道睡眠脑电信号划分为多个设定分段时长的信号样本，并经过滤波器分频处理后，将每个频段的所有通道脑电信号编码为多通道脑电脉冲并输入多通道异构脉冲神经网络；
5、基于无监督的赫布型学习对多通道异构脉冲神经网络进行训练，更新多通道异构脉冲神经网络的前馈兴奋性突触、侧向抑制性突触的突触权重；
6、基于训练后的多通道异构脉冲神经网络得到输出各个频段的脉冲序列中第 k个脉冲产生的时间估计值；
7、在设定分段时长内统计所有频段内每一秒的平均脉冲发放率，得到最终时间序列，计算脉冲发放率；
8、根据脉冲发放率序列中不同频段的活动出现的顺序及频率，基于transformer模型对睡眠阶段进行分类，将最终时间序列分类为对应的睡眠阶段。
9、作为优选的技术方案，所述多通道异构脉冲神经网络包括：输入层、隐藏层、输出神经元、前馈兴奋性突触、反馈抑制性突触、侧向抑制突触、全局抑制神经元和去抑制神经元；
10、输入层和隐藏层、隐藏层和输出神经元之间通过可训练学习的前馈兴奋性突触连接，隐藏层的神经元之间通过可训练学习的侧向抑制性突触连接，输出神经元通过固定权重的反馈抑制性突触连接到隐藏层；
11、输入层通过兴奋性突触连接去抑制神经元，去抑制神经元通过抑制性突触连接全局抑制神经元，全局抑制神经元与隐藏层所有神经元之间使用抑制性突触连接。
12、作为优选的技术方案，多通道异构脉冲神经网络的所有的神经元使用泄漏积分发放模型，输入的多通道脑电脉冲根据突触权重导致神经元膜电位的增加，神经元膜电位根据以下方程变化：
13、；
14、其中，表示设定的时间常数，表示神经元膜电位，表示静息电位， r表示用于平衡量纲的电阻，表示输入电流。
15、作为优选的技术方案，所述多通道脑电脉冲从输入层传递至隐藏层，隐藏层神经元膜电位升高，当判定膜电位达到膜电位阈值时产生脉冲信号，脉冲信号通过前馈兴奋性突触传递至输出神经元，输出神经元通过反馈抑制性突触降低隐藏层的膜电位，泊松脉冲驱动的全局抑制神经元产生随机脉冲，通过抑制性突触降低隐藏层的膜电位；
16、当判定输入层出现超过设定时长的脑电脉冲信号时，通过兴奋性突触使去抑制神经元产生去抑制脉冲序列，去抑制脉冲序列通过抑制性突触使全局抑制神经元的膜电位降低至小于等于0v，全局抑制信号被阻断，多通道脑电脉冲通过隐藏层；
17、当判定输入层出现瞬态的脑电伪影时，全局抑制神经元产生抑制信号，瞬态伪影被阻断至隐藏层。
18、作为优选的技术方案，所述多通道脑电脉冲从输入层传递至隐藏层，隐藏层神经元膜电位升高，隐藏层膜电位的平均增长速度为：
19、；
20、其中，表示隐藏层膜电位增长量，表示时间间隔，表示多通道脑电脉冲的脉冲发放率，表示泊松脉冲驱动的随机脉冲频率，表示输入层和隐藏层之间前馈兴奋性突触的平均权重，表示去抑制神经元与全局抑制神经元之间抑制性突触的权重，表示全局抑制神经元与隐藏层之间抑制性突触的平均权重。
21、作为优选的技术方案，当判定输入层出现超过设定时长的脑电脉冲信号时，通过兴奋性突触使去抑制神经元产生去抑制脉冲序列，设定时长表示为：
22、；
23、其中，表示膜电位阈值，表示输入层和隐藏层之间前馈兴奋性突触的平均权重，表示去抑制神经元与全局抑制神经元之间抑制性突触的权重，表示多通道脑电脉冲的脉冲发放率，表示泊松脉冲驱动的随机脉冲频率，表示全局抑制神经元与隐藏层之间抑制性突触的平均权重。
24、作为优选的技术方案，更新多通道异构脉冲神经网络的前馈兴奋性突触、侧向抑制性突触的突触权重，具体包括：
25、基于online-stdp算法对突触前膜和突触后膜分别设置变量 x， y，突触权重 w随时间根据以下方程变化：
26、；
27、其中，、为可调的学习率，是突触前膜发放脉冲的时刻，是突触后膜发放脉冲的时刻，是狄拉克函数。
28、作为优选的技术方案，基于训练后的多通道异构脉冲神经网络得到输出各个频段的脉冲序列中第 k个脉冲产生的时间估计值，具体包括：
29、多通道脑电脉冲通过隐藏层，隐藏层的脉冲发放率为：
30、；
31、根据隐藏层脉冲发放率，得到输出神经元膜电位增长率为：
32、；
33、输出神经元的脉冲发放率为：
34、；
35、其中，表示输入层和隐藏层之间前馈兴奋性突触的平均权重，表示多通道脑电脉冲的脉冲发放率，表示膜电位阈值，表示输出神经元膜电位增长量，表示时间间隔， n为隐藏层神经元数量，是隐藏层与输出神经元之间前馈兴奋性突触的平均权重；
36、得到输出脉冲序列中第 k个脉冲产生的时间估计值为：
37、；
38、其中，表示输出神经元的脉冲发放率。
39、作为优选的技术方案，在设定分段时长内统计所有频段内每一秒的平均脉冲发放率，得到最终时间序列，计算脉冲发放率，具体包括：
40、；
41、其中，表示脉冲发放率序列在j频段上第i个元素的值，是狄拉克函数，表示脉冲序列中在j频段上第k个脉冲产生的时间。
42、本发明还提供一种基于多通道异构脉冲神经网络的睡眠分期系统，用于实现上述基于多通道异构脉冲神经网络的睡眠分期方法，该系统包括：脑电信号获取模块、脑电信号预处理模块、脉冲神经网络构建模块、脉冲神经网络训练模块、突触权重更新模块、脉冲时间估计模块、脉冲发放率计算模块、睡眠分类模块；
43、所述脑电信号获取模块用于获取多通道睡眠脑电信号；
44、所述脉冲神经网络构建模块用于构建多通道异构脉冲神经网络；
45、所述脑电信号预处理模块用于将多通道睡眠脑电信号划分为多个设定分段时长的信号样本，并经过滤波器分频处理后，将每个频段的所有通道脑电信号编码为多通道脑电脉冲并输入多通道异构脉冲神经网络；
46、所述脉冲神经网络训练模块用于基于无监督的赫布型学习对多通道异构脉冲神经网络进行训练；
47、所述突触权重更新模块用于更新多通道异构脉冲神经网络的前馈兴奋性突触、侧向抑制性突触的突触权重；
48、所述脉冲时间估计模块用于基于训练后的多通道异构脉冲神经网络计算得到输出各个频段的脉冲序列中第 k个脉冲产生的时间估计值；
49、所述脉冲发放率计算模块用于在设定分段时长内统计所有频段内每一秒的平均脉冲发放率，得到最终时间序列，计算脉冲发放率；
50、所述睡眠分类模块用于根据脉冲发放率序列中不同频段的活动出现的顺序及频率，基于transformer模型对睡眠阶段进行分类，将最终时间序列分类为对应的睡眠阶段。
51、本发明与现有技术相比，具有如下优点和有益效果：
52、（1）本发明利用多通道脑电信号，通过脉冲神经网络对多通道eeg信号进行编码，将具有高采样率（100 hz）的多通道脑电信号转化为低采样率（1 hz）的脉冲发放率信号，降低了eeg信号的数据量，解决了深度学习计算量大，内存占用多的问题。
53、（2）本发明提出的多通道异构脉冲神经网络增加了全局抑制神经元与抑制性突触等改进措施，克服了传统前馈脉冲神经网络脉冲发放不稳定，易受到伪影及噪声干扰，训练困难的缺陷。
1.一种基于多通道异构脉冲神经网络的睡眠分期方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于多通道异构脉冲神经网络的睡眠分期方法，其特征在于，所述多通道异构脉冲神经网络包括：输入层、隐藏层、输出神经元、前馈兴奋性突触、反馈抑制性突触、侧向抑制突触、全局抑制神经元和去抑制神经元；
3.根据权利要求2所述的基于多通道异构脉冲神经网络的睡眠分期方法，其特征在于，多通道异构脉冲神经网络的所有的神经元使用泄漏积分发放模型，输入的多通道脑电脉冲根据突触权重导致神经元膜电位的增加，神经元膜电位根据以下方程变化：
4.根据权利要求2所述的基于多通道异构脉冲神经网络的睡眠分期方法，其特征在于，所述多通道脑电脉冲从输入层传递至隐藏层，隐藏层神经元膜电位升高，当判定膜电位达到膜电位阈值时产生脉冲信号，脉冲信号通过前馈兴奋性突触传递至输出神经元，输出神经元通过反馈抑制性突触降低隐藏层的膜电位，泊松脉冲驱动的全局抑制神经元产生随机脉冲，通过抑制性突触降低隐藏层的膜电位；
5.根据权利要求4所述的基于多通道异构脉冲神经网络的睡眠分期方法，其特征在于，所述多通道脑电脉冲从输入层传递至隐藏层，隐藏层神经元膜电位升高，隐藏层膜电位的平均增长速度为：
6.根据权利要求4所述的基于多通道异构脉冲神经网络的睡眠分期方法，其特征在于，当判定输入层出现超过设定时长的脑电脉冲信号时，通过兴奋性突触使去抑制神经元产生去抑制脉冲序列，设定时长表示为：
7.根据权利要求1所述的基于多通道异构脉冲神经网络的睡眠分期方法，其特征在于，更新多通道异构脉冲神经网络的前馈兴奋性突触、侧向抑制性突触的突触权重，具体包括：
8.根据权利要求1所述的基于多通道异构脉冲神经网络的睡眠分期方法，其特征在于，基于训练后的多通道异构脉冲神经网络得到输出各个频段的脉冲序列中第k个脉冲产生的时间估计值，具体包括：
9.根据权利要求1所述的基于多通道异构脉冲神经网络的睡眠分期方法，其特征在于，在设定分段时长内统计所有频段内每一秒的平均脉冲发放率，得到最终时间序列，计算脉冲发放率，具体包括：
10.一种基于多通道异构脉冲神经网络的睡眠分期系统，其特征在于，用于实现上述权利要求1-9任一项所述的基于多通道异构脉冲神经网络的睡眠分期方法，该系统包括：脑电信号获取模块、脑电信号预处理模块、脉冲神经网络构建模块、脉冲神经网络训练模块、突触权重更新模块、脉冲时间估计模块、脉冲发放率计算模块、睡眠分类模块；
