一种基于多尺度网络结构和自适应注意力的睡眠监测分类方法

本发明公开了一种基于多尺度网络结构和自适应注意力的睡眠监测分类方法，属于脑电信号睡眠分类技术领域。针对传统睡眠监测方法的弊端以及深度学习现有应用的不足，该方法先获取多导睡眠图(PSG)，经降采样、滤波、去伪迹等预处理后，利用多尺度卷积神经网络提取EEG/EOG/EMG信号的频域、时域和时频域联合特征，再采用自适应训练策略，结合自适应注意力机制与多尺度卷积神经网络构建多任务联合学习架构进行模型训练，最后载入训练好的模型实现睡眠障碍监测与阶段分类。多尺度卷积神经网络通过不同尺度卷积核提取不同时间和频率尺度的信息，自适应注意力机制聚焦关键信息。二者协同显著提高了睡眠状态监测和阶段分期的准确性与可靠性，为睡眠障碍的研究和诊断提供了有效技术手段。