基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置

1.本发明涉及计算机听觉和深度学习中类脑神经网络领域，尤其是涉及基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置。

背景技术：

2.近年来随着深度学习类脑神经网络的发展，基于人工智能处理音频的医疗监测设备对于低功耗部署的需求，脉冲神经网络与计算机听觉的结合越来越受到人们的关注。
3.基于深度学习的声音信号处理是指用录音机等传感器记录真实世界的声音信号，并通过深度学习相关技术对采集到的声音信号进行特征提取分类等操作。随着科技发展朝着智能化演进，医疗监测行业开始使用基于人工智能的疾病监测装置，而这种疾病监测装置对于精确度有很高的要求，而移动端的睡眠呼吸障碍监测需求，对于监测装置的耗能也提出了非常高的要求。脉冲神经网络作为类脑神经网络的一种，因其低耗能的特性受到人们广泛的关注，利用脉冲神经网络低耗能的特性，可以设计出一套基于脉冲神经网络的睡眠呼吸障碍监测装置。
4.脉冲神经网络是当今类脑神经网络研究的热点，受到业界的广泛关注，涌现了许多脉冲神经网络的构建方式和脉冲神经网络的训练方法，训练脉冲神经网络的方法主要有基于脉冲时间的反向传播和基于人工神经网络转换的脉冲神经网络这两种训练方式。
5.虽然目前已有针对脉冲神经网络的训练方法，但还是存在一些问题有待解决。基于人工神经网络转换生成的脉冲神经网络会产生2000-2500个时间步长的大延迟，大的延迟转化为推理过程中更高的能量消耗，因此，减少了脉冲神经网络相对于人工神经网络的效率改进。而基于脉冲时间的反向传播训练方法，由于脉冲序列不可微分的特性，训练过程非常漫长，而且由于多次迭代训练需要大量内存(用于向后传递计算)，限制了基于峰值的反向传播方法在简单的少层卷积体系结构上的小数据集上的适用性。

技术实现要素：

6.为解决现有技术的不足，实现具有高准确度、低耗能、短时间步长、易于训练的睡眠呼吸障碍监测装置的目的，本发明采用如下的技术方案：
7.基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，包括依次连接的声音特征提取模块、声音特征脉冲编码模块、基于时间的注意力机制模块、脉冲神经网络模块；
8.所述声音特征提取模块，通过获取的鼾声音频信号，生成相应的声音特征；
9.所述声音特征脉冲编码模块，对生成的声音特征进行编码，将其转化为一组脉冲序列；
10.所述基于时间的注意力机制模块，计算每一时刻特征图对输出特征的权重；
11.所述脉冲神经网络模块，获取声音特征脉冲编码模块的输出，根据睡眠呼吸障碍类型的预测结果与实际值的差距训练脉冲神经网络的权重；通过前向传播得到阈值，并且通过基于脉冲时间的反向传播stdb方式完成对脉冲神经网络参数的训练。
12.进一步地，所述声音特征提取模块的执行过程，包括如下步骤：
13.步骤s101：对音频信号依次进行预加重和分帧，对每帧进行加窗；
14.步骤s102：对于分帧加窗后的各帧，计算功率谱的周期图估计；
15.步骤s103：将滤波器组应用于功率谱，求滤波器组的能量，将每个滤波器中的能量相加；
16.步骤s104：取所有滤波器组能量的对数；
17.步骤s105：取对数滤波器组能量的离散余弦变换，根据离散余弦变换的系数，生成所需的频谱特征。
18.进一步地，所述步骤s1.1中，采用高通滤波器进行预加重处理，用于补偿语音信号中的高频信号，通过与前一个采样点作差的方式可以突出音频信号中的高频信息，采样点数量为一帧的时间与声音信号采样率的乘积，其中预加重公式：
19.y(t)＝x(t)-αx(t-1)
20.其中，x(t)表示第t时刻对应的音频信号，y(t)表示预加重处理后的音频信号，α表示滤波器系数，用于调整抑制低频的程度，将信号分割成帧后，再对每个帧乘以一个窗函数，以增加帧左端和右端的连续性，抵消fft假设(数据是无限的)，并减少频谱泄漏，即对y(t)进行分帧，每帧需要分别乘以窗函数，用以增强帧与帧的连续性。
21.进一步地，所述加窗采用汉明窗，形式如下：
[0022][0023]
其中，n表示每帧中第n个采样点，a表示用于调整窗口形状的参数，n表示每一帧采样点的个数。
[0024]
进一步地，所述步骤s102中，对分帧加窗后的各帧信号，基于每帧采样点进行快速傅里叶变换fft来计算频谱，计算公式如下：
[0025][0026]
其中，si(n)表示时域上的采样点序列，si(k)表示频域上的频谱，k表示频率取值，k表示频率取值范围的上限，e表示自然指数，j表示虚数单位，虚数来自欧拉公式e
iθ
＝cosθ+isinθ；
[0027]
然后计算功率谱，对语音信号的频谱取模平方得到语音信号的谱线能量，计算公式如下：
[0028][0029]
其中，fft(
·
)表示快速傅里叶变换，xi表示输入的采样点序列。
[0030]
进一步地，所述步骤s103中，将功率谱通过一组mel的三角滤波器来提取频带，中心频率为f(m)，中心频率处的响应为1，并向0线性减小，直到达到两个相邻滤波器的中心频率，其中响应为0，各f(m)之间的间隔随着m值的增大而增宽；
[0031]
三角滤波器的频率响应可以用以下公式表示：
[0032][0033]
其中，m表示滤波器的序号，k表示频率；
[0034]
将功率谱分别与每一个滤波器进行频率相乘累加，得到该帧数据在该滤波器对应频段的能量值。
[0035]
进一步地，所述步骤s105中，前两个步骤中计算的滤波器组系数是高度相关的，这在某些机器学习算法中是有问题的。因此，我们可以采用离散余弦变换(dct)对滤波器组系数进行去相关处理，并产生滤波器组的压缩表示：
[0036][0037]
其中，s(m)表示第m个频率倒谱系数mfcc的系数值，l表示频率倒谱系数mfcc阶数，通过保持离散余弦变换的系数范围，丢弃其余部分，得到所需的频率倒谱系数mfcc特征。
[0038]
进一步地，所述脉冲神经网络模块，采用卷积神经网络训练得到的权重，通过前向传播得到阈值，并且通过基于脉冲时间的反向传播stdb方式，完成对脉冲神经网络参数训练，包括神经网络本体、神经网络权值移植模块、阈值初始化模块、脉冲神经网络训练模块；
[0039]
所述神经网络权值移植模块，将卷积神经网络训练得到的权值移植到脉冲神经网络中；
[0040]
所述阈值初始化模块，通过神经网络的前向传播到每一层神经网络神经元接受上一层神经元的加权求和的最大值作为本层的阈值；
[0041]
所述脉冲神经网络训练模块，对脉冲神经网络的训练采用基于脉冲时间的反向传播stdb方式进行反向传播，完成对脉冲神经网络参数训练。
[0042]
进一步地，所述神经网络本体，基于原神经网络的卷积层、池化层、全连接层，构建脉冲神经网络，将发射层改为具有软复位机制的lif神经元；离散形式lif神经元公式如下：
[0043][0044]
其中u表示膜电位，下标i和j分别表示后神经元和前神经元，上标t表示时间步长，λ表示膜电位泄漏的常数，w表示连接前神经元和后神经元的权值，o表示二进制输出尖峰，v表示放电阈值电位；当大于v时，等于1，其他情况为0。
[0045]
方程的右侧有三项：第一项计算上一层时间步中膜电位中的泄漏量，第二项将上一层的输入相加，并将其加到膜电位中，在求和之外的第三项在产生峰值时将膜电位降低阈值。这被称为软复位，因为与硬复位相比，膜电位降低了v，在硬复位中膜电位降低到重置值。软复位使峰值神经元将放电阈值以上的多余电位前移到下一个时间步，从而使信息损失最小化。
[0046]
进一步地，脉冲神经网络训练模块的损失函数采用交叉熵损失，计算方式如下：
[0047]
[0048][0049][0050]
其中l表示损失函数，y表示真实输出，p表示预测，t表示总时间步数，表示输出层神经元从所有时间步数累积的膜电位，n’表示任务中的类别数，i表示后神经元，j表示前神经元；
[0051]
输出层不产生峰值，不存在不可微分的问题，输出层权重更新如下：
[0052][0053]
通过据上一个脉冲的时间更新权重，权重更新公式如下：
[0054][0055]
其中α和β为常数，δt为当前时间步长t与后神经元产生峰值的最后时间步长之间的时间差，它是一个整数值，范围从0到总时间步数t。
[0056]
本发明的优势和有益效果在于：
[0057]
1、脉冲神经网络相比于传统神经网络的优势在于处理音频信号这种具有时间顺序的稀疏数据可以减少耗能。
[0058]
2、具有基于时间的注意力机制的脉冲神经网络可以有效提高对于具有时间顺序的事件分类的准确性。
[0059]
3、基于混合转换脉冲神经网络训练机制可以加快脉冲网络的训练速度，提升脉冲神经网络预测的准确率。
[0060]
4、脉冲神经网络中采取软复位机制的lif神经元可以缩短脉冲神经网络达到相应准确度的时间步长。
附图说明
[0061]
图1是本发明实施例中装置的结构示意图。
[0062]
图2是本发明实施例中提取声音特征示意图。
[0063]
图3是本发明实施例中将声音特征图升维形成的在时间序列上的一组特征图。
具体实施方式
[0064]
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
[0065]
一种基于通过人工神经网络转换的脉冲神经网络的睡眠呼吸障碍监测装置，是通过输入音频文件，然后经过预处理输入脉冲神经网络，最后输出分类结果用于呼吸情况识别。由于传统的脉冲神经网络识别准确率较差，所需时间步长较多，进行神经网络训练比较困难，所以难以作为呼吸情况识别的依据。为了提高呼吸情况预测的准确率，本发明在传统的方法上做了一系列的改进，对提取到的音频特征添加基于时间的注意力机制的预处理，有效地提升了脉冲神经网络预测的准确性。为了加快训练速度，采用人工神经网络到脉冲
神经网络转换加上stdp的训练方式，有效地提升了脉冲神经网络的训练速度。为了缩短达到相应准确率所需要的时间步长，脉冲神经网络中lif神经元采用了软复位的方式，缩短了所需的时间步长，提升了预测的实时性。
[0066]
本发明的监测装置包含四个模块，如图1所示，分别为依次连接的声音特征提取模块、声音特征脉冲编码模块、基于时间的注意力机制模块、脉冲神经网络模块。
[0067]
声音特征提取模块：通过获取的音频信号，生成相应的声音特征。
[0068]
该模块执行过程，如图2所示，主要由5个步骤完成：
[0069]
步骤s101：对音频信号依次进行预加重和分帧，对每帧进行加窗；
[0070]
预加重处理其实是一个高通滤波器，用于补偿语音信号中的高频信号，通过与前一个采样点作差的方式可以突出音频信号中的高频信息，采样点数量为一帧的时间与声音信号采样率的乘积，其中预加重公式：
[0071]
y(t)＝x(t)-αx(t-1)
[0072]
其中：x(t)表示第t时刻对应的音频信号，y(t)表示预加重处理后的音频信号，α表示滤波器系数，用于调整抑制低频的程度，将信号分割成帧后，再对每个帧乘以一个窗函数，如hamming窗口，以增加帧左端和右端的连续性，抵消fft假设(数据是无限的)，并减少频谱泄漏，汉明窗的形式如下：
[0073][0074]
其中，n表示每帧中第n个采样点，a表示用于调整窗口形状的参数，n表示每一帧采样点的个数。即对y(t)进行分帧，每帧需要分别乘以窗函数，用以增强帧与帧的连续性。
[0075]
步骤s102：对于每一帧，计算功率谱的周期图估计；
[0076]
对分帧加窗后的各帧信号进行做一个n点fft来计算频谱，也称为短时傅立叶变换(stft)，其中n通常为256或512，nfft＝512，计算公式如下：
[0077][0078]
其中，si(n)表示时域上的采样点序列，si(k)表示频域上的频谱，k表示频率取值，k表示频率取值范围的上限，e表示自然指数，j表示虚数单位，虚数来自欧拉公式e
iθ
＝cosθ+isinθ。
[0079]
然后我们使用以下公式计算功率谱(周期图periodogram)，对语音信号的频谱取模平方(取对数或者取平方，因为频率不可能为负，负值要舍去)得到语音信号的谱线能量，计算公式如下：
[0080][0081]
其中，fft(
·
)表示快速傅里叶变换，xi表示输入的采样点序列。
[0082]
步骤s103：将滤波器组应用于功率谱，求滤波器组的能量，将每个滤波器中的能量相加；
[0083]
计算mel滤波器组，将功率谱通过一组mel刻度(通常取40个滤波器)的三角滤波器来提取频带。定义一个有m个三角滤波器的滤波器组(滤波器的个数和临界带的个数相近)，m通常取22-40，26是标准，本发明取滤波器个数为40。滤波器组中的每个滤波器都是三角形
的，中心频率为f(m)，中心频率处的响应为1，并向0线性减小，直到达到两个相邻滤波器的中心频率，其中响应为0，各f(m)之间的间隔随着m值的增大而增宽。
[0084]
三角滤波器的频率响应可以用以下公式表示：
[0085][0086]
其中，m表示滤波器的序号，k表示频率，f(m)表示序号m滤波器的中心频率。
[0087]
对于fft得到的幅度谱，分别跟每一个滤波器进行频率相乘累加，得到的值即为该帧数据在该滤波器对应频段的能量值。如果滤波器的个数为40，那么此时应该得到40个能量值。
[0088]
步骤s104：取所有滤波器组能量的对数；
[0089]
步骤s105：取对数滤波器组能量的离散余弦变换(dct)，保持dct系数2-13，其余部分丢弃，生成所需的mfcc特征；
[0090]
前两个步骤中计算的滤波器组系数是高度相关的，这在某些机器学习算法中是有问题的。因此，我们可以应用离散余弦变换(dct)对滤波器组系数去相关处理，并产生滤波器组的压缩表示
[0091][0092]
其中，s(m)表示第m个mfcc(mel frequency cepstrum coefficient，mel频率倒谱系数)系数的系数值，l表示mfcc系数阶数。
[0093]
声音特征脉冲编码模块：对生成的声音特征进行编码，将其转化为一组脉冲序列；
[0094]
本发明实施例中，如图3所示，通过对声音特征提取模块生成的特征矩阵进行分帧、升维的编码方式，将其转化为一组稀疏、非均匀性和时间分辨率高的时间脉冲序列；
[0095]
升维的具体方法是根据mfcc的数值占mfcc值域的百分比将mfcc的数值归类为150个在值域内均匀分布的刻度，生成一个包括时间、mfcc系数、占mfcc系数百分比刻度三个维度的三维全零矩阵，然后根据原特征矩阵的数值将对应百分比刻度的位置的值设为1，由此得到时刻脉冲时间序列。
[0096]
基于时间的注意力机制模块：通过注意力机制模块可以计算出每一时刻特征图对输出特征的权重。
[0097]
通过基于时间的注意力机制可以添加输入声音特征的维度，并且降低编码的失真率，基于时间的注意力机制模块可以获取声音特征在时间维度上的特征权值，然后根据该权值对声音特征进行加权。
[0098]
脉冲神经网络模块：脉冲神经网络采用卷积神经网络训练得到的权重，通过前向传播得到阈值，并且通过stdb(基于脉冲时间的反向传播)方式完成对脉冲神经网络参数训练；
[0099]
该模块由4个步骤完成：
[0100]
步骤s201：构建脉冲神经网络本体；
[0101]
构建脉冲神经网络时需要保留原神经网络的卷积层、池化层、全连接层，将发射层改为具有软复位机制的lif神经元。
[0102]
神经元模型定义了神经元内部状态的动态以及产生峰值的触发器。微分方程如下：
[0103][0104]
这种微分方程被广泛用于表征lif神经元的内部状态，其中u为神经元的内部状态，称为膜电位，u
rest
为静息电位，r和i分别为输入电阻和电流。当膜电位低于阈值v时，上述公式成立。当u》v时，u降低到复位电位，神经元产生一个输出尖峰。该方程适用于连续域，为了适用于pytorch(python机器学习库)架构，方程被修改为离散形式的lif神经元模型。
[0105]
离散形式lif神经元公式如下：
[0106][0107]
其中u为膜电位，下标i和j分别表示后神经元和前神经元，上标t为时间步长，λ为膜电位泄漏的常数(《1)，w为连接前神经元和后神经元的权值，o为二进制输出尖峰，v为放电阈值电位。当大于v时等于1，其他情况为0。方程的右侧有三项：第一项计算上一层时间步中膜电位中的泄漏量，第二项将上一层的输入相加，并将其加到膜电位中，在求和之外的第三项在产生峰值时将膜电位降低阈值。这被称为软复位，因为与硬复位相比，膜电位降低了v，在硬复位中膜电位降低到重置值。软复位使峰值神经元将放电阈值以上的多余电位前移到下一个时间步，从而使信息损失最小化。
[0108]
步骤s202：神经网络权值移植，将卷积神经网络训练得到的权值移植到脉冲神经网络中。
[0109]
步骤s203：阈值初始化，通过神经网络的前向传播到每一层神经网络神经元接受上一层神经元的加权求和的最大值作为本层的阈值。
[0110]
步骤s204：脉冲神经网络训练，对脉冲神经网络的训练采用stdb方式进行反向传播，完成对脉冲神经网络参数训练。损失函数采用交叉熵损失，计算方式如下：
[0111][0112][0113][0114]
其中l为损失函数，y为真实输出，p为预测，t为总时间步数，为输出层神经元从所有时间步数累积的膜电位，n为任务中的类别数，i表示后神经元，j表示前神经元。
[0115]
输出层不产生峰值，不存在不可微分的问题，输出层权重更新如下：
[0116][0117]
由于脉冲神经网络离散的特点，所以传统神经网络的反向传播方式不适用，stdb指基于脉冲时间的反向传播，通过据上一个脉冲的时间更新权重，权重更新公式如下：
[0118][0119]
其中α和β为常数，δt为当前时间步长t与后神经元产生峰值的最后时间步长之间的时间差。它是一个整数值，范围从0到总时间步数t。
[0120]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。

技术特征：

1.基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，包括依次连接的声音特征提取模块、声音特征脉冲编码模块、基于时间的注意力机制模块、脉冲神经网络模块，其特征在于：所述声音特征提取模块，通过获取的鼾声音频信号，生成相应的声音特征；所述声音特征脉冲编码模块，对生成的声音特征进行编码，将其转化为一组脉冲序列；所述基于时间的注意力机制模块，计算每一时刻特征图对输出特征的权重；所述脉冲神经网络模块，获取声音特征脉冲编码模块的输出，根据睡眠呼吸障碍类型的预测结果与实际值的差距训练脉冲神经网络的权重；通过前向传播得到阈值，并且通过基于脉冲时间的反向传播stdb方式完成对脉冲神经网络参数的训练。2.根据权利要求1所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，其特征在于：所述声音特征提取模块的执行过程，包括如下步骤：步骤s101：对音频信号依次进行预加重和分帧，对每帧进行加窗；步骤s102：对于分帧加窗后的各帧，计算功率谱的周期图估计；步骤s103：将滤波器组应用于功率谱，求滤波器组的能量，将每个滤波器中的能量相加；步骤s104：取所有滤波器组能量的对数；步骤s105：取对数滤波器组能量的离散余弦变换，根据离散余弦变换的系数，生成所需的频谱特征。3.根据权利要求2所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，其特征在于：所述步骤s1.1中，采用高通滤波器进行预加重处理，用于补偿语音信号中的高频信号，通过与前一个采样点作差的方式可以突出音频信号中的高频信息，采样点数量为一帧的时间与声音信号采样率的乘积，其中预加重公式：y(t)＝x(t)-αx(t-1)其中，x(t)表示第t时刻对应的音频信号，y(t)表示预加重处理后的音频信号，α表示滤波器系数，用于调整抑制低频的程度，将信号分割成帧后，再对每个帧乘以一个窗函数，即对y(t)进行分帧，每帧需要分别乘以窗函数。4.根据权利要求2所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，其特征在于：所述加窗采用汉明窗，形式如下：其中，n表示每帧中第n个采样点，a表示用于调整窗口形状的参数，n表示每一帧采样点的个数。5.根据权利要求2所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，其特征在于：所述步骤s102中，对分帧加窗后的各帧信号，基于每帧采样点进行快速傅里叶变换fft来计算频谱，计算公式如下：其中，s
i
(n)表示时域上的采样点序列，s
i
(k)表示频域上的频谱，k表示频率取值，k表示频率取值范围的上限，e表示自然指数，j表示虚数单位，虚数来自欧拉公式e
iθ
＝cosθ+isin
θ；然后计算功率谱，对语音信号的频谱取模平方得到语音信号的谱线能量，计算公式如下：其中，fft(
·
)表示快速傅里叶变换，x
i
表示输入的采样点序列。6.根据权利要求2所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，其特征在于：所述步骤s103中，将功率谱通过一组mel的三角滤波器来提取频带，中心频率为f(m)，中心频率处的响应为1，并向0线性减小，直到达到两个相邻滤波器的中心频率，其中响应为0，各f(m)之间的间隔随着m值的增大而增宽；三角滤波器的频率响应可以用以下公式表示：其中，m表示滤波器的序号，k表示频率；将功率谱分别与每一个滤波器进行频率相乘累加，得到该帧数据在该滤波器对应频段的能量值。7.根据权利要求2所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，其特征在于：所述步骤s105中，采用离散余弦变换对滤波器组系数进行去相关处理，并产生滤波器组的压缩表示：其中，s(m)表示第m个频率倒谱系数mfcc的系数值，l表示频率倒谱系数mfcc阶数，通过保持离散余弦变换的系数范围，丢弃其余部分，得到所需的频率倒谱系数mfcc特征。8.根据权利要求1所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，其特征在于：所述脉冲神经网络模块，采用卷积神经网络训练得到的权重，通过前向传播得到阈值，并且通过基于脉冲时间的反向传播stdb方式，完成对脉冲神经网络参数训练，包括神经网络本体、神经网络权值移植模块、阈值初始化模块、脉冲神经网络训练模块；所述神经网络权值移植模块，将卷积神经网络训练得到的权值移植到脉冲神经网络中；所述阈值初始化模块，通过神经网络的前向传播到每一层神经网络神经元接受上一层神经元的加权求和的最大值作为本层的阈值；所述脉冲神经网络训练模块，对脉冲神经网络的训练采用基于脉冲时间的反向传播stdb方式进行反向传播，完成对脉冲神经网络参数训练。9.根据权利要求8所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，其特征在于：所述神经网络本体，基于原神经网络的卷积层、池化层、全连接层，构建脉冲神经网络，将发射层改为具有软复位机制的lif神经元；离散形式lif神经元公式如下：
其中u表示膜电位，下标i和j分别表示后神经元和前神经元，上标t表示时间步长，λ表示膜电位泄漏的常数，w表示连接前神经元和后神经元的权值，o表示二进制输出尖峰，v表示放电阈值电位；当大于v时，等于1，其他情况为0。10.根据权利要求8所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，其特征在于：所述脉冲神经网络训练模块的损失函数采用交叉熵损失，计算方式如下：征在于：所述脉冲神经网络训练模块的损失函数采用交叉熵损失，计算方式如下：征在于：所述脉冲神经网络训练模块的损失函数采用交叉熵损失，计算方式如下：其中l表示损失函数，y表示真实输出，p表示预测，t表示总时间步数，表示输出层神经元从所有时间步数累积的膜电位，n’表示任务中的类别数，i表示后神经元，j表示前神经元；输出层不产生峰值，不存在不可微分的问题，输出层权重更新如下：通过据上一个脉冲的时间更新权重，权重更新公式如下：其中α和β为常数，δt为当前时间步长t与后神经元产生峰值的最后时间步长之间的时间差，它是一个整数值，范围从0到总时间步数t。

技术总结

本发明公开了基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置，首先通过声音特征提取模块从采集到的鼾声音频文件中提取到可用于训练的声音特征；通过对声音特征提取模块生成的特征矩阵进行分帧、升维方式将其转化为可输入卷积神经网络的特征图；通过注意力机制模块计算出每一时刻特征图对输出贡献程度；将声音特征脉冲编码模块输出的特征图逐帧送入卷积神经网络进行运算，根据预测结果与实际值的差距通过反向传播调整卷积神经网络的权重；脉冲神经网络采取卷积神经网络训练得到的权重，通过前向传播得到阈值，并且通过STDB方式完成对脉冲神经网络参数训练。本装置占用计算资源更少、能耗更低，能更好地应用于FPGA和移动设备。备。备。