CN106725462A - 基于脑电信号的声光睡眠干预系统和方法 - Google Patents

Abstract

本发明提供一种基于脑电信号的声光睡眠干预系统和方法，通过普适化脑电采集系统，对睡眠时脑电信号进行实时采集、处理和分析，通过数据挖掘的方法对睡眠进行分期，最后通过声音和光在睡眠的REM期和浅睡期进行干预，以达到改善睡眠状况的目的。本发明的系统包括睡眠脑电采集模块、睡眠脑电分期模块和睡眠干预模块；睡眠脑电采集模块用于实时采集受试者在睡眠期间发生连续变化的脑电信号，输出处理后的脑电信号以及提取的睡眠脑电特征信息；睡眠脑电分期模块用于采用训练出来的睡眠分期模型对睡眠脑电特征信息进行分期；睡眠干预模块用于根据分期结果，选择适合的睡眠干预方案，对受试者实施声音和光的双重干预。

Description

基于脑电信号的声光睡眠干预系统和方法

技术领域

本发明涉及计算机医疗辅助系统，特别是涉及一种基于脑电信号的声光睡眠干预系统和方法。

背景技术

睡眠是人类生活必不可少的一部分，它对于机体的修复、降低人类抑郁的风险、促进人脑的记忆、阻止人类患癌的发病率和保持人类警觉性的功能有重要作用。脑电信号是由脑神经活动产生并且始终存在于中枢神经系统的自发性电位活动，是一种重要的生物电信号。睡眠脑电在不同的睡眠期所含的脑电基本节律是不同的，通过分析睡眠脑电对睡眠进行分期研究，判断睡眠质量，可以为研究治疗与相关睡眠疾病提供有效的手段。2007年，在美国睡眠医学学会的发起下，众多的睡眠专家共同探讨，最终制定出新的统一的睡眠分期判读指南，它们分别为清醒期、快速眼动睡眠期REM以及非快速眼动睡眠期NREM，其中非快速眼动睡眠期NREM又分为S1期、S2期、S3期和S4期。如图1所示，是正常人睡眠分期结构示意图。正常人睡眠由清醒期首先进入NREM睡眠期，并迅速由S1期依次进入S2期，S3期，S4期并持续下去；在NREM睡眠期持续80-120分钟后出现第一次REM睡眠，持续几分钟后进入下一次NREM睡眠，形成NREM睡眠与REM睡眠循环周期，平均每90分钟出现一次REM睡眠，越接近睡眠后期REM睡眠持续时间逐渐延长，每次可持续10-30分钟。S1期和S2期又统称为浅睡期，S3期和S4期又统称为深睡期。正常人在浅睡期，脑电波的α波逐渐被θ波取代；在REM睡眠时肌肉完全松弛，肌体代谢率上升接近于清醒水平，80％以上的人在REM睡眠时做梦，即REM睡眠与梦密切相关,可见混合频率脑电图、快速眼动、肌张力消失。正常人在浅睡期和REM期可以感受到不同程度的声音和光的刺激。研究表明，占整个睡眠时间大约55％的浅睡期对解除疲劳作用甚微，而只有进入深睡期及快速眼动睡眠期，才对解除疲劳有较大作用。也就是说，睡眠的好坏取决于神经抑制的深度也就是睡眠的深度。深度睡眠所占整个睡眠时间的比例越大，睡眠质量越好。

研究表明，脑电数据对于研究睡眠分期起着至关重要的作用。脑电数据在各个睡眠期的表现如下：

S1期，即刚有慢波出现。这一阶段是完全清醒与入睡间的过渡阶段。在此阶段入睡者对外界刺激的反应消失,每秒8～13次的α波消失，而代之以每秒2～7次的θ波,这种状态持续时间很短，约一分钟。

S2期，入睡者进入轻度睡眠。此期间，人可能有短暂的琐碎而不连贯的思维活动。脑电波出现α波自动调幅现象，即一阵α波开始振幅较小，中间变大，后来又变小，呈纺锤形，故又称纺锤波、梭形波,每次持续0.2～2秒,还可出现特定的“K”波，由先负相后正相的大慢波组成。

S3期，入睡者进入中度睡眠，δ波超过20％，但不超过50％。振幅在75μV以上

S4期，深度睡眠，δ波占50％以上，主要出现在前半夜的睡眠。

REM期是低波幅、混合频率脑波，表现为低电压的θ波(3至7Hz)及低频α波(较清醒期时的α波慢1至2Hz)，间有典型锯齿波出现。可见快速眼球运动，肌电活动幅度较NREM睡眠期显着减弱至近乎平坦(整夜最低)。

随着一些可供人们对睡眠进行深入研究的现代化工具和手段，如脑电图、肌电图、眼动电图等一些比较先进的测量仪器的引进和运用，我们通过这些脑电信号的记录和研究对人们的睡眠有了更科学和更加清晰的认识。

目前为止，对于睡眠障碍的治疗方法包括中西类的药物、心理辅导疗法、针灸治疗等等治疗方法，其中，主要还是依靠药物治疗，其能在短时间内有效的改善睡眠质量，但其副作用也不能忽视。认知行为干预是一种心理疗法，主要是针对患者错误或歪曲的认识问题上，通过改变患者对人对己对事的看法来改善其所呈现出的问题症结所在。脑电生物反馈疗法是继药物和物理疗法后一种新的治疗失眠的方法，它将脑电信息反馈给受试者，使之用主观意识对自身脑电活动进行调节，达到治疗和保健的疗效。现阶段主要是通过声音对患者进行干预，其原理是使人放松，从而达到诱导患者进入更深层次的睡眠的目的。但由于每个人对于音乐的应激反应不同，该方法并不具有普适性。且该干预方法容易使患者产生“免疫”，而不能起到很好的效果。

发明内容

本发明根据现有技术存在的缺陷和不足，提供一种基于脑电信号的声光睡眠干预系统和方法，以医学界已有的心理学、生理学的内容作为基础，通过普适化脑电采集系统，对睡眠时脑电信号进行实时采集、处理和分析，通过数据挖掘的方法对睡眠进行分期，最后通过声音和光在睡眠的REM期和浅睡期进行干预，以达到改善睡眠状况的目的。

本发明的技术方案是：

1.一种基于脑电信号的声光睡眠干预系统，其特征在于，包括：睡眠脑电采集模块、睡眠脑电分期模块和睡眠干预模块；所述睡眠脑电采集模块用于实时采集受试者在睡眠期间发生连续变化的脑电信号，输出处理后的脑电信号以及提取的睡眠脑电特征信息；所述睡眠脑电分期模块用于采用训练出来的睡眠分期模型对睡眠脑电特征信息进行分期；所述睡眠干预模块用于根据分期结果，选择适合的睡眠干预方案，对受试者实施声音和光的双重干预，使受试者更快的进入深层睡眠，改善睡眠质量。

2.所述睡眠干预模块包括识别睡眠期模块、声音干预模块和光干预模块，所述识别睡眠期模块分别连接声音干预模块和光干预模块，所述声音干预模块连接音频数据库，所述光干预模块连接LED显示屏；所述识别睡眠期模块用于识别睡眠期，在睡眠的快速眼动期和浅睡期发出干预指令，所述声音干预模块和光干预模块用于接收干预指令，启动音频数据库和LED显示屏，实施声音和光的双重干预。

3.还包括管理模块、脑电显示模块、数据库模块；所述管理模块用于对干预进程和受试者信息进行管理，包括受试者信息的创建、查询、修改、删除，以及干预方案的选择，设置干预方案所要求的指标和形式以及资料的存储，实时更新并修改数据库模块的内容；所述数据库模块用于存储被试者的信息、脑电信号数据及其干预方案；所述脑电显示模块用于实时显示受试者的动态脑电图及其变化情况。

4.所述睡眠脑电采集模块包括模拟信号处理电路和数字信号处理电路，所述模拟信号处理电路包括依次连接的前置放大电路、陷波电路、低通滤波电路，用于脑电信号的提取、放大和滤波；所述数字信号处理电路包括依次连接的模数转换器、DSP芯片、USB接口电路以及直流校正电路和交流阻抗检测电路，将经过放大和滤波后的脑电信号进行A/D转换、检测脑电噪声、去除眼电伪迹，提取睡眠脑电信号的线性和非线性特征。

5.一种基于脑电信号的声光睡眠干预方法，其特征在于，包括：

1)实时采集受试者不同睡眠期的多导脑电信号；对采集的脑电信号进行分析处理，提取脑电信号的睡眠特征信息；

2)采用经过训练的睡眠分期模型，对受试者的睡眠脑电特征信息进行分期；

3)根据睡眠分期结果，进行睡眠干预，选择适合的睡眠干预方案，对受试者在REM期和浅睡期实施声音和光的双重干预，使受试者更快的进入深层睡眠，进而改善睡眠质量。

6.所述步骤1)中，采用基于无线的三导普适化脑电采集设备采集三路导联信号，采用10-20系统电极法，选择的电极分别是：F4、C4及O2；使用可以放在头发上面的入发式湿电极，避免电极接触阻抗的干扰；采集的三路导联信号送入脑电信号采集模块进行分析处理。

7.所述步骤1)中，对于采集的脑电信号使用AR模型自动检测脑电噪声，并使用自适应预测器模型去除眼电伪迹，采用小波变换的方法进行特征提取。

8.所述步骤2)中，包括对睡眠分期模型训练的步骤：

首先对被试者的睡眠脑电信号进行采集并进行预处理，根据脑电信号α波、θ波、δ波及“K”波的频率、振幅及波形，对睡眠脑电信号进行睡眠分期并提取各个睡眠期脑电信号的特征信息；再通过搜索算法对已提取出的特征信息进行特征选择，得到各个睡眠期的特征向量，将各个睡眠期的特征向量带入到KNN分类器中进行训练，训练出一个睡眠分期模型；所述特征向量由分期标签及特征信息值组成，所述分期标签是将睡眠REM期及S1、S2、S3、S4期分别用数字0、1、2、3、4表示，并作为第一维数据写入到特征向量中，特征向量的第二维及其之后的每一维数据代表一项计算好的特征信息值。

9.所述步骤2)中，包括对未知受试者的脑电数据进行分期的步骤：

首先对未知受试者的睡眠脑电信号进行采集并进行预处理，根据睡眠分期模型训练时所决定的脑电特征项，对未知受试者的脑电进行特征信息的提取；提取的特征向量由标签项均为0的标签项及特征信息值项组成；将所述特征向量作为输入文件输入到训练好的分期模型中，由训练好的分期模型实时输出睡眠分期结果，即该特征向量所代表的睡眠时间段属于睡眠的S1、S2、S3、S4或REM期的哪个区域。

10.所述步骤3)中，包括对受试者进行声光干预的步骤：根据受试者脑电数据的分期结果，当检测到受试者进入REM期或浅睡期时，干预系统对声音干预模块和光干预模块下达启动指令；声音干预模块、光干预模块接收到指令后，进行的声光干涉；当检测到患者进入到深度睡眠时，干预系统对声音干预模块和光干预模块下达暂停指令，声音干预模块和光干预模块将暂停正在进行的声光干涉；同时，干预系统继续对睡眠分期结果进行实时识别，直至下一次REM期或浅睡期到来；该过程将一直持续到受试者苏醒。

本发明的技术效果：

本发明提供一种基于脑电信号的声光睡眠干预系统和方法，以医学界已有的心理学、生理学的内容作为基础，通过普适化脑电采集系统，对睡眠时脑电信号进行实时采集、处理和分析，通过数据挖掘的方法对睡眠进行分期，最后通过声音和光在睡眠的REM期和浅睡期进行干预，以达到改善睡眠状况的目的。

1.本发明采用基于无线的三导普适化脑电采集设备进行脑电数据的采集，并采用了入发式电极，相比于科研、医疗实验室采用的全导脑电采集系统，体积更小、更易于穿戴，无需严格的实验环境和条件以及专业的操作人员；并采用硬件实现实时脑电信号的处理，大大提高了运算速度，保证了脑电信号采集的实时性和准确性。

2.本发明基于生物信息反馈原理，充分地利用了睡眠脑电的数据信息，通过数据挖掘的方式对脑电数据进行分期，根据分期结果，通过声音和光在睡眠的REM期和浅睡期进行双重干预，使测试者更快的进入深层睡眠，以达到改善睡眠状况的目的。提高了睡眠干预的准确性与针对性，目的明确、直观有效、指标精确，患者无任何痛苦和副作用。

3.本发明采用最新的脑电数据分期数据模型和可靠的数据分析方法，具有丰富的数据库资源，更合理的分期模型，其数据结构简单、清晰，有很好的数据独立性、安全保密性，用户易懂易用，可以与已有数据进行交叉对比，由庞大的实验数据体系得到的数据模型具有精度高、数据模型的不平衡性低等特点，提高了睡眠分期的准确性与可靠性。

附图说明

图1是睡眠分期结构示意图。

图2是本发明的系统组成结构示意图。

图3是脑电信号采集模块实施例示意图。

图4是本发明的方法流程示意图。

图5是10-20系统位置电极解析图。

图6是睡眠分期模型建模过程流程图。

图7是睡眠分期过程流程图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细说明。

如图2所示，是本发明的系统组成结构示意图。一种基于脑电信号的声光睡眠干预系统，包括：睡眠脑电采集模块、睡眠脑电分期模块和睡眠干预模块；睡眠脑电采集模块用于实时采集受试者在睡眠期间发生连续变化的脑电信号，输出处理后的脑电信号以及提取的睡眠脑电特征信息；睡眠脑电分期模块用于采用训练出来的睡眠分期模型对睡眠脑电特征信息进行分期；睡眠干预模块用于根据分期结果，选择适合的睡眠干预方案，对受试者实施声音和光的双重干预，使受试者更快的进入深层睡眠，改善睡眠质量。

其中，睡眠干预模块包括识别睡眠期模块、声音干预模块和光干预模块，识别睡眠期模块分别连接声音干预模块和光干预模块，声音干预模块连接音频数据库，光干预模块连接LED显示屏；识别睡眠期模块用于识别睡眠期，在睡眠的快速眼动期和浅睡期发出干预指令，声音干预模块和光干预模块用于接收干预指令，启动音频数据库和LED显示屏，实施声音和光的双重干预。

另外，本系统还包括管理模块、脑电显示模块、数据库模块；管理模块用于对干预进程和受试者信息进行管理，包括受试者信息的创建、查询、修改、删除，以及干预方案的选择，设置干预方案所要求的指标和形式以及资料的存储，实时更新并修改数据库模块的内容；数据库模块用于存储被试者的信息、脑电信号数据及其干预方案；脑电显示模块用于实时显示受试者的动态脑电图及其变化情况。

如图3所示，是脑电信号采集模块实施例示意图。包括模拟信号处理电路和数字信号处理电路，模拟信号处理电路包括依次连接的前置放大电路、陷波电路、低通滤波电路，用于脑电信号的提取、放大和滤波；数字信号处理电路包括依次连接的模数转换器、DSP芯片、USB接口电路以及直流校正电路和交流阻抗检测电路，将经过放大和滤波后的脑电信号进行分析处理，包括A/D转换、检测脑电噪声、去除眼电伪迹，提取睡眠脑电信号的线性和非线性特征。其中导联1、导联2、导联3表示采用三导普适化脑电采集系统(关联专利号：CN201520628152.6)采集的脑电信号，传输方式采用蓝牙2.0，并配有电源管理系统，可以监测电源的状态；系统小型化，便于随身携带、移动，与传统的脑电采集系统相比，可在普适环境下对脑电信号进行釆集，可随时随地采集，导联少，釆集过程简单，避免复杂的任务诱发脑电。脑电信号处理电路包括模拟信号处理电路和数字信号处理电路，处理过程快速，占用资源少。脑电信号通过三导脑电极传感器提取进来后，通过前置放大器对微弱的脑电信号进行放大，再通过陷波电路、低通滤波电路对原始脑电信号进行工频滤波处理，放大的信号通过16位A/D转换成数字信号，送入DSP；虽然模拟信号已经经过滤波处理，但是通过放大器放大的，由A/D采集进来的信号还有存在一些干扰并存在一些生理伪差(例如：心电、眼电、肌电等等)。为了减少在干预过程中出现错误判断，需要对采集的信号进行进一步处理：采用AR模型方法来自动检测脑电噪声，并使用基于自适应预测器模型的方法来去除眼电伪迹，对处理后的脑电数字信号采用小波变换的方法进行特征提取。由于这些算法都是在硬件上实现，具有很快的运算速度，可以满足我们实时处理的要求。

相应的，图4是本发明的方法流程示意图。基于脑电信号的声光睡眠干预方法，包括：

1)实时采集受试者不同睡眠期的多导脑电信号；对采集的脑电信号进行分析处理，提取脑电信号的睡眠特征信息；

2)采用经过训练的睡眠分期模型，对受试者的睡眠脑电特征信息进行分期；

3)根据睡眠分期结果，进行睡眠干预，选择适合的睡眠干预方案，对受试者在REM期和浅睡期实施声音和光的双重干预，使受试者更快的进入深层睡眠，进而改善睡眠质量。

其中，步骤1)中，采用基于无线的三导普适化脑电采集设备采集三路导联信号，采用10-20系统电极法，选择的电极分别是：F4、C4及O2；使用可以放在头发上面的入发式湿电极，避免电极接触阻抗的干扰；采集的三路导联信号送入脑电信号采集模块进行分析处理；关于脑电采集系统的电极放置位置，本系统参考了国际上广泛采用的10-20系统电极法，请见图5，是10-20系统位置电极解析图。因采用10-20系统电极法，选择的电极分别是：F4、C4及O2；使用可以放在头发上面的入发式湿电极，避免电极接触阻抗的干扰。

步骤1)中对采集的脑电数据处理包括对采集的脑电模拟信号通过放大滤波处理后，转换成数字信号，根据需要，使用AR模型方法来自动检测脑电噪声，并使用一种基于自适应预测器模型的方法来去除眼电伪迹。因为脑电信号具有随机性强且非线性、非平稳性的特点，所以提取脑电信号特征比较困难，目前常用的特征提取方法主要包括四类：时域分析法、频域分析法、时频分析法和非线性动力学分析法。考虑到脑电信号具有非线性动力学系统的特点，本发明基于非线性动力学理论对脑电信号进行分析，提取出睡眠脑电信号的线性和非线性特征。其中线性特征包括：C0复杂度，相关性，瑞丽熵，香农熵等等，非线性特征包括：关联维数，峰峰值，重心频率，方差等等。

研究表明，当人的睡眠处在快速眼动(REM)睡眠期和浅睡期时，全身肌肉放松，并能感受到一定的外界的声音和光的刺激。基于这一点，本发明选择利用声音和光对受试者在REM期和浅睡期实施声音和光的双重干预，使受试者更快的进入深层睡眠，进而改善睡眠质量。

首先以数据挖掘的方式建立睡眠分期模型。步骤2)中，包括对睡眠分期模型训练的步骤。图6是分期模型建模过程流程图。首先对被试者的睡眠脑电信号进行采集并进行预处理，根据脑电信号α波、θ波、δ波及“K”波的频率、振幅及波形，对睡眠脑电信号进行睡眠分期并提取各个睡眠期脑电信号的特征信息；再通过搜索算法对已提取出的特征信息进行特征选择，得到各个睡眠期的特征向量，将各个睡眠期的特征向量带入到KNN分类器中进行训练，训练出一个睡眠分期模型；所述特征向量由分期标签及特征信息值组成，其中，分期标签将睡眠REM期及S1、S2、S3、S4期分别用数字0、1、2、3和数字4表示，并作为第一维数据写入到特征向量中，特征向量的第二维及其之后的每一维数据代表一项计算好的特征信息值。

分类方法在脑电信号数据分析中有着广泛的应用。包括时频特征(如额叶不对称性)、波段功率、复杂度(如节律熵)等不同特性的脑电特征对于分类方法的选择提出了许多要求。根据对于脑电数据中应用的分类方法的综述，脑电数据中常用的分类方法如下：(1)线性分类包括线性判别分析，和支持向量机。(2)神经网络，包括多层感知器、高斯分类器和伽玛动态神经网络等。(3)非线性贝叶斯分类器，包括隐马尔可夫模型和贝叶斯二次判别分析。(4)最近邻分类器，包括最近邻分类器和基于马氏距离的分类器。

不同脑电信号特征对于上述分类方法的适用性也得到了研究。目前分类方法中最常用的脑电信号特征包括脑电信号幅度、波段功率、功率谱密度、自回归及适应性自回归模型变量、时频特征等，而衡量脑电信号随机性等性质的复杂度特征(如熵、复杂度和关联维数)。最大指数、复杂度则少有应用。

在本发明中采用KNN分类器，将提取出来的线性及非线性脑电信号特征信息带入到分类模型中对睡眠进行分期。该分期模型可以实时的根据脑电信号特征信息将睡眠脑电分为不同的区域，并实时输出分期结果。

训练分期模型时，首先对睡眠脑电数据进行采集并进行信号的预处理，通过对脑电脑电信号的观察和处理，根据α波、θ波、δ波及“K”波的频率、振幅及波形，对睡眠脑电信号进行睡眠分期。也就是说，当每秒8～13次的α波消失，每秒2～7次的θ波出现时我们便认为睡眠已进入S1期；当出现α波自动调幅现象即一阵α波开始振幅较小，中间变大，后来又变小，呈纺锤形且出现特定的“K”波时我们便认为睡眠进入S2期；当δ波超过20％，但不超过50％。振幅在75μV以上时S3期开始；当δ波占50％以上睡眠进入S4期；当出现低波幅、混合频率脑波且可见快速眼球运动时，我们便认为睡眠进入REM期。根据以上信息对睡眠进行分期并提取各个睡眠期脑电信号的特征信息并通过搜索算法对已提取出的特征信息进行选择，以提高分类模型的性能。根据研究，提取的特征主要包括以下几种方面：1)α波、β波、θ波、δ波主轴和锯齿的绝对功率；2)α波、β波、θ波、δ波纺锤和锯齿的相对光谱功率；3)α波、β波、θ波、δ波纺锤和锯齿的中心频率；4)α波、β波、θ波、δ波纺锤和锯齿的最大功率；5)β波功率与δ波功率的绝对比，α波功率与β波功率的绝对比，α功率与主轴功率的绝对比，θ波功率与α波功率的绝对比，δ波功率与θ波功率的绝对比，δ波功率与θ波功率的绝对比，δ波功率与α波功率的绝对比，δ波功率与主轴功率的绝对比等等；6)Hjorth参数。而特征向量由分期标签及特征信息值组成，分期标签即将睡眠REM期及S1、S2、S3、S4期分别用数字0、1、2、3和数字4表示，并作为第一维数据写入到特征向量中。特征向量的第二维及其之后的每一维数据代表一项计算好的特征信息值。即特征向量的长度为提取的特征项的个数加一。最后将特征向量带入到KNN分类器中进行训练，训练出一个睡眠分期模型。

根据训练好的分期模型，可以对未知受试者的睡眠脑电数据进行分期，将提取出来的睡眠脑电特征信息带入到训练好的分期模型，模型将实时输出该段脑电信号属于睡眠的哪个区域，例如眼动期、浅睡期或深睡期。

图7是睡眠分期过程流程图。首先对未知受试者的睡眠脑电信号进行采集并进行预处理，根据睡眠分期模型训练时所决定的脑电特征项，对未知受试者的脑电进行特征信息的提取；提取的特征向量由标签项均为0的标签项及特征信息值项组成；将所述特征向量作为输入文件输入到训练好的分期模型中，由训练好的分期模型实时输出睡眠分期结果，即该特征向量所代表的睡眠时间段属于睡眠的S1、S2、S3、S4或REM期的哪个区域。

研究表明，当人的睡眠处在快速眼动(REM)睡眠期和浅睡期时，全身肌肉放松，并能感受到一定的外界的声音和光的刺激。基于这一点，本发明选择利用声音和光对患者进行双重干预，提高睡眠干预的效果。中等色温荧光灯在恰当的时间内可对受试者产生适量的良性刺激，对大脑起到“唤醒”或“放松”的作用。蓝光与普通光照相比，更能提高警觉性和信息传递速度。并且，由于外界物理刺激可以诱发脑电同步响应，因此理论上认为θ波频段在光刺激下，θ波能量的比值会更大。而θ波能量越高，则越容易进入深度睡眠。因此，采用蓝光在患者的REM期和浅睡期对睡眠进行干涉，能够使患者更快的进入深层睡眠，进而改善睡眠质量。由于80％以上的人在REM睡眠时做梦，所以REM睡眠与梦密切相关。于是，我们选择在REM期进行声音的干涉。与一般的音乐相比，一段患者熟悉的音乐或白噪音更适合于该干预系统。所谓白噪音，它是一种功率谱密度为常数的随机信号或随机过程，此信号的频率分量的功率在整个可听范围(0～20KHZ)内是均匀的。与其他的噪音不同，白噪音对睡眠的影响微乎其微，它并不具有突然的音调改变而使患者从睡眠中惊醒。正相反，当患者处于睡眠的REM期和浅睡期中时，一定音量的白噪音或一段患者所熟悉的舒缓的音乐可以提醒患者他正在睡梦中，而不会使患者从梦中惊醒。因此在本发明中，我们首先对睡眠脑电进行分期。当检测到患者进入REM期和浅睡期时，启动干预系统，以一定的音量对患者播放之前预定好的一段音乐或一段白噪音，同时，对患者进行弱蓝光照射。由于患者在REM和浅睡期是可以感受到声音和光的干扰的，此时，通过音乐和弱蓝光可以向患者传达正在做梦这样的一个事实，接收到该事实的患者通过潜意识来控制梦的走向，从而改善做噩梦的概率，并在出现噩梦或者不愉快情景梦境时，能及时进行控制和调节。当患者进入深度睡眠时，干预系统停止工作，直至再次检测到REM期和浅睡期。该过程一直循环到患者清醒。通过声音和光对患者进行干预，能够起到改善睡眠质量，进而达到对某些精神病类进行治疗的目的。

步骤3)中，对受试者进行声光干预的具体步骤包括：根据受试者脑电数据的分期结果，当检测到受试者进入REM期或浅睡期时，干预系统对声音干预模块和光干预模块下达启动指令；声音干预模块、光干预模块接收到指令后，进行的声光干涉；当检测到患者进入到深度睡眠时，干预系统对声音干预模块和光干预模块下达暂停指令，声音干预模块和光干预模块将暂停正在进行的声光干涉；同时，干预系统继续对睡眠分期结果进行实时识别，直至下一次REM期或浅睡期到来；该过程将一直持续到受试者苏醒。

以下以一测试者为例说明该发明的具体工作方法。首先，接受训练的患者先注册自己的信息，其中包括受训者的编号、姓名、性别、年龄等信息。接着，按照要求放置三导电极的位置，使测试者在一个相对安静的环境里逐渐进入睡眠状态。然后，打开脑电信号采集模块实时采集脑电信号。患者的脑电信号通过多导脑电极传感器提取进来。通过脑电前置放大器对微弱的脑电信号进行放大，同时对原始脑电信号进行工频滤波处理，放大的信号通过16位A/D转换成数字信号，通过调用脑电信号采集模块中的预处理程序对脑电信号进行预处理以减少伪差的干扰，保证干预治疗时的正确性，然后通过蓝牙2.0传输到计算机，实时显示在屏幕上。将信息的特征值带入脑电分期模型，进行脑电分期，输出分期结果。该结果被传入干预模块，干预模块在干预方案库中选择适合的干预方案，当检测到测试者睡眠进入REM期或浅睡期后，干预模块对声音干预模块和光干预模块下达命令，干预正式进行。声音干预模块调用声音库中患者事先预定好的音乐或白噪音，光干预模块对患者双眼进行弱蓝光照射。处于睡眠中的患者接收到声音和光的刺激，意识到自己正处于睡梦中，通过潜意识对梦的走向进行控制，从而改善睡眠质量。当检测到测试者进入深度睡眠时，干预暂停，以此往复。该循环将一直持续到测试者睡眠结束。

在系统训练的过程中，系统会自动把患者的脑电信号储存并显示出来，医生可以在受试者做完训练后以后，回放该脑电信号并进行分析、打印，用以监控病人的治疗过程。

本文虽然已经给出了本发明的一些实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (10)

1.一种基于脑电信号的声光睡眠干预系统，其特征在于，包括：睡眠脑电采集模块、睡眠脑电分期模块和睡眠干预模块；所述睡眠脑电采集模块用于实时采集受试者在睡眠期间发生连续变化的脑电信号，输出处理后的脑电信号以及提取的睡眠脑电特征信息；所述睡眠脑电分期模块用于采用训练出来的睡眠分期模型对睡眠脑电特征信息进行分期；所述睡眠干预模块用于根据分期结果，选择适合的睡眠干预方案，对受试者实施声音和光的双重干预，使受试者更快的进入深层睡眠，改善睡眠质量。

2.根据权利要求1所述的系统，其特征在于，所述睡眠干预模块包括识别睡眠期模块、声音干预模块和光干预模块，所述识别睡眠期模块分别连接声音干预模块和光干预模块，所述声音干预模块连接音频数据库，所述光干预模块连接LED显示屏；所述识别睡眠期模块用于识别睡眠期，在睡眠的快速眼动期和浅睡期发出干预指令，所述声音干预模块和光干预模块用于接收干预指令，启动音频数据库和LED显示屏，实施声音和光的双重干预。

3.根据权利要求2所述的系统，其特征在于，还包括管理模块、脑电显示模块、数据库模块；所述管理模块用于对干预进程和受试者信息进行管理，包括受试者信息的创建、查询、修改、删除，以及干预方案的选择，设置干预方案所要求的指标和形式以及资料的存储，实时更新并修改数据库模块的内容；所述数据库模块用于存储被试者的信息、脑电信号数据及其干预方案；所述脑电显示模块用于实时显示受试者的动态脑电图及其变化情况。

4.根据权利要求1至3之一所述的系统，其特征在于，所述睡眠脑电采集模块包括模拟信号处理电路和数字信号处理电路，所述模拟信号处理电路包括依次连接的前置放大电路、陷波电路、低通滤波电路，用于脑电信号的提取、放大和滤波；所述数字信号处理电路包括依次连接的模数转换器、DSP芯片、USB接口电路以及直流校正电路和交流阻抗检测电路，将经过放大和滤波后的脑电信号进行A/D转换、检测脑电噪声、去除眼电伪迹，提取睡眠脑电信号的线性和非线性特征。

5.一种基于脑电信号的声光睡眠干预方法，其特征在于，包括：

1)实时采集受试者不同睡眠期的多导脑电信号；对采集的脑电信号进行分析处理，提取脑电信号的睡眠特征信息；

2)采用经过训练的睡眠分期模型，对受试者的睡眠脑电特征信息进行分期；

3)根据睡眠分期结果，进行睡眠干预，选择适合的睡眠干预方案，对受试者在REM期和浅睡期实施声音和光的双重干预，使受试者更快的进入深层睡眠，进而改善睡眠质量。

6.根据权利要求5所述的方法，其特征在于，所述步骤1)中，采用基于无线的三导普适化脑电采集设备采集三路导联信号，采用10-20系统电极法，选择的电极分别是：F4、C4及O2；使用可以放在头发上面的入发式湿电极，避免电极接触阻抗的干扰；采集的三路导联信号送入脑电信号采集模块进行分析处理。

7.根据权利要求6所述的方法，其特征在于，所述步骤1)中，对于采集的脑电信号使用AR模型自动检测脑电噪声，并使用自适应预测器模型去除眼电伪迹，采用小波变换的方法进行特征提取。

8.根据权利要求5至7之一所述的方法，其特征在于，所述步骤2)中，包括对睡眠分期模型训练的步骤：

首先对被试者的睡眠脑电信号进行采集并进行预处理，根据脑电信号α波、θ波、δ波及“K”波的频率、振幅及波形，对睡眠脑电信号进行睡眠分期并提取各个睡眠期脑电信号的特征信息；再通过搜索算法对已提取出的特征信息进行特征选择，得到各个睡眠期的特征向量，将各个睡眠期的特征向量带入到KNN分类器中进行训练，训练出一个睡眠分期模型；所述特征向量由分期标签及特征信息值组成，所述分期标签是将睡眠REM期及S1、S2、S3、S4期分别用数字0、1、2、3、4表示，并作为第一维数据写入到特征向量中，特征向量的第二维及其之后的每一维数据代表一项计算好的特征信息值。

9.根据权利要求8所述的方法，其特征在于，所述步骤2)中，包括对未知受试者的脑电数据进行分期的步骤：

首先对未知受试者的睡眠脑电信号进行采集并进行预处理，根据睡眠分期模型训练时所决定的脑电特征项，对未知受试者的脑电进行特征信息的提取；提取的特征向量由标签项均为0的标签项及特征信息值项组成；将所述特征向量作为输入文件输入到训练好的分期模型中，由训练好的分期模型实时输出睡眠分期结果，即该特征向量所代表的睡眠时间段属于睡眠的S1、S2、S3、S4或REM期的哪个区域。

10.根据权利要求9所述的方法，其特征在于，所述步骤3)中，包括对受试者进行声光干预的步骤：根据受试者脑电数据的分期结果，当检测到受试者进入REM期或浅睡期时，干预系统对声音干预模块和光干预模块下达启动指令；声音干预模块、光干预模块接收到指令后，进行的声光干涉；当检测到患者进入到深度睡眠时，干预系统对声音干预模块和光干预模块下达暂停指令，声音干预模块和光干预模块将暂停正在进行的声光干涉；同时，干预系统继续对睡眠分期结果进行实时识别，直至下一次REM期或浅睡期到来；该过程将一直持续到受试者苏醒。