CN107495962A - 一种单导联脑电的睡眠自动分期方法 - Google Patents

Abstract

本发明公开了一种单导联脑电的睡眠自动分期方法，包括特征提取模块和分期优化模块。其中，特征提取模块是由CNNs卷积神经网络(1)、Softmax层(2)组成；分期优化模块由双向LSTM循环神经网络(3)和CRF条件随机场模型(4)构成；(1)、(2)、(3)和(4)顺序连接。该方法仅需要单导联的睡眠脑电信号，满足便携、舒适的睡眠监测需求；结合卷积神经网络和循环神经网络充分挖掘了脑电信号的时空特征，且具有动态学习能力，能够适应变化的疾病大环境；分期优化模块充分考虑N段30s脑电数据前后之间的联系，提高分期的准确性和模型的泛化能力。

Description

一种单导联脑电的睡眠自动分期方法

技术领域

本发明涉及睡眠监测技术领域，具体涉及一种单导联脑电的睡眠自动分期方法。

背景技术

睡眠是人类健康的核心，睡眠减少，睡眠模式异常或昼夜节律失调会导致一系列情感，认知或躯体方面健康的问题。据世界卫生组织统计，全球27％的人有睡眠障碍，每年因此导致的经济损失达数千亿美元，但大多数睡眠障碍一旦被确诊是可以被管理的。通过各生理信号对人体睡眠状态进行分期，是客观评估睡眠质量的一种有效方法。

目前临床上监测睡眠的典型方法是用多导睡眠仪(Polysomnography，PSG)采集睡眠期间的生理信号，包括脑电波(EEG)、眼电(EOG)、肌电(EMG)、心电(ECG)、血氧饱和度(SpO2)和呼吸信号。睡眠阶段判断主要基于对EEG的分析，并可以利用ECG和EEG进行辅助判断。然而PSG成本昂贵、操作复杂、穿戴不适等缺点限制了其做长期睡眠研究的潜力，仅适用于医院的临床研究。因此，研发便携、舒适、准确的睡眠监测系统是临床的迫切需求。

现行的相近方案主要有以下：

如中国专利发明201710002025.9，该方案提出一种基于脑电和肌电多特征的自动睡眠分期方法，通过时域、频域和非线性方面的信号分析方法提取脑电波、肌电的特征参数，再利用分类器进行分类。该方案的缺点在于特征依赖于人工经验提取，只对每段30s的生理电信号样本进行单独的训练和验证，没有考虑样本和前后样本之间的联系，准确性和泛化能力有待提高。其他基于手环体动、心率、RF射频信号的睡眠监测方案准确度很低，无法达到临床要求。

发明内容

本发明的目的在于针对上述已有技术的不足，提供一种单导联脑电的睡眠自动分期方法，该方法仅需要单导联的睡眠脑电信号，就能较为准确的实现睡眠分期，且满足便携、舒适睡眠监测需求。为了实现上述目的，本案通过以下技术方案实现，具体包括训练过程S1和识别过程S2：

训练过程S1为：对每个固定时间段T标记好睡眠分期类别的脑电信号进行预处理，随机选取其中任意N段连续脑电信号输入至训练模型进行训练，直至模型收敛，得到训练好的模型；其中，T为30秒，N为3或5；

识别过程S2为：对每个固定时间段T的待识别脑电信号进行预处理，选取其中任意N段连续脑电信号输入至S1中训练好的模型，输出睡眠分期结果；

训练模型由特征提取模块和分期优化模块组成；其中，特征提取模块是由CNNs卷积神经网络(1)、Softmax层(2)组成；分期优化模块由双向LSTM循环神经网络(3)和CRF条件随机场模型(4)构成；(1)、(2)、(3)和(4)顺序连接；

训练过程S1和识别过程S2中，脑电信号均为滑动输入模式，滑动窗大小为T～N*T，输出为第(N+1)/2段输入脑电信号对应的睡眠分期类别标签。

作为优选，所述的方法，其特征在于，随机选取其中任意N段连续脑电信号输入至训练模型进行训练，N为5，滑动步长为1。

作为优选，所述的训练模型，其特征在于，(1)中的输入节点为N段连续脑电序列经过预处理后的采样点数；(1)中的输出节点维度为4，(1)中的隐层数目为3；(3)中的输入为5*4维向量，隐层节点个数为64，隐层数目为1；(4)的输入节点数与(3)中的隐层节点个数相同；(4)的输出节点个数为4，对应睡眠分期的四个类型—浅睡期、深睡期、Wake期和REM期；(4)的输出结果为当前输入第(N+1)/2段脑电信号的睡眠自动分期类型；顺序输入整个单导睡眠脑电信号，得到睡眠自动分期结构图。

作为优选，所述的训练过程S1，其特征在于，具体步骤如下：

步骤1：对单导脑电数据进行预处理，预处理方法为降采样至100Hz、去除50Hz工频噪声、对每例被试整段脑电信号进行归一化；

步骤2：对训练模型进行初始化，用高斯分布的范围为0～1的随机数初始化网络中待训练参数；

步骤3：通过向初始化后的训练模型中输入训练样本和对应的睡眠分期类型标签训练网络，使用反向传播BP算法，调整网络参数，使损失函数值最小。

本发明具有如下优点：

1)本发明仅需要单导联的睡眠脑电信号，满足便携、舒适睡眠监测需求。

2)本发明结合卷积神经网络和循环神经网络充分挖掘了脑电信号的时空特征，且具有动态学习能力，能够适应变化的疾病大环境。

3)本发明分期优化模块充分考虑N段30s脑电数据前后之间的联系，提高分期的准确性和模型的泛化能力。

附图说明

图1是本发明训练过程系统框图。

图2是本发明方法识别整晚睡眠脑电的各分期类型结果样例。

图3是本发明方法识别整晚睡眠脑电的睡眠分期结构图样例。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

图1是本发明训练过程系统框图，包括：

步骤1：对单导脑电数据进行预处理，预处理方法为降采样至100Hz、去除50Hz工频噪声、对每例被试整段脑电信号进行归一化；

步骤2：对训练模型进行初始化，用高斯分布的范围为0～1的随机数初始化网络中待训练参数；

步骤3：通过向初始化后的训练模型中输入训练样本和对应的睡眠分期类型标签训练网络，使用反向传播BP算法，调整网络参数，使损失函数值最小。

一、本系统框图每一个步骤的实现，结合实施例具体表述如下：

(1)从脑电数据库中提取单导联睡眠脑电信号样本

数据来自于Sleep EDF Expanded database(https://www.physionet.org)，共20名被试(10名男性，10名女性)，其中19名被试含两晚的睡眠监测数据，1例被试为一晚的睡眠检测数据，睡眠监测数据均由有资质的睡眠医生进行分期标注，被试年龄为25～34岁。监测过中未使用任何药物，采集的信号中包括两路EEG数据，分别为Fpz-Cz和Pz-Oz，本实施例仅选取Fpz-Cz导联，采样率为100hz。

(2)将20名被试的脑电信号分为训练样本、验证样本和测试样本三部分。

(3)脑电信号的预处理，包括设置频带为49hz-51hz的FIR带阻滤波器去除50Hz工频噪声、对每例被试整段脑电信号进行归一化。

(4)特征提取模块包括卷积神经网络和Softmax层。卷积神经网络中的输入节点为5段连续脑电序列经过预处理后的采样点数15000，隐层数目为3；第1层卷积核数目为32，大小为30*1，MaxPooling层参数为2*1；第2层为卷积核数目均为64，卷积核大小分别为1*1、3*1、5*1的卷积核并行卷积后再拼接成一层，然后接AveragePooling层，参数为300*1；第3层卷积核数目为128，卷积核大小为1*1，然后接AveragePooling层，参数为5*1；最后接入Softmax层。

以上每个卷积层后均接上BatchNormalization层，激活函数为RELU。

(5)分期优化模块包括双向LSTM循环神经网络和CRF条件随机场模型。双向LSTM循环神经网络输入为5*4维向量，隐层节点个数为32，隐层数目为1；CRF条件随机场模型为链式结构。

(6)对训练模型进行初始化，用高斯分布的范围为0～1的随机数初始化网络中待训练参数；使用反向传播BP算法，优化算法为Adam，损失函数为交叉熵。

二、睡眠自动分期的方法评价

本案例实验每次取19例被试的脑电数据作为训练样本，取其中的75％的数据作为训练集，剩下的25％的数据作为验证集；剩下的1例被试数据作为测试样本用于识别测试。这样的识别实验相应重复20次，最后取20次的准确率和Kappa系数平均值、标准差作为识别结果。统计结果表明，本发明方法识别准确率均值为86％，标准差为5％；Kappa系数均值为0.77，标准差为7％。

图2是本发明方法识别某典型被试整晚睡眠脑电的各分期类型结果，其中，对角线数据表示每一种具体的睡眠分期类型所获得的正确识别率，结果表明，本方法对浅睡期、深睡期、REM期、Wake均有很高的识别率。

图3是本发明方法识别某典型被试整晚睡眠脑电的睡眠分期结构图，结果表明与有资质的睡眠医生标注的结果有很好的一致性。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (3)

1.一种单导联脑电的睡眠自动分期方法，其特征在于，所述方法仅需要单导联的睡眠脑电信号，自动分期方法包括训练过程S1和识别过程S2,如下：

训练过程S1为：对每个固定时间段T标记好睡眠分期类别的脑电信号进行预处理，随机选取其中任意N段连续脑电信号输入至训练模型进行训练，直至模型收敛，得到训练好的模型；其中，T为30秒，N为3或5；

识别过程S2为：对每个固定时间段T的待识别脑电信号进行预处理，选取其中任意N段连续脑电信号输入至S1中训练好的模型，输出睡眠分期结果；

训练模型由特征提取模块和分期优化模块组成；其中，特征提取模块是由CNNs卷积神经网络(1)、Softmax层(2)组成；分期优化模块由双向LSTM循环神经网络(3)和CRF条件随机场模型(4)构成；(1)、(2)、(3)和(4)顺序连接；

训练过程S1和识别过程S2中，脑电信号均为滑动输入模式，滑动窗大小为T～N*T，输出为第(N+1)/2段输入脑电信号对应的睡眠分期类别标签。

2.根据权利要求1所述的训练模型，其特征在于，(1)中的输入节点为N段连续脑电序列经过预处理后的采样点数；(1)中的输出节点维度为4，(1)中的隐层数目为3～10；(3)中的输入为N*4维向量，隐层节点个数为32～128，隐层数目为1～2；(4)的输入节点数与(3)中的隐层节点个数相同；(4)的输出节点维数为4，对应睡眠分期的四个类型—浅睡期、深睡期、Wake期和REM期；(4)的输出结果为当前输入第(N+1)/2段脑电信号的睡眠自动分期类型；顺序输入整个单导睡眠脑电信号，得到睡眠自动分期结构图。

3.根据权利要求1所述的训练过程S1，其特征在于，具体步骤如下：

步骤1：对单导联脑电数据进行预处理，预处理方法为降采样至100Hz、去除50Hz工频噪声、对每例被试整段脑电信号进行归一化；

步骤2：对训练模型进行初始化，用高斯分布的范围为0～1的随机数初始化网络中待训练参数；

步骤3：通过向初始化后的训练模型中输入训练样本和对应的睡眠分期类型标签训练网络，使用反向传播BP算法，调整网络参数，使损失函数值最小。