CN110075409B - 基于脑电波的个性化音乐辅助睡眠方法 - Google Patents

Abstract

本发明提出了一种基于脑电波的个性化音乐辅助睡眠方法，所涉及的硬件包括采集装置、处理装置和播放装置，采集装置和播放装置均与处理装置电气连接；所述辅助睡眠方法包括：1）建立个性化音乐库、2）脑电波采集和3）信号处理；本发明的有益技术效果是：提出了一种基于脑电波的个性化音乐辅助睡眠方法，该方法可筛选出恰当的音乐，并根据人的当前睡眠阶段，播放合适的音乐片断，促进人的睡眠阶段向深入发展，起到辅助睡眠的效果。

Description

基于脑电波的个性化音乐辅助睡眠方法

技术领域

本发明涉及一种睡眠辅助技术，尤其涉及一种基于脑电波的个性化音乐辅助睡眠方法。

背景技术

睡眠具有维持个体生存、促进生长发育、形成记忆等功能，是生理活动中的重要过程；随着生活节奏加快，工作、情感压力等负面情绪让许多人受失眠问题困扰，据《2018中国睡眠指数》统计，中国成年人失眠发生率高达38.2％，超过3亿中国人有睡眠障碍，因此，通过技术手段，改善人体睡眠状态，具有重要的社会价值。

由现有理论可知，恰当的音频信号刺激，对睡眠具有辅助作用，但在实际操作时，由于个体差异的存在，人们对助眠音乐的选择十分盲目，缺乏具有可操作性的选择标准和手段。

发明内容

由现有理论可知，人处于睡眠状态时，脑电波中主要含有δ波、θ波、α波和β波四种节律信号；人的睡眠过程包含清醒期、入睡期、浅睡期、深睡期、快速眼动期五个由浅入深的睡眠阶段，虽然，在不同睡眠阶段中，四种节律信号在脑电波信号中的能量占比各不相同，但总的来看，随着睡眠阶段向深入发展，频率相对较低的δ波和θ波在脑电波信号中的能量占比会越来越大，频率相对较高的α波和β波在脑电波信号中的能量占比会越来越小，而且在正常的睡眠过程中，频率相对较低的δ波和θ波的能量占比要大于频率相对较高的α波和β波的的能量占比，因此，发明人考虑以寻找更能诱发低频节律信号的音乐为目的，对音乐进行筛选，找到合适的音乐，然后再根据试验中得到的睡眠阶段发展和音乐播放的时间关系，构建对应不同睡眠阶段的特征值识别区间，具体实施时，根据睡眠阶段识别结果，播放与当前睡眠阶段相适应的音乐片断，促进睡眠阶段向深入发展；于是有如下的方案：

一种基于脑电波的个性化音乐辅助睡眠方法，所涉及的硬件包括采集装置、处理装置和播放装置，采集装置和播放装置均与处理装置电气连接；其创新在于：所述辅助睡眠方法包括：

1)建立个性化音乐库：辅助对象根据个人喜好，选取多首音乐作为音乐库，并将音乐库存储在处理装置中；由于个体差异的存在，不同人对同一音乐的感受存在差异性，因此需要根据辅助对象的个人喜好来确定所采用的音乐；

2)脑电波采集：控制模块通过播放装置向辅助对象逐首播放音乐库中的多首音乐，在此过程中，采集装置对辅助对象的脑电波信号进行连续采样，并将采集到的脑电波信号输出至处理装置；

3)信号处理：单首音乐播放过程中采集到的脑电波信号记为一个信号组，多首音乐与多个信号组一一对应；

对单个信号组进行处理时，根据信号组获取相应的信号频谱图，从信号频谱图中识别出δ波、θ波、α波和β波在信号频谱图中的频谱能量占比，δ波的频谱能量占比记为P_δ、θ波的频谱能量占比记为P_θ、α波的频谱能量占比记为P_α、β波的频谱能量占比记为P_β；然后根据下式计算出相应音乐所对应的特征量-频谱能量指数：

SEI＝(mP_δ+nP_θ+jP_α+kP_β)×100

其中，SEI即为特征量-频谱能量指数，m为δ波对应的频谱能量因子系数，n为θ波对应的频谱能量因子系数，j为α波对应的频谱能量因子系数，k为β波对应的频谱能量因子系数；

所述频谱能量因子系数按如下方式得到：

在睡眠过程中，采集辅助对象的脑电波信号；然后根据脑电波信号，采用支持向量机算法识别出各个睡眠阶段所对应的脑电波信号；单个睡眠阶段所对应的脑电波信号记为一个采样信号组；对单个采样信号组进行处理，得到相应的采样频谱图，从采样频谱图中识别出四种节律信号在采样频谱图中的能量占比；四种节律信号即为δ波、θ波、α波和β波；所述睡眠阶段包含清醒期、入睡期、浅睡期、深睡期、快速眼动期五个阶段；单种节律信号在五种睡眠阶段条件下能够得到五个能量占比，对单种节律信号的五个能量占比计算算术平均值的标准差；四种节律信号分别对应四个标准差；单个标准差平方后的倒数，即为相应节律信号的频谱能量因子系数；

每首音乐均对应有一特征量-频谱能量指数，将特征量-频谱能量指数数值最大的三首音乐记为三首辅助音乐；以10秒为区间，将单首辅助音乐切割为多个音乐片断，多个音乐片断即形成辅助音乐库；同时，以10秒为区间，将相应信号组切割为多个信号片断，多个音乐片断与多个信号片断一一对应；

为每个信号片断生成唯一的一维特征值，多个信号片断对应多个一维特征值；然后根据音乐片断和信号片断的对应关系，为相互匹配的一维特征值和音乐片断建立映射关系；

将单个采样信号组所辖的多个一维特征值按时间先后排列，将第一个一维特征值和最后一个一维特征值中数值较大者记为区间上限，将第一个一维特征值和最后一个一维特征值中数值较小者记为区间下限，所有一维特征值中数值介于区间上限和区间下限之间的多个一维特征值作为区间中的元素，得到相应睡眠阶段的特征值识别区间；五个睡眠阶段即得到五个特征值识别区间；

所述一维特征值按如下方式生成：采用小波包分解算法对单个信号片断进行分解，得到每种节律信号的时频信号；选取单个时频信号的功率谱、最大幅值、方差和棘波个数作为特征参数，构建信号片断特征矩阵C1，然后将信号片断特征矩阵C1乘以特征参数权重矩阵w₀得到中间矩阵，中间矩阵做转置处理后乘以频谱能量因子系数矩阵w₁即能得到相应的一维特征值；小波包分解算法是一种现有的信号分析手段，具体实施时，可参考现有技术；

所述信号片断特征矩阵C1的形式如下：

其中，N1、M1、V1、S1分别为对应δ波的时频信号的功率谱、最大幅值、方差和棘波个数；N2、M2、V2、S2分别为对应θ波的时频信号的功率谱、最大幅值、方差和棘波个数；N3、M3、V3、S3分别为对应α波的时频信号的功率谱、最大幅值、方差和棘波个数；N4、M4、V4、S4分别为对应β波的时频信号的功率谱、最大幅值、方差和棘波个数；

所述特征参数权重矩阵w₀的形式如下：

其中，F1为功率谱的权重，F2为最大幅值的权重，F3为方差的权重，F4为棘波个数的权重；各个特征参数的权重可根据现有理论计算得到；

所述频谱能量因子系数矩阵w₁的形式如下：

得到一维特征值的目的是为了与各个音乐片断建立映射关系以及便于后续查找；

4)睡眠辅助操作：辅助对象睡眠时，控制模块通过采集装置对辅助对象的脑电波信号进行连续采样，并周期性地对采集到的脑电波信号进行处理；单个周期中，控制模块采用支持向量机算法根据当前脑电波信号识别出辅助对象当前所处的睡眠阶段，然后，控制模块根据睡眠阶段识别结果，从相应特征值识别区间中随机选取3个一维特征值，然后根据选取的一维特征值在辅助音乐库中查找相应的音乐片断，并控制播放装置将查找到的音乐片断向辅助对象逐个播放，然后进入下一周期。

本发明的有益技术效果是：提出了一种基于脑电波的个性化音乐辅助睡眠方法，该方法可筛选出恰当的音乐，并根据人的当前睡眠阶段，播放合适的音乐片断，促进人的睡眠阶段向深入发展，起到辅助睡眠的效果。

具体实施方式

一种基于脑电波的个性化音乐辅助睡眠方法，所涉及的硬件包括采集装置、处理装置和播放装置，采集装置和播放装置均与处理装置电气连接；其特征在于：所述辅助睡眠方法包括：

1)建立个性化音乐库：辅助对象根据个人喜好，选取多首音乐作为音乐库，并将音乐库存储在处理装置中；

2)脑电波采集：控制模块通过播放装置向辅助对象逐首播放音乐库中的多首音乐，在此过程中，采集装置对辅助对象的脑电波信号进行连续采样，并将采集到的脑电波信号输出至处理装置；

3)信号处理：单首音乐播放过程中采集到的脑电波信号记为一个信号组，多首音乐与多个信号组一一对应；

对单个信号组进行处理时，根据信号组获取相应的信号频谱图，从信号频谱图中识别出δ波、θ波、α波和β波在信号频谱图中的频谱能量占比，δ波的频谱能量占比记为P_δ、θ波的频谱能量占比记为P_θ、α波的频谱能量占比记为P_α、β波的频谱能量占比记为P_β；然后根据下式计算出相应音乐所对应的特征量-频谱能量指数：

SEI＝(mP_δ+nP_θ+jP_α+kP_β)×100

其中，SEI即为特征量-频谱能量指数，m为δ波对应的频谱能量因子系数，n为θ波对应的频谱能量因子系数，j为α波对应的频谱能量因子系数，k为β波对应的频谱能量因子系数；

所述频谱能量因子系数按如下方式得到：

在睡眠过程中，采集辅助对象的脑电波信号；然后根据脑电波信号，采用支持向量机算法识别出各个睡眠阶段所对应的脑电波信号；单个睡眠阶段所对应的脑电波信号记为一个采样信号组；对单个采样信号组进行处理，得到相应的采样频谱图，从采样频谱图中识别出四种节律信号在采样频谱图中的能量占比；四种节律信号即为δ波、θ波、α波和β波；所述睡眠阶段包含清醒期、入睡期、浅睡期、深睡期、快速眼动期五个阶段；单种节律信号在五种睡眠阶段条件下能够得到五个能量占比，对单种节律信号的五个能量占比计算算术平均值的标准差；四种节律信号分别对应四个标准差；单个标准差平方后的倒数，即为相应节律信号的频谱能量因子系数；

每首音乐均对应有一特征量-频谱能量指数，将特征量-频谱能量指数数值最大的三首音乐记为三首辅助音乐；以10秒为区间，将单首辅助音乐切割为多个音乐片断，多个音乐片断即形成辅助音乐库；同时，以10秒为区间，将相应信号组切割为多个信号片断，多个音乐片断与多个信号片断一一对应；

为每个信号片断生成唯一的一维特征值，多个信号片断对应多个一维特征值；然后根据音乐片断和信号片断的对应关系，为相互匹配的一维特征值和音乐片断建立映射关系；

将单个采样信号组所辖的多个一维特征值按时间先后排列，将第一个一维特征值和最后一个一维特征值中数值较大者记为区间上限，将第一个一维特征值和最后一个一维特征值中数值较小者记为区间下限，所有一维特征值中数值介于区间上限和区间下限之间的多个一维特征值作为区间中的元素，得到相应睡眠阶段的特征值识别区间；五个睡眠阶段即得到五个特征值识别区间；

所述一维特征值按如下方式生成：采用小波包分解算法对单个信号片断进行分解，得到每种节律信号的时频信号；选取单个时频信号的功率谱、最大幅值、方差和棘波个数作为特征参数，构建信号片断特征矩阵C1，然后将信号片断特征矩阵C1乘以特征参数权重矩阵w₀得到中间矩阵，中间矩阵做转置处理后乘以频谱能量因子系数矩阵w₁即能得到相应的一维特征值；所述信号片断特征矩阵C1的形式如下：

其中，N1、M1、V1、S1分别为对应δ波的时频信号的功率谱、最大幅值、方差和棘波个数；N2、M2、V2、S2分别为对应θ波的时频信号的功率谱、最大幅值、方差和棘波个数；N3、M3、V3、S3分别为对应α波的时频信号的功率谱、最大幅值、方差和棘波个数；N4、M4、V4、S4分别为对应β波的时频信号的功率谱、最大幅值、方差和棘波个数；

所述特征参数权重矩阵w₀的形式如下：

其中，F1为功率谱的权重，F2为最大幅值的权重，F3为方差的权重，F4为棘波个数的权重；

所述频谱能量因子系数矩阵w₁的形式如下：

4)睡眠辅助操作：辅助对象睡眠时，控制模块通过采集装置对辅助对象的脑电波信号进行连续采样，并周期性地对采集到的脑电波信号进行处理；单个周期中，控制模块采用支持向量机算法根据当前脑电波信号识别出辅助对象当前所处的睡眠阶段，然后，控制模块根据睡眠阶段识别结果，从相应特征值识别区间中随机选取3个一维特征值，然后根据选取的一维特征值在辅助音乐库中查找相应的音乐片断，并控制播放装置将查找到的音乐片断向辅助对象逐个播放，然后进入下一周期。

Claims (1)

1.一种基于脑电波的个性化音乐辅助睡眠方法，所涉及的硬件包括采集装置、处理装置和播放装置，采集装置和播放装置均与处理装置电气连接；其特征在于：所述辅助睡眠方法包括：

1)建立个性化音乐库：辅助对象根据个人喜好，选取多首音乐作为音乐库，并将音乐库存储在处理装置中；

2)脑电波采集：控制模块通过播放装置向辅助对象逐首播放音乐库中的多首音乐，在此过程中，采集装置对辅助对象的脑电波信号进行连续采样，并将采集到的脑电波信号输出至处理装置；

3)信号处理：单首音乐播放过程中采集到的脑电波信号记为一个信号组，多首音乐与多个信号组一一对应；

对单个信号组进行处理时，根据信号组获取相应的信号频谱图，从信号频谱图中识别出δ波、θ波、α波和β波在信号频谱图中的频谱能量占比，δ波的频谱能量占比记为P_δ、θ波的频谱能量占比记为P_θ、α波的频谱能量占比记为P_α、β波的频谱能量占比记为P_β；然后根据下式计算出相应音乐所对应的特征量-频谱能量指数：

SEI＝(mP_δ+nP_θ+jP_α+kP_β)×100

其中，SEI即为特征量-频谱能量指数，m为δ波对应的频谱能量因子系数，n为θ波对应的频谱能量因子系数，j为α波对应的频谱能量因子系数，k为β波对应的频谱能量因子系数；

所述频谱能量因子系数按如下方式得到：

在睡眠过程中，采集辅助对象的脑电波信号；然后根据脑电波信号，采用支持向量机算法识别出各个睡眠阶段所对应的脑电波信号；单个睡眠阶段所对应的脑电波信号记为一个采样信号组；对单个采样信号组进行处理，得到相应的采样频谱图，从采样频谱图中识别出四种节律信号在采样频谱图中的能量占比；四种节律信号即为δ波、θ波、α波和β波；所述睡眠阶段包含清醒期、入睡期、浅睡期、深睡期、快速眼动期五个阶段；单种节律信号在五种睡眠阶段条件下能够得到五个能量占比，对单种节律信号的五个能量占比计算算术平均值的标准差；四种节律信号分别对应四个标准差；单个标准差平方后的倒数，即为相应节律信号的频谱能量因子系数；

每首音乐均对应有一特征量-频谱能量指数，将特征量-频谱能量指数数值最大的三首音乐记为三首辅助音乐；以10秒为区间，将单首辅助音乐切割为多个音乐片断，多个音乐片断即形成辅助音乐库；同时，以10秒为区间，将相应信号组切割为多个信号片断，多个音乐片断与多个信号片断一一对应；

为每个信号片断生成唯一的一维特征值，多个信号片断对应多个一维特征值；然后根据音乐片断和信号片断的对应关系，为相互匹配的一维特征值和音乐片断建立映射关系；

将单个采样信号组所辖的多个一维特征值按时间先后排列，将第一个一维特征值和最后一个一维特征值中数值较大者记为区间上限，将第一个一维特征值和最后一个一维特征值中数值较小者记为区间下限，所有一维特征值中数值介于区间上限和区间下限之间的多个一维特征值作为区间中的元素，得到相应睡眠阶段的特征值识别区间；五个睡眠阶段即得到五个特征值识别区间；

所述一维特征值按如下方式生成：采用小波包分解算法对单个信号片断进行分解，得到每种节律信号的时频信号；选取单个时频信号的功率谱、最大幅值、方差和棘波个数作为特征参数，构建信号片断特征矩阵C1，然后将信号片断特征矩阵C1乘以特征参数权重矩阵w₀得到中间矩阵，中间矩阵做转置处理后乘以频谱能量因子系数矩阵w₁即能得到相应的一维特征值；所述信号片断特征矩阵C1的形式如下：

其中，N1、M1、V1、S1分别为对应δ波的时频信号的功率谱、最大幅值、方差和棘波个数；N2、M2、V2、S2分别为对应θ波的时频信号的功率谱、最大幅值、方差和棘波个数；N3、M3、V3、S3分别为对应α波的时频信号的功率谱、最大幅值、方差和棘波个数；N4、M4、V4、S4分别为对应β波的时频信号的功率谱、最大幅值、方差和棘波个数；

所述特征参数权重矩阵w₀的形式如下：

其中，F1为功率谱的权重，F2为最大幅值的权重，F3为方差的权重，F4为棘波个数的权重；

所述频谱能量因子系数矩阵w₁的形式如下：

4)睡眠辅助操作：辅助对象睡眠时，控制模块通过采集装置对辅助对象的脑电波信号进行连续采样，并周期性地对采集到的脑电波信号进行处理；单个周期中，控制模块采用支持向量机算法根据当前脑电波信号识别出辅助对象当前所处的睡眠阶段，然后，控制模块根据睡眠阶段识别结果，从相应特征值识别区间中随机选取3个一维特征值，然后根据选取的一维特征值在辅助音乐库中查找相应的音乐片断，并控制播放装置将查找到的音乐片断向辅助对象逐个播放，然后进入下一周期。