CN111317446B

CN111317446B - 基于人体肌肉表面电信号的睡眠结构自动分析方法

Info

Publication number: CN111317446B
Application number: CN202010125971.4A
Authority: CN
Inventors: 段莹; 陈杰梅; 孙书臣; 何培宇
Original assignee: Air Force Specialty Medical Center of PLA
Current assignee: Air Force Specialty Medical Center of PLA
Priority date: 2020-02-27
Filing date: 2020-02-27
Publication date: 2020-09-08
Anticipated expiration: 2040-02-27
Also published as: CN111317446A

Abstract

睡眠结构是反应睡眠质量的重要指标。针对目前常用的基于多导睡眠监测(PSG)的评价标准存在的监测设备昂贵、操作繁琐、分析过程复杂、对技术人员要求较高等问题，本发明公开了一种基于人体肌肉表面电信号的睡眠结构自动分析方法。该发明首先将所采集的原始肌肉表面电信号进行分段和预处理，将肌电信号分为活跃信号与非活跃信号，获取每帧非活跃肌电信号的时域特征和每帧非活跃肌电信号的频域特征，在此基础上，采用随机森林方法，训练并测试分类模型，根据活跃片段的相对幅度及持续时间，将活跃片段分为短时、中等、长时三类活跃片段，利用随机森林分类方法及活跃片段类型，对肌电信号进行分类，并对初步分类结果进行修正。

Description

基于人体肌肉表面电信号的睡眠结构自动分析方法

技术领域

本发明涉及睡眠结构分析领域，尤其涉及一种利用人体肌肉表面电信号进行睡眠结构自动分析的方法。

背景技术

睡眠对人体生理功能和心理状态有着重要作用，睡眠质量不佳不仅会影响人体重要器官及系统的生理功能，引发高血压、冠心病、糖尿病、脑卒中、抑郁、焦虑等多种疾病，造成多系统器官功能损害，也是导致记忆力下降、反应能力降低的重要原因，还会对操作能力和交通安全等产生负面影响，是影响社会经济发展的易忽视因素。

睡眠结构是反应睡眠质量的重要指标。整夜睡眠中，通常包括4-6个睡眠周期(cycle)；每个睡眠周期中包括非快速眼球运动(NREM)睡眠和快速眼球运动(REM)睡眠，期间间断出现清醒期；NREM睡眠又分为浅睡眠和深睡眠两种成分。通常以浅睡眠、深睡眠和清醒期各成分的多少来评估睡眠结构。

目前，多导睡眠监测(PSG)是评价睡眠结构的常用标准。PSG是同步记录、分析睡眠期间脑电图、眼动电图、心电图、肌电图、呼吸、血氧等信号的技术，其中主要参考脑电图、眼动电图和肌电图三类信号，由经验丰富的技术人员以30秒为一帧，逐帧判读睡眠分期，从而得出体现睡眠结构的睡眠期参数。

PSG的实施需要在睡眠实验室进行，且监测设备昂贵，操作繁琐、分析过程复杂，对技术人员要求较高，因此难以在基层医疗机构广泛开展。PSG监测目前主要集中于三级医院进行，由于监测室数量限制，经常需要数周的预约等候时间。此外，由于受试者需要佩戴30余个电极、传感器，舒适性差，易因干扰、环境不适应而出现“首夜效应”，从而影响监测的准确性。

PSG监测是睡眠中心针对特定疾病进行诊断和评估的重要方法，但并不适于基层医疗机构进行睡眠质量筛查；便携式睡眠监测虽然对PSG进行了简化，但是仅适用于睡眠呼吸障碍的人群，此两种分析方法均需要人工分析出具报告。近年来，睡眠评价技术围绕如何减少监测干扰、提高睡眠分析效率进行了多方面探索，其中心肺耦合技术、外周动脉张力技术可用于筛查睡眠呼吸障碍，身体活动记录仪可用于评估昼夜节律紊乱，但是这些方法并不适用于整体睡眠质量评价。

现有睡眠分期的自动分析主要基于脑电信号。脑电信号虽然可以更为精确的反映不同脑区活动，但是由于信号微弱，易受干扰，其监测过程对仪器设备、监测技术和环境要求较高，难以在基层医疗机构广泛普及开展。

针对现有睡眠分析方法的上述不在，本发明提出一种基于人体肌肉表面电信号的睡眠结构自动分析方法。

发明内容

一种基于人体肌肉表面电信号的睡眠结构自动分析方法，可应用于头部和颈部肌肉、肢体肌肉的体表电信号，分析过程包含如下步骤：

S1：利用人体表面肌电信号采集装置获得原始肌肉表面电信号，并对该信号进行分段，每段为一帧信号；

S2：对每帧肌电信号进行预处理，消除心电干扰与基线漂移；

S3：根据每帧肌电信号中是否存在活跃片段，将肌电信号分为两类:活跃信号与非活跃信号。本发明中，若受试者出现身体活动、肌肉抽动及由于觉醒造成肌肉紧张时引发的肌电信号幅度增加，则将该片段归类为活跃片段，否则为非活跃片段；若信号帧包含活跃片段则归类为活跃肌电信号，否则为非活跃肌电信号；

S4：获取非活跃肌电信号帧的时域特征；

S41：计算非活跃肌电信号帧的相对基线；

S42：计算非活跃肌电信号帧的幅度分布；

S5：获取非活跃肌电信号帧的频域特征；

S51：计算非活跃肌电信号帧的均值频率；

S52：计算非活跃肌电信号帧的中值频率；

S6：利用非活跃肌电信号帧的时域和频域特征，利用随机森林方法，训练并测试分类模型；

S7：定位每帧活跃肌电信号中的活跃片段；

S71：计算活跃片段的相对幅度及持续时间；

S72：根据活跃片段的相对幅度及持续时间，将活跃片段分为三种类型：短时活跃片段、中等活跃片段、长时活跃片段；

S8：利用随机森林分类方法及肌电信号中活跃片段类型，对肌电信号(与训练、验证模型的肌电信号片段不同)进行分类；

S81：同时将非活跃肌电信号与活跃肌电信号(与训练信号不同)输入分类模型，对每帧肌电信号进行初步分类；

S82：结合肌电信号中活跃片段类型，对初步分类结果进行修正。

本发明的有益效果为：与传统脑电相比，人体表面肌肉电信号具有易采集、不易受干扰的特点，采集过程中仅需简单皮肤处理，电极定位简单。后期应用可单独记录颈部、肢体或头面部肌电信号，并用于睡眠分析，操作简化，干扰性小，同时，本发明的自动分析方法可减少大量人工分析的工作。在该分析方法基础上，可简化监测仪器，作为PSG的补充替代方法，应用于基层医疗机构的睡眠质量初步评价和随访管理。

附图说明

图1为清醒和睡眠状态下的肌电时域图(30s/帧)：(a)清醒期；(b)浅睡眠；(c)深睡眠；(d)REM睡眠；

图2为EMD分解示例图；

图3为基于肌电信号的睡眠结构自动分析方法流程图；

图4为不同睡眠分期非活跃肌电信号的幅度分布：(a)清醒期；(b)NREM睡眠；(c)REM睡眠；

图5为肌电信号中活跃片段判断示例；

图6为肌电信号中活跃状态判断过程；

图7为(a)原始睡眠结构与(b)肌电信号自动分析的睡眠结构对比(1-清醒期，2-浅睡眠，3-深睡眠，4-REM睡眠)。

具体实施方式

为了更好的了解本发明内容，这里给出一个实施例。

整夜睡眠包括清醒期、NREM睡眠和REM睡眠三种状态，NREM睡眠又分为浅睡眠和深睡眠两种成分。图1展示了不同状态下的肌肉电信号特征。本发明将PSG数据中的体表肌肉信号进行提取，将自动睡眠结构分析结果与人工分析的睡睡结构进行对比。

根据图3所示的基于肌肉表面电信号的睡眠结构自动分析方法流程图，具体包括以下步骤：

S1：利用人体表面肌电信号采集装置获得原始肌肉表面电信号，并对该信号进行分段，每段为一帧信号。

以利用PSG技术获得整夜监测信号的肌肉表面电信号为例，将导电膏填充杯状电极固定于皮肤表面，采集并记录整夜肌肉表面电信号，待采集完成后，将肌电信号导出，将原始肌电信号切分为30秒一帧的信号。

S2：对每帧肌电信号进行预处理，消除心电干扰与基线漂移。

肌电信号是一种微弱的人体生物电信号，该信号容易被受试者自身的心电干扰；除此之外，在测试过程中由于受试者移动产生的基线漂移，也容易干扰肌电信号的正确判断。

本步骤利用经验模态分解(EMD)对原始的肌肉电信号进行预处理，将每一帧原始信号分解为多个本征模态(IMF)分量和一个残余量，利用前三个本征模态分量之和来表示预处理后的肌电信号。

假设待处理的一帧原始肌电信号为x(t)，则每一个IMF可通过如下方法获得:

(1)首先寻找原始信号x(t)曲线的所有极大值和极小值点，并通过三次样条曲线分别拟合出极大值包络线u_max(t)和极小值包络线u_min(t)。

(2)计算上下包络线的平均值：

(3)将原信号减去上下包络线的平均值：

每一个IMF都是通过不断的从原信号中减去上下包络的平均值得到，直到得到的h(t)满足成为IMF的两个条件：

a.在整个数据集中，极值的数量和过零点的数量必须相等或者相差1；

b.在任何时刻，由局部极大值定义的上包络线和由局部极小值定义的下包络线的平均值为0。

一般

并不能满足IMF所要求的两个条件，因此需要重复上述过程，直到

满足IMF的定义，则原始信号x(t)的一阶IMF分量为

(4)再从原始信号x(t)中减去波动项c₁(t)，得到新的频率较低的待分解信号r₁(t)

r₁(t)＝x(t)-c₁(t) (S2-4)

对每次得到的r(t)重复上述过程，直到当r_n(t)是常量或者单调函数时，EMD迭代分解过程中止，这样就能够获得原始信号x(t)的所有IMF分量与1个残余量r(t)之和的形式，如

如附图2所示，分解之后，一帧肌电信号(EMG)信息体现为前三个IMF分量(C1，C2，C3)之中，基线漂移体现在残余量(Res)和最后几个IMF分量之中，因此本步骤利用前三个IMF分量之和来重构信号(Data)，即利用前三个本征模态分量之和来表示预处理后的肌电信号。

S3：判断每帧肌电信号中是否存在活跃片段，将肌电信号分为两类:活跃片段与非活跃片段；

设定肌电信号幅度绝对值阈值A₀，若某帧肌电信号中连续N₀个信号点幅度绝对值超过阈值A₀，则认为该帧肌电信号中存在活跃片段。

由于肌电信号的活跃片段会干扰幅度特征提取，因此，本发明将肌电信号分为两类进行特征提取。

S4：获取非活跃肌电信号帧的时域特征。

S41：计算非活跃肌电信号帧的相对基线。

本发明中将每帧肌电信号幅度绝对值的中值定义为该帧信号的基线。为了排除因活跃片段造成的干扰，首先，计算非活跃肌电信号帧的基线：

B_n＝median(|x_n(t)|)， (S4-1)

其中，x_n(t)代表第n帧的肌电信号，B_n代表第n帧的肌电信号幅度绝对值的中值，即该帧信号的基线。

由于不同受试者的肌肉紧张与放松程度不同，这样会造成不同受试者的肌电信号范围不同。因此本发明计算每个受试者的相对基线的具体方法为：

rB_n＝B_n/B_min， (S4-2)

其中B_min是该受试者在一次睡眠中测试的所有肌电信号片段中幅度基线的最小值，rB_n是该受试者第n帧肌电信号的相对基线。

S42：计算非活跃肌电信号帧的幅度分布。

本步骤提出计算非活跃肌电信号帧的幅度分布，作为另一分类特征。

首先，计算整段信号下最大值B_whole的各百分比下的幅度值：

其中，B_whole代表同一受试者在一次睡眠测试中整段肌电信号幅度绝对值的最大值，1≤j≤100，A_j表示在第j个百分比下的幅度值大小。

其次，计算非活跃肌电信号帧幅度的绝对值y处于各百分比幅度的频率：

Q_j＝n_j/N， (S4-4)

其中,Q_j是该帧信号幅度绝对值处于第j个百分比幅度值A_j的频率，n_j是该帧信号中幅度绝对值满足A_j-1＜y≤A_j的点数，N是该帧信号点总数。不同睡眠状态非活跃肌电信号的幅度分布如附图4所示。

S5：获取非活跃肌电信号帧的频域特征。

假设f_j和P_j分别是非活跃肌电信号的频率和功率谱密度，则非活跃肌电信号帧的均值频率MNF和中值频率MDF计算公式如下：

上式中，1≤j≤M，M代表一帧肌电信号的频点总数，中值频率MDF即为功率谱上使左右两边信号能量相等的点。

S6：利用非活跃肌电信号帧的时域特征(相对基线、幅度分布)和频域特征(均值频率、中值频率)，采用随机森林方法，训练并测试分类模型。其中，时域特征包括非活跃肌电信号帧的相对基线和幅度分布特征，频域特征包括非活跃肌电信号帧的均值频率和中值频率。

本步骤排除活跃片段对肌电信号的干扰，只考虑用非活跃肌电信号训练并测试分类模型。将清醒期、NREM睡眠、REM睡眠的肌电信号帧分别标注为1、2、3，利用非活跃肌电信号的时域、频域特征，利用随机森林方法，随机地将非活跃肌电信号帧中标注为清醒期、NREM睡眠、REM睡眠的各80％的信号帧用于训练模型，剩余20％的信号帧用于测试模型。本发明中随机森林方法中决策树数量设置为100，每次随机选取10个特征进行训练。

S7：定位每帧活跃肌电信号中的活跃片段。

本步骤主要针对活跃肌电信号。如果存在活跃片段，其相对基线、幅度分布会呈现与之原本睡眠分期不同的状态，因此需要结合活跃片段特征来判断睡眠分期。

S71：计算活跃片段的相对幅度及持续时间。

利用滑动窗计算第i帧肌电信号的能量：

其中，W是滑动窗长度，x_i(j)表示第i帧信号的第j个采样点，E(i,n)表示第i帧信号中第n点滑动窗的能量，即从n-W+1至n点的信号能量之和。根据活跃肌电信号帧的能量，设定一个能量阈值，累计计算滑动窗能量超过该阈值的信号点的总数，再计算相应的持续时间，即为该活跃片段的持续时长D_max，该段时间段内信号能量的最大值为该活跃片段的幅度值Amp_active，如图5所示。具体流程如下：设定两个能量阈值分别为a₁(i)及a₂(i)，同时定义两者的比值为相对能量rA_energy(i)＝a₁(i)/a₂(i)。当E(i,j)≥a₁(i)，则表示该帧中第n个点处出现活跃片段；当a₁(i)≤E(i,j)≤a₂(i)，则需要进一步比较第n个点前后点的状态。具体处理流程如图6所示，其中，status(n)表示第n点的状态，可以取值为0，1，2，分别表示无活跃状态、不确定活跃状态、确定活跃状态；count表示该帧肌电信号中活跃状态的点数，free是该帧肌电信号中非活跃状态的点数。除此之外，本步骤还设置了两个时间参数，分别为活跃片段最短时长t_min和非活跃片段最大时长t_MaxFree。确定一帧肌电信号中每个点的状态后，则该帧肌电信号活跃片段的时长为连续活跃状态点的时长，幅度为该时间段内能量的最大值。若在一帧肌电信号中存在多个活跃片段，则计算持续时间最长的活跃片段参数，结果记为持续时长D_max与幅度Amp_active。

S72：根据活跃片段的幅度Amp_active及持续时间D_max，结合时间阈值t₁、t₂、t₃，其中t₁＜t₂＜t₃，和幅度阈值A₁、A₂，其中A₁＜A₂，将活跃片段分为三种类型：短时活跃片段、中等活跃片段、长时活跃片段，具体分类方法为：

如果一帧肌电信号中活跃片段最长持续时间D_max≤t₁，则该活跃片段为短时活跃片段，常见于肌肉抽动；

如果t₁＜D_max≤t₂；或者t₂＜D_max≤t₃，并且Amp_active＜A₂；或者D_max＞t₃，并且Amp_active≤A₁，即满足这三个条件中的任意一个时，则该活跃片段为中等活跃片段，常见于觉醒；

如果t₂≤D_max＜t₃，并且Amp_active≥A₂；或者D_max≥t₃，并且Amp_active＞A₁，即满足这两个条件中的任意一个时，则该活跃片段为长时活跃片段，常见于身体活动。

S8：对肌电信号片段(与训练、测试模型的肌电信号片段不同)进行分类。

本步骤采用的肌电信号来源自与训练、测试模型的肌电信号不同的受试者，包括非活跃信号与活跃肌电信号。本步骤包括以下具体步骤：

S81，对原始肌电信号信号进行分帧，每帧30秒，相邻帧之间不重叠，用EMD方法进行预处理。

S82，同时将非活跃肌电信号与活跃肌电信号(与训练信号不同)输入随机森林分类模型，对每段肌电信号进行初步分类，分为清醒期、NREM睡眠、REM睡眠三种类型。将连续2帧或2帧以上重复出现相同睡眠分期的信号帧，根据相应睡眠分期称为持续清醒期、持续NREM睡眠、持续REM睡眠。

S83，根据每帧肌电信号的相对基线及睡眠的连续性，修正REM睡眠的分期结果：

(1)如果两个相邻的持续REM睡眠之间存在两段以内任意持续睡眠期，则将它们之间的信号帧修正为REM睡眠；如果两个相邻的持续REM睡眠之间的肌电信号少于10帧，即间隔时长少于5分钟，则将它们整合为一段持续REM睡眠。

(2)对相邻持续REM睡眠之间的状态进行修正。假设两个相邻持续REM睡眠REM₁和REM₂帧数分别为n₁和n₂，这两个相邻快速眼动周期之间的片段称为K，其帧数为n₃。

a.如果n₁+n₂＞n₃，则比较中间段K的相对基线；若rB_n＜1.5×rB_REM，则将该帧的睡眠分期修正为REM睡眠；若rB_n≥rB_Wake，该帧为清醒期；若rB_n＜rB_Wake，如果该帧包含长时活跃片段，则为清醒期，如果包含中等活跃片段，则为NREM睡眠。

b.如果n₁+n₂≤n₃，且中间段K中的肌电信号相对基线满足rB_n≤rB_REM，则将其修正为REM睡眠。

其中，参数rB_n表示第n帧肌电信号的相对基线，rB_Wake、rB_REM分别表示清醒期、REM睡眠的相对基线阈值。

S84，确定持续REM睡眠后，进一步修正相邻持续REM睡眠之间的睡眠分期，此间只有清醒期和NREM睡眠交替出现。根据期间每帧信号活跃片段的持续时间及幅度(即活跃片段类型)，进一步修正分期结果。

(1)如果存在10帧(5分钟)以上连续的清醒状态，则说明受试者当时已经完全清醒了，假设这一段帧数为L_Wake，根据这一片段前、后各0.5×L_Wake帧的相对基线，若rB_n≥rB_Wake，则该帧被修正为清醒期。

(2)在相邻持续REM睡眠之间的清醒状态，多是由于身体活动引起，因此，如果之前判断的清醒期内不存在肌电活跃片段，则被修正为NREM睡眠。

S85，根据分期后的NREM睡眠信号帧的均值频率MNF、中值频率MDF等特征，将NREM睡眠划分为浅睡眠和深睡眠两种状态，并计算其比例；将分期后REM睡眠的MNF、MDF中值分别记为MNF_median和MDF_median，对于NREM睡眠信号帧的MNF_NREM和MDF_NREM，若能同时满足MNF_NREM＜MNF_median和MDF_NREM＜MDF_median，则判为深睡眠，否则为浅睡眠。

通过对肌电信号进行上述处理后，将睡眠过程分为四个成分(1-清醒期，2-浅睡眠，3-深睡眠，4-REM睡眠)，并与PSG分析得出的睡眠结构比较，示例结果如图7所示。与原始睡眠分期结果对比，清醒期、NREM睡眠、REM睡眠的准确率可达81.96％；清醒期、浅睡眠、深睡眠、REM睡眠的准确率可达77.27％。原始深睡眠/浅睡眠比例为0.0622，本发明检测到的深睡眠/浅睡眠比例为0.0722。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims

1.一种基于人体肌肉表面电信号的睡眠结构自动分析方法，其特征在于，包含以下步骤：

S1，利用人体表面肌电信号采集装置获得原始肌肉表面电信号，并对该信号进行分段，每段为一帧信号；

S2，对每帧肌电信号进行预处理，消除心电干扰与基线漂移；

S3，根据每帧肌电信号中是否存在活跃片段，将肌电信号分为两类：活跃信号与非活跃信号；

S4，获取非活跃肌电信号帧的时域特征，计算非活跃肌电信号帧的相对基线和幅度分布；

S5，获取非活跃肌电信号帧的频域特征，计算非活跃肌电信号帧的均值频率和中值频率；

S6，利用非活跃肌电信号帧的时域和频域特征，采用随机森林方法，训练并测试分类模型；

S7，定位每帧活跃肌电信号中的活跃片段，计算活跃片段的相对幅度及持续时间，根据活跃片段的相对幅度及持续时间，将活跃片段分为三种类型：短时活跃片段、中等活跃片段、长时活跃片段；

S8，利用随机森林分类方法及肌电信号中活跃片段类型，对肌电信号进行分类，首先，同时将非活跃肌电信号与活跃肌电信号输入分类模型，对每帧肌电信号进行初步分类，其次，结合肌电信号中活跃片段类型，对初步分类结果进行修正。

2.根据权利要求1所述的基于人体肌肉表面电信号的睡眠结构自动分析方法，所述的步骤S1，其特征在于，将导电膏填充杯状电极固定于皮肤表面，采集并记录整夜肌肉表面电信号，待采集记录完成后，将上述肌电信号导出并将其切分为30秒一帧的信号。

3.根据权利要求1所述的基于人体肌肉表面电信号的睡眠结构自动分析方法，所述的步骤S2，其特征在于，利用经验模态分解方法对原始的肌肉电信号进行预处理，将每一帧原始信号分解为多个本征模态分量和一个残余量，利用前三个本征模态分量之和来表示预处理后的肌电信号。

4.根据权利要求1所述的基于人体肌肉表面电信号的睡眠结构自动分析方法，所述的步骤S4，其特征在于，计算非活跃肌电信号帧的基线：B_n＝median(|x_n(t)|)，其中，x_n(t)代表第n帧的肌电信号，B_n代表第n帧的肌电信号幅度绝对值的中值，即该帧信号的基线；计算每个受试者的相对基线的具体方法为：rB_n＝B_n/B_min，其中B_min是该受试者在一次睡眠中测试的所有肌电信号片段中幅度基线的最小值，rB_n是该受试者第n帧肌电信号的相对基线。

5.根据权利要求1所述的基于人体肌肉表面电信号的睡眠结构自动分析方法，所述的步骤S4，其特征在于，计算非活跃肌电信号帧的幅度分布，包括以下步骤，

首先，计算整段信号下最大值B_whole的各百分比下的幅度值：

其中，B_whole代表同一受试者在一次睡眠测试中整段肌电信号幅度绝对值的最大值，1≤j≤100，A_j表示在第j个百分比下的幅度值大小；

其次，计算非活跃肌电信号帧幅度的绝对值y处于各百分比幅度的频率：Q_j＝n_j/N，其中,Q_j是该帧信号幅度绝对值处于第j个百分比幅度值A_j的频率，n_j是该帧信号中幅度绝对值满足A_j-1＜y≤A_j的点数，N是该帧信号点总数。

6.根据权利要求1所述的基于人体肌肉表面电信号的睡眠结构自动分析方法，所述的步骤S5，其特征在于，假设f_j和P_j分别是非活跃肌电信号的频率及功率谱密度，则非活跃肌电信号帧的均值频率MNF和中值频率MDF的计算公式分别为：

其中，1≤j≤M，M代表一帧肌电信号的频点总数，中值频率MDF即为功率谱上使左右两边信号能量相等的点。

7.根据权利要求1所述的基于人体肌肉表面电信号的睡眠结构自动分析方法，所述的步骤S6，其特征在于，时域特征包括非活跃肌电信号帧的相对基线和幅度分布特征，频域特征包括非活跃肌电信号帧的均值频率和中值频率；将清醒期、NREM睡眠、REM睡眠的肌电信号帧分别标注为1、2、3，利用非活跃肌电信号的时域、频域特征，利用随机森林方法，随机地将非活跃肌电信号帧中标注为清醒期、NREM睡眠、REM睡眠的各80％的信号帧用于训练模型，剩余20％的信号帧用于测试模型，随机森林方法中决策树数量设置为100，每次随机选取10个特征进行训练。

8.根据权利要求1所述的基于人体肌肉表面电信号的睡眠结构自动分析方法，所述的步骤S7，其特征在于，计算活跃片段的相对幅度及持续时间，利用滑动窗计算第i帧肌电信号的能量：

其中，W是滑动窗长度，x_i(j)表示第i帧信号的第j个采样点，E(i,n)表示第i帧信号中第n点滑动窗的能量，即从n-W+1至n点的信号能量之和；根据活跃肌电信号帧的能量，设定一个能量阈值，累计计算滑动窗能量超过该阈值的信号点的总数，再计算相应的持续时间，即为该活跃片段的持续时长D_max，该段时间段内信号能量的最大值为该活跃片段的幅度值Amp_active；若在一帧肌电信号中存在多个活跃片段，则计算持续时间最长的活跃片段参数，结果记为持续时长D_max与幅度Amp_active。

9.根据权利要求1所述的基于人体肌肉表面电信号的睡眠结构自动分析方法，所述的步骤S7，其特征在于，根据活跃片段的幅度Amp_active及持续时间D_max，结合时间阈值t₁、t₂、t₃，其中t₁＜t₂＜t₃，和幅度阈值A₁、A₂，其中A₁＜A₂，将活跃片段分为三种类型：短时活跃片段、中等活跃片段、长时活跃片段，具体分类方法为：

如果一帧肌电信号中活跃片段最长持续时间D_max≤t₁，则该活跃片段为短时活跃片段；

如果t₁＜D_max≤t₂；或者t₂＜D_max≤t₃，并且Amp_active＜A₂；或者D_max＞t₃，并且Amp_active≤A₁，即满足这三个条件中的任意一个时，则该活跃片段为中等活跃片段；

如果t₂≤D_max＜t₃，并且Amp_active≥A₂；或者D_max≥t₃，并且Amp_active＞A₁，即满足这两个条件中的任意一个时，则该活跃片段为长时活跃片段。

10.根据权利要求1所述的基于人体肌肉表面电信号的睡眠结构自动分析方法，所述的步骤S8，其特征在于，其采用的肌电信号来源自与训练、测试模型的肌电信号不同的受试者，包括非活跃信号与活跃肌电信号，包括以下具体步骤：

S81，对原始肌电信号信号进行分帧，每帧30秒，相邻帧之间不重叠，用经验模态分解方法进行预处理；

S82，同时将非活跃肌电信号与活跃肌电信号输入随机森林分类模型，对每段肌电信号进行初步分类，分为清醒期、NREM睡眠、REM睡眠三种类型，将连续2帧或2帧以上重复出现相同睡眠分期的信号帧，根据相应睡眠分期称为持续清醒期、持续NREM睡眠、持续REM睡眠；

如果两个相邻的持续REM睡眠之间存在两段以内任意持续睡眠期，则将它们之间的信号帧修正为REM睡眠；如果两个相邻的持续REM睡眠之间的肌电信号少于10帧，即间隔时长少于5分钟，则将它们整合为一段持续REM睡眠；

对相邻持续REM睡眠之间的状态进行修正，假设两个相邻持续REM睡眠REM₁和REM₂的帧数分别为n₁和n₂，这两个相邻快速眼动周期之间的片段称为K，其帧数为n₃，如果n₁+n₂＞n₃，则比较中间段K的相对基线，若rB_n＜1.5×rB_REM，则将该帧的睡眠分期修正为REM睡眠；若rB_n≥rB_Wake，该帧为清醒期；若rB_n＜rB_Wake，如果该帧包含长时活跃片段，则为清醒期，如果包含中等活跃片段，则为NREM睡眠；如果n₁+n₂≤n₃，且中间段K中的肌电信号相对基线满足rB_n≤rB_REM，则将其修正为REM睡眠；其中，参数rB_n表示第n帧肌电信号的相对基线，rB_Wake、rB_REM分别表示清醒期、REM睡眠的相对基线阈值；

S84，根据期间每帧信号活跃片段的持续时间及幅度，即活跃片段类型，进一步修正分期结果：如果存在10帧以上连续的清醒状态，则说明受试者当时已经完全清醒了，假设这一段帧数为L_Wake，根据这一片段前、后各0.5×L_Wake帧的相对基线，若rB_n≥rB_Wake，则该帧被修正为清醒期；如果之前判断的清醒期内不存在肌电活跃片段，则被修正为NREM睡眠；

S85，根据分期后的NREM睡眠信号帧的均值频率MNF和中值频率MDF特征，将NREM睡眠划分为浅睡眠和深睡眠两种状态，并计算其比例，将分期后REM睡眠的MNF和MDF中值分别记为MNF_median和MDF_median,对于NREM睡眠信号帧的MNF_NREM和MDF_NREM，若能同时满足MNF_NREM＜MNF_median和MDF_NREM＜MDF_median，则判为深睡眠，否则为浅睡眠。