CN111493822A - 一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法 - Google Patents
一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法 Download PDFInfo
- Publication number
- CN111493822A CN111493822A CN202010206985.9A CN202010206985A CN111493822A CN 111493822 A CN111493822 A CN 111493822A CN 202010206985 A CN202010206985 A CN 202010206985A CN 111493822 A CN111493822 A CN 111493822A
- Authority
- CN
- China
- Prior art keywords
- sleep
- electroencephalogram
- eye movement
- rapid eye
- disorder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,对获取的患者睡眠脑电信号进行预处理,获取睡眠R期脑电区间的脑电信号,按照预设信号长度切割获取多个子信号段,对每个所述子信号段的原始脑电信号进行分层,根据脑电波的频率将小波变换后的频域分量近似对应原始脑电的不同波段;使用经验模态分解EMD,获得其多层本征模态函数IMF;从不同波段的脑电信号和多层本征模态函数中进行特征提取,对特征集PCA进行降维获得低维特征集;使用降维后的特征集进行分类识别,对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行分类。将复杂的PSG检测简化为脑电检测,且不需要耗费一整夜的时间,并且减少测量次数,得到准确的识别结果,进而可以对患者病情的治疗起到很好的辅助作用。
Description
技术领域
本申请涉及生物医学技术领域,具体涉及一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法。
背景技术
帕金森病(Parkinson’s disease,PD),是一种在老年人群中较为常见的神经系统退行性疾病。PD发病隐匿,目前临床上对PD的诊治主要依赖于运动症状的出现,PD程呈慢性进展性,病期长、致残率高,约5-8年后半数患者需要帮助,严重影响患者的生活水平和生活质量,给患者和其家人带去了巨大的痛苦。
快速眼球运动睡眠期行为障碍(rapid eye movement sleep behaviourdisorder,RBD)是一种以快速眼球运动(rapid eyes movement,REM)睡眠期间伴随梦境及肢体活动为特征的睡眠疾病,发作时的暴力行为可造成自身及同床者伤害并破坏睡眠。快速眼球运动睡眠行为障碍广泛存在于PD患者中,有超过5成的PD患者患有RBD,且特发性RBD患者中有相当数量的患者最终发展为PD。
常见的RBD检测方法主要是使用睡眠量表、睡眠参数、多导睡眠图(Polysomnography,PSG)采集到的视频和下颏肌电电位进行检测。量表时效性和连续性较低,PSG虽被广泛应用于RBD检测中,但其收费高昂,耗时长,每次测量都需要一整夜的时间,且因患者在睡眠过程中行为的不可控性,想要得到准确的数据,患者可能需要进行多次测量,又耗费时间精力,又耗费财力,患者往往不会主动在病情恶化前接受PSG诊断,从而导致病情的延误。
发明内容
本申请为了解决上述技术问题,提出了如下技术方案:
第一方面,本申请实施例提供了一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,其特征在于,所述方法包括:对获取的患者睡眠脑电信号进行预处理,所述预处理包括:去噪和滤波;从处理完毕的患者睡眠脑电信号中获取睡眠R期脑电区间对应的睡眠脑电信号;将获取的睡眠R期脑电区间对应的睡眠脑电信号按照预设信号长度进行切割获取多个子信号段;使用小波变换对每个所述子信号段的原始脑电信号进行分层,根据脑电波的频率将小波变换后的频域分量近似对应原始脑电的不同波段;将脑电信号进行经验模态分解EMD,获得其多层本征模态函数IMF;从不同波段的脑电信号和多层本征模态函数中进行特征提取,包括多种时、频域特征;基于主成分分析法PCA对特征集进行降维获得反映原始特征集的低维特征集;使用PCA降维的特征集进行分类识别,对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行识别。
采用上述实现方式,对患者进行识别时,将复杂的PSG检测简化为脑电检测,且不需要耗费一整夜的时间,并且可以减少测量次数,得到准确的识别结果。进而可以对患者病情的治疗起到很好的辅助作用。
结合第一方面,在第一方面第一种可能的实现方式中,所述对获取的患者睡眠脑电信号进行预处理包括:使用中值滤波方法去除原始脑电信号的基线漂移;使用带阻滤波器中的巴特沃斯带阻滤波器对脑电信号进行处理,去除因为电力系统引起的工频干扰;使用均值滤波方法对脑电信号进行处理,去除多余的背景噪声。
结合第一方面,在第一方面第二种可能的实现方式中,所述从处理完毕的患者睡眠脑电信号中获取睡眠R期脑电区间对应的睡眠脑电信号包括:根据多导睡眠监测报告,找到睡眠R期出现的起始和终止时刻;根据起始和终止时刻在原始脑电中找到需要的脑电区间,将睡眠R期对应的脑电信号数据进行截取。
结合第一方面,在第一方面第三种可能的实现方式中,所述使用小波变换对每个所述子信号段的原始脑电信号进行分层,根据脑电波的频率将小波变换后的频域分量近似对应原始脑电的不同波段,包括:将原始脑电信号分为α层、β层、θ层、γ层、δ层,其中γ层脑波分为Lowγ和Highγ;使用五层小波变换,小波变换后的信号的0-4hz近似为脑电的δ层、4-8hz近似为脑电的θ层、8-16hz近似为脑电的α层、16-32hz近似为脑电的β层、32-64hz近似为脑电的Lowγ层、64-128hz近似为脑电的Highγ层,小波公式如下:
尺度a控制小波函数的伸缩,平移量τ控制小波函数的平移,尺度a对应于频率,平移量τ对应于时间。
结合第一方面,在第一方面第四种可能的实现方式中,所述将脑电信号进行经验模态分解EMD,获得其多层本征模态函数IMF包括:找出原数据序列X(t)所有的极大值点,并用三次样条插值函数拟合形成原数据的上包络线;找出所有的极小值点,并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线,上包络线和下包络线的均值记作ml;将原数据序列X(t)减去该平均包络ml,得到一个新的数据序列nl;如果在整个数据段内,nl的极值点的个数和过零点的个数相等或相差最多不能超过一个,且在任意时刻,由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零,即上、下包络线相对于时间轴局部对称则获得一个IMF分量。
结合第一方面,在第一方面第五种可能的实现方式中,所述从不同波段的脑电信号和多层本征模态函数中进行特征提取包括:对标准差、均方根、绝对值的平均值、微分绝对值的平均值、能量、平均功率、偏斜度、峰度、波形因子、近似熵、样本熵、排列熵、Hjorth参数复杂性、Hjorth参数移动性、Hurst指数、功率谱密度、最大值、最小值、中位数进行获取。
结合第一方面,在第一方面第六种可能的实现方式中,所述基于主成分分析法PCA对特征集进行降维获得反映原始特征集的低维特征集包括:对于p维向量x=(x1,x2,...,xn)的n个样本xi=(xi1,xi2,...,xnp),i=1,2,...,n,构造样本阵,并进行标准化,得到标准阵Zij:其中:
求标准阵Zij的相关系数矩阵:
解样本相关矩阵R的特征方程,得p个特征根,确定主成分,按照确定m的值。对于每个λj,j=1,2,...,m,解方程Rb=λjb,得到单位特征向量将标准化后的指标变量转换为主成分:对m个主成分进行加权求和,即得最终评价值,权数为每个主成分的方差贡献率。
结合第一方面,在第一方面第七种可能的实现方式中,所述使用PCA降维的特征集进行分类识别,对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行识别,包括:通过Adaboost算法构建分类器,设存在样本数量为N,将样本集中每个样本设置持有相同的初始权值ω=1/N;进行多次迭代,设迭代次数m=1,2,...,M,第m次弱分类器的训练使用权值分布为Dm的训练样本集进行学习,分类的目标是将样本x分类为1或-1;计算弱分类器的权值,每个弱分类器Gm(x)根据其分类的错误率都有一个相对应的权值am,权值表示Gm(x)在最终分类器决定时的重要程度;更新训练集样本权重,增加错分样本的权重,减小正确分类样本的权重;组合强分类器,对快速眼动期睡眠行为障碍患者进行识别分类。
第二方面,本申请实施例提供了一种基于睡眠脑电的快速眼动期睡眠行为障碍分类系统,其特征在于,所述系统包括:预处理模块,用于对获取的患者睡眠脑电信号进行预处理,所述预处理包括:去噪和滤波;获取模块,用于从处理完毕的患者睡眠脑电信号中获取睡眠R期脑电区间对应的睡眠脑电信号;切割模块,用于将获取的睡眠R期脑电区间对应的睡眠脑电信号按照预设信号长度进行切割获取多个子信号段;分层模块,用于使用小波变换对每个所述子信号段的原始脑电信号进行分层,根据脑电波的频率将小波变换后的频域分量近似对应原始脑电的不同波段;经验模态分解模块,用于将脑电信号进行经验模态分解EMD,获得其多层本征模态函数IMF;特征提取模块,用于从不同波段的脑电信号和多层本征模态函数中进行特征提取,包括多种时、频域特征;特征集降维模块,用于基于主成分分析法PCA对特征集进行降维获得反映原始特征集的低维特征集;分类模块,用于使用PCA降维的特征集进行分类识别,对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行识别。
第三方面,本申请实施例提供了一种快速眼动期睡眠行为障碍分类装置,其特征在于,包括:处理器;用于存储所述处理器处理可执行指令的存储器;所述处理器执行如权利要求1-8任一项所述的基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,实现对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行识别。
附图说明
图1为本申请实施例提供的一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法的流程示意图;
图2为本申请实施例提供的一种基于睡眠脑电的快速眼动期睡眠行为障碍分类系统的示意图;
图3为本申请实施例提供的一种快速眼动期睡眠行为障碍分类装置的示意图。
具体实施方式
下面结合附图与具体实施方式对本方案进行阐述。
图1为本申请实施例提供的一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法的流程示意图,参见图1,所述方法包括:
S101,对获取的患者睡眠脑电信号进行预处理,所述预处理包括:去噪和滤波。
利用多导睡眠脑电监测技术,使用多导睡眠脑电监测仪对患者夜间睡眠过程进行监测,获得患者的睡眠脑电信号,采集到的脑电是头皮EEG,采集过程中使用的是国际标准10-20安装导联。
得到的原始脑电进行去噪和预处理,包括去除基线漂移、去除50hz工频干扰、滤波去噪。使用中值滤波方法对脑电信号进行处理,去除基线漂移。对于连续输入的脑电信号x,中值滤波的操作为:重新计算每一个x的输出值y作为新的输出值。即y=new(x),new的过程是在以x为中心,长度为2k的原信号中(区间为[x-k+1,x+k]),提取出区间内位于中间的数值,作为y=new(x)的结果,将原始数据用新的数据进行替代,从而起到去除基线漂移的作用。
使用带阻滤波器中的巴特沃斯带阻滤波器对脑电信号进行处理,去除因为电力系统引起的工频干扰。常用的供应用电的固有特性,会在电路周围产生50hz工频干扰,使用巴特沃斯带阻滤波器对脑电信号进行处理,尽可能去除原始信号中的工频干扰。
巴特沃斯低通滤波器的平方幅频响应函数为:
传递函数为:
A(ω2)=|H(jω)|2=H(s)H(-s)|S-jω
低筒转换成带阻的频率变化公式为:
使用均值滤波方法对脑电信号进行处理,去除多余的背景噪声,使信号更为平滑。均值滤波的基本原理是用均值代替原始信号中的值,即对待处理的当前值x,选择一个区间[-k,k],求区间中所有值的均值,再把该均值赋予当前值x,作为处理后该点的值y,即m为该区间中包含当前值在内的值的总数。
S102,从处理完毕的患者睡眠脑电信号中获取睡眠R期脑电区间对应的睡眠脑电信号。
找到合适的脑电区间,RBD是出现在睡眠R期的疾病,因此要对R期脑电进行截取,根据多导睡眠监测报告,找到睡眠R期出现的具体时刻,多导睡眠监测报告中的R期起始时刻在脑电信号中有严格的对应点,根据时刻在原始脑电中找到需要的脑电区间,并通过数据截取手段将这部分数据截取出来。假设原始R期记录表中的R期起始点为(x,y),采样频率为f,则对于原始信号中的数据起始点(x0,y0):x0=3600f·x,y0=3600f·y。
S103,将获取的睡眠R期脑电区间对应的睡眠脑电信号按照预设信号长度进行切割获取多个子信号段。
建立不同时间尺度的睡眠脑电信号集,将整段的、长达数分钟到数十分钟的脑电信号进行切割,以30秒为单位长度,将大段的脑电信号切割成更小时间尺度的小信号段。
S104,使用小波变换对每个所述子信号段的原始脑电信号进行分层,根据脑电波的频率将小波变换后的频域分量近似对应原始脑电的不同波段。
使用小波变换,将分段的原始脑电信号进行分层,根据脑波的频率特点,将小波变换后的频域分量近似对应原始脑电的不同波段(α层、β层、θ层、γ层、δ层),特别的,使用五层小波变换,将γ层脑波分为Lowγ和Highγ,具体为小波变换后的信号的0-4hz近似为脑电的δ层、4-8hz近似为脑电的θ层、8-16hz近似为脑电的α层、16-32hz近似为脑电的β层、32-64hz近似为脑电的Lowγ层、64-128hz近似为脑电的Highγ层。小波公式如下:
尺度a控制小波函数的伸缩,平移量τ控制小波函数的平移。尺度对应于频率,平移量τ对应于时间。
S105,将脑电信号进行经验模态分解EMD,获得其多层本征模态函数IMF。
使用经验模态分解EMD,将原始脑电进行分解,获得其多层本征模态函数IMF,用来表示原信号在不同时间尺度的局部特征。基于以下假设条件:⑴数据至少有两个极值,一个最大值和一个最小值;⑵数据的局部时域特性是由极值点间的时间尺度唯一确定;⑶如果数据没有极值点但有拐点,则可以通过对数据微分一次或多次求得极值,然后再通过积分来获得分解结果。最终获得多层IMF,取其前三层提取特征。
EMD分解过程如下:(1)找出原数据序列X(t)所有的极大值点,并用三次样条插值函数拟合形成原数据的上包络线;(2)找出所有的极小值点,并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线,上包络线和下包络线的均值记作ml;(3)将原数据序列X(t)减去该平均包络ml,得到一个新的数据序列nl。(4)如果在整个数据段内,nl的极值点的个数和过零点的个数相等或相差最多不能超过一个,且在任意时刻,由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零,即上、下包络线相对于时间轴局部对称。如果满足上述两个条件,该信号就是一个IMF分量;如果不是,以该信号为基础,重新(1)-(4)的流程。使用上述方法得到第一个IMF后,用原始信号减nl,作为新的原始信号,再通过(1)-(4)的分析,可以得到nl2,以此类推,最终完成EMD分解。
S106,从不同波段的脑电信号和多层本征模态函数中进行特征提取,包括多种时、频域特征。
从不同波段的脑电信号中进行特征提取,包括线性特征和非线性特征等多种特征,包括标准差、均方根、绝对值的平均值、微分绝对值的平均值、能量、平均功率、偏斜度、峰度、波形因子、近似熵、样本熵、排列熵、Hjorth参数复杂性、Hjorth参数移动性、Hurst指数、功率谱密度、最大值、最小值、中位数等共计19种特征。
S107,基于主成分分析法PCA对特征集进行降维获得反映原始特征集的低维特征集。
使用主成分分析法PCA对数据特征集进行降维,降低特征空间的维数。用低维的特征空间来代替原本高纬的特征空间,且在转换过程中损失的信息很少。为尽可能的保留原特征集中的信息,选择前三维主成分,其中包含超过99%的主要信息,将原本21维的特征,转化为3维的低维特征空间,且其中包含的主要信息损失极小。主成分分析方步骤如下:
对于p维向量x=(x1,x2,...,xn)的n个样本xi=(xi1,xi2,...,xnp),i=1,2,...,n,构造样本阵,并进行标准化,得到标准阵Zij:
求标准阵Zij的相关系数矩阵:
将标准化后的指标变量转换为主成分:
对m个主成分进行加权求和,即得最终评价值,权数为每个主成分的方差贡献率。
S108,使用PCA降维的特征集进行分类识别,对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行识别。
使用PCA降维后得到的特征集,基于Adaboost机器学习算法进行分类识别,做到准确的区分帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍。本实施例通过Adaboost算法构建分类器,设存在样本数量为N。
第一步:初始化。样本集中每个样本都持有相同的初始权值,都为ω=1/N,即
D1=(ω11,ω12,...,ω1i,...ω1N),ω1i=1/N,i=1,2,...,N
其中D1表示进行第一次迭代时样本的权值的集合,ω11表示进行第一次迭代时第一个样本的权值。
第二步:进行多次迭代。
1)设迭代次数m=1,2,...,M,第m次弱分类器的训练使用权值分布为Dm的训练样本集进行学习。分类的目标是要么将样本x分类为1,要么将x分类为-1:
Gm(x):x→{-1,+1}
构建弱分类器时要使该分类器的误差函数最小,即错分样本权值之和最小:
2)计算弱分类器的权值。每个弱分类器Gm(x)根据其分类的错误率都有一个相对应的权值am,权值表示Gm(x)在最终分类器决定时的重要程度。
am随着em的增大而减小,因此,错误率低的分类器,在最终分类器决定时的重要程度也更大。
3)更新训练集样本权重。增加错分样本的权重,减小正确分类样本的权重。
Dm+1=(ωm+1,1,ωm+1,2,...,ωm+1,i,...ωm+1,N)
Dm+1是下一轮迭代中样本的权值,ωm+1是下一轮迭代中第i个样本的权值。其中yi代表第i个样本的类别(+1或者-1),Gm(xi)是弱分类器对样本xi的分类(+1或者-1),如果分类正确,则yiGm(xi)的值为+1,若分类错误,则yiGm(xi)的值为-1。Zm是归一化因子,作用是让所有样本所对应的权值之和等于1。
第三步:组合强分类器。
设符号函数sign,用于确定G(x)的正负,数值大于0,为1;数值小于0,为-1;数值等于0,为0。引入符号函数后的强分类器G(x)为
基于Adaboost机器学习算法进行分类识别,做到准确的区分帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者,正确率可达95%以上。
本申请实施例提供的方法,患者在利用PSG进行RBD诊断时,可以同步采集患者的睡眠脑电,PSG得到的睡眠脑电信号可以长时间、实时且连续的反映患者的睡眠脑电。从脑电信号中获取可以利用脑电表征RBD的方法,将RBD的识别从PSG中分离,交由脑电传感器来完成,可以大大简化患者的检测流程复杂度,借助体积更小的脑电采集装置,可以将检测场所从医院病房转移到家庭,同时可以降低患者的治疗成本,提高患者检测舒适度,增加患者的可接受程度,减少病情延误,尽早对RBD进行治疗。使用机器学习方法,使用构建好的数据集进行分类,基于机器学习算法对得到的脑电特征进行分析和研究,并对睡眠脑电进行分析,对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍进行准确区分,从中提出行之有效的RBD脑电识别方法,构建可靠的分类模型,提高患者治疗的针对性,并提高患者生活的舒适度,使医生可以更好的对病情进行药物干预。
与上述实施例提供的一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法相对应,本申请还提供了一种基于睡眠脑电的快速眼动期睡眠行为障碍分类系统的实施例,参见图2,基于睡眠脑电的快速眼动期睡眠行为障碍分类系统20包括:预处理模块201、获取模块202、切割模块203、分层模块204、经验模态分解模块205、特征提取模块206、特征集降维模块207和分类模块208。
所述预处理模块201,用于对获取的患者睡眠脑电信号进行预处理,所述预处理包括:去噪和滤波。所述获取模块202,用于从处理完毕的患者睡眠脑电信号中获取睡眠R期脑电区间对应的睡眠脑电信号。所述切割模块203,用于将获取的睡眠R期脑电区间对应的睡眠脑电信号按照预设信号长度进行切割获取多个子信号段。所述分层模块204,用于使用小波变换对每个所述子信号段的原始脑电信号进行分层,根据脑电波的频率将小波变换后的频域分量近似对应原始脑电的不同波段。所述经验模态分解模块205,用于将脑电信号进行经验模态分解EMD,获得其多层本征模态函数IMF。所述特征提取模块206,用于从不同波段的脑电信号和多层本征模态函数中进行特征提取,包括多种时、频域特征。所述特征集降维模块207,用于基于主成分分析法PCA对特征集进行降维获得反映原始特征集的低维特征集。所述分类模块208,用于使用PCA降维的特征集进行分类识别,对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行识别。
本申请实施例还提供了一种快速眼动期睡眠行为障碍分类装置,参见图3,快速眼动期睡眠行为障碍分类装置30包括:处理器301、存储器302和通信接口303。
在图3中,处理器301、存储器302和通信接口303可以通过总线相互连接;总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器301通常是快速眼动期睡眠行为障碍分类装置30的整体功能,例如快速眼动期睡眠行为障碍分类装置30的启动、以及快速眼动期睡眠行为障碍分类装置30启动后对获取的患者睡眠脑电信号进行预处理,所述预处理包括:去噪和滤波;从处理完毕的患者睡眠脑电信号中获取睡眠R期脑电区间对应的睡眠脑电信号;将获取的睡眠R期脑电区间对应的睡眠脑电信号按照预设信号长度进行切割获取多个子信号段;使用小波变换对每个所述子信号段的原始脑电信号进行分层,根据脑电波的频率将小波变换后的频域分量近似对应原始脑电的不同波段;将脑电信号进行经验模态分解EMD,获得其多层本征模态函数IMF;从不同波段的脑电信号和多层本征模态函数中进行特征提取,包括多种时、频域特征;基于主成分分析法PCA对特征集进行降维获得反映原始特征集的低维特征集;使用PCA降维的特征集进行分类识别,对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行识别。
处理器301可以是通用处理器,例如,中央处理器(英文:central processingunit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。处理器也可以是微处理器(MCU)。处理器还可以包括硬件芯片。上述硬件芯片可以是专用集成电路(ASIC),可编程逻辑器件(PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(CPLD),现场可编程逻辑门阵列(FPGA)等。
存储器302被配置为存储计算机可执行指令以支持快速眼动期睡眠行为障碍分类装置30数据的操作。存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
快速眼动期睡眠行为障碍分类装置30后,处理器301和存储器302上电,处理器301读取并执行存储在存储器302内的计算机可执行指令,以完成上述的基于睡眠脑电的快速眼动期睡眠行为障碍分类方法实施例中的全部或部分步骤。
通信接口303用于快速眼动期睡眠行为障碍分类装置30传输数据,例如实现与密码卡和量产设备之间的通信等。通信接口303包括有线通信接口,还可以包括无线通信接口。其中,有线通信接口包括USB接口、Micro USB接口,还可以包括以太网接口。无线通信接口可以为WLAN接口,蜂窝网络通信接口或其组合等。
在一个示意性实施例中,本申请实施例提供的快速眼动期睡眠行为障碍分类装置30还包括电源组件,电源组件为快速眼动期睡眠行为障碍分类装置30的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为快速眼动期睡眠行为障碍分类装置30生成、管理和分配电力相关联的组件。
通信组件,通信组件被配置为便于快速眼动期睡眠行为障碍分类装置30和其他设备之间有线或无线方式的通信。快速眼动期睡眠行为障碍分类装置30可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在一个示意性实施例中,快速眼动期睡眠行为障碍分类装置30可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)或其他电子元件实现。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
当然,上述说明也并不仅限于上述举例,本申请未经描述的技术特征可以通过或采用现有技术实现,在此不再赘述;以上实施例及附图仅用于说明本申请的技术方案并非是对本申请的限制,如来替代,本申请仅结合并参照优选的实施方式进行了详细说明,本领域的普通技术人员应当理解,本技术领域的普通技术人员在本申请的实质范围内所做出的变化、改型、添加或替换都不脱离本申请的宗旨,也应属于本申请的权利要求保护范围。
Claims (10)
1.一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,其特征在于,所述方法包括:
对获取的患者睡眠脑电信号进行预处理,所述预处理包括:去噪和滤波;
从处理完毕的患者睡眠脑电信号中获取睡眠R期脑电区间对应的睡眠脑电信号;
将获取的睡眠R期脑电区间对应的睡眠脑电信号按照预设信号长度进行切割获取多个子信号段;
使用小波变换对每个所述子信号段的原始脑电信号进行分层,根据脑电波的频率将小波变换后的频域分量近似对应原始脑电的不同波段;
将脑电信号进行经验模态分解EMD,获得其多层本征模态函数IMF;
从不同波段的脑电信号和多层本征模态函数中进行特征提取,包括多种时、频域特征;
基于主成分分析法PCA对特征集进行降维获得反映原始特征集的低维特征集;
使用PCA降维的特征集进行分类识别,对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行识别。
2.根据权利要求1所述的基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,其特征在于,所述对获取的患者睡眠脑电信号进行预处理包括:
使用中值滤波方法去除原始脑电信号的基线漂移;
使用带阻滤波器中的巴特沃斯带阻滤波器对脑电信号进行处理,去除因为电力系统引起的工频干扰;
使用均值滤波方法对脑电信号进行处理,去除多余的背景噪声。
3.根据权利要求1所述的基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,其特征在于,所述从处理完毕的患者睡眠脑电信号中获取睡眠R期脑电区间对应的睡眠脑电信号包括:
根据多导睡眠监测报告,找到睡眠R期出现的起始和终止时刻;
根据起始和终止时刻在原始脑电中找到需要的脑电区间,将睡眠R期对应的脑电信号数据进行截取。
4.根据权利要求1所述的基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,其特征在于,所述使用小波变换对每个所述子信号段的原始脑电信号进行分层,根据脑电波的频率将小波变换后的频域分量近似对应原始脑电的不同波段,包括:
将原始脑电信号分为α层、β层、θ层、γ层、δ层,其中γ层脑波分为Lowγ和Highγ;
使用五层小波变换,小波变换后的信号的0-4hz近似为脑电的δ层、4-8hz近似为脑电的θ层、8-16hz近似为脑电的α层、16-32hz近似为脑电的β层、32-64hz近似为脑电的Lowγ层、64-128hz近似为脑电的Highγ层,小波公式如下:
尺度a控制小波函数的伸缩,平移量τ控制小波函数的平移,尺度a对应于频率,平移量τ对应于时间。
5.根据权利要求1所述的基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,其特征在于,所述将脑电信号进行经验模态分解EMD,获得其多层本征模态函数IMF包括:
找出原数据序列X(t)所有的极大值点,并用三次样条插值函数拟合形成原数据的上包络线;
找出所有的极小值点,并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线,上包络线和下包络线的均值记作ml;
将原数据序列X(t)减去该平均包络ml,得到一个新的数据序列nl;
如果在整个数据段内,nl的极值点的个数和过零点的个数相等或相差最多不能超过一个,且在任意时刻,由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零,即上、下包络线相对于时间轴局部对称则获得一个IMF分量。
6.根据权利要求1所述的基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,其特征在于,所述从不同波段的脑电信号和多层本征模态函数中进行特征提取包括:对标准差、均方根、绝对值的平均值、微分绝对值的平均值、能量、平均功率、偏斜度、峰度、波形因子、近似熵、样本熵、排列熵、Hjorth参数复杂性、Hjorth参数移动性、Hurst指数、功率谱密度、最大值、最小值、中位数进行获取。
7.根据权利要求1所述的基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,其特征在于,所述基于主成分分析法PCA对特征集进行降维获得反映原始特征集的低维特征集包括:
对于p维向量x=(x1,x2,...,xn)的n个样本xi=(xi1,xi2,...,xnp),i=1,2,...,n,构造样本阵,并进行标准化,得到标准阵Zij:
求标准阵Zij的相关系数矩阵:
将标准化后的指标变量转换为主成分:
对m个主成分进行加权求和,即得最终评价值,权数为每个主成分的方差贡献率。
8.根据权利要求1所述的基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,其特征在于,所述使用PCA降维的特征集进行分类识别,对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行识别,包括:
通过Adaboost算法构建分类器,设存在样本数量为N,将样本集中每个样本设置持有相同的初始权值ω=1/N;
进行多次迭代,设迭代次数m=1,2,...,M,第m次弱分类器的训练使用权值分布为Dm的训练样本集进行学习,分类的目标是将样本x分类为1或-1;
计算弱分类器的权值,每个弱分类器Gm(x)根据其分类的错误率都有一个相对应的权值am,权值表示Gm(x)在最终分类器决定时的重要程度;
更新训练集样本权重,增加错分样本的权重,减小正确分类样本的权重;
组合强分类器,对快速眼动期睡眠行为障碍患者进行识别分类。
9.一种基于睡眠脑电的快速眼动期睡眠行为障碍分类系统,其特征在于,所述系统包括:
预处理模块,用于对获取的患者睡眠脑电信号进行预处理,所述预处理包括:去噪和滤波;
获取模块,用于从处理完毕的患者睡眠脑电信号中获取睡眠R期脑电区间对应的睡眠脑电信号;
切割模块,用于将获取的睡眠R期脑电区间对应的睡眠脑电信号按照预设信号长度进行切割获取多个子信号段;
分层模块,用于使用小波变换对每个所述子信号段的原始脑电信号进行分层,根据脑电波的频率将小波变换后的频域分量近似对应原始脑电的不同波段;
经验模态分解模块,用于将脑电信号进行经验模态分解EMD,获得其多层本征模态函数IMF;
特征提取模块,用于从不同波段的脑电信号和多层本征模态函数中进行特征提取,包括多种时、频域特征;
特征集降维模块,用于基于主成分分析法PCA对特征集进行降维获得反映原始特征集的低维特征集;
分类模块,用于使用PCA降维的特征集进行分类识别,对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行识别。
10.一种快速眼动期睡眠行为障碍分类装置,其特征在于,包括:
处理器;
用于存储所述处理器处理可执行指令的存储器;
所述处理器执行如权利要求1-8任一项所述的基于睡眠脑电的快速眼动期睡眠行为障碍分类方法,实现对帕金森病伴快速眼动睡眠障碍、帕金森病不伴快速眼动睡眠障碍和特发性快速眼动期睡眠行为障碍患者进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206985.9A CN111493822B (zh) | 2020-03-23 | 2020-03-23 | 一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206985.9A CN111493822B (zh) | 2020-03-23 | 2020-03-23 | 一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111493822A true CN111493822A (zh) | 2020-08-07 |
CN111493822B CN111493822B (zh) | 2023-01-31 |
Family
ID=71874159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010206985.9A Active CN111493822B (zh) | 2020-03-23 | 2020-03-23 | 一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111493822B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011394A (zh) * | 2021-04-26 | 2021-06-22 | 吉林大学 | 一种眼动数据预处理方法及系统 |
CN113397567A (zh) * | 2021-05-19 | 2021-09-17 | 中国航天科工集团第二研究院 | 一种人类行为脑电信号分类方法及系统 |
CN114305343A (zh) * | 2022-01-18 | 2022-04-12 | 山东大学 | 一种基于互补集合经验模态分解的单导脑电睡眠分期方法 |
CN114676720A (zh) * | 2022-02-28 | 2022-06-28 | 山东大学 | 基于图神经网络的心理状态识别方法及系统 |
WO2022134242A1 (zh) * | 2020-12-24 | 2022-06-30 | 江苏爱谛科技研究院有限公司 | 一种自动睡眠分期的建立方法及其应用 |
CN115989998A (zh) * | 2022-11-22 | 2023-04-21 | 常州瑞神安医疗器械有限公司 | 一种检测帕金森病患者睡眠阶段的方法 |
CN116369864A (zh) * | 2023-06-02 | 2023-07-04 | 长春中医药大学 | 基于数据编码的睡眠监测数据智能管理方法和系统 |
CN116509338A (zh) * | 2023-06-29 | 2023-08-01 | 安徽星辰智跃科技有限责任公司 | 基于模态分析的睡眠周期性检测及调节方法、系统和装置 |
CN116779110A (zh) * | 2023-08-07 | 2023-09-19 | 安徽星辰智跃科技有限责任公司 | 基于模态分解的睡眠可持续性检测调节方法、系统和装置 |
CN117349603A (zh) * | 2023-12-06 | 2024-01-05 | 小舟科技有限公司 | 脑电信号的自适应降噪方法及装置、设备、存储介质 |
CN117743810A (zh) * | 2024-02-21 | 2024-03-22 | 莱凯医疗器械(北京)有限公司 | 一种脑电信号监测的意图理解分析方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080262373A1 (en) * | 2007-04-02 | 2008-10-23 | Burns Joseph W | Automated polysomnographic assessment for rapid eye movement sleep behavior disorder |
US20150245800A1 (en) * | 2012-08-20 | 2015-09-03 | Danmarks Tekniske Universitet | Method for Detection Of An Abnormal Sleep Pattern In A Person |
CN105942974A (zh) * | 2016-04-14 | 2016-09-21 | 禅客科技(上海)有限公司 | 一种基于低频脑电的睡眠分析方法及系统 |
CN107007278A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院苏州生物医学工程技术研究所 | 基于多参数特征融合的自动睡眠分期方法 |
CN108596043A (zh) * | 2018-03-29 | 2018-09-28 | 中国药科大学 | 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法 |
CN108742517A (zh) * | 2018-03-27 | 2018-11-06 | 重庆邮电大学 | 一种基于Stacking单导联脑电睡眠自动分期方法 |
CN109674468A (zh) * | 2019-01-30 | 2019-04-26 | 大连理工大学 | 一种单导脑电自动睡眠分期方法 |
CN109843157A (zh) * | 2017-05-22 | 2019-06-04 | 艾德脑科技股份有限公司 | 脑波检测装置与方法 |
US20190246927A1 (en) * | 2018-02-14 | 2019-08-15 | Cerenion Oy | Apparatus and method for electroencephalographic measurement |
CN110151169A (zh) * | 2019-07-04 | 2019-08-23 | 中山大学 | 一种基于心电数据的睡眠状态识别分类方法 |
CN110623665A (zh) * | 2019-09-26 | 2019-12-31 | 川北医学院 | 一种智能睡眠时相检测与睡眠质量评估系统及方法 |
-
2020
- 2020-03-23 CN CN202010206985.9A patent/CN111493822B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080262373A1 (en) * | 2007-04-02 | 2008-10-23 | Burns Joseph W | Automated polysomnographic assessment for rapid eye movement sleep behavior disorder |
US20150245800A1 (en) * | 2012-08-20 | 2015-09-03 | Danmarks Tekniske Universitet | Method for Detection Of An Abnormal Sleep Pattern In A Person |
CN105942974A (zh) * | 2016-04-14 | 2016-09-21 | 禅客科技(上海)有限公司 | 一种基于低频脑电的睡眠分析方法及系统 |
CN107007278A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院苏州生物医学工程技术研究所 | 基于多参数特征融合的自动睡眠分期方法 |
CN109843157A (zh) * | 2017-05-22 | 2019-06-04 | 艾德脑科技股份有限公司 | 脑波检测装置与方法 |
US20190246927A1 (en) * | 2018-02-14 | 2019-08-15 | Cerenion Oy | Apparatus and method for electroencephalographic measurement |
CN108742517A (zh) * | 2018-03-27 | 2018-11-06 | 重庆邮电大学 | 一种基于Stacking单导联脑电睡眠自动分期方法 |
CN108596043A (zh) * | 2018-03-29 | 2018-09-28 | 中国药科大学 | 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法 |
CN109674468A (zh) * | 2019-01-30 | 2019-04-26 | 大连理工大学 | 一种单导脑电自动睡眠分期方法 |
CN110151169A (zh) * | 2019-07-04 | 2019-08-23 | 中山大学 | 一种基于心电数据的睡眠状态识别分类方法 |
CN110623665A (zh) * | 2019-09-26 | 2019-12-31 | 川北医学院 | 一种智能睡眠时相检测与睡眠质量评估系统及方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022134242A1 (zh) * | 2020-12-24 | 2022-06-30 | 江苏爱谛科技研究院有限公司 | 一种自动睡眠分期的建立方法及其应用 |
CN113011394B (zh) * | 2021-04-26 | 2021-11-30 | 吉林大学 | 一种眼动数据预处理方法及系统 |
CN113011394A (zh) * | 2021-04-26 | 2021-06-22 | 吉林大学 | 一种眼动数据预处理方法及系统 |
CN113397567A (zh) * | 2021-05-19 | 2021-09-17 | 中国航天科工集团第二研究院 | 一种人类行为脑电信号分类方法及系统 |
CN114305343A (zh) * | 2022-01-18 | 2022-04-12 | 山东大学 | 一种基于互补集合经验模态分解的单导脑电睡眠分期方法 |
CN114676720A (zh) * | 2022-02-28 | 2022-06-28 | 山东大学 | 基于图神经网络的心理状态识别方法及系统 |
CN115989998B (zh) * | 2022-11-22 | 2023-11-14 | 常州瑞神安医疗器械有限公司 | 一种检测帕金森病患者睡眠阶段的方法 |
CN115989998A (zh) * | 2022-11-22 | 2023-04-21 | 常州瑞神安医疗器械有限公司 | 一种检测帕金森病患者睡眠阶段的方法 |
CN116369864A (zh) * | 2023-06-02 | 2023-07-04 | 长春中医药大学 | 基于数据编码的睡眠监测数据智能管理方法和系统 |
CN116369864B (zh) * | 2023-06-02 | 2023-08-08 | 长春中医药大学 | 基于数据编码的睡眠监测数据智能管理方法和系统 |
CN116509338A (zh) * | 2023-06-29 | 2023-08-01 | 安徽星辰智跃科技有限责任公司 | 基于模态分析的睡眠周期性检测及调节方法、系统和装置 |
CN116509338B (zh) * | 2023-06-29 | 2024-04-30 | 安徽星辰智跃科技有限责任公司 | 基于模态分析的睡眠周期性检测及调节方法、系统和装置 |
CN116779110A (zh) * | 2023-08-07 | 2023-09-19 | 安徽星辰智跃科技有限责任公司 | 基于模态分解的睡眠可持续性检测调节方法、系统和装置 |
CN116779110B (zh) * | 2023-08-07 | 2024-05-31 | 安徽星辰智跃科技有限责任公司 | 基于模态分解的睡眠可持续性检测调节方法、系统和装置 |
CN117349603A (zh) * | 2023-12-06 | 2024-01-05 | 小舟科技有限公司 | 脑电信号的自适应降噪方法及装置、设备、存储介质 |
CN117349603B (zh) * | 2023-12-06 | 2024-03-12 | 小舟科技有限公司 | 脑电信号的自适应降噪方法及装置、设备、存储介质 |
CN117743810A (zh) * | 2024-02-21 | 2024-03-22 | 莱凯医疗器械(北京)有限公司 | 一种脑电信号监测的意图理解分析方法 |
CN117743810B (zh) * | 2024-02-21 | 2024-04-30 | 莱凯医疗器械(北京)有限公司 | 一种脑电信号监测的意图理解分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111493822B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111493822B (zh) | 一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法 | |
CN105286890B (zh) | 一种基于脑电信号的驾驶员瞌睡状态监测方法 | |
CN110897639A (zh) | 一种基于深度卷积神经网络的脑电睡眠分期方法 | |
Längkvist et al. | Sleep stage classification using unsupervised feature learning | |
CN111493828B (zh) | 基于全卷积网络的序列到序列的睡眠障碍检测方法 | |
CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
CN110141226B (zh) | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 | |
EP3783619A1 (en) | Human body health assessment method and system based on sleep big data | |
Ghorbanian et al. | Exploration of EEG features of Alzheimer’s disease using continuous wavelet transform | |
TW201521676A (zh) | 一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法 | |
CN114052735A (zh) | 一种基于深度领域自适应的脑电情绪识别方法及系统 | |
CN114732409A (zh) | 一种基于脑电信号的情绪识别方法 | |
CN113925459A (zh) | 一种基于脑电特征融合的睡眠分期方法 | |
Chen et al. | An automated detection of epileptic seizures EEG using CNN classifier based on feature fusion with high accuracy | |
Hsieh et al. | Home-use and real-time sleep-staging system based on eye masks and mobile devices with a deep learning model | |
CN112932501A (zh) | 一种基于一维卷积神经网络自动识别失眠方法 | |
Ibrahim et al. | Deep‐learning‐based seizure detection and prediction from electroencephalography signals | |
CN112263218A (zh) | 睡眠分期方法及装置 | |
CN110473631A (zh) | 基于真实世界研究的智能睡眠监测方法和系统 | |
CN114190897A (zh) | 睡眠分期模型的训练方法、睡眠分期方法及装置 | |
CN113576498A (zh) | 基于脑电信号的视听觉美学评价方法及系统 | |
CN113128384A (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
Liu et al. | Automatic detection of epilepsy EEG based on CNN-LSTM network combination model | |
Romaissa et al. | Epileptic seizure detection from imbalanced EEG signal | |
Han et al. | Neural network based detection of drowsiness with eyes open using AR modelling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |