CN112842279A - 一种基于多维度特征参数的睡眠质量评估方法及装置 - Google Patents

Abstract

本发明公开了一种基于多维度特征参数的睡眠质量评估方法及装置，所述方法包括：采集用户睡觉时前额两导联处的脑电波信号；提取所述脑电波信号在时域维度、频域维度以及非线性维度的特征参数，生成多维度特征参数；将所述多维度特征参数输入至预设的睡眠分析模型中，以使所述睡眠分析模型根据所述多维度特征参数生成所述用户的睡眠分析结果；根据所述睡眠分析结果评估所述用户睡眠质量。通过实施本发明实施例能够睡眠质量评估的准确性。

Description

一种基于多维度特征参数的睡眠质量评估方法及装置

技术领域

本发明涉及睡眠质量监测技术领域，尤其涉及一种基于多维度特征参数的睡眠质量评估方法及装置。

背景技术

睡眠占据了人一生三分之一的时间，在这个过程中，人体的机能能够得到恢复，良好的睡眠对于身心健康至关重要。但是由于生活压力的增加，患有睡眠障碍的患者逐渐增多。长期睡眠不规律易导致认知功能受损，情绪障碍(如易：抑郁，焦虑，紧张)。随着对睡眠问题的重视程度逐渐提高，人们希望能够了解自己睡眠质量，而现有的睡眠质量评估方法在进行睡眠质量评估时，一般基于一个维度下的特征参数进行睡眠期分期并评估，例如基于脑电波的频域特征进行睡眠期分期与评估。而基于单一维度下的特征进行的睡眠质量评估准确性较低。

发明内容

本发明实施例提供一种基于多维度特征参数的睡眠质量评估方法及装置，能提高睡眠质量评估的准确性。

本发明一实施例提供一种基于多维度特征参数的睡眠质量评估方法，包括：

采集用户睡觉时前额两导联处的脑电波信号；

提取所述脑电波信号在时域维度、频域维度以及非线性维度的特征参数，生成多维度特征参数；

将所述多维度特征参数输入至预设的睡眠分析模型中，以使所述睡眠分析模型根据所述多维度特征参数生成所述用户的睡眠分析结果；其中，所述睡眠分析结果包括：各睡眠分期的时长、睡眠觉醒次数、每一睡眠觉醒的时长、呼吸事件次数、每一呼吸事件的时长以及睡眠总时长；

根据所述睡眠分析结果评估所述用户睡眠质量。

进一步的，提取所述脑电波信号在时域维度的特征参数，具体包括：

根据各预设波形的频域范围通过带通滤波器对两导联处的脑电波信号进行处理，生成各预设波形的时域信号；其中，所述预设波形包括：K复合波、梭形波、慢波以及锯齿波；

提取各所述时域信号的最大峰值、最小峰值、上升支坡度、上升支持续时长、下降支坡度以及下降支持续时长；

对两导联之间各对应波形的时域信号进行相关性分析，获得两导联之间各对应波形的时域信号的关联程度分数；

根据各所述时域信号的最大峰值、最小峰值、上升支坡度、上升支持续时长、下降支坡度、下降支持续时长以及两导联之间各对应波形的时域信号的关联程度分数生成所述脑电波信号在时域维度的特征参数。

进一步的，提取所述脑电波信号的频域维度的特征参数，具体包括：

将所述脑电信号波进行小波六层分解，得到六个不同频段的脑电信号；

根据各频段的脑电信号的绝对功率、相对功率、总功率、以及各同频段的脑电信号之间的功率比，生成所述脑电波信号在频域维度的特征参数。

进一步的，提取所述脑电波信号在非线性维度的特征参数，具体包括：

将所述脑电信号波进行小波六层分解，得到六个不同频段的脑电信号；

根据morlet复合小波组合获得各不同频段的脑电信号的相位信息；

根据各所述相位信息计算两导联之间各对应频段的脑电信号的相位差，继而根据预设的加权算法，生成两导联之间各对应频段的脑电信号的加权相位同步值；

根据各不同频段的脑电信号生成序列化信号，继而根据预设的符号传递熵计算公式，计算所述序列化信号的符号传递熵；

根据所述加权相位同步值以及所述符号传递熵生成所述脑电波信号在非线性维度的特征参数。

进一步的，所述根据所述睡眠分析结果评估所述用户睡眠质量，具体包括：

根据所述睡眠分析结果计算若干睡眠质量评估指标的指标数值；其中，所述睡眠质量评估指标包括：REM睡眠期占比、睡眠潜伏期时长、NREM睡眠阶段的时长占比、睡眠觉醒时长占比以及每小时呼吸事件超过10s的次数；

判断各所述指标的指标数值是否均在正常范围内，若是，则判定所述用户的睡眠质量良好。

进一步的，所述睡眠分析模型的构建方法包括：

获取已标注不同睡眠期、睡眠觉醒以及呼吸事件的样本脑电波信号；

对所述样本脑电波信号进行数据预处理后，继而提取所述样本脑电波信号在时域特征、频域特征以及非线性特征下的若干特征参数；

根据预设的特征参数评价模型对所有特征参数进行筛选，生成特征参数集合；

将所述特征参数集合以十折交叉验证的方法划分为训练集和测试集；

根据随机森林、BP神经网络、支持向量机以及决策树构建不同的机器学习模型，并根据所述训练集进行模型训练，根据所述测试集进行模型校验；

继而将效果最优的机器学习模型作为所述睡眠分析模型。

进一步的，所述根据预设的特征参数评价模型对所有特征参数进行筛选，生成特征参数集合，具体包括：

剔除方差为零的特征参数，生成待处理特征参数集合；

分别计算所述待处理特征参数集合内各特征参数两两之间的皮尔逊相关系数，并将皮尔逊相关系数大于第一阈值的特征参数进行标记；

根据费希尔评分法计算所述待处理特征值集合中各特征参数的分值，继而根据分值对所述待处理特征参数集合中各特征参数进行降序排序；

将顺序位于第二阈值之后且已进行标记的特征参数进行剔除，生成所述特征参数集合。

在上述方法项实施例的基础上，本发明对应提供了装置项实施例；

本发明一实施例提供了一种基于多维度特征参数的睡眠质量评估装置，包括：脑电波采集模块、多维特征参数提取模块、睡眠分析模块以及睡眠质量评估模块；

所述脑电波采集模块，用于采集用户睡觉时前额两导联处的脑电波信号；

所述多维特征参数提取模块，用于提取所述脑电波信号在时域维度、频域维度以及非线性维度的特征参数，生成多维度特征参数；

所述睡眠分析模块，用于将所述多维度特征参数输入至预设的睡眠分析模型中，以使所述睡眠分析模型根据所述多维度特征参数生成所述用户的睡眠分析结果；其中，所述睡眠分析结果包括：各睡眠分期的时长、睡眠觉醒次数、每一睡眠觉醒的时长、呼吸事件次数、每一呼吸事件的时长以及睡眠总时长；

所述睡眠质量评估模块，用于根据所述睡眠分析结果评估所述用户睡眠质量。

通过实施本发明实施例具有如下有益效果：

本发明实施例提供了一种基于多维度特征参数的睡眠质量评估方法及装置，方法首先采集用户睡觉时前额两导联处的脑电波信号；然后提取脑电波信号在时域维度、频域维度以及非线性维度的特征参数，生成多维度特征参数；紧接着将多维度特征参数输入至预设的睡眠分析模型中，以使睡眠分析模型根据多维度特征参数生成用户的睡眠分析结果，最后根据睡眠分析结果评估用户睡眠质量；时域维度的特征参数能够有效反应睡眠过程中对外界刺激的保护反应，频域维度的特征参数能够反映脑细胞的活性以及大脑的活跃度，其变化对应不同睡眠期的大脑活跃度，非线性维度的特征参数能够有效反映大脑复杂的非线性动力系统，提供评估脑功能跨区域的动态整合，协调和响应，能够提现不同睡眠时期大脑的功能变化，与现有技术相比，本发明从时域，频域以及非线性三个维度提取出特征参数，能够更加准确的对用户进行睡眠分析，从而提高睡眠质量评估的准确性。

附图说明

图1是本发明一实施例提供的一种基于多维度特征参数的睡眠质量评估方法的流程示意图。

图2是本发明一实施例提供的一种基于多维度特征参数的睡眠质量评估装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明一实施例提供了一种基于多维度特征参数的睡眠质量评估方法，至少包括以下步骤：

步骤S101:采集用户睡觉时前额两导联处的脑电波信号。

步骤S102:提取脑电波信号在时域维度、频域维度以及非线性维度的特征参数，生成多维度特征参数。

步骤S103:将多维度特征参数输入至预设的睡眠分析模型中，以使睡眠分析模型根据多维度特征参数生成用户的睡眠分析结果；其中，睡眠分析结果包括：各睡眠分期的时长、睡眠觉醒次数、每一睡眠觉醒的时长、呼吸事件次数、每一呼吸事件的时长以及睡眠总时长。

步骤S104:根据睡眠分析结果评估用户睡眠质量。

对于步骤S101，在距用户眉毛约两指距离处设置导联，左右各一个，共设置两个导联来采集用户睡觉时的脑电波信号；

在一个优选的实施例中，在采集脑电波信号之后，还包括：将脑电波信号按30秒的时间间隔划分为若干个片段，然后进行降噪处理。

对于步骤S102:一下对三个维度的特征参数提取进行详细说明：

首先是时域维度的特征参数：

在一个优选的实施例中，提取脑电波信号在时域维度的特征参数，具体包括：根据各预设波形的频域范围通过带通滤波器对两导联处的脑电波信号进行处理，生成各预设波形的时域信号；其中，预设波形包括：K复合波、梭形波、慢波以及锯齿波；提取各时域信号的最大峰值、最小峰值、上升支坡度、上升支持续时长、下降支坡度以及下降支持续时长；对两导联之间各对应波形的时域信号进行相关性分析，获得两导联之间各对应波形的时域信号的关联程度分数；根据各时域信号的最大峰值、最小峰值、上升支坡度、上升支持续时长、下降支坡度、下降支持续时长以及两导联之间各对应波形的时域信号的关联程度分数生成脑电波信号在时域维度的特征参数。

具体的，睡眠中时域波形信号中蕴含生理变化，其为睡眠分期提供基础依据，能够有效反映睡眠中对外界刺激的保护反应。因此提取时域波形如下：K复合波、梭形波、慢波、锯齿波。根据各个波形的频域范围并结合小波变换设计不同的带通滤波器对采集的脑电信号进行处理，得到各种波形的时域信号，采用阈值差分法，能够准确识别波形，获得各个波形的最大峰值，最小峰值，上升支，下降支坡度以及持续时长。同时对不同导联所识别的波形时域信号进行相关性分析，得到各个波形的相关性结果；最终生成在时域维度下的44个特征特征参数。

相关性分析为两者之间的关联程度，反映两者间的共变性。由于采集的是前额两导导联信号位于左右半球，，据研究表明，睡眠中大脑的活动存在半球交替占据主导位置，因此线性相关性分析能够直观的反映半球间的活动变化关系，为睡眠分析提供一定依据。其中关联程度的计算方式采用皮尔逊相关性计算：

其中，cov(X，Y)为X，Y协方差，E[·]为均值，σ_X为X的标准差，σ_Y为Y的标准差；μx为X的均值；μy为Y的均值：X和Y分别为两处导联所采集的信号。

其次是频域维度下的特征参数：

在一个优选的实施例中，提取脑电波信号在频域维度的特征参数，具体包括：将脑电信号波进行小波六层分解，得到六个不同频段的脑电信号；根据各频段的脑电信号的绝对功率、相对功率、总功率、以及各同频段的脑电信号之间的功率比，生成脑电波信号在频域维度的特征参数。

具体的，频域特征能够反映脑细胞的活性以及大脑的和活跃度，其变化对应不同睡眠期的大脑活跃度，利于睡眠分期。本发明采用‘dmey’小波对采集的脑电信号进行小波六层分解，得到δ(0.5-4Hz)，θ(4-8Hz)，α(8-12Hz)，σ(12-15Hz)，β(15-30Hz)，γ(30-50Hz)六个频段脑电信号，再利用基于Yule-Walker法的AR模型法，得到各频带绝对功率，相对功率，总功率，各频带间功率比等56个特征值，从而得到频域维度下的56个特征参数。本发明中的功率算法选取最优的递推阶数，不仅能够消除频谱估计异常，还能够提高估计精度和频率分辨率。

最后是非线性维度的特征参数的提取；

在一个优选的实施例中，提取脑电波信号在非线性维度的特征参数，具体包括：将脑电信号波进行小波六层分解，得到六个不同频段的脑电信号；根据morlet复合小波组合获得各不同频段的脑电信号的相位信息；根据各相位信息计算两导联之间各对应频段的脑电信号的相位差，继而根据预设的加权算法，生成两导联之间各对应频段的脑电信号的加权相位同步值；根据各不同频段的脑电信号生成序列化信号，继而根据预设的符号传递熵计算公式，计算序列化信号的符号传递熵；根据加权相位同步值以及符号传递熵生成脑电波信号在非线性维度的特征参数。

具体的，对脑电信号利用morlet复合小波组合：

得到不同频段的相位信息，其中，C为矫正参数，

为t时频率为f_m的单小波(m＝0，1，2，...)，f_b为中心频率，x为信号幅值，M值为预设的频率范围中初始频率与截至频率的差值除以所设置的最优步长值。

通过改变单小波的组合方式能够准确得到δ(0.5-4Hz)，θ(4-8Hz)，α(8-12Hz)，σ(12-15Hz)，β(15-30Hz)，γ(30-50Hz)六个频段的瞬时相位信息，同时通过优化复合小波的组成达到算法的时间分辨率为1s。根据如下导联间的相位差计算公式，计算出相位差：

其中

为导联i的相位，

为导联j的相位；

再利用以下公式计算加权相位同步值：

其中E{·}为加权平均计算，sin为正弦函数，通过该计算能够更精确的识别相位信息。

紧接着对传统传递熵进行改进，设定阈值对脑电信号幅值进行等级划分，将脑电信号变成序列化信号，根据以下符号传递熵的计算公式，计算符号传递熵：

x_i，y_i为导联x，y在i点的信号幅值，δ为设置的步长，p(·)为概率计算。在算法中通过设定计算过程的概率密度分布的分级精度改进算法的计算速度。

最终根据加权相位同步值以及符号传递熵生成非线性维度下的18个特征参数。

对于步骤S103，在一个优选的实施例中，睡眠分析模型的构建方法包括：

获取已标注不同睡眠期、睡眠觉醒以及呼吸事件的样本脑电波信号；对样本脑电波信号进行数据预处理后，继而提取样本脑电波信号在时域维度、频域维度以及非线性维度下的若干特征参数；根据预设的特征参数评价模型对所有特征参数进行筛选，生成特征参数集合；将特征参数集合以十折交叉验证的方法划分为训练集和测试集；根据随机森林、BP神经网络、支持向量机以及决策树构建不同的机器学习模型，并根据训练集进行模型训练，根据测试集进行模型校验；继而将效果最优的机器学习模型作为睡眠分析模型。

具体的，从多导睡眠仪导出已经由睡眠医生和技师标注不同睡眠期，微觉醒以及呼吸事件的脑电信号，在预处理后提取脑电信号的特征值，再经过归一化消除个体差异，再筛选出最优特征值集合；将特征向量以十折交叉验证的方法划分训练集和测试集，选取随机森林，BP神经网络，支持向量机，决策树四类分类器，在训练集上进行模型训练，在测试集上输出最优结果，选取最优的机器学习模型。

在一个优选的实施例中，根据预设的特征参数评价模型对所有特征参数进行筛选，生成特征参数集合，具体包括：

剔除方差为零的特征参数，生成待处理特征参数集合；分别计算待处理特征参数集合内各特征参数两两之间的皮尔逊相关系数，并将皮尔逊相关系数大于第一阈值的特征参数进行标记；根据费希尔评分法计算待处理特征值集合中各特征参数的分值，继而根据分值对待处理特征参数集合中各特征参数进行降序排序；将顺序位于第二阈值之后且已进行标记的特征参数进行剔除，生成特征参数集合。

具体的，机器学习中，特征值集合的组成对分类的计算速度以及精度具有很大的影响，因此对于特征集合的重构十分重要。首先设置方差阈值，剔除方差为零的特征值；接着利用Pearson Correlation算法，标记相关性大于第一阈值的两个特征值；然后FisherScoring算法，根据特征值对应的F-score对特征值进行降序排序，然后剔除被标记且排序在第二阈值之后的特征值；得到最优的特征值集合。示意性，上述第一阈值可设置为0.8，上述第二阈值可以为第100位；

对于步骤S104:在一个优选的实施例中，根据睡眠分析结果评估用户睡眠质量，具体包括：

根据睡眠分析结果计算若干睡眠质量评估指标的指标数值；其中，睡眠质量评估指标包括：REM睡眠期占比、睡眠潜伏期时长、NREM睡眠阶段的时长占比、睡眠觉醒时长占比以及每小时呼吸事件超过10s的次数；判断各指标的指标数值是否均在正常范围内，若是，则判定用户的睡眠质量良好。

具体的，评估睡眠质量的评分指标计算如下：

1.REM睡眠期占比：

2.睡眠潜伏期时长：从入睡开始计算，当由Wake期进入其他睡眠阶段的时长；

3.NREM(N1，N2，N3)睡眠阶段的时长占比：

4.睡眠觉醒时长占比：

5.每小时呼吸事件超过10s的次数：

T_REM为REM睡眠期的时长、T_NX为NX睡眠期的时长(NX为N1、N2或N3)即T_N1为N1期的时长、T_N2为N2期的时长、T_N3为N3期的时长；T_W为睡眠觉醒时长。

根据上述公式计算出用户在上述5个评估指标的指标数值，设定正常睡眠质量的条件如下：REM睡眠期占比为20％-25％；睡眠潜伏期时长10-30分钟；N1时长占比5％-10％；N2时长占比50％；N3时长占比＞20％；觉醒时长若大于5分钟，则出现次数应少于2次；觉醒时长占比＜5％；AHI＜5。若用户的各指标数值符合正常睡眠质量的条件，则判定用户睡眠质量良好，不存在睡眠障碍疾病，否则判定用户睡眠质量差，存在睡眠障碍疾病。

在上述方法项实施例的基础上，本发明对应提供了装置项实施例；

如图2所示，本发明一实施例提供了一种基于多维度特征参数的睡眠质量评估装置包括：脑电波采集模块、多维特征参数提取模块、睡眠分析模块以及睡眠质量评估模块；

脑电波采集模块，用于采集用户睡觉时前额两导联处的脑电波信号；

多维特征参数提取模块，用于提取脑电波信号在时域维度、频域维度以及非线性维度的特征参数，生成多维度特征参数；

睡眠分析模块，用于将多维度特征参数输入至预设的睡眠分析模型中，以使睡眠分析模型根据多维度特征参数生成用户的睡眠分析结果；其中，睡眠分析结果包括：各睡眠分期的时长、睡眠觉醒次数、每一睡眠觉醒的时长、呼吸事件次数、每一呼吸事件的时长以及睡眠总时长；

睡眠质量评估模块，用于根据睡眠分析结果评估用户睡眠质量。

需说明的是，上述装置项实施例是与本发明方法项实施例对应的，其可以实现本发明任意一项的基于多维度特征参数的睡眠质量评估方法。另，以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种基于多维度特征参数的睡眠质量评估方法，其特征在于，包括：

采集用户睡觉时前额两导联处的脑电波信号；

提取所述脑电波信号在时域维度、频域维度以及非线性维度的特征参数，生成多维度特征参数；

将所述多维度特征参数输入至预设的睡眠分析模型中，以使所述睡眠分析模型根据所述多维度特征参数生成所述用户的睡眠分析结果；其中，所述睡眠分析结果包括：各睡眠分期的时长、睡眠觉醒次数、每一睡眠觉醒的时长、呼吸事件次数、每一呼吸事件的时长以及睡眠总时长；

根据所述睡眠分析结果评估所述用户睡眠质量。

2.如权利要求1所述的基于多维度特征参数的睡眠质量评估方法，其特征在于，提取所述脑电波信号在时域维度的特征参数，具体包括：

根据各预设波形的频域范围通过带通滤波器对两导联处的脑电波信号进行处理，生成各预设波形的时域信号；其中，所述预设波形包括：K复合波、梭形波、慢波以及锯齿波；

提取各所述时域信号的最大峰值、最小峰值、上升支波度、上升支持续时长、下降支坡度以及下降支持续时长；

对两导联之间各对应波形的时域信号进行相关性分析，获得两导联之间各对应波形的时域信号的关联程度分数；

根据各所述时域信号的最大峰值、最小峰值、上升支坡度、上升支持续时长、下降支坡度、下降支持续时长以及两导联之间各对应波形的时域信号的关联程度分数生成所述脑电波信号在时域维度的特征参数。

3.如权利要求1所述的基于多维度特征参数的睡眠质量评估方法，其特征在于，提取所述脑电波信号在频域维度的特征参数，具体包括：

将所述脑电信号波进行小波六层分解，得到六个不同频段的脑电信号；

根据各频段的脑电信号的绝对功率、相对功率、总功率、以及各同频段的脑电信号之间的功率比，生成所述脑电波信号在频域维度的特征参数。

4.如权利要求1所述的基于多维度特征参数的睡眠质量评估方法，其特征在于，提取所述脑电波信号在非线性维度的特征参数，具体包括：

将所述脑电信号波进行小波六层分解，得到六个不同频段的脑电信号；

根据morlet复合小波组合获得各不同频段的脑电信号的相位信息；

根据各所述相位信息计算两导联之间各对应频段的脑电信号的相位差，继而根据预设的加权算法，生成两导联之间各对应频段的脑电信号的加权相位同步值；

根据各不同频段的脑电信号生成序列化信号，继而根据预设的符号传递熵计算公式，计算所述序列化信号的符号传递熵；

根据所述加权相位同步值以及所述符号传递熵生成所述脑电波信号在非线性维度的特征参数。

5.如权利要求1所述的基于多维度特征参数的睡眠质量评估方法，其特征在于，所述根据所述睡眠分析结果评估所述用户睡眠质量，具体包括：

根据所述睡眠分析结果计算若干睡眠质量评估指标的指标数值；其中，所述睡眠质量评估指标包括：REM睡眠期占比、睡眠潜伏期时长、NREM睡眠阶段的时长占比、睡眠觉醒时长占比以及每小时呼吸事件超过10s的次数；

判断各所述指标的指标数值是否均在正常范围内，若是，则判定所述用户的睡眠质量良好。

6.如权利要求1所述的基于多维度特征参数的睡眠质量评估方法，其特征在于，所述睡眠分析模型的构建方法包括：

获取已标注不同睡眠期、睡眠觉醒以及呼吸事件的样本脑电波信号；

对所述样本脑电波信号进行数据预处理后，继而提取所述样本脑电波信号在时域维度、频域维度以及非线性维度下的若干特征参数；

根据预设的特征参数评价模型对所有特征参数进行筛选，生成特征参数集合；

将所述特征参数集合以十折交叉验证的方法划分为训练集和测试集；

根据随机森林、BP神经网络、支持向量机以及决策树构建不同的机器学习模型，并根据所述训练集进行模型训练，根据所述测试集进行模型校验；

继而将效果最优的机器学习模型作为所述睡眠分析模型。

7.如权利要求6所述的基于多维度特征参数的睡眠质量评估方法，其特征在于，所述根据预设的特征参数评价模型对所有特征参数进行筛选，生成特征参数集合，具体包括：

剔除方差为零的特征参数，生成待处理特征参数集合；

分别计算所述待处理特征参数集合内各特征参数两两之间的皮尔逊相关系数，并将皮尔逊相关系数大于第一阈值的特征参数进行标记；

根据费希尔评分法计算所述待处理特征值集合中各特征参数的分值，继而根据分值对所述待处理特征参数集合中各特征参数进行降序排序；

将顺序位于第二阈值之后且已进行标记的特征参数进行剔除，生成所述特征参数集合。

8.一种基于多维度特征参数的睡眠质量评估装置，其特征在于，包括：脑电波采集模块、多维特征参数提取模块、睡眠分析模块以及睡眠质量评估模块；

所述脑电波采集模块，用于采集用户睡觉时前额两导联处的脑电波信号；

所述多维特征参数提取模块，用于提取所述脑电波信号在时域维度、频域维度以及非线性维度的特征参数，生成多维度特征参数；

所述睡眠分析模块，用于将所述多维度特征参数输入至预设的睡眠分析模型中，以使所述睡眠分析模型根据所述多维度特征参数生成所述用户的睡眠分析结果；其中，所述睡眠分析结果包括：各睡眠分期的时长、睡眠觉醒次数、每一睡眠觉醒的时长、呼吸事件次数、每一呼吸事件的时长以及睡眠总时长；

所述睡眠质量评估模块，用于根据所述睡眠分析结果评估所述用户睡眠质量。

Images