CN112842363A - 一种睡眠脑电检测方法及系统 - Google Patents

Abstract

本发明提供一种睡眠脑电监测方法及系统，所述方法为一种基于数据驱动的单通道计算机睡眠评分算法。首先，使用经验模式分解所采集到的分解脑电信号片段。然后，从得到的固定模式函数中提取基于统计模型的特征。进行统计分析以确定所选特征的有效性。最后，我们采用随机欠采样分类算法实现自动睡眠分段。本发明提供的一种睡眠脑电监测方法及系统，结合经验模式分解算法迭代以及随机欠采样进行弱分类器学习分类，可以在提高所采集到的睡眠脑电信号自适应性的同时降低睡眠脑电信号分析具有类不平衡问题。

Description

一种睡眠脑电检测方法及系统

技术领域

本发明属于睡眠监测技术领域，具体涉及一种睡眠脑电检测方法及系统。

背景技术

人一生中约有三分之一的时间都被用来睡觉，因此我们对睡眠有一个模糊的概念，但这并不意味着睡眠病理很简单。睡眠对人类的健康来说是及其重要的，许多与睡眠有关的疾病，如睡眠呼吸暂停、失眠和阵发性发作性睡病等，严重影响了人们的生活质量。最近的研宄表明，现在人们的睡眠时间比过去少，睡眠质量也有所下降，睡眠/昼夜节律紊乱可能是阿尔茨海默病和帕金森病等神经退行性疾病的重要标志，睡眠病理的治疗可以改善患者的生活质量。

目前，国内外的睡眠监测设备和仪器主要是用来区分睡眠的各种状态，测量和分析睡眠深度，即给出睡眠结构阶段的结果，记录人在睡眠过程中的生理参数。但心理压力这个因素在受试者监测过程中是不容忽视的，因为现有技术中多采用的多导睡眠图检测设备大多基于EEG，其采用电极采集生物电信号的方式。结果触电极带来的不适会对被测试者产生很大影响，尤其是获取信息时需要被测试者需要长时间睡眠。

发明内容

本发明针对上述缺陷，提供一种结合经验模式分解算法迭代以及随机欠采样进行弱分类器学习分类，可以在提高所采集到的睡眠脑电信号自适应性的同时降低睡眠脑电信号分析具有类不平衡问题的睡眠脑电信号监测方法及系统。

本发明提供如下技术方案：一种睡眠脑电监测方法，包括以下步骤：

1)脑电采集数据模块单通道采集被监测者的多个睡眠脑电信号X，传递给与所述脑电采集数据模块通信连接的主控模块，所述主控模块的硬件交互模块接收所述脑电采集数据模块的睡眠脑电信号，并传递给信号处理与建模模块；

2)所述信号处理与建模模块对多个所述睡眠脑电信号X进行经验模态分解，对输入的每个所述睡眠脑电信号X中加入一个低阶随机噪声，通过经验模式分解算法对每个所述睡眠脑电信号X进行I次重复迭代分解，得到一个具有n个点的经验模式分解固有模式函数

其中，其中，k＝1,2…,K为固有模式函数的种类，每个所述睡眠脑电信号X的n个点集合为X＝{x₁,x₂,x₃,…,x_n}；

3)对所述步骤2)得到的n个点中的每个点xⁱ(n)进行迭代分解，以数据驱动的方式生成所述每个点xⁱ(n)的高度局部化时频估计L个调幅和调频振荡固有模式函数

其中j＝1,2…,L，进而重构所述睡眠脑电信号X′；从得到固有模式函数中提取重构的所述睡眠脑电信号X′的统计模型的特征，进行统计分析以确定所选特征的有效性；

4)采用随机欠采样分类算法对所述步骤3)得到的具有统计模型特征的重构睡眠脑电信号X′历经T次迭代进行分类，在每次所述随机欠采样迭代过程中，修改示例权重，进而在下一次迭代中正确分类在当前迭代中被错误分类的示例，实现清醒、非快速眼动S1阶段、非快速眼动S2阶段、非快速眼动S3阶段、非快速眼动S4阶段和快速眼动REM阶段共六种睡眠阶段的自动分类；

5)将自动分类得到的睡眠阶段输出至软件交互模块，所述软件交互模块通过无线传输模块上传至云存储管理模块，通过蓝牙模块传输至智能移动终端。

进一步地，所述单通道脑电信号为Pz-Oz通道脑电信号。

进一步地，步骤2)包括以下步骤：

2.1)构建加入低阶随机噪声的计算模型

其中所述wⁱ(n)为高斯白噪声的不同实现水平，所述i＝1,2…,I，所述

为未加入低阶随机噪声之前的第i次迭代得到的点的真实信号值，所述xⁱ(n)为加入低阶随机噪声的第i迭代得到的点的值；

2.2)对所述加入低阶随机噪声的第i迭代得到的点的值xⁱ(n)进行经验模式分解，找到相应的固有模式函数

其中，k＝1,2…,K为固有模式函数的种类；

2.3)计算I次重复迭代得到的所述加入低阶随机噪声的第i迭代得到的点的值xⁱ(n)的相对应的固有模式函数

的平均值，得到具有n个点的经验模式分解固有模式函数

进一步地，所述步骤3)包括以下步骤：

3.1)设置点

3.2)识别并定义所述点

的局部极大值v_max和局部极小值v_min；

3.3)利用三次样条插值得到具有局部极大值v_max的上包络线和局部极小值v_min的下包络线；

3.4)利用所述上包络线和所述下包络线形成均值包络线mⁱ：

3.5)从所述点

的值中减去均值包络线m的值来计算点

的值并定位：

3.6)重复所述步骤3.2)-3.5)，直到点

和

之间的差值SD(q)达到预定值τ：

其中，所述‖.‖为欧几里得L2范数计算法则；

3.7)将

设置为第一个固有模式函数；

3.8)计算所述第一个模式

与未加入低阶随机噪声之前的第1次迭代得到的点的真实信号值

的余数

3.9)采用所述余数

代替所述步骤3.1)中的xⁱ(n)；重复所述步骤3.1)–3.7)以找到其余的固有模式函数：

3.10)利用所述3.9)步骤得到的固有模式函数

得到重构睡眠脑电信号X′：

其中，所述

为所述步骤3)的第L次迭代的余数。

进一步地，所述步骤3)得到的所述重构的睡眠脑电信号X′的统计模型的特征包括平均值为μ，方差σ²，偏度系数γ，峰度κ：

进一步地，所述步骤4)中采用随机欠采样分类算法对所述重构睡眠脑电信号X′包括以下步骤：

4.1)设置x′_a为所述重构睡眠脑电信号X′特征空间的第a个点，所述x′_a对应的一组类标签集合w中的第a个类标签为y′_a，所述y′_a∈Y，构建多个所述重构睡眠脑电信号X′的数据集S，S＝(x′_a,y′_a)，其中所述y′_a∈w，所述类标签集合w中共C类标签，w＝{w₁,w₂,…,w_C}；

4.2)将所述重构睡眠脑电信号X′的数据集S共迭代T次弱假设分类，t为其中的某一次迭代，设置B＝{(a,y′)：a∈1,2,…，n,y′≠y′_a}，初始化示例权重D₁(a,y′)＝1/|B|，其中所述(a,y′)∈B；

4.3)经过所述步骤4.2)的T次弱假设分类学习后，得到T个弱假设分类的加权融合权重H(x)。

进一步地，所述步骤4.2)中的每次迭代包括以下步骤：

4.21)利用随机欠采样建立具有分布D′_t的临时训练数据集S′_t

4.22)所述临时训练数据集S′_t和相应的权重D′_t被传递给弱假设分类器；

4.23)所述弱假设分类器创建弱假设R_t(步骤2c)：

R_t：X′×Y′→[0,1]；

4.24)基于原始训练数据集S和原始权重分布D_t(a)，计算伪损耗∈_t：

4.25)计算权重更新参数α_t：

4.26)更新下一迭代t+1代的权重分布，所述D_t+1(i)更新算法如下：

4.27)使所述D_t+1(a)标准归一化，进而得到标准归一化

令

则

进一步地，所述4.3)步骤得到的T个弱假设分类的加权融合权重H(x)计算公式如下：

本发明还提供采用上述方法的睡眠脑电监测系统，包括脑电数据采集模块、主控模块、无线通讯模块、蓝牙模块、智能终端、云服务管理模块。

进一步地，主控模块包括硬件交互模块、信号处理与建模模块、指令交互模块。

本发明的有益效果为：

1、本发明提供的方法使用经验模式分解对脑电信号进行分段，并提取各种基于统计矩的特征，可以很好地区分睡眠状态的相对应的EEG信号，自动睡眠评分方案可以免除临床医生的责任，有助于睡眠监测系统的设备实现，有利于睡眠研究。避免了通过多通道采集的EEG信号所具有的庞大数据量的需要医生的目视检查，进而减少了临床医生的读取睡眠脑电信号数据的冗繁程序，避免了使睡眠评分成为人为错误的一部分，减少了睡眠分类与评分需要单调且依赖于昂贵的人力资源的缺陷。

2、人体并不是在所有睡眠状态下花费相同的时间，睡眠脑电图信号并不包含六种睡眠状态中每种状态的相同次数的迭代，使用步骤4)中的随机欠采样算法的不断迭代进行示例权重的修改进行弱分类器学习，有效解决睡眠脑电信号分析具有类不平衡问题。

3、本发明提供的睡眠脑电监测方法和系统使用经验模式分解算法比现有技术中的基于小波变换的睡眠评分方法具有优势，具有更好的睡眠脑电信号自适应性。

4、本发明提供的睡眠脑电监测方法和系统更能反映脑电活动的随机性，更能揭示脑电活动的本质，不依赖人工评判，更客观，可以预期具有良好的时间分辨率。与近似熵和复杂度等方法相比，非周期波形分析具有简单、快速等特点，能找到更好的有利于睡眠分期的指标。

附图说明

在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：

图1为本发明提供的睡眠监测方法流程示意图；

图2为本发明提供的睡眠监测系统结构示意图。

具体实施例方式

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做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。

实施例1

如图1所示，为本发明提供的一种睡眠脑电监测方法，包括以下步骤：

1)脑电采集数据模块单通道采集被监测者的多个睡眠脑电信号X，传递给与脑电采集数据模块通信连接的主控模块，主控模块的硬件交互模块接收脑电采集数据模块的睡眠脑电信号，并传递给信号处理与建模模块；单通道脑电信号为Pz-Oz通道脑电信号；

2)信号处理与建模模块对多个睡眠脑电信号X进行经验模态分解，对输入的每个睡眠脑电信号X中加入一个低阶随机噪声，通过经验模式分解算法对每个睡眠脑电信号X进行I次重复迭代分解，得到一个具有n个点的经验模式分解固有模式函数

其中，其中，k＝1,2…,K为固有模式函数的种类，每个睡眠脑电信号X的n个点集合为X＝{x₁,x₂,x₃,…,x_n}；

3)对步骤2)得到的n个点中的每个点xⁱ(n)进行迭代分解，以数据驱动的方式生成每个点xⁱ(n)的高度局部化时频估计L个调幅和调频振荡固有模式函数

其中j＝1,2…,L，进而重构睡眠脑电信号X′；从得到固有模式函数中提取重构的睡眠脑电信号X′的统计模型的特征，进行统计分析以确定所选特征的有效性；

4)采用随机欠采样分类算法对步骤3)得到的具有统计模型特征的重构睡眠脑电信号X′历经T次迭代进行分类，在每次随机欠采样迭代过程中，修改示例权重，进而在下一次迭代中正确分类在当前迭代中被错误分类的示例，实现清醒、非快速眼动S1阶段、非快速眼动S2阶段、非快速眼动S3阶段、非快速眼动S4阶段和快速眼动REM阶段共六种睡眠阶段的自动分类；

5)将自动分类得到的睡眠阶段输出至软件交互模块，软件交互模块通过无线传输模块上传至云存储管理模块，通过蓝牙模块传输至智能移动终端。

步骤2)包括以下步骤：

2.1)构建加入低阶随机噪声的计算模型

其中wⁱ(n)为高斯白噪声的不同实现水平，i＝1,2…,I，

为未加入低阶随机噪声之前的第i次迭代得到的点的真实信号值，xⁱ(n)为加入低阶随机噪声的第i迭代得到的点的值；

2.2)对加入低阶随机噪声的第i迭代得到的点的值xⁱ(n)进行经验模式分解，找到相应的固有模式函数

其中，k＝1,2…,K为固有模式函数的种类；

2.3)计算I次重复迭代得到的加入低阶随机噪声的第i迭代得到的点的值xⁱ(n)的相对应的固有模式函数

的平均值，得到具有n个点的经验模式分解固有模式函数

步骤3)包括以下步骤：

3.1)设置点

3.2)识别并定义点

的局部极大值v_max和局部极小值v_min；

3.3)利用三次样条插值得到具有局部极大值v_max的上包络线和局部极小值v_min的下包络线；

3.4)利用上包络线和下包络线形成均值包络线mⁱ：

3.5)从点

的值中减去均值包络线m的值来计算点

的值并定位：

3.6)重复步骤3.2)-3.5)，直到点

和

之间的差值SD(q)达到预定值τ：

其中，‖.‖为欧几里得L2范数计算法则；

3.7)将

设置为第一个固有模式函数；步骤3.1)-3.7)被称为筛选；

3.8)计算第一个模式

与未加入低阶随机噪声之前的第1次迭代得到的点的真实信号值

的余数

3.9)采用余数

代替步骤3.1)中的xⁱ(n)；重复步骤3.1)–3.7)以找到其余的固有模式函数：

3.10)利用3.9)步骤得到的固有模式函数

得到重构睡眠脑电信号X′：

其中，

为步骤3)的第L次迭代的余数。

n个固有模式函数

满足两个条件：

A、极值的个数和过零点的个数必须相同或最多相差一个。

B、在任何一点上，由局部极大值定义的包络和由局部极小值定义的包络的平均值为零。

步骤3)得到的重构的睡眠脑电信号X′的统计模型的特征包括平均值为μ，方差σ²，偏度系数γ，峰度κ：

σ²表示总体值相对于平均值的离散度。另一方面，偏度系数γ是分布在其平均值周围的不对称程度的度量。对于单峰分布，如果数据更多地分布在均值的左侧而不是右侧，则γ为负。类似地，如果数据更多地分布在平均值的右侧而不是左侧，则γ为正。峰度κ描述了数据分布的峰值。峰值κ值越高，表明数据分布的峰值越高、越尖锐。相反的情况可以观察到κ的较低值。

步骤4)中采用随机欠采样分类算法对重构睡眠脑电信号X′包括以下步骤：

4.1)设置x′_a为重构睡眠脑电信号X′特征空间的第a个点，x′_a对应的一组类标签集合w中的第a个类标签为y′_a，y′_a∈Y，构建多个重构睡眠脑电信号X′的数据集S，S＝(x′_a,y′_a)，其中y′_a∈w，类标签集合w中共C类标签，w＝{w₁,w₂,…,w_C}；

4.2)将重构睡眠脑电信号X′的数据集S共迭代T次弱假设分类，t为其中的某一次迭代，设置B＝{(a,y′)：a∈1,2,…，n,y′≠y′_a}，初始化示例权重D₁(a,y′)＝1/|B|，其中(a,y′)∈B；

4.21)利用随机欠采样建立具有分布D′_t的临时训练数据集S′_t

4.22)临时训练数据集S′_t和相应的权重D′_t被传递给弱假设分类器；

4.23)弱假设分类器创建弱假设R_t(步骤2c)：

R_t：X′×Y′→[0,1]；

4.24)基于原始训练数据集S和原始权重分布D_t(a)，计算伪损耗∈_t：

4.25)计算权重更新参数α_t：

4.26)更新下一迭代t+1代的权重分布，D_t+1(i)更新算法如下：

4.27)使D_t+1(a)标准归一化，进而得到标准归一化

令

则

4.3)经过步骤4.21)-4.27)的T次弱假设分类学习后，得到T个弱假设分类的加权融合权重H(x)：

实施例2

如图2所示，为本实施例提供的采用实施例1提供的方法的睡眠脑电监测系统，包括脑电数据采集模块、主控模块、无线通讯模块、蓝牙模块、智能终端、云服务管理模块，主控模块包括硬件交互模块、信号处理与建模模块、指令交互模块。

以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在上面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

Claims (10)

1.一种睡眠脑电监测方法，其特征在于，包括以下步骤：

1)脑电采集数据模块单通道采集被监测者的多个睡眠脑电信号X，传递给与所述脑电采集数据模块通信连接的主控模块，所述主控模块的硬件交互模块接收所述脑电采集数据模块的睡眠脑电信号，并传递给信号处理与建模模块；

2)所述信号处理与建模模块对多个所述睡眠脑电信号X进行经验模态分解，对输入的每个所述睡眠脑电信号X中加入一个低阶随机噪声，通过经验模式分解算法对每个所述睡眠脑电信号X进行I次重复迭代分解，得到一个具有n个点的经验模式分解固有模式函数

其中，其中，k＝1,2…,K为固有模式函数的种类，每个所述睡眠脑电信号X的n个点集合为X＝{x₁,x₂,x₃,…,x_n}；

3)对所述步骤2)得到的n个点中的每个点xⁱ(n)进行迭代分解，以数据驱动的方式生成所述每个点xⁱ(n)的高度局部化时频估计L个调幅和调频振荡固有模式函数

其中j＝1,2…,L，进而重构所述睡眠脑电信号X′；从得到固有模式函数中提取重构的所述睡眠脑电信号X′的统计模型的特征，进行统计分析以确定所选特征的有效性；

4)采用随机欠采样分类算法对所述步骤3)得到的具有统计模型特征的重构睡眠脑电信号X′历经T次迭代进行分类，在每次所述随机欠采样迭代过程中，修改示例权重，进而在下一次迭代中正确分类在当前迭代中被错误分类的示例，实现清醒、非快速眼动S1阶段、非快速眼动S2阶段、非快速眼动S3阶段、非快速眼动S4阶段和快速眼动REM阶段共六种睡眠阶段的自动分类；

5)将自动分类得到的睡眠阶段输出至软件交互模块，所述软件交互模块通过无线传输模块上传至云存储管理模块，通过蓝牙模块传输至智能移动终端。

2.根据权利要求1所述的一种睡眠脑电监测方法，其特征在于，所述单通道脑电信号为Pz-Oz通道脑电信号。

3.根据权利要求1所述的一种睡眠脑电监测方法，其特征在于，步骤2)包括以下步骤：

2.1)构建加入低阶随机噪声的计算模型

其中所述wⁱ(n)为高斯白噪声的不同实现水平，所述i＝1,2…,I，所述

为未加入低阶随机噪声之前的第i次迭代得到的点的真实信号值，所述

为加入低阶随机噪声的第i迭代得到的点的值；

2.2)对所述加入低阶随机噪声的第i迭代得到的点的值xⁱ(n)进行经验模式分解，找到相应的固有模式函数

其中，k＝1,2…,K为固有模式函数的种类；

2.3)计算I次重复迭代得到的所述加入低阶随机噪声的第i迭代得到的点的值xⁱ(n)的相对应的固有模式函数

的平均值，得到具有n个点的经验模式分解固有模式函数

4.根据权利要求1所述的一种睡眠脑电监测方法，其特征在于，所述步骤3)包括以下步骤：

3.1)设置点

3.2)识别并定义所述点

的局部极大值v_max和局部极小值v_min；

3.3)利用三次样条插值得到具有局部极大值v_max的上包络线和局部极小值v_min的下包络线；

3.4)利用所述上包络线和所述下包络线形成均值包络线mⁱ：

3.5)从所述点

的值中减去均值包络线m的值来计算点

的值并定位：

3.6)重复所述步骤3.2)-3.5)，直到点

和

之间的差值SD(q)达到预定值τ：

其中，所述‖.‖为欧几里得L2范数计算法则；

3.7)将

设置为第一个固有模式函数；步骤3.1)-3.7)被称为筛选；

3.8)计算所述第一个模式

与未加入低阶随机噪声之前的第1次迭代得到的点的真实信号值

的余数

3.9)采用所述余数

代替所述步骤3.1)中的xⁱ(n)；重复所述步骤3.1)–3.7)以找到其余的固有模式函数：

3.10)利用所述3.9)步骤得到的固有模式函数

得到重构睡眠脑电信号X′：

其中，所述

为所述步骤3)的第L次迭代的余数。

5.根据权利要求1所述的一种睡眠脑电监测方法，其特征在于，所述步骤3)得到的所述重构的睡眠脑电信号X′的统计模型的特征包括平均值为μ，方差σ²，偏度系数γ，峰度κ：

6.根据权利要求1所述的一种睡眠脑电监测方法，其特征在于，所述步骤4)中采用随机欠采样分类算法对所述重构睡眠脑电信号X′包括以下步骤：

4.1)设置x′_a为所述重构睡眠脑电信号X′特征空间的第a个点，所述x′_a对应的一组类标签集合w中的第a个类标签为y′_a，所述y′_a∈Y，构建多个所述重构睡眠脑电信号X′的数据集S，S＝(x′_a,y′_a)，其中所述y′_a∈w，所述类标签集合w中共C类标签，w＝{w₁,w₂,…,w_C}；

4.2)将所述重构睡眠脑电信号X′的数据集S共迭代T次弱假设分类，t为其中的某一次迭代，设置B＝{(a,y′)：a∈1,2,…，n,y′≠y′_a}，初始化示例权重D₁(a,y′)＝1/|B|，其中所述(a,y′)∈B；

4.3)经过所述步骤4.2)的T次弱假设分类学习后，得到T个弱假设分类的加权融合权重H(x)。

7.根据权利要求6所述的一种睡眠脑电监测方法，其特征在于，所述步骤4.2)中的每次迭代包括以下步骤：

4.21)利用随机欠采样建立具有分布D′_t的临时训练数据集S′_t

4.22)所述临时训练数据集S′_t和相应的权重D′_t被传递给弱假设分类器；

4.23)所述弱假设分类器创建弱假设R_t(步骤2c)：

R_t：X′×Y′→[0,1]；

4.24)基于原始训练数据集S和原始权重分布D_t(a)，计算伪损耗∈_t：

4.25)计算权重更新参数α_t：

4.26)更新下一迭代t+1代的权重分布，所述D_t+1(i)更新算法如下：

4.27)使所述D_t+1(a)标准归一化，进而得到标准归一化

令

则

8.根据权利要求6所述的一种睡眠脑电监测方法，其特征在于，所述4.3)步骤得到的T个弱假设分类的加权融合权重H(x)计算公式如下：

9.采用权利要求1-8任一所述方法的睡眠脑电监测系统，其特征在于，包括脑电数据采集模块、主控模块、无线通讯模块、蓝牙模块、智能终端、云服务管理模块。

10.根据权利要求9所述的睡眠脑电监测系统，其特征在于，主控模块包括硬件交互模块、信号处理与建模模块、指令交互模块。

Images