CN113116307A - 一种睡眠分期方法、计算机可读存储介质及程序产品 - Google Patents
一种睡眠分期方法、计算机可读存储介质及程序产品 Download PDFInfo
- Publication number
- CN113116307A CN113116307A CN202110455834.1A CN202110455834A CN113116307A CN 113116307 A CN113116307 A CN 113116307A CN 202110455834 A CN202110455834 A CN 202110455834A CN 113116307 A CN113116307 A CN 113116307A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- electroencephalogram signal
- sleep
- electroencephalogram
- classifier
- 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.)
- Pending
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种睡眠分期方法、计算机可读存储介质及程序产品,方法包括:采集用户睡眠状态下的脑电信号后,基于预设特征对脑电信号进行特征提取,得到脑电信号特征,形成针对睡眠分期场景的预设特征集,根据上述预设特征集采用分类器准确进行睡眠分期,确定用户的睡眠分期。采用特定的特征对脑电信号进行特征提取,根据脑电信号特征采用分类器准确进行睡眠分期,有高精确度的信号识别分类能力,解决了难以界定周期边界的问题,同时为提高可靠性,传感器采集到的脑电信号样本通常远大于脑电信号特征的数据量,根据脑电信号特征进行睡眠分期减少了运算数据量,提升运算效率。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种睡眠分期方法、计算机可读存储介质及程序产品。
背景技术
在人类的一生中大约有三分之一的时间要在睡眠中度过,作为生命所必须的过程,睡眠是一种使自身机体丧失意识以减少对外部刺激所做出反应的生理机制,因其有助于人体的自我康复、疲劳解除,这使其与适当的运动和均衡的饮食一起被国际社会公认为三大健康标准。伴随着全球化及城市化进程的日益加快,睡眠类疾病在都市人群中的发病率逐年攀升。世界卫生组织的相关调查表明,全球大概有30%的人饱受睡眠相关疾病的困扰,而该类疾病的发病率在中国更是高达43%,也带来了以睡眠疾病为代表的附生性城市病,例如失眠、抑郁、神经衰弱等。
睡眠时,由于大脑对外界刺激的反应减少,一些在清醒状态下不容易被发觉的潜在疾病,特别是大脑疾病,在睡眠时就会显露出来,而且在不同睡眠阶段显露的程度会有所不同。因此,通过对睡眠脑电进行一系列处理以发现与睡眠相关的病理现象,可对这类疾病的预防与治疗提供参考与借鉴。
在睡眠过程中,人类的大脑并非处于绝对静止状态或完全休眠状态,而是呈现出一系列自我主动式调节和周期性变化。其中,这种自我主动式调节表现为神经功能器官随着睡眠深度的变化而表现出一定程度上的周期性变化,例如眼球的运动、肌肉张力的变化等,其整个睡眠过程将持续4~6个睡眠周期,各个周期相互连接,周而复始,但很难将每个周期的边界明确画出,期间往往存在重叠现象。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种睡眠分期方法、计算机可读存储介质及程序产品,旨在采用特定的特征对脑电信号进行特征提取,形成针对睡眠分期场景的预设特征集,根据上述预设特征集采用分类器准确进行睡眠分期,有高精确度的信号识别分类能力,同时减少数据量,提升运算速度。
本发明的技术方案如下:
采集用户睡眠状态下的脑电信号;
基于预设特征对所述脑电信号进行特征提取,得到脑电信号特征,所述预设特征至少包括统计学特征、时域特征、时频域特征和空间域特征中的一种;
将所述脑电信号特征通过分类器进行分类识别,确定所述用户的睡眠分期。
可选的,所述统计学特征至少包括:均值特征、方差特征、标准差特征、中位数特征、峰度特征、偏度特征、最大值特征、最小值特征、过零率特征中的一种;
所述时域特征至少包括:一阶差分特征、二阶差分特征、Hjorth参数特征、分形维数特征、不稳定指数特征、高阶过零分析特征、频段能量特征中的一种;
所述时频域特征包括:功率谱密度特征和/或熵特征;
所述熵特征至少包括样本熵特征、微分熵特征、排列熵特征、频谱熵特征、近似熵特征、模糊熵特征中的一种;
所述空间域特征可以为不对称空间域特征,所述不对称空间域特征包括:不对称差特征和/或不对称系数特征;
所述不对称差特征至少包括左右位置不对称差特征、左右位置不对称商特征、前后位置不对称商特征中的一种。
可选的,所述统计学特征至少包括偏度T6、峰度T7、δ波能量F2、β波能量F5、γ波能量F6、高δ波能量占比F8、θ波能量占比F9、γ波能量占比F12、α波能量与高δ波和θ波能量之和的比值F19、β波能量占七频段能量比重F22、不稳定指数N2中的一种。
可选的,所述采集用户睡眠状态下的脑电信号后,所述基于预设特征对所述原始脑电信号进行特征提取,得到脑电信号特征之前,所述方法还包括:
去除所述脑电信号的直流分量。
可选的,所述采集用户睡眠状态下的脑电信号后,所述基于预设特征对所述原始脑电信号进行特征提取,得到脑电信号特征之前,所述方法还包括:
对所述脑电信号按频率划分为多个频段;
对所述多个频段的所述脑电信号分别进行滤波。
可选的,所述对所述多个频段的脑电信号分别进行滤波包括:
对所述多个频段的脑电信号分别进行带通滤波。
可选的,所述分类识别的分类指标包括:精确度precision、召回率recall、 F1分数f1-score和/或准确率accurary。
可选的,所述分类指标的计算方式包括:
precision=TP/(TP+FP);
recall=TP/(TP+FN);
f1-score=TP/[TP+(FN+FP)/2];
accurary=(TP+TN)/(TP+FP+TN+FN);
所述TP为真正类的数量,所述FP为假正类的数量,所述TN为真负类的数量,所述FN为假负类的数量。
可选的,所述分类器至少包括支持向量机、BP神经网络分类器、决策树分类器和随机森林分类器中的一种。
可选的,所述方法还包括:
选取分类精确度最高的分类器,生成脑电信号解码器。
本申请实审例提供一种数据处理设备,包括:
采集单元,用于采集用户睡眠状态下的脑电信号;
特征提取单元,用于基于预设特征对所述脑电信号进行特征提取,得到脑电信号特征,所述预设特征至少包括统计学特征、时域特征、时频域特征和空间域特征中的一种;
确定单元,用于将所述脑电信号特征通过分类器进行分类识别,确定所述用户的睡眠分期。
可选的,所述统计学特征至少包括:均值特征、方差特征、标准差特征、中位数特征、峰度特征、偏度特征、最大值特征、最小值特征、过零率特征中的一种;
所述时域特征至少包括:一阶差分特征、二阶差分特征、Hjorth参数特征、分形维数特征、不稳定指数特征、高阶过零分析特征、频段能量特征中的一种;
所述时频域特征包括:功率谱密度特征和/或熵特征;
所述熵特征至少包括样本熵特征、微分熵特征、排列熵特征、频谱熵特征、近似熵特征、模糊熵特征中的一种;
所述空间域特征可以为不对称空间域特征,所述不对称空间域特征包括:不对称差特征和/或不对称系数特征;
所述不对称差特征至少包括左右位置不对称差特征、左右位置不对称商特征、前后位置不对称商特征中的一种。
可选的,所述数据处理设备还包括:
去除单元,用于去除所述脑电信号的直流分量;
可选的,所述数据处理设备还包括:
划分单元,用于对所述脑电信号按频率划分为多个频段;
滤波单元,用于对所述多个频段的所述脑电信号分别进行滤波。
可选的,所述滤波单元具体用于,对所述多个频段的脑电信号分别进行带通滤波。
可选的,所述分类识别的分类指标包括:精确度precision、召回率recall、 F1分数f1-score和/或准确率accurary。
可选的,所述分类指标的计算方式包括:
precision=TP/(TP+FP);
recall=TP/(TP+FN);
f1-score=TP/[TP+(FN+FP)/2];
accurary=(TP+TN)/(TP+FP+TN+FN);
所述TP为真正类的数量,所述FP为假正类的数量,所述TN为真负类的数量,所述FN为假负类的数量。
可选的,所述分类器至少包括支持向量机、BP神经网络分类器、决策树分类器和随机森林分类器中的一种。
可选的,所述数据处理设备还包括:
生成单元,用于选取分类精确度最高的分类器,生成脑电信号解码器。
本发明的另一实施例还提供了一种非易失性计算机可读存储介质,其特征在于,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行上述睡眠分期方法。
本发明的另一实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被处理器执行时,使所述处理器执行上述睡眠分期方法。
有益效果:本发明提供一种睡眠分期方法、计算机可读存储介质及程序产品,旨在采用特定的特征对脑电信号进行特征提取,形成针对睡眠分期场景的预设特征集,根据上述预设特征集采用分类器准确进行睡眠分期,有高精确度的信号识别分类能力,解决了难以界定周期边界的问题,同时为提高可靠性,传感器采集到的脑电信号样本通常远大于脑电信号特征的数据量,根据脑电信号特征进行睡眠分期减少了运算数据量,提升运算效率。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明提供的一种睡眠分期方法流程图;
图2为本发明提供的一种脑电信号解码装置;
图3为本发明提供的一种基于单通道脑电信号的睡眠分期装置;
图4为本发明提供的一种数据处理设备的结构图示意图。
具体实施方式
本申请实施例提供了一种睡眠分期方法、计算机可读存储介质及程序产品,旨在准确进行睡眠分期。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。在本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如, A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项 (个),可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a、b 和c可以是单个,也可以是多个。值得注意的是,“至少一项(个)”还可以解释成“一项(个)或多项(个)”。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请实施例中出现的第一、第二等描述,仅作示意与区分描述对象之用,没有次序之分,也不表示本申请实施例中对设备个数的特别限定,不能构成对本申请实施例的任何限制。
在睡眠过程中,人类的大脑并非处于绝对静止状态或完全休眠状态,而是呈现出一系列自我主动式调节和周期性变化。其中,这种自我主动式调节表现为神经功能器官随着睡眠深度的变化而表现出一定程度上的周期性变化,例如眼球的运动、肌肉张力的变化等,其整个睡眠过程将持续4~6个睡眠周期,各个周期相互连接,周而复始,但很难将每个周期的边界明确画出,期间往往存在重叠现象。
参阅图1,基于上述技术的不足本申请实施例提供一种睡眠分期方法,包括:
S101、采集用户睡眠状态下的脑电信号;
睡眠状态的质量分析,主要是由睡眠分期而来,由特定的特征脑波及其比例,可以将睡眠分为三大周期:W(清醒期)、NREM(非快速动眼期)、REM(快速动眼期),其中NREM(非快速动眼期)又分成三个阶段N1、N2、N3。以上周期的顺序性如下:W>N1>N2>N3>REM,正常睡眠周期从W开始后,便由 N1>N2>N3>REM为周期转换,直至人即将清醒时刻,则最后周期REM之后,便为W期。睡眠分期,可于临床上提供精确的睡眠障碍确诊方向,并协助临床上给予精确的诊断与治疗,正确采集用户睡眠状态下的脑电信号是睡眠分期的基础。
S102、去除脑电信号的直流分量;
将采集到的脑电信号,去除直流分量,用以解决波形偏移问题。
步骤S102的处理方式,是对采集到的的脑电信号在时域的角度上进行的数据处理,时域信号即按照时间记录展开的信号波形图,反映了信号幅值随时间变化的特征。时域类特征反应脑电波形总体状态,用于异常检测,趋势预报。各种特征指标一般不能孤立地分析,需要相互印证,同时还要与历史数据进行比较,根据趋势曲线做出判别。
S103、对脑电信号按频率划分为多个频段;
可选的,将脑电信号按频率划分为8个频段,包括:low-delta波(0.5至 2赫兹)、high-delta波(2至4赫兹)、Theta波(4至8赫兹)、Alpha波(8 至13赫兹)、low-beta波(13至20赫兹)、high-beta波(20至30赫兹)、low-gamma(30至40赫兹)、high-gamma(40至45赫兹)。可以理解的是,将脑电信号划分为8个频段仅为本实施例一个可行的方式,根据实际应用可以将脑电信号划分为其他个数的频段,如7个,分别为low-delta波(0.5至2赫兹)、high-delta波(2至4赫兹)、Theta波(4至8赫兹)、Alpha波(8至 13赫兹)、low-beta波(13至20赫兹)、high-beta波(20至30赫兹)、gamma (30至45赫兹)。
可选的,以上述将脑电信号按频率划分为8个频段为例,可以建立:
频段上界矩阵:fsup=[45,2,4,8,13,20,30,40,45];
频率下界矩阵finf=[0.5,0.5,2,4,8,13,20,30,40];
通过频段上界矩阵和频率下界矩阵存储划分各频段。
S104、对多个频段的脑电信号分别进行滤波;
按照频率记录的波形图,通常以波形的疏密程度表达,往往混杂了诸如眼电信号的伪迹干扰,为了尽量减少脑电信号中的伪迹成分,还需要对信号进行 0.5-45赫兹(Hz)的带通滤波以去除无用信号。
可以理解的是带通滤波仅为可实现的一种滤波方式,在实际运行中还可以采用其他可行的滤波方式,如低通滤波或高通滤波等,具体此处不做限定。
可以理解的是步骤S102至步骤S104为对采集到的脑电信号进行修正的过程,可以理解的是,根据实际情况可以不执行步骤S102至步骤S104,或不执行其中的部分步骤,如当脑电信号的采集准确度较高,伪迹较少时,可以不执行步骤S104。
S105、基于预设特征对所述脑电信号进行特征提取,得到脑电信号特征;
该脑电信号特征可以为,根据脑电信号进行特征提取形成的针对睡眠分期场景的预设特征集。
预设特征至少包括统计学特征、时域特征、时频域特征和空间域特征中的一种。
可选的,统计学特征包括:均值、方差、标准差、中位数、峰度、偏度、最大值、最小值和/或过零率;时域特征包括:一阶差分、二阶差分、Hjorth 参数、分形维数、不稳定指数、高阶过零分析和/或频段能量;时频域特征包括:功率谱密度、样本熵、微分熵、排列熵、频谱熵、近似熵和/或模糊熵;空间域特征包括:左右位置不对称差、左右位置不对称商、不对称系数和/或前后位置不对称商。
下面举例对上述预设特征进行介绍,如T6、T7、F2、F5、F6、F8、F9、 F12、F19、F22、N2,其中,T表述时域特征、F表述频域特征、N表述非线性特征,各特征详细说明如下。
该特征反映信号的非对称性,是不对称性的衡量。正态分布的偏度为0,表示完美对称;偏度>0表示其数据分布形态与正态分布相比为正偏或右偏,即有一条长尾巴拖在右边,数据右端有较多的极端值,数据均值右侧的离散程度强;偏度<0表示其数据分布形态与正态分布相比为负偏或左偏,即有一条长尾拖在左边,数据左端有较多的极端值,数据均值左侧的离散程度强。偏度的绝对值数值越大表示其分布形态的偏斜程度越大。如果某一方向存在摩擦或碰撞,造成振动波性的不对称,偏度指标增大。
该特征衡量数据分布相对于正态分布是否更尖或平坦,峰度指标反应信号中的冲动行为,对信号中的冲击特征很敏感,正常值在0左右,如果接近1 或超过1,则说明脑波信号存在冲击性振动,一般情况下是间隙过大、滑动副表面存在破碎等原因。
峰度=0表示该总体数据分布与正态分布的陡缓程度相同;峰度>0表示该总体数据分布与正态分布相比较为陡峭,为尖顶峰;峰度<0表示该总体数据分布与正态分布相比较为平坦,为平顶峰。峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大。
其中,E2代表低δ波,E3代表高δ波,F(n)为信号X(n)作N点快速傅里叶变换后的结果。
其中E6代表低β波,E7代表高β波。
F22:β波能量占七频段能量比重(E6+E7)/E9, E9=E2+E3+E4+E5+E6+E7+E8。
N2:不稳定指数(non-stationary index,NSI)用于衡量局部平均值随时间的变化。将信号分成m段并计算各段的均值,NSI定义为这m个平均值的标准差,NSI越大表示局部平均值振荡越大。当m=[0.15*N]时最能反映出 NSI的稳定值。
令n=mq+r,q为正整数,0≤r<m,则可以将X(n)划分成如下的m 段。
若r=0:
Xk={Xq(k-1)+1,…,Xqk},k=1,…,m。
若r>0:
Xk={X(q+1)(k-1)+1,…,X(q+1)k},k=1,…,r;
Xk={X(q+1)r+q(k-r-1)+1,…,Xqk+r},k=r+1,…,m。
S106、将脑电信号特征通过分类器进行分类识别,确定用户的睡眠分期。
分类识别的分类指标包括:精确度(precision)、召回率(recall)、F1 分数(f1-score)和/或准确率(accurary)。
各分类指标的计算方式包括:
precision=TP/(TP+FP);
recall=TP/(TP+FN);
f1-score=TP/[TP+(FN+FP)/2];
accurary=(TP+TN)/(TP+FP+TN+FN);
其中TP是真正类的数量,FP是假正类的数量,TN是真负类的数量,FN 是假负类的数量。
以随机森林分类器为例,通过将实验获得的脑电信号(可以包括8000个以上的样本)借助上述睡眠分期方法计算,可以得出如下吻合度图表,参阅表 1。
表1
通过采用上述睡眠分期方法,自动睡眠分期模型的最高精确率为83.56%,其中随机森林模型对W期、N3期的识别率达到90%以上,N2期的识别率达到80%以上,因此,通过机器学习算法可以实现较为准确的睡眠分期。并且,使用特定特征集得到的结果与使用全部特征做睡眠分期的结果吻合度高达 98.77%,显而易见的,采用本睡眠分期方法,减少了数据量,提升了运算速度,提高了算法的移植性。
现阶段临床上睡眠分期广泛使用的设备为双信道技术为导向的多导睡眠图(Polysomnography,PSG),PSG的睡眠分期是以美国睡眠医学学会(American Academy ofSleep Medicine)的睡眠分期标准进行定标,然而,虽然多导睡眠图的生理信号检测准确性具有相当的指标性,但多导睡眠图设备的体积庞大、配戴与检测过程导联机繁杂,对于配戴者与被戴者极为不便,并于生理信号检测部分,易诱发多种生理伪迹干扰其生理数值。
为应用层面考虑,便携式脑电采集设备为脑电信号采集设备未来的一个重要趋势,达到便携式设备最大的突破点在于信号无线传输与简化采集点,当采用特征提取方法从脑电信号中提取出可以完美表征睡眠阶段变化规律的特征参数后,就需要使用合适的分类算法来对提取到的特征参数集合进行处理,从而实现睡眠分期的目的。目标就在于提高数据集的总体分类准确率,也就是寻求分类后同类间数据差异度最小而不同类间数据差异度最大。
结合图1所示方法,本申请实施例还提供一种脑电信号解码器,横向比对分类器识别结果,获取各分类器精确度,选取分类精确度较佳的分类器(如随机森林分类器),结合反映特定应用场景(睡眠分期)的脑电信号特征集(如编号为T6、T7、F2、F5、F6、F8、F9、F12、F19、F22、N2的特征),形成反映特定应用场景的脑电信号解码器。还解码器可通过指令集的方式存放在存储介质中,供处理器调用操作。
由此得到一套完整的脑电信号解码器,可以针对某一种特定应用场景使用该解码器对采集得到的脑电信号进行解码,进而获取脑电信号中所蕴含的信息内容。
本实施例提供一种脑电信号解码装置200,参阅图2,包括至少一个处理器201以及至少一个存储器202。在一些实施例中,所述电子设备可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统,并可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、光盘的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的电子设备不仅可以有诸如超大规模集成电路或门阵列、逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
本申请实施例提出一种基于单通道脑电的睡眠分期方法。选用Sleep-EDFDatabase数据集中,Fpz-Cz通道的信号作为原始信号,通过提取时域、频域、非线性三方面的特征以及特征选择,并以支持向量机理论、神经网络理论、决策树理论、随机森林理论的4种模型验证。通过实验,随机森林模型的睡眠分期结果相较于其他三个模型的结果更好,其中W期的识别率最高,可达到 92.13%,N1期的识别率最低,为73.46%,平均准确率为83.56%。使用筛选后的特征进行睡眠分期,结果与使用全部特征的睡眠分期结果吻合度为94.85%,由此可知用特征筛选可提高运算速度,进而证实单通道脑电技术为一可用性的脑电监测技术。
本发明还公开了一种基于单通道脑电信号的睡眠分期装置300,包括采集模块301和处理模块302,其中,采集模块为单通道脑电采集装置,包括至少两个采集电极和一个参考电极,通过计算两个采集电极之间的电位差而形成一个通道的脑电信号。业界已有较多类似产品,在此不做详述。处理模块包括至少一个处理器3021以及至少一个存储器3022。在一些实施例中,所述电子设备可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统,并可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、光盘的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的电子设备不仅可以有诸如超大规模集成电路或门阵列、逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
参阅图4,本申请实施例提供了一种数据处理设备,包括:
采集单元401,用于采集用户睡眠状态下的脑电信号;
去除单元402,用于去除脑电信号的直流分量;
划分单元403,用于对脑电信号按频率划分为多个频段;
滤波单元404,用于对多个频段的脑电信号分别进行滤波,具体用于对多个频段的脑电信号分别进行带通滤波;
特征提取单元405,用于基于预设特征对脑电信号进行特征提取,得到脑电信号特征,预设特征至少包括统计学特征、时域特征、时频域特征和空间域特征中的一种;
确定单元406,用于将脑电信号特征通过分类器进行分类识别,确定用户的睡眠分期。
生成单元407,用于选取分类精确度最高的分类器,生成脑电信号解码器。
各单元执行前述任一实施例所示的部分方法,具体此处不再赘述。
本发明实施例提供了一种非易失性计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如,执行以上描述的图1中的方法和步骤。
作为示例,非易失性存储介质能够包括只读存储器(ROM)、可编程ROM (PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器 (RAM)。通过说明丽非限制,RAM可以以诸如同步RAM(SRAM)、动态 RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus (兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
本发明的另一种实施例提供了一种计算机程序产品,计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被处理器执行时,使所述处理器执行上述方法实施例的一种睡眠分期方法。例如,执行以上描述的图1中的方法和步骤。
通过以上的实施例的描述,本领域的技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存在于计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机电子设备(可以是个人计算机,服务器,或者网络电子设备等)执行各个实施例或者实施例的某些部分的方法。
已经在本文中在本说明书和附图中描述的内容包括能够提供睡眠分期方法,以及相关设备的示例。当然,不能够出于描述本公开的各种特征的目的来描述元件和/或方法的每个可以想象的组合,但是可以认识到,所公开的特征的许多另外的组合和置换是可能的。因此,显而易见的是,在不脱离本公开的范围或精神的情况下能够对本公开做出各种修改。此外,或在替代方案中,本公开的其他实施例从对本说明书和附图的考虑以及如本文中所呈现的本公开的实践中可能是显而易见的。意图是,本说明书和附图中所提出的示例在所有方面被认为是说明性的而非限制性的。尽管在本文中采用了特定术语,但是它们在通用和描述性意义上被使用并且不用于限制的目的。
Claims (10)
1.一种睡眠分期方法,其特征在于,包括:
采集用户睡眠状态下的脑电信号;
基于预设特征对所述脑电信号进行特征提取,得到脑电信号特征,所述预设特征至少包括统计学特征、时域特征、时频域特征和空间域特征中的一种;
将所述脑电信号特征通过分类器进行分类识别,确定所述用户的睡眠分期。
2.根据权利要求1所述的睡眠分期方法,其特征在于,所述统计学特征至少包括:均值特征、方差特征、标准差特征、中位数特征、峰度特征、偏度特征、最大值特征、最小值特征、过零率特征中的一种;
所述时域特征至少包括:一阶差分特征、二阶差分特征、Hjorth参数特征、分形维数特征、不稳定指数特征、高阶过零分析特征、频段能量特征中的一种;
所述时频域特征包括:功率谱密度特征和/或熵特征;
所述熵特征至少包括样本熵特征、微分熵特征、排列熵特征、频谱熵特征、近似熵特征、模糊熵特征中的一种;
所述空间域特征可以为不对称空间域特征,所述不对称空间域特征包括:不对称差特征和/或不对称系数特征;
所述不对称差特征至少包括左右位置不对称差特征、左右位置不对称商特征、前后位置不对称商特征中的一种。
3.根据权利根据权利要求1或2所述的睡眠分期方法,其特征在于,所述统计学特征至少包括偏度T6、峰度T7、δ波能量F2、β波能量F5、γ波能量F6、高δ波能量占比F8、θ波能量占比F9、γ波能量占比F12、α波能量与高δ波和θ波能量之和的比值F19、β波能量占七频段能量比重F22、不稳定指数N2中的一种。
4.根据权利要求1至3中任一项所述的睡眠分期方法,其特征在于,所述采集用户睡眠状态下的脑电信号后,所述基于预设特征对所述原始脑电信号进行特征提取,得到脑电信号特征之前,所述方法还包括:
去除所述脑电信号的直流分量。
5.根据权利要求1至4中任一项所述的睡眠分期方法,其特征在于,所述采集用户睡眠状态下的脑电信号后,所述基于预设特征对所述原始脑电信号进行特征提取,得到脑电信号特征之前,所述方法还包括:
对所述脑电信号按频率划分为多个频段;
对所述多个频段的所述脑电信号分别进行滤波。
6.根据权利要求1至5中任一项所述的睡眠分期方法,其特征在于,所述分类识别的分类指标包括:精确度precision、召回率recall、F1分数f1-score和/或准确率accurary。
7.根据权利要求1至6中任一项所述的睡眠分期方法,其特征在于,所述分类器至少包括支持向量机、BP神经网络分类器、决策树分类器和随机森林分类器中的一种。
8.根据权利要求7所述的睡眠分期方法,其特征在于,所述方法还包括:
选取分类精确度最高的分类器,生成脑电信号解码器。
9.一种非易失性计算机可读存储介质,其特征在于,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行权利要求1至8中任一项所述的方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被处理器执行时,使所述处理器执行权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110455834.1A CN113116307A (zh) | 2021-04-26 | 2021-04-26 | 一种睡眠分期方法、计算机可读存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110455834.1A CN113116307A (zh) | 2021-04-26 | 2021-04-26 | 一种睡眠分期方法、计算机可读存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113116307A true CN113116307A (zh) | 2021-07-16 |
Family
ID=76780165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110455834.1A Pending CN113116307A (zh) | 2021-04-26 | 2021-04-26 | 一种睡眠分期方法、计算机可读存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113116307A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106473705A (zh) * | 2016-09-21 | 2017-03-08 | 广州视源电子科技股份有限公司 | 用于睡眠状态监测的脑电信号处理方法和系统 |
CN106725462A (zh) * | 2017-01-12 | 2017-05-31 | 兰州大学 | 基于脑电信号的声光睡眠干预系统和方法 |
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 |
CN109602417A (zh) * | 2018-11-23 | 2019-04-12 | 杭州妞诺科技有限公司 | 基于随机森林的睡眠分期方法及系统 |
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 |
CN110897639A (zh) * | 2020-01-02 | 2020-03-24 | 清华大学深圳国际研究生院 | 一种基于深度卷积神经网络的脑电睡眠分期方法 |
CN111202517A (zh) * | 2020-02-03 | 2020-05-29 | 山东师范大学 | 一种睡眠自动分期方法、系统、介质及电子设备 |
AU2020102907A4 (en) * | 2020-10-21 | 2020-12-17 | Ahamad, Danish MR | Novel automated machine learning algorithms based system for sleep staging features analysis |
-
2021
- 2021-04-26 CN CN202110455834.1A patent/CN113116307A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106473705A (zh) * | 2016-09-21 | 2017-03-08 | 广州视源电子科技股份有限公司 | 用于睡眠状态监测的脑电信号处理方法和系统 |
CN106725462A (zh) * | 2017-01-12 | 2017-05-31 | 兰州大学 | 基于脑电信号的声光睡眠干预系统和方法 |
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 |
CN109602417A (zh) * | 2018-11-23 | 2019-04-12 | 杭州妞诺科技有限公司 | 基于随机森林的睡眠分期方法及系统 |
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 |
CN110897639A (zh) * | 2020-01-02 | 2020-03-24 | 清华大学深圳国际研究生院 | 一种基于深度卷积神经网络的脑电睡眠分期方法 |
CN111202517A (zh) * | 2020-02-03 | 2020-05-29 | 山东师范大学 | 一种睡眠自动分期方法、系统、介质及电子设备 |
AU2020102907A4 (en) * | 2020-10-21 | 2020-12-17 | Ahamad, Danish MR | Novel automated machine learning algorithms based system for sleep staging features analysis |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8862581B2 (en) | Method and system for concentration detection | |
CN110853605B (zh) | 音乐生成方法、装置及电子设备 | |
AU2019246815B2 (en) | Systems and methods for diagnosing sleep | |
US20120108997A1 (en) | Device and method for generating a representation of a subject's attention level | |
CN106108894A (zh) | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 | |
Lachner-Piza et al. | A single channel sleep-spindle detector based on multivariate classification of EEG epochs: MUSSDET | |
Aljalal et al. | Detection of Parkinson’s disease from EEG signals using discrete wavelet transform, different entropy measures, and machine learning techniques | |
CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
CN105147252A (zh) | 心脏疾病识别及评估方法 | |
Chaibi et al. | A comparaison of methods for detection of high frequency oscillations (HFOs) in human intacerberal EEG recordings | |
CN111920420A (zh) | 一种基于统计学习的患者行为多模态分析与预测系统 | |
CN113520343A (zh) | 睡眠风险预测方法、装置和终端设备 | |
Kempfner et al. | Early automatic detection of Parkinson's disease based on sleep recordings | |
KR101524918B1 (ko) | 생체 신호를 이용한 감정 인식 방법 및 그 장치 | |
Ghaderyan et al. | A novel cepstral-based technique for automatic cognitive load estimation | |
Pazhanirajan et al. | EEG signal classification using linear predictive cepstral coefficient features | |
Zhang et al. | High-speed image analysis reveals chaotic vibratory behaviors of pathological vocal folds | |
TWI487503B (zh) | 自動睡眠分期裝置 | |
CN114746005A (zh) | 用于指定rem和唤醒状态的系统和方法 | |
CN112438741A (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
CN113116307A (zh) | 一种睡眠分期方法、计算机可读存储介质及程序产品 | |
JP5189893B2 (ja) | 瞬目種別識別装置、瞬目種別識別方法、及び瞬目種別識別プログラム | |
US20190076078A1 (en) | Systems and methods for tremor detection and quantification | |
Bisht et al. | Detection of muscle artifact epochs using entropy based M-DDTW technique in EEG signals | |
RU2751137C1 (ru) | Способ определения фазы сна в длительной записи ээг |
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 |