CN113180704A - 一种基于eeg脑波的睡眠纺锤波检测方法、系统 - Google Patents

Abstract

本发明公开了一种基于EEG脑波的睡眠纺锤波检测方法及系统，该方法包括EEG信号采集设备采集用户的脑电信号，对脑电信号进行预处理后传输到数据分析系统；数据分析系统对脑电信号进行特征提取，并传输至判断识别系统；判断识别系统利用提取的特征，通过算法计算得到纺锤波的检测结果。该方法实现对睡眠纺锤波检测的智能化，提高了检测准确率，降低检测时间，拓宽了检测的应用场景。

Description

一种基于EEG脑波的睡眠纺锤波检测方法、系统

技术领域

本发明涉及EEG信号识别技术领域，特别是涉及一种基于EEG脑波的睡眠纺锤波检测方法、系统。

背景技术

目前市场上和临床上尚不存在智能化分析脑电信号以判断睡眠纺锤波的自动化设备和方法。当前检测是通过让被试者佩戴体积较大、操作繁琐的脑电采集设备来获取脑电生理信号，并辅以图像检测算法，进行纺锤波检测，这种方法操作繁琐，效率低下，且误差也较大，同时由于设备体积较大，使得应用场景受到限制。

因此，如何提升识别准确率是亟待解决的问题。

发明内容

本发明的目的是提供一种基于EEG脑波的睡眠纺锤波检测方法、系统，以实现智能化分析脑电信号从而判断睡眠纺锤波状态，提高识别准确率，降低识别时间。

为解决上述技术问题，本发明提供一种基于EEG脑波的睡眠纺锤波检测方法，包括：

EEG信号采集设备采集用户的脑电信号，对脑电信号进行预处理后传输到数据分析系统；

数据分析系统对脑电信号进行特征提取，并传输至判断识别系统；

判断识别系统利用提取的特征，通过算法计算得到纺锤波的检测结果。

优选的，所述EEG信号采集设备采集的脑电信号是用户在睡眠状态下的脑电信号。

优选的，数据分析系统采用快速傅里叶变换FFT算法对脑电信号进行特征提取，将时域脑电信号转换到频域脑电信号，计算出各个频带能量值，得到脑电信号的频域能量分布状况，获取纺锤波频域能量特征。

优选的，采用滑窗处理的方法将时域脑电信号转换到频域脑电信号。

优选的，所述判断识别系统采用的算法为KNN机器学习方法，根据提取的纺锤波频域能量特征对脑电信号中的纺锤波进行检测，判断脑电信号中是否存在纺锤波。

本发明还提供一种基于EEG脑波的睡眠纺锤波检测系统，该系统用于实现上述方法，包括：

EEG信号采集设备，用于采集用户的脑电信号，对脑电信号进行预处理后传输到数据分析系统；

数据分析系统，用于对脑电信号进行特征提取，并传输至判断识别系统；

判断识别系统，用于利用提取的特征，通过算法计算得到纺锤波的检测结果。

本发明所提供的一种基于EEG脑波的睡眠纺锤波检测方法、系统，通过EEG信号采集设备采集用户睡眠状态下的脑电信号，提取出特征值，计算出不同频带的功率值从而通过算法模型自动实时检测睡眠纺锤波状态，实现智能化分析脑电信号从而判断睡眠纺锤波状态，提高识别准确率，降低识别时间。本发明可以提升分析的效率和准确性，且方便用户使用，拓宽检测的应用场景。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明所提供的一种基于EEG脑波的睡眠纺锤波检测方法的具体实施流程图；

图2为睡眠纺锤波示意图；

图3为本发明所提供的一种基于EEG脑波的睡眠纺锤波检测系统的结构示意图。

具体实施方式

本发明的核心是提供一种基于EEG脑波的睡眠纺锤波检测方法、系统，以实现智能化分析脑电信号从而判断睡眠纺锤波状态，提高识别准确率，降低识别时间。

为了使本技术领域的人员更好地理解本发明方案，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。

请参考图1，图1为本发明所提供的一种基于EEG脑波的睡眠纺锤波检测方法的具体实施流程图。该方法中获取脑电信号步骤中，本实施例所采用的设备优选为便携式BCI设备，所采用的电极为干电极，主要对称分布于前额叶或者额叶，电极点位左右对称分布。单通道电极具有较高的采样率，能够满足对脑电信号的精确刻画。

脑电信号是人大脑的特定放电活动，EEG脑电图是常用的分析方法。EEG具有获取方式的便捷性、信号的稳定性和较低的成本等优势。EEG信号根据频率分布可以分为delta、theta、alpha、beta和gamma频带信号。睡眠纺锤波具有时域和频域特征，通过计算时域或转换到频域，计算频谱能量，分析时频特性，统计频率特征发生快速变化时，即可判定为纺锤波。

本实施例提供的基于EEG脑波的睡眠纺锤波检测方法包括以下流程：

1.EEG信号采集设备采集用户的脑电信号，并经过预处理后将其传输到数据分析系统。

其中，所述设备采集的是用户在睡眠状态下脑电信号，信号采样率为250Hz，满足实验和数据分析要求。所述预处理包括对信号进行滤波和编码。

2.数据分析系统对脑电信号进行特征提取，并传输至判断识别系统。

其中，睡眠纺锤波以中央区、顶部优势，左右两侧基本对称并大致同步出现，有时可见调幅现象，波幅<100uV，一般不超过150uV，不持续出现，两侧大致对称。给与声音、痛觉等刺激时，出现K综合反应或纺锤波可消失。图2为睡眠纺锤波示意图，图中三个黑色长框标出的部分为睡眠纺锤波。

生理性纺锤波的发生机制为：睡眠纺锤波在丘脑的后外侧腹核形成，通过投影系统投射到大脑皮层，由纺锤波对称性维持机构控制左右两个发生区，以保持纺锤波的对称性；另外，从其他系统内纺锤波发生区输入兴奋性刺激和抑制性刺激，其作用是维持纺锤波的均衡性和限制纺锤波的持续性，被称为纺锤波持续限制机构。因此，正常的生理性纺锤波对称性出现，需要纺锤波出现机构、对称性维持机构和持续性限制机构等三者的功能均正常。

其中，脑电信号的特征提取采用快速傅里叶变换(FFT)算法将时域脑电信号转换到频域，从而计算各个频带(delta(0-4Hz)、theta(4-8Hz)、alpha(8-12Hz)、beta(12-30Hz)和gamma(30-50Hz)能量值。根据图2所示睡眠纺锤波的图形特征，可以发现，睡眠纺锤波在时域上呈现出疏密相间的变化。将时域信号转换到频域，可以得到信号的频率变化规律。时域与频域的转换采用短时间的时间窗滑窗处理，计算信号的频域能量分布。将一段时间的时域信号做滑窗处理，如果相邻的时间窗的信号频率分布出现能量差异较大变化，则有较大的可信度判断为出现了纺锤波。根据信号的频域能量分布得到纺锤波频域能量特征。

3.判断识别系统利用提取的特征，通过算法计算得到纺锤波的检测结果。

其中，根据提取的纺锤波频域能量特征，设计了KNN机器学习方法，对脑电信号种的纺锤波进行检测。判断识别系统采用KNN机器学习方法，根据提取的纺锤波频域能量特征对脑电信号中的纺锤波进行检测，判断脑电信号中是否存在纺锤波。

可见，本方法中，通过EEG信号采集设备采集用户睡眠状态下的脑电信号，提取出特征值，计算出不同频带的功率值从而通过算法模型自动实时检测睡眠纺锤波状态，实现智能化分析脑电信号从而判断睡眠纺锤波状态，提高识别准确率，降低识别时间。本发明可以提升分析的效率和准确性，且方便用户使用，拓宽检测的应用场景。EEG信号采集设备具体为便携式BCI设备，采用人工智能算法自动化检测睡眠纺锤波，提升检测效率，拓宽应用场景。

请参考图3，图3为本发明所提供的一种基于EEG脑波的睡眠纺锤波检测系统的结构示意图，该系统用于实现上述方法，包括：

EEG信号采集设备101，用于采集用户的脑电信号，对脑电信号进行预处理后传输到数据分析系统；

数据分析系统102，用于对脑电信号进行特征提取，并传输至判断识别系统；

判断识别系统103，用于利用提取的特征，通过算法计算得到纺锤波的检测结果。

可见，本系统中，通过EEG信号采集设备采集用户睡眠状态下的脑电信号，提取出特征值，计算出不同频带的功率值从而通过算法模型自动实时检测睡眠纺锤波状态，实现智能化分析脑电信号从而判断睡眠纺锤波状态，提高识别准确率，降低识别时间。本发明可以提升分析的效率和准确性，且方便用户使用，拓宽检测的应用场景。EEG信号采集设备具体为便携式BCI设备，采用人工智能算法自动化检测睡眠纺锤波，提升检测效率，拓宽应用场景。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的对于本发明提供的基于EEG脑波的睡眠纺锤波检测系统的介绍请参照前述的基于EEG脑波的睡眠纺锤波检测方法的实施例，本发明实施例在此不再赘述。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种基于EEG脑波的睡眠纺锤波检测方法、系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种基于EEG脑波的睡眠纺锤波检测方法，其特征在于，包括：

EEG信号采集设备采集用户的脑电信号，对脑电信号进行预处理后传输到数据分析系统；

数据分析系统对脑电信号进行特征提取，并传输至判断识别系统；

判断识别系统利用提取的特征，通过算法计算得到纺锤波的检测结果。

2.如权利要求1所述的基于EEG脑波的睡眠纺锤波检测方法，其特征在于，所述EEG信号采集设备采集的脑电信号是用户在睡眠状态下的脑电信号。

3.如权利要求1所述的基于EEG脑波的睡眠纺锤波检测方法，其特征在于，数据分析系统采用快速傅里叶变换FFT算法对脑电信号进行特征提取，将时域脑电信号转换到频域脑电信号，计算出各个频带能量值，得到脑电信号的频域能量分布状况，获取纺锤波频域能量特征。

4.权利要求3所述的基于EEG脑波的睡眠纺锤波检测方法，其特征在于，采用滑窗处理的方法将时域脑电信号转换到频域脑电信号。

5.如权利要求1所述的基于EEG脑波的睡眠纺锤波检测方法，其特征在于，所述判断识别系统采用的算法为KNN机器学习方法，根据提取的纺锤波频域能量特征对脑电信号中的纺锤波进行检测，判断脑电信号中是否存在纺锤波。

6.一种基于EEG脑波的睡眠纺锤波检测系统，其特征在于，用于实现如权利要求1至5中任意一项所述的方法，包括：

EEG信号采集设备，用于采集用户的脑电信号，对脑电信号进行预处理后传输到数据分析系统；

数据分析系统，用于对脑电信号进行特征提取，并传输至判断识别系统；

判断识别系统，用于利用提取的特征，通过算法计算得到纺锤波的检测结果。

Images