CN113208623A - 一种基于卷积神经网络的睡眠分期方法、系统 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的睡眠分期方法及系统，该方法包括EEG信号采集设备采集用户整晚的睡眠EEG信号，对睡眠EEG信号进行预处理后传输到数据分析系统；数据分析系统采用卷积神经网络CNN对睡眠EEG信号进行分类，得到整晚睡眠分期结果；后处理系统对整晚睡眠分期结果的持续性和合理性进行分析。该方法可以实时获取人的睡眠分期状态，并对整晚睡眠分期持续性和合理性的分析，提升了分析的效率和准确性，且拓宽了检测的应用场景。

Description

一种基于卷积神经网络的睡眠分期方法、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卷积神经网络的睡眠分期方法、系统。

背景技术

睡眠分为4个阶段，包括NREM(N1、N2和N3)和REM睡眠阶段。在睡眠的最初阶段，人的大脑是比较清醒和警觉的。大脑会产生β波。当大脑开始放松和减慢速度时，就会产生较慢的波，即α波。NREM阶段1：第1阶段是睡眠周期的开始，是睡眠中比较轻的阶段。第1阶段可以认为是清醒和睡眠之间的过渡期。在第1阶段，大脑会产生高振幅的θ波，这是一种非常缓慢的脑波。NREM阶段2：第二阶段是睡眠的第二阶段，在第二阶段的睡眠中。人对周围环境的意识会降低，体温下降，呼吸和心率变得更有规律。大脑开始产生快速、有节奏的脑波活动，即睡眠主轴。体温开始下降，心率开始变慢。NREM阶段3：在第三阶段的睡眠中，肌肉放松，血压和呼吸频率下降，出现最深的睡眠。在第3阶段的睡眠中，被称为delta波的深层、缓慢的脑波开始出现。快速动眼期睡眠：在REM睡眠期间，大脑变得更加活跃，身体变得放松和固定，梦境发生。REM睡眠的特点是眼球运动、呼吸频率增加和大脑活动增加。REM睡眠也被称为矛盾睡眠，因为当大脑和其他身体系统变得更加活跃时，肌肉变得更加放松。由于大脑活动增加，做梦也会发生，但自愿性的肌肉却无法动弹。一般年轻人在一夜的睡眠中，NREM睡眠第一期约占5％～10％，第二期约占50％，第三期及第四期共占约20％，REM睡眠约占20％～25％。从儿童期到老年期，随着生长、发育渐至衰老，REM睡眠和NREM睡眠第三期、第四期逐渐减少，60岁以后基本上没有NREM睡眠第四期，夜间醒转的次数增加。

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分期的自动化设备和方法，而在理论研究中，都是通过提取睡眠EEG信号的时域特征、频域特征、时频特征和非线性特征，使用机器学习或者深度学习算法进行睡眠分期，缺少对整晚睡眠分期持续性和合理性分析。此外这些睡眠分期方法都是基于多通道电极分布方法来分析特征值的，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，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。

发明内容

本发明的目的是提供一种基于卷积神经网络的睡眠分期方法、系统，通过人工智能算法自动化实时检测睡眠分期，并增加对整晚睡眠分期持续性和合理性的分析。

为解决上述技术问题，本发明提供一种基于卷积神经网络的睡眠分期方法，包括：

EEG信号采集设备采集用户整晚的睡眠EEG信号，对睡眠EEG信号进行预处理后传输到数据分析系统；

数据分析系统采用卷积神经网络CNN对睡眠EEG信号进行分类，得到整晚睡眠分期结果；

后处理系统对整晚睡眠分期结果的持续性和合理性进行分析。

优选的，所述预处理包括采用滤波算法去除工频干扰，去除眼电、肌电和心电伪迹。

优选的，所述预处理步骤后，还包括对睡眠EEG信号进行数据归一化操作来保证信号的一致性。

优选的，所述后处理系统根据AASM手册对整晚睡眠分期结果进行进一步的加工处理，对整晚睡眠分期结果进行不同分期切换。

本发明还提供一种基于卷积神经网络的睡眠分期系统，用于实现上述方法，包括：

EEG信号采集设备，用于采集用户整晚的睡眠EEG信号，对睡眠EEG信号进行预处理后传输到数据分析系统；

数据分析系统，用于采用卷积神经网络CNN对睡眠EEG信号进行分类，得到整晚睡眠分期结果；

后处理系统，用于对整晚睡眠分期结果的持续性和合理性进行分析。

本发明所提供的一种基于卷积神经网络的睡眠分期方法、系统，通过EEG信号采集设备采集用户脑电信号，结合人工智能算法自动化实时检测睡眠分期，并在睡眠分期后设计了后处理方案，严格按照AASM手册进行睡眠分期预测和处理。本发明可以实时获取人的睡眠分期状态，并对整晚睡眠分期的持续性和合理性进行分析，提升了分析的效率和准确性，且拓宽了检测的应用场景。

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卷积神经网络的睡眠分期方法的流程图；

图2为W期EEG波形图

图3为N1期EEG波形图

图4为N2期EEG波形图

图5为N3期EEG波形图

图6为REM期EEG波形

图7为本发明所提供的一种基于卷积神经网络的睡眠分期系统的结构示意图。

具体实施方式

本发明的核心是提供一种基于卷积神经网络的睡眠分期方法、系统，以实现自动化实时检测睡眠分期，并增加对整晚睡眠分期持续性和合理性的分析。

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卷积神经网络的睡眠分期的流程图。结合图1，本实施例采用的基于卷积神经网络的睡眠分期方法具体包括以下流程：

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

其中，获取脑电信号即EEG信号步骤中，本实施例EEG信号采集设备所采用的设备电极优选采用干电极，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。所述设备采集的是用户在睡眠状态下脑电信号，信号采样率优选为250Hz，以满足实验和数据分析要求。EEG信号采集设备具体为便携式BCI设备。EEG信号具体为用户整晚在睡眠状态下的睡眠EEG信号。

预处理步骤中，包括了对原始的EEG信号进行工频滤波和带通滤波。对采集到的EEG信号，具体采用滤波算法去除工频干扰，另外还可以去除眼电、肌电和心电伪迹，以获取干净的脑电信号。由于EEG信号存在个体差异性，进一步的，本实施例还可以增加采取数据归一化操作，来保证信号的一致性。

2、数据分析系统采用CNN分类算法，对数据进行分类，得到睡眠分期结果；

其中，睡眠分为4个阶段，即NREM(N1、N2和N3)和REM睡眠阶段。另外还有一个W期，表示清醒期。参考图2至图6，分别为W期、N1期、N2期、N3期、REM期的EEG波形图。睡眠的不同阶段的波形具有明显的形态差异性，通过分析EEG信号的时域、频域等特征，结合机器学习方法，可以准确识别不同睡眠阶段。

神经网络(neual networks)是人工智能研究领域的一部分，当前最流行的神经网络是深度卷积神经网络(deep convolutional neural networks,CNNs)。CNNs目前在很多很多研究领域取得了巨大的成功，例如:语音识别，图像识别，图像分割，自然语言处理等。CNNs可以自动从(通常是大规模)数据中学习特征，并把结果向同类型未知数据泛化。卷积神经网络算法(convolutional neural networks,CNN)由卷积(convolution),激活(activation),and池化(pooling)三种结构组成。CNN输出的结果是每幅图像的特定特征空间。当处理图像分类任务时，把CNN输出的特征空间作为全连接层或全连接神经网络(fullyconnected neural network,FCN)的输入，用全连接层来完成从输入图像到标签集的映射，即分类，得出用户疲劳与否的判断结果。

上述步骤最重要的是如何通过训练数据迭代调整网络权重，也就是后向传播算法。除了本实施例采用的CNN算法外，还可以适用目前主流的卷积神经网络(CNNs)，比如VGG，ResNet，这些算法都是由简单的CNN调整，组合而来。本实施例中将原始EEG信号经过去伪迹预处理，对数据做归一化操作，直接送入CNN网络进行分类。

3、后处理系统对睡眠分期结果进行后处理。

其中，后处理系统根据AASM手册，在对整晚睡眠数据进行分类后，在AASM睡眠分期合理性的准则下，对分期结果进行后处理，主要针对不同分期切换，分类的连续性等。保证在睡眠分期准确性的前提下，更加合理。

本方法基于便携式的EEG设备从额叶脑电活动提取特征值进行睡眠分期，方便用户使用。本方法通过人工智能算法自动化实时检测睡眠分期。本方法在使用卷积神经网络进行睡眠分期后设计了后处理方案，严格按照AASM手册进行睡眠分期预测和处理。本方法基于便携式BCI设备，人工智能算法自动化检测睡眠分期，设计了睡眠分期后处理方案，满足AASM手册标准，分期结果更合理和准确。

综上，本发明通过EEG信号采集设备采集用户脑电信号，结合人工智能算法自动化实时检测睡眠分期，并在睡眠分期后设计了后处理方案，严格按照AASM手册进行睡眠分期预测和处理。本发明可以实时获取人的睡眠分期状态，并对整晚睡眠分期的持续性和合理性进行分析，提升了分析的效率和准确性，且拓宽了检测的应用场景。

请参考图7，图7为本发明所提供的一种基于卷积神经网络的睡眠分期系统的结构示意图，该系统用于实现上述方法，包括：

EEG信号采集设备101，用于采集用户整晚的睡眠EEG信号，对睡眠EEG信号进行预处理后传输到数据分析系统；

数据分析系统102，用于采用卷积神经网络CNN对睡眠EEG信号进行分类，得到整晚睡眠分期结果；

后处理系统103，用于对整晚睡眠分期结果的持续性和合理性进行分析。

可见，该系统通过EEG信号采集设备采集用户脑电信号，结合人工智能算法自动化实时检测睡眠分期，并在睡眠分期后设计了后处理方案，严格按照AASM手册进行睡眠分期预测和处理。本系统可以实时获取人的睡眠分期状态，并对整晚睡眠分期的持续性和合理性进行分析，提升了分析的效率和准确性，且拓宽了检测的应用场景。

对于本发明提供的基于卷积神经网络的睡眠分期系统的介绍请参照前述的基于卷积神经网络的睡眠分期方法的实施例，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卷积神经网络的睡眠分期方法、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 (5)

1.一种基于卷积神经网络的睡眠分期方法，其特征在于，包括：

EEG信号采集设备采集用户整晚的睡眠EEG信号，对睡眠EEG信号进行预处理后传输到数据分析系统；

数据分析系统采用卷积神经网络CNN对睡眠EEG信号进行分类，得到整晚睡眠分期结果；

后处理系统对整晚睡眠分期结果的持续性和合理性进行分析。

2.如权利要求1所述的基于卷积神经网络的睡眠分期方法，其特征在于，所述预处理包括采用滤波算法去除工频干扰，去除眼电、肌电和心电伪迹。

3.如权利要求1所述的基于卷积神经网络的睡眠分期方法，其特征在于，所述预处理步骤后，还包括对睡眠EEG信号进行数据归一化操作来保证信号的一致性。

4.如权利要求1所述的基于卷积神经网络的睡眠分期方法，其特征在于，所述后处理系统根据AASM手册对整晚睡眠分期结果进行进一步的加工处理，对整晚睡眠分期结果进行不同分期切换。

5.一种基于卷积神经网络的睡眠分期系统，其特征在于，用于实现如权利要求1至4中任意一项所述的方法，包括：

EEG信号采集设备，用于采集用户整晚的睡眠EEG信号，对睡眠EEG信号进行预处理后传输到数据分析系统；

数据分析系统，用于采用卷积神经网络CNN对睡眠EEG信号进行分类，得到整晚睡眠分期结果；

后处理系统，用于对整晚睡眠分期结果的持续性和合理性进行分析。

Images