CN113208630A - 一种基于eeg睡眠信号的阿尔兹海默症筛查方法及系统 - Google Patents

Abstract

本发明公开了一种基于EEG睡眠信号的阿尔兹海默症筛查方法、系统，包括EEG信号采集设备对用户进行EEG睡眠信号采集；对采集到的脑电信号传输到数据分析系统进行分析和识别分类；将分类结果提取出特征值，判断使用者的睡眠障碍类型，结合使用者年龄判断是否患有阿尔兹海默症。该方法可实现根据使用者EEG睡眠周期信号来智能筛查阿尔兹海默症，拓宽应用场景，提升检测效率。

Description

一种基于EEG睡眠信号的阿尔兹海默症筛查方法及系统

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睡眠信号的阿尔兹海默症筛查方法及系统。

背景技术

阿尔兹海默症(Alzheimer disease，AD)是一种中枢神经系统变性病，是老年期痴呆症最常见的一种类型。其主要表现为渐进性记忆障碍、认知功能障碍、人格改变及语言障碍等神经精神症状，严重影响社交、职业与生活功能。阿尔兹海默症常起病于老年或老年前期、多缓慢发病，逐渐进展，以痴呆为主要表现。目前，阿尔兹海默病的临床诊断一般是依据患者的病史、临床症状、精神量表检查及影像学检查尤其是核磁。

目前，市场上和临床上尚不存在智能化分析睡眠周期脑电信号以筛查个体阿尔兹海默症的自动化设备和方法，目前现有的诊断用户是否存在阿尔兹海默症主要是应用于临床场景，场景的限制，导致无法更加广泛地筛查阿尔兹海默症，这对预防和后期护理造成更大的成本。

目前不存在根据使用者EEG睡眠周期信号来智能筛查阿尔兹海默症的方法，即并非根据使用者睡眠期间的EEG信号来筛查，其筛查方式也是根据采集到的数据进行人工分析筛查，不能自动化判断出结果，人力成本大，耗时多，并且准确性不高。因此，如何高效筛查阿尔兹海默症是亟待解决的问题。

发明内容

本发明的目的是提供一种基于EEG睡眠信号的阿尔兹海默症筛查方法、系统，以实现以EEG睡眠信号作为分析角度智能化筛查阿尔兹海默症，不用人工筛查，提升检测效率。

为解决上述技术问题，本发明提供一种基于EEG睡眠信号的阿尔兹海默症筛查方法，包括：

EEG信号采集设备对用户进行EEG睡眠信号采集，对采集到的EEG睡眠信号进行放大和编码，传输到数据分析系统；

数据分析系统采用滤波算法对采集的数据进行处理，并通过算法模型计算得到各脑电成分的占比，根据占比判断出使用者实时所处的对应睡眠阶段；

识别分类系统根据整个睡眠期间使用者不同睡眠阶段的分布状况提取出特征值，并将特征值送入算法模型中进行识别分类，得到用户的睡眠障碍类型，结合使用者年龄判断是否患有阿尔兹海默症。

优选的，所述采用滤波算法对采集的数据进行处理包括滤波、分段及信号变换，以及频域分析。

优选的，所述滤波是指采用滤波算法对原始数据进行滤波，过滤其中的伪迹以及噪音，得到纯净的脑电信号。

优选的，所述频域分析是指对EEG睡眠信号通过快速傅里叶变换或者小波变换进行频域分析，以区分出不同频段的脑电成分。

优选的，所述特征值由根据不同睡眠阶段分布状况计算得出的睡潜伏时长、入睡后清醒次数、清醒时间、总睡眠时长、睡眠效率、各睡眠阶段持续时长百分比、REM潜伏期时长、REM时长、REM期脑电活动速度构成。

优选的，根据所述特征值大小，将其与算法模型的阈值进行对比，判断用户的睡眠障碍类型。

本发明还提供一种基于EEG睡眠信号的阿尔兹海默症筛查系统，用于实现上述方法，包括：

EEG信号采集设备，用于对用户进行EEG睡眠信号采集，对采集到的EEG睡眠信号进行放大和编码，传输到数据分析系统；

数据分析系统，用于采用滤波算法对采集的数据进行处理，并通过算法模型计算得到各脑电成分的占比，根据占比判断出使用者实时所处的对应睡眠阶段；

识别分类系统，用于根据整个睡眠期间使用者不同睡眠阶段的分布状况提取出特征值，并将特征值送入算法模型中进行识别分类，得到用户的睡眠障碍类型，结合使用者年龄判断是否患有阿尔兹海默症。

本发明利用EEG睡眠信号分析出使用者实时所处的对应睡眠阶段，通过对应睡眠阶段获取睡眠障碍类型，结合使用者年龄判断是否患有阿尔兹海默症，即利用EEG睡眠信号判断是否患有阿尔兹海默症，实现以EEG睡眠信号作为分析角度智能化筛查阿尔兹海默症，不用人工筛查，提升检测效率，并且拓宽了应用场景。

本发明还可以包括预警的步骤，当检测到使用者可能患有阿尔兹海默症时，向使用者发送及时就医的预警信息，让使用者能够得到及时治疗，提高了效率。本发明还可以将使用者的数据特征传回后台数据库，纳入到算法模型进行自动校正的步骤，以建立更加准确的常模标准，提升算法模型对阿尔兹海默症的筛选准确性。

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为本发明基于EEG睡眠信号的阿尔兹海默症筛查方法的实施流程图；

图2为本发明所提供的一种基于EEG睡眠信号的阿尔兹海默症筛查系统的结构示意图。

具体实施方式

本发明的核心是提供一种基于EEG睡眠信号的阿尔兹海默症筛查方法、系统，以实现以EEG睡眠信号作为分析角度智能化筛查阿尔兹海默症，不用人工筛查，提升检测效率。

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。

本发明提供的一种基于EEG睡眠信号的阿尔兹海默症筛查方法，包括以下步骤：

S11：EEG信号采集设备对用户进行EEG睡眠信号采集，对采集到的EEG睡眠信号进行放大和编码，传输到数据分析系统；

S12：数据分析系统采用滤波算法对采集的数据进行处理，并通过算法模型计算得到各脑电成分的占比，根据占比判断出使用者实时所处的对应睡眠阶段；

其中，采用滤波算法对采集的数据进行处理包括滤波、分段及信号变换，以及频域分析。滤波是指采用滤波算法对原始数据进行滤波，过滤其中的伪迹以及噪音，得到纯净的脑电信号。频域分析是指对EEG睡眠信号通过快速傅里叶变换或者小波变换进行频域分析，以区分出不同频段的脑电成分。

S13：识别分类系统根据整个睡眠期间使用者不同睡眠阶段的分布状况提取出特征值，并将特征值送入算法模型中进行识别分类，得到用户的睡眠障碍类型，结合使用者年龄判断是否患有阿尔兹海默症。

其中，特征值由根据不同睡眠阶段分布状况计算得出的睡潜伏时长、入睡后清醒次数、清醒时间、总睡眠时长、睡眠效率、各睡眠阶段持续时长百分比、REM潜伏期时长、REM时长、REM期脑电活动速度构成。

其中，将特征值送入算法模型中进行识别分类，得到用户的睡眠障碍类型的过程具体为：根据特征值大小，将其与算法模型的阈值进行对比，判断用户的睡眠障碍类型。

其中，识别分类系统还接收使用者输入的年龄信息。

可见，本方法利用EEG睡眠信号分析出使用者实时所处的对应睡眠阶段，通过对应睡眠阶段获取睡眠障碍类型，结合使用者年龄判断是否患有阿尔兹海默症，即利用EEG睡眠信号判断是否患有阿尔兹海默症，实现以EEG睡眠信号作为分析角度智能化筛查阿尔兹海默症，不用人工筛查，提升检测效率，并且拓宽了应用场景。本方法的具体实施流程参考图1。

基于上述方法，进一步的，还包括以下步骤：

S14：当检测到使用者患有阿尔兹海默症时，向使用者的终端发送及时就医的预警信息；

S15：将使用者的特征值传回后台数据库，纳入到算法模型进行自动校正。

如此向使用者发送及时就医的预警信息，让使用者能够得到及时治疗，提高了效率，将使用者的数据特征纳入到算法模型进行自动校正的，以建立更加准确的常模标准，提升算法模型对阿尔兹海默症的筛选准确性。

请参考图1，在图1对EEG数据的采集步骤中，所采用的EEG设备特征为：其采用的电极具有高导电性，可以是干电极，也可以是湿电极，较优的，本实施例采用干电极记录脑电信号。电极分布根据国际脑电10-20系统，可以分布于全脑，也可以只分布于额叶或者前额叶。EEG设备采集的是所述设备采集的是用户整晚睡眠状态下的脑电信号，时长不少于5小时。

在图1中，对原始EEG数据进行采集后，对采集到的脑电信号进行放大和数模转换编码，并传输到数据分析系统进行人工智能算法分析和识别分类。数据传输的方式可以是任何一种连接方式，不限于蓝牙、数据流量和WiFi。较优地，本实施例采用蓝牙方式传输数据。

对于EEG数据的数据分析步骤包括如下内容：

1，采用滤波算法对原始数据进行滤波，过滤其中的高频、低频伪迹，以及工频干扰、体动等噪音，得到纯净的脑电信号；

2，对脑电信号进行分段，每个分段时长为30s；

3，对EEG睡眠信号通过快速傅里叶变换或者小波变换进行频域分析，以区分出不同频段的脑电成分；

其中，通过频域分析区分出不同频段的脑电成分的依据为：Delta波：0.5-4Hz；Theta波：4-8Hz；Alpha波：8-13Hz；Beta波：13-30Hz。

4，通过算法模型计算得到各频段脑电成分的占比，根据占比判断出使用者实时所处的对应睡眠阶段。

其中，将信号中的脑电成分区分出来后，通过算法模型计算得到各脑电成分的占比，根据占比判断出使用者实时所处的对应睡眠阶段。算法模型采用机器学习算法，例如支持向量机、决策树、KNN、随机森林、朴素贝叶斯分类、最小二乘法、逻辑回归等。睡眠阶段划分为清醒、N1、N2、SWS、REM四个分期，分期划分依据如下：

清醒：Alpha波和beta波在10分钟内占比超过50％；

N1：Theta波在10分钟内占比超过50％；

N2：Delta波在10分钟内占比超过35％；

SWS：Delta波在10分钟内占比超过50％；

REM：出现较多的快速的、低振幅的、反向同步眼电(快速眼动)、肌电活动最低。

5、根据整个睡眠期间使用者不同睡眠阶段的分布状况，以常用算法模型提取出特征值，特征值参数包括入睡潜伏时长(sleep onset latency)、入睡后清醒次数(awaketime)、清醒时间、总睡眠时长(total sleep time)、睡眠效率(sleep efficiency)、各睡眠阶段持续时长百分比、REM潜伏期时长、REM时长、REM期脑电活动速度。具体参数定义如下：

入睡潜伏期：熄灯开始睡觉到出现第一个睡眠分期的时间。

入睡后清醒次数：入睡以来中途清醒的次数。

清醒时间：早晨清醒后不再入睡的时间点。

总睡眠时长：睡眠花费的总体时长，包括NREM、REM。

睡眠效率：睡眠时间与在床总时长的比值。

各睡眠阶段持续时长百分比：各睡眠阶段占总睡眠时长的百分比。

REM潜伏期：从熄灯开始睡觉到出现第一个REM期的时间。

REM时长：REM期持续的时长。

6、根据得出的各特征值，将其与模型阈值进行对比，判断用户的睡眠情况，并把睡眠情况进行机器算法模型的识别，即将其与已有标准模型比较配对和分类，得到睡眠障碍类型。以睡眠障碍类型结合之前填写的个人信息，判定出使用者是否患有阿尔兹海默症。具体判断方式如下：

如果：年龄大于等于65岁，入睡潜伏期大于阈值，入睡后清醒次数大于阈值，清醒时间小于阈值，总睡眠时长小于阈值，睡眠效率小于阈值，SWS百分比小于阈值，REM潜伏期小于阈值，REM时长小于阈值，REM期脑电活动速度小于阈值，那么得到“符合阿尔兹海默症特点”的结论；否则，得到“不符合阿尔兹海默症特点”的结论。

另外，当检测到用户当前可能患有阿尔兹海默症时，向用户发送及时就医的预警信息。发送预警信息的方式可以是直接通过APP界面进行提醒，也可以是通过短信的方式提醒。较优地，本实施例采用通过手机APP界面图文提醒的方式向用户进行预警提示。

请参考图2，图2为本发明所提供的一种基于EEG睡眠信号的阿尔兹海默症筛查系统的结构示意图，该系统用于实现上述方法，包括：

EEG信号采集设备101，用于对用户进行EEG睡眠信号采集，对采集到的EEG睡眠信号进行放大和编码，传输到数据分析系统；

数据分析系统102，用于采用滤波算法对采集的数据进行处理，并通过算法模型计算得到各脑电成分的占比，根据占比判断出使用者实时所处的对应睡眠阶段；

识别分类系统103，用于根据整个睡眠期间使用者不同睡眠阶段的分布状况提取出特征值，并将特征值送入算法模型中进行识别分类，得到用户的睡眠障碍类型，结合使用者年龄判断是否患有阿尔兹海默症。

可见，本系统利用EEG睡眠信号分析出使用者实时所处的对应睡眠阶段，通过对应睡眠阶段获取睡眠障碍类型，结合使用者年龄判断是否患有阿尔兹海默症，即利用EEG睡眠信号判断是否患有阿尔兹海默症，实现以EEG睡眠信号作为分析角度智能化筛查阿尔兹海默症，不用人工筛查，提升检测效率，并且拓宽了应用场景。

对于本发明提供的基于EEG睡眠信号的阿尔兹海默症筛查系统的介绍请参照前述的基于EEG睡眠信号的阿尔兹海默症筛查方法的实施例，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睡眠信号的阿尔兹海默症筛查方法、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 (7)

1.一种基于EEG睡眠信号的阿尔兹海默症筛查方法，其特征在于，包括：

EEG信号采集设备对用户进行EEG睡眠信号采集，对采集到的EEG睡眠信号进行放大和编码，传输到数据分析系统；

数据分析系统采用滤波算法对采集的数据进行处理，并通过算法模型计算得到各脑电成分的占比，根据占比判断出使用者实时所处的对应睡眠阶段；

识别分类系统根据整个睡眠期间使用者不同睡眠阶段的分布状况提取出特征值，并将特征值送入算法模型中进行识别分类，得到用户的睡眠障碍类型，结合使用者年龄判断是否患有阿尔兹海默症。

2.如权利要求1所述的基于EEG睡眠信号的阿尔兹海默症筛查方法，其特征在于，所述采用滤波算法对采集的数据进行处理包括滤波、分段及信号变换，以及频域分析。

3.如权利要求2所述的基于EEG睡眠信号的阿尔兹海默症筛查方法，其特征在于，所述滤波是指采用滤波算法对原始数据进行滤波，过滤其中的伪迹以及噪音，得到纯净的脑电信号。

4.如权利要求2所述的基于EEG睡眠信号的阿尔兹海默症筛查方法，其特征在于，所述频域分析是指对EEG睡眠信号通过快速傅里叶变换或者小波变换进行频域分析，以区分出不同频段的脑电成分。

5.如权利要求1所述的基于EEG睡眠信号的阿尔兹海默症筛查方法，其特征在于，所述特征值由根据不同睡眠阶段分布状况计算得出的睡潜伏时长、入睡后清醒次数、清醒时间、总睡眠时长、睡眠效率、各睡眠阶段持续时长百分比、REM潜伏期时长、REM时长、REM期脑电活动速度构成。

6.如权利要求1所述的基于EEG睡眠信号的阿尔兹海默症筛查方法，其特征在于，根据所述特征值大小，将其与算法模型的阈值进行对比，判断用户的睡眠障碍类型。

7.一种基于EEG睡眠信号的阿尔兹海默症筛查系统，其特征在于，用于实现如权利要求1至6中任意一项所述的方法，包括：

EEG信号采集设备，用于对用户进行EEG睡眠信号采集，对采集到的EEG睡眠信号进行放大和编码，传输到数据分析系统；

数据分析系统，用于采用滤波算法对采集的数据进行处理，并通过算法模型计算得到各脑电成分的占比，根据占比判断出使用者实时所处的对应睡眠阶段；

识别分类系统，用于根据整个睡眠期间使用者不同睡眠阶段的分布状况提取出特征值，并将特征值送入算法模型中进行识别分类，得到用户的睡眠障碍类型，结合使用者年龄判断是否患有阿尔兹海默症。

Images