CN113576410A - 一种入睡过程动态连续分析方法 - Google Patents

一种入睡过程动态连续分析方法 Download PDF

Info

Publication number
CN113576410A
CN113576410A CN202110817788.5A CN202110817788A CN113576410A CN 113576410 A CN113576410 A CN 113576410A CN 202110817788 A CN202110817788 A CN 202110817788A CN 113576410 A CN113576410 A CN 113576410A
Authority
CN
China
Prior art keywords
sleep
data
particle
degree
wakefulness
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.)
Granted
Application number
CN202110817788.5A
Other languages
English (en)
Other versions
CN113576410B (zh
Inventor
刘铁军
王林
郜东瑞
李静
曹文鹏
王钰潇
秦云
汪曼青
应少飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110817788.5A priority Critical patent/CN113576410B/zh
Publication of CN113576410A publication Critical patent/CN113576410A/zh
Application granted granted Critical
Publication of CN113576410B publication Critical patent/CN113576410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开一种入睡过程动态连续分析方法，应用于电子信息、生物医学工程领域，针对现有技术存在的无法连续、动态地分析睡眠建立过程的问题；本发明基于马尔科夫模型以及粒子滤波，能够实现对入睡过程的连续、动态的分析；并且本发明将脑电信号与专家分期结果相结合，能够很好的体现在入睡过程中脑电各成分功率的变化与入睡程度间的联系，且能够输出稳定可靠的结果，能够有效地体现入睡过程的整体趋势与局部细节。

Description

一种入睡过程动态连续分析方法
技术领域
本发明属于电子信息、生物医学工程领域，特别涉及一种入睡过程动态连续分析技术。
背景技术
在人的睡眠过程中利用生理信息，根据国际睡眠医学标准，可将不同睡眠时间段划分为WAKE、REM、N1、N2和N3期，共五个正常类别。专家们将30秒长度的Epoch作为睡眠状态可辨别的最小时间单位，根据该时段内的EEG，执行人工检查，然后对睡眠状态进行评估。依据临床手册，在这种判断方式下如果要对人的清醒-睡眠的状态进行分类的话，人的睡眠状态只能分为清醒和入睡两种，从时间分辨率的角度来讲，30秒的时间分辨率明显太粗糙，考虑到人从清醒到入睡其实并不是一个特别长的过程，其入睡过程全长普遍不超过20分钟，如此粗糙的时间分辨率会导致大量关于入睡过程的信息被遗漏。这对我们动态地分析人的睡眠建立过程造成了极大的阻碍，从清醒程度的分辨率来讲，在传统的睡眠分期方法下，一个人在同一时间的入睡状态只有清醒和睡着两种，这种二值化的分析使得我们完全无法得知关于睡眠建立过程更多的细节，对睡眠建立过程的分析也就无从谈起。
人类睡眠状态转换过程的分析对于基础神经科学以及睡眠医学都具有极其重要的意义，但是目前对睡眠时间段进行划分的传统标准并不能满足我们对于动态、连续地分析睡眠建立过程所提出的时间分辨率以及清醒程度分辨率的要求，一种连续、动态地分析睡眠建立过程的方法显得极有必要。
发明内容
为解决上述技术问题，本发明提出一种入睡过程动态连续分析方法，结合连续的脑电信号对分析结果进行约束，实现了对入睡过程的连续、动态的分析。
本发明采用的技术方案为：一种入睡过程动态连续分析方法，包括：
S1、载入观测数据，包括专家的睡眠分期结果与脑电数据；
S2、构建多个状态变量；
S3、根据构建的多个状态变量，基于马尔科夫模型，构造当前时刻的初始粒子群；
S4、将当前时刻的所有粒子输入观测模型，估计得到观测数据；
S5、计算观测数据与真实数据之间的误差，并根据误差赋予各粒子权重；
S6、基于各粒子权重对所有粒子进行重采样，将采样出的新粒子群的中心值作为当前状态变量的真实值来计算当前时刻的清醒程度；
S7、重复步骤S3至S6，计算出每个时刻的清醒程度。
步骤S1所述专家的睡眠分期结果包括：清醒期与睡眠期，将清醒期的值设置为0，睡眠期的值设置为1
步骤S2具体构建两个与脑电数据相关的状态变量，具体的：根据脑电数据的三个频段功率α、δ、θ，建立的两个状态变量记为
Figure BDA0003170802640000021
与
Figure BDA0003170802640000022
表示从脑电α频段的频谱功率估计觉醒程度的状态变量，
Figure BDA0003170802640000023
是从脑电δ与θ频段的频谱功率估计觉醒程度的状态变量。
当观测数据包括肌电数据，步骤S2所述状态变量还包括与肌电有关的状态变量。
步骤S2还包括计算当前时刻初始的清醒程度，具体的将构建的多个状态变量通过线性组合后输入一个S型函数，该S型函数的结果即为当前时刻初始的清醒程度。
步骤S5所述根据似然函数分别计算当前时刻初始清醒程度与当前时刻的专家睡眠分期结果之间的误差、各粒子的观测数据与真实数据之间的误差；最后得到的总似然函数的绝对值作为粒子权重。
总似然函数的绝对值越小的粒子权重越大。
步骤S6所述计算当前时刻的清醒程度，具体为：将步骤S6得到的多个状态变量的真实值通过线性组合后输入一个S型函数，该S型函数的结果即为当前时刻的清醒程度。
本发明的有益效果：基于马尔科夫模型以及粒子滤波，能够实现对入睡过程的连续、动态的分析；并且本发明将脑电信号与专家分期结果相结合，能够很好的体现在入睡过程中脑电各成分功率的变化与入睡程度间的联系，且能够输出稳定可靠的结果，能够有效地体现入睡过程的整体趋势与局部细节；采用本发明的方法可以实现对入睡过程的连续、动态分析，对于基础神经科学以及睡眠医学都具有极其重要的意义；本发明的包括以下优点：
1、本发明的最大创新便是实现了对入睡过程的连续、动态的分析；传统的睡眠分期方法由专家进行人工分期，每次对最短15s的脑电信号进行判断，也就是最高的时间分辨率只有15s；而且，这种睡眠分期的结果虽然将睡眠分成了若干个阶段(比如快速眼动期、N1期、N2期、N3期，还有清醒状态)，但从入睡分析的角度来说，在现有分期结果下人的入睡状态只有清醒和已入睡2种状态，也就是说入睡程度的分辨率太低，这样的结果对于分析入睡过程显然不能提供足够的信息；综上所述，传统睡眠分期方法的时间分辨率与入睡程度的分辨率均太低，无法满足对入睡过程进行分析的要求；而本发明结合了连续的脑电信号对分析结果进行约束，其时间分辨率可以高于1s，同时能够连续地显示入睡程度，实现了对入睡过程的连续、动态的分析，非常适合用于分析入睡过程；
2、本发明具有非常好的适用性，本发明的算法将脑电信号与专家分期结果相结合，能够很好的体现在入睡过程中脑电各成分功率的变化与入睡程度间的联系，且能够输出稳定可靠的结果，能够有效地体现入睡过程的整体趋势与局部细节；
3、本发明具有极好的拓展性，可根据实际情况非常方便地添加新的变量或者新的真实数据作为约束条件；如要添加新的变量(如肌电反映的估计觉醒程度的状态变量)只需添加新变量的马尔可夫模型并对公式(1)稍作修改即可；而如果要增加新的真实数据作为约束条件，则只需在计算观测模型以及计算似然函数时分别添加上对应新真实数据的观测函数以及似然函数即可。本发明极好的扩展性大大加宽了本发明的适用范围，是本发明的重要创新。
附图说明
图1为本发明的方法流程图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
本发明利用粒子滤波器的基本原理，以蒙特卡洛方法以及贝叶斯定理为基础，建立若干随机服从马尔可夫模型的状态散点粒子，通过一个观测函数来与实际观测值进行联系，并依据观测函数的结果与实际观测值误差对散点粒子进行重采样，以重采样得到的状态散点粒子来表示当前真实的入睡状态，即清醒程度。
如图1所示，本发明的方法包括以下步骤：
S1、对需要进行分析的观测数据进行处理，标准的观测数据应该包含：专家的睡眠分期结果(将清醒期的值设置为0，睡眠期的值设置为1)以及脑电数据(δ、θ和α频段的功率分别随时间变化的曲线，其中δ、θ和α为脑电的三个波段，即δ(1－3Hz)、θ(4－7Hz)、α(8－13Hz))。例如，入睡起始过程中，专家对睡眠判读后的分期结果将从0变为1，同时α频段功率减小，θ频段功率增加，δ频段功率增加，所以这些数据包含有能够帮助分析睡眠建立过程的特征。如果采用如上的数据构成，则观测数据会以4×N矩阵的形式输入到分析算法当中去(N为数据的长度，4行分别为专家的睡眠分期结果、脑电α频段功率、脑电θ频段功率、脑电δ频段功率)。
需要补充的是，目前的睡眠分期结果大多依靠专家对采集到的脑电数据分析得来，这是一个经验性的工作，根据脑电信号在不同睡眠阶段的不同波形以及幅度等特征，专家会依据R&K标准(将睡眠分为4个非快速眼动期与1个快速眼动期，当然也包括清醒状态)或者AASM标准(将睡眠分为3个非快速眼动期与1个快速眼动期，以及清醒状态)等标准将整个睡眠过程分到符合标准的睡眠期，从而实现对睡眠过程的分析。
由于本发明着重解决对入睡过程的分析问题，所以在本发明中只关注从清醒阶段到睡眠阶段的过程，所以才有了将清醒期的值设置为0，睡眠期的值设置为1的处理方式。值得提及的是，在实际应用中可以使用多种方式来改进这种0-1形式的处理方式，比如使用不同的标准来对专家的分期结果进行这种0-1映射，或者将专家的分期结果映射到0至1区间内更多的离散值上。对于这种处理产生的变量增加，我们只需在下面S4步骤时添加对应变量的似然函数即可。
S2、建立两个状态变量
Figure BDA0003170802640000041
与
Figure BDA0003170802640000042
(根据实际可建立更多的状态变量，比如加入肌电数据，即可再建立一个与肌电有关的状态变量
Figure BDA0003170802640000043
)，
Figure BDA0003170802640000044
是从脑电α频段的频谱功率估计觉醒程度的状态变量，
Figure BDA0003170802640000045
是从脑电δ与θ频段的频谱功率估计觉醒程度的状态变量，上述状态变量经过线性组合(即公式(1))后输入一个S形函数(sigmoid)(即公式(2))。该函数的结果即作为当前的清醒程度
Figure BDA0003170802640000046
Figure BDA0003170802640000047
Figure BDA0003170802640000048
此处应该注意的是以上两个状态变量并不是对应信号的功率幅度，根据粒子滤波的特点，可以将其看作t时刻由实际观测结果所隐含的在对应方面关于觉醒程度的真实状态。对于每个时刻t的状态变量，t+1时刻的状态变量为时刻t的状态变量加上一个随机误差后的结果，这是一个典型的马尔可夫模型，在算法的实际运行中，根据粒子滤波器的原理本发明会构造一群状态变量的散点粒子，以上述马尔可夫模型对下一刻粒子进行适度初始化，马尔可夫模型形式如式(3)与式(4)，其中
Figure BDA0003170802640000049
与
Figure BDA00031708026400000410
均为构造粒子模型所需引入的随机误差。
Figure BDA00031708026400000411
Figure BDA0003170802640000051
S3、对于每个时刻t的粒子，算法中将会把这些粒子输入观测模型当中去，观测模型亦是对状态变量的线性组合使用一个S形函数进行变换，其形式同式(5)至(6)，其目的是计算对于每个状态变量粒子所估计出的观测数据。建立观测模型的意义在于通过状态变量对该时刻实际观测到的数据进行估计，在下面的粒子滤波过程中，通过对估计结果与真实观测结果的差异比较，可以确定各个粒子的权重，根据权重对粒子进行随机采样，对于权重越大的粒子，本发明会赋予其更大的被采样概率。
Figure BDA0003170802640000052
Figure BDA0003170802640000053
Figure BDA0003170802640000054
其中
Figure BDA0003170802640000055
与
Figure BDA0003170802640000056
与
Figure BDA0003170802640000057
与
Figure BDA0003170802640000058
均分别为对应脑电频段α、δ、θ真实数据功率谱的最小值与最大值。
Figure BDA0003170802640000059
是一串散点粒子，其作用是加强粒子滤波器的效果，其不同时刻间的变化亦是一个马尔可夫模型，其值一般在0-1之间，亦可根据情况改变其取值范围。在计算出
Figure BDA00031708026400000510
(其分别代表对脑电α、δ、θ频段功率的估计值)后，下一步便是计算权重后按权重采样。
S4、在这一步骤中，计算各粒子所估计出的观测数据与真实数据之间的误差，根据差异，本发明会对各粒子赋予不同的权重，粒子权重计算公式(即似然函数)的形式同式(8)至(12)：
Figure BDA00031708026400000511
Figure BDA00031708026400000512
Figure BDA00031708026400000513
Figure BDA0003170802640000061
总似然函数为：
Figure BDA0003170802640000062
所得的loglikehood的绝对值大小代表各粒子的权重。bt代表的是专家的睡眠分期结果在t时刻的值，
Figure BDA0003170802640000063
分别代表t时刻脑电α、δ、θ频段功率的真实值，σα、σΔ、σθ为归一化误差。
对于误差越小，即loglikehood的绝对值越大的粒子本发明赋予越大的权重，根据这个权重归一化后的结果对粒子重采样，则权重越大的粒子被重复采到的概率越大，在对粒子按照原来的数量重新采样后，得到了采样出的新粒子群，新粒子群的中心值被作为当前状态变量的真实值来计算当前的Pwake，并取Pwake的97.5％至2.5％的范围作为置信区间。
S5、根据马尔可夫模型计算出下一刻的初始粒子群，重复S3与S4的步骤计算出每个时刻t的清醒程度
Figure BDA0003170802640000064
在遍历所有的时刻t以后，输出总结果，总结果就包含了各个时刻t的清醒程度
Figure BDA0003170802640000065
由于通过S形函数计算出的
Figure BDA0003170802640000066
是个连续变化的值，于是就实现了对于睡眠建立过程的动态且连续的分析，通过分析
Figure BDA0003170802640000067
值的变化情况以及各个时刻散点的分布状况，即可科学地对睡眠建立过程进行分析。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种入睡过程动态连续分析方法，其特征在于，包括：
S1、载入观测数据，包括专家的睡眠分期结果与脑电数据；
S2、构建多个状态变量；
S3、根据构建的多个状态变量，基于马尔科夫模型，构造当前时刻的初始粒子群；
S4、将当前时刻的所有粒子输入观测模型，估计得到观测数据；
S5、计算观测数据与真实数据之间的误差，并根据误差赋予各粒子权重；
S6、基于各粒子权重对所有粒子进行重采样，将采样出的新粒子群的中心值作为当前状态变量的真实值来计算当前时刻的清醒程度；
S7、重复步骤S3至S6，计算出每个时刻的清醒程度。
2.根据权利要求1所述的一种入睡过程动态连续分析方法，其特征在于，步骤S1所述专家的睡眠分期结果包括：清醒期与睡眠期，将清醒期的值设置为0，睡眠期的值设置为1。
3.根据权利要求2所述的一种入睡过程动态连续分析方法，其特征在于，步骤S2具体构建两个与脑电数据相关的状态变量，具体的：根据脑电数据的三个频段功率α、δ、θ，建立的两个状态变量记为
Figure FDA0003170802630000011
与
Figure FDA0003170802630000012
表示从脑电α频段的频谱功率估计觉醒程度的状态变量，
Figure FDA0003170802630000013
是从脑电δ与θ频段的频谱功率估计觉醒程度的状态变量。
4.根据权利要求2所述的一种入睡过程动态连续分析方法，其特征在于，当观测数据包括肌电数据，步骤S2所述状态变量还包括与肌电有关的状态变量。
5.根据权利要求3或4所述的一种入睡过程动态连续分析方法，其特征在于，步骤S2还包括计算当前时刻初始的清醒程度，具体的将构建的多个状态变量通过线性组合后输入一个S型函数，该S型函数的结果即为当前时刻初始的清醒程度。
6.根据权利要求5所述的一种入睡过程动态连续分析方法，其特征在于，步骤S5所述根据似然函数分别计算当前时刻初始清醒程度与当前时刻的专家睡眠分期结果之间的误差、各粒子的观测数据与真实数据之间的误差；最后得到的总似然函数的绝对值作为粒子权重。
7.根据权利要求6所述的一种入睡过程动态连续分析方法，其特征在于，总似然函数的绝对值越小的粒子权重越大。
8.根据权利要求7所述的一种入睡过程动态连续分析方法，其特征在于，步骤S6所述计算当前时刻的清醒程度，具体为：将步骤S6得到的多个状态变量的真实值通过线性组合后输入一个S型函数，该S型函数的结果即为当前时刻的清醒程度。
CN202110817788.5A 2021-07-20 2021-07-20 一种入睡过程动态连续分析方法 Active CN113576410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110817788.5A CN113576410B (zh) 2021-07-20 2021-07-20 一种入睡过程动态连续分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110817788.5A CN113576410B (zh) 2021-07-20 2021-07-20 一种入睡过程动态连续分析方法

Publications (2)

Publication Number Publication Date
CN113576410A true CN113576410A (zh) 2021-11-02
CN113576410B CN113576410B (zh) 2022-09-02

Family

ID=78248381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110817788.5A Active CN113576410B (zh) 2021-07-20 2021-07-20 一种入睡过程动态连续分析方法

Country Status (1)

Country Link
CN (1) CN113576410B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116671875A (zh) * 2023-08-04 2023-09-01 安徽星辰智跃科技有限责任公司 基于小波变换的睡眠可持续性检测调节方法、系统和装置

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7509163B1 (en) * 2007-09-28 2009-03-24 International Business Machines Corporation Method and system for subject-adaptive real-time sleep stage classification
EP2097000A2 (en) * 2006-12-01 2009-09-09 Oxford Biosignals Limited Biomedical signal analysis including improved automatic segmentation using a hidden markov model
US20110246144A1 (en) * 2010-04-02 2011-10-06 Yugen Kaisha Suwa Torasuto Time Series Data Analyzer, And A Computer-Readable Recording Medium Recording A Time Series Data Analysis Program
CN102274022A (zh) * 2011-05-10 2011-12-14 浙江大学 一种基于脑电信号的睡眠状态监测方法
US20130046151A1 (en) * 2011-02-14 2013-02-21 The Board Of Regents Of The University Of Texas System System and method for real-time measurement of sleep quality
CN104161511A (zh) * 2014-07-28 2014-11-26 复旦大学 一种便携式睡眠监测系统
JP2015097713A (ja) * 2013-11-20 2015-05-28 トヨタ自動車株式会社 睡眠状態推定装置及び睡眠状態推定方法
CN106175754A (zh) * 2016-09-21 2016-12-07 广州视源电子科技股份有限公司 睡眠状态分析中清醒状态检测装置
CN106361327A (zh) * 2016-09-21 2017-02-01 广州视源电子科技股份有限公司 睡眠状态分析中清醒状态检测方法和系统
CN106388818A (zh) * 2016-09-21 2017-02-15 广州视源电子科技股份有限公司 睡眠状态监测模型的特征信息提取方法和系统
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
KR20180049282A (ko) * 2016-10-31 2018-05-11 주식회사 소소 뇌파를 이용한 수면 패턴 분석 장치
CN108836269A (zh) * 2018-05-10 2018-11-20 电子科技大学 一种融合心率呼吸体动的自动睡眠分期方法
JP2019048150A (ja) * 2018-11-22 2019-03-28 日本電信電話株式会社 睡眠段階推定装置、方法およびプログラム
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
CN110558934A (zh) * 2019-08-02 2019-12-13 杭州连帆科技有限公司 睡眠质量评估方法、装置、电子设备及介质
CN110623665A (zh) * 2019-09-26 2019-12-31 川北医学院 一种智能睡眠时相检测与睡眠质量评估系统及方法
US20200181707A1 (en) * 2012-09-13 2020-06-11 Yrt Limited Method and software to determine probability of sleep/wake states and quality of sleep and wakefulness from an electroencephalogram
CN111466910A (zh) * 2020-04-30 2020-07-31 电子科技大学 一种睡眠监测方法、系统、存储介质、计算机程序、装置
CN111631710A (zh) * 2020-06-22 2020-09-08 中国科学技术大学 一种状态相关的动态脑电信号中肌电伪迹的消除方法
CN111631688A (zh) * 2020-06-24 2020-09-08 电子科技大学 睡眠自动分期的算法
KR20210019273A (ko) * 2019-08-12 2021-02-22 (주)허니냅스 딥러닝을 이용한 수면질환 자동 판정을 위한 데이터 처리 장치 및 그 동작 방법
CN112890829A (zh) * 2021-01-15 2021-06-04 褚明礼 一种基于脑电信息的睡眠状态评估方法
EP3831286A1 (en) * 2019-12-06 2021-06-09 École Normale Supérieure Paris-Saclay System and method for predicting depth of anesthesia

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2097000A2 (en) * 2006-12-01 2009-09-09 Oxford Biosignals Limited Biomedical signal analysis including improved automatic segmentation using a hidden markov model
US7509163B1 (en) * 2007-09-28 2009-03-24 International Business Machines Corporation Method and system for subject-adaptive real-time sleep stage classification
US20110246144A1 (en) * 2010-04-02 2011-10-06 Yugen Kaisha Suwa Torasuto Time Series Data Analyzer, And A Computer-Readable Recording Medium Recording A Time Series Data Analysis Program
US20130046151A1 (en) * 2011-02-14 2013-02-21 The Board Of Regents Of The University Of Texas System System and method for real-time measurement of sleep quality
CN102274022A (zh) * 2011-05-10 2011-12-14 浙江大学 一种基于脑电信号的睡眠状态监测方法
US20200181707A1 (en) * 2012-09-13 2020-06-11 Yrt Limited Method and software to determine probability of sleep/wake states and quality of sleep and wakefulness from an electroencephalogram
JP2015097713A (ja) * 2013-11-20 2015-05-28 トヨタ自動車株式会社 睡眠状態推定装置及び睡眠状態推定方法
CN104161511A (zh) * 2014-07-28 2014-11-26 复旦大学 一种便携式睡眠监测系统
CN106175754A (zh) * 2016-09-21 2016-12-07 广州视源电子科技股份有限公司 睡眠状态分析中清醒状态检测装置
CN106361327A (zh) * 2016-09-21 2017-02-01 广州视源电子科技股份有限公司 睡眠状态分析中清醒状态检测方法和系统
CN106388818A (zh) * 2016-09-21 2017-02-15 广州视源电子科技股份有限公司 睡眠状态监测模型的特征信息提取方法和系统
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
KR20180049282A (ko) * 2016-10-31 2018-05-11 주식회사 소소 뇌파를 이용한 수면 패턴 분석 장치
CN108836269A (zh) * 2018-05-10 2018-11-20 电子科技大学 一种融合心率呼吸体动的自动睡眠分期方法
JP2019048150A (ja) * 2018-11-22 2019-03-28 日本電信電話株式会社 睡眠段階推定装置、方法およびプログラム
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
CN110558934A (zh) * 2019-08-02 2019-12-13 杭州连帆科技有限公司 睡眠质量评估方法、装置、电子设备及介质
KR20210019273A (ko) * 2019-08-12 2021-02-22 (주)허니냅스 딥러닝을 이용한 수면질환 자동 판정을 위한 데이터 처리 장치 및 그 동작 방법
CN110623665A (zh) * 2019-09-26 2019-12-31 川北医学院 一种智能睡眠时相检测与睡眠质量评估系统及方法
EP3831286A1 (en) * 2019-12-06 2021-06-09 École Normale Supérieure Paris-Saclay System and method for predicting depth of anesthesia
CN111466910A (zh) * 2020-04-30 2020-07-31 电子科技大学 一种睡眠监测方法、系统、存储介质、计算机程序、装置
CN111631710A (zh) * 2020-06-22 2020-09-08 中国科学技术大学 一种状态相关的动态脑电信号中肌电伪迹的消除方法
CN111631688A (zh) * 2020-06-24 2020-09-08 电子科技大学 睡眠自动分期的算法
CN112890829A (zh) * 2021-01-15 2021-06-04 褚明礼 一种基于脑电信息的睡眠状态评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
徐现通等: "睡眠状态下人体生理信号模糊分析系统的研究", 《第一军医大学学报》 *
江朝晖等: "隐马尔可夫模型在睡眠分期中的应用", 《山东生物医学工程》 *
陈群等: "基于脑电节律样本熵的睡眠分期", 《工业控制计算机》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116671875A (zh) * 2023-08-04 2023-09-01 安徽星辰智跃科技有限责任公司 基于小波变换的睡眠可持续性检测调节方法、系统和装置
CN116671875B (zh) * 2023-08-04 2024-04-30 安徽星辰智跃科技有限责任公司 基于小波变换的睡眠可持续性检测调节方法、系统和装置

Also Published As

Publication number Publication date
CN113576410B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Şen et al. A comparative study on classification of sleep stage based on EEG signals using feature selection and classification algorithms
Bruce et al. Sample entropy tracks changes in electroencephalogram power spectrum with sleep state and aging
Peker An efficient sleep scoring system based on EEG signal using complex-valued machine learning algorithms
Rosso et al. Characterization of time dynamical evolution of electroencephalographic epileptic records
Kirsch et al. Entropy-based measures for quantifying sleep-stage transition dynamics: relationship to sleep fragmentation and daytime sleepiness
Talebinejad et al. A Lempel–Ziv complexity measure for muscle fatigue estimation
Tong et al. Emotion recognition based on photoplethysmogram and electroencephalogram
JP2006255134A (ja) 脳波計測表示方法及び装置
CN113576410B (zh) 一种入睡过程动态连续分析方法
WO2014040167A1 (en) Method and software to determine probability of sleep/wake states and quality of sleep and wakefulness from an electroencephalogram
CN107320097B (zh) 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置
Ghorbanian et al. Stochastic non-linear oscillator models of EEG: the Alzheimer's disease case
Farag et al. Automated sleep staging using detrended fluctuation analysis of sleep EEG
Prucnal et al. Analysis of features extracted from EEG epochs by discrete wavelet decomposition and Hilbert transform for sleep apnea detection
Rosenblatt et al. A quantitative analysis of an eeg epileptic record based on multiresolution wavelet coefficients
Lee et al. Automatic sleep staging in patients with obstructive sleep apnea using single-channel frontal EEG
Escudero et al. Interpretation of the auto-mutual information rate of decrease in the context of biomedical signal analysis. Application to electroencephalogram recordings
Su et al. Dynamic analysis of heartbeat rate signals of epileptics using multidimensional phase space reconstruction approach
Keumala et al. Decision tree method to classify the electroencephalography-based emotion data
US20220059210A1 (en) Systems, methods, and devices for custom sleep age implementation
Ao et al. Overcoming the effect of muscle fatigue on gesture recognition based on sEMG via generative adversarial networks
Hinrikus et al. Methods of electroencephalographic signal analysis for detection of small hidden changes
Guillet et al. Tracking rhythms coherence from polysomnographic records: a time-frequency approach
Marwaha et al. Optimal selection of threshold value ‘r’for refined multiscale entropy
Yan et al. An automatic sleep scoring toolbox: multi-modality of polysomnography signals’ processing

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Lin

Inventor after: Liu Tiejun

Inventor after: Gao Dongrui

Inventor after: Wang Yuxiao

Inventor after: Li Jing

Inventor after: Cao Wenpeng

Inventor after: Qin Yun

Inventor after: Wang Manqing

Inventor after: Ying Shaofei

Inventor before: Liu Tiejun

Inventor before: Wang Lin

Inventor before: Gao Dongrui

Inventor before: Li Jing

Inventor before: Cao Wenpeng

Inventor before: Wang Yuxiao

Inventor before: Qin Yun

Inventor before: Wang Manqing

Inventor before: Ying Shaofei

GR01 Patent grant
GR01 Patent grant