CN113876339A - 一种睡眠状态脑电特征信号特征集的构建方法 - Google Patents
一种睡眠状态脑电特征信号特征集的构建方法 Download PDFInfo
- Publication number
- CN113876339A CN113876339A CN202111182428.9A CN202111182428A CN113876339A CN 113876339 A CN113876339 A CN 113876339A CN 202111182428 A CN202111182428 A CN 202111182428A CN 113876339 A CN113876339 A CN 113876339A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- band
- sequence
- amplitude
- wave signals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 210000004556 brain Anatomy 0.000 claims abstract description 118
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000000295 complement effect Effects 0.000 claims description 2
- 230000008602 contraction Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000009499 grossing Methods 0.000 claims 1
- 238000011426 transformation method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 2
- 206010022437 insomnia Diseases 0.000 description 2
- 230000008667 sleep stage Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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]
-
- 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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (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状态脑电特征信号特征集的构建方法。本发明方法首先实时探测脑电波信号，利用小波包变换法得到六个波段的脑电波信号；对去噪后脑电波信号序列进行分解、重构，得到各波段原始脑电波信号幅值；提取六个分波段脑电波信号的能量特征，计算能量比特征值；提取脑电波信号的时域特征、频域特征、非线性动力学特征，并计算Lempel‑Ziv复杂度特征；最后采用最小冗余最大相关性算法对得到的所有特征进行筛选，构建睡眠状态脑电特征信号特征集。本发明方法涵盖的领域更多，更全面，不仅采用去噪脑电波信号，还采用分波段脑电波信号，使得特征更加丰富。
Description
技术领域
本发明属于信息技术领域，具体涉及一种睡眠状态脑电特征信号特征集的构建方法。
背景技术
人类每天大约有八个小时用于睡眠，良好的睡眠质量可以让人精力充沛。但随着科学技术和社会经济的快速发展，工作、学习和生活的压力逐渐增大使得越来越多的人处于不健康的睡眠状态。医学研究表明，偶尔失眠会造成第二天疲倦和动作不协调，长期失眠则会带来注意力不能集中、记忆出现障碍和工作力不从心等后果。
睡眠分期对于睡眠病症的治疗有着关键作用，现有的准确度较高的睡眠分期方法是基于脑电波信号的复杂度和近似熵，利用支持向量机实现了睡眠的自动分期，准确率达到了85.67％，但该方法存在计算速度慢的缺点，且对NREM1的分类准确率低，通常在40％左右。睡眠分期准确度很大程度上受到特征集的影响，特征集的构建至关重要。
发明内容
本发明的目的是针对睡眠分期中，脑电特征集难以构建的问题，提供一种基于能量，时域、频域、非线性动力学域的特征集构建方法。
本发明方法如下：
步骤(1)实时探测脑电波信号，对FPz–Cz脑电波信号进行采集；
步骤(2)利用小波阈值去噪法对采集的原始脑电波信号进行去噪；
步骤(3)利用小波包变换法，依次得到六个波段的脑电波信号：δ波段，0.5-2Hz；st波段，2-6Hz；θ波段，4-8Hz；α波段，8-13Hz；σ波段，12-14Hz；β波段，12-30Hz；
步骤(4)对去噪后脑电波信号序列进行分解、重构，得到各波段原始脑电波信号幅值；
步骤(5)提取六个分波段脑电波信号的能量特征，计算能量比特征值，包括α波段与θ波段的能量比值，以及δ波段与θ波段的能量比值；
步骤(6)提取脑电波信号的时域特征，包括原始脑电波信号时域特征和分波段脑电波信号时域特征；
原始脑电波信号时域特征包括：幅值平均值，幅值绝对值平均值，幅值均方根，幅值方差，Hjorth迁移率，Hjorth复杂度，标准三次方偏度，标准四次方偏度，幅值中位数，幅值峰峰值；分波段脑电波信号时域特征即幅值标准差特征；
步骤(7)提取脑电波信号的频域特征，包括原始脑电波信号频域特征和分波段脑电波信号频域特征；计算功率比特征值，包括：α波段与θ波段的功率比值，以及δ波段与θ波段的功率比值；
步骤(8)提取脑电波信号的非线性动力学特征，对六个波段的原始脑电波信号分别提取谱熵和熵，从去噪脑电波信号提取模糊熵、样本熵、多尺度熵；
步骤(9)将去噪脑电波信号序列转换为有限符号序列，计算Lempel-Ziv复杂度特征；
步骤(10)采用最小冗余最大相关性算法对步骤(5)～(9)得到的所有特征进行筛选，选择有效特征，构建睡眠状态脑电特征信号特征集。
本发明方法基于能量、时域、频域、非线性动力学领域对脑电特征进行提取，提出了一种新的特征构建方法，相较目前根据脑电波信号的复杂度和近似熵进行分类的算法，涵盖的领域更多，更全面。本发明方法采用最大相关最小冗余算法，对特征集进行筛选，得到特征之间冗余度尽可能小的特征集，从而完成特征集构建。本发明方法在特征集的构建过程中，不仅采用去噪脑电波信号，还采用分波段脑电波信号，使得特征更加丰富。
具体实施方式
以下结合具体实施例对本发明加以详细说明。
一种睡眠状态脑电特征信号特征集的构建方法，具体如下：
步骤(1)实时探测脑电波信号，采用单通道脑电采集设备，对FPz-Cz脑电波信号进行采集。从鼻根向后10％处为FPz(额极中线)，从FPz向后每20％为一个电极的位置，依次为Fz(额中线)、Cz(中央中线)、Pz(项中线)及0z(枕中线)。本实施例搜集了国际公开的标准睡眠脑电数据库Sleep-EDF中，8位健康年龄在18～35周岁的健康志愿者在夜间睡眠期间的脑电波信号数据。
步骤(2)利用小波阈值去噪法对采集的原始脑电波信号进行去噪：
将所有的脑电波信号数据以30s为一个周期进行划分，由于采样频率是100Hz，则一个周期包含3000个数据。一段原始脑电波信号表达为：
表示第n个原始脑电波信号幅值，n＝1，2，…，N，N表示原始脑电波信号包含的幅值数量，N＝3000。
采用Db8小波基，即一种有限长会衰减的小波基函数，记为
将原始脑电波信号用一组正交的不同频率的小波基进行展开，得到Db8小波基对应的小波系数
其中，τ为平移量，尺度a控制小波函数的伸缩，与小波的频率成反比。
采用软阈值法对分解后的小波系数进行如下处理：
设定噪声阈值thr＝0.04，
即小于噪声阈值thr的小波系数置为0；符号函数
根据处理后的小波系数WT8′(a，τ)与小波基中的尺度a和平移量τ，对原始脑电波信号进行重构，去完噪后的原始脑电波信号的第n个幅值
步骤(3)利用小波包变换法，依次得到六个波段的脑电波信号：δ波段，0.5-2Hz；st波段，2-6Hz；θ波段，4-8Hz；α波段，8-13Hz；σ波段，12-14Hz；β波段，12-30Hz。
步骤(4)对去完噪后的脑电波信号序列x＝{x1，x2，…，x3000}，采用Db4小波基函数按照二叉树方法进行W层分解，对于第w层的第μ个节点(w，μ)对应的Db4小波基函数记为
w＝1，2，…，W，μ＝1，2，…，2w；xn表示表示第n个去噪后的脑电波信号幅值，n＝1，2，…，3000。
不同的节点中包含不同的尺度a与平移量τ，故对于节点(w，μ)得到不同的小波系数
对于六个波段的脑电波信号，选择二叉树中对应节点组合Ui，i∈(δ，st，θ，α，σ，β)，将Ui内包含的小波系数与小波基进行重构，重构表达式为：
xij表示i波段的脑电波信号第j个幅值，j＝1，2，…，J，J为该波段的脑电波信号包含的幅值数量，J＝N＝3000。j与n一一对应，长度相等，即j＝n＝1，2，…，3000。
步骤(5)提取六个分波段脑电波信号的能量特征
i∈(δ，st，θ，α，σ，β)。
计算能量比特征值，包括：α波段与θ波段的能量比值
以及δ波段与θ波段的能量比值
步骤(6)提取脑电波信号的时域特征，包括原始脑电波信号时域特征和分波段脑电波信号时域特征；
原始脑电波信号时域特征包括：幅值平均值
幅值绝对值平均值
幅值均方根
幅值方差
为原始脑电波信号的平均幅值；Hjorth迁移率
Hjorth复杂度
标准三次方偏度
标准四次方偏度
幅值中位数median(x)；幅值峰峰值xppk＝max(x)-min(x)；
分波段脑电波信号时域特征即幅值标准差特征
其中
为i波段的脑电波信号的平均幅值。
步骤(7)提取脑电波信号的频域特征，包括原始脑电波信号频域特征和分波段脑电波信号频域特征；
原始脑电波信号频域特征即原始脑电波信号平均频率
pk和fk分别为原始脑电波信号功率谱上的第k个采样点的功率密度值和频率值，k＝1，2，…，K，K为原始脑电波功率谱上的采样点总个数，功率谱中频率与功率一一对应。采用MATLAB2019的功率谱密度函数，对于一段为3000个数据的时序数据，经过变换后K＝2049。
分波段脑电波信号频域特征
i∈(δ，st，θ，α，σ，β)；pik为i波段的脑电波信号第k个采样点的功率密度；
计算功率比特征值，包括：α波段与θ波段的功率比值
以及δ波段与θ波段的功率比值
步骤(8)提取脑电波信号的非线性动力学特征，对六个波段的原始脑电波信号分别提取谱熵SE和熵RE，从去噪脑电波信号提取模糊熵、样本熵、多尺度熵，具体是：
a.谱熵是一种度量信号功率不规则性的方法，描述了系统的复杂性，广泛用于电生理信号的分析，谱熵
e为自然常数，约为2.71828，i∈(δ，st，θ，α，σ，β)。
b.熵是一种描述系统复杂度的非线性方法，广泛用于分析电生理信号，熵
i∈(δ，st，θ，α，σ，β)。
c.样本熵：
定义一段χ＝2维数序列，序列由去噪脑电波信号的第n到第N-1个幅值组成，去噪后的脑电波信号的2维第n个幅值Xχ(n)＝{xn，xn+1}，1≤n≤2999；定义序列中各元素之间的距离
1≤n′≤2998且n′≠n；
对于给定的X2(n)，统计d2(n，n′)小于阈值r的数目Bn；再将序列维数增加到3，对于给定的X3(n)，统计d3(n，n′)小于阈值r的数目Cn，则样本熵
中间变量
阈值取r＝0.2std(x)，std(x)表示一个周期内去噪脑电波信号幅值的标准差。
d.模糊熵：
模糊熵也是衡量新模式产生的概率大小，对于2维序列中各元素之间的距离d2(n，n′)，其模糊隶属度
则去噪脑电序列的模糊熵
其中间变量
e.多尺度熵：
设定多尺度熵的尺度因子ρ，将去噪脑电波信号分解为ρ个不相互覆盖的熵序列，对每一个等长的序列求平均值，将平均值组合，本实施例中ρ＝11。尺度因子为ρ的熵序列y的第h个元素
1≤h≤272。对该尺度下的每个序列计算样本熵，则多尺度熵
步骤(9)将去噪脑电波信号序列x＝{x1，x2，…，x3000}转换为有限符号序列，即转换为具有阈值Td的二进值序列Z＝{z1，z2，…，z3000}，其中
计算Lempel-Ziv复杂度特征，具体方法是：
(9-1)设一个新的序列S＝z1，Q和SQ为空序列，模式数初始值c＝1；
(9-2)从二进值序列Z＝{z1，z2，…，zN}的第二个元素开始，每次取一个元素，将第l个元素zl接连到序列Q的尾部，l＝2，3，…，3000，再将Q接连到序列S的尾部，记为新的序列SQ，将SQ的第1到倒数第二个元素记为序列SQv；
(9-3)查找Q是否为SQv的子串：如果是，则模式数c＝c+1，并将Q置为空序列，S＝SQ；否则返回(9-2)；
(9-4)遍历二进值序列Z中所有的元素，Lempel-Ziv复杂度特征
步骤(10)采用最小冗余最大相关性(mRMR)算法对步骤(5)～(9)得到的所有特征进行筛选，选择有效特征，构建睡眠状态脑电特征信号特征集：
所有的脑电数据，按照每3000个数据为一个周期，可以划分为8160个周期，每一个周期对应一个指标，则每个特征集序列的长度T＝8160。对于长度相等的任意两个特征序列fs＝{fs1，fs2，…，fsT}和fs′＝{fs′1，fs′2，…，fs′T}之间的互信息
t，t′＝1，2，…，8160且t≠t′；其中，fst表示特征集序列fs中的第t个元素，fs′t′表示特征集序列fs′第t′个元素，P(fs＝fst)、P(fs′＝fs′t′)和P(fs＝fst，fs′＝fs′t′)为概率密度函数。
由于特征与睡眠分期的输出量(睡眠状态)之间有一一对应关系，故输出序列长度与特征序列相等。所有的特征序列所构成的特征集F中的每个特征序列的MIQ值
fs≠fs′，输出序列g＝{g1，g2，…，g8160}，|F|为F中的总特征数，共计51个特征，即|F|＝51。
计算特征集F与输出序列g之间的相关性
和特征集F中的冗余度
对于单个特征集序列fs，其与输出序列之间的相关性D(F，g)＝I(fs，g)，与其他特征之间的冗余度
fs≠fs′。
该算法的具体流程如下：
(10-1)从F中将与输出序列相关度最大的特征加入到集合Fg中，Fg最开始是空集；
(10-2)在F和Fg的补集Fc中寻找满足D(fs，g)≠0且R(fs)＝0的特征：如果存在这样的特征，则将这些特征中具有最大相关性的特征添加到集合Fg中；否则在Fc中选择满足D(fs，g)≠0且R(fs)＝0，并且MIQ值最大的特征添加到集合Fg中；
(10-3)重复操作(10-2)，直到Fc中所有特征的冗余度均不为0；
(10-4)在Fc中寻找满足D(fs，g)≠0且R(fs)＝0，并且MIQ值最大的特征添加到集合Fg中，直到Fc中所有特征的相关性为0；
(10-5)将Fc中相关性为0的特征以随机的顺序添加到Fg中。
每当需要添加特征时，后添加的排在先添加的后面，从而完成排序。
从排在第一的特征开始，每次增加一个特征作为分类器的输入，从而用于分类器的训练与测试。本实施例采用MATLAB2019B中的支持向量机训练工具进行训练，采用10折交叉验证的方法，得到模型对测试集的准确度，可以绘制得到准确度随特征个数变化的曲线，准确度先快速增加，经过一个拐点后趋于平缓，曲线拐点处对应的特征个数即为最佳个数，此时对应的特征集作为最终特征集，从而完成特征集的构建。
Claims (10)
1.一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，该方法具体是：
步骤(1)实时探测脑电波信号，对FPz–Cz脑电波信号进行采集；
步骤(2)利用小波阈值去噪法对采集的原始脑电波信号进行去噪；
步骤(3)利用小波包变换法，依次得到六个波段的脑电波信号：δ波段，0.5-2Hz；st波段，2-6Hz；θ波段，4-8Hz；α波段，8-13Hz；σ波段，12-14Hz；β波段，12-30Hz；
步骤(4)对去噪后脑电波信号序列进行分解、重构，得到各波段原始脑电波信号幅值；
步骤(5)提取六个分波段脑电波信号的能量特征，计算能量比特征值，包括α波段与θ波段的能量比值，以及δ波段与θ波段的能量比值；
步骤(6)提取脑电波信号的时域特征，包括原始脑电波信号时域特征和分波段脑电波信号时域特征；
原始脑电波信号时域特征包括：幅值平均值，幅值绝对值平均值，幅值均方根，幅值方差，Hjorth迁移率，Hjorth复杂度，标准三次方偏度，标准四次方偏度，幅值中位数，幅值峰峰值；分波段脑电波信号时域特征即幅值标准差特征；
步骤(7)提取脑电波信号的频域特征，包括原始脑电波信号频域特征和分波段脑电波信号频域特征；计算功率比特征值，包括：α波段与θ波段的功率比值，以及δ波段与θ波段的功率比值；
步骤(8)提取脑电波信号的非线性动力学特征，对六个波段的原始脑电波信号分别提取谱熵和熵，从去噪脑电波信号提取模糊熵、样本熵、多尺度熵；
步骤(9)将去噪脑电波信号序列转换为有限符号序列，计算Lempel-Ziv复杂度特征；
步骤(10)采用最小冗余最大相关性算法对步骤(5)～(9)得到的所有特征进行筛选，选择有效特征，构建睡眠状态脑电特征信号特征集。
2.如权利要求1所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(1)中采用单通道脑电采集设备进行脑电波信号采集。
3.如权利要求2所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(2)具体是：
一段原始脑电波信号表达为：
表示第n个原始脑电波信号幅值，n＝1,2,...,N，N表示原始脑电波信号包含的幅值数量；
采用Db8小波基
将原始脑电波信号用一组正交的不同频率的小波基进行展开，得到Db8小波基对应的小波系数
其中，τ为平移量，尺度a控制小波函数的伸缩；
采用软阈值法对分解后的小波系数进行如下处理：
4.如权利要求3所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(4)具体是：
对去噪后的脑电波信号序列x＝{x1,x2,…,xN}，采用Db4小波基函数按照二叉树方法进行W层分解，对于第w层的第μ个节点(w,μ)对应的Db4小波基函数记为
xn表示表示第n个去噪后的脑电波信号幅值，n＝1,2,...,N；
对于节点(w,μ)得到不同的小波系数
对于六个波段的脑电波信号，选择二叉树中对应节点组合Ui，i∈(δ,st,θ,α,σ,β)，将Ui内包含的小波系数与小波基进行重构，重构表达式为：
5.如权利要求4所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(5)具体是：
提取六个分波段脑电波信号的能量特征
计算能量比特征值，包括：α波段与θ波段的能量比值
以及δ波段与θ波段的能量比值
6.如权利要求5所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(6)中，所述的幅值平均值
所述的幅值绝对值平均值
所述的幅值均方根
所述的幅值方差
为原始脑电波信号的平均幅值；所述的Hjorth迁移率
所述的Hjorth复杂度
所述的标准三次方偏度
所述的标准四次方偏度
所述的幅值中位数median(x)；所述的幅值峰峰值xppk＝max(x)-min(x)；所述的幅值标准差特征
其中
为i波段的脑电波信号的平均幅值。
7.如权利要求6所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(7)具体是：
原始脑电波信号频域特征即原始脑电波信号平均频率
pk和fk分别为原始脑电波信号功率谱上的第k个采样点的功率密度值和频率值，k＝1,2,…,K，K为原始脑电波功率谱上的采样点总个数，功率谱中频率与功率一一对应；
分波段脑电波信号频域特征
pik为i波段的脑电波信号第k个采样点的功率密度；
计算功率比特征值，包括：α波段与θ波段的功率比值
以及δ波段与θ波段的功率比值
8.如权利要求7所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(8)具体是：
谱熵
e为自然常数，i∈(δ,st,θ,α,σ,β)，k＝1,2,…,K；
熵
样本熵的提取方法是：定义一段χ维数序列,序列由去噪脑电波信号的第n到第N-χ+1个幅值组成，去噪后的脑电波信号的χ维第n个幅值Xχ(n)＝{xn,xn+1,…,xn+χ-1}，1≤n≤N-χ+1；定义序列中各元素之间的距离
1≤n′≤N-χ且n′≠n；对于给定的Xχ(n)，统计dχ(n,n′)小于阈值r的数目Bn；再将序列维数增加到χ+1，对于给定的Xχ+1(n)，统计dχ+1(n,n′)小于阈值r的数目Cn，则样本熵
中间变量
0.15std(x)≤r≤0.25std(x)，std(x)表示一个周期内去噪脑电波信号幅值的标准差；
模糊熵的提取方法是：对于一段χ维序列中各元素之间的距离dχ(n,n′)，其模糊隶属度
则去噪脑电序列的模糊熵
其中间变量
多尺度熵提取方法是：设定多尺度熵的尺度因子ρ，将去噪脑电波信号分解为ρ个不相互覆盖的熵序列，对每一个等长的序列求平均值，将平均值组合，尺度因子为ρ的熵序列y的第h个元素
表示向下取整；对该尺度下的每个序列计算样本熵，则多尺度熵
9.如权利要求8所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(9)具体是：
将去噪脑电波信号序列x＝{x1,x2,…,xN}转换为有限符号序列，即转换为具有阈值Td的二进值序列Z＝{z1,z2,…,zN}，其中
计算Lempel-Ziv复杂度特征，具体方法是：
(9-1)设一个新的序列S＝z1，Q和SQ为空序列，模式数初始值c＝1；
(9-2)从二进值序列Z＝{z1,z2,…,zN}的第二个元素开始，每次取一个元素，将第l个元素zl接连到序列Q的尾部，l＝2,3,…,N，再将Q接连到序列S的尾部，记为新的序列SQ，将SQ的第1到倒数第二个元素记为序列SQv；
(9-3)查找Q是否为SQv的子串：如果是，则模式数c＝c+1，并将Q置为空序列，S＝SQ；否则返回(9-2)；
(9-4)遍历二进值序列Z中所有的元素，Lempel-Ziv复杂度特征
10.如权利要求9所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(10)具体是：
(10-1)从所有的特征序列所构成的特征集F中将与输出序列相关度最大的特征加入到集合Fg中，Fg最开始是空集；
(10-2)在F和Fg的补集Fc中寻找满足D(fs,g)≠0且R(fs)＝0的特征，D(F,g)为特征集F与输出序列g之间的相关性，R(fs)为特征集序列fs与其他特征之间的冗余度：如果存在这样的特征，则将这些特征中具有最大相关性的特征添加到集合Fg中；否则在Fc中选择满足D(fs,g)≠0且R(fs)＝0，并且MIQ值最大的特征添加到集合Fg中；
(10-3)重复操作(10-2)，直到Fc中所有特征的冗余度均不为0；
(10-4)在Fc中寻找满足D(fs,g)≠0且R(fs)＝0，并且MIQ值最大的特征添加到集合Fg中，直到Fc中所有特征的相关性为0；
(10-5)将Fc中相关性为0的特征以随机的顺序添加到Fg中，每当添加特征时，后添加的排在先添加的后面，完成排序；
从排序为第一的特征开始，每次增加一个特征作为分类器的输入，从而用于分类器的训练与测试，将训练好的模型对测试集的准确度作为当前所选取的特征集的准确度，直到把所有的特征都作为输入后，绘制得到准确度随特征个数变化的曲线，准确度先快速增加，经过一个拐点后趋于平缓，曲线拐点处对应的特征个数即为最佳个数，此时对应的特征集作为最终特征集，从而完成特征集的构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111182428.9A CN113876339A (zh) | 2021-10-11 | 2021-10-11 | 一种睡眠状态脑电特征信号特征集的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111182428.9A CN113876339A (zh) | 2021-10-11 | 2021-10-11 | 一种睡眠状态脑电特征信号特征集的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113876339A true CN113876339A (zh) | 2022-01-04 |
Family
ID=79006056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111182428.9A Pending CN113876339A (zh) | 2021-10-11 | 2021-10-11 | 一种睡眠状态脑电特征信号特征集的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113876339A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116491909A (zh) * | 2023-06-27 | 2023-07-28 | 北京理工大学 | 一种基于振幅调制多尺度熵的睡眠动力学表征方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103501694A (zh) * | 2011-03-24 | 2014-01-08 | 德尔格医疗系统有限公司 | 测量生理信号质量的装置及方法 |
| CN105426842A (zh) * | 2015-11-19 | 2016-03-23 | 浙江大学 | 基于支持向量机的表面肌电信号多类手部动作识别方法 |
| 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 |
| 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 |
| US20210000426A1 (en) * | 2019-07-04 | 2021-01-07 | Peking University | Classification system of epileptic eeg signals based on non-linear dynamics features |
-
2021
- 2021-10-11 CN CN202111182428.9A patent/CN113876339A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103501694A (zh) * | 2011-03-24 | 2014-01-08 | 德尔格医疗系统有限公司 | 测量生理信号质量的装置及方法 |
| CN105426842A (zh) * | 2015-11-19 | 2016-03-23 | 浙江大学 | 基于支持向量机的表面肌电信号多类手部动作识别方法 |
| 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 |
| 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 |
| US20210000426A1 (en) * | 2019-07-04 | 2021-01-07 | Peking University | Classification system of epileptic eeg signals based on non-linear dynamics features |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116491909A (zh) * | 2023-06-27 | 2023-07-28 | 北京理工大学 | 一种基于振幅调制多尺度熵的睡眠动力学表征方法 |
| CN116491909B (zh) * | 2023-06-27 | 2023-09-12 | 北京理工大学 | 一种基于振幅调制多尺度熵的睡眠动力学表征方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
| CN102697493B (zh) | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 | |
| CN106709469B (zh) | 基于脑电和肌电多特征的自动睡眠分期方法 | |
| CN104809434B (zh) | 一种基于单通道脑电信号眼电伪迹去除的睡眠分期方法 | |
| CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
| CN108959895B (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
| CN104091172A (zh) | 一种运动想象脑电信号的特征提取方法 | |
| CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
| CN109598222B (zh) | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 | |
| CN110929581A (zh) | 一种基于时空特征加权卷积神经网络的脑电信号识别方法 | |
| CN108921141B (zh) | 一种基于深度自编码神经网络的脑电信号eeg特征提取方法 | |
| CN109431497A (zh) | 一种脑电信号处理方法及癫痫检测系统 | |
| CN114732424B (zh) | 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 | |
| CN112465069A (zh) | 一种基于多尺度卷积核cnn的脑电情绪分类方法 | |
| CN113876339A (zh) | 一种睡眠状态脑电特征信号特征集的构建方法 | |
| Zeng et al. | A new statistical-based algorithm for ECG identification | |
| CN113476056B (zh) | 一种基于频域图卷积神经网络的运动想象脑电信号分类方法 | |
| CN114492500A (zh) | 基于一维卷积核的运动想象脑电信号分类方法 | |
| CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
| Gürkan et al. | EEG signal compression based on classified signature and envelope vector sets | |
| CN115281676B (zh) | 基于gru神经网络和ecg信号的疲劳检测方法 | |
| CN111603161A (zh) | 一种脑电分类方法 | |
| CN116776245A (zh) | 一种基于机器学习的三相逆变器设备故障诊断方法 | |
| CN116172576A (zh) | 一种基于多模块神经网络的脑电信号伪迹去除方法 | |
| CN113537412B (zh) | 基于卷积神经网络的肺病听诊系统、信号处理方法及设备 |
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 |