CN114159078A - 一种入睡点检测方法及终端 - Google Patents
一种入睡点检测方法及终端 Download PDFInfo
- Publication number
- CN114159078A CN114159078A CN202111474756.6A CN202111474756A CN114159078A CN 114159078 A CN114159078 A CN 114159078A CN 202111474756 A CN202111474756 A CN 202111474756A CN 114159078 A CN114159078 A CN 114159078A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- wave data
- power spectrum
- mean square
- root mean
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 210000004556 brain Anatomy 0.000 claims abstract description 217
- 238000001228 spectrum Methods 0.000 claims abstract description 138
- 238000001914 filtration Methods 0.000 claims description 46
- 238000001514 detection method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/24—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
-
- 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
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Anesthesiology (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点检测方法及终端,采集原始脑波数据;基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根;基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点,通过采集原始脑波数据,基于原始脑波数据计算得到高频功率谱和均方根,最后基于高频功率谱和均方根对纺锤波进行检测,并根据检测到的纺锤波确定入睡点,纺锤波能最直接地体现睡眠状态,通过计算得到的高频功率谱和均方根检测纺锤波可减少纺锤波的误判,从而简单、准确地检测入睡点。
Description
技术领域
本发明涉及脑电波检测技术领域,尤其涉及一种入睡点检测方法及终端。
背景技术
在现有的入睡点检测手段中,一种是在医学上用PSG(多导睡眠监测,Polysomnography)作为检测手段,另一种是利用可穿戴设备,比如利用手环作为入睡点的检测手段。但是PSG需要在医院中使用多种仪器进行检测,且需要在医院睡眠一至两晚,方法较为麻烦;而使用手环的话,由于大部分是通过重力传感器、心率、呼吸和血氧等指标进行判断,虽然使用起来比PSG要方便,但是从原理上说,这些指标只是一种间接的入睡点检测,因为睡眠主要还是需要通过大脑进行控制的,所以只通过这些指标检测入睡点不够直接和准确。
发明内容
本发明所要解决的技术问题是:提供一种入睡点检测方法及终端,能够简单、准确地检测入睡点。
为了解决上述技术问题,本发明采用的一种技术方案为:
一种入睡点检测方法,包括:
采集原始脑波数据;
基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根;
基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种入睡点检测终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
采集原始脑波数据;
基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根;
基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点。
本发明的有益效果在于:采集原始脑波数据,基于原始脑波数据计算得到高频功率谱和均方根,最后基于高频功率谱和均方根对纺锤波进行检测,并根据检测到的纺锤波确定入睡点,纺锤波能最直接地体现睡眠状态,通过计算得到的高频功率谱和均方根检测纺锤波可减少纺锤波的误判,从而简单、准确地检测入睡点。
附图说明
图1为本发明实施例的一种入睡点检测方法的步骤流程图;
图2为本发明实施例的一种入睡点检测终端的结构示意图;
图3为本发明实施例的入睡点检测方法中一级滤波和二级滤波的流程图;
图4为本发明实施例的入睡点检测方法中检测入睡点的整体流程图;
图5为本发明实施例的入睡点检测方法中第二脑波数据时频图;
图6为本发明实施例的入睡点检测方法中高频功率谱示意图;
图7为本发明实施例的入睡点检测方法中均方根曲线图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1,本发明实施例提供了一种入睡点检测方法,包括:
采集原始脑波数据;
基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根;
基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点。
从上述描述可知,本发明的有益效果在于:采集原始脑波数据,基于原始脑波数据计算得到高频功率谱和均方根,最后基于高频功率谱和均方根对纺锤波进行检测,并根据检测到的纺锤波确定入睡点,纺锤波能最直接地体现睡眠状态,通过计算得到的高频功率谱和均方根检测纺锤波可减少纺锤波的误判,从而简单、准确地检测入睡点。
进一步地,所述基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根包括:
将所述原始脑波数据进行一级滤波,得到第一脑波数据,并对所述第一脑波数据进行二级滤波,得到第二脑波数据;
基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根。
由上述描述可知,将原始脑波数据进行一级滤波和二级滤波,能够很好地抑制原始脑波数据中的高频噪声、低频噪声以及基线漂移,基于过滤后的第二脑波数据计算得到高频功率谱和均方根,便于更加准确地检测入睡点。
进一步地,所述将所述原始脑波数据进行一级滤波,得到第一脑波数据,并对所述第一脑波数据进行二级滤波,得到第二脑波数据包括:
使用第一低通滤波器和第一高通滤波器对所述原始脑波数据进行一级滤波,得到第一脑波数据,并使用第二低通滤波器和第二高通滤波器对所述第一脑波数据进行二级滤波,得到第二脑波数据。
由上述描述可知,使用第一低通滤波器和第一高通滤波器对原始脑波数据进行一级滤波,实现第一次预处理,使用第二低通滤波器和第二高通滤波器对第一脑波数据进行二级滤波,实现第二预处理,每级滤波都使用两个滤波器进行,能够更准确、合理地抑制原始脑波数据中的高频噪声、低频噪声以及基线漂移,提高了数据预处理的效果。
进一步地,所述基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根包括:
对所述第二脑波数据进行傅里叶变换,得到与所述第二脑波数据对应的幅度谱,并将所述幅度谱转化为功率谱;
从所述功率谱中确定预设频率范围对应的目标功率谱,并对所述目标功率谱的密度计算平均值,得到高频功率谱,所述高频功率谱为眼部高频肌电信号的功率谱;
根据所述第二脑波数据计算所述原始脑波数据对应的时域均方根。
由上述描述可知,对第二脑波数据进行傅里叶变换,将得到的幅度谱转化为功率谱,从功率谱中确定预设频率范围对应的目标功率谱,并对目标功率谱的密度计算平均值,得到高频功率谱,后续能够利用高频功率谱获取高频信号状态,基于高频信号状态能够减少后续纺锤波的误判,根据第二脑波数据计算原始脑波数据对应的时域均方根,时域均方根可用于后续进行纺锤波的判断,从而实现简单、准确地入睡点检测。
进一步地,所述基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根时还包括:
基于所述高频功率谱获取所述原始脑波数据对应的高频信号状态,所述高频信号状态包括稳定状态与下降状态;
根据所述时域均方根确定均方根基线;
所述基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点包括:
判断所述高频信号状态是否为所述稳定状态或所述下降状态,若否,则确定所述原始脑波数据不存在纺锤波,若是,则判断所述时域均方根是否大于所述均方根基线,且所述时域均方根大于或等于第一预设时间,所述均方根基线对应的持续时间小于或等于第二预设时间,若均否,则确定所述原始脑波数据不存在纺锤波,若均是,则确定所述原始脑波数据存在纺锤波,并获取所述纺锤波对应的数量;
判断所述纺锤波对应的数量是否达到第一预设数量,若是,则确定所述原始脑波数据存在入睡点,并根据所述纺锤波确定入睡点,若否,则输出入睡点确认失败提示。
由上述描述可知,由于睡前睁眼阶段存在相对较强的高频肌电信号,睡前从睁眼到闭眼的过程,高频肌电信号会存在一个较为明显的下降过程,即高频肌电信号会逐渐减少甚至消失,且该信号的幅度大,波动性也大,所以当高频信号状态为稳定状态或下降状态时,则可能存在纺锤波,再判断时域均方根是否大于均方根基线,且时域均方根大于或等于第一预设时间,均方根基线对应的持续时间小于或等于第二预设时间,若是的话,则可以确定存在纺锤波,通过上述两个条件来确定是否存在纺锤波,能够减少纺锤波的误判,提高纺锤波判断的准确性,而只有在纺锤波对应的数量达到第一预设数量时,才认为进入了睡眠,存在入睡点,进一步提高了入睡点检测的准确性。
请参照图2,一种入睡点检测终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
采集原始脑波数据;
基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根;
基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点。
从上述描述可知,本发明的有益效果在于:采集原始脑波数据,基于原始脑波数据计算得到高频功率谱和均方根,最后基于高频功率谱和均方根对纺锤波进行检测,并根据检测到的纺锤波确定入睡点,纺锤波能最直接地体现睡眠状态,通过计算得到的高频功率谱和均方根检测纺锤波可减少纺锤波的误判,从而简单、准确地检测入睡点。
进一步地,所述基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根包括:
将所述原始脑波数据进行一级滤波,得到第一脑波数据,并对所述第一脑波数据进行二级滤波,得到第二脑波数据;
基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根。
由上述描述可知,将原始脑波数据进行一级滤波和二级滤波,能够很好地抑制原始脑波数据中的高频噪声、低频噪声以及基线漂移,基于过滤后的第二脑波数据计算得到高频功率谱和均方根,便于更加准确地检测入睡点。
进一步地,所述将所述原始脑波数据进行一级滤波,得到第一脑波数据,并对所述第一脑波数据进行二级滤波,得到第二脑波数据包括:
使用第一低通滤波器和第一高通滤波器对所述原始脑波数据进行一级滤波,得到第一脑波数据,并使用第二低通滤波器和第二高通滤波器对所述第一脑波数据进行二级滤波,得到第二脑波数据。
由上述描述可知,使用第一低通滤波器和第一高通滤波器对原始脑波数据进行一级滤波,实现第一次预处理,使用第二低通滤波器和第二高通滤波器对第一脑波数据进行二级滤波,实现第二预处理,每级滤波都使用两个滤波器进行,能够更准确、合理地抑制原始脑波数据中的高频噪声、低频噪声以及基线漂移,提高了数据预处理的效果。
进一步地,所述基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根包括:
对所述第二脑波数据进行傅里叶变换,得到与所述第二脑波数据对应的幅度谱,并将所述幅度谱转化为功率谱;
从所述功率谱中确定预设频率范围对应的目标功率谱,并对所述目标功率谱的密度计算平均值,得到高频功率谱,所述高频功率谱为眼部高频肌电信号的功率谱;
根据所述第二脑波数据计算所述原始脑波数据对应的时域均方根。
由上述描述可知,对第二脑波数据进行傅里叶变换,将得到的幅度谱转化为功率谱,从功率谱中确定预设频率范围对应的目标功率谱,并对目标功率谱的密度计算平均值,得到高频功率谱,后续能够利用高频功率谱获取高频信号状态,基于高频信号状态能够减少后续纺锤波的误判,根据第二脑波数据计算原始脑波数据对应的时域均方根,时域均方根可用于后续进行纺锤波的判断,从而实现简单、准确地入睡点检测。
进一步地,所述基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根时还包括:
基于所述高频功率谱获取所述原始脑波数据对应的高频信号状态,所述高频信号状态包括稳定状态与下降状态;
根据所述时域均方根确定均方根基线;
所述基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点包括:
判断所述高频信号状态是否为所述稳定状态或所述下降状态,若否,则确定所述原始脑波数据不存在纺锤波,若是,则判断所述时域均方根是否大于所述均方根基线,且所述时域均方根大于或等于第一预设时间,所述均方根基线对应的持续时间小于或等于第二预设时间,若均否,则确定所述原始脑波数据不存在纺锤波,若均是,则确定所述原始脑波数据存在纺锤波,并获取所述纺锤波对应的数量;
判断所述纺锤波对应的数量是否达到第一预设数量,若是,则确定所述原始脑波数据存在入睡点,并根据所述纺锤波确定入睡点,若否,则输出入睡点确认失败提示。
由上述描述可知,由于睡前睁眼阶段存在相对较强的高频肌电信号,睡前从睁眼到闭眼的过程,高频肌电信号会存在一个较为明显的下降过程,即高频肌电信号会逐渐减少甚至消失,且该信号的幅度大,波动性也大,所以当高频信号状态为稳定状态或下降状态时,则可能存在纺锤波,再判断时域均方根是否大于均方根基线,且时域均方根大于或等于第一预设时间,均方根基线对应的持续时间小于或等于第二预设时间,若是的话,则可以确定存在纺锤波,通过上述两个条件来确定是否存在纺锤波,能够减少纺锤波的误判,提高纺锤波判断的准确性,而只有在纺锤波对应的数量达到第一预设数量时,才认为进入了睡眠,存在入睡点,进一步提高了入睡点检测的准确性。
本发明上述的一种入睡点检测方法及终端能够适用于需要进行入睡点判断的应用场景中,以下通过具体实施方式进行说明:
实施例一
请参照图1、3、4,本实施例的一种入睡点检测方法,包括:
S1、采集原始脑波数据;
具体的,采用脑电头环采集前额双通道原始脑波数据;
采集前额双通道原始脑波数据能够确保采集信号的质量与有效性;
S2、基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根,包括:
S21、将所述原始脑波数据进行一级滤波,得到第一脑波数据,并对所述第一脑波数据进行二级滤波,得到第二脑波数据;
S21具体包括:S211、使用第一低通滤波器和第一高通滤波器对所述原始脑波数据进行一级滤波,得到第一脑波数据,并使用第二低通滤波器和第二高通滤波器对所述第一脑波数据进行二级滤波,得到第二脑波数据,如图3所示;
其中,所述第一低通滤波器主要用于抑制原始脑波数据中的高频噪声,设计为2阶的Butterworth(巴特沃斯)低通滤波器,截止频率设置为45Hz,所述第二高通滤波器主要用于抑制原始脑波数据中的低频噪声和基线漂移,设计为2阶的Butterworth高通滤波器,截止频率设置为2Hz,一级滤波的实现即是2个2阶滤波器进行级联并行实现,有效地提升了数据处理效率,减少了算法的时间复杂度;
所述第二低通滤波器设计为2阶的Butterworth低通滤波器,截止频率设置为2Hz,所述第二高通滤波器设计为2阶的Butterworth高通滤波器,截止频率选定为45Hz,先使用第二低通滤波器对所述第一脑波数据进行滤波处理,处理完成后,使用第二高通滤波器对经过第二低通滤波器处理后的第一脑波数据进行处理,得到便于计算高频功率谱和均方根的第二脑波数据;
由于佩戴脑电头环可能存在佩戴异常的情况,因该情况产生的数据需要排除掉,因此需要进行脑波数据的质量检测,如图4所示,所述S211之后还包括质量检测步骤:
S212、判断所述第二脑波数据中的每一目标第二脑波数据是否大于第一预设阈值,若是,则将所述目标第二脑波数据标记为异常数据,并剔除所述异常数据后执行步骤a,若否,则直接执行步骤a;
a、获取所述第二脑波数据中的每一相邻第二脑波数据的跳变幅度;判断所述跳变幅度是否大于第二预设阈值,且预设时间范围内均存在所述跳变幅度大于所述第二预设阈值的情况,若均是,则将所述相邻第二脑波数据标记为异常数据,并剔除所述异常数据;
本实施例中,所述第一预设阈值为200000uV,所述第二预设阈值为1000uV,所述预设时间范围为当前时间的前5秒~当前时间的后5秒;
后续步骤中均使用经过质量检测后的第二脑波数据进行计算,以此提高了数据的可靠性,从而能够准确地检测入睡点;
S22、基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根;
S3、基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点。
实施例二
请参照图1、4,本实施例在实施例一的基础上进一步限定了如何计算高频功率谱与均方根,具体为:
如图4所示,所述S22具体为:
S221、对所述第二脑波数据进行傅里叶变换,得到与所述第二脑波数据对应的幅度谱,并将所述幅度谱转化为功率谱;
具体的,使用傅里叶变换公式对所述第二脑波数据进行傅里叶变换,单位数据长度为512,频率分辨率为0.5Hz,计算得到各个频率对应的幅度,即与所述第二脑波数据对应的幅度谱,并将所述幅度谱转化为功率谱psd,即:
psd=2mag2/N/fs;
式中,mag表示所述幅度谱,N表示所述单位数据长度,fs表示采样率;
本实施例中,所述采样率为250;
S222、从所述功率谱中确定预设频率范围对应的目标功率谱,并对所述目标功率谱的密度计算平均值,得到高频功率谱,所述高频功率谱为眼部高频肌电信号的功率谱;
本实施例中,所述预设频率范围为20~45;
S223、基于所述高频功率谱获取所述原始脑波数据对应的高频信号状态,所述高频信号状态包括稳定状态与下降状态;
S223具体包括步骤:S2231、对所述高频功率谱中的每一高频功率谱数据进行第二预设数量点的中值滤波,得到中值滤波后的高频功率谱;
在一种可选的实施方式中,所述第二预设数量为11个;
S2232、从所述中值滤波后的高频功率谱中获取第三预设数量的数据,并计算所述第三预设数量的数据对应的标准差;
在一种可选的实施方式中,所述第三预设数量为180;
S2233、判断所述标准差是否小于第三预设阈值,若是,则确定所述高频信号状态为稳定状态,若否,则执行S3134;
确定原始脑波数据对应的高频信号状态为稳定状态后,后续则不需要再进行计算与判断;
在一种可选的实施方式中,所述第三预设阈值为0.015;
S2234、从所述高频功率谱中获取距离当前时间最近的预设时间段内的高频功率谱数据,或距离当前时间最近的第四预设数量的高频功率谱数据;
在一种可选的实施方式中,所述预设时间段为6分钟,所述第四预设数量为360;
S2235、将所述高频功率谱数据划分为前第五预设数量的高频功率谱数据和后第六预设数量的高频功率谱数据;
在一种可选的实施方式中,所述第五预设数量为180个,所述第六预设数量为180个;
S2236、计算所述前第五预设数量的高频功率谱数据的20%分位数,得到第一分位数,计算所述后第六预设数量的高频功率谱数据的80%分位数,得到第二分位数;
S2237、判断所述第一分位数是否大于所述第二分位数,若是,则确定所述高频信号状态为下降状态;
确定原始脑波数据对应的高频信号状态为下降状态后,后续则不需要再进行计算与判断;
S224、根据所述第二脑波数据计算所述原始脑波数据对应的时域均方根;
所述时域均方根xRMS为:
式中,x表示所述第二脑波数据,N表示所述第二脑波数据的总数量,n表示所述第二脑波数据的次序;
在一种可选的实施方式中,每接收到预设量的信号则计算一次时域均方根;
S225、根据所述时域均方根确定均方根基线;
具体的,从所述时域均方根中获取最近两分钟的时域均方根,得到目标时域均方根,并计算所述目标时域均方根的中值,得到均方根基线;
如图4所示,所述S3具体为:
S31、判断所述高频信号状态是否为所述稳定状态或所述下降状态,若否,则确定所述原始脑波数据不存在纺锤波,若是,则执行S311;
S311、判断所述时域均方根是否大于所述均方根基线,且所述时域均方根大于或等于第一预设时间,所述均方根基线对应的持续时间小于或等于第二预设时间,若均否,则确定所述原始脑波数据不存在纺锤波,若均是,则确定所述原始脑波数据存在纺锤波,并执行S312;
本实施例中,所述第一预设时间为1秒,所述第二预设时间为3秒;
S312、获取所述纺锤波对应的数量;
在一种可选的实施方式中,获取连续的纺锤波的数量;
S313、判断所述纺锤波对应的数量是否达到第一预设数量,若是,则确定所述原始脑波数据存在入睡点,并根据所述纺锤波确定入睡点,若否,则输出入睡点确认失败提示;
本实施例中,所述预设数量为5个,即检测到五个连续的纺锤波后判断进入了睡眠,寻找对应的入睡点,能够减少入睡点的误判;
图5展示了本实施例中的第二脑波数据时频图,可以看出,在10分之后10~15Hz出现了明显的纺锤波;
图6展示了本实施例中高频功率谱示意图,可以看出,在7分钟左右高频能量为下降状态,10分钟之后进入了稳定状态;
图7展示了本实施例中均方根曲线图,其中包括时域均方根(即RMS)和均方根基线(即RMS基线),可以看出,10分钟后检测到了大量的纺锤波,并在11分钟检测到了入睡点。
实施例四
请参照图2,一种入睡点检测终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例一、实施例二或实施例三中的入睡点检测方法中的各个步骤。
综上所述,本发明提供的一种入睡点检测方法及终端,采集原始脑波数据;将所述原始脑波数据进行一级滤波,得到第一脑波数据,并对所述第一脑波数据进行二级滤波,得到第二脑波数据;基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根,基于所述高频功率谱获取所述原始脑波数据对应的高频信号状态,根据所述时域均方根确定均方根基线;判断所述高频信号状态是否为所述稳定状态或所述下降状态,若是,则判断所述时域均方根是否大于所述均方根基线,且所述时域均方根大于或等于第一预设时间,所述均方根基线对应的持续时间小于或等于第二预设时间,若均是,则确定所述原始脑波数据存在纺锤波,并获取所述纺锤波对应的数量;然后判断所述纺锤波对应的数量是否达到第一预设数量,若是,则确定所述原始脑波数据存在入睡点,并根据所述纺锤波确定入睡点,通过上述两个条件来确定是否存在纺锤波,能够减少纺锤波的误判,提高纺锤波判断的准确性,而只有在纺锤波对应的数量达到预设数量时,才认为进入了睡眠,存在入睡点,进一步提高了入睡点检测的准确性,纺锤波能最直接地体现睡眠状态,在过滤原始脑波数据后通过计算得到的高频功率谱和均方根检测纺锤波可减少纺锤波的误判,从而简单、准确地检测入睡点。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种入睡点检测方法,其特征在于,包括:
采集原始脑波数据;
基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根;
基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点。
2.根据权利要求1所述的一种入睡点检测方法,其特征在于,所述基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根包括:
将所述原始脑波数据进行一级滤波,得到第一脑波数据,并对所述第一脑波数据进行二级滤波,得到第二脑波数据;
基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根。
3.根据权利要求2所述的一种入睡点检测方法,其特征在于,所述将所述原始脑波数据进行一级滤波,得到第一脑波数据,并对所述第一脑波数据进行二级滤波,得到第二脑波数据包括:
使用第一低通滤波器和第一高通滤波器对所述原始脑波数据进行一级滤波,得到第一脑波数据,并使用第二低通滤波器和第二高通滤波器对所述第一脑波数据进行二级滤波,得到第二脑波数据。
4.根据权利要求2所述的一种入睡点检测方法,其特征在于,所述基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根包括:
对所述第二脑波数据进行傅里叶变换,得到与所述第二脑波数据对应的幅度谱,并将所述幅度谱转化为功率谱;
从所述功率谱中确定预设频率范围对应的目标功率谱,并对所述目标功率谱的密度计算平均值,得到高频功率谱,所述高频功率谱为眼部高频肌电信号的功率谱;
根据所述第二脑波数据计算所述原始脑波数据对应的时域均方根。
5.根据权利要求4所述的一种入睡点检测方法,其特征在于,所述基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根时还包括:
基于所述高频功率谱获取所述原始脑波数据对应的高频信号状态,所述高频信号状态包括稳定状态与下降状态;
根据所述时域均方根确定均方根基线;
所述基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点包括:
判断所述高频信号状态是否为所述稳定状态或所述下降状态,若否,则确定所述原始脑波数据不存在纺锤波,若是,则判断所述时域均方根是否大于所述均方根基线,且所述时域均方根大于或等于第一预设时间,所述均方根基线对应的持续时间小于或等于第二预设时间,若均否,则确定所述原始脑波数据不存在纺锤波,若均是,则确定所述原始脑波数据存在纺锤波,并获取所述纺锤波对应的数量;
判断所述纺锤波对应的数量是否达到第一预设数量,若是,则确定所述原始脑波数据存在入睡点,并根据所述纺锤波确定入睡点,若否,则输出入睡点确认失败提示。
6.一种入睡点检测终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
采集原始脑波数据;
基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根;
基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点。
7.根据权利要求6所述的一种入睡点检测终端,其特征在于,所述基于所述原始脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根包括:
将所述原始脑波数据进行一级滤波,得到第一脑波数据,并对所述第一脑波数据进行二级滤波,得到第二脑波数据;
基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根。
8.根据权利要求7所述的一种入睡点检测终端,其特征在于,所述将所述原始脑波数据进行一级滤波,得到第一脑波数据,并对所述第一脑波数据进行二级滤波,得到第二脑波数据包括:
使用第一低通滤波器和第一高通滤波器对所述原始脑波数据进行一级滤波,得到第一脑波数据,并使用第二低通滤波器和第二高通滤波器对所述第一脑波数据进行二级滤波,得到第二脑波数据。
9.根据权利要求7所述的一种入睡点检测终端,其特征在于,所述基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根包括:
对所述第二脑波数据进行傅里叶变换,得到与所述第二脑波数据对应的幅度谱,并将所述幅度谱转化为功率谱;
从所述功率谱中确定预设频率范围对应的目标功率谱,并对所述目标功率谱的密度计算平均值,得到高频功率谱,所述高频功率谱为眼部高频肌电信号的功率谱;
根据所述第二脑波数据计算所述原始脑波数据对应的时域均方根。
10.根据权利要求9所述的一种入睡点检测终端,其特征在于,所述基于所述第二脑波数据计算得到与所述原始脑波数据对应的高频功率谱和均方根时还包括:
基于所述高频功率谱获取所述原始脑波数据对应的高频信号状态,所述高频信号状态包括稳定状态与下降状态;
根据所述时域均方根确定均方根基线;
所述基于所述高频功率谱和所述均方根对纺锤波进行检测,并根据检测到的所述纺锤波确定入睡点包括:
判断所述高频信号状态是否为所述稳定状态或所述下降状态,若否,则确定所述原始脑波数据不存在纺锤波,若是,则判断所述时域均方根是否大于所述均方根基线,且所述时域均方根大于或等于第一预设时间,所述均方根基线对应的持续时间小于或等于第二预设时间,若均否,则确定所述原始脑波数据不存在纺锤波,若均是,则确定所述原始脑波数据存在纺锤波,并获取所述纺锤波对应的数量;
判断所述纺锤波对应的数量是否达到第一预设数量,若是,则确定所述原始脑波数据存在入睡点,并根据所述纺锤波确定入睡点,若否,则输出入睡点确认失败提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111474756.6A CN114159078B (zh) | 2021-12-03 | 2021-12-03 | 一种入睡点检测方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111474756.6A CN114159078B (zh) | 2021-12-03 | 2021-12-03 | 一种入睡点检测方法及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114159078A true CN114159078A (zh) | 2022-03-11 |
CN114159078B CN114159078B (zh) | 2024-04-02 |
Family
ID=80483200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111474756.6A Active CN114159078B (zh) | 2021-12-03 | 2021-12-03 | 一种入睡点检测方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114159078B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105105714A (zh) * | 2015-08-26 | 2015-12-02 | 吴建平 | 一种睡眠分期方法及系统 |
CN105960195A (zh) * | 2014-02-04 | 2016-09-21 | 皇家飞利浦有限公司 | 用于确定在睡眠期期间向对象递送的感官刺激的定时的系统和方法 |
US20170304587A1 (en) * | 2014-08-18 | 2017-10-26 | Northwestern University | Phase-locked loop to enhance slow wave sleep |
CN113180704A (zh) * | 2021-04-07 | 2021-07-30 | 北京脑陆科技有限公司 | 一种基于eeg脑波的睡眠纺锤波检测方法、系统 |
-
2021
- 2021-12-03 CN CN202111474756.6A patent/CN114159078B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105960195A (zh) * | 2014-02-04 | 2016-09-21 | 皇家飞利浦有限公司 | 用于确定在睡眠期期间向对象递送的感官刺激的定时的系统和方法 |
US20170304587A1 (en) * | 2014-08-18 | 2017-10-26 | Northwestern University | Phase-locked loop to enhance slow wave sleep |
CN105105714A (zh) * | 2015-08-26 | 2015-12-02 | 吴建平 | 一种睡眠分期方法及系统 |
CN113180704A (zh) * | 2021-04-07 | 2021-07-30 | 北京脑陆科技有限公司 | 一种基于eeg脑波的睡眠纺锤波检测方法、系统 |
Non-Patent Citations (3)
Title |
---|
CUNEYT YUCELBAS 等: "Detection of Sleep Spindles in Sleep EEG by using the PSD Methods", 《INDIAN JOURNAL OF SCIENCE AND TECHNOLOGY》, 31 July 2016 (2016-07-31), pages 1 - 7 * |
DAVID S. UYGUN 等: "Validation of an automated sleep spindle detection method for mouse electroencephalography", 《SLEEP RESEARCH SOCIETY》, 17 November 2018 (2018-11-17), pages 1 - 13 * |
ZSOLT I. LÁZÁRA 等: "Infraslow oscillations in human sleep spindle activity", 《JOURNAL OF NEUROSCIENCE METHODS》, 17 December 2018 (2018-12-17), pages 21 - 34 * |
Also Published As
Publication number | Publication date |
---|---|
CN114159078B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8275553B2 (en) | System and method for evaluating physiological parameter data | |
CN104994782B (zh) | 基于脑波信号进行分析的方法和设备 | |
Parák et al. | ECG signal processing and heart rate frequency detection methods | |
John et al. | Weighted averaging of steady-state responses | |
JP2004049838A (ja) | 睡眠段階判定方法および睡眠段階判定装置 | |
CN104545949A (zh) | 一种基于脑电的麻醉深度监测方法 | |
Kumar et al. | Performance analysis of different filters for power line interface reduction in ECG signal | |
CN106618560B (zh) | 脑电波信号的处理方法和装置 | |
US20090247893A1 (en) | Method and apparatus for measuring responsiveness of a subject | |
JP2002529118A (ja) | 警戒状態および嗜眠状態の検出および追跡システム | |
WO2019127558A1 (zh) | 基于脑电的麻醉深度监测方法和装置 | |
JP2013121489A (ja) | 睡眠状態検出装置、睡眠状態演算装置、及び睡眠状態検出システム | |
CN105701973A (zh) | 基于脑电波采集的疲劳检测及预警方法和系统 | |
JPH07284482A (ja) | 心拍変動波形解析方法及び装置 | |
JP4644268B2 (ja) | シャント状態検知装置 | |
EP2734104A1 (en) | Method for detecting seizures | |
Devuyst et al. | Automatic sleep spindle detection in patients with sleep disorders | |
CN107569212B (zh) | 一种基于心率检测呼吸睡眠暂停综合征的设备和系统 | |
CN114159078B (zh) | 一种入睡点检测方法及终端 | |
Sloboda et al. | A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices | |
Sapoznikov et al. | Detection of regularities in heart rate variations by linear and non-linear analysis: power spectrum versus approximate entropy | |
Malaekah et al. | Automatic sleep-wake detection using electrooculogram signals | |
Sofiah et al. | Calculation of Quantitative Parameters of Clinical EEG Signals by Adopting Visual Reading Methods | |
US11819336B2 (en) | Anesthesia stage identification and anesthesia depth calculation method and device | |
CN109567750B (zh) | 睡眠分期的确定方法、装置和计算机设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |