CN114224361A - 基于脑电信号对睡眠阶段的分类方法及装置 - Google Patents
基于脑电信号对睡眠阶段的分类方法及装置 Download PDFInfo
- Publication number
- CN114224361A CN114224361A CN202111663596.XA CN202111663596A CN114224361A CN 114224361 A CN114224361 A CN 114224361A CN 202111663596 A CN202111663596 A CN 202111663596A CN 114224361 A CN114224361 A CN 114224361A
- Authority
- CN
- China
- Prior art keywords
- entropy
- electroencephalogram
- sequences
- electroencephalogram signal
- rhythm waves
- 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
- 230000008667 sleep stage Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000033764 rhythmic process Effects 0.000 claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 239000002131 composite material Substances 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 239000012634 fragment Substances 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000037053 non-rapid eye movement Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004461 rapid eye movement Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002618 waking effect 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]
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例提供一种基于脑电信号对睡眠阶段的分类方法及装置，所述方法包括：获取双通道检测到的脑电信号数据，并对所述脑电信号数据进行片段划分，并对划分结果进行预处理，得到处理后的脑电信号；根据所述处理后的脑电信号的频率，提取脑电信号中的四种节律波，所述四种节律波包括：0.5‑4Hz的δ波、4‑8Hz的θ波、8‑14Hzα波、14‑30Hzβ波；采用AR系数、信源熵、样本熵、近似熵、模糊熵分别对所述四种节律波进行特征提取，并对五项特征提取结果进行线性组合，得到复合特征值；根据所述复合特征值，结合XGBoost算法，对睡眠阶段进行分类。采用本方法能够通过复合特征值来进行特征提取更为全面，能取得更高的精确度。
Description
技术领域
本发明涉及脑电信号技术领域，尤其涉及一种基于脑电信号对睡眠阶段的分类方法及装置。
背景技术
科学技术在日新月异地发展，在经济迅速增长的时代，人的睡眠时间被压缩，因此睡眠质量显得更为重要。睡眠质量不仅与个人身体健康息息相关，同时还与多种疾病及其发病征兆密切相关。睡眠不仅可以为个人维系必要的生理活动提供物质基础，更是为了种族的繁衍进步，和人类文明的延续发展提供了重要的保障。人处在不同睡眠状态时，脑电波的成分有着显著差异。近些年来人类睡眠的相关研究发展迅速，跟手动进行人工睡眠分期相比，实现脑电信号的睡眠阶段自动分期在分期速度和效率上都有着较为显著的提升。脑电信号的睡眠阶段自动分期对人体健康的研究有着重大意义，为人脑相关的医学研究提供了更好的参考，并为今后的脑电信号拓展研究提供了基础。
但是，目前的现有技术通过AR模型系数、模糊熵、样本熵来提取脑电信号的四种节律波，所提取的系数作为特征值来区分不同睡眠时期。但是单一的信号提取并不足以提取脑电信号的特征，计算的结果不够准确。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种基于脑电信号对睡眠阶段的分类方法及装置。
本发明实施例提供一种基于脑电信号对睡眠阶段的分类方法，包括：
获取双通道检测到的脑电信号数据，并对所述脑电信号数据进行片段划分，并对划分结果进行预处理，得到处理后的脑电信号；
根据所述处理后的脑电信号的频率，提取脑电信号中的四种节律波，所述四种节律波包括：0.5-4Hz的δ波、4-8Hz的θ波、8-14Hzα波、14-30Hzβ波；
采用AR系数、信源熵、样本熵、近似熵、模糊熵分别对所述四种节律波进行特征提取，并对五项特征提取结果进行线性组合，得到复合特征值；
根据所述复合特征值，结合XGBoost算法，对睡眠阶段进行分类。
在其中一个实施例中，所述方法还包括：
将脑电信号做傅里叶变换变换到频域，通过滤波器进行滤波，提取脑电信号中的四种节律波。
在其中一个实施例中，所述方法还包括：
获取AR模型的数学表达式，并结合赤池信息准则计算所述AR模型的阶数。
在其中一个实施例中，所述方法还包括：
获取信源熵计算公式：
其中，所述n表示总的事件数量，H表示信源熵值，p表示发生概率；
通过所述信源熵计算公式计算四种节律波的特征提取结果。
在其中一个实施例中，所述方法还包括：
步骤5.1：将所述四种节律波的时间序列以m为窗进行分割；
步骤5.2：计算分割后每个序列与全部K个序列的距离；
步骤5.3：获取计算结果中距离小于阈值的序列个数，并确定所述距离小于阈值的序列个数与不包含自身序列的序列总数的比值；
步骤5.4：计算对比值求和后的平均值；
步骤5.5：根据所述平均值，判断窗的大小是否为m，若是，进入步骤 5.6，若否，进入步骤5.7；
步骤5.6：将窗从m增长到m+1，并回到步骤5.2；
步骤5.7：求所述平均值的对数相减并输出。
在其中一个实施例中，所述方法还包括：
步骤6.1：将所述四种节律波的时间序列以m为窗进行分割；
步骤6.2：计算分割后每个序列与全部K个序列的距离；
步骤6.3：获取计算结果中距离小于阈值的序列个数，并确定所述距离小于阈值的序列个数与不包含自身序列的序列总数的比值；
步骤6.4：计算对比值求和后的平均值；
步骤6.5：根据所述平均值，判断窗的大小是否为m，若是，进入步骤 6.6，若否，进入步骤6.7；
步骤6.6：将窗从m增长到m+1，并回到步骤6.2；
步骤6.7：求所述平均值的相减并输出。
在其中一个实施例中，所述方法还包括：
步骤7.1：将所述四种节律波的时间序列以m为窗进行分割
步骤7.2：计算分割后每个序列与全部K个序列的距离；
步骤7.3：根据距离计算序列的模糊隶属度；
步骤7.4：对每个序列除自身序列以外的序列的模糊隶属度求平均值；
步骤7.5：根据所述平均值，判断窗的大小是否为m，若是，进入步骤 7.6，若否，进入步骤7.7；
步骤7.6：将窗从m增长到m+1，并回到步骤7.2；；
步骤7.7：求所述平均值的对数相减并输出。
本发明实施例提供一种基于脑电信号对睡眠阶段的分类装置，包括：
获取模块，用于获取双通道检测到的脑电信号数据，并对所述脑电信号数据进行片段划分，并对划分结果进行预处理，得到处理后的脑电信号；
提取模块，用于根据所述处理后的脑电信号的频率，提取脑电信号中的四种节律波，所述四种节律波包括：0.5-4Hz的δ波、4-8Hz的θ波、8-14Hzα波、14-30Hzβ波；
线性组合模块，用于采用AR系数、信源熵、样本熵、近似熵、模糊熵分别对所述四种节律波进行特征提取，并对五项特征提取结果进行线性组合，得到复合特征值；
分类模块，用于根据所述复合特征值，结合XGBoost算法，对睡眠阶段进行分类。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于脑电信号对睡眠阶段的分类方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于脑电信号对睡眠阶段的分类方法的步骤。
本发明实施例提供的基于脑电信号对睡眠阶段的分类方法及装置，获取双通道检测到的脑电信号数据，并对所述脑电信号数据进行片段划分，并对划分结果进行预处理，得到处理后的脑电信号；根据所述处理后的脑电信号的频率，提取脑电信号中的四种节律波，所述四种节律波包括：0.5-4Hz的δ波、4- 8Hz的θ波、8-14Hzα波、14-30Hzβ波；采用AR系数、信源熵、样本熵、近似熵、模糊熵分别对所述四种节律波进行特征提取，并对五项特征提取结果进行线性组合，得到复合特征值；根据所述复合特征值，结合XGBoost算法，对睡眠阶段进行分类。这样能够通过复合特征值来进行特征提取更为全面，能取得更高的精确度。
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，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于脑电信号对睡眠阶段的分类方法的流程图；
图2为本发明实施例中基于脑电信号对睡眠阶段的分类装置的结构图；
图3为本发明实施例中电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
图1为本发明实施例提供的基于脑电信号对睡眠阶段的分类方法的流程示意图，如图1所示，本发明实施例提供了一种基于脑电信号对睡眠阶段的分类方法，包括：
步骤S101，获取双通道检测到的脑电信号数据，并对所述脑电信号数据进行片段划分，并对划分结果进行预处理，得到处理后的脑电信号。
具体地，获取双通道检测到的脑电信号数据，其中，双通道检测可以是根据国际10-20系统，选取了Fpz-Cz通道和Pz-Oz通道的脑电信号数据，然后对双通道的脑电信号样本以30s为片段进行划分，再进行预处理，另外，预处理的方法可以选用国际通用的R&K标准：
快速眼动期(REM期)，非快速眼动1期(NREM I期)，非快速眼动2期 (NREM II期)，非快速眼动3期(NREM III期)，非快速眼动4期(NREM IV 期)，清醒期(W期)。
将以上六个阶段进行二次分类如下：
第1期(浅睡眠期)：非快速眼动1期(NREM I期)和非快速眼动2期 (NREM II期)；
第2期(深睡眠期)：非快速眼动3期(NREM III期)和非快速眼动4期 (NREM IV期)；
第3期：快速眼动期(REM期)；
第4期：清醒期(W期)。
步骤S102，根据所述处理后的脑电信号的频率，提取脑电信号中的四种节律波，所述四种节律波包括：0.5-4Hz的δ波、4-8Hz的θ波、8-14Hzα波、14- 30Hzβ波。
具体地，根据处理后的脑电信号的频率，提取脑电信号中的四种节律波，四种节律波包括：0.5-4Hz的δ波、4-8Hz的θ波、8-14Hzα波、14-30Hzβ波，其中，提取步骤可以通过对脑电信号做傅里叶变换变换到频域，使用切比雪夫带通滤波器进行滤波，提取出四个节律波信号。
步骤S103，采用AR系数、信源熵、样本熵、近似熵、模糊熵分别对所述四种节律波进行特征提取，并对五项特征提取结果进行线性组合，得到复合特征值。
具体地，分别采用AR系数、信源熵、样本熵、近似熵、模糊熵五种方法对四种节律波进行特征提取，然后对五项特征提取结果进行线性组合，得到复合特征值，具体的特征提取过程可以包括：
1、AR系数：
获取AR模型的数学表达式，并结合赤池信息准则计算AR模型的阶数，具体的步骤可以为：
AR模型的全称是自回归模型。它可根据已有数据进行预测。其数学表达式可以用下式表示：
在一个时间序列X1,X2,X3,...Xn中，Xt可以用时间序列的前p项和噪声作为系数的组合来表示。式1中
表示的是常数项，θt表示的是白噪声序列。同时 AR模型须符合下列式子：
公式2表示公式中的最高阶数为p，即表示为p阶模型；公式3表示θt序列均值为0，满足白噪声序列特性；公式4表示当前序列的随机干扰与之前时刻的无关。
公式1中的
即为AR系数。自相关法求解对序列长度有所要求，而 Burg算法对于序列长度要求不高，可利用Burg算法解决此问题。
参数估计常把似然函数作为目标函数，以提高模型复杂度为代价，容易带来一个非常普遍的问题——过拟合。本实施例选用赤池信息准则(AIC)来确定AR模型阶数。
赤池信息准则(AIC)函数定义式为：
AIC＝2K-2ln(L)
上式中K表示模型参数的个数，在用来确定AR模型阶数时，即表示AR模型的阶数。L表示的是极大似然函数。
假设条件是模型的误差服从独立正态分布。观察数设为N，将剩余平方和设为Rss，则得到式子如下：
AIC＝2K+2Nln(Rss/N)
当上式所求AIC的值达到最小的时候，即为最佳模型。在确定AR模型阶数的时候，目标就是求得AIC值最小的AR系数模型阶数。设Ep＝Rss/N，则AIC的计算公式如下：
AIC(p)＝Nln Ep+2K
对AR模型的AIC值进行计算，K为AR模型阶数。随着模型阶数K的增大，似然函数L会随之变大，计算量也会随之提升，得到较小的AIC值。当模型的阶数K过大时，似然函数增速减缓，不仅计算量变大，而且AIC的值也会增大。因此需要选择合适的K值在保证计算量尽可能小的情况下使AIC的值尽可能小。
经过实验得阶数在10到20时曲线值有较为明显的下降，但在20之后渐趋稳定。经过反复几次实验测试，最终选取K＝27。
2、信源熵：
获取信源熵计算公式：
其中，所述n表示总的事件数量，H表示信源熵值，p表示发生概率；
通过所述信源熵计算公式计算四种节律波的特征提取结果。
3、样本熵：
步骤5.1：将所述四种节律波的时间序列以m为窗进行分割；
步骤5.2：计算分割后每个序列与全部K个序列的距离；
步骤5.3：获取计算结果中距离小于阈值的序列个数，并确定所述距离小于阈值的序列个数与不包含自身序列的序列总数的比值；
步骤5.4：计算对比值求和后的平均值；
步骤5.5：根据所述平均值，判断窗的大小是否为m，若是，进入步骤 5.6，若否，进入步骤5.7；
步骤5.6：将窗从m增长到m+1，并回到步骤5.2；
步骤5.7：求所述平均值的对数相减并输出。
4、近似熵：
步骤6.1：将所述四种节律波的时间序列以m为窗进行分割；
步骤6.2：计算分割后每个序列与全部K个序列的距离；
步骤6.3：获取计算结果中距离小于阈值的序列个数，并确定所述距离小于阈值的序列个数与不包含自身序列的序列总数的比值；
步骤6.4：计算对比值求和后的平均值；
步骤6.5：根据所述平均值，判断窗的大小是否为m，若是，进入步骤 6.6，若否，进入步骤6.7；
步骤6.6：将窗从m增长到m+1，并回到步骤6.2；
步骤6.7：求所述平均值的相减并输出。
5、模糊熵：
步骤7.1：将所述四种节律波的时间序列以m为窗进行分割
步骤7.2：计算分割后每个序列与全部K个序列的距离；
步骤7.3：根据距离计算序列的模糊隶属度；
步骤7.4：对每个序列除自身序列以外的序列的模糊隶属度求平均值；
步骤7.5：根据所述平均值，判断窗的大小是否为m，若是，进入步骤 7.6，若否，进入步骤7.7；
步骤7.6：将窗从m增长到m+1，并回到步骤7.2；；
步骤7.7：求所述平均值的对数相减并输出。
步骤S104，根据所述复合特征值，结合XGBoost算法，根据计算结果对睡眠阶段进行分类。
具体地，根据线性组合得到的复合特征值，结合预设的XGBoost算法，对睡眠阶段进行分类。
本发明实施例提供的一种基于脑电信号对睡眠阶段的分类方法，获取双通道检测到的脑电信号数据，并对所述脑电信号数据进行片段划分，并对划分结果进行预处理，得到处理后的脑电信号；根据所述处理后的脑电信号的频率，提取脑电信号中的四种节律波，所述四种节律波包括：0.5-4Hz的δ波、4-8Hz 的θ波、8-14Hzα波、14-30Hzβ波；采用AR系数、信源熵、样本熵、近似熵、模糊熵分别对所述四种节律波进行特征提取，并对五项特征提取结果进行线性组合，得到复合特征值；根据所述复合特征值，结合XGBoost算法，对睡眠阶段进行分类。这样能够通过复合特征值来进行特征提取更为全面，能取得更高的精确度。
图2为本发明实施例提供的一种基于脑电信号对睡眠阶段的分类装置，包括：获取模块S201、提取模块S202、线性组合模块S203、分类模块S204，其中：
获取模块S201，用于获取双通道检测到的脑电信号数据，并对所述脑电信号数据进行片段划分，并对划分结果进行预处理，得到处理后的脑电信号。
提取模块S202，用于根据所述处理后的脑电信号的频率，提取脑电信号中的四种节律波，所述四种节律波包括：0.5-4Hz的δ波、4-8Hz的θ波、8-14Hzα波、14-30Hzβ波。
线性组合模块S203，用于采用AR系数、信源熵、样本熵、近似熵、模糊熵分别对所述四种节律波进行特征提取，并对五项特征提取结果进行线性组合，得到复合特征值。
分类模块S204，用于根据所述复合特征值，结合XGBoost算法，对睡眠阶段进行分类。
关于基于脑电信号对睡眠阶段的分类装置的具体限定可以参见上文中对于基于脑电信号对睡眠阶段的分类方法的限定，在此不再赘述。上述基于脑电信号对睡眠阶段的分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口 (Communications Interface)303和通信总线304，其中，处理器301，存储器 302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：获取双通道检测到的脑电信号数据，并对所述脑电信号数据进行片段划分，并对划分结果进行预处理，得到处理后的脑电信号；根据所述处理后的脑电信号的频率，提取脑电信号中的四种节律波，所述四种节律波包括：0.5-4Hz的δ波、4-8Hz的θ波、8-14Hzα波、14-30Hzβ波；采用AR系数、信源熵、样本熵、近似熵、模糊熵分别对所述四种节律波进行特征提取，并对五项特征提取结果进行线性组合，得到复合特征值；根据所述复合特征值，结合XGBoost算法，对睡眠阶段进行分类。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read- Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取双通道检测到的脑电信号数据，并对所述脑电信号数据进行片段划分，并对划分结果进行预处理，得到处理后的脑电信号；根据所述处理后的脑电信号的频率，提取脑电信号中的四种节律波，所述四种节律波包括：0.5-4Hz的δ波、4-8Hz的θ波、8-14Hzα波、14-30Hzβ波；采用AR 系数、信源熵、样本熵、近似熵、模糊熵分别对所述四种节律波进行特征提取，并对五项特征提取结果进行线性组合，得到复合特征值；根据所述复合特征值，结合XGBoost算法，对睡眠阶段进行分类。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备 (可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于脑电信号对睡眠阶段的分类方法，其特征在于，包括：
获取双通道检测到的脑电信号数据，并对所述脑电信号数据进行片段划分，并对划分结果进行预处理，得到处理后的脑电信号；
根据所述处理后的脑电信号的频率，提取脑电信号中的四种节律波，所述四种节律波包括：0.5-4Hz的δ波、4-8Hz的θ波、8-14Hzα波、14-30Hzβ波；
采用AR系数、信源熵、样本熵、近似熵、模糊熵分别对所述四种节律波进行特征提取，并对五项特征提取结果进行线性组合，得到复合特征值；
根据所述复合特征值，结合XGBoost算法，对睡眠阶段进行分类。
2.根据权利要求1所述的基于脑电信号对睡眠阶段的分类方法，其特征在于，所述根据处理后的脑电信号的频率，提取脑电信号中的四种节律波，包括：
将脑电信号做傅里叶变换变换到频域，通过滤波器进行滤波，提取脑电信号中的四种节律波。
3.根据权利要求1所述的基于脑电信号对睡眠阶段的分类方法，其特征在于，所述采用AR系数对四种节律波进行特征提取，包括：
获取AR模型的数学表达式，并结合赤池信息准则计算所述AR模型的阶数。
4.根据权利要求1所述的基于脑电信号对睡眠阶段的分类方法，其特征在于，所述采用信源熵对四种节律波进行特征提取，包括：
获取信源熵计算公式：
其中，所述n表示总的事件数量，H表示信源熵值，p表示发生概率；
通过所述信源熵计算公式计算四种节律波的特征提取结果。
5.根据权利要求1所述的基于脑电信号对睡眠阶段的分类方法，其特征在于，所述采用样本熵对四种节律波进行特征提取，包括：
步骤5.1：将所述四种节律波的时间序列以m为窗进行分割；
步骤5.2：计算分割后每个序列与全部K个序列的距离；
步骤5.3：获取计算结果中距离小于阈值的序列个数，并确定所述距离小于阈值的序列个数与不包含自身序列的序列总数的比值；
步骤5.4：计算对比值求和后的平均值；
步骤5.5：根据所述平均值，判断窗的大小是否为m，若是，进入步骤5.6，若否，进入步骤5.7；
步骤5.6：将窗从m增长到m+1，并回到步骤5.2；
步骤5.7：求所述平均值的对数相减并输出。
6.根据权利要求1所述的基于脑电信号对睡眠阶段的分类方法，其特征在于，所述采用近似熵对四种节律波进行特征提取，包括：
步骤6.1：将所述四种节律波的时间序列以m为窗进行分割；
步骤6.2：计算分割后每个序列与全部K个序列的距离；
步骤6.3：获取计算结果中距离小于阈值的序列个数，并确定所述距离小于阈值的序列个数与不包含自身序列的序列总数的比值；
步骤6.4：计算对比值求和后的平均值；
步骤6.5：根据所述平均值，判断窗的大小是否为m，若是，进入步骤6.6，若否，进入步骤6.7；
步骤6.6：将窗从m增长到m+1，并回到步骤6.2；
步骤6.7：求所述平均值的相减并输出。
7.根据权利要求1所述的基于脑电信号对睡眠阶段的分类方法，其特征在于，所述采用模糊熵对四种节律波进行特征提取，包括：
步骤7.1：将所述四种节律波的时间序列以m为窗进行分割
步骤7.2：计算分割后每个序列与全部K个序列的距离；
步骤7.3：根据距离计算序列的模糊隶属度；
步骤7.4：对每个序列除自身序列以外的序列的模糊隶属度求平均值；
步骤7.5：根据所述平均值，判断窗的大小是否为m，若是，进入步骤7.6，若否，进入步骤7.7；
步骤7.6：将窗从m增长到m+1，并回到步骤7.2；；
步骤7.7：求所述平均值的对数相减并输出。
8.一种基于脑电信号对睡眠阶段的分类装置，其特征在于，所述装置包括：
获取模块，用于获取双通道检测到的脑电信号数据，并对所述脑电信号数据进行片段划分，并对划分结果进行预处理，得到处理后的脑电信号；
提取模块，用于根据所述处理后的脑电信号的频率，提取脑电信号中的四种节律波，所述四种节律波包括：0.5-4Hz的δ波、4-8Hz的θ波、8-14Hzα波、14-30Hzβ波；
线性组合模块，用于采用AR系数、信源熵、样本熵、近似熵、模糊熵分别对所述四种节律波进行特征提取，并对五项特征提取结果进行线性组合，得到复合特征值；
分类模块，用于根据所述复合特征值，结合XGBoost算法，对睡眠阶段进行分类。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至7任一项所述基于脑电信号对睡眠阶段的分类方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于脑电信号对睡眠阶段的分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111663596.XA CN114224361A (zh) | 2021-12-31 | 2021-12-31 | 基于脑电信号对睡眠阶段的分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111663596.XA CN114224361A (zh) | 2021-12-31 | 2021-12-31 | 基于脑电信号对睡眠阶段的分类方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114224361A true CN114224361A (zh) | 2022-03-25 |
Family
ID=80744976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111663596.XA Pending CN114224361A (zh) | 2021-12-31 | 2021-12-31 | 基于脑电信号对睡眠阶段的分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114224361A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116953784A (zh) * | 2023-07-17 | 2023-10-27 | 哈尔滨工程大学 | 一种冰层振源信号到时拾取方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107951496A (zh) * | 2017-11-27 | 2018-04-24 | 新绎健康科技有限公司 | 基于多尺度熵分析心身关联性的方法及系统 |
| CN108182470A (zh) * | 2018-01-17 | 2018-06-19 | 深圳市唯特视科技有限公司 | 一种基于注意模块的递归神经网络的用户识别方法 |
| CN108968915A (zh) * | 2018-06-12 | 2018-12-11 | 山东大学 | 基于熵特征及支持向量机的睡眠状态分类方法及系统 |
| CN110472649A (zh) * | 2019-06-21 | 2019-11-19 | 中国地质大学（武汉） | 基于多尺度分析和集成树模型的脑电情感分类方法及系统 |
| CN112656427A (zh) * | 2020-11-26 | 2021-04-16 | 山西大学 | 一种基于维度模型的脑电信号情绪识别方法 |
| CN112842279A (zh) * | 2021-03-01 | 2021-05-28 | 中山大学 | 一种基于多维度特征参数的睡眠质量评估方法及装置 |
| CN112990270A (zh) * | 2021-02-10 | 2021-06-18 | 华东师范大学 | 一种传统特征与深度特征的自动融合方法 |
-
2021
- 2021-12-31 CN CN202111663596.XA patent/CN114224361A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107951496A (zh) * | 2017-11-27 | 2018-04-24 | 新绎健康科技有限公司 | 基于多尺度熵分析心身关联性的方法及系统 |
| CN108182470A (zh) * | 2018-01-17 | 2018-06-19 | 深圳市唯特视科技有限公司 | 一种基于注意模块的递归神经网络的用户识别方法 |
| CN108968915A (zh) * | 2018-06-12 | 2018-12-11 | 山东大学 | 基于熵特征及支持向量机的睡眠状态分类方法及系统 |
| CN110472649A (zh) * | 2019-06-21 | 2019-11-19 | 中国地质大学（武汉） | 基于多尺度分析和集成树模型的脑电情感分类方法及系统 |
| CN112656427A (zh) * | 2020-11-26 | 2021-04-16 | 山西大学 | 一种基于维度模型的脑电信号情绪识别方法 |
| CN112990270A (zh) * | 2021-02-10 | 2021-06-18 | 华东师范大学 | 一种传统特征与深度特征的自动融合方法 |
| CN112842279A (zh) * | 2021-03-01 | 2021-05-28 | 中山大学 | 一种基于多维度特征参数的睡眠质量评估方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116953784A (zh) * | 2023-07-17 | 2023-10-27 | 哈尔滨工程大学 | 一种冰层振源信号到时拾取方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ozcan et al. | Seizure prediction in scalp EEG using 3D convolutional neural networks with an image-based approach | |
| CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
| Zhang et al. | Cross-subject seizure detection in EEGs using deep transfer learning | |
| CN109645989B (zh) | 一种麻醉深度估计系统 | |
| CN111407243B (zh) | 一种基于深度学习的脉搏信号压力识别方法 | |
| Duman et al. | Patient specific seizure prediction algorithm using Hilbert-Huang transform | |
| CN113647962B (zh) | 基于深度学习集成模型的癫痫定位与发作预测方法 | |
| CN111832537B (zh) | 异常心电信号识别方法及异常心电信号识别装置 | |
| CN114224361A (zh) | 基于脑电信号对睡眠阶段的分类方法及装置 | |
| CN114129163B (zh) | 基于脑电信号的多视图深度学习的情绪分析方法和系统 | |
| CN114391846A (zh) | 一种基于过滤式特征选择的情绪识别方法及系统 | |
| CN110477909B (zh) | 一种基于静息态脑电数据的性别分类方法 | |
| 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 | |
| CN115281685A (zh) | 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质 | |
| CN109674474B (zh) | 睡眠呼吸暂停识别方法、设备及计算机可读介质 | |
| Wang et al. | A 1D-CNN prediction model for stroke classification based on EEG signal | |
| CN114093512B (zh) | 一种基于多模态数据和深度学习模型的生存预测方法 | |
| CN116211322A (zh) | 一种基于机器学习脑电信号的抑郁症识别方法和系统 | |
| Yu et al. | A sparse Laguerre-Volterra autoregressive model for seizure prediction in temporal lobe epilepsy | |
| CN114091529A (zh) | 一种基于生成对抗网络数据增强的脑电情感识别方法 | |
| CN111274924A (zh) | 一种掌静脉检测模型建模方法、掌静脉检测方法及装置 | |
| Han | Artificial Neural Network for Processing Fingerprint Image Noise | |
| Sharanreddy et al. | An improved approximate entropy based epilepsy seizure detection using multi-wavelet and artificial neural networks | |
| CN115956925B (zh) | 一种基于多级平滑包络的qrs波检测方法及系统 | |
| CN116304643B (zh) | 脑力负荷检测及模型训练方法、装置、设备及存储介质 |
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 |