CN114680833A - 一种检测睡眠纺锤波的方法、装置、电子设备及存储介质 - Google Patents
一种检测睡眠纺锤波的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114680833A CN114680833A CN202210422674.5A CN202210422674A CN114680833A CN 114680833 A CN114680833 A CN 114680833A CN 202210422674 A CN202210422674 A CN 202210422674A CN 114680833 A CN114680833 A CN 114680833A
- Authority
- CN
- China
- Prior art keywords
- candidate
- waves
- wave
- sleep
- spindle
- 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
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
- A61B5/4815—Sleep quality
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Developmental Disabilities (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种检测睡眠纺锤波的方法、装置、电子设备及存储介质。本发明所述的检测睡眠纺锤波的方法包括:获取待检测的睡眠数据,所述睡眠数据包括多种脑电EEG信号;对所述睡眠数据进行滤波处理,得到特定频率的脑电EEG信号;采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,得到睡眠纺锤波的候选波;提取所述候选波的特征,并对所述特征进行归一处处理,得到所述候选波的特征向量;将所述特征向量输入训练好的SVM分类器,得到每个所述候选波是否为睡眠纺锤波的分类结果。本发明所述的检测睡眠纺锤波的方法,提高了对纺锤活动准确检测的可靠性和客观性,弥补人工手动检测纺锤事件的局限性。
Description
技术领域
本发明涉及数字信号处理技术领域,特别是涉及一种检测睡眠纺锤波的方法、装置、电子设备及存储介质。
背景技术
睡眠纺锤波产生于丘脑皮质系统,是睡眠微观结构里最重要的睡眠事件之一。美国睡眠医学会(AASM)认为,睡眠纺锤波发生在非快速眼动睡眠NREM阶段,是一种持续时间为至少0.5s的正弦纺锤形的脑电EEG信号现象,频率分布在11-16Hz之间。在整个生命过程中,纺锤事件的密度、数量及振幅被证明与一般认知能力、睡眠质量及学习和记忆相关。瑞典斯德哥尔摩大学里研究中心的专家表示:“纺锤波能够有效抑制外来刺激对睡眠的干扰,丘脑产生纺锤波正是为了阻止外部的噪音干扰睡眠中的大脑,一旦出现纺锤波,声音信号就不能被传递到听觉皮层,纺锤波或许可以作为衡量睡眠质量的一项生理指标。”此外,相同频率范围的纺锤活动可以表征意识障碍患者(DOC)的意识损伤程度,因此还可以作为区分意识障碍患者的指标之一,即可作为区分开最小意识状态(MCS)和植物患者或无反应综合征(VS/UWS)患者一项指标。另外,纺锤波紊乱是早期许多神经疾病的重要症状;比较典型由纺锤体异常导致的精神疾病如帕金森症、阿尔兹海默症、癫痫。因而纺锤体被认为大脑健康的生物标志,有重要的辅助临床诊断、预后的意义。
传统的检测方法是依靠人工对睡眠数据中的纺锤活动进行视觉手动注释,虽然手动评估睡眠纺锤波已经被AASM标准化,但人工检测还是一项耗时耗力、成本高的任务,另外,如果是多个专家进行一起评判还可能出现分歧。
发明内容
基于此,本发明的目的在于,提供一种检测睡眠纺锤波的方法、装置、电子设备及存储介质,提高对纺锤活动准确检测的可靠性和客观性,弥补人工手动检测纺锤事件的局限性,以帮助实现可靠的、有效的自动纺锤体检测器的目标。
第一方面,本发明提供一种检测睡眠纺锤波的方法,包括以下步骤:
获取待检测的睡眠数据,所述睡眠数据包括多种脑电EEG信号;
对所述睡眠数据进行滤波处理,得到特定频率的脑电EEG信号;
采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,得到睡眠纺锤波的候选波;
提取所述候选波的特征,并对所述特征进行归一处理,得到所述候选波的特征向量;
将所述特征向量输入训练好的SVM分类器,得到每个所述候选波是否为睡眠纺锤波的分类结果。
进一步地,所述SVM分类器的训练步骤包括:
获取原始数据集,所述数据集包括多种脑电EEG信号和每种信号对应的真实标签,其中,睡眠纺锤波对应的标签为1;
对所述原始数据集进行滤波处理,得到特定频率的脑电EEG信号;
采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,得到睡眠纺锤波的候选波;
提取所述候选波的特征,并对所述特征进行归一处理,得到所述候选波的特征向量;
将所述特征向量与真实标签输入SVM分类器进行训练,得到训练好的SVM分类器。
进一步地,对所述睡眠数据进行滤波处理,和/或,对所述原始数据集进行滤波处理的滤波范围为11-16Hz。
进一步地,采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,包括:
使用以下公式,创建字典I:
其中,σi为高斯核宽度,fi为频率,从11-16按0.1逐渐递增,λ为归一化常数;
使用以下公式,迭代选择适合当前信号结构的字典原子:
其中,y为所述特定频率的脑电EEG信号,r0为初始残差,β为当前原子Ij与残差ri-1产生的取绝对值后的最大内积,Ij代表字典中的第j个原子,ri为残差;
使用以下公式,在每次迭代时对y相应位置的数据ys进行信号缩放处理:
ys=abs(ys./prctile(abs(ys),90))
其中,ys为每一次选取的最大原子位置Ij+产生最大内积β的相关子集位置βn:m;βn:m是以β为中心,向前向后3*fs/2个位置得到;fs为数据采样频率;
当满足ys大于每一次循环所对应的阈值(0.0001:0.001:0.01:0.1:1),判定当前所述特定频率的脑电EEG信号y为候选波。
进一步地,提取所述候选波的特征,至少包括以下一项:
均方根μRMS、标准差μstd和顺序变化的对数根均值μLRM。
进一步地,提取所述候选波的特征,包括:
使用以下公式,分别计算所述候选波的均方根μRMS、标准差μstd和顺序变化的对数根均值μLRM:
进一步地,提取所述候选波的特征之前,还对所述候选波进行后处理,所述后处理至少包括以下一项:
合并时间间隙小于0.2s的所述候选波;
剔除持续时间少于0.5s的所述候选波;
将持续时间超过3.0s的所述候选波截断为3.0s。
第二方面,本发明还提供一种检测睡眠纺锤波的装置,包括:
睡眠数据获取模块,用于获取待检测的睡眠数据,所述睡眠数据包括多种脑电EEG信号;
滤波模块,用于对所述睡眠数据进行滤波处理,得到特定频率的脑电EEG信号;
候选波识别模块,用于采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,得到睡眠纺锤波的候选波;
特征提取模块,用于提取所述候选波的特征,并对所述特征进行归一处理,得到所述候选波的特征向量;
分类模块,用于将所述特征向量输入训练好的SVM分类器,得到每个所述候选波是否为睡眠纺锤波的分类结果。
第三方面,本发明还提供一种电子设备,包括:
至少一个存储器以及至少一个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如本发明第一方面任一所述的一种检测睡眠纺锤波的方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,
所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如本发明第一方面任一所述的一种检测睡眠纺锤波的方法的步骤。
本发明提供的一种检测睡眠纺锤波的方法、装置、电子设备及存储介质,利用公开数据集验证、识别和解决自动和手动评估纺锤波之间的差异。可以提高对纺锤活动准确检测的可靠性和客观性,弥补人工手动检测纺锤事件的局限性,以帮助实现可靠的、有效的自动纺锤体检测器的目标。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明提供的一种检测睡眠纺锤波的方法的流程示意图;
图2为本发明在一个实施例中30s数据段检测到的纺锤波;
图3为本发明提供的一种检测睡眠纺锤波的装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,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它实施例,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
针对背景技术中的问题,本申请实施例提供一种检测睡眠纺锤波的方法,如图1所示,该方法包括以下步骤:
S01:获取待检测的睡眠数据,所述睡眠数据包括多种脑电EEG信号。
在一个优选的实施例中,为保证数据的采样频率一致,需要对其重采样,然后将所得到的数据按照顺序放在一个.mat文件里面。
S02:对所述睡眠数据进行滤波处理,得到特定频率的脑电EEG信号。
纺锤波频率分布在11-16Hz之间,因此,在一个优选的实施例中,使用kaiserord窗函数对数据eeg_data滤波处理,滤波范围是11-16Hz,得到eeg_s。
S03:采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,得到睡眠纺锤波的候选波。
使用具有自适应参数的MP算法发现稳定数量的睡眠纺锤候选波,尽可能多地保证真实睡眠纺锤体的数量,以最大限度地提高真阳性TP。
MP算法实现信号的稀疏表示核心思想:
遍历字典中的每一个原子,根据内积最大化原则找到与信号结构最相近的原子,作为当前的匹配原子,从信号中去除与该原子相近的成分后,对剩下的部分再和其他原子求内积,找寻结构相似的原子,直到所剩余成分满足给定的条件,则停止迭代。
在一个具体的实施例中,采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,具体包括以下子步骤:
考虑到EEG数据的波形振荡起伏类似正余弦,因此字典函数采用高斯函数,使用以下公式,创建字典I:
其中,σi为高斯核宽度,fi为频率,从11-16按0.1逐渐递增,λ为归一化常数。
在MP中,每一次迭代选择那些适合当前信号结构的字典原子。这个原子选择是基于剩余原子和信号残差产生最大内积。由此计算残差。迭代次数由字典原子数决定。使用以下公式,迭代选择适合当前信号结构的字典原子:
其中,y为所述特定频率的脑电EEG信号,r0为初始残差,β为当前原子Ij与残差ri-1产生的取绝对值后的最大内积,Ij代表字典中的第j个原子,ri为残差。
使用以下公式,在每次迭代时对y相应位置的数据ys进行信号缩放处理:
ys=abs(ys./prctile(abs(ys),90))
其中,ys为每一次选取的最大原子位置Ij+产生最大内积β的相关子集位置βn:m;βn:m是以β为中心,向前向后3*fs/2个位置得到;fs为数据采样频率。
当满足ys大于每一次循环所对应的阈值(0.0001:0.001:0.01:0.1:1),判定当前所述特定频率的脑电EEG信号y为候选波。
在一个更为优选的实施例中,识别候选波后,对检测到候选波进行处理。包括:合并时间间隙小于0.2s的纺锤体。若持续时间少于0.5s的将被剔除。检测到的持续时间超过3.0s的纺锤体被截断为3.0s。detEvents=zeros(length(eeg_s),1)存储候选波段,对候选波数据段置1,非候选波数据段置0。
S04:提取所述候选波的特征,并对所述特征进行归一处理,得到所述候选波的特征向量。
在一个优选的实施例中,在对脑电信号的各种特征文献进行检索后,选择以下特征来表示与睡眠纺锤体数据段相关特征差异:
均方根μRMS、标准差μstd和顺序变化的对数根均值μLRM。
优选的,使用以下公式,分别计算所述候选波的均方根μRMS、标准差μstd和顺序变化的对数根均值μLRM:
将上述提取出来的特征归一化,并组成特征向量。
S05:将所述特征向量输入训练好的SVM分类器,得到每个所述候选波是否为睡眠纺锤波的分类结果。
在一个具体的实施例中,在一个30s数据段检测到的纺锤波如图2所示。
在另一个优选的实施例中,所述SVM分类器的训练步骤包括:
S11:获取原始数据集,所述数据集包括多种脑电EEG信号和每种信号对应的真实标签,其中,睡眠纺锤波对应的标签为1。
在一个优选的实施例中,将原始数据集和对应的真实标签存放在data.mat文件里面,这个mat文件存有两列数据,第一列是EEG数据eeg_data,第二列是二进制数据eeg_expert,每个二进制数对应一个eeg_data的采样点,表示专家标注的纺锤波,其中1代表纺锤波。
S12:对所述原始数据集进行滤波处理,得到特定频率的脑电EEG信号。
优选的,对所述原始数据集进行滤波处理的滤波范围为11-16Hz。
S13:采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,得到睡眠纺锤波的候选波。
MP算法与步骤S03中相同,在此不再赘述。
S14:提取所述候选波的特征,并对所述特征进行归一处理,得到所述候选波的特征向量。
提取特征与步骤S04相同,在此不再赘述。
S15:将所述特征向量与真实标签输入SVM分类器进行训练,得到训练好的SVM分类器。
SVM算法是有监督的数据挖掘算法,是一种二分类算法(经过改造后也可以用于多分类),在非线性分类方面有明显优势。
SVM算法的训练结果:模型训练成功后,根据support vector(一组向量)对后续向量进行分类;
SVM算法的输入输出:模型输入的是一堆向量(一般是-1~1之间的浮点数),以及这些向量所属的分类label(一般用-1,1表示);
SVM算法的模型训练是要调整的内容:核函数、核函数的参数、松弛变量等,取决于算法实现的情况。
训练完毕的SVM分类器,得到固定的核函数、核函数的参数、松弛变量,对于再次输入的向量,能够输出该向量对应的所属的分类label。
本申请实施例还提供一种检测睡眠纺锤波的装置,如图3所示,该检测睡眠纺锤波的装置400包括:
睡眠数据获取模块401,用于获取待检测的睡眠数据,所述睡眠数据包括多种脑电EEG信号;
滤波模块402,用于对所述睡眠数据进行滤波处理,得到特定频率的脑电EEG信号;
候选波识别模块403,用于采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,得到睡眠纺锤波的候选波;
特征提取模块404,用于提取所述候选波的特征,并对所述特征进行归一处理,得到所述候选波的特征向量;
分类模块405,用于将所述特征向量输入训练好的SVM分类器,得到每个所述候选波是否为睡眠纺锤波的分类结果。
优选的,所述SVM分类器的训练步骤包括:
获取原始数据集,所述数据集包括多种脑电EEG信号和每种信号对应的真实标签,其中,睡眠纺锤波对应的标签为1;
对所述原始数据集进行滤波处理,得到特定频率的脑电EEG信号;
采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,得到睡眠纺锤波的候选波;
提取所述候选波的特征,并对所述特征进行归一处理,得到所述候选波的特征向量;
将所述特征向量与真实标签输入SVM分类器进行训练,得到训练好的SVM分类器。
优选的,对所述睡眠数据进行滤波处理,和/或,对所述原始数据集进行滤波处理的滤波范围为11-16Hz。
优选的,候选波识别模块包括:
字典创建单元,用于使用以下公式,创建字典I:
其中,σi为高斯核宽度,fi为频率,从11-16按0.1逐渐递增,λ为归一化常数;
迭代选择单元,用于使用以下公式,迭代选择适合当前信号结构的字典原子:
其中,y为所述特定频率的脑电EEG信号,r0为初始残差,β为当前原子Ij与残差ri-1产生的取绝对值后的最大内积,Ij代表字典中的第j个原子,ri为残差;
信号缩放单元,用于使用以下公式,在每次迭代时对y相应位置的数据ys进行信号缩放处理:
ys=abs(ys./prctile(abs(ys),90))
其中,ys为每一次选取的最大原子位置Ij+产生最大内积β的相关子集位置βn:m;βn:m是以β为中心,向前向后3*fs/2个位置得到;fs为数据采样频率;
候选波判定单元,用于当满足ys大于每一次循环所对应的阈值(0.0001:0.001:0.01:0.1:1),判定当前所述特定频率的脑电EEG信号y为候选波。
优选的,提取所述候选波的特征,至少包括以下一项:
均方根μRMS、标准差μstd和顺序变化的对数根均值μLRM。
优选的,特征提取模块包括:
使用以下公式,分别计算所述候选波的均方根μRMs、标准差μstd和顺序变化的对数根均值μLRM:
优选的,还包括候选波后处理单元,用于提取所述候选波的特征之前,还对所述候选波进行后处理,所述后处理至少包括以下一项:
合并时间间隙小于0.2s的所述候选波;
剔除持续时间少于0.5s的所述候选波;
将持续时间超过3.0s的所述候选波截断为3.0s。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。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。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种电子设备,包括:
至少一个存储器以及至少一个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如前所述的一种检测睡眠纺锤波的方法的步骤。
对于设备实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的,其中所述作为分离部件说明的组件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公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本申请实施例还提供一种计算机可读存储介质,
所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如前所述的一种检测睡眠纺锤波的方法的步骤。
计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(R A M)、只读存储器(RO M)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本发明提供的一种检测睡眠纺锤波的方法、装置、电子设备及存储介质,利用公开数据集验证、识别和解决自动和手动评估纺锤波之间的差异。可以提高对纺锤活动准确检测的可靠性和客观性,弥补人工手动检测纺锤事件的局限性,以帮助实现可靠的、有效的自动纺锤体检测器的目标。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种检测睡眠纺锤波的方法,其特征在于,包括以下步骤:
获取待检测的睡眠数据,所述睡眠数据包括多种脑电EEG信号;
对所述睡眠数据进行滤波处理,得到特定频率的脑电EEG信号;
采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,得到睡眠纺锤波的候选波;
提取所述候选波的特征,并对所述特征进行归一处理,得到所述候选波的特征向量;
将所述特征向量输入训练好的SVM分类器,得到每个所述候选波是否为睡眠纺锤波的分类结果。
2.根据权利要求1所述的一种检测睡眠纺锤波的方法,其特征在于,所述SVM分类器的训练步骤包括:
获取原始数据集,所述数据集包括多种脑电EEG信号和每种信号对应的真实标签,其中,睡眠纺锤波对应的标签为1;
对所述原始数据集进行滤波处理,得到特定频率的脑电EEG信号;
采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,得到睡眠纺锤波的候选波;
提取所述候选波的特征,并对所述特征进行归一处理,得到所述候选波的特征向量;
将所述特征向量与真实标签输入SVM分类器进行训练,得到训练好的SVM分类器。
3.根据权利要求1或2所述的一种检测睡眠纺锤波的方法,其特征在于:
对所述睡眠数据进行滤波处理,和/或,对所述原始数据集进行滤波处理的滤波范围为11-16Hz。
4.根据权利要求1或2所述的一种检测睡眠纺锤波的方法,其特征在于,采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,包括:
使用以下公式,创建字典I:
其中,σi为高斯核宽度,fi为频率,从11-16按0.1逐渐递增,λ为归一化常数;
使用以下公式,迭代选择适合当前信号结构的字典原子:
其中,y为所述特定频率的脑电EEG信号,r0为初始残差,β为当前原子Ij与残差ri-1产生的取绝对值后的最大内积,Ij代表字典中的第j个原子,ri为残差;
使用以下公式,在每次迭代时对y相应位置的数据ys进行信号缩放处理:
ys=abs(ys./prctile(abs(ys),90))
其中,ys为每一次选取的最大原子位置Ij+产生最大内积β的相关子集位置βn:m;βn:m是以β为中心,向前向后3*fs/2个位置得到;fs为数据采样频率;
当满足ys大于每一次循环所对应的阈值(0.0001:0.001:0.01:0.1:1),判定当前所述特定频率的脑电EEG信号y为候选波。
5.根据权利要求1或2所述的一种检测睡眠纺锤波的方法,其特征在于,提取所述候选波的特征,至少包括以下一项:
均方根μRMS、标准差μstd和顺序变化的对数根均值μLRM。
7.根据权利要求6所述的一种检测睡眠纺锤波的方法,其特征在于,提取所述候选波的特征之前,还对所述候选波进行后处理,所述后处理至少包括以下一项:
合并时间间隙小于0.2s的所述候选波;
剔除持续时间少于0.5s的所述候选波;
将持续时间超过3.0s的所述候选波截断为3.0s。
8.一种检测睡眠纺锤波的装置,其特征在于,包括:
睡眠数据获取模块,用于获取待检测的睡眠数据,所述睡眠数据包括多种脑电EEG信号;
滤波模块,用于对所述睡眠数据进行滤波处理,得到特定频率的脑电EEG信号;
候选波识别模块,用于采用MP算法对所述特定频率的脑电EEG信号进行识别候选波处理,得到睡眠纺锤波的候选波;
特征提取模块,用于提取所述候选波的特征,并对所述特征进行归一处理,得到所述候选波的特征向量;
分类模块,用于将所述特征向量输入训练好的SVM分类器,得到每个所述候选波是否为睡眠纺锤波的分类结果。
9.一种电子设备,其特征在于,包括:
至少一个存储器以及至少一个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7任一所述的一种检测睡眠纺锤波的方法的步骤。
10.一种计算机可读存储介质,其特征在于:
所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任一所述的一种检测睡眠纺锤波的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210422674.5A CN114680833A (zh) | 2022-04-21 | 2022-04-21 | 一种检测睡眠纺锤波的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210422674.5A CN114680833A (zh) | 2022-04-21 | 2022-04-21 | 一种检测睡眠纺锤波的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114680833A true CN114680833A (zh) | 2022-07-01 |
Family
ID=82144460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210422674.5A Pending CN114680833A (zh) | 2022-04-21 | 2022-04-21 | 一种检测睡眠纺锤波的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114680833A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115844424A (zh) * | 2022-10-17 | 2023-03-28 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
-
2022
- 2022-04-21 CN CN202210422674.5A patent/CN114680833A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115844424A (zh) * | 2022-10-17 | 2023-03-28 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
CN115844424B (zh) * | 2022-10-17 | 2023-09-22 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Clifford et al. | Recent advances in heart sound analysis | |
Padmavathi et al. | Classification of ECG signal during atrial fibrillation using autoregressive modeling | |
Dwi Saputro et al. | Seizure type classification on EEG signal using support vector machine | |
Xie et al. | Wavelet-based sparse functional linear model with applications to EEGs seizure detection and epilepsy diagnosis | |
Kao et al. | Automatic phonocardiograph signal analysis for detecting heart valve disorders | |
Jacob et al. | Diagnosis of encephalopathy based on energies of EEG subbands using discrete wavelet transform and support vector machine | |
Lu et al. | Classification of single-channel EEG signals for epileptic seizures detection based on hybrid features | |
Val-Calvo et al. | Optimization of real-time EEG artifact removal and emotion estimation for human-robot interaction applications | |
US8838519B2 (en) | Graph-theoretic analysis of discrete-phase-space states for condition change detection and quantification of information | |
CN108742697B (zh) | 心音信号分类方法及终端设备 | |
Bagheri et al. | A fast machine learning approach to facilitate the detection of interictal epileptiform discharges in the scalp electroencephalogram | |
WO2016117358A1 (ja) | 検査データ処理装置および検査データ処理方法 | |
Zhang et al. | The detection of crackles based on mathematical morphology in spectrogram analysis | |
Wijayanto et al. | Seizure detection based on EEG signals using katz fractal and SVM classifiers | |
Long et al. | Detection of epilepsy using MFCC-based feature and XGBoost | |
CN107550484B (zh) | 一种心磁信号质量评价方法及系统 | |
WO2008058343A1 (en) | A method for detecting eeg seizures in a newborn or a young child | |
Chen et al. | Improving the assessment of mild cognitive impairment in advanced age with a novel multi-feature automated speech and language analysis of verbal fluency | |
Toulni et al. | Electrocardiogram signals classification using discrete wavelet transform and support vector machine classifier | |
CN113180696A (zh) | 一种颅内脑电的检测方法、装置、电子设备及存储介质 | |
CN114680833A (zh) | 一种检测睡眠纺锤波的方法、装置、电子设备及存储介质 | |
Nodera et al. | Classification of needle‐EMG resting potentials by machine learning | |
Lian et al. | Spatial enhanced pattern through graph convolutional neural network for epileptic EEG identification | |
Hadiyoso et al. | Signal Dynamics Analysis for Epileptic Seizure Classification on EEG Signals. | |
Rouis et al. | Optimal level and order detection in wavelet decomposition for PCG signal denoising |
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 |