CN116150591A - 一种睡眠感官应激水平检测量化的方法、系统和装置 - Google Patents
一种睡眠感官应激水平检测量化的方法、系统和装置 Download PDFInfo
- Publication number
- CN116150591A CN116150591A CN202310352325.5A CN202310352325A CN116150591A CN 116150591 A CN116150591 A CN 116150591A CN 202310352325 A CN202310352325 A CN 202310352325A CN 116150591 A CN116150591 A CN 116150591A
- Authority
- CN
- China
- Prior art keywords
- sensory
- event
- time
- stress
- cortex
- 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
- 230000001953 sensory effect Effects 0.000 title claims abstract description 1005
- 238000000034 method Methods 0.000 title claims abstract description 195
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 194
- 238000004458 analytical method Methods 0.000 claims abstract description 176
- 230000008569 process Effects 0.000 claims abstract description 137
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000011002 quantification Methods 0.000 claims abstract description 21
- 230000035882 stress Effects 0.000 claims description 418
- 238000012512 characterization method Methods 0.000 claims description 98
- 238000000605 extraction Methods 0.000 claims description 55
- 230000004622 sleep time Effects 0.000 claims description 55
- 230000001054 cortical effect Effects 0.000 claims description 50
- 230000008878 coupling Effects 0.000 claims description 47
- 238000010168 coupling process Methods 0.000 claims description 47
- 238000005859 coupling reaction Methods 0.000 claims description 47
- 230000000694 effects Effects 0.000 claims description 34
- 210000003710 cerebral cortex Anatomy 0.000 claims description 32
- 210000000697 sensory organ Anatomy 0.000 claims description 21
- 238000000926 separation method Methods 0.000 claims description 21
- 230000010354 integration Effects 0.000 claims description 19
- 230000001360 synchronised effect Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000002123 temporal effect Effects 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 210000004556 brain Anatomy 0.000 claims description 7
- 210000003169 central nervous system Anatomy 0.000 claims description 7
- 230000003238 somatosensory effect Effects 0.000 claims description 7
- 210000003715 limbic system Anatomy 0.000 claims description 6
- 230000009894 physiological stress Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 239000010985 leather Substances 0.000 claims description 4
- 230000000284 resting effect Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 238000002582 magnetoencephalography Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims description 3
- 230000001936 parietal effect Effects 0.000 claims description 3
- 210000002442 prefrontal cortex Anatomy 0.000 claims description 3
- 230000008667 sleep stage Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 2
- 230000001339 gustatory effect Effects 0.000 claims 1
- 230000003534 oscillatory effect Effects 0.000 claims 1
- 238000005496 tempering Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000033764 rhythmic process Effects 0.000 description 7
- 230000005056 memory consolidation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000037152 sensory function Effects 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 235000019615 sensations Nutrition 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 230000000392 somatic 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
- A61B5/48—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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
-
- 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
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Neurosurgery (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychology (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
Abstract
本发明提供了睡眠感官应激水平检测量化的方法，通过对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集处理，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；进行分析，生成感官事件时间分布特征、感官独立应激事件特征、感官联合应激事件特征；对特征进行基线变化分析和变异调和分析，提取感官应激水平指数，生成睡眠感官应激水平曲线；结合所述睡眠感官应激水平曲线和所述感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告。本发明实现了对睡眠感官应激水平进行科学地检测、分析量化和评估。
Description
技术领域
本发明涉及睡眠感官应激水平检测量化领域，特别涉及一种睡眠感官应激水平检测量化的方法、系统和装置。
背景技术
睡眠是生理恢复、机体修复、精神调解和记忆巩固的最重要的过程，同时感官功能极大削弱和感官应激阈值提高也是睡眠过程中最基本的生理现象，视觉、听觉、嗅觉、味觉和躯体觉等多种感官体验内容的重放也是睡眠记忆巩固的核心内容之一。但无论在身心健康的不同年龄段正常人群、亚健康人群、生理疾病和心理疾病等患者人群中，无论是在非快眼动睡眠期、快眼动睡眠期中，都存在着睡眠过程中感官感觉内容的正常体验、感官感觉功能的异常打开和感官感觉应激的过度激活。
在睡眠过程中如何识别分离大脑体验中的感官事件，如何合理评估各个感官感觉初级及次级皮质、关联高级联合皮质和边缘系统等的大脑感官应激状态、如何科学量化评价大脑感官应激水平，成为睡眠科学和神经科学上仍未解决的难题。在国内外科学研究和临床实践中，都缺乏对不同人群、不同睡眠过程时相的睡眠感官应激水平检测量化的方法、路径和框架。
发明内容
针对现有方法的以上缺陷及改进需求，本发明的目的在于提供一种睡眠感官应激水平检测量化的方法，通过对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官事件时间过程标识集和感官中枢生理事件数据，经过感官特征分析提取得到感官事件时间分布特征、感官独立应激事件特征和感官联合应激事件特征，进一步完成基线变化分析和变异调和分析得到睡眠感官应激水平曲线，最后结合睡眠时相曲线提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告，从而实现科学合理地对不同人群、不同睡眠过程时相的睡眠感官应激水平检测量化。本发明还提供了一种睡眠感官应激水平检测量化的系统，用于实现上述方法。本发明还提供了一种睡眠感官应激水平检测量化的装置，用于实现上述系统。
根据本发明的目的，本发明提出了一种睡眠感官应激水平检测量化的方法，包括以下步骤：
对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
对所述感官事件时间过程标识集进行感官事件时间分布特征分析，生成感官事件时间分布特征；
对所述感官中枢生理事件数据进行感官事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件特征；
对所述感官中枢生理事件数据进行感官事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件特征；
结合感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，量化用户大脑皮质的整体感官应激状态和应激水平，提取感官应激水平指数，生成睡眠感官应激水平曲线；
根据所述感官中枢生理状态数据识别睡眠时相分期得到睡眠时相曲线，结合所述睡眠感官应激水平曲线和所述感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告。
更优地，所述对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据的具体步骤还包括：
对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录和信号处理，得到所述感官中枢生理状态数据；
对所述感官中枢生理状态数据进行感官事件识别，生成所述感官事件时间过程标识集；
根据所述感官事件时间过程标识集，对所述感官中枢生理状态数据进行事件信号分离，得到所述感官中枢生理事件数据。
更优地，所述感官皮质是指感觉器官对应的初级感觉皮质和次级感觉皮质，至少包括躯体感觉的初级感觉皮质和次级感觉皮质、视觉的初级感觉皮质和次级感觉皮质、听觉的初级感觉皮质和次级感觉皮质、嗅觉的初级感觉皮质和次级感觉皮质、味觉的初级感觉皮质和次级感觉皮质。
更优地，所述关联高级皮质是指与感官事件时序处理相关联的高级皮质和边缘系统，至少包括顶叶联合皮质、颞叶联合皮质、前额叶皮质、边缘系统。
更优地，所述中枢生理状态信号至少包括脑电信号、脑磁信号、功能性近红外光谱成像信号、功能性核磁共振成像信号。
更优地，所述感官事件识别是指从大脑各个感官皮质及关联高级皮质中枢生理状态信号中区分出多个连续的不同独立感官事件的发生和表征，识别每一个独立事件在不同皮质区域中的表征时序过程、事件中心时间、事件起始时间和事件结束时间，生成所述感官事件时间过程标识集。
更优地，所述感官事件时间过程标识集至少包括事件中心时间、事件起始时间、事件结束时间，以及事件过程中各皮质区域中枢生理状态信号的负向峰值时间。
更优地，所述感官事件时间过程标识集的一种具体提取方法为：
1)对所述感官中枢生理状态数据中的各个中枢生理状态信号进行预设移动步长和预设时间窗口长度的逆向平均电位处理和变异系数分析，识别不同皮质区域信号的变异系数绝对值最大处，得到感官事件表征时间中心集；
2)从所述感官事件表征时间中心集中提取顶叶联合皮质区域的事件表征时间中心，得到多感官同步整合时间中心点集；
3)从所述多感官同步整合时间中心点集中选择特定通道的并提取其一特定多感官同步整合时间中心点，作为事件时间中心基点；
4)从所述感官事件表征时间中心集中向前识别小于所述事件时间中心基点的、且距离所述事件时间中心基点最近、次近的所述感官皮质不同区域对应的事件表征时间中心，生成所述事件时间中心基点对应的感官皮质事件最近表征时间中心集和感官皮质事件次近表征时间中心集；
5)识别所述感官皮质事件最近表征时间中心集的最小值作为上边界值，识别所述感官皮质事件次近表征时间中心集的最大值作为下边界值，计算上边界值和下边界值的均值，得到所述事件时间中心基点对应的特定事件起始时间，也是上一个特定事件的结束时间；
6)从所述感官事件表征时间中心中向后识别大于所述事件时间中心基点的、且距离所述事件时间中心基点最近、次近的所述关联高级皮质不同区域对应的事件表征时间中心（除当前的所述事件时间中心基点外），生成所述事件时间中心基点对应的关联高级皮质事件最近表征时间中心集和关联高级皮质事件次近表征时间中心集；
7)识别所述关联高级皮质事件最近表征时间中心集的最大值作为下边界值，识别所述关联高级皮质事件次近表征时间中心集的最小值作为上边界值，计算上边界值和下边界值的均值，得到所述事件时间中心基点对应的特定事件结束时间，也是下一个特定事件的起始时间；
8)依次以从所述多感官同步整合时间中心点集中选择特定通道的全部多感官同步整合时间中心点对应的所述事件时间中心基点、特定事件起始时间和特定事件结束时间，结合所述感官事件表征时间中心集，生成所述感官事件时间过程标识集。
更优地，所述事件信号分离是指根据所述感官事件时间过程标识集中的特定事件起始时间和特定事件结束时间，对所述感官中枢生理状态数据进行时间定位和数据提取，得到所述感官中枢生理事件数据。
更优地，所述对所述感官事件时间过程标识集进行感官事件时间分布特征分析，生成感官事件时间分布特征的具体步骤还包括：
对所述感官事件时间过程标识集进行事件持续时长特征分析，得到感官事件持续时长特征；
对所述感官事件时间过程标识集进行事件表征时间中心特征分析，得到感官事件表征时间中心分布特征；
根据所述感官事件持续时长特征和所述感官事件表征时间中心分布特征，整合生成所述感官事件时间分布特征。
更优地，所述感官事件持续时长特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度；所述感官事件表征时间中心分布特征至少包括每个事件的感官皮质活动时长、多感官同步整合时间中心点、关联高级皮质活动时长、感官皮质活动时长与关联高级皮质活动时长的比值关系。
更优地，所述对所述感官中枢生理事件数据进行感官事件时空过程特征分析，评估感官事件在各个感官皮质及高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件特征的具体步骤还包括：
对所述感官中枢生理事件数据中的、所述感官皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个感觉器官皮质的活动表征特征，得到感官皮质事件时空特征；
对所述感官中枢生理事件数据中的、所述关联高级皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个关联高级皮质的活动表征特征，得到关联高级皮质事件时空特征；
根据所述感官皮质事件时空特征和所述关联高级皮质事件时空特征，整合生成所述感官独立应激事件特征。
更优地，所述时频特征至少包括不同皮质区域、不同通道的总功率、特征频带功率、特征频带功率占比、特征频带中心频率和包络特征；所述非线性特征至少包括不同皮质区域、不同通道的熵特征、分形特征和复杂度特征。
更优地，所述对所述感官中枢生理事件数据进行感官事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件特征的具体步骤还包括：
对所述感官中枢生理事件数据中两两中枢生理状态数据进行跨频率耦合分析，评估不同感觉器官皮质间及高级功能皮质的协同模式，得到感官耦合应激事件特征；
对所述感官中枢生理事件数据中两两中枢生理状态数据进行动态关系连接分析，评估不同感觉器官皮质间及高级功能皮质的联合表征状态，得到感官连接应激事件特征；
根据所述感官耦合应激事件特征和所述感官连接应激事件特征，整合生成所述感官联合应激事件特征。
更优地，所述跨频率耦合分析具体为对所述感官中枢生理事件数据中的不同皮质区域的、不同通道的、不同频带的两两目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征。
更优地，所述感官耦合应激事件特征至少包括不同皮质区域的、不同通道的、不同频带的两两信号之间的相-相耦合特征、相-幅耦合特征和幅-幅耦合特征。
更优地，所述动态关系连接分析具体为所述感官中枢生理事件数据中的不同皮质区域的、不同通道的两两目标信号组进行动态关系特征分析，量化信号间振荡交互过程和作用，得到动态功能连接特征。
更优地，所述感官连接应激事件特征至少包括不同皮质区域的、不同通道的两两信号之间的时频交叉特征、信号关联特征和信号距离特征；其中，所述时频交叉特征至少包括交叉频谱密度、锁相值、相位斜率指数、转移熵；所述信号关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数，所述信号距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
更优地，所述结合感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，量化用户大脑皮质的整体感官应激状态和应激水平，提取感官应激水平指数，生成睡眠感官应激水平曲线的具体步骤还包括：
建立不同年龄层的、规模数量的健康用户群体的所述感官应激水平特征基线库；
根据所述感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，按事件时序先后顺序逐个提取所述感官应激水平指数，生成所述睡眠感官应激水平曲线。
更优地，所述感官应激水平特征基线库的建立方法具体为：
1)采集不同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到基线感官事件时间过程标识集和基线感官中枢生理事件数据；
2)对所述基线感官事件时间过程标识集进行感官事件时间分布特征分析，生成基线感官事件时间分布特征集；
3)对所述基线感官中枢生理事件数据进行感官事件时空过程特征分析和感官事件时空关联特征分析，分别生成基线感官独立应激事件特征和基线感官联合应激事件特征；
4)整合所述基线感官事件时间分布特征集、所述基线感官独立应激事件特征和所述基线感官联合应激事件特征，生成基线感官生理应激特征集；
5)对全部用户样本的所述基线感官生理应激特征集中的每一个特征进行均值计算，得到每一个特征的静息基线值和任务基线值，建立所述感官应激水平特征基线库。
更优地，所述感官应激水平指数和所述睡眠感官应激水平曲线的计算生成方法具体为：
1)获取同一年龄层的、规模数量的健康用户群体的静息态、感官任务态下的所述感官应激水平特征基线库，得到对比感官应激水平特征基线库；
2)获取当前用户特定感官事件的所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征，计算与所述对比感官应激水平特征基线库中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到感官应激水平事件特征变化量集；
3)对所述感官应激水平事件特征变化量集中的全部指标进行变异调和计算，得到变异调和值，即当前时帧下的所述感官应激水平指数；
4)按时序求得全部时帧的所述感官应激水平指数，生成并得到所述睡眠感官应激水平曲线。
更优地，所述基线变化分析和所述基线变化量值的具体计算方式为：
对于实值变量
和其非零基线序列/>
来说，其基线变化量值为
其中，
分别为实值变量/>
的基线变化量值、第i个基线值以及对应的权重，/>
为正整数。/>
更优地，所述变异调和分析是一种以数值数组的变异系数、绝对值变异系数为观察基点基础，以数值数组的均值、中位数、分位数、最大值、最小值、方差、峰度、偏度、绝对值均值、绝对值中位数、绝对值分位数、绝对值最大值、绝对值最小值、绝对值方差、绝对值峰度、绝对值偏度为主要分析调和项，来观察分析数值数组的变异系数波动状态和总体趋势波动变化的数据分析方法。
更优地，所述变异调和分析的一种具体计算方式为：
对于数值数组
来说，其变异调和值的为
其中，
分别为数值数组/>
的变异调和值、变异系数和绝对值变异系数，xi为数组元素，/>
分别为取绝对值、最大值和最小值算符，/>
为正整数。
更优地，所述根据所述感官中枢生理状态数据识别睡眠时相分期得到睡眠时相曲线，结合所述睡眠感官应激水平曲线和所述感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告的具体步骤还包括：
根据所述感官中枢生理事件数据识别睡眠时相分期，得到所述睡眠时相曲线；
分析计算所述睡眠时相曲线和所述睡眠感官应激水平曲线的关系特征，提取所述时相感官应激相关系数；
根据所述睡眠时相曲线和所述感官事件时间过程标识集，提取所述时相事件分布特征；
根据所述睡眠时相曲线、所述睡眠感官应激水平曲线、所述时相感官应激相关系数和所述时相事件分布特征，分析计算并生成所述睡眠感官应激水平报告。
更优地，所述睡眠时相曲线的提取方法具体为：
1)通过深度学习算法对规模睡眠用户样本的所述感官中枢生理状态数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
2)将当前用户的所述感官中枢生理状态数据输入所述睡眠时相自动分期模型，得到所对应的睡眠时相分期值；
3)按照时序获取全部时帧的所述感官中枢生理状态数据的所述睡眠时相分期值，生成所述睡眠时相曲线。
更优地，所述时相感官应激相关系数的计算方法具体为：
1)获取所述睡眠时相曲线和所述睡眠感官应激水平曲线；
2)分析计算所述睡眠时相曲线和所述睡眠感官应激水平曲线的关系特征，得到时相感官应激水平关系特征指数集；
3)对所述时相感官应激水平关系特征指数集进行加权融合计算，得到所述时相感官应激相关系数。
更优地，所述关系特征至少包括所述信号关联特征和所述信号距离特征。
更优地，所述时相事件分布特征至少包括不同时相的所述感官事件持续时长特征和所述感官事件表征时间中心分布特征的时相分布统计。
更优地，所述睡眠感官应激水平报告至少包括所述睡眠时相曲线、所述睡眠感官应激水平曲线、所述时相感官应激相关系数、所述时相事件分布特征、感官应激水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠感官应激水平报告总结。
更优地，所述感官应激水平时相分布统计具体为不同睡眠时相的平均感官应激水平、最大感官应激水平和最小感官应激水平。
更优地，所述高峰活跃时段小结具体为所述睡眠感官应激水平曲线中超过预设高峰阈值的片段所对应的高峰时段分布、所述高峰时段分布的时间数值总和及占比。
更优地，所述低峰活跃时段小结具体为所述睡眠感官应激水平曲线中超过预设低峰阈值的片段所对应的低峰时段分布、所述低峰时段分布的时间数值总和及占比。
更优地，所述异常活跃时段小结具体为所述睡眠感官应激水平曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、所述异常时段分布的时间数值总和及占比。
根据本发明的目的，本发明提出了一种睡眠感官应激水平检测量化的系统，包括以下模块：
感官事件检测模块，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时间特征提取模块，用于对所述感官事件时间过程标识集进行感官事件时间分布特征分析，生成感官事件时间分布特征；
独立特征提取模块，用于对所述感官中枢生理事件数据进行感官事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件特征；
联合特征提取模块，用于对所述感官中枢生理事件数据进行感官事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件特征；
感官应激量化模块，用于结合感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，量化用户大脑皮质的整体感官应激状态和应激水平，提取感官应激水平指数，生成睡眠感官应激水平曲线；
感官应激报告模块，用于根据所述感官中枢生理状态数据识别睡眠时相分期得到睡眠时相曲线，结合所述睡眠感官应激水平曲线和所述感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告；
数据运营中心模块，用于对所述系统中所有过程数据和/或结果数据的可视化展示和数据运营管理。
更优地，所述感官事件检测模块还包括以下具体功能单元：
感官生理监测单元，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录和信号处理，得到所述感官中枢生理状态数据；
感官事件识别单元，用于对所述感官中枢生理状态数据进行感官事件识别，生成所述感官事件时间过程标识集；
事件信号分离单元，用于根据所述感官事件时间过程标识集，对所述感官中枢生理状态数据进行事件信号分离，得到所述感官中枢生理事件数据。
更优地，所述时间特征提取模块还包括以下具体功能单元：
持续时长特征提取单元，用于对所述感官事件时间过程标识集进行事件持续时长特征分析，得到感官事件持续时长特征；
表征中心特征提取单元，用于对所述感官事件时间过程标识集进行事件表征时间中心特征分析，得到感官事件表征时间中心分布特征；
时间特征生成单元，用于根据所述感官事件持续时长特征和所述感官事件表征时间中心分布特征，整合生成所述感官事件时间分布特征。
更优地，所述独立特征提取模块还包括以下具体功能单元：
感官皮质特征提取单元，用于对所述感官中枢生理事件数据中的、所述感官皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个感觉器官皮质的活动表征特征，得到感官皮质事件时空特征；
高级皮质特征提取单元，用于对所述感官中枢生理事件数据中的、所述关联高级皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个关联高级皮质的活动表征特征，得到关联高级皮质事件时空特征；
独立特征生成单元，用于根据所述感官皮质事件时空特征和所述关联高级皮质事件时空特征，整合生成所述感官独立应激事件特征。
更优地，所述联合特征提取模块还包括以下具体功能单元：
耦合特征提取单元，用于对所述感官中枢生理事件数据中两两中枢生理状态数据进行跨频率耦合分析，评估不同感觉器官皮质间及高级功能皮质的协同模式，得到感官耦合应激事件特征；
连接特征提取单元，用于对所述感官中枢生理事件数据中两两中枢生理状态数据进行动态关系连接分析，评估不同感觉器官皮质间及高级功能皮质的联合表征状态，得到感官连接应激事件特征；
联合特征生成单元，用于根据所述感官耦合应激事件特征和所述感官连接应激事件特征，整合生成所述感官联合应激事件特征。
更优地，所述感官应激量化模块还包括以下具体功能单元：
基线特征建立单元，用于建立不同年龄层的、规模数量的健康用户群体的所述感官应激水平特征基线库；
应激水平提取单元，用于根据所述感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，按事件时序先后顺序逐个提取所述感官应激水平指数，生成所述睡眠感官应激水平曲线。
更优地，所述感官应激报告模块还包括以下具体功能单元：
睡眠时相分析单元，用于根据所述感官中枢生理事件数据识别睡眠时相分期，得到所述睡眠时相曲线；
应激相关分析单元，用于分析计算所述睡眠时相曲线和所述睡眠感官应激水平曲线的关系特征，提取所述时相感官应激相关系数；
事件时相分析单元，用于根据所述睡眠时相曲线和所述感官事件时间过程标识集，提取所述时相事件分布特征；
应激报告生成单元，用于根据所述睡眠时相曲线、所述睡眠感官应激水平曲线、所述时相感官应激相关系数和所述时相事件分布特征，分析计算并生成所述睡眠感官应激水平报告。
更优地，所述数据运营中心模块还包括以下具体功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对所述系统中所有数据的可视化展现管理；
数据运营管理单元，用于对所述系统中所有数据的存储、备份、迁移和导出。
根据本发明的目的，本发明提出了一种睡眠感官应激水平检测量化的装置，包括以下模组：
感官事件检测模组，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时间特征提取模组，用于对所述感官事件时间过程标识集进行感官事件时间分布特征分析，生成感官事件时间分布特征；
独立特征提取模组，用于对所述感官中枢生理事件数据进行感官事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件特征；
联合特征提取模组，用于对所述感官中枢生理事件数据进行感官事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件特征；
感官应激量化模组，用于结合感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，量化用户大脑皮质的整体感官应激状态和应激水平，提取感官应激水平指数，生成睡眠感官应激水平曲线；
感官应激报告模组，用于根据所述感官中枢生理状态数据识别睡眠时相分期得到睡眠时相曲线，结合所述睡眠感官应激水平曲线和所述感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告；
数据可视化模组，用于对所述装置中所有数据的可视化展现管理和用户信息输入编辑管理；
数据运营管理模组，用于对所述装置中所有数据的存储、备份、迁移和导出。
本发明所提供的睡眠感官应激水平检测量化的方法、系统和装置，通过对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官事件时间过程标识集和感官中枢生理事件数据，经过感官特征分析提取得到感官事件时间分布特征、感官独立应激事件特征和感官联合应激事件特征，进一步完成基线变化分析和变异调和分析得到睡眠感官应激水平曲线，最后结合睡眠时相曲线提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告，从而实现科学合理地对不同人群、不同睡眠过程时相的睡眠感官应激水平检测量化。在实际使用场景中，本发明所提供的一种睡眠感官应激水平检测量化的方法、系统和装置，能够结合、赋能或嵌入睡眠相关产品和服务，能够推广至清醒期、不清醒期等不同场景需求，辅助健康管理和生理分析。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供的一种睡眠感官应激水平检测量化的方法的流程步骤示意图；
图2是本发明一实施例所提供的一种睡眠感官应激水平检测量化的系统的模块组成示意图；
图3是本发明一实施例所提供的一种睡眠感官应激水平检测量化的装置的模组构成示意图。
具体实施方式
为了更清楚地说明本发明的目的和技术方案，下面将结合本发明申请实施例中的附图，对本发明进行进一步介绍说明。显而易见地，下面描述的实施例仅是本发明一部分实施例，而不是全部的实施例。在没有创造性劳动前提下，本领域普通技术人员基于本发明的实施例所得到的其他实施例，都应属于本发明的保护范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
如图1所示，本发明实施例提供的一种睡眠感官应激水平检测量化的方法，包括以下步骤：
P100：对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据。
第一步、对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录和信号处理，得到感官中枢生理状态数据。
本实施例中，感官皮质是指感觉器官对应的初级感觉皮质和次级感觉皮质，至少包括躯体感觉的初级感觉皮质和次级感觉皮质、视觉的初级感觉皮质和次级感觉皮质、听觉的初级感觉皮质和次级感觉皮质、嗅觉的初级感觉皮质和次级感觉皮质、味觉的初级感觉皮质和次级感觉皮质；关联高级皮质是指与感官事件时序处理相关联的高级皮质和边缘系统，至少包括顶叶联合皮质、颞叶联合皮质，前额叶皮质、边缘系统。
本实施例中，中枢生理状态信号至少包括脑电信号、脑磁信号、功能性近红外光谱成像信号、功能性核磁共振成像信号。
本实施例中，选择脑电信号来采集记录感官皮质及关联高级皮质中枢生理状态信号。基于国际10-20系统脑电电极放置标准，脑电信号的记录电极为Fz、FCz、Pz、Oz、Fp1、Fp2、F3、F4、FC3、FC4、FT7、FT8、T7、T8、P3、P4、P7、P8、O1和O2，参考电极为左右耳垂A1、A2，采样率为2048Hz。
本实施例中，对脑电信号的信号处理为去伪迹处理，采用db4小波基、4层分解、SURE阈值法的离散小波降噪，通过hamming窗、零相位的FIR数字滤波器完成工频50Hz及其倍频陷波处理、带通（0.5~250Hz）滤波，并提取δ节律（0.5~4Hz）、θ节律（4~8Hz）、μ-α节律（8~13Hz）、β节律（13~30Hz）、γ1节律(30~60Hz)、γ2节律(60~140Hz)和γ3节律(140~250Hz)七个频带信号。
第二步、对感官中枢生理状态数据进行感官事件识别，生成感官事件时间过程标识集。
本实施例中，感官事件识别是指从大脑各个感官皮质及关联高级皮质中枢生理状态信号中区分出多个连续的不同独立感官事件的发生和表征，识别每一个独立事件在不同皮质区域中的表征时序过程、事件中心时间、事件起始时间和事件结束时间，生成感官事件时间过程标识集。
本实施例中，感官事件时间过程标识集至少包括事件中心时间、事件起始时间、事件结束时间，以及事件过程中各皮质区域中枢生理状态信号的负向峰值时间。
本实施例中，感官事件时间过程标识集的一种具体提取方法为：
1)对感官中枢生理状态数据中的各个中枢生理状态信号进行预设移动步长和预设时间窗口长度的逆向平均电位处理和变异系数分析，识别不同皮质区域信号的变异系数绝对值最大处，得到感官事件表征时间中心集；
2)从感官事件表征时间中心集中提取顶叶联合皮质区域的事件表征时间中心，得到多感官同步整合时间中心点集；
3)从多感官同步整合时间中心点集中选择顶叶联合皮质Pz通道并提取其一特定多感官同步整合时间中心点，作为事件时间中心基点；
4)从感官事件表征时间中心中向前识别小于事件时间中心基点的、且距离事件时间中心基点最近、次近的感官皮质不同区域对应的事件表征时间中心，生成事件时间中心基点对应的感官皮质事件最近表征时间中心集和感官皮质事件次近表征时间中心集；
5)识别感官皮质事件最近表征时间中心集的最小值作为上边界值，识别感官皮质事件次近表征时间中心集的最大值作为下边界值，计算上边界值和下边界值的均值，得到事件时间中心基点对应的特定事件起始时间，也是上一个特定事件的结束时间；
6)从感官事件表征时间中心中向后识别大于事件时间中心基点的、且距离事件时间中心基点最近、次近的关联高级皮质不同区域对应的事件表征时间中心（除当前Pz的事件时间中心基点外），生成事件时间中心基点对应的关联高级皮质事件最近表征时间中心集和关联高级皮质事件次近表征时间中心集；
7)识别关联高级皮质事件最近表征时间中心集的最大值作为下边界值，识别关联高级皮质事件次近表征时间中心集的最小值作为上边界值，计算上边界值和下边界值的均值，得到事件时间中心基点对应的特定事件结束时间，也是下一个特定事件的起始时间；
8)依次以从多感官同步整合时间中心点集中选择特定通道的全部多感官同步整合时间中心点对应的事件时间中心基点、特定事件起始时间和特定事件结束时间，结合感官事件表征时间中心集，生成感官事件时间过程标识集。
第三步、根据感官事件时间过程标识集，对感官中枢生理状态数据进行事件信号分离，得到感官中枢生理事件数据。
本实施例中，事件信号分离是指根据感官事件时间过程标识集中的特定事件起始时间和特定事件结束时间，对感官中枢生理状态数据进行时间定位和数据提取，得到感官中枢生理事件数据。
在实际使用场景中，感官事件识别和事件信号分离是后续感官应激特征分析和感官应激水平分析的重要保障，是根据实际感官事件信号发生中心点、起始点和结束点为基础的信号提取和信号获取。传统信号处理中，用固定时间步长和时间窗口去进行信号截取，甚至无法完成初略的感官事件识别和事件信号分离。
P200：对所述感官事件时间过程标识集进行感官事件时间分布特征分析，生成感官事件时间分布特征。
第一步、对感官事件时间过程标识集进行事件持续时长特征分析，得到感官事件持续时长特征。
本实施例中，感官事件持续时长特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度。
第二步、对感官事件时间过程标识集进行事件表征时间中心特征分析，得到感官事件表征时间中心分布特征。
本实施例中，感官事件表征时间中心分布特征至少包括每个事件的感官皮质活动时长、多感官同步整合时间中心点、关联高级皮质活动时长、感官皮质活动时长与关联高级皮质活动时长的比值关系。
第三步、根据感官事件持续时长特征和感官事件表征时间中心分布特征，整合生成感官事件时间分布特征。
在实际使用场景中，感官事件发生、发展或阻断受用户身心状态、睡眠时相、睡眠环境、记忆巩固内容等多种因素影响，带来感官事件和感官体验的快速发生发放和突变阻断，所以感官事件的起始点、持续时长、感官皮质活动时长、多感官同步整合时间中心点、关联高级皮质活动时长、感官皮质活动时长与关联高级皮质活动时长的比值关系是感官应激状态的关键描述。
P300：对所述感官中枢生理事件数据进行感官事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件特征。
第一步、对感官中枢生理事件数据中的、感官皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个感觉器官皮质的活动表征特征，得到感官皮质事件时空特征。
第二步、对感官中枢生理事件数据中的、关联高级皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个关联高级皮质的活动表征特征，得到关联高级皮质事件时空特征。
第三步、根据感官皮质事件时空特征和关联高级皮质事件时空特征，整合生成感官独立应激事件特征。
本实施例中，时频特征至少包括不同皮质区域、不同通道的总功率、特征频带功率、特征频带功率占比、特征频带中心频率和包络特征；非线性特征至少包括不同皮质区域、不同通道的熵特征、分形特征和复杂度特征。
在实际使用场景中，感官独立应激事件特征会根据视觉、听觉、嗅觉、味觉和躯体觉等多种感官体验内容，在不同初级刺激感觉皮质的信号强度、频率和峰幅值等都会有比较大的差异，同时也带来在关联高级皮质的信号显著表现差异。
P400：对所述感官中枢生理事件数据进行感官事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件特征。
第一步、对感官中枢生理事件数据中两两中枢生理状态数据进行跨频率耦合分析，评估不同感觉器官皮质间及高级功能皮质的协同模式，得到感官耦合应激事件特征。
本实施例中，跨频率耦合分析具体为对感官中枢生理事件数据中的不同皮质区域的、不同通道的、不同频带的两两目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征。
本实施例中，感官耦合应激事件特征至少包括不同皮质区域的、不同通道的、不同频带的两两信号之间的相-相耦合特征、相-幅耦合特征和幅-幅耦合特征。
第二步、对感官中枢生理事件数据中两两中枢生理状态数据进行动态关系连接分析，评估不同感觉器官皮质间及高级功能皮质的联合表征状态，得到感官连接应激事件特征。
本实施例中，动态关系连接分析具体为感官中枢生理事件数据中的不同皮质区域的、不同通道的两两目标信号组进行动态关系特征分析，量化信号间振荡交互过程和作用，得到动态功能连接特征。
本实施例中，感官连接应激事件特征至少包括不同皮质区域的、不同通道的两两信号之间的时频交叉特征、信号关联特征和信号距离特征；其中，时频交叉特征至少包括交叉频谱密度、锁相值、相位斜率指数、转移熵；信号关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数，信号距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
第三步、根据感官耦合应激事件特征和感官连接应激事件特征，整合生成感官联合应激事件特征。
在实际使用场景中，视觉、听觉、嗅觉、味觉和躯体觉等多种感官体验内容最终都会整合成统一感觉认知并融入到特定记忆巩固过程中，而感官耦合应激事件特征和感官连接应激事件特征恰恰是能够描述这个统一或融入过程的感官应激特征。同时，选取相-相耦合特征、相-幅耦合特征、幅-幅耦合特征、交叉频谱密度、锁相值、皮尔逊相关系数和欧氏距离作为关系特征，能够满足大多数场景需求。
P500：结合感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，量化用户大脑皮质的整体感官应激状态和应激水平，提取感官应激水平指数，生成睡眠感官应激水平曲线。
第一步、建立不同年龄层的、规模数量的健康用户群体的感官应激水平特征基线库。
本实施例中，感官应激水平特征基线库的建立方法具体为：
1)采集不同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到基线感官事件时间过程标识集和基线感官中枢生理事件数据；
2)对基线感官事件时间过程标识集进行感官事件时间分布特征分析，生成基线感官事件时间分布特征集；
3)对基线感官中枢生理事件数据进行感官事件时空过程特征分析和感官事件时空关联特征分析，分别生成基线感官独立应激事件特征和基线感官联合应激事件特征；
4)整合基线感官事件时间分布特征集、基线感官独立应激事件特征和基线感官联合应激事件特征，生成基线感官生理应激特征集；
5)对全部用户样本的基线感官生理应激特征集中的每一个特征进行均值计算，得到每一个特征的静息基线值和任务基线值，建立感官应激水平特征基线库。
在实际使用场景中，需要根据检测目标目的和其他实际情况，构建不同年龄层的、规模数量的健康用户群体的静息态、感官任务态（视觉、听觉、嗅觉、味觉和躯体觉等多种感官）的感官应激水平特征基线库。
第二步、根据感官应激水平特征基线库，对感官事件时间分布特征、感官独立应激事件特征和感官联合应激事件特征进行基线变化分析和变异调和分析，按事件时序先后顺序逐个提取感官应激水平指数，生成睡眠感官应激水平曲线。
本实施例中，感官应激水平指数和睡眠感官应激水平曲线的计算生成方法具体为：
1)获取同一年龄层的、规模数量的健康用户群体的静息态、感官任务态下的感官应激水平特征基线库，得到对比感官应激水平特征基线库；
2)获取当前用户特定感官事件的感官事件时间分布特征、感官独立应激事件特征和感官联合应激事件特征，计算与对比感官应激水平特征基线库中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到感官应激水平事件特征变化量集；
3)对感官应激水平事件特征变化量集中的全部指标进行变异调和计算，得到变异调和值，即当前时帧下的感官应激水平指数；
4)按时序求得全部时帧的感官应激水平指数，生成并得到睡眠感官应激水平曲线。
本实施例中，基线变化分析和基线变化量值的具体计算方式为：
对于实值变量
和其非零基线序列/>
来说，其基线变化量值为
其中，
分别为实值变量/>
的基线变化量值、第i个基线值以及对应的权重，/>
为正整数。/>
本实施例中，变异调和分析是一种以数值数组的变异系数、绝对值变异系数为观察基点基础，以数值数组的均值、中位数、分位数、最大值、最小值、方差、峰度、偏度、绝对值均值、绝对值中位数、绝对值分位数、绝对值最大值、绝对值最小值、绝对值方差、绝对值峰度、绝对值偏度为主要分析调和项，来观察分析数值数组的变异系数波动状态和总体趋势波动变化的数据分析方法。
本实施例中，变异调和分析的一种具体计算方式为：
对于数值数组
来说，其变异调和值的为
其中，
分别为数值数组/>
的变异调和值、变异系数和绝对值变异系数，xi为数组元素，/>
分别为取绝对值、最大值和最小值算符，/>
为正整数。
在实际使用场景中，变异调和值以变异系数为基础，以均值、最大值和最小值为调和尾数，获得调和值，能够灵敏的反映视觉、听觉、嗅觉、味觉和躯体觉等多种感官内容体验的波动状态和总体趋势变化。
P600：根据所述感官中枢生理状态数据识别睡眠时相分期得到睡眠时相曲线，结合所述睡眠感官应激水平曲线和所述感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告。
第一步、根据感官中枢生理事件数据识别睡眠时相分期，得到睡眠时相曲线。
本实施例中，睡眠时相曲线的提取方法具体为：
1)通过深度学习算法对规模睡眠用户样本的感官中枢生理状态数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
2)将当前用户的感官中枢生理状态数据输入睡眠时相自动分期模型，得到所对应的睡眠时相分期值；
3)按照时序获取全部时帧的感官中枢生理状态数据的睡眠时相分期值，生成睡眠时相曲线。
第二步、分析计算睡眠时相曲线和睡眠感官应激水平曲线的关系特征，提取时相感官应激相关系数。
本实施例中，时相感官应激相关系数的计算方法具体为：
1)获取睡眠时相曲线和睡眠感官应激水平曲线；
2)分析计算睡眠时相曲线和睡眠感官应激水平曲线的关系特征，得到时相感官应激水平关系特征指数集；
3)对时相感官应激水平关系特征指数集进行加权融合计算，得到时相感官应激相关系数。
本实施例中，关系特征至少包括信号关联特征和信号距离特征。在实际使用场景中，选取皮尔逊相关系数和欧氏距离作为关系特征，能够满足大多数场景需求。
第三步、根据睡眠时相曲线和感官事件时间过程标识集，提取时相事件分布特征。
本实施例中，时相事件分布特征至少包括不同时相的感官事件持续时长特征和感官事件表征时间中心分布特征的时相分布统计。
第四步、根据睡眠时相曲线、睡眠感官应激水平曲线、时相感官应激相关系数和时相事件分布特征，分析计算并生成睡眠感官应激水平报告。
本实施例中，睡眠感官应激水平报告至少包括睡眠时相曲线、睡眠感官应激水平曲线、时相感官应激相关系数、时相事件分布特征、感官应激水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠感官应激水平报告总结。
本实施例中，感官应激水平时相分布统计具体为不同睡眠时相的平均感官应激水平、最大感官应激水平和最小感官应激水平。
本实施例中，高峰活跃时段小结具体为睡眠感官应激水平曲线中超过预设高峰阈值的片段所对应的高峰时段分布、高峰时段分布的时间数值总和及占比。
本实施例中，低峰活跃时段小结具体为睡眠感官应激水平曲线中超过预设低峰阈值的片段所对应的低峰时段分布、低峰时段分布的时间数值总和及占比。
本实施例中，异常活跃时段小结具体为睡眠感官应激水平曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、异常时段分布的时间数值总和及占比。
如图2所示，本发明实施例提供的一种睡眠感官应激水平检测量化的系统，所述系统被构造以用于执行上述各个方法步骤。所述系统包括如下模块：
感官事件检测模块S100，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时间特征提取模块S200，用于对感官事件时间过程标识集进行感官事件时间分布特征分析，生成感官事件时间分布特征；
独立特征提取模块S300，用于对感官中枢生理事件数据进行感官事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件特征；
联合特征提取模块S400，用于对感官中枢生理事件数据进行感官事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件特征；
感官应激量化模块S500，用于结合感官应激水平特征基线库，对感官事件时间分布特征、感官独立应激事件特征和感官联合应激事件特征进行基线变化分析和变异调和分析，量化用户大脑皮质的整体感官应激状态和应激水平，提取感官应激水平指数，生成睡眠感官应激水平曲线；
感官应激报告模块S600，用于根据感官中枢生理状态数据识别睡眠时相分期得到睡眠时相曲线，结合睡眠感官应激水平曲线和感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告；
数据运营中心模块S700，用于对系统中所有过程数据和/或结果数据的可视化展示和数据运营管理。
本实施例中，感官事件检测模块S100还包括以下具体功能单元：
感官生理监测单元，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录和信号处理，得到感官中枢生理状态数据；
感官事件识别单元，用于对感官中枢生理状态数据进行感官事件识别，生成感官事件时间过程标识集；
事件信号分离单元，用于根据感官事件时间过程标识集，对感官中枢生理状态数据进行事件信号分离，得到感官中枢生理事件数据。
本实施例中，时间特征提取模块S200还包括以下具体功能单元：
持续时长特征提取单元，用于对感官事件时间过程标识集进行事件持续时长特征分析，得到感官事件持续时长特征；
表征中心特征提取单元，用于对感官事件时间过程标识集进行事件表征时间中心特征分析，得到感官事件表征时间中心分布特征；
时间特征生成单元，用于根据感官事件持续时长特征和感官事件表征时间中心分布特征，整合生成感官事件时间分布特征。
本实施例中，独立特征提取模块S300还包括以下具体功能单元：
感官皮质特征提取单元，用于对感官中枢生理事件数据中的、感官皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个感觉器官皮质的活动表征特征，得到感官皮质事件时空特征；
高级皮质特征提取单元，用于对感官中枢生理事件数据中的、关联高级皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个关联高级皮质的活动表征特征，得到关联高级皮质事件时空特征；
独立特征生成单元，用于根据感官皮质事件时空特征和关联高级皮质事件时空特征，整合生成感官独立应激事件特征。
本实施例中，联合特征提取模块S400还包括以下具体功能单元：
耦合特征提取单元，用于对感官中枢生理事件数据中两两中枢生理状态数据进行跨频率耦合分析，评估不同感觉器官皮质间及高级功能皮质的协同模式，得到感官耦合应激事件特征；
连接特征提取单元，用于对感官中枢生理事件数据中两两中枢生理状态数据进行动态关系连接分析，评估不同感觉器官皮质间及高级功能皮质的联合表征状态，得到感官连接应激事件特征；
联合特征生成单元，用于根据感官耦合应激事件特征和感官连接应激事件特征，整合生成感官联合应激事件特征。
本实施例中，感官应激量化模块S500还包括以下具体功能单元：
基线特征建立单元，用于建立不同年龄层的、规模数量的健康用户群体的感官应激水平特征基线库；
应激水平提取单元，用于根据感官应激水平特征基线库，对感官事件时间分布特征、感官独立应激事件特征和感官联合应激事件特征进行基线变化分析和变异调和分析，按事件时序先后顺序逐个提取感官应激水平指数，生成睡眠感官应激水平曲线。
本实施例中，感官应激报告模块S600还包括以下具体功能单元：
睡眠时相分析单元，用于根据感官中枢生理事件数据识别睡眠时相分期，得到睡眠时相曲线；
应激相关分析单元，用于分析计算睡眠时相曲线和睡眠感官应激水平曲线的关系特征，提取时相感官应激相关系数；
事件时相分析单元，用于根据睡眠时相曲线和感官事件时间过程标识集，提取时相事件分布特征；
应激报告生成单元，用于根据睡眠时相曲线、睡眠感官应激水平曲线、时相感官应激相关系数和时相事件分布特征，分析计算并生成睡眠感官应激水平报告。
本实施例中，数据运营中心模块S700还包括以下具体功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对系统中所有数据的可视化展现管理；
数据运营管理单元，用于对系统中所有数据的存储、备份、迁移和导出。
如图3所示，本发明实施例提供的一种睡眠感官应激水平检测量化的装置，包括以下模组：
感官事件检测模组M100，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时间特征提取模组M200，用于对感官事件时间过程标识集进行感官事件时间分布特征分析，生成感官事件时间分布特征；
独立特征提取模组M300，用于对感官中枢生理事件数据进行感官事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件特征；
联合特征提取模组M400，用于对感官中枢生理事件数据进行感官事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件特征；
感官应激量化模组M500，用于结合感官应激水平特征基线库，对感官事件时间分布特征、感官独立应激事件特征和感官联合应激事件特征进行基线变化分析和变异调和分析，量化用户大脑皮质的整体感官应激状态和应激水平，提取感官应激水平指数，生成睡眠感官应激水平曲线；
感官应激报告模组M600，用于根据感官中枢生理状态数据识别睡眠时相分期得到睡眠时相曲线，结合睡眠感官应激水平曲线和感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告；
数据可视化模组M700，用于对装置中所有数据的可视化展现管理和用户信息输入编辑管理；
数据运营管理模组M800，用于对装置中所有数据的存储、备份、迁移和导出。
所述装置被构造以用于对应执行图1的方法钟的各个步骤，在此不再赘述。
本发明还提供了可编程的各类处理器（FPGA、ASIC或其他集成电路），所述处理器用于运行程序，其中，所述程序运行时执行上述实施例中的步骤。
本发明还提供了对应的计算机设备，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，所述存储器执行所述程序时实现上述实施例中的步骤。
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和原则的前提下，可以在实施的形式及细节上进行任何的修改与变化、等同替换等，这些都属于本发明的保护范围。因此，本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (40)
1.一种睡眠感官应激水平检测量化的方法，其特征在于，包括以下步骤：
对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
对所述感官事件时间过程标识集进行感官事件时间分布特征分析，生成感官事件时间分布特征；
对所述感官中枢生理事件数据进行感官事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件特征；
对所述感官中枢生理事件数据进行感官事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件特征；
结合感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，量化用户大脑皮质的整体感官应激状态和应激水平，提取感官应激水平指数，生成睡眠感官应激水平曲线；
根据所述感官中枢生理状态数据识别睡眠时相分期得到睡眠时相曲线，结合所述睡眠感官应激水平曲线和所述感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告。
2.如权利要求1所述的方法，其特征在于,所述对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据的具体步骤还包括：
对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录和信号处理，得到所述感官中枢生理状态数据；
对所述感官中枢生理状态数据进行感官事件识别，生成所述感官事件时间过程标识集；
根据所述感官事件时间过程标识集，对所述感官中枢生理状态数据进行事件信号分离，得到所述感官中枢生理事件数据。
3.如权利要求2所述的方法，其特征在于：所述感官皮质是指感觉器官对应的初级感觉皮质和次级感觉皮质，包括躯体感觉的初级感觉皮质和次级感觉皮质、视觉的初级感觉皮质和次级感觉皮质、听觉的初级感觉皮质和次级感觉皮质、嗅觉的初级感觉皮质和次级感觉皮质、味觉的初级感觉皮质和次级感觉皮质至少一项。
4.如权利要求2或3所述的方法，其特征在于：所述关联高级皮质是指与感官事件时序处理相关联的高级皮质和边缘系统，至少包括顶叶联合皮质、颞叶联合皮质、前额叶皮质、边缘系统。
5.如权利要求2所述的方法，其特征在于：所述中枢生理状态信号包括脑电信号、脑磁信号、功能性近红外光谱成像信号、功能性核磁共振成像信号至少一项。
6.如权利要求1或2所述的方法，其特征在于：所述感官事件识别是指从大脑各个感官皮质及关联高级皮质中枢生理状态信号中区分出多个连续的不同独立感官事件的发生和表征，识别每一个独立事件在不同皮质区域中的表征时序过程、事件中心时间、事件起始时间和事件结束时间，生成所述感官事件时间过程标识集。
7.如权利要求1或2所述的方法，其特征在于：所述感官事件时间过程标识集包括事件中心时间、事件起始时间、事件结束时间，以及事件过程中各皮质区域中枢生理状态信号的负向峰值时间至少一项。
8.如权利要求7所述的方法，其特征在于：所述感官事件时间过程标识集的一种具体提取方法为：
1)对所述感官中枢生理状态数据中的各个中枢生理状态信号进行预设移动步长和预设时间窗口长度的逆向平均电位处理和变异系数分析，识别不同皮质区域信号的变异系数绝对值最大处，得到感官事件表征时间中心集；
2)从所述感官事件表征时间中心集中提取顶叶联合皮质区域的事件表征时间中心，得到多感官同步整合时间中心点集；
3)从所述多感官同步整合时间中心点集中选择特定通道的并提取其一特定多感官同步整合时间中心点，作为事件时间中心基点；
4)从所述感官事件表征时间中心集中向前识别小于所述事件时间中心基点的、且距离所述事件时间中心基点最近、次近的所述感官皮质不同区域对应的事件表征时间中心，生成所述事件时间中心基点对应的感官皮质事件最近表征时间中心集和感官皮质事件次近表征时间中心集；
5)识别所述感官皮质事件最近表征时间中心集的最小值作为上边界值，识别所述感官皮质事件次近表征时间中心集的最大值作为下边界值，计算上边界值和下边界值的均值，得到所述事件时间中心基点对应的特定事件起始时间，也是上一个特定事件的结束时间；
6)从所述感官事件表征时间中心中向后识别大于所述事件时间中心基点的、且距离所述事件时间中心基点最近、次近的所述关联高级皮质不同区域对应的事件表征时间中心，生成所述事件时间中心基点对应的关联高级皮质事件最近表征时间中心集和关联高级皮质事件次近表征时间中心集；
7)识别所述关联高级皮质事件最近表征时间中心集的最大值作为下边界值，识别所述关联高级皮质事件次近表征时间中心集的最小值作为上边界值，计算上边界值和下边界值的均值，得到所述事件时间中心基点对应的特定事件结束时间，也是下一个特定事件的起始时间；
8)依次以从所述多感官同步整合时间中心点集中选择特定通道的全部多感官同步整合时间中心点对应的所述事件时间中心基点、特定事件起始时间和特定事件结束时间，结合所述感官事件表征时间中心集，生成所述感官事件时间过程标识集。
9.如权利要求1或2所述的方法，其特征在于：所述事件信号分离是指根据所述感官事件时间过程标识集中的特定事件起始时间和特定事件结束时间，对所述感官中枢生理状态数据进行时间定位和数据提取，得到所述感官中枢生理事件数据。
10.如权利要求1或2所述的方法，其特征在于：所述对所述感官事件时间过程标识集进行感官事件时间分布特征分析，生成感官事件时间分布特征的具体步骤还包括：
对所述感官事件时间过程标识集进行事件持续时长特征分析，得到感官事件持续时长特征；
对所述感官事件时间过程标识集进行事件表征时间中心特征分析，得到感官事件表征时间中心分布特征；
根据所述感官事件持续时长特征和所述感官事件表征时间中心分布特征，整合生成所述感官事件时间分布特征。
11.如权利要求10所述的方法，其特征在于，所述感官事件持续时长特征包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度至少一项；所述感官事件表征时间中心分布特征包括每个事件的感官皮质活动时长、多感官同步整合时间中心点、关联高级皮质活动时长、感官皮质活动时长与关联高级皮质活动时长的比值关系至少一项。
12.如权利要求1或2所述的方法，其特征在于，所述对所述感官中枢生理事件数据进行感官事件时空过程特征分析，评估感官事件在各个感官皮质及高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件特征的具体步骤还包括：
对所述感官中枢生理事件数据中的、所述感官皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个感觉器官皮质的活动表征特征，得到感官皮质事件时空特征；
对所述感官中枢生理事件数据中的、所述关联高级皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个关联高级皮质的活动表征特征，得到关联高级皮质事件时空特征；
根据所述感官皮质事件时空特征和所述关联高级皮质事件时空特征，整合生成所述感官独立应激事件特征。
13.如权利要求12所述的方法，其特征在于，所述时频特征包括不同皮质区域、不同通道的总功率、特征频带功率、特征频带功率占比、特征频带中心频率和包络特征中的至少一项；所述非线性特征包括不同皮质区域、不同通道的熵特征、分形特征、复杂度特征至少一项。
14.如权利要求1或2所述的方法，其特征在于，所述对所述感官中枢生理事件数据进行感官事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件特征的具体步骤还包括：
对所述感官中枢生理事件数据中两两中枢生理状态数据进行跨频率耦合分析，评估不同感觉器官皮质间及高级功能皮质的协同模式，得到感官耦合应激事件特征；
对所述感官中枢生理事件数据中两两中枢生理状态数据进行动态关系连接分析，评估不同感觉器官皮质间及高级功能皮质的联合表征状态，得到感官连接应激事件特征；
根据所述感官耦合应激事件特征和所述感官连接应激事件特征，整合生成所述感官联合应激事件特征。
15.如权利要求14所述的方法，其特征在于，所述跨频率耦合分析具体为对所述感官中枢生理事件数据中的不同皮质区域的、不同通道的、不同频带的两两目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征。
16.如权利要求14所述的方法，其特征在于，所述感官耦合应激事件特征包括不同皮质区域的、不同通道的、不同频带的两两信号之间的相-相耦合特征、相-幅耦合特征和幅-幅耦合特征至少一项。
17.如权利要求14所述的方法，其特征在于，所述动态关系连接分析具体为所述感官中枢生理事件数据中的不同皮质区域的、不同通道的两两目标信号组进行动态关系特征分析，量化信号间振荡交互过程和作用，得到动态功能连接特征。
18.如权利要求14所述的方法，其特征在于，所述感官连接应激事件特征包括不同皮质区域的、不同通道的两两信号之间的时频交叉特征、信号关联特征和信号距离特征至少一项；其中，所述时频交叉特征包括交叉频谱密度、锁相值、相位斜率指数、转移熵至少一项；所述信号关联特征包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数、线性相关系数至少一项，所述信号距离特征包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦至少一项。
19.如权利要求1或2所述的方法，其特征在于，所述结合感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，量化用户大脑皮质的整体感官应激状态和应激水平，提取感官应激水平指数，生成睡眠感官应激水平曲线的具体步骤还包括：
建立不同年龄层的、规模数量的健康用户群体的所述感官应激水平特征基线库；
根据所述感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，按事件时序先后顺序逐个提取所述感官应激水平指数，生成所述睡眠感官应激水平曲线。
20.如权利要求19所述的方法，其特征在于，所述感官应激水平特征基线库的建立方法具体为：
1)采集不同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到基线感官事件时间过程标识集和基线感官中枢生理事件数据；
2)对所述基线感官事件时间过程标识集进行感官事件时间分布特征分析，生成基线感官事件时间分布特征集；
3)对所述基线感官中枢生理事件数据进行感官事件时空过程特征分析和感官事件时空关联特征分析，分别生成基线感官独立应激事件特征和基线感官联合应激事件特征；
4)整合所述基线感官事件时间分布特征集、所述基线感官独立应激事件特征和所述基线感官联合应激事件特征，生成基线感官生理应激特征集；
5)对全部用户样本的所述基线感官生理应激特征集中的每一个特征进行均值计算，得到每一个特征的静息基线值和任务基线值，建立所述感官应激水平特征基线库。
21.如权利要求19所述的方法，其特征在于，所述感官应激水平指数和所述睡眠感官应激水平曲线的计算生成方法具体为：
1)获取同一年龄层的、规模数量的健康用户群体的静息态、感官任务态下的所述感官应激水平特征基线库，得到对比感官应激水平特征基线库；
2)获取当前用户特定感官事件的所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征，计算与所述对比感官应激水平特征基线库中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到感官应激水平事件特征变化量集；
3)对所述感官应激水平事件特征变化量集中的全部指标进行变异调和计算，得到变异调和值，即当前时帧下的所述感官应激水平指数；
4)按时序求得全部时帧的所述感官应激水平指数，生成并得到所述睡眠感官应激水平曲线。
22.如权利要求21所述的方法，其特征在于，所述基线变化分析和所述基线变化量值的具体计算方式为：
对于实值变量
和其非零基线序列/>
来说，其基线变化量值为
其中，
分别为实值变量/>
的基线变化量值、第i个基线值以及对应的权重，/>
为正整数。
23.如权利要求22所述的方法，其特征在于，所述变异调和分析是一种以数值数组的变异系数、绝对值变异系数至少一项为观察基点基础，以数值数组的均值、中位数、分位数、最大值、最小值、方差、峰度、偏度、绝对值均值、绝对值中位数、绝对值分位数、绝对值最大值、绝对值最小值、绝对值方差、绝对值峰度、绝对值偏度至少一项为主要分析调和项，来观察分析数值数组的变异系数波动状态和总体趋势波动变化的数据分析方法。
24.如权利要求22所述的方法，其特征在于，所述变异调和分析的一种具体计算方式为：
对于数值数组
来说，其变异调和值的为
其中，
分别为数值数组/>
的变异调和值、变异系数和绝对值变异系数，xi为数组元素，/>
分别为取绝对值、最大值和最小值算符，/>
为正整数。
25.如权利要求1或2所述的方法，其特征在于，所述根据所述感官中枢生理状态数据识别睡眠时相分期得到睡眠时相曲线，结合所述睡眠感官应激水平曲线和所述感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告的具体步骤还包括：
根据所述感官中枢生理事件数据识别睡眠时相分期，得到所述睡眠时相曲线；
分析计算所述睡眠时相曲线和所述睡眠感官应激水平曲线的关系特征，提取所述时相感官应激相关系数；
根据所述睡眠时相曲线和所述感官事件时间过程标识集，提取所述时相事件分布特征；
根据所述睡眠时相曲线、所述睡眠感官应激水平曲线、所述时相感官应激相关系数和所述时相事件分布特征，分析计算并生成所述睡眠感官应激水平报告。
26.如权利要求25所述的方法，其特征在于，所述睡眠时相曲线的提取方法具体为：
1)通过深度学习算法对规模睡眠用户样本的所述感官中枢生理状态数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
2)将当前用户的所述感官中枢生理状态数据输入所述睡眠时相自动分期模型，得到所对应的睡眠时相分期值；
3)按照时序获取全部时帧的所述感官中枢生理状态数据的所述睡眠时相分期值，生成所述睡眠时相曲线。
27.如权利要求25所述的方法，其特征在于，所述时相感官应激相关系数的计算方法具体为：
1)获取所述睡眠时相曲线和所述睡眠感官应激水平曲线；
2)分析计算所述睡眠时相曲线和所述睡眠感官应激水平曲线的关系特征，得到时相感官应激水平关系特征指数集；
3)对所述时相感官应激水平关系特征指数集进行加权融合计算，得到所述时相感官应激相关系数。
28.如权利要求25所述的方法，其特征在于，所述关系特征至少包括信号关联特征和信号距离特征。
29.如权利要求25所述的方法，其特征在于，所述时相事件分布特征至少包括不同时相的感官事件持续时长特征和感官事件表征时间中心分布特征的时相分布统计。
30.如权利要求25所述的方法，其特征在于，所述睡眠感官应激水平报告包括所述睡眠时相曲线、所述睡眠感官应激水平曲线、所述时相感官应激相关系数、所述时相事件分布特征、感官应激水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠感官应激水平报告总结至少一项。
31.如权利要求30所述的方法，其特征在于，所述感官应激水平时相分布统计具体为不同睡眠时相的平均感官应激水平、最大感官应激水平和最小感官应激水平；所述高峰活跃时段小结具体为所述睡眠感官应激水平曲线中超过预设高峰阈值的片段所对应的高峰时段分布、所述高峰时段分布的时间数值总和及占比；所述低峰活跃时段小结具体为所述睡眠感官应激水平曲线中超过预设低峰阈值的片段所对应的低峰时段分布、所述低峰时段分布的时间数值总和及占比；所述异常活跃时段小结具体为所述睡眠感官应激水平曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、所述异常时段分布的时间数值总和及占比。
32.一种睡眠感官应激水平检测量化的系统，其特征在于，包括以下模块：
感官事件检测模块，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时间特征提取模块，用于对所述感官事件时间过程标识集进行感官事件时间分布特征分析，生成感官事件时间分布特征；
独立特征提取模块，用于对所述感官中枢生理事件数据进行感官事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件特征；
联合特征提取模块，用于对所述感官中枢生理事件数据进行感官事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件特征；
感官应激量化模块，用于结合感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，量化用户大脑皮质的整体感官应激状态和应激水平，提取感官应激水平指数，生成睡眠感官应激水平曲线；
感官应激报告模块，用于根据所述感官中枢生理状态数据识别睡眠时相分期得到睡眠时相曲线，结合所述睡眠感官应激水平曲线和所述感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告；
数据运营中心模块，用于对所述系统中所有过程数据和/或结果数据的可视化展示和数据运营管理。
33.如权利要求32所述的系统，其特征在于，所述感官事件检测模块还包括以下具体功能单元：
感官生理监测单元，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录和信号处理，得到所述感官中枢生理状态数据；
感官事件识别单元，用于对所述感官中枢生理状态数据进行感官事件识别，生成所述感官事件时间过程标识集；
事件信号分离单元，用于根据所述感官事件时间过程标识集，对所述感官中枢生理状态数据进行事件信号分离，得到所述感官中枢生理事件数据。
34.如权利要求32或33所述的系统，其特征在于，所述时间特征提取模块还包括以下具体功能单元：
持续时长特征提取单元，用于对所述感官事件时间过程标识集进行事件持续时长特征分析，得到感官事件持续时长特征；
表征中心特征提取单元，用于对所述感官事件时间过程标识集进行事件表征时间中心特征分析，得到感官事件表征时间中心分布特征；
时间特征生成单元，用于根据所述感官事件持续时长特征和所述感官事件表征时间中心分布特征，整合生成所述感官事件时间分布特征。
35.如权利要求34所述的系统，其特征在于，所述独立特征提取模块还包括以下具体功能单元：
感官皮质特征提取单元，用于对所述感官中枢生理事件数据中的、所述感官皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个感觉器官皮质的活动表征特征，得到感官皮质事件时空特征；
高级皮质特征提取单元，用于对所述感官中枢生理事件数据中的、所述关联高级皮质的中枢生理状态数据进行时频特征分析和非线性特征分析，评估每个关联高级皮质的活动表征特征，得到关联高级皮质事件时空特征；
独立特征生成单元，用于根据所述感官皮质事件时空特征和所述关联高级皮质事件时空特征，整合生成所述感官独立应激事件特征。
36.如权利要求35所述的系统，其特征在于，所述联合特征提取模块还包括以下具体功能单元：
耦合特征提取单元，用于对所述感官中枢生理事件数据中两两中枢生理状态数据进行跨频率耦合分析，评估不同感觉器官皮质间及高级功能皮质的协同模式，得到感官耦合应激事件特征；
连接特征提取单元，用于对所述感官中枢生理事件数据中两两中枢生理状态数据进行动态关系连接分析，评估不同感觉器官皮质间及高级功能皮质的联合表征状态，得到感官连接应激事件特征；
联合特征生成单元，用于根据所述感官耦合应激事件特征和所述感官连接应激事件特征，整合生成所述感官联合应激事件特征。
37.如权利要求32或33所述的系统，其特征在于，所述感官应激量化模块还包括以下具体功能单元：
基线特征建立单元，用于建立不同年龄层的、规模数量的健康用户群体的所述感官应激水平特征基线库；
应激水平提取单元，用于根据所述感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，按事件时序先后顺序逐个提取所述感官应激水平指数，生成所述睡眠感官应激水平曲线。
38.如权利要求37所述的系统，其特征在于，所述感官应激报告模块还包括以下具体功能单元：
睡眠时相分析单元，用于根据所述感官中枢生理事件数据识别睡眠时相分期，得到所述睡眠时相曲线；
应激相关分析单元，用于分析计算所述睡眠时相曲线和所述睡眠感官应激水平曲线的关系特征，提取所述时相感官应激相关系数；
事件时相分析单元，用于根据所述睡眠时相曲线和所述感官事件时间过程标识集，提取所述时相事件分布特征；
应激报告生成单元，用于根据所述睡眠时相曲线、所述睡眠感官应激水平曲线、所述时相感官应激相关系数和所述时相事件分布特征，分析计算并生成所述睡眠感官应激水平报告。
39.如权利要求32或33所述的系统，其特征在于，所述数据运营中心模块还包括以下具体功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对所述系统中所有数据的可视化展现管理；
数据运营管理单元，用于对所述系统中所有数据的存储、备份、迁移和导出。
40.一种睡眠感官应激水平检测量化的装置，其特征在于，包括以下模组：
感官事件检测模组，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时间特征提取模组，用于对所述感官事件时间过程标识集进行感官事件时间分布特征分析，生成感官事件时间分布特征；
独立特征提取模组，用于对所述感官中枢生理事件数据进行感官事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件特征；
联合特征提取模组，用于对所述感官中枢生理事件数据进行感官事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件特征；
感官应激量化模组，用于结合感官应激水平特征基线库，对所述感官事件时间分布特征、所述感官独立应激事件特征和所述感官联合应激事件特征进行基线变化分析和变异调和分析，量化用户大脑皮质的整体感官应激状态和应激水平，提取感官应激水平指数，生成睡眠感官应激水平曲线；
感官应激报告模组，用于根据所述感官中枢生理状态数据识别睡眠时相分期得到睡眠时相曲线，结合所述睡眠感官应激水平曲线和所述感官事件时间过程标识集，提取时相感官应激相关系数和时相事件分布特征，生成睡眠感官应激水平报告；
数据可视化模组，用于对所述装置中所有数据的可视化展现管理和用户信息输入编辑管理；
数据运营管理模组，用于对所述装置中所有数据的存储、备份、迁移和导出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310352325.5A CN116150591B (zh) | 2023-04-04 | 2023-04-04 | 一种睡眠感官应激水平检测量化的方法、系统和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310352325.5A CN116150591B (zh) | 2023-04-04 | 2023-04-04 | 一种睡眠感官应激水平检测量化的方法、系统和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116150591A true CN116150591A (zh) | 2023-05-23 |
| CN116150591B CN116150591B (zh) | 2023-06-20 |
Family
ID=86373884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310352325.5A Active CN116150591B (zh) | 2023-04-04 | 2023-04-04 | 一种睡眠感官应激水平检测量化的方法、系统和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116150591B (zh) |
Cited By (1)
| 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 (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030225095A1 (en) * | 2002-02-08 | 2003-12-04 | Mcculloch Laura | Method of affecting sleep and sleep-related behaviors |
| US20100087701A1 (en) * | 2008-10-07 | 2010-04-08 | Advanced Brain Monitoring, Inc. | Systems and Methods for Optimization of Sleep and Post-Sleep Performance |
| US20120251989A1 (en) * | 2011-04-04 | 2012-10-04 | Wetmore Daniel Z | Apparatus, system, and method for modulating consolidation of memory during sleep |
| CN107715276A (zh) * | 2017-11-24 | 2018-02-23 | 陕西科技大学 | 闭环路径中睡眠状态反馈的声音睡眠控制系统及其方法 |
| 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 |
| US20200105398A1 (en) * | 2018-10-02 | 2020-04-02 | New York University | System, method and portable devices for detection and enhancement of sleep spindles |
| CN211409030U (zh) * | 2019-11-11 | 2020-09-04 | 中国人民解放军西部战区总医院 | 一种应激水平监测手环 |
| US20210145338A1 (en) * | 2017-07-12 | 2021-05-20 | Rajlakshmi Borthakur | Iot based wearable device, system and method for the measurement of meditation and mindfulness |
| US11284834B1 (en) * | 2018-05-07 | 2022-03-29 | NightWare, Inc. | Systems and methods for automated stress monitoring and intervention |
| CN114464293A (zh) * | 2020-11-09 | 2022-05-10 | 中科数字健康科学研究院（南京）有限公司 | 一种感官刺激认知障碍康复训练系统 |
| KR20220080275A (ko) * | 2020-12-07 | 2022-06-14 | 사회복지법인 삼성생명공익재단 | 오브젝트 연속 입력 결과에 기반한 스트레스 레벨 결정 장치, 방법 및 프로그램 |
| WO2022261247A1 (en) * | 2021-06-08 | 2022-12-15 | Optios, Inc. | Measuring, strengthening, and adaptively responding to physiological/neurophysiological states |
| CN115862873A (zh) * | 2023-02-17 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 一种睡眠节律量化及干预的方法、系统和装置 |
| CN115862877A (zh) * | 2023-03-03 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 睡眠可持续性检测量化及辅助干预的方法、系统和装置 |
-
2023
- 2023-04-04 CN CN202310352325.5A patent/CN116150591B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030225095A1 (en) * | 2002-02-08 | 2003-12-04 | Mcculloch Laura | Method of affecting sleep and sleep-related behaviors |
| US20100087701A1 (en) * | 2008-10-07 | 2010-04-08 | Advanced Brain Monitoring, Inc. | Systems and Methods for Optimization of Sleep and Post-Sleep Performance |
| US20120251989A1 (en) * | 2011-04-04 | 2012-10-04 | Wetmore Daniel Z | Apparatus, system, and method for modulating consolidation of memory during sleep |
| US20210145338A1 (en) * | 2017-07-12 | 2021-05-20 | Rajlakshmi Borthakur | Iot based wearable device, system and method for the measurement of meditation and mindfulness |
| CN107715276A (zh) * | 2017-11-24 | 2018-02-23 | 陕西科技大学 | 闭环路径中睡眠状态反馈的声音睡眠控制系统及其方法 |
| US11284834B1 (en) * | 2018-05-07 | 2022-03-29 | NightWare, Inc. | Systems and methods for automated stress monitoring and intervention |
| US20200105398A1 (en) * | 2018-10-02 | 2020-04-02 | New York University | System, method and portable devices for detection and enhancement of sleep spindles |
| 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 |
| CN211409030U (zh) * | 2019-11-11 | 2020-09-04 | 中国人民解放军西部战区总医院 | 一种应激水平监测手环 |
| CN114464293A (zh) * | 2020-11-09 | 2022-05-10 | 中科数字健康科学研究院（南京）有限公司 | 一种感官刺激认知障碍康复训练系统 |
| KR20220080275A (ko) * | 2020-12-07 | 2022-06-14 | 사회복지법인 삼성생명공익재단 | 오브젝트 연속 입력 결과에 기반한 스트레스 레벨 결정 장치, 방법 및 프로그램 |
| WO2022261247A1 (en) * | 2021-06-08 | 2022-12-15 | Optios, Inc. | Measuring, strengthening, and adaptively responding to physiological/neurophysiological states |
| CN115862873A (zh) * | 2023-02-17 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 一种睡眠节律量化及干预的方法、系统和装置 |
| CN115862877A (zh) * | 2023-03-03 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 睡眠可持续性检测量化及辅助干预的方法、系统和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 赵中亭: ""疏肝调神"针法对PTSD睡眠障碍大鼠海马神经编码与功能重构影响的研究", 《中国博士学位论文全文数据库医药卫生科技辑》, no. 5 * |
Cited By (2)
| 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 |
|---|---|
| CN116150591B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Epileptic seizure prediction based on permutation entropy | |
| Park et al. | Epileptic seizure detection for multi-channel EEG with deep convolutional neural network | |
| CN109646022B (zh) | 儿童注意力评估系统及其方法 | |
| US20160106331A1 (en) | Fractal index analysis of human electroencephalogram signals | |
| CN116058805B (zh) | 一种睡眠记忆活跃水平动态调节的方法、系统和装置 | |
| CN108959895B (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
| Al-Nuaimi et al. | Tsallis entropy as a biomarker for detection of Alzheimer's disease | |
| CN116150591B (zh) | 一种睡眠感官应激水平检测量化的方法、系统和装置 | |
| CN115910351B (zh) | 一种睡眠周期性检测量化及辅助干预的方法、系统和装置 | |
| CN115804573A (zh) | 一种睡眠深度量化及干预的方法、系统和装置 | |
| Yuan et al. | Kernel collaborative representation-based automatic seizure detection in intracranial EEG | |
| CN116035536B (zh) | 一种睡眠行为活跃水平检测量化的方法、系统和装置 | |
| CN116392085B (zh) | 基于趋势分析的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN116509338B (zh) | 基于模态分析的睡眠周期性检测及调节方法、系统和装置 | |
| CN116509337A (zh) | 基于局部分解的睡眠周期性检测及调节方法、系统和装置 | |
| CN106974660B (zh) | 基于脑功能活动检测中的血氧特征实现性别判定的方法 | |
| CN116092641B (zh) | 一种睡眠感官应激水平动态调节的方法、系统和装置 | |
| CN113208613B (zh) | 基于fhls特征选择的多模态bci时序优化方法 | |
| CN115969330B (zh) | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 | |
| CN115966308B (zh) | 一种睡眠记忆活跃水平检测量化的方法、系统和装置 | |
| CN116504357B (zh) | 基于小波分析的睡眠周期性检测及调节方法、系统和装置 | |
| Chiu et al. | Get rid of the beat in mobile EEG applications: A framework towards automated cardiogenic artifact detection and removal in single-channel EEG | |
| CN116392087B (zh) | 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN117883082A (zh) | 一种异常情绪识别方法、系统、设备及介质 | |
| Ibrahim et al. | EEG-Based Epileptic Seizures Detection with Adaptive Learning Capability. |
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 |