CN116369941A - 基于脑电eeg生理信息的睡眠质量判断方法 - Google Patents
基于脑电eeg生理信息的睡眠质量判断方法 Download PDFInfo
- Publication number
- CN116369941A CN116369941A CN202310427162.2A CN202310427162A CN116369941A CN 116369941 A CN116369941 A CN 116369941A CN 202310427162 A CN202310427162 A CN 202310427162A CN 116369941 A CN116369941 A CN 116369941A
- Authority
- CN
- China
- Prior art keywords
- sleep
- sample data
- stage
- sleep quality
- physiological information
- 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
- 230000003860 sleep quality Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008667 sleep stage Effects 0.000 claims abstract description 53
- 230000007958 sleep Effects 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000004622 sleep time Effects 0.000 claims description 15
- 230000004424 eye movement Effects 0.000 claims description 10
- 230000004620 sleep latency Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000006866 deterioration Effects 0.000 abstract description 2
- 230000037053 non-rapid eye movement Effects 0.000 description 12
- 230000037322 slow-wave sleep Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004461 rapid eye movement Effects 0.000 description 3
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- 208000020685 sleep-wake disease Diseases 0.000 description 2
- 230000036578 sleeping time Effects 0.000 description 2
- 206010022998 Irritability Diseases 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 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
-
- 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
- A61B5/48—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了基于脑电EEG生理信息的睡眠质量判断方法，包括以下步骤：步骤1、采集样本数据，对样本数据进行睡眠分期并标注；步骤2、预处理样本数据及确定样本特征；步骤3、通过样本数据训练出至少两个基于不同算法下的候选模型；步骤4、根据性能评估指标按预设标准对各候选模型的效果进行评估，并选择评估效果最佳的候选模型作为最终模型；步骤5、通过最终模型对需要判断的数据按预设标准进行睡眠分期；步骤6、根据步骤5的睡眠分期按预设标准来获得睡眠质量指标，并将睡眠质量指标与正常指标进行对比，判断是否睡眠质量下降。本发明具有能够有效判断睡眠质量好坏，实现对于广大亚健康人群进行睡眠质量变差进行提前预警及监控。
Description
技术领域
本发明涉及睡眠质量判断领域，尤其涉及基于脑电EEG生理信息的睡眠质量判断方法。
背景技术
睡眠是人类这一生最重要的行为之一，它对人类健康起着非常重要的作用，睡眠质量的好坏决定了一个人是否能够健康且正常的生活，睡眠质量差会导致白天精神不佳、嗜睡、易怒、或是抑郁等症状，长时间发展并且不注意，随着时间容易诱发睡眠障碍。因此，有效判断易感人群的早期睡眠质量下降，对于睡眠质量变差的亚健康状态人群进行预警和干涉避免长期发展往睡眠障碍方向发展，成为研究的重点。
目前，准确有效地划分睡眠分期是判断睡眠质量好坏的重要步骤。美国睡眠医学学会根据脑电EEG生理信息中脑电波的不同频段将睡眠阶段分为六期，包括清醒期(Wake,WA)、非快速眼球运动1期(Non-rapid eye movement1，NREM1)、非快速眼球运动2期(Non-rapid eye movement 2，NREM2)、非快速眼球运动3期(Non-rapid eye movement 3，NREM3)、非快速眼球运动4期(Non-rapid eye movement 4，NREM4)、快速眼动期(Rapid eyemovement，REM)。其中，非快速眼球运动3期和非快速眼球运动4期可合并称为慢波睡眠(Slow wave sleep，SWS)期。睡眠质量好的成人整夜睡眠中WA期睡眠时间应该少于5％，NREM1期睡眠时间约为2％至5％，NREM2期睡眠时间约为45％至55％，NREM3期睡眠时间约为3％至8％，NREM4期睡眠时间约为10％至15％，NRM期睡眠时间约为20％至25％。这些比例揭示了睡眠状态的交替和睡眠的内部结构，如果各睡眠分期时间所占比发生了显著性变化，则可能意味着睡眠质量的变化。因此，上述比例也为睡眠质量的判断提供了科学依据。
然而，现有技术中尚未发现根据睡眠分期进行睡眠质量判断的方法，以达到对于广大亚健康人群进行睡眠质量预警及监控，成为亟待解决的技术问题。
发明内容
本发明的目的在于提供一种基于脑电EEG生理信息的睡眠质量判断方法，该方法能够有效判断睡眠质量好坏，实现对于广大亚健康人群进行睡眠质量变差进行提前预警及监控。
为实现上述目的，本发明采用了如下技术方案：
本发明提供的基于脑电EEG生理信息的睡眠质量判断方法，包括以下步骤：
步骤1、采集样本数据，对样本数据进行睡眠分期并标注；
步骤2、预处理样本数据及确定样本特征；
步骤3、通过样本数据训练出至少两个基于不同算法下的候选模型；
步骤4、根据性能评估指标按预设标准对各候选模型的效果进行评估，并选择评估效果最佳的候选模型作为最终模型；
步骤5、通过最终模型对需要判断的数据按预设标准进行睡眠分期；
步骤6、根据步骤5的睡眠分期按预设标准来获得睡眠质量指标，并将睡眠质量指标与正常指标进行对比，判断是否睡眠质量下降。
进一步地，在步骤1中，包括采集脑电EEG生理信息数据作为样本数据，以及，将样本数据按预设的时间长度进行分段并按照预设的睡眠分期规则分别对各段样本数据标注相应的睡眠阶段标签。
进一步地，所述预设的时间长度为20～40s。
进一步地，步骤2具体包括：
步骤2.1、从样本数据中提取多个样本特征，并按照预设标准筛选出若干个特征作为选定特征；
步骤2.2、将样本数据中的特征值进行归一化算法处理，把特征值归一化到[0,1]范围内。
进一步地，在步骤2.1中，从样本数据中提取的样本特征包括各段样本数据中不同频段的均值、方差、绝对功率、相对功率、中心频率、绝对中心频率、相对中心频率、偏度、峰度、Hjorth参数的活动性、移动性、复杂性，以及全频段的香农熵、谱熵、柯尔莫哥洛夫熵、近似熵、最大李雅普诺夫指数、C0复杂度、关联维数、排列熵、Kolmogorov复杂度，并通过最大互信息系数计算方法筛选出取互信息值最大的前n个样本特征作为选定特征，以及，通过穷举法获得各候选模型下不同n值与Acc值的组合，并计算性能评价函数
选取performance值最大时的n值作为最终的选定特征的数量，其中，n代表选定特征的数量，N代表样本特征的总数量，w1和w2均是预先设定的权重系数，并且w1+w2＝1,w1<1,w2<1，所述Acc代表分类准确率，即候选模型的分类结果是正确的数量占所有分类结果的比例。
进一步地，在步骤4中，所述性能评估指标包括Acc、TPR、FPR、Precision、F-Measure，选择上述任意一个性能评估指标按预设标准来对各候选模型的效果进行评估，并按预设标准选择评估效果最佳的候选模型作为最终模型；其中，所述Acc指分类准确率；所述TPR指预测对的正样本总数占所有正样本总数的比例，即召回率recall，所述正样本是指通过候选模型对各段样本数据进行分类所获得的结果与步骤1中标注的睡眠阶段标签一致的样本；所述FPR指预测错的正样本占全体正样本的比例；所述Precision指预测对的正样本总数占预测的正样本总数的比例；所述F-Mearsure指综合评价指标，该F-Mearsure＝(2×Precision×Recall)/(Precision+Recall)。
进一步地，在步骤5中的所述预设标准为按照R&K睡眠分期规则或美国睡眠医学学会制定的分期规则将样本数据进行睡眠分期；在步骤6中，所述睡眠质量指标包括卧床时间TIB、总睡眠时间TST、睡眠效率、睡眠潜伏期时间SWS、深睡眠比例，其中，所述卧床时间TIB为一个完整的脑电EEG生理信息数据样本的总时长，所述总睡眠时间TST为非快速眼球运动1期、非快速眼球运动2期、非快速眼球运动3期、非快速眼球运动4期、快速眼动期五个睡眠阶段加起来的总时长，所述睡眠效率为总睡眠时间TST与卧床时间TIB之比，所述睡眠潜伏期时间SWS为清醒期的时长，所述深睡眠比例为睡眠潜伏期时间SWS与总睡眠时间TST之比，当任一上述睡眠质量指标不在正常指标区间范围时则会被判断为睡眠质量下降。
进一步地，在步骤3中，所述不同算法包括基于概率图模型的贝叶斯网络、基于统计学习理论的支持向量机、基于信息熵理论的决策树、基于集成学习方法的随机森林、基于逻辑回归的多层感知器以及深度神经网络、卷积神经网络。
进一步地，确定最终的选定特征的数量的具体步骤为：
首先列举出所有n值，通过基于各n值下的不同候选模型对样本数据进行睡眠分期并获得分类结果，并将候选模型的睡眠分期结果与步骤1中标注的睡眠阶段标签进行对照从而获知睡眠分期结果正确与否，然后计算睡眠分期结果是正确的数量占所有睡眠分期结果的比例以求得Acc值，从而穷举出各候选模型下与不同n值相对应的Acc值的组合，最后依次将各n值及相应的Acc值代入性能评价函数
中进行计算，选取performance值为最大值时的n值作为最终的选定特征的数量。
由于采用了上述方法，本发明具有的有益效果如下：
本发明通过样本数据训练出至少两个候选模型，并运用其中效果最佳的最终模型来对需要判断的数据进行睡眠分期，并根据睡眠分期结果获得睡眠质量指标，最后将睡眠质量指标与正常指标进行对比，从而判断睡眠质量的好坏，有效地判断易感人群是否存在睡眠质量下降，及时地对广大亚健康人群进行睡眠质量变差进行提前预警及监控。
通过以下的描述并结合附图，本发明将变得更加清晰，这些附图用于解释本发明的实施例。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的整体流程方框图；
图2为本发明的预处理样本数据及确定样本特征的流程方框图。
具体实施方式
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，所描述的实施例仅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做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。
请参考图1和图2，本发明提供的基于脑电EEG生理信息的睡眠质量判断方法，包括以下步骤：
步骤1、采集样本数据，对样本数据进行睡眠分期并标注；
步骤2、预处理样本数据及确定样本特征；
步骤3、通过样本数据训练出至少两个基于不同算法下的候选模型；
步骤4、根据性能评估指标按预设标准对各候选模型的效果进行评估，并选择评估效果最佳的候选模型作为最终模型；
步骤5、通过最终模型对需要判断的数据按预设标准进行睡眠分期；将对需要判断的数据按预设的时间长度进行分段，然后通过最终模型判断各段样本数据所属的睡眠阶段并分别标注对应的标签，最后分别计算带有相同标签的各段样本数据的时间之和，得出不同睡眠阶段的总时长，从而完成睡眠阶段的分期；
步骤6、根据步骤5的睡眠分期按预设标准来获得睡眠质量指标，并将睡眠质量指标与正常指标进行对比，判断是否睡眠质量下降。
本发明中，在步骤1中，包括采集脑电EEG生理信息数据作为样本数据，脑电EEG生理信息数据可通过脑电仪器来采集人群的数据，也可直接使用Sleep-EDF数据库公开的脑电生理数据；以及，将样本数据按预设的时间长度进行分段并按照预设的睡眠分期规则分别对各段样本数据标注相应的睡眠阶段标签。按照R&K睡眠分期规则或美国睡眠医学学会制定的分期规则将样本数据进行睡眠分期，分析各预设的时间长度段中的脑电波频段并判断各各预设的时间长度段所处的睡眠阶段。
本发明中，所述预设的时间长度为20～40s。例如，所述预设的时间长度为为20s或30s或40s。
本发明中，步骤2具体包括：
步骤2.1、从样本数据中提取多个样本特征，并按照预设标准筛选出若干个特征作为选定特征；
步骤2.2、将样本数据中的特征值进行归一化算法处理，把特征值归一化到[0,1]范围内。
本发明中，在步骤2.1中，从样本数据中提取的样本特征包括各段样本数据中不同频段的均值、方差、绝对功率、相对功率、中心频率、绝对中心频率、相对中心频率、偏度、峰度、Hjorth参数的活动性、移动性、复杂性，以及全频段的香农熵、谱熵、柯尔莫哥洛夫熵、近似熵、最大李雅普诺夫指数、C0复杂度、关联维数、排列熵、Kolmogorov复杂度，并通过最大互信息系数计算方法筛选出取互信息值最大的前n个样本特征作为选定特征，以及，通过穷举法获得各候选模型下不同n值与Acc值的组合，并计算性能评价函数
选取performance值最大时的n值作为最终的选定特征的数量，其中，n代表选定特征的数量，N代表样本特征的总数量，w1和w2均是预先设定的权重系数，用于调整性能评价函数中两个指标的重要程度；并且w1+w2＝1,w1<1,w2<1，n≤N且n、N均为正整数，本发明中，w1＝0.1、w2＝0.9或w1＝0.4、w2＝0.6或w1＝0.9、w2＝0.1，N＝21；所述Acc代表分类准确率，即候选模型的分类结果是正确的数量占所有分类结果的比例。
本发明中，在步骤4中，所述性能评估指标包括Acc、TPR、FPR、Precision、F-Measure，选择上述任意一个性能评估指标按预设标准来对各候选模型的效果进行评估，并按预设标准选择评估效果最佳的候选模型作为最终模型；其中，所述Acc指分类准确率；所述TPR指预测对的正样本总数占所有正样本总数的比例，即召回率recall，所述正样本是指通过候选模型对各段样本数据进行分类所获得的结果与步骤1中标注的睡眠阶段标签一致的样本；所述FPR指预测错的正样本占全体正样本的比例；所述Precision指预测对的正样本总数占预测的正样本总数的比例；所述F-Mearsure指综合评价指标，该F-Mearsure＝(2×Precision×Recall)/(Precision+Recall)。例如，选择Acc来对各候选模型的效果进行评估时，通过各候选模型对需要判断的数据按预设标准进行睡眠分期，将睡眠分期结果与步骤1中标注的睡眠阶段标签进行对照从而获得分类准确率，即Acc值，选择Acc值为最大值时的候选模型作为最终模型。
本发明中，在步骤5中的所述预设标准为按照R&K睡眠分期规则或美国睡眠医学学会制定的分期规则将样本数据进行睡眠分期；在步骤6中，所述睡眠质量指标包括卧床时间TIB、总睡眠时间TST、睡眠效率、睡眠潜伏期时间SWS、深睡眠比例，其中，所述卧床时间TIB为一个完整的脑电EEG生理信息数据样本的总时长，脑电EEG生理信息数据样本可通过脑电仪器检测人群的脑电EEG生理信息来直接获得，也可直接使用Sleep-EDF数据库公开的脑电生理数据；所述总睡眠时间TST为非快速眼球运动1期、非快速眼球运动2期、非快速眼球运动3期、非快速眼球运动4期、快速眼动期五个睡眠阶段加起来的总时长，所述睡眠效率为总睡眠时间TST与卧床时间TIB之比，其正常指标区间范围为TST/TIB≥85％；所述睡眠潜伏期时间SWS为清醒期的时长，其正常指标区间范围为SWS<30分钟；所述深睡眠比例为睡眠潜伏期时间SWS与总睡眠时间TST之比，其正常指标区间范围为SWS/TST＝20％～25％；当任一上述睡眠质量指标不在正常指标区间范围时则会被判断为睡眠质量下降。
本发明中，在步骤3中，所述不同算法包括基于概率图模型的贝叶斯网络、基于统计学习理论的支持向量机、基于信息熵理论的决策树、基于集成学习方法的随机森林、基于逻辑回归的多层感知器以及深度神经网络、卷积神经网络。
本发明中，确定最终的选定特征的数量的具体步骤为：
首先列举出所有n值，通过基于各n值下的不同候选模型对样本数据进行睡眠分期并获得分类结果，并将候选模型的睡眠分期结果与步骤1中标注的睡眠阶段标签进行对照从而获知睡眠分期结果正确与否，然后计算睡眠分期结果是正确的数量占所有睡眠分期结果的比例以求得Acc值，从而穷举出各候选模型下与不同n值相对应的Acc值的组合，最后依次将各n值及相应的Acc值代入性能评价函数
中进行计算，选取performance值为最大值时的n值作为最终的选定特征的数量。
本发明在使用时，首先采集样本数据，并对样本数据进行睡眠分期并标注标签，然后预处理样本数据并确定样本特征，利用样本数据训练出多个基于不同算法下的候选模型后，计算各候选模型的性能评估指标并进行效果评估，最后选择评估效果最佳的候选模型作为最终模型，通过最终模型对需要判断的数据进行睡眠分期后，计算睡眠质量指标并将睡眠质量指标与正常指标进行对比，如果与正常指标不符合，即判断为睡眠质量下降。
以上对本发明的较佳实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
Claims (9)
1.一种基于脑电EEG生理信息的睡眠质量判断方法，其特征在于，包括以下步骤：
步骤1、采集样本数据，对样本数据进行睡眠分期并标注；
步骤2、预处理样本数据及确定样本特征；
步骤3、通过样本数据训练出至少两个基于不同算法下的候选模型；
步骤4、根据性能评估指标按预设标准对各候选模型的效果进行评估，并选择评估效果最佳的候选模型作为最终模型；
步骤5、通过最终模型对需要判断的数据按预设标准进行睡眠分期；
步骤6、根据步骤5的睡眠分期按预设标准来获得睡眠质量指标，并将睡眠质量指标与正常指标进行对比，判断是否睡眠质量下降。
2.根据权利要求1所述的基于脑电EEG生理信息的睡眠质量判断方法，其特征在于：在步骤1中，包括采集脑电EEG生理信息数据作为样本数据，以及，将样本数据按预设的时间长度进行分段并按照预设的睡眠分期规则分别对各段样本数据标注相应的睡眠阶段标签。
3.根据权利要求2所述的基于脑电EEG生理信息的睡眠质量判断方法，其特征在于：所述预设的时间长度为20～40s。
4.根据权利要求2或3所述的基于脑电EEG生理信息的睡眠质量判断方法，其特征在于，步骤2具体包括：
步骤2.1、从样本数据中提取多个样本特征，并按照预设标准筛选出若干个特征作为选定特征；
步骤2.2、将样本数据中的特征值进行归一化算法处理，把特征值归一化到[0,1]范围内。
5.根据权利要求4所述的基于脑电EEG生理信息的睡眠质量判断方法，其特征在于：在步骤2.1中，从样本数据中提取的样本特征包括各段样本数据中不同频段的均值、方差、绝对功率、相对功率、中心频率、绝对中心频率、相对中心频率、偏度、峰度、Hjorth参数的活动性、移动性、复杂性，以及全频段的香农熵、谱熵、柯尔莫哥洛夫熵、近似熵、最大李雅普诺夫指数、C0复杂度、关联维数、排列熵、Kolmogorov复杂度，并通过最大互信息系数计算方法筛选出取互信息值最大的前n个样本特征作为选定特征，以及，通过穷举法获得各候选模型下不同n值与Acc值的组合，并计算性能评价函数
选取performance值最大时的n值作为最终的选定特征的数量，其中，n代表选定特征的数量，N代表样本特征的总数量，w1和w2均是预先设定的权重系数，并且w1+w2＝1,w1<1,w2<1，所述Acc代表分类准确率，即候选模型的分类结果是正确的数量占所有分类结果的比例。
6.根据权利要求5所述的基于脑电EEG生理信息的睡眠质量判断方法，其特征在于：在步骤4中，所述性能评估指标包括Acc、TPR、FPR、Precision、F-Measure，选择上述任意一个性能评估指标按预设标准来对各候选模型的效果进行评估，并按预设标准选择评估效果最佳的候选模型作为最终模型；其中，所述Acc指分类准确率；所述TPR指预测对的正样本总数占所有正样本总数的比例，即召回率recall，所述正样本是指通过候选模型对各段样本数据进行分类所获得的结果与步骤1中标注的睡眠阶段标签一致的样本；所述FPR指预测错的正样本占全体正样本的比例；所述Precision指预测对的正样本总数占预测的正样本总数的比例；所述F-Mearsure指综合评价指标，该F-Mearsure＝(2×Precision×Recall)/(Precision+Recall)。
7.根据权利要求5所述的基于脑电EEG生理信息的睡眠质量判断方法，其特征在于：在步骤5中的所述预设标准为按照R&K睡眠分期规则或美国睡眠医学学会制定的分期规则将样本数据进行睡眠分期；在步骤6中，所述睡眠质量指标包括卧床时间TIB、总睡眠时间TST、睡眠效率、睡眠潜伏期时间SWS、深睡眠比例，其中，所述卧床时间TIB为一个完整的脑电EEG生理信息数据样本的总时长，所述总睡眠时间TST为非快速眼球运动1期、非快速眼球运动2期、非快速眼球运动3期、非快速眼球运动4期、快速眼动期五个睡眠阶段加起来的总时长，所述睡眠效率为总睡眠时间TST与卧床时间TIB之比，所述睡眠潜伏期时间SWS为清醒期的时长，所述深睡眠比例为睡眠潜伏期时间SWS与总睡眠时间TST之比，当任一上述睡眠质量指标不在正常指标区间范围时则会被判断为睡眠质量下降。
8.根据权利要求5所述的基于脑电EEG生理信息的睡眠质量判断方法，其特征在于：在步骤3中，所述不同算法包括基于概率图模型的贝叶斯网络、基于统计学习理论的支持向量机、基于信息熵理论的决策树、基于集成学习方法的随机森林、基于逻辑回归的多层感知器以及深度神经网络、卷积神经网络。
9.根据权利要求5所述的基于脑电EEG生理信息的睡眠质量判断方法，其特征在于，确定最终的选定特征的数量的具体步骤为：
首先列举出所有n值，通过基于各n值下的不同候选模型对样本数据进行睡眠分期并获得分类结果，并将候选模型的睡眠分期结果与步骤1中标注的睡眠阶段标签进行对照从而获知睡眠分期结果正确与否，然后计算睡眠分期结果是正确的数量占所有睡眠分期结果的比例以求得Acc值，从而穷举出各候选模型下与不同n值相对应的Acc值的组合，最后依次将各n值及相应的Acc值代入性能评价函数
中进行计算，选取performance值为最大值时的n值作为最终的选定特征的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310427162.2A CN116369941B (zh) | 2023-04-20 | 基于脑电eeg生理信息的睡眠质量判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310427162.2A CN116369941B (zh) | 2023-04-20 | 基于脑电eeg生理信息的睡眠质量判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116369941A true CN116369941A (zh) | 2023-07-04 |
| CN116369941B CN116369941B (zh) | 2024-06-25 |
Family
ID=
Citations (12)
| 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 |
| CN107007263A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院计算技术研究所 | 一种普适化的睡眠质量测评方法和系统 |
| CN108742517A (zh) * | 2018-03-27 | 2018-11-06 | 重庆邮电大学 | 一种基于Stacking单导联脑电睡眠自动分期方法 |
| CN109033921A (zh) * | 2017-06-08 | 2018-12-18 | 北京君正集成电路股份有限公司 | 一种识别模型的训练方法和装置 |
| CN109242001A (zh) * | 2018-08-09 | 2019-01-18 | 百度在线网络技术（北京）有限公司 | 图像数据处理方法、装置及可读存储介质 |
| CN110558934A (zh) * | 2019-08-02 | 2019-12-13 | 杭州连帆科技有限公司 | 睡眠质量评估方法、装置、电子设备及介质 |
| 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 |
| WO2021180028A1 (zh) * | 2020-03-10 | 2021-09-16 | 中国科学院脑科学与智能技术卓越创新中心 | 基于高频脑电睡眠质量评价方法、装置、设备和存储介质 |
| CN114903440A (zh) * | 2022-05-13 | 2022-08-16 | 南京大学 | 一种基于片段-序列两阶段训练框架的睡眠分期方法及系统 |
| CN115153463A (zh) * | 2022-06-16 | 2022-10-11 | 易念科技（深圳）有限公司 | 睡眠状态识别模型的训练方法、睡眠状态识别方法和装置 |
| CN115281685A (zh) * | 2022-07-18 | 2022-11-04 | 上海数药智能科技有限公司 | 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 |
| CN115500843A (zh) * | 2022-09-14 | 2022-12-23 | 云南大学 | 基于零样本学习与对比学习的睡眠阶段分期方法 |
Patent Citations (12)
| 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 |
| CN107007263A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院计算技术研究所 | 一种普适化的睡眠质量测评方法和系统 |
| CN109033921A (zh) * | 2017-06-08 | 2018-12-18 | 北京君正集成电路股份有限公司 | 一种识别模型的训练方法和装置 |
| CN108742517A (zh) * | 2018-03-27 | 2018-11-06 | 重庆邮电大学 | 一种基于Stacking单导联脑电睡眠自动分期方法 |
| CN109242001A (zh) * | 2018-08-09 | 2019-01-18 | 百度在线网络技术（北京）有限公司 | 图像数据处理方法、装置及可读存储介质 |
| CN110558934A (zh) * | 2019-08-02 | 2019-12-13 | 杭州连帆科技有限公司 | 睡眠质量评估方法、装置、电子设备及介质 |
| 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 |
| WO2021180028A1 (zh) * | 2020-03-10 | 2021-09-16 | 中国科学院脑科学与智能技术卓越创新中心 | 基于高频脑电睡眠质量评价方法、装置、设备和存储介质 |
| CN114903440A (zh) * | 2022-05-13 | 2022-08-16 | 南京大学 | 一种基于片段-序列两阶段训练框架的睡眠分期方法及系统 |
| CN115153463A (zh) * | 2022-06-16 | 2022-10-11 | 易念科技（深圳）有限公司 | 睡眠状态识别模型的训练方法、睡眠状态识别方法和装置 |
| CN115281685A (zh) * | 2022-07-18 | 2022-11-04 | 上海数药智能科技有限公司 | 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 |
| CN115500843A (zh) * | 2022-09-14 | 2022-12-23 | 云南大学 | 基于零样本学习与对比学习的睡眠阶段分期方法 |
Non-Patent Citations (1)
| Title |
|---|
| 何垣谛: "睡眠分期算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 01, 15 January 2020 (2020-01-15), pages 060 - 1018 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | Robust sleep stage classification with single-channel EEG signals using multimodal decomposition and HMM-based refinement | |
| CN111493828B (zh) | 基于全卷积网络的序列到序列的睡眠障碍检测方法 | |
| CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
| CN113080986B (zh) | 一种基于可穿戴设备的运动性疲劳检测方法和系统 | |
| CN112043252B (zh) | 基于脉搏信号中呼吸成分的情绪识别系统及方法 | |
| CN108492877B (zh) | 一种基于ds证据理论的心血管病辅助预测方法 | |
| CN106446765B (zh) | 一种基于多维生理大数据深度学习的健康状态评价系统 | |
| CN112641451B (zh) | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 | |
| CN113080864B (zh) | 一种通过自动睡眠分期结果的常见睡眠疾病检测方法 | |
| Jin et al. | Classification of normal and abnormal ECG records using lead convolutional neural network and rule inference | |
| CN109431497A (zh) | 一种脑电信号处理方法及癫痫检测系统 | |
| CN111956221A (zh) | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 | |
| CN107766898A (zh) | 基于svm的三分类情绪概率判断方法 | |
| Chen et al. | A novel ensemble deep learning approach for sleep-wake detection using heart rate variability and acceleration | |
| CN111370124A (zh) | 一种基于面手部识别和大数据的健康分析系统及方法 | |
| CN113995419A (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
| Duan et al. | Epileptic seizure prediction based on convolutional recurrent neural network with multi-timescale | |
| Du et al. | Automated prediction of sepsis onset using gradient boosted decision trees | |
| CN112380959A (zh) | 一种基于图神经网络的单变量时间序列分类方法 | |
| CN113576472B (zh) | 一种基于全卷积神经网络的血氧信号分割方法 | |
| CN113096792A (zh) | 一种基于机器学习的智能健康监测预警方法及系统 | |
| Choi et al. | Depression level classification using machine learning classifiers based on actigraphy data | |
| CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 | |
| CN116369941B (zh) | 基于脑电eeg生理信息的睡眠质量判断方法 | |
| CN117133464A (zh) | 一种老年人健康智能监测系统及监测方法 |
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 |