CN116439730A - 一种基于脑连接特征和领域自适应的睡眠分期方法和装置 - Google Patents
一种基于脑连接特征和领域自适应的睡眠分期方法和装置 Download PDFInfo
- Publication number
- CN116439730A CN116439730A CN202310442756.0A CN202310442756A CN116439730A CN 116439730 A CN116439730 A CN 116439730A CN 202310442756 A CN202310442756 A CN 202310442756A CN 116439730 A CN116439730 A CN 116439730A
- Authority
- CN
- China
- Prior art keywords
- brain
- module
- sleep stage
- sleep
- domain
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000006978 adaptation Effects 0.000 title claims abstract description 21
- 230000008667 sleep stage Effects 0.000 claims abstract description 40
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 230000001360 synchronised effect Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000012880 independent component analysis Methods 0.000 claims abstract description 4
- 230000000295 complement effect Effects 0.000 claims abstract 2
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000003925 brain function Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000033764 rhythmic process Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims 1
- 230000000153 supplemental effect Effects 0.000 claims 1
- 208000019116 sleep disease Diseases 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 208000020685 sleep-wake disease Diseases 0.000 abstract description 2
- 230000001131 transforming effect Effects 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 6
- 230000003860 sleep quality Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 201000002859 sleep apnea Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010062519 Poor quality sleep 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
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 238000005259 measurement Methods 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
- 210000003205 muscle Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- 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
- A61B5/7235—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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于脑连接特征和领域自适应的睡眠分期方法和装置，其中装置包括信号采集模块，睡眠分期模块，本地存储模块。信号采集模块获取多通道脑电信号。睡眠分期模块包括以下步骤：一、对所获信号滤波去噪、去除工频干扰，进行独立成分分析去除伪影；二、提取基于离散小波变换和同步似然性的相关性特征，计算能量占比作为补充特征。三、利用领域自适应方法，对特征进行变换，减小数据库数据和采集到数据分布之间的差异；四、构建分类模型，依据变换后的特征，对睡眠阶段进行预测。本地存储模块记录脑电信号和睡眠分期结果。本发明能够基于多通道脑电进行睡眠分期，具有较好的鲁棒性，对睡眠障碍的诊断和治疗有积极意义。
Description
技术领域
本发明属于信号检测及医疗电子技术领域，尤其涉及一种基于脑连接特征和领域自适应的睡眠分期方法和装置。
背景技术
人的一生中大约有三分之一的时间是在睡眠中度过的，因此拥有良好的睡眠质量对我们来说至关重要。失眠和睡眠障碍等疾病(如睡眠呼吸暂停综合症)很常见，它们会严重影响患者的身体健康和精神状态。睡眠质量差会影响不同类型的睡眠相关疾病，如睡眠呼吸暂停综合症、嗜睡、失眠、抑郁和心血管疾病。进行睡眠分期和睡眠状况的评估对人类的心理健康和生活质量具有十分重要的意义。
睡眠质量评估通常通过睡眠阶段的持续时间及其发生变化的比率来评估。多导睡眠图(PSG)技术通常被认为是客观睡眠阶段划分的黄金标准。PSG记录了各种生理信号，包括脑电，心电，肌电和眼电。根据脑电的节律进行睡眠分期是评估睡眠质量的基本方法，分期结果是睡眠障碍的诊断和后续治疗的重要依据。通常来说，人类专家通过阅读PSG数据来进行睡眠阶段划分，因为PSG包含很多信道而且记录时间比较久，因此人工划分睡眠阶段非常耗费时间，对一个晚上的PSG进行分期通常需要数个小时，并且容易出错。此外，PSG本身也存在着不便携、费用昂贵、不方便实施等问题。对于脑电信号来说，不同受试者的年龄、疾病情况存在差异，导致脑电信号之间存在明显偏差。考虑到上述问题，设计一个基于领域自适应技术的自动睡眠分期系统是很有意义的。
发明内容
为解决上述问题，本发明提出了一种基于脑连接特征和领域自适应的睡眠分期方法和装置，能够通过所采集的多通道信号实现准确的情绪识别，从而进行睡眠质量等指标的评估。
为了达到上述目的，本发明提供如下技术方案：
一种基于脑连接特征和领域自适应的睡眠分期方法，包括如下步骤：
S1:在睡眠分期过程中，获取多通道脑电信号，对脑电信号进行预处理，包括：滤波降噪，独立成分分析去除伪影、去除基线。
S2:对处理好的脑电信号进行子频段的提取，包括θ波(4-8Hz)，α波(8-13Hz)，β波(13-30Hz)，γ波(30-100Hz)。通过同步似然性算法分别估计每个子频段、不同EEG通道对应脑区之间的功能连接，提取脑功能连接特征。
S3:对脑电信号进行离散小波变换，选取db5小波，分解层级为5，得到不同层级的小波系数，对应着不同的脑电节律。采用肯德尔相关系数计算不同脑电通道对应的小波系数之间的相关性，提取第二组脑功能连接特征；根据小波系数计算能量占比特征作为补充。
S4:为了提升算法的泛化性能，采用基于聚类的最大化独立领域自适应算法对上述提取的特征进行变换，以减小数据库和新采集的数据分布的差异，提升分类算法的性能。
S5:利用SVM构建分类模型，对睡眠阶段进行预测，并将结果保存在存储模块。
进一步的，利用多通道脑电信号提取特征，脑电通道的数目不固定，可以取决于具体采集装置，一般不小于3。
进一步的，步骤S2中，排除掉常用的低频段δ波，采用γ波作为补充频段，以排除体积传导效应的影响，其中，δ波为0.5-4Hz。
脑功能连接特征包括以下两种：
(1)WC：基于离散小波变换的相关性；
(2)SL：基于同步似然性的脑功能连接；
同步似然性特征通过如下方式获得：
对于给定的时间序列xk(i)，其中k表示第k个通道，i表示样本点的序号。
嵌入向量Xk(i)的定义为：
Xk(i)＝[xk(i),xk(i+d),xk(i+2d),…,xk(i+(m-1)d]T
其中d代表了时间延迟，m代表了嵌入维度，T是转置操作符。每个时间i上的同步似然性Sk,l(i)，描述了第k个通道的信号Xk(i)和第l个通道的信号Xl(i的同步程度，定义为：
其中ω1和ω2是两个窗口参数，分别用于对自相关效应进行泰勒校正和提高时间分辨率。Sk,l(i,j)代表了通道k和通道l在每个离散时间对(i,j)上的同步似然性，计算方式为：
其中Hk,l(i,j)∈{0,1,2}表示嵌入向量Xk(i)，Xk(j)，Xl(i)和Xl(j)小于临界距离的通道数量。
Hk,l(i,j)的计算方式为：
其中εk(i)可以通过令来确定，其中pref是预先定义好的概率并且值远小于1。
进一步的，步骤S3中，采用肯德尔秩相关系数对小波系数的非线性相关进行估计，基于离散小波变换的相关性和能量占比特征通过如下方式获得：
小波系数的计算方式为：
其中层级y的系数包含了子频带Fy的信息(2-y-1Fs<Fy<2-yFs)，其中Fs为信号的采样频率。对于通道k和通道l的第y层级的小波系数Ck(y,z)和Cl(y,z)，肯德尔τ相关系数τk,l,y的计算方式为：
其中
能量占比通过以下方式获得：
进一步的，所述步骤S4中具体包括如下过程：
通过K-means对数据库中的样本进行聚类，根据聚类的结果估计数据的边缘概率分布和条件概率分布，并且将待预测样本映射到源域中，计算源域和目标域的距离，来实现源域的选择及领域自适应，通过如下方式实现：
设一个域的样本集合为X＝{x1,x2,…,xn}，|·|代表集合的基数。利用k-means算法将集合中的样本划分为Nk个簇，并得到每个簇的中心位置。边缘概率分布是关于特征的分布函数，通过计算每种模式下样本的数目和集合基数的比值来对MPD进行估计，计算方式为：
其中MPDk为第k种模式下MPD的值，Xk为第k(k∈{1,2,...,Nk})种模式包含的样本的数目。CPD的计算方法如下：
将目标域的样本映射到源域中，对于目标域的每个样本x，选择距离最近的聚类中心，即映射后得到目标域中每个样本所属的簇，计算目标域样本集合的MPD，记为/>当第k个簇中没有目标域的样本时，/>计算CPD时，使用在源域上训练的分类器对目标域的样本进行预测，预测结果作为样本的标签，并计算CPD，记为表示目标域映射到第k个簇的样本中类别为c的比例，当没有样本映射到第k个簇时，令/>以避免数值错误。/>满足以下条件/>
进一步的，所述步骤S5的具体包括如下过程：
将所提取的脑连接特征经过领域自适应算法进行对齐后，利用非线性支持向量机对所选择的源域特征进行学习；将目标域样本经过训练好的非线性支持向量机模型，得到相应的睡眠分期。所述非线性支持向量机将步骤S2-S4所提取的特征映射到高维空间；其中核函数采用高斯核；由于支持向量机不支持多分类，因此采用纠错输出码模型构建多分类器，对于5分类问题，需要构建10个分类器。
一个或多个实施例提供了一种基于脑连接特征和领域自适应的睡眠分期装置，包括：信号采集模块，睡眠分期模块，本地存储模块。其中睡眠分期模块包括：信号预处理模块，特征提取模块，领域自适应模块，分类器预测模块。
所述信号采集模块，用于多通道的脑电信号；
所述信号预处理模块，获取来自信号采集模块的脑电信号，通过信号调理电路和MCU，将获取的信号滤波去噪；
所述特征提取模块，利用预处理之后的多通道脑电信号提取脑连接特征用于睡眠分期。
所述领域自适应模块，通过基于聚类的最大化独立域适应算法将数据库特征与目标域特征进行对齐，以提高分类准确率。
所述分类器预测模块，利用非线性支持向量机和纠错输出编码构建多分类模型，通过学习训练集样本，来对新样本的睡眠阶段进行预测。
所述本地存储模块，记录所采集到的脑电信号和睡眠分期结果，具有能满足长时间记录，较大容量存储，方便与其他设备交换数据的特性。
与现有技术相比，本发明具有如下优点和有益效果：
本发明通过提取经过去噪的脑电信号的脑连接特征，然后经过领域自适应算法对特征进行变换，随后使用数据库中样本来训练机器学习模型，训练好的机器学习方法进行睡眠分期。本发明能够基于多通道脑电信号实现准确、具有较好鲁棒性的自动睡眠分期。
附图说明
图1本发明中基于脑连接特征睡眠分期方法流程图。
图2本发明中基于脑连接特征睡眠分期装置实例图。
图3本发明中领域自适应模块示意图。
图4本发明中脑连接的特征融合图。
具体实施方式
以下结合附图及实施示例，旨在对本发明进行进一步详细说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本实施例提供了一种基于脑连接特征和领域自适应的睡眠分期方法，如图1所示，包括以下步骤：
步骤1：获取多通道的脑电信号，该信号来自可穿戴式测量设备，以及其他各种形式设备，包括多导睡眠图；然后对脑电信号进行预处理，包括：滤波去噪、独立成分分析去除伪影、去除基线；
步骤2:对处理好的脑电信号进行子频段的提取，包括θ波(4-8Hz)，α波(8-13Hz)，β波(13-30Hz)，γ波(30-100Hz)。通过同步似然性算法分别估计每个子频段、不同EEG通道对应脑区之间的功能连接，提取脑功能连接特征。对于给定的时间序列xk(i)，其中k(k∈{1,…,M},M＝6)表示第k个通道，本实例中为6个通道，i(i∈{1,…,N},N＝30×200＝6000)表示样本点的序号，本实例中信号采样率为200Hz，采样点数为6000。
嵌入向量Xk(i)的定义为：
Xk(i)＝[xk(i),xk(i+d),xk(i+2d),…,xk(i+(m-1)d]T
其中d代表了时间延迟，m代表了嵌入维度，T是转置操作符。每个时间i上的同步似然性Sk,l(i)，描述了第k个通道的信号Xk(i)和第l个通道的信号Xl(i的同步程度，定义为：
其中ω1和ω2是两个窗口参数，分别用于对自相关效应进行泰勒校正和提高时间分辨率。Sk,l(i,j)代表了通道k和通道l在每个离散时间对(i,j)上的同步似然性，计算方式为：
其中Hk,l(i,j)∈{0,1,2}表示嵌入向量Xk(i)，Xk(j)，Xl(i)和Xl(j)小于临界距离的通道数量。Hk,l(i,j)的计算方式为：
其中εk(i)可以通过令来确定，其中pref是预先定义好的概率并且值远小于1，本实例中选择pref＝0.05。
步骤3:对脑电信号进行离散小波变换，选取db5小波，分解层级为5，得到不同层级的小波系数，对应着不同的脑电节律。采用肯德尔相关系数计算不同脑电通道对应的小波系数之间的相关性，提取第二组脑功能连接特征；根据小波系数计算能量占比特征作为补充。
小波系数的计算方式为：
其中层级y的系数包含了子频带Fy的信息(2-y-1Fs<Fy<2-yFs)，其中Fs为信号的采样频率。
对于通道k和通道l的第y层级的小波系数Ck(y,z)和Cl(y,z)，肯德尔τ相关系数τk,l,y的计算方式为：
其中
能量占比通过以下方式获得：
步骤4:采用基于聚类的最大化独立领域自适应算法对上述提取的特征进行变换，提升分类算法的性能，源域选择过程如图3所示。设一个域的样本集合为X＝{x1,x2,…,xn}，|·|代表集合的基数。利用k-means算法将集合中的样本划分为Nk个簇，本实例中选择10个聚类中心。
计算每种模式下样本的数目和集合基数的比值来对MPD进行估计，计算方式为：
其中MPDk为第k种模式下MPD的值，Xk为第k(k∈{1,2,...,Nk})种模式包含的样本的数目。
CPD的计算方法为：
将目标域的样本映射到源域中，对于目标域的每个样本x，选择距离最近的聚类中心，即映射后得到目标域中每个样本所属的簇，计算目标域样本集合的MPD，记为/>当第k个簇中没有目标域的样本时，/>计算CPD时，使用在源域上训练的分类器对目标域的样本进行预测，预测结果作为样本的标签，并计算CPD，记为表示目标域映射到第k个簇的样本中类别为c的比例，当没有样本映射到第k个簇时，令/>以避免数值错误。/>满足以下条件/>
步骤5:利用SVM构建分类模型，本实例中，SVM采用高斯核，超参数优化采用贝叶斯优化方法，利用训练好的分类器对睡眠阶段进行预测，并将结果保存在存储模块。
实施例2
本实施例提供了一种基于脑连接特征和领域自适应的睡眠分期装置，如图2所示，包括：
信号采集模块1；用于获取多通道脑电信号，采样频率为200Hz，通道数目为6，通道为F3-A2、C3-A2、O1-A2、F4-A1、C4-A1和O2-A1六个通道。
睡眠分期模块2，获取来自信号采集模块1的信号，对获取的脑电信号进行睡眠分期，可内置于移动设备或者其他终端；包括：信号预处理模块21，特征提取模块22，领域自适应模块23，分类器预测模块24；
所述信号预处理模块21，获取来自信号采集模块的脑电信号，对获取的脑电信号滤波去噪、独立成分分析去除伪影、去除基线处理；
所述特征提取模块22，利用预处理之后的多通道脑电信号提取脑连接特征用于睡眠分期。通过同步似然性算法分别估计每个子频段、不同EEG通道对应脑区之间的功能连接，提取脑功能连接特征。对脑电信号进行离散小波变换，选取db5小波，分解层级为5，得到不同层级的小波系数，对应着不同的脑电节律。采用肯德尔相关系数计算不同脑电通道对应的小波系数之间的相关性，提取第二组脑功能连接特征；根据小波系数计算能量占比特征作为补充。
所述领域自适应模块23，通过基于聚类的最大化独立域适应算法将数据库特征与目标域特征进行对齐，聚类中心数量设置为10。采用one-hot编码方式对域的背景信息进行编码，通过最大化样本特征和域信息的独立性来求解变换矩阵，并且最大化矩阵的迹来保留特征的方差属性，求解目标函数解采用拉格朗日乘子法。
所述分类器预测模块24，利用非线性支持向量机和纠错输出编码构建多分类模型，分类器通过学习训练集样本，来对新样本的睡眠阶段进行预测，SVM采用高斯核，核超参数和正则化参数采用贝叶斯优化方法进行参数调优。
本地存储模块3，详细记录所采集到的六通道脑电信号和睡眠分期预测结果，具有能满足长时间记录，较大容量存储，方便与其他设备交换数据的特性，辅助患者对睡眠障碍进行预防和治疗，并为医生提供睡眠障碍诊断的依据；
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本发明示例性实施方式的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述示例性实施方式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。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于脑连接特征和领域自适应的睡眠分期方法，其特征在于，包括以下步骤：
S1:在睡眠分期过程中，获取多通道脑电信号，对脑电信号进行预处理，包括：滤波降噪，独立成分分析去除伪影、去除基线；
S2:对处理好的脑电信号进行子频段的提取，包括θ波，α波，β波，γ波，其中θ波为4-8Hz，α波为8-13Hz，β波为13-30Hz，γ波为30-100Hz；通过同步似然性算法分别估计每个子频段、不同EEG通道对应脑区之间的功能连接，提取脑功能连接特征；
S3:对脑电信号进行离散小波变换，选取db5小波，分解层级为5，得到不同层级的小波系数，对应着不同的脑电节律；采用肯德尔相关系数计算不同脑电通道对应的小波系数之间的相关性，提取第二组脑功能连接特征；
S4:为了提升算法的泛化性能，采用基于聚类的最大化独立领域自适应算法对上述提取的特征进行变换，以减小数据库和新采集的数据分布的差异，提升分类算法的性能；
S5:利用SVM构建分类模型，对睡眠阶段进行预测，并将结果保存在存储模块。
2.根据权利要求1所述的一种基于脑连接特征和领域自适应的睡眠分期方法，其特征在于，利用多通道脑电信号提取特征，脑电通道的数目不固定，取决于具体采集装置，不小于3。
3.根据权利要求1所述的一种基于脑连接特征和领域自适应的睡眠分期方法，其特征在于：步骤S2中，排除掉常用的低频段δ波，采用γ波作为补充频段，以排除体积传导效应的影响，其中，δ波为0.5-4Hz。
4.根据权利要求1所述的一种基于脑连接特征和领域自适应的睡眠分期方法，其特征在于：步骤S3中，采用肯德尔秩相关系数对小波系数的非线性相关进行估计。
5.根据权利要求1所述的一种基于脑连接特征和领域自适应的睡眠分期方法，其特征在于：脑功能连接特征包括以下两种：
(1)WC：基于离散小波变换的相关性；
(2)SL：基于同步似然性的脑功能连接；
且通过以下方式获得：
对于给定的时间序列xk(i)，其中k表示第k个通道，i表示样本点的序号；
嵌入向量Xk(i)的定义为：
Xk(i)＝[xk(i),xk(i+d),xk(i+2d),…,xk(i+(m-1)d]T
其中d代表了时间延迟，m代表了嵌入维度，T是转置操作符；
每个时间i上的同步似然性Sk,l(i)，描述了第k个通道的信号Xk(i)和第l个通道的信号Xl(i)的同步程度，定义为：
其中ω1和ω2是两个窗口参数，分别用于对自相关效应进行泰勒校正和提高时间分辨率；Sk,l(i,j)代表了通道k和通道l在每个离散时间对(i,j)上的同步似然性，计算方式为：
其中Hk,l(i,j)∈{0,1,2}表示嵌入向量Xk(i)，Xk(j)，Xl(i)和Xl(j)小于临界距离的通道数量；
Hk,l(i,j)的计算方式为：
其中εk(i)通过令来确定，其中pref是预先定义好的概率并且值远小于1；
小波系数的计算方式为：
其中层级y的系数包含了子频带Fy的信息(2-y-1Fs<Fy<2-yFs)，其中Fs为信号的采样频率；对于通道k和通道l的第y层级的小波系数Ck(y,z)和Cl(y,z)，肯德尔τ相关系数τk,l,y的计算方式为：
其中
补充特征包括能量占比，且通过以下方式获得：
6.根据权利要求1所述的一种基于脑连接特征和领域自适应的睡眠分期方法，其特征在于：所述步骤S4中领域自适应方法为通过K-means聚类来样本的估计条件概率分布和边缘概率分布，并以此衡量源域和目标域的距离；由以下过程实现：
设一个域的样本集合为X＝{x1,x2,…,xn}，|·|代表集合的基数；利用k-means算法将集合中的样本划分为Nk个簇，并得到每个簇的中心位置；边缘概率分布是关于特征的分布函数，通过计算每种模式下样本的数目和集合基数的比值来对MPD进行估计，计算方式为：
其中MPDk为第k种模式下MPD的值，Xk为第k(k∈{1,2,...,Nk})种模式包含的样本的数目；CPD的计算方法为：
7.根据权利要求1所述的一种基于脑连接特征和领域自适应的睡眠分期方法，其特征在于：所述步骤S5具体包括以下过程：
将所提取的脑连接特征经过领域自适应算法进行对齐后，利用非线性支持向量机对所选择的源域特征进行学习；将目标域样本经过训练好的非线性支持向量机模型，得到相应的睡眠分期。
8.根据权利要求7所述的一种基于脑连接特征和领域自适应的睡眠分期方法，其特征在于：所述非线性支持向量机将步骤S2-S4所提取的特征映射到高维空间；其中核函数采用高斯核；由于支持向量机不支持多分类，因此采用纠错输出码模型构建多分类器，对于5分类问题，需要构建10个分类器。
9.一种基于脑连接特征和领域自适应的睡眠分期装置，其特征在于，包括：信号采集模块，睡眠分期模块，本地存储模块；其中睡眠分期模块包括：信号预处理模块，特征提取模块，领域自适应模块，分类器预测模块；
所述信号采集模块，用于多通道的脑电信号；
所述信号预处理模块，获取来自信号采集模块的脑电信号，通过信号调理电路和MCU，将获取的信号滤波去噪；
所述特征提取模块，利用预处理之后的多通道脑电信号提取脑连接特征用于睡眠分期；
所述领域自适应模块，通过基于聚类的最大化独立域适应算法将数据库特征与目标域特征进行对齐，以提高分类准确率；
所述分类器预测模块，利用非线性支持向量机和纠错输出编码构建多分类模型，通过学习训练集样本，来对新样本的睡眠阶段进行预测；
所述本地存储模块，记录所采集到的脑电信号和睡眠分期结果，具有能满足长时间记录，较大容量存储，方便与其他设备交换数据的特性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310442756.0A CN116439730A (zh) | 2023-04-23 | 2023-04-23 | 一种基于脑连接特征和领域自适应的睡眠分期方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310442756.0A CN116439730A (zh) | 2023-04-23 | 2023-04-23 | 一种基于脑连接特征和领域自适应的睡眠分期方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116439730A true CN116439730A (zh) | 2023-07-18 |
Family
ID=87125371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310442756.0A Pending CN116439730A (zh) | 2023-04-23 | 2023-04-23 | 一种基于脑连接特征和领域自适应的睡眠分期方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116439730A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117752345A (zh) * | 2024-02-22 | 2024-03-26 | 南京信息工程大学 | 基于脑电信号的人体兴奋程度评估方法 |
| CN118070127A (zh) * | 2024-03-21 | 2024-05-24 | 太原理工大学 | 基于高阶功能网络的双相情感障碍特征提取及分类方法 |
-
2023
- 2023-04-23 CN CN202310442756.0A patent/CN116439730A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117752345A (zh) * | 2024-02-22 | 2024-03-26 | 南京信息工程大学 | 基于脑电信号的人体兴奋程度评估方法 |
| CN118070127A (zh) * | 2024-03-21 | 2024-05-24 | 太原理工大学 | 基于高阶功能网络的双相情感障碍特征提取及分类方法 |
| CN118070127B (zh) * | 2024-03-21 | 2024-08-13 | 太原理工大学 | 基于高阶功能网络的双相情感障碍特征提取及分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109934089B (zh) | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 | |
| Hussein et al. | Epileptic seizure detection: A deep learning approach | |
| CN116439730A (zh) | 一种基于脑连接特征和领域自适应的睡眠分期方法和装置 | |
| Hsieh et al. | Feature selection framework for XGBoost based on electrodermal activity in stress detection | |
| Li et al. | Robust ECG biometrics using GNMF and sparse representation | |
| CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
| Khalil et al. | An end-to-end multi-level wavelet convolutional neural networks for heart diseases diagnosis | |
| CN108875799A (zh) | 一种基于改进s变换的运动想象分类识别方法 | |
| Ibrahim et al. | Deep‐learning‐based seizure detection and prediction from electroencephalography signals | |
| CN115414051A (zh) | 一种脑电信号自适应窗口的情绪分类识别方法 | |
| Hasan et al. | Fine-grained emotion recognition from eeg signal using fast fourier transformation and cnn | |
| Puri et al. | Detection of Alcoholism from EEG signals using Spectral and Tsallis Entropy with SVM | |
| Liu et al. | Extracting multi-scale and salient features by MSE based U-structure and CBAM for sleep staging | |
| Zeng et al. | A new statistical-based algorithm for ECG identification | |
| CN117338313B (zh) | 基于堆叠集成技术的多维度特征脑电信号识别方法 | |
| CN113951883A (zh) | 基于脑电信号情绪识别的性别差异性检测方法 | |
| US20230315203A1 (en) | Brain-Computer Interface Decoding Method and Apparatus Based on Point-Position Equivalent Augmentation | |
| CN116035598B (zh) | 一种睡眠纺锤波智能识别方法及系统 | |
| CN116664956A (zh) | 基于多任务自动编码器的图像识别方法及系统 | |
| Puri et al. | Wavelet packet sub-band based classification of alcoholic and controlled state EEG signals | |
| CN115005839A (zh) | 脑电信号自监督表示学习方法、系统和存储介质 | |
| Pang et al. | Multi-Scale Masked Autoencoders for Cross-Session Emotion Recognition | |
| CN113919387A (zh) | 基于gbdt-lr模型的脑电信号情感识别 | |
| Singh et al. | Application-specific discriminant analysis of cardiac anomalies using shift-invariant wavelet transform | |
| CN110174947A (zh) | 基于分形几何和概率协作的运动想象任务识别方法 |
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 |