CN117100220A - 一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法 - Google Patents
一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法 Download PDFInfo
- Publication number
- CN117100220A CN117100220A CN202311065302.2A CN202311065302A CN117100220A CN 117100220 A CN117100220 A CN 117100220A CN 202311065302 A CN202311065302 A CN 202311065302A CN 117100220 A CN117100220 A CN 117100220A
- Authority
- CN
- China
- Prior art keywords
- sleep
- monitoring
- real
- model
- sleep quality
- 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.)
- Withdrawn
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 93
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 230000003860 sleep quality Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010223 real-time analysis Methods 0.000 title claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 29
- 210000001061 forehead Anatomy 0.000 claims description 16
- 238000001303 quality assessment method Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 210000003141 lower extremity Anatomy 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 206010023204 Joint dislocation Diseases 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000004070 electrodeposition Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 7
- 230000008667 sleep stage Effects 0.000 description 7
- 208000019116 sleep disease Diseases 0.000 description 6
- 208000001797 obstructive sleep apnea Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 201000002859 sleep apnea Diseases 0.000 description 3
- 208000020685 sleep-wake disease Diseases 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010022437 insomnia Diseases 0.000 description 2
- 230000037053 non-rapid eye movement Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000004461 rapid eye movement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010021079 Hypopnoea Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000004279 orbit Anatomy 0.000 description 1
- 230000001734 parasympathetic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000004599 slow eye movement Effects 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 238000013526 transfer learning 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
- A61B5/48—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
- A61B5/48—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/04—Constructional details of apparatus
- A61B2560/0431—Portable apparatus, e.g. comprising a handle or case
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于睡眠监测及睡眠质量实时分析领域,公开了一种基于额极区脑电‑心电的便携式睡眠监测及睡眠质量实时分析方法,包括基于额极区脑电‑心电的便携式睡眠监测和睡眠质量实时分析两个部分。相较于标准的PSG监测,本发明所提出的方法能够极大程度减少设备对被监测者带来的负面影响,且被监测者能够独立完成设备的佩戴,无需额外的医护人员辅助。同时,该方法还进行睡眠质量相关参数的计算。该方法的提出以及在公开睡眠数据库上的测试结果表明了使用额极区EEG和ECG信号进行睡眠质量监测和评估是可行的,为进一步开展可靠、实用的便携式睡眠监测设备奠定了基础。
Description
技术领域
本发明属于睡眠监测及睡眠质量实时分析领域,尤其涉及一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法。
背景技术
睡眠是个体基本生理和心理需求之一,人的一生大约有三分之一的时间是在睡眠中度过的,睡眠的好坏直接影响人的生活和工作。随着我国生活方式的改变、生活节奏的加快以及生活水平的提高,越来越多人受失眠、睡眠呼吸障碍等睡眠疾病的困扰,对睡眠质量的重视程度空前增加。睡眠监测是睡眠质量评估的基础,因此发展可靠的睡眠监测技术至关重要。
多导睡眠监测(Polysomnography,PSG)作为临床上相关睡眠疾病诊断的“金标准”。它能够持续同步采集、记录多项睡眠生理参数,如脑电图(Electroencephalogram,EEG)、眼电图(Electrooculogram,EOG)、心电图(Electrocardiogram,ECG)、肌电图(Electromyogram,EMG)、口鼻气流、胸腹运动和血氧饱和度等电生理信号,还可添加音视频监测、食管压力、食管PH值、经皮或呼气末二氧化碳分压等参数“Olesen A,Jennum P,Mignot E,et al.Automatic sleep stage classification with deep residualnetworks in a mixed-cohort setting[J].Sleep,2021,44(1):1-12”。这些从多角度记录的夜间睡眠时人体发生的变化情况,能够为医生对疾病的精确诊断提供详细的信息。然而,标准的PSG监测有它固有的缺点:(1)操作复杂,需专业的技师操作,且每个PSG记录的分析和疾病诊断,也需要睡眠技师手动完成。熟练的睡眠技师标注一个长达7-9小时的PSG记录需花费至少3小时。该方式耗时、耗力。此外,我国现有的有资质的专业睡眠技师数量不足两千,和庞大的患病群体不成比例,无法及时对患者的监测样本给出诊断报告。更重要的是,因睡眠技师经验和规范化程度的差异较大,相互之间的内部评分一致度较低,这会对疾病的诊断和睡眠科学研究产生较大的负面影响“Phan H,Chen O,Koch P,et al.TowardsMore Accurate Automatic Sleep Staging via Deep Transfer Learning[J].IEEETransactions on Biomedical Engineering,2021,68(6):1787-1796”;(2)监测场地要求严格,需在专门的睡眠中心开展。以一种发病率高、涉及人群广的睡眠呼吸障碍为例,据统计,我国现有潜在阻塞型睡眠呼吸暂停低通气综合症(Obstructive sleep apneahypopnea syndrome,OSAHS)患者六千万,而得到夜间睡眠监测的患者仅有37.8万,标准睡眠中心的数量远不能满足患者的需求;(3)监测费用昂贵(没有纳入到国家医疗保险中),使很多潜在睡眠障碍患者无法及时就诊,加剧病情的严重程度;(4)患者主观体验差,因需要全身上下连接较多的导联,降低患者的主观睡眠感受,影响监测结果的准确性,从而使医生诊断或睡眠相关研究的结果产生偏差。
睡眠分期是睡眠质量评估以及相关睡眠疾病诊断的基础。根据睡眠期间,EEG、EOG、EMG特征的不同,将睡眠分为清醒期(Wakefulness,W)、非快速眼动期(Non-rapid eyemovement,NREM)和快速眼动期(Rapid eye movement,REM)。其中,NREM又可分为NREM 1期(N1)、NREM 2期(N2)、NREM 3期(N3)。睡眠监测需要根据睡眠分期的结果为使用者提供客观的睡眠质量评估参数,以及患有常见睡眠障碍如失眠和OSAHS的评估。
便携式睡眠监测相较于标准PSG,通过记录人体少部分相关的信号,进而对被监测者的睡眠质量进行评估。其操作简单,对被监测者睡眠破坏程度小,更重要的是能够实现大样本研究“LI F,Xu Y,Chen J,et al.A deep learning model developed for sleepapnea detection:Amulti-center study[J].Biomedical Signal Processing andControl,2023,85:104689”。而市面上现有的便携式睡眠监测装置,多以商用为目的,未触及与睡眠结构变化直接相关的电生理信号,仅通过体动、脉氧等单一指标对睡眠状况进行粗略判断,其精准性与真实应用场景相距甚远。此外,现有装置对用户睡眠质量的评估多为离线方法,无法满足睡眠质量调控时实时分析的要求。因此,在保证实用性的前提下,发展可靠的便携式睡眠监测及睡眠质量实时分析装置,不仅能够有效地解决以上问题,还能促进睡眠医学的快速发展。
发明内容
针对当前存在的问题,本发明提出了一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法。该方法通过采集额极区左右EEG信号及单导ECG信号,实现对睡眠过程的监测。此外,基于所采集的EEG和ECG信号,构建深度学习模型,对睡眠的不同阶段进行实时分析。
本发明的技术方案:
一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法,包括基于额极区脑电-心电的便携式睡眠监测和睡眠质量实时分析两个部分;
(1)基于额极区脑电-心电的便携式睡眠监测;
睡眠监测部分分别采集左右额极区的EEG信号,参考电极位置为Fpz,即采集的EEG信号导联为Fp1-Fpz和Fp2-Fpz。美国睡眠医学会(American Academy of Sleep Medicine,AASM)推荐的用于睡眠监测的EEG导联为前额(F4),中央区(C4)和桢区(O2)。相较于这些推荐的导联位置,额极区位于前额和眉毛中间位置,夜晚采集EEG信号时,减少因设备对使用者的负面影响;
ECG的采集位置与标准PSG监测中ECG导联放置位置相同,即采用改良II导联的电极放置方法,负极放置于右锁骨下方与右下肢延长线交点,正极放置于第6、7勒间与左下肢延长线交点;
(2)睡眠质量实时分析;
睡眠实时分期是睡眠质量实时分析中最主要的环节;睡眠质量评估是以睡眠分期的结果为基础,包括如表1所示的参数;
睡眠实时分期方法分为离线模型训练和在线实时测试两个阶段;
表1睡眠质量评估指标及其正常范围
离线模型训练:离线模型的训练使用公开睡眠数据库MASS;离线模型训练包括信号预处理、模型构建以及模型训练;
信号预处理:用90s的窗口对从睡眠数据库中整夜PSG记录中提取的Fp1-M2、Fp2-M1和ECG信号进行分割,分割窗移动的步长为30s;用中间30s样本的标签做当前90s样本的标签;
模型构建:以EEGNET为基础模型“Lawhern V,Solon A,Waytowich N,etal.EEGNet:A compact convolutional neural network for EEG-based brain-computerinterfaces[J].Journal of Neural Engineering,2018,15(5):1-17”,在“SeparableConv2D”层之后加入注意力机制和在分类层前增加神经元个数为100的全连接层;模型的参数根据睡眠数据库中样本的采样率设置;
模型训练:使用五折交叉验证对模型进行训练和测试;为确保测试结果的可信度,使用基于单被试的测试方法,即训练集和测试集的划分是基于整夜PSG记录,因此得到每个PSG记录的测试准确率;模型的评价指标包括准确率、F1score系数和Cohen’s kappa系数,其计算公式如下所示:
其中,precision和recall分别为精准度和召回率,计算方式分别为p0表示两种方法所得结果完全一致的比例,pe表示两种方法在随机情况下达成一致的比例;
在线实时测试:该部分依赖于离线训练模块存储的模型权重和模型结构;该权重为五折交叉验证测试中所得平均准确率最高次的模型权重。在线实时分析时,每记录90s数据,算法对中间30s帧样本进行睡眠期的分类,忽略每晚睡眠监测记录的第一个和最后一个30s数据。最后,根据实时分析的结果,在用户结束睡眠监测后1min内得出整夜睡眠质量的评估报告。
本发明的有益效果:本发明提出了一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法,相较于标准的PSG监测,本发明所提出的方法能够极大程度减少设备对被监测者带来的负面影响,且被监测者能够独立完成设备的佩戴,无需额外的医护人员辅助。同时,该方法还进行睡眠质量相关参数的计算。该方法的提出以及在公开睡眠数据库上的测试结果表明了使用额极区EEG和ECG信号进行睡眠质量监测和评估是可行的,为进一步开展可靠、实用的便携式睡眠监测设备奠定了基础。
附图说明
图1为本发明实施例的基于额极区脑电-心电的便携式睡眠监测和睡眠质量实时分析方法示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整的描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例的基于额极区脑电-心电的便携式睡眠监测和睡眠质量实时分析方法示意图。如图1所示,本发明实施例提出了一种基于额极区EEG和ECG信号的便携式睡眠监测和睡眠质量实时分析方法。主要包括离线模型训练和在线实时测试和睡眠质量分析两模块。首先,从所用的MASS数据库中提取出的Fp1-M2、Fp2-M1和ECG信号进行预处理。其次,构建模型,并用训练样本对模型进行训练,保存每折交叉验证中,验证集上获得最高准确率时模型的权重。然后,用存储的权重和模型结构对每折交叉验证中预留的单被试样本进行测试。最后,用五折交叉验证中获得最高准确率次的权重进行在线实时睡眠分期,即睡眠质量的实时评估。
一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法,包括基于额极区脑电-心电的便携式睡眠监测和睡眠质量实时分析两个部分;
(1)基于额极区脑电-心电的便携式睡眠监测;
睡眠监测部分分别采集左右额极区的EEG信号,参考电极位置为Fpz,即采集的EEG信号导联为Fp1-Fpz和Fp2-Fpz;相较于标准PSG设备需采集额区、中央区、枕区三部位EEG,以及左右两侧EOG,额极区EEG因位于前额和眼眶上方中间的位置,同时具有前额EEG和EOG在睡眠过程中的大部分特征波,如慢波、纺锤波、K复合波、慢眼动、快眼动,即采集额极区EEG,可兼顾EEG和EOG在睡眠过程中的特点,无需重复采集EOG。相较于其他区域单一模态的EEG信号,该信号能够提高N3和REM期睡眠的分期准确率,有助于实现精准的睡眠质量评估。
ECG的采集位置与标准PSG监测中ECG导联放置位置相同,即采用改良II导联的电极放置方法,负极放置于右锁骨下方与右下肢延长线交点,正极放置于第6、7勒间与左下肢延长线交点;ECG的加入主要用于辅助EEG信号对睡眠质量,以及睡眠过程中的异常事件进行监测和分析。当睡眠过程中发生呼吸暂停或低通气,或睡眠行为障碍时,会引起交感神经和副交感神经兴奋性改变,使心率增加。因此,在EEG基础上,结合ECG信号,除了睡眠质量监测外,还可以实现对睡眠过程中异常事件的监测。
(2)睡眠质量实时分析;
睡眠实时分期是睡眠质量实时分析中最主要的环节。睡眠质量评估是以睡眠分期的结果为基础,包括如表1所示的参数;睡眠质量实时分析方法分为离线模型训练和在线实时测试两个阶段;
表1睡眠质量评估指标及其正常范围
离线模型训练:离线模型的训练使用公开睡眠数据库MASS;离线模型训练包括信号预处理、模型构建以及模型训练;
信号预处理:用90s的窗口对从睡眠数据库中整夜PSG记录中提取的EEG和ECG信号进行分割,分割窗移动的步长为30s;用中间30s样本的标签做当前90s样本的标签;
模型构建:以EEGNET为基础模型,在“SeparableConv2D”层之后加入注意力机制和在分类层前增加神经元个数为100的全连接层;模型的参数根据睡眠数据库中样本的采样率设置;
模型训练:使用五折交叉验证对模型进行训练和测试;为确保测试结果的可信度,使用基于单被试的测试方法,即训练集和测试集的划分是基于完整PSG记录,因此得到每个PSG记录的测试准确率;模型的评价指标包括准确率、F1score系数和Cohen’s kappa系数,其计算公式如下所示:
其中,precision和recall分别为精准度和召回率,计算方式分别为p0表示两种方法所得结果完全一致的比例,pe表示两种方法在随机情况下达成一致的比例;
为了表明额极区Fp1、Fp2和ECG信号对睡眠分期的可行性,基于AASM推荐的F4-M1、C4-M1、O2-M1信号,使用相同的模型和样本,对比所得的测试结果,如表2所示:
表2模型基于Fp1、Fp2、ECG和基于AASM推荐导联所得结果对比
临床上,当睡眠分期的准确率大于0.8即可满足诊断需求,因此,虽然表2显示模型基于所提出导联的睡眠分期准确率低于基于AASM推荐的EEG导联的分期准确率,但也达到了临床使用标准,且所提出的监测方法相较于AASM推荐的方法,更舒适、简便。该对比结果表明基于额极区EEG和ECG信号的睡眠分期是可行且可靠的。根据睡眠分期的结果,可分别计算出表1中的睡眠质量相关参数。
此外,为了进一步验证所提出方法的可行性,本发明通过采集临床真实睡眠监测数据,对被监测者同时采集AASM推荐的导联和本发明所提出的额极区EEG-ECG导联。使用所构建的模型,对采集到的数据进行自动睡眠分期。模型在20个被试上,基于AASM推荐的EEG导联和基于额极区EEG-ECG导联均能达到0.8以上的分期结果。且被试对基于额极区EEG-ECG的连接方法主观评价较好,对睡眠的主观评估也好于AASM推荐的连接导联。
在线实时测试:该部分依赖于离线训练模块存储的模型权重和模型结构;该权重为五折交叉验证测试中所得平均准确率最高次的模型权重。在线实时分析时,每记录90s数据,算法对中间30s帧样本进行睡眠期的分类,忽略每晚睡眠监测记录的第一个和最后一个30s数据。最后,根据实时分析的结果,在用户结束睡眠监测后1min内得出整夜睡眠质量的评估报告。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法,其特征在于,该基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法包括基于额极区脑电-心电的便携式睡眠监测和睡眠质量实时分析两个部分;
(1)基于额极区脑电-心电的便携式睡眠监测;
睡眠监测部分分别采集左右额极区的EEG信号,参考电极位置为Fpz,即采集的EEG信号导联为Fp1-Fpz和Fp2-Fpz;
ECG的采集位置与标准PSG监测中ECG导联放置位置相同,即采用改良II导联的电极放置方法,负极放置于右锁骨下方与右下肢延长线交点,正极放置于第6、7勒间与左下肢延长线交点;
(2)睡眠质量实时分析;
睡眠实时分期是睡眠质量实时分析中最主要的环节,睡眠质量评估是以睡眠实时分期的结果为基础,包括如表1所示的参数;
睡眠实时分期方法分为离线模型训练和在线实时测试两个阶段;
表1睡眠质量评估指标及其正常范围
离线模型训练:离线模型的训练使用公开睡眠数据库MASS;离线模型训练包括信号预处理、模型构建以及模型训练;
信号预处理:用90s的窗口对从睡眠数据库中整夜PSG记录中提取的Fp1-M2、Fp2-M1和ECG信号进行分割,分割窗移动的步长为30s;用中间30s样本的标签做当前90s样本的标签;
模型构建:以EEGNET为基础模型,在SeparableConv2D层之后加入注意力机制和在分类层前增加神经元个数为100的全连接层;模型的参数根据睡眠数据库中样本的采样率设置;
模型训练:使用五折交叉验证对模型进行训练和测试;为确保测试结果的可信度,使用基于单被试的测试方法,即训练集和测试集的划分是基于整夜PSG记录,因此得到每个PSG记录的测试准确率;模型的评价指标包括准确率、F1score系数和Cohen’s kappa系数,其计算公式如下所示:
其中,precision和recall分别为精准度和召回率,计算方式分别为p0表示两种方法所得结果完全一致的比例,pe表示两种方法在随机情况下达成一致的比例;
在线实时测试:该部分依赖于离线模块存储的模型权重和模型结构,该权重为五折交叉验证测试中所得平均准确率最高次的模型权重;在线实时分析时,每记录90s数据,算法对中间30s帧样本进行睡眠期的分类,忽略每晚睡眠监测记录的第一个和最后一个30s数据,最后,根据实时分析的结果,在用户结束睡眠监测后1min内得出整夜睡眠质量的评估报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311065302.2A CN117100220A (zh) | 2023-08-23 | 2023-08-23 | 一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311065302.2A CN117100220A (zh) | 2023-08-23 | 2023-08-23 | 一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117100220A true CN117100220A (zh) | 2023-11-24 |
Family
ID=88799513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311065302.2A Withdrawn CN117100220A (zh) | 2023-08-23 | 2023-08-23 | 一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117100220A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100125215A1 (en) * | 2008-11-17 | 2010-05-20 | National Yang-Ming University | Sleep analysis system and method for analyzing sleep thereof |
CN114081439A (zh) * | 2021-10-11 | 2022-02-25 | 浙江柔灵科技有限公司 | 一种应用前额叶单通道脑电信号对睡眠分期的类脑算法 |
CN114267444A (zh) * | 2021-12-23 | 2022-04-01 | 成都信息工程大学 | 利用睡眠结构检测阻塞性呼吸暂停及夜间额叶癫痫的方法 |
CN115736840A (zh) * | 2022-12-10 | 2023-03-07 | 陕西省人民医院 | 一种基于心电数据的睡眠质量识别分类方法 |
CN116098577A (zh) * | 2021-11-09 | 2023-05-12 | 深圳迈瑞生物医疗电子股份有限公司 | 睡眠质量评估的方法及睡眠质量评估系统 |
-
2023
- 2023-08-23 CN CN202311065302.2A patent/CN117100220A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100125215A1 (en) * | 2008-11-17 | 2010-05-20 | National Yang-Ming University | Sleep analysis system and method for analyzing sleep thereof |
CN114081439A (zh) * | 2021-10-11 | 2022-02-25 | 浙江柔灵科技有限公司 | 一种应用前额叶单通道脑电信号对睡眠分期的类脑算法 |
CN116098577A (zh) * | 2021-11-09 | 2023-05-12 | 深圳迈瑞生物医疗电子股份有限公司 | 睡眠质量评估的方法及睡眠质量评估系统 |
CN114267444A (zh) * | 2021-12-23 | 2022-04-01 | 成都信息工程大学 | 利用睡眠结构检测阻塞性呼吸暂停及夜间额叶癫痫的方法 |
CN115736840A (zh) * | 2022-12-10 | 2023-03-07 | 陕西省人民医院 | 一种基于心电数据的睡眠质量识别分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Uçar et al. | Automatic sleep staging in obstructive sleep apnea patients using photoplethysmography, heart rate variability signal and machine learning techniques | |
RU2548791C2 (ru) | Неинвазивный способ и устройство для определения стадий поверхностного и глубокого сна | |
Haidar et al. | Convolutional neural networks on multiple respiratory channels to detect hypopnea and obstructive apnea events | |
Bozkurt et al. | Detection of abnormal respiratory events with single channel ECG and hybrid machine learning model in patients with obstructive sleep apnea | |
US20030135097A1 (en) | Identification by analysis of physiometric variation | |
He et al. | Identification of arousals with deep neural networks (DNNs) using different physiological signals | |
Thompson et al. | Detection of obstructive sleep apnoea using features extracted from segmented time-series ECG signals using a one dimensional convolutional neural network | |
Rohan et al. | Classification of sleep apneas using decision tree classifier | |
CN115336973A (zh) | 基于自注意力机制和单导联心电信号的睡眠分期系统构建方法、及睡眠分期系统 | |
Kocak et al. | Automated detection and classification of sleep apnea types using electrocardiogram (ECG) and electroencephalogram (EEG) features | |
CN114267444A (zh) | 利用睡眠结构检测阻塞性呼吸暂停及夜间额叶癫痫的方法 | |
Sloboda et al. | A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices | |
Arslan et al. | Sensitive deep learning application on sleep stage scoring by using all PSG data | |
CN113080897A (zh) | 一种基于生理和环境数据分析的入睡时刻评估系统及方法 | |
CN115630290B (zh) | 基于同步挤压变换的心肺耦合特征提取方法与系统 | |
Bhongade et al. | Automatic Detection of Sleep Apnea from Single-lead ECG Signal Using Machine Learning | |
CN117064333A (zh) | 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 | |
CN117100220A (zh) | 一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法 | |
US20210275108A1 (en) | Method and system for generating synthetic composite waveforms for determining individual physiological state | |
Chen et al. | Contactless screening for sleep apnea with breathing vibration signals based on modified U-Net | |
de Chazal et al. | Automatic sleep apnoea detection using measures of amplitude and heart rate variability from the electrocardiogram | |
Vyas et al. | Sleep Stage Classification Using Non-Invasive Bed Sensing and Deep Learning | |
Moradhasel et al. | Chin electromyogram, an effectual and useful biosignal for the diagnosis of obstructive sleep apnea | |
Davidson et al. | Sleep Staging Using Wearables and Deep Neural Networks | |
Jose | Review on obstructive sleep apnea detection using ecg signals |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231124 |
|
WW01 | Invention patent application withdrawn after publication |