基于脑电和肌电多特征的自动睡眠分期方法技术

本案涉及基于脑电和肌电多特征的自动睡眠分期方法，包括采集脑电信号和肌电信号；采用小波分解去除脑电信号和肌电信号中的高频噪声；提取去噪后的脑电信号的α、β、θ、δ特征波的能量比，得到第一特征参数；利用样本熵算法提取脑电信号样本熵，得到第二特征参数；利用小波分解算法提取肌电信号中的高频特征能量比，得到第三特征参数；将第一特征参数、第二特征参数和第三特征参数输入支持向量机中进行训练和测试，从而得到分类结果。本案采用提取EEG和EMG多个特征的方法，结合支持向量机分类器，提高了睡眠分期的准确率；交叉验证结果表明该方法具有一定的泛化能力；实验结果可信度高，具有良好的应用前景。

Automatic sleep staging method based on EEG and electromyography

This case involves the EEG and EMG based on multi feature automatic sleep staging method, including the acquisition of EEG and EMG signals; using wavelet decomposition to remove the high frequency noise of EEG and EMG signals; extracting eeg signal denoising of the alpha, beta, and delta theta characteristic wave energy ratio, first feature extraction of EEG parameters; sample entropy using sample entropy algorithm, second characteristic parameters extraction; high frequency characteristic energy in surface EMG signal than wavelet decomposition algorithm, third characteristic parameters; the first second characteristic parameters, characteristic parameters and characteristic parameters of third input support vector machine training and testing, in order to get the classification results. In this case the use of methods to extract EEG and EMG multiple features, combined with support vector machine classifier, improves the accuracy of sleep staging; cross validation results show that the method has a certain generalization ability; experimental results of high reliability, and has good application prospect.

【技术实现步骤摘要】
基于脑电和肌电多特征的自动睡眠分期方法
本专利技术涉及一种睡眠分期方法，尤其涉及一种基于脑电和肌电多特征的自动睡眠分期方法。
技术介绍
随着现代社会竞争激烈，快节奏工作与生活对人们的睡眠产生了巨大影响。据世界卫生组织统计，27％的人有睡眠障碍。目前，睡眠障碍已被确认是一种具有公共危害性的疾病，越来越受到人们的高度重视。通过各生理信号对人体睡眠状态进行分期，是客观评估睡眠质量的一种有效方法。通过不同分析方法提取脑电(Electroencephalogram，EEG)的特征参数，再利用分类器进行分类是睡眠分期的经典方法。目前，对EEG的分析方法主要是从其时域、频域和非线性方面进行分析。在现有技术中有人通过对EEG进行非线性符号动力学分析、去趋势波动分析和频谱分析的方法，并结合最小二乘向量机分类器将睡眠状态分为五期，准确率达到92.87％，但该算法只对每个样本进行单独的训练和验证，泛化能力有待提高。若利用离散小波变换结合非线性支持向量机的方法满足了模型对泛化能力的要求，准确率却只有81.65％。
技术实现思路
针对现有技术中存在的技术问题，本案提供一种基于脑电和肌电多特征的自动睡眠分期方法，以期能够提高睡眠分期的准确率和泛化能力。为实现上述目的，本案通过以下技术方案实现：一种基于脑电和肌电多特征的自动睡眠分期方法，其包括：采集脑电信号和肌电信号；采用小波分解去除脑电信号和肌电信号中的高频噪声；提取去噪后的脑电信号的α、β、θ、δ特征波的能量比，得到第一特征参数；利用样本熵算法提取脑电信号样本熵，得到第二特征参数；利用小波分解算法提取肌电信号中的高频特征能量比，得到第三特征参数；将第一特征参数、第二特征参数和第三特征参数输入支持向量机中进行训练和测试，从而得到分类结果。优选的是，所述的基于脑电和肌电多特征的自动睡眠分期方法，其中，所述第一特征参数通过以下方法获得：使用“db4”小波函数对脑电信号进行7层小波分解，选择D3代表β波，D4代表α波，D5代表θ波，D6+D7代表δ波，分别计算α波、β波、θ波和δ波在0-30Hz上所占能量和的比值。优选的是，所述的基于脑电和肌电多特征的自动睡眠分期方法，其中，所述第三特征参数通过以下方法获得：使用“sym3”小波函数对肌电信号进行3层小波分解，选择D1+D2代表肌肉运动频率，计算该肌肉运动频率在0-125Hz上所占的能量和的比值。优选的是，所述的基于脑电和肌电多特征的自动睡眠分期方法，其中，在利用样本熵算法提取脑电信号样本熵时，其中所用的嵌入维数＝2，相似容限为脑电信号原始数据的标准偏差的0.2倍，数据长度＝1000。本专利技术的有益效果是：本案采用提取EEG和EMG多个特征的方法，结合支持向量机分类器将睡眠状态分为五类(即Wake、N1、N2、N3、REM)；对比基于EEG睡眠分期算法，EMG的加入能提高睡眠分期的准确率；交叉验证结果表明，该方法具有一定的泛化能力；实验结果可信度高，能够准确完成睡眠分期，为评估睡眠质量提供有效依据，具有良好的应用前景。附图说明图1为本案自动睡眠分期方法的流程图。图2为EEG和EMG的去噪效果图。图3为α、β、θ、δ波和EMG高频成分在睡眠各阶段的能量比示意图。图4为睡眠各阶段的EEG样本熵示意图。图5为各睡眠阶段的平均准确率的对比图。具体实施方式下面结合附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。本案使用的数据来自于MIT-BIH多导睡眠数据库(GoldbergerAL,AmaralLAN,GlassL,etal.MIT-BIHPolysomnographicdatabase.[DB/OL].[2000-06-13])，该数据库记录了16个测试对象睡眠过程中的多个生理参数信号，采样频率250Hz。16个测试对象的睡眠信号种类不同，本案选择具有EEG、EMG(下颌肌电)且睡眠阶段完整的样本slp32、slp41、slp45、slp48作为实验对象。每30秒数据后都记录一份由经验丰富的医生进行的人工睡眠分期判定，本案以此分期结果来测试算法的分期准确性及泛化能力。算法首先利用小波分解对EEG和EMG预处理，舍掉高频噪声部分；再提取去噪后EEG的α、β、θ、δ特征波的能量比，得到第一部分特征参数；再利用样本熵算法提取EEG样本熵得到第二部分特征参数；将两部分特征参数输入支持向量机中进行训练和测试得到分类结果；利用小波分解算法提取EMG的高频特征能量比，得到第三部分特征参数；将三部分特征参数输入支持向量机中进行训练和测试得到分类结果，该方法流程如图1所示。1.1、特征提取根据2007年美国睡眠医学学会(AmericanAcademyofSleepMedicine，AASM)制定的睡眠判读指南，睡眠可分为五期：觉醒期(W期)、非快速眼动1期(N1期)、非快速眼动2期(N2期)、非快速眼动3期(N3期)，快速眼动期(REM期)。实现准确分期的关键是提取能代表各个睡眠阶段的特征，各睡眠阶段特征如表1所示。表1各睡眠阶段特征1.1.1、离散小波变换离散小波变换(简称DWT)实质是将能量有限的信号分解到时间-尺度空间上，能自动适应时频信号分析的要求，使其特别适用于非稳定信号。为能够有效地计算DWT，可使用让信号顺序地通过一系列低通和高通滤波器对的方法，该算法的分解系数为：式中，Ak,n和Dk,n是分解系数，k是分解尺度。据该分解算法原理分析可知：对信号进行i层小波分解，小波系数Ai和Di的频率范围分别是和其中fs为采样频率。在实际应用中，一般根据信号的特征来选择适当的分解层数。临床医学中关注的EEG频率范围在0.5～30Hz，EMG的有效信号频率一般在0～500Hz，代表肌肉运动的高频成分多集中在30～125Hz。根据表1中各睡眠阶段对应的EEG、EMG特征波的频率范围和EEG、EMG的有效频率范围可知，将EEG利用“db4”小波函数进行7层小波分解，选择D3代表β波，D4代表α波，D5代表θ波，D6+D7代表δ波，分别计算α波(8～13Hz)、β波(13～30Hz)、θ波(4～7Hz)、δ波(1～4Hz)在0～30Hz上所占能量和的比值；将EMG利用“sym3”小波函数进行3层小波分解，选择D1+D2代表肌肉运动频率(30～125Hz)，计算其在0～125Hz上所占的能量和的比值。能量比计算公式如式(1)-(3)：ηi：分解后第i层频带所占总能量和的比值；Di(k)：分解后第i层上的第k个小波系数；n：第i层的数据个数；Es：总能量和；N：总层数的数据个数。1.1.2、样本熵算法样本熵(SampleEntropy,SampEn)是对近似熵算法的改进，是度量序列复杂度的测度方法，其计算速度更快，精度更高。样本熵算法的具体流程如下：(1)对一个由N点组成的原始信号{u(i),1≤i≤N}按顺序组成一组m维矢量：X(i)＝[u(i),u(i+1),…u(i+m-1)](4)式中，i＝1,2,…,N-m+1；(2)X(i)与X(j)之间的距离d[X(i),X(j)]定义为两者对应元素中差值最大的一个，即：d[X(i),X(j)]＝max[|u(i+k)-u(j+k)|](5)式中，k＝1,2,…m-1，i,j＝1,2,…N本文档来自技高网...

【技术保护点】
一种基于脑电和肌电多特征的自动睡眠分期方法，其特征在于，包括：采集脑电信号和肌电信号；采用小波分解去除脑电信号和肌电信号中的高频噪声；提取去噪后的脑电信号的α、β、θ、δ特征波的能量比，得到第一特征参数；利用样本熵算法提取脑电信号样本熵，得到第二特征参数；利用小波分解算法提取肌电信号中的高频特征能量比，得到第三特征参数；将第一特征参数、第二特征参数和第三特征参数输入支持向量机中进行训练和测试，从而得到分类结果。

【技术特征摘要】
1.一种基于脑电和肌电多特征的自动睡眠分期方法，其特征在于，包括：采集脑电信号和肌电信号；采用小波分解去除脑电信号和肌电信号中的高频噪声；提取去噪后的脑电信号的α、β、θ、δ特征波的能量比，得到第一特征参数；利用样本熵算法提取脑电信号样本熵，得到第二特征参数；利用小波分解算法提取肌电信号中的高频特征能量比，得到第三特征参数；将第一特征参数、第二特征参数和第三特征参数输入支持向量机中进行训练和测试，从而得到分类结果。2.如权利要求1所述的基于脑电和肌电多特征的自动睡眠分期方法，其特征在于，所述第一特征参数通过以下方法获得：使用“db4”小波函数对脑电信号进行7层小波分解，选...

【专利技术属性】
技术研发人员：王心醉，吕甜甜，陈骁，俞乾，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
类型：发明
国别省市：江苏,32