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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。