具有特征生成和自动映射的睡眠分析系统技术方案

提供了一种用于分析个体的睡眠的方法。所述方法包括限定个体的睡眠特征空间，在个体的睡眠期间测量个体的脑波，以及响应所述脑波和用于限定所述睡眠特征空间的先前脑波测量的比较来映射所述睡眠特征空间。所述脑波可以包括脑波谱。所述睡眠特征空间可以包括频谱功率和包络测量或由其组成。所述方法也包括响应识别的神经网络模式对映射的睡眠特征空间进行建模，所述识别的神经网络模式与从睡眠特征空间识别神经网络模式而导出的多个睡眠阶段的每一个相对应，以及从响应建模的映射睡眠特征空间和个体的脑波确定的睡眠阶段导出个体的睡眠状况。

Sleep analysis system with feature generation and automatic mapping

A method for analyzing the sleep of an individual is provided. The method includes defining the sleep characteristics of individual space, during the individual measurement of individual sleep EEG, and in response to the waves and for defining the sleep feature space compared to previous EEG measurements mapping the sleep feature space. The brain waves may include brain wave spectra. The sleep feature space may include spectral power and envelope measurements or composed thereof. The method also includes the response characteristics of sleep space neural network pattern recognition for mapping modeling, the identification of the neural network model and neural network recognition feature space from sleep mode and multiple sleep stages derived corresponding to each, and the response from the stage of sleep sleep modeling derived individual sleep mapping feature space and individual brainwave determined.

【技术实现步骤摘要】
【国外来华专利技术】具有特征生成和自动映射的睡眠分析系统
本专利技术涉及睡眠分析(profiling)。特别地，本专利技术涉及一种睡眠分析方法，其使用计算高效的、代表性的特征的自动映射和生成来提供例如用于基于家庭的睡眠监测的鲁棒(robust)平台。
技术介绍
睡眠在人的整体健康和幸福中起着重要的作用。研究表明，良好的睡眠使人的心脏更健康，减轻压力和炎症，增强记忆力，甚至预防癌症。在2007年，美国睡眠医学会(AASM)基于以关键开发人员AllanRechtschaffen和AnthonyKales命名的R&K得分制定了睡眠相关现象术语和评分规则的新指南。根据AASM，睡眠周期的不同阶段包括快速眼动(REM)睡眠(阶段R，对应于R&K规则中的REM)和非快速眼动睡眠(NREM)。NREM睡眠可以进一步分为阶段N1、N2和N3(分别对应于R&K规则的S1、S2和S3+S4)。N3也称为慢波睡眠(SWS)并且是最深的睡眠阶段。所有睡眠阶段和唤醒状态106、108、110、112、114、116可以被确定并显示在睡眠图中，睡眠图是表示随时间104变化的睡眠阶段102的多导睡眠描记的一种形式，如图1中所示。传统上，睡眠监测仅在专业睡眠实验室中使用记录脑电图(EEG)、眼电图(EOG)和肌电图(EMG)的多导睡眠描记(PSG)设备进行。使用来自多个传感器的记录，受过训练的专家根据AASM评分系统手动注释睡眠阶段。这种设置的高成本限制了睡眠研究的应用。然而，近年来，轻量级EEG传感器(例如EEG头带)的发展已使基于家庭的睡眠监视系统成为可能。基于单个EEG通道的自动睡眠评分(分阶段)的方法在这样的系统中起重要作用。手动睡眠评分过程基于30秒的连续时期。睡眠专家测量波形的频率和幅度并且应用为睡眠阶段评分的标准规范。有若干规则要遵循：1)EEG读数优先于EOG和EMG数据；2)必须考虑睡眠结构；3)在单个时期期间共同存在2个或以上阶段时将应用多数规则；以及4)在评分过程期间将考虑患者特定因素。开发自动化睡眠分阶段过程的方法需要考虑以上因素/规则。尽管可以从EEG信号提取许多特征以便用于睡眠分阶段，但是一些显示与睡眠阶段几乎没有相关性，而其他是冗余的。还需要高阶计算能力来防止实时处理。尚未提出用于精确睡眠阶段检测的一组计算高效的、代表性的特征。此外，睡眠图作为专业人员分析睡眠模式的工具为外行人理解他或她的睡眠状况提供了较不直观的信息。已报道基于来自单个通道的EEG数据的自动睡眠分阶段的各种方法。一种方法通过用于自回归隐马尔可夫模型(HMM)的单个EEG的平均频率特征检测人的唤醒状态，该方法实现了70％的醒睡检测率。另一种方法使用更多的特征(包括频谱熵，自回归参数和复杂度随机测量)来建立用于睡眠分阶段的HMM模型。该方法适用于预测睡眠阶段N3和N4，但是无法在唤醒、N1和N2阶段之间进行准确区分。第三种方法教导通过应用卡尔曼滤波器和HMM使用EEG建模，测试集中的一致率报道为60.14％。最后的方法提出高斯观测HMM以检测睡眠阶段，并且实现74.6％的总体一致性，唤醒的准确性为86％，但阶段N1仅为22％。报告评价了家庭睡眠评分系统的睡眠分阶段准确性并且发现系统显示出与标准测量值的偏差，尤其在唤醒到N1过渡阶段，并且得出结论认为可靠的基于家庭的睡眠评分系统尚未达到。因此，需要的是用于基于家庭的睡眠监测系统的更直观和信息丰富的睡眠分析方法。此外，其他期望的特征和特性将从结合本公开的附图和该背景进行的随后的详细描述变得明显。
技术实现思路
根据具体实施方式，提供了一种用于分析个体的睡眠的方法。所述方法包括限定个体的睡眠特征空间，在个体的睡眠期间测量个体的脑波，以及响应所述脑波和用于限定所述睡眠特征空间的先前脑波测量的比较来映射所述睡眠特征空间。所述脑波可以包括脑波谱。所述睡眠特征空间可以包括频谱功率和包络特征或由其组成。所述方法也包括响应识别的神经网络模式对映射的睡眠特征空间进行建模，所述识别的神经网络模式与从睡眠特征空间识别神经网络模式而导出的多个睡眠阶段的每一个相对应，以及从响应建模的映射睡眠特征空间和个体的脑波确定的睡眠阶段导出个体的睡眠状况。另外，提供了一种用于对个体的睡眠状况进行建模的方法。所述方法包括测量个体的脑波并且提取脑波的预定数量的频谱功率比。所述方法也包括处理所述预定数量的频谱功率比以提取脑波的频谱包络特征并且提取脑波的高斯参数，以形成用于分析个体的睡眠的睡眠特征空间。根据具体实施方式，提供了一种用于分析个体的睡眠的方法。所述方法包括限定个体的睡眠特征空间，在个体的睡眠期间测量个体的脑波并且生成表示测量的脑波的第二睡眠特征空间，以及通过比较所述脑波和用于限定所述第一睡眠特征空间的先前的脑波测量将所述第二睡眠特征空间映射到所述第一睡眠特征空间。所述脑波可以包括脑波。所述睡眠特征空间可以包括频谱功率和包络测量或由其组成。由个体的频谱功率和包络特征组成的睡眠特征空间是第一睡眠特征空间。映射的睡眠空间和/或另外的睡眠特征空间是第二睡眠特征空间。所述方法也包括使用对应于多个睡眠阶段的每一个的识别的神经网络模式对所述第一睡眠特征空间进行建模，以及通过将建模的睡眠特征空间应用到映射的睡眠特征空间从睡眠阶段导出个体的睡眠状况。根据具体实施方式，提供了一种用于分析个体的睡眠的方法。所述方法包括限定个体的睡眠特征空间，在个体的睡眠期间测量个体的脑波，以及将从脑波测量获得的另一睡眠特征空间的特征映射到频谱功率和包络特征。所述脑波可以包括脑波谱。所述睡眠特征空间可以包括频谱功率和包络测量或由其组成。所述方法也包括响应识别的神经网络模式对映射的睡眠特征进行建模，所述识别的神经网络模式与从睡眠特征空间识别神经网络模式而导出的多个睡眠阶段的每一个相对应，以及从响应建模的映射睡眠特征空间和个体的脑波确定的睡眠阶段导出个体的睡眠状况。根据具体实施方式，提供了一种用于分析个体的睡眠的方法。所述方法包括限定个体的睡眠特征空间，在个体的睡眠期间测量个体的脑波，以及响应所述脑波和用于限定所述睡眠特征空间的先前脑波测量的比较来映射所述睡眠特征空间。所述脑波可以包括脑波。所述睡眠特征空间可以包括频谱功率和包络测量或由其组成。所述方法也包括响应识别的神经网络模式对映射的睡眠特征空间进行建模，所述识别的神经网络模式与从睡眠特征空间识别神经网络模式而导出的多个睡眠阶段的每一个相对应，以及从响应建模的映射睡眠特征空间和个体的脑波确定的睡眠阶段导出个体的睡眠状况。附图说明附图用于说明各种实施例并且解释根据本实施例的各种原理和优点，其中相似的附图标记在不同视图中始终表示相同或功能相似的元件，并且与下面的具体实施方式一起包含在说明书中并且形成说明书的一部分。图1描绘了睡眠图的示例，示出了睡眠周期中的睡眠阶段。图2A和2B描绘了根据本公开的用于分析睡眠的方法的流程图的示例。图3描绘了根据本公开的睡眠分析系统的工作流程的示例。图4描绘了根据本公开的用于睡眠阶段预测的模式识别神经网络的示例。图5描绘了来自受试者的EEG信号和手动标记的睡眠阶段的示例。图6描绘了根据本公开的特征的统计测试的示例。Y轴代表-log(p值)。X轴代表从EEG信号提取的42个特征。平行于X本文档来自技高网...

【技术保护点】
一种用于分析个体的睡眠的方法，所述方法包括：限定个体的睡眠特征空间；在个体的睡眠期间测量个体的脑波；以及响应所述脑波和用于限定所述睡眠特征空间的先前脑波测量的比较来映射所述睡眠特征空间；响应识别的神经网络模式对映射的睡眠特征空间进行建模，所述识别的神经网络模式与从睡眠特征空间识别神经网络模式而导出的多个睡眠阶段的每一个相对应；以及从响应被建模的映射的睡眠特征空间和个体的脑波确定的睡眠阶段导出个体的睡眠状况。

【技术特征摘要】
【国外来华专利技术】2014.12.05 SG 10201408145X1.一种用于分析个体的睡眠的方法，所述方法包括：限定个体的睡眠特征空间；在个体的睡眠期间测量个体的脑波；以及响应所述脑波和用于限定所述睡眠特征空间的先前脑波测量的比较来映射所述睡眠特征空间；响应识别的神经网络模式对映射的睡眠特征空间进行建模，所述识别的神经网络模式与从睡眠特征空间识别神经网络模式而导出的多个睡眠阶段的每一个相对应；以及从响应被建模的映射的睡眠特征空间和个体的脑波确定的睡眠阶段导出个体的睡眠状况。2.根据权利要求1所述的方法，其中，测量个体的脑波的步骤包括测量个体的EEG。3.根据权利要求1或2所述的方法，其中，限定个体的睡眠特征空间的步骤包括：提取脑波的预定数量的频谱功率比；处理所述预定数量的频谱功率比以提取脑波的频谱包络特征；以及提取脑波的高斯参数以限定用于分析个体的睡眠的睡眠特征空间。4.根据权利要求3所述的方法，其中，提取频谱功率比包括：从脑波识别多个时间偏移的重叠频谱窗口；提取所述多个时间偏移的重叠频谱窗口的频谱特征；确定脑波内的预定数量的截止频带的总功率；以及响应所述总功率和所述预定数量的截止频带的每一个的频谱功率带来确定脑波的所述预定数量的频谱功率比。5.根据权利要求2所述的方法，其中，处理所述预定数量的频谱功率比以提取脑波的频谱包络特征包括通过切比雪夫II型滤波器对所述预定数量的频谱功率比进行基于包络的频谱滤波，以提取脑波的每个频谱功率比的多个频谱包络特征。6.根据权利要求2所述的方法，其中，提取高斯参数包括提取脑波的所述预定数量的频谱功率比和所述预定数量的频谱功率比的多个频谱包络特征的平均值和变化，以形成用于分析个体的睡眠的睡眠特征空间。7.一种用于对个体的睡眠状况进行建模的方法，所述方法包括：测量个体的脑波；提取脑波的预定数量的频谱功率比；处理所述预定数量的频谱功率比以提取脑波的频谱包络特征；以及提取脑波的高斯参数以形成用于分析个体的睡眠的睡眠特征空间。8.根据权利要求7所述的方法，其中，测量包括测量个体的EEG。9.根据权利要求7所述的方法，其中，提取频谱功率比包括：从脑波识别多个时间偏移的重叠频...

【专利技术属性】
技术研发人员：张卓，关存太，张海宏，杨慧娟，
申请(专利权)人：新加坡科技研究局，
类型：发明
国别省市：新加坡,SG