一种基于Stacking单导联脑电睡眠自动分期方法技术

本发明专利技术涉及一种基于Stacking单导联脑电睡眠自动分期方法，属于机器学习算法领域。该方法包括步骤：S1：睡眠脑电信号预处理；S2：睡眠脑电多特征提取和筛选；S3：机器学习分类；S4：睡眠自动分期。本发明专利技术能够获取自适应阈值的小波函数和IIR滤波函数结合的滤波方法对脑电信号进行降噪处理，有效地提高信号的信噪比；能够对特征算法进行优化筛选获取一种新的特征参数组，作为睡眠分期的特征；能够获取一种新的准确率高的多特征与集成学习算法组合作为睡眠分期方法。

A single lead EEG sleep auto phasing method based on Stacking

The invention relates to an automatic sleep staging method based on Stacking single lead electroencephalogram, which belongs to the field of machine learning algorithm. The method includes steps: S1: sleep EEG signal preprocessing; S2: sleep EEG multi-feature extraction and screening; S3: machine learning classification; S4: sleep automatic staging. The present invention can acquire adaptive threshold wavelet function and IIR filter function to denoise EEG signal, effectively improve signal-to-noise ratio of signal, optimize the feature algorithm to obtain a new feature parameter group, which can be used as the feature of sleep stages, and obtain a new and accurate feature. The combination of high multiple features and ensemble learning algorithm is used as a sleep staging method.

【技术实现步骤摘要】
一种基于Stacking单导联脑电睡眠自动分期方法
本专利技术属于机器学习算法领域，涉及一种基于Stacking单导联脑电睡眠自动分期方法。
技术介绍
睡眠研究对于人的身心健康和日常工作具有重要意义。睡眠分期是了解睡眠状况和睡眠质量评价的关键，基于睡眠分期的睡眠评分同时也是精神病学和神经病学最重要的诊断方法。Rechtschaffen和Kates根据人体睡眠过程中脑电图(Eletroencephalogram，EEG)、眼电图(Electrooculogram,EOG)、肌电图(Electromyography，EMG)中的眼球运动情况和肌肉张大的变化等因素，提出R&K分期标准，把睡眠分为觉醒期、非快速眼动睡眠期(NREM)和快速眼动睡眠期(REM)，其中NREM又可分为睡眠Ⅰ期、睡眠Ⅱ期、睡眠且Ⅲ期和睡眠Ⅳ期。2007年AASM协会，推出了AASM睡眠标准，AASM标准将睡眠分为五期，分别是清醒期、非快速眼动期(NREM，又分为1期，2期，3期)、快速眼动期(REM)。目前对于睡眠自动分期研究主要在于脑电信号。脑电信号幅度非常微弱。频率范围0.5-50hz。脑电信号幅值一般在50μV左右，高于100μV一般可以看做是噪音。脑电信号是一种随机性很强的非平稳信号。影响脑电的因素很多，表现的很多规律和意义至今仍没有认识。不得不利用统计处理技术如方差、均值等来检测和估计它的特征。脑电信号同时也是非线性信号。传统意义上的信号处理方法都是建立在线性的理论上的，因此，基于传统信号处理，会不可避免的丢失很多原始信号所带的信息。所以，非线性动力学、信息论、混沌理论发展起来迅速应用到脑电的分析研究中。非线性的研究越来越在脑电信号中。所以基于脑电信号特征，研究者在对睡眠脑电信号进行特征提取中，一般从时域特征、频域特征、时频域特征和非线性特征四个方面来提取单个特征或者多个特征。睡眠脑电特征通过特征算法提取出来之后，需要利用机器学习算法或模型进行进一步的分析和处理。机器学习按照输入情况大致可以分为两类：监督式学习和非监督式学习。睡眠脑电分期大多采用监督式学习，即输入部分(训练集和测试集)包括特征数据列表和特征数据标签值列表。特征数据标签是睡眠分期状态，一般由人工专家提供。机器学习按照输出情况可分为两类：分类算法和回归算法。睡眠分期状态是离散的，属于分类问题。目前常用于睡眠分期的方法有支持向量机(Supportvectormachine,SVM)、人工神经网络(ArtificialNeuralNetwork,ANN)、决策树(decisiontree,DT)、随机森林(Randomforest,RF)。Baha等利用C3-A2的单导联脑电信号，再利用小波系数、排列熵和赫斯特指数作为特征算法，使用随机森林分类算法对睡眠进行六期分类，算法的准确率为97.03％。Arthur等利用C3和C4的脑电数据，再利用复杂度和相关系数，使用隐马尔科夫(HMM)模型对睡眠进行三期分类，算法的准确率为80％。Luay等利用Pz-Oz脑电信号，再利用小波系数，使用决策树分类算法对睡眠进行六期分类，算法的准确率为75％。Salih等利用C4-A1脑电信号，再利用韦尔奇分析作为特征算法，使用决策树分类算法对睡眠进行六期分类，算法的准确率82.15％。Thiago等利用Pz-Oz脑电信号，再利用方差、偏度、峰度，使用随机森林分类算法对睡眠进行六期分类，算法的准确率为90.5％。Farideh等利用Pz-Oz脑电信号，再利用小波包系数，使用人工神经网络分类算法对睡眠进行五期分类，算法的准确率为93％。Zhu等利用Pz-Oz脑电信号，再利用不同可视图(DifferenceVisibilityGraph，DVG)作为特征算法，使用支持向量机(SupportVectorMachine，SVM)分类算法对睡眠进行六期分类，算法的准确率为87.5％。kaveh等利用Fpz-Cz脑电信号，再利用RDSTFT作为特征算法，使用随机森林进行4期睡眠分类，算法准确度为92.5％。刘志勇等利用Pz-Oz脑电信号，再利用符号熵指数、去趋势波动指数、δ频率能量作为特征，使用SVM对睡眠进行五期分类，算法准确度为92.87％。林秀晶等利用Pz-Oz脑电信号，再利用均值、方差、频率能量、频谱熵，使用SVM对睡眠进行五期分类，算法准确度为80.1％。现有技术的不足包括以下几点：(1)睡眠脑电信号的预处理脑电是一种随机性，非平稳性很高的生理信号，不同的节律、不同心理改变都会影响脑电波的变化。因此，EEG具有很高的时变敏感性，其信号极易被无关噪音污染。从而形成各种EEG噪音和伪迹。常见的伪迹有包括来及仪器的干扰和来自人体的如眼电伪迹(ocularartifact)、肌电伪迹(muscleartifact)。如何对常见的噪音进行有效的消除和尽可能避免在信号中产生眼电伪迹是预处理的关键。(2)睡眠分期算法准确度可用于睡眠脑电信号的特征很多，如时域上的均值、方差、时频域上的不同节律波的小波系数、样本熵、Reyi系数、排列熵等。基于时域和时频域上的特征参数很容易选择。但是基于非线性的算法的如样本熵、关联维数、最大Lyapunov熵等进行算法提取时如嵌入维数、延迟时间等特征参数的选择十分重要。目前没有统一的原则针对于信号是睡眠脑电信号时特征参数选择。特征选择之后，需要对特征进行优化和筛选。不同的选择原则有不同特征选择方案。如针对于分期算法高效性原则，特征算法中不应有关联维数、最大Lyapunov熵等运算周期长的特征算法。如针对于分期算法的准确度原则，需要对特征进行特征筛选工作。其目的在于找出和原信号相关系数高的特征算法。对特征算法进行如何的筛选方法决定了分期算法的准确度。可应用于睡眠分期的机器学习算法很多，如支持向量机、随机森林、神经网络等。如何选择合适的机器学习分类器来对脑电信号进行分类。且在每个机器学习算法内部参数很多，如何利用一定准则对参数进行调优，从而提高算法准确度，是目前研究的关键。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于Stacking单导联脑电睡眠自动分期方法，提高睡眠分期方法的准确率和分期效率，再利用睡眠分期结果设计睡眠质量评价模型，提供一种科学的参考依据，使个体和医师能够利用本专利技术得到睡眠分期的结果了解睡眠质量状况和某些睡眠疾病发病可能性。为达到上述目的，本专利技术提供如下技术方案：一种基于Stacking单导联脑电睡眠自动分期方法，包括以下步骤：S1：睡眠脑电信号预处理；S2：睡眠脑电多特征提取和筛选；S3：机器学习分类；S4：睡眠自动分期。进一步，所述步骤S1具体为：使用自适应阈值的小波函数和IIR滤波函数结合的滤波方法对脑电信号进行降噪处理，提高信号的信噪比，小波函数使用自适应阈值和软阈值函数，小波降噪的参数为小波基选择‘db4’，小波分解层数为5层；IIR滤波函数使用20阶巴特沃斯滤波函数，滤波频率为5-30HZ。进一步，所述步骤S2具体为：采用特征算法，得出特征数据组；特征算法来自于时域、时频域和非线性域三个领域；时域采用的特征算法包括：基于Hjorth三个参数活动性，移动性，复杂性，峰度、偏度、基于α、β、θ、δ方差、基于α、β、θ、δ最大幅值；本文档来自技高网...

【技术保护点】
1.一种基于Stacking单导联脑电睡眠自动分期方法，其特征在于：该方法包括以下步骤：S1：睡眠脑电信号预处理；S2：睡眠脑电多特征提取和筛选；S3：机器学习分类；S4：睡眠自动分期。

【技术特征摘要】
1.一种基于Stacking单导联脑电睡眠自动分期方法，其特征在于：该方法包括以下步骤：S1：睡眠脑电信号预处理；S2：睡眠脑电多特征提取和筛选；S3：机器学习分类；S4：睡眠自动分期。2.根据权利要求1所述的一种基于Stacking单导联脑电睡眠自动分期方法，其特征在于：所述步骤S1具体为：使用自适应阈值的小波函数和IIR滤波函数结合的滤波方法对脑电信号进行降噪处理，提高信号的信噪比，小波函数使用自适应阈值和软阈值函数，小波降噪的参数为小波基选择‘db4’，小波分解层数为5层；IIR滤波函数使用20阶巴特沃斯滤波函数，滤波频率为5-30HZ。3.根据权利要求1所述的一种基于Stacking单导联脑电睡眠自动分期方法，其特征在于：所述步骤S2具体为：采用特征算法，得出特征数据组；特征算法来自于时域、时频域和非线性域三个领域；时域采用的特征算法包括：基于Hjorth三个参数活动性，移动性，复杂性，峰度、偏度、基于α、β、θ、δ方差、基于α、β、θ、δ最大幅值；时频域采用的特征算法包括：基于α、β、θ、δ的小波能量，基于δ/α的小波能量比；非线性采用的特征算法包括：模糊熵、样本熵、分形维度，基于α、β、θ、δ的样本熵，复杂度、赫斯特指数、Tsallis熵，最大李雅科夫指数、排列熵；特征中α、β、θ、δ节律波由小波分解进行五层分解得到；模糊熵和样本熵参数为嵌入维度m和相似容限r；利用相关系数方法找出模糊熵、样本熵和排列熵最优的参数；其中模糊熵的m和r分别为1和0.15，样本熵的m和r分别为2和0.15，排列熵参数中嵌入维数为2，延迟时间为10；利用C-C办法计算最大李雅科夫指数中时间延迟为17、平均周期256为和嵌入维数为1.5；特征筛选算法使用FisherScore特征筛选算法，利用FisherScore选择特征的基本流程，即先求出每个特征的FisherScore分数，然后设定一个阈值，若某个特征的FisherScore分数大于阈值，则选择这个特征；否则，舍弃该特征，本算法阈值设定为0.3；利用特征筛选算法从30个特征数据组进行筛选，选择模糊熵、Hjorth的复杂性(complexity)、基于β和δ的节律波样本熵、分形维度、排列熵、基于β、θ和δ节律波的小波能量、基于β节律波的方差。4.根据权利要求1所述的一种基于St...

【专利技术属性】
技术研发人员：王强强，赵德春，王怡，李舒粤，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50