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 ...
【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
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。