基于EEG时域多维度特征及M-WSVM的睡眠分期方法及可穿戴装置制造方法及图纸

本发明专利技术公开了一种基于EEG时域多维度特征及M‑WSVM的睡眠分期方法及可穿戴装置，首先获取EEG连续时间信号，通过幅度‑时间映射提取EEG连续时间信号的时域多维度特征；然后对提取信号特征进行选择，以获得最优的信号的特征；最后利用M‑WSVM算法对不同分类层次的睡眠阶段进行分析与处理，实时进行睡眠分期的监测。装置包括信号采集模块、信号处理模块和信号传输模块，能够实时与智能设备的用户端通信，通过在PC端进行EEG训练数据的模型学习，将学习的算法模型移植于智能设备上运行，以进行实时的睡眠分期监测。本发明专利技术利用EEG信号特征提取与分类方法简化睡眠分期复杂度并利用生理信号测量电路开发了可穿戴睡眠分期装置，以能够获得实时、高精度的自动睡眠分期效果。

【技术实现步骤摘要】
基于EEG时域多维度特征及M-WSVM的睡眠分期方法及可穿戴装置
本专利技术涉及智能算法的自动睡眠分期领域，特别涉及一种基于EEG时域多维度特征及M-WSVM的睡眠分期方法及可穿戴装置。
技术介绍
随着国家大健康战略的提出与人工智能技术的进步，智能健康产业将取得长足的发展，基于EEG睡眠分期研究对睡眠疾病诊断、治疗和预防具有重要意义。目前，在EEG信号的睡眠分期研究中，各种信号变换技术及机器学习方法的应用都取得了一定的成果，特别是单通道EEG信号的睡眠分期研究，更容易在可穿戴设备上实现睡眠的监测与分析，文献[1-9]都研究了应用单通道EEG信号的睡眠分期。但是，在现有的技术中，相关研究利用的信号变换及分类算法大多具有一定的复杂度，不适宜用于实时的可穿戴睡眠分期系统。EEG是非平稳信号，不同睡眠状态下的信号变化具有一定差异，如何利用有效的信号特征对提高智能算法的分类效果非常重要。通过各种变换及编码的特征提取方法，能够获得相对较好的信号样本特征，但增加了特征提取算法的复杂度或特征数量。文献[1]利用可调Q因子小波变换(TQWT)的方法将EEG信号分解为24级的信号子带，并从信号子带中提取本文档来自技高网...

【技术保护点】
1.一种基于EEG时域多维度特征及M‑WSVM的睡眠分期方法，其特征在于，包括以下步骤：步骤1：获取EEG连续时间信号；步骤2：提取EEG连续时间信号的时域多维度特征；步骤3：对提取信号特征进行选择，以获得最优的信号的特征；步骤4：利用M‑WSVM算法对不同分类层次的睡眠阶段进行分析与处理，实时进行睡眠分期的监测。

【技术特征摘要】
1.一种基于EEG时域多维度特征及M-WSVM的睡眠分期方法，其特征在于，包括以下步骤：步骤1：获取EEG连续时间信号；步骤2：提取EEG连续时间信号的时域多维度特征；步骤3：对提取信号特征进行选择，以获得最优的信号的特征；步骤4：利用M-WSVM算法对不同分类层次的睡眠阶段进行分析与处理，实时进行睡眠分期的监测。2.根据权利要求1所述的基于EEG时域多维度特征及M-WSVM的睡眠分期方法，其特征在于，步骤2的具体实现包括以下子步骤：步骤2.1：按照预设时间长度划分一个数据样本，将获取的EEG连续时间信号进行幅度-时间映射，通过幅度轴映射获得数值点、数值点数目、数值点间隔的特征信息，并通过时间轴映射获得原始信号、峰值点和众数点的特征信息；步骤2.2：对幅度轴映射信息提取数值点的数目、数值点平均、数值点平均间隔及标准差、各数值点数目和平均时间间隔的平均及标准差的信号样本特征；对时间轴映射信息提取原始信号的最大值、最小值、均值、范围、活动性、移动性、复杂性的样本特征；提取峰值信号的数目、范围、均值、标准差、间隔的平均、间隔的标准差的样本特征；提取众数信号的数目、众数间隔的平均、众数间隔标准差的样本特征；在提取的特征中，原始信号的最大值、最小值、范围、均值特征表征了EEG信号变化的时域特性，峰值点数目、平均间隔、标准差特征表征了EEG信号变化的频域特性，信号唯一数值点数目、均值、平均间隔特征表征了EEG信号变化的时频域特性；步骤2.3：将提取的表征时域、频域及时频域不同特性的信号特征进行组合，通过利用不同的时域多维度特征混合计算的方式，从而提取表征时频域综合特性的样本特征，其中包括信号数值点数目与信号范围的比值、非峰值点信号的均值、信号数值众数与信号平均值的差。3.根据权利要求1所述的基于EEG时域多维度特征及M-WSVM的睡眠分期方法，其特征在于，步骤3的具体实现包括以下子步骤：步骤3.1：根据提取及选择的最优信号特征，建立EEG信号样本特征的数据集，并计算信号特征的核；步骤3.2：判断是否有约简特征核；若否，则直接执行下述步骤3.3；若是，则输出约简的信号样本特征，建立新的信号特征样本数据集；步骤3.3：计算样本特征的类间距和；步骤3.4：计算样本特征的类内距离标准差和；步骤3.5：判断是否遍历所有特征；若是，则执行下述步骤3.6；若否，则回转执行步骤3.3；步骤3.6：计算Pawlak属性重要度；步骤3.7：结合每个特征的Pawlak属性重要度构建特征分类能力的评价标准Am；其中，sigm为样本特征m的Pawlak属性重要度，反映样本特征对总体数据样本的分类能力；n为分类的睡眠状态数，μi为第i类样本的中心，ωi为第i类睡眠状态的数据样本集，评价标准的分式部分表示第m个特征对数据样本类间距离和与各类内中心距离标准差总和的比值；步骤3.8：根据Am值大小对提取特征进行排序，采用逐步增加特征的方法测试分类能力，并选择最优的信号特征。4.根据权利要求1所述的基于EEG时域多维度特征及M-WSVM的睡眠分期方法，其特征在于，步骤4的具体实现过程是：以加权支持向量机WSVM为基本的睡眠状态分类算法，并根据监测的多个睡眠状态构建多层次的分类算法；在5类睡眠状态...

【专利技术属性】
技术研发人员：袁志勇，安攀峰，林远轩，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42