一种单导脑电自动睡眠分期方法技术

本发明专利技术属于睡眠监测技术领域，一种单导脑电自动睡眠分期方法，包括以下步骤：(1)信号预处理，(2)分类特征提取，(3)睡眠分期。本发明专利技术具有以下优点：一是设计了预处理算法，获得质量较好的单导脑电信号；二是本发明专利技术从时域、频域、非线性领域提取出多个特征，筛选出具有代表性的特征；三是本发明专利技术采用随机森林模型，所述方法不必担心过度拟合、具有很好的抗噪声能力，并且能够得出每一棵决策树的分期结果，从而得到随机森林对每一个睡眠分期的置信概率；四是本发明专利技术结合D‑S证据理论进一步提高睡眠分期的准确率。

A Single-channel Automatic Sleep Staging Method

The invention belongs to the technical field of sleep monitoring, and relates to an automatic sleep staging method of single channel electroencephalogram, which comprises the following steps: (1) signal preprocessing, (2) classification feature extraction, (3) sleep staging. The invention has the following advantages: firstly, a preprocessing algorithm is designed to obtain a single channel EEG signal with good quality; secondly, the invention extracts multiple features from the time domain, frequency domain and non-linear domain and screens out representative features; thirdly, the invention adopts a random forest model, the method does not need to worry about over-fitting, has a good anti-noise ability, and can be obtained. The results of each decision tree are divided into stages to obtain the confidence probability of the random forest for each sleep stage. Fourth, the invention further improves the accuracy of sleep stages by combining the D_S evidence theory.

【技术实现步骤摘要】
一种单导脑电自动睡眠分期方法
本专利技术涉及一种单导脑电自动睡眠分期方法，属于睡眠监测

技术介绍
睡眠是生命的需要，是人重要的生理活动之一。根据最新美国睡眠医学会AASM标准，睡眠可分为清醒期W，非快速眼动期N1、N2、N3，快速眼动期REM，其中N1和N2为浅睡期，N3为深度睡眠期。足够的深度睡眠时长对于缓解疲劳程度、提高工作效率有很大的促进作用；心脑血管疾病发病概率也与不同的睡眠分期之间存在着一定的关系；有一些大脑方面的疾病在清醒状态下不易被发觉，但随着睡眠深度的增加，大脑活动程度降低，这些病灶就开始显现出来，并且在不同的睡眠阶段显现出来的症状也不同。因此，准确的睡眠分期显得尤为重要。目前的临床睡眠监测技术多采用多导睡眠监测设备(Polysomnography，PSG)。PSG一般要求在睡眠实验室中进行，同步采集脑电信号(Eletroencephalogram，EEG)、心电信号(Electrocardiograph，ECG)、眼电信号(Electrooculogram，EOG)、肌电信号(Electromyography，EMG)等多导电生理信号，综合以上电生理信号实现睡眠分期。其不足之处在于：(1)使用大量的电极穿戴在被试者头部，使被试者感到不适，影响其正常的睡眠活动；(2)PSG价格较为昂贵，且需要专业的采集设备及合适的实验环境；(3)需要有经验的相关专家来进行睡眠分期，耗费时间长，增加专家的工作量；(4)分期结果含有一定的主观因素。因此，基于较少导联或单导脑电信号的自动睡眠分期技术成为睡眠监测领域的重要发展方向之一。
技术实现思路
针对现有技术中存在的不足，本专利技术目的是提供一种单导脑电自动睡眠分期方法。该方法通过对单导脑电信号进行处理，提取并筛选具有代表性的脑电特征，建立睡眠分期模型，结合有限状态机理论和D-S证据理论实现自动分期，可广泛应用于睡眠监测
为了实现上述专利技术目的，本专利技术采取的技术方案是：一种单导脑电自动睡眠分期方法，包括以下步骤：步骤1、信号预处理，考虑到原始脑电信号含有各种噪声干扰，所以首先要对原始脑电信号进行预处理，具体包括以下子步骤：(A)去除基线漂移，基线漂移属于低频噪声，是一种非平稳随机信号，基于小波变换的多分辨率性质采用小波分解重构的方法去除基线漂移；(B)去除工频干扰，工频干扰强度大，而且是在非屏蔽环境内无处不在的，必须通过专用的陷波器滤除工频干扰，采用4阶IIR陷波器就能达到很好的效果，陷波频率设置为50Hz；(C)去除非脑电信号成分，睡眠脑电信号包含以下几种脑电特征波：α波频率范围为8～13Hz、β波频率范围为13～30Hz、δ波频率范围为1～4Hz、θ波频率范围为4～8Hz、锯齿波频率范围为2～6Hz、纺锤波频率范围为12～14Hz、β1波频率范围为13～17Hz、β2波频率范围为17～30Hz；对于在这些频率之外的信号成分，是由人体其他电生理活动产生的，需要滤除；采用10阶IIR巴特沃斯带通滤波器，考虑到脑电信号的有效成分，将带通滤波频率设定为0.2～40Hz；(D)提取特征波形，为下一步提取时频域分类特征做准备，采用小波包分解waveletpacketsdecomposition即WPD的方法，将脑电信号分解为α波、β波、δ波、θ波、锯齿波、纺锤波、β1波和β2波各种节律成分，即将脑电信号在时频平面上细致划分；在小波分析理论的基础上，引入最优基选择的概念，将频带经过多层次的划分之后，根据被分析脑电信号的特征，自适应地选取最佳基函数，使之与脑电信号相匹配，以提高脑电信号的分析能力；步骤2、分类特征提取，包括时域特征提取、频域特征提取及非线性特征提取，将所有特征提取完毕后，进行特征筛选，筛选出质量好、具有代表性的特征形成分类特征向量；考虑每个睡眠分期持续时长及分析数据信息量的关系，设定以每τ＝30s的数据进行一次睡眠分期计算，每次处理的脑电数据点总个数为N＝fs·τ，其中fs表示待分析脑电数据的采样频率，分类特征提取具体包括以下子步骤：(A)时域特征提取，包括方差var，过零率，HjorthMobility，HjorthComplexity，75百分位数，α波能量、β波能量、δ波能量、θ波能量、锯齿波能量、纺锤波能量、β1波能量及β2波能量；时域特征中的方差var和75百分位数常见，这里不再叙述；过零率是信号的符号变化比率，即脑电数据从正数变成负数及从负数变为正数的总个数与脑电数据点总个数的比值，过零率ZCR通过公式(1)进行描述，其中，xin(1≤i≤N)表示第in个脑电数据的信号幅值，sgn()为符号函数，通过公式(2)进行描述，HjorthMobility表示平均频率，由公式(3)计算得到，其中，m0表示脑电数据x的方差，m2表示脑电数据x一阶导数的方差；HjorthComplexity表示频率变化，由公式(4)计算得到，其中m4表示脑电数据x二阶导数的方差；各类特征波能量，即α波能量、β波能量、δ波能量、θ波能量、锯齿波能量、纺锤波能量、β1波能量及β2波能量Energy分别由公式(5)计算得到，(B)频域特征提取，包括α波、β波、δ波、θ波绝对功率谱，α波、β波、δ波、θ波相对功率谱，脑电特征波功率比，是其绝对功率谱的比值，即δ/α、δ/β、δ/θ、θ/α、θ/β、α/β、(δ+θ)/(α+β)、α×β1/δ、θ×β2/δ，相对功率谱，是其绝对功率谱与总功率谱的比值，功率谱计算采用Welch法，将脑电数据x分成L段，每段的长度为M，分别求出每一段的功率谱，然后平均，进而计算功率谱；Welch方法允许每一段都有部分数据重叠，采用汉明窗，50％重叠进行周期图谱估计，设第l段的功率谱为通过公式(6)进行描述，其中，1≤m≤M,1≤l≤L，表示第l段数据中第m个脑电数据点，wm表示所加的窗函数，f为频率，窗函数平均能量U通过公式(7)计算得到，平均后的功率谱通过公式(8)进行描述，计算得到各类特征波的功率谱密度和频率，并计算其曲线下面积，得到绝对功率谱、相对功率谱、功率比；(C)非线性特征提取，采用的非线性特征为样本熵，样本熵的值越大，样本序列就越复杂，样本熵SampleEnt的计算具体包括以下子步骤：(a)导入脑电数据x，按照顺序将x组成一组嵌入维数为dim的向量组X1,X2,…,Xi,…,XN-dim+1，其中Xi通过公式(9)进行描述，xi表示脑电数据x第i个脑电数据的信号幅值；Xi＝[xi,xi+1,…,xi+dim-1](9)(b)Xi与Xj表示向量组中第i个和第j个向量，将Xi与Xj间的距离d[Xi,Xj]定义为两个矢量中元素差值最大的一个，通过公式(10)进行描述，xj表示脑电数据x第j个脑电数据的信号幅值；(c)对于满足公式(10)的i和j，统计d[Xi,Xj]小于“相似度”的度量值r的数目即模板匹配数，计算此数目与矢量总个数的比值，记为平均模板匹配数通过公式(11)进行描述，(d)的平均值Adim(r)，通过公式(12)计算得到，(e)嵌入维数dim+1，组成dim+1维矢量，重复上述子步骤(C)中的子步骤(a)～(d)，得到Adim+1(r)；(f)定义样本熵，通过公式(13)计算得到，(g)当N为有限值时，样本本文档来自技高网...

【技术保护点】
1.一种单导脑电自动睡眠分期方法，其特征在于包括以下步骤：步骤1、信号预处理，考虑到原始脑电信号含有各种噪声干扰，所以首先要对原始脑电信号进行预处理，具体包括以下子步骤：(A)去除基线漂移，基线漂移属于低频噪声，是一种非平稳随机信号，基于小波变换的多分辨率性质采用小波分解重构的方法去除基线漂移；(B)去除工频干扰，工频干扰强度大，而且是在非屏蔽环境内无处不在的，必须通过专用的陷波器滤除工频干扰，采用4阶IIR陷波器就能达到很好的效果，陷波频率设置为50Hz；(C)去除非脑电信号成分，睡眠脑电信号包含以下几种脑电特征波：α波频率范围为8～13Hz、β波频率范围为13～30Hz、δ波频率范围为1～4Hz、θ波频率范围为4～8Hz、锯齿波频率范围为2～6Hz、纺锤波频率范围为12～14Hz、β1波频率范围为13～17Hz、β2波频率范围为17～30Hz；对于在这些频率之外的信号成分，是由人体其他电生理活动产生的，需要滤除；采用10阶IIR巴特沃斯带通滤波器，考虑到脑电信号的有效成分，将带通滤波频率设定为0.2～40Hz；(D)提取特征波形，为下一步提取时频域分类特征做准备，采用小波包分解wavelet packets decomposition即WPD的方法，将脑电信号分解为α波、β波、δ波、θ波、锯齿波、纺锤波、β1波和β2波各种节律成分，即将脑电信号在时频平面上细致划分，以提高脑电信号的分析能力；步骤2、分类特征提取，包括时域特征提取、频域特征提取及非线性特征提取，将所有特征提取完毕后，进行特征筛选，筛选出质量好、具有代表性的特征形成分类特征向量；考虑每个睡眠分期持续时长及分析数据信息量的关系，设定以每τ＝30s的数据进行一次睡眠分期计算，每次处理的脑电数据点总个数为N＝fs·τ，其中fs表示待分析脑电数据的采样频率，分类特征提取具体包括以下子步骤：(A)时域特征提取，包括方差var，过零率，Hjorth Mobility，Hjorth Complexity，75百分位数，α波能量、β波能量、δ波能量、θ波能量、锯齿波能量、纺锤波能量、β1波能量及β2波能量；时域特征中的方差var和75百分位数常见，这里不再叙述；过零率是信号的符号变化比率，即脑电数据从正数变成负数及从负数变为正数的总个数与脑电数据点总个数的比值，过零率ZCR通过公式(1)进行描述，...

【技术特征摘要】
1.一种单导脑电自动睡眠分期方法，其特征在于包括以下步骤：步骤1、信号预处理，考虑到原始脑电信号含有各种噪声干扰，所以首先要对原始脑电信号进行预处理，具体包括以下子步骤：(A)去除基线漂移，基线漂移属于低频噪声，是一种非平稳随机信号，基于小波变换的多分辨率性质采用小波分解重构的方法去除基线漂移；(B)去除工频干扰，工频干扰强度大，而且是在非屏蔽环境内无处不在的，必须通过专用的陷波器滤除工频干扰，采用4阶IIR陷波器就能达到很好的效果，陷波频率设置为50Hz；(C)去除非脑电信号成分，睡眠脑电信号包含以下几种脑电特征波：α波频率范围为8～13Hz、β波频率范围为13～30Hz、δ波频率范围为1～4Hz、θ波频率范围为4～8Hz、锯齿波频率范围为2～6Hz、纺锤波频率范围为12～14Hz、β1波频率范围为13～17Hz、β2波频率范围为17～30Hz；对于在这些频率之外的信号成分，是由人体其他电生理活动产生的，需要滤除；采用10阶IIR巴特沃斯带通滤波器，考虑到脑电信号的有效成分，将带通滤波频率设定为0.2～40Hz；(D)提取特征波形，为下一步提取时频域分类特征做准备，采用小波包分解waveletpacketsdecomposition即WPD的方法，将脑电信号分解为α波、β波、δ波、θ波、锯齿波、纺锤波、β1波和β2波各种节律成分，即将脑电信号在时频平面上细致划分，以提高脑电信号的分析能力；步骤2、分类特征提取，包括时域特征提取、频域特征提取及非线性特征提取，将所有特征提取完毕后，进行特征筛选，筛选出质量好、具有代表性的特征形成分类特征向量；考虑每个睡眠分期持续时长及分析数据信息量的关系，设定以每τ＝30s的数据进行一次睡眠分期计算，每次处理的脑电数据点总个数为N＝fs·τ，其中fs表示待分析脑电数据的采样频率，分类特征提取具体包括以下子步骤：(A)时域特征提取，包括方差var，过零率，HjorthMobility，HjorthComplexity，75百分位数，α波能量、β波能量、δ波能量、θ波能量、锯齿波能量、纺锤波能量、β1波能量及β2波能量；时域特征中的方差var和75百分位数常见，这里不再叙述；过零率是信号的符号变化比率，即脑电数据从正数变成负数及从负数变为正数的总个数与脑电数据点总个数的比值，过零率ZCR通过公式(1)进行描述，其中，xin(1≤i≤N)表示第in个脑电数据的信号幅值，sgn()为符号函数，通过公式(2)进行描述，HjorthMobility表示平均频率，由公式(3)计算得到，其中，m0表示脑电数据x的方差，m2表示脑电数据x一阶导数的方差；HjorthComplexity表示频率变化，由公式(4)计算得到，其中m4表示脑电数据x二阶导数的方差；各类特征波能量，即α波能量、β波能量、δ波能量、θ波能量、锯齿波能量、纺锤波能量、β1波能量及β2波能量Energy分别由公式(5)计算得到，(B)频域特征提取，包括α波、β波、δ波、θ波绝对功率谱，α波、β波、δ波、θ波相对功率谱，脑电特征波功率比，是其绝对功率谱的比值，即δ/α、δ/β、δ/θ、θ/α、θ/β、α/β、(δ+θ)/(α+β)、α×β1/δ、θ×β2/δ，相对功率谱，是其绝对功率谱与总功率谱的比值，功率谱计算采用Welch法，将脑电数据x分成L段，每段的长度为M，分别求出每一段的功率谱，然后平均，进而计算功率谱；Welch方法允许每一段都有部分数据重叠，采用汉明窗，50％重叠进行周期图谱估计，设第l段的功率谱为通过公式(6)进行描述，其中，1≤m≤M,1≤l≤L，表示第l段数据中第m个脑电数据点，wm表示所加的窗函数，f为频率，窗函数平均能量U通过公式(7)计算得到，平均后的功率谱通过公式(8)进行描述，计算得到各类特征波的功率谱密度和频率，并计算其曲线下面积，得到绝对功率谱、相对功率谱、功率比；(C)非线性特征提取，采用的非线性特征为样本熵，样本熵的值越大，样本序列就越复杂，样本熵SampleEnt的计算具体包括以下子步骤：(a)导入脑电数据x，按照顺序将x组成一组嵌入维数为dim的向量组X1,X2,…,Xi,…,XN-dim+1，其中Xi通过公式(9)进行描述，xi表示脑电数据x第i个脑电数据的信号幅值；Xi＝[xi,xi+1,…,xi+dim-1](9)(b)Xi与Xj表示向量组中第i个和第j个向量，将Xi与Xj间的距离d[Xi,Xj]定义为两个矢量中元素差值最大的一个，通...

【专利技术属性】
技术研发人员：刘蓉，梁洪宇，王永轩，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21