一种自动睡眠分期的建立方法及其应用技术

本发明专利技术提供一种自动睡眠分期的建立方法及其应用。该自动睡眠分期的建立方法包括：获取若干组PSG信号以及PSG信号的人工睡眠标记信息；预分析，将PSG信号中的原始时间序列分解为一组类本征模态函数；将所述类本征模态函数进行组合，得到m组时间序列集合；多尺度熵分析，使用n个采样尺度对m组时间序列集合进行熵值计算，得到具有m

【技术实现步骤摘要】
一种自动睡眠分期的建立方法及其应用


[0001]本专利技术涉及数据处理
，特别涉及一种自动睡眠分期的建立方法及其应用。

技术介绍

[0002]我们一生中三分之一的时间是在睡眠中度过的，睡眠是我们生活中至关重要的一部分。睡眠质量不仅影响了我们的日常健康，也会影响我们的经济生产力。尽管睡眠的功能还不完全清楚，但是最近的研究发现，除了传统认为的增强记忆以外，神经胶质细胞的收缩和脑脊液冲洗的增加在废物清除中也起着关键的作用。研究还表明，睡眠不是一个统一的状态，从一个状态到另一个状态的切换是高度非线性且不稳定的过程。睡眠障碍会带来严重的后果，包括生活质量下降、并发症、早期死亡等，并对经济社会成本造成巨大的影响。这些因素使得对睡眠的研究至关重要。传统上，根据R&K(Rechtschaffen and Kales)标准，正常的睡眠分为五个阶段：快速眼动(REM)和其他四个非快速眼动(NREM)阶段(1
‑
4)。根据多导睡眠图记录的特征(包括脑电图，肌电图和眼电图以及其他参数)来估计睡眠状态，在临床实践中，睡眠技术人员以视觉方式确定每个30s的睡眠阶段。但是，手动评分是一个耗时的过程，并且由于不同阶段之间具有相似性，不同的人可能会得出不一致的结果。因此，通过多导睡眠图评估睡眠质量是一项劳动强度大，耗时长且容易出错的过程。除此之外，随着睡眠监测的患者数量的增多，有限的睡眠分析师越来越难以满足日渐增多的睡眠图分析需求。
[0003]因此，目前亟需一种准确且客观的方法来对睡眠阶段进行自动分期并评估睡眠质量。

技术实现思路

[0004]为了解决上述问题，在本专利技术中，我们提出了本征多尺度熵iMSE(intrinsic Multiscale Entropy,iMSE)作为一种新的信号分析方法。首先，使用多尺度熵MSE(Multiscale Entropy,MSE)来研究睡眠状态，旨在利用多个时间尺度上的熵求和来量化复杂度。在多尺度熵中，熵定义为对多个时间尺度上的粗粒化非线性时间序列进行“不可预测”的物理测量，在计算熵时，可以使用样本熵或者近似熵来定义。合并为一个样本的不重叠样本的数量被定义为MSE中粗粒化的时间尺度。在进行数字信号处理时，时间尺度1表示测量的原始时间，并按原始采样率进行数字化。时间尺度n表示粗粒化的时间序列，采样间隔为原始数据的n倍，采样率为原始采样率的1/n。因此，粗粒化的时间尺度以原始采样间隔的数量表示时间长度。MSE的方法反映了一个观点，即熵是一种取决于采样间隔时间尺度的度量。其次，由于睡眠过程不是稳定的过程，因此，我们提出本征多尺度熵(iMSE)，即通过结合经验模态分解(Empirical Mode Decomposition，EMD)与多尺度熵来解决非稳态的限制。经验模态分解算法能够执行去噪声和去趋势两个预处理步骤，以便从非线性和非稳态的真实信号中提取所需要的信息。EMD可以作为自适应的二元滤波器组，将复杂的时间序列分解
为一组本征模态函数(IMFs)。每一个本征模态函数具有带宽较小且零均值的特征，因此，本征模态函数是稳态的。可以使用本征模态函数的不同组合来重建滤波后的时间序列，重建后的时间序列可以从原始的时间序列中滤除高频噪声成分或者低频趋势。作为一种功能组合(functional combination)，我们提出了iMSE方法作为一种新的信号分析方法。
[0005]此外，为了避免高计算成本和EMD的其他细节问题，我们引入一种简单的基于滤波器的伪EMD方法，该方法模仿了EMD的功能，避免模态混叠的问题，从而从时间序列中系统地提取了滤波后的分量。iMSE在多个粗粒度时标(即采样尺度)上对量化后的分量的熵进行量化。同时，滤波频带代表iMSE中的第二滤波尺度。然后，将熵值显示在采样尺度和滤波尺度的两个轴上的二维矩阵中，极大地增强了原始MSE的功能。
[0006]在本专利技术中，我们提供一种自动睡眠分期的建立方法，通过对采样尺度和滤波尺度的两个轴上的熵矩阵进行分析，找出适用于自动睡眠分期的最佳采样尺度和滤波尺度。在分析患者的睡眠状态时，采用本方法只需要计算最佳采样尺度和滤波尺度的熵值，即可以通过该熵值进行自动睡眠分期。该方法将大大减少用多尺度熵进行睡眠分期的计算量，进而提高了自动睡眠分期的速度。
[0007]为了实现上述专利技术目的，本专利技术提供一种自动睡眠分期的建立方法，包括以下步骤：获取若干组PSG信号以及PSG信号的人工睡眠标记信息；预分析，用于将PSG信号中的每一阶段的原始时间序列分解为一组本征模态函数或者类本征模态函数；将所述本征模态函数或者类本征模态函数进行组合，得到m组时间序列集合；多尺度熵分析，使用n个采样尺度对m组时间序列集合进行熵值计算，得到具有m
×
n个元素的熵矩阵；建立意识水平与熵矩阵元素之间的相关系数矩阵，找出相关系数矩阵中最大正相关元素或者最大负相关元素的采样尺度和滤波尺度；所述采样尺度为所述粗粒度尺度；所述滤波尺度为时间序列集合；根据最大正相关元素或者最大负相关元素的采样尺度和滤波尺度，计算待测者在该采样尺度和滤波尺度的熵值，根据该熵值判断患者的睡眠状态。
[0008]优选地，将PSG信号中的每一阶段的原始时间序列分解为一组本征模态函数时，采用模态分解方法，所述模态分解方法为下列方法其中之一：经验模态分解法，集合经模态分解法，自适应性二进位遮罩经验模态分解法。
[0009]优选地，将PSG信号中的每一阶段的原始时间序列分解为一组类本征模态函数时，采用一组高通滤波器，所述高通滤波器的截止频率分别为32Hz、16Hz、8Hz、4Hz、2Hz和1Hz。
[0010]优选地，PSG信号至少包含以下脑电信号其中之一：Fp4
‑
A1，F4
‑
A1，C4
‑
A1，P4
‑
A1，O2
‑
A1。
[0011]优选地，意识水平根据人工睡眠标记信息而定，所述意识水平用于反映睡眠中的清醒程度，其中，清醒阶段被量化为6，快速眼动阶段被量化为5，NREM1阶段被量化为4，NREM2阶段被量化为3，NREM3阶段被量化为2，以及NREM4阶段被量化为1。
[0012]优选地，建立意识水平与熵矩阵元素之间的相关系数矩阵时，基于Pearson系数。
[0013]优选地，根据待测者在最大正相关元素或者最大负相关元素的采样尺度和滤波尺度的熵值判断患者的睡眠状态时，采用人工智能方法计算不同睡眠状态之间的阈值。
[0014]本专利技术还提供一种自动睡眠分期方法，其特征在于，包含以下步骤：获取待测试者的PSG信号；将待测试者的PSG信号分解为若干个阶段的原始时间序列；取得一个阶段的原始时间序列，将该原始时间序列分解为一组本征模态函数或者类本征模态函数；根据最大
正相关元素或者最大负相关元素的采样尺度和滤波尺度，获得在该尺度的熵值；根据所述熵值，判断待测试者在该阶段的睡眠状态。
[0015]优选地，PSG信号至少包含本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动睡眠分期的建立方法，其特征在于，包括以下步骤：获取若干组PSG信号以及PSG信号的人工睡眠标记信息，；预分析，用于将PSG信号中的每一阶段的原始时间序列分解为一组本征模态函数或者类本征模态函数；将所述本征模态函数或者类本征模态函数进行组合，得到m组时间序列集合；多尺度熵分析，使用n个采样尺度对m组时间序列集合进行熵值计算，得到具有m
×
n个元素的熵矩阵；意识水平根据人工睡眠标记信息而定；建立所述意识水平与所述熵矩阵的元素之间的相关系数矩阵，找出相关系数矩阵中最大正相关元素或者最大负相关元素相对应的采样尺度和滤波尺度；所述采样尺度为所述粗粒度尺度；根据最大正相关元素或者最大负相关元素的采样尺度和滤波尺度，计算待测者在该采样尺度和滤波尺度的熵值，根据该熵值判断患者的睡眠状态。2.根据权利要求1中的自动睡眠分期的建立方法，其特征在于，将PSG信号中的每一阶段的原始时间序列分解为一组本征模态函数时，采用模态分解方法，所述模态分解方法为下列方法其中之一：经验模态分解法，集合经模态分解法，自适应性二进位遮罩经验模态分解法。3.根据权利要求1中的自动睡眠分期的建立方法，其特征在于，将PSG信号中的每一阶段的原始时间序列分解为一组类本征模态函数时，采用一组高通滤波器，所述高通滤波器的截止频率分别为32Hz、16Hz、8Hz、4Hz、2Hz和1Hz。4.根据权利要求1中的自动睡眠分期的建立方法，其特征在于，所述PSG信号至少包含以下脑电信号其中之一：Fp4
‑
A1，F4
‑
A1，C4
‑
A1，P4
‑
A1，O2
‑

【专利技术属性】
技术研发人员：黄锷，
申请(专利权)人：江苏爱谛科技研究院有限公司，
类型：发明
国别省市：