一种基于互补集合经验模态分解的单导脑电睡眠分期方法技术

本发明专利技术公开了一种基于CEEMD和精简ResNet的脑电分期方法。本发明专利技术采用了互补集合经验模态分解和精简ResNet对脑电信号进行分析，其特点在于：对于30

【技术实现步骤摘要】
一种基于互补集合经验模态分解的单导脑电睡眠分期方法


[0001]本专利技术属于脑电信号处理领域，具体涉及一种基于互补集合经验模态分解(Complementary Empirical Mode Decomposition,CEEMD)和精简残差网络ResNet的睡眠分期方法。

技术介绍

[0002]睡眠是人类最基本、最重要的生理过程之一，大约占据了个体生命三分之一的时间，对人体各项机能都具有着重要的恢复作用。睡眠分期是临床各类神经科疾病的重要评价诊断方法之一，如癫痫、抑郁症、焦躁症等。临床治疗专家通常根据对睡眠期间患者脑电图信号的视觉校验和测量多导睡眠图(Polysomnography,PSG)来分析睡眠模式，在8小时的睡眠中，对单个受试者进行大约2到4小时的视觉检查，不仅需要专业的评估人员，且极易造成视觉疲劳，所以基于视觉检查的传统睡眠分期过程是极度耗时并带有主观误判几率的。另外在某些情况下，如临床手术过程需要快速诊断睡眠状态。基于上述情况，自动脑电睡眠分期算法在最近的研究中得到了更多的关注，自动睡眠分期算法不仅可以加快诊断速度，而且还可以提高其准确性。
[0003]脑电信号(Electroencephalogram,EEG)记录过程简便而且无创，是家庭睡眠监测中替代医学睡眠监测设备的良好选择。脑电信号含有丰富的脑部生理信息，不同睡眠时期，脑电信号具有出不同的波形和信号强度，具有较大的差异性，但其本身比较微弱，在背景噪声很强的情况下，易受外在因素的影响，常见的干扰有眼电、尖脉冲以及白噪声等。如何有效的从原始脑电信号中去掉外界噪声和干扰，并提取出有效的特征信息，成为基于EEG信号的睡眠分期相关研究工作的重点。传统的信号特征提取方法主要包括四个方面:时域特征分析方法、频域特征分析方法、时频域特征分析方法、非线性动力学分析方法。基于经典先验知识的特征提取算法虽然具有较好的稳定性，但也会存在因为先验知识有限或者缺失而漏掉一些重要的信号特征的情况。并且，传统的特征提取方法需要单独对数据进行去噪处理，过程较为繁琐，在实际运用中很难实现实时、快速的分类。基于深度学习的特征提取方法，依靠深度网络强大的学习能力，自动选取具有区分性的信号特征。现在算力的提升，让我们不再需要对硬件资源有后顾之忧，通过神经网络自动挖缺分析数据成为研究热点。脑电信号本身也具有极强的前后关联特征，使用深度学习网络可以充分利用时序顺列前后关联信息，能到达更好的实验效果。本专利技术所使用的特征提取网络就是在ResNet基础之上的简化和改进。

技术实现思路

[0004]为了加快分类速度和提高分类准确率，以便更好地实现临床应用，本专利技术提出了一种基于互补集合经验模态分解(CEEMD)和精简ResNet的睡眠分期方法。睡眠分期研究中大多数方法是对原始信号预处理之后直接进行特征提取，该方法采用一种全新的思路，通过CEEMD分解后，得到本征模态分量(Intrinsic Mode Functions,IMF)，然后将原始EEG和
所筛选出的IMF进行组合，再经过精简后的ResNet进行特征提取，最后送入长短时记忆网络LSTM进行分类。本专利技术方法从信号所包含的本征模态信息角度进行分析，并且采用精简后的ResNet进行特征提取，无需手动提取特征，使得睡眠分期更加准确高效。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于互补集合经验模态分解CEEMD的单导脑电睡眠分期方法，该方法利用脑电信号分解之后的本征模态分量IMF与原始脑电信号EEG的组合数据形式进行分析；并且采用精简后残差网络ResNet对组合形式的数据进行表征信息提取；最后选取能够充分利用时序信号前后关联信息的长短期记忆人工神经网络LSTM进行分类，具体操作步骤如下：
[0007](一)数据预处理：首先将原始EEG信号分成多个时间段信号，每一个时间段信号都对应一个相应的睡眠状态；然后每个时间段信号经过滤波器，得到含有主频成分的EEG信号；
[0008](二)将步骤(一)中所得的含有主频成分的EEG信号进行互补集合经验模态分解CEEMD，得到若干条本征模态分量IMF和一条残留边带信息；
[0009](三)将步骤(一)得到的含有主频成分的EEG信号和步骤(二)分解得到的前N条本征模态分量IMF分别送入精简、改进后的残差网络ResNet进行表征信息提取，然后将两部分提取到的表征信息进行特征拼接，作为送入分类网络得到最终特征；
[0010](四)在将数据送入分类网络之前先进行维度转换，变成与标签一一对应的数据形式，并对数据进行归一化处理，最后送入长短时记忆人工神经网络LSTM进行分类，得到分类结果。
[0011]特别地，步骤(三)中所述的精简、改进后的残差网络ResNet是指只保留ResNet前两层的基本网络架构。
[0012]特别地，步骤(三)中N的值通过实验得到最优值。
[0013]特别地，步骤(三)中的特征拼接过程分两步，首先是将N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算，得到总IMF特征矩阵，即
[0014][0015]其中Feature
IMF
是N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算后得到的总IMF特征矩阵，Feature
IMF(i)
是代表着第i个分量IMF经过ResNet得到的特征；
[0016]然后是将主频成分的EEG信号经过ResNet得到的一个特征矩阵与第一步中得到的总IMF特征矩阵进行横向拼接，即
[0017]Feature＝[Feature
EEG
,Feature
IMF
]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0018]其中Feature
EEG
代表主频成分的EEG信号经过ResNet得到的特征矩阵，Feature
IMF
是N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算后得到的总IMF特征矩阵，Feature就是将前面两部分提取到的表征信息进行特征拼接后得到的特征。
[0019]一般传统的睡眠分期方法中直接对原始信号进行信号分析，本方法采用一种全新的思路，即通过对原始信号进行互补集合经验模态分解(CEEMD)，获取到多条本征模态分量(IMF)，然后对原始EEG信号与不同条数IMF的组合数据进行分析，一定程度上对数据进行了增强与筛选，可以获取更多利于区别各睡眠状态的信息；其次特征提取部分，采用精简、改进之后的ResNet进行特征提取,无需手动提取、筛选特征信息，不仅可以加快分期速度，还
可以实现端到端的整体快速分期框架，为便携式睡眠设备的开发提供了算法上的支撑；最后选用长短时记忆人工神经网络作为分类网络，并且使用聚焦性交叉熵(Focal_loss)作为代价函数，减少数据样本占比不均匀所带来的不利影响，进一步提升分类效果。
附图说明
[0020]图1是CEEMD分解之后得到的本征模态分量示意图。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于互补集合经验模态分解的单导脑电睡眠分期方法，该方法利用脑电信号分解之后的本征模态分量IMF与原始脑电信号EEG的组合数据形式进行分析；并且采用精简后残差网络ResNet对组合形式的数据进行表征信息提取；最后选取能够充分利用时序信号前后关联信息的长短期记忆人工神经网络LSTM进行分类，具体操作步骤如下：(一)数据预处理：首先将原始EEG信号分成多个时间段信号，每一个时间段信号都对应一个相应的睡眠状态；然后每个时间段信号经过滤波器，得到含有主频成分的EEG信号；(二)将步骤(一)中所得的含有主频成分的EEG信号进行互补集合经验模态分解CEEMD，得到若干条本征模态分量IMF和一条残留边带信息；(三)将步骤(一)得到的含有主频成分的EEG信号和步骤(二)分解得到的前N条本征模态分量IMF分别送入精简、改进后的残差网络ResNet进行表征信息提取，然后将两部分提取到的表征信息进行特征拼接，作为送入分类网络得到最终特征；(四)在将数据送入分类网络之前先进行维度转换，变成与标签一一对应的数据形式，并对数据进行归一化处理，最后送入长短时记忆人工神经网络LSTM进行分类，得到分类结果。2.根据权利要求1所述的一种基于互补集合经验模态分解的单导脑电睡眠分期方法，其特征在于：步骤(三)中所述的精简、改进后的残差网络ResNet是指只保留ResNet前两...

【专利技术属性】
技术研发人员：吴强，王浩东，张建吉，李浩然，孙钊，
申请(专利权)人：山东众阳健康科技集团有限公司，
类型：发明
国别省市：