一种通过复合特征参数对睡眠分期的方法技术

一种通过复合特征参数对睡眠分期的方法，包括以下步骤：S1：获取脑电信号，将脑电信号分段，根据每个片段对应的睡眠时期归类；S2：使用滤波器滤波，提取每个片段δ波、θ波、α波、β波四种节律波；S3：计算滤波器滤波后的四种节律波的AR系数；S4：计算各节律波能量与总能量的比值；S5：分别计算四种节律波的样本熵值和信源熵值；S6：将四种节律波的AR系数、能量比值、样本熵值和信源熵值组合为特征向量并对特征向量进行归一化处理；S7：利用特征向量训练支持向量机分类器。本发明专利技术，将传统的时频域特征参数与非线性参数相结合，更好地表征了脑电信号，所以能够得到更好的结果。所以能够得到更好的结果。所以能够得到更好的结果。

【技术实现步骤摘要】
一种通过复合特征参数对睡眠分期的方法


[0001]本专利技术属于临床医学与计算机计算交叉领域，具体涉及一种通过复合特征参数对睡眠分 期的方法。

技术介绍

[0002]睡眠是人体的一项基础生理活动，良好的睡眠对于个体生命显得尤为需要，规律而又良 好的睡眠对于每一个人而言都必不可少。睡眠质量不仅与个人身体健康息息相关，还揭示了 多种疾病的症状以及发病征兆。人处于在不同时睡眠状态时，脑电波的成分有着显著差异。 由此进行的睡眠时期分期，使得人们可以从科学的角度对人体的睡眠状况进行分析，并对临 床医学诊断有着极大的参考价值。人工分期过程艰难又很耗时，因此实现基于脑电信号的自 动睡眠分期对提高睡眠质量和临床医学研究具有重要意义。
[0003]基于脑电信号信号实现自动睡眠分期，分类方法是根据提取到的特征参数识别某一段脑 电信号信号所处的睡眠期，进行睡眠期分类，以实现了睡眠分期。支持向量机方法在小样本， 非线性，局部极值等问题上应用广泛，是目前睡眠分期的研究中经常使用的模式识别分类算 法。但单一的时频域特征参数，并不能很好地表征非线性脑电信号，因此分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种通过复合特征参数对睡眠分期的方法，其特征在于，包括以下步骤：S1：获取脑电信号，将脑电信号分段，根据每个片段对应的睡眠时期归类；S2：使用滤波器滤波，提取每个片段δ波，θ波，α波，β波四种节律波；S3：计算滤波器滤波后的四种节律波的AR系数；S4：计算各节律波能量与总能量的比值；S5：分别计算四种节律波的样本熵值和信源熵值；S6：将四种节律波的AR系数、能量比值、样本熵值和信源熵值组合为特征向量并对特征向量进行归一化处理；S7：利用特征向量训练支持向量机分类器。2.根据权利要求1所述的一种通过复合特征参数对睡眠分期的方法，其特征在于，步骤S3在AR模型中进行，其中，在AR模型中定义了模型函数其中，x(n)为输入AR模型的序列，a
i
为AR模型的系数，p为AR模型系数的总个数，同时也是AR模型的阶数；e
p
(n)为表示AR模型的预测值与实际值x(n)之间的差值，称为前向预测误差；AR模型中还定义了反向预测误差函数b
p
(n)以及前向和反向预测误差功率之和E
p
，其中，步骤S3包括：步骤S31：根据公式e0(n)＝b0(n)＝x(n)，1≤n≤N以及计算阶数为0时前向误差e0(n)、反向误差b0(n)、前向和反向预测误差功率之和E0，其中x(n)为不同节律波的脑电信号序列；步骤S32，根据公式以及步骤S31中计算得到的e0(n)，b0(n)，计算m＝1时的反射系数k1；步骤S33，根据公式a
mm
＝k
m
，计算得到m＝1时的AR系数a
ll
，根据公式计算得到前向和反向预测误差功率之和E1；步骤S34，根据方程组以及步骤S32中计算得到的k1和步骤S31中计算得到的e0(n)，b0(n)求出m＝2时的反射系数k2；步骤S35，根据公式a
mi
＝a
(m
‑
1)i
+k
m
a
(m
‑
1)(m
‑
i)
，1≤i≤m
‑
1，且m≥2时，计算出所有阶次的AR
系数a
mi
。3.根据权利要求1所述的一种通过复合特征参数对睡眠分期的方法，其特征在于，步骤S4中，各节律波能量与总能量的比值根据函数计算得到，其中，EN
i
，i＝α，β，δ，θ，为不同节律波的能量，EN
total
为总能量，节律波能量通过函数计算得到，其中，p(...

【专利技术属性】
技术研发人员：冯维，曹荻秋，吕耿，杨寅文，齐崇信，徐玲，姜斌，朱芳，居建林，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：