一种基于深度学习模型的睡眠脑电信号检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习模型的睡眠脑电信号检测方法及系统。先采集脑电信号，对脑电信号进行时频转换，得到数据频域图，从数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各睡眠阶段的聚类中心；根据其余特征向量与各睡眠阶段的聚类中心之间的欧式距离进行聚类，得到对应的簇；接着计算每个簇中所有特征向量的均值作为该簇的特征值；再将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特征曲线，实现细节匹配；再将脑电信号的特征曲线乘以所属采集通道的权重，得到加权后的通道特征曲线，实现波形重构；最后将加权后的通道特征曲线输入到预设的睡眠检测模型中，得到睡眠分期检测结果，从而自动对睡眠质量进行分期检测。睡眠质量进行分期检测。睡眠质量进行分期检测。

【技术实现步骤摘要】
一种基于深度学习模型的睡眠脑电信号检测方法及系统


[0001]本专利技术涉及睡眠分期检测
，尤其涉及一种基于深度学习模型的睡眠脑电信号检测方法及系统。

技术介绍

[0002]据分析，现代生活节奏快、工作压力大是造成失眠问题的主要原因。现有诊断睡眠障碍时，医生通常需要检测整晚的睡眠，睡眠分期是检测睡眠障碍和评估睡眠质量的基础。目前，睡眠分期仍然需要专家用肉眼观察多导睡眠图，并根据睡眠分期标准手动分期睡眠数据，这个过程很耗时，因而现有技术还有待改进和提高。

技术实现思路

[0003]本专利技术通过提供一种基于深度学习模型的睡眠脑电信号检测方法及系统，能够自动对睡眠质量进行分期检测。
[0004]本专利技术提供了一种基于深度学习模型的睡眠脑电信号检测方法，包括：
[0005]采集脑电信号；
[0006]对所述脑电信号进行时频转换，得到数据频域图；
[0007]从所述数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各所述睡眠阶段的聚类中心；
[0008]根据所述数据频域图中的其余特征向量与各所述睡眠阶段的聚类中心之间的欧式距离进行聚类，得到对应的簇；
[0009]计算每个簇中所有特征向量的均值作为该簇的特征值；
[0010]将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特征曲线；
[0011]将所述脑电信号的特征曲线乘以所属采集通道的权重，得到加权后的通道特征曲线；
[0012]将所述加权后的通道特征曲线输入到预设的睡眠检测模型中，得到睡眠分期检测结果。
[0013]具体来说，在所述对所述脑电信号进行时频转换之前，还包括：
[0014]对所述脑电信号进行去除噪声和增加加性高斯白噪声处理。
[0015]具体来说，在所述计算每个簇中所有特征向量的均值作为该簇的特征值之后，还包括：
[0016]计算所有特征向量到其所属簇的特征值之间的欧式距离的平方和作为目标函数值；
[0017]判断所述目标函数值发生的改变是否超出设定的差异范围；
[0018]若没有超出，则将所有簇的特征值按照时间顺序拼接起来；
[0019]若超出，则重新进行聚类。
[0020]具体来说，在所述将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特
征曲线之后，还包括：
[0021]对所述脑电信号的特征曲线进行归一化处理。
[0022]具体来说，所述将所述加权后的通道特征曲线输入到预设的睡眠检测模型中，得到睡眠分期检测结果，包括：
[0023]将预设采集通道的加权后的通道特征曲线进行线性融合，得到融合后的特征曲线；
[0024]将所述融合后的特征曲线输入到所述预设的睡眠检测模型中，得到睡眠分期检测结果。
[0025]本专利技术还提供了一种基于深度学习模型的睡眠脑电信号检测系统，包括：
[0026]脑电信号采集模块，用于采集脑电信号；
[0027]时频转换模块，用于对所述脑电信号进行时频转换，得到数据频域图；
[0028]聚类中心获取模块，用于从所述数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各所述睡眠阶段的聚类中心；
[0029]聚类模块，用于根据所述数据频域图中的其余特征向量与各所述睡眠阶段的聚类中心之间的欧式距离进行聚类，得到对应的簇；
[0030]均值计算模块，用于计算每个簇中所有特征向量的均值作为该簇的特征值；
[0031]拼接模块，用于将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特征曲线；
[0032]波形重构模块，用于将所述脑电信号的特征曲线乘以所属采集通道的权重，得到加权后的通道特征曲线；
[0033]睡眠检测模块，用于将所述加权后的通道特征曲线输入到预设的睡眠检测模型中，得到睡眠分期检测结果。
[0034]具体来说，还包括：
[0035]噪声处理模块，用于对所述脑电信号进行去除噪声和增加加性高斯白噪声处理。
[0036]具体来说，还包括：
[0037]目标函数值计算模块，用于计算所有特征向量到其所属簇的特征值之间的欧式距离的平方和作为目标函数值；
[0038]判断模块，用于判断所述目标函数值发生的改变是否超出设定的差异范围；
[0039]所述拼接模块，具体用于若没有超出，将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特征曲线；
[0040]跳转模块，用于若超出，执行所述聚类中心获取模块。
[0041]具体来说，还包括：
[0042]归一化模块，用于对所述脑电信号的特征曲线进行归一化处理。
[0043]具体来说，所述睡眠检测模块，包括：
[0044]线性融合单元，用于将预设采集通道的加权后的通道特征曲线进行线性融合，得到融合后的特征曲线；
[0045]睡眠检测单元，用于将所述融合后的特征曲线输入到所述预设的睡眠检测模型中，得到睡眠分期检测结果。
[0046]本专利技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0047]先采集脑电信号；再对脑电信号进行时频转换，得到数据频域图，从数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各睡眠阶段的聚类中心；再根据数据频域图中的其余特征向量与各睡眠阶段的聚类中心之间的欧式距离进行聚类，得到对应的簇；接着计算每个簇中所有特征向量的均值作为该簇的特征值；再将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特征曲线，实现细节匹配；再将脑电信号的特征曲线乘以所属采集通道的权重，得到加权后的通道特征曲线，实现波形重构；最后将加权后的通道特征曲线输入到预设的睡眠检测模型中，得到睡眠分期检测结果，从而自动对睡眠质量进行分期检测。
[0048]此外，本专利技术还具有以下优点：
[0049]1、本专利技术采用多通道脑电信号进行处理，通过随机选择0
‑
4s的时间片段，并将样本数据分别向左、向右滑动扩充失衡数据，再将原来的数据拼接到扩展数据之前，有效地避免了样本数量类别的失衡，从而提高了睡眠检测的准确性。
[0050]2、本专利技术通过对多通道睡眠数据进行噪声处理和时频转换，利用细节匹配和波形重构技术对关键特征节点进行增强，进一步提高了睡眠检测的准确性。
[0051]综上所述，与现有技术相比，本专利技术具有更高的准确性和可靠性，并且能够更好的体现睡眠分期检测中的重要信息。
附图说明
[0052]图1为本专利技术实施例提供的基于深度学习模型的睡眠脑电信号检测方法的流程图；
[0053]图2为本专利技术实施例提供的基于深度学习模型的睡眠脑电信号检测方法的原理图；
[0054]图3为本专利技术实施例中经过数据处理得到的融合特征曲线；
[0055]图4为本专利技术实施例中的功率谱分析图；
[0056]图5为本专利技术实施例中的双谱分析图；
[0057]图6为本专利技术实施例中睡眠检测模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习模型的睡眠脑电信号检测方法，其特征在于，包括：采集脑电信号；对所述脑电信号进行时频转换，得到数据频域图；从所述数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各所述睡眠阶段的聚类中心；根据所述数据频域图中的其余特征向量与各所述睡眠阶段的聚类中心之间的欧式距离进行聚类，得到对应的簇；计算每个簇中所有特征向量的均值作为该簇的特征值；将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特征曲线；将所述脑电信号的特征曲线乘以所属采集通道的权重，得到加权后的通道特征曲线；将所述加权后的通道特征曲线输入到预设的睡眠检测模型中，得到睡眠分期检测结果。2.如权利要求1所述的基于深度学习模型的睡眠脑电信号检测方法，其特征在于，在所述对所述脑电信号进行时频转换之前，还包括：对所述脑电信号进行去除噪声和增加加性高斯白噪声处理。3.如权利要求1所述的基于深度学习模型的睡眠脑电信号检测方法，其特征在于，在所述计算每个簇中所有特征向量的均值作为该簇的特征值之后，还包括：计算所有特征向量到其所属簇的特征值之间的欧式距离的平方和作为目标函数值；判断所述目标函数值发生的改变是否超出设定的差异范围；若没有超出，则将所有簇的特征值按照时间顺序拼接起来；若超出，则重新进行聚类。4.如权利要求1所述的基于深度学习模型的睡眠脑电信号检测方法，其特征在于，在所述将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特征曲线之后，还包括：对所述脑电信号的特征曲线进行归一化处理。5.如权利要求1
‑
4中任一项所述的基于深度学习模型的睡眠脑电信号检测方法，其特征在于，所述将所述加权后的通道特征曲线输入到预设的睡眠检测模型中，得到睡眠分期检测结果，包括：将预设采集通道的加权后的通道特征曲线进行线性融合，得到融合后的特征曲线；将所述融合后的特征曲线输入到所述预设的睡眠检测模型中，得到睡眠分期检测结果。6.一种基于深度学习模型的睡眠脑电信号检测系统，其特征在于，...

【专利技术属性】
技术研发人员：黄辰，张丽，王时绘，张龑，马亮，黄敏，郭珍立，宋建华，吴伟，
申请(专利权)人：湖北省中西医结合医院湖北省职业病医院，
类型：发明
国别省市：