System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及脑电信号处理,特别是涉及一种高准确性的双模态eeg自动睡眠分期方法、一种高准确性的双模态eeg自动睡眠分期系统。
技术介绍
1、睡眠监测和分期是评估睡眠质量和研究睡眠障碍的重要手段。传统的睡眠监测方法主要依赖于多通道脑电图(eeg)、心电图(ecg)、眼电图(eog)等专业仪器进行监测。然而,这些仪器的使用复杂且成本较高,通常需要专业人员进行操作和分析,限制了适用范围。近年来,基于可穿戴设备的睡眠监测技术逐渐兴起,具有使用便捷、佩戴舒适等优势。其中,基于eeg信号的自动睡眠分期算法成为研究热点。eeg信号包含人脑在不同睡眠阶段产生的电活动信息,通过对这些信号进行分析和分类,可以实现对睡眠状态的评估和分期。
2、在eeg信号分析中,传统方法通过频率分析将一个输入信号拆分成5个不同频率范围的波信号进行分析(δ波的频率范围为0.5-4hz,θ波的频率范围为4-8hz,α波的频率范围为8-13hz,β波的频率范围为13-30hz,γ波的频率范围为30-100hz),将这五种波信号分离出来并在时域上进行表示,然后让人类专家对5种波形特征进行综合分析,从而人工地对睡眠状态进行标记(清醒,浅睡,深睡,快速眼动期),这种方法不仅依赖人类专家的经验,而且费时费力,难以大规模应用。
3、近年来,受益于机器学习领域的长足发展,涌现出了一些基于深度学习的eeg睡眠分期方法,有些方法将eeg的时域表示作为cnn或rnn神经网络的输入进行有监督学习,有些方法先将eeg表示为频域再送入cnn神经网络进行监督学习,从而实现
4、现有的基于深度学习的方法在对脑电信号进行分析时,往往只是单独使用了脑电信号时域或频域特征,没有全面地利用信号的时域、频域特征进行综合分析,这导致模型对信号的特征提取能力受限,进而影响算法的泛化能力,造成总体的识别精度不高。
技术实现思路
1、基于此,有必要针对现有的基于脑电信号的自动睡眠分期方法没有全面地利用信号的时域、频域特征进行综合分析,导致识别精度不高的问题,提出一种高准确性的双模态eeg自动睡眠分期方法及系统。
2、本专利技术通过以下技术方案实现:一种高准确性的双模态eeg自动睡眠分期方法包括如下步骤:
3、s1:采集佩戴者的脑电信号。
4、s2:将脑电信号划分为多个时长为t1的信号片段。
5、s3:频域特征分析:s31:对信号片段进行时域切割,并将切割后的脑电信号片段利用傅里叶变换形成m种不同波段的频域特征。s32:将频域特征构建为29×m×1的频域图像,提取出频域图像的频域特征向量c(f)。
6、s4:时域特征分析:s41:利用傅里叶变换和反变换,将信号片段变换到m种不同波段中,得到m通道数据。s42:将m通道数据构建为32×l×1的时域图像,提取时域图像的时域特征向量c(t)。
7、s5:将频域特征向量c(f)和时域特征向量c(t)拼接后输入一个mlp全接连网络,输出睡眠分期预测结果。
8、上述自动睡眠分期方法通过采集脑电信号,并提取出脑电信号的时域和频域特征,通过傅里叶变换将时域特征、频域特征转化为两张不同的“图像”,借助非常强大的cnn或vit网络结构对数据进行处理,与信号处理中常用的rnn相比可实现更好的长程注意力。通过双网络架构同时对时域和频域特征进行分析处理,有效地捕捉时域和频域特征,从而得到更全面,更鲁棒的特征,提高自动睡眠分期的准确性。
9、进一步地,在步骤s1中,佩戴者穿戴脑电信号检测仪,脑电信号检测仪的三个电极紧贴佩戴者的额头。对脑电信号检测仪实时采集的脑电信号进行滤波去噪。
10、进一步地,在步骤s5中,mlp全接连网络的训练方法如下:
11、s51:采集睡眠数据。s52:对睡眠数据进行分析,并标记出对应的实际睡眠状态,标记后的睡眠数据作为训练数据。s53:使用交叉熵损失,对mlp全接连网络模型进行训练。
12、本专利技术还提供一种高准确性的双模态eeg自动睡眠分期系统,包括采集模块、预处理模块、频域分析模块、时域分析模块和睡眠分期预测模块。
13、采集模块用于采集佩戴者的脑电信号。
14、预处理模块用于将脑电信号划分为多个时长为t1的信号片段。
15、频域分析模块包括频域特征变换模块和频域特征向量提取模块。频域特征变换模块用于对信号片段进行时域切割,并将切割后的脑电信号片段利用傅里叶变换形成m种不同波段的频域特征。频域特征向量提取模块用于将频域特征构建为29×m×1的频域图像,提取出频域图像的频域特征向量c(f)。
16、时域分析模块包括时域特征变换模块和时域特征向量提取模块。时域特征变换模块用于利用傅里叶变换和反变换,将信号片段变换到m种不同波段中,得到m通道数据。时域特征向量提取模块用于将m通道数据构建为32×l×1的时域图像,提取时域图像的时域特征向量c(t)。
17、睡眠分期预测模块用于将频域特征向量c(f)和时域特征向量c(t)拼接后输入一个mlp全接连网络,输出睡眠分期预测结果。
18、相较于现有技术,本专利技术具有如下有益效果:
19、本专利技术通过采集脑电信号,并提取出脑电信号的时域和频域特征,通过傅里叶变换将时域特征、频域特征转化为两张不同的“图像”,借助非常强大的cnn或vit网络结构对数据进行处理,与信号处理中常用的rnn相比可实现更好的长程注意力。通过双网络架构同时对时域和频域特征进行分析处理,有效地捕捉时域和频域特征,从而得到更全面,更鲁棒的特征,提高自动睡眠分期的准确性。
本文档来自技高网...【技术保护点】
1.一种高准确性的双模态EEG自动睡眠分期方法,其特征在于,所述自动睡眠分期方法包括如下步骤:
2.根据权利要求1所述的一种高准确性的双模态EEG自动睡眠分期方法,其特征在于,在步骤S1中,佩戴者穿戴脑电信号检测仪,所述脑电信号检测仪的三个电极紧贴佩戴者的额头;对所述脑电信号检测仪实时采集的脑电信号进行滤波去噪。
3.根据权利要求1所述的一种高准确性的双模态EEG自动睡眠分期方法,其特征在于,在步骤S5中,所述MLP全接连网络的训练方法如下:
4.一种高准确性的双模态EEG自动睡眠分期系统,其采用如权利要求1至3中任意一项所述的一种高准确性的双模态EEG自动睡眠分期方法,其特征在于,所述自动睡眠分期系统包括:
【技术特征摘要】
1.一种高准确性的双模态eeg自动睡眠分期方法,其特征在于,所述自动睡眠分期方法包括如下步骤:
2.根据权利要求1所述的一种高准确性的双模态eeg自动睡眠分期方法,其特征在于,在步骤s1中,佩戴者穿戴脑电信号检测仪,所述脑电信号检测仪的三个电极紧贴佩戴者的额头;对所述脑电信号检测仪实时采集的脑电信号进行滤波去噪。...
【专利技术属性】
技术研发人员:岑年,罗森飚,
申请(专利权)人:上海金科汤姆猫生命科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。