【技术实现步骤摘要】
本申请涉及睡眠分期领域，尤其涉及一种多通道脑电信号睡眠分期方法、相应的装置、电子设备及计算机可读存储介质。
技术介绍
1、睡眠是一种生理状态，通过周期性的闭目、安静休息和意识暂时中断来表现。在睡眠过程中，人体的各个系统会经历一系列复杂的变化。睡眠对身体和大脑的健康至关重要。它有助于恢复精力、修复受损的组织、巩固记忆和学习、调节情绪以及提高免疫功能。长期睡眠不足或睡眠质量差可能导致注意力不集中、记忆力下降、情绪不稳定、免疫力下降以及增加心血管疾病、代谢问题和神经系统紊乱的风险。
2、睡眠分期是指将整晚的睡眠过程划分为不同的阶段。睡眠分期对于评估睡眠质量、诊断睡眠障碍和制定治疗方案具有重要意义。它能提供关于个体的睡眠状态、深度和周期性的信息，为医生提供指导，以便更好地了解和处理与睡眠相关的问题。通过睡眠分期，医生可以确定某些疾病或障碍是否与特定的睡眠阶段有关，并据此制定相应的治疗计划。长期以来，睡眠分期主要依赖有专业资质的医师进行人工判读。由于正常睡眠通常持续7-8个小时，产生的睡眠数据非常庞大，因此标记和分析这些数据需要耗费大量时间和精力。此外，人工判读睡眠数据存在主观性，并容易受医师的经验和环境等因素的影响，从而导致分类结果可能不够准确。
3、近年来越来越多的研究人员开始致力于开发一种准确可靠的自动睡眠分期算法，旨在替代传统的人工工作，实现对睡眠状态的自动分类。这样做可以极大地减轻医师的工作负担，同时保证睡眠分期结果的客观性。研究者们一方面通过传统机器学习方法取得了一些较好的睡眠分期效果，但是这些方法通常
4、综上，适应现有技术中传统机器学习方法涉及多特征提取和复杂的特征工程，其实现过程繁琐，但准确率并不理想，以及深度学习方法需要大量数据支持，并且计算复杂度较高等问题，本申请人出于解决该问题的考虑作出相应的探索。
技术实现思路
1、本申请的目的在于解决上述问题而提供一种多通道脑电信号睡眠分期方法、相应的装置、电子设备及计算机可读存储介质。
2、为满足本申请的各个目的，本申请采用如下技术方案：
3、适应本申请的目的之一而提出的一种多通道脑电信号睡眠分期方法，包括：
4、响应睡眠分期指令，从预设的数据库中获取脑电波数据，基于borderlinesmote算法对所述脑电波数据进行数据增强处理；
5、对增强处理后的所述脑电波数据进行特征波提取，确定所述脑电波数据中的多种特征波数据，并计算确定所述多种特征波数据相对应的功率谱密度值；
6、将所述多种特征波数据相对应的功率谱密度值输入至预训练的睡眠分期模型中，确定睡眠分期结果，以完成多通道脑电信号的睡眠分期。
7、可选的，基于borderlinesmote算法对所述脑电波数据进行数据增强处理的步骤,包括：
8、基于borderlinesmote算法对脑电波数据进行过采样，确定预设频率阈值的脑电波数据；
9、对所述预设频率阈值的脑电波数据进行归一化处理，对所述预设频率阈值的脑电波数据进行随机截取或补零，以确定数据长度一致的脑电波数据；
10、对所述数据长度一致的脑电波数据进行过采样，以确定样本均衡的脑电波数据集。
11、可选的，训练睡眠分期模型的步骤，包括：
12、调用预设的睡眠分期模型，初始化所述预设的睡眠分期模型；
13、根据平方损失函数最小化的目标，将所述脑电波数据集的均值作为节点的初始预测值。
14、可选的，训练睡眠分期模型的步骤，包括：
15、响应睡眠分期模型训练指令，计算确定当前模型中损失函数关于预测值的负梯度，所述负梯度表征对于每个样本的预测误差；
16、针对每个样本，在当前模型的基础上预测叶节点的区域；
17、对于每一个叶节点区域，采用线性搜索寻找最佳的叶节点值，以使得在该叶节点区域内的损失函数值最小化；
18、更新树结构，将新生成的节点添加至模型中，重复上述步骤，每一次迭代中，不断增加树结构以及优化叶节点的取值，直至所述睡眠分期模型达到收敛状态。
19、可选的，基于borderlinesmote算法对所述脑电波数据进行数据增强处理的步骤，包括：
20、对于每个少数类样本pi，利用k近邻算法从整个数据集中计算其m个最近邻样本；
21、周围m个最近邻样本中有一半以上为少数类样本的定义为安全样本，将一半以上为多数类样本定义为危险样本，而将所有最近邻样本均为多数类样本定义为噪声样本；
22、对于每个危险样本di，从其k个最近邻中随机选择s个最近邻样本，在这s个最近邻样本和原始危险样本之间随机合成n个新样本，以确定脑电波数据集。
23、可选的，所述多种特征波数据为k复合波、δ波、θ波、α波、睡眠纺锤波以及高频段的β波的一项或任意多项。
24、可选的，所述睡眠分期模型的基础网络架构为xgboost分类器；
25、所述睡眠分期结果包括觉醒期、快速眼动睡眠以及非快速眼动睡眠的一项或任意多项，所述非快速眼动睡眠包括n1、n2和n3的一项或任意多项，其中，n1阶段为浅睡眠，n2阶段为中度睡眠，n3阶段为深度睡眠或慢波睡眠。
26、适应本申请的另一目的而提供的一种多通道脑电信号睡眠分期装置，包括：
27、数据增强模块，设置为响应睡眠分期指令，从预设的数据库中获取脑电波数据，基于borderlinesmote算法对所述脑电波数据进行数据增强处理；
28、特征波提取模块，设置为对增强处理后的所述脑电波数据进行特征波提取，确定所述脑电波数据中的多种特征波数据，并计算确定所述多种特征波数据相对应的功率谱密度值；
29、睡眠分期确定模块，设置为将所述多种特征波数据相对应的功率谱密度值输入至预训练的睡眠分期模型中，确定睡眠分期结果，以完成多通道脑电信号的睡眠分期。
30、适应本申请的另一目的而提供的一种电子设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本申请所述多通道脑电信号睡眠分期方法的步骤。
31、适应本申请的另一目的而提供的一种计算机可读存储介质，其以计算机可读指令的形式存储有依据所述多通道脑电信号睡眠分期方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行相应的方法所包括的步骤。
32、相对于现有技术，本申请针对现有技术中传统机器学习方法涉及多特征提取和复杂的特征工程，其实现过程繁琐，但准确率并不理想，以及深度学习方法需要大量数据支持，并且计算复杂度较高等问题，本申请采用数据增强后的睡眠脑电波信号中的6种特征波的功率谱密度值(psd值)作为特征，并采用xgboost分类器来实现对睡眠的各个状态进行自动识别，通过本文档来自技高网...
【技术保护点】
1.一种多通道脑电信号睡眠分期方法，其特征在于，包括：
2.根据权利要求1所述的多通道脑电信号睡眠分期方法，其特征在于，基于BorderlineSMOTE算法对所述脑电波数据进行数据增强处理的步骤,包括：
3.根据权利要求2所述的多通道脑电信号睡眠分期方法，其特征在于，训练睡眠分期模型的步骤，包括：
4.根据权利要求3所述的多通道脑电信号睡眠分期方法，其特征在于，训练睡眠分期模型的步骤，包括：
5.根据权利要求1所述的多通道脑电信号睡眠分期方法，其特征在于，基于BorderlineSMOTE算法对所述脑电波数据进行数据增强处理的步骤，包括：
6.根据权利要求1所述的多通道脑电信号睡眠分期方法，其特征在于，所述多种特征波数据为K复合波、δ波、θ波、α波、睡眠纺锤波以及高频段的β波的一项或任意多项。
7.根据权利要求1至6任意一项所述的多通道脑电信号睡眠分期方法，其特征在于，所述睡眠分期模型的基础网络架构为XGboost分类器；
8.一种多通道脑电信号睡眠分期装置，其特征在于，包括:
9.
10.一种计算机可读存储介质，其特征在于，其以计算机可读指令的形式存储有依据权利要求1至7中任意一项所述的方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行相应的方法所包括的步骤。
...【技术特征摘要】
1.一种多通道脑电信号睡眠分期方法，其特征在于，包括：
2.根据权利要求1所述的多通道脑电信号睡眠分期方法，其特征在于，基于borderlinesmote算法对所述脑电波数据进行数据增强处理的步骤,包括：
3.根据权利要求2所述的多通道脑电信号睡眠分期方法，其特征在于，训练睡眠分期模型的步骤，包括：
4.根据权利要求3所述的多通道脑电信号睡眠分期方法，其特征在于，训练睡眠分期模型的步骤，包括：
5.根据权利要求1所述的多通道脑电信号睡眠分期方法，其特征在于，基于borderlinesmote算法对所述脑电波数据进行数据增强处理的步骤，包括：
6.根据权利要求1所述的多通道脑电信号睡眠分期方法，其特征在于，所述多...
【专利技术属性】
技术研发人员：宋歌，钟俐淇，谢翔，陈金杰，陈松林，杨思宇，
申请(专利权)人：华南农业大学，
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。