基于脑肌电信号的生物睡眠-觉醒分期方法及系统技术方案

本公开提供了基于脑肌电信号的生物睡眠‑觉醒分期方法及系统，涉及睡眠监测技术领域，包括获取生物的ECoG与EMG电生理信号数据，并对电生理信号数据进行预处理；对电生理信号数据按照时间段划分，计算每个时间段内的ECoGδ、α和low‑β波段的功率以及EMG信号某一波段的振幅，并以多个波段的功率和的平均值作为第一特征值，以平均EMG信号的振幅作为第二特征值，以CMC指数作为第三特征值，将三类特征值进行归一化；将归一化后的三类特征值输入至SVM分类器中，获取睡眠‑觉醒状态的分类。本公开能够准确完成睡眠‑觉醒分期，同时实现生物节律变化特征分析。

【技术实现步骤摘要】

本公开涉及睡眠监测，具体涉及基于脑肌电信号的生物睡眠-觉醒分期方法及系统。

技术介绍

1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。

2、睡眠-觉醒分期主要是根据脑电波形的特征来识别的，在过去，这项任务通常由经验丰富的学者或专家通过对大量连续记录的数据进行目测估计完成。然而，如果要处理的数据量非常大，这种方法将浪费大量的人力和时间。因此，越来越多的人开始研究如何实现自动睡眠-觉醒分期。目前，已经提出了许多自动分期方法，这些方法的关键在于提取记录到的信号的某些特征，并使用分类算法确定其所属的阶段。

3、分类的特征信号主要从eeg、ecog和emg中提取。例如，通过δ带和θ带eeg活动的相对比例来区分nrem和rem睡眠。这些特征的时间序列可以输入到各种分类算法中，实现自动睡眠-觉醒评分。

4、近年来，机器学习的进步加快了睡眠分期方法的更新迭代速度，目前常用的算法有支持向量机、人工神经网络、决策树、随机森林等。人工神经网络通常需要大量的数据来进行训练，且容易在训练数据上过拟合，导致泛化能力较差。本文档来自技高网...

【技术保护点】

1.基于脑肌电信号的生物睡眠-觉醒分期方法，其特征在于，包括：

2.如权利要求1所述的基于脑肌电信号的生物睡眠-觉醒分期方法，其特征在于，所述预处理的方式为：将获取的电生理信号数据从pl2格式转换为nex格式，然后滤除工频干扰，抑制干扰和噪声。

3.如权利要求1所述的基于脑肌电信号的生物睡眠-觉醒分期方法，其特征在于，获取一段时间的电生理信号数据，将电生理信号数据划分为每10s一段的数据，再将每个10s分为五个2s，利用带通滤波得到20-200Hz的EMG信号，并计算得到每2s EMG振幅的绝对值，将五个2s EMG的平均振幅作为肌电信号第二特征值。

...

【技术特征摘要】

1.基于脑肌电信号的生物睡眠-觉醒分期方法，其特征在于，包括：

2.如权利要求1所述的基于脑肌电信号的生物睡眠-觉醒分期方法，其特征在于，所述预处理的方式为：将获取的电生理信号数据从pl2格式转换为nex格式，然后滤除工频干扰，抑制干扰和噪声。

3.如权利要求1所述的基于脑肌电信号的生物睡眠-觉醒分期方法，其特征在于，获取一段时间的电生理信号数据，将电生理信号数据划分为每10s一段的数据，再将每个10s分为五个2s，利用带通滤波得到20-200hz的emg信号，并计算得到每2s emg振幅的绝对值，将五个2s emg的平均振幅作为肌电信号第二特征值。

4.如权利要求1所述的基于脑肌电信号的生物睡眠-觉醒分期方法，其特征在于，获取nrem期ecog信号在δ、α和low-β波段的功率，计算五个2s的δ、α和low-β波段的功率之和的平均值，作为每个10s的脑电信号第一特征值。

5.如权利要求1所述的基于脑肌电信号的生物睡眠-觉醒分期方法，其特征在于，根据脑电与肌电之间的同步性，获取θ或者δ波段的cmc指数作分类的第三特征值。

6.如权利要求1所述的基于脑肌电信号的生...

【专利技术属性】
技术研发人员：辛涛，沈寅，苏斐，韩敏，王晓峰，陈民，怀宝赓，沈晓玥，张明君，李尚飞，
申请(专利权)人：山东第一医科大学第一附属医院山东省千佛山医院，
类型：发明
国别省市：