[發明專利]基于腦電和肌電多特征的自動睡眠分期方法

有效

• 申請號: 201710002025.9
• 申請日: 2017-01-03
• 公開（公告）號: CN106709469B
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 王心醉;呂甜甜;陳驍;俞乾
• 申請（專利權）人: 中國科學院蘇州生物醫學工程技術研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;A61B5/0476;A61B5/0488;A61B5/00
• 代理公司: 北京遠大卓悅知識產權代理事務所(普通合伙) 11369
• 代理人: 韓飛

本案涉及基于腦電和肌電多特征的自動睡眠分期方法，包括采集腦電信號和肌電信號；采用小波分解去除腦電信號和肌電信號中的高頻噪聲；提取去噪后的腦電信號的α、β、θ、δ特征波的能量比，得到第一特征參數；利用樣本熵算法提取腦電信號樣本熵，得到第二特征參數；利用小波分解算法提取肌電信號中的高頻特征能量比，得到第三特征參數；將第一特征參數、第二特征參數和第三特征參數輸入支持向量機中進行訓練和測試，從而得到分類結果。本案采用提取EEG和EMG多個特征的方法，結合支持向量機分類器，提高了睡眠分期的準確率；交叉驗證結果表明該方法具有一定的泛化能力；實驗結果可信度高，具有良好的應用前景。

技術領域

本發明涉及一種睡眠分期方法，尤其涉及一種基于腦電和肌電多特征的自動睡眠分期方法。

背景技術

隨著現代社會競爭激烈，快節奏工作與生活對人們的睡眠產生了巨大影響。據世界衛生組織統計，27％的人有睡眠障礙。目前，睡眠障礙已被確認是一種具有公共危害性的疾病，越來越受到人們的高度重視。通過各生理信號對人體睡眠狀態進行分期，是客觀評估睡眠質量的一種有效方法。

通過不同分析方法提取腦電(Electroencephalogram，EEG)的特征參數，再利用分類器進行分類是睡眠分期的經典方法。目前，對EEG的分析方法主要是從其時域、頻域和非線性方面進行分析。在現有技術中有人通過對EEG進行非線性符號動力學分析、去趨勢波動分析和頻譜分析的方法，并結合最小二乘向量機分類器將睡眠狀態分為五期，準確率達到92.87％，但該算法只對每個樣本進行單獨的訓練和驗證，泛化能力有待提高。若利用離散小波變換結合非線性支持向量機的方法滿足了模型對泛化能力的要求，準確率卻只有81.65％。

發明內容

針對現有技術中存在的技術問題，本案提供一種基于腦電和肌電多特征的自動睡眠分期方法，以期能夠提高睡眠分期的準確率和泛化能力。

為實現上述目的，本案通過以下技術方案實現：

一種基于腦電和肌電多特征的自動睡眠分期方法，其包括：

采集腦電信號和肌電信號；

采用小波分解去除腦電信號和肌電信號中的高頻噪聲；

提取去噪后的腦電信號的α、β、θ、δ特征波的能量比，得到第一特征參數；

利用樣本熵算法提取腦電信號樣本熵，得到第二特征參數；

利用小波分解算法提取肌電信號中的高頻特征能量比，得到第三特征參數；

將第一特征參數、第二特征參數和第三特征參數輸入支持向量機中進行訓練和測試，從而得到分類結果。

優選的是，所述的基于腦電和肌電多特征的自動睡眠分期方法，其中，所述第一特征參數通過以下方法獲得：

使用“db4”小波函數對腦電信號進行7層小波分解，選擇D3代表β波，D4代表α波，D5代表θ波，D6+D7代表δ波，分別計算α波、β波、θ波和δ波在0-30Hz上所占能量和的比值。

優選的是，所述的基于腦電和肌電多特征的自動睡眠分期方法，其中，所述第三特征參數通過以下方法獲得：

使用“sym3”小波函數對肌電信號進行3層小波分解，選擇D1+D2代表肌肉運動頻率，計算該肌肉運動頻率在0-125Hz上所占的能量和的比值。

優選的是，所述的基于腦電和肌電多特征的自動睡眠分期方法，其中，在利用樣本熵算法提取腦電信號樣本熵時，其中所用的嵌入維數＝2，相似容限為腦電信號原始數據的標準偏差的0.2倍，數據長度＝1000。