具有特征生成和自動映射的睡眠分析系統的制作方法

本發明涉及睡眠分析(profiling)。特別地，本發明涉及一種睡眠分析方法，其使用計算高效的、代表性的特征的自動映射和生成來提供例如用于基于家庭的睡眠監測的魯棒(robust)平臺。
背景技術：
：睡眠在人的整體健康和幸福中起著重要的作用。研究表明，良好的睡眠使人的心臟更健康，減輕壓力和炎癥，增強記憶力，甚至預防癌癥。在2007年，美國睡眠醫學會(aasm)基于以關鍵開發人員allanrechtschaffen和anthonykales命名的r&k得分制定了睡眠相關現象術語和評分規則的新指南。根據aasm，睡眠周期的不同階段包括快速眼動(rem)睡眠(階段r，對應于r&k規則中的rem)和非快速眼動睡眠(nrem)。nrem睡眠可以進一步分為階段n1、n2和n3(分別對應于r&k規則的s1、s2和s3+s4)。n3也稱為慢波睡眠(sws)并且是最深的睡眠階段。所有睡眠階段和喚醒狀態106、108、110、112、114、116可以被確定并顯示在睡眠圖中，睡眠圖是表示隨時間104變化的睡眠階段102的多導睡眠描記的一種形式，如圖1中所示。傳統上，睡眠監測僅在專業睡眠實驗室中使用記錄腦電圖(eeg)、眼電圖(eog)和肌電圖(emg)的多導睡眠描記(psg)設備進行。使用來自多個傳感器的記錄，受過訓練的專家根據aasm評分系統手動注釋睡眠階段。這種設置的高成本限制了睡眠研究的應用。然而，近年來，輕量級eeg傳感器(例如eeg頭帶)的發展已使基于家庭的睡眠監視系統成為可能。基于單個eeg通道的自動睡眠評分(分階段)的方法在這樣的系統中起重要作用。手動睡眠評分過程基于30秒的連續時期。睡眠專家測量波形的頻率和幅度并且應用為睡眠階段評分的標準規范。有若干規則要遵循：1)eeg讀數優先于eog和emg數據；2)必須考慮睡眠結構；3)在單個時期期間共同存在2個或以上階段時將應用多數規則；以及4)在評分過程期間將考慮患者特定因素。開發自動化睡眠分階段過程的方法需要考慮以上因素/規則。盡管可以從eeg信號提取許多特征以便用于睡眠分階段，但是一些顯示與睡眠階段幾乎沒有相關性，而其他是冗余的。還需要高階計算能力來防止實時處理。尚未提出用于精確睡眠階段檢測的一組計算高效的、代表性的特征。此外，睡眠圖作為專業人員分析睡眠模式的工具為外行人理解他或她的睡眠狀況提供了較不直觀的信息。已報道基于來自單個通道的eeg數據的自動睡眠分階段的各種方法。一種方法通過用于自回歸隱馬爾可夫模型(hmm)的單個eeg的平均頻率特征檢測人的喚醒狀態，該方法實現了70％的醒睡檢測率。另一種方法使用更多的特征(包括頻譜熵，自回歸參數和復雜度隨機測量)來建立用于睡眠分階段的hmm模型。該方法適用于預測睡眠階段n3和n4，但是無法在喚醒、n1和n2階段之間進行準確區分。第三種方法教導通過應用卡爾曼濾波器和hmm使用eeg建模，測試集中的一致率報道為60.14％。最后的方法提出高斯觀測hmm以檢測睡眠階段，并且實現74.6％的總體一致性，喚醒的準確性為86％，但階段n1僅為22％。報告評價了家庭睡眠評分系統的睡眠分階段準確性并且發現系統顯示出與標準測量值的偏差，尤其在喚醒到n1過渡階段，并且得出結論認為可靠的基于家庭的睡眠評分系統尚未達到。因此，需要的是用于基于家庭的睡眠監測系統的更直觀和信息豐富的睡眠分析方法。此外，其他期望的特征和特性將從結合本公開的附圖和該背景進行的隨后的詳細描述變得明顯。技術實現要素：根據具體實施方式，提供了一種用于分析個體的睡眠的方法。所述方法包括限定個體的睡眠特征空間，在個體的睡眠期間測量個體的腦波，以及響應所述腦波和用于限定所述睡眠特征空間的先前腦波測量的比較來映射所述睡眠特征空間。所述腦波可以包括腦波譜。所述睡眠特征空間可以包括頻譜功率和包絡特征或由其組成。所述方法也包括響應識別的神經網絡模式對映射的睡眠特征空間進行建模，所述識別的神經網絡模式與從睡眠特征空間識別神經網絡模式而導出的多個睡眠階段的每一個相對應，以及從響應建模的映射睡眠特征空間和個體的腦波確定的睡眠階段導出個體的睡眠狀況。另外，提供了一種用于對個體的睡眠狀況進行建模的方法。所述方法包括測量個體的腦波并且提取腦波的預定數量的頻譜功率比。所述方法也包括處理所述預定數量的頻譜功率比以提取腦波的頻譜包絡特征并且提取腦波的高斯參數，以形成用于分析個體的睡眠的睡眠特征空間。根據具體實施方式，提供了一種用于分析個體的睡眠的方法。所述方法包括限定個體的睡眠特征空間，在個體的睡眠期間測量個體的腦波并且生成表示測量的腦波的第二睡眠特征空間，以及通過比較所述腦波和用于限定所述第一睡眠特征空間的先前的腦波測量將所述第二睡眠特征空間映射到所述第一睡眠特征空間。所述腦波可以包括腦波。所述睡眠特征空間可以包括頻譜功率和包絡測量或由其組成。由個體的頻譜功率和包絡特征組成的睡眠特征空間是第一睡眠特征空間。映射的睡眠空間和/或另外的睡眠特征空間是第二睡眠特征空間。所述方法也包括使用對應于多個睡眠階段的每一個的識別的神經網絡模式對所述第一睡眠特征空間進行建模，以及通過將建模的睡眠特征空間應用到映射的睡眠特征空間從睡眠階段導出個體的睡眠狀況。根據具體實施方式，提供了一種用于分析個體的睡眠的方法。所述方法包括限定個體的睡眠特征空間，在個體的睡眠期間測量個體的腦波，以及將從腦波測量獲得的另一睡眠特征空間的特征映射到頻譜功率和包絡特征。所述腦波可以包括腦波譜。所述睡眠特征空間可以包括頻譜功率和包絡測量或由其組成。所述方法也包括響應識別的神經網絡模式對映射的睡眠特征進行建模，所述識別的神經網絡模式與從睡眠特征空間識別神經網絡模式而導出的多個睡眠階段的每一個相對應，以及從響應建模的映射睡眠特征空間和個體的腦波確定的睡眠階段導出個體的睡眠狀況。根據具體實施方式，提供了一種用于分析個體的睡眠的方法。所述方法包括限定個體的睡眠特征空間，在個體的睡眠期間測量個體的腦波，以及響應所述腦波和用于限定所述睡眠特征空間的先前腦波測量的比較來映射所述睡眠特征空間。所述腦波可以包括腦波。所述睡眠特征空間可以包括頻譜功率和包絡測量或由其組成。所述方法也包括響應識別的神經網絡模式對映射的睡眠特征空間進行建模，所述識別的神經網絡模式與從睡眠特征空間識別神經網絡模式而導出的多個睡眠階段的每一個相對應，以及從響應建模的映射睡眠特征空間和個體的腦波確定的睡眠階段導出個體的睡眠狀況。附圖說明附圖用于說明各種實施例并且解釋根據本實施例的各種原理和優點，其中相似的附圖標記在不同視圖中始終表示相同或功能相似的元件，并且與下面的具體實施方式一起包含在說明書中并且形成說明書的一部分。圖1描繪了睡眠圖的示例，示出了睡眠周期中的睡眠階段。圖2a和2b描繪了根據本公開的用于分析睡眠的方法的流程圖的示例。圖3描繪了根據本公開的睡眠分析系統的工作流程的示例。圖4描繪了根據本公開的用于睡眠階段預測的模式識別神經網絡的示例。圖5描繪了來自受試者的eeg信號和手動標記的睡眠階段的示例。圖6描繪了根據本公開的特征的統計測試的示例。y軸代表-log(p值)。x軸代表從eeg信號提取的42個特征。平行于x軸的線代表兩個組之間的統計差異的閾值。圖7描繪了根據本實施例的模式識別網絡中的訓練、驗證和測試的混淆表的示例。熟練技術人員將領會，圖中的要素為了簡單和清楚被示出并且未必按比例繪制。例如，圖示、框圖或流程圖中的一些要素的尺寸可以相對于其他要素被放大以幫助改善本實施例的理解。具體實施方式以下詳細描述本質上僅僅是示例性的，并且不旨在限制本發明或本發明的應用和用途。此外，不希望受到在本發明的前述背景或以下詳細描述中呈現的任何理論的約束。在本文中，根據具有更直觀和信息豐富的睡眠分析呈現的優點的本實施例呈現用于分析個體的睡眠的方法，所述優點對于基于家庭的睡眠監測是重要的。圖2a示出了流程圖，示出了根據本發明的實施例的用于分析個體的睡眠的方法200。方法200可以由聯接到一個或多個數據庫的計算機執行。該方法可以包括裝置之間的通信，例如使用與計算裝置和數據庫連接的eeg裝置(例如eeg監視器，頭帶或帽)獲取的eeg，在所述數據庫中存儲由eeg裝置進行的測量。計算裝置、數據庫和eeg裝置之間的通信可以使用硬連線部件或無線地執行。方法200大體上包括：步驟202：限定個體的睡眠特征空間；步驟204：在個體的睡眠期間測量個體的腦波譜；步驟206：響應腦波譜和用于限定睡眠特征空間的先前腦波譜測量的比較來映射睡眠特征空間；步驟208：響應識別的神經網絡模式對映射的睡眠特征空間進行建模，所述識別的神經網絡模式與從睡眠特征空間識別神經網絡模式而導出的多個睡眠階段的每一個相對應；以及步驟210：從響應建模的映射睡眠特征空間和個體的腦波譜確定的睡眠階段導出個體的睡眠狀況。圖2b示出了流程圖，示出了根據本發明的實施例的用于分析個體的睡眠的方法200。方法200可以由聯接到一個或多個數據庫的計算機執行。該方法可以包括裝置之間的通信，例如使用與計算裝置和數據庫連接的eeg裝置(例如eeg監視器，頭帶或帽)獲取的eeg，在所述數據庫中存儲由eeg裝置進行的測量。計算裝置、數據庫和eeg裝置之間的通信可以使用硬連線部件或無線地執行。方法200大體上包括：步驟202：測量個體的睡眠期間的腦波；步驟204：從腦波信號生成頻譜功率和包絡特征以用于睡眠建模；步驟206：通過使從不同設置獲取的特征適應于在先前測量中獲取的用于建模的特征來映射睡眠特征空間。步驟208：響應識別的神經網絡模式對映射的睡眠特征空間進行建模，所述識別的神經網絡模式與從睡眠特征空間識別神經網絡模式而導出的多個睡眠階段的每一個相對應；以及步驟210：從響應建模的映射睡眠特征空間和個體的腦波譜確定的睡眠階段導出個體的睡眠狀況。步驟202包括測量個體的腦波。可以通過獲取個體的腦電圖來測量腦波譜。在一個示例中，在睡眠實驗室中使用帽式eeg傳感器獲得eeg，如圖3的332所示。在另一示例中，在個體的睡眠正被分析的時段期間，使用頭帶式eeg傳感器獲得eeg，如圖3的302所示。步驟204包括基于訓練數據(例如可以在分析睡眠之前獲得的帽式eeg數據)生成睡眠特征空間。在一個示例中，該步驟作為智能分階段(istaging)特征生成進行。在監測患者的腦波之后，分析腦波狀況或數據以識別特征。該分析可以包括將一個或多個曲線擬合到腦波狀況或數據。然后計算描述一個或多個曲線的參數，例如幅度和頻率。盡管先前的eeg數據可以直接使用幅度和頻率以便確定個體的各種睡眠階段，但是一些現有方法包括確定減小個體之間的幅度和頻率變化的導數和其他參數(例如，歸一化數據防止幅度變化)。因此更均勻的睡眠狀況可以被自動地應用于個體的各種睡眠時期，盡管在特定時期之間的睡眠和喚醒腦活動有變化。參考圖3更詳細地解釋該過程。步驟206包括將從不同設置中獲取的腦波提取的特征映射到相同特征空間中。例如來自帽式eeg的測量數據用于睡眠建模。該映射可以包括確定在根據步驟204進行的測量的不同部分中表示特征空間的哪些特征。該過程也可以包括生成表示新測量的eeg的睡眠特征空間，并且將先前的睡眠特征空間與表示新測量的eeg的睡眠特征空間進行比較。該映射可以包括將先前eeg的特征的范圍映射到新eeg的特征的范圍(例如，通過將前者的最大幅度與后者的最大幅度匹配)或者以類似的方式，通過將從其導出先前的睡眠特征空間的eeg測量范圍匹配到新測量的eeg并且然后生成新測量的eeg的睡眠特征空間。在一個示例中，基于332的帽式eeg數據(即，表示使用類似于帽子的形狀的eeg裝置測量的腦波的數據)與302的頭帶eeg數據(即，表示使用類似于頭帶的形狀的eeg裝置測量的腦波的數據)的比較在智能分階段特征映射模塊306中進行映射，如圖3中所示。有利地，可以自動地進行映射。例如，計算系統可以自動地匹配相應的睡眠特征空間的特征或相應的eeg測量的幅度。步驟208包括對在步驟206中獲得的映射睡眠特征空間進行建模。建模包括基于在步驟204中獲得的新的eeg測量來識別睡眠特征空間中的神經網絡模式。這通過在使用來自帽式eeg的訓練數據在步驟202和步驟204中限定的睡眠特征空間中識別那些相同的神經網絡模式并且在使用來自頭帶eeg的數據在步驟202和步驟204中獲得的睡眠特征空間中識別相似特征模式而實現。可以通過將在步驟202和步驟204中獲得的睡眠特征空間中的特征組與在步驟202和步驟204中獲得的睡眠特征空間中的已經使用帽式eeg與使用帽式eeg指示各種睡眠階段的相應的識別神經網絡模式關聯的特征組概率地關聯來識別使用來自頭帶eeg的數據在步驟202和步驟204中獲得的睡眠特征空間中的相似特征模式。然后取決于步驟202和步驟204的睡眠特征空間中的每個相應組具有與其最高概率關聯的特征，將特定的神經網絡模式視為適用于使用頭帶eeg的數據的步驟202和步驟204的睡眠特征空間中的特征的每個相應組。在一個示例中，在參考圖3解釋的智能分階段建模模塊336中進行該步驟。如圖3中所示，映射特征空間308形成在智能分階段模型模塊310中進行的睡眠分階段過程的基礎。睡眠分階段過程導致使用頭帶eeg的數據的步驟202和步驟204的睡眠特征空間能夠被分類為諸如喚醒、深、淺和rem睡眠的四個階段的基礎的eeg的時期。步驟210包括導出在步驟204中測量的eeg的睡眠狀況。因此睡眠狀況提供了測量步驟204的eeg的時段內的個體的睡眠階段變化的圖形表示，參考圖1。因此該過程導致基于先前的睡眠特征空間和已知的神經網絡模式將新的eeg測量轉換為睡眠狀況。參考圖6和圖7描述實驗數據，示出了模型和由模型獲得的睡眠狀況的有效性。圖3示出了根據本公開的建議睡眠分析系統的框架。由實心箭頭332、320、322、324、326、328、320、334、338、340鏈接的框形成構建計算模型的過程，該過程被稱為“智能分階段特征生成和智能分階段建模”。通過空心箭頭302、304、306、308、310、312、314鏈接的框是使用智能分階段模型的睡眠分析過程，換句話說，使用智能分階段特征生成和智能分階段建模程序開發的模型用于新的eeg測量。最初，個體的睡眠模式應當被建模，使得建模的睡眠模式可以與在沒有專業協助的情況下沒有模型容易生成的新的睡眠模式(例如在家發生的睡眠時期的睡眠模式)進行比較。構建計算模型的過程在本文中稱為智能分階段，并且參考332、320、322、324、326、328、320、334、338和340的模塊進行解釋。優選地，智能分階段包括智能分階段特征生成318和智能分階段建模336，其在獲得新的eeg測量302(例如在睡眠時段期間的頭帶eeg信號-在本文中稱為isleep數據)之前進行。在模塊332中，使用帽式eeg傳感器獲得諸如帽式eeg數據的訓練數據。該訓練數據用于開發睡眠特征空間，所述睡眠特征空間可以與使用未來日期(例如在家中)進行的另外的eeg測量生成的睡眠特征空間進行比較。獲得的數據用于智能分階段特征生成318和特征空間映射306。獲得的數據在帶通濾波模塊320中用帶通濾波器處理以去除偽影。偽影可能包括數據讀數中的異常或意外的峰值和沒有讀數可用的時段(例如當頭帶變得脫落或以其他方式停止工作時)。進一步參考圖3，并且特別地，帶通濾波模塊320可以采用各種類型的帶通濾波器。例如，從包含具有睡眠階段注釋332(例如由睡眠專家進行)的整夜eeg的psg數據，雙極(fpz-cz)(fpz代表前額區，cz代表中心區)信號的原始eeg首先用巴特沃斯(butterworth)帶通濾波器處理以去除由模塊320中偶爾接觸不良的eeg電極產生的偽影。截止頻率設置為{0.35-48}hz，上限由采樣率限制。其后，在頻譜功率比提取模塊322中提取濾波數據的頻譜帶功率特征。為了頻譜功率的魯棒且與受試者無關的量的測量，計算能量功率比而不是絕對能量功率。使用能量功率比增加數據的標準化或歸一化，例如關于幅度。這可以解釋個體的大腦活動的每日變化，并且確保在一個睡眠特征空間中由這樣的比率可識別的神經網絡模式可以在其他睡眠特征空間中類似地被識別，這是由于數據不被諸如疲勞和年齡的外部因素干擾。例如，已知eeg性質(特別是幅度)在不同的受試者之間不同。計算能量功率比而不是絕對能量功率以便在模塊322中產生頻譜功率的魯棒且與受試者無關的量的測量。具有50％重疊的2s的時間移位窗口用于比較連續的時間段，其表示與過去和未來數據相關的分析中的當前時間的數據。使用快速傅里葉變換(fft)沿著2s移位窗口提取頻譜特征。通過在截止頻帶之間對功率譜求和來計算總功率譜：其中p(f)是頻率f的冪，fmax＝48hz，fmin＝0.35hz。每個頻帶的功率比限定如下：其中flow(i)和fhigh(i)表示相應頻譜功率帶的范圍。邊界被表示為頻帶b＝{0.3524812162448}的向量，從中可以獲得任何帶通限定，例如flow(2)＝2hz和fhigh(2)＝4hz。在多輪實驗后選擇向量b以便獲得最佳設置，其與在不同睡眠階段中起重要作用的頻帶(例如，δ(0.5-4hz)，紡錘(12-16hz)，β(12-30hz)，α(8-12hz)等)良好匹配，如表1中所述。表1.不同睡眠階段中的eeg信號的特性階段eeg信號的特性喚醒β(12-30hz)，α(8-12hz)n1α，θ(4-8hz)n2α，θ，k復合，紡錘波n3δ(0.5-4hz)，紡錘(12-16hz)remδ該步驟產生7個頻譜功率比pr＝{pr(i)}；i＝1..7，其由模塊324中的頻譜包絡特征提取進一步處理。在模塊324中，生成頻譜包絡。頻譜包絡限定在模塊322中獲得的頻譜功率比(例如，在連續時間段上確定的頻譜功率比)的幅度。在形成頻譜包絡之后，提取限定頻譜包絡的頻譜包絡特征。頻譜包絡特征使分類時間序列的周期性并且在本情況下使在模塊322中提取的隨著時間的頻譜功率比的變化的周期性更明顯。用于頻譜分析的頻譜包絡的概念已被用于自動語音識別(asr)。這樣的特征用作探索具有最少信息丟失的分類時間序列的周期性的有效工具。本文中介紹了使用基于包絡的頻譜濾波的特征提取方法，旨在抑制頻譜功率周期圖中出現的顏色噪聲。針對切比雪夫(chebyshev)濾波器創建通帶和阻帶邊緣頻率，{0-0.5}hz的具體限定的頻譜空間在對數空間中進一步分為2個頻帶。切比雪夫ii型濾波器應用于如上所述獲取的7個頻譜功率帶，產生另外14個參數用于頻譜分析。其后，在模塊326中使用高斯分布對頻譜功率比進行建模并且提取高斯分布的參數以針對eeg上的連續窗口或時期形成睡眠特征空間。例如，提取參數的平均值和偏差(例如標準偏差)。根據aasm評分，標準睡眠分階段窗口尺寸為30秒。在模塊326中在每30秒的窗口中，沿著高斯分布中顯示的2秒移位窗口能夠提取21個參數。在模塊328中提取參數的平均值和變化以形成具有42個特征的特征空間。與先前針對基于eeg的睡眠階段檢測開發的已建立的特征集比較，由頻譜功率及其頻譜導數組成的基于頻譜包絡的特征形成更好的代表性特征空間320。然后模塊328統計地選擇特定的特征以形成睡眠特征空間。該統計選擇可以包括取決于其在限定相關頻譜功率比所適用的特定睡眠階段中的相對重要性來加權特定特征(例如，通過識別從其導出相應頻譜功率比的eeg部分中的神經網絡模式)。替代地或附加地，統計選擇可以包括識別在特定睡眠階段期間當與其他特征相比較時更加規則地或以更大幅度出現的特征。該統計分析導致睡眠特征空間320的創建，其每個向量表示特定睡眠階段，并且未來eeg的睡眠特征空間可以與其比較以針對相應的未來eeg中的每個時期確定統計上最高概率的睡眠階段。參考表2和圖6進一步解釋。在生成睡眠特征空間320之后，在睡眠特征建模模塊336中構建計算模型。在模塊338中，在訓練數據(即，步驟202的睡眠特征空間從其導出的數據)中識別神經網絡模式。在初始建模過程期間，必須對系統進行訓練以識別eeg數據中的特定神經網絡模式(即，識別特定睡眠階段)。這可以通過在例如睡眠專家的注釋之后輸入用作智能分階段特征生成過程的基礎的eeg數據來實現。因此模塊338可以將特定的睡眠階段與特定的eeg特征關聯，然后將特定的eeg特征與睡眠特征空間中的特征組關聯。然后將那些特征組與從新的eeg測量導出的類似特征進行比較。因此在智能分階段模型模塊340中產生的模型將不同的睡眠階段與睡眠特征空間中表示的特征關聯，并且可以用于隨后的睡眠分析。參考圖4描述睡眠特征模型的細節。一旦建模，該模型可以應用于新的eeg測量以分析個體的睡眠模式。睡眠分析過程使用參考模塊302、304、306、308、310、312和314解釋的睡眠分階段模型。在模塊302中，使用諸如頭帶式eeg傳感器的傳感器來測量腦波譜。收集的數據被提供給睡眠特征生成模塊304和睡眠特征映射模塊306。值得注意的是，盡管可以使用帽式eeg裝置(即，高度敏感的eeg裝置)生成模型，但是在家中使用的eeg裝置可能具有較低的敏感性或在讀取時具有較大的噪聲，原因是從使用家用裝置測量的任何eeg提取的特征針對對于確定特定睡眠階段重要的特征進行加權。在模塊304中，以與上述參考模塊318所述相同的方式生成睡眠特征空間。由于來自一個eeg傳感器的讀數可能與通過另一個eeg傳感器獲得的用于相同腦活動的讀數不同，因此先前的過程遭受從轉移學習問題-使用應用于一個eeg信號的一個裝置學到的結論不能容易地轉移到其他裝置。在本情況下，睡眠特征映射模塊306插入睡眠特征生成模塊304之后。在睡眠特征映射模塊306中，進行自動特征映射，使得諸如在模塊302中獲得的信號的睡眠數據被映射到諸如在模塊332確定的用于睡眠特征生成的帽式eeg數據的訓練數據。如上所述，映射可以例如由eeg測量中的歸一化或幅度匹配產生。在睡眠特征模型模塊310中使用在睡眠特征映射模塊306中生成的映射特征空間308。在該輪中，由于eeg裝置已被教導哪些睡眠階段對應于eeg測量中顯而易見的哪些特征，因此先前開發的模型可以被應用而無需睡眠專家的干預，以便自動地確定個體的特定睡眠階段。由于用于產生模型的復雜處理已經發生，因此可以實時地進行該確定。而且，應用模型的過程可以僅包括基于已知描述特定睡眠階段的特征的概率的計算。一旦將模型應用于映射特征空間308，由映射特征空間308表示的eeg的每個時期與特定睡眠階段312關聯。基于在睡眠特征模型模塊310中產生的睡眠階段312，產生睡眠狀況314。睡眠狀況314圖形地表示在eeg的記錄時段內的個體的睡眠階段。因此，在該睡眠分析過程中實現更直觀和詳實的睡眠分析呈現。而且，由于可以實時地進行建模和分析，因此可以在比家中背景下容易獲得的更短的時間內診斷和響應有問題的睡眠障礙等。自動睡眠階段檢測是多類別分類問題。開發了一種多層模式識別神經網絡來建模該問題。網絡包括映射到智能分階段特征空間上的輸入層，將輸入空間映射到輸出層的一個10節點隱藏層，以及輸出層，其中多個輸出節點的每一個與睡眠階段關聯。例如在模塊336中在338開發的模式識別網絡可以通過反向傳播方式被訓練以根據目標類別對輸入進行分類。網絡的目標數據可以由除了元素s中的1以外的所有零值的向量組成，其中s是睡眠階段。網絡的輸入是表示在睡眠特征生成模塊318中獲得的功率譜的高斯分布及其包絡特征的特征空間320。另外的輸入可以是睡眠專家注釋的eeg。圖4示出了這樣的睡眠階段模式識別網絡400的實施例。使用限定的輸入402和輸出408學習的模式識別神經網絡是可以在未來eeg中進一步用于睡眠階段檢測312的智能分階段模型336。智能分階段模型340、310包含用于隱藏層404和輸出層406的加權矩陣和偏置向量的參數(wi，bi，wo，bo)，其用于從輸入特征402推斷睡眠階段。睡眠階段的計算可以通過以下實現：output＝logsig(wo*(tansig(wi*input+bi)+bo)這些權重用于相對于其他特征強調睡眠特征空間中的特定特征，其中強調的特征比其他特征提供相關時期是個體處于特定睡眠階段的時期的更大的統計確定性。在模式識別網絡中使用的轉移函數可以是對數雙彎曲(logistic)和正切雙彎曲，其由以下公式給出：和輸出可以是包含4個值的向量，每個值表示睡眠階段s的后驗概率。將從帽式eeg傳感器332學習的智能分階段模型340應用于從新的eeg傳感器獲取信號的新場景(即，新的eeg測量)是如上所述的轉移學習問題。為了解決該問題，提供了先前建議的特征范圍映射方法，其將新信號自動映射到在模塊306中用于智能分階段模型開發的信號。映射的簡單實現可以是將從頭帶eeg提取的特征空間對準從帽式eeg提取的相應特征空間的范圍。作為專業人員分析睡眠模式的工具的睡眠圖，為外行人理解他或她的睡眠狀況提供了較不直觀的信息。因此，更直觀和信息豐富的睡眠分析呈現(如目前呈現的)對于基于家庭的睡眠監測是重要的。獲得整夜記錄的eeg數據并與從已建立和公開可獲得的數據庫標記的相應睡眠階段進行比較。該數據庫收集了61個psg，伴隨來自兩個獨立研究的睡眠圖。整夜psg睡眠記錄包含雙極eeg信號，(fpz-cz和pz-oz)(fpz代表前額區，cz代表中央區，pz代表顱頂區，并且oz代表枕區)eog(水平)和emg(頦)讀數。睡眠圖包含與睡眠階段w、r、1、2、3、4、m(移動時間)和？(未評分)組成的psg對應的睡眠模式的注釋。數據庫中的所有睡眠圖已由受過良好訓練的技術人員進行手動評分。psg文件格式化為歐洲數據格式(edf)，而睡眠圖為edf+格式。從源文件提取fpz-czeeg信號和相應的睡眠階段以形成建模的地面實況數據。睡眠階段w缺失的受試者的數據被去除，原因是對于他們僅記錄夜間eeg。有39名受試者記錄了他們的日間和夜間eeg，其中所有的睡眠階段是可獲得的。為了進一步清理數據，階段m(移動)或？(未評分)的所有段可以被去除。圖5示出了繪制一個對象504的eeg信號502和睡眠階段的樣本數據集。為了簡化模型，將階段s1和s2組合成“淺睡眠”階段并且將階段s3和s4組合成“深睡眠”階段以區分睡眠階段之間的每個特征的辨別力。表2描述了使用圖3的智能分階段特征生成318中描述的方法從pfz-cz雙極eeg信號提取的特征。21個特征的第一集合是平均值，并且21個特征的最后集合是濾波器頻帶功率的標準偏差及其相應的包絡特征。表2.特征列表(特征選擇之前)為了說明每個特征的辨別力，進行了四組樣本的雙樣本t測試，即：-喚醒vs.其他階段602，-淺睡眠vs.其他階段604，-深睡眠vs.其他階段606，以及-remvs.其他階段608，如圖6中所示。在24小時時期內來自30秒段的大樣本量引起多重比較問題。可以用bonferroni校正來調節t測試的p值(α)，例如其中n是測試的大小，α＝0.05，α*是統計顯著性的調節閾值。圖6示出了4組統計測試中的每個特征的顯著性水平。y軸是-log(p值)，因此條越高，p值越低，并且特征在分離兩組樣本中越有用。水平線是通過bonferroni校正調節的統計顯著性閾值，即-log(α*)。特征1-7(平均頻帶功率比)常常是最重要的特征。特征22-42(頻帶功率比和包絡特征的標準偏差)遵循相關性并且也表現出強辨別力。然而，功能8-21(相應包絡特征的平均值)在所有四個測試中都不顯示辨別力，并且因此可以從特征空間去除。因此最終的特征空間包含28個特征。為了驗證智能分階段模型的有用性，對具有24小時eeg數據的39個受試者進行留一交叉驗證。對于39個受試者的每一個，使用來自所有其他受試者的數據的模型在留下的一個受試者上被構建和測試。3層模式識別網絡被限定為具有10個隱藏節點，70％的數據用于訓練702，15％的數據用于驗證704并且15％用于測試706。圖7示出了使用來自受試者中的一個的數據構建模型的結果。各種數據集的混淆矩陣給出睡眠階段預測的準確性，其中1表示清醒階段，2表示淺睡眠階段，3表示深睡眠階段，并且4表示rem階段。計算每個睡眠階段的敏感性和特異性，并且確定所有階段的總體準確性。對于階段s，睡眠階段s的敏感性(sensitivity)和特異性(specificity)限定為：其中tps和fns表示睡眠階段s檢測的真陽性和假陰性的數量，并且tns和fps表示睡眠階段s檢測的真陰性和假陽性的數量。總體準確性(accuracy)為：在所有39個留一交叉驗證測試的結果中，平均總體測試準確性為85.5％。淺睡眠的平均敏感性只有69.5％，其是影響總體準確性的主要因素。最準確地檢測的睡眠階段是清醒階段，其中敏感性和特異性都高于94％。構建智能分階段模型的目的是在輕量級頭帶eeg系統中使用它進行自動睡眠階段檢測。所以，該模型需要適應從頭帶傳感器302收集的eeg數據。如前面的段落中所述，在導出的移植模型中固有地存在從受控實驗室條件下由睡眠專家使用的敏感和準確的裝置到家中、不太準確和可能誤用的裝置的轉移學習問題。該問題可以通過在模塊306中進行的智能分階段映射方法來解決。在進行的實驗中在持續1小時的小睡期間收集eeg數據。結果與獲得的睡意得分非常吻合。由于實驗在白天進行，其中受試者進行1小時的小睡，因此不會發生深睡眠階段。rem階段的頻譜特征顯示與淺睡眠階段相似的特性，因此存在淺睡眠錯誤檢測為rem，其可以使用考慮到睡眠結構的平滑方法進行校正。總之，提供了一種用于睡眠分析的特征生成和特征映射機構及其系統。另外，也提供了一種基于功率譜和包絡的特征的高斯分布的高度準確的睡眠階段檢測方法。也提供了一種使用eeg傳感器進行自動實時特征映射的方法以及一種在基于eeg的睡眠分階段的基礎上產生睡眠狀況的方法。盡管在本發明的前面的詳細描述中已呈現了示例性實施例，但是應當領會存在大量的變型。還應當領會，示例性實施例僅是示例并且不旨在以任何方式限制本發明的范圍、適用性、操作或配置。而是，前面的詳細描述將為本領域技術人員提供用于實現本發明的示例性實施例的方便的路線圖，應當理解可以在示例性實施例中所述的元件的功能和布置以及操作方法中進行各種變化，而不脫離如附帶的權利要求中闡述的本發明的范圍。當前第1頁12