睡眠狀態監測模型的特征信息提取方法和系統與流程
本發明涉及輔助睡眠技術領域，特別是涉及一種睡眠狀態監測模型的特征信息提取方法和系統。
背景技術：
在睡眠中，人體進行了自我放松及恢復的過程，因此良好的睡眠是保持身體健康的一項基本條件；但是由于工作壓力大、生活作息不規律等原因，導致了部分人群的睡眠質量欠佳，表現為失眠、半夜驚醒等。
目前市面上已經有一些設備來幫助人們入睡，提高睡眠質量。例如在某一特定睡眠狀態下通過聲音、光信號等人工干預，避免在熟睡狀態下叫醒用戶等。對于輔助睡眠的設備而言，為了真正達到提高用戶睡眠質量的目的，正確的識別用戶的睡眠狀態是非常重要的。
而要識別用戶的睡眠狀態，目前主要是利用多導睡眠圖(Polysomnography,PSG)，又稱睡眠腦電圖，多導睡眠圖利用多種生命體征對睡眠進行分析，在這些體征信號中，腦電處于核心地位；利用腦電波4種節律：δ波(1-3Hz)，θ波(4-7Hz)，α波(8-12Hz)，β波(14-30Hz)的頻率特性作為特征信息，采用預先訓練的睡眠狀態監測模型對睡眠狀態進行識別，由于腦電信號容易受到干擾，因此，這種方式的準確度難以得到保證。
技術實現要素：
基于此，有必要針對上述問題，提供一種睡眠狀態監測模型的特征信息提取方法和系統，有效地提高睡眠狀態監測模型的識別準確度。
一種睡眠狀態監測模型的特征信息提取方法，包括：
采集用戶在睡眠過程中產生的腦電信號；
基于頻域信號處理技術從所述腦電信號中提取多個頻率段的腦電波；
分別計算各個頻率段的腦電波的能量在腦電信號總能量中的比例系數，以及計算各個頻率段的腦電波在當前幀腦電信號內所占的時間比；
根據所述比例系數和時間比確定睡眠狀態監測模型的識別任務類型對應的特征信息。
一種睡眠狀態監測模型的特征信息提取系統，包括：
采集模塊，用于采集用戶在睡眠過程中產生的腦電信號；
提取模塊，用于基于頻域信號處理技術從所述腦電信號中提取多個頻率段的腦電波；
計算模塊，用于分別計算各個頻率段的腦電波的能量在腦電信號總能量中的比例系數，以及計算各個頻率段的腦電波在當前幀腦電信號內所占的時間比；
設置模塊，用于根據所述比例系數和時間比確定睡眠狀態監測模型的識別任務類型對應的特征信息。
上述睡眠狀態監測模型的特征信息提取方法和系統，利用采集的腦電信號，提取多個頻率段的腦電波，分別計算各個頻率段的腦電波的能量在腦電信號總能量中的比例系數及其在當前幀腦電信號內所占的時間比，并將該比例系數和時間比確定睡眠狀態監測模型的識別任務類型對應的特征信息。基于該方案提取的特征信息，能夠有效提高睡眠狀態監測模型識別睡眠狀態的準確度，而且也一定程度上提高了識別效率。
附圖說明
圖1為一個實施例的睡眠狀態監測模型的特征信息提取方法的流程圖；
圖2為濾波處理前后的腦電信號示意圖；
圖3為一個實施例的睡眠狀態監測模型的特征信息提取系統結構示意圖。
具體實施方式
下面結合附圖闡述本發明的睡眠狀態監測模型的特征信息提取方法和系統的實施例。
參考圖1所示，圖1為本發明的睡眠狀態監測模型的特征信息提取方法的流程圖，包括：
S101，采集用戶在睡眠過程中產生的腦電信號；
在本步驟中，如在對用戶進行輔助睡眠時，通過用戶佩戴相關傳感設備，檢測用戶的腦電信號，可以以30s為一幀進行采集。
在一個實施例中，考慮到腦電圖的信號非常微弱(微伏級)，容易被來自其他部位的生物電信號干擾。例如眼電信號疊加在腦電信號上導致的基線漂移的現象，因此，還可以包括去除每幀(如30s為一幀)腦電信號中的眼電偽跡的步驟：
(1)對采集的腦電信號進行經驗模態分解，將其分解成若干個本征模函數，并計算各個本征模函數與同一時刻的眼電信號之間的相關系數；經驗模態分解可以包括如下公式：
式中，EEGoriginal表示原始腦電信號，imfi表示第i個本征模函數，Re表示殘差函數；其中，眼電信號通過用戶佩戴相關傳感設備，檢測用戶的眼電信號，可以以30s為一幀進行采集。
(2)將相關系數大于預設閾值的本征模函數和相關系數最大的本征模函數刪除，并利用未刪除的本征模函數重建腦電信號；重建腦電信號可以包括如下公式：
式中，EEGpure表示重建的腦電信號，corrcoef表示相關系數，imf表示第i個本征模函數，EOG表示眼電信號，corrcoefmax表示最大的相關系數，thre表示預設的相關系數閾值。
上述實施例的技術方案，只去除高幅度眼電帶來的類似于基線漂移的偽跡，保留了原始信號的大部分細節信息。因此有利于后續的基于時域的腦電信號濾波處理。
S102，基于頻域信號處理技術從所述腦電信號中提取多個頻率段的腦電波；
在本步驟中，在頻域對腦電信號進行處理，從腦電信號中提取出多個頻率段的腦電波。
在一個實施例中，提取信號特征數據前，還可以對所采集的腦電信號進行濾波處理，濾除高頻噪聲和工頻干擾。例如，腦電信號的有用信息多集中在0-100Hz的范圍內，在采集過程中會摻入頻率在該范圍外的噪聲，因此，可以通過濾波手段將其濾除。可以同帶通濾波器濾除高頻噪聲，并設計一個陷波器(50/60Hz)來濾除工頻干擾。
參考圖2所示，圖2為濾波處理前后的腦電信號示意圖，上圖為原始信號，下圖為經過濾波處理之后的信號，可以發現大部分的高頻噪聲已被濾除。
對于上述腦電信號，由于強度很弱，在信號采集時，極易被外界信號所干擾。
根據頻率的不同，多導睡眠圖的腦電信號可以分為4種節律腦電波：δ波(1-3Hz)，θ波(4-7Hz)，α波(8-12Hz)，β波(14-30Hz)；在此，可以提取出δ波頻段，θ波頻段，α波頻段，β波頻段這四種腦電波。
作為一個實施例，上述提取多個頻率段的腦電波的方法，可以包括如下：
對腦電信號進行小波分解，在小波重構中提取所述腦電信號的δ波頻段，θ波頻段，α波頻段，β波頻段；
為了更好地分解出所述各種頻率波形，小波分解的層數與腦電信號的采樣頻率滿足如下關系：f＝2N+2，其中，f為腦電信號的采樣頻率，N為小波分解的層數；例如，當信號的降采樣率為128Hz時，可以選擇4層分解，當信號的采樣率為256Hz時，則可以進行5層分解。
S103，分別計算各個頻率段的腦電波的能量在腦電信號總能量中的比例系數，以及計算各個頻率段的腦電波在當前幀腦電信號內所占的時間比；
在本步驟中，通過多個頻率段的腦電波的能量在腦電信號總能量中的比例系數以及其在當前幀的腦電信號內所占的時間比，作為識別任務的特征信息；由此，以腦電波頻域信息基礎上，進一步以能量比例系數和腦電波占據腦電信號幀時間比作為特征量進行識別的方式，提高了分類器識別的精確度。
作為一個實施例，上述計算比例系數和時間比的方法，可以包括如下：
(1)分別計算δ波頻段，θ波頻段，α波頻段，β波頻段的能量在腦電信號總能量中的比例系數，計算方法可以包括如下公式：
rδ＝∑(yδ)2/ptotal
rθ＝∑(yθ)2/ptotal
rα＝∑(yα)2/ptotal
rβ＝∑(yβ)2/ptotal
其中ptotal＝∑(yδ)2+∑(yθ)2+∑(yα)2+∑(yβ)2，yδ，yθ，yα和yβ分別表示重構后的δ頻段、θ頻段、α頻段和β頻段的信號，rδ，rθ，rα和rβ分別代表δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。
具體的，通過計算δ波頻段，θ波頻段，α波頻段，β波頻段的能量比例系數，可以得到4個特征信息。
(2)計算在一幀腦電信號內，δ波頻段，θ波頻段，α波頻段，β波頻段能量最大的時間長度；4計算方法包括如下公式：
式中，cδ，cθ，cα和cβ表示δ頻段、θ頻段、α頻段和β頻段的信號在當前幀內所占能量比例最大的時間長度，分別表示第i秒內δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。
例如，在以30s為一幀進行對腦電信號進行采集時，可以計算該幀30s內，各個腦電波所占的時間；通過計δ波頻段，θ波頻段，α波頻段，β波頻段的時間比，可以得到4個特征信息。
由此，可以得到8個特征信息，應用于睡眠狀態監測模型的識別任務。
S104，根據所述比例系數和時間比確定睡眠狀態監測模型的識別任務類型對應的特征信息；
在本步驟中，是將前述識別的比例系數和時間比作為特征信息，應用于睡眠狀態監測模型的識別任務中；如用于訓練新的睡眠狀態監測模型(分類器)或者作為樣本數據輸入已有的睡眠狀態監測模型(分類器)中進行睡眠狀態識別。
上述睡眠狀態監測模型，可以采用RBF核的SVM(Support Vector Machin，支持向量機)分類器，也可以采用神經網絡、決策樹的分類器等。
作為一個實施例，基于前述計算的δ波頻段，θ波頻段，α波頻段，β波頻段對應的比例系數和時間比，分別其設為睡眠狀態監測模型的清醒狀態和睡眠狀態識別任務的特征信息，即應用于識別用戶處于清醒還是睡眠狀態。
作為一個實施例，本發明實施例提供的睡眠狀態監測模型的特征信息提取方法，應用于睡眠狀態監測模型進行睡眠狀態識別時，可以用來進行包括清醒，非眼快動睡眠和眼快動睡眠等識別任務。
在一個實施例中，步驟S102中，在對所述腦電信號進行小波分解的步驟前，還可以提取腦電信號的基線，計算所述基線的變化幅度；其中，所述變化幅度為基線最大值減去最小值；
以及在去掉腦電信號的基線后，執行所述對腦電信號進行小波分解的步驟，獲得小波系數。
在步驟S103中，根據小波系數計算小波系數的特征參數；其中，所述特征參數包括小波系數的均值、方差、峭度系數和/或斜度系數。
在步驟S104中，則將所述比例系數、時間參數、變化幅度和特征參數設為睡眠狀態監測模型的清醒狀態、非眼快動睡眠狀態和眼快動睡眠狀態識別任務的特征信息。
進一步地，還可以用來進行包括非眼快動睡眠的入睡期(S1)，非眼快動睡眠期(S2)，中等睡眠期(S3)和眼快動睡眠期(S4)4個狀態的等識別任務。
對于非眼快動睡眠可以分為4個時期：S1期(完全清醒至睡眠之間的過渡階段，腦電波以θ波為主，不出現紡錘波或K綜合波)；S2期(淺睡階段，腦電波為紡錘波與K綜合波，δ波少于20％)；S3期(中等深度睡眠，腦電波δ波占20％～50％)；S4期(深睡，腦電波δ波占50％以上)。
在一個實施例中，在上述實施例的步驟S102基礎上，在去掉腦電信號的基線后，進一步對腦電信號進行降采樣處理(如原信號采樣率為512Hz，降采樣后為128Hz)，得到降采樣信號。
在步驟S103基礎上，計算所述降采樣信號的基于非線性動力學的特征量；其中，所述基于非線性動力學的特征量可以包括LZ復雜度、樣本熵和/或近似熵。
在步驟S104中，則將所述比例系數、時間參數、變化幅度、特征參數和特征量設為睡眠狀態監測模型的清醒狀態、S1-S4期非眼快動睡眠狀態和眼快動睡眠狀態識別任務的特征信息。
作為一個實施例中，在利用上述特征信息基礎上，還可以采集用戶的血氧濃度參數，并根據所述濃度參數計算血氧飽和度參數，將所述血氧飽和度參數設為睡眠狀態監測模型的識別任務類型對應的特征信息。
參考圖3所示，圖3為一個實施例的睡眠狀態監測模型的特征信息提取系統結構示意圖，包括：
采集模塊101，用于采集用戶在睡眠過程中產生的腦電信號；
提取模塊102，用于基于頻域信號處理技術從所述腦電信號中提取多個頻率段的腦電波；
計算模塊103，用于分別計算各個頻率段的腦電波的能量在腦電信號總能量中的比例系數，以及計算各個頻率段的腦電波在當前幀腦電信號內所占的時間比；
設置模塊104，用于根據所述比例系數和時間比確定睡眠狀態監測模型的識別任務類型對應的特征信息。
本發明的睡眠狀態監測模型的特征信息提取系統與本發明的睡眠狀態監測模型的特征信息提取方法一一對應，在上述睡眠狀態監測模型的特征信息提取方法的實施例闡述的技術特征及其有益效果均適用于睡眠狀態監測模型的特征信息提取系統的實施例中，特此聲明。
以上所述實施例的各技術特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特征所有可能的組合都進行描述，然而，只要這些技術特征的組合不存在矛盾，都應當認為是本說明書記載的范圍。
以上所述實施例僅表達了本發明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對發明專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進，這些都屬于本發明的保護范圍。因此，本發明專利的保護范圍應以所附權利要求為準。
- 還沒有人留言評論。精彩留言會獲得點贊！