CN106236084B - 清醒状态下的脑电信号数据类型的标注方法和*** - Google Patents
清醒状态下的脑电信号数据类型的标注方法和*** Download PDFInfo
- Publication number
- CN106236084B CN106236084B CN201610843517.6A CN201610843517A CN106236084B CN 106236084 B CN106236084 B CN 106236084B CN 201610843517 A CN201610843517 A CN 201610843517A CN 106236084 B CN106236084 B CN 106236084B
- Authority
- CN
- China
- Prior art keywords
- sample
- signal
- electroencephalogram
- sample entropy
- electroencephalogram signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000002618 waking effect Effects 0.000 title claims abstract description 29
- 230000007958 sleep Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims description 34
- 230000000694 effects Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000004397 blinking Effects 0.000 claims description 10
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 11
- 210000004556 brain Anatomy 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000193 eyeblink Effects 0.000 description 3
- 206010015037 epilepsy Diseases 0.000 description 2
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Ophthalmology & Optometry (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种清醒状态下的脑电信号数据类型的标注方法和***,其中所述方法包括:在用户开始睡眠过程后,采集用户的脑电信号样本;对所述脑电信号样本进行小波分解,并根据设定低频段的小波系数进行信号重建得到脑电信号;计算所述脑电信号的样本熵,将该样本熵与预先计算的样本熵阈值进行比较;若所述样本熵大于所述样本熵阈值,将所述脑电信号样本的信号类型标注为清醒状态。本发明的技术方案,可以避免脑电信号受到干扰,准确地检测脑电信号的清醒状态,并进行有效的数据类型标注,使得利用该标注的脑电信号样本训练出来的个人分类器的识别准确率更高,也提升了后期对个人睡眠状态检测结果的可靠性。
Description
技术领域
本发明涉及辅助睡眠技术领域,特别是涉及一种清醒状态下的脑电信号数据类型的标注方法和***。
背景技术
目前市面上已经有一些辅助设备来进行辅助人们入睡,即辅助睡眠,以提高用户的睡眠质量。睡眠状态分析是辅助设备了解用户睡眠质量的重要手段,而在此过程中,需要对用户睡眠状态进行检测,以准确知道用户是清醒还是睡着状态,然后才能够进行对应的干预措施。
多导睡眠图(Polysomnography,PSG),又称睡眠脑电图,是目前临床上用于睡眠诊断和分析的“金标准”。多导睡眠图利用多种生命体征对睡眠进行分析,在这些体征信号中,脑电处于核心地位;利用脑电波4种节律:δ波(1-3Hz),θ波(4-7Hz),α波(8-12Hz),β波(14-30Hz)的频率特性。根据不同节律的脑电波和眼球运动特征,除了清醒阶段以外,睡眠可以分成非眼快动睡眠(No Rapid Eye Movement Sleep,NREM sleep)和眼快动睡眠(RapidEye Movement Sleep,REM sleep)周期。其中非眼快动睡眠又可以分为4个时期:S1期(完全清醒至睡眠之间的过渡阶段),S2期(浅睡阶段),S3期(中等深度睡眠),S4期(深睡期)。
一般情况下,检测用户是否处于清醒状态,是通过利用脑电波在4个频段的信号(δ波频段、θ波频段、α波频段和β波频段)训练清醒状态的识别模型(分类器)来对脑电信号进行识别,这些识别模型往往是利用其他人的脑电波进行训练的通用识别模型,但由于脑电信号的个人特异性很强,并且脑电的强度很弱(脑电为微伏级别,心电为毫伏级别),在信号采集时极易被外界信号所干扰。
在此过程中,当需要训练个人分类器时,就需要对采集的个人脑电信号样本的数据类型进行标注,这样才可以对标注类型的数据进行自学习和测试,训练出更加适用于个人的个人分类器,而采用通用识别模型来对脑电信号进行检测标注时,如前面所述,由于脑电信号的强度很弱容易受到干扰,采用通用识别模型来标注脑电波信号样本的类型,容易混入干扰成分,导致训练出来的个人分类器的识别准确率较低,影响了后期对个人睡眠状态检测结果的可靠性。
发明内容
基于此,有必要针对上述问题,提供一种清醒状态下的脑电信号数据类型的标注方法和***,可以准确地检测清醒状态下的脑电信号,并进行数据类型的标注。
一种清醒状态下的脑电信号数据类型的标注方法,包括:
在用户开始睡眠过程后,采集用户的脑电信号样本;
对所述脑电信号样本进行小波分解,并根据设定低频段的小波系数进行信号重建得到脑电信号;
计算所述脑电信号的样本熵,将该样本熵与预先计算的样本熵阈值进行比较;
若所述样本熵大于所述样本熵阈值,将所述脑电信号样本的信号类型标注为清醒状态。
一种清醒状态下的脑电信号数据类型的标注***,包括:
脑电信号采集模块,用于在用户开始睡眠过程后,采集用户的脑电信号样本;
低频信号重建模块,用于对所述脑电信号样本进行小波分解,并根据设定低频段的小波系数进行信号重建得到脑电信号;
样本熵比较模块,用于计算所述脑电信号的样本熵,将该样本熵与预先计算的样本熵阈值进行比较;
样本类型标注模块,用于若所述样本熵大于所述样本熵阈值,将所述脑电信号样本的信号类型标注为清醒状态。
上述清醒状态下的脑电信号数据类型的标注方法和***,在用户开始睡眠过程后,采集用户的脑电信号样本进行小波分解和低频段重建得到脑电信号;计算脑电信号的样本熵与预先计算的样本熵阈值进行比较,在样本熵大于样本熵阈值时,将脑电信号样本标注为清醒类型。通过该方案来标注脑电波信号样本的类型,可以避免脑电信号受到干扰,准确地检测脑电信号的清醒状态,并进行有效的数据类型标注,使得利用该标注的脑电信号样本训练出来的个人分类器的识别准确率更高,也提升了后期对个人睡眠状态检测结果的可靠性。
附图说明
图1为一个实施例的清醒状态下的脑电信号数据类型的标注方法的流程图;
图2是一段常见的清醒时期的脑电信号与眼电信号示意图;
图3为基于眼电信号检测的脑电信号样本清醒状态标注流程图;
图4为滑动窗口内眼电信号波形尖峰面积示意图;
图5为检测到眨眼活动的结果示意图;
图6为基于本发明的标注方法实现的清醒状态检测器原理图;
图7为一个实施例的清醒状态下的脑电信号数据类型的标注***结构示意图。
具体实施方式
下面结合附图阐述本发明的清醒状态下的脑电信号数据类型的标注方法和***的实施例。
参考图1所示,图1为一个实施例的清醒状态下的脑电信号数据类型的标注方法的流程图,包括:
步骤S10,在用户开始睡眠过程后,采集用户的脑电信号样本;
此步骤中,可以是在对用户进行辅助睡眠,训练个人识别模型时,在确保用户是清醒的状态下,开始对用户进行脑电信号样本采集,通过用户佩戴相关脑电传感设备,采集用户在睡眠过程中产生的脑电信号。
在采集脑电信号样本时,可以以30s为一帧进行采集,后续对每帧脑电信号进行分析处理。
一般情况下,考虑到人正常的入睡时间为10~15分钟,在劳累/疲惫时入睡时间甚至会缩短,因此,在用户完全清醒的状态下开始采集用户的脑电信号,可以认为在开始采集后的一个设定时间段内,用户是处于清醒状态的,作为实施例,本发明选择的时间段为300秒(5分钟),即用户开始采集脑电信号后的300秒内的脑电信号样本被判断为清醒状态;如上所述,脑电信号样本是以30s为一帧,那么在前10个脑电样本的数据类型即可直接标注为清醒状态。
步骤S20,对所述脑电信号样本进行小波分解,并根据设定低频段的小波系数进行信号重建得到脑电信号;
为了避免高频噪声的干扰同时保留信号的基本信息,我们在较低频段上对脑电信号进行分析。为了计算的方便,可以选择θ波的频率上限(0~8Hz)进行小波分解和重建。
在此,首先对脑电信号进行小波分解,并根据设定低频段的小波系数重建脑电信号,为了计算的方便,可以选择θ波(主要是4-7Hz)的频率上限进行重建,即0~8Hz。
步骤S30,计算所述脑电信号的样本熵,将该样本熵与预先计算的样本熵阈值进行比较;
样本熵是时间序列复杂度的一种度量,被广泛应用于癫痫的检测中。在睡眠周期的6个阶段中,清醒阶段的脑电信号的样本熵最高,本发明利用脑电信号的样本熵的大小来判断用户是否为清醒状态,通过设定样本熵阈值,与脑电信号的样本熵进行比较。
进一步的,在上述比较过程中,样本熵阈值的选择也是至关重要的一环。在目前癫痫的检测等方面得到的经验数据,并不适合用在睡眠状态分析中对清醒状态的准确判定。
在一个实施例中,可以采用如下方法计算样本熵阈值,包括:
(1)从开始采集脑电信号后,获取设定时间内的脑电信号;
如前面所述,在用户开始采集脑电信号后的300秒内,可以认为用户是处于清醒状态的,作为实施例,本发明选择的时间段为300秒(5分钟),即用户开始采集脑电信号后的300秒内的脑电信号样本被判断为清醒状态;
因此,通过上述步骤,在确保用户清醒状态下,利用这段时间内采集的用户的脑电信号计算样本熵。
(2)将设定时间内的脑电信号分成多个样本,并分别计算各个脑电信号样本的样本熵,得到样本熵集合;
如上所述,脑电信号样本是以30s为一帧,那么在前10个脑电样本的数据类型即可直接标注为清醒状态;在此过程中,计算出包括10个样本熵的样本熵集合。
(3)根据所述样本熵集合计算样本熵阈值;
作为实施例,样本熵阈值的计算公式可以如下:
sampen_vali=sampen(y[p_start:p_end])
p_start=(i-1)*time_length*fs+1
p_end=t_start+time_length*fs-1
p_end<T·fs
式中,其中sampen_thre为样本熵阈值,sampen_vali为样本熵集合中第i个样本的样本熵,sampen为求样本熵的运算,其输入y[p_start:p_end]为脑电信号y在第p_start点开始到第p_end点为止的部分,time_length为计算样本熵的每个样本的时间长度,fs为脑电信号的采样率,T为开始采集脑电信号后的设定时间,v为设定参数。
在上述计算方案中,参数v的取值非常重要,通过参数v可以控制识别准确率;因此,为了提高识别准确率,对于参数v取值可以通过如下公式计算:
假设清醒阶段时的样本熵的集合X服从标准正态分布,集合X中第i个元素表示为:
其中,
此时,x=v
根据标准正态分布函数的积分:
其中,P(X≤x)表示样本熵的集合X中的取值小于x的概率,由此可以计算,以T=300s,time_length=30s为例,当参数v=2.58时,样本熵集合X的值小于x的概率为99.5%。
步骤S40,若所述样本熵大于所述样本熵阈值,将所述脑电信号样本的信号类型标注为清醒状态。
此步骤中,当判断到样本熵大于样本熵阈值时判定当前采集的脑电信号样本为清醒状态下的脑电信号,考虑到清醒阶段的脑电信号的样本熵最大,基于上述实施例计算的样本熵阈值sampen_thre,可知将样本熵大于sampen_thre的脑电信号判断为清醒状态可以得到较高准确率。
本发明实施例的清醒状态下的脑电信号数据类型的标注方法,在多例利用脑电信号进行实验中,清醒状态都得到了准确的检测,可见本发明的标注方法具有较高的准确性。
为了进一步提高数据类型标注的准确率,在脑电信号样本熵比较基础上,本发明还提供了如下基于眼电信号检测数据类型判断方案。
在正常人的睡眠周期中,眨眼是清醒期所特有的一个活动,由于眨眼时眼电信号的幅度较高,会对脑电信号造成干扰。参考图2,图2是一段常见的清醒时期的脑电信号与眼电信号示意图;图中实线为脑电信号,虚线为眼电信号。通过图中可以看出,眨眼活动在脑电信号和眼电信号上都产生了向下的尖峰,眨眼活动在脑电图上表现为具有短时间的高尖峰的波形,这也是眨眼眼电波形的特征。
作为一个实施例,参考图3所示,图3为基于眼电信号检测的脑电信号样本清醒状态标注流程图;本发明的清醒状态下的脑电信号数据类型的标注方法,还包括:清醒状态下的脑电信号数据类型的标注的步骤S50,具体包括:
步骤S501,在开始采集用户的脑电信号样本后,同时采集用户的实时眼电信号;
此步骤中,开始对用户进行脑电信号采集后,同时通过用户佩戴相关眼电传感设备,采集用户在睡眠过程中产生的眼电信号。
在采集眼电信号时,与脑电信号样本采集方式一致,同样可以以30s为一帧进行采集,后续对每帧眼电信号进行分析处理。
步骤S502,对所述实时眼电信号进行小波分解,并根据设定低频段的小波系数进行信号重建得到眼电信号;
首先对眼电信号进行小波分解,并根据设定低频段的小波系数重建眼电信号,为了计算的方便,可以选择脑电信号的θ波(主要是4-7Hz)的频率上限进行重建,即0~8Hz。
步骤S503,根据同一时刻脑电信号和眼电信号的相关性以及眨眼眼电波形的特征,在眼电信号上检测眨眼活动;
在检测过程中,利用到了同一时刻的脑电信号和眼电信号之间的相关性,结合眨眼眼电信号的波形特征进行判断。
在一个实施例,在眼电信号上检测眨眼活动的方法,可以如下:
(1)利用具有设定信号幅度范围和时间长度的滑动窗口截取所述低频眼信号;
本发明利用一个滑动窗口内的信号幅度、眼电信号与脑电信号的相似程度,尖峰的尖锐程度和尖峰持续时间来检测滑动窗口内是否有眨眼活动,该滑动窗口验证脑电图时间轴上滑动,截取眼电信号波形。
由于眨眼的时间一般小于0.4秒,因此可以在一个稍大滑动窗口的内检测眨眼信号,例如设置0.6倍的采样时间长度,即n=0.6·fs,n为滑动窗口长度,fs为眼电信号的采样率。
眼电信号的幅度可以通过滑动窗口内眼电信号的最大值减去最小值(pmax-pmin)的方式求出,一般情况下,滑动窗口的幅度可以设置为75微伏至300微伏之间。
(2)分别计算滑动窗口内眼电信号与同一时刻脑电信号的波形的相关系数,滑动窗口内眼电信号波形尖峰的尖锐程度参数以及尖峰的持续时间;
这里尖锐程度参数是表征尖峰的特征符合眨眼时短时间的高尖峰的波形强弱的参数。
在一个实施例中,计算滑动窗口内眼电信号波形尖峰的尖锐程度参数,可以包括如下:
(a)分别计算眼电信号波形在滑动窗口内的上部区域面积和下部区域面积,计算公式如下:
式中,pi为滑动窗口内的眼电信号,pmax为滑动窗口内眼电信号的最大值,pmin为滑动窗口内眼电信号的最小值,areaup表示上部区域面积,areadown表示下部区域面积;
(b)根据所述上部区域面积和下部区域面积计算所述眼电信号波形尖峰的面积,计算公式如下:
式中,blinkarea表示尖峰的面积,if表示满足条件;
参考图4所示,图4为滑动窗口内眼电信号波形尖峰面积示意图,两种方向的尖峰上、下部区域面积如图所示,左图尖峰方向向上,右图的尖峰方向向下。
(c)根据尖峰面积计算尖锐程度参数,计算公式如下:
blinkratio=blinkarea/in-blinkarea
式中,blinkratio表示尖锐程度参数,in-blinkarea表示非尖峰部分的面积,这里尖锐程度参数也可以转化为是上部区域面积和下部区域面积之间的比值。
计算滑动窗口内眼电信号波形尖峰的持续时间的方法,可以包括如下:
(d)根据所述上部区域面积和下部区域面积计算所述眼电信号波形尖峰的方向,计算公式如下:
式中,blinkdirection表示尖峰方向,标记为1表示尖峰向下,标记为-1表示尖峰向上;
(e)在尖峰向下时,根据尖峰两侧的局部极大值点计算尖峰的持续时间;或者在尖峰向上时,根据尖峰两侧的局部局部极小值点计算尖峰的持续时间;计算公式如下:
blinkts=vertexright-vertexleft,
式中,blinkts表示尖峰的持续时间,vertexright表示尖峰的右侧顶点时刻,表示尖峰的左侧顶点时刻,right_min_loca表示尖峰右侧的局部极小值点,right_max_loca表示尖峰右侧的局部极大值点,left_min_loca表示尖峰左侧的局部极小值点,left_max_loca表示尖峰左侧的局部极大值点,s.t.表示约束条件。
(3)若所述相关系数、尖锐程度参数和持续时间均分别满足预设的相关系数阈值、尖锐程度参数阈值和持续时间阈值,判断该滑动窗口内眼电信号存在眨眼活动;
具体的,当滑动窗口内的信号幅度、眼电信号与脑电信号的相似程度、尖峰的面积和持续时间都满足条件时,即认为当前滑动窗口存在着眨眼活动;
对于相关系数阈值,一般认为,相关系数大于0.7的两个向量基本上可以认为是正相关的,考虑到眨眼时眼电信号对脑电信号的干扰,眨眼时眼电信号与脑电信号之间的相关系数阈值可以设为0.9;对于尖锐程度参数阈值,一般可以设置为0.3;对于尖峰的持续时间阈值,根据眨眼时间一般是0.3-0.4秒,因此,持续时间阈值可以设为0.3秒。
步骤S504,当检测到眨眼活动时,判定当前采集的脑电信号样本为清醒状态下的脑电信号;
基于上述方法准确检测出眨眼活动后,即可判断当前帧的脑电信号样本是属于清醒状态的,参考图5,图5为检测到眨眼活动的结果示意图,图中实线和虚线分别为经过小波变换重建后的脑电信号和眼电信号。在眼电信号上,圆圈标出了眨眼活动所形成的尖峰,可以发现,虽然检测出的眨眼活动数量较少,但是误检率极低。
在实际应用中,为了避免误检出眨眼活动带来的误标注,以当一帧30秒眼电信号为例,可以在一帧信号里至少要检出2个或2个以上的眨眼活动时,再判定当前采集的脑电信号样本为清醒状态下的脑电信号,进而对该帧脑电信号样本进行数据类型标注。
本发明实施例的方案,对清醒状态进行准确判断,可以形成清醒状态检测器,对采集的脑电信号样本进行数据类型标注,如果该检测器输出结果为“是”,即将脑电信号样本的数据类型标注为清醒状态,如果输出结果为“否”,由于既不是清醒状态,但也不能认为是睡眠状态,则丢弃该样本。
参考图6所示,图6为基于本发明的标注方法实现的清醒状态检测器原理图,在采集脑电信号样本的时候,同时也采集实时眼电信号,对于脑电信号会进行样本熵的计算和阈值判断,然后对脑电信号样本进行数据类型的标注,而眼电信号采集后,通过检测眼电信号中的眨眼活动,从而可以对样本熵阈值判断过程中可能存在的漏判情况,从而进一步标注的准确率。以脑电信号和眼电信号30s一帧为例,如果在同期的眼电信号中,检测出至少2个眨眼活动,而如果样本熵阈值判断后该帧脑电信号没有被判为清醒状态,则可以对其进行补充标注,达到复检和补漏的功能。
相对于传统方法的准确率可能会受到干扰影响,本发明的技术对于部分干扰较严重的信号,可能会影响检出率,但是不会影响到准确率,可以适用于睡眠状态分析中,在训练个人识别模型时,作为检测器对清醒状态下的脑电信号数据类型进行标注。
参考图7所示,图7为一个实施例的清醒状态下的脑电信号数据类型的标注***结构示意图,包括:
脑电信号采集模块10,用于在用户开始睡眠过程后,采集用户的脑电信号样本;
低频信号重建模块20,用于对所述脑电信号样本进行小波分解,并根据设定低频段的小波系数进行信号重建得到脑电信号;
样本熵比较模块30,用于计算所述脑电信号的样本熵,将该样本熵与预先计算的样本熵阈值进行比较;
样本类型标注模块40,用于若所述样本熵大于所述样本熵阈值,将所述脑电信号样本的信号类型标注为清醒状态。
本发明的清醒状态下的脑电信号数据类型的标注***与本发明的清醒状态下的脑电信号数据类型的标注方法一一对应,在上述清醒状态下的脑电信号数据类型的标注方法的实施例阐述的技术特征及其有益效果均适用于清醒状态下的脑电信号数据类型的标注***的实施例中,特此声明。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种清醒状态下的脑电信号数据类型的标注方法,其特征在于,包括:
在用户开始睡眠过程后,采集用户的脑电信号样本;
对所述脑电信号样本进行小波分解,并根据设定低频段的小波系数进行信号重建得到脑电信号;
计算所述脑电信号的样本熵,将该样本熵与预先计算的样本熵阈值进行比较;
若所述样本熵大于所述样本熵阈值,将所述脑电信号样本的信号类型标注为清醒状态;
计算样本熵阈值包括,从开始采集脑电信号后,获取设定时间内的脑电信号;将设定时间内的脑电信号分成多个样本,并分别计算各个脑电信号样本的样本熵,得到样本熵集合;根据所述样本熵集合计算样本熵阈值;所述根据所述样本熵集合计算样本熵阈值的计算公式如下:
sampen_vali=sampen(y[p_start:p_end])
p_start=(i-1)*time_length*fs+1
p_end=p_start+time_length*fs-1
p_end<T·fs
式中,其中sampen_thre为样本熵阈值,sampen_vali为样本熵集合中第i个样本的样本熵,n为样本熵集合中脑电信号样本的数量,sampen为求样本熵的运算,其输入y[p_start:p_end]为脑电信号y在第p_start点开始到第p_end点为止的部分,time_length为计算样本熵的每个样本的时间长度,fs为脑电信号的采样率,T为开始采集脑电信号后的设定时间,v为设定参数。
2.根据权利要求1所述的清醒状态下的脑电信号数据类型的标注方法,其特征在于,所述参数v的取值如下:
其中,
x=v
式中,X表示样本熵集合,Xi表示样本熵集合X中第i个元素,Φ(x)表示标准正态分布函数的积分,P(X≤x)表示样本熵的集合X中的取值小于x的概率。
3.根据权利要求2所述的清醒状态下的脑电信号数据类型的标注方法,其特征在于,所述T=300s,time_length=30s,v=2.58。
4.根据权利要求1至3任一项所述的清醒状态下的脑电信号数据类型的标注方法,其特征在于,还包括:
在开始采集用户的脑电信号样本后,同时采集用户的实时眼电信号;
对所述实时眼电信号进行小波分解,并根据设定低频段的小波系数进行信号重建得到眼电信号;
根据同一时刻脑电信号和眼电信号的相关性以及眨眼眼电波形的特征,在眼电信号上检测眨眼活动;
当检测到眨眼活动时,判定当前采集的脑电信号样本为清醒状态下的脑电信号。
5.根据权利要求4所述的清醒状态下的脑电信号数据类型的标注方法,其特征在于,所述根据同一时刻脑电信号和眼电信号的相关性以及眨眼眼电波形的特征,在眼电信号上检测眨眼活动的步骤包括:
利用具有设定信号幅度范围和时间长度的滑动窗口截取低频眼电信号;
分别计算滑动窗口内眼电信号与同一时刻脑电信号的波形的相关系数,滑动窗口内眼电信号波形尖峰的尖锐程度参数以及尖峰的持续时间;
若所述相关系数、尖锐程度参数和持续时间均分别满足预设的相关系数阈值、尖锐程度参数阈值和持续时间阈值,判断该滑动窗口内眼电信号存在眨眼活动。
6.根据权利要求5所述的清醒状态下的脑电信号数据类型的标注方法,其特征在于,所述计算滑动窗口内眼电信号波形尖峰的尖锐程度参数的步骤包括:
分别计算眼电信号波形在滑动窗口内的上部区域面积和下部区域面积,计算公式如下:
式中,pi为滑动窗口内的眼电信号,pmax为滑动窗口内眼电信号的最大值,pmin为滑动窗口内眼电信号的最小值,areaup表示上部区域面积,areadown表示下部区域面积;
根据所述上部区域面积和下部区域面积计算所述眼电信号波形尖峰的面积,计算公式如下:
式中,blinkarea表示尖峰的面积,if表示满足条件;
根据尖峰面积计算尖锐程度参数,计算公式如下:
blinkratio=blinkarea/in-blinkarea
式中,blinkratio表示尖锐程度参数,in-blinkarea表示非尖峰部分的面积。
7.根据权利要求6所述的清醒状态下的脑电信号数据类型的标注方法,其特征在于,所述计算滑动窗口内眼电信号波形尖峰的持续时间的步骤包括:
根据所述上部区域面积和下部区域面积计算所述眼电信号波形尖峰的方向,计算公式如下:
式中,blinkdirection表示尖峰方向,标记为1表示尖峰向下,标记为-1表示尖峰向上;
在尖峰向下时,根据尖峰两侧的局部极大值点计算尖峰的持续时间;或者在尖峰向上时,根据尖峰两侧的局部极小值点计算尖峰的持续时间;计算公式如下:
blinkts=vertexright-vertexleft,
式中,blinkts表示尖峰的持续时间,vertexright表示尖峰的右侧顶点时刻,表示尖峰的左侧顶点时刻,right_min_loca表示尖峰右侧的局部极小值点,right_max_loca表示尖峰右侧的局部极大值点,left_min_loca表示尖峰左侧的局部极小值点,left_max_loca表示尖峰左侧的局部极大值点,s.t.表示约束条件。
8.一种清醒状态下的脑电信号数据类型的标注***,其特征在于,包括:
脑电信号采集模块,用于在用户开始睡眠过程后,采集用户的脑电信号样本;
低频信号重建模块,用于对所述脑电信号样本进行小波分解,并根据设定低频段的小波系数进行信号重建得到脑电信号;
样本熵比较模块,用于计算所述脑电信号的样本熵,将该样本熵与预先计算的样本熵阈值进行比较;
样本类型标注模块,用于若所述样本熵大于所述样本熵阈值,将所述脑电信号样本的信号类型标注为清醒状态;
所述样本熵比较模块还用于,从开始采集脑电信号后,获取设定时间内的脑电信号;将设定时间内的脑电信号分成多个样本,并分别计算各个脑电信号样本的样本熵,得到样本熵集合;根据所述样本熵集合计算样本熵阈值;所述根据所述样本熵集合计算样本熵阈值的计算公式如下:
sampen_vali=sampen(y[p_start:p_end])
p_start=(i-1)*time_length*fs+1
p_end=p _start+time_length*fs-1
p_end<T·fs
式中,其中sampen_thre为样本熵阈值,sampen_vali为样本熵集合中第i个样本的样本熵,sampen为求样本熵的运算,其输入y[p_start:p_end]为脑电信号y在第p_start点开始到第p_end点为止的部分,time_length为计算样本熵的每个样本的时间长度,fs为脑电信号的采样率,T为开始采集脑电信号后的设定时间,v为设定参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610843517.6A CN106236084B (zh) | 2016-09-21 | 2016-09-21 | 清醒状态下的脑电信号数据类型的标注方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610843517.6A CN106236084B (zh) | 2016-09-21 | 2016-09-21 | 清醒状态下的脑电信号数据类型的标注方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106236084A CN106236084A (zh) | 2016-12-21 |
CN106236084B true CN106236084B (zh) | 2019-06-11 |
Family
ID=57610772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610843517.6A Active CN106236084B (zh) | 2016-09-21 | 2016-09-21 | 清醒状态下的脑电信号数据类型的标注方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106236084B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103584840A (zh) * | 2013-11-25 | 2014-02-19 | 天津大学 | 基于脑电、心率变异及两者相干性的自动睡眠分期方法 |
CN105105714A (zh) * | 2015-08-26 | 2015-12-02 | 吴建平 | 一种睡眠分期方法及*** |
-
2016
- 2016-09-21 CN CN201610843517.6A patent/CN106236084B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103584840A (zh) * | 2013-11-25 | 2014-02-19 | 天津大学 | 基于脑电、心率变异及两者相干性的自动睡眠分期方法 |
CN105105714A (zh) * | 2015-08-26 | 2015-12-02 | 吴建平 | 一种睡眠分期方法及*** |
Non-Patent Citations (2)
Title |
---|
,基于样本熵的睡眠脑电分期;和卫星,等;《江苏大学学报》;20090930;第30卷(第5期);501-504 |
基于样本熵的睡眠脑电分期;和卫星,等;《江苏大学学报》;20090930;第30卷(第5期);501-504 |
Also Published As
Publication number | Publication date |
---|---|
CN106236084A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106175754B (zh) | 睡眠状态分析中清醒状态检测装置 | |
CN110742585B (zh) | 基于bcg信号的睡眠分期方法 | |
JP4101069B2 (ja) | 生理信号の短時間モニタリングを通じたユーザ情緒認識装置及び方法 | |
CN106178222B (zh) | 基于催眠术的智能辅助睡眠方法和*** | |
CN106333676B (zh) | 清醒状态下的脑电信号数据类型的标注装置 | |
Charupanit et al. | A simple statistical method for the automatic detection of ripples in human intracranial EEG | |
CN103405225B (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
Soman et al. | Classification of stress of automobile drivers using radial basis function kernel support vector machine | |
Rahman et al. | Mental stress recognition using K-nearest neighbor (KNN) classifier on EEG signals | |
Cosoli et al. | Heart rate variability analysis with wearable devices: Influence of artifact correction method on classification accuracy for emotion recognition | |
CN106344008B (zh) | 睡眠状态分析中清醒状态检测方法和*** | |
CN106361327B (zh) | 睡眠状态分析中清醒状态检测方法和*** | |
Singh et al. | Emotion recognition using electroencephalography (EEG): a review | |
Kobayashi et al. | Development of a mental disorder screening system using support vector machine for classification of heart rate variability measured from single-lead electrocardiography | |
CN106618486B (zh) | 智能辅助睡眠中的睡眠状态识别方法和*** | |
CN106175698B (zh) | 睡眠状态分析中睡眠周期检测装置 | |
CN106333674B (zh) | 睡眠状态分析中睡眠周期检测方法和*** | |
CN106333675B (zh) | 清醒状态下的脑电信号数据类型的标注方法和*** | |
KR20170004547A (ko) | 동공 크기 변화율을 이용한 뇌 정보 (EEG spectrum) 추출 방법 및 그 장치 | |
CN106388812B (zh) | 清醒状态下的脑电信号数据类型的标注方法和*** | |
CN106236084B (zh) | 清醒状态下的脑电信号数据类型的标注方法和*** | |
CN106333678A (zh) | 脑电信号中检测睡眠状态下脑电波的方法和*** | |
Bianchi et al. | Automatic detection of sleep macrostructure based on a sensorized T-shirt | |
CN106377250B (zh) | 睡眠状态下的脑电信号数据类型的标注设备 | |
Zammouri et al. | Intelligentocular artifacts removal in a noninvasive singlechannel EEG recording |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |