CN114391808A - 一种基于非线性相互依赖度的睡眠分期方法及*** - Google Patents

一种基于非线性相互依赖度的睡眠分期方法及*** Download PDF

Info

Publication number
CN114391808A
CN114391808A CN202111589919.5A CN202111589919A CN114391808A CN 114391808 A CN114391808 A CN 114391808A CN 202111589919 A CN202111589919 A CN 202111589919A CN 114391808 A CN114391808 A CN 114391808A
Authority
CN
China
Prior art keywords
nonlinear
sleep
time point
electroencephalogram
interdependencies
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.)
Pending
Application number
CN202111589919.5A
Other languages
English (en)
Inventor
袁琦
周嘉正
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN202111589919.5A priority Critical patent/CN114391808A/zh
Publication of CN114391808A publication Critical patent/CN114391808A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于非线性相互依赖度的睡眠分期方法及***，包括获取被测者某一段时间内的两种脑电信号；提取两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数，并组合为睡眠特征；基于睡眠特征，采用分类器，得到被测者该段时间内所处睡眠阶段。相比传统的线性方法，可以提供更多的信息，提高了睡眠分期正确率。

Description

一种基于非线性相互依赖度的睡眠分期方法及***
技术领域
本发明属于脑电信号处理技术领域，尤其涉及一种基于非线性相互依赖度的睡眠分期方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
检测、评估睡眠质量具有重要的临床意义和实际应用价值，而睡眠状态分析是评估睡眠质量的重要依据。在20世纪30年代，德国精神病学家Berger发现人在睡眠和清醒期的脑电(electroencephalogram，EEG)活动呈现了不同的节律。1968年，R&K睡眠分期标准被提出，即将睡眠过程分为清醒期(W)、快速眼动期(rapid eye movement，REM)和非快速眼动期(non-rapid eye movement，NREM)，其中，非快速眼动期又分为S1、S2、S3和S4期，因此，睡眠分期问题是一种六分类问题。传统睡眠分期是借助专家的肉眼判断，这一过程及其耗费时间且带有主观判断几率，所以，传统睡眠分析方法对于睡眠分期的准确率不高。
近年来，基于单通道EEG、多通道EEG、心电、眼电、肌电与呼吸等生理信号提取特征，并使用分类器进行睡眠分期的研究越来越多。其中，基于EEG的睡眠分期效果最好，心电次之，肌电与眼电效果较差。但是，现有的基于EEG的睡眠分期方法依赖于先验假设，且睡眠分期正确率不高、速度较慢。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于非线性相互依赖度的睡眠分期方法及***，提取非线性度量作为特征，应用于睡眠的检测，相比传统的线性方法，可以提供更多的信息，提高了睡眠分期正确率。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于非线性相互依赖度的睡眠分期方法，其包括：
获取被测者某一段时间内的两种脑电信号；
提取两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数，并组合为睡眠特征；
基于睡眠特征，采用分类器，得到被测者该段时间内所处睡眠阶段。
进一步的，所述提取两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数的具体步骤为：
对每一种脑电信号进行重建，得到重建后的脑电信号；
计算重建后的脑电信号中每个时间点的独立邻域距离和耦合邻域距离；
基于两种脑电信号中每个时间点的独立邻域距离和耦合邻域距离，计算两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数。
进一步的，所述独立邻域距离为一种脑电信号中的某时间点到同一种脑电信号中的该时间点的k邻域时间点的均方欧氏距离。
进一步的，所述耦合邻域距离为一种脑电信号中的某时间点到另一种脑电信号中的该时间点的k邻域时间点的均方欧氏距离。
进一步的，所述多种非线性相互依赖度包括第一非线性相互依赖度，所述第一非线性相互依赖度的计算方法为：计算一种脑电信号在每个时间点上的独立邻域距离与耦合邻域距离的比值，并计算所有时间点上的该比值的均值，将该均值作为第一非线性相互依赖度。
进一步的，所述多种非线性相互依赖度包括第二非线性相互依赖度，所述第二非线性相互依赖度的计算方法为：计算一种脑电信号在每个时间点上的独立邻域距离与耦合邻域距离的比值，并计算每个时间点上的比值的对数值，将所有时间点上的对数值的均值作为第二非线性相互依赖度。
进一步的，所述多种非线性相互依赖度包括第三非线性相互依赖度，所述第三非线性相互依赖度的计算方法为：计算得到一种脑电信号在每个时间点上的独立邻域距离与耦合邻域距离的差值后，计算该差值与同一时间点上的独立邻域距离的比值，并将所有时间点上的该比值的均值，将该均值作为第三非线性相互依赖度。
本发明的第二个方面提供一种基于非线性相互依赖度的睡眠分期***，其包括：
信号获取模块，其被配置为：获取被测者某一段时间内的两种脑电信号；
特征提取模块，其被配置为：提取两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数，并组合为睡眠特征；
分类模块，其被配置为：基于睡眠特征，采用分类器，得到被测者该段时间内所处睡眠阶段。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种基于非线性相互依赖度的睡眠分期方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于非线性相互依赖度的睡眠分期方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于非线性相互依赖度的睡眠分期方法，其将非线性相互依赖应用于睡眠分期，非线性相互依赖不需要提取脑电信号中其他特征与变量，仅需要脑电信号的时间序列，体现较为直接；非线性相互依赖度量是动力学***之间的耦合强度，睡眠期变化时，脑电信号变化剧烈，体现很强的非线性特征，此时非线性依赖性就显示出了强烈的波动；非线性相互依赖使用的是脑电信号的时间序列数据，便于获取与监控，具有更好的时效性。
本发明提供了一种基于非线性相互依赖度的睡眠分期方法，其采用模糊逻辑分类器，该分类器可以从观测数据中识别原型，并构建0阶AnYa型模糊规则；该方法获得的元参数直接来源于数据，不依赖于先验假设；而且可以根据调整计算复杂度在性能跟计算效率之间进行平衡，同时模糊逻辑分类器还支持不同类型的距离度量，因此，可以高效地根据特定问题来调整。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一的一种基于非线性相互依赖度的睡眠分期方法的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种基于非线性相互依赖度的睡眠分期方法，如图1所示，具体包括如下步骤：
步骤1、获取被测者某一段时间内的两种脑电信号：第一脑电信号X′＝{x′n}和第二脑电信号Y′＝{y′n}，其中，n＝1，…，N。
具体的：(101)获取被测者的两种脑电信号，其中，不同脑电信号采用不同的脑电导联方法获得；假设，存在两种脑电导联方法x和y，采用第一脑电导联方法x得到的第一脑电信号，采用第二脑电导联方法y得到的第二脑电信号；(102)对每种脑电信号进行分段，得到每一段时间内的脑电信号；具体的，根据R&K规则，将每种脑电信号以30秒为一段进行分割，得到每一段时间内的第一脑电信号X′＝{x′n}和第二脑电信号Y′＝{y′n}，其中，n＝1，…，N。
或者，直接采用两种脑电导联方法获取被测者一段时间(30秒)内的两种脑电信号。
因此，每段脑电信号X′或Y′对应一个睡眠阶段(W、REM、S1、S2、S3或S4)。
步骤2、提取两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数，并组合为睡眠特征。
(201)对每一种脑电信号进行重建，得到重建后的脑电信号。
具体的，根据两个脑电导联x与y，得到的时间序列X′＝{x′n}和Y′＝{y′n}，重建脑电信号，其中，重建后的脑电信号中每个时间点的延迟向量为xn＝(x′n,…,x′n-(m-1)τ)与yn＝(y′n,…,y′n-(m-1)τ)，n＝1,…N，其中，n为时间点，xn表示第一脑电信号中第n个时间点的延迟向量，m是嵌入维数，τ表示时滞。
因此，重建后的第一脑电信号X＝{xn}，重建后的第二脑电信号Y＝{yn}。
(202)计算重建后的脑电信号中每个时间点的延迟向量的独立邻域距离。独立邻域距离为一种脑电信号中的某时间点到同一种脑电信号中的该时间点的k邻域时间点的均方欧氏距离。
具体的，基于重建后的第一脑电信号X中的每个时间点的延迟向量xn，计算一种脑电信号中的某时间点xn到同一种脑电信号中的该时间点xn的k邻域的均方欧氏距离，即第一脑电信号中每个时间点xn的独立邻域距离为：
Figure BDA0003428747840000061
同理，对于重建后的第二脑电信号Y中的每个时间点的延迟向量yn，可以计算每个时间点延迟向量yn到其k邻域的均方欧氏距离，得到第二脑电信号中每个时间点的延迟向量yn的独立邻域距离为
Figure BDA0003428747840000062
(203)计算重建后的脑电信号中每个时间点的延迟向量的耦合邻域距离。耦合邻域距离为一种脑电信号中的某时间点到另一种脑电信号中的该时间点的k邻域时间点的均方欧氏距离。
对于重建后的第一脑电信号X中的每个时间点的延迟向量xn，计算在重建后的第二脑电信号Y条件下，每个时间点的延迟向量xn到另一种脑电信号中的该时间点的k邻域的均方欧氏距离，该距离是通过将最近邻替换为y的最近邻的等时间近邻来定义的，即第一脑电信号中每个时间点的延迟向量xn的耦合邻域距离：
Figure BDA0003428747840000071
其中，rn,j与sn,j,j＝1,…,k分别表示xn与yn的K近邻的时间指数。
同理，对于重建后的第二脑电信号Y中的每个时间点的延迟向量yn，计算在重建后的第二脑电信号X条件下，每个时间点的延迟向量yn到其k邻域的均方欧氏距离，得到第二脑电信号中每个时间点的延迟向量yn的耦合邻域距离
Figure BDA0003428747840000072
(204)基于两种脑电信号中每个时间点延迟向量的独立邻域距离和耦合邻域距离，计算两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数。其中，睡眠特征(第一睡眠特征、第二睡眠特征、第三睡眠特征、第四睡眠特征、第五睡眠特征、第六睡眠特征和第七睡眠特征)。其中，多种非线性相互依赖度包括第一非线性相互依赖度S、第二非线性相互依赖度H和第三非线性相互依赖度N，第一非线性相互依赖度S对应于第一睡眠特征和第二睡眠特征，第二非线性相互依赖度H对应于第三睡眠特征和第四睡眠特征，第三非线性相互依赖度N对应于第五睡眠特征和第六睡眠特征，两种脑电信号之间的互相关系数对应于第七睡眠特征。
(a)第一非线性相互依赖度S，第一非线性相互依赖度的计算方法为：计算一种脑电信号在每个时间点上的独立邻域距离与耦合邻域距离的比值，并计算所有时间点上的该比值的均值，将该均值作为第一非线性相互依赖度。
如果重建后的第一脑电信号X的点阵{xn}有一个平均的平方半径
Figure BDA0003428747840000081
那么如果这些***是强相关的，有
Figure BDA0003428747840000082
Figure BDA0003428747840000083
如果他们是独立的，那么
Figure BDA0003428747840000084
因此，可以定义一个相互依赖的度量(第一睡眠特征)S(k)(X∣Y)为
Figure BDA0003428747840000085
由于
Figure BDA0003428747840000086
有
0<S(k)(X∣Y)≤1
如果S(k)(X∣Y)的值趋近于0，那么XY之间关系独立，而当S(k)(X∣Y)的值趋近于1时，表示XY将同时达到最大值。
同理，可以得到第二睡眠特征S(k)(Y∣X)。
(b)第二非线性相互依赖度H，第二非线性相互依赖度的计算方法为：计算一种脑电信号在每个时间点上的独立邻域距离与耦合邻域距离的比值，并计算每个时间点上的比值的对数值，将所有时间点上的对数值的均值作为第二非线性相互依赖度。
将另一个非线性相互依赖的度量(第三睡眠特征)H(k)(X∣Y)定义为
Figure BDA0003428747840000087
如果X和Y是完全独立的，则H(k)(X∣Y)的值为0，而如果Y中的接近也意味着X中对等时间伙伴的接近，那么它将是正值。
同理，可以得到第四睡眠特征H(k)(Y∣X)。
(c)第三非线性相互依赖度N，第三非线性相互依赖度的计算方法为：计算得到一种脑电信号在每个时间点上的独立邻域距离与耦合邻域距离的差值后，计算该差值与同一时间点上的独立邻域距离的比值，并将所有时间点上的该比值的均值，将该均值作为第三非线性相互依赖度。
在之前的耦合混沌***研究中，H对噪声更有鲁棒性，但缺点是它没有归一化，因此，提出了一种新的测量(第五睡眠特征)N(X∣Y)，它是经过标准化的且比S更加鲁棒。
Figure BDA0003428747840000091
同理，可以得到第六睡眠特征N(k)(Y∣X)。
一般来说，S(X∣Y),H(X∣Y),N(X∣Y)不等于S(Y∣X),H(Y∣X),N(Y∣X)。S,H,N的不对称性是其他非线性度量互信息和相位同步的主要优势。
(d)利用S(X∣Y)、H(X∣Y)、N(X∣Y)与S(Y∣X)、H(Y∣X)、N(Y∣X)作为特征进行提取，此外，再加上互相关函数(第七睡眠特征)cxy，互相关函数是最常见的衡量两种脑电信号之间的度量，这里
Figure BDA0003428747840000092
与σx表示{xn}的均值与方差，
Figure BDA0003428747840000093
与σy表示{yn}的均值与方差，τ表示时滞，且有cxy＝cyx。
Figure BDA0003428747840000094
综上，第一睡眠特征、第二睡眠特征、第三睡眠特征、第四睡眠特征、第五睡眠特征、第六睡眠特征和第七睡眠特征共同组成某一段时间内被测者的睡眠特征。
步骤3、基于睡眠特征，采用分类器，得到被测者该段时间内所处睡眠阶段。
作为一种实施方式，分类器采用模糊逻辑分类器。
当某一段时间内被测者的睡眠特征的集合达到时，用a表示，计算其发射强度，选取最大值时的标签作为最终结果：
Figure BDA0003428747840000101
标签＝arg max(λM(a))
其中，M＝{W，REM，S1，S2，S3，S4}，a为测试样本，P为每类形成的最终原型，P分为六类，每一类睡眠分期产生一种原型集合。睡眠分期为6分类，对于每一类分别产生原型，共有六种，分别为{W,REM,S1,S2,S3,S4}，当一个测试样本到达时，分别计算它与六类原型之间的发作强度，某一类原型并非只有一个，所以在该类之中的强度也不同，取在该类的最大的发射强度作为测试样本与该原型的代表，这样就有六种代表，再在六种代表中取最大值，作为其最终的标签，所以取两次最大值。先在某一类中取最大值，再比较六类的最大值。
模糊逻辑分类器使用非参数EDA量来客观地揭示数据的集成性质和相互分布，具体的，采用以下三个EDA量：
假设存在训练样本集A＝{a1,a2,…,ak}，该训练样本集A对应的唯一数据样本集为U＝{u1,u2,…,uUk}：
①累计接近，数据样本ai(即，某一时间段某个被测者的睡眠特征)的累计接近度表示为：
Figure BDA0003428747840000102
其中，d(ai,aj)表示ai,aj之间的距离。
②数据样本ai的单模态密度：
Figure BDA0003428747840000111
③唯一数据样本ui的多模态密度：
Figure BDA0003428747840000112
其中，ui为唯一数据样本，fi为唯一数据样本ui出现的频率。例如，对于训练样本集A＝{1,1,2,3,4,4}，那么其唯一数据样本集为U＝{1,2,3,4}，对应的频率fi分别为1/3,1/6,1/6,1/3。
非参数EDA量的递归计算形式在数据的处理中起着重要作用。该分类器可以采用三种分类距离进行分类，分别是：马氏距离，欧氏距离，余弦相似度。在这三种距离下，均可以通过在内存中保存关键元参数来实现快速计算，这也保证了本方法的高效率。
作为一种实施方式，模糊逻辑分类器采用两种训练方式进行训练：离线训练和在线训练：
(1)离线训练
首先，计算训练样本集
Figure BDA0003428747840000113
对应的每一个唯一数据样本wi的多模态密度
Figure BDA0003428747840000114
并将
Figure BDA0003428747840000115
进行排列进列表{w}。之后选出列表{w}中的局部极大值，之后将局部极大值存入{p}0。以S1类的训练数据为例。
Figure BDA0003428747840000116
THEN(wi∈{p}0)
之后，{p}0中的每一个元素，吸附最近的其他数据样本形成数据云。Wp为{p}0中的第p个元素吸附最近的数据样本后形成的数据云的原型，即第p个数据云的原型：
Figure BDA0003428747840000121
之后找到第p个数据云的中心，根据平均半径与其他数据云的中心形成邻域，具体的，若某个数据云的中心与第p个数据云的中心的距离小于平均半径，则该数据云为第p个数据云的邻域。平均半径
Figure BDA0003428747840000122
由粒度(L)决定。一般来说，L越大分类越细。
Figure BDA0003428747840000123
如果第p个数据云中心的多模态密度比第p个数据云的邻域中所有数据云中心的多模态要大，那么第p个数据云的原型便被确认为是一个原型，将第p个数据云的原型归入{p}S1。
(2)在线训练
当一个新的训练数据到达时，首先更新平均半径
Figure BDA0003428747840000124
之后计算该新的训练数据单模态密度。如果其单模态密度大于已有原型的最大的单模态密度或小于已有原型的最小单模态密度，那么它将成为一个新的原型；
如果不符合，那么计算其与最近的原型的距离并与平均半径
Figure BDA0003428747840000125
进行比较。如果大于平均距离，那么它也将成为一个新的原型。
当成为一个新的原型后，将分类器的参数进行更新。如果无法称为新的原型，那么它将被归入最近的原型，同时更新参数。
将原型形成的步骤共重复六次，得到六类原型，分别表示为{p}REM，{p}S1，{p}s2等。
步骤4、获得被测者连续多个时间段内所处睡眠阶段后，进行后处理：对于睡眠分期的六个阶段，采取对于每个阶段分类进行判读，如对于清醒期，将结果分为清醒期与非清醒期，进行一次判定并得到结果。对于每个对象的六种分期分别进行判定，取平均值作为最终的结果。具体的，对h个时间段内所处睡眠阶段进行后处理，假设第1个时间段至第h1个时间段内，有超过阈值个时间段处于于某一睡眠阶段，且第1个时间段和第h1个时间段也处于该睡眠阶段，则将第1个时间段至第h1个时间段内不处于该睡眠阶段的时间段，修改为处于该睡眠阶段。例如，对400个时间段内所处睡眠阶段进行后处理，其中第1～100段为S1，其他为S2，S3或REM等其他分期。当进行判断，得到400段结果后，针对S1进行结果判定，变为二分类——S1类与非S1类。第1～100段应该判定为S1类，101～400应判定为非S1类。如果第20个片段被判定为S1类，那么就是正确的；第200个片段被判断为S1就是错误的；第300个片段被判断为非S1期，那么就是正确的。对于这400段进行判读，得到S1的结果。
本发明的方法在都柏林圣文森特大学医院所提供的睡眠数据库上进行验证。该数据库包含多种生理信息记录如脑电信号，心电信号等。其中，C3-A2与C4-A1为两条脑电信号，所以以这两条导联作为样本，提取它们之间的非线性相互依赖性关系。在本实验中，选择时滞τ＝2，嵌入维数m＝10，邻域K＝10，泰勒矫正T＝50。经过对三种分类距离、粒度大小与训练集在线离线训练比例的选择与实验测试，得到：当分类距离选择余弦相似度、粒度为12、训练集全部用于离线训练时的正确率最高。
通过表1的实验结果，可以看到，在五位被测者的测试中，正确率平均值达到了81％，与其他方法对比，结果较好。
表1实验结果
Figure BDA0003428747840000131
Figure BDA0003428747840000141
基于非线性动力学，可以将对象睡眠时提取脑电信号的不同导联视为几个非线性动力***；将多通道脑电信号导联之间的各种联系与区别看做几个动力学***之间存在的耦合关系；由于不同的睡眠分期之间脑电信号不断变化，不同动力学***之间耦合关系也不断变化；所以，睡眠期间的不断变化综合体现为两个脑电导联之间的耦合关系的变动，本发明采用非线性动力学的方法进行对于睡眠期间的研究。本发明通过从多通道脑电信号中提取特征进行睡眠分期，由于脑电图信号的许多特征不能由线性模型产生，所以，本发明提取非线性度量作为特征，应用于睡眠的检测，比传统的线性方法提供更多的信息。
本发明采用模糊逻辑分类器，该分类器不依赖于任何先验假设，仅依靠数据之间的内部关系来进行识别与分类，且仅在内存中保存关键的元参数，计算速度极快，解决了其他方法计算速度较慢的问题；本发明还有三种分类距离供实际情况灵活选择：马氏距离，欧氏距离，余弦相似度；克服了以往睡眠分期正确率不高的缺点，速度较快；而且可以灵活地调整计算复杂度：既可以得到较高的检测率，又可以避免对于训练集的过度学习导致的过拟合；通过灵活的调整参数，在不同的情况下得到优秀的结果。
实施例二
本实施例提供了一种基于非线性相互依赖度的睡眠分期***，其具体包括如下模块：
信号获取模块，其被配置为：获取被测者某一段时间内的两种脑电信号；
特征提取模块，其被配置为：提取两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数，并组合为睡眠特征；
分类模块，其被配置为：基于睡眠特征，采用分类器，得到被测者该段时间内所处睡眠阶段。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的一种基于非线性相互依赖度的睡眠分期方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种基于非线性相互依赖度的睡眠分期方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于非线性相互依赖度的睡眠分期方法，其特征在于，包括：
获取被测者某一段时间内的两种脑电信号；
提取两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数，并组合为睡眠特征；
基于睡眠特征，采用分类器，得到被测者该段时间内所处睡眠阶段。
2.如权利要求1所述的一种基于非线性相互依赖度的睡眠分期方法，其特征在于，所述提取两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数的具体步骤为：
对每一种脑电信号进行重建，得到重建后的脑电信号；
计算重建后的脑电信号中每个时间点的独立邻域距离和耦合邻域距离；
基于两种脑电信号中每个时间点的独立邻域距离和耦合邻域距离，计算两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数。
3.如权利要求2所述的一种基于非线性相互依赖度的睡眠分期方法，其特征在于，所述独立邻域距离为一种脑电信号中的某时间点到同一种脑电信号中的该时间点的k邻域时间点的均方欧氏距离。
4.如权利要求2所述的一种基于非线性相互依赖度的睡眠分期方法，其特征在于，所述耦合邻域距离为一种脑电信号中的某时间点到另一种脑电信号中的该时间点的k邻域时间点的均方欧氏距离。
5.如权利要求2所述的一种基于非线性相互依赖度的睡眠分期方法，其特征在于，所述多种非线性相互依赖度包括第一非线性相互依赖度，所述第一非线性相互依赖度的计算方法为：计算一种脑电信号在每个时间点上的独立邻域距离与耦合邻域距离的比值，并计算所有时间点上的该比值的均值，将该均值作为第一非线性相互依赖度。
6.如权利要求2所述的一种基于非线性相互依赖度的睡眠分期方法，其特征在于，所述多种非线性相互依赖度包括第二非线性相互依赖度，所述第二非线性相互依赖度的计算方法为：计算一种脑电信号在每个时间点上的独立邻域距离与耦合邻域距离的比值，并计算每个时间点上的比值的对数值，将所有时间点上的对数值的均值作为第二非线性相互依赖度。
7.如权利要求2所述的一种基于非线性相互依赖度的睡眠分期方法，其特征在于，所述多种非线性相互依赖度包括第三非线性相互依赖度，所述第三非线性相互依赖度的计算方法为：计算得到一种脑电信号在每个时间点上的独立邻域距离与耦合邻域距离的差值后，计算该差值与同一时间点上的独立邻域距离的比值，并将所有时间点上的该比值的均值，将该均值作为第三非线性相互依赖度。
8.一种基于非线性相互依赖度的睡眠分期***，其特征在于，包括：
信号获取模块，其被配置为：获取被测者某一段时间内的两种脑电信号；
特征提取模块，其被配置为：提取两种脑电信号之间的多种非线性相互依赖度和两种脑电信号之间的互相关系数，并组合为睡眠特征；
分类模块，其被配置为：基于睡眠特征，采用分类器，得到被测者该段时间内所处睡眠阶段。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于非线性相互依赖度的睡眠分期方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于非线性相互依赖度的睡眠分期方法中的步骤。
CN202111589919.5A 2021-12-23 2021-12-23 一种基于非线性相互依赖度的睡眠分期方法及*** Pending CN114391808A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111589919.5A CN114391808A (zh) 2021-12-23 2021-12-23 一种基于非线性相互依赖度的睡眠分期方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111589919.5A CN114391808A (zh) 2021-12-23 2021-12-23 一种基于非线性相互依赖度的睡眠分期方法及***

Publications (1)

Publication Number Publication Date
CN114391808A true CN114391808A (zh) 2022-04-26

Family

ID=81227642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111589919.5A Pending CN114391808A (zh) 2021-12-23 2021-12-23 一种基于非线性相互依赖度的睡眠分期方法及***

Country Status (1)

Country Link
CN (1) CN114391808A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110092831A1 (en) * 2008-04-14 2011-04-21 Itamar Medical Ltd. Non invasive method and apparatus for determining light-sleep and deep-sleep stages
CN108968915A (zh) * 2018-06-12 2018-12-11 山东大学 基于熵特征及支持向量机的睡眠状态分类方法及***
US20200338304A1 (en) * 2018-01-16 2020-10-29 Walter Viveiros System and method for sleep environment management
US20200346016A1 (en) * 2019-05-02 2020-11-05 Enhale Medical, Inc. Systems and methods to improve sleep disordered breathing using closed-loop feedback

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110092831A1 (en) * 2008-04-14 2011-04-21 Itamar Medical Ltd. Non invasive method and apparatus for determining light-sleep and deep-sleep stages
US20200338304A1 (en) * 2018-01-16 2020-10-29 Walter Viveiros System and method for sleep environment management
CN108968915A (zh) * 2018-06-12 2018-12-11 山东大学 基于熵特征及支持向量机的睡眠状态分类方法及***
US20200346016A1 (en) * 2019-05-02 2020-11-05 Enhale Medical, Inc. Systems and methods to improve sleep disordered breathing using closed-loop feedback

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAN G. JO 等: "Genetic fuzzy classifier for sleep stage identification", 《COMPUTERS IN BIOLOGY AND MEDICINE》, vol. 40, no. 7, 31 July 2010 (2010-07-31), XP027141017 *
SERAP AYDIN 等: "Mutual Information Analysis of Sleep EEG in Detecting Psycho-Physiological Insomnia", 《EDUCATION & TRAINING》, vol. 39, no. 43, 3 March 2015 (2015-03-03) *
闫彦 等: "轻度认知障碍老年人脑电的非线性相互依赖脑网络分析", 《中国生物医学工程学报》, vol. 40, no. 6, 20 December 2021 (2021-12-20) *

Similar Documents

Publication Publication Date Title
Wang et al. Detection analysis of epileptic EEG using a novel random forest model combined with grid search optimization
CN110897639A (zh) 一种基于深度卷积神经网络的脑电睡眠分期方法
Xie et al. Wavelet-based sparse functional linear model with applications to EEGs seizure detection and epilepsy diagnosis
Diykh et al. EEG sleep stages identification based on weighted undirected complex networks
Shahnaz et al. Emotion recognition based on wavelet analysis of Empirical Mode Decomposed EEG signals responsive to music videos
Kaleem et al. Patient-specific seizure detection in long-term EEG using signal-derived empirical mode decomposition (EMD)-based dictionary approach
Kini et al. Large margin mixture of AR models for time series classification
Zhu et al. An efficient visibility graph similarity algorithm and its application on sleep stages classification
EP3226751A1 (en) Sleep profiling system with feature generation and auto-mapping
Al-Salman et al. Detection of EEG K-complexes using fractal dimension of time frequency images technique coupled with undirected graph features
Roy et al. Photoplethysmogram signal quality evaluation by unsupervised learning approach
Al-Salman et al. An efficient approach for EEG sleep spindles detection based on fractal dimension coupled with time frequency image
De Falco et al. Deep neural network hyper-parameter setting for classification of obstructive sleep apnea episodes
CN111631682B (zh) 基于去趋势分析的生理特征集成方法、装置和计算机设备
CN110718301B (zh) 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法
Tigga et al. Efficacy of novel attention-based gated recurrent units transformer for depression detection using electroencephalogram signals
Ohannesian et al. Epileptic seizures detection from EEG recordings based on a hybrid system of Gaussian mixture model and random forest classifier
CN114391808A (zh) 一种基于非线性相互依赖度的睡眠分期方法及***
Shi et al. Automatic sleep stage classification based on LSTM
CN113907770A (zh) 基于特征融合的棘慢复合波检测识别方法及***
Taha et al. EEG Emotion Recognition Via Ensemble Learning Representations
CN112200228A (zh) 一种基于二维卷积神经网络的癫痫发作状态识别方法
Dlask et al. Fractional Brownian Bridge Model for Alzheimer Disease Detection from EEG Signal
KR101615480B1 (ko) 시계열 데이터에서의 실시간 스파이크 검출을 위한 비지도 학습 형식의 자동 임계값 조정 방법 및 장치
Purnamasari et al. EEG based emotion recognition system induced by video music using a wavelet feature vectors and an artificial neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination