CN115966308B - 一种睡眠记忆活跃水平检测量化的方法、***和装置 - Google Patents
一种睡眠记忆活跃水平检测量化的方法、***和装置 Download PDFInfo
- Publication number
- CN115966308B CN115966308B CN202310253629.6A CN202310253629A CN115966308B CN 115966308 B CN115966308 B CN 115966308B CN 202310253629 A CN202310253629 A CN 202310253629A CN 115966308 B CN115966308 B CN 115966308B
- Authority
- CN
- China
- Prior art keywords
- time
- sleep
- memory
- activity level
- analysis
- 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
- 230000003446 memory effect Effects 0.000 title claims abstract description 260
- 230000007958 sleep Effects 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000004458 analytical method Methods 0.000 claims abstract description 160
- 230000008878 coupling Effects 0.000 claims abstract description 88
- 238000010168 coupling process Methods 0.000 claims abstract description 88
- 238000005859 coupling reaction Methods 0.000 claims abstract description 88
- 230000004622 sleep time Effects 0.000 claims abstract description 73
- 230000008569 process Effects 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 34
- 230000010354 integration Effects 0.000 claims abstract description 17
- 238000011002 quantification Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 210000004556 brain Anatomy 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 35
- 230000000694 effects Effects 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 25
- 238000007726 management method Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 230000000284 resting effect Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 230000010355 oscillation Effects 0.000 claims description 9
- 230000002618 waking effect Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001936 parietal effect Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000008667 sleep stage Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 210000005153 frontal cortex Anatomy 0.000 claims 1
- DDBREPKUVSBGFI-UHFFFAOYSA-N phenobarbital Chemical compound C=1C=CC=CC=1C1(CC)C(=O)NC(=O)NC1=O DDBREPKUVSBGFI-UHFFFAOYSA-N 0.000 claims 1
- 210000002442 prefrontal cortex Anatomy 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000003860 sleep quality Effects 0.000 abstract description 4
- 230000033764 rhythmic process Effects 0.000 description 10
- 210000001061 forehead Anatomy 0.000 description 5
- 230000005056 memory consolidation Effects 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000003169 central nervous system Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 241000124008 Mammalia Species 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005789 organism growth Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000037322 slow-wave sleep Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了睡眠记忆活跃水平检测量化的方法,包括:对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据;进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征,进一步量化用户睡眠过程中记忆编码和信息整合的强度,生成睡眠记忆活跃水平曲线;根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告。本发明实现了对不同性别和年龄段、不同身心状态、不同睡眠质量和不同睡眠时相阶段的睡眠记忆活跃水平的科学检测、分析、量化和评估。
Description
技术领域
本发明涉及睡眠记忆活跃水平检测量化领域,特别涉及一种睡眠记忆活跃水平检测量化的方法、***和装置。
背景技术
睡眠对于人类和其他哺乳动物来说时至关重要的,是恢复精力体力、机体生长和功能修复、精神调解和记忆巩固的最根本保障。大脑是记忆的中心,记忆巩固主要发生在睡眠过程中,睡眠的重要性大于清醒期。睡眠结构中的慢波睡眠和快动眼睡眠对记忆信息的编码、加工、整合和巩固发挥着至关重要的作用,进而对人类的学***和记忆结果带来不同的影响。
目前,无论是睡眠记忆活跃水平还是记忆内容结果,绝大多数国内外对人类记忆巩固的研究和评价都仅限了人清醒时的认知任务实验或测试,通过任务评分的方式来衡量人类记忆水平或能力,而缺乏了睡眠过程中的记忆活跃或巩固水平进行检测、量化和评估,甚至没有一个检测手段、分析路径、量化框架和评估指标。如何评价睡眠过程中记忆活跃水平或记忆巩固水平,成为了国际上仍未解决的难题。
发明内容
针对现有方法的以上缺陷及改进需求,本发明的目的在于提供一种睡眠记忆活跃水平检测量化的方法,通过对睡眠过程中大脑中枢神经生理状态的采集和处理,提取时频特征交叉特征、跨频率耦合特征和动态功能连接特征,进而量化用户睡眠过程中记忆编码和信息整合的强度,得到睡眠记忆活跃水平指数和睡眠记忆活跃水平曲线,并进一步结合睡眠时相曲线分析得到时相记忆活跃相关系数,生成睡眠记忆活跃水平报告,从而实现了对不同性别和年龄段、不同身心状态、不同睡眠质量和不同睡眠时相阶段的睡眠记忆活跃水平的检测、分析、量化和评估。本发明还提供了一种睡眠记忆活跃水平检测量化的***,用于实现上述方法。本发明还提供了一种睡眠记忆活跃水平检测量化的装置,用于实现上述***。
根据本发明的目的,本发明提出了一种睡眠记忆活跃水平检测量化的方法,包括以下步骤:
对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据;
对所述脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征;
根据所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线;
根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告。
更优地,所述对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据的具体步骤还包括:
对用户睡眠过程的生理体征状态进行采集记录,生成所述脑中枢生理状态信号;
对用户睡眠过程的所述脑中枢生理状态信号进行时帧处理,得到所述脑中枢生理频带时帧数据。
更优地,所述脑中枢神经生理状态信号采集自目标脑区部位,至少包括脑电信号、脑磁信号、血氧水平依赖信号;其中,所述目标脑区部位至少包括前额叶皮质区、背侧额叶皮质区、顶叶皮质区、中央区皮质区、颞叶皮质区、枕叶皮质区。
更优地,所述时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、信号矫正处理、信号频带提取和信号时帧划分;其中,所述信号矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理,所述信号频带提取具体为从目标信号中提取特定频段范围的频带信号,所述时帧划分具体为按照预设时间窗口和预设时间步长对目标信号进行截取处理。
更优地,所述对所述脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征的具体步骤还包括:
对所述脑中枢生理频带时帧数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析,得到交叉时频特征;
对所述脑中枢生理频带时帧数据的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析,得到跨频率耦合特征;
对所述脑中枢生理频带时帧数据的不同脑区部位的目标信号组进行动态功能连接分析,量化信号间振荡交互过程和作用,得到动态功能连接特征;
对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择,得到所述脑中枢记忆信息编码时帧特征。
更优地,所述时频特征交叉分析具体为对所述脑中枢生理频带时帧数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析,得到交叉时频特征。
更优地,所述跨频率耦合分析具体为对所述脑中枢生理频带时帧数据中的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析,得到跨频率耦合特征。
更优地,所述脑区功能连接分析具体为对所述脑中枢生理频带时帧数据中的不同脑区部位的目标信号组进行动态功能连接分析,量化信号间振荡交互过程和作用,得到动态功能连接特征。
更优地,所述脑中枢记忆信息编码时帧特征至少包括所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征。
更优地,所述根据所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线的具体步骤还包括:
采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征,通过预设权重计算得到每一个特征的静息基线值和任务基线值,建立脑中枢记忆信息编码时帧特征基线指标集;
根据所述脑中枢记忆信息编码时帧特征基线指标集和所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,得到每一时帧的所述记忆活跃水平指数,根据时序的全部时帧的所述记忆活跃水平指数,生成所述睡眠记忆活跃水平曲线。
更优地,所述记忆活跃水平指数和所述睡眠记忆活跃水平曲线的计算生成方法具体为:
1)获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述脑中枢记忆信息编码时帧特征基线指标集;
2)获取当前用户特定时帧的所述脑中枢记忆信息编码时帧特征,计算与同年龄层健康人群的所述脑中枢记忆信息编码时帧特征基线指标集中的静息基线值和任务基线值的基线变化量值,即经基线变化分析,得到脑中枢记忆信息编码时帧特征变化量集;
3)对所述脑中枢记忆信息编码时帧特征变化量集中的全部指标进行时均峰偏分析,得到时均峰偏值,即当前时帧下的所述记忆活跃水平指数;
4)按时序求得全部时帧的所述记忆活跃水平指数,生成并得到所述睡眠记忆活跃水平曲线。
更优地,所述基线变化分析的具体计算方式为:
更优地,所述时均峰偏分析是一种以数值数组的均值、峰度、偏度、绝对值均值、绝对值峰度、绝对值偏度为观察基点基础,以数值数组的方差、变异系数、最大值、最小值、中位数、分位数、绝对值方差、绝对值变异系数、绝对值最大值、绝对值最小值、绝对值中位数、绝对值分位数为主要分析调和项,来观察分析数值数组的数据分布波动状态和总体趋势变化的数据分析方法。
更优地,所述时均峰偏分析的一种具体计算方式为:
更优地,所述根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告的具体步骤还包括:
根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到所述睡眠时相曲线;
分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平曲线的关系特征,提取所述时相记忆活跃相关系数;
根据所述睡眠时相曲线、所述睡眠记忆活跃水平曲线和所述时相记忆活跃相关系数分析计算并生成所述睡眠记忆活跃水平报告。
更优地,所述睡眠时相曲线的提取方法具体为:
1)通过深度学习算法对规模睡眠用户样本的所述脑中枢生理频带时帧数据及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相自动分期模型;
2)将当前用户的所述脑中枢生理频带时帧数据输入所述睡眠时相自动分期模型,得到所对应的睡眠时相分期值;
3)按照时序获取全部时帧的所述脑中枢生理频带时帧数据的所述睡眠时相分期值,生成所述睡眠时相曲线。
更优地,所述时相记忆活跃相关系数的计算方法具体为:
1)获取所述睡眠时相曲线和所述睡眠记忆活跃水平曲线;
2)分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平曲线的关系特征,得到时相记忆活跃水平关系特征指数集;
3)对所述时相记忆活跃水平关系特征指数集进行加权融合计算,得到所述时相记忆活跃相关系数。
更优地,所述关系特征至少包括关联特征和距离特征;其中,所述关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数,所述距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
更优地,所述睡眠记忆活跃水平报告至少包括所述睡眠时相曲线、所述睡眠记忆活跃水平曲线、所述时相记忆活跃相关系数、记忆活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠记忆活跃水平报告总结。
更优地,所述记忆活跃水平时相分布统计具体为不同睡眠时相的平均记忆活跃水平、最大记忆活跃水平和最小记忆活跃水平。
更优地,所述高峰活跃时段小结具体为所述睡眠记忆活跃水平曲线中超过预设高峰阈值的片段所对应的高峰时段分布、所述高峰时段分布的时间数值总和及占比。
更优地,所述低峰活跃时段小结具体为所述睡眠记忆活跃水平曲线中超过预设低峰阈值的片段所对应的低峰时段分布、所述低峰时段分布的时间数值总和及占比。
更优地,所述异常活跃时段小结具体为所述睡眠记忆活跃水平曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、所述异常时段分布的时间数值总和及占比。
根据本发明的目的,本发明提出了一种睡眠记忆活跃水平检测量化的***,包括以下模块:
信号采集处理模块,用于对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据;
交叉连接分析模块,用于对所述脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征;
记忆活跃量化模块,用于根据所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线;
睡眠记忆报告模块,用于根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告;
数据管理中心模块,用于对所述***中所有过程数据和/或结果数据的可视化展示、统一存储和数据运营管理。
更优地,所述信号采集处理模块还包括以下功能单元:
信号采集记录单元,用于对用户睡眠过程的所述脑中枢生理状态信号进行采集记录,所述脑中枢神经生理状态信号采集自目标脑区部位,至少包括脑电信号、血氧水平依赖信号;
信号时帧处理单元,用于对用户睡眠过程的所述脑中枢生理状态信号进行时帧处理,得到所述脑中枢生理频带时帧数据,所述时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、信号矫正处理、信号频带提取和信号时帧划分。
更优地,所述交叉连接分析模块还包括以下功能单元:
时频交叉分析单元,用于对所述脑中枢生理频带时帧数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析,得到交叉时频特征;
跨频率耦合分析单元,用于对所述脑中枢生理频带时帧数据的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析,得到跨频率耦合特征;
功能连接分析单元,用于对所述脑中枢生理频带时帧数据的不同脑区部位的目标信号组进行动态功能连接分析,量化信号间振荡交互过程和作用,得到动态功能连接特征;
记忆特征选择单元,用于对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择,得到所述脑中枢记忆信息编码时帧特征。
更优地,所述记忆活跃量化模块还包括以下功能单元:
基线指标库单元,用于采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征,通过预设权重计算得到每一个特征的静息基线值和任务基线值,建立脑中枢记忆信息编码时帧特征基线指标集;
水平指数提取单元,用于根据脑中枢记忆信息编码时帧特征基线指标集和脑中枢记忆信息编码时帧特征,计算得到所述记忆活跃水平指数;
水平曲线生成单元,用于根据时序的全部时帧的所述记忆活跃水平指数,生成所述睡眠记忆活跃水平曲线。
更优地,所述睡眠记忆报告模块还包括以下功能单元:
睡眠时相提取单元,用于根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到所述睡眠时相曲线;
相关系数计算单元,用于分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平曲线的关系特征,提取所述时相记忆活跃相关系数,所述关系特征至少包括关联特征和距离特征;
报告计算生成单元,用于生成所述睡眠记忆活跃水平报告,所述睡眠记忆活跃水平报告至少包括所述睡眠时相曲线、所述睡眠记忆活跃水平曲线、所述时相记忆活跃相关系数、记忆活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠记忆活跃水平报告总结;
报告输出管理单元,用于对所述睡眠记忆活跃水平报告的格式输出、展现形式进行统一管理。
更优地,所述数据管理中心模块还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对所述***中所有数据的可视化展现管理;
数据存储管理单元,用于对所述***中所有数据的统一存储管理;
数据运营管理单元,用于对所述***中所有数据的备份、迁移和导出。
根据本发明的目的,本发明提出了一种睡眠记忆活跃水平检测量化的装置,包括以下模组:
信号采集处理模组,用于对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据;
交叉连接分析模组,用于对所述脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征;
记忆活跃量化模组,用于根据所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线;
睡眠记忆报告模组,用于根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告;
数据可视化模组,用于对所述装置中所有过程数据和/或结果数据的统一可视化展示管理;
数据管理中心模组,用于对所述装置中所有过程数据和/或结果数据的统一存储和数据运营管理。
本发明所提供的睡眠记忆活跃水平检测量化的方法、***和装置,通过对睡眠过程中大脑中枢神经生理状态的采集和处理,提取时频特征交叉特征、跨频率耦合特征和动态功能连接特征,进而量化用户睡眠过程中记忆编码和信息整合的强度,得到睡眠记忆活跃水平指数和睡眠记忆活跃水平曲线,并进一步结合睡眠时相曲线分析得到时相记忆活跃相关系数,生成睡眠记忆活跃水平报告,从而实现了对不同性别和年龄段、不同身心状态、不同睡眠质量和不同睡眠时相阶段的睡眠记忆活跃水平的检测、分析、量化和评估。本发明解决了现有无法评价以及准确量化的缺陷,具备显著的进步。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供的一种睡眠记忆活跃水平检测量化的方法的流程步骤示意图;
图2是本发明一实施例所提供的一种睡眠记忆活跃水平检测量化的模块组成示意图;
图3是本发明一实施例所提供的一种睡眠记忆活跃水平检测量化的装置的模组构成示意图。
具体实施方式
为了更清楚地说明本发明的目的和技术方案,下面将结合本发明申请实施例中的附图,对本发明进行进一步介绍说明。显而易见地,下面描述的实施例仅是本发明一部分实施例,而不是全部的实施例。在没有创造性劳动前提下,本领域普通技术人员基于本发明的实施例所得到的其他实施例,都应属于本发明的保护范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在实际使用场景中,本发明所提供的一种睡眠记忆活跃水平检测量化的方法、***和装置,能够结合、赋能或嵌入睡眠相关产品和服务,为儿童、青少年、青中年、老年人、亚健康等不同人群场景提供睡眠记忆活跃水平的检测量化方案。
如图1所示,本发明实施例提供的一种睡眠记忆活跃水平检测量化的方法,包括以下步骤:
P100:对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据。
第一步、对用户睡眠过程的生理体征状态进行采集记录,生成脑中枢生理状态信号。
本实施例中,脑中枢神经生理状态信号采集自目标脑区部位,至少包括脑电信号、脑磁信号、血氧水平依赖信号;其中,目标脑区部位至少包括前额叶皮质区、背侧额叶皮质区、顶叶皮质区、中央区皮质区、颞叶皮质区、枕叶皮质区。
本实施例中,以脑电信号为脑中枢神经生理状态信号。通过多导脑电图机对用户整夜睡眠过程的脑电进行采集记录,采样率为2048Hz,记录电极为F3、F4、C3、C4、T3、T4、P3、P4、O1和O2,参考电极M1、M2。
第二步、对用户睡眠过程的脑中枢生理状态信号进行时帧处理,得到脑中枢生理频带时帧数据。
本实施例中,时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、信号矫正处理、信号频带提取和信号时帧划分;其中,信号矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理,信号频带提取具体为从目标信号中提取特定频段范围的频带信号,时帧划分具体为按照预设时间窗口和预设时间步长对目标信号进行截取处理。
本实施例中,首先,对多导脑电信号进行统一的信号预处理,包括去伪迹、小波降噪、50&100&150&200Hz多频率工频陷波、0.5-245hz带通滤波和信号矫正处理,得到纯净多导脑电信号;其次,依次对纯净多导脑电信号进行信号频带提取,包括δ节律(0.5-4Hz)、θ节律(4-8Hz)、α节律(8-12Hz)、β节律(12-30Hz)、γ1节律(30-100Hz) 、γ2节律(100-245Hz),得到多导多频带脑电信号;然后,以5秒预设时间步长10秒预设时间窗口对纯净多导脑电信号和多导多频带脑电信号进行滑动分割,得到脑中枢生理频带时帧数据。
P200:对所述脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征。
第一步、对脑中枢生理频带时帧数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析,得到交叉时频特征。
本实施例中,交叉时频特征包括单通道脑电信号时频特征和交叉通道脑电信号时频关联特征两部分。其中,单通道脑电信号时频特征(如F3)包括信号平均值、信号均方根、信号方差、信号标准差、信号变异系数、包络信号、信号功率谱、特征频带中心频率、特征频带功率占比;交叉通道脑电信号时频关联特征包括信号间(如F3和P3、F3和T3)相关系数、多通道多特征频带信号间(如F3的θ节律信号和P3的θ节律信号)相关系数、信号间(如F3和T3)标准化欧氏距离、多通道多特征频带信号间(如F3的θ节律信号和P3的β节律信号)标准化欧氏距离。
第二步、对脑中枢生理频带时帧数据的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析,得到跨频率耦合特征。
本实施例中,跨频率耦合特征包括单通道脑电信号跨频率耦合特征和交叉通道脑电信号跨频率耦合特征两部分。其中,单通道脑电信号跨频率耦合特征(如F3)包括多个频带信号(如θ和γ、α和β)之间的相-相耦合指数、相-幅耦合指数和幅-幅耦合指数;交叉通道脑电信号跨频率耦合特征包括多个两两不同通道脑电信号(如F3和P3、F3和T3)中的多个频带信号(如θ和γ、α和β)间的相-相耦合指数、相-幅耦合指数和幅-幅耦合指数。
本实施例中,跨频率耦合特征是衡量睡眠记忆活跃水平的最重要指标之一。国内外众多研究已表明,跨频率耦合现象在海马、前额叶、感觉皮层等多个脑区观察到,被认为是记忆编码、感知信息整合等高级认知功能的一种潜在机制。其中,相-幅耦合PAC是指一种低频带EEG的相位与高频带的幅度/功率波动之间存在同步化现象;相-相耦合PPC是指一种低频带EEG的相位与高频带的相位波动之间存在同步化现象;幅-幅耦合AAC是指一种低频带EEG的幅度/功率与高频带的幅度/功率波动之间存在同步化现象。
第三步、对脑中枢生理频带时帧数据的不同脑区部位的目标信号组进行动态功能连接分析,量化信号间振荡交互过程和作用,得到动态功能连接特征。
本实施例中,动态功能连接特征是衡量睡眠记忆活跃水平的最重要指标之一,能够反映大脑中相关区域之间的协调活动模式,尤其是睡眠记忆活动所引发的不同脑区之间的动态功能连接。动态功能连接特征包括多个两两不同通道脑电信号(如F3和P3、F3和T3)的动态功能连接指数。其中,动态功能连接指数包括锁相值、相干系数、相位斜率指数、Pearson相关系数、互信息指数、格兰杰因果指数、转移熵。
第四步、对交叉时频特征、跨频率耦合特征和动态功能连接特征进行特征选择,得到脑中枢记忆信息编码时帧特征。
本实施例中,根据用户年龄段,选择特征频带中心频率、特征频带功率占比、信号间相关系数、多通道多特征频带信号间、多通道的单通道脑电信号跨频率耦合特征、交叉通道脑电信号跨频率耦合特征和动态功能连接特征,作为睡眠记忆活跃水平的关键指标特征,得到脑中枢记忆信息编码时帧特征。
P300:根据所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线。
第一步、采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的交叉时频特征、跨频率耦合特征和动态功能连接特征,通过预设权重计算得到每一个特征的静息基线值和任务基线值,建立脑中枢记忆信息编码时帧特征基线指标集。
本实施例中,预设权重为平均权重,即所有特征的权重值都是一样的。
第二步、根据脑中枢记忆信息编码时帧特征基线指标集和脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,得到每一时帧的记忆活跃水平指数,根据时序的全部时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线。
本实施例中,记忆活跃水平指数和睡眠记忆活跃水平曲线的计算生成方法具体为:
1)获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的脑中枢记忆信息编码时帧特征基线指标集;
2)获取当前用户特定时帧的脑中枢记忆信息编码时帧特征,计算与同年龄层健康人群的脑中枢记忆信息编码时帧特征基线指标集中的静息基线值和任务基线值的基线变化量值,即经基线变化分析,得到脑中枢记忆信息编码时帧特征变化量集;
3)对脑中枢记忆信息编码时帧特征变化量集中的全部指标进行时均峰偏分析,得到时均峰偏值,即当前时帧下的记忆活跃水平指数;
4)按时序求得全部时帧的记忆活跃水平指数,生成并得到睡眠记忆活跃水平曲线。
本实施例中,基线变化分析的具体计算方式为:
在实际使用场景中,任务基线值相关的权重系数比静息基线值相关的权重系数至少要大1~3倍。
本实施例中,时均峰偏分析是一种以数值数组的均值、峰度、偏度、绝对值均值、绝对值峰度、绝对值偏度为观察基点基础,以数值数组的方差、变异系数、最大值、最小值、中位数、分位数、绝对值方差、绝对值变异系数、绝对值最大值、绝对值最小值、绝对值中位数、绝对值分位数为主要分析调和项,来观察分析数值数组的数据分布波动状态和总体趋势变化的数据分析方法。
本实施例中,时均峰偏分析的一种具体计算方式为:
在实际常用场景中,均值是对实值数值数组的数学期望的度量,是数值数组的整体水平;偏度是对实值数值数组的概率分布的不对称性的度量,是数据正态分布状态程度;峰度是对实值数值数组的概率分布的“尾部”度量,识别数值数组的极值和离群值;而时均峰偏值能够很好的反映脑中枢记忆信息编码时帧特征变化量集中全部指标的变化趋向程度,能够作为记忆活跃水平的稳定衡量指标,即记忆活跃水平指数。通常情况下,修正系数也与年龄呈现反比关系。
P400:根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告。
第一步、根据脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线。
本实施例中,睡眠时相曲线的提取方法具体为:
1)通过深度学习算法对规模睡眠用户样本的脑中枢生理频带时帧数据及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相自动分期模型;
2)将当前用户的脑中枢生理频带时帧数据输入睡眠时相自动分期模型,得到所对应的睡眠时相分期值;
3)按照时序获取全部时帧的脑中枢生理频带时帧数据的睡眠时相分期值,生成睡眠时相曲线。
本实施例中,睡眠时相分期与睡眠时相分期值的对应关系为清醒期为0,快速眼动睡眠期为1,浅睡眠Ⅰ期为2,浅睡眠Ⅱ期为3,深睡眠Ⅲ期为4,深睡眠Ⅳ期为5。
第二步、分析计算睡眠时相曲线和睡眠记忆活跃水平曲线的关系特征,提取时相记忆活跃相关系数。
本实施例中,时相记忆活跃相关系数的计算方法具体为:
1)获取睡眠时相曲线和睡眠记忆活跃水平曲线;
2)分析计算睡眠时相曲线和睡眠记忆活跃水平曲线的关系特征,得到时相记忆活跃水平关系特征指数集;
3)对时相记忆活跃水平关系特征指数集进行加权融合计算,得到时相记忆活跃相关系数。
本实施例中,关系特征至少包括关联特征和距离特征;其中,关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数,距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
第三步、根据睡眠时相曲线、睡眠记忆活跃水平曲线和时相记忆活跃相关系数分析计算并生成睡眠记忆活跃水平报告。
本实施例中,睡眠记忆活跃水平报告至少包括睡眠时相曲线、睡眠记忆活跃水平曲线、时相记忆活跃相关系数、记忆活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠记忆活跃水平报告总结。
本实施例中,记忆活跃水平时相分布统计具体为不同睡眠时相的平均记忆活跃水平、最大记忆活跃水平和最小记忆活跃水平。
本实施例中,高峰活跃时段小结具体为睡眠记忆活跃水平曲线中超过预设高峰阈值的片段所对应的高峰时段分布、高峰时段分布的时间数值总和及占比。
本实施例中,低峰活跃时段小结具体为睡眠记忆活跃水平曲线中超过预设低峰阈值的片段所对应的低峰时段分布、低峰时段分布的时间数值总和及占比。
本实施例中,异常活跃时段小结具体为睡眠记忆活跃水平曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、异常时段分布的时间数值总和及占比。
如图2所示,本发明实施例提供的一种睡眠记忆活跃水平检测量化的***,所述***被构造以用于执行上述各个方法步骤。所述***包括如下模块:
信号采集处理模块S100,用于对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据;
交叉连接分析模块S200,用于对脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征;
记忆活跃量化模块S300,用于根据脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线;
睡眠记忆报告模块S400,用于根据脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告;
数据管理中心模块S500,用于对***中所有过程数据和/或结果数据的可视化展示、统一存储和数据运营管理。
本实施例中,信号采集处理模块S100还包括以下功能单元:
信号采集记录单元,用于对用户睡眠过程的生理体征状态进行采集记录,生成脑中枢生理状态信号,脑中枢神经生理状态信号采集自目标脑区部位,至少包括脑电信号、血氧水平依赖信号;
信号时帧处理单元,用于对用户睡眠过程的脑中枢生理状态信号进行时帧处理,得到脑中枢生理频带时帧数据,时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、信号矫正处理、信号频带提取和信号时帧划分。
本实施例中,交叉连接分析模块S200还包括以下功能单元:
时频交叉分析单元,用于对脑中枢生理频带时帧数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析,得到交叉时频特征;
跨频率耦合分析单元,用于对脑中枢生理频带时帧数据的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析,得到跨频率耦合特征;
功能连接分析单元,用于对脑中枢生理频带时帧数据的不同脑区部位的目标信号组进行动态功能连接分析,量化信号间振荡交互过程和作用,得到动态功能连接特征;
记忆特征选择单元,用于对交叉时频特征、跨频率耦合特征和动态功能连接特征进行特征选择,得到脑中枢记忆信息编码时帧特征。
本实施例中,记忆活跃量化模块S300还包括以下功能单元:
基线指标库单元,用于采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的交叉时频特征、跨频率耦合特征和动态功能连接特征,通过预设权重计算得到每一个特征的静息基线值和任务基线值,建立脑中枢记忆信息编码时帧特征基线指标集;
水平指数提取单元,用于根据脑中枢记忆信息编码时帧特征基线指标集和脑中枢记忆信息编码时帧特征,计算得到记忆活跃水平指数;
水平曲线生成单元,用于根据时序的全部时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线。
本实施例中,睡眠记忆报告模块S400还包括以下功能单元:
睡眠时相提取单元,用于根据脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线;
相关系数计算单元,用于分析计算睡眠时相曲线和睡眠记忆活跃水平曲线的关系特征,提取时相记忆活跃相关系数,关系特征至少包括关联特征和距离特征;
报告计算生成单元,用于生成睡眠记忆活跃水平报告,睡眠记忆活跃水平报告至少包括睡眠时相曲线、睡眠记忆活跃水平曲线、时相记忆活跃相关系数、记忆活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠记忆活跃水平报告总结;
报告输出管理单元,用于对睡眠记忆活跃水平报告的格式输出、展现形式进行统一管理。
本实施例中,数据管理中心模块S500还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对***中所有数据的可视化展现管理;
数据存储管理单元,用于对***中所有数据的统一存储管理;
数据运营管理单元,用于对***中所有数据的备份、迁移和导出。
如图3所示,本发明实施例提供的一种睡眠记忆活跃水平检测量化的装置,包括如下模组:
信号采集处理模组M100,用于对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据;
交叉连接分析模组M200,用于对脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征;
记忆活跃量化模组M300,用于根据脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线;
睡眠记忆报告模组M400,用于根据脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告;
数据可视化模组M500,用于对装置中所有过程数据和/或结果数据的统一可视化展示管理;
数据管理中心模组M600,用于对装置中所有过程数据和/或结果数据的统一存储和数据运营管理。
所述装置被构造以用于对应执行图1的方法中的各个步骤,在此不再赘述。
本发明还提供了可编程的各类处理器(FPGA、ASIC或其他集成电路),所述处理器用于运行程序,其中,所述程序运行时执行上述实施例中的步骤。
本发明还提供了对应的计算机设备,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,所述存储器执行所述程序时实现上述实施例中的步骤。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和原则的前提下,可以在实施的形式及细节上进行任何的修改与变化、等同替换等,这些都属于本发明的保护范围。因此,本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (21)
1.一种睡眠记忆活跃水平检测量化的方法,其特征在于,包括以下步骤:
对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据;
对所述脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征;
根据所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线;
根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告;
所述对所述脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征的具体步骤还包括:
对所述脑中枢生理频带时帧数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析,得到交叉时频特征;
对所述脑中枢生理频带时帧数据的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析,得到跨频率耦合特征;
对所述脑中枢生理频带时帧数据的不同脑区部位的目标信号组进行动态功能连接分析,量化信号间振荡交互过程和作用,得到动态功能连接特征;
对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择,得到所述脑中枢记忆信息编码时帧特征;
所述根据所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线的具体步骤还包括:
采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征,通过预设权重计算得到每一个特征的静息基线值和任务基线值,建立脑中枢记忆信息编码时帧特征基线指标集;
根据所述脑中枢记忆信息编码时帧特征基线指标集和所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,得到每一时帧的所述记忆活跃水平指数,根据时序的全部时帧的所述记忆活跃水平指数,生成所述睡眠记忆活跃水平曲线;
其中,分别为数值数组/>的时均峰偏值、平均值、偏度和峰度,/>为年龄相关的修正系数且/>,/>为用户的周岁年龄,N为正整数;所述根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告的具体步骤还包括:
根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到所述睡眠时相曲线;
分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平曲线的关系特征,提取所述时相记忆活跃相关系数;
根据所述睡眠时相曲线、所述睡眠记忆活跃水平曲线和所述时相记忆活跃相关系数分析计算并生成所述睡眠记忆活跃水平报告。
2.如权利要求1所述的方法,其特征在于,所述对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据的具体步骤还包括:
对用户睡眠过程的生理体征状态进行采集记录,生成所述脑中枢生理状态信号;
对用户睡眠过程的所述脑中枢生理状态信号进行时帧处理,得到所述脑中枢生理频带时帧数据。
3.如权利要求2所述的方法,其特征在于:所述脑中枢生理状态信号采集自目标脑区部位,包括脑电信号、脑磁信号、血氧水平依赖信号至少一项;其中,所述目标脑区部位包括前额叶皮质区、背侧额叶皮质区、顶叶皮质区、中央区皮质区、颞叶皮质区、枕叶皮质区至少一项。
4.如权利要求1所述的方法,其特征在于:所述时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、信号矫正处理、信号频带提取和信号时帧划分;其中,所述信号矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理,所述信号频带提取具体为从目标信号中提取预定频段范围的频带信号,所述时帧划分具体为按照预设时间窗口和预设时间步长对目标信号进行截取处理。
5.如权利要求1所述的方法,其特征在于:所述记忆活跃水平指数和所述睡眠记忆活跃水平曲线的计算生成方法具体为:
1)获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述脑中枢记忆信息编码时帧特征基线指标集;
2)获取当前用户特定时帧的所述脑中枢记忆信息编码时帧特征,计算与同年龄层健康人群的所述脑中枢记忆信息编码时帧特征基线指标集中的静息基线值和任务基线值的基线变化量值,即经基线变化分析,得到脑中枢记忆信息编码时帧特征变化量集;
3)对所述脑中枢记忆信息编码时帧特征变化量集中的全部指标进行时均峰偏分析,得到时均峰偏值,即当前时帧下的所述记忆活跃水平指数;
4)按时序求得全部时帧的所述记忆活跃水平指数,生成并得到所述睡眠记忆活跃水平曲线。
6.如权利要求1所述的方法,其特征在于,所述时均峰偏分析是一种以数值数组的均值、峰度、偏度、绝对值均值、绝对值峰度、绝对值偏度至少一项为观察基点基础,以数值数组的方差、变异系数、最大值、最小值、中位数、分位数、绝对值方差、绝对值变异系数、绝对值最大值、绝对值最小值、绝对值中位数、绝对值分位数至少一项为主要分析调和项,来观察分析数值数组的数据分布波动状态和总体趋势变化的数据分析方法。
7.如权利要求1所述的方法,其特征在于,所述睡眠时相曲线的提取方法具体为:
(1)通过深度学习算法对规模睡眠用户样本的所述脑中枢生理频带时帧数据及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相自动分期模型;
(2)将当前用户的所述脑中枢生理频带时帧数据输入所述睡眠时相自动分期模型,得到所对应的睡眠时相分期值;
(3)按照时序获取全部时帧的所述脑中枢生理频带时帧数据的所述睡眠时相分期值,生成所述睡眠时相曲线。
8.如权利要求1所述的方法,其特征在于,所述时相记忆活跃相关系数的计算方法具体为:
(1)获取所述睡眠时相曲线和所述睡眠记忆活跃水平曲线;
(2)分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平曲线的关系特征,得到时相记忆活跃水平关系特征指数集;
(3)对所述时相记忆活跃水平关系特征指数集进行加权融合计算,得到所述时相记忆活跃相关系数。
9.如权利要求8所述的方法,其特征在于,所述关系特征包括关联特征和距离特征至少一项;其中,所述关联特征包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数至少一项,所述距离特征包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦至少一项。
10.如权利要求1所述的方法,所述睡眠记忆活跃水平报告至少包括所述睡眠时相曲线、所述睡眠记忆活跃水平曲线、所述时相记忆活跃相关系数、记忆活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠记忆活跃水平报告总结。
11.如权利要求10所述的方法,其特征在于:所述记忆活跃水平时相分布统计具体为不同睡眠时相的平均记忆活跃水平、最大记忆活跃水平和最小记忆活跃水平。
12.如权利要求10所述的方法,其特征在于:所述高峰活跃时段小结具体为所述睡眠记忆活跃水平曲线中超过预设高峰阈值的片段所对应的高峰时段分布、所述高峰时段分布的时间数值总和及占比。
13.如权利要求10所述的方法,其特征在于:所述低峰活跃时段小结具体为所述睡眠记忆活跃水平曲线中超过预设低峰阈值的片段所对应的低峰时段分布、所述低峰时段分布的时间数值总和及占比。
14.如权利要求10所述的方法,其特征在于:所述异常活跃时段小结具体为所述睡眠记忆活跃水平曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、所述异常时段分布的时间数值总和及占比。
15.一种睡眠记忆活跃水平检测量化的***,其特征在于,包括以下模块:
信号采集处理模块,用于对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据;
交叉连接分析模块,用于对所述脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征;
记忆活跃量化模块,用于根据所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线;
睡眠记忆报告模块,用于根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告;
数据管理中心模块,用于对所述***中所有过程数据和/或结果数据的可视化展示、统一存储和数据运营管理;
所述对所述脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征的具体步骤还包括:
对所述脑中枢生理频带时帧数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析,得到交叉时频特征;
对所述脑中枢生理频带时帧数据的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析,得到跨频率耦合特征;
对所述脑中枢生理频带时帧数据的不同脑区部位的目标信号组进行动态功能连接分析,量化信号间振荡交互过程和作用,得到动态功能连接特征;
对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择,得到所述脑中枢记忆信息编码时帧特征;
所述根据所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线的具体步骤还包括:
采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征,通过预设权重计算得到每一个特征的静息基线值和任务基线值,建立脑中枢记忆信息编码时帧特征基线指标集;
根据所述脑中枢记忆信息编码时帧特征基线指标集和所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,得到每一时帧的所述记忆活跃水平指数,根据时序的全部时帧的所述记忆活跃水平指数,生成所述睡眠记忆活跃水平曲线;
其中,分别为数值数组/>的时均峰偏值、平均值、偏度和峰度,/>为年龄相关的修正系数且/>,/>为用户的周岁年龄,N为正整数;所述根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告的具体步骤还包括:
根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到所述睡眠时相曲线;
分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平曲线的关系特征,提取所述时相记忆活跃相关系数;
根据所述睡眠时相曲线、所述睡眠记忆活跃水平曲线和所述时相记忆活跃相关系数分析计算并生成所述睡眠记忆活跃水平报告。
16.如权利要求15所述的***,其特征在于,所述信号采集处理模块还包括以下功能单元:
信号采集记录单元,用于对用户睡眠过程的所述脑中枢生理状态信号进行采集记录,所述脑中枢生理状态信号采集自目标脑区部位,包括脑电信号、血氧水平依赖信号至少一项;
信号时帧处理单元,用于对用户睡眠过程的所述脑中枢生理状态信号进行时帧处理,得到所述脑中枢生理频带时帧数据,所述时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、信号矫正处理、信号频带提取和信号时帧划分。
17.如权利要求15所述的***,其特征在于,所述交叉连接分析模块还包括以下功能单元:
时频交叉分析单元,用于对所述脑中枢生理频带时帧数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析,得到交叉时频特征;
跨频率耦合分析单元,用于对所述脑中枢生理频带时帧数据的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析,得到跨频率耦合特征;
功能连接分析单元,用于对所述脑中枢生理频带时帧数据的不同脑区部位的目标信号组进行动态功能连接分析,量化信号间振荡交互过程和作用,得到动态功能连接特征;
记忆特征选择单元,用于对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择,得到所述脑中枢记忆信息编码时帧特征。
18.如权利要求17所述的***,其特征在于,所述记忆活跃量化模块还包括以下功能单元:
基线指标库单元,用于采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征,通过预设权重计算得到每一个特征的静息基线值和任务基线值,建立脑中枢记忆信息编码时帧特征基线指标集;
水平指数提取单元,用于根据脑中枢记忆信息编码时帧特征基线指标集和脑中枢记忆信息编码时帧特征,计算得到所述记忆活跃水平指数;
水平曲线生成单元,用于根据时序的全部时帧的所述记忆活跃水平指数,生成所述睡眠记忆活跃水平曲线。
19.如权利要求15所述的***,其特征在于,所述睡眠记忆报告模块还包括以下功能单元:
睡眠时相提取单元,用于根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到所述睡眠时相曲线;
相关系数计算单元,用于分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平曲线的关系特征,提取所述时相记忆活跃相关系数,所述关系特征包括关联特征和距离特征至少一项;
报告计算生成单元,用于生成所述睡眠记忆活跃水平报告,所述睡眠记忆活跃水平报告至少包括所述睡眠时相曲线、所述睡眠记忆活跃水平曲线、所述时相记忆活跃相关系数、记忆活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠记忆活跃水平报告总结;
报告输出管理单元,用于对所述睡眠记忆活跃水平报告的格式输出、展现形式进行统一管理。
20.如权利要求15所述的***,其特征在于,所述数据管理中心模块还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对所述***中所有数据的可视化展现管理;
数据存储管理单元,用于对所述***中所有数据的统一存储管理;
数据运营管理单元,用于对所述***中所有数据的备份、迁移和导出。
21.一种睡眠记忆活跃水平检测量化的装置,其特征在于,包括以下模组:
信号采集处理模组,用于对用户睡眠过程的脑中枢生理状态信号进行采集记录和时帧处理,得到脑中枢生理频带时帧数据;
交叉连接分析模组,用于对所述脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征;
记忆活跃量化模组,用于根据所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线;
睡眠记忆报告模组,用于根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告;
数据可视化模组,用于对所述装置中所有过程数据和/或结果数据的统一可视化展示管理;
数据管理中心模组,用于对所述装置中所有过程数据和/或结果数据的统一存储和数据运营管理;
所述对所述脑中枢生理频带时帧数据进行时频特征交叉分析、跨频率耦合分析和功能连接分析,经特征选择后得到脑中枢记忆信息编码时帧特征的具体步骤还包括:
对所述脑中枢生理频带时帧数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析,得到交叉时频特征;
对所述脑中枢生理频带时帧数据的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析,得到跨频率耦合特征;
对所述脑中枢生理频带时帧数据的不同脑区部位的目标信号组进行动态功能连接分析,量化信号间振荡交互过程和作用,得到动态功能连接特征;
对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择,得到所述脑中枢记忆信息编码时帧特征;
所述根据所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,量化用户睡眠过程中记忆编码和信息整合的强度,提取每一时帧的记忆活跃水平指数,生成睡眠记忆活跃水平曲线的具体步骤还包括:
采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征,通过预设权重计算得到每一个特征的静息基线值和任务基线值,建立脑中枢记忆信息编码时帧特征基线指标集;
根据所述脑中枢记忆信息编码时帧特征基线指标集和所述脑中枢记忆信息编码时帧特征进行基线变化分析和时均峰偏分析,得到每一时帧的所述记忆活跃水平指数,根据时序的全部时帧的所述记忆活跃水平指数,生成所述睡眠记忆活跃水平曲线;
其中,分别为数值数组/>的时均峰偏值、平均值、偏度和峰度,/>为年龄相关的修正系数且/>,/>为用户的周岁年龄,N为正整数;所述根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠记忆活跃水平曲线,提取时相记忆活跃相关系数,生成睡眠记忆活跃水平报告的具体步骤还包括:
根据所述脑中枢生理频带时帧数据识别睡眠时相分期,得到所述睡眠时相曲线;
分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平曲线的关系特征,提取所述时相记忆活跃相关系数;
根据所述睡眠时相曲线、所述睡眠记忆活跃水平曲线和所述时相记忆活跃相关系数分析计算并生成所述睡眠记忆活跃水平报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310253629.6A CN115966308B (zh) | 2023-03-16 | 2023-03-16 | 一种睡眠记忆活跃水平检测量化的方法、***和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310253629.6A CN115966308B (zh) | 2023-03-16 | 2023-03-16 | 一种睡眠记忆活跃水平检测量化的方法、***和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115966308A CN115966308A (zh) | 2023-04-14 |
CN115966308B true CN115966308B (zh) | 2023-06-02 |
Family
ID=85905183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310253629.6A Active CN115966308B (zh) | 2023-03-16 | 2023-03-16 | 一种睡眠记忆活跃水平检测量化的方法、***和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115966308B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116312972B (zh) * | 2023-05-19 | 2023-08-11 | 安徽星辰智跃科技有限责任公司 | 基于眼刺激的睡眠记忆情感张力调节方法、***和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110811558A (zh) * | 2019-11-18 | 2020-02-21 | 郑州大学 | 基于深度学习的睡眠觉醒分析方法 |
US10791986B1 (en) * | 2012-04-05 | 2020-10-06 | Dp Technologies, Inc. | Sleep sound detection system and use |
CN111921062A (zh) * | 2020-09-02 | 2020-11-13 | 北京脑陆科技有限公司 | 一种基于便捷式eeg设备的声波干预记忆力增强*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140057232A1 (en) * | 2011-04-04 | 2014-02-27 | Daniel Z. Wetmore | Apparatus, system, and method for modulating consolidation of memory during sleep |
US11589806B2 (en) * | 2015-05-07 | 2023-02-28 | The Universiiy Of North Carolina At Chapel Hill | Feedback brain stimulation to enhance sleep spindles, modulate memory and cognitive function, and treat psychiatric and neurological symptoms |
US10307592B1 (en) * | 2015-10-23 | 2019-06-04 | Hrl Laboratories, Llc | Method and system to accelerate consolidation of specific memories using transcranial stimulation |
CN111870813A (zh) * | 2020-09-02 | 2020-11-03 | 北京脑陆科技有限公司 | 一种基于便捷式eeg设备的脑电刺激记忆力增强*** |
CN113208563A (zh) * | 2021-04-28 | 2021-08-06 | 西安领跑网络传媒科技股份有限公司 | 睡眠监测方法、装置、***、计算机设备和存储介质 |
CN114748080B (zh) * | 2022-06-17 | 2022-08-19 | 安徽星辰智跃科技有限责任公司 | 一种感觉运动功能的检测量化方法和*** |
-
2023
- 2023-03-16 CN CN202310253629.6A patent/CN115966308B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10791986B1 (en) * | 2012-04-05 | 2020-10-06 | Dp Technologies, Inc. | Sleep sound detection system and use |
CN110811558A (zh) * | 2019-11-18 | 2020-02-21 | 郑州大学 | 基于深度学习的睡眠觉醒分析方法 |
CN111921062A (zh) * | 2020-09-02 | 2020-11-13 | 北京脑陆科技有限公司 | 一种基于便捷式eeg设备的声波干预记忆力增强*** |
Also Published As
Publication number | Publication date |
---|---|
CN115966308A (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hamad et al. | Feature extraction of epilepsy EEG using discrete wavelet transform | |
CN116058805B (zh) | 一种睡眠记忆活跃水平动态调节的方法、***和装置 | |
CN101259015B (zh) | 一种脑电信号分析监测方法及其装置 | |
CN115804573A (zh) | 一种睡眠深度量化及干预的方法、***和装置 | |
Saini et al. | Wavelet based waveform distortion measures for assessment of denoised EEG quality with reference to noise-free EEG signal | |
CN115966308B (zh) | 一种睡眠记忆活跃水平检测量化的方法、***和装置 | |
CN116509338B (zh) | 基于模态分析的睡眠周期性检测及调节方法、***和装置 | |
CN116392085B (zh) | 基于趋势分析的睡眠趋稳性量化及调节方法、***和装置 | |
WO2022134242A1 (zh) | 一种自动睡眠分期的建立方法及其应用 | |
CN116369866A (zh) | 基于小波变换的睡眠趋稳性量化及调节方法、***和装置 | |
CN116392083A (zh) | 基于局部变换的睡眠趋稳性量化及调节方法、***和装置 | |
CN115969330B (zh) | 一种睡眠情绪活跃水平检测量化的方法、***和装置 | |
CN116504357B (zh) | 基于小波分析的睡眠周期性检测及调节方法、***和装置 | |
CN114366060A (zh) | 一种基于心率变异性的健康预警方法、装置及电子设备 | |
CN116392087B (zh) | 基于模态分解的睡眠趋稳性量化及调节方法、***和装置 | |
CN116525063B (zh) | 基于时频分析的睡眠周期性检测及调节方法、***和装置 | |
CN116035536B (zh) | 一种睡眠行为活跃水平检测量化的方法、***和装置 | |
Bazán-Prieto et al. | Retained energy-based coding for EEG signals | |
CN116509336B (zh) | 基于波形分析的睡眠周期性检测及调节方法、***和装置 | |
CN116705247B (zh) | 基于局部分解的睡眠可持续性检测调节方法、***和装置 | |
CN116150591B (zh) | 一种睡眠感官应激水平检测量化的方法、***和装置 | |
CN116392088B (zh) | 基于时频分析的睡眠趋稳性量化及调节方法、***和装置 | |
CN112494026B (zh) | 一种基于非接触的远程心脏猝死预警方法 | |
CN116092641B (zh) | 一种睡眠感官应激水平动态调节的方法、***和装置 | |
CN112274159A (zh) | 一种基于改进带通滤波器的压缩域心电信号质量评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |