RU2751137C1 - Method for determining sleep phase in long-term eeg recording - Google Patents
Method for determining sleep phase in long-term eeg recording Download PDFInfo
- Publication number
- RU2751137C1 RU2751137C1 RU2020115997A RU2020115997A RU2751137C1 RU 2751137 C1 RU2751137 C1 RU 2751137C1 RU 2020115997 A RU2020115997 A RU 2020115997A RU 2020115997 A RU2020115997 A RU 2020115997A RU 2751137 C1 RU2751137 C1 RU 2751137C1
- Authority
- RU
- Russia
- Prior art keywords
- epoch
- input
- eeg signal
- neural network
- sleep
- Prior art date
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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
Description
ОБЛАСТЬ ТЕХНИКИFIELD OF TECHNOLOGY
Настоящее техническое решение относится к областям медицины и вычислительной техники, в частности, к способу автоматического определения фазы сна в длительной записи электроэнцефалограммы (далее - ЭЭГ) при помощи машинного обучения.This technical solution relates to the fields of medicine and computing, in particular, to a method for automatically determining the phase of sleep in a long-term recording of an electroencephalogram (hereinafter - EEG) using machine learning.
УРОВЕНЬ ТЕХНИКИLEVEL OF TECHNOLOGY
Из уровня техники известен источник информации KR 101395197 B1, 15.05.2014 раскрывающий способ определения состояния сна пациента в течение определенного периода времени, содержащий этапы, на которых получают данные ЭЭГ для пациента в течение указанного периода времени, причем данные ЭЭГ содержат, по меньшей мере, один первый частотный диапазон, имеющий более низкую мощность в частотном спектре, второй частотный диапазон в частотном спектре, этап приема, показывающий динамический диапазон. Осуществляют сегментирование данных о мозговых волнах на одну или несколько эпох. Осуществляют взвешивания частотных мощностей одной или нескольких эпох с течением времени для нормализации данных мозговой волны для формирования нормализованных данных, причем этап взвешивания включает в себя: этап взвешивания мощности частоты частотного спектра, увеличение динамического диапазона мощности в пределах первый частотный диапазон путем сравнения динамического диапазона мощности со вторым частотным диапазоном; и этап генерирования одной или более взвешенных по частоте эпох. Второй взвешивающий этап взвешивания малой мощности для повторной нормализации нормализованных данных в соответствии со второй мерой для формирования дважды нормализованных данных. Осуществляют классификацию состояния сна пациента на основе одной или нескольких частотно-взвешенных эпох.From the prior art, a source of information KR 101395197 B1, 05/15/2014 disclosing a method for determining the sleep state of a patient for a certain period of time is known, containing the stages at which EEG data for a patient is obtained for a specified period of time, and the EEG data contains at least one first frequency band having a lower power in the frequency spectrum, a second frequency band in the frequency spectrum, a receiving step showing a dynamic range. Brain wave data are segmented into one or more epochs. The frequency powers of one or more epochs are weighted over time to normalize the brainwave data to generate normalized data, the weighting step including: the step of weighting the power of the frequency spectrum, increasing the dynamic range of the power within the first frequency range by comparing the dynamic range of the power with the second frequency range; and a step of generating one or more frequency-weighted epochs. A second weighting step of low power weighting to re-normalize the normalized data according to a second measure to generate twice normalized data. The patient's sleep state is classified based on one or more frequency-weighted epochs.
Из уровня техники известен источник информации RU 2672684 C2, 19.11.2018, раскрывающий способ обнаружения стадий сна пациента осуществляют с помощью системы обнаружения стадий сна. При этом обеспечивают стимул для пациента с помощью источника стимулов. Формируют с помощью датчиков выходные сигналы, передающие информацию, связанную с одним или более физиологическими параметрами пациента, относящимися к ЭЭГ, ЭМГ, ЭОГ и движению пациента. Анализируют с помощью модуля реакции на основе одного или более физиологических параметров реакции на стимулы. Формируют с помощью модуля стадий сна оценку стадии сна пациента, основываясь на одном или более физиологических параметрах, и определяют вероятность точности оценки стадии сна. Определяют с помощью модуля сравнения, превышает ли вероятность точности оценки заданный порог. Обеспечивают с помощью модуля управления стимулами в ответ на вероятность точности оценки, не превышающую заданный порог, стимул повторной оценки для пациента. Обеспечение стимула повторной оценки для пациента выполняется повторно с нарастающей интенсивностью, пока вероятность точности оценки не превысит заданный порог. Анализируют с помощью модуля реакции реакцию на стимул повторной оценки, основываясь на одном или более физиологических параметрах. Повторно оценивают с помощью модуля стадий сна оценку стадии сна и/или вероятность точности оценки, основываясь на проанализированной реакции на стимул повторной оценки. Достигается повышение точности оценки определения стадий сна и увеличение вероятности точной оценки определения стадий сна.A source of information RU 2672684 C2, 11/19/2018 is known from the prior art, which discloses a method for detecting sleep stages of a patient using a sleep stage detection system. This provides a stimulus to the patient using the stimulus source. Using the sensors, output signals are generated that transmit information related to one or more physiological parameters of the patient related to EEG, EMG, EOG and patient movement. Analyzed by a response module based on one or more physiological stimulus response parameters. The sleep stage module generates an estimate of the patient's sleep stage based on one or more physiological parameters, and the likelihood of an accuracy of the sleep stage estimate is determined. It is determined using the comparison module whether the probability of the estimation accuracy exceeds a predetermined threshold. The stimulus control module is provided, in response to the probability of the estimation accuracy not exceeding a predetermined threshold, a reevaluation stimulus for the patient. Providing a reevaluation incentive to the patient is repeated with increasing intensity until the probability of the accuracy of the estimate exceeds a predetermined threshold. The response module is analyzed by a response module to respond to a reevaluation stimulus based on one or more physiological parameters. The sleep stage module reevaluates the sleep stage score and / or the likelihood of the accuracy of the score based on the analyzed response to the reevaluation stimulus. EFFECT: increased accuracy of estimation of sleep stages determination and increased probability of accurate estimation of sleep stages determination.
Предлагаемое решение отличается от известных из уровня техники решений тем, что при обучении нейронной сети учитывают признаки мощности сигнала ЭЭГ в альфа – диапазоне, которые связаны с процессами сна, так альфа-волны уменьшаются при открытых глазах, сонливости и сне, затылочные альфа-волны в периоды закрытых глаз являются наиболее сильными сигналами ЭЭГ мозга. Данные параметры помогут точно соотнести сигнал ЭЭГ к фазам сна.The proposed solution differs from the solutions known from the prior art in that when training a neural network, signs of the EEG signal power in the alpha range, which are associated with sleep processes, are taken into account, so alpha waves decrease with open eyes, drowsiness and sleep, occipital alpha waves in periods of closed eyes are the strongest EEG signals from the brain. These parameters will help to accurately correlate the EEG signal to sleep phases.
СУЩНОСТЬ ИЗОБРЕТЕНИЯSUMMARY OF THE INVENTION
Технической проблемой, на решение которой направлено заявленное техническое решение, является создание компьютерно-реализуемого способа автоматического определения фазы сна в длительной записи ЭЭГ, который охарактеризован в независимом пункте формулы. Дополнительные варианты реализации настоящего изобретения представлены в зависимых пунктах изобретения.The technical problem to be solved by the claimed technical solution is the creation of a computer-implemented method for automatically determining the sleep phase in a long-term EEG recording, which is characterized in an independent claim. Additional embodiments of the present invention are presented in the dependent claims.
Технический результат заключается в повышении точности классификации сигнала ЭЭГ по фазам сна. The technical result consists in increasing the accuracy of the classification of the EEG signal by sleep phases.
Заявленный результат достигается за счет осуществления компьютерно-реализуемого способа автоматического определения фазы сна в длительной записи ЭЭГ, который содержит:The claimed result is achieved by implementing a computer-implemented method for automatically determining the phase of sleep in a long-term EEG recording, which contains:
Подготовительный этап, на котором:The preparatory stage, at which:
производят предобработку по меньшей мере одного сигнала ЭЭГ из базы данных, осуществляют фильтрацию по меньшей мере одного канала, осуществляют выделение по меньшей мере одной эпохи из по меньшей мере одного сигнала ЭЭГ и осуществляют поканальную нормализацию;preprocessing at least one EEG signal from the database, filtering at least one channel, extracting at least one epoch from at least one EEG signal and performing channel-by-channel normalization;
обучают первую нейронную сеть, на вход которой подают по меньшей мере одну эпоху по меньшей мере одного сигнала ЭЭГ, в которой используются по меньшей мере два канала, которые являются общими для всех субъектов, при этомtrain the first neural network, at the input of which at least one epoch of at least one EEG signal is supplied, in which at least two channels are used, which are common for all subjects, while
осуществляют автоматическое выделение признаков из по меньшей мере одной эпохи по меньшей мере одного сигнала ЭЭГ, посредством применения одномерного свёрточного слоя с большим размером фильтра и применением, по меньшей мере одного свёрточного блока, который обеспечивает больший уровень абстракции;perform automatic feature extraction from at least one epoch of at least one EEG signal by applying a one-dimensional convolutional layer with a large filter size and applying at least one convolutional block that provides a higher level of abstraction;
полученные признаки объединяют во входные последовательности, причем последовательность состоит из текущей эпохи и по меньшей мере одной предыдущей эпохи первой нейронной сети;the obtained features are combined into input sequences, and the sequence consists of the current epoch and at least one previous epoch of the first neural network;
каждая эпоха делится на равные части по длине отрезка и по каждому отрезку, в каждом канале, вычисляют мощность сигнала в альфа диапазоне, полученные признаки добавляются к входной последовательности;each epoch is divided into equal parts along the length of the segment and for each segment, in each channel, the signal power in the alpha range is calculated, the obtained features are added to the input sequence;
обучают вторую нейронную сеть, на вход которой подают полученную на предыдущем этапе входную последовательность, для определения временной динамики зависимости между эпохами;the second neural network is trained, at the input of which the input sequence obtained at the previous stage is fed, to determine the temporal dynamics of the relationship between eras;
Рабочий этап, на котором:The working stage at which:
запускают обученные на предыдущем этапе первую и вторую нейронные сети, на вход первой нейронной сети подают по меньшей мере одну эпоху, по меньшей мере одного сигнала ЭЭГ, затем на вход второй нейронной сети подают входную последовательность, полученную от первой нейронной сети и содержащую признаки, вычисленные на основе мощности сигнала в альфа диапазоне;the first and second neural networks trained at the previous stage are launched, at least one epoch of at least one EEG signal is fed to the input of the first neural network, then the input sequence obtained from the first neural network and containing the features calculated based on signal strength in the alpha range;
осуществляют классификацию по меньшей мере одной эпохи, по меньшей мере одного сигнала ЭЭГ для определения вероятности принадлежности по меньшей мере одной эпохи к по меньшей мере одной фазе сна;carry out the classification of at least one epoch of at least one EEG signal to determine the probability of belonging at least one epoch to at least one sleep phase;
выводят результаты классификации. displays the classification results.
В частном варианте реализации предлагаемого способа, фазы сна делятся на:In a private embodiment of the proposed method, sleep phases are divided into:
● W (wakefulness) - бодрствование;● W (wakefulness) - wakefulness;
● N1 - дремота;● N1 - drowsiness;
● N2 - легкий сон;● N2 - light sleep;
● N3 - глубокий / медленный сон;● N3 - deep / slow sleep;
● REM (rapid eye movement) - фаза сна, сопровождающаяся быстрыми движениями глаз и сновидениями. ● REM (rapid eye movement) - sleep phase, accompanied by rapid eye movements and dreams.
В другом частном варианте реализации заявленного способа, каналами, являющимися общими для всех субъектов, являются: A1, A2, C3, C4, Cz, F3, F4, F7, F8, Fp1, Fp2, Fz, O1, O2, P3, P4, Pz, T3, T4, T5, T6.In another particular embodiment of the claimed method, the channels that are common to all subjects are: A1, A2, C3, C4, Cz, F3, F4, F7, F8, Fp1, Fp2, Fz, O1, O2, P3, P4, Pz, T3, T4, T5, T6.
В другом частном варианте реализации заявленного способа, если по меньшей мере один сигнал ЭЭГ длиннее 30 секунд, то сигнал делят на 30-ти секундные эпохи.In another particular embodiment of the claimed method, if at least one EEG signal is longer than 30 seconds, then the signal is divided into 30-second epochs.
ОПИСАНИЕ ЧЕРТЕЖЕЙDESCRIPTION OF DRAWINGS
Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:The implementation of the invention will be described in the following in accordance with the accompanying drawings, which are presented to clarify the essence of the invention and in no way limit the scope of the invention. The following drawings are attached to the application:
Фиг.1 иллюстрирует общий вид заявленного компьютерно-реализуемого способа определения фазы сна в длительной записи ЭЭГ.1 illustrates a general view of the claimed computer-implemented method for determining the phase of sleep in a long-term EEG recording.
Фиг.2 иллюстрирует пример архитектуры свёрточно-рекуррентной нейронной сети для классификации сна по фазам.2 illustrates an example of a convolutional recurrent neural network architecture for classifying sleep into phases.
Фиг. 3 иллюстрирует пример общей схемы вычислительного устройства. FIG. 3 illustrates an example of a general arrangement of a computing device.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯDETAILED DESCRIPTION OF THE INVENTION
В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.In the following detailed description of an implementation of the invention, numerous implementation details are set forth in order to provide a thorough understanding of the present invention. However, it will be obvious to those skilled in the art how the present invention can be used, with or without these implementation details. In other instances, well-known techniques, procedures, and components have not been described in detail so as not to obscure the details of the present invention.
Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.In addition, it will be clear from the above description that the invention is not limited to the above implementation. Numerous possible modifications, alterations, variations and substitutions, while retaining the spirit and form of the present invention, will be apparent to those skilled in the art.
Качество сна может быть связано с проблемами здоровья человека, касающиеся сердечно-сосудистых заболеваний, диабета, кроме того, психиатрические расстройства также влияют на сон. Деление сна на фазы может помочь в диагностировании заболеваний, которые могут быть выявлены через отличия паттернов стадий сна от здорового человека.Sleep quality can be associated with human health problems related to cardiovascular disease, diabetes, and psychiatric disorders also affect sleep. Dividing sleep into phases can help diagnose diseases that can be detected by differences in sleep stage patterns from a healthy person.
Настоящее изобретение направлено на осуществление компьютерно-реализуемого способа автоматического определения фазы сна в длительной записи ЭЭГ.The present invention is directed to the implementation of a computer-implemented method for automatically determining the phase of sleep in a long-term EEG recording.
На Фиг.1 проиллюстрирован предлагаемый компьютерно-реализуемый способ автоматического определения фазы сна в длительной записи ЭЭГ (100), выполняющийся на вычислительном устройстве (300), содержащий два этапа работы: подготовительный (110) (этап обучения) и рабочий (120) (этап тестирования).Figure 1 illustrates the proposed computer-implemented method for automatically determining the phase of sleep in a long-term EEG recording (100), performed on a computing device (300), containing two stages of work: preparatory (110) (learning stage) and working (120) (stage testing).
На подготовительном этапе (110), из базы данных поступает по меньшей мере один сигнал ЭЭГ, который уже размечен специалистом по фазам сна. At the preparatory stage (110), at least one EEG signal is received from the database, which has already been marked by a specialist in sleep phases.
Текущий стандарт Американской Академии Медицины Сна (American Academy of Sleep Medicine, AASM) различает 5 основных стадий сна:The current American Academy of Sleep Medicine (AASM) standard distinguishes 5 main stages of sleep:
W (wakefulness) - бодрствование;W (wakefulness) - wakefulness;
N1 - дремота;N1 - drowsiness;
N2 - легкий сон;N2 - light sleep;
N3 - глубокий / медленный сон;N3 - deep / slow sleep;
REM (rapid eye movement) - фаза сна, сопровождающаяся быстрыми движениями глаз и сновидениями. REM (rapid eye movement) - sleep phase, accompanied by rapid eye movements and dreams.
Нормальный сон состоит из 3-5 характерных циклов. Один цикл длится примерно 90 минут и состоит из фаз N2, N3 и REM. Фаза N1 наблюдается в основном во время засыпания или пробуждений по ходу сна.Normal sleep consists of 3-5 characteristic cycles. One cycle lasts approximately 90 minutes and consists of N2, N3 and REM phases. Phase N1 occurs mainly during falling asleep or waking up during sleep.
На этапе 111 осуществляют предобработку полученного сигнала из базы данных. At
Если сигнал ЭЭГ длиннее 30 секунд, то такой сигнал делят на несколько 30-ти секундных эпох.If the EEG signal is longer than 30 seconds, then such a signal is divided into several 30-second epochs.
Выбирают каналы из по меньшей мере одной эпохи по меньшей мере одного сигнала ЭЭГ. Для получения точного результата был выбран 21 канал, который является общим для всех субъектов в выборке, а именно: A1, A2, C3, C4, Cz, F3, F4, F7, F8, Fp1, Fp2, Fz, O1, O2, P3, P4, Pz, T3, T4, T5, T6. Однако предлагаемое решение не ограничивает использование большего количества каналов.Channels are selected from at least one epoch of at least one EEG signal. To obtain an accurate result, 21 channels were selected, which are common for all subjects in the sample, namely: A1, A2, C3, C4, Cz, F3, F4, F7, F8, Fp1, Fp2, Fz, O1, O2, P3 , P4, Pz, T3, T4, T5, T6. However, the proposed solution does not limit the use of more channels.
Далее каждый канал фильтруют двусторонним фильтром Баттерворта с граничными частотами в 0.3 и 35.0 Герц для того, чтобы убрать не относящиеся к мозговой деятельности помехи: наводки от сети, мышечную активность и другие. Further, each channel is filtered with a two-sided Butterworth filter with cutoff frequencies of 0.3 and 35.0 Hertz in order to remove interference that is not related to brain activity: interference from the network, muscle activity, and others.
Так как на рабочем этапе алгоритма данные могут приходить с потенциально разных источников снятия ЭЭГ с разной частотой дискретизации, в то время как алгоритм должен настраиваться под одну конкретную частоту, все каналы были передискретезированы к частоте 100 Герц. Since at the working stage of the algorithm, data can come from potentially different sources of EEG recording with different sampling rates, while the algorithm must be tuned to one specific frequency, all channels were resampled to a frequency of 100 Hertz.
Последним шагом предобработки сигнала является поканальная нормализация. Для каждого канала считается среднее значение и стандартное отклонение по всему сигналу для данной записи, после чего происходит нормализация канала - то есть вычитается среднее значение и полученный результат делится на стандартное отклонение.The last step of signal preprocessing is channel-by-channel normalization. For each channel, the average value and standard deviation of the entire signal for a given record is calculated, after which the channel is normalized - that is, the average value is subtracted and the result is divided by the standard deviation.
На этапе 112 осуществляется обучение первой свёрточной нейронной сети. Пример архитектуры нейронный сети, представлен на фиг.2 На вход свёрточной нейронной сети подается по меньшей мере один предобработанный сигнал ЭЭГ, а именно по меньшей мере одна 30-ти секундная эпоха предобработанного сигнала ЭЭГ, которая включает в себя 21 канал, являющийся общим для всех субъектов. At step 112, the first convolutional neural network is trained. An example of a neural network architecture is shown in Fig. 2 At least one preprocessed EEG signal is supplied to the input of a convolutional neural network, namely at least one 30-second epoch of a preprocessed EEG signal, which includes 21 channels that are common to all subjects.
При этом осуществляют автоматическое выделение признаков из по меньшей мере одной эпохи сигнала ЭЭГ, где к входному сигналу применяется одномерный свёрточный слой с большим размером фильтра (50). Данный фильтр применяется для того, чтобы в окно попадали колебания низких частот, на которых находятся значимые признаки для выделения стадии N3 - глубокого сна, где присутствуют характерные колебания в дельта диапазоне 0.5-4 Hz. In this case, the automatic extraction of features from at least one epoch of the EEG signal is carried out, where a one-dimensional convolutional layer with a large filter size is applied to the input signal (50). This filter is used to get into the window low-frequency oscillations, at which there are significant signs to highlight the N3 stage - deep sleep, where there are characteristic oscillations in the delta range of 0.5-4 Hz.
Далее полученные признаки поступают на по меньшей мере один свёрточный блок для выделения признаков с большим уровнем абстракции. Для получения наиболее точного результат использовались три свёрточных блока, однако, можно использовать и большее количество блоков. Каждый блок включает:Further, the obtained features are fed to at least one convolutional block to isolate features with a high level of abstraction. Three convolutional blocks were used to obtain the most accurate result, however, more blocks can be used. Each block includes:
1) Одномерный свёрточный слой с фильтром размера 5, для выделения признаков (шаги и число фильтров варьируются);1) One-dimensional convolutional layer with a filter of
2) Слой max-pooling, который заключается в выполнении прохода окном фиксированного размера по изображению и агрегации значений интенсивностей пикселей окна, для снижения вычислительной сложности, регуляризации, трансляционной инвариантности.2) The max-pooling layer, which consists in performing a passage by a window of a fixed size over the image and aggregating the values of the intensities of the window pixels to reduce the computational complexity, regularization, and translational invariance.
Каждый свёрточный слой дополняется после себя последовательностью слоев BatchNormalization и Dropout для ускорения сходимости и предотвращения переобучения.Each convolutional layer is followed by a sequence of BatchNormalization and Dropout layers to speed up convergence and prevent overfitting.
Далее идет классификационная часть из полносвязных слоев, которая завершается слоем softmax, выдающем нормализованное распределение вероятностей принадлежности эпохи по меньшей мере одной фазе сна.Next comes the classification part of fully connected layers, which ends with a softmax layer that produces a normalized probability distribution of the epoch belonging to at least one sleep phase.
Свёрточная нейронная сеть не учитывает временную динамику зависимости между эпохами, которая очень важна при определении фаз сна, поэтому предлагается дополнительно использовать рекуррентную нейронную сеть. Она состоит из двух Long Short-Term Memory (LSTM) слоев, использующих рекуррентную разновидность Dropout, и одного классификационного softmax слоя на конце. The convolutional neural network does not take into account the temporal dynamics of the relationship between epochs, which is very important in determining the sleep phases, therefore, it is proposed to additionally use a recurrent neural network. It consists of two Long Short-Term Memory (LSTM) layers using a recurrent kind of Dropout, and one softmax classification layer at the end.
Для того, чтобы сформировать вход для рекуррентной модели все обучающие данные (по меньшей мере одна эпоха по меньшей мере одного сигнала ЭЭГ) пропускают через свёрточную сеть вплоть до первого полносвязного слоя. Далее выход первого полносвязного слоя берут в качестве нового признакового описания исходного объекта. Поскольку свёрточная часть модели уже обучена, то эти признаки будут хорошо характеризовать исходный сигнал. In order to generate the input for the recurrent model, all training data (at least one epoch of at least one EEG signal) is passed through the convolutional network up to the first fully connected layer. Further, the output of the first fully connected layer is taken as a new feature description of the original object. Since the convolutional part of the model has already been trained, these features will characterize the original signal well.
После чего, на этапе 113, эти признаки объединяются во входные последовательности длиной 6 эпох. Таким образом, входом рекуррентной сети служит последовательность из текущей и 5 предыдущих эпох в признаковом описании свёрточной сети. Then, at step 113, these features are combined into input sequences of 6 epoch length. Thus, the input of the recurrent network is a sequence of the current and 5 previous epochs in the feature description of the convolutional network.
Для устранения размытости границ между фазами W, N1, N2 и повышения точности классификации фаз сна, на этапе 114 рассчитывают мощность сигнала ЭЭГ в альфа диапазоне:To eliminate the blurring of the boundaries between the phases W, N1, N2 and improve the accuracy of the classification of sleep phases, at step 114, the power of the EEG signal in the alpha range is calculated:
1) по меньшей мере одну эпоху делят на несколько отрезков, равных по длине;1) at least one epoch is divided into several segments equal in length;
2) по каждому отрезку в каждом канале считается мощность сигнала в альфа диапазоне. Для это выполняют дискретное преобразование Фурье, затем рассчитывают частоту дискретизации DFT и выделяют частоты в диапазоне от 8 Гц до 13 ГЦ. Вычисляют сумму квадратов спектральных коэффициентов, которые соответствуют выделенным частотам;2) for each segment in each channel, the signal power in the alpha range is considered. To do this, perform a discrete Fourier transform, then calculate the DFT sampling frequency and select frequencies in the range from 8 Hz to 13 Hz. Calculate the sum of the squares of the spectral coefficients that correspond to the selected frequencies;
3) полученные признаки добавляются к признакам на этапе формирования входной последовательности для рекуррентной сети;3) the obtained features are added to the features at the stage of forming the input sequence for the recurrent network;
Например, эпоху делят на 3 отрезка равных по длине, в одной эпохе выделен 21 канал. По каждому отрезку, в каждом канале считают мощность сигнала в альфа диапазоне, получают 63 признака мощности сигнала в альфа диапазоне с одной эпохи сигнала ЭЭГ. Полученные признаки добавляют к признакам, формирующим входную последовательность. For example, an epoch is divided into 3 segments of equal length, 21 channels are allocated in one epoch. For each segment, in each channel, the signal power in the alpha range is counted, 63 signs of the signal power in the alpha range are obtained from one epoch of the EEG signal. The obtained features are added to the features that form the input sequence.
На этапе 115 обучают рекуррентную нейронную сеть, на вход которой подают полученную на предыдущем этапе входную последовательность, для определения временной динамики зависимости между эпохами. На данном этапе заканчивается подготовительный этап. At
На рабочем этапе 120 запускают обученные на предыдущем этапе первую и вторую нейронные сети (этап 121), на вход первой нейронной сети подают по меньшей мере одну эпоху, по меньшей мере одного сигнала ЭЭГ, затем на вход второй нейронной сети подают входную последовательность, полученную от первой нейронной сети и содержащую признаки, вычисленные на основе мощности сигнала в альфа диапазоне.At the working
Осуществляют классификацию по меньшей мере одной эпохи, по меньшей мере одного сигнала ЭЭГ, на этапе 122, для определения вероятности принадлежности по меньшей мере одной эпохи к по меньшей мере одной фазе сна. Полученные результаты классификации выводят на рабочий экран, на этапе 123. At least one epoch of at least one EEG signal is classified in step 122 to determine the likelihood that at least one epoch belongs to at least one sleep phase. The obtained classification results are displayed on the working screen, at step 123.
На Фиг. 3 далее будет представлена общая схема вычислительного устройства (300), обеспечивающего обработку данных, необходимую для реализации заявленного решения. FIG. 3, a general diagram of a computing device (300) will be presented below, which provides data processing necessary for the implementation of the claimed solution.
В общем случае устройство (300) содержит такие компоненты, как: один или более процессоров (301), по меньшей мере одну память (302), средство хранения данных (303), интерфейсы ввода/вывода (304), средство В/В (305), средства сетевого взаимодействия (306).In general, the device (300) contains such components as: one or more processors (301), at least one memory (302), data storage means (303), input / output interfaces (304), I / O means ( 305), networking tools (306).
Процессор (301) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (300) или функциональности одного или более его компонентов. Процессор (301) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (302).The processor (301) of the device performs the basic computational operations necessary for the operation of the device (300) or the functionality of one or more of its components. The processor (301) executes the necessary computer readable instructions contained in the main memory (302).
Память (302), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал. Memory (302), as a rule, is made in the form of RAM and contains the necessary program logic that provides the required functionality.
Средство хранения данных (303) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (303) позволяет выполнять долгосрочное хранение различного вида информации, например, вышеупомянутых файлов с наборами данных пользователей, базы данных, содержащих записи измеренных для каждого пользователя временных интервалов, идентификаторов пользователей и т.п.The data storage medium (303) can be performed in the form of HDD, SSD disks, raid array, network storage, flash memory, optical information storage devices (CD, DVD, MD, Blue-Ray disks), etc. The means (303) allows performing long-term storage of various types of information, for example, the aforementioned files with user data sets, a database containing records of time intervals measured for each user, user identifiers, etc.
Интерфейсы (304) представляют собой стандартные средства для подключения и работы с серверной частью, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п.Interfaces (304) are standard means for connecting and working with the server side, for example, USB, RS232, RJ45, LPT, COM, HDMI, PS / 2, Lightning, FireWire, etc.
Выбор интерфейсов (304) зависит от конкретного исполнения устройства (300), которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п.The choice of interfaces (304) depends on the specific implementation of the device (300), which can be a personal computer, mainframe, server cluster, thin client, smartphone, laptop, etc.
В качестве средств В/В данных (305) в любом воплощении системы, реализующей описываемый способ, должна использоваться клавиатура. Аппаратное исполнение клавиатуры может быть любым известным: это может быть, как встроенная клавиатура, используемая на ноутбуке или нетбуке, так и обособленное устройство, подключенное к настольному компьютеру, серверу или иному компьютерному устройству. Подключение при этом может быть, как проводным, при котором соединительный кабель клавиатуры подключен к порту PS/2 или USB, расположенному на системном блоке настольного компьютера, так и беспроводным, при котором клавиатура осуществляет обмен данными по каналу беспроводной связи, например, радиоканалу, с базовой станцией, которая, в свою очередь, непосредственно подключена к системному блоку, например, к одному из USB-портов. Помимо клавиатуры, в составе средств В/В данных также может использоваться: джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.As means of I / O data (305) in any embodiment of the system that implements the described method, a keyboard should be used. The hardware design of the keyboard can be any known: it can be either a built-in keyboard used on a laptop or netbook, or a stand-alone device connected to a desktop computer, server or other computer device. In this case, the connection can be either wired, in which the connecting cable of the keyboard is connected to the PS / 2 or USB port located on the system unit of the desktop computer, or wireless, in which the keyboard exchanges data via a wireless communication channel, for example, a radio channel, with base station, which, in turn, is directly connected to the system unit, for example, to one of the USB ports. In addition to the keyboard, I / O data can also include: joystick, display (touch screen), projector, touchpad, mouse, trackball, light pen, speakers, microphone, etc.
Средства сетевого взаимодействия (306) выбираются из устройства, обеспечивающий сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi-Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств (305) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM.Networking means (306) are selected from a device that provides network reception and transmission of data, for example, Ethernet card, WLAN / Wi-Fi module, Bluetooth module, BLE module, NFC module, IrDa, RFID module, GSM modem, etc. The means (305) provide the organization of data exchange via a wired or wireless data transmission channel, for example, WAN, PAN, LAN, Intranet, Internet, WLAN, WMAN or GSM.
Компоненты устройства (300) сопряжены посредством общей шины передачи данных (310).The components of the device (300) are interconnected via a common data bus (310).
В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники. In the present application materials, the preferred disclosure of the implementation of the claimed technical solution has been presented, which should not be used as limiting other, particular embodiments of its implementation, which do not go beyond the scope of the claimed scope of legal protection and are obvious to specialists in the relevant field of technology.
Claims (21)
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020115997A RU2751137C1 (en) | 2020-05-15 | 2020-05-15 | Method for determining sleep phase in long-term eeg recording |
| PCT/RU2021/050211 WO2021230775A1 (en) | 2020-05-15 | 2021-07-13 | Method of identifying a sleep phase in a prolonged eeg recording |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020115997A RU2751137C1 (en) | 2020-05-15 | 2020-05-15 | Method for determining sleep phase in long-term eeg recording |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2751137C1 true RU2751137C1 (en) | 2021-07-08 |
Family
ID=76820286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020115997A RU2751137C1 (en) | 2020-05-15 | 2020-05-15 | Method for determining sleep phase in long-term eeg recording |
Country Status (2)
| Country | Link |
|---|---|
| RU (1) | RU2751137C1 (en) |
| WO (1) | WO2021230775A1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2781740C1 (en) * | 2022-01-10 | 2022-10-17 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского" | Method for detecting the state of deep sleep |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115607170B (en) * | 2022-11-18 | 2023-04-25 | 中国科学技术大学 | Lightweight sleep staging method based on single-channel electroencephalogram signals and application |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6272378B1 (en) * | 1996-11-21 | 2001-08-07 | 2Rcw Gmbh | Device and method for determining sleep profiles |
| US20090082639A1 (en) * | 2007-09-25 | 2009-03-26 | Pittman Stephen D | Automated Sleep Phenotyping |
| KR101395197B1 (en) * | 2005-05-10 | 2014-05-15 | 더 설크 인스티튜트 포 바이오로지컬 스터디즈 | Automated detection of sleep and waking states |
| RU2672684C2 (en) * | 2013-01-29 | 2018-11-19 | Конинклейке Филипс Н.В. | Sensory stimuli to increase accuracy of sleep staging |
-
2020
- 2020-05-15 RU RU2020115997A patent/RU2751137C1/en active
-
2021
- 2021-07-13 WO PCT/RU2021/050211 patent/WO2021230775A1/en active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6272378B1 (en) * | 1996-11-21 | 2001-08-07 | 2Rcw Gmbh | Device and method for determining sleep profiles |
| KR101395197B1 (en) * | 2005-05-10 | 2014-05-15 | 더 설크 인스티튜트 포 바이오로지컬 스터디즈 | Automated detection of sleep and waking states |
| US20090082639A1 (en) * | 2007-09-25 | 2009-03-26 | Pittman Stephen D | Automated Sleep Phenotyping |
| RU2672684C2 (en) * | 2013-01-29 | 2018-11-19 | Конинклейке Филипс Н.В. | Sensory stimuli to increase accuracy of sleep staging |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2781740C1 (en) * | 2022-01-10 | 2022-10-17 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского" | Method for detecting the state of deep sleep |
| RU2803957C1 (en) * | 2022-11-14 | 2023-09-22 | Федеральное Государственное Бюджетное Научное Учреждение "Федеральный Научно- Клинический Центр Реаниматологии и Реабилитологии" (ФНКЦ РР) | Method of automated determination of sleep architecture in patients with chronic disorders of consciousness |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021230775A1 (en) | 2021-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Al-Fahoum et al. | Methods of EEG signal features extraction using linear analysis in frequency and time‐frequency domains | |
| CN110353673B (en) | Electroencephalogram channel selection method based on standard mutual information | |
| CN107205652B (en) | Sleep analysis system with feature generation and automatic mapping | |
| CN114781465B (en) | rPPG-based non-contact fatigue detection system and method | |
| Hine et al. | Resting-state EEG: A study on its non-stationarity for biometric applications | |
| Priyasad et al. | Interpretable seizure classification using unprocessed EEG with multi-channel attentive feature fusion | |
| Mei et al. | Identifying sleep spindles with multichannel EEG and classification optimization | |
| Gao et al. | Long-range correlation analysis of high frequency prefrontal electroencephalogram oscillations for dynamic emotion recognition | |
| CN115414051A (en) | Emotion classification and recognition method of electroencephalogram signal self-adaptive window | |
| Yudhana et al. | Recognizing human emotion patterns by applying Fast Fourier Transform based on brainwave features | |
| Affes et al. | Personalized attention-based EEG channel selection for epileptic seizure prediction | |
| RU2751137C1 (en) | Method for determining sleep phase in long-term eeg recording | |
| La Rocca et al. | Stable EEG features for biometric recognition in resting state conditions | |
| Zhou et al. | Phase space reconstruction, geometric filtering based Fisher discriminant analysis and minimum distance to the Riemannian means algorithm for epileptic seizure classification | |
| Ibrahim et al. | EEG-Based Epileptic Seizures Detection with Adaptive Learning Capability. | |
| WO2022025802A1 (en) | Method for detecting depression on the basis of eeg data | |
| Sriraam et al. | Multichannel EEG based inter-ictal seizures detection using Teager energy with backpropagation neural network classifier | |
| Sutharsan et al. | Electroencephalogram signal processing with independent component analysis and cognitive stress classification using convolutional neural networks | |
| Maiorana et al. | EEG-based biometric recognition using EigenBrains | |
| CN115067910A (en) | Heart rate variability pressure detection method, device, storage medium and system | |
| Turabee et al. | Interpreting the filters in the first layer of a convolutional neural network for sleep stage classification | |
| Assali et al. | Comparison by multivariate auto-regressive method of seizure prediction for real patients and virtual patients | |
| Saranya et al. | Ensemble classification for epileptic seizure prediction | |
| Dong et al. | Slow Component Analysis Based Interictal-Preictal EEG Prediction | |
| Sharmila et al. | Integrative Approach for Epileptic Seizure Detection: A Comparative Analysis |