[发明专利]基于张量复杂度的睡眠生理信号特征提取方法及系统

说明书

本发明公开了基于张量复杂度的睡眠生理信号特征提取方法及系统，包括:采集睡眠生理信号并将睡眠生理信号的多导时间序列转化为张量表示；睡眠生理信号表示为N阶张量，N阶张量由N阶子张量组成；判断每个子张量中元素与全局子张量中每个元素之间的差异性大小来决定N阶张量近似熵的大小，将张量近似熵作为睡眠生理信号提取的特征，提取的特征能够准确的反应睡眠生理信号数据的内部特征，继而实现在后续的分类处理中睡眠分期更为准确。

技术领域

本发明属于生理信号特征提取技术领域，尤其涉及基于张量复杂度的睡眠生理信号特征提取方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

数据的张量表示以及对应的以张量为格式的数据处理，如张量分解等，为生物医学信号处理提供了一个新的解决方案，并已经在脑电领域得到了成功的应用。

以张量的形式来对信号进行处理具有其特有的优势。首先几乎所有的生物医学信号都具有多维性，例如32导联睡眠脑电信号或者12导联睡眠心电信号，它们均是同一信号源在体表不同位置的生理表现，各个导联的生理信号并不是单独存在，相互之间具有一定的空间和时间关联，而将其看作是多个单独的信号源进行处理势必会忽略各导联信号之间的相关性。而一个合理的张量数据组织形式可以更大程度地还原单一信号源的系统状态。

此外，进行张量数据表示的另一个动机是张量具有一些特有的性质可以帮助有效的挖掘数据的内部特征，如CANDECOMP/PARAFAC分解(CPD)和Tucker分解(TD)等。基于以上考虑，张量已经在生物医学信号领域得到了初步的应用，如脑电数据的张量表示在多向盲源分离、特征提取、分类、降维和多向聚类等方面已经有了较多的应用。

然而，发明人在研究中发现，在目前的睡眠分期研究中，更多的方法是基于单导或者多导生理信号的特征提取，很少有基于张量数据处理的睡眠分期方法，在为数不多的几种基于张量数据处理的睡眠分期方法中也主要是应用张量分解方法，尚没有文献通过提取张量数据的复杂度来进行睡眠分期的工作。而且，目前的文献中也缺少一种可以准确评估张量数据复杂度的方法。

总之，在众多的张量数据处理方案中，没有体现以评估张量数据复杂度的熵方法，同时也没有针对利用张量数据复杂度进行生理信号的提取，因此，由于没有考虑张量内部结构的复杂情况，目前的生理信号的特征提取精度偏低，在后期的分类等应用带来一定的误差。

发明内容

为克服上述现有技术的不足，本发明提供了基于张量复杂度的睡眠生理信号特征提取方法，通过张量的空间数据复杂度或可预测性，基于张量的数据表示实现特征提取。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

基于张量复杂度的睡眠生理信号特征提取方法，包括:

采集睡眠生理信号并将睡眠生理信号的多导时间序列转化为张量表示；

睡眠生理信号表示为N阶张量，N阶张量由N阶子张量组成；

判断每个子张量中元素与全局子张量中每个元素之间的差异性大小来决定N阶张量近似熵的大小，将张量近似熵作为睡眠生理信号提取的特征。

进一步的技术方案，将提取的睡眠生理信号张量近似熵特征输入至预先训练好的分类器进行分类，确定睡眠生理信号对应的睡眠分期。

更进一步的技术方案，获取特征之后，首先进行不同睡眠状态下睡眠张量的张量近似熵的方差检验及独立样本t检验，以判定张量近似熵与睡眠状态之间是否具有显著相关性及显著性差异，若是，则将提取的特征输入到一对多支持向量机分类器进行睡眠状态分类，并输出睡眠分期的准确率。

进一步的技术方案，对于N阶张量，给定相似度比较阈值参数，并确定嵌入维数用于划分子张量维度，根据嵌入维度，在张量的N个方向上各依次取m个连续点组成一个N阶子张量；