[发明专利]基于混合通道EEG信号的S1与REM睡眠状态检测方法及系统

说明书

本发明公开了一种基于混合通道EEG信号的S1与REM睡眠状态检测方法及系统，首先获取Fpz‑Cz和Pz‑Oz两个通道的EEG信号数据；然后将S1和REM两个睡眠状态作为一个整体状态，并利用Fpz‑Cz单通道信号数据对该整体状态进行检测；最后对检测的S1与REM整体状态，利用Fpz‑Cz和Pz‑Oz两个通道的信号数据进行二分类，以分别检测出S1和REM两个不同的睡眠状态。本发明结合S1和REM睡眠状态的相似性与差异性特点，通过利用不同通道信号数据及提取不同分类特征建立多模型融合的分类检测方法，能够有效提高S1与REM睡眠状态的检测精度。

技术领域

本发明属于睡眠状态检测技术领域，涉及一种基于EEG信号的睡眠状态检测方法及系统，具体涉及一种基于混合通道EEG信号的S1与REM睡眠状态检测方法及系统。

背景技术

睡眠是大脑活动的自然状态，不同的睡眠状态反应了人的生理、认知、健康等特性。各种睡眠状态包括Wake、S1、S2、S3、S4和REM六个阶段，S1与S2是浅睡眠状态，其中S1状态与人的认知行为直接相关，能够用于检测疲劳等应用，如司机的疲劳驾驶检测；S3与S4是深睡眠状态，反应了睡眠质量变化；REM是一种特殊的睡眠状态，通过检测REM睡眠状态，能够用于诊断相关的睡眠疾病。由于睡眠直接影响人的情绪、认知、记忆等行为，基于EEG的睡眠分期研究已获得越来越多的关注[1-4]。相关研究利用智能算法分类不同的睡眠状态，包括深度神经网络、支持向量机、随机森林等方法，同时如何选择有效的信号通道及分类特征也是提高睡眠分期的关键[5-7]。

尽管当前很多睡眠分期方法已经获得较好的检测效果，但由于不同睡眠状态信号的相似性与数据样本不平衡等影响，各种睡眠状态检测性能存在很大的差异，如Wake状态的检测率大都到达95％以上，而S1和REM睡眠状态检测率相对较低，特别是S1状态，检测率一般在30％-50％[8-10]。通过分析睡眠EEG信号的变化特性，S1和REM是两种相似的睡眠状态，并且存在数据样本少的特点，难以进行有效的检测。S1是睡眠阶段的初始状态，大脑开始出现睡意，这一状态直接影响人的认知行为，而REM是与各种精神疾病非常相关的特殊睡眠状态，因此如何提高睡眠分期中S1和REM的检测率对实际应用非常重要。

根据睡眠EEG信号的变化特性，文献[11]将S1和REM合并为一个状态，并进行5类睡眠状态的分类检测，虽然提高了整体的睡眠分期精度，但缺乏对S1和REM睡眠状态的检测；文献[12]利用级联LSTM的方法进行睡眠分期研究，第一个LSTM网络分类包括S1与REM整体状态的四种睡眠阶段，第二个网络对S1和REM睡眠状态进行二分类的检测。文献[13]从多导睡眠图中的EEG、EOG和EMG等多种生理信号中提取分类特征，利用随机森林算法对REM睡眠状态进行检测。

由于S1和REM是具有重要应用和研究价值的两个睡眠状态，且当前的睡眠分期方法缺乏对S1和REM睡眠状态的有效检测，需要结合EEG信号的变化特性，选择高效的信号分类特征，同时，检测模型要避免睡眠分期方法中各种睡眠状态检测性能不一致的问题，克服数据样本不平衡等的影响。

参考文献

[1]H.Ghimatgar,K.Kazemi,M.S.Helfroush,and A.Aarabi,“An automaticsingle-channel EEG-based sleep stage scoring method based on hidden markovmodel,”Journal of neuroscience methods,p.108320,2019.

[2]P.Ghasemzadeh,H.Kalbkhani,S.Sartipi,and M.G.Shayesteh,“Classification of sleep stages based on LSTAR model,”Applied Soft Computing,vol.75,pp.523–536,2019.