[发明专利]一种基于振幅整合脑电图的睡眠觉醒周期的分析方法

权利要求书

1.一种基于振幅整合脑电图的睡眠觉醒周期的分析方法，其特征在于，包括如下步骤：S10：通过放置在头皮适当位置的多导电极片进行脑电数据采集，并传输至计算机进行处理，生成振幅整合脑电图aEEG，其中，S10具体包括步骤：

S101：使用者佩戴脑电监测设备，进行阻抗测试后，开始原始脑电信号的采集；

S102：将采集到的原始脑电信号传输至信号放大器，进行电磁干扰滤波；

S103：对过滤掉电磁干扰的原始脑电信号进行模数转换；

S104：对转化为数字信号的原始脑电进行低通抗混滤波，并将去除混叠干扰后的信号传输至算法计算机；

S105：对传输至算法计算机的原始脑电信号进行非对称带通滤波，去除运动、肌肉活动、心电引起的干扰；

S106：对滤波后的脑电信号进行整流、平滑处理；

S107：对整流、平滑处理后的脑电信号进行时间轴压缩，并对信号幅度进行半对数压缩处理，从而获得振幅整合脑电图aEEG；

S20：将采集生成的aEEG数据上传至服务器，服务器获取aEEG数据后，对受到外部原因干扰导致aEEG信号异常进行识别，并标记异常时间段，其中，S20具体包括步骤：

S201：使用aEEG检测设备的高精度电极片进行感应，并采集aEEG数据，并将采集的数据上传至服务器；

S202：服务器在时间序列上将数据分割为长度为20个时间单位的时间窗口，使用每个时刻上下边界值，做为输入层的特征图谱，每一窗口中占比最多的标注类作为该窗口的数据标注；

S203：将输入数据经过归一化变成在区间(0，1)之间的浮点数值；

S204：输入数据与相应数据标注输入给两个1维卷积神经网络模型进行同时训练，使两个模型分别学习到数据特征，使他们拥有识别能力和分类能力；

S205：为训练后的模型输入处理好的推理数据，输出模型的推理分类的概率分布向量；

S206：对所有窗口结果进行平滑化处理，每40个时间单位作为一个窗口，其中占比最大的一类作为整个窗口的识别结果；

1维卷积神经网络模型采用梯度下降优化算法，目标函数为交叉熵函数，使用dropout方法对抗过拟合，保留参数为0.5；

S30：根据aEEG数据，提取aEEG数据的平滑边界，并获取边界对应的属性特征数据，其中，S30具体包括步骤：

S301：对每一时刻的数据，提取其前后相邻两个时间单位中的原始上边界数据的最小值和原始下边界数据的最大值，使用提取出的最大值和最小值作为该时刻的初步平滑值；

S302：对初步平滑值使用三阶低通滤波器进行小波过滤，得到平滑结果；

S303：对平滑结果加入相位补偿算法，通过补偿低通滤波器的相移恢复滤波的时序信息，得到平滑边界，并获取相应的属性特征数据；

S40：根据aEEG数据的平滑边界属性特征，识别AS和QS，得到睡眠觉醒周期，其中，S40具体包括步骤：

S401：按照窗口长度为40个时间单位，跨度为20个时间单位，将数据进行窗口分割形成多维特征向量，使用每一窗口中占比最多的标注的类作为该窗口的数据标注；

S402：将输入属性经过归一化变成在区间(0，1)之间的浮点数值；

S403：多维特征向量与其对应的数据标注分别输入给第一模型和第二模型进行模型训练，使所述第一模型和所述第二模型分别学习到数据特征，使所述第一模型和所述第二模型拥有识别能力和分类能力，其中，

所述第一模型采用逻辑回归算法，使用均衡权重类的方法，为每个类赋予该类的样本数量占比成反比的训练权重，使用梯度下降优化方法；

所述第二模型为朴素深度神经网络，输入层尺寸为12，第一隐藏层和第二隐藏层尺寸为100，第三隐藏层尺寸为50；使用L2正则化技术，其超参数为0.0001；使用交叉熵损失函数，dropout对抗过拟合，保留参数为0.5；

S404：为训练后的模型输入处理好的推理数据，即可输出模型的推理分类的概率分布向量；

S405：对于每个时间窗口，将两个模型的输出的分类概率分布进行平均Bagging集成，计算出最终的概率分布，并取其中概率最高的一类为识别结果；

S406：将每个窗口的输出结果进行拼接结合，使结果与输入的时序数据的长度一致且对应；

S407：对所有窗口结果进行平滑化处理，每50个时间单位作为一个窗口，用其中占比最大的一类作为整个窗口的整体分类结果。