[发明专利]应用前额叶单通道脑电信号对睡眠分期的机器学习算法

权利要求书

1.应用前额叶单通道脑电信号对睡眠分期的机器学习算法，包括训练模型的建立和最终输出预测，其特征在于：所述训练模型的建立包括Fp1-Fp2脑电数据的采集、滤波并去除伪迹、30s分段处理和提取特征四个阶段，最后建立训练模型；

所述最终输出预测同样需要经过Fp1-Fp2脑电数据的采集、滤波并去除伪迹、30s分段处理和提取特征四个阶段，最后将提取的特征送入建立好的训练模型后得到最终输出预测。

2.根据权利要求1所述的应用前额叶单通道脑电信号对睡眠分期的机器学习算法，其特征在于：所述Fp1-Fp2脑电数据的采集是在人脑前额叶Fp1-Fp2位置放置柔性贴片电极采集脑电信号；同时佩戴上PSG设备进行数据采集，然后针对PSG设备采集的数据进行标注，这个标注作为模型训练的标签使用。

3.根据权利要求2所述的应用前额叶单通道脑电信号对睡眠分期的机器学习算法，其特征在于：通过PSG设备采集得到的信号依据对应标注的标签，划分为：清醒、快速眼动时期、浅睡和深睡这四个类别。

4.根据权利要求1所述的应用前额叶单通道脑电信号对睡眠分期的机器学习算法，其特征在于：所述滤波并去除伪迹的方法是先计算N毫秒时间窗口中信号的斜率、最大最小值的差值以及峰值，这些计算得到的数值特征作为判定条件，超过一定条件的信号，就会被判别为伪迹信号进行去除；

然后对去伪迹之后的脑电信号进行高低通滤波以及50Hz的工频陷波滤波。

5.根据权利要求1所述的应用前额叶单通道脑电信号对睡眠分期的机器学习算法，其特征在于：所述30s分段处理是对滤波后的数据，进行30s每段的信号分段处理，并提取对应标注的标签。

6.根据权利要求1所述的应用前额叶单通道脑电信号对睡眠分期的机器学习算法，其特征在于：所述提取特征是在30s的分段数据上进行特征提取；

首先是进行信号的分解，以delta波0.5-3Hz，theta波4-7Hz，alpha波8-13Hz，spindles波12-16Hz以及beta波13-30Hz的范围来进行信号分解；

其次是对信号进行中值滤波，再进行0.5-3Hz的带通滤波，得到和眼动相关的信号；然后是进行40Hz的高通滤波，得到和肌电相关的信号。

7.根据权利要求6所述的应用前额叶单通道脑电信号对睡眠分期的机器学习算法，其特征在于：所述对于分解后的信号，分别提取sigma_beta_index，delta_beta_index，eye_movement_index，beta_EMG_index，average_beta_envelope，average_EMG_envelope这六个信号特征。

8.根据权利要求7所述的应用前额叶单通道脑电信号对睡眠分期的机器学习算法，其特征在于：所述提取特征之后，将提取到的特征和对应的标签送入XGBoost模型中训练；其中在XGBoost模型中设置目标函数为softmax函数，同时在训练过程中，使用网格搜索，找到最佳的参数设置，直到达到最佳的kappa值，此时将模型进行保存。

9.根据权利要求8所述的应用前额叶单通道脑电信号对睡眠分期的机器学习算法，其特征在于：所述保存下来的模型即为建立的训练模型，并用于对新数据进行自动睡眠阶段分类；

然后对新采集的Fp1-Fp2脑电数据进行滤波和去伪迹处理，之后进行30s的分段处理，再提取特征，最后送入保存好的训练模型进行最终输出预测。