[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

说明书

本发明公开了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，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；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，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。本发明的有益效果是：本发明采用的Fp1‑Fp2前额叶单通道脑电位于人脑额头部位，采集电极使用柔性贴片电极，采集和佩戴都十分便利，且近乎无感的佩戴不会影响佩戴者的夜间睡眠。

技术领域

本发明涉及一种睡眠分期的机器学习算法，具体为应用前额叶单通道脑电信号对睡眠分期的机器学习算法，属于睡眠分期技术领域。

背景技术

睡眠监测和心率、血氧以及血压等日常生理指标监测一样是十分重要的日常监测项目之一，睡眠监测不仅是患有睡眠障碍的人有需求，还包括很多普通人以及一些慢性病患者。基于脑电的睡眠分期会比基于心电或者脉率、体动等的方法要精确许多。目前基于脑电信号做睡眠监测的方法主要基于多通道，比如脑电信号(EEG)、眼电信号(EOG)和肌电信号(EMG)等，或者是基于头顶中轴位置的单通道，如Fpz-Oz、Pz-Cz等单通道脑电信号。这两种方法对于普通人的睡眠监测会有诸多不便，佩戴方式也比较繁琐，甚至会影响睡眠。

发明内容

本发明的目的就在于为了解决上述问题而提供应用前额叶单通道脑电信号对睡眠分期的机器学习算法。

本发明通过以下技术方案来实现上述目的，应用前额叶单通道脑电信号对睡眠分期的机器学习算法，包括训练模型的建立和最终输出预测，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。