[发明专利]一种基于脑电特征融合的睡眠分期方法

说明书

一种基于脑电特征融合的睡眠分期方法，利用小波变换提取小波时频图像，并分别利用一维卷积神经网络和VGG网络提取原始信号特征和小波特征，然后进行特征融合并利用时序卷积网络进行睡眠分期，实现五分类的睡眠分期任；本发明克服了现有自动睡眠分期技术的缺点，降低了睡眠分期的复杂度和成本，同时提高了睡眠分期精准度，具有很广泛的适用场景，可以方便应用于监护病房、睡眠科室和家庭睡眠监测等领域，还可以方便移植于便携式设备中，促进移动医疗的发展，具有通用、易于实现、经济的特点。

技术领域

本发明属于生物医学信号处理技术领域，特别涉及一种基于脑电特征融合的睡眠分期方法，是一种基于脑电信号处理、小波变换和时序卷积网络的脑电特征融合的睡眠分期方法。

背景技术

睡眠是人类最重要的生理活动之一，人的一生有超过三分之一的时间处在睡眠状态中，睡眠的质量是人的生活质量的基础和前提，足够的睡眠对于大脑的充分休息和维持大脑的稳定十分重要。睡眠不足将会引发严重的健康问题，导致心血管疾病、肥胖症等身体疾病，此外睡眠问题还被证实与抑郁症、焦虑症等心理疾病有着密切联系。准确的睡眠分期能够量化睡眠质量，对于检测睡眠相关的疾病具有至关重要的作用。在临床上，通常使用多睡眠导图(PSG)来记录患者整晚的生理信号，并通过这些生理信号表现出的特点，进一步进行睡眠分期。PSG通常包括多通道脑电图(EEG)、心电图(ECG)、眼电图(EOG)、肌电图(EMG)以及胸腹呼吸信号等。经验丰富的睡眠专业医师会对这些信号以20或30秒进行分段标注，划分阶段。睡眠医学经过多年发展，已经形成一套分期标准体系，现在最为常用的是美国睡眠医学学会(American Academy of SleepMedicine,AASM)制定的睡眠分期标准，AASM标准以30s为周期划分PSG片段，将睡眠状态分为五种：清醒(Wake)、三类非快速眼动期(NREM)、快速眼动期(REM)，其中NREM包括3个阶段：N1、N2、N3。然而，以PSG为基础的睡眠分期技术在实际应用中往往复杂又昂贵。PSG信号需要在专业的睡眠实验室中采集，在采集过程中需要在受试者身体多数贴电极，降低了受试者睡眠的舒适度，进而使结果偏离受试者睡眠的真实情况，同时昂贵的检测费用也使得普通患者难以长期维持。所以探索一种可用于便携式家用设备的高精度睡眠分期方法是具有一定意义的。脑电信号由大脑活动产生，直接反映了人在睡眠期间的大脑状态，因此精度最高，使用单通道脑电同时也降低了信号采集的复杂程度。

已有的研究主要包括两类：第一，基于计算特征的机器学习方法。J.Zhou等人在EEG子频段上提取了包括统计特征和熵特征等109个特征，构建了一个以改良决策树和改良随机森林算法为主的分类器；C.Kuo等人从EEG中提取频域、时域、能量共24维特征后，使用多层双向LSTM构建了睡眠分期模型。基于计算特征的机器学习方法能达到一定的准确率，且提取的特征具有生理意义，这使得结果具有一定的可解释性，但是这类方法需要复杂的计算，耗时较长，这使得模型的计算成本高，且模型性能仍有不足。第二，基于原始信号的深度学习方法；A.Supratak等人构建了一个两阶段的深度神经网络模型，一阶段由大、小卷积网络组成，二阶段由双向LSTM和残差块组成，通过过采样和两阶段训练，构建了睡眠分期模型；Zhu,T等人使用Attention机制构建了一个神经网络，分为片段内和片段间注意力模块，同时学习每个片段内和片段间的时序特征，并进行睡眠分期。基于原始信号的深度学习的方法可以方便的使用原始脑电信号来构建模型，灵活性好，但由于提取的特征是无具体意义的抽象特征，难以从睡眠医学角度解释。