[发明专利]一种基于互补集合经验模态分解的单导脑电睡眠分期方法

说明书

本发明公开了一种基于CEEMD和精简ResNet的脑电分期方法。本发明采用了互补集合经验模态分解和精简ResNet对脑电信号进行分析，其特点在于：对于30‑s EEG信号首先采用互补集合经验模态分解(CEEMD)方法进行分解以获取本征模态分量(IMF)；然后将不同数目的IMF与EEG信号进行组合；再将不同组合的数据送入本方法精简的ResNet进行特征提取；最后将提取到的特征送入长短时记忆神经网络(LSTM)进行分类，为了解决睡眠数据样本中存在的数据样本不均衡问题，在分类网络中采用Focal_loss作为代价函数，通过上述改进和步骤提升睡眠分期的准确率。在SleepEDF‑2013数据集中的Fpz‑cz通道数据上验证了自己的算法流程，结果证明本发明提出的方法优于传统方法和其它分类网络算法，具有更好的分类效果。

技术领域

本发明属于脑电信号处理领域，具体涉及一种基于互补集合经验模态分解(Complementary Empirical Mode Decomposition,CEEMD)和精简残差网络ResNet的睡眠分期方法。

背景技术

睡眠是人类最基本、最重要的生理过程之一，大约占据了个体生命三分之一的时间，对人体各项机能都具有着重要的恢复作用。睡眠分期是临床各类神经科疾病的重要评价诊断方法之一，如癫痫、抑郁症、焦躁症等。临床治疗专家通常根据对睡眠期间患者脑电图信号的视觉校验和测量多导睡眠图(Polysomnography,PSG)来分析睡眠模式，在8小时的睡眠中，对单个受试者进行大约2到4小时的视觉检查，不仅需要专业的评估人员，且极易造成视觉疲劳，所以基于视觉检查的传统睡眠分期过程是极度耗时并带有主观误判几率的。另外在某些情况下，如临床手术过程需要快速诊断睡眠状态。基于上述情况，自动脑电睡眠分期算法在最近的研究中得到了更多的关注，自动睡眠分期算法不仅可以加快诊断速度，而且还可以提高其准确性。

脑电信号(Electroencephalogram,EEG)记录过程简便而且无创，是家庭睡眠监测中替代医学睡眠监测设备的良好选择。脑电信号含有丰富的脑部生理信息，不同睡眠时期，脑电信号具有出不同的波形和信号强度，具有较大的差异性，但其本身比较微弱，在背景噪声很强的情况下，易受外在因素的影响，常见的干扰有眼电、尖脉冲以及白噪声等。如何有效的从原始脑电信号中去掉外界噪声和干扰，并提取出有效的特征信息，成为基于EEG信号的睡眠分期相关研究工作的重点。传统的信号特征提取方法主要包括四个方面:时域特征分析方法、频域特征分析方法、时频域特征分析方法、非线性动力学分析方法。基于经典先验知识的特征提取算法虽然具有较好的稳定性，但也会存在因为先验知识有限或者缺失而漏掉一些重要的信号特征的情况。并且，传统的特征提取方法需要单独对数据进行去噪处理，过程较为繁琐，在实际运用中很难实现实时、快速的分类。基于深度学习的特征提取方法，依靠深度网络强大的学习能力，自动选取具有区分性的信号特征。现在算力的提升，让我们不再需要对硬件资源有后顾之忧，通过神经网络自动挖缺分析数据成为研究热点。脑电信号本身也具有极强的前后关联特征，使用深度学习网络可以充分利用时序顺列前后关联信息，能到达更好的实验效果。本发明所使用的特征提取网络就是在ResNet基础之上的简化和改进。

发明内容

为了加快分类速度和提高分类准确率，以便更好地实现临床应用，本发明提出了一种基于互补集合经验模态分解(CEEMD)和精简ResNet的睡眠分期方法。睡眠分期研究中大多数方法是对原始信号预处理之后直接进行特征提取，该方法采用一种全新的思路，通过CEEMD分解后，得到本征模态分量(Intrinsic Mode Functions,IMF)，然后将原始EEG和所筛选出的IMF进行组合，再经过精简后的ResNet进行特征提取，最后送入长短时记忆网络LSTM进行分类。本发明方法从信号所包含的本征模态信息角度进行分析，并且采用精简后的ResNet进行特征提取，无需手动提取特征，使得睡眠分期更加准确高效。

本发明采用的技术方案如下：