[发明专利]基于渐变等状态分布的睡眠脑电信号幅度分析方法

说明书

本发明提供一种基于渐变等状态分布的睡眠脑电信号幅度分析方法，通过给定长度为L的睡眠脑电信号X(t)，计算睡眠脑电信号X(t)的差分向量序列X′(t)，用以表征幅度波动；计算睡眠脑电渐变等状态分布的转化参数a、转化参数b和阈值r；构建睡眠脑电的幅度波动转化函数f(t)；对差分向量序列X′(t)进行渐变等状态转化后，统计差分等状态分布F；获得睡眠脑电信号X(t)的渐变等状态分布gDES，以实现对睡眠脑电幅度波动特征的提取分析；该方法，创新性地通过渐变转化方式对差分向量进行转化，实现了睡眠脑电信号幅度波动的优化分析，解决了现有等状态分布参数无法区分不同差分元素对等状态分布贡献值的问题，能够更加有效地表征睡眠脑电活动的幅度波动特征。

技术领域

本发明涉及一种基于渐变等状态分布的睡眠脑电信号幅度分析方法，属于脑电信号处理技术领域。

背景技术

睡眠是生物重要的生理活动，受到各种内部、外部因素的影响。随着睡眠状态的变化，脑电活动呈现相应的变化。因此，脑电信号分析对睡眠监测甚至相关疾病的诊疗都具有重要意义。在信号与信息处理方法中，等状态分布能有效地提取信号的幅度波动特征，具有简单、快速、对序列长度要求低等特点，在脑电信号分析中发挥了重要的作用。然而，原始等状态分布严格依赖时间序列中的相同状态，在实际应用中受到信号采集精确度、噪声等因素的影响，存在较大的局限性。随后，基于阈值等状态分布将零差分状态扩展至阈值内的差值分布，有效地提高了脑电幅度波动的分析效果。

从数学角度讲，信号的差分元素反映了幅度波动的特征。信号波动程度越大，差分元素的绝对值则越大，等状态分布的值越低，即不同差值对等状态分布的贡献值有所不同。从脑电的幅度波动特征识别角度讲，对时间序列差分元素的转化应呈现可区分的渐变性特征。然而，基于阶变阈值的等状态分布在幅度波动的量化中仍存在一定的不足，即无法区分阈值内的不同差分元素。当前等状态分布对序列差分元素的转化属于阶变型判定模式，虽然可以用于脑电信号波动特征的提取和识别，但无法有效区分不同状态距离对等状态分布的贡献值，存在较大的缺陷。

综上，等状态分布虽然能够表征脑电信号时域波形特征，却无法区分不同差分元素在等状态分布中的作用。因此，如何通过渐变的差分元素转化方式对睡眠脑电的等状态分布进行优化是一个亟需解决的问题。

上述问题是在睡眠脑电幅度分析过程中应当予以考虑并解决的问题。

发明内容

本发明的目的是提供一种基于渐变等状态分布的睡眠脑电信号幅度分析方法，通过渐变型的转化函数对睡眠脑电的差分向量序列进行处理，进而有效地解决原始等状态分布阶变型判定方式的缺陷，解决现有技术中存在的基于阶变阈值的等状态分布在幅度波动的量化中仍存在一定的不足，无法区分阈值内的不同差分元素，无法区分不同差分元素在等状态分布中的作用的问题。

本发明的技术解决方案是：

一种基于渐变等状态分布的睡眠脑电信号幅度分析方法，包括以下步骤，

S1、给定长度为L的睡眠脑电信号X(t)＝{x(1),x(2),…,x(t),…,x(L)}，计算睡眠脑电信号X(t)的差分向量序列X′(t)＝{x′(1),x′(2),…,x′(t),…,x′(L-m*τ)}，用以表征幅度波动，其中，m为差分向量x′(t)的长度，τ为延迟；

S2、根据睡眠脑电信号X(t)和步骤S1所得差分向量序列X′(t)，计算睡眠脑电渐变等状态分布的转化参数a、转化参数b和阈值r；

S3、根据差分向量序列X′(t)的特征和步骤S2所得阈值r，判定转化函数形式，进而构建睡眠脑电的幅度波动转化函数f(t)；

S4、由步骤S3所得渐变等状态转化函数f(t)，对步骤S1得到的长度为L-m*τ的差分向量序列X′(t)进行渐变等状态转化后，统计差分等状态分布F；