[发明专利]一种基于双重特征筛选的自动睡眠分期方法

说明书

一种基于双重特征选择的自动睡眠分期方法，首先提取被测试者的两导睡眠脑电信号和一导水平眼电信号，并对原始脑电和眼电信号进行滤波处理；再从滤波后的脑电和眼电信号中提取多个特征。然后采用Fisher得分法和顺序前进法相结合的双重特征筛选方法，进行最优特征子集的选择；双重特征筛选不仅大大降低了特征维数，而且减少了特征之间的冗余性；最后，通过使用支持向量机分类器对优化特征进行识别，完成睡眠的自动分期；该方法可以很好地提高自动睡眠分期的客观性、准确性和简便性，具有准确度高、计算复杂度低、操作简便、易于推广的特点，并能获得可观的社会效益和经济效益。

技术领域

本发明涉及自动睡眠分期领域，特别涉及一种基于双重特征筛选的自动睡眠分期方法。

背景技术

睡眠是包括人类在内的所有高等生物普遍需要的生理过程。人的三分之一时间都用来睡眠，长期缺乏睡眠将会造成很严重的后果，长期缺乏睡眠不仅会危害人的健康还会对生活以及社会产生很多负面影响。因此睡眠研究越来越多地受到关注。睡眠分期是睡眠研究的基础，对睡眠研究起着关键作用。它既能客观地评价睡眠质量，为睡眠相关疾病的治疗和诊断提供临床依据，又能为癫痫、痴呆等神经系统疾病的诊断和研究提供临床依据。

依据美国睡眠医学学会睡眠分期的最新标准将睡眠分为清醒期、非快速眼动期(NREM)和快速眼动期(REM)，其中NREM随着睡眠的加深又可以分为NREM1、NREM2和NREM3。人工睡眠分期是根据不同生理信号的时域特征波形区分的，传统的人工分期方法耗时长、效率低、主观性强并且需要专家具有丰富的经验，为了避免专家花过多的时间进行这项工作并减小其主观性，因此研究者们提出了各种自动睡眠分期方法来提高睡眠分期的客观性和准确度。其中脑电信号是睡眠分期的“金标准”，但是在一些情况下，脑电(EEG)的特征并不明显，因此还需要其他生理信号比如眼电信号辅助分期。

睡眠自动分期方法通常包含两个部分：特征提取和模式识别。但是提取的特征之间会存在相关性和冗余性，若是将所提取特征直接用于模式识别，可能会造成分类器的过渡拟合，增加数据处理的时间和空间复杂度，因此在特征提取后必须进行特征筛选，将选择后的特征用于分类器中。特征筛选不仅关系到分类正确率的高低，而且直接影响分类速度的快慢。Fisher得分法是按照Fisher准则单独计算各个特征的分值，它忽略了特征组合之后对分类的影响；而顺序前进法是一种启发式搜索策略，它得到的最优特征子集可能仅仅只是一些单独贡献率极为普通的特征组合，忽略了单独贡献率最大的特征，并且运算过程耗时长。两种方法均可用于特征筛选，但各有利弊。

发明内容

为了克服现有技术的缺陷，本发明提供了一种基于双重特征筛选的自动睡眠分期方法，即采用Fisher得分法和顺序前进法结合进行特征选择，通过两种方法的顺序结合，弥补了各自方法的不足，它不仅大大减小了分类器的运行时间，并且降低了特征维数，减小分类器的复杂度，同时还能提高睡眠分期的客观性以及准确性。

为了达到上述目的，本发明通过以下技术方案实现：

一种基于双重特征选择的自动睡眠分期方法，包括的步骤如下：

步骤一、采集被试的两导睡眠脑电信号、水平眼电信号，其采样率均为100Hz；对原始脑电信号和眼电信号进行带通滤波，滤波器选用的是零相移有限冲击响应滤波器；

步骤二、分别对滤波后的脑电信号和眼电信号进行睡眠特征提取，待提取的特征包括时域特征、频域特征和非线性特征；

步骤三、结合Fisher得分法和顺序前进法进行最优特征子集的选择，降低特征维数；

步骤四、特征选择后，使用支持向量机分类器对特征识别，进行自动睡眠分期。

所述步骤二中，分别对滤波后的脑电信号和眼电信号进行时域、频域以及非线性分析，提取睡眠特征，具体为：