[发明专利]睡眠阶段分期方法及装置

权利要求书

1.一种睡眠阶段分期方法，其特征在于，包括：

采集状态信号，其中，所述状态信号至少包括：脑电信号及眼电信号；

对所述状态信号进行时域幅值滤波，去除时域干扰，并对所述状态信号进行频域小波滤波，去除频域干扰；

利用亨杰斯Hjorth参数确定所述脑电信号的时域特征；

对所述脑电信号进行时频变换，获得所述脑电信号的时频域特征；

确定所述脑电信号的复杂度；所述复杂度通过对所述脑电信号进行样本熵的提取而确定，或通过对所述脑电信号进行波分解中各个子波的系数而确定；

提取所述眼电信号的频率变化信息；

利用多级联规则，结合所述时域特征、所述时频域特征、所述复杂度及所述频率变化信息，确定当前所在的睡眠阶段；所述多级联规则采用准确度高或识别度高的规则先执行，在无法判断时再采用准确度相对较低或识别度相对较低的规则进行判断。

2.根据权利要求1所述的方法，其特征在于，

所述状态信号还包括：肌电信号；

所述方法还包括：

提取所述肌电信号的幅度信息；

所述结合所述时域特征、所述时频域特征及所述复杂度，确定当前所在的睡眠阶段，包括：

结合所述幅度信息、时域特征、频域特征及所述复杂度，确定当前所在的睡眠阶段。

3.根据权利要求1或2所述的方法，其特征在于，

所述结合所述时域特征、所述时频域特征、所述复杂度及频率变化信息，确定当前所在的睡眠阶段，包括：

根据所述时频域特征，确定所述脑电信号中是否出现预定类型的特征波；

根据所述特征波，确定当前所在的睡眠阶段。

4.根据权利要求3所述的方法，其特征在于，

所述结合所述时域特征、所述时频域特征、所述复杂度及频率变化信息，确定当前所在的睡眠阶段，还包括：

利用学习模型及所述时域特征、所述时频域特征及所述复杂度的至少之一，确定当前所在的睡眠阶段；其中，所述学习模型预先确定了时域特征、时频域特征及复杂度的至少之一与睡眠阶段的对应关系。

5.根据权利要求4所述的方法，其特征在于，

所述结合所述时域特征、所述时频域特征、所述复杂度及频率变化信息，确定当前所在的睡眠阶段，还包括：

利用根据所述时域特征、所述时频域特征、所述复杂度，确定当前是否处于快速眼动REM期及清醒WEAK期的第一判断结果；

根据眼电信号的频率变化信息和肌电信号的幅度信息，确定当前是否处于所述REM期和所述WEAK期的第二判断结果；

综合所述第一判断结果和所述第二判断结果，确定当前是处于所述REM期还是所述WEAK期。

6.根据权利要求1或2所述的方法，其特征在于，

所述对所述状态信号进行时域幅值滤波，去除时域干扰，包括：

去除所述状态信号中幅度大于幅度阈值T11的部分；T11＝Mean+α*var；所述Mean为所述状态信号的均值；所述var为所述状态信号的方差；所述α为正数；利用一阶导阈值T12对所述状态信号的一阶导数进行滤波，其中，所述T12等于所述状态信号的一阶导数的方差。

7.根据权利要求1或2所述的方法，其特征在于，

所述确定所述脑电信号的复杂度，包括：

根据所述脑电信号在预定时间范围内的幅度标准差，确定样本熵的有效阈值；

利用所述有效阈值，计算所述脑电信号在预定时间范围内的每一次滑动的滑动时间窗内对应的样点的样本熵；

基于每个所述样本熵，确定所述预定时间范围内所述脑电信号的整体样本熵。