[发明专利]基于脑电和肌电多特征的自动睡眠分期方法

说明书

本案涉及基于脑电和肌电多特征的自动睡眠分期方法，包括采集脑电信号和肌电信号；采用小波分解去除脑电信号和肌电信号中的高频噪声；提取去噪后的脑电信号的α、β、θ、δ特征波的能量比，得到第一特征参数；利用样本熵算法提取脑电信号样本熵，得到第二特征参数；利用小波分解算法提取肌电信号中的高频特征能量比，得到第三特征参数；将第一特征参数、第二特征参数和第三特征参数输入支持向量机中进行训练和测试，从而得到分类结果。本案采用提取EEG和EMG多个特征的方法，结合支持向量机分类器，提高了睡眠分期的准确率；交叉验证结果表明该方法具有一定的泛化能力；实验结果可信度高，具有良好的应用前景。

技术领域

本发明涉及一种睡眠分期方法，尤其涉及一种基于脑电和肌电多特征的自动睡眠分期方法。

背景技术

随着现代社会竞争激烈，快节奏工作与生活对人们的睡眠产生了巨大影响。据世界卫生组织统计，27％的人有睡眠障碍。目前，睡眠障碍已被确认是一种具有公共危害性的疾病，越来越受到人们的高度重视。通过各生理信号对人体睡眠状态进行分期，是客观评估睡眠质量的一种有效方法。

通过不同分析方法提取脑电(Electroencephalogram，EEG)的特征参数，再利用分类器进行分类是睡眠分期的经典方法。目前，对EEG的分析方法主要是从其时域、频域和非线性方面进行分析。在现有技术中有人通过对EEG进行非线性符号动力学分析、去趋势波动分析和频谱分析的方法，并结合最小二乘向量机分类器将睡眠状态分为五期，准确率达到92.87％，但该算法只对每个样本进行单独的训练和验证，泛化能力有待提高。若利用离散小波变换结合非线性支持向量机的方法满足了模型对泛化能力的要求，准确率却只有81.65％。

发明内容

针对现有技术中存在的技术问题，本案提供一种基于脑电和肌电多特征的自动睡眠分期方法，以期能够提高睡眠分期的准确率和泛化能力。

为实现上述目的，本案通过以下技术方案实现：

一种基于脑电和肌电多特征的自动睡眠分期方法，其包括：

采集脑电信号和肌电信号；

采用小波分解去除脑电信号和肌电信号中的高频噪声；

提取去噪后的脑电信号的α、β、θ、δ特征波的能量比，得到第一特征参数；

利用样本熵算法提取脑电信号样本熵，得到第二特征参数；

利用小波分解算法提取肌电信号中的高频特征能量比，得到第三特征参数；

将第一特征参数、第二特征参数和第三特征参数输入支持向量机中进行训练和测试，从而得到分类结果。

优选的是，所述的基于脑电和肌电多特征的自动睡眠分期方法，其中，所述第一特征参数通过以下方法获得：

使用“db4”小波函数对脑电信号进行7层小波分解，选择D3代表β波，D4代表α波，D5代表θ波，D6+D7代表δ波，分别计算α波、β波、θ波和δ波在0-30Hz上所占能量和的比值。

优选的是，所述的基于脑电和肌电多特征的自动睡眠分期方法，其中，所述第三特征参数通过以下方法获得：

使用“sym3”小波函数对肌电信号进行3层小波分解，选择D1+D2代表肌肉运动频率，计算该肌肉运动频率在0-125Hz上所占的能量和的比值。

优选的是，所述的基于脑电和肌电多特征的自动睡眠分期方法，其中，在利用样本熵算法提取脑电信号样本熵时，其中所用的嵌入维数＝2，相似容限为脑电信号原始数据的标准偏差的0.2倍，数据长度＝1000。