[发明专利]基于EEG时域多维度特征及M-WSVM的睡眠分期方法及可穿戴装置

说明书

本发明公开了一种基于EEG时域多维度特征及M‑WSVM的睡眠分期方法及可穿戴装置，首先获取EEG连续时间信号，通过幅度‑时间映射提取EEG连续时间信号的时域多维度特征；然后对提取信号特征进行选择，以获得最优的信号的特征；最后利用M‑WSVM算法对不同分类层次的睡眠阶段进行分析与处理，实时进行睡眠分期的监测。装置包括信号采集模块、信号处理模块和信号传输模块，能够实时与智能设备的用户端通信，通过在PC端进行EEG训练数据的模型学习，将学习的算法模型移植于智能设备上运行，以进行实时的睡眠分期监测。本发明利用EEG信号特征提取与分类方法简化睡眠分期复杂度并利用生理信号测量电路开发了可穿戴睡眠分期装置，以能够获得实时、高精度的自动睡眠分期效果。

技术领域

本发明涉及智能算法的自动睡眠分期领域，特别涉及一种基于EEG时域多维度特征及M-WSVM的睡眠分期方法及可穿戴装置。

背景技术

随着国家大健康战略的提出与人工智能技术的进步，智能健康产业将取得长足的发展，基于EEG睡眠分期研究对睡眠疾病诊断、治疗和预防具有重要意义。目前，在EEG信号的睡眠分期研究中，各种信号变换技术及机器学习方法的应用都取得了一定的成果，特别是单通道EEG信号的睡眠分期研究，更容易在可穿戴设备上实现睡眠的监测与分析，文献[1-9]都研究了应用单通道EEG信号的睡眠分期。但是，在现有的技术中，相关研究利用的信号变换及分类算法大多具有一定的复杂度，不适宜用于实时的可穿戴睡眠分期系统。

EEG是非平稳信号，不同睡眠状态下的信号变化具有一定差异，如何利用有效的信号特征对提高智能算法的分类效果非常重要。通过各种变换及编码的特征提取方法，能够获得相对较好的信号样本特征，但增加了特征提取算法的复杂度或特征数量。文献[1]利用可调Q因子小波变换(TQWT)的方法将EEG信号分解为24级的信号子带，并从信号子带中提取4个统计矩的特征；文献[2]利用快速傅里叶变换(FFT)将时域EEG信号转换为频域，并提取不同频率带的信号特征；文献[3-5]将原始EEG信号分解出多种节律的信号波，并对各信号波子带提取睡眠分期的信号特征；文献[6]是将连续信号分成多个信号段，在每个信号段上提取相同的统计特征。通过对开源睡眠EEG信号的分析，不同睡眠状态下的波形在时间和幅度两个方向上具有相对明显的差异，表现为不同睡眠状态对应不同频率节律波的变化。直接利用连续EEG信号获得表征时域、频域及时频域的信号差异化特征，能够促进可穿戴实时睡眠分析监测系统的开发。

根据睡眠分期的一般标准，睡眠阶段主要为：Wake、S1、S2、S3、S4和Rem 6个状态，其中S1和S2是浅睡眠状态，S3和S4是深睡眠状态，随着对睡眠状态细分数目的增多，对分类算法的要求也更高。文献[7]利用马尔可夫模型估计睡眠状态；文献[8]中采用了一种快速判别的复数值卷积神经网络的算法进行睡眠状态的特征提取与分类；文献[9]分别应用了决策树、支持向量机和神经网络多种算法进行分类实验。在实际的分类算法训练过程中，由于数据不平衡，如某些人深度睡眠比较少，导致了分类精度具有较大的差异，同时，由于部分睡眠状态相似性，使得两类间的分类误差较大。利用不同类别要求的多层次睡眠状态分类模型，对相应睡眠状态的错误分类进行加权，以提高系统睡眠分期效果。

由于EEG信号的微弱性，易受干扰，对信号的有效采集具有很大的挑战，同时，先进的人工智能技术与方法在轻量级移动设备上的应用也具有一定的不足。通过设计高效的底层信号采集模块，实时获取高精度的EEG睡眠信号，并通过在PC端进行智能算法的模型学习，然后移植到轻量级设备运行的方式，建立可穿戴睡眠分期系统。

参考文献：

文献[1]:HASSAN,Ahnaf Rashik；SUBASI,Abdulhamit.Adecision supportsystem for automated identification of sleep stages from single-channel EEGsignals.Knowledge-Based Systems,2017,128:115-124.