[发明专利]基于脑电信号因果关系的自动睡眠分期方法

权利要求书

1.一种基于脑电信号因果关系的自动睡眠分期方法，其特征在于，包括：

使用无线脑电采集设备分别采集不同睡眠分期的多导脑电信号；

对所述多导脑电信号进行数据预处理，消除所述多导脑电信号中的伪迹和噪声干扰；

利用希尔伯特-黄变换提取数据预处理后的多脑电信号中的不同频段信号；

提取所述不同频段信号之间的因果特征，基于所述不同频段信号之间的因果特征利用随机森林模型对所述多导脑电信号进行分类，识别出所述多导脑电信号对应的不同睡眠分期；

所述的对所述多导脑电信号进行数据预处理，消除所述多导脑电信号中的伪迹和噪声干扰，包括：

获取眼电信号并选取眼电信号的最大绝对值，利用眼电信号的最大绝对值的百分数来确定眼电伪迹，构建多导脑电信号EEG的平均伪迹，将超过眼电最大值某个百分比的眼电导联电位识别为眼电脉冲，对识别的眼电脉冲进行平均，由协方差估计公式计算眼电脉冲和其他电极之间的脑电传递系数b：

b＝cov(EOG，EEG)/var(EOG)

式中，cov表示协方差，var表示方差；

对产生眼动时间段的波形校正，得到校正后的脑电信号EEG′：

EEG′＝EEG-b×EOG

对于校正后的脑电信号EEG′，以0时刻前的脑电信号数据作为基线，0时刻前的脑电信号代表接收刺激时的自发脑电信号，用0时刻后的脑电信号数据减去0时刻前的脑电信号数据平均值；

将自适应伪迹去除算法的初始阈值设置为70μ，利用自适应伪迹去除算法对基线校正后的脑电信号进行伪迹去除；

所述的利用希尔伯特-黄变换提取数据预处理后的多脑电信号中的不同频段信号，包括：

对数据预处理后的多脑电信号进行经验模态分解，分解成一系列的IMF，每个IMF可以表示信号的局部特征，IMF同时满足如下两个条件：极值点的数目与跨零点的数目相等或者最多相差一；由局部极大值构成的上包络和由局部极小值构成的下包络的平均值必须为零；

基于被分解的IMF进行Hilbert变换，得到脑电信号的瞬时频率和瞬时幅值，令H[x(t)]表示Hilbert变换，通过Hilbert变换得到信号z(t)，其过程被定义为：

式中，瞬时幅值a_i(t)与瞬时相位θ_i(t)被定义为：

瞬时频率ω_i(t)被定义为：

基于脑电信号的瞬时频率和瞬时幅值，提取出delta、theta、alpha、beta和gamma频段的信号；

所述的提取所述不同频段信号之间的因果特征，包括：

步骤G：构建频段信号X_n和频段信号Y_n从1阶到p阶段全部的历史向量集合为：

Ω＝{X_n-1，X_n-2，X_n-3，...，X_n-p，Y_n-1，Y_n-2，Y_n-3，...，Y_n-p}

步骤H：初始化嵌入向量的集合V＝φ，计算出一个W₁∈Ω满足W₁与X_n的互信息为最大，即：

W₁＝argmaxI(X_n；W)，W∈Ω

将满足条件的W₁嵌入到集合中，即V₁＝{W₁}；

步骤I：进行第k步嵌入时(1＜k≤dim(Ω))，选择一个W_k满足

W_k＝argmaxI(X_n；W|V_k-1)，W∈Ω\V_k-1

其中I(X_n；W|V_k-1)是基于KNN算法计算得出，具体表示为：

I(X；Y|Z)＝I(X；(Y，Z))-I(X；Z)＝H(X，Z)+H(Y，Z)-H(Z)-H(X，Y，Z)

基于KNN算法估计联合熵H(X，Y，Z)，由(X，Y，Z)投影空间的相应子空间(X，Z)，(Y，Z)和Z计算得到熵H(X，Z)，H(Y，Z)和H(Z)，最终得到条件互信息的估计为：

式中，ψ(x)是digamma函数n_xz(i)随着到(X，Z)第i个点的距离小于∈(i)/2的点的数目增加而增加，∈(i)是在(X_n，Z)联合空间中第i个点到它相邻的第k个点的距离的2倍，＜…＞定义为对所有样本点i求得的平均值；

步骤J：如果其中A≤1，则嵌入过程停止，嵌入向量集合V＝V_k-1；否则，将W_k嵌入到集合V中，使得V＝{V_k-1，W_k}，重复步骤I直至满足停止条件后，进行步骤K的操作；

步骤K：计算频段信号X_n与频段信号Y_n的转移熵；

在嵌入向量集合V中减去来自Y的历史向量Y′的贡献，V′＝V\Y′，计算转移熵：

T_Y→X≡H(X_n|V′)-H(X_n|V)

步骤L：进行假设检验，判断X_n和Y_n的因果相关性的显著关系；

所述的使用无线脑电采集设备分别采集不同睡眠分期的多导脑电信号，包括：

利用64通道的无线脑电采集设备分别采集不同睡眠分期的多导脑电信号，所述无线脑电采集设备中的脑电电极采用国际标准10-20电极放置标准，选择使用者的双耳的乳突作为参考电位，通过所述无线脑电采集设备分别采集不同睡眠分期的人体头部表皮的多导脑电信号；

所述的基于所述不同频段信号之间的因果特征利用随机森林模型对所述多导脑电信号进行分类，识别出所述多导脑电信号对应的不同睡眠分期，包括：

基于多导脑电信号间不同频段的因果特征，利用随机森林模型对大量多导脑电信号进行分类，进行不同睡眠分期的脑电信号的识别，所述睡眠分期分为五类Wake期、N1期、N2期、N3期、REM期；

所述随机森林模型的构建步骤如下：

步骤M：采用Bootstrapping的抽样方法从原始数据集中抽取数据，共进行k轮抽取得到k个互相独立的训练集，在训练集抽取过程中每个样本未被抽取的概率为(1-1/N)^N，N为设定的整数；

步骤N：为每一个训练集分别建立分类回归树，共产生k棵决策树构成随机森林模型；

步骤O：任由每棵树进行生长，生长完成后进行后剪枝操作，在每棵树生长过程中，对每个内部节点随机地选择特征进行分裂，假设特征空间共有M个特征，则在每一轮生成决策树的过程中，并不是选择全部M个特征中的最优特征作为内部节点进行分裂，而是从随机选择的m≤M个特征中选择最优特征进行分裂；

步骤P：组合k棵决策树的分类结果，对生成的k棵决策树赋予相同的权重，采用投票的方式决定新样本的类别。