[发明专利]一种多域特征下的半监督脑电信号睡眠分期方法

说明书

本发明涉及一种多域特征下的半监督脑电信号睡眠分期方法，属于脑机接口领域。在该方法中，结合蚁群算法和半监督贝叶斯分类方法，对原始脑电信号进行处理以得到多域特征下的原始特征集合，通过蚁群算法对其进行优化并提取一种最优特征子集，并使用改进的半监督贝叶斯分类方法，以最优特征子集为分类特征，结合主动学习策略对其进行分期分类。本方法不仅能够有效地实现睡眠分期，避免低效率特征属性及盲目搜索过程造成的运算资源浪费，而且可以降低标记样本的需求数量，通过与近几年提出的多种睡眠分期方法进行对比，结果表明本方法不但可以实现主流算法的分期精度效果，而且可以大大降低标记样本的需求量，避免了人工误判情况的发生。

技术领域

本发明属于脑机接口技术领域，涉及一种多域特征下的半监督脑电信号睡眠分期方法。

背景技术

睡眠机制与人体的健康状况息息相关，在人类机体的众多重要的机体活动中扮演着关键的角色。随着社会的快速发展，竞争的日益加快以及生活节奏的加速，人们的生活压力逐渐增大，失眠类疾病的发病率逐年上升，引起了海内外医学界的关注。在治疗失眠过程中，睡眠脑电图可以比较客观的呈现某些睡眠过程的特征，通过对脑电信号的研究与分析，可以获取大量有关人体的有用信息，这对于研究人脑功能、疾病诊断及康复工程等方面发挥着重要作用，所以基于睡眠脑电的分睡眠分期研究也就成了脑机接口研究领域中的热点研究方向之一.

传统的基于脑电信号的睡眠分期方法较为成熟，主要是使用那些能够有效表示睡眠分期各个阶段的信号变换规律的特征值来作为下一步分类器分类的属性特征，然后选择合适的分类器进行分类，其总体分期流程可以分为：信号预处理、特征提取、特征选择和分类器分类这四部分。能够用来表示信号变化规律的特征主要分为：时域特征、频域特征、时频域特征和非线性特征。一般方法基本上是使用单独某一类参数，例如信息熵、标准偏差等时域参数，使用不同频段节律波的功率谱密度等频域参数、又或者是以小波系数为代表的时频参数来作为分期特征参数。然而，由于脑电信号非稳定性、非线性的特点，可以完美表征睡眠分期变化规律的有效特征不应通过某一单一域特征参数来获取，而采用大量的不同性质的特征参数也会带来问题：大量的特征参数会导致特征维数空间的扩大，降低计算效率，导致“维度灾难”的发生。此外，当获取到有效特征参数后，使用分类器对其进行分类也存在一个缺陷：传统的睡眠分期分类方法往往专注于分类精度值，却忽略了用于训练分类器的分类样本中标记样本数量给样本采集标识工作所带来的压力，因为标记样本的类型划分需要依靠专家的人工标识，如果数据量过大的话不但会导致人工标识的成本上升，长时间作业的话也会导致分类错误的概率上升，从而影响分类精度。

发明内容

有鉴于此，本发明的目的在于提供一种多域特征下的半监督脑电信号睡眠分期方法，主要应用于疾病诊断辅助和睡眠分期研究等。该方法不仅能够有效实现基于脑电信号的睡眠分期，避免大量冗余特征参数所导致的分类效率低下，提高模型的泛化能力和计算效率，也降低对于人工判别标志样本的需求，大大降低了人工误判的发生概率，为睡眠分期研究提供了一种新的思路。

为达到上述目的，本发明提供如下技术方案：

一种多域特征下的半监督脑电信号睡眠分期方法，在该方法中，结合蚁群算法和半监督贝叶斯分类方法，通过蚁群系统ACS算法从多域特征集合中提取最优特征子集，使用改进的半监督贝叶斯分类方法，以最优特征子集为分类特征，结合主动学习策略对其进行分期分类；主动学习过程中采用对称相对熵作为不确定性样本的选择依据，并使用训练的投票分类器对其进行标记分类；该方法具体步骤如下：

S1：设原始脑电信号X(t),其中t表示时间，利用陷波滤波器截取特定的频带信号，使其代替X(t)成为原始脑电信号，并通过小波变换法对该信号X(t)进行处理，分解得到与X(t)对应的频带信号f(t)＝[f₁(t),f₂(t),...,f_m(t)]，其中m表示频带信号个数，每个f_m(t)代表一个频段的脑电信号；