[发明专利]一种单导联脑电的睡眠自动分期方法

说明书

本发明公开了一种单导联脑电的睡眠自动分期方法，包括特征提取模块和分期优化模块。其中，特征提取模块是由CNNs卷积神经网络(1)、Softmax层(2)组成；分期优化模块由双向LSTM循环神经网络(3)和CRF条件随机场模型(4)构成；(1)、(2)、(3)和(4)顺序连接。该方法仅需要单导联的睡眠脑电信号，满足便携、舒适的睡眠监测需求；结合卷积神经网络和循环神经网络充分挖掘了脑电信号的时空特征，且具有动态学习能力，能够适应变化的疾病大环境；分期优化模块充分考虑N段30s脑电数据前后之间的联系，提高分期的准确性和模型的泛化能力。

技术领域

本发明涉及睡眠监测技术领域，具体涉及一种单导联脑电的睡眠自动分期方法。

背景技术

睡眠是人类健康的核心，睡眠减少，睡眠模式异常或昼夜节律失调会导致一系列情感，认知或躯体方面健康的问题。据世界卫生组织统计，全球27％的人有睡眠障碍，每年因此导致的经济损失达数千亿美元，但大多数睡眠障碍一旦被确诊是可以被管理的。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。

目前临床上监测睡眠的典型方法是用多导睡眠仪(Polysomnography，PSG)采集睡眠期间的生理信号，包括脑电波(EEG)、眼电(EOG)、肌电(EMG)、心电(ECG)、血氧饱和度(SpO2)和呼吸信号。睡眠阶段判断主要基于对EEG的分析，并可以利用ECG和EEG进行辅助判断。然而PSG成本昂贵、操作复杂、穿戴不适等缺点限制了其做长期睡眠研究的潜力，仅适用于医院的临床研究。因此，研发便携、舒适、准确的睡眠监测系统是临床的迫切需求。

现行的相近方案主要有以下：

如中国专利发明201710002025.9，该方案提出一种基于脑电和肌电多特征的自动睡眠分期方法，通过时域、频域和非线性方面的信号分析方法提取脑电波、肌电的特征参数，再利用分类器进行分类。该方案的缺点在于特征依赖于人工经验提取，只对每段30s的生理电信号样本进行单独的训练和验证，没有考虑样本和前后样本之间的联系，准确性和泛化能力有待提高。其他基于手环体动、心率、RF射频信号的睡眠监测方案准确度很低，无法达到临床要求。

发明内容

本发明的目的在于针对上述已有技术的不足，提供一种单导联脑电的睡眠自动分期方法，该方法仅需要单导联的睡眠脑电信号，就能较为准确的实现睡眠分期，且满足便携、舒适睡眠监测需求。为了实现上述目的，本案通过以下技术方案实现，具体包括训练过程S1和识别过程S2：

训练过程S1为：对每个固定时间段T标记好睡眠分期类别的脑电信号进行预处理，随机选取其中任意N段连续脑电信号输入至训练模型进行训练，直至模型收敛，得到训练好的模型；其中，T为30秒，N为3或5；

识别过程S2为：对每个固定时间段T的待识别脑电信号进行预处理，选取其中时长为N*T的连续脑电信号输入至S1中训练好的模型，输出睡眠分期结果；

训练模型由特征提取模块和分期优化模块组成；其中，特征提取模块是由CNNs卷积神经网络(1)、Softmax层(2)组成；分期优化模块由双向LSTM循环神经网络(3)和CRF条件随机场模型(4)构成；(1)、(2)、(3)和(4)顺序连接；

训练过程S1和识别过程S2中，脑电信号均为滑动输入模式，滑动窗大小为T～N*T，输出为第(N+1)/2段输入脑电信号对应的睡眠分期类别标签。

作为优选，所述的方法，其特征在于，随机选取其中时长为N*T的连续脑电信号输入至训练模型进行训练，N为5，滑动步长为1。