[发明专利]一种基于单导脑电的睡眠分期方法

说明书

本发明公开了一种基于单导脑电的分期方法与装置。本发明采用了基于三角滤波和卷积(CNN)网络的单导EEG信号特征融合提取算法，其特点在于：对于30‑s EEG采用分别利用三角滤波提取信号的倒频特征和通过两路卷积核不同的CNN网络提的深层次信息，在制定维度合并后作为送入分类网路的特征值；分类网络采用Bi_Lstm+ATTETION网络，充分考虑信息前后之间的相关性，并且加入了注意力(ATTENTION机制)，根据特征信息对分类结果的重要程度分配相应的权重，来提高分类的准确率。在SLEEP EDF‑2013数据集上验证了自己的算法流程，结果证明本发明提出的方法优于传统方法和其它分类网络算法，具有更好的分类效果。

技术领域

本发明属于脑电信号处理领域，具体涉及一种基于单导脑电的睡眠分期方法。

背景技术

睡眠是一种重要的生理现象，睡眠分期是临床各类神经科疾病的重要评价诊断方法之一。现阶段，基于生理信号，特别是基于脑电信号的睡眠分期已经成为重要的研究方向。

脑电信号(Electroencephalogram,EEG)具有记录简单、操作容易、无损伤、可重复性高等特点。脑电信号含有丰富的脑部生理信息，不同睡眠时期，脑电信号具有出不同的波形和信号强度，具有较好的差异性，但其本身比较微弱，在背景噪声很强的情况下，易受外在因素的影响，常见的干扰有眼电、尖脉冲以及白噪声等。如何有效的从原始脑电信号中去掉外界噪声和干扰，并提取出有效的特征信息，成为基于EEG信号的睡眠分期相关研究工作的重点。

传统的信号特征提取方法主要包括四个方面:时域特征分析方法、频域特征分析方法、时频域特征分析方法、非线性动力学分析方法。时域分析法主要包括：从EEG原始信号中提取均值、方差、均方根、峰值因子、峭度系数、波形因子、脉冲因子等参数作为信号的特征，进行分析研究；频域分析方法包括：通过短时傅里叶变换等方法提取信号的频谱、功率谱、特征频率、均方频率、重心频率、频率方差等特征参数，来进行信号分析；时频域分析方法包括：小波变换、希尔伯特黄变换等方法；非线性动力学分析方法包括：分析信号的熵、谱熵、排列熵、小波熵、经验模态分解(EMD)熵、包络谱熵等。基于经典先验知识的特征提取算法虽然具有较好的稳定性，但也会存在因为先验知识有限或者缺失而漏掉一些重要的信号特征的情况。并且，传统的特征提取方法需要单独对数据进行去噪处理，过程较为繁琐，在实际运用中很难实现实时、快速的分类。

基于深度学习的特征提取方法，依靠深度网络强大的学习能力，自动选取具有区分性的信号特征。现在算力的提升，让我们不再需要对硬件资源有后顾之忧，通过神经网络自动挖缺分析数据成为研究热点。脑电信号本身也具有极强的前后关联特征，使用深度学习网络可以充分利用时序顺列前后关联信息，能到达更好的实验效果。循环神经网络(Recurrent Neural Networks)可以捕捉上下文语境和关联信息，也是最早应用时序序列特征提取的深度网络。在RNN基础上改进的长短记忆人工神经网络(Long Short TermMemory,LSTM)在语音信号的识别上已经取得了重要进展并应于生活实践。卷积网络(Convolutional Neural Networks,CNN)是一类具有前馈功能的神经网络，具有表征学习能力，能够对输入信息按其结构进行不变分类平移，近两年越来越多的应用的睡眠分期研究中并取得了较好的结果，本发明提出特征提取网络也是在CNN基础上的改进和创新。但基于深度学习的网络对于实验参数取值过于敏感，结果具有偶发性。

发明内容

为了加快分类速度和提高分类准确率，以便更好地实现临床应用，本发明提出了一种基于三角滤波和卷积神经网络(CNN)相结合的睡眠分期方法，该方法可利用更多更全面的信号特征值。并且本发明使用了更加适用于时序信号分类的双向循环递归神经(Bi_Lstm)分类网络，并加入了注意力机制(ATTENTION)，可以进一步来提升分类的效率和准确性。

本发明采用的技术方案如下：