CN114052662A - 一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法 - Google Patents
一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法 Download PDFInfo
- Publication number
- CN114052662A CN114052662A CN202111331976.3A CN202111331976A CN114052662A CN 114052662 A CN114052662 A CN 114052662A CN 202111331976 A CN202111331976 A CN 202111331976A CN 114052662 A CN114052662 A CN 114052662A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- data
- sequences
- energy
- groups
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 56
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000008667 sleep stage Effects 0.000 title claims abstract description 25
- 230000010354 integration Effects 0.000 title claims description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 230000007958 sleep Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012952 Resampling Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 9
- 210000001638 cerebellum Anatomy 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000003183 myoelectrical effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 230000010355 oscillation Effects 0.000 description 4
- 230000004461 rapid eye movement Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 210000000467 autonomic pathway Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000037152 sensory function Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及睡眠监测技术领域，公开了一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法，步骤为：S1：采集大脑脑电信号、小脑脑电信号和肌电信号；S2：对步骤S1中采集的信号数据进行预处理，得多组序列；S3：重抽样S2中预处理后的序列，平衡各睡眠分期的样本数；S4：打乱S3中重抽样后的数据的序列顺序；S5：初始化XGBClassifier，导入数据，训练参数；S6：建立XGBClassfier模型，存储模型；S7：将处理好的数据分为2份训练集和1份测试集，计算ROC曲线，验证模型性能。本发明通过采集大脑脑电信号、小脑脑电信号和肌电信号，并结合采集的信号对睡眠分期进行整合分析，对生命个体的睡眠状态进行精准分期。
Description
技术领域
本发明涉及睡眠监测技术领域，更具体地说，它涉及一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法。
背景技术
生命体在睡眠时与外界环境之间的联系减弱甚至消失，因此，长久以来人们一直认为，睡眠是机体消除疲劳所需要的一种完全休息的过程。可是给人类和动物测定的脑电活动发现在睡眠阶段的脑活动并非处于静止状态，而是表现出一系列主动调节的周期性变化，此时机体的各种生理功能，如感觉功能，运动功能和自主神经功能也随着睡眠深度的变化在不同程度上进行着规律的活动。因此可以通过各生理信号对生命个体的睡眠状态进行分期。
传统睡眠分期手段通过大脑脑电、肌电作为特征，对睡眠阶段的夜间清醒(Wake)阶段，快速眼动(REM)阶段和非REM(NREM)阶段进行分析，但分析得出的结果仍不够准确。
因此，本发明旨在设计提供一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法以解决上述问题。
发明内容
为了克服现有技术中所存在的上述缺陷，本发明提供了一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法，本发明的方法通过采集大脑脑电信号、小脑脑电信号和肌电信号，并结合采集的信号对睡眠分期进行整合分析，对生命个体的睡眠状态进行精准分期。
本发明的上述技术目的是通过以下技术方案得以实现的：一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法，包括以下步骤：
S1：采用脑电信号采集电极采集大脑、小脑脑电信号，利用肌电信号采集电极采集肌电信号，采样率为500Hz；利用放大器收集放大检测到的电信号，放大器的带通滤波为0.5-40Hz；利用模数转换器对采集的脑电信号进行模数转换，并输出为标准EDF格式；记录的数据分为每30秒一段，对每段数据进行功率谱密度计算；
S2：对采集到的大脑脑电信号、小脑脑电信号和肌电信号数据进行预处理，得出多组序列；
S3：根据步骤S2的预处理，使用RandomOverSampler函数重抽样步骤S2中预处理后的序列，并平衡各个睡眠分期的样本数；
S4：使用random.shuffle函数打乱S3中重抽样后的数据的序列顺序；
S5：初始化XGBClassifier,导入数据，训练参数，训练参数方法为GridSearchCV，其中scoring＝'f1_macro'，cv＝3；
S6：使用计算所得最优参数建立XGBClassfier模型，存储模型；
S7：将处理好的数据分为3份，2份组成训练集，1份组成测试集，计算ROC曲线，验证模型性能。
进一步的，大脑、小脑脑电和肌电信号的数据预处理方法如下：
1)大脑EEG数据预处理：通过比较每一段数据中2Hz和8Hz能量比、4.5Hz和8Hz能量比、5Hz和8Hz能量比、2.5Hz和8Hz能量比、2Hz和8.5Hz能量比、5Hz和8.5Hz能量比、2.5Hz和8.5Hz能量比与训练出的最优系数进行对比得到7组结果序列；
计算每段数据1-5Hz脑电能量总和与全部时间内1-5Hz脑电能量每30秒的平均值的比值、每段数据5-10Hz脑电能量总和与全部时间内5-10Hz脑电能量每30秒的平均值的比值、每段数据2-4Hz脑电能量总和与每段数据2-30Hz脑电能量总和的比值、每段数据7-8Hz脑电能量总和与每段数据2-30Hz脑电能量总和的比值、每段数据1Hz脑电能量标准差与全部时间内1Hz脑电能量标准差的比值和每段数据3-7.5Hz脑电能量标准差与全部时间内脑电能量平均值的比值，并将技术结果与训练出的最优系数进行对比得到8组结果序列；
2)小脑EEG数据预处理：
计算每段数据1-5Hz脑电能量总和与全部时间内1-5Hz脑电能量每30秒的平均值的比值、每段数据5-10Hz脑电能量总和与全部时间内5-10Hz脑电能量每30秒的平均值的比值和每段数据1Hz脑电能量标准差与全部时间内1Hz脑电能量标准差的比值，并将计算结果与训练出的最优系数进行对比得到3组结果序列；
取小脑脑电信号的绝对值数值，并将其从小到大排列成序列，分别计算序列前1440、2016、864个数值和总体序列的平均值；将未进行绝对值排序计算的每段脑电信号序列分为均等的前、中、后三段，并分别计算大于1440、2016、864个数值平均值的数值数量，并与训练出的最优系数进行对比得到9组结果序列；
将未进行绝对值排序计算的每段脑电信号序列分为均等的前、中、后三段，计算其绝对值的平均值与训练出的最优系数乘积的值，并分别与总体序列的平均值进行对比得到3组结果序列；
3)肌电信号数据预处理：
取肌电信号的绝对值数值，并从小到大排列成序列，分别计算序列前1440、2016、864个数值和总体序列的平均值。将未进行绝对值排序计算的每段肌电信号序列分为均等的前、中、后三段，分别计算其大于上述1440、2016、864个数值平均值的数值数量并与训练出的最优系数进行对比得到9组结果序列；
将未进行绝对值排序计算的每段肌电信号的序列分为均等的前、中、后三段，计算其绝对值的平均值与训练出的最优系数乘积的值，分别与上述总体序列的平均值进行对比得到3组结果序列。
进一步的，步骤S3的具体方法为：将大脑脑电信号数据预处理所得的7组序列和8组序列、小脑EEG数据预处理所得的3组序列、9组序列、3组序列、EMG数据预处理所得的9组序列和3组序列组成42组序列，使用RandomOverSampler函数重抽样处理好的序列，平衡各个睡眠分期的样本数。
进一步的，步骤S6中的最优参数为learning_rate＝0.1，n_estimators＝800,max_depth＝4，min_child_weight＝4，subsample＝0.1，colsample_bytree＝0.8，gamma＝1，max_delta_step＝2，tree_method＝'gpu_hist'。
综上所述，本发明具有以下有益效果：本发明的方法通过采集大脑脑电信号、小脑脑电信号和肌电信号，并结合采集的信号对睡眠分期进行整合分析，能够对生命个体的睡眠状态进行精准分期，从而便于实现睡眠状态的精确评估。
附图说明
图1是本发明实施例中以小鼠为实验对象的电极植入示意图；
图2是本发明实施例中以大脑脑电、肌电作为特征分析睡眠分期时的部分ROC曲线图；
图3是本发明实施例中以大脑脑电、小脑脑电作为特征分析睡眠分期时的部分ROC曲线图；
图4是本发明实施例中以大脑、小脑脑电和肌电为特征整合睡眠分期时的部分ROC曲线图；
具体实施方式
以下结合附图1-3对本发明作进一步详细说明。
实施例：一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法，如图1至图3所示，包括以下步骤：
S1：采用脑电信号采集电极采集大脑、小脑脑电信号，利用肌电信号采集电极采集肌电信号，采样率为500Hz；利用放大器收集放大检测到的电信号，放大器的带通滤波为0.5-40Hz，可对原始信号进行噪声的滤除；利用模数转换器对采集的脑电信号进行模数转换，并输出为标准EDF格式；记录的数据分为每30秒一段，对每段数据进行功率谱密度计算；
S2：对采集到的大脑脑电信号、小脑脑电信号和肌电信号数据进行预处理：
1)大脑EEG数据预处理：通过比较每一段数据中2Hz和8Hz能量比、4.5Hz和8Hz能量比、5Hz和8Hz能量比、2.5Hz和8Hz能量比、2Hz和8.5Hz能量比、5Hz和8.5Hz能量比、2.5Hz和8.5Hz能量比与训练出的最优系数进行对比得到7组结果序列，其中最优系数依次为0.6，0.58，0.26，0.19，0.5，0.55，0.18；
计算每段数据1-5Hz脑电能量总和与全部时间内1-5Hz脑电能量每30秒的平均值的比值、每段数据5-10Hz脑电能量总和与全部时间内5-10Hz脑电能量每30秒的平均值的比值、每段数据2-4Hz脑电能量总和与每段数据2-30Hz脑电能量总和的比值、每段数据7-8Hz脑电能量总和与每段数据2-30Hz脑电能量总和的比值、每段数据1Hz脑电能量标准差与全部时间内1Hz脑电能量标准差的比值和每段数据3-7.5Hz脑电能量标准差与全部时间内脑电能量平均值的比值，并将技术结果与训练出的最优系数进行对比得到8组结果序列，其中最优系数依次为230，230，0.1，0.26，0.07，0.18，0.3，205，最优系数中的0.07和0.18为同一结果与两个系数分别进行对比；
2)小脑EEG数据预处理：
计算每段数据1-5Hz脑电能量总和与全部时间内1-5Hz脑电能量每30秒的平均值的比值、每段数据5-10Hz脑电能量总和与全部时间内5-10Hz脑电能量每30秒的平均值的比值和每段数据1Hz脑电能量标准差与全部时间内1Hz脑电能量标准差的比值，并将计算结果与训练出的最优系数进行对比得到3组结果序列，其中最优系数依次为170，170，2；
取小脑脑电信号的绝对值数值，并将其从小到大排列成序列，分别计算序列前1440、2016、864个数值和总体序列的平均值；将未进行绝对值排序计算的每段脑电信号序列分为均等的前、中、后三段，并分别计算大于1440、2016、864个数值平均值的数值数量，并与训练出的最优系数进行对比得到9组结果序列，其中最优系数依次为900，900，900，1010，1010，1010，790，790，790；
将未进行绝对值排序计算的每段脑电信号序列分为均等的前、中、后三段，计算其绝对值的平均值与训练出的最优系数乘积的值，并分别与总体序列的平均值进行对比得到3组结果序列，其中最优系数依次为0.98，0.98，0.98；
3)肌电信号数据预处理：
取肌电信号的绝对值数值，并从小到大排列成序列，分别计算序列前1440、2016、864个数值和总体序列的平均值。将未进行绝对值排序计算的每段肌电信号序列分为均等的前、中、后三段，分别计算其大于上述1440、2016、864个数值平均值的数值数量并与训练出的最优系数进行对比得到9组结果序列，其中最优系数依次为730，730，730，750，750，750，650，650，650；
将未进行绝对值排序计算的每段肌电信号的序列分为均等的前、中、后三段，计算其绝对值的平均值与训练出的最优系数乘积的值，分别与上述总体序列的平均值进行对比得到3组结果序列，其中最优系数依次为0.84，0.84，0.84；
值得一提的是，脑电图通常由德尔塔脑波、西塔脑波、阿尔法脑波和贝塔脑波共同构成，其中，德尔塔脑波只在深睡时出现，西塔脑波在浅睡时出现，α脑波在初睡或初醒时出现(即半睡半醒时)，贝塔脑波(BETA)在清醒时出现。
德尔塔脑波的振荡频率为0—4赫兹；西塔脑波的震荡频率为4—7赫兹；阿尔法脑波的震荡频率为8—13赫兹；贝塔脑波的震荡频率为13—40赫兹，本发明以此为根据选择上述数据中的某些特定频率的能量比值与最优系数相比得出结果序列，其中，最优系数是通过对大量的参数进行统计学对比，最终得到的能够最好区分不同种睡眠状态的结果。
S3：根据步骤S2的预处理，将大脑脑电信号数据预处理所得的7组序列和8组序列、小脑EEG数据预处理所得的3组序列、9组序列、3组序列、EMG数据预处理所得的9组序列和3组序列组成42组序列，使用RandomOverSampler函数重抽样处理好的序列，并平衡各个睡眠分期的样本数；
S4：使用random.shuffle函数打乱S3中重抽样后的数据的序列顺序；
S5：初始化XGBClassifier,导入数据，训练参数，训练参数方法为GridSearchCV，其中scoring＝'f1_macro'，cv＝3；
S6：使用计算所得最优参数建立XGBClassfier模型，最优参数为learning_rate＝0.1，n_estimators＝800,max_depth＝4，min_child_weight＝4，subsample＝0.1，colsample_bytree＝0.8，gamma＝1，max_delta_step＝2，tree_method＝'gpu_hist'，并存储模型；
S7：将处理好的数据分为3份，2份组成训练集，1份组成测试集，计算ROC曲线，验证模型性能。
本发明对睡眠分期的数据进行处理时采用的编程语言为python。
值得一提的是，如图1所示，以小鼠为实验对象时，大脑脑电采集电极埋置位置为前囟后0.3mm，右2.0mm，小脑脑电采集电极埋置位置为后囟后2.2mm，右1.5mm，肌电采集电极埋置位置为两侧斜方肌内。
图2、图3和图4为分别以大脑脑电和肌电为特征时、以大脑脑电和小脑脑电为特征时和以大脑、小脑脑电和肌电为特征时，经过多次重复实验得出的多个ROC曲线，图中线框圈出的ROC曲线出现性能下降的情况，由此可以得出结论，以大脑脑电和肌电为特征时，睡眠分期效果较差；以大脑脑电和小脑脑电为特征时，睡眠分期效果稍差；以大脑、小脑脑电和肌电为特征时，睡眠分期效果较好。
通过本发明的上述实施例，本发明通过采集大脑脑电信号、小脑脑电信号和肌电信号，并结合采集的信号对睡眠分期进行整合分析，能够对生命个体的睡眠状态进行精准分期，从而便于实现睡眠状态的精确评估。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (4)
1.一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法，其特征在于，包括以下步骤：
S1：采用脑电信号采集电极采集大脑、小脑脑电信号，利用肌电信号采集电极采集肌电信号，采样率为500Hz；利用放大器收集放大检测到的电信号，放大器的带通滤波为0.5-40Hz；利用模数转换器对采集的脑电信号进行模数转换，并输出为标准EDF格式；记录的数据分为每30秒一段，对每段数据进行功率谱密度计算；
S2：对采集到的大脑脑电信号、小脑脑电信号和肌电信号数据进行预处理，得出多组序列；
S3：根据步骤S2的预处理，使用RandomOverSampler函数重抽样步骤S2中预处理后的序列，并平衡各个睡眠分期的样本数；
S4：使用random.shuffle函数打乱S3中重抽样后的数据的序列顺序；
S5：初始化XGBClassifier,导入数据，训练参数，训练参数方法为GridSearchCV，其中scoring＝'f1_macro'，cv＝3；
S6：使用计算所得最优参数建立XGBClassfier模型，存储模型；
S7：将处理好的数据分为3份，2份组成训练集，1份组成测试集，计算ROC曲线，验证模型性能。
2.根据权利要求1所述的一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法，其特征在于，所述大脑、小脑脑电和肌电信号的数据预处理方法如下：
1)大脑EEG数据预处理：通过比较每一段数据中2Hz和8Hz能量比、4.5Hz和8Hz能量比、5Hz和8Hz能量比、2.5Hz和8Hz能量比、2Hz和8.5Hz能量比、5Hz和8.5Hz能量比、2.5Hz和8.5Hz能量比与训练出的最优系数进行对比得到7组结果序列；
计算每段数据1-5Hz脑电能量总和与全部时间内1-5Hz脑电能量每30秒的平均值的比值、每段数据5-10Hz脑电能量总和与全部时间内5-10Hz脑电能量每30秒的平均值的比值、每段数据2-4Hz脑电能量总和与每段数据2-30Hz脑电能量总和的比值、每段数据7-8Hz脑电能量总和与每段数据2-30Hz脑电能量总和的比值、每段数据1Hz脑电能量标准差与全部时间内1Hz脑电能量标准差的比值和每段数据3-7.5Hz脑电能量标准差与全部时间内脑电能量平均值的比值，并将技术结果与训练出的最优系数进行对比得到8组结果序列；
2)小脑EEG数据预处理：
计算每段数据1-5Hz脑电能量总和与全部时间内1-5Hz脑电能量每30秒的平均值的比值、每段数据5-10Hz脑电能量总和与全部时间内5-10Hz脑电能量每30秒的平均值的比值和每段数据1Hz脑电能量标准差与全部时间内1Hz脑电能量标准差的比值，并将计算结果与训练出的最优系数进行对比得到3组结果序列；
取小脑脑电信号的绝对值数值，并将其从小到大排列成序列，分别计算序列前1440、2016、864个数值和总体序列的平均值；将未进行绝对值排序计算的每段脑电信号序列分为均等的前、中、后三段，并分别计算大于1440、2016、864个数值平均值的数值数量，并与训练出的最优系数进行对比得到9组结果序列；
将未进行绝对值排序计算的每段脑电信号序列分为均等的前、中、后三段，计算其绝对值的平均值与训练出的最优系数乘积的值，并分别与总体序列的平均值进行对比得到3组结果序列；
3)肌电信号数据预处理：
取肌电信号的绝对值数值，并从小到大排列成序列，分别计算序列前1440、2016、864个数值和总体序列的平均值。将未进行绝对值排序计算的每段肌电信号序列分为均等的前、中、后三段，分别计算其大于上述1440、2016、864个数值平均值的数值数量并与训练出的最优系数进行对比得到9组结果序列；
将未进行绝对值排序计算的每段肌电信号的序列分为均等的前、中、后三段，计算其绝对值的平均值与训练出的最优系数乘积的值，分别与上述总体序列的平均值进行对比得到3组结果序列。
3.根据权利要求2所述的一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法，其特征在于，所述步骤S3的具体方法为：将大脑脑电信号数据预处理所得的7组序列和8组序列、小脑EEG数据预处理所得的3组序列、9组序列、3组序列、EMG数据预处理所得的9组序列和3组序列组成42组序列，使用RandomOverSampler函数重抽样处理好的序列，平衡各个睡眠分期的样本数。
4.根据权利要求1所述的一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法，其特征在于，所述步骤S6中的最优参数为learning_rate＝0.1，n_estimators＝800,max_depth＝4，min_child_weight＝4，subsample＝0.1，colsample_bytree＝0.8，gamma＝1，max_delta_step＝2，tree_method＝'gpu_hist'。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111331976.3A CN114052662B (zh) | 2021-11-11 | 2021-11-11 | 一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111331976.3A CN114052662B (zh) | 2021-11-11 | 2021-11-11 | 一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114052662A true CN114052662A (zh) | 2022-02-18 |
| CN114052662B CN114052662B (zh) | 2023-08-08 |
Family
ID=80274939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111331976.3A Active CN114052662B (zh) | 2021-11-11 | 2021-11-11 | 一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114052662B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115153586A (zh) * | 2022-07-13 | 2022-10-11 | 燕山大学 | 一种睡眠节律调控方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006121455A1 (en) * | 2005-05-10 | 2006-11-16 | The Salk Institute For Biological Studies | Dynamic signal processing |
| CN102488516A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种非线性脑电信号分析方法以及装置 |
| CN104586381A (zh) * | 2015-01-19 | 2015-05-06 | 成都信息工程学院 | 一种基于物联网的心电监护系统 |
| CN106709469A (zh) * | 2017-01-03 | 2017-05-24 | 中国科学院苏州生物医学工程技术研究所 | 基于脑电和肌电多特征的自动睡眠分期方法 |
| CN107007278A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院苏州生物医学工程技术研究所 | 基于多参数特征融合的自动睡眠分期方法 |
| CN108968915A (zh) * | 2018-06-12 | 2018-12-11 | 山东大学 | 基于熵特征及支持向量机的睡眠状态分类方法及系统 |
| KR102011126B1 (ko) * | 2018-04-30 | 2019-08-14 | 고려대학교 산학협력단 | 뇌 연결성을 이용한 의식 수준 기반의 수면 단계 측정 방법 및 장치 |
| US20190282812A1 (en) * | 2018-03-14 | 2019-09-19 | Teledyne Scientific & Imaging, Llc | Method for non-invasive enhancement of deep sleep |
| CN110623665A (zh) * | 2019-09-26 | 2019-12-31 | 川北医学院 | 一种智能睡眠时相检测与睡眠质量评估系统及方法 |
| US20200368491A1 (en) * | 2019-05-24 | 2020-11-26 | Neuroenhancement Lab, LLC | Device, method, and app for facilitating sleep |
| US20210045675A1 (en) * | 2019-08-12 | 2021-02-18 | Honeynaps Co., Ltd. | Data processing apparatus for automatically determining sleep disorder using deep running and operation method of the data processing apparatus |
-
2021
- 2021-11-11 CN CN202111331976.3A patent/CN114052662B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006121455A1 (en) * | 2005-05-10 | 2006-11-16 | The Salk Institute For Biological Studies | Dynamic signal processing |
| CN102488516A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种非线性脑电信号分析方法以及装置 |
| CN104586381A (zh) * | 2015-01-19 | 2015-05-06 | 成都信息工程学院 | 一种基于物联网的心电监护系统 |
| CN106709469A (zh) * | 2017-01-03 | 2017-05-24 | 中国科学院苏州生物医学工程技术研究所 | 基于脑电和肌电多特征的自动睡眠分期方法 |
| CN107007278A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院苏州生物医学工程技术研究所 | 基于多参数特征融合的自动睡眠分期方法 |
| US20190282812A1 (en) * | 2018-03-14 | 2019-09-19 | Teledyne Scientific & Imaging, Llc | Method for non-invasive enhancement of deep sleep |
| KR102011126B1 (ko) * | 2018-04-30 | 2019-08-14 | 고려대학교 산학협력단 | 뇌 연결성을 이용한 의식 수준 기반의 수면 단계 측정 방법 및 장치 |
| CN108968915A (zh) * | 2018-06-12 | 2018-12-11 | 山东大学 | 基于熵特征及支持向量机的睡眠状态分类方法及系统 |
| US20200368491A1 (en) * | 2019-05-24 | 2020-11-26 | Neuroenhancement Lab, LLC | Device, method, and app for facilitating sleep |
| US20210045675A1 (en) * | 2019-08-12 | 2021-02-18 | Honeynaps Co., Ltd. | Data processing apparatus for automatically determining sleep disorder using deep running and operation method of the data processing apparatus |
| CN110623665A (zh) * | 2019-09-26 | 2019-12-31 | 川北医学院 | 一种智能睡眠时相检测与睡眠质量评估系统及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115153586A (zh) * | 2022-07-13 | 2022-10-11 | 燕山大学 | 一种睡眠节律调控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114052662B (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
| CN110946576A (zh) | 一种基于宽度学习的视觉诱发电位识别情绪方法 | |
| CN107024987B (zh) | 一种基于eeg的实时人脑注意力测试和训练系统 | |
| CN107788970B (zh) | 一种基于多生理参数方法融合的脑力负荷评估方法 | |
| CN107463792B (zh) | 神经反馈装置、系统及方法 | |
| CN103584872B (zh) | 一种基于多生理参数融合的心理压力评估方法 | |
| Anderer et al. | An E-health solution for automatic sleep classification according to Rechtschaffen and Kales: validation study of the Somnolyzer 24× 7 utilizing the Siesta database | |
| Barbosa et al. | Activation of a mobile robot through a brain computer interface | |
| CN105147248A (zh) | 基于生理信息的抑郁症评估系统及其评估方法 | |
| Kar et al. | Effect of sleep deprivation on functional connectivity of EEG channels | |
| CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
| CN106236083B (zh) | 睡眠状态分析中去除眼电伪迹的设备 | |
| CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及系统 | |
| CN112861625B (zh) | 一种堆叠去噪自编码器模型确定方法 | |
| CN111317446B (zh) | 基于人体肌肉表面电信号的睡眠结构自动分析方法 | |
| CN113143208B (zh) | 基于多维度测量的疼痛敏感性评估系统和方法 | |
| CN116013470B (zh) | 一种睡眠行为活跃水平动态调节的方法、系统和装置 | |
| CN108143412B (zh) | 一种儿童脑电情绪分析的控制方法、装置及系统 | |
| CN112842279A (zh) | 一种基于多维度特征参数的睡眠质量评估方法及装置 | |
| WO2004107978A1 (ja) | 睡眠段階判定方法および判定装置 | |
| CN117883082A (zh) | 一种异常情绪识别方法、系统、设备及介质 | |
| CN114052662A (zh) | 一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法 | |
| CN107510451B (zh) | 一种基于脑干听觉诱发电位的音高感知能力客观评估方法 | |
| CN106175698B (zh) | 睡眠状态分析中睡眠周期检测装置 | |
| CN114929319A (zh) | 更新助眠音频信号的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |