基于单通道脑电信号睡眠分期的方法、装置及存储介质

摘要

本申请涉及应用设备识别技术领域，具体而言，涉及基于单通道脑电信号睡眠分期的方法、装置及存储介质。本申请提供基于单通道脑电信号睡眠分期的方法，主要包括以下步骤：S1、获取单通道第一脑电信号X(n)，所述脑电信号包括正常脑电信号和眼电信号；S2、基于所述第一脑电信号X(n)，获取去除眼电伪迹的第二脑电信号X(n)；S3、基于所述第二脑电信号X(n)，利用神经网络模型获取所述第二脑电信号X(n)的睡眠特征{a1,a2,…,aN}；S4、将所述睡眠特征{a1,a2,…,aN}输入到双向长短期记忆网络模型BLSTM进行训练，获取所述第一脑电信号X(n)的睡眠周期分类。

说明书

技术领域

本申请涉及应用设备识别技术领域，具体而言，涉及一种基于单通道脑电信号睡眠分期的方法、装置及存储介质。

背景技术

1937年美国学者Loomis首次提出用EEG(Electroencephalogram：脑电波)方法取代行为学作为睡眠深度判断的标准。1953年美国学者Aserinsky和Kleitman发现REM(RapidEye Movement，快速眼动)现象。1968年Rechtchaffen和Kales提出睡眠分期的标准，并由美国生理协会推荐为第一个睡眠分期的国际分类标准。通常将睡眠状态分成5个阶段，W(清醒)、N1(非快速眼动睡眠第一期)、N2(非快速眼动睡眠第二期)、N3(非快速眼动睡眠第三期)、REM(快速眼动睡眠期)，后四种属于睡眠状态。

在基于脑电信号分析人们所处的睡眠状态的过程中，由于脑电信号采集包含较多噪声，尤其以眼电信号为主要的干扰信号，因此具有一定的难度。在一些去眼电伪迹睡眠分期实现中，会对脑电信号进行小波变换从而将其分解成多个组分，并将其中不含眼电伪迹的部分视作纯净脑电信号，将含有眼电伪迹的部分，再进行EMD模态分解，利用ICA独立成分分析将分解得到的分量中的纯净脑电信号与纯净眼电信号相分离，再将上述两个过程中得到的纯净脑电信号重组复原得到去除眼电后的脑电信号。然后将不同脑电波段的能量提取出来输入自适应模糊神经推理网络，经过训练后得到睡眠分期的结果。然而，ICA算法要求各源相互独立，小波变换只能保证各源相互不相关；ICA算法无法自动判断出分离出来的哪组信号是眼电信号，需要人工参与判断；人体睡眠是个前后关联的过程，自适应模糊神经推理网络并不能利用前后时段的脑电信息对睡眠状态进行综合判断。

因此，如何提高去眼电步骤算法的稳定性，减少人工干预，增加睡眠前后时段的脑电波信息和睡眠分期分类的关联性，提高睡眠分期系统的准确率和鲁棒性成为了有待解决的问题。

发明内容

本申请的目的在于提供一种基于单通道脑电信号睡眠分期的方法、装置及存储介质，该申请提出了一种单通道下去除眼电伪迹的方法，接着利用CNN卷积神经网络提取纯净脑电信号中的特征，再将特征输入到BLSTM长短期记忆网络进行训练，可以提高去眼电步骤算法的稳定性，减少人工干预，增加睡眠前后时段的脑电波信息和睡眠分期分类的关联性，可以提高睡眠分期系统的准确率和鲁棒性。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种基于单通道脑电信号睡眠分期的方法，主要包括以下步骤：

S1、获取单通道第一脑电信号X(n)，所述脑电信号包括正常脑电信号和眼电信号；

S2、基于所述第一脑电信号X(n)，获取去除眼电伪迹的第二脑电信号X(n)；

S3、基于所述第二脑电信号X(n)，利用神经网络模型获取所述第二脑电信号X(n)的睡眠特征{a

S4、将所述睡眠特征{a

可选地，所述获取去眼电伪迹的第二脑电信号X(n)包括以下步骤：

S2.1、获取所述第一脑电信号X(n)的长时差分信号，所述长时差分信号包括脑电信号的长时差分信号和眼电信号的长时差分信号；

S2.2、提取所述第一脑电信号X(n)长时差分信号的振幅包络信号E(n)；

S2.3、基于所述振幅包络信号E(n)进行双门限眼电干扰区间端点检测，获取最终眼电区间[N

S2.4、去除所述第一脑电信号X(n)中最终眼电区间[N

可选地，所述提取长时差分信号的振幅包络信号E(n)包括以下步骤：

S2.2.1、对所述长时差分信号进行平方运算得到长时差分能量信号；

S2.2.2、对所述长时差分能量信号进行2倍幅值运算提升获取第二长时差分能量信号，以补偿平方运算造成的低频能量损失；

S2.2.3、将所述第二长时差分能量信号通过N阶低通滤波器h(n)，获得能量包络信号；

S2.2.4、对所述能量包络信号进行开方运算获得振幅包络信号E(n)。

可选地，所述获取最终的眼电区间[N

搜索完成后剔除小于50ms的非眼电区间信号。

可选地，所述去除所述第一脑电信号X(n)中最终的眼电区间[N

S2.4.1、生成与所述第一脑电信号X(n)等长的信号X′(n)，将所述信号X′(n)配置为对应于原始信号眼电区间的值与第一脑电信号X(n)一致，其余区间的值配置为0；

S2.4.2、将生成的信号X′(n)进行移动平滑，使得X′(n)的区间[N

S2.4.3、利用X(n)-X″(n)达到去除眼电信号的效果。

可选地，所述利用CNN卷积神经网络模型获取所述第二脑电信号X(n)的特征{a

S3.1、建立滤波器尺度不同的CNN卷积神经网络模型；

S3.2、使用每个CNN卷积神经网络模型分别对所述第二脑电信号X(n)进行特征提取，获取小尺度滤波器CNN卷积神经网络模型提取的特征向量和大尺度滤波器CNN卷积神经网络模型提取的特征向量；

S3.3、拼接所述小尺度滤波器CNN卷积神经网络模型提取的特征向量和大尺度滤波器CNN卷积神经网络模型提取的特征向量，获取睡眠特征{a

可选地，所述CNN卷积神经网络模型卷积步骤如下：

给定窗口大小的卷积；

批标准化操作；

使用线性整流函数进行激活操作。

可选地，基于所述特征获取所述第一脑电信号的睡眠周期分类包括以下步骤：

S4.1、建立前向LSTM函数，参数为θ

其中，h是LSTM网络中的隐藏状态，c是LSTM网络中的细胞状态；

S4.2、建立后向LSTM函数，参数为θ

其中，h是LSTM网络中的隐藏状态，c是LSTM网络中的细胞状态；

S4.3、拼接所述前向LSTM函数和后向LSTM函数的输出，输出睡眠周期分类，

其中，h是LSTM网络中的隐藏状态，c是LSTM网络中的细胞状态，FC代表一个可以将a

本申请实施例的第二方面提供一种基于单通道脑电信号睡眠分期的装置，所述装置包括至少一个处理器以及至少一个存储器；

所述至少一个存储器用于存储计算机指令；

所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现本发明内容第一方面提供的基于单通道脑电信号睡眠分期的方法。

本申请实施例的第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现本发明内容第一方面提供的基于单通道脑电信号睡眠分期的方法。

本申请实施例的有益效果包括：本申请提出了一种单通道下去除眼电伪迹的方法，利用CNN卷积神经网络提取纯净脑电信号中的特征，再将特征输入到BLSTM长短期记忆网络进行训练，该方法可以提高去眼电步骤算法的稳定性，减少人工干预，增加睡眠前后时段的脑电波信息和睡眠分期分类的关联性，可以提高睡眠分期系统的准确率和鲁棒性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了根据本申请的一个实施例一种基于单通道脑电信号睡眠分期方法的流程图；

图2示出了根据本申请的一个实施例去眼电伪迹方法的流程图；

图3示出了根据本申请的一个实施例提取振幅包络信号方法的流程图；

图4示出了根据本申请的一个实施例在眼电区间的眼电信号去除方法的流程图；

图5示出了根据本申请的一个实施例利用CNN卷积神经网络模型获取脑电信号特征方法的流程图；

图6示出了根据本申请的一个实施例利用双向长短期记忆网络模型BLSTM获取睡眠周期分类方法的流程图。

图7示出了根据本申请的一个实施例睡眠数据分期框图。

具体实施方式

现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本申请的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本申请的范围之内。

本说明书通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型均包括在本申请的范围之内。

实施例1

传统上的睡眠分期，以脑波的形态和占比对脑波进行分期。当脑波中的α波相对闭目清醒状态减少50％，且出现低波幅混合频率波时，即认为进入N1期，在N1期较深入时会出现顶尖波。当脑波波形出现纺锤波、K复合波以及少量δ波的时候，即为进入了N2期睡眠。当δ波的占比超过20％，且几乎不再有纺锤波的时候，即为进入了N3期睡眠。而REM期睡眠的波形与N1期较为类似，为低波幅混合频率波，同时伴随快速的眼动。

图1示出了根据本申请的一个实施例一种基于单通道脑电信号睡眠分期方法的流程图。

在步骤S1中，获取第一脑电信号X(n)，表示如下：

X(n)＝S(n)+A(n)

其中，X(n)是含眼电干扰的单通道脑电信号，S(n)表示正常脑电信号，A(n)表示眼电信号。

在步骤S2中，基于所述第一脑电信号X(n)，去除眼电干扰信号，获取不含眼电信号的纯净脑电信号第二脑电信号X(n)。

如图2所示，获取不含眼电信号的纯净脑电信号第二脑电信号X(n)包括以下步骤：

在步骤S2.1中，根据所述第一脑电信号X(n)获取所述第一脑电信号X(n)的长时差分信号，其公式表示如下：

D

其中，k为时间延迟，一般选取半个眨眼周期，即大约160ms。S(n)-S(n-k)表示脑电信号的长时差分，A(n)-A(n-k)表示眼电信号的长时差分。

在步骤S2.2中，提取所述长时差分信号D

如图3所示将原始的长时差分信号进行平方运算得到长时差分能量信号，对所述长时差分能量信号进行2倍幅值运算提升，以补偿平方运算造成的低频能量损失。然后，将所述第二长时差分能量信号通过N阶低通滤波器h(n)，获得能量包络信号，最后，对所述能量包络信号进行开方运算转换成振幅包络信号E(n)。

在步骤S2.3中，基于所述振幅包络信号E(n)进行双门限眼电干扰区间端点检测，具体方法如下：

首先，设置较高的阈值T

其次，设置较低的阈值T

然后，利用下式进行后向、前向搜索，确定最终的眼电区间[N

在本实施例中，搜索完成后剔除小于50ms的非眼电区间。

在步骤S2.4中，去除上述最终的眼电区间[N

如图4所示，在步骤S2.4.1中，生成一个与含眼电干扰的单通道第一脑电信号X(n)等长的信号X′(n)，将所述信号X′(n)配置为对应于原始信号眼电区间的值，与第一脑电信号X(n)一致，其余区间的值配置为0。

在步骤S2.4.2中，将生成的信号X′(n)进行移动平滑，使得X′(n)的区间[N

在步骤S2.4.3中，利用上述两个完全重叠的信号，公式X(n)-X″(n)计算既可以达到去除眼电信号的效果，得到第二脑电信号X(n)，即不含眼电杂迹的纯净脑电信号。

在步骤S3中，基于所述第二脑电信号X(n)，因为所述第二脑电信号X(n)已经去除了眼电干扰，此时可以利用CNN卷积神经网络模型获取所述第二脑电信号X(n)的睡眠特征{a

如图5所示，首先使用尺度不同的滤波器分别对处理后的EEG脑电信号进行CNN卷积神经网络模型提取特征，所述每个CNN卷积神经网络模型包含4个卷积层和两个最大池化层。

卷积是两个变量在某范围内相乘后求和的结果。如果卷积的变量是序列X(n)和h(n)，则卷积的结果，表示如下：

每个CNN卷积神经网络模型依次进行：①给定窗口大小的卷积；②批标准化操作；③使用线性整流函数进行激活操作。

如图7所示睡眠数据分期图所示，图中CNN卷积神经网络模型框图给出了以下参数：

[Fs/2]Conv,64,/[Fs/16]：CNN滤波器尺寸为1/2采样频率，64个滤波器，滤波步长1/16采样频率；

8 max-pool,/8：最大池化大小为8，步长为8；

8 Conv,128：CNN滤波器尺寸为8，128个滤波器，步长默认为1；

Dropout 0.5：随机选择一半数据不进行训练；

1024 Fc：输出大小为1024的全连接层；

512/512 BLSTM：有512个单元的双向LSTM单元；

5 softmax：5分类的归一化指数函数。

然后使用每个CNN卷积神经网络模型分别对所述第二脑电信号X(n)进行特征提取，获取小尺度滤波器CNN卷积神经网络模型提取的特征向量和大尺度滤波器CNN卷积神经网络模型提取的特征向量。

最后拼接所述小滤波器CNN卷积神经网络模型提取的特征向量和大滤波器CNN卷积神经网络模型提取的特征向量，获取特征{a

如图7所示，例如我们有N个单通道的30秒EEG信号样本{x

函数CNN(x

在步骤S4中，将上述特征{a

在人工睡眠分期时，人们常常依据上一个睡眠分期的状态来判读当前睡眠状态，例如在AASM判读手册中所说：如果上一个分期判读为N2期，当前数据为低振幅和混合频率EEG波形，我们判读其为N2期，即使并无K复合波及纺锤波出现。

双向长短期记忆网络模型BLSTM的本质特征是在处理单元之间既有内部的反馈连接又有前馈连接，可以利用它内部的记忆来处理任意时序的输入序列，这让它可以更容易处理在时间上有规律连续的数据。

我们使用两层双向长短期记忆网络模型BLSTM来提取时态信息，同时将CNN卷积神经网络处理得到的特征以直连的方式和BLSTM处理后的特征进行融合，此举大大提高模型的泛化性，避免了模型过拟合。

其数学描述如下：我们有N个CNNs处理后的特征{a

其中，h是LSTM网络中的隐藏状态，c是LSTM网络中的细胞状态。

建立后向LSTM函数，参数为θ

其中，h是LSTM网络中的隐藏状态，c是LSTM网络中的细胞状态。

拼接所述向前的LSTM函数和向后的LSTM函数的输出，输出睡眠周期分类表示为

其中，h是LSTM网络中的隐藏状态，c是LSTM网络中的细胞状态，FC代表一个可以将a

如图7所示，BLSTM的隐藏层的具体数目和全连接层的情况。每一个BLSTM双向长短期记忆网络的框代表了前后向隐藏节点的数量，每一个FC的框里代表了隐藏节点的数量。

无论是训练还是测试，每一组样本输入BLSTM网络时，都必须重新将

本申请提出了一种单通道下去除眼电伪迹的方法，接着利用CNN卷积神经网络提取纯净脑电信号中的特征，再将特征输入到BLSTM长短期记忆网络进行训练，该方法可以提高去眼电步骤算法的稳定性，减少人工干预，增加睡眠前后时段的脑电波信息和睡眠分期分类的关联性，可以提高睡眠分期系统的准确率和鲁棒性。

应当理解，本申请提供的一种单通道下去除眼电伪迹的装备，所述设备包括至少一个处理器以及至少一个存储器。在一些实施例中，所述电子设备可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统，并可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的电子设备不仅可以有诸如超大规模集成电路或门阵列、逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。