专利名称：一种基于脑电信号的睡眠状态监测方法
技术领域：
本发明涉及信号处理技术领域，尤其涉及一种在睡眠状态下的脑电信号(EEG)的特征提取和信息融合方法。
背景技术：
睡眠作为一种复杂的生理过程，是机体复原、整合和巩固的重要环节。目前国际上普遍使用R&K睡眠EEG分期规则，根据睡眠时脑电信号的表现，将睡眠分为觉醒期、非快速眼动睡眠期(non-rapid eye movement，NREM)和快速眼动睡眠期(rapid eye movement, REM)。其中NREM又可分为1、2、3、4期。睡眠分期研究，对于睡眠状态分析以及睡眠质量的科学评估，具有重要的应用价值。
脑电数字化分析已广泛用于大脑皮层的功能监测，应用单一的数字化EEG参数分析大脑在睡眠状态下的镇静程度更为直观方便。脑电信号(EEG)反映脑细胞群自发而有节律的电活动，一般用波幅、频率和相位等特征来描述。当进入睡眠状态时，EEG的基本特征随着睡眠程度加深或变浅呈顺序性变化，呈现一定的函数关系，因而可用来反映睡眠深度。在已有的临床睡眠分析中，通常采用时频域分析的方法，提取时域、频域和高阶谱变量等特征参数作为脑电图定量分析指标，其通过特定的算法建立睡眠深度量化模型。根据现有脑神经生理学EEG产生机制的研究，EEG信号起源于一个高度的非线性系统，不仅在中枢神经系统每个分层发现许多的反馈环路，而且单个神经元自身也表现出高度非线性因素。在神经细胞膜上可以观察到混沌行为，神经放电转化遵循分叉规律，而混沌和分叉行为属于非线性科学的范畴。因此EEG信号是大量神经细胞的非线性耦合，是一个高度非线性多单元连接的复合体，EEG活动具有确定性混沌特性，大脑是复杂、自组织的非线性动力学系统。在分析脑电信号时，非线性方法较于传统的时频域分析方法，有着独特的优势。因此，本发明中不仅采用传统的时频域分析的方法提取到麻醉特征参数，包括EEG四个节律的比重、总功率谱重心、β比率，还从非线性动力学的角度刻画麻醉状态的EEG变化规律，得到基本的非线性参数，包括近似熵、复杂度、信息熵；另外还有非线性混沌参数，包括最小嵌入维、关联维数、最大李雅普洛夫指数。更加准确地反映脑电活动和睡眠状态之间的关系。
发明内容
本发明的目的是针对现有技术的不足，提供一种基于脑电信号的睡眠状态监测方法。本发明的目的是通过以下技术方案来实现的一种基于脑电信号的睡眠状态监测方法，该方法包括以下步骤
(1)结合多导睡眠监护仪，获取原始脑电信号用多导睡眠监护仪记录监护者从入睡到醒来的连续脑电数据，采样频率为256kz ；采集得到睡眠脑电样本，记录被试者由清醒到深度睡眠整个过程中的脑电信号；采集不同性别、不同年龄层的实验者的数据，建立睡眠脑电数据仓库；
(2)采用时频域方法和非线性动力学分析方法对睡眠脑电数据仓库中的睡眠脑电信号进行睡眠深度特征参数提取，待提取的特征参数包括时频域参数、非线性动力学参数和非线性混沌参数；
(3)对提取得到的特征参数做信息融合处理，以期得到能反映麻醉程度指标的量化方法；采用统计学的方法，在大量样本集合的验证下，确定最优模型来量化睡眠深度指数计算模型；该模型的输入为样本的睡眠深度特征参数，输出为0到100的连续无标度睡眠深度指数；
(4)根据上步计算得到的连续的睡眠深度指数，按照R&K睡眠EEG分期规则，根据睡眠深度指数与睡眠状态的关系进行睡眠阶段的分级。本发明的有益效果是现有的多导睡眠分析系统在基于脑电信号(EEG)分析睡眠结构时，通常借助眼电图(EOG)和肌电图(EMG)和一些其他的生理参数。这为睡眠状态监测的灵活性带来了一定的影响，本发明只通过对脑电信号分析提取更有效果的特征参数，来进行睡眠状态的判别，输出睡眠深度指数(1-100的无标度数值)。睡眠深度指数可以实时反映监护者的睡眠状态，预测睡眠深度趋势。这一功能可以加强现有睡眠分析软件系统。更加准确地反映脑电活动和睡眠状态之间的关系，便于后续采用相关生理信号的监测来改善睡眠质量，和睡眠监护。
图1为本发明的自动睡眠状态监测系统结构图； 图2为本发明的近似熵算法流程图3为本发明的信息熵算法流程图； 图4为本发明复杂度算法流程； 图5为本发明的关联维的算法流程图； 图6为本发明的睡眠脑电信号样本； 图7为本发明的连续睡眠深度指数计算结果图； 图8为本发明的标准脑电镇静程度曲线图； 图9为本发明的连续睡眠深度指数计算结果图； 图10为本发明的六等级睡眠阶段分级图。
具体实施例方式非线性动力学理论在分析脑电信号的关联维、Lyapunov指数、近似熵和复杂度等非线性参数上已有相关的理论研究基础，我们在此基础上，提取脑电信号的非线性特征。通过Cao方法等途径选取正确的延迟时间和嵌入维数，获得脑电信号高维空间中的混沌吸引子拓扑结构，分别进行其关联维、李亚普诺夫指数、近似熵、信息熵及复杂度等非线性参数的计算和分析。在大量样本的统计学分析部分，采用LASSO套索估计方法揭示睡眠深度特征参数对睡眠深度指数影响的联合效应，并确定睡眠深度特征参数的最小子集来建立麻醉指数的评价模型。LASSO方法用于逼近线形模型。LASSO最小化受约束的残留平方和误差。由于这一约束的本质特性，LASSO可以使得一些系数严格为零，从而能够给出可解释的模型。
权利要求
1.一种基于脑电信号的睡眠状态监测方法，其特征在于，该方法包括以下步骤(1)结合多导睡眠监护仪，获取原始脑电信号用多导睡眠监护仪记录监护者从入睡到醒来的连续脑电数据，采样频率为256kz ；采集得到睡眠脑电样本，记录被试者由清醒到深度睡眠整个过程中的脑电信号；采集不同性别、不同年龄层的实验者的数据，建立睡眠脑电数据仓库；(2)采用时频域方法和非线性动力学分析方法对睡眠脑电数据仓库中的睡眠脑电信号进行睡眠深度特征参数提取，待提取的特征参数包括时频域参数、非线性动力学参数和非线性混沌参数；(3)对提取得到的特征参数做信息融合处理，以期得到能反映麻醉程度指标的量化方法；采用统计学的方法，在大量样本集合的验证下，确定最优模型来量化睡眠深度指数计算模型；该模型的输入为样本的睡眠深度特征参数，输出为0到100的连续无标度睡眠深度指数；(4)根据上步计算得到的连续的睡眠深度指数，按照R&K睡眠EEG分期规则，根据睡眠深度指数与睡眠状态的关系进行睡眠阶段的分级。
2.根据权利要求1所述基于脑电信号的睡眠状态监测方法，其特征在于，所述步骤(2) 中，所述频域参数为总功率和频率重心；时域参数包括近似熵、信息熵和复杂度等；非线性混沌参数包括关联维和最大李亚普诺夫指数等。
3.根据权利要求1所述基于脑电信号的睡眠状态监测方法，其特征在于，所述步骤(3) 中，所述模型通过以下子步骤来建立(A)首先确定对应时间下的睡眠指数沒—她,Si—她定义为1到100连续变化的离散值，作为睡眠指数计算模型的确立依据；(B)定义Xi为步骤(2)中在第i个滑动窗中计算得到的特征参数的向量，^为在此滑动窗下医生根据临床确定的睡眠指数2-1/ I这里，Λ ... ^^且 ；可以等价为在限制条件 ι巧下，为可调参数，最 P=KPi' ‘ Pp) Λ>0J-I 小化 ^-/^)2 ；计算得到最优解，确定各个参数的权重系数，即为睡眠深度指数模型。 2-全文摘要
本发明公开了一种基于脑电信号的睡眠状态监测方法，可以实现连续的睡眠深度监测和睡眠阶段分级。此方法通过对睡眠脑电信号采用传统的时频域分析方法和新引入的非线性动力学分析方法提取到一批能表征睡眠深度的特征参数。再通过套索回归方法选择特征参数的最佳子集，通过统计学验证方法，确定模型系数。最终建立睡眠指数自动监测模型，可以根据相应的睡眠阶段分级标准实现睡眠阶段的自动分级。本发明更加准确地反映脑电活动和睡眠状态之间的关系，便于后续采用相关生理信号的监测来改善睡眠质量和睡眠监护。
文档编号A61B5/0476GK102274022SQ20111011875
公开日2011年12月14日 申请日期2011年5月10日 优先权日2011年5月10日
发明者倪振强, 孟濬, 王磊, 陈啸 申请人:浙江大学