一种基于振幅整合脑电图的新生儿睡眠觉醒周期检测方法与流程

本发明涉及一种基于振幅整合脑电图的新生儿睡眠觉醒周期检测方法，属于图像处理技术。

背景技术：

睡眠觉醒周期的出现是新生儿脑发育成熟的最重要标志之一，具有重要的临床意义。大量实验证明足月新生儿在出生后第二天基本上都会出现睡眠觉醒周期，一次睡眠觉醒周期的平均时长为70分钟左右。早产儿出生后其脑电表现为不成熟，其脑发育趋于成熟的一个很重要的标志就是睡眠觉醒周期的出现。睡眠觉醒周期的出现对于新生儿预后也具有很重要的临床意义。

技术实现要素：

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于振幅整合脑电图的新生儿睡眠觉醒周期检测方法，解决目前对于新生儿睡眠觉醒周期监控的空白，对于新生儿的监护起到一定的保障作用。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于振幅整合脑电图的新生儿睡眠觉醒周期检测方法，包括如下步骤：

(1)采集原始的振幅整合脑电图图像；

(2)对原始的振幅整合脑电图像进行背景模式分类，提取出背景连续的振幅整合脑电图像和背景不连续的振幅整合脑电图像作为有效数据；

(3)根据时间空隙对所有有效数据进行分段，时间上前后连续的有效数据合并为一个长的数据段，时间上前后不连续的有效数据单独作为一个数据段；

(4)筛选出时间长度大于t2(优选地，t2＝30min)的数据段作为有效数据段；

(5)将所有有效数据段分为训练数据和测试数据(优选地，训练数据占80％)；

(6)提取每一个有效数据段的上下边界并进行中值滤波，得到滤波后的上下边界；

(7)将滤波后的上下边界进行零相移滤波得到平滑的上下边界；

(8)对每一个有效数据段进行特征值提取，提取的特征包括下边界有效周期、下边界峰值高度、上下边界宽窄带比值和上边界峰值；

(9)对所有训练数据进行特征值的手工标记，定义l0、l1、l2、l3分别为无睡眠觉醒周期、不成熟睡眠觉醒周期、成熟睡眠觉醒周期、伪差数据，比如：0为无睡眠觉醒周期，1为不成熟睡眠觉醒周期，2为成熟睡眠觉醒周期，3为伪差数据；

(10)对所有训练数据的特征值进行标准化，得到标准化参数μ和σ，其中μ为正态分布的总体均值，σ²为正态分布的总体方差；

(11)使用支持向量机对标准化后的特征值进行训练，得到训练后的模型model；

(12)使用模型model对测试数据进行预测：设一个测试数据有m组特征值，将m组特征值根据标准化参数μ和σ进行标准化，得到m组标准化后的特征值，然后使用模型model进行预测，得到m个预测结果，包括n0个无睡眠觉醒周期的预测结果、n1个不成熟睡眠觉醒周期的预测结果、n2成熟睡眠觉醒周期的预测结果和n3个伪差数据的预测结果，m＝n0+n1+n2+n3；根据如下规则判定最终预测结果：

(a)当n2≥2时，判定为成熟睡眠觉醒周期；

(b)当n2＝1时，判定为不成熟睡眠觉醒周期；

(c)当n0>n1+n2或者n0+n1+n2＝0时，判定为无睡眠觉醒周期；

(d)其他情况时，判定为不成熟睡眠觉醒周期。

具体的，所述步骤(2)中，背景模式分类的方法包括如下步骤：

(21)对原始的振幅整合脑电图像按时间长度t1(优选地，t1＝960s)分为n个数据块，最后时间不足t1的单独为一个数据块；

(22)获取每一个数据块的上、下边界ht、lt；

(23)根据如下准则对数据块进行电压类型-时间统计：

(i)连续正常电压：下边界大于等于5μv但小于10μv，上边界大于等于10μv；

(ii)不连续正常电压：下边界小于5μv，上边界大于等于10μv；

(iii)爆发抑制：下边界小于等于2μv，上边界大于等于25μv；

(iv)低电压：下边界小于5μv，上边界小于10μv但大于5μv；

(v)电静止(inactiveflat)：上下边界都小于5μv；

(24)对数据块中的各种电压类型的持续时间进行统计，取持续时间最长的电压类型为该数据块的电压类型：若该数据块为连续正常电压类型，则判断该数据块为背景连续的振幅整合脑电图像；若该数据块为不连续正常电压类型，则判断该数据块为背景不连续的振幅整合脑电图像。

具体的，所述步骤(7)中，对滤波后的上下边界进行零相移滤波时，采用3阶巴特沃斯滤波器进行低通零相移滤波，滤波器的截止频率为0.001hz。

具体的，所述步骤(8)中，特征值的提取过程如下：

(81)在每一个有效数据段的平滑的下边界上，若某一采样点的值大于其左右各r(优选地，r＝10)个采样点的值，则将该采样点确定为一个波峰；依此方式，找出所有波峰作为原始波峰；

(82)在相邻两个原始波峰之间找到波谷，若某一个原始波峰与相应波谷的幅度差值小于δ1μv(优选地，δ1＝0.3μv)，则标记该原始波峰为无效波峰；

(83)剔除无效波峰后的原始波峰即为有效波峰，在两个相邻有效波峰之间找到有效波谷；

(84)将两个相邻有效波峰之间的时间差定义为下边界有效周期；

(85)将两个相邻有效波峰的平均值减去该两个相邻有效波峰之间有效波谷的值的差定义为下边界峰值高度；

(86)设相邻有效波峰之间的有效波谷处的上下边界高度差为h1，与该有效波谷紧邻的前一个有效波峰处的上下边界高度差为h2，定义上下边界宽窄带比值为h1/h2；

(87)将有效波峰处的上边界值定义为上边界峰值。

有益效果：本发明提供的基于振幅整合脑电图的新生儿睡眠觉醒周期检测方法，基于背景模式对振幅整合脑电图进行分类和提取以获得有效数据，对有效数据进行上下边界检测和特征提取，通过机器学习形成对睡眠觉醒周期进行规范检测的模型，在临床上可以辅助脑电医生缺乏的新生儿科展开睡眠觉醒周期评估；另外本算法的结果还可以和其它一些算法指标结合形成脑成熟度评估的量表算法或者人工智能算法，这些应用对于新生儿的脑电监护有重大意义；同时本发明方法的准确率会随着样本数量的增加而得到提高，可以更好地辅助医生进行诊断。

附图说明

图1为本发明训练过程的实施流程示意图；

图2为本发明检测过程的实施流程示意图；

图3为新生儿睡眠觉醒周期示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

新生儿睡眠觉醒周期主要是指振幅整合脑电图中下边界出现的周期性上下起伏，如图3所示，本发明提供的基于振幅整合脑电图的新生儿睡眠觉醒周期检测方法，通过提取振幅整合脑电图像的有效数据，进行上下边界滤波，提取特征值，进行监督学习后得到学习模板，然后使用模板对要测试的数据进行检测，最终得到对睡眠觉醒周期的判断，具体包括如下步骤：

步骤一：采集原始的振幅整合脑电图图像

步骤二：从原始的振幅整合脑电图图像中提取有效数据

先对原始的振幅整合脑电图像进行背景模式分类，再提取出背景连续的振幅整合脑电图像和背景不连续的振幅整合脑电图像作为有效数据。

根据背景模式进行分类的方法包括如下步骤：

(21)对原始的振幅整合脑电图像按时间长度t1＝960s分为n个数据块，最后时间不足t1的单独为一个数据块；

(22)获取每一个数据块的上、下边界ht、lt；

(23)根据如下准则对数据块进行电压类型-时间统计：

(i)连续正常电压：下边界大于等于5μv但小于10μv，上边界大于等于10μv；

(ii)不连续正常电压：下边界小于5μv，上边界大于等于10μv；

(iii)爆发抑制：下边界小于等于2μv，上边界大于等于25μv；

(iv)低电压：下边界小于5μv，上边界小于10μv但大于5μv；

(v)电静止(inactiveflat)：上下边界都小于5μv；

(24)对数据块中的各种电压类型的持续时间进行统计，取持续时间最长的电压类型为该数据块的电压类型：若该数据块为连续正常电压类型，则判断该数据块为背景连续的振幅整合脑电图像；若该数据块为不连续正常电压类型，则判断该数据块为背景不连续的振幅整合脑电图像。

步骤三：从有效数据中筛选出有效数据段

根据时间空隙对所有有效数据进行分段，时间上前后连续的有效数据合并为一个长的数据段，时间上前后不连续的有效数据单独作为一个数据段；筛选出时间长度t2大于30min的数据段作为有效数据段。将所有有效数据段中的80％作为训练数据，20％作为测试数据。

步骤四：对有效数据段进行中值滤波和零相移滤波

对所有有效数据段的上下边界各进行20点的中值滤波，得到滤波后的上下边界；再对滤波后的上下边界各进行截止频率为0.001hz的3阶巴特沃斯低通零相移滤波得到平滑的上下边界。

步骤五：对每一个有效数据段进行特征值提取

提取的特征包括下边界有效周期、下边界峰值高度、上下边界宽窄带比值和上边界峰值。特征值的提取过程如下：

(51)在每一个有效数据段的平滑的下边界上，若某一采样点的值大于其左右各10个采样点的值，则将该采样点确定为一个波峰；依此方式，找出所有波峰作为原始波峰；

(52)在相邻两个原始波峰之间找到波谷，若某一个原始波峰与相应波谷的幅度差值小于0.3μv，则标记该原始波峰为无效波峰；

(53)剔除无效波峰后的原始波峰即为有效波峰，在两个相邻有效波峰之间找到有效波谷；

(54)将两个相邻有效波峰之间的时间差定义为下边界有效周期；

(55)将两个相邻有效波峰的平均值减去该两个相邻有效波峰之间有效波谷的值的差定义为下边界峰值高度；

(56)设相邻有效波峰之间的有效波谷处的上下边界高度差为h1，与该有效波谷紧邻的前一个有效波峰处的上下边界高度差为h2，定义上下边界宽窄带比值为h1/h2；

(57)将有效波峰处的上边界值定义为上边界峰值。

步骤六：对所有训练数据进行特征值的手工标记

标记：0为无睡眠觉醒周期，1为不成熟睡眠觉醒周期，2为成熟睡眠觉醒周期，3为伪差数据。

步骤七：对所有训练数据的特征值进行标准化

对所有训练数据的特征值进行标准化，得到标准化参数μ和σ，其中μ为正态分布的总体均值，σ²为正态分布的总体方差。

步骤八：使用支持向量机(svm)进行学习，获得训练后的模型model

使用svm进行学习，模型使用的是经典svm分类模型，核函数为rbf核，惩罚系数为1，γ＝0.25，进行分类学习，得到分类模型model。

步骤九：使用模型model对测试数据进行预测

根据标准化参数μ和σ对测试数据的特征值进行标准化，设有k个测试数据，第k个测试数据有mk组特征值，标准化后得到一个k×mk的数据矩阵，对于单个测试数据，判定规则如下：

(a)mk个预测结果中，包括n0个无睡眠觉醒周期的预测结果、n1个不成熟睡眠觉醒周期的预测结果、n2成熟睡眠觉醒周期的预测结果和n3个伪差数据的预测结果；

(b)当n2≥2时，判定为成熟睡眠觉醒周期；

(c)当n2＝1时，判定为不成熟睡眠觉醒周期；

(d)当n0>n1+n2或者n0+n1+n2＝0时，判定为无睡眠觉醒周期；

(e)其他情况时，判定为不成熟睡眠觉醒周期；

本案对原始的振幅整合脑电图像(aeeg)进行了背景模式的分类，只对背景连续的振幅整合脑电图像和背景不连续的振幅整合脑电图像进行睡眠觉醒算法分析；同时，对于所有有效数据，同时提取上下边界并各自进行中值滤波，得到滤波后的上下边界；在进行睡眠觉醒的判断过程中，综合考虑了下边界有效周期、下边界峰值高度、上下边界宽窄带比值和上边界峰值四个特征值，并采用机器学习的方法进行分类，使得新生儿睡眠觉醒周期检测更加趋于智能化，并且该方法的准确率会随着样本数量的增加而得到提高，以更好地辅助医生进行诊断。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。