征信息在各睡眠阶段的脑电信号特征模型中进行匹配，若该待处理脑电信号的 特征信息在一睡眠阶段的脑电信号特征模型中的匹配度达到预设阈值且最高，则说明该待 处理脑电信号与该脑电信号特征模型相匹配，从而将该待处理脑电信号自动分期为该脑电 信号特征模型对应的睡眠阶段。
[0052] 本实施例对各睡眠阶段的原始脑电信号进行时频分析，获取各睡眠阶段的脑电信 号特征信息;根据所述脑电信号特征信息建立各睡眠阶段的脑电信号特征模型;基于所述 脑电信号特征模型对待处理脑电信号进行睡眠分期。由于是对原始脑电信号的时域和频域 进行分析后建立的脑电信号特征模型，能更加准确的反映出不同睡眠阶段中非平稳、非线 性的脑电信号特征，保证了利用该脑电信号特征模型进行睡眠分期的较高准确率，且能利 用该脑电信号特征模型自动进行睡眠分期，无需人工分析脑电数据，提高了睡眠分期的效 率。
[0053] 进一步地，在其他实施例中，上述步骤S10可以包括：
[0054] 对预设的各睡眠阶段的原始脑电信号进行短时傅立叶变换，获取各睡眠阶段的原 始脑电信号的频域特征信息；
[0055] 对预设的各睡眠阶段的原始脑电信号进行希尔伯特变换，获取各睡眠阶段的原始 脑电信号的时域信号包络；
[0056] 对预设的各睡眠阶段的原始脑电信号进行高斯窗傅立叶变换，获取各睡眠阶段的 原始脑电信号在预设频率上的局部频域特征信息。
[0057] 本实施例中，在采用时频分析方法对预设的各睡眠阶段的原始脑电信号进行分析 时，可对预设的各睡眠阶段的原始脑电信号分别进行短时傅立叶变换、希尔伯特变换、高斯 窗傅立叶变换等，获取各睡眠阶段的脑电信号在时域、频域的多种特征信息。
[0058] 具体的，可对预设的各睡眠阶段的原始脑电信号进行短时傅立叶变换，获取各睡 眠阶段的原始脑电信号的频域特征信息。将各睡眠阶段的原始脑电信号定义为离散信号序 列x(n)，在η时刻的短时数据可被定义为x s(n) =x(n)h(n-m)，其中h(n-m)为Hanning窗函 数。短时离散傅立叶变换如下列公式(1)所示，它给出了信号在n = m附近的一段时间内的时 频信息。XSTFT(n，ω )即为各睡眠阶段的原始脑电信号的频域特征信息。
[0059] XsTFT(n，ω ) = Σ nx(n)h(n_m)e-(1)
[0060] 还可对预设的各睡眠阶段的原始脑电信号进行希尔伯特变换，获取各睡眠阶段的 原始脑电信号的时域信号包络。希尔伯特变换也即Hilbert变换应用了离散序列进行傅里 叶变换后的幅度和相位之间的关系，在Hilbert变换运算后，强化了瞬时振幅，提尚彳目号的 分辨能力。希尔伯特在频域的表现形式如下列公式(2)所示：
[0061]
[0062]在频域中，当频率小于0时，由F{x(t)}与j相乘来获得结果，频率大于0时，由F{x (t)}与-j相乘来获得结果。如图2所示，图2为本发明基于睡眠脑电信号的睡眠分期方法一 实施例中利用希尔伯特变换求信号包络示意图；假定F{x(t)}可用图2的左图表示，系统幅 频响应H(f)可用图2的中图表示，则滤波器的输出F{x(t)}可表示为图2的右图。由此，即可 得到信号在频域的希尔伯特变换结果，若要得到时域的结果则可通过将频域的希尔伯特变 换结果通过一次逆傅里叶变换就可以获得。然后，可将原始脑电信号进行Hilbert变换，再 经过计算得到其信号包络，以此来表示信号在时域的能量特征。将信号表示为x(t)，x(t)的 解析信号则定义为下列公式(3):
[0064]上述解析信号的实部是原始信号，而它的虚部则是原输入信号的Hilbert变换。公 式(3)中的A(t)是解析信号的模就是原信号x(t)的包络，如下列公式(4)所示：
[0066] 如图3所示，图3为本发明基于睡眠脑电信号的睡眠分期方法一实施例中利用希尔 伯特变换求信号包络示意图。根据上述Hilbert变换求信号包络的计算过程及公式（2)、 (3)、（4)，原始脑电信号经过Hilbert变换，可提取时域信号包络A(t)。
[0067] 还可对预设的各睡眠阶段的原始脑电信号进行高斯窗傅立叶变换，获取各睡眠阶 段的原始脑电信号在预设频率上的局部频域特征信息。高斯窗傅立叶变换即Gabor变换使 用高斯窗对信号进行局部化，排除距离中心时间较远信号的影响，从而达到局部化频率分 析的目的。对时间变量的采样会导致频域的周期性，而对频率的采样会导致时域的周期性。 因此离散Gabor展开适合于离散时间的周期信号，设其周期为L，则离散Gabor展开为下列公 式(5)、(6):
[0070]其中，△ J △ n分别表示时间和频率的采样间隔;而Μ和N分别表示时间和频率采样 的样本个数。过采样率定义为
.当α等于1时，离散Gabor变换是临界采样的。其展 开系数的个数与采样信号一致。当α大于1时，Gabor展开系数个数多于信号样本系数。对于 过采样的情况，令L = MM = MN ,Gabor变换可以写为下列公式(7):
[0073]
[0074] 其中，gmn(k)和ymn(k)需要满足以下双正交条件，如下列公式(8)所示：
[0075]
[0076] 求解以上方程，获得γ函数和ymn，从而得到Gabor展开系数，该Gabor展开系数即 为各睡眠阶段的原始脑电信号在预设频率上的局部频域特征信息。
[0077] 进一步地，在其他实施例中，上述步骤S10还可以包括：
[0078] 利用预设的空间滤波器对所述频域特征信息、时域信号包络、局部频域特征信息 进行共空间模式滤波处理，获取各睡眠阶段的脑电信号特征信息。
[0079] 本实施例中，可将获取的各睡眠阶段的脑电信号特征信息如所述频域特征信息、 时域信号包络、局部频域特征信息作为多维特征值进行空间滤波。可将以上特征数据用矩 阵Μ来表示:M = L X S，其中，L为特征维数，S是所有特征的点数。因此，特征数据的标准协方 差可以用下列公式(9)获得：
[0081] 其中，是Μ的转置矩阵，而traceU)函数的意义是取矩阵X的对角元素和的值，可 将实验数据的平均协方差表示为己:?^对于两组待分类的睡眠阶段特征数据(比如清醒脑电 与REM脑电），可表示为：亡,、亡,.，由下列公式(10)得到混合空间协方差：
[0082] C<=C] +C.,. (10)
[0083] 而Cc又可分解为特征向量与特征值的乘积，如下列公式（11)所示：
[0084] Cc = UcycUc' (11)
[0085] 其中，U。是矩阵的特征向量，γ。是特征值构成的对角矩阵。需要注意的是，在这部 分中，特征值假设为按降序排列。白化变换可使方差均匀化，设白化矩阵Ρ，用下列公式（12) 来表示：
[0087]如果如下列公式（13)变换：
[0089] 其中，S_Sr共享同样的特征向量，设SpBpB'，则可以推导出下列公式(14):
[0090] Sr=ByrB,, γι+γΓ=Ι (14)
[0091] 其中，I是单位向量矩阵。由于对应的两个特征值之和总是1，因此&和$之间，总 有一个有最大特征值，一个有最小特征值。因为这样的特性，使得特征向量B对于区分两类 信号十分有用。最后，经过CSP空间滤波的脑电特征数据可以表示为下列公式(15):
[0092] Z=ffM (15)
[0093] 其中，W为投影矩阵，如下列公式(16)所示：
[0094] ff=(B，P)， (16)
[0095] 这样，本实施例中，利用预设的空间滤波器对所述频域特征信息、时域信号包络、 局部频域特征信息进行共空间模式滤波处理后，可获取各睡眠阶段的脑电信号特征信息Z， 以便于后续建模时调用。
[0096] 进一步地，在其他实施例中，上述步骤S20可以包括：
[0097] 基于各睡眠阶段的脑电信号特征信息，利用预设的学习向量量化神经网络算法 (LVQ)进行建模，建立各睡眠阶段的脑电信号特征模型。
[0098] 本实施例中，将空间滤波后获得的各睡眠阶段的脑电信号特征信息Z送入LVQ建立 睡眠各阶段脑电模型。本实施例使用学习向量量化神经网络算法之LVQ1算法来进行模型的 睡眠各阶段脑电模型的创建。因为LVQ1算法简单，且运行时间短。LVQ1基本算法步骤如下： [0099] 1、初始化学习速率η及输入层与竞争层之间的权系数w 1;
[0100] 2、计算输入向量Pi(ie[l，N])与竞争层神经元的距离，
[0101 ] Pi= (Pl，P2，P3，…PM)τ，用下列公式（17)用来计算Pi与W1的距离：
[0103] 由公式（17)获得的结果，最小的就是获胜神经元，若dj最小，则获胜的神经元为j。 其中，代表了输入层神经元m与竞争层神经元j之间的权值。将获得的分类与预先指定的 分类相比较，若一致，则根据下列公式(18)调整权值：
[0104] ff1mj_new = ff ^j^ld+n ( Pm-ff^j^ld ) (18)
[0105] 若分类错误，则根据下列公式（19)调整：
[0106] ff1mj_new = ff ( Pm-ff^j^ld ) (19)
[0107] 判断是否已达到预设的精度要求或已达到最大迭代次数，只要有一个条件满足， 就结束学习，否则进入下一轮学习。从以上步骤可以看出，学习向