一种无监督聚类的睡眠脑电信号分期方法、设备和介质与流程

本发明脑电信号处理及模式识别，尤其涉及一种无监督聚类的睡眠脑电信号分期方法、设备和介质。

背景技术：

1、睡眠质量与人的各项身体机能紧密相关，认识睡眠过程对改善睡眠质量具有重要的意义。睡眠过程中人体新陈代谢速度减缓，生理信号会发生相应的变化，例如体温下降、心率变慢等。而在各项生理信号中，脑电信号被认为是睡眠研究中最重要的生理信号之一，因为睡眠状态的变化会导致脑电信号的组成成分发生改变，二者具有密切的联系。根据过往的睡眠脑电信号研究成果和已确立的睡眠分期规则，人们可以根据受试者的脑电信号特征反向推断出受试者的睡眠状态。

2、为了方便医生对睡眠状态进行判读，并且保证不同医生对同一个信号判读结果的一致性，目前已有的睡眠状态分类规则是人为定义的。睡眠分期的规则对脑电信号的采样位置，脑电信号的特征判定条件做出了严格的规定。但是睡眠科学研究结果表明，睡眠特征在人的一生中是不断发展变化的，不同人之间的睡眠信号和睡眠规律也会存在差异，甚至睡眠环境和睡眠信号记录设备条件也会对睡眠信号产生影响。这些影响因素也提醒我们，根据睡眠分期规则判定的睡眠状态可能与受试者真实的睡眠状态存在一定的偏差。

3、另外，现有的睡眠分期规则往往对信号的采样方式和采样脑区作出了限制，例如根据美国睡眠医学会制定的睡眠及其相关事件的判读手册，推荐使用的eeg导联位置有三个：f4-m1，c4-m1和o2-m1。然而对于侵入式的脑电信号，却没有相关的说明。尽管侵入式脑电信号的噪声要远小于非侵入式的脑电信号，但却没有相应的睡眠分期标准。

4、过去的睡眠分期方法普遍基于有监督学习，尽管深度学习的出现使得有监督分类器的分类性能得到了进一步提升，但有监督学习的方法还是存在以下缺陷：有监督学习方法需要一定数量的脑电信号数据作为训练样本，需要医生为脑电信号标注睡眠阶段，耗费的成本相对高昂；有监督学习方法的鲁棒性相对不足，如果使用与训练集不同通道或来自不同受试者的脑电数据，有监督学习方法的效果会变差；部分使用有监督方法训练的分类器在构建时，需要对信号进行复杂的预处理步骤和特征提取步骤，而基于神经网络的有监督方法还对计算机的算力有一定的要求，神经网络训练所需要的时间较长；有监督方法输出的结果为睡眠状态标签或者对应的概率，对数据自身的分布缺乏直观的展示，不利于发现脑电活动中的新模式。

技术实现思路

1、本发明的目的在于针对现有技术的不足，提供一种无监督聚类的睡眠脑电信号分期方法、设备和介质。

2、本发明的目的是通过以下技术方案来实现的：本发明实施例第一方面提供了一种无监督聚类的睡眠脑电信号分期方法，包括以下步骤：

3、(1)使用脑电采集设备采集用户在睡眠过程中产生的脑电信号；

4、(2)对采集到的脑电信号进行预处理，所述预处理包括脑电信号滤波、脑电信号重采样和脑电信号分帧；

5、(3)提取脑电信号的功率谱密度特征；

6、(4)使用umap降维算法对功率谱密度特征进行降维处理；

7、(5)对降维后的功率谱密度特征的运动轨迹进行中值滤波处理；

8、(6)采用高斯混合模型对中值滤波处理后的功率谱密度特征进行聚类，聚类簇对应不同的睡眠状态，以获取睡眠分期结果。

9、进一步地，所述脑电采集设备的采样频率大于200hz；所述脑电采集设备的采集时间大于等于3小时，且小于等于12小时。

10、进一步地，所述脑电采集设备的采样频率为500hz，所述脑电采集设备的采集时间为8小时。

11、进一步地，所述脑电信号的类型包括头皮脑电信号和颅内脑电信号。

12、进一步地，所述步骤(2)包括以下子步骤：

13、(2.1)采用零相位滤波器，对脑电信号进行0.1-30hz的带通滤波处理；

14、(2.2)对带通滤波后的脑电信号进行降采样处理，以使脑电信号的采样频率降至100hz；

15、(2.3)将脑电信号分帧，每一帧脑电信号时长为30秒，且帧与帧之间不重合；并为每一帧脑电信号分配一个对应的睡眠状态标签。

16、进一步地，所述步骤(3)具体为：首先使用welch方法计算每一帧脑电信号的功率谱密度，然后提取功率谱密度中小于等于30hz的部分，以获取每一帧脑电信号的功率谱密度特征。

17、进一步地，所述步骤(4)具体为：根据设定的最近邻数为功率谱密度特征构建最近邻接矩阵，使用交叉熵损失函数和随机梯度下降法优化功率谱密度特征的低维表示。

18、进一步地，所述步骤(6)包括以下子步骤：

19、(6.1)根据功率谱密度特征的分布确定确定高斯混合模型的分布个数，以获取功率谱密度特征的特征点对应的簇数；

20、(6.2)通过期望最大化算法对各个簇对应的高斯分布参数进行迭代求解，以获取高斯混合模型；

21、(6.3)高斯混合模型将功率谱密度特征的特征点聚为不同的簇，不同的簇对应不同的睡眠状态，以获取睡眠分期结果。

22、本发明实施例第二方面提供了一种设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器执行所述程序数据以实现上述的无监督聚类的睡眠脑电信号分期方法。

23、本发明实施例第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的无监督聚类的睡眠脑电信号分期方法。

24、本发明的有益效果是，本发明无需提供人工标注的真实睡眠状态标签，有助于降低实施成本；本发明的鲁棒性好，有利于增强无监督学习方法的效果；本发明不需要进行复杂的预处理步骤和特征提取步骤，具有计算速度快、睡眠分期结果可靠的优点；本发明输出的是聚类簇对应的睡眠状态变化曲线，可以很直观的展示睡眠状态的分布，有利于发现脑电活动中的新模式。

技术特征：

1.一种无监督聚类的睡眠脑电信号分期方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的无监督聚类的睡眠脑电信号分期方法，其特征在于，所述脑电采集设备的采样频率大于200hz；所述脑电采集设备的采集时间大于等于3小时，且小于等于12小时。

3.根据权利要求2所述的无监督聚类的睡眠脑电信号分期方法，其特征在于，所述脑电采集设备的采样频率为500hz，所述脑电采集设备的采集时间为8小时。

4.根据权利要求1所述的无监督聚类的睡眠脑电信号分期方法，其特征在于，所述脑电信号的类型包括头皮脑电信号和颅内脑电信号。

5.根据权利要求1所述的无监督聚类的睡眠脑电信号分期方法，其特征在于，所述步骤(2)包括以下子步骤：

6.根据权利要求1所述的无监督聚类的睡眠脑电信号分期方法，其特征在于，所述步骤(3)具体为：首先使用welch方法计算每一帧脑电信号的功率谱密度，然后提取功率谱密度中小于等于30hz的部分，以获取每一帧脑电信号的功率谱密度特征。

7.根据权利要求1所述的无监督聚类的睡眠脑电信号分期方法，其特征在于，所述步骤(4)具体为：根据设定的最近邻数为功率谱密度特征构建最近邻接矩阵，使用交叉熵损失函数和随机梯度下降法优化功率谱密度特征的低维表示。

8.根据权利要求1所述的无监督聚类的睡眠脑电信号分期方法，其特征在于，所述步骤(6)包括以下子步骤：

9.一种设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器执行所述程序数据以实现如权利要求1-8中任一项所述的无监督聚类的睡眠脑电信号分期方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一项所述的无监督聚类的睡眠脑电信号分期方法。

技术总结
本发明公开了一种无监督聚类的睡眠脑电信号分期方法、设备和介质，该方法基于睡眠信号的功率谱密度特征在高维特征空间中存在特定流形结构的假设，通过UMAP降维算法将功率谱密度特征降至二维平面；此时用户在睡眠过程中的状态变化过程对应特征点在二维平面上的运动轨迹；使用中值滤波方法对特征点的运动轨迹进行平滑处理后，即可使用高斯混合模型对低维特征点进行聚类，从而将特征点分配到对应睡眠状态的聚类簇，以获取到最终的脑电信号分期结果。本发明无需提供人工标注的真实睡眠状态标签，具有实施成本低、计算速度快、睡眠分期结果可靠的优点。

技术研发人员：魏依娜,麦逊,冯琳清,唐弢,刘金标,王丽婕,罗曼丽
受保护的技术使用者：之江实验室
技术研发日：
技术公布日：2024/1/11