一种高准确性的EEG自动睡眠分期方法及系统与流程

本发明涉及脑电信号处理，特别是涉及一种高准确性的eeg自动睡眠分期方法、一种高准确性的eeg自动睡眠分期系统。

背景技术：

1、睡眠监测和分期是评估睡眠质量和研究睡眠障碍的重要手段。传统的睡眠监测方法主要依赖于多通道脑电图(eeg)、心电图(ecg)、眼电图(eog)等专业仪器进行监测。然而，这些仪器的使用复杂且成本较高，通常需要专业人员进行操作和分析，限制了适用范围。近年来，基于可穿戴设备的睡眠监测技术逐渐兴起，具有使用便捷、佩戴舒适等优势。其中，基于eeg信号的自动睡眠分期方法成为研究热点。eeg信号包含人脑在不同睡眠阶段产生的电活动信息，通过对这些信号进行分析和分类，可以实现对睡眠状态的评估和分期。

2、在eeg信号分析中，传统方法通过频率分析将一个输入信号拆分成5个不同频率范围的波信号进行分析(δ波的频率范围为0.5-4hz，θ波的频率范围为4-8hz，α波的频率范围为8-13hz，β波的频率范围为13-30hz，γ波的频率范围为30-100hz)，将这五种波信号分离出来并在时域上进行表示，然后让人类专家对5种波形特征进行综合分析，从而人工地对睡眠状态进行标记(清醒，浅睡，深睡，快速眼动期)，这种方法不仅依赖人类专家的经验，而且费时费力，难以大规模应用。

3、近年来，受益于机器学习领域的长足发展，涌现出了一些基于深度学习的eeg睡眠分期方法，有些方法将eeg的时域表示作为cnn或rnn神经网络的输入进行有监督学习从而实现基于深度神经网络的自动睡眠分期。现有的基于深度学习的自动睡眠分期方法还存在不少问题：1)现有的自动睡眠分期方法只是简单地端到端地使用经典cnn或rnn结构直接对脑电信号进行学习训练，没有很好地捕捉脑电信号的深沉次频域特征；2)因为人工标注费时费力，监督数据有限，极大限制了方法的泛化能力。这些问题造成总体的识别精度不高，且泛化能力较差。

技术实现思路

1、基于此，有必要针对现有的睡眠分期方法由于没有很好地捕捉脑电信号的深沉次频域特征，且监督数据有限，导致识别精度不高、泛化能力较差的问题，提出一种高准确性的eeg自动睡眠分期方法及系统。

2、本发明通过以下技术方案实现：一种高准确性的eeg自动睡眠分期方法包括如下步骤：

3、s1：采集佩戴者的脑电信号，对脑电信号滤波去噪，得到单通道的eeg测量信号。

4、s2：根据预设的时长t1对eeg测量信号截取信号片段。

5、s3：频域特征处理：s31：对信号片段进行时域切割，并将切割后的脑电信号片段利用傅里叶变换形成m种不同波段的频域特征，得到h×m×1的矩阵图像。s32：对矩阵图像进行vit结构处理，提取出信号片段的频域特征向量c。

6、s4：将频域特征向量输入一个mlp全接连网络，得到睡眠分期的预测结果。其中，mlp全接连网络的训练方法包括自监督训练和有监督训练，其中，自监督训练的方法如下：s411：在将频矩阵图像输入vit结构时，利用随机掩码，抹去一部分输入数据。s412：在vit结构后面连接n层结构相同但不共享参数的解码层，恢复被抹去的数据。

7、上述自动睡眠分期方法结合梅尔频谱和vit架构，更好地捕获信号特征，引入自监督学习，利用大量无标注信号进行学习，提升算法的泛化能力。最终实现对睡眠状态的准确监测和分析。

8、进一步地，在步骤s31中，采用宽度为2秒、步长为1秒的窗口对信号片段进行切割。设置m＝32。

9、进一步地，有监督训练的方法如下：

10、s421：采集睡眠数据。s422：对睡眠数据进行分析，并标记出对应的实际睡眠状态，标记后的睡眠数据作为训练数据。s423：使用交叉熵损失，对mlp全接连网络模型进行训练。

11、本发明还提供一种高准确性的eeg自动睡眠分期系统，该自动睡眠分期系统包括采集模块、预处理模块、频域处理模块和睡眠分期预测模块。

12、采集模块用于采集佩戴者的脑电信号。

13、预处理模块用于将脑电信号划分为多个时长为t1的信号片段。

14、频域处理模块包括频域特征变换模块和频域特征向量提取模块。频域特征变换模块用于对信号片段进行时域切割，并将切割后的脑电信号片段利用傅里叶变换形成m种不同波段的频域特征，得到频域图像。频域特征向量提取模块用于提取出频域图像的频域特征向量c。

15、睡眠分期预测模块用于将频域特征向量输入一个预存的mlp全接连网络，输出睡眠分期预测结果。

16、相较于现有技术，本发明具有如下有益效果：

17、本发明利用梅尔频谱对高频信号进行非线性压缩，使得模型能更加聚焦到有用的信息上，将信号转化为“图像”，并使用vit来进行处理，可实现更好的长程注意力，还能让模型对高频和低频特征进行不同的注意力机制。利用vit自监督学习增强学习效果，极大提升模型的精度和鲁棒性。通过梅尔频谱和vit结构对脑电信号频域特征进行深度分析处理，可以有效地捕捉不同频段上的频域特征，从而得到更全面，更鲁棒的特征。

18、本发明结合梅尔频谱和vit架构，更好地捕获信号特征，引入自监督学习，利用大量无标注信号进行学习，提升算法的泛化能力。最终实现对睡眠状态的准确监测和分析。

技术特征：

1.一种高准确性的eeg自动睡眠分期方法，其特征在于，其包括如下步骤：

2.根据权利要求1所述的一种高准确性的eeg自动睡眠分期方法，其特征在于，在步骤s31中，采用宽度为2秒、步长为1秒的窗口对所述信号片段进行切割；设置m＝32。

3.根据权利要求1所述的一种高准确性的eeg自动睡眠分期方法，其特征在于，在步骤s42中，有监督训练的方法如下：

4.一种高准确性的eeg自动睡眠分期系统，其采用如权利要求1至3中任意一项所述的一种高准确性的eeg自动睡眠分期方法，其特征在于，所述自动睡眠分期系统包括：

技术总结
本发明涉及脑电信号处理技术领域，具体为一种高准确性的EEG自动睡眠分期方法及系统。自动睡眠分期方法包括如下步骤：S1：采集EEG测量信号；S2：截取信号片段；S3：频域特征处理：对信号片段进行时域切割，并利用傅里叶变换得到矩阵图像，采用ViT结构提取出信号片段的频域特征向量；S4：将频域特征向量输入一个MLP全接连网络，得到睡眠分期的预测结果。其中，MLP全接连网络的自监督训练的方法如下：利用随机掩码，抹去一部分输入数据，在ViT结构后面连接n层解码层，恢复被抹去的数据。本发明结合梅尔频谱和ViT架构，更好地捕获EEG信号特征，引入自监督学习，提升睡眠分期方法的泛化能力，极大提升了模型的精度和鲁棒性。

技术研发人员：岑年,罗森飚
受保护的技术使用者：上海金科汤姆猫生命科技有限公司
技术研发日：
技术公布日：2024/3/21