一种基于双重特征筛选的自动睡眠分期方法
【技术领域】
[0001] 本发明涉及自动睡眠分期领域，特别涉及一种基于双重特征筛选的自动睡眠分期 方法。
【背景技术】
[0002] 睡眠是包括人类在内的所有高等生物普遍需要的生理过程。人的三分之一时间都 用来睡眠，长期缺乏睡眠将会造成很严重的后果，长期缺乏睡眠不仅会危害人的健康还会 对生活以及社会产生很多负面影响。因此睡眠研宄越来越多地受到关注。睡眠分期是睡眠 研宄的基础，对睡眠研宄起着关键作用。它既能客观地评价睡眠质量，为睡眠相关疾病的治 疗和诊断提供临床依据，又能为癫痫、痴呆等神经系统疾病的诊断和研宄提供临床依据。
[0003] 依据美国睡眠医学学会睡眠分期的最新标准将睡眠分为清醒期、非快速眼动期 (NREM)和快速眼动期（REM)，其中NREM随着睡眠的加深又可以分为NREM1、NREM2和NREM3。 人工睡眠分期是根据不同生理信号的时域特征波形区分的，传统的人工分期方法耗时长、 效率低、主观性强并且需要专家具有丰富的经验，为了避免专家花过多的时间进行这项工 作并减小其主观性，因此研宄者们提出了各种自动睡眠分期方法来提高睡眠分期的客观性 和准确度。其中脑电信号是睡眠分期的"金标准"，但是在一些情况下，脑电（EEG)的特征并 不明显，因此还需要其他生理信号比如眼电信号辅助分期。
[0004] 睡眠自动分期方法通常包含两个部分：特征提取和模式识别。但是提取的特征之 间会存在相关性和冗余性，若是将所提取特征直接用于模式识别，可能会造成分类器的过 渡拟合，增加数据处理的时间和空间复杂度，因此在特征提取后必须进行特征筛选，将选择 后的特征用于分类器中。特征筛选不仅关系到分类正确率的高低，而且直接影响分类速度 的快慢。Fisher得分法是按照Fisher准则单独计算各个特征的分值，它忽略了特征组合之 后对分类的影响；而顺序前进法是一种启发式搜索策略，它得到的最优特征子集可能仅仅 只是一些单独贡献率极为普通的特征组合，忽略了单独贡献率最大的特征，并且运算过程 耗时长。两种方法均可用于特征筛选，但各有利弊。
【发明内容】
[0005] 为了克服现有技术的缺陷，本发明提供了一种基于双重特征筛选的自动睡眠分期 方法，即采用Fisher得分法和顺序前进法结合进行特征选择，通过两种方法的顺序结合， 弥补了各自方法的不足，它不仅大大减小了分类器的运行时间，并且降低了特征维数，减小 分类器的复杂度，同时还能提高睡眠分期的客观性以及准确性。
[0006] 为了达到上述目的，本发明通过以下技术方案实现：
[0007] -种基于双重特征选择的自动睡眠分期方法，包括的步骤如下：
[0008] 步骤一、采集被试的两导睡眠脑电信号、水平眼电信号，其采样率均为IOOHz;对 原始脑电信号和眼电信号进行带通滤波，滤波器选用的是零相移有限冲击响应滤波器；
[0009] 步骤二、分别对滤波后的脑电信号和眼电信号进行睡眠特征提取，待提取的特征 包括时域特征、频域特征和非线性特征；
[0010] 步骤三、结合FiSher得分法和顺序前进法进行最优特征子集的选择，降低特征维 数；
[0011] 步骤四、特征选择后，使用支持向量机分类器对特征识别，进行自动睡眠分期。
[0012] 所述步骤二中，分别对滤波后的脑电信号和眼电信号进行时域、频域以及非线性 分析，提取睡眠特征，具体为：
[0013] 1)对滤波后的脑电信号进行分析，提取特征，其中待提取的时域特征包括幅值、一 阶到四阶的统计值以及四分位数；频域特征包括谐波Hjorth参数、最大功率谱值以及对应 的频率值、特征波形的相对能量比和特征波形之间的能量之比；非线性特征包括近似熵和 谱摘；
[0014] 2)对滤波后的眼电信号进行分析，提取特征，其中待提取的时域特征包括幅值、一 阶到四阶的统计值以及四分位数；频域特征包括快速眼动频带能量；非线性特征包括近似 熵和谱熵。
[0015] 所述步骤三中，结合Fisher得分法和顺序前进法进行最优特征子集的选择，降低 特征维数，具体如下：
[0016] 1)首先，在Fisher准则下对所有的特征计算其相应的分值，并选择分值大于0. 2 的特征；
[0017] 2)再利用顺序前进法选取使正确率最大的特征子集作为特征向量输入到分类器 中；所述的顺序前进法是以最大正确率作为标准来选择特征，即先将所需要的特征子集初 始化为空集，然后开始迭代过程，一次迭代完成后，在分类器中得到一个正确率，然后再向 特征子集中添加一个睡眠特征，迭代过程直到所有的特征被纳入为止，依据特征个数随正 确率变化的曲线，得出最佳特征子集，确保该睡眠特征子集使睡眠分期正确率达到最大。
[0018] 本发明提供的技术方案的有益效果是：本发明通过双重特征筛选降低特征维数、 确保了睡眠分期的正确率，大大减少分类器的运行时间，减小分类器的复杂度。另外通过分 析脑电和眼电信号进行睡眠分期，可以很好地提高睡眠分期的客观性、准确性和简便性。便 于在临床实际中广泛推广，并对睡眠质量评估和睡眠相关疾病研宄有着重要的应用价值。
【附图说明】
[0019] 图1为自动睡眠分期方法的流程图。
[0020] 图2为最大正确率随特征个数变化的曲线图。
【具体实施方式】
[0021] 下面结合附图对本发明进一步进行说明。
[0022] 参照图1，一种基于双重特征筛选的自动睡眠分期方法，其实现的实施步骤：
[0023] 步骤一、采集被试的两导脑电信号和水平眼电信号，其采样率均为100Hz，对脑电 信号进行〇. 5~30Hz的带通滤波，对眼电信号进行0. 1~30Hz的带通滤波，滤波器均选用 的是零相移有限冲击响应滤波器。
[0024] 步骤二、分别对滤波后的脑电信号和眼电信号进行睡眠特征提取，待提取的特征 包括时域特征、频域特征和非线性特征；具体为：将滤波后的脑电信号和滤波后的眼电信 号分为30s-帧的信号片段，然后对脑电信号和眼电信号分别进行时域、频域以及非线性 分析，共提取69个睡眠特征。
[0025] 对滤波后的脑电信号所提取的时域特征包括幅值、一阶到四阶的统计值以及四分 位数；频域特征包括谐波Hjorth参数、最大功率谱值以及对应的频率值、特征波形的相对 能量比和特征波形之间的能量之比；非线性特征包括近似熵和谱熵。
[0026] 对滤波后的眼电信号所提取的时域特征包括幅值、一阶到四阶的统计值以及四分 位数；频域特征包括快速眼动频带能量；非线性特征包括近似熵和谱熵。
[0027] 所述的幅值的计算方法如下：
[0028] 计算一帧信号的最大值与最小值的差的一半。
[0029] 所述的一阶到四阶的统计值的计算方法如下：
[0030] 一阶到四阶的统计值包括平均值（avg)、标准差（std)、偏离（skew)和峭度 (kurt)，它们分别量化了信号的主要趋势、分散度、对称性和峰值，其计算公式如下：
度，^代表信号的均值。
[0036] 所述的四分位数的计算方法如下：
[0037] 四分位数（perCent75)是将信号的各个采样点的值从小到大排列后，位置在第 75 %的值，其计算公式如下：
[0039] 其中，y(i)代表一帧脑电/眼电信号，n代表该帧信号长度。
[0040] 所述的频域特征均采用Welch平均周期法计算功率谱从而得到相关频域特征，其 计算方法如下：
[0041] 根据窗函数W(n)将信号分成重叠的S段，其长度为M，然后计算每段信号的功率谱 求平均，其计算公式如下：
[0045] 所述的谐波Hjorth参数计算方法如下：
[0046]谐波Hjorth参数包括中心频率（feEH；)、中心频率的功率谱值（Pfcjffi)和带宽（fs EEe)，其计算公式如下：
[0050] 其中户Cf)为信号的功率谱估计，f?代表频率，&代表最低频率，f表最高频率。
[0051] 所述的最大功率谱值（PfmaxEEe)及其对应的频率值（fmaxEEe)计算方法如下：
[0052] 最大功率谱值（PfmaxEE(；)及其对应的频率值（fmaxEH；)即为功率谱中频谱能量最大 的值以及其所对应的频率值；
[0053]根据脑电节律的频率范围分类，脑电信号通常划分为：S波（〇. 5~4Hz)、0波 (4 ~8Hz)、a波（8 ~13Hz)、0 波（又可分为 0J13 ~20Hz)、02(2〇 ~30Hz))，另外睡 眠过程中还会出现spindle波（11~16Hz)和saw波（2~7Hz)。在不同的睡眠期中占主 导地位的特征波不同，比如清醒期的特征波是a波，NREM3期的特征波是S波，因此又选 取了相对频谱能量和能量之比作为频域特征，
[0054] 相对频谱能量计算方法如下：
[0055] 相对频谱能量是计算以上几种特征波形的频谱能量与总频谱能量之比，其计算公 式如下：
[0057] 其中，wave分别为8、0、a、|3p|3 2、spindle和saw，