REM睡眠阶段。EEG噪声水平和受试者特定的EEG基准 线用于在步骤446调整检测的睡眠阶段。在步骤460使用由睡眠专家标记并保存在数据库 420中的睡眠 EEG数据来初始地训练基于规则的决策系统。当更多的EEG数据被连续地收集 时将会得到基于规则的决策系统。在步骤448,应用平滑后处理器以提炼睡眠阶段。通过分 析受试者的脑波而确定睡眠阶段。
[0055]声音的回放就音量来说根据在步骤337根据受试者的睡眠阶段(清醒、轻度睡眠、 深度睡眠阶段以及快速眼球运动睡眠）被自动控制。举例来说，声音将在清醒阶段期间播 放，但是在轻度睡眠阶段1(非REM阶段NI)期间、在轻度睡眠阶段2(非REM阶段N2)期间以及 在深度睡眠阶段(非REM阶段N3)和REM睡眠阶段期间，将逐渐衰退并且完全中断。由于深度 和REM睡眠阶段对于补充和修复人体以及学习和记忆巩固来说是重要的，因此在这些睡眠 阶段期间不播放声音以避免干扰脑的这样的行为。以这种方式，本方法诱导快速并且良好 质量的睡眠。
[0056]在步骤480,整夜的睡眠阶段数据将被合并到睡眠质量报告中，其综述了总睡眠小 时、睡眠开始/结束时间以及轻度/深度/REM睡眠持续时间的比率。预处理的数据和报告将 被存储到数据库中供睡眠检测模型进一步提炼。
[0057]可以现在参考图5更加详细地描述图3中在步骤333示出的欲睡状态检测。预先执 行当前的欲睡状态和脑波信号之间脑响应的建模以获得预设的欲睡状态检测模型。这可以 通过从受试者的面貌人工地对欲睡度分级以及通过记录脑波以校准模型而执行。例如，轻 度睡眠阶段Nl的视觉标志可以包括活跃的肌肉以及伴随眼睑温和地开和闭的眼睛缓慢滚 动。在轻度睡眠阶段N2,受试者可能逐渐变得较难以唤醒。在深度睡眠阶段N3,受试者对于 环境的响应性较低并且许多环境性刺激不再产生任何反应。REM睡眠阶段的视觉标志可以 包括大多数肌肉不活动;并且与受试者清醒时相比唤醒和脑的氧气消耗更高。校准的模型 将捕获欲睡状态(欲睡或非欲睡）的脑响应以区分声音刺激。
[0058]参考图5,声音刺激由受试者501接收。受试者501的脑波在建模阶段中被测量并且 受试者501的欲睡状态被人工观察并分级以便利用该信息在欲睡状态检测模型333'形成预 设的欲睡状态模型。在这之后，在欲睡状态检测模型333'确定的模型参数在实时阶段期间 被用于从在欲睡状态检测模型333的脑波确定受试者的欲睡状态，其中欲睡状态检测模型 333将脑波行为与预定的受试者欲睡状态关联。
[0059] 采用了新颖的频率优化方法以建模对于声音刺激的脑响应。该想法是为了找到最 优的谱滤波器以使得欲睡和非欲睡状态之间的分离最大化。以这种方式，受试者的欲睡状 态通过其脑波量化，和本文介绍的其他模块一起，这是导致选择诱导更进一步的欲睡状态 的最合适的声音的关键。使用来自大量受试者的预先记录的EEG信号而离线地进行建模过 程以便获得更好的泛化性能。
[0060] 参考图6,描绘了选择声音的步骤。基于检测的欲睡状态和量化的脑-声音关联，可 以自动地并且适应性地从声音库选择最合适的声音以与受试者的当前脑状态相符。在声音 库中，在步骤651测量对于每个声音的声音声学特征向量的欧几里得(Euclidean)距离并且 计算声音的相似度。声音可以以响应于声音之间相似度而确定的顺序而存储。如果受试者 的欲睡度正根据受试者的欲睡度分数而增加，则声音将继续播放并且将会选择具有与先前 歌曲相似的声学特征的新声音以随后被播放。在另一方面，如果受试者的欲睡度没有根据 受试者的欲睡度分数而增加，则声音将中断播放并且将会选择具有与先前歌曲最少相似声 学特征的新声音以随后被播放。该选择过程在步骤653执行。
[0061] 参考图7,在流程图700中描绘了用于声音诱导的睡眠的方法的操作。这是为了评 估本文描述的方法。
[0062]使用具有256Hz采样率的头带采集了EEG信号。从二十八个健康的受试者收集了 EEG信号。两个EEG电极被水平地附接到受试者的前额。左和右电极分别与FPl和FP2对应。具 有已知声学特征的声音存储在声音库中。声音库包括来自特别地设计用于睡眠治疗的若干 ⑶的40个乐曲段。
[0063]在评估过程之前，对于每个受试者接着进行了两个时间段(session)的数据收集。 在开始数据收集之前，受试者被给予一些时间以冷静下来并集中精神聆听声音。指导每个 受试者在聆听声音的时候舒服地坐下并使身体运动减到最少。在每个时间段，受试者连续 地聆听声音并且在完成之后将每个声音段标记为欲睡或非欲睡。为了确认，之后问受试者 以告知在聆听声音之后他们是否感觉欲睡。这些人工地分级的数据将用作用于评估的依据 事实。
[0064]评估过程包括两部分:一部分是根据本方法选择声音而另一部分是随机地选择声 音。
[0065] 参考图7描述第一部分。该过程在步骤701对于受试者1开始。在步骤702和703从声 音库随机选择第一声音并将其播放给受试者。在步骤704,对受试者关于他/她是否入睡进 行估计。基于估计，如果受试者入睡则该过程将进行到步骤705或者如果受试者没有入睡的 话该过程将进行到步骤707。第一声音在步骤705将中断播放。然而，如果受试者在他入睡之 后觉醒，则该过程将从步骤706再次重新开始。第一声音在步骤707继续播放。在播放该声音 的过程中，从步骤707到步骤704执行间隔检查以对受试者关于他/她是否入睡进行估计。所 述检查可以每三秒钟周期地进行。在步骤707之后并且在第一声音播放结束时，在步骤708 再次对受试者关于他的/她的欲睡度是否正在增加进行估计。基于估计，如果受试者的欲睡 度正在增加则所述过程将行进到步骤706。在步骤706将播放声音库中的下一声音。备选地， 如果受试者的欲睡度没有增加，则所述过程将行进到步骤709。在步骤709将根据本方法选 择新的声音并在步骤703播放该新的声音。在任何情形中，所述过程都将从步骤703重复。
[0066] 在评估过程的该第一部分，初始的第一声音从声音库中的声音随机地选择。之后， 欲睡状态检测模块将根据受试者的当前的欲睡状态选择下一新的声音。新的声音基于脑波 和声音的声学特征之间的量化的关联指数进行选择。该过程将继续，直到睡眠阶段检测模 块发现受试者已经入睡并且决定中断播放声音为止。
[0067] 除了在步骤709从声音库随机选择新的声音而不是基于本方法选择新的声音之 外，评估过程的第二部分类似于第一部分地执行。
[0068] 上面收集的基于人工地分级的数据，按照下面来计算欲睡百分数（就睡眠诱导而 言声音对于每个受试者的有效性）：
[0069] 欲睡百分数=受试者感觉欲睡的声音的数量/声音的总数量（14)
[0070] 为了评估本实时的适应性声音选择，使用EEG信号和收集的声音的分级数据用于 参考。在评估过程中，对于每个选择的声音，按照下面分别针对第一部分和第二部分计算精 度。如果选择的声音的分级为"欲睡"，则其被视为"真阳性"，而如果分级为"非欲睡"，则其 被视为"假阳性"。
[0071] 精度=真阳性的数量/声音的总数量（15)
[0072] 表1中示出了二十八个受试者的结