基于脑电信号的自动睡眠分期研究进展

睡眠分期是研究睡眠及相关疾病的基础,是完成睡眠质量评估的前提,具有重要临床意义。近年来,基于计算机技术的睡眠脑电信号自动分期成为研究热点,并取得了一些成果。本文介绍了睡眠分期与脑电信号的基础知识,详细论述了基于脑电信号的自动睡眠分期研究中的两个关键技术——特征提取和模式识别,比较了小波变换、Hilbert-Huang变换两种常用的脑电特征提取方法,和人工神经网络、支持向量机两类模式识别方法的优缺点及其在睡眠分期中的应用,总结了近几年该领域的研究现状和发展趋势。     

低频光刺激在浅睡期的脑电响应

目的人的睡眠是有节律的,浅睡眠和深睡眠反复交替进行,分析浅睡期脑电波的变化对研究睡眠效率和睡眠质量至关重要。本文通过分析低频光刺激下睡眠过程中脑电波的变化,研究人在浅睡期脑电波对光刺激的响应,进而探讨外部光刺激对睡眠过程中脑电波的影响。方法利用美国Neuroscan型脑电图仪采集10例志愿者的光刺激睡眠和正常睡眠的脑电数据。首先,利用时频分析对睡眠过程中的脑电信号进行分期,获得浅睡期脑电信号,然后对分期后的脑电信号做傅里叶变换,获得各频段脑电波,并求其能量。最后比较并分析了志愿者在光刺激(5 Hz)和正常睡眠下浅睡期的脑电信号能量。结果在低频光刺激下,浅睡期脑电波的波能量明显高于正常睡眠,尤其在中央区和顶区增加明显。结论在光刺激下大脑皮质以更平稳的方式进入抑制状态,有助于更好地进入深睡期。     

睡眠脑电信号的非线性动力学分析

睡眠与健康、工作、学习等之间的关系甚为密切。由于脑电(EEG)是描述睡眠过程中最显著和最直观的信号,所以睡眠脑电是研究睡眠的重要且有用的工具。其中睡眠分期研究对评估睡眠质量重要。由于脑电活动自身的复杂性,因此采用非线性方法处理会有比较好的结果。本文简单介绍了睡眠与脑电的关系,重点介绍了几种非线性动力学方法,包括李亚普诺指数、复杂度、相关维数、近似熵等,并介绍了它们对睡眠脑电信号进行特征处理的情况,发现在不同的睡眠期,计算出的结果呈现一定的变化规律。     

基于条件概率的短时睡眠状态实时估计

目的根据脑电信号的特征,提出基于条件概率的睡眠状态实时估计方法,为睡眠监测提供反映睡眠状态连续变化的客观评价依据。方法在白天短时睡眠过程中,同步采集了4导与睡眠相关的脑电信号(C3-A2,C4-A1,O1-A2,O2-A1),对每5秒记录数据进行傅里叶变换,分别计算了8~13 Hz和2~7 Hz的脑电节律能量占空比特征参数。主要方法包含了学习和测试两个阶段:在学习阶段,根据训练数据获得脑电特征参数的概率密度分布;在测试阶段,根据当前特征,得到各睡眠分期的条件概率,并计算获得睡眠状态的估计值。结果分析和测试了12名受试者的短时睡眠数据。通过与睡眠分期的人工判读结果相比较,睡眠状态估计值呈现了睡眠深度的连续变化。觉醒期的显著性差异为2.94,睡眠一期和二期分别为1.78和1.62,分析结果符合实际规律。结论本文所定义的睡眠状态估计值蕴含了睡眠分期的特征,较好地反映了睡眠阶段在持续和过渡期间的连续变化过程,能够为白天短时睡眠状态分析提供实时监测和分析的客观评价依据。     

一种用于家庭睡眠监护的脑电预处理算法

目的:睡眠是人体重要的生理活动,对睡眠进行合理的分期,是研究睡眠质量诊断,睡眠疾病的基础。脑电是描述睡眠过程中最显著和最直观的信号,但是由于脑电信号本身比较微弱,心电干扰会随机地出现在脑电信号中,本文的主要目的就是基于手机的家庭睡眠分析的需要,设计一种简单的心电抑制算法。方法:通过参考心电信号的R波检测,提取R峰位置,作为脑电信号中的心电干扰的参考点,建立模板来替换脑电信号中的心电伪迹。结果:从处理后的脑电信号的时域图和频谱图可以看出,心电伪迹得到了有效抑制。结论:将原始脑电信号的各频带能量分布和自适应算法以及本文所提出的算法滤除心电伪迹后的能量分布加以比较,可见抑制心电干扰后,睡眠各期的分段谱特征差异性加大,从而更有利于后面的睡眠各期的自动分类。     

基于能量特征和模糊熵的睡眠自动分期

目的:为实现有效睡眠自动分期,提出一种基于脑电能量特征和模糊熵的睡眠分期方法。方法:首先利用小波变换进行脑电信号去噪,再利用FIR带通滤波器提取脑电信号的特征波,获得能量特征,并提取脑电信号的模糊熵,最后利用支持向量机进行模式识别。结果:能量特征值和模糊熵值随着睡眠状态的变化而不同,睡眠各期可以根据特征值的不同而得到有效区分,通过对1 140个脑电信号样本进行睡眠分期,得到的平均准确率为88.45%。结论:基于脑电能量特征和模糊熵的睡眠分期方法简单、有效,具有良好的临床应用价值。     

基于脑电功率谱密度和随机森林的自动睡眠分期方法

采用深度学习技术实现睡眠自动分期计算复杂度较高，且需大量数据支撑。本文提出一种基于功率谱密度和随机森林的自动睡眠分期方法，先提取脑电信号6种特征波（K复合波、δ波、θ波、α波、纺锤波、β波）的功率谱密度作为特征，然后利用随机森林分类器实现5种睡眠状态（W、N1、N2、N3、REM）自动分类。采用Sleep-EDF数据库中健康受试者整晚睡眠脑电数据作为实验数据，对比了使用不同输入通道脑电信号（FpzCz单通道、Pz-Oz单通道、Fpz-Cz+Pz-Oz双通道）、不同分类器（随机森林、自适应增强、梯度提升、高斯朴素贝叶斯、决策树、K近邻）、不同训练集与测试集划分方法（2折、5折、10折交叉验证及单个受试者）对分类效果的影响。实验结果表明，当采用Pz-Oz单通道脑电信号和随机森林分类器时效果最好，无论怎样变换训练集与测试集，分类准确率都达到90.79%以上，总体分类准确率、宏观平均F1值、Kappa系数最高分别可达到91.94%、73.2%、0.845，证明该方法是有效的，且不易受数据量影响，具有较好的稳定性。与已有研究相比，该方法分类准确率更高、实现更简单，适用于自动化。     

基于去趋势波动分析的脑电信号睡眠分期

目的验证去趋势波动分析方法应用于脑电信号的有效性。方法分别提取睡眠分期的脑电信号,利用去趋势波动方法对睡眠状态脑电信号的标度特征进行对比研究。结果从睡眠1期~睡眠4期标度指数随着睡眠程度加深而逐渐增大,脑的动力学活跃性随之降低。结论去趋势波动分析方法对不同睡眠状态有一定的区分度。     

基于能量特征和最小二乘支持向量机的自动睡眠分期方法

睡眠分期是研究睡眠及相关疾病的基础,是完成睡眠质量评估的前提。为实现有效睡眠自动分期,本文提出将能量特征和最小二乘支持向量机(LS-SVM)相结合的方法。先利用FIR带通滤波器提取Pz-Oz导睡眠脑电信号的特征波,获得能量特征,并与小波包变换方法相比较;然后用LS-SVM分类器进行模式识别,最终实现睡眠自动分期。实验表明,本文所提出的基于能量特征和LS-SVM的自动睡眠分期方法简单、有效,平均正确率达88.89%,具有很好的应用前景。     

睡眠脑电的研究

睡眠脑电是研究睡眠的重要且有力的工具。本文在阐述睡眠与脑电关系的基础上，着重论述了非线性方法：人工神经网络、混沌与分形及复杂性在睡眠脑电研究中的应用。     

基于迁移学习的随机深度残差网络自动睡眠分期算法

现有自动睡眠分期算法存在模型参数量多、训练耗时长导致分期效率不佳的问题。本文使用单通道脑电信号,提出一种基于迁移学习（TL）的随机深度（SD）残差网络（ResNet）自动睡眠分期算法（TLSDResNet）。首先,选取16人共30条单通道（Fpz-Cz）脑电信号,在保留有效睡眠片段后,利用巴特沃斯滤波和连续小波变换对原始脑电信号进行预处理,得到包含其时-频联合特征的二维图像作为分期模型的输入数据。随后,构建经公开数据集——欧洲数据格式存储的睡眠数据库拓展版（Sleep-EDFx）训练的ResNet50预训练模型,使用随机深度策略并修改输出层以优化模型结构。最后,应用迁移学习对人体整夜睡眠过程进行自动分期。本文算法在进行了多次实验后,模型分期准确率达到87.95%。实验表明,TL-SDResNet50可完成少量脑电数据的快速训练,总体效果优于近年来其他分期算法与经典算法,具有一定的实用价值。     

心率变化特征与睡眠分期耦合关系研究

心率是非脑电方法判断睡眠分期的一个重要指标，提出了一种把睡眠分期进行定量化、模糊化描述的新思路，并详细给出了判断心率与睡眠分期耦合关系的新方法，这种方法具有简便、快速的特点。实验结果表明：健康人和SAHS病人的心率变化特征与睡眠时相均具有较好的相关性，其中健康人的相关性更高。     

基于多尺度卷积和自注意力机制的觉醒自动检测方法

临床上，觉醒事件主要由睡眠技师手动标注，该方法耗时，且主观性强。本研究通过构建基于多尺度卷积和自注意力的卷积神经网络，用1 min单通道脑电信号作为模型的输入，实现端到端的觉醒事件自动检测。研究结果表明，相较于基线模型，本文所提出的方法的精确召回曲线下面积和受试者操作特征曲线下面积均提升约7%。此外，单模态和多模态对比结果显示，单通道脑电信号可实现觉醒事件的有效检测，而简单的多种模态拼接不能提升模型的性能。最后，基于本文所提出的模型，本研究在同一数据库上又实现了自动睡眠分期（平均准确率73%），展示了模型较好的扩展性。本研究为实现可靠的便携式睡眠监测提供了解决方案，同时任务迁移的使用也为临床睡眠数据的自动分析开辟了新道路。     

简化EEG为符号序列及对其复杂度的研究

本文将ＥＥＧ简化为符号序列并用复杂度算法对其进行分析。为获得更好结果，对ＥＥＧ的简化方法作了一些改进，提出计算脑电信号的高阶复杂度；为利用脑电信号中的空间信息，又提出计算脑电信号的空间相关复杂度。计算了多例正常人和癫痫病人的各阶复杂度及空间相关复杂度，获得了较好的结果。     

基于抗交叉串扰自适应噪声抵消的诱发脑电信号提取研究

由于诱发脑电信号比自发脑电信号的幅度小得多 ,传统的叠加平均方法提取诱发脑电信号需要大量的重复刺激 ,如何通过少量的刺激次数来获取诱发脑电信号是一个重要的研究课题。本文提出了一种抗交叉串扰自适应噪声抵消方法来提取诱发脑电信号 ,同时引进滤波技术并结合常用的叠加技术 ,使提取诱发脑电信号所需的重复刺激次数大幅减少 ,仿真实验说明 ,该方法只需数次甚至单次刺激便可提取相当完好的诱发脑电信号     

低频光诱发脑电在浅睡期的样本熵复杂度分析

睡眠障碍患者通常表现为从浅睡期进入深睡期存在困难,分析浅睡期脑电波的变化对研究睡眠效率和睡眠质量至关重要。通过分析低频光刺激下睡眠过程中脑电波的复杂度值变化,研究人在浅睡期脑电波对光刺激的响应,进而探讨外部光刺激对睡眠过程中脑电波的影响。使用美国neuroscan型脑电图仪,采集10例志愿者的光刺激睡眠和正常睡眠的脑电数据。首先,利用时频分析,对睡眠过程中的脑电信号进行分期,获得浅睡期脑电信号;然后,使用小波包分解,获得该期脑电波的各频段分量（δ波、θ波、α波和纺锤波）;接着,采用样本熵算法,分别计算浅睡期脑电信号的复杂度以及各频段脑电波的复杂度;最后,对志愿者在光刺激（5 Hz）和正常睡眠下浅睡期脑电复杂度进行比较,研究光刺激对脑电复杂度的响应情况。结果显示：在低频光刺激下,浅睡期脑电波复杂度的均值为0514 15,明显低于正常睡眠复杂度的均值0589 23,在中央区和顶区有显著性差异（P<005）。研究表明,5 Hz光刺激可诱发浅睡期θ波的同步响应,增强脑电波的节律性,有助于更好地进入深度睡眠。     

EEG电极与MRI头模型的配准方法

脑功能成像研究中 ,脑电信号与磁共振图像融合分析是一种重要的研究方法。在实现融合分析时首先要解决的问题是电极与头模型的配准 ,目前有三种基本的配准方法 :基准点法、电极可视化方法和表面配准法。本文对这三种方法作了介绍 ,并对这三种方法的特点作了评述。     

小波变换及脑电信号综合分析系统的研究

本文介绍了小波变换、脑电信号的特点和分析方法，以及脑电信号综合分析系统的硬件结构，并阐述了系统软件的设计和实现方法。该系统的软件具有良好的兼容性、可靠性和实时性，功能齐全，可用于脑电信号的分析、监护和反馈研究。     

利用方差分析方法分析脑电波

通过对已扣除心电影响脑电波信号DFA分析，表明脑电信号并不具有一致的长程相关性；而在50≤1≤200(对应时间尺度为0．2s≤t≤0．8s)的较短区间内，脑电信号具有相对稳定的长程相关性，可以在此区间内确定对应的α指数。在此基础上，计算了脑电信号及其符号函数的α指数，认为不同睡眠阶段的α指数具有相对显著的差异；可以通过计算50≤1≤200内脑电信号及其符号函数的α指数为正确判断睡眠所处阶段提供有效信息。     

基于近似熵的思维脑电信号分类研究

采用近似熵(approximate entropy，Apen)作为脑电信号的特征参数对不同思维作业脑电信号进行了分类研究，并对近似熵算法中参数的选择以及互近似熵在思维脑电分类的应用进行了讨探。研究结果表明，近似熵特征在思维作业脑电信号的分类中取得了较好的应用效果。近似熵作为EEG的信号特征为提高思维作业脑电信号的分类正确率提供了一种新的途径，在基于思维作业BCI的应用中具有重要的实用价值。