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。     

基于多特征融合的睡眠分期

目的 为了有效实现睡眠自动分期,对睡眠障碍等相关疾病的诊断提供更多依据,本文提出了一种基于多特征融合的睡眠分期方法.方法 数据来自ISRUC-Sleep数据库,首先对10名健康受试者和10名睡眠障碍患者的脑电(electroencephalogram,EEG)信号计算3种特征——样本熵、小波包能量和去趋势波动.然后采用支持向量机(support vector machine,SVM)构建睡眠分期模型,并验证该模型的准确性.此外,为了进行比较加入心电(electrocardiogram,ECG)和肌电(electromyogram,EMG)通道.结果 健康受试者和睡眠障碍患者睡眠分期的准确率分别达到87.4％和86.3％.结论 基于多特征融合的睡眠分期方法能够有效地提高睡眠分期的准确率.     

基于多尺度深度网络的自动睡眠分期

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳.提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难...     

基于支持向量机及特征选择的单通道脑电波睡眠分期研究

睡眠脑电是研究睡眠障碍及相关疾病的重要客观指标。人工解析脑电方法耗时且易受主观因素影响,而已有的自动睡眠分期算法则较为复杂且正确率较低。本文提出基于支持向量机(SVM)及特征选择的单通道脑电睡眠分期方法。从单通道脑电波信号中提取了38个特征值。在此基础上,通过将特征选择方法 F-Score拓展到多分类,增加淘汰因子,为SVM分类器选择合适的输入特征向量组。文章采用标准的开源数据,对比实验了无特征选择、标准的F-Score特征选择以及带有淘汰制的F-Score特征选择三种方法。实验结果表明,本文提出的方法能够有效提高分期正确率,减少计算时间。     

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。     

基于心率变异性分析的睡眠分期方法研究

为实现对不同阶段睡眠的快速、便捷分期,本文实验分析了心率变异性(HRV)与睡眠分期的相关性,利用支持向量机(SVM)实现了基于HRV信息的睡眠自动分期的算法。对天津市胸科医院的33例临床心电数据进行了R-R提取和主成分分析(PCA),并利用SVM对睡眠中的不同阶段进行建模和预测,将分期的预测结果与基于脑电金标准的睡眠分期标注结果比对,对于三期睡眠的预测准确度超过80%,说明HRV与睡眠各期具有良好的相关性。该方法是对传统睡眠分期方法的一种补充,具有实际使用价值。     

睡眠呼吸暂停综合征患者的睡眠分期算法研究

针对可穿戴睡眠监测缺乏有效的自动睡眠分期和睡眠质量评价方法这一问题,提出一种适用于睡眠呼吸暂停综合征患者的自动睡眠分期方法。通过心电图R-R间期序列,分别得到心率变异性、呼吸幅度变异性和呼吸率变异性信号。以此为基础,提取时域、频域及非线性特征共55个。利用门控循环单元网络,分别构建清醒-睡眠二分类、清醒-快速眼动-非快速眼动睡眠三分类、清醒-快速眼动-浅睡-慢波睡眠四分类、清醒-快速眼动-非快速眼动Ⅰ-Ⅱ-Ⅲ期五分类等共4个不同分类粒度的睡眠分期模型;采用损失函数类别加权方法,有效降低数据非平衡对分期结果的影响。验证数据来自SHRS数据库的274例患者。借助准确率、Cohen's Kappa系数和睡眠结构指标对该睡眠分期方法进行性能评价。结果表明4个分类器的准确率分别为85.06%、75.44%、63.80%、62.13%,Cohen's Kappa系数达到了0.54、0.49、0.41、0.41,睡眠结构分析评估与临床结果之间的差异无统计学意义。所提出的方法基本满足睡眠质量评估的需求,适用于可穿戴睡眠监测应用。     

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。     

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。     

基于改进的K均值聚类算法的睡眠自动分期研究

睡眠分期是医学、神经信息领域的研究热点。人工标记睡眠数据是一项费时且费力的工作。自动睡眠分期方法能够减少人工分期的工作负荷,但在复杂多变的临床数据的应用上仍存在局限性。本文提出了一种改进的K均值聚类算法,主要目的是从实际睡眠数据的特点出发,研究睡眠自动分期方法。针对原始K均值聚类算法对初始聚类中心和离群点敏感的问题,本文结合密度的思想,选择周围数据密集的点作为初始中心,并根据"3σ法则"更新中心。改进算法在健康被试和接受持续正压通气(CPAP)治疗的睡眠障碍者的睡眠数据上进行了测试,平均分类精确度达到76%,同时结合实际睡眠数据的形态多样性验证讨论了该方法在临床数据上的可行性和有效性。     

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。     

脑电信号的复杂度在睡眠分期中的应用

睡眠既是人体重要的生理状态，也是临床监护重要的一环，按国际通用的睡眠分期方法，必须在脑电信号之外增加脑功能信号，本文研究了单纯的脑电信号的特征———复杂度作睡眠分期的依据的可能性，在数例已按国际通例作了睡眠分期的病例中，应用了本文提出的方法，在对分期结果的比较中提出了需要进一步研究的方面。     

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。     

考虑个体特征的非脑电睡眠分期

利用非脑电信号进行睡眠分期是睡眠医学的重要课题。提出一种自动分期算法,利用心率、呼吸率、血氧饱和度和体动信息。首先对前2种信号进行模式描述,形成描述单元;描述单元在规则库的指导下吸纳其他通道的特征,最终形成对应某个分期的完整描述;再用不确定推理的方法完成分期。实验表明,病人的分期符合率和健康人保持在同一个水平。整个算法模拟了人的思维过程,可扩充性强,具有良好的临床应用前景。     

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。     

基于平均能量耗散的睡眠分期研究

目的 睡眠质量影响身体健康与工作效率,睡眠分期结果是衡量睡眠质量的重要指标和诊治睡眠障碍性疾病的重要途径.方法 通过提取相同个体相同时刻的清醒期和非快速眼动睡眠Ⅰ期的EEG信号,分别符号化后计算平均能量耗散,对两个睡眠阶段的相对熵进行统计分析及多样本验证.结果 研究结果表明,平均能量耗散很好地反映了睡眠状态的变化,在清醒期较大,在非快速眼动睡眠Ⅰ期较小,并通过差异显著性检验和多样本验证.结论 平均能量耗散可以作为睡眠自动化分期参数补充到睡眠分期研究中来,在临床上可通过多参数分析,提高睡眠分期的准确性.     

基于Flexible ICA的睡眠EEG及EOG中心电伪差的消除

提出了一种采用自适应非线性函数的ICA学习算法,Flexible ICA算法,并将其应用于睡眠EEG自动分期的前期预处理中,用于消除采集到的各通道信号中的心电伪差.实验结果证明,Flexible ICA算法能够快速有效的消除各通道的心电伪差,为后期的睡眠EEG自动分期打下了良好的基础.     

便携式睡眠脑电监测系统的研制

越来越多的人受到睡眠质量欠佳的困扰,因此搭建一套简便、有效的睡眠脑电监测系统是十分必要的。它能够记录整晚睡眠脑电信息,进行自动睡眠分期,并且得到睡眠质量评分。系统采用单导联(三个电极)的简便方式进行采集,电极安放在前额叶,以防睡眠时脱落。分别采用了盘状电极和一次性心电图电极来采集睡眠脑电,以便为电极选择提供参考。振幅整合脑电图算法和样本熵算法被用于睡眠脑电处理中,结果显示两套算法都能进行自动睡眠分期与评价。本系统能够用于整晚睡眠监测和定量评价。     

用于睡眠精准分期的多模态生理时频特征提取网络

睡眠分期对临床疾病诊断以及睡眠质量评估至关重要。现有睡眠分期方法大多通过单通道或单模态信号,使用单分支深层卷积网络进行特征提取,这不仅阻碍了睡眠相关多样性特征的捕获,增加了计算代价,而且对睡眠分期的准确率也有一定的影响。为解决这一问题,本文提出一种端到端的用于睡眠精准分期的多模态生理时频特征提取网络（MTFF-Net）。首先,利用短时傅里叶变换（STFT）将包含脑电（EEG）、心电（ECG）、眼电（EOG）、肌电（EMG）的多模态生理信号转换为二维时频特征图;然后,使用多尺度EEG紧凑卷积网络（MsEEGNet）与双向门控循环（Bi-GRU）网络相结合的时频特征提取网络,捕获与睡眠特征波形相关的多尺度频谱特征以及与睡眠阶段转换相关的时序特征。根据美国睡眠医学学会（AASM）EEG睡眠分期判据,该模型在科英布拉大学系统与机器人研究所第三组子睡眠数据集（ISRUC-S3）上的五分类任务中取得了84.3%的准确率,其宏观F1分数（m-F1）的值为83.1%,科恩卡帕（Cohen’s Kappa）系数为79.8%。实验结果表明,本文所提模型实现了更高的分类准确率,推进了深度学习算法在辅助临床决...     

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。