本發(fā)明涉及輔助睡眠技術(shù)領(lǐng)域，特別是涉及一種基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練方法和系統(tǒng)。

背景技術(shù)：

在睡眠中，人體進(jìn)行了自我放松及恢復(fù)的過程，因此良好的睡眠是保持身體健康的一項基本條件；但是由于工作壓力大、生活作息不規(guī)律等原因，導(dǎo)致了部分人群的睡眠質(zhì)量欠佳，表現(xiàn)為失眠、半夜驚醒等。

目前市面上已經(jīng)有一些設(shè)備來幫助人們?nèi)胨?，提高睡眠質(zhì)量。例如在某一特定睡眠狀態(tài)下通過聲音、光信號等人工干預(yù)，避免在熟睡狀態(tài)下叫醒用戶等。對于輔助睡眠的設(shè)備而言，為了真正達(dá)到提高用戶睡眠質(zhì)量的目的，正確的識別用戶的睡眠狀態(tài)是非常重要的。

目前臨床上主要采用多導(dǎo)睡眠圖識別睡眠狀態(tài)，主要是利用腦電信號來對睡眠進(jìn)行分析，通過訓(xùn)練睡眠狀態(tài)模型來識別被測者是屬于睡眠哪種狀態(tài)，進(jìn)而采取相應(yīng)的輔助手段，但由于腦電信號的個人特異性很強，并且強度很弱，在信號采集時極易被外界信號所干擾。因此一般訓(xùn)練出來的睡眠狀態(tài)模型對很多測試數(shù)據(jù)的識別效果較差，模型識別的準(zhǔn)確性難以得到保證。

技術(shù)實現(xiàn)要素：

基于此，有必要針對上述問題，提供一種基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練方法和系統(tǒng)，有效地提高睡眠狀態(tài)識別模型識別的準(zhǔn)確性。

一種基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練方法，包括：

采集用戶在睡眠過程中產(chǎn)生的腦電信號，分N+1路分別根據(jù)睡眠狀態(tài)識別的識別任務(wù)從所述腦電信號中提取相應(yīng)的特征數(shù)據(jù)，N≥1；

分別將N+1路特征數(shù)據(jù)輸入預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型、睡眠狀態(tài)檢測器1、睡眠狀態(tài)檢測器2、……、睡眠狀態(tài)檢測器N；其中，睡眠狀態(tài)識別模型用于識別用戶的1～N種睡眠狀態(tài)，睡眠狀態(tài)檢測器1～N分別對應(yīng)用于識別用戶的一種特定睡眠狀態(tài)；

讀取所述預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型以及睡眠狀態(tài)檢測器1～N的輸出結(jié)果，根據(jù)所述輸出結(jié)果確定所述特征數(shù)據(jù)的數(shù)據(jù)類型，并對該特征數(shù)據(jù)進(jìn)行類型標(biāo)注；

根據(jù)標(biāo)注后的特征數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得該用戶的個人睡眠狀態(tài)識別模型。

一種基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練系統(tǒng)，包括：

特征數(shù)據(jù)提取模塊，用于采集用戶在睡眠過程中產(chǎn)生的腦電信號，分N+1路分別根據(jù)睡眠狀態(tài)識別的識別任務(wù)從所述腦電信號中提取相應(yīng)的特征數(shù)據(jù)，N≥1；

多檢測器檢測模塊，用于分別將N+1路特征數(shù)據(jù)輸入預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型、睡眠狀態(tài)檢測器1、睡眠狀態(tài)檢測器2、……、睡眠狀態(tài)檢測器N；其中，睡眠狀態(tài)識別模型用于識別用戶的1～N種睡眠狀態(tài)，睡眠狀態(tài)檢測器1～N分別對應(yīng)用于識別用戶的一種特定睡眠狀態(tài)；

數(shù)據(jù)類型標(biāo)注模塊，用于讀取所述預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型以及睡眠狀態(tài)檢測器1～N的輸出結(jié)果，根據(jù)所述輸出結(jié)果確定所述特征數(shù)據(jù)的數(shù)據(jù)類型，并對該特征數(shù)據(jù)進(jìn)行類型標(biāo)注；

個人模型訓(xùn)練模塊，用于根據(jù)標(biāo)注后的特征數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得該用戶的個人睡眠狀態(tài)識別模型。

上述基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練方法和系統(tǒng)，基于腦電信號的特征數(shù)據(jù)，在預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型基礎(chǔ)上，進(jìn)一步設(shè)置了睡眠狀態(tài)檢測器1～N，結(jié)合睡眠狀態(tài)識別模型的識別結(jié)果和檢測器檢測結(jié)果對特征數(shù)據(jù)進(jìn)行類型識別，并對特征數(shù)據(jù)進(jìn)行類型標(biāo)注，利用標(biāo)注的特征數(shù)據(jù)訓(xùn)練出個人睡眠狀態(tài)識別模型。該方案訓(xùn)練的個人睡眠狀態(tài)識別模型，融合了用戶個人特異性，并可以剔除外界信號所干擾，提高了模型識別的準(zhǔn)確性。

附圖說明

圖1為一個實施例的基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練方法的流程圖；

圖2為濾波處理前后的腦電信號示意圖；

圖3是對特征數(shù)據(jù)進(jìn)行標(biāo)注的示意圖；

圖4為一個實施例的基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練系統(tǒng)結(jié)構(gòu)示意圖。

具體實施方式

下面結(jié)合附圖闡述本發(fā)明的基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練方法和系統(tǒng)的實施例。

參考圖1所示，圖1為一個實施例的基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練方法的流程圖，包括：

步驟S101，采集用戶在睡眠過程中產(chǎn)生的腦電信號，分N+1路分別根據(jù)睡眠狀態(tài)識別的識別任務(wù)從所述腦電信號中提取相應(yīng)的特征數(shù)據(jù)，N≥1；

在本步驟中，如在對用戶進(jìn)行輔助睡眠時，通過用戶佩戴相關(guān)傳感設(shè)備，檢測用戶的腦電信號，在采集腦電信號時，可以以30s為一幀進(jìn)行采集。

根據(jù)需要進(jìn)行睡眠狀態(tài)識別的任務(wù)，確定特征數(shù)據(jù)類型，從腦電信號中提取與之相應(yīng)的特征數(shù)據(jù)；例如，要識別1～N種睡眠狀態(tài)，提取用于進(jìn)行這N種狀態(tài)識別的特征數(shù)據(jù)，此時需要分N+1路對腦電信號進(jìn)行提取特征數(shù)據(jù)。

在一個實施例中，提取特征數(shù)據(jù)前，還可以對所采集的腦電信號進(jìn)行濾波處理，濾除高頻噪聲和工頻干擾。例如，腦電信號的有用信息多集中在0-100Hz的范圍內(nèi)，在采集過程中會摻入頻率在該范圍外的噪聲，因此，可以通過濾波手段將其濾除?？梢酝瑤V波器濾除高頻噪聲，并設(shè)計一個陷波器(50/60Hz)來濾除工頻干擾。

參考圖2所示，圖2為濾波處理前后的腦電信號示意圖，上圖為原始信號，下圖為經(jīng)過濾波處理之后的信號，可以發(fā)現(xiàn)大部分的高頻噪聲已被濾除。

對于提取特征數(shù)據(jù)的方案，本發(fā)明提供若干實施例，具體過程包括如下：

(1)提取腦電信號的基線，計算所述基線的變化幅度；其中，所述變化幅度為基線最大值減去最小值；

(2)在去掉基線后，對所述腦電信號進(jìn)行小波分解，獲得小波系數(shù)，并根據(jù)小波系數(shù)計算小波系數(shù)的特征參數(shù)；其中，所述特征參數(shù)包括小波系數(shù)的均值、方差、峭度系數(shù)和/或斜度系數(shù)；

為了更好地分解出所述各種頻率波形，小波分解的層數(shù)與腦電信號的采樣頻率滿足如下關(guān)系：f＝2^N+2，其中，f為腦電信號的采樣頻率，N為小波分解的層數(shù)；例如，當(dāng)信號的降采樣率為128Hz時，可以選擇4層分解，當(dāng)信號的采樣率為256Hz時，則可以進(jìn)行5層分解。

(3)在去掉基線后，計算腦電信號的LZ復(fù)雜度和樣本熵；

將所述基線的變化幅度、小波系數(shù)的特征參數(shù)、LZ復(fù)雜度和樣本熵設(shè)為所述特征數(shù)據(jù)；

由上述實施例的方案，作為信號特征的數(shù)據(jù)包括了基線的變化幅度、小波系數(shù)的特征參數(shù)、LZ復(fù)雜度和樣本熵等。

進(jìn)一步地，還可以利用腦電信號的多個波段的波形來進(jìn)行識別，在小波重構(gòu)中提取所述腦電信號的δ波頻段，θ波頻段，α波頻段，β波頻段；根據(jù)頻率的不同，腦電信號是可以分為4種節(jié)律腦電波：δ波(1-3Hz)，θ波(4-7Hz)，α波(8-12Hz)，β波(14-30Hz)，在此，可以提取出這四種頻段的信號后，利用這些信號來計算相關(guān)特征來計算相關(guān)特征，具體方案可以如下：

(4)分別計算所述δ波頻段，θ波頻段，α波頻段，β波頻段能量在總能量中的比例；將該比例也作為特征數(shù)據(jù)輸入分類器進(jìn)行識別；計算方法可以包括如下公式：

r_δ＝∑(y_δ)²/p_total

r_θ＝∑(y_θ)²/p_total

r_α＝∑(y_α)²/p_total

r_β＝∑(y_β)²/p_total

其中p_total＝∑(y_δ)²+∑(y_θ)²+∑(y_α)²+∑(y_β)²，y_δ，y_θ，y_α和y_β分別表示重構(gòu)后的δ頻段、θ頻段、α頻段和β頻段的信號，r_δ，r_θ，r_α和r_β分別代表δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。

(5)分別計算在一幀腦電信號內(nèi)，δ波頻段，θ波頻段，α波頻段，β波頻段能量最大的時間長度；將該時間也作為特征數(shù)據(jù)輸入分類器進(jìn)行識別，計算方法可以包括如下公式：

式中，c_δ，c_θ，c_α和c_β表示δ頻段、θ頻段、α頻段和β頻段的信號在當(dāng)前幀內(nèi)所占能量比例最大的時間長度，分別表示第i秒內(nèi)δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。

步驟S102，分別將N+1路特征數(shù)據(jù)輸入預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型、睡眠狀態(tài)檢測器1、睡眠狀態(tài)檢測器2、……、睡眠狀態(tài)檢測器N；其中，睡眠狀態(tài)識別模型用于識別用戶的1～N種睡眠狀態(tài)，睡眠狀態(tài)檢測器1～N分別對應(yīng)用于識別用戶的一種特定睡眠狀態(tài)；

對于上述預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型，可以是采用RBF核的SVM(Support Vector Machin，支持向量機)分類器模型，也可以采用神經(jīng)網(wǎng)絡(luò)、決策樹的分類器模型。該模型是通過其他樣本數(shù)據(jù)訓(xùn)練得到，由于腦電信號的個人特異性很強，并且腦電信號的強度很弱，在信號采集時，極易被外界信號所干擾。因此，事先采集訓(xùn)練數(shù)據(jù)上訓(xùn)練出來的睡眠狀態(tài)識別模型，因此，對于部分測試數(shù)據(jù)來說其效果并不理想。

基于上述現(xiàn)象，在本步驟中，設(shè)置了睡眠狀態(tài)檢測器1～N的多分類檢測器以對特征數(shù)據(jù)進(jìn)行標(biāo)注，進(jìn)而通過標(biāo)注的特征數(shù)據(jù)訓(xùn)練出個人睡眠狀態(tài)識別模型。

參考圖3所示，圖3是對特征數(shù)據(jù)進(jìn)行標(biāo)注的示意圖。標(biāo)注過程中除了利用其他樣本數(shù)據(jù)的較為平衡的睡眠狀態(tài)識別模型之外，還設(shè)計睡眠狀態(tài)檢測器1、睡眠狀態(tài)檢測器2、……、睡眠狀態(tài)檢測器N，分別用來監(jiān)測用戶是否處于1～N種睡眠狀態(tài)的任一種。

上述檢測器一般選取一定敏感度(sensitivity)的前提下，具有較高的準(zhǔn)確度(precision)的檢測器。

另外，為了獲得較為理想的檢測器，睡眠狀態(tài)檢測器1～N可以采用理想檢測器，利用調(diào)整對應(yīng)樣本的懲罰因子的方法來訓(xùn)練所述睡眠狀態(tài)檢測器1～N。實驗結(jié)果表明，這些檢測器的敏感度均高于70％，準(zhǔn)確度均高于95％。

對于檢測器，根據(jù)分類任務(wù)的評價指標(biāo)，總體準(zhǔn)確度(over accuracy)，敏感率(sensitivity，有時稱為召回率，recall)和精確率(precision)。在一個實施例中，對于睡眠狀態(tài)識別模型、睡眠狀態(tài)檢測器1～N，功能設(shè)置可以如下：

所述預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型用于識別用戶是否處于1～N種睡眠狀態(tài)中的任一種，輸出結(jié)果為“睡眠狀態(tài)1”“睡眠狀態(tài)2”、……或“睡眠狀態(tài)N”；

所述睡眠狀態(tài)檢測器1用于識別用戶是否處于“睡眠狀態(tài)1”的狀態(tài)中，輸出結(jié)果為”真”，反之則輸出結(jié)果為”假”；

所述睡眠狀態(tài)檢測器2用于識別用戶是否處于“睡眠狀態(tài)2”的狀態(tài)中，輸出結(jié)果為”真”，反之則輸出結(jié)果為”假”；

……，以此類推；

所述睡眠狀態(tài)檢測器N用于識別用戶是否處于“睡眠狀態(tài)N”的狀態(tài)中，輸出結(jié)果為”真”，反之則輸出結(jié)果為”假”。

對于睡眠狀態(tài)檢測器N的實現(xiàn)方法，以非眼快動睡眠的S2-S4周期為例，可以包括如下：

對用戶在睡眠過程中產(chǎn)生的腦電信號進(jìn)行小波分解，并根據(jù)預(yù)設(shè)的低頻段的小波系數(shù)重建腦電信號，得到低頻腦電信號；從重建的所述低頻腦電信號上提取腦電波；

根據(jù)K綜合波的波形特征從所述腦電波中檢測K綜合波，當(dāng)檢測到K綜合波時，判斷用戶當(dāng)前處于非眼快動睡眠的S2周期；

根據(jù)δ波波形特征從所述腦電波中檢測δ波，統(tǒng)計檢測到δ波的數(shù)量；當(dāng)δ波數(shù)量屬于[f_L(m)，f_H(m)]時，判定當(dāng)前腦電信號處于非眼快動睡眠的S3周期；

當(dāng)δ波數(shù)量大于等于f₀(m)時，判定當(dāng)前腦電信號處于非眼快動睡眠的處于S4周期；

f_L(m)＝m/t×p_L，f_L(m)＝m/t×p_H，f₀(m)＝f_H(m)+1；其中，檢測腦電波的時間窗口的長度為m，t為δ波持續(xù)時間的均值，(p_L,p_H)為δ波占腦電信號的時間范圍。

步驟S103，讀取所述預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型以及睡眠狀態(tài)檢測器1～N的輸出結(jié)果，根據(jù)所述輸出結(jié)果確定所述特征數(shù)據(jù)的數(shù)據(jù)類型，并對該特征數(shù)據(jù)進(jìn)行類型標(biāo)注；

在一個實施例中，基于睡眠狀態(tài)識別模型和睡眠狀態(tài)檢測器1～N的識別結(jié)果，判斷特征數(shù)據(jù)類型時，可以依據(jù)以下原則：

若睡眠狀態(tài)檢測器1～N的輸出結(jié)果只有一個為“真”，其他檢測器的輸出結(jié)果均為“假”，則根據(jù)輸出結(jié)果為”真”的檢測器的檢測結(jié)果，將特征數(shù)據(jù)的類型標(biāo)注為相應(yīng)的類型；

若睡眠狀態(tài)檢測器1～N的輸出結(jié)果中多余一個檢測器的輸出結(jié)果為“真”，則根據(jù)預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型的輸出結(jié)果，將特征數(shù)據(jù)的類型標(biāo)注為相應(yīng)的類型；

若睡眠狀態(tài)檢測器1～N的所有輸出結(jié)果均為“假”，則根據(jù)預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型的輸出結(jié)果，將特征數(shù)據(jù)的類型標(biāo)注為相應(yīng)的類型。

基于上述技術(shù)方案對特征數(shù)據(jù)類型的標(biāo)注，能夠準(zhǔn)確地識別數(shù)據(jù)類型，從而在個人睡眠狀態(tài)識別模型時，能夠得到更加準(zhǔn)確的樣本數(shù)據(jù)和測試數(shù)據(jù)。

步驟S104，根據(jù)標(biāo)注后的特征數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得該用戶的個人睡眠狀態(tài)識別模型。

在一個實施例中，可以采用RBF核的SVM訓(xùn)練個人睡眠狀態(tài)識別模型，該個人睡眠狀態(tài)識別模型用于針對該特定用戶的睡眠狀態(tài)識別；具體技術(shù)方案可以如下：

(1)獲取已標(biāo)注數(shù)據(jù)類型的特征數(shù)據(jù)，從不同類型的特征數(shù)據(jù)中隨機抽取相同數(shù)量的樣本作為訓(xùn)練數(shù)據(jù)，其余作為測試數(shù)據(jù)；

(2)將所述訓(xùn)練數(shù)據(jù)輸入支持向量機進(jìn)行訓(xùn)練，訓(xùn)練過程中采用網(wǎng)格測試方法選擇最優(yōu)的懲罰因子C和RBF核的參數(shù)σ；調(diào)節(jié)所述懲罰因子C和參數(shù)σ，將識別率最高時對應(yīng)的參數(shù)設(shè)為最優(yōu)參數(shù)；其中，懲罰因子C的取值范圍可以為[2^-2，2¹²]，所述參數(shù)σ的取值范圍可以為[2^-2，2¹⁰]；上述訓(xùn)練過程中，由于訓(xùn)練數(shù)據(jù)是從采集數(shù)據(jù)中隨機抽取的，因此此過程可以重復(fù)若干次；

(3)利用所述最優(yōu)參數(shù)重新訓(xùn)練睡眠狀態(tài)識別模型，并利用所述測試數(shù)據(jù)對該睡眠狀態(tài)識別模型進(jìn)行測試，將測試中識別率最優(yōu)的睡眠狀態(tài)識別模型設(shè)為個人睡眠狀態(tài)識別模型。

對于本發(fā)明提供的基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練方法，可以用于對多種睡眠狀態(tài)的識別，包括非眼快動睡眠和眼快動睡眠，例如，可以用于識別非眼快動睡眠的四種睡眠期，即N＝4；非眼快動睡眠狀態(tài)包括：非眼快動睡眠的入睡期，淺睡期，中等睡眠期和深度睡眠期四個狀態(tài)，分別對應(yīng)于睡眠狀態(tài)檢測器1、睡眠狀態(tài)檢測器2、睡眠狀態(tài)檢測器3和睡眠狀態(tài)檢測器4。

通過上述技術(shù)方案，在預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型的基礎(chǔ)上，設(shè)置了睡眠狀態(tài)檢測器1～N的多分類檢測器，結(jié)合相應(yīng)判斷原則對特征數(shù)據(jù)進(jìn)行類型識別，并對特征數(shù)據(jù)進(jìn)行標(biāo)注，進(jìn)而通過標(biāo)注的特征數(shù)據(jù)訓(xùn)練出個人睡眠狀態(tài)識別模型，能明顯提高識別模型的識別準(zhǔn)確性。

參考圖4所示，圖4為一個實施例的基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練系統(tǒng)結(jié)構(gòu)示意圖，包括：

特征數(shù)據(jù)提取模塊，用于采集用戶在睡眠過程中產(chǎn)生的腦電信號，分N+1路分別根據(jù)睡眠狀態(tài)識別的識別任務(wù)從所述腦電信號中提取相應(yīng)的特征數(shù)據(jù)，N≥1；

多檢測器檢測模塊，用于分別將N+1路特征數(shù)據(jù)輸入預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型、睡眠狀態(tài)檢測器1、睡眠狀態(tài)檢測器2、……、睡眠狀態(tài)檢測器N；其中，睡眠狀態(tài)識別模型用于識別用戶的1～N種睡眠狀態(tài)，睡眠狀態(tài)檢測器1～N分別對應(yīng)用于識別用戶的一種特定睡眠狀態(tài)；

數(shù)據(jù)類型標(biāo)注模塊，用于讀取所述預(yù)先訓(xùn)練的睡眠狀態(tài)識別模型以及睡眠狀態(tài)檢測器1～N的輸出結(jié)果，根據(jù)所述輸出結(jié)果確定所述特征數(shù)據(jù)的數(shù)據(jù)類型，并對該特征數(shù)據(jù)進(jìn)行類型標(biāo)注；

個人模型訓(xùn)練模塊，用于根據(jù)標(biāo)注后的特征數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得該用戶的個人睡眠狀態(tài)識別模型。

本發(fā)明的基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練系統(tǒng)與本發(fā)明的基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練方法一一對應(yīng)，在上述基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練方法的實施例闡述的技術(shù)特征及其有益效果均適用于基于腦電信號的睡眠狀態(tài)識別模型訓(xùn)練系統(tǒng)的實施例中，特此聲明。

以上所述實施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡潔，未對上述實施例中的各個技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。

以上所述實施例僅表達(dá)了本發(fā)明的幾種實施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。