基于自适应滤波的穿戴式睡眠脑电伪影实时去除方法与流程

本发明涉及脑电伪影去除的，尤其涉及一种基于自适应滤波的穿戴式睡眠脑电伪影实时去除方法。

背景技术：

1、睡眠是人类生命活动中不可或缺的重要组成部分，其质量直接关系到个体的身心健康。近年来，随着人们对睡眠障碍及相关疾病（如睡眠呼吸暂停综合征、失眠症等）的关注度不断提升，睡眠监测技术得到了快速发展。传统的睡眠监测主要依赖于医疗机构内的多导睡眠图（psg）系统。然而，psg系统不仅设备昂贵、操作繁琐，且需要受试者在陌生环境中佩戴大量传感器，极易引起“首夜效应”，难以反映其真实的自然睡眠状态。为此，基于微型化传感器的穿戴式脑电采集设备应运而生。这类设备具有体积小、功耗低、佩戴舒适等优势，使得在家庭环境下进行长期、连续的日常睡眠监测成为可能，已成为当前睡眠医学与智能穿戴领域的重要发展趋势。

2、尽管穿戴式睡眠脑电设备具有显著的应用前景，但在实际的居家监测场景中，其信号质量面临着严峻挑战。脑电信号属于极其微弱的生物电信号，幅值通常仅为微伏级别，极易受到外界干扰。在长达数小时的睡眠过程中，受试者不可避免地会发生翻身、肢体抽动、头部摩擦等无意识的体位变化。这些机械运动会导致电极与头皮之间的接触阻抗发生剧烈波动，从而在采集到的脑电信号中引入大幅度的运动伪影。这些伪影的幅值往往远超真实脑电信号，且频谱分布广泛，严重掩盖了具有临床诊断价值的特征波形，进而导致后续的自动睡眠分期算法失效或医生人工判读错误。因此，如何高效、实时地去除穿戴式脑电信号中的运动伪影，是该领域亟待解决的核心技术难题。

3、针对脑电信号中的伪影去除，现有技术已提出多种处理方法，但均存在明显的局限性。第一类方法是传统的线性滤波技术，如带通滤波或陷波器。由于运动伪影的频带通常与有效脑电信号的低频频带存在严重重叠，传统的频域滤波方法在滤除伪影的同时，会不可避免地破坏真实的脑电成分，导致关键生理信息的丢失。第二类方法是基于盲源分离的技术，例如独立成分分析（ica）。这类方法虽然在多通道脑电伪影去除中表现出色，但其高度依赖于多通道数据的空间相关性。而穿戴式睡眠监测设备受限于体积和功耗，通常仅配备单通道或极少数通道，导致盲源分离算法难以有效施展。此外，该类算法计算复杂度极高，难以在资源受限的穿戴式设备前端实现实时处理。

4、第三类方法是自适应滤波技术，这也是目前实时去除伪影的主流研究方向。传统的自适应滤波器通常直接利用惯性测量单元采集的线性加速度信号作为参考噪声输入。然而，这种常规做法存在显著缺陷：头部的机械加速度与头皮电极处产生的电学伪影之间存在高度复杂的非线性映射关系，直接将线性加速度信号作为参考输入，无法准确模拟真实的脑电伪影形态，导致滤波相减后的残差极大。其次，传统的自适应滤波器大多采用固定的步长参数，在面对睡眠中突发性、剧烈程度不一的运动伪影时，难以在收敛速度和稳态误差之间取得平衡。步长过大容易导致滤波器在剧烈运动时发散，步长过小则无法及时跟踪伪影的快速变化。

5、此外，现有的伪影去除方法普遍忽略了睡眠生理过程的先验知识。人类的睡眠是一个动态循环的过程，在不同的睡眠分期（如清醒期、快速眼动期、非快速眼动期）下，受试者的肌肉张力、运动模式以及伴随的伪影幅度分布特征具有显著的差异。现有算法采用“一刀切”的无差别处理策略，未能将睡眠分期的动态特征与伪影概率评估相结合，导致在低伪影时段容易引入背景噪声，而在高伪影时段又无法彻底清除干扰。同时，传统整数阶梯度下降算法在处理具有长程相关性和非平稳特性的脑电伪影时，权重更新缺乏足够的历史记忆能力，容易陷入局部最优。

6、综上所述，现有的脑电伪影去除方法在面对单通道穿戴式设备、复杂的非线性机电映射、时变剧烈的运动干扰以及不同睡眠分期的生理差异时，难以实现精准、实时且无损的伪影剥离。行业内亟需一种能够融合多源传感器数据、结合睡眠先验知识、具备非线性映射能力及高鲁棒性自适应迭代机制的脑电伪影实时去除方法。

技术实现思路

1、有鉴于此，本发明提供一种基于自适应滤波的穿戴式睡眠脑电伪影实时去除方法，目的在于通过融合惯性传感器数据、结合睡眠分期先验知识、构建跨模态非线性伪影重构器以及引入记忆型多阶次寻优控制机制，解决头部机械运动与头皮电学伪影之间的非线性映射难题，实现对穿戴式脑电信号中复杂时变运动伪影的高效剥离，从而为后续的自动睡眠分期与临床辅助诊断提供高质量的纯净脑电数据。

2、实现上述目的，本发明提供的一种基于自适应滤波的穿戴式睡眠脑电伪影实时去除方法，包括以下步骤：

3、a1：将采集到的原始混合脑电信号与惯性测量单元产生的加速度信号进行时间戳对齐，并提取加速度信号的包络特征生成运动强度序列，输出同步脑电信号与运动强度序列；

4、a2：将同步脑电信号与运动强度序列输入至睡眠先验驱动的态势隶属度评估引擎中，将离散的运动强度映射为连续的状态概率空间，输出同步脑电信号与动态伪影概率序列；

5、a3：将同步脑电信号与动态伪影概率序列通过跨模态非线性伪影重构器进行调制映射，合成与脑电频段相匹配的初级参考噪声信号，输出同步脑电信号与初级参考噪声信号；

6、a4：计算同步脑电信号与初级参考噪声信号的瞬时互相关度，并将所述瞬时互相关度与初级参考噪声信号共同输入至记忆型多阶次寻优控制器中，动态生成时变滤波步长与滤波器抽头权重，输出同步脑电信号、初级参考噪声信号、时变滤波步长与滤波器抽头权重；

7、a5：将时变滤波步长与滤波器抽头权重动态配置于自适应滤波器中，以初级参考噪声信号作为参考输入对同步脑电信号进行滤波相减处理，输出实时去除伪影后的睡眠脑电信号。

8、作为本发明的进一步改进方法：

9、可选地，所述a1步骤，还包括：

10、通过穿戴式采集设备同步获取受试者睡眠过程中的原始混合脑电信号与惯性测量单元产生的三轴加速度信号，所述原始混合脑电信号包含真实脑电成分与运动伪影成分，所述三轴加速度信号包含x轴加速度分量、y轴加速度分量与z轴加速度分量；以惯性测量单元的时间戳序列为基准，对原始混合脑电信号进行时间戳对齐，在原始混合脑电信号与惯性测量单元的采样频率不一致时，通过线性插值对原始混合脑电信号进行重采样以补偿采样时刻偏差，获得与三轴加速度信号在时间轴上严格对应的同步脑电信号；对三轴加速度信号采用滑动窗口均方根方法提取包络特征，所述滑动窗口均方根方法将三个轴向加速度分量的平方和在时间窗口内取算术均值后执行开方运算，生成运动强度序列，所述运动强度序列的计算公式为：

11、；

12、其中，表示时刻的运动强度，表示滑动窗口均方根计算所采用的窗口长度，表示时刻的x轴加速度分量，表示时刻的y轴加速度分量，表示时刻的z轴加速度分量，；所有时刻的运动强度按时间顺序排列构成运动强度序列。

13、可选地，所述a2步骤，还包括：

14、构建睡眠先验驱动的态势隶属度评估引擎，所述睡眠先验驱动的态势隶属度评估引擎由模糊化单元、规则推理单元与去模糊化单元顺序连接构成；

15、所述模糊化单元将时刻的运动强度通过高斯型隶属度函数映射至低运动状态模糊集合、中运动状态模糊集合与高运动状态模糊集合三个模糊集合，所述三个模糊集合中每个模糊集合的隶属度函数中心参数与宽度参数依据清醒期、快速眼动睡眠期、非快速眼动第一阶段、非快速眼动第二阶段与非快速眼动第三阶段共五个睡眠分期各自的运动伪影幅度分布统计特性先验知识进行分期差异化配置，其中分别表示上述五个睡眠分期的标识，分别表示低运动状态模糊集合、中运动状态模糊集合与高运动状态模糊集合的标识，各睡眠分期对应的一组隶属度函数参数独立存储于规则推理单元的先验知识库中；在执行模糊化操作时，依据当前时刻所处的睡眠分期标识从先验知识库中调取对应的一组隶属度函数参数，并以调取的参数配置高斯型隶属度函数；

16、所述规则推理单元依据先验知识库中各睡眠分期对运动强度与伪影程度映射关系的描述，建立以、、 为前件的条件推理规则，共形成条条件推理规则，并采用零阶t-s推理方法计算各条条件推理规则在运动强度处的激活强度，；

17、所述去模糊化单元采用加权质心法，以各条条件推理规则的激活强度为权重、各条条件推理规则的伪影程度后件值为加权对象，计算归一化加权均值，将模糊推理输出转换为连续取值于区间内的动态伪影概率，所述动态伪影概率的计算公式为：

18、；

19、其中，表示时刻的动态伪影概率，表示规则推理单元中条件推理规则的总数量，表示第条条件推理规则在运动强度处的激活强度，表示第条条件推理规则对应的伪影程度后件值，；所有时刻的动态伪影概率 按时间顺序排列构成动态伪影概率序列。

20、可选地，所述a3步骤，还包括：

21、以动态伪影概率序列中时刻的动态伪影概率与步骤a1输出的同步脑电信号中时刻的同步脑电信号作为联合输入，通过跨模态非线性伪影重构器进行调制映射，合成调制映射中间信号；所述跨模态非线性伪影重构器以双曲正切函数为非线性激活核，将同步脑电信号经非线性增益系数缩放后代入双曲正切函数完成非线性变换，并以动态伪影概率作为幅度调制权重对非线性变换结果执行幅度调制，所述调制映射中间信号的合成公式为：

22、；

23、其中，表示时刻的调制映射中间信号，表示非线性增益系数，用于控制双曲正切函数对同步脑电信号的饱和映射程度；为双曲正切函数；当动态伪影概率低于预设最低调制阈值时，将调制映射中间信号置零，以防止低伪影概率时段的背景噪声被引入后续处理流程；

24、对调制映射中间信号施加脑电频段带通滤波，将带通滤波后的结果作为初级参考噪声信号。

25、可选地，所述a4步骤，还包括：

26、以长度为的滑动时间窗口内的同步脑电信号样本序列与初级参考噪声信号样本序列，计算时刻的瞬时互相关度，所述瞬时互相关度的计算公式为：

27、；

28、其中，表示时刻的瞬时互相关度，表示互相关计算所采用的滑动时间窗口长度，表示时刻 的同步脑电信号，表示时刻的初级参考噪声信号，；

29、将瞬时互相关度与初级参考噪声信号 输入记忆型多阶次寻优控制器，所述记忆型多阶次寻优控制器以分数阶参数为控制参数，依据瞬时互相关度绝对值动态生成时变滤波步长，所述时变滤波步长的计算公式为：

30、

31、其中，表示时刻的时变滤波步长，表示时变滤波步长的上限值，表示时刻的瞬时互相关度的绝对值，表示分数阶参数；当低于互相关度下限阈值时，将时变滤波步长设定为最小步长 ，以防止自适应滤波器在低相关度时段出现抽头权重漂移；当超过互相关度上限阈值时，将时变滤波步长设定为上限值，以防止步长过大引发滤波器发散；

32、所述记忆型多阶次寻优控制器以时变滤波步长为驱动参量，依据grünwald-letnikov分数阶微积分定义，将截断阶数为的历史梯度贡献以分数阶二项式系数加权的方式累积至当前时刻的抽头权重更新量中，生成时刻的滤波器抽头权重向量，所述滤波器抽头权重向量的维度等于自适应滤波器的抽头数量。

33、可选地，所述a5步骤，还包括：

34、将时刻 的时变滤波步长与滤波器抽头权重向量动态装载至自适应滤波器；以初级参考噪声信号为参考输入，构造长度为的抽头参考输入向量，其中为自适应滤波器的抽头数量， 表示时刻的初级参考噪声信号，，为矩阵转置；将同步脑电信号与自适应滤波器对抽头参考输入向量的滤波输出相减，得到时刻的实时去除伪影后的睡眠脑电信号，所述滤波相减处理的计算公式为：

35、；

36、以时刻的实时去除伪影后的睡眠脑电信号作为误差反馈信号，触发步骤a4中记忆型多阶次寻优控制器在时刻的抽头权重更新操作，形成从步骤a4至步骤a5再返回步骤a4的闭环自适应迭代结构，使滤波器抽头权重向量在各时刻持续跟踪初级参考噪声信号与同步脑电信号中运动伪影成分之间的时变相关特性；对实时去除伪影后的睡眠脑电信号进行残差伪影校验，在当前时刻的动态伪影概率 超过残差校验阈值 且的高频段能量与总频段能量之比超过高频能量占比阈值时，将时刻标记为残差伪影时刻，并对所述残差伪影时刻的输出信号执行置零抑制处理，以此构成对运动伪影去除结果的多层保障验证机制。

37、与现有技术相比，本发明至少具有以下有益效果：

38、本发明突破了传统脑电伪影去除方法中各处理模块相互割裂的局限，构建了一种深度融合睡眠生理特性的闭环自适应抗干扰架构。该架构并非现有通用滤波算法的简单堆砌，而是将运动态势评估、跨模态特征重构与多阶次寻优控制紧密耦合，形成了一个不可分割的整体方案。具体而言，前端的态势评估引擎为中端的伪影重构提供了关键的概率调制权重，而重构出的高保真参考信号又直接决定了后端寻优控制器的收敛精度；同时，后端的残差校验机制又与前端的动态概率深度联动。各环节环环相扣、互为支撑，共同解决了穿戴式睡眠监测场景下伪影形态多变、模态异构以及非平稳干扰难以彻底消除的行业难题。

39、在运动状态到伪影概率的映射机制上，本发明创新性地引入了睡眠先验驱动的态势隶属度评估引擎。现有技术通常采用静态、统一的标准处理整段睡眠信号，完全忽略了人体在清醒期、快速眼动期及非快速眼动期等不同睡眠阶段下，肌肉张力与运动模式存在的显著生理学差异，导致伪影误判率高。本发明的改进在于，将睡眠分期的先验知识深度嵌入评估引擎的底层逻辑中，针对不同睡眠阶段的运动伪影幅度分布统计特性，对状态边界参数进行差异化的动态配置。这种改进使得系统能够根据受试者当前的睡眠深度，自适应调整对体动扰动的敏感度，从而实现了极其精准的动态伪影概率输出，为后续的跨模态重构提供了高度可靠的先验依据。

40、针对机械运动信号与电学伪影信号之间存在复杂非线性映射的难题，本发明设计了跨模态非线性伪影重构机制。传统的自适应滤波往往直接将惯性传感器采集的线性加速度信号作为参考输入，这种生搬硬套的做法无法真实反映脑电信号中伪影的复杂电学形态，极易导致滤波残差大甚至有用脑电成分被过度消除。本发明的核心改进在于，不再直接使用原始机械信号，而是以前端输出的动态伪影概率为幅度调制枢纽，结合非线性激活核对同步脑电信号进行深度调制映射。这一机制巧妙地将机械维度的运动强度与电学维度的非线性畸变耦合在一起，成功合成出与真实脑电频段及伪影形态高度同源的初级参考噪声信号，从根本上克服了异构模态数据直接对齐导致的参考失效问题。

41、在核心的干扰相消环节，本发明构建了基于记忆型多阶次寻优控制器的闭环自适应迭代结构。常规的自适应滤波器在面对睡眠中突发性、非平稳的体动伪影时，极易出现低相关度下的权重漂移或剧烈运动时的滤波器发散。本发明针对这一痛点进行了双重底层改进：一方面，通过实时计算脑电信号与重构参考信号的瞬时互相关度来动态生成时变滤波步长，赋予了系统在复杂干扰环境下的自免疫保护能力；另一方面，引入长时梯度记忆算子，打破了传统寻优算法无记忆更新的局限，将历史梯度贡献以特定加权方式累积至当前更新中。这种改进使得控制器不仅能敏锐捕捉瞬态伪影的突变，还能维持对长时程非平稳伪影的持续跟踪，大幅提升了极端睡眠体动场景下系统的收敛速度与抗扰鲁棒性。