一种睡眠状态脑电特征信号特征集的构建方法与流程

1.本发明属于信息技术领域，具体涉及一种睡眠状态脑电特征信号特征集的构建方法。


背景技术：

2.人类每天大约有八个小时用于睡眠，良好的睡眠质量可以让人精力充沛。但随着科学技术和社会经济的快速发展，工作、学习和生活的压力逐渐增大使得越来越多的人处于不健康的睡眠状态。医学研究表明，偶尔失眠会造成第二天疲倦和动作不协调，长期失眠则会带来注意力不能集中、记忆出现障碍和工作力不从心等后果。
3.睡眠分期对于睡眠病症的治疗有着关键作用，现有的准确度较高的睡眠分期方法是基于脑电波信号的复杂度和近似熵，利用支持向量机实现了睡眠的自动分期，准确率达到了85.67％，但该方法存在计算速度慢的缺点，且对nrem1的分类准确率低，通常在40％左右。睡眠分期准确度很大程度上受到特征集的影响，特征集的构建至关重要。


技术实现要素：

4.本发明的目的是针对睡眠分期中，脑电特征集难以构建的问题，提供一种基于能量，时域、频域、非线性动力学域的特征集构建方法。
5.本发明方法如下：
6.步骤(1)实时探测脑电波信号，对fpz
–
cz脑电波信号进行采集；
7.步骤(2)利用小波阈值去噪法对采集的原始脑电波信号进行去噪；
8.步骤(3)利用小波包变换法，依次得到六个波段的脑电波信号：δ波段，0.5
‑
2hz；st波段，2
‑
6hz；θ波段，4
‑
8hz；α波段，8
‑
13hz；σ波段，12
‑
14hz；β波段，12
‑
30hz；
9.步骤(4)对去噪后脑电波信号序列进行分解、重构，得到各波段原始脑电波信号幅值；
10.步骤(5)提取六个分波段脑电波信号的能量特征，计算能量比特征值，包括α波段与θ波段的能量比值，以及δ波段与θ波段的能量比值；
11.步骤(6)提取脑电波信号的时域特征，包括原始脑电波信号时域特征和分波段脑电波信号时域特征；
12.原始脑电波信号时域特征包括：幅值平均值，幅值绝对值平均值，幅值均方根，幅值方差，hjorth迁移率，hjorth复杂度，标准三次方偏度，标准四次方偏度，幅值中位数，幅值峰峰值；分波段脑电波信号时域特征即幅值标准差特征；
13.步骤(7)提取脑电波信号的频域特征，包括原始脑电波信号频域特征和分波段脑电波信号频域特征；计算功率比特征值，包括：α波段与θ波段的功率比值，以及δ波段与θ波段的功率比值；
14.步骤(8)提取脑电波信号的非线性动力学特征，对六个波段的原始脑电波信号分别提取谱熵和熵，从去噪脑电波信号提取模糊熵、样本熵、多尺度熵；
15.步骤(9)将去噪脑电波信号序列转换为有限符号序列，计算lempel
‑
ziv复杂度特征；
16.步骤(10)采用最小冗余最大相关性算法对步骤(5)～(9)得到的所有特征进行筛选，选择有效特征，构建睡眠状态脑电特征信号特征集。
17.本发明方法基于能量、时域、频域、非线性动力学领域对脑电特征进行提取，提出了一种新的特征构建方法，相较目前根据脑电波信号的复杂度和近似熵进行分类的算法，涵盖的领域更多，更全面。本发明方法采用最大相关最小冗余算法，对特征集进行筛选，得到特征之间冗余度尽可能小的特征集，从而完成特征集构建。本发明方法在特征集的构建过程中，不仅采用去噪脑电波信号，还采用分波段脑电波信号，使得特征更加丰富。
具体实施方式
18.以下结合具体实施例对本发明加以详细说明。
19.一种睡眠状态脑电特征信号特征集的构建方法，具体如下：
20.步骤(1)实时探测脑电波信号，采用单通道脑电采集设备，对fpz
‑
cz脑电波信号进行采集。从鼻根向后10％处为fpz(额极中线)，从fpz向后每20％为一个电极的位置，依次为fz(额中线)、cz(中央中线)、pz(项中线)及0z(枕中线)。本实施例搜集了国际公开的标准睡眠脑电数据库sleep
‑
edf中，8位健康年龄在18～35周岁的健康志愿者在夜间睡眠期间的脑电波信号数据。
21.步骤(2)利用小波阈值去噪法对采集的原始脑电波信号进行去噪：
22.将所有的脑电波信号数据以30s为一个周期进行划分，由于采样频率是100hz，则一个周期包含3000个数据。一段原始脑电波信号表达为：表示第n个原始脑电波信号幅值，n＝1，2，
…
，n，n表示原始脑电波信号包含的幅值数量，n＝3000。
23.采用db8小波基，即一种有限长会衰减的小波基函数，记为将原始脑电波信号用一组正交的不同频率的小波基进行展开，得到db8小波基对应的小波系数其中，τ为平移量，尺度a控制小波函数的伸缩，与小波的频率成反比。
24.采用软阈值法对分解后的小波系数进行如下处理：
25.设定噪声阈值thr＝0.04，即小于噪声阈值thr的小波系数置为0；符号函数根据处理后的小波系数wt8′
(a，τ)与小波基中的尺度a和平移量τ，对原始脑电波信号进行重构，去完噪后的原始脑电波信号的第n个幅值
26.步骤(3)利用小波包变换法，依次得到六个波段的脑电波信号：δ波段，0.5
‑
2hz；st
波段，2
‑
6hz；θ波段，4
‑
8hz；α波段，8
‑
13hz；σ波段，12
‑
14hz；β波段，12
‑
30hz。
27.步骤(4)对去完噪后的脑电波信号序列x＝{x1，x2，
…
，x
3000
}，采用db4小波基函数按照二叉树方法进行w层分解，对于第w层的第μ个节点(w，μ)对应的db4小波基函数记为w＝1，2，
…
，w，μ＝1，2，
…
，2
w
；x
n
表示表示第n个去噪后的脑电波信号幅值，n＝1，2，
…
，3000。
28.不同的节点中包含不同的尺度a与平移量τ，故对于节点(w，μ)得到不同的小波系数
29.对于六个波段的脑电波信号，选择二叉树中对应节点组合u
i
，i∈(δ，st，θ，α，σ，β)，将u
i
内包含的小波系数与小波基进行重构，重构表达式为：x
ij
表示i波段的脑电波信号第j个幅值，j＝1，2，
…
，j，j为该波段的脑电波信号包含的幅值数量，j＝n＝3000。j与n一一对应，长度相等，即j＝n＝1，2，
…
，3000。
30.步骤(5)提取六个分波段脑电波信号的能量特征i∈(δ，st，θ，α，σ，β)。
31.计算能量比特征值，包括：α波段与θ波段的能量比值以及δ波段与θ波段的能量比值
32.步骤(6)提取脑电波信号的时域特征，包括原始脑电波信号时域特征和分波段脑电波信号时域特征；
33.原始脑电波信号时域特征包括：幅值平均值幅值绝对值平均值幅值均方根幅值方差为原始脑电波信号的平均幅值；hjorth迁移率hjorth复杂度标准三次方偏度标准四次方偏度幅值中位数median(x)；幅值峰峰值x
ppk
＝max(x)
‑
min(x)；
34.分波段脑电波信号时域特征即幅值标准差特征其中为i波段的脑电波信号的平均幅值。
35.步骤(7)提取脑电波信号的频域特征，包括原始脑电波信号频域特征和分波段脑电波信号频域特征；
36.原始脑电波信号频域特征即原始脑电波信号平均频率p
k
和f
k
分别为原始脑电波信号功率谱上的第k个采样点的功率密度值和频率值，k＝1，2，
…
，k，k为原始脑电波功率谱上的采样点总个数，功率谱中频率与功率一一对应。采用matlab2019的功率谱密度函数，对于一段为3000个数据的时序数据，经过变换后k＝2049。
37.分波段脑电波信号频域特征i∈(δ，st，θ，α，σ，β)；p
ik
为i波段的脑电波信号第k个采样点的功率密度；
38.计算功率比特征值，包括：α波段与θ波段的功率比值以及δ波段与θ波段的功率比值
39.步骤(8)提取脑电波信号的非线性动力学特征，对六个波段的原始脑电波信号分别提取谱熵se和熵re，从去噪脑电波信号提取模糊熵、样本熵、多尺度熵，具体是：
40.a.谱熵是一种度量信号功率不规则性的方法，描述了系统的复杂性，广泛用于电生理信号的分析，谱熵e为自然常数，约为2.71828，i∈(δ，st，θ，α，σ，β)。
41.b.熵是一种描述系统复杂度的非线性方法，广泛用于分析电生理信号，熵i∈(δ，st，θ，α，σ，β)。
42.c.样本熵：
43.定义一段χ＝2维数序列，序列由去噪脑电波信号的第n到第n
‑
1个幅值组成，去噪后的脑电波信号的2维第n个幅值x
χ
(n)＝{x
n
，x
n 1
}，1≤n≤2999；定义序列中各元素之间的距离1≤n
′
≤2998且n
′
≠n；
44.对于给定的x2(n)，统计d2(n，n
′
)小于阈值r的数目b
n
；再将序列维数增加到3，对于给定的x3(n)，统计d3(n，n
′
)小于阈值r的数目c
n
，则样本熵中间变量
45.阈值取r＝0.2std(x)，std(x)表示一个周期内去噪脑电波信号幅值的标准差。
46.d.模糊熵：
47.模糊熵也是衡量新模式产生的概率大小，对于2维序列中各元素之间的距离d2(n，
n
′
)，其模糊隶属度则去噪脑电序列的模糊熵其中间变量
48.e.多尺度熵：
49.设定多尺度熵的尺度因子ρ，将去噪脑电波信号分解为ρ个不相互覆盖的熵序列，对每一个等长的序列求平均值，将平均值组合，本实施例中ρ＝11。尺度因子为ρ的熵序列y的第h个元素1≤h≤272。对该尺度下的每个序列计算样本熵，则多尺度熵
50.步骤(9)将去噪脑电波信号序列x＝{x1，x2，
…
，x
3000
}转换为有限符号序列，即转换为具有阈值t
d
的二进值序列z＝{z1，z2，
…
，z
3000
}，其中计算lempel
‑
ziv复杂度特征，具体方法是：
51.(9
‑
1)设一个新的序列s＝z1，q和sq为空序列，模式数初始值c＝1；
52.(9
‑
2)从二进值序列z＝{z1，z2，
…
，z
n
}的第二个元素开始，每次取一个元素，将第l个元素zl接连到序列q的尾部，l＝2，3，
…
，3000，再将q接连到序列s的尾部，记为新的序列sq，将sq的第1到倒数第二个元素记为序列sq
v
；
53.(9
‑
3)查找q是否为sq
v
的子串：如果是，则模式数c＝c 1，并将q置为空序列，s＝sq；否则返回(9
‑
2)；
54.(9
‑
4)遍历二进值序列z中所有的元素，lempel
‑
ziv复杂度特征
55.步骤(10)采用最小冗余最大相关性(mrmr)算法对步骤(5)～(9)得到的所有特征进行筛选，选择有效特征，构建睡眠状态脑电特征信号特征集：
56.所有的脑电数据，按照每3000个数据为一个周期，可以划分为8160个周期，每一个周期对应一个指标，则每个特征集序列的长度t＝8160。对于长度相等的任意两个特征序列f
s
＝{f
s1
，f
s2
，
…
，f
st
}和f
s
′
＝{f
s
′1，f
s
′2，
…
，f
s
′
t
}之间的互信息t，t
′
＝1，2，
…
，8160且t≠t
′
；其中，f
st
表示特征集序列f
s
中的第t个元素，f
s
′
t
′
表示特征集序列f
s
′
第t
′
个元素，p(f
s
＝f
st
)、p(f
s
′
＝f
s
′
t
′
)和p(f
s
＝f
st
，f
s
′
＝f
s
′
t
′
)为概率密度函数。
57.由于特征与睡眠分期的输出量(睡眠状态)之间有一一对应关系，故输出序列长度与特征序列相等。所有的特征序列所构成的特征集f中的每个特征序列的miq值
f
s
≠f
s
′
，输出序列g＝{g1，g2，
…
，g
8160
}，|f|为f中的总特征数，共计51个特征，即|f|＝51。
58.计算特征集f与输出序列g之间的相关性和特征集f中的冗余度
59.对于单个特征集序列f
s
，其与输出序列之间的相关性d(f，g)＝i(f
s
，g)，与其他特征之间的冗余度f
s
≠f
s
′
。
60.该算法的具体流程如下：
61.(10
‑
1)从f中将与输出序列相关度最大的特征加入到集合fg中，fg最开始是空集；
62.(10
‑
2)在f和fg的补集fc中寻找满足d(f
s
，g)≠0且r(f
s
)＝0的特征：如果存在这样的特征，则将这些特征中具有最大相关性的特征添加到集合fg中；否则在fc中选择满足d(f
s
，g)≠0且r(f
s
)＝0，并且miq值最大的特征添加到集合fg中；
63.(10
‑
3)重复操作(10
‑
2)，直到fc中所有特征的冗余度均不为0；
64.(10
‑
4)在fc中寻找满足d(f
s
，g)≠0且r(f
s
)＝0，并且miq值最大的特征添加到集合fg中，直到fc中所有特征的相关性为0；
65.(10
‑
5)将fc中相关性为0的特征以随机的顺序添加到fg中。
66.每当需要添加特征时，后添加的排在先添加的后面，从而完成排序。
67.从排在第一的特征开始，每次增加一个特征作为分类器的输入，从而用于分类器的训练与测试。本实施例采用matlab2019b中的支持向量机训练工具进行训练，采用10折交叉验证的方法，得到模型对测试集的准确度，可以绘制得到准确度随特征个数变化的曲线，准确度先快速增加，经过一个拐点后趋于平缓，曲线拐点处对应的特征个数即为最佳个数，此时对应的特征集作为最终特征集，从而完成特征集的构建。