基于脑电EEG生理信息的睡眠质量判断方法

本发明涉及睡眠质量判断领域，尤其涉及基于脑电eeg生理信息的睡眠质量判断方法。

背景技术：

1、睡眠是人类这一生最重要的行为之一，它对人类健康起着非常重要的作用，睡眠质量的好坏决定了一个人是否能够健康且正常的生活，睡眠质量差会导致白天精神不佳、嗜睡、易怒、或是抑郁等症状，长时间发展并且不注意，随着时间容易诱发睡眠障碍。因此，有效判断易感人群的早期睡眠质量下降，对于睡眠质量变差的亚健康状态人群进行预警和干涉避免长期发展往睡眠障碍方向发展，成为研究的重点。

2、目前，准确有效地划分睡眠分期是判断睡眠质量好坏的重要步骤。美国睡眠医学学会根据脑电eeg生理信息中脑电波的不同频段将睡眠阶段分为六期，包括清醒期(wake,wa)、非快速眼球运动1期(non-rapid eye movement1，nrem1)、非快速眼球运动2期(non-rapid eye movement 2，nrem2)、非快速眼球运动3期(non-rapid eye movement 3，nrem3)、非快速眼球运动4期(non-rapid eye movement 4，nrem4)、快速眼动期(rapid eyemovement，rem)。其中，非快速眼球运动3期和非快速眼球运动4期可合并称为慢波睡眠(slow wave sleep，sws)期。睡眠质量好的成人整夜睡眠中wa期睡眠时间应该少于5％，nrem1期睡眠时间约为2％至5％，nrem2期睡眠时间约为45％至55％，nrem3期睡眠时间约为3％至8％，nrem4期睡眠时间约为10％至15％，nrm期睡眠时间约为20％至25％。这些比例揭示了睡眠状态的交替和睡眠的内部结构，如果各睡眠分期时间所占比发生了显著性变化，则可能意味着睡眠质量的变化。因此，上述比例也为睡眠质量的判断提供了科学依据。

3、然而，现有技术中尚未发现根据睡眠分期进行睡眠质量判断的方法，以达到对于广大亚健康人群进行睡眠质量预警及监控，成为亟待解决的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于脑电eeg生理信息的睡眠质量判断方法，该方法能够有效判断睡眠质量好坏，实现对于广大亚健康人群进行睡眠质量变差进行提前预警及监控。

2、为实现上述目的，本发明采用了如下技术方案：

3、本发明提供的基于脑电eeg生理信息的睡眠质量判断方法，包括以下步骤：

4、步骤1、采集样本数据，对样本数据进行睡眠分期并标注；

5、步骤2、预处理样本数据及确定样本特征；

6、步骤3、通过样本数据训练出至少两个基于不同算法下的候选模型；

7、步骤4、根据性能评估指标按预设标准对各候选模型的效果进行评估，并选择评估效果最佳的候选模型作为最终模型；

8、步骤5、通过最终模型对需要判断的数据按预设标准进行睡眠分期；

9、步骤6、根据步骤5的睡眠分期按预设标准来获得睡眠质量指标，并将睡眠质量指标与正常指标进行对比，判断是否睡眠质量下降。

10、进一步地，在步骤1中，包括采集脑电eeg生理信息数据作为样本数据，以及，将样本数据按预设的时间长度进行分段并按照预设的睡眠分期规则分别对各段样本数据标注相应的睡眠阶段标签。

11、进一步地，所述预设的时间长度为20～40s。

12、进一步地，步骤2具体包括：

13、步骤2.1、从样本数据中提取多个样本特征，并按照预设标准筛选出若干个特征作为选定特征；

14、步骤2.2、将样本数据中的特征值进行归一化算法处理，把特征值归一化到[0,1]范围内。

15、进一步地，在步骤2.1中，从样本数据中提取的样本特征包括各段样本数据中不同频段的均值、方差、绝对功率、相对功率、中心频率、绝对中心频率、相对中心频率、偏度、峰度、hjorth参数的活动性、移动性、复杂性，以及全频段的香农熵、谱熵、柯尔莫哥洛夫熵、近似熵、最大李雅普诺夫指数、c0复杂度、关联维数、排列熵、kolmogorov复杂度，并通过最大互信息系数计算方法筛选出取互信息值最大的前n个样本特征作为选定特征，以及，通过穷举法获得各候选模型下不同n值与acc值的组合，并计算性能评价函数选取performance值最大时的n值作为最终的选定特征的数量，其中，n代表选定特征的数量，n代表样本特征的总数量，w1和w2均是预先设定的权重系数，并且w1+w2＝1,w1<1,w2<1，所述acc代表分类准确率，即候选模型的分类结果是正确的数量占所有分类结果的比例。

16、进一步地，在步骤4中，所述性能评估指标包括acc、tpr、fpr、precision、f-measure，选择上述任意一个性能评估指标按预设标准来对各候选模型的效果进行评估，并按预设标准选择评估效果最佳的候选模型作为最终模型；其中，所述acc指分类准确率；所述tpr指预测对的正样本总数占所有正样本总数的比例，即召回率recall，所述正样本是指通过候选模型对各段样本数据进行分类所获得的结果与步骤1中标注的睡眠阶段标签一致的样本；所述fpr指预测错的正样本占全体正样本的比例；所述precision指预测对的正样本总数占预测的正样本总数的比例；所述f-mearsure指综合评价指标，该f-mearsure＝(2×precision×recall)/(precision+recall)。

17、进一步地，在步骤5中的所述预设标准为按照r&k睡眠分期规则或美国睡眠医学学会制定的分期规则将样本数据进行睡眠分期；在步骤6中，所述睡眠质量指标包括卧床时间tib、总睡眠时间tst、睡眠效率、睡眠潜伏期时间sws、深睡眠比例，其中，所述卧床时间tib为一个完整的脑电eeg生理信息数据样本的总时长，所述总睡眠时间tst为非快速眼球运动1期、非快速眼球运动2期、非快速眼球运动3期、非快速眼球运动4期、快速眼动期五个睡眠阶段加起来的总时长，所述睡眠效率为总睡眠时间tst与卧床时间tib之比，所述睡眠潜伏期时间sws为清醒期的时长，所述深睡眠比例为睡眠潜伏期时间sws与总睡眠时间tst之比，当任一上述睡眠质量指标不在正常指标区间范围时则会被判断为睡眠质量下降。

18、进一步地，在步骤3中，所述不同算法包括基于概率图模型的贝叶斯网络、基于统计学习理论的支持向量机、基于信息熵理论的决策树、基于集成学习方法的随机森林、基于逻辑回归的多层感知器以及深度神经网络、卷积神经网络。

19、进一步地，确定最终的选定特征的数量的具体步骤为：

20、首先列举出所有n值，通过基于各n值下的不同候选模型对样本数据进行睡眠分期并获得分类结果，并将候选模型的睡眠分期结果与步骤1中标注的睡眠阶段标签进行对照从而获知睡眠分期结果正确与否，然后计算睡眠分期结果是正确的数量占所有睡眠分期结果的比例以求得acc值，从而穷举出各候选模型下与不同n值相对应的acc值的组合，最后依次将各n值及相应的acc值代入性能评价函数中进行计算，选取performance值为最大值时的n值作为最终的选定特征的数量。

21、由于采用了上述方法，本发明具有的有益效果如下：

22、本发明通过样本数据训练出至少两个候选模型，并运用其中效果最佳的最终模型来对需要判断的数据进行睡眠分期，并根据睡眠分期结果获得睡眠质量指标，最后将睡眠质量指标与正常指标进行对比，从而判断睡眠质量的好坏，有效地判断易感人群是否存在睡眠质量下降，及时地对广大亚健康人群进行睡眠质量变差进行提前预警及监控。

23、通过以下的描述并结合附图，本发明将变得更加清晰，这些附图用于解释本发明的实施例。