用于睡眠监测及调节的便携式脑机穿戴设备

本发明涉及智能穿戴设备领域，特别是涉及用于睡眠监测及调节的便携式脑机穿戴设备。

背景技术：

1、睡眠是人类生命中的重要组成部分，它对身体和大脑的健康都非常重要。在睡眠期间，身体会进行许多重要的修复和恢复工作，例如肌肉修复、新陈代谢调整、免疫系统调节、记忆巩固等。此外，睡眠还有助于调节体内荷尔蒙水平，影响情绪和行为。长期缺乏充足的睡眠会导致健康问题，如增加患糖尿病、心血管疾病、肥胖症和精神障碍等疾病的风险。因此，保持健康的睡眠习惯对于身体和大脑的健康非常重要。成年人每晚至少应该睡眠7-8小时。越来越多的人们希望能够了解自己的睡眠状态并在睡眠状态差的时候改善睡眠。

2、睡眠期间，脑部活动发生变化，形成不同的脑电信号特征。通常，大脑会在深睡眠阶段发出较慢的脑电波，而在浅睡眠或清醒状态下，脑电波则会变得更快。通过脑电信号的监测，可以很好地了解人们的睡眠状态以及不同阶段的分布情况。血氧水平与睡眠也有密切关系。睡眠期间呼吸减缓，血氧水平通常会下降。睡眠呼吸暂停综合症、复杂性睡眠呼吸障碍和肺部疾病等情况下，血氧水平下降过多可能导致身体损害和睡眠质量下降。因此，通过同时监测脑电信号和血氧水平，可以更全面地了解人们的睡眠质量和睡眠障碍情况。

3、便携式头环是一种能够监测脑电信号和其他相关数据的设备，通常由多个传感器组成，可安装在头部以收集数据。相较于传统的实验室测量设备，便携式头环具有以下优点：1)便携性：由于便携式头环较小，且需要的硬件设备较少，所以更容易携带和使用。使用者可以在自己的家中或者乡下旅游时使用，避免了到医院或实验室接受检测的不便。2)实时监测：传统的实验室测量设备通常需要在一个较长的时间内进行长期监测，不易及时得到相关数据。而便携式头环可以实时监测，可以在监测过程中更容易地发现和处理问题。3)数据量大：便携式头环可以监测大量的数据，包括脑电信号、生物指标和环境变量等，这些数据可以通过云存储上传到云端，或者通过手机app下载进行分析和处理。4)低成本：传统的实验室测量设备通常成本高昂，因为它需要长期的实验室环境和专业的技术人员进行安装和监测。而便携式头环的价格较低，使用者可以自行使用并收集相关数据。

4、深度学习是一类基于人工神经网络的机器学习算法，它的核心理念是通过多层次的神经元对数据进行学习和处理，从而获得对数据的抽象特征表达，实现对数据的分类、聚类、识别等任务。深度学习模型具有从不同模态数据中提取有用特征信息的能力，可以学习到不同数据模态之间的相关性，发掘彼此之间的内在联系。

技术实现思路

1、本发明所要解决的技术问题是，为克服现有技术的不足，提供一种能够对脑电信号和近红外信号进行采集和数据分析得出人的睡眠状态进而对其进行改善的用于睡眠监测及调节的便携式脑机穿戴设备。

2、本发明所采用的技术方案是：用于睡眠监测及调节的便携式脑机穿戴设备，包括便携式多模态生理信号采集头环和与所述的便携式多模态生理信号采集头环相连的设置在手机端的信号分析软件，所述的便携式多模态生理信号采集头环用于采集使用者的eeg信号和fnirs信号，并将采集到的信号数据通过蓝牙无线传输到手机上的信号分析软件，并可接受软件反馈通过音乐对使用者的睡眠状态进行改善；所述的信号分析软件对接收到的多模态生理信号进行处理、分析，并通过手机实时显示，还可以反馈至头环使得头环可以对使用者的睡眠状态进行改善。

3、所述的便携式多模态生理信号采集头环包括有：依次连接的用于采集eeg信号的电极片及连接装置、用于采集fnirs信号的血氧传感器模块，用于eeg信号放大和转化的生物电信号采集模块、用于控制生物电信号采集模块和血氧传感器模块的esp32处理器和用于传输多模态生理信号的蓝牙电路，以及分别连接生物电信号采集模块、血氧传感器模块和esp32处理器模块的供电电路。

4、所述的电极片以及连接装置被用于采集使用者前额叶区域的eeg信号，该信号通过软排线连接到生物电信号采集模块，以进行有关eeg信号的数据采集和传输；

5、所述的生物电信号采集模块由生物电信号采集芯片构成，所述的生物电信号采集芯片集成了用于接收电极片采集的电压信号的高共模抑制比模拟输入模块、用于进行脑电压信号放大的低噪声可编程增益放大器和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器，所述的生物电信号采集芯片采用差分输入，共模抑制比为110db；

6、所述的血氧传感器模块由集成红外led，可见光led和光电检测器的集成传感器模块组成，所述的集成传感器模块通过光学方式通过皮肤表面进行测量，采用重新定义的红外和可见光宽、高速led技术，可提供极高的信号质量，同时不受运动伪影干扰。它还具有自适应环境照明功能，可以自动调整照射强度以适应不同环境下的使用。

7、所述的蓝牙无线传输电路是通过所述的esp32处理器获得所述生物电信号采集模块的输出eeg信号和所述的血氧传感器模块的输出fnirs信号，并将所述的eeg信号数据和fnirs信号数据向手机端的信号分析软件无线传输。

8、所述的供电电路，输入电压为5v，使用锂电池进行供电，通过电压转化芯片提供系统所需的不同工作电压，还支持通过usb数据线对锂电池进行充电。

9、所述的信号分析软件使用的信号分析方法，所述信号分析方法即为针对睡眠状态监测的基于时频域特征融合的多模态深度学习分析方法，提出针对睡眠状态多模态生理信号监测的多目标跟踪信息共享神经网络mt-isnet，包括依次进行的数据预处理、并行的时域特征提取网络和频域特征提取网络、单模态特征拼接网络和跨模态特征拼接网络和分类器。

10、所述的数据预处理过程为：

11、使用截止频率为0.1-45hz的三阶巴特沃斯带通滤波器处理原始eeg信号；然后对处理后的eeg信号进行降采样由500hz降采样到100hz；再将降采样后的eeg信号分割成30s一段的时间序列片段。

12、对fnirs信号的处理步骤与eeg信号处理步骤类似，只是使用的滤波器的截止频率为0.1-10hz。

13、所述的时域特征提取网络包括依次连接的：

14、1)第一卷积层，所述的第一卷积层的卷积核大小为1*100，共有8个卷积核；

15、2)第一批处理归一化层，对神经元的数值进行归一化，用于加速网络收敛；

16、3)第二卷积层，第二卷积层为深度卷积操作，卷积核大小为30*1，16个卷积核，共两组；

17、4)第二批处理归一化层，对神经元的数值进行归一化，用于加速网络收敛；

18、5)第一最大池化层，池化核大小为1*8，池化步长为1，用于减小数据矩阵的大小；

19、6)第三卷积层，第三卷积层为可分离卷积，卷积核大小为1*16，16个卷积核，同时使用大小为8的填充；

20、7)第二最大池化层，池化核大小为1*8，池化步长为1，用于减小数据矩阵的大小；

21、所述的频域特征提取网络包括依次连接的：

22、8)傅里叶变换层。该层的输入为信号数据，输出为信号的傅里叶变换所得的相位矩阵，该相位矩阵作为频域特征提取网络后续部分的输入；

23、9)一个第三激活函数层，使用elu激活函数；

24、10)第三最大池化层，池化核大小为3*3,，池化步长为2，可以有效减小特征矩阵的尺寸大小；

25、11)第一残差模块；

26、12)第二残差模块；

27、13)第三残差模块；

28、14)第四最大池化层，池化核大小为1*3，池化步长为1，用于减小数据矩阵的大小；

29、所述的频域特征提取网络中的残差模块包括依次连接的：

30、15)第五卷积层，卷积核大小为3*3，卷积核数目为64；

31、16)第六卷积层，卷积核大小为3*3，卷积核数目为64；

32、17)通道注意力模块。通道注意力模块的主要思想是利用另一个神经网络来获得每个通道在特征图中的重要性，并利用重要性来分配权重，使神经网络关注某些特征通道，公式为σ表示sigmoid激活函数，w1和w0是mlp权重，和分别表示平均池化层和最大池化层，池化核大小为1*8，池化步长为1*2；

33、18)空间注意力模块。空间注意力模块为空间信息分配权重，公式为σ表示sigmoid激活函数，和分别表示平均池化层和最大池化层，池化核大小为1*8，池化步长为1*2，fconv是卷积层，卷积核大小为7*7，卷积核为1个，填充为3；

34、所述的单模态特征拼接网络包括依次连接的：

35、19)直接将并行的时域特征网络输出的时域特征和频域特征网络输出的频域特征拼接起来；

36、20)第一线性化层，将拼接后的多维特征线性化为一维；

37、所述的多模态特征拼接网络直接将线性化后的eeg特征和线性化后的fnirs特征拼接起来。

38、所述的分类器使用softmax函数输出对多模态特征的分类概率结果。

39、本发明的用于睡眠监测及调节的便携式脑机穿戴设备，能够实现对eeg脑电信号和fnirs信号的准确获取、有效辨识和正确分类，通过分析使用者的生理信号，得到使用者的睡眠状态，对使用者的睡眠阶段进行分类，以供使用者参考了解自己的睡眠状态，并能调节使用者的睡眠质量。