本發(fā)明涉及睡眠分析(profiling)。特別地，本發(fā)明涉及一種睡眠分析方法，其使用計(jì)算高效的、代表性的特征的自動(dòng)映射和生成來(lái)提供例如用于基于家庭的睡眠監(jiān)測(cè)的魯棒(robust)平臺(tái)。
背景技術(shù)：
：睡眠在人的整體健康和幸福中起著重要的作用。研究表明，良好的睡眠使人的心臟更健康，減輕壓力和炎癥，增強(qiáng)記憶力，甚至預(yù)防癌癥。在2007年，美國(guó)睡眠醫(yī)學(xué)會(huì)(aasm)基于以關(guān)鍵開(kāi)發(fā)人員allanrechtschaffen和anthonykales命名的r&k得分制定了睡眠相關(guān)現(xiàn)象術(shù)語(yǔ)和評(píng)分規(guī)則的新指南。根據(jù)aasm，睡眠周期的不同階段包括快速眼動(dòng)(rem)睡眠(階段r，對(duì)應(yīng)于r&k規(guī)則中的rem)和非快速眼動(dòng)睡眠(nrem)。nrem睡眠可以進(jìn)一步分為階段n1、n2和n3(分別對(duì)應(yīng)于r&k規(guī)則的s1、s2和s3+s4)。n3也稱為慢波睡眠(sws)并且是最深的睡眠階段。所有睡眠階段和喚醒狀態(tài)106、108、110、112、114、116可以被確定并顯示在睡眠圖中，睡眠圖是表示隨時(shí)間104變化的睡眠階段102的多導(dǎo)睡眠描記的一種形式，如圖1中所示。傳統(tǒng)上，睡眠監(jiān)測(cè)僅在專業(yè)睡眠實(shí)驗(yàn)室中使用記錄腦電圖(eeg)、眼電圖(eog)和肌電圖(emg)的多導(dǎo)睡眠描記(psg)設(shè)備進(jìn)行。使用來(lái)自多個(gè)傳感器的記錄，受過(guò)訓(xùn)練的專家根據(jù)aasm評(píng)分系統(tǒng)手動(dòng)注釋睡眠階段。這種設(shè)置的高成本限制了睡眠研究的應(yīng)用。然而，近年來(lái)，輕量級(jí)eeg傳感器(例如eeg頭帶)的發(fā)展已使基于家庭的睡眠監(jiān)視系統(tǒng)成為可能?；趩蝹€(gè)eeg通道的自動(dòng)睡眠評(píng)分(分階段)的方法在這樣的系統(tǒng)中起重要作用。手動(dòng)睡眠評(píng)分過(guò)程基于30秒的連續(xù)時(shí)期。睡眠專家測(cè)量波形的頻率和幅度并且應(yīng)用為睡眠階段評(píng)分的標(biāo)準(zhǔn)規(guī)范。有若干規(guī)則要遵循：1)eeg讀數(shù)優(yōu)先于eog和emg數(shù)據(jù)；2)必須考慮睡眠結(jié)構(gòu)；3)在單個(gè)時(shí)期期間共同存在2個(gè)或以上階段時(shí)將應(yīng)用多數(shù)規(guī)則；以及4)在評(píng)分過(guò)程期間將考慮患者特定因素。開(kāi)發(fā)自動(dòng)化睡眠分階段過(guò)程的方法需要考慮以上因素/規(guī)則。盡管可以從eeg信號(hào)提取許多特征以便用于睡眠分階段，但是一些顯示與睡眠階段幾乎沒(méi)有相關(guān)性，而其他是冗余的。還需要高階計(jì)算能力來(lái)防止實(shí)時(shí)處理。尚未提出用于精確睡眠階段檢測(cè)的一組計(jì)算高效的、代表性的特征。此外，睡眠圖作為專業(yè)人員分析睡眠模式的工具為外行人理解他或她的睡眠狀況提供了較不直觀的信息。已報(bào)道基于來(lái)自單個(gè)通道的eeg數(shù)據(jù)的自動(dòng)睡眠分階段的各種方法。一種方法通過(guò)用于自回歸隱馬爾可夫模型(hmm)的單個(gè)eeg的平均頻率特征檢測(cè)人的喚醒狀態(tài)，該方法實(shí)現(xiàn)了70％的醒睡檢測(cè)率。另一種方法使用更多的特征(包括頻譜熵，自回歸參數(shù)和復(fù)雜度隨機(jī)測(cè)量)來(lái)建立用于睡眠分階段的hmm模型。該方法適用于預(yù)測(cè)睡眠階段n3和n4，但是無(wú)法在喚醒、n1和n2階段之間進(jìn)行準(zhǔn)確區(qū)分。第三種方法教導(dǎo)通過(guò)應(yīng)用卡爾曼濾波器和hmm使用eeg建模，測(cè)試集中的一致率報(bào)道為60.14％。最后的方法提出高斯觀測(cè)hmm以檢測(cè)睡眠階段，并且實(shí)現(xiàn)74.6％的總體一致性，喚醒的準(zhǔn)確性為86％，但階段n1僅為22％。報(bào)告評(píng)價(jià)了家庭睡眠評(píng)分系統(tǒng)的睡眠分階段準(zhǔn)確性并且發(fā)現(xiàn)系統(tǒng)顯示出與標(biāo)準(zhǔn)測(cè)量值的偏差，尤其在喚醒到n1過(guò)渡階段，并且得出結(jié)論認(rèn)為可靠的基于家庭的睡眠評(píng)分系統(tǒng)尚未達(dá)到。因此，需要的是用于基于家庭的睡眠監(jiān)測(cè)系統(tǒng)的更直觀和信息豐富的睡眠分析方法。此外，其他期望的特征和特性將從結(jié)合本公開(kāi)的附圖和該背景進(jìn)行的隨后的詳細(xì)描述變得明顯。技術(shù)實(shí)現(xiàn)要素：根據(jù)具體實(shí)施方式，提供了一種用于分析個(gè)體的睡眠的方法。所述方法包括限定個(gè)體的睡眠特征空間，在個(gè)體的睡眠期間測(cè)量個(gè)體的腦波，以及響應(yīng)所述腦波和用于限定所述睡眠特征空間的先前腦波測(cè)量的比較來(lái)映射所述睡眠特征空間。所述腦波可以包括腦波譜。所述睡眠特征空間可以包括頻譜功率和包絡(luò)特征或由其組成。所述方法也包括響應(yīng)識(shí)別的神經(jīng)網(wǎng)絡(luò)模式對(duì)映射的睡眠特征空間進(jìn)行建模，所述識(shí)別的神經(jīng)網(wǎng)絡(luò)模式與從睡眠特征空間識(shí)別神經(jīng)網(wǎng)絡(luò)模式而導(dǎo)出的多個(gè)睡眠階段的每一個(gè)相對(duì)應(yīng)，以及從響應(yīng)建模的映射睡眠特征空間和個(gè)體的腦波確定的睡眠階段導(dǎo)出個(gè)體的睡眠狀況。另外，提供了一種用于對(duì)個(gè)體的睡眠狀況進(jìn)行建模的方法。所述方法包括測(cè)量個(gè)體的腦波并且提取腦波的預(yù)定數(shù)量的頻譜功率比。所述方法也包括處理所述預(yù)定數(shù)量的頻譜功率比以提取腦波的頻譜包絡(luò)特征并且提取腦波的高斯參數(shù)，以形成用于分析個(gè)體的睡眠的睡眠特征空間。根據(jù)具體實(shí)施方式，提供了一種用于分析個(gè)體的睡眠的方法。所述方法包括限定個(gè)體的睡眠特征空間，在個(gè)體的睡眠期間測(cè)量個(gè)體的腦波并且生成表示測(cè)量的腦波的第二睡眠特征空間，以及通過(guò)比較所述腦波和用于限定所述第一睡眠特征空間的先前的腦波測(cè)量將所述第二睡眠特征空間映射到所述第一睡眠特征空間。所述腦波可以包括腦波。所述睡眠特征空間可以包括頻譜功率和包絡(luò)測(cè)量或由其組成。由個(gè)體的頻譜功率和包絡(luò)特征組成的睡眠特征空間是第一睡眠特征空間。映射的睡眠空間和/或另外的睡眠特征空間是第二睡眠特征空間。所述方法也包括使用對(duì)應(yīng)于多個(gè)睡眠階段的每一個(gè)的識(shí)別的神經(jīng)網(wǎng)絡(luò)模式對(duì)所述第一睡眠特征空間進(jìn)行建模，以及通過(guò)將建模的睡眠特征空間應(yīng)用到映射的睡眠特征空間從睡眠階段導(dǎo)出個(gè)體的睡眠狀況。根據(jù)具體實(shí)施方式，提供了一種用于分析個(gè)體的睡眠的方法。所述方法包括限定個(gè)體的睡眠特征空間，在個(gè)體的睡眠期間測(cè)量個(gè)體的腦波，以及將從腦波測(cè)量獲得的另一睡眠特征空間的特征映射到頻譜功率和包絡(luò)特征。所述腦波可以包括腦波譜。所述睡眠特征空間可以包括頻譜功率和包絡(luò)測(cè)量或由其組成。所述方法也包括響應(yīng)識(shí)別的神經(jīng)網(wǎng)絡(luò)模式對(duì)映射的睡眠特征進(jìn)行建模，所述識(shí)別的神經(jīng)網(wǎng)絡(luò)模式與從睡眠特征空間識(shí)別神經(jīng)網(wǎng)絡(luò)模式而導(dǎo)出的多個(gè)睡眠階段的每一個(gè)相對(duì)應(yīng)，以及從響應(yīng)建模的映射睡眠特征空間和個(gè)體的腦波確定的睡眠階段導(dǎo)出個(gè)體的睡眠狀況。根據(jù)具體實(shí)施方式，提供了一種用于分析個(gè)體的睡眠的方法。所述方法包括限定個(gè)體的睡眠特征空間，在個(gè)體的睡眠期間測(cè)量個(gè)體的腦波，以及響應(yīng)所述腦波和用于限定所述睡眠特征空間的先前腦波測(cè)量的比較來(lái)映射所述睡眠特征空間。所述腦波可以包括腦波。所述睡眠特征空間可以包括頻譜功率和包絡(luò)測(cè)量或由其組成。所述方法也包括響應(yīng)識(shí)別的神經(jīng)網(wǎng)絡(luò)模式對(duì)映射的睡眠特征空間進(jìn)行建模，所述識(shí)別的神經(jīng)網(wǎng)絡(luò)模式與從睡眠特征空間識(shí)別神經(jīng)網(wǎng)絡(luò)模式而導(dǎo)出的多個(gè)睡眠階段的每一個(gè)相對(duì)應(yīng)，以及從響應(yīng)建模的映射睡眠特征空間和個(gè)體的腦波確定的睡眠階段導(dǎo)出個(gè)體的睡眠狀況。附圖說(shuō)明附圖用于說(shuō)明各種實(shí)施例并且解釋根據(jù)本實(shí)施例的各種原理和優(yōu)點(diǎn)，其中相似的附圖標(biāo)記在不同視圖中始終表示相同或功能相似的元件，并且與下面的具體實(shí)施方式一起包含在說(shuō)明書(shū)中并且形成說(shuō)明書(shū)的一部分。圖1描繪了睡眠圖的示例，示出了睡眠周期中的睡眠階段。圖2a和2b描繪了根據(jù)本公開(kāi)的用于分析睡眠的方法的流程圖的示例。圖3描繪了根據(jù)本公開(kāi)的睡眠分析系統(tǒng)的工作流程的示例。圖4描繪了根據(jù)本公開(kāi)的用于睡眠階段預(yù)測(cè)的模式識(shí)別神經(jīng)網(wǎng)絡(luò)的示例。圖5描繪了來(lái)自受試者的eeg信號(hào)和手動(dòng)標(biāo)記的睡眠階段的示例。圖6描繪了根據(jù)本公開(kāi)的特征的統(tǒng)計(jì)測(cè)試的示例。y軸代表-log(p值)。x軸代表從eeg信號(hào)提取的42個(gè)特征。平行于x軸的線代表兩個(gè)組之間的統(tǒng)計(jì)差異的閾值。圖7描繪了根據(jù)本實(shí)施例的模式識(shí)別網(wǎng)絡(luò)中的訓(xùn)練、驗(yàn)證和測(cè)試的混淆表的示例。熟練技術(shù)人員將領(lǐng)會(huì)，圖中的要素為了簡(jiǎn)單和清楚被示出并且未必按比例繪制。例如，圖示、框圖或流程圖中的一些要素的尺寸可以相對(duì)于其他要素被放大以幫助改善本實(shí)施例的理解。具體實(shí)施方式以下詳細(xì)描述本質(zhì)上僅僅是示例性的，并且不旨在限制本發(fā)明或本發(fā)明的應(yīng)用和用途。此外，不希望受到在本發(fā)明的前述背景或以下詳細(xì)描述中呈現(xiàn)的任何理論的約束。在本文中，根據(jù)具有更直觀和信息豐富的睡眠分析呈現(xiàn)的優(yōu)點(diǎn)的本實(shí)施例呈現(xiàn)用于分析個(gè)體的睡眠的方法，所述優(yōu)點(diǎn)對(duì)于基于家庭的睡眠監(jiān)測(cè)是重要的。圖2a示出了流程圖，示出了根據(jù)本發(fā)明的實(shí)施例的用于分析個(gè)體的睡眠的方法200。方法200可以由聯(lián)接到一個(gè)或多個(gè)數(shù)據(jù)庫(kù)的計(jì)算機(jī)執(zhí)行。該方法可以包括裝置之間的通信，例如使用與計(jì)算裝置和數(shù)據(jù)庫(kù)連接的eeg裝置(例如eeg監(jiān)視器，頭帶或帽)獲取的eeg，在所述數(shù)據(jù)庫(kù)中存儲(chǔ)由eeg裝置進(jìn)行的測(cè)量。計(jì)算裝置、數(shù)據(jù)庫(kù)和eeg裝置之間的通信可以使用硬連線部件或無(wú)線地執(zhí)行。方法200大體上包括：步驟202：限定個(gè)體的睡眠特征空間；步驟204：在個(gè)體的睡眠期間測(cè)量個(gè)體的腦波譜；步驟206：響應(yīng)腦波譜和用于限定睡眠特征空間的先前腦波譜測(cè)量的比較來(lái)映射睡眠特征空間；步驟208：響應(yīng)識(shí)別的神經(jīng)網(wǎng)絡(luò)模式對(duì)映射的睡眠特征空間進(jìn)行建模，所述識(shí)別的神經(jīng)網(wǎng)絡(luò)模式與從睡眠特征空間識(shí)別神經(jīng)網(wǎng)絡(luò)模式而導(dǎo)出的多個(gè)睡眠階段的每一個(gè)相對(duì)應(yīng)；以及步驟210：從響應(yīng)建模的映射睡眠特征空間和個(gè)體的腦波譜確定的睡眠階段導(dǎo)出個(gè)體的睡眠狀況。圖2b示出了流程圖，示出了根據(jù)本發(fā)明的實(shí)施例的用于分析個(gè)體的睡眠的方法200。方法200可以由聯(lián)接到一個(gè)或多個(gè)數(shù)據(jù)庫(kù)的計(jì)算機(jī)執(zhí)行。該方法可以包括裝置之間的通信，例如使用與計(jì)算裝置和數(shù)據(jù)庫(kù)連接的eeg裝置(例如eeg監(jiān)視器，頭帶或帽)獲取的eeg，在所述數(shù)據(jù)庫(kù)中存儲(chǔ)由eeg裝置進(jìn)行的測(cè)量。計(jì)算裝置、數(shù)據(jù)庫(kù)和eeg裝置之間的通信可以使用硬連線部件或無(wú)線地執(zhí)行。方法200大體上包括：步驟202：測(cè)量個(gè)體的睡眠期間的腦波；步驟204：從腦波信號(hào)生成頻譜功率和包絡(luò)特征以用于睡眠建模；步驟206：通過(guò)使從不同設(shè)置獲取的特征適應(yīng)于在先前測(cè)量中獲取的用于建模的特征來(lái)映射睡眠特征空間。步驟208：響應(yīng)識(shí)別的神經(jīng)網(wǎng)絡(luò)模式對(duì)映射的睡眠特征空間進(jìn)行建模，所述識(shí)別的神經(jīng)網(wǎng)絡(luò)模式與從睡眠特征空間識(shí)別神經(jīng)網(wǎng)絡(luò)模式而導(dǎo)出的多個(gè)睡眠階段的每一個(gè)相對(duì)應(yīng)；以及步驟210：從響應(yīng)建模的映射睡眠特征空間和個(gè)體的腦波譜確定的睡眠階段導(dǎo)出個(gè)體的睡眠狀況。步驟202包括測(cè)量個(gè)體的腦波?？梢酝ㄟ^(guò)獲取個(gè)體的腦電圖來(lái)測(cè)量腦波譜。在一個(gè)示例中，在睡眠實(shí)驗(yàn)室中使用帽式eeg傳感器獲得eeg，如圖3的332所示。在另一示例中，在個(gè)體的睡眠正被分析的時(shí)段期間，使用頭帶式eeg傳感器獲得eeg，如圖3的302所示。步驟204包括基于訓(xùn)練數(shù)據(jù)(例如可以在分析睡眠之前獲得的帽式eeg數(shù)據(jù))生成睡眠特征空間。在一個(gè)示例中，該步驟作為智能分階段(istaging)特征生成進(jìn)行。在監(jiān)測(cè)患者的腦波之后，分析腦波狀況或數(shù)據(jù)以識(shí)別特征。該分析可以包括將一個(gè)或多個(gè)曲線擬合到腦波狀況或數(shù)據(jù)。然后計(jì)算描述一個(gè)或多個(gè)曲線的參數(shù)，例如幅度和頻率。盡管先前的eeg數(shù)據(jù)可以直接使用幅度和頻率以便確定個(gè)體的各種睡眠階段，但是一些現(xiàn)有方法包括確定減小個(gè)體之間的幅度和頻率變化的導(dǎo)數(shù)和其他參數(shù)(例如，歸一化數(shù)據(jù)防止幅度變化)。因此更均勻的睡眠狀況可以被自動(dòng)地應(yīng)用于個(gè)體的各種睡眠時(shí)期，盡管在特定時(shí)期之間的睡眠和喚醒腦活動(dòng)有變化。參考圖3更詳細(xì)地解釋該過(guò)程。步驟206包括將從不同設(shè)置中獲取的腦波提取的特征映射到相同特征空間中。例如來(lái)自帽式eeg的測(cè)量數(shù)據(jù)用于睡眠建模。該映射可以包括確定在根據(jù)步驟204進(jìn)行的測(cè)量的不同部分中表示特征空間的哪些特征。該過(guò)程也可以包括生成表示新測(cè)量的eeg的睡眠特征空間，并且將先前的睡眠特征空間與表示新測(cè)量的eeg的睡眠特征空間進(jìn)行比較。該映射可以包括將先前eeg的特征的范圍映射到新eeg的特征的范圍(例如，通過(guò)將前者的最大幅度與后者的最大幅度匹配)或者以類似的方式，通過(guò)將從其導(dǎo)出先前的睡眠特征空間的eeg測(cè)量范圍匹配到新測(cè)量的eeg并且然后生成新測(cè)量的eeg的睡眠特征空間。在一個(gè)示例中，基于332的帽式eeg數(shù)據(jù)(即，表示使用類似于帽子的形狀的eeg裝置測(cè)量的腦波的數(shù)據(jù))與302的頭帶eeg數(shù)據(jù)(即，表示使用類似于頭帶的形狀的eeg裝置測(cè)量的腦波的數(shù)據(jù))的比較在智能分階段特征映射模塊306中進(jìn)行映射，如圖3中所示。有利地，可以自動(dòng)地進(jìn)行映射。例如，計(jì)算系統(tǒng)可以自動(dòng)地匹配相應(yīng)的睡眠特征空間的特征或相應(yīng)的eeg測(cè)量的幅度。步驟208包括對(duì)在步驟206中獲得的映射睡眠特征空間進(jìn)行建模。建模包括基于在步驟204中獲得的新的eeg測(cè)量來(lái)識(shí)別睡眠特征空間中的神經(jīng)網(wǎng)絡(luò)模式。這通過(guò)在使用來(lái)自帽式eeg的訓(xùn)練數(shù)據(jù)在步驟202和步驟204中限定的睡眠特征空間中識(shí)別那些相同的神經(jīng)網(wǎng)絡(luò)模式并且在使用來(lái)自頭帶eeg的數(shù)據(jù)在步驟202和步驟204中獲得的睡眠特征空間中識(shí)別相似特征模式而實(shí)現(xiàn)?？梢酝ㄟ^(guò)將在步驟202和步驟204中獲得的睡眠特征空間中的特征組與在步驟202和步驟204中獲得的睡眠特征空間中的已經(jīng)使用帽式eeg與使用帽式eeg指示各種睡眠階段的相應(yīng)的識(shí)別神經(jīng)網(wǎng)絡(luò)模式關(guān)聯(lián)的特征組概率地關(guān)聯(lián)來(lái)識(shí)別使用來(lái)自頭帶eeg的數(shù)據(jù)在步驟202和步驟204中獲得的睡眠特征空間中的相似特征模式。然后取決于步驟202和步驟204的睡眠特征空間中的每個(gè)相應(yīng)組具有與其最高概率關(guān)聯(lián)的特征，將特定的神經(jīng)網(wǎng)絡(luò)模式視為適用于使用頭帶eeg的數(shù)據(jù)的步驟202和步驟204的睡眠特征空間中的特征的每個(gè)相應(yīng)組。在一個(gè)示例中，在參考圖3解釋的智能分階段建模模塊336中進(jìn)行該步驟。如圖3中所示，映射特征空間308形成在智能分階段模型模塊310中進(jìn)行的睡眠分階段過(guò)程的基礎(chǔ)。睡眠分階段過(guò)程導(dǎo)致使用頭帶eeg的數(shù)據(jù)的步驟202和步驟204的睡眠特征空間能夠被分類為諸如喚醒、深、淺和rem睡眠的四個(gè)階段的基礎(chǔ)的eeg的時(shí)期。步驟210包括導(dǎo)出在步驟204中測(cè)量的eeg的睡眠狀況。因此睡眠狀況提供了測(cè)量步驟204的eeg的時(shí)段內(nèi)的個(gè)體的睡眠階段變化的圖形表示，參考圖1。因此該過(guò)程導(dǎo)致基于先前的睡眠特征空間和已知的神經(jīng)網(wǎng)絡(luò)模式將新的eeg測(cè)量轉(zhuǎn)換為睡眠狀況。參考圖6和圖7描述實(shí)驗(yàn)數(shù)據(jù)，示出了模型和由模型獲得的睡眠狀況的有效性。圖3示出了根據(jù)本公開(kāi)的建議睡眠分析系統(tǒng)的框架。由實(shí)心箭頭332、320、322、324、326、328、320、334、338、340鏈接的框形成構(gòu)建計(jì)算模型的過(guò)程，該過(guò)程被稱為“智能分階段特征生成和智能分階段建?！?。通過(guò)空心箭頭302、304、306、308、310、312、314鏈接的框是使用智能分階段模型的睡眠分析過(guò)程，換句話說(shuō)，使用智能分階段特征生成和智能分階段建模程序開(kāi)發(fā)的模型用于新的eeg測(cè)量。最初，個(gè)體的睡眠模式應(yīng)當(dāng)被建模，使得建模的睡眠模式可以與在沒(méi)有專業(yè)協(xié)助的情況下沒(méi)有模型容易生成的新的睡眠模式(例如在家發(fā)生的睡眠時(shí)期的睡眠模式)進(jìn)行比較。構(gòu)建計(jì)算模型的過(guò)程在本文中稱為智能分階段，并且參考332、320、322、324、326、328、320、334、338和340的模塊進(jìn)行解釋。優(yōu)選地，智能分階段包括智能分階段特征生成318和智能分階段建模336，其在獲得新的eeg測(cè)量302(例如在睡眠時(shí)段期間的頭帶eeg信號(hào)-在本文中稱為isleep數(shù)據(jù))之前進(jìn)行。在模塊332中，使用帽式eeg傳感器獲得諸如帽式eeg數(shù)據(jù)的訓(xùn)練數(shù)據(jù)。該訓(xùn)練數(shù)據(jù)用于開(kāi)發(fā)睡眠特征空間，所述睡眠特征空間可以與使用未來(lái)日期(例如在家中)進(jìn)行的另外的eeg測(cè)量生成的睡眠特征空間進(jìn)行比較。獲得的數(shù)據(jù)用于智能分階段特征生成318和特征空間映射306。獲得的數(shù)據(jù)在帶通濾波模塊320中用帶通濾波器處理以去除偽影。偽影可能包括數(shù)據(jù)讀數(shù)中的異?；蛞馔獾姆逯岛蜎](méi)有讀數(shù)可用的時(shí)段(例如當(dāng)頭帶變得脫落或以其他方式停止工作時(shí))。進(jìn)一步參考圖3，并且特別地，帶通濾波模塊320可以采用各種類型的帶通濾波器。例如，從包含具有睡眠階段注釋332(例如由睡眠專家進(jìn)行)的整夜eeg的psg數(shù)據(jù)，雙極(fpz-cz)(fpz代表前額區(qū)，cz代表中心區(qū))信號(hào)的原始eeg首先用巴特沃斯(butterworth)帶通濾波器處理以去除由模塊320中偶爾接觸不良的eeg電極產(chǎn)生的偽影。截止頻率設(shè)置為{0.35-48}hz，上限由采樣率限制。其后，在頻譜功率比提取模塊322中提取濾波數(shù)據(jù)的頻譜帶功率特征。為了頻譜功率的魯棒且與受試者無(wú)關(guān)的量的測(cè)量，計(jì)算能量功率比而不是絕對(duì)能量功率。使用能量功率比增加數(shù)據(jù)的標(biāo)準(zhǔn)化或歸一化，例如關(guān)于幅度。這可以解釋個(gè)體的大腦活動(dòng)的每日變化，并且確保在一個(gè)睡眠特征空間中由這樣的比率可識(shí)別的神經(jīng)網(wǎng)絡(luò)模式可以在其他睡眠特征空間中類似地被識(shí)別，這是由于數(shù)據(jù)不被諸如疲勞和年齡的外部因素干擾。例如，已知eeg性質(zhì)(特別是幅度)在不同的受試者之間不同。計(jì)算能量功率比而不是絕對(duì)能量功率以便在模塊322中產(chǎn)生頻譜功率的魯棒且與受試者無(wú)關(guān)的量的測(cè)量。具有50％重疊的2s的時(shí)間移位窗口用于比較連續(xù)的時(shí)間段，其表示與過(guò)去和未來(lái)數(shù)據(jù)相關(guān)的分析中的當(dāng)前時(shí)間的數(shù)據(jù)。使用快速傅里葉變換(fft)沿著2s移位窗口提取頻譜特征。通過(guò)在截止頻帶之間對(duì)功率譜求和來(lái)計(jì)算總功率譜：其中p(f)是頻率f的冪，fmax＝48hz，fmin＝0.35hz。每個(gè)頻帶的功率比限定如下：其中flow(i)和fhigh(i)表示相應(yīng)頻譜功率帶的范圍。邊界被表示為頻帶b＝{0.3524812162448}的向量，從中可以獲得任何帶通限定，例如flow(2)＝2hz和fhigh(2)＝4hz。在多輪實(shí)驗(yàn)后選擇向量b以便獲得最佳設(shè)置，其與在不同睡眠階段中起重要作用的頻帶(例如，δ(0.5-4hz)，紡錘(12-16hz)，β(12-30hz)，α(8-12hz)等)良好匹配，如表1中所述。表1.不同睡眠階段中的eeg信號(hào)的特性階段eeg信號(hào)的特性喚醒β(12-30hz)，α(8-12hz)n1α，θ(4-8hz)n2α，θ，k復(fù)合，紡錘波n3δ(0.5-4hz)，紡錘(12-16hz)remδ該步驟產(chǎn)生7個(gè)頻譜功率比pr＝{pr(i)}；i＝1..7，其由模塊324中的頻譜包絡(luò)特征提取進(jìn)一步處理。在模塊324中，生成頻譜包絡(luò)。頻譜包絡(luò)限定在模塊322中獲得的頻譜功率比(例如，在連續(xù)時(shí)間段上確定的頻譜功率比)的幅度。在形成頻譜包絡(luò)之后，提取限定頻譜包絡(luò)的頻譜包絡(luò)特征。頻譜包絡(luò)特征使分類時(shí)間序列的周期性并且在本情況下使在模塊322中提取的隨著時(shí)間的頻譜功率比的變化的周期性更明顯。用于頻譜分析的頻譜包絡(luò)的概念已被用于自動(dòng)語(yǔ)音識(shí)別(asr)。這樣的特征用作探索具有最少信息丟失的分類時(shí)間序列的周期性的有效工具。本文中介紹了使用基于包絡(luò)的頻譜濾波的特征提取方法，旨在抑制頻譜功率周期圖中出現(xiàn)的顏色噪聲。針對(duì)切比雪夫(chebyshev)濾波器創(chuàng)建通帶和阻帶邊緣頻率，{0-0.5}hz的具體限定的頻譜空間在對(duì)數(shù)空間中進(jìn)一步分為2個(gè)頻帶。切比雪夫ii型濾波器應(yīng)用于如上所述獲取的7個(gè)頻譜功率帶，產(chǎn)生另外14個(gè)參數(shù)用于頻譜分析。其后，在模塊326中使用高斯分布對(duì)頻譜功率比進(jìn)行建模并且提取高斯分布的參數(shù)以針對(duì)eeg上的連續(xù)窗口或時(shí)期形成睡眠特征空間。例如，提取參數(shù)的平均值和偏差(例如標(biāo)準(zhǔn)偏差)。根據(jù)aasm評(píng)分，標(biāo)準(zhǔn)睡眠分階段窗口尺寸為30秒。在模塊326中在每30秒的窗口中，沿著高斯分布中顯示的2秒移位窗口能夠提取21個(gè)參數(shù)。在模塊328中提取參數(shù)的平均值和變化以形成具有42個(gè)特征的特征空間。與先前針對(duì)基于eeg的睡眠階段檢測(cè)開(kāi)發(fā)的已建立的特征集比較，由頻譜功率及其頻譜導(dǎo)數(shù)組成的基于頻譜包絡(luò)的特征形成更好的代表性特征空間320。然后模塊328統(tǒng)計(jì)地選擇特定的特征以形成睡眠特征空間。該統(tǒng)計(jì)選擇可以包括取決于其在限定相關(guān)頻譜功率比所適用的特定睡眠階段中的相對(duì)重要性來(lái)加權(quán)特定特征(例如，通過(guò)識(shí)別從其導(dǎo)出相應(yīng)頻譜功率比的eeg部分中的神經(jīng)網(wǎng)絡(luò)模式)。替代地或附加地，統(tǒng)計(jì)選擇可以包括識(shí)別在特定睡眠階段期間當(dāng)與其他特征相比較時(shí)更加規(guī)則地或以更大幅度出現(xiàn)的特征。該統(tǒng)計(jì)分析導(dǎo)致睡眠特征空間320的創(chuàng)建，其每個(gè)向量表示特定睡眠階段，并且未來(lái)eeg的睡眠特征空間可以與其比較以針對(duì)相應(yīng)的未來(lái)eeg中的每個(gè)時(shí)期確定統(tǒng)計(jì)上最高概率的睡眠階段。參考表2和圖6進(jìn)一步解釋。在生成睡眠特征空間320之后，在睡眠特征建模模塊336中構(gòu)建計(jì)算模型。在模塊338中，在訓(xùn)練數(shù)據(jù)(即，步驟202的睡眠特征空間從其導(dǎo)出的數(shù)據(jù))中識(shí)別神經(jīng)網(wǎng)絡(luò)模式。在初始建模過(guò)程期間，必須對(duì)系統(tǒng)進(jìn)行訓(xùn)練以識(shí)別eeg數(shù)據(jù)中的特定神經(jīng)網(wǎng)絡(luò)模式(即，識(shí)別特定睡眠階段)。這可以通過(guò)在例如睡眠專家的注釋之后輸入用作智能分階段特征生成過(guò)程的基礎(chǔ)的eeg數(shù)據(jù)來(lái)實(shí)現(xiàn)。因此模塊338可以將特定的睡眠階段與特定的eeg特征關(guān)聯(lián)，然后將特定的eeg特征與睡眠特征空間中的特征組關(guān)聯(lián)。然后將那些特征組與從新的eeg測(cè)量導(dǎo)出的類似特征進(jìn)行比較。因此在智能分階段模型模塊340中產(chǎn)生的模型將不同的睡眠階段與睡眠特征空間中表示的特征關(guān)聯(lián)，并且可以用于隨后的睡眠分析。參考圖4描述睡眠特征模型的細(xì)節(jié)。一旦建模，該模型可以應(yīng)用于新的eeg測(cè)量以分析個(gè)體的睡眠模式。睡眠分析過(guò)程使用參考模塊302、304、306、308、310、312和314解釋的睡眠分階段模型。在模塊302中，使用諸如頭帶式eeg傳感器的傳感器來(lái)測(cè)量腦波譜。收集的數(shù)據(jù)被提供給睡眠特征生成模塊304和睡眠特征映射模塊306。值得注意的是，盡管可以使用帽式eeg裝置(即，高度敏感的eeg裝置)生成模型，但是在家中使用的eeg裝置可能具有較低的敏感性或在讀取時(shí)具有較大的噪聲，原因是從使用家用裝置測(cè)量的任何eeg提取的特征針對(duì)對(duì)于確定特定睡眠階段重要的特征進(jìn)行加權(quán)。在模塊304中，以與上述參考模塊318所述相同的方式生成睡眠特征空間。由于來(lái)自一個(gè)eeg傳感器的讀數(shù)可能與通過(guò)另一個(gè)eeg傳感器獲得的用于相同腦活動(dòng)的讀數(shù)不同，因此先前的過(guò)程遭受從轉(zhuǎn)移學(xué)習(xí)問(wèn)題-使用應(yīng)用于一個(gè)eeg信號(hào)的一個(gè)裝置學(xué)到的結(jié)論不能容易地轉(zhuǎn)移到其他裝置。在本情況下，睡眠特征映射模塊306插入睡眠特征生成模塊304之后。在睡眠特征映射模塊306中，進(jìn)行自動(dòng)特征映射，使得諸如在模塊302中獲得的信號(hào)的睡眠數(shù)據(jù)被映射到諸如在模塊332確定的用于睡眠特征生成的帽式eeg數(shù)據(jù)的訓(xùn)練數(shù)據(jù)。如上所述，映射可以例如由eeg測(cè)量中的歸一化或幅度匹配產(chǎn)生。在睡眠特征模型模塊310中使用在睡眠特征映射模塊306中生成的映射特征空間308。在該輪中，由于eeg裝置已被教導(dǎo)哪些睡眠階段對(duì)應(yīng)于eeg測(cè)量中顯而易見(jiàn)的哪些特征，因此先前開(kāi)發(fā)的模型可以被應(yīng)用而無(wú)需睡眠專家的干預(yù)，以便自動(dòng)地確定個(gè)體的特定睡眠階段。由于用于產(chǎn)生模型的復(fù)雜處理已經(jīng)發(fā)生，因此可以實(shí)時(shí)地進(jìn)行該確定。而且，應(yīng)用模型的過(guò)程可以僅包括基于已知描述特定睡眠階段的特征的概率的計(jì)算。一旦將模型應(yīng)用于映射特征空間308，由映射特征空間308表示的eeg的每個(gè)時(shí)期與特定睡眠階段312關(guān)聯(lián)?；谠谒咛卣髂Ｐ湍K310中產(chǎn)生的睡眠階段312，產(chǎn)生睡眠狀況314。睡眠狀況314圖形地表示在eeg的記錄時(shí)段內(nèi)的個(gè)體的睡眠階段。因此，在該睡眠分析過(guò)程中實(shí)現(xiàn)更直觀和詳實(shí)的睡眠分析呈現(xiàn)。而且，由于可以實(shí)時(shí)地進(jìn)行建模和分析，因此可以在比家中背景下容易獲得的更短的時(shí)間內(nèi)診斷和響應(yīng)有問(wèn)題的睡眠障礙等。自動(dòng)睡眠階段檢測(cè)是多類別分類問(wèn)題。開(kāi)發(fā)了一種多層模式識(shí)別神經(jīng)網(wǎng)絡(luò)來(lái)建模該問(wèn)題。網(wǎng)絡(luò)包括映射到智能分階段特征空間上的輸入層，將輸入空間映射到輸出層的一個(gè)10節(jié)點(diǎn)隱藏層，以及輸出層，其中多個(gè)輸出節(jié)點(diǎn)的每一個(gè)與睡眠階段關(guān)聯(lián)。例如在模塊336中在338開(kāi)發(fā)的模式識(shí)別網(wǎng)絡(luò)可以通過(guò)反向傳播方式被訓(xùn)練以根據(jù)目標(biāo)類別對(duì)輸入進(jìn)行分類。網(wǎng)絡(luò)的目標(biāo)數(shù)據(jù)可以由除了元素s中的1以外的所有零值的向量組成，其中s是睡眠階段。網(wǎng)絡(luò)的輸入是表示在睡眠特征生成模塊318中獲得的功率譜的高斯分布及其包絡(luò)特征的特征空間320。另外的輸入可以是睡眠專家注釋的eeg。圖4示出了這樣的睡眠階段模式識(shí)別網(wǎng)絡(luò)400的實(shí)施例。使用限定的輸入402和輸出408學(xué)習(xí)的模式識(shí)別神經(jīng)網(wǎng)絡(luò)是可以在未來(lái)eeg中進(jìn)一步用于睡眠階段檢測(cè)312的智能分階段模型336。智能分階段模型340、310包含用于隱藏層404和輸出層406的加權(quán)矩陣和偏置向量的參數(shù)(wi，bi，wo，bo)，其用于從輸入特征402推斷睡眠階段。睡眠階段的計(jì)算可以通過(guò)以下實(shí)現(xiàn)：output＝logsig(wo*(tansig(wi*input+bi)+bo)這些權(quán)重用于相對(duì)于其他特征強(qiáng)調(diào)睡眠特征空間中的特定特征，其中強(qiáng)調(diào)的特征比其他特征提供相關(guān)時(shí)期是個(gè)體處于特定睡眠階段的時(shí)期的更大的統(tǒng)計(jì)確定性。在模式識(shí)別網(wǎng)絡(luò)中使用的轉(zhuǎn)移函數(shù)可以是對(duì)數(shù)雙彎曲(logistic)和正切雙彎曲，其由以下公式給出：和輸出可以是包含4個(gè)值的向量，每個(gè)值表示睡眠階段s的后驗(yàn)概率。將從帽式eeg傳感器332學(xué)習(xí)的智能分階段模型340應(yīng)用于從新的eeg傳感器獲取信號(hào)的新場(chǎng)景(即，新的eeg測(cè)量)是如上所述的轉(zhuǎn)移學(xué)習(xí)問(wèn)題。為了解決該問(wèn)題，提供了先前建議的特征范圍映射方法，其將新信號(hào)自動(dòng)映射到在模塊306中用于智能分階段模型開(kāi)發(fā)的信號(hào)。映射的簡(jiǎn)單實(shí)現(xiàn)可以是將從頭帶eeg提取的特征空間對(duì)準(zhǔn)從帽式eeg提取的相應(yīng)特征空間的范圍。作為專業(yè)人員分析睡眠模式的工具的睡眠圖，為外行人理解他或她的睡眠狀況提供了較不直觀的信息。因此，更直觀和信息豐富的睡眠分析呈現(xiàn)(如目前呈現(xiàn)的)對(duì)于基于家庭的睡眠監(jiān)測(cè)是重要的。獲得整夜記錄的eeg數(shù)據(jù)并與從已建立和公開(kāi)可獲得的數(shù)據(jù)庫(kù)標(biāo)記的相應(yīng)睡眠階段進(jìn)行比較。該數(shù)據(jù)庫(kù)收集了61個(gè)psg，伴隨來(lái)自兩個(gè)獨(dú)立研究的睡眠圖。整夜psg睡眠記錄包含雙極eeg信號(hào)，(fpz-cz和pz-oz)(fpz代表前額區(qū)，cz代表中央?yún)^(qū)，pz代表顱頂區(qū)，并且oz代表枕區(qū))eog(水平)和emg(頦)讀數(shù)。睡眠圖包含與睡眠階段w、r、1、2、3、4、m(移動(dòng)時(shí)間)和？(未評(píng)分)組成的psg對(duì)應(yīng)的睡眠模式的注釋。數(shù)據(jù)庫(kù)中的所有睡眠圖已由受過(guò)良好訓(xùn)練的技術(shù)人員進(jìn)行手動(dòng)評(píng)分。psg文件格式化為歐洲數(shù)據(jù)格式(edf)，而睡眠圖為edf+格式。從源文件提取fpz-czeeg信號(hào)和相應(yīng)的睡眠階段以形成建模的地面實(shí)況數(shù)據(jù)。睡眠階段w缺失的受試者的數(shù)據(jù)被去除，原因是對(duì)于他們僅記錄夜間eeg。有39名受試者記錄了他們的日間和夜間eeg，其中所有的睡眠階段是可獲得的。為了進(jìn)一步清理數(shù)據(jù)，階段m(移動(dòng))或？(未評(píng)分)的所有段可以被去除。圖5示出了繪制一個(gè)對(duì)象504的eeg信號(hào)502和睡眠階段的樣本數(shù)據(jù)集。為了簡(jiǎn)化模型，將階段s1和s2組合成“淺睡眠”階段并且將階段s3和s4組合成“深睡眠”階段以區(qū)分睡眠階段之間的每個(gè)特征的辨別力。表2描述了使用圖3的智能分階段特征生成318中描述的方法從pfz-cz雙極eeg信號(hào)提取的特征。21個(gè)特征的第一集合是平均值，并且21個(gè)特征的最后集合是濾波器頻帶功率的標(biāo)準(zhǔn)偏差及其相應(yīng)的包絡(luò)特征。表2.特征列表(特征選擇之前)為了說(shuō)明每個(gè)特征的辨別力，進(jìn)行了四組樣本的雙樣本t測(cè)試，即：-喚醒vs.其他階段602，-淺睡眠vs.其他階段604，-深睡眠vs.其他階段606，以及-remvs.其他階段608，如圖6中所示。在24小時(shí)時(shí)期內(nèi)來(lái)自30秒段的大樣本量引起多重比較問(wèn)題?？梢杂胋onferroni校正來(lái)調(diào)節(jié)t測(cè)試的p值(α)，例如其中n是測(cè)試的大小，α＝0.05，α*是統(tǒng)計(jì)顯著性的調(diào)節(jié)閾值。圖6示出了4組統(tǒng)計(jì)測(cè)試中的每個(gè)特征的顯著性水平。y軸是-log(p值)，因此條越高，p值越低，并且特征在分離兩組樣本中越有用。水平線是通過(guò)bonferroni校正調(diào)節(jié)的統(tǒng)計(jì)顯著性閾值，即-log(α*)。特征1-7(平均頻帶功率比)常常是最重要的特征。特征22-42(頻帶功率比和包絡(luò)特征的標(biāo)準(zhǔn)偏差)遵循相關(guān)性并且也表現(xiàn)出強(qiáng)辨別力。然而，功能8-21(相應(yīng)包絡(luò)特征的平均值)在所有四個(gè)測(cè)試中都不顯示辨別力，并且因此可以從特征空間去除。因此最終的特征空間包含28個(gè)特征。為了驗(yàn)證智能分階段模型的有用性，對(duì)具有24小時(shí)eeg數(shù)據(jù)的39個(gè)受試者進(jìn)行留一交叉驗(yàn)證。對(duì)于39個(gè)受試者的每一個(gè)，使用來(lái)自所有其他受試者的數(shù)據(jù)的模型在留下的一個(gè)受試者上被構(gòu)建和測(cè)試。3層模式識(shí)別網(wǎng)絡(luò)被限定為具有10個(gè)隱藏節(jié)點(diǎn)，70％的數(shù)據(jù)用于訓(xùn)練702，15％的數(shù)據(jù)用于驗(yàn)證704并且15％用于測(cè)試706。圖7示出了使用來(lái)自受試者中的一個(gè)的數(shù)據(jù)構(gòu)建模型的結(jié)果。各種數(shù)據(jù)集的混淆矩陣給出睡眠階段預(yù)測(cè)的準(zhǔn)確性，其中1表示清醒階段，2表示淺睡眠階段，3表示深睡眠階段，并且4表示rem階段。計(jì)算每個(gè)睡眠階段的敏感性和特異性，并且確定所有階段的總體準(zhǔn)確性。對(duì)于階段s，睡眠階段s的敏感性(sensitivity)和特異性(specificity)限定為：其中tps和fns表示睡眠階段s檢測(cè)的真陽(yáng)性和假陰性的數(shù)量，并且tns和fps表示睡眠階段s檢測(cè)的真陰性和假陽(yáng)性的數(shù)量?？傮w準(zhǔn)確性(accuracy)為：在所有39個(gè)留一交叉驗(yàn)證測(cè)試的結(jié)果中，平均總體測(cè)試準(zhǔn)確性為85.5％。淺睡眠的平均敏感性只有69.5％，其是影響總體準(zhǔn)確性的主要因素。最準(zhǔn)確地檢測(cè)的睡眠階段是清醒階段，其中敏感性和特異性都高于94％。構(gòu)建智能分階段模型的目的是在輕量級(jí)頭帶eeg系統(tǒng)中使用它進(jìn)行自動(dòng)睡眠階段檢測(cè)。所以，該模型需要適應(yīng)從頭帶傳感器302收集的eeg數(shù)據(jù)。如前面的段落中所述，在導(dǎo)出的移植模型中固有地存在從受控實(shí)驗(yàn)室條件下由睡眠專家使用的敏感和準(zhǔn)確的裝置到家中、不太準(zhǔn)確和可能誤用的裝置的轉(zhuǎn)移學(xué)習(xí)問(wèn)題。該問(wèn)題可以通過(guò)在模塊306中進(jìn)行的智能分階段映射方法來(lái)解決。在進(jìn)行的實(shí)驗(yàn)中在持續(xù)1小時(shí)的小睡期間收集eeg數(shù)據(jù)。結(jié)果與獲得的睡意得分非常吻合。由于實(shí)驗(yàn)在白天進(jìn)行，其中受試者進(jìn)行1小時(shí)的小睡，因此不會(huì)發(fā)生深睡眠階段。rem階段的頻譜特征顯示與淺睡眠階段相似的特性，因此存在淺睡眠錯(cuò)誤檢測(cè)為rem，其可以使用考慮到睡眠結(jié)構(gòu)的平滑方法進(jìn)行校正?？傊?，提供了一種用于睡眠分析的特征生成和特征映射機(jī)構(gòu)及其系統(tǒng)。另外，也提供了一種基于功率譜和包絡(luò)的特征的高斯分布的高度準(zhǔn)確的睡眠階段檢測(cè)方法。也提供了一種使用eeg傳感器進(jìn)行自動(dòng)實(shí)時(shí)特征映射的方法以及一種在基于eeg的睡眠分階段的基礎(chǔ)上產(chǎn)生睡眠狀況的方法。盡管在本發(fā)明的前面的詳細(xì)描述中已呈現(xiàn)了示例性實(shí)施例，但是應(yīng)當(dāng)領(lǐng)會(huì)存在大量的變型。還應(yīng)當(dāng)領(lǐng)會(huì)，示例性實(shí)施例僅是示例并且不旨在以任何方式限制本發(fā)明的范圍、適用性、操作或配置。而是，前面的詳細(xì)描述將為本領(lǐng)域技術(shù)人員提供用于實(shí)現(xiàn)本發(fā)明的示例性實(shí)施例的方便的路線圖，應(yīng)當(dāng)理解可以在示例性實(shí)施例中所述的元件的功能和布置以及操作方法中進(jìn)行各種變化，而不脫離如附帶的權(quán)利要求中闡述的本發(fā)明的范圍。當(dāng)前第1頁(yè)12