本發(fā)明涉及輔助睡眠
技術領域：
，特別是涉及一種睡眠狀態(tài)分析中清醒狀態(tài)檢測裝置。
背景技術：
：目前市面上已經有一些輔助設備來進行輔助人們入睡，即輔助睡眠，以提高用戶的睡眠質量。睡眠狀態(tài)分析是輔助設備了解用戶睡眠質量的重要手段，而在此過程中，需要對用戶睡眠狀態(tài)進行檢測，以準確知道用戶是清醒還是睡著狀態(tài)，然后才能夠進行對應的干預措施。多導睡眠圖(Polysomnography,PSG)，又稱睡眠腦電圖，是目前臨床上用于睡眠診斷和分析的“金標準”。多導睡眠圖利用多種生命體征對睡眠進行分析，在這些體征信號中，腦電處于核心地位；利用腦電波4種節(jié)律：δ波(1-3Hz)，θ波(4-7Hz)，α波(8-12Hz)，β波(14-30Hz)的頻率特性。根據不同節(jié)律的腦電波和眼球運動特征，除了清醒階段以外，睡眠可以分成非眼快動睡眠(NoRapidEyeMovementSleep,NREMsleep)和眼快動睡眠(RapidEyeMovementSleep,REMsleep)周期。其中非眼快動睡眠又可以分為4個時期：S1期(完全清醒至睡眠之間的過渡階段)，S2期(淺睡階段)，S3期(中等深度睡眠)，S4期(深睡期)。一般情況下，檢測用戶是否處于清醒狀態(tài)，是通過利用腦電波在4個頻段的信號(δ波頻段、θ波頻段、α波頻段和β波頻段)訓練清醒狀態(tài)的識別模型(分類器)來對腦電信號進行識別，這些識別模型往往是利用其他人的腦電波進行訓練的通用識別模型，但由于腦電信號的個人特異性很強，并且腦電的強度很弱(腦電為微伏級別，心電為毫伏級別)，在信號采集時極易被外界信號所干擾，從而導致清醒狀態(tài)檢測過程中也容易受到干擾影響，難以準確地檢測出用戶的清醒狀態(tài)，容易導致輔助睡眠中執(zhí)行了錯誤的干預措施，影響用戶的睡眠質量。技術實現(xiàn)要素：基于此，有必要針對上述問題，提供一種睡眠狀態(tài)分析中清醒狀態(tài)檢測裝置，可以準確地檢測腦電信號的清醒狀態(tài)，有效地提高睡眠狀態(tài)識別的準確率。一種睡眠狀態(tài)分析中清醒狀態(tài)檢測裝置，包括：腦電電極、參考電極、模數轉換器、濾波電路以及處理器；所述腦電電極、參考電極分別連接模數轉換器，并依次通過所述模數轉換器和濾波電路連接至處理器；所述腦電電極用于檢測用戶在睡眠中的腦電信號；所述模數轉換器將腦電信號轉換為數字信號，所述濾波電路對腦電信號進行低頻濾波后輸入至處理器；所述處理器，用于提取用戶的實時腦電信號，對所述實時腦電信號進行小波分解，并根據設定低頻段的小波系數進行信號重建得到腦電信號；計算所述腦電信號的樣本熵，將該樣本熵與預先計算的樣本熵閾值進行比較；在樣本熵大于樣本熵閾值時判定用戶當前處于清醒狀態(tài)。上述睡眠狀態(tài)分析中清醒狀態(tài)檢測裝置，在用戶開始睡眠過程后，通過腦電電極采集用戶的實時腦電信號，并經過數模轉換和濾波處理后，由處理器進行小波分解和低頻段重建得到腦電信號；計算腦電信號的樣本熵與預先計算的樣本熵閾值進行比較，在樣本熵大于樣本熵閾值時判定用戶當前處于清醒狀態(tài)。該方案可以在用戶睡眠狀態(tài)分析過程中，減少外界干擾對清醒狀態(tài)檢測結果的影響，更加準確地檢測出用戶的清醒狀態(tài)，有效地提高輔助睡眠的效果。附圖說明圖1為一個實施例的睡眠狀態(tài)分析中清醒狀態(tài)檢測裝置的結構示意圖；圖2是一段常見的清醒時期的腦電信號與眼電信號示意圖；圖3為另一個實施例的睡眠狀態(tài)分析中清醒狀態(tài)檢測裝置結構示意圖；圖4為滑動窗口內眼電信號波形尖峰面積示意圖；圖5為檢測到眨眼活動的結果示意圖。具體實施方式下面結合附圖闡述本發(fā)明的睡眠狀態(tài)分析中清醒狀態(tài)檢測裝置的實施例。參考圖1所示，圖1為一個實施例的睡眠狀態(tài)分析中清醒狀態(tài)檢測裝置的結構示意圖，包括：腦電電極、參考電極、模數轉換器、濾波電路以及處理器；所述腦電電極、參考電極分別連接模數轉換器，并依次通過所述模數轉換器和濾波電路連接至處理器；所述腦電電極用于檢測用戶在睡眠中的腦電信號；所述模數轉換器將腦電信號轉換為數字信號，所述濾波電路對腦電信號進行低頻濾波后輸入至處理器；所述處理器，用于提取用戶的實時腦電信號，對所述實時腦電信號進行小波分解，并根據設定低頻段的小波系數進行信號重建得到腦電信號；計算所述腦電信號的樣本熵，將該樣本熵與預先計算的樣本熵閾值進行比較；在樣本熵大于樣本熵閾值時判定用戶當前處于清醒狀態(tài)。上述睡眠狀態(tài)分析中清醒狀態(tài)檢測裝置，在用戶開始睡眠過程后，通過腦電電極采集用戶的實時腦電信號，并經過數模轉換和濾波處理后，由處理器進行小波分解和低頻段重建得到腦電信號；計算腦電信號的樣本熵與預先計算的樣本熵閾值進行比較，在樣本熵大于樣本熵閾值時判定用戶當前處于清醒狀態(tài)。該方案可以在用戶睡眠狀態(tài)分析過程中，減少外界干擾對清醒狀態(tài)檢測結果的影響，更加準確地檢測出用戶的清醒狀態(tài)，有效地提高輔助睡眠的效果。在一個實施例中，所述腦電電極設置在用戶的額頭位置；所述參考電極設置在用戶的耳垂。如圖1所示，圖中，腦電電極即圖中的“M”，參考電極設置在用戶的耳垂，即圖中“R”和“L”。為了適應于腦電信號的處理，濾波電路濾波后，輸出0-256Hz頻段的信號至處理器。對于用戶的清醒狀態(tài)的檢測，主要通過處理器來進行識別，基于處理器要實現(xiàn)的功能，可以在處理器中配置相應的算法模塊。處理器的算法功能解析可以如下：(1)在用戶開始睡眠過程后，通過腦電電極采集用戶的實時腦電信號；處理器的的該算法功能，是在對用戶進行輔助睡眠等睡眠狀態(tài)分析中，在確保用戶是清醒的狀態(tài)下，開始對用戶進行腦電信號采集，通過用戶佩戴腦電電極，采集用戶在睡眠過程中產生的腦電信號。在采集腦電信號時，處理器可以控制以30s為一幀進行采集，后續(xù)對每幀腦電信號進行分析處理。(2)對所述實時腦電信號進行小波分解，并根據設定低頻段的小波系數進行信號重建得到腦電信號；為了避免高頻噪聲的干擾同時保留信號的基本信息，我們在較低頻段上對腦電信號進行分析。為了計算的方便，可以選擇θ波的頻率上限(0～8Hz)進行小波分解和重建。在此，首先對腦電信號進行小波分解，并根據設定低頻段的小波系數重建腦電信號，為了計算的方便，可以選擇θ波(主要是4-7Hz)的頻率上限進行重建，即0～8Hz。(3)計算所述腦電信號的樣本熵，將該樣本熵與預先計算的樣本熵閾值進行比較；樣本熵是時間序列復雜度的一種度量，被廣泛應用于癲癇的檢測中。在睡眠周期的6個階段中，清醒階段的腦電信號的樣本熵最高，本發(fā)明利用腦電信號的樣本熵的大小來判斷用戶是否為清醒狀態(tài)，通過設定樣本熵閾值，與腦電信號的樣本熵進行比較。進一步的，在上述比較過程中，樣本熵閾值的選擇也是至關重要的一環(huán)。在目前癲癇的檢測等方面得到的經驗數據，并不適合用在睡眠狀態(tài)分析中對清醒狀態(tài)的準確判定。在一個實施例中，可以采用如下方法獲取樣本熵閾值，包括：(a)在清醒狀態(tài)檢測裝置開機后，提取設定時間內的腦電信號；一般情況下，考慮到人正常的入睡時間為10～15分鐘，在勞累/疲憊時入睡時間甚至會縮短，因此，在用戶完全清醒的狀態(tài)下開始采集用戶的腦電信號，可以認為在開始采集后的一個設定時間段內，用戶是處于清醒狀態(tài)的，作為實施例，本發(fā)明選擇的時間段為300秒(5分鐘)，即開機后開始采集用戶的腦電信號后的300秒內都會被判斷為清醒狀態(tài)；因此，通過上述功能，在確保用戶清醒狀態(tài)下，利用這段時間內采集的用戶的腦電信號計算樣本熵。(b)將設定時間內的腦電信號分成多個樣本，并分別計算各個腦電信號樣本的樣本熵，得到樣本熵集合；在此，假設利用30s為一幀、采集300秒腦電信號進行處理，那么這里就有10個樣本，此時可以計算出包括10個樣本熵的樣本熵集合。(c)根據所述樣本熵集合計算樣本熵閾值；樣本熵閾值的計算公式可以如下：sampen_thre=1nΣi=1nsampen_vali+vn(Σi=1nsampen_vali2-Σi=1nsampen_vali)]]>sampen_vali＝sampen(y[p_start:p_end])p_start＝(i-1)*time_length*fs+1p_end＝t_start+time_length*fs-1p_end＜T·fs式中，其中sampen_thre為樣本熵閾值，sampen_vali為樣本熵集合中第i個樣本的樣本熵，sampen為求樣本熵的運算，其輸入y[p_start:p_end]為腦電信號y在第p_start點開始到第p_end點為止的部分，time_length為計算樣本熵的每個樣本的時間長度，fs為腦電信號的采樣率，T為開始采集腦電信號后的設定時間，v為設定參數。在上述計算方案中，參數v的取值非常重要，通過參數v可以控制識別準確率；因此，為了提高識別準確率，對于參數v取值可以通過如下公式計算：假設清醒階段時的樣本熵的集合X服從標準正態(tài)分布，集合X中第i個元素表示為：Xi=sampen_vali-uσ,i=1,...,n]]>其中，此時，x＝v根據標準正態(tài)分布函數的積分：其中，P(X≤x)表示樣本熵的集合X中的取值小于x的概率，由此可以計算，以T＝300s，time_length＝30s為例，當參數v＝2.58時，樣本熵集合X的值小于x的概率為99.5％。(4)在樣本熵大于樣本熵閾值時判定用戶當前處于清醒狀態(tài)；考慮到清醒階段的腦電信號的樣本熵最大，基于上述實施例計算的樣本熵閾值sampen_thre，可知將樣本熵大于sampen_thre的腦電信號判斷為清醒狀態(tài)可以得到較高準確率。本發(fā)明實施例的睡眠狀態(tài)分析中清醒狀態(tài)檢測裝置，在多例利用腦電信號進行的清醒狀態(tài)檢測實驗中，得到了準確判斷，具有較高的準確性。為了進一步提高檢測準確率，在腦電信號樣本熵比較基礎上，本發(fā)明還提供了如下基于眼電信號的檢測方案。在正常人的睡眠周期中，眨眼是清醒期所特有的一個活動，由于眨眼時眼電信號的幅度較高，會對腦電信號造成干擾。參考圖2，圖2是一段常見的清醒時期的腦電信號與眼電信號示意圖；圖中實線為腦電信號，虛線為眼電信號。通過圖中可以看出，眨眼活動在腦電信號和眼電信號上都產生了向下的尖峰，眨眼活動在腦電圖上表現(xiàn)為具有短時間的高尖峰的波形，這也是眨眼眼電波形的特征。作為一個實施例，參考圖3所示，圖3為另一個實施例的睡眠狀態(tài)分析中清醒狀態(tài)檢測裝置結構示意圖，該裝置還包括：連接模數轉換器，并依次通過所述模數轉換器和濾波電路連接至處理器的眼電電極；所述眼電電極，用于采集用戶在睡眠中的眼電信號；所述處理器，還用于提取用戶的實時眼電信號；對所述實時眼電信號進行小波分解，并根據設定低頻段的小波系數進行信號重建得到眼電信號；根據同一時刻腦電信號和眼電信號的相關性以及眨眼眼電波形的特征，在眼電信號上檢測眨眼活動；在檢測到眨眼活動時判定用戶當前處于清醒狀態(tài)。如圖3，所述眼電電極設置在眼角位置；眼電電極包括左右兩個電極，即圖中的“ROC”和“LOC”，參考電極設置在用戶的耳垂。濾波電路主要是進行低通濾波和濾除工頻干擾，為了適應于眼電信號的處理，濾波電路濾波后，輸出0-256Hz頻段的信號至處理器。處理器利用眼電信號檢測清醒狀態(tài)的算法功能可以解析如下：(1)在裝置開機后，在采集腦電信號的同時，提取用戶的實時眼電信號；即在開始對用戶進行腦電信號采集后，通過用戶佩戴相關眼電電極，采集用戶在睡眠過程中產生的眼電信號。在采集眼電信號時，同樣可以以30s為一幀進行采集，后續(xù)對每幀眼電信號進行分析處理。(2)對所述實時眼電信號進行小波分解，并根據設定低頻段的小波系數進行信號重建得到眼電信號；首先對眼電信號進行小波分解，并根據設定低頻段的小波系數重建眼電信號，為了計算的方便，可以選擇腦電信號的θ波(主要是4-7Hz)的頻率上限進行重建，即0～8Hz。(3)根據同一時刻腦電信號和眼電信號的相關性以及眨眼眼電波形的特征，在眼電信號上檢測眨眼活動；在檢測過程中，利用到了同一時刻的腦電信號和眼電信號之間的相關性，結合眨眼眼電信號的波形特征進行判斷。在一個實施例，處理器在眼電信號上檢測眨眼活動的算法流程，可以如下：(a)利用具有設定信號幅度范圍和時間長度的滑動窗口截取所述低頻眼信號；本發(fā)明利用一個滑動窗口內的信號幅度、眼電信號與腦電信號的相似程度，尖峰的尖銳程度和尖峰持續(xù)時間來檢測滑動窗口內是否有眨眼活動，該滑動窗口驗證腦電圖時間軸上滑動，截取眼電信號波形。由于眨眼的時間一般小于0.4秒，因此可以在一個稍大滑動窗口的內檢測眨眼信號，例如設置0.6倍的采樣時間長度，即n＝0.6·fs，n為滑動窗口長度，fs為眼電信號的采樣率。眼電信號的幅度可以通過滑動窗口內眼電信號的最大值減去最小值(pmax-pmin)的方式求出，一般情況下，滑動窗口的幅度可以設置為75微伏至300微伏之間。(b)分別計算滑動窗口內眼電信號與同一時刻腦電信號的波形的相關系數，滑動窗口內眼電信號波形尖峰的尖銳程度參數以及尖峰的持續(xù)時間；這里尖銳程度參數是表征尖峰的特征符合眨眼時短時間的高尖峰的波形強弱的參數。處理器計算滑動窗口內眼電信號波形尖峰的尖銳程度參數的算法流程，可以如下：①分別計算眼電信號波形在滑動窗口內的上部區(qū)域面積和下部區(qū)域面積，計算公式如下：areaup=Σi=1n(pmax-pi)]]>areadown=Σi=1n(pi-pmin)]]>式中，pi為滑動窗口內的眼電信號，pmax為滑動窗口內眼電信號的最大值，pmin為滑動窗口內眼電信號的最小值，areaup表示上部區(qū)域面積，areadown表示下部區(qū)域面積；②根據所述上部區(qū)域面積和下部區(qū)域面積計算所述眼電信號波形尖峰的面積，計算公式如下：blinkarea=areaupifareaup<areadownareadownifareaup>areadown]]>式中，blinkarea表示尖峰的面積，if表示滿足條件；參考圖4所示，圖4為滑動窗口內眼電信號波形尖峰面積示意圖，兩種方向的尖峰上、下部區(qū)域面積如圖所示，左圖尖峰方向向上，右圖的尖峰方向向下。③根據尖峰面積計算尖銳程度參數，計算公式如下：blinkratio＝blinkarea/in-blinkarea式中，blinkratio表示尖銳程度參數，in-blinkarea表示非尖峰部分的面積，這里尖銳程度參數也可以轉化為是上部區(qū)域面積和下部區(qū)域面積之間的比值。計算滑動窗口內眼電信號波形尖峰的持續(xù)時間的方法，可以包括如下：④根據所述上部區(qū)域面積和下部區(qū)域面積計算所述眼電信號波形尖峰的方向，計算公式如下：blinkdirection=1ifareaup<areadown-1ifareaup>areadown]]>式中，blinkdirection表示尖峰方向，標記為1表示尖峰向下，標記為-1表示尖峰向上；⑤在尖峰向下時，根據尖峰兩側的局部極大值點計算尖峰的持續(xù)時間；或者在尖峰向上時，根據尖峰兩側的局部局部極小值點計算尖峰的持續(xù)時間；計算公式如下：blinkts＝vertexright-vertexleft,s.t.vertexright=right_min_locavertexright=left_min_locaifblinkdirection=1vertexright=right_max_locavertexright=left_max_locaifblinkdirection=-1]]>式中，blinkts表示尖峰的持續(xù)時間，vertexright表示尖峰的右側頂點時刻，表示尖峰的左側頂點時刻，right_min_loca表示尖峰右側的局部極小值點，right_max_loca表示尖峰右側的局部極大值點，left_min_loca表示尖峰左側的局部極小值點，left_max_loca表示尖峰左側的局部極大值點，s.t.表示約束條件。(c)若所述相關系數、尖銳程度參數和持續(xù)時間均分別滿足預設的相關系數閾值、尖銳程度參數閾值和持續(xù)時間閾值，判斷該滑動窗口內眼電信號存在眨眼活動；具體的，當滑動窗口內的信號幅度、眼電信號與腦電信號的相似程度、尖峰的面積和持續(xù)時間都滿足條件時，即認為當前滑動窗口存在著眨眼活動；對于相關系數閾值，一般認為，相關系數大于0.7的兩個向量基本上可以認為是正相關的，考慮到眨眼時眼電信號對腦電信號的干擾，眨眼時眼電信號與腦電信號之間的相關系數閾值可以設為0.9；對于尖銳程度參數閾值，一般可以設置為0.3；對于尖峰的持續(xù)時間閾值，根據眨眼時間一般是0.3-0.4秒，因此，持續(xù)時間閾值可以設為0.3秒。(4)在檢測到眨眼活動時判定用戶當前處于清醒狀態(tài)；處理器基于上述方法準確檢測出眨眼活動后，即可判斷當前用戶處于清醒狀態(tài)，參考圖5，圖5為檢測到眨眼活動的結果示意圖，圖中實線和虛線分別為經過小波變換重建后的腦電信號和眼電信號。在眼電信號上，圓圈標出了眨眼活動所形成的尖峰，可以發(fā)現(xiàn)，雖然檢測出的眨眼活動數量較少，但是誤檢率極低。在實際應用中，為了避免誤檢出眨眼活動帶來的誤識別，以當一幀30秒眼電信號為例，可以在一幀信號里至少要檢出2個或2個以上的眨眼活動時，再判定用戶當前處于清醒狀態(tài)。本發(fā)明實施例的方案，對清醒狀態(tài)進行準確判斷，可以形成清醒狀態(tài)檢測器，該檢測器如果輸出結果為“是”，即判定當前狀態(tài)為清醒狀態(tài)，如果輸出結果為“否”，可判定當前狀態(tài)為非確定狀態(tài)(既不是清醒狀態(tài)，但也不能認為是睡眠狀態(tài))。相對于傳統(tǒng)方法的準確率可能會受到干擾影響，本發(fā)明的技術對于部分干擾較嚴重的信號，可能會影響檢出率，但是不會影響到準確率，可以適用于睡眠狀態(tài)分析中對于清醒狀態(tài)的檢測識別。以上所述實施例的各技術特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特征所有可能的組合都進行描述，然而，只要這些技術特征的組合不存在矛盾，都應當認為是本說明書記載的范圍。以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對發(fā)明專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本發(fā)明構思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應以所附權利要求為準。當前第1頁1 2 3