本發(fā)明涉及睡眠分析技術(shù)領(lǐng)域，特別是涉及腦電波分析方法和系統(tǒng)。

背景技術(shù)：

高質(zhì)量的睡眠能保證日常生活的良好運(yùn)作，比如精神健康、創(chuàng)新能力和工作表現(xiàn)等，睡眠不充足或無效的睡眠會(huì)導(dǎo)致白天嗜睡，易怒，情緒困擾，抑郁或焦慮，甚至?xí)黾邮鹿事?。腦電圖代表了大腦活動(dòng)的豐富信息，睡眠/喚醒分為三個(gè)階段：清醒，非快速眼動(dòng)睡眠以及快速眼動(dòng)睡眠階段。了解睡眠周期中睡眠的結(jié)構(gòu)變化至關(guān)重要。

然而，由于腦電信號(hào)的高度復(fù)雜特性，無論是信號(hào)的振幅還是頻率都展現(xiàn)非線性和非平穩(wěn)的模式，睡眠研究領(lǐng)域中各睡眠階段的確定是一個(gè)挑戰(zhàn)，傳統(tǒng)的腦電波算法中，腦電波序列本身波動(dòng)特征的損失較大，無法直接的描述人體睡眠狀態(tài)的動(dòng)態(tài)變化，也就無法準(zhǔn)確的區(qū)分各睡眠階段。

技術(shù)實(shí)現(xiàn)要素：

基于此，有必要針對(duì)腦電波的傳統(tǒng)分析方法無法準(zhǔn)確劃分人體各睡眠階段的問題，提供一種腦電波分析方法和系統(tǒng)，其中，所述方法包括：

獲取原始腦電波序列；

根據(jù)預(yù)設(shè)的原始腦電波序列的標(biāo)度區(qū)間和標(biāo)度步長，確定各標(biāo)度；

根據(jù)所述各標(biāo)度、所述原始腦電波序列和預(yù)設(shè)的高階矩階數(shù)，計(jì)算所述各標(biāo)度下的粗?；唠A矩腦電波序列，且所述預(yù)設(shè)的高階矩階數(shù)大于二；

根據(jù)所述各標(biāo)度下的粗?；唠A矩腦電波序列和高階矩信息熵算法，計(jì)算所述各標(biāo)度下的高階矩腦電波信息熵，獲取所述原始腦電波的多標(biāo)度高階矩信息熵集合；

根據(jù)所述多標(biāo)度高階矩信息熵集合確定所述原始腦電波序列的動(dòng)態(tài)變化信息。

在其中一個(gè)實(shí)施例中，所述標(biāo)度包括：大標(biāo)度和小標(biāo)度，所述大標(biāo)度大于所述小標(biāo)度；

所述根據(jù)預(yù)設(shè)的原始腦電波序列的標(biāo)度區(qū)間和標(biāo)度步長，確定各標(biāo)度，包括：

根據(jù)預(yù)設(shè)的大標(biāo)度區(qū)間和大標(biāo)度步長，確定各大標(biāo)度，以及根據(jù)預(yù)設(shè)的小標(biāo)度區(qū)間和小標(biāo)度步長，確定各小標(biāo)度。

在其中一個(gè)實(shí)施例中，所述根據(jù)所述各標(biāo)度、所述原始腦電波序列和預(yù)設(shè)的高階矩階數(shù)，計(jì)算所述各標(biāo)度下的粗粒化高階矩腦電波序列，包括：

根據(jù)所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)所有所述原始腦電波序列、所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)所有所述原始腦電波序列的均值、所述各標(biāo)度的各標(biāo)度區(qū)間和預(yù)設(shè)的高階矩階數(shù)，計(jì)算所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)的高階矩腦電波數(shù)據(jù)；

根據(jù)所述各標(biāo)度下的所述各標(biāo)度區(qū)間內(nèi)的高階矩腦電波數(shù)據(jù)，獲取所述各標(biāo)度下的粗?；唠A矩腦電波序列。

在其中一個(gè)實(shí)施例中，所述根據(jù)所述各標(biāo)度下的粗?；唠A矩腦電波序列和高階矩信息熵算法，計(jì)算所述各標(biāo)度下的高階矩腦電波信息熵，包括：

根據(jù)預(yù)設(shè)的嵌入維數(shù)、預(yù)設(shè)的匹配閾值和所述各標(biāo)度下的粗?；唠A矩腦電波序列，通過高階矩樣本熵算法，計(jì)算所述各標(biāo)度下的高階矩腦電波樣本熵。

在其中一個(gè)實(shí)施例中，在根據(jù)所述各標(biāo)度下的粗?；唠A矩腦電波序列和高階矩信息熵算法，計(jì)算所述各標(biāo)度下的高階矩腦電波信息熵的步驟之后，所述方法還包括：

根據(jù)所述各標(biāo)度下的高階矩腦電波信息熵和復(fù)雜度算法，計(jì)算腦電波復(fù)雜度指標(biāo)。

本發(fā)明所提供的腦電波分析方法，將原始腦電波序列，根據(jù)確定的各標(biāo)度進(jìn)行粗?；?，根據(jù)預(yù)設(shè)的高階矩階數(shù)計(jì)算所述原始腦電波的多標(biāo)度的高階矩信息熵，其中，所述的高階矩用于確定所述原始腦電波序列的動(dòng)態(tài)變化信息，其中，所述預(yù)設(shè)的高階矩階數(shù)大于二，二階矩代表所述原始腦電波序列的方差，三階矩代表所述原始腦電波序列的偏差，因此，利用本方法所計(jì)算多標(biāo)度的高階矩信息熵，更好的保留了原始腦電波序列的波動(dòng)性，避免了傳統(tǒng)腦電波分析方法中，因采用均值的計(jì)算方式導(dǎo)致的序列粗粒化過程中的波動(dòng)性損失過大的問題。

在其中一個(gè)實(shí)施例中，所述標(biāo)度分為大標(biāo)度和小標(biāo)度，其中，所述大標(biāo)度用于分析腦電波中的慢波，所述小標(biāo)度用于分析腦電波中的快波，同時(shí)利用大標(biāo)度和小標(biāo)度的腦電波分析方法，能夠?qū)⒛X電波中的快波和慢波進(jìn)行分析，使得腦電波的分析結(jié)果更加全面。

在其中一個(gè)實(shí)施例中，根據(jù)確定的各標(biāo)度，計(jì)算所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)的高階矩腦電波數(shù)據(jù)，并組成各標(biāo)度下的粗?；唠A矩腦電波序列，所采用的粗?；案唠A矩的分析方法，能夠更好的突出腦電波相關(guān)噪聲的復(fù)雜度，增加腦電波分析的可行性，提高腦電波分析的效率。

在其中一個(gè)實(shí)施例中，利用樣本熵的分析方法，計(jì)算所述原始腦電波序列在各標(biāo)度小的高階矩腦電波信息熵，所述的樣本熵的分析方法，符合腦電波的生物特點(diǎn)，分析結(jié)果具有更好的相關(guān)性，使得腦電波的分析結(jié)果更加準(zhǔn)確。

在其中一個(gè)實(shí)施例中，本方法還提供腦電波復(fù)雜度指標(biāo)的計(jì)算，使得腦電波的計(jì)算結(jié)果更加直觀，高效。

本發(fā)明還提供一種腦電波分析系統(tǒng)，包括：

原始腦電波序列獲取模塊，用于獲取原始腦電波序列；

標(biāo)度確定模塊，用于根據(jù)預(yù)設(shè)的原始腦電波序列的標(biāo)度區(qū)間和標(biāo)度步長，確定各標(biāo)度；

粗粒化高階矩計(jì)算模塊，用于根據(jù)所述各標(biāo)度、所述原始腦電波序列和預(yù)設(shè)的高階矩階數(shù)，計(jì)算所述各標(biāo)度下的粗?；唠A矩腦電波序列，且所述預(yù)設(shè)的高階矩階數(shù)大于二；

信息熵計(jì)算模塊，用于根據(jù)所述各標(biāo)度下的粗粒化高階矩腦電波序列和高階矩信息熵算法，計(jì)算所述各標(biāo)度下的高階矩腦電波信息熵，獲取所述原始腦電波的多標(biāo)度高階矩信息熵集合；

腦電波動(dòng)態(tài)變化信息確定模塊，用于根據(jù)所述多標(biāo)度高階矩信息熵集合確定所述原始腦電波序列的動(dòng)態(tài)變化信息。

在其中一個(gè)實(shí)施例中，所述標(biāo)度確定模塊，用于確定的所述標(biāo)度包括：大標(biāo)度和小標(biāo)度，所述大標(biāo)度大于所述小標(biāo)度；

所述標(biāo)度確定模塊，包括：

大標(biāo)度確定單元，用于根據(jù)預(yù)設(shè)的大標(biāo)度區(qū)間和大標(biāo)度步長，確定各大標(biāo)度，以及

小標(biāo)度確定單元，用于根據(jù)預(yù)設(shè)的小標(biāo)度區(qū)間和小標(biāo)度步長，確定各小標(biāo)度。

在其中一個(gè)實(shí)施例中，所述粗粒化高階矩計(jì)算模塊，包括：

粗粒化高階矩計(jì)算單元，用于根據(jù)所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)所有所述原始腦電波序列、所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)所有所述原始腦電波序列的均值、所述各標(biāo)度的各標(biāo)度區(qū)間和預(yù)設(shè)的高階矩階數(shù)，計(jì)算所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)的高階矩腦電波數(shù)據(jù)；

粗?；唠A矩序列獲取單元，用于根據(jù)所述各標(biāo)度下的所述各標(biāo)度區(qū)間內(nèi)的高階矩腦電波數(shù)據(jù)，獲取所述各標(biāo)度下的粗?；唠A矩腦電波序列。

在其中一個(gè)實(shí)施例中，所述信息熵計(jì)算模塊，用于根據(jù)預(yù)設(shè)的嵌入維數(shù)、預(yù)設(shè)的匹配閾值和所述各標(biāo)度下的粗粒化高階矩腦電波序列，通過高階矩樣本熵算法，計(jì)算所述各標(biāo)度下的高階矩腦電波樣本熵。

在其中一個(gè)實(shí)施例中，還包括：

腦電波復(fù)雜度指標(biāo)計(jì)算模塊，用于根據(jù)所述各標(biāo)度下的高階矩腦電波信息熵和復(fù)雜度算法，計(jì)算腦電波復(fù)雜度指標(biāo)。

本發(fā)明所提供的腦電波分析系統(tǒng)，將原始腦電波序列，根據(jù)確定的各標(biāo)度進(jìn)行粗?；螅鶕?jù)預(yù)設(shè)的高階矩階數(shù)計(jì)算所述原始腦電波的多標(biāo)度的高階矩信息熵，其中，所述的高階矩用于確定所述原始腦電波序列的動(dòng)態(tài)變化信息，其中，所述預(yù)設(shè)的高階矩階數(shù)大于二，二階矩代表所述原始腦電波序列的方差，三階矩代表所述原始腦電波序列的偏差，因此，利用本系統(tǒng)所計(jì)算多標(biāo)度的高階矩信息熵，更好的保留了原始腦電波序列的波動(dòng)性，避免了傳統(tǒng)腦電波分析方法中，因采用均值的計(jì)算方式導(dǎo)致的序列粗粒化過程中的波動(dòng)性損失過大的問題。

在其中一個(gè)實(shí)施例中，所述標(biāo)度分為大標(biāo)度和小標(biāo)度，其中，所述大標(biāo)度用于分析腦電波中的慢波，所述小標(biāo)度用于分析腦電波中的快波，同時(shí)利用大標(biāo)度和小標(biāo)度的腦電波分析方法，能夠?qū)⒛X電波中的快波和慢波進(jìn)行分析，使得腦電波的分析結(jié)果更加全面。

在其中一個(gè)實(shí)施例中，根據(jù)確定的各標(biāo)度，計(jì)算所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)的高階矩腦電波數(shù)據(jù)，并組成各標(biāo)度下的粗?；唠A矩腦電波序列，所采用的粗粒化及高階矩的分析，能夠更好的突出腦電波相關(guān)噪聲的復(fù)雜度，增加腦電波分析的可行性，提高腦電波分析的效率。

在其中一個(gè)實(shí)施例中，利用樣本熵的分析系統(tǒng)，計(jì)算所述原始腦電波序列在各標(biāo)度小的高階矩腦電波信息熵，所述的樣本熵的分析，符合腦電波的生物特點(diǎn)，分析結(jié)果具有更好的相關(guān)性，使得腦電波的分析結(jié)果更加準(zhǔn)確。

在其中一個(gè)實(shí)施例中，本系統(tǒng)還提供腦電波復(fù)雜度指標(biāo)的計(jì)算，使得腦電波的計(jì)算結(jié)果更加直觀，高效。

附圖說明

圖1為一個(gè)實(shí)施例中的腦電波分析方法的流程示意圖；

圖2為另一個(gè)實(shí)施例中的腦電波分析方法的流程示意圖；

圖3為原始腦電波序列示意圖；

圖4為小標(biāo)度的示意圖；

圖5為小標(biāo)度下高階矩樣本熵的計(jì)算示意圖；

圖6為一個(gè)實(shí)施例中的腦電波分析系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

圖1為一個(gè)實(shí)施例中的腦電波分析方法的流程示意圖，如圖1所示的腦電波分析方法包括：

步驟S100，獲取原始腦電波序列。

具體的，所述原始腦電波序列，舉例如圖3所示，圖3為REM期的腦電波的原始走勢(shì)圖，具有數(shù)據(jù)波動(dòng)大、頻率組成成分多樣，無法從中直接分析出需要的腦電波動(dòng)態(tài)波動(dòng)信息，用于描述人體睡眠狀態(tài)的動(dòng)態(tài)變化。

步驟S200，根據(jù)預(yù)設(shè)的原始腦電波序列的標(biāo)度區(qū)間和標(biāo)度步長，確定各標(biāo)度。

具體的，為更好的在所述的原始腦電波序列中提取有用的信息，將原始數(shù)據(jù)進(jìn)行粗?；奶幚?，所述各標(biāo)度，代表了粗?；牟煌潭?。

所述標(biāo)度包括：大標(biāo)度和小標(biāo)度，所述大標(biāo)度大于所述小標(biāo)度；所述根據(jù)預(yù)設(shè)的原始腦電波序列的標(biāo)度區(qū)間和標(biāo)度步長，確定各標(biāo)度，包括：根據(jù)預(yù)設(shè)的大標(biāo)度區(qū)間和大標(biāo)度步長，確定各大標(biāo)度，以及根據(jù)預(yù)設(shè)的小標(biāo)度區(qū)間和小標(biāo)度步長，確定各小標(biāo)度。

由于腦電波中，有快波和慢波，所述大標(biāo)度用于分析腦電波中的慢波，所述小標(biāo)度用于分析腦電波中的快波。

通常，小標(biāo)度的取值區(qū)間為1-20，默認(rèn)標(biāo)度步長為1，即，小標(biāo)度取值為：以1個(gè)數(shù)據(jù)為標(biāo)度步長，則確定的各小標(biāo)度分別為：1、2、3、4、5、6、7……18、19、20，分別代表以1個(gè)數(shù)據(jù)為重構(gòu)區(qū)間，以2個(gè)數(shù)據(jù)為重構(gòu)區(qū)間，以3個(gè)數(shù)據(jù)為重構(gòu)區(qū)間……以20個(gè)數(shù)據(jù)為重構(gòu)區(qū)間。若小標(biāo)度的取值區(qū)間為2-10，標(biāo)度步長為2，則確定的各小標(biāo)度分別為：2、4、6、8、10，分別代表以2個(gè)數(shù)據(jù)為重構(gòu)區(qū)間，以4個(gè)數(shù)據(jù)為重構(gòu)區(qū)間……以10個(gè)數(shù)據(jù)為重構(gòu)區(qū)間。由于小標(biāo)度確定的重構(gòu)區(qū)間較小，因此可以將原始腦電波序列中的快波的因素考慮進(jìn)去。圖4為小標(biāo)度等于2和3時(shí)的相空間重構(gòu)示意圖。

相應(yīng)的，為考慮慢波的因素，大標(biāo)度的取值區(qū)間和標(biāo)度步長的設(shè)定要大于小標(biāo)度的相應(yīng)取值。例如，將所述大標(biāo)度取值區(qū)間定為100-1000，標(biāo)度步長定位100。

由于腦電波的采樣通常采用頻率為單位，在實(shí)際使用中，大標(biāo)度通常也可以秒為單位，例如，大標(biāo)度區(qū)間為0.25s-2s，大標(biāo)度為0.25s，根據(jù)原始腦電波序列的取樣頻率的不同，如采樣頻率為512Hz，則換算出大標(biāo)度的重構(gòu)區(qū)間為0.25*512＝128，以及2*512＝1024，及，以128個(gè)數(shù)據(jù)至1024個(gè)數(shù)據(jù)為大標(biāo)度的標(biāo)度區(qū)間，以128個(gè)點(diǎn)為標(biāo)度步長，即，各大標(biāo)度為：128，256，384，512……1024。

步驟S300，根據(jù)所述各標(biāo)度、所述原始腦電波序列和預(yù)設(shè)的高階矩階數(shù)，計(jì)算所述各標(biāo)度下的粗粒化高階矩腦電波序列，且所述預(yù)設(shè)的高階矩階數(shù)大于二。

具體的，所述高階矩的計(jì)算中，二階矩計(jì)算的是方差，三階矩計(jì)算的是偏度，四階矩計(jì)算的是峰度。

根據(jù)所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)所有所述原始腦電波序列、所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)所有所述原始腦電波序列的均值、所述各標(biāo)度的各標(biāo)度區(qū)間和預(yù)設(shè)的高階矩階數(shù)，計(jì)算所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)的高階矩腦電波數(shù)據(jù)；根據(jù)所述各標(biāo)度下的所述各標(biāo)度區(qū)間內(nèi)的高階矩腦電波數(shù)據(jù)，獲取所述各標(biāo)度下的粗粒化高階矩腦電波序列。

將一個(gè)已知的時(shí)間序列X＝{X₁，X₂，...，X_N},分割成具有相等長度τ的無重疊區(qū)間后，使用不同階矩方法對(duì)每個(gè)區(qū)間進(jìn)行粗?；玫叫聰?shù)列{y^(τ)}：

其中，

一階矩

二階矩

三階矩

如圖5表示了在不同標(biāo)度值下，前三階矩的粗?；X電波時(shí)間序列。前三階矩分別表示為：MSE_μ(均值)，(方差)，MSE_skew(偏差)。

步驟S400，根據(jù)所述各標(biāo)度下的粗?；唠A矩腦電波序列和高階矩信息熵算法，計(jì)算所述各標(biāo)度下的高階矩腦電波信息熵，獲取所述原始腦電波的多標(biāo)度高階矩信息熵集合。

具體的，所述的信息熵包括樣本熵和近似熵，其中所述樣本熵計(jì)算結(jié)果的相關(guān)性較好，近似熵的計(jì)算過程則考慮不全面。

以樣本熵為例，根據(jù)預(yù)設(shè)的嵌入維數(shù)、預(yù)設(shè)的匹配閾值和所述各標(biāo)度下的粗?；唠A矩腦電波序列，通過高階矩樣本熵算法，計(jì)算所述各標(biāo)度下的高階矩腦電波樣本熵。

所述樣本熵的計(jì)算方法如下：

對(duì)于數(shù)列{y^(τ)}，其長度為N/τ，對(duì)其構(gòu)造個(gè)模板向量其中1≤i≤N/τ-m+1，m為嵌入維數(shù)(參數(shù))，r表示接受匹配的閾值。定義模板向量之間的距離為向量內(nèi)元素之間的最大差值

設(shè)B_i為所有使得與之間距離小于一個(gè)給定閾值r的j的個(gè)數(shù)，且i≠j；設(shè)A_i為所有使得與之間距離小于r的j的個(gè)數(shù)，且i≠j。那么使得模板向量與之間的距離小于r的概率為：

對(duì)上式求均值，得到：

類似地，為使得模板向量與之間的距離小于r的概率，為的均值。因此在m維和m+1維相空間中，滿足模板向量之間的距離小于r的模板總對(duì)數(shù)為：

與

最后，樣本熵定義為：

表示時(shí)間序列的數(shù)據(jù)點(diǎn)在m維相空間中模式重現(xiàn)的條件下，也會(huì)在m+1維相空間中模式重現(xiàn)的條件概率的負(fù)自然對(duì)數(shù)。

計(jì)算所述各標(biāo)度下的高階矩樣本熵后，將所述各標(biāo)度下的高階矩樣本熵組成多標(biāo)度高階矩信息熵集合。

步驟S500，根據(jù)所述多標(biāo)度高階矩信息熵集合確定所述原始腦電波序列的動(dòng)態(tài)變化信息。

具體的，所述多標(biāo)度高階矩信息熵集合，可以用于分析腦電波的動(dòng)態(tài)變化信息，如根據(jù)睡眠各階段的腦電波波動(dòng)特征，區(qū)分人體睡眠的不同階段。

本發(fā)明所提供的腦電波分析方法，將原始腦電波序列，根據(jù)確定的各標(biāo)度進(jìn)行粗?；?，根據(jù)預(yù)設(shè)的高階矩階數(shù)計(jì)算所述原始腦電波的多標(biāo)度的高階矩信息熵，其中，所述的高階矩用于確定所述原始腦電波序列的動(dòng)態(tài)變化信息，其中，所述預(yù)設(shè)的高階矩階數(shù)大于二，二階矩代表所述原始腦電波序列的方差，三階矩代表所述原始腦電波序列的偏差，因此，利用本方法所計(jì)算多標(biāo)度的高階矩信息熵，更好的保留了原始腦電波序列的波動(dòng)性，避免了傳統(tǒng)腦電波分析方法中，因采用均值的計(jì)算方式導(dǎo)致的序列粗?；^程中的波動(dòng)性損失過大的問題。

在本實(shí)施例中，所述標(biāo)度分為大標(biāo)度和小標(biāo)度，其中，所述大標(biāo)度用于分析腦電波中的慢波，所述小標(biāo)度用于分析腦電波中的快波，同時(shí)利用大標(biāo)度和小標(biāo)度的腦電波分析方法，能夠?qū)⒛X電波中的快波和慢波進(jìn)行分析，使得腦電波的分析結(jié)果更加全面。

在本實(shí)施例中，根據(jù)確定的各標(biāo)度，計(jì)算所述各標(biāo)度下的高階矩腦電波數(shù)據(jù)，并組成各標(biāo)度下的粗?；唠A矩腦電波序列，所采用的粗?；案唠A矩的分析方法，能夠更好的突出腦電波相關(guān)噪聲的復(fù)雜度，增加腦電波分析的可行性，提高腦電波分析的效率。

在本實(shí)施例中，利用樣本熵的分析方法，計(jì)算所述原始腦電波序列在各標(biāo)度下的高階矩腦電波信息熵，所述的樣本熵的分析方法，符合腦電波的生物特點(diǎn)，分析結(jié)果具有更好的相關(guān)性，使得腦電波的分析結(jié)果更加準(zhǔn)確。

圖2為另一個(gè)實(shí)施例中的腦電波分析方法的流程示意圖，如圖2所示的腦電波分析方法包括：

步驟S100，獲取原始腦電波序列。

步驟S200，根據(jù)預(yù)設(shè)的原始腦電波序列的標(biāo)度區(qū)間和標(biāo)度步長，確定各標(biāo)度。

步驟S300，根據(jù)所述各標(biāo)度、所述原始腦電波序列和預(yù)設(shè)的高階矩階數(shù)，計(jì)算所述各標(biāo)度下的粗?；唠A矩腦電波序列，且所述預(yù)設(shè)的高階矩階數(shù)大于二。

步驟S400，根據(jù)所述各標(biāo)度下的粗?；唠A矩腦電波序列和高階矩信息熵算法，計(jì)算所述各標(biāo)度下的高階矩腦電波信息熵，獲取所述原始腦電波的多標(biāo)度高階矩信息熵集合。

步驟S500，根據(jù)所述多標(biāo)度高階矩信息熵集合確定所述原始腦電波序列的動(dòng)態(tài)變化信息。

步驟S600，根據(jù)所述各標(biāo)度下的高階矩腦電波信息熵和復(fù)雜度算法，計(jì)算腦電波復(fù)雜度指標(biāo)。

具體的，所述復(fù)雜度指標(biāo)公式為：

一整晚的睡眠腦電波數(shù)據(jù)，按照30秒一個(gè)間期，每個(gè)間期內(nèi)都可以得出一個(gè)復(fù)雜度指標(biāo)，根據(jù)標(biāo)度取值的不同，復(fù)雜度的取值可以代表睡眠質(zhì)量的好壞。

在本實(shí)施例中，本方法還提供腦電波復(fù)雜度指標(biāo)的計(jì)算，使得腦電波的計(jì)算結(jié)果更加直觀，高效。

圖6為一個(gè)實(shí)施例中的腦電波分析系統(tǒng)的結(jié)構(gòu)示意圖，如圖6所示的腦電波分析系統(tǒng)包括：

原始腦電波序列獲取模塊100，用于獲取原始腦電波序列。

標(biāo)度確定模塊200，用于根據(jù)預(yù)設(shè)的原始腦電波序列的標(biāo)度區(qū)間和標(biāo)度步長，確定各標(biāo)度；用于確定的所述標(biāo)度包括：大標(biāo)度和小標(biāo)度，所述大標(biāo)度大于所述小標(biāo)度；所述標(biāo)度確定模塊，包括：大標(biāo)度確定單元，用于根據(jù)預(yù)設(shè)的大標(biāo)度區(qū)間和大標(biāo)度步長，確定各大標(biāo)度，以及小標(biāo)度確定單元，用于根據(jù)預(yù)設(shè)的小標(biāo)度區(qū)間和小標(biāo)度步長，確定各小標(biāo)度。

粗粒化高階矩計(jì)算模塊300，用于根據(jù)所述各標(biāo)度、所述原始腦電波序列和預(yù)設(shè)的高階矩階數(shù)，計(jì)算所述各標(biāo)度下的粗粒化高階矩腦電波序列，且所述預(yù)設(shè)的高階矩階數(shù)大于二；包括：粗?；唠A矩計(jì)算單元，用于根據(jù)所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)所有所述原始腦電波序列、所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)所有所述原始腦電波序列的均值、所述各標(biāo)度的各標(biāo)度區(qū)間和預(yù)設(shè)的高階矩階數(shù)，計(jì)算所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)的高階矩腦電波數(shù)據(jù)；粗?；唠A矩序列獲取單元，用于根據(jù)所述各標(biāo)度下的所述各標(biāo)度區(qū)間內(nèi)的高階矩腦電波數(shù)據(jù)，獲取所述各標(biāo)度下的粗?；唠A矩腦電波序列。

信息熵計(jì)算模塊400，用于根據(jù)所述各標(biāo)度下的粗?；唠A矩腦電波序列和高階矩信息熵算法，計(jì)算所述各標(biāo)度下的高階矩腦電波信息熵，獲取所述原始腦電波的多標(biāo)度高階矩信息熵集合；用于根據(jù)預(yù)設(shè)的嵌入維數(shù)、預(yù)設(shè)的匹配閾值和所述各標(biāo)度下的粗?；唠A矩腦電波序列，通過高階矩樣本熵算法，計(jì)算所述各標(biāo)度下的高階矩腦電波樣本熵。

腦電波動(dòng)態(tài)變化信息確定模塊500，用于根據(jù)所述多標(biāo)度高階矩信息熵集合確定所述原始腦電波序列的動(dòng)態(tài)變化信息。

腦電波復(fù)雜度指標(biāo)計(jì)算模塊600，用于根據(jù)所述各標(biāo)度下的高階矩腦電波信息熵和復(fù)雜度算法，計(jì)算腦電波復(fù)雜度指標(biāo)。

本發(fā)明所提供的腦電波分析系統(tǒng)，將原始腦電波序列，根據(jù)確定的各標(biāo)度進(jìn)行粗?；?，根據(jù)預(yù)設(shè)的高階矩階數(shù)計(jì)算所述原始腦電波的多標(biāo)度的高階矩信息熵，其中，所述的高階矩用于確定所述原始腦電波序列的動(dòng)態(tài)變化信息，其中，所述預(yù)設(shè)的高階矩階數(shù)大于二，二階矩代表所述原始腦電波序列的方差，三階矩代表所述原始腦電波序列的偏差，因此，利用本系統(tǒng)所計(jì)算多標(biāo)度的高階矩信息熵，更好的保留了原始腦電波序列的波動(dòng)性，避免了傳統(tǒng)腦電波分析方法中，因采用均值的計(jì)算方式導(dǎo)致的序列粗?；^程中的波動(dòng)性損失過大的問題。

在本實(shí)施例中，所述標(biāo)度分為大標(biāo)度和小標(biāo)度，其中，所述大標(biāo)度用于分析腦電波中的慢波，所述小標(biāo)度用于分析腦電波中的快波，同時(shí)利用大標(biāo)度和小標(biāo)度的腦電波分析方法，能夠?qū)⒛X電波中的快波和慢波進(jìn)行分析，使得腦電波的分析結(jié)果更加全面。

在本實(shí)施例中，根據(jù)確定的各標(biāo)度，計(jì)算所述各標(biāo)度的各標(biāo)度區(qū)間內(nèi)的高階矩腦電波數(shù)據(jù)，并組成各標(biāo)度下的粗?；唠A矩腦電波序列，所采用的粗?；案唠A矩的分析，能夠更好的突出腦電波相關(guān)噪聲的復(fù)雜度，增加腦電波分析的可行性，提高腦電波分析的效率。

在本實(shí)施例中，利用樣本熵的分析系統(tǒng)，計(jì)算所述原始腦電波序列在各標(biāo)度下的高階矩腦電波信息熵，所述的樣本熵的分析，符合腦電波的生物特點(diǎn)，分析結(jié)果具有更好的相關(guān)性，使得腦電波的分析結(jié)果更加準(zhǔn)確。

在本實(shí)施例中，本系統(tǒng)還提供腦電波復(fù)雜度指標(biāo)的計(jì)算，使得腦電波的計(jì)算結(jié)果更加直觀，高效。

以上所述實(shí)施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡潔，未對(duì)上述實(shí)施例中的各個(gè)技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。

以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對(duì)發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。