一种柔性便携式双路通讯多通道睡眠监测方法及系统与流程

本发明涉及睡眠监测，具体为一种柔性便携式双路通讯多通道睡眠监测方法及系统。

背景技术：

1、睡眠监测和分期是评估睡眠质量和研究睡眠障碍的重要手段。另一个是设备便携穿戴方便，机肤柔合，体积小且重量轻，监测精度高也是决定设备在行业的意义。

2、传统台式脑电采集装置广泛应用于实验室中。由于其体积较大，质量重，且供电需要市电，会存在工频干扰，且只能应用于室内实验。传统台式常采用湿电极作为采集电极，在实验前需要在电极与头皮之间打导电膏，使头皮与电极保持良好的接触，降低接触阻抗。这会增加实验前期的准备工作量。同时在实验结束后，还需要清洗头发，清洗脑电帽等。实验过程较为繁琐。由于使用长导线连接脑电帽与放大器，这就会增大引入共模干扰或者其他噪声的可能性，增加后期数据处理的复杂性。

3、现有技术手段虽然可以采集脑电信号，但是都是采用一些较为传统的采集设备进行信号采集，在采集脑电信号时，或多或少都会面临诸如以下的技术问题。

4、传统台式脑电采集设备，常采用帽式采集电极，体积大，市电供电，仅能应用于实验室中，无法走向实际应用。便携式脑电设备，体积重量还相对较大，采用头带、头盔等固定方式，隐秘性、可穿戴性较差，不易被消费者接受。脑电采集设备使用长导线连接电极与放大器，这就会增大引入共模干扰或者其他噪声的可能性，增加后期数据处理的复杂性。对于无线便携式脑电设备，在进行ssvep等具有刺激标签实验时，需要搭配路由器和一个标签盒设备，增加了采集设备的复杂性。脑电帽、头带、头盔式的采集电极位置固定不能改变，实验不灵活，可扩展性、重构性差。

5、传统的睡眠监测方法主要依赖于多通道脑电图(eeg)、心电图(ecg)、眼电图(eog)、肌电(emg)、血氧饱和度(spo2)、口鼻气流(airflow)、胸/腹呼吸运动(chestmovement/abdomenmovement)、体位体动(bodyposition)、鼾声(snore)等专业仪器进行监测。然而，这些仪器的使用复杂，组件分散且成本较高，通常需要专业人员进行操作和分析，限制了适用范围。近年来，基于可穿戴设备的睡眠监测技术逐渐兴起，具有使用便捷、佩戴舒适等优势。其中，基于eeg信号的自动睡眠分期算法成为研究热点。eeg信号包含人脑在不同睡眠阶段产生的电活动信息，通过对这些信号进行分析和分类，可以实现对睡眠状态的评估和分期。

6、在eeg信号分析中，传统方法通过频率分析将一个输入信号拆分成5个不同频率范围的波信号进行分析(δ波的频率范围为0.5-4hz，θ波的频率范围为4-8hz，α波的频率范围为8-13hz，β波的频率范围为13-30hz，γ波的频率范围为30-100hz).将这五种波信号分离出来并在时域上进行表示，然后让人类专家对5种波形特征进行综合分析，从而人工地对睡眠状态进行标记(清醒，浅睡，深睡，快速眼动期)，这种方法不仅依赖人类专家的经验，而且费时费力，难以大规模应用。

7、近年来来，受益于机器学习领域的长足发展，涌现出了一些基于深度学习的eeg睡眠分期方法，有些方法将eeg的时域表示作为cnn或rnn神经网络的输入进行有监督学习，有些方法先将eeg表示为频域再送入cnn神经网络进行监督学习，从而实现基于深度神经网络的自动睡眠分期。

8、现有的基于深度学习的方法在对脑电信号进行分析时，往往只是单独使用了脑电信号时域或频域特征，没有全面地利用信号的时域、频域特征进行综合分析，这导致模型对信号的特征提取能力受限，进而影响算法的泛化能力，造成总体的识别精度不高。

9、在现代社会中，由于各种各样的压力和生活方式的改变，鼾声已经成为了人们睡眠中不可避免的问题。鼾声不仅会影响他人的睡眠质量，还容易引起自身健康问题，如睡眠呼吸暂停综合症等。因此，对鼾声进行检测和处理具有重要的意义。

10、传统的鼾声检测算法通过麦克风录制音频信息，通过人工设计的一些特征识别模式来判是否发生了打鼾，由于噪声和环境干扰等外部因素的影响，传统鼾声检测算法的精度较低，经常出现误判或漏判的情况。此外，传统鼾声检测算法只能检测特定类型的鼾声，对于不同种类或者变化多端的鼾声缺乏适应性。近年来，随着深度学习方法的兴起，基于数据驱动的ai算法可以在大量带有标注的音频数据中自动学习出适用于鼾声检测的高级表征，从而提升检测算法的适应性和精度。

11、现有的鼾声检测方法主要基于音频信息，虽然基于数据驱动的ai算法对精度有了较大的提升，但是在复杂多变的现实环境中，由于环境噪声的干扰、复杂的用户情况变化等因素，依然会有漏检误检，特别是面向消费端的检测场景下，被测目标附近经常会有其他人在打鼾，这时，仅仅通过对音频数据的分析，基本无法判别鼾声是来自佩戴者还是其他人员，检测效果会大大折扣。

技术实现思路

1、(一)发明目的

2、本发明是为了解决现有技术的缺点和困难，从而提出了一种柔性便携式双路通讯多通道睡眠监测方法。

3、(二)技术方案

4、为解决上述问题，本发明第一方面提供了一种柔性便携式双路通讯多通道睡眠监测方法，包括：

5、对用户脑电信号进行采集，获取多通道的eeg测量信号；

6、将所述eeg测量信号进行切片处理，形成多个信号片段；

7、对每个所述信号片段进行频域、时域特征处理与分析，以获取频域特征向量和时域特征特征；

8、将所述频域特征向量和时域特征向量进行拼接，通过mlp全接连网络后，得到睡眠分期预测结果。

9、作为本发明的一个技术方案，所述对每个所述信号片段进行频域、时域特征处理与分析，以获取频域特征向量和时域特征特征，包括：

10、对多通道eeg测量信号片段进行时域切割，切割窗口为a秒，步长为b秒；

11、利用傅里叶变换将每个窗口拆分成m种不同波段的频域特征；

12、经傅里叶变换后，获得一个矩阵，使用计算机视觉领域的cnn或vit结构进行处理，从而获取频域特征向量。

13、作为本发明的一个技术方案，所述对每个所述信号片段进行频域、时域特征处理与分析，以获取频域特征向量和时域特征特征，包括：

14、利用傅里叶变换和反变换，将单通道的eeg信号变换到m种不同波段频谱范围中，以获取m通道数据；

15、将所述m通道数据组成一个矩阵，使用计算机视觉领域的cnn或vit结构进行处理，从而获取时域特征向量。

16、作为本发明的一个技术方案，所述方法还包括鼾声检测：

17、采集单通道的音频信号并进行处理，以获取每一个音频信号片段的特征向量；

18、对多通道eeg测量信号进行处理，以获取每一个eeg测量信号片段的特征向量；

19、将所述音频信号片段的特征向量与eeg测量信号片段的特征向量进行拼接；

20、通过一个mlp全接连网络处理预测，得到打鼾预测结果。

21、作为本发明的一个技术方案，所述采集单通道的音频信号并进行处理，以获取每一个音频信号片段的特征向量，包括：

22、采集单通道的音频信号，将音频信号经过重采样处理；

23、利用一定宽度的滑窗沿时间轴取出音频信号片段，滑窗衍时间轴移动一定步长，获取多音频信号片段；

24、对每一个信号片段进行滑窗处理后取多个信号子片段；

25、对每个信号子片段进行梅尔频谱转换，将信号从时域转化到频域；

26、对每个信号片段进行矩阵，并使用计算机视觉领域的vit结构进行处理，取vit输出的cls令牌向量作为每一个音频信号片段的特征向量。

27、作为本发明的一个技术方案，所述对多通道eeg测量信号进行处理，以获取每一个eeg测量信号片段的特征向量，包括：

28、获取与所述音频信号片段在时间上完全对齐的eeg测量信号片段；

29、对每个eeg测量信号片段进行滑窗处理后取多个eeg信号子片段；

30、对每个eeg信号子片段进行梅尔频谱转换，将信号从时域转化到频域；

31、对每个eeg测量信号片段进行矩阵，并使用vit结构进行处理，取vit输出的cls令牌向量作为每一个eeg测量信号片段的特征向量。

32、作为本发明的一个技术方案，所述方法还包括睡眠状态训练模型，采集用户睡眠数据，利用专家对所述睡眠数据进行分析，并标记出每个时间段的实际睡眠状态，形成训练数据，实用交叉熵损失，对网络模型进行训练。

33、作为本发明的一个技术方案，所述方法还包括算法训练模型：

34、数据采集，采集不同用户的睡眠数据，获取时间轴对齐的音频和eeg信号；

35、数据标注，使用一个基于音频信号的鼾声检测算法识别出鼾声，并经过人工复检，为数据打上是否打鼾的标记；

36、音频数据增强，在音频信号上随机加入多种生活中的环境噪声；

37、利用经音频数据增强的标注数据供算法模型进行监督训练。

38、本发明第二方面提出了一种柔性便携式双路通讯多通道睡眠监测系统，其包括：

39、采集单元，用于对用户脑电信号进行采集，获取多通道的eeg测量信号；

40、第一处理单元，将所述eeg测量信号进行切片处理，形成多个信号片段；

41、第二处理单元，对每个所述信号片段进行频域、时域特征处理与分析，以获取频域特征向量和时域特征特征；

42、预测单元，将所述频域特征向量和时域特征向量进行拼接，通过mlp全接连网络后，得到睡眠分期预测结果。

43、作为本发明的一个技术方案，所述系统还包括音频单元，用于采集音频信号。

44、本发明的上述技术方案具有如下有益的技术效果：

45、本发明使用特定的频域转化方法，将采样率差异较大的音频和eeg信号进行对齐处理，并通过双vit网络架构同时对音频和eeg信号特征进行分析处理，有效地捕捉音频和脑电两种模态的信息，对两种信号的综合处理可以形成互补，得到准确的鼾声检测结果。

46、通过科学合理的数据准备和数据增强手段，让模型更好地学习环境噪声和他人打鼾的情形，以较低的成本得到大量复杂情况下的高质量训练数据，极大提升模型的鲁棒性。