CN119454052A 基于脑电波的智能睡眠状态监测方法及装置 （虎刺帕数智科技(浙江)有限公司）

基于脑电波的智能睡眠状态监测方法及装置地公开了一种基于脑电波的智能睡眠状态监测方法及装置，其通过EEG设备采集用户的脑电波并基于脑电波信号的全频聚合来进行用户的睡于先验知识来可自适应地调整电流模式以调节2对所述目标对象的脑电波信号进行信号预处理后分解为脑电波信号对所述脑电波信号分量的集合中的各个脑电波信号分量分别进行信号分量特征提取对所述脑电波信号分量波形编码特征的集合进行特征可区分强化处理以得到可区分中的各个脑电波信号分量波形编码特征进行场域映射以得到入场脑电波信号分量波形编基于所述可区分强化脑电波信号分量编码特征的集合进行睡眠状态识别以确定睡眠对所述目标对象的脑电波信号进行信号预处理以滤除所述脑电波信号中的高频噪声对所述降噪后脑电波信号进行基于CEEMDAN的信号分解以得到所述脑电波信号分量的标对象的脑电波信号进行信号预处理以滤除所述脑电波信号中的高频噪声以得到降噪后述脑电波信号中的高频噪声以得到所述降噪后脑电波电波信号分量的集合中的各个脑电波信号分量分别进行信号分量特征提取以得到脑电波分量分别输入基于RNN模型的信号分量特征提取器以得到脑电波信号分量波形编码特征向电波信号分量波形编码特征的集合中的各个脑电波信号分量波形编码特征进行场域映射号分量波形编码特征向量的集合中的各个脑电波信号分量波形编码特征向量进行场域映射以得到入场脑电波信号分量波形编码特征向量的集合作为所述入场脑电波信号分量波量波形编码特征的集合进行特征强化处理以得到所述可区分强化脑电波信号分量编码特计算所述入场脑电波信号分量波形编码特征向量的集合的本质特征以得到脑电波信3分量波形编码特征向量的集合进行特征强化处理以得到可区分强化脑电波信号分量编码特征向量的集合作为所述可区分强化脑电波信号入场脑电波信号分量波形编码特征向量的集合的本质特征以得到脑电波信号分量波形场计算所述入场脑电波信号分量波形编码特征向量的集合中的各个入场脑电波信号分量波形编码特征向量的场域深度因子以得到脑电波信号分量波形场域基于所述脑电波信号分量波形场域深度因子的集合，计算所述形编码特征向量的集合的本质特征以得到所述脑电波信号分量波形场域本特征向量的集合进行特征强化处理以得到可区分强化脑电波信号分量编码特征向量的集集合中的各个脑电波信号分量波形编码特征向量进行可区分强化以得到所述可区分强化可区分强化脑电波信号分量编码特征的集合进行睡眠状态识别以确定睡眠状态类型标签，脑电波信号处理模块，用于对所述目标对象的脑电波信号进行信号预处脑电波信号分量特征提取模块，用于对所述脑电波信号分量的集合号分量分别进行信号分量特征提取以得到脑电波信号分量脑电波信号特征可区分强化处理模块，用于对所述脑电波信号分量波形编码分量波形编码特征的集合中的各个脑电波信号分量波形编码特征进行场域映射以得到入睡眠状态识别模块，用于基于所述可区分强化脑电波4对所述脑电波信号分量的集合中的各个脑电波信号分量分别进行信号分量特征对所述脑电波信号分量波形编码特征的集合进行特征可区分强化处理以得到可集合中的各个脑电波信号分量波形编码特征进行场域映射以得到入场脑电波信号分量波基于所述可区分强化脑电波信号分量编码特征的集合进行睡眠状态识别以确定5波信号分量分别进行信号分量特征提取以得到脑电波信号分量波形编的集合进行特征可区分强化处理以得到可区分强化脑电波信号分量编码特征的集合，其波信号分量波形编码特征的集合中的各个脑电波信号分量波形编码特征进行场域映射以波形编码特征的集合进行特征强化处理以得到所述可区分强化脑电波信号分量编码特征[0008]本申请提供的一种基于脑电波的智能睡眠状态监测方法及装置，其通过EEG设备[0012]图3为本申请实施例的基于脑电波的智能睡眠状态监测方法中步骤S2的示意性流[0013]图4为本申请实施例的基于脑电波的智能睡眠状态监测方法中步骤S4的示意性流[0014]图5为本申请实施例的基于脑电波的智能睡眠状态监测方法中步骤S42的示意性6技术正以其独特的优势逐步改变着对睡眠状态的理解和睡眠方了一种基于脑平衡靶向调节技术的经颅非侵入脑刺激(NiBS,noninvasivebrain集合中的各个脑电波信号分量分别进行信号分量特征提取以得到脑电波信号分量波形编分量编码特征的集合进行睡眠状态识别以确定睡眠状态可以理解，由于人脑在不同睡眠阶段和清醒状态下的活动主要体现在特定的频率范围内。7脑电波信号分量的集合。应可以理解，原始的EEG信号通常包含来自多种来源的噪声和伪号进行基于CEEMDAN的信号分解以得到所述脑电波信号分脑电波信号进行滤波处理以滤除所述脑电波信号中的高频噪声以得到所述降噪后脑电波8术方案中，进一步对所述降噪后脑电波信号进行基于CEEMDAN的信号分解以得到脑电波信所述脑电波信号分量的集合中的各个脑电波信号分量分别进行信号分量特征提取以得到波信号分量分别输入基于RNN模型的信号分量特征提取器以得到脑电波信号分量波形编码特征向量的集合作为所述脑电波信号分量波形编码特征的集合。通过所述基于RNN模型的助于更好地理解和编码每个信号分量的上下文信脑电波信号分量波形编码特征向量的集合中的每个向量分别包含了不同的脑电波信号分理以得到可区分强化脑电波信号分量编码特征脑电波信号分量波形编码特征的集合中的各个脑电波信号分量波形编码特征进行场域映进行特征强化处理以得到所述可区分强化脑电波信号分量编码特征各个脑电波信号分量波形编码特征进行场域映射以得到入场脑电波信号分量波形编码特个脑电波信号分量波形编码特征向量进行场域映射以得到入场脑电波信号分量波形编码hi=w1liw2Ii为所述脑电波信号分量波形编码特征向量的集合中第i个脑电波信号分量9述入场脑电波信号分量波形编码特征向量的集合的本质特征以得到脑电波信号分量波形脑电波信号分量编码特征向量的集合作为所述可区分强化脑电波信号分量编码特征的集脑电波信号分量波形编码特征向量的集合中的各个入场脑电波信号分量波形编码特征向脑电波信号分量波形场域深度因子，exp(.)表示计算以自然常数e为底的自然指数函数值，ai为Ii对应的标准化脑电波信号分量波形场域深度因子，Vc是脑电波信号分量波形场域本得到可区分强化脑电波信号分量编码特征向量的集合作为所述可区分强化脑电波信号分码特征向量进行可区分强化以得到所述可区分强化脑电波信号分量编码特征向量的集合。oi=Iio[sigmoid(Mmvc+Hmli+bm)]质权重矩阵，Hm为局部脑电波信号分量波形权重矩阵，bm是偏置向量，sigmoid(-)是表不同睡眠阶段的关键特征，从而使得每个特征向量都能更好地反映其对应的生理意义。本质特征向量以及可区分强化这些步骤来实现对输入的所述脑电波信号分量波形编码特性，可以根据不同用户的睡眠状态监测和识别任务的具体要求灵活调整各环节参数配置，了用户当前所处的睡眠阶段，为后续的睡眠质量评估和干预措施提供了重要的参考依据。具体地，人类正常的睡眠周期通常分为快速眼动期(REM,RapidEyeMovement)和非快速眼动期(NREM,Non_RapidEyeMovement)，后者又细分为N1、N2及深度慢波睡眠(SWS,电波全频域显著聚合编码特征向量的长度减去所述非零特征值个数以获得脑电波全频域计算所述脑电波全频域显著聚合编码零维数值减去一后的脑电波全频域显著聚合编码零可微值(n-1)分别乘以和除以所述脑电波全频域显著聚合编码零维数值后得到的第一脑电波全频域显著聚合编码场拟合值(n-1)xn和第二脑电波全频域显著聚合编码场拟合值(n-1)/n；计算所述脑电波全频域显著聚合编码特征向量的所有特征值的平方和的平方根以所述脑电波全频域显著聚合编码零可微值(n-1)作为指数计算所述脑电波全频域显著聚合编码特征向量的每个特征值vi的幂函数v显著聚合编码场拟合值(n-1)xn以得到脑电波全频域显著聚合编码局部表示值v1i；计算所述脑电波全频域显著聚合编码特征向量的每个特征值vi与所述第二脑电波全频域显著聚合编码场拟合值(n-1)/n和所述脑电波全频域显著聚合编码模式表征值a的乘积以获得脑电波全频域显著聚合编码中心指向值v2i；将所述脑电波全频域显著聚合编码局部表示值v1i与所述脑电波全频域显著聚合将所述优化的脑电波全频域显著聚合编码特征向量通过基于分类器的睡眠状态全频域显著聚合编码特征向量的特征分布模式到概率密度可微场的有效对齐来避免所述脑电波全频域显著聚合编码特征向量的具有语义丰富性的分布由于其非结构化特性引起衡调控仪采用特定脑区非侵入微弱电刺激技术，是一款通过简易操作来选择调控参数的便靶向脑区，调节大脑皮层神经活动。有效满足了对不同脑区进行不同强度和时间的调控干EEG设备采集用户的脑电波信号，并在后端引入基于人工智能和深度学习的信号处理和分模块130，用于对所述脑电波信号分量的集合中的各个脑电波信号分量分别进行信号分量块140，用于对所述脑电波信号分量波形编码特征的集合进行特征可区分强化处理以得到强化脑电波信号分量编码特征的集合进行睡眠状态识别以确定睡眠状态所述脑电波信号分量波