一种基于超声刺激神门穴的实时睡眠节律闭环调控系统

1.本发明涉及超声刺激调控技术领域，尤其是一种基于超声刺激神门穴的实时睡眠节律闭环调控系统。


背景技术：

2.睡眠是人类最重要最基本的生理活动之一，人类的寿命中约有三分之一的时间用于睡眠，它能够帮助人类缓解疲劳，恢复身体机能，提高免疫能力，对人体各种功能的正常维持都有着重要作用。高质量睡眠是必不可少的，睡眠质量与睡眠节律息息相关，研究睡眠时期脑电特征是研究睡眠节律的重要内容。
3.引起睡眠问题的原因众多，包括：心理情绪、生理疾病、环境变化、药物影响、行为习惯等。中医学认为，睡眠问题为人体脏腑失调，阴阳失和所致心脾两虚，神失所养；阴虚火旺，上扰心神。在中医上，睡眠问题多以针灸直刺神门穴，进针0.5寸左右，加以配伍进行治疗。然而，客观地，针灸疗法也一定的局限，比如患者有晕针的可能，医者操作不当有断针的可能，也有操作中未严格按照一人一针的原则导致交叉感染的可能。
4.近年来神经调控技术快速发展，如经颅电刺激技术、经颅磁刺激技术和经颅超声刺激技术等诸多技术应用于康复治疗领域，其中前两种技术在穿透深度上十分有限，而后者利用超声在通过人脑颅骨对脑神经靶点进行刺激治疗时声能下降严重，所以利用超声直接刺激脑神经对于睡眠问题也很难达到良好的治疗效果。而在采集脑电信号时，因为信号采集过程中记录设置错误、头皮良好的导电性和眨眼等问题会产生伪迹，使采集到的脑电信号无法直接应用。
5.根据标准的睡眠分期算法，常用的睡眠分期包括清醒阶段(wakefulness)、非快速眼动n1睡眠阶段(nrem-n1 sleep)、非快速眼动n2睡眠阶段(nrem-n2 sleep)、非快速眼动n3睡眠阶段(nrem-n3 sleep)、快速眼动睡眠阶段(rem)，即睡眠分期的两个主要阶段为nrem阶段与rem阶段。由于nrem阶段的持续时间是睡眠周期的大部分时间，约占整个睡眠周期的65％-85％，此阶段中4-7hz的θ波最为明显。且睡眠是一个长期持续性的行为，因此亟需一种可以通过对nrem阶段脑电信号为指引，利用超声代替针灸对神门穴进行刺激的系统来实现睡眠期间脑电的实时闭环调控，改善睡眠问题，调节睡眠节律。


技术实现要素：

6.本发明需要解决的技术问题是提供一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，以nrem阶段的脑电信号为指引，实时修正超声刺激参数，对神门穴进行实时刺激，改善睡眠。
7.为解决上述技术问题，本发明所采用的技术方案是：一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，包括：
8.超声参数配置模块：用于配置超声刺激的参数，包括频率、强度和持续时间；
9.超声刺激生成模块：根据超声参数生成对应超声刺激信号，对实验对象的神门穴
进行超声刺激；
10.信号采集模块：设置在睡眠的实验对象头部，采集实验对象神门穴被超声刺激后的睡眠脑电信号；
11.数据处理与特征提取模块：用于对采集到的脑电信号数据进行预处理和特征提取，包括依次连接如下模块：
12.神经信号处理模块：接收睡眠脑电信号并进行初步处理，初步处理的操作步骤是对睡眠脑电信号进行降采样、50hz陷波去噪、0.1hz-100hz滤波处理，得到初步处理的睡眠脑电信号。
13.预处理模块：对初步处理的睡眠脑电信号，进行eemd+fastica方法去除伪迹处理，得到预处理的睡眠脑电信号。
14.特征提取模块：接收预处理的睡眠脑电信号并进行睡眠阶段分类以及频谱分析，划分不同睡眠周期并提取频谱特征，得到nrem阶段的θ节律脑电信号和睡眠θ波脑电特征；
15.反馈控制模块用于比较睡眠θ波脑电特征与预设期望，通过调整超声刺激的频率、强度和持续时间，实现对超声刺激参数的实时调节，包括依次连接的如下模块：
16.数据接收模块：接收监测到的nrem阶段中的θ节律脑电信号以及睡眠θ波脑电特征；
17.参数调整模块：手动预设期望，对当前得到的θ节律脑电信号以及睡眠θ波脑电特征与预设期望做差值运算，根据差值结果和控制策略计算出超声参数调整量；
18.pid模块：使用pid控制算法，通过比例项、积分项和微分项综合考虑误差的大小、变化趋势和累积情况，实现对超声刺激参数调整量的精确调节和优化。
19.本发明技术方案的进一步改进在于：所述超声参数配置模块，初始配置的超声参数为经验性选择或是基于先前研究中的有效方案得出的参数，在初始超声参数基础上对通过反馈控制模块得出的实时超声参数调整量进行实时计算得出后续超声参数，为保证人体安全性，超声频率选择在20khz至100khz的低频范围之间；超声强度设置在0.1mw/cm2至3mw/cm2之间。
20.本发明技术方案的进一步改进在于：预处理模块进行eemd+fastica方法去除伪迹处理体步骤如下：
21.步骤1.1：向脑电信号中加入一个具有标准正态分布的加性白噪声；
22.步骤1.2：对新的单通道睡眠脑电信号使用emd算法分解出一系列固有模态函数imfs；
23.步骤1.3：重复前两步若干次，获得多个imfs集；
24.步骤1.4：对整个imsfs集取平均，获得平均imfs集；
25.步骤1.5：对平均imfs集使用fastica算法，得到对应的混淆矩阵与解混淆矩阵w及独立分量；
26.步骤1.6：对脑电信号源使用混淆矩阵m将其重建为剔除了噪声源的imfs集；
27.步骤1.7：对重建后的imfs集求和，重建感兴趣的信号，即去噪后的单通道睡眠脑电信号；
28.对采集到的睡眠脑电信号x进行独立成分分解，得到一个解混矩阵w，线性分解出多路脑电信号中混合的独立源。输出矩阵s＝xw其各行是各独立源的时序序列，混合矩阵m
是解混矩阵w的逆矩阵，去噪后的数据矩阵x
′
＝ms
′
；
29.本发明技术方案的进一步改进在于：eemd算法如下：
30.步骤2.1：设定总体平均次数m；
31.步骤2.2：将一个具有标准正态分布的白噪声ni(t)加到睡眠脑电信号x(t)上，产生一个新的信号序列，xi(t)＝x(t)+ni(t)(i＝1,2,
…
,m)；
32.步骤2.3：找到每一组含噪声的睡眠脑电信号xi(t)的所有极值；并拟合出上下包络线e
max
(t)和e
min
(t)；
33.步骤2.4：计算出上下包络线的均值mi(t)，并计算出中间信号hi(t)＝xi(t)-mi(t)；
34.步骤2.5：判断hi(t)是否为imf，即hi(t)是否符合本征模函数的两个条件；
35.步骤2.6：若hi(t)不是imf，则利用hi(t)代替xi(t)，重复步骤2.2-2.5，直到hi(t)满足判据；
36.步骤2.7：若是，则hi(t)为筛选出的imf1，记为ci(t)，计算差值信号ri(t)＝xi(t)-ci(t)；
37.步骤2.8：将ri(t)代替xi(t)重复上述过程m次，分解出m个imf分量，得到各自imf和的形式，即
38.步骤2.9：重复上述步骤m次，每次分解加入幅值不同的白噪声信号得到imf的集合为：c
1,j
(t),c
2,j
(t),
…cm,j
(t),j＝1,2,
…
j；
39.步骤2.10：利用不相关序列的统计平均值为零的原理，将上述对应的imf进行集合平均运算，得到eemd分解后最终的imf，即：
40.本发明技术方案的进一步改进在于：fastica算法如下：
41.步骤3.1：对睡眠脑电信号x归一化，即减去其均值m＝e{x}使其具有零均值；
42.步骤3.2：对睡眠脑电信号进行白化，x
′
＝ed-1/2et
x，白化过程去除信号之间的相关性，得到互不相关的睡眠脑电信号序列；
43.步骤3.3：设置需要估计的独立分量的个数m和迭代次数p；
44.步骤3.4：初始化权重矢量矩阵w
p
；
45.步骤3.5：根据负熵最大原则，w
p
＝e{x
′
g(w
pt
x
′
)}-e{g
′
(w
pt
x
′
)}w
p
；
46.步骤3.6：令
47.步骤3.7：判断w
p
是否收敛，假如w
p
不收敛的话，返回第3.5步；
48.步骤3.8：令p＝p+1，重复迭代，如果p≤m，返回第3.4步。
49.本发明技术方案的进一步改进在于：所述特征提取模块具体计算为：使用标准的睡眠分期算法，进行睡眠分期，睡眠分期包括清醒wakefulness阶段、非快速眼动nrem阶段和快速眼动rem阶段，将每个时间点标记为相应的睡眠阶段；利用深度学习检测出nrem睡眠时间段；对nrem睡眠时间段，采用快速傅里叶变换将信号从时域转换到频域，得到nrem睡眠时间段的频谱；选择出4hz-8hz的θ波，得到θ波频段；在θ波频段上积分求得θ波的功率，得到
nrem阶段的θ节律脑电信号和睡眠θ波脑电特征，具体步骤如下：
50.步骤4.1：设预处理后的连续时间信号为x
pre
(t)；
51.步骤4.2：利用标准睡眠分期算法进行睡眠分期，得到不同睡眠阶段的连续时间信号stage(t)。包括清醒阶段连续时间信号wakefulness(t)、快速眼动阶段连续时间信号rem(t)、非快速眼动阶段连续时间信号nrem(t)；
52.步骤4.3：提取stage(t)的各阶段的时域特征，对睡眠数据应用训练好的分类器，根据特性判定每个时间点处于哪个睡眠阶段。定义一个二值序列nrem(t)，当nrem(t)＝1表示该时间点处于nrem睡眠阶段，当nrem(t)＝0表示该时间点处于其他的睡眠时期；
53.步骤4.4：设nrem睡眠阶段的脑电信号为x
θ
(t)，x
θ
(t)＝x
pre
(t)*nrem(t)，对其进行快速傅里叶变换x
θ
(f)＝fft(x
θ
(t))，则频谱为p
θ
(f)＝|x
θ
(f)|2；
54.步骤4.5：θ波的频率范围[4hz,8hz]，即f
min
＝4hz,f
max
＝8hz。则θ波功率为
[0055]
步骤4.6：实时将各个nrem睡眠阶段的θ波功率整合为特征向量的形式，为θ＝[p1,p2,p3,
…
,pi,
…
,pn]，其中pi为第i个nrem睡眠阶段的θ波功率。
[0056]
本发明技术方案的进一步改进在于：所述数据处理与特征提取模块上连结设置有数据可视化模块，用于将处理后的数据和特征以可视化的方式呈现，通过绘制θ波形图、频谱图，帮助用户直观地理解和分析nrem睡眠阶段数据。
[0057]
本发明技术方案的进一步改进在于：所述参数调整模块中，预设期望是基于先前研究、文献报告进行设定的nrem阶段的θ波平均功率，为向量数据。
[0058]
本发明技术方案的进一步改进在于：参数调整模块中控制策略为根据预设期望与实际观测到的睡眠θ波脑电特征的差值，对超声参数进行调整，对于超声频率，根据差值的正负方向和大小来调整频率的偏移量，如果差值为正，表示实际观测到的睡眠θ波脑电特征低于预设期望，增加超声频率；如果差值为负，表示实际观测到的睡眠θ波脑电特征高于预设期望，降低超声频率；对于超声强度和刺激持续时间，根据差值的大小来调整强度或持续时间，如果差值大，增加超声强度或持续时间；如果差值小，降低超声强度或持续时间。
[0059]
本发明技术方案的进一步改进在于：超声刺激生成模块包括依次连接的如下模块：
[0060]
信号发生模块：根据配置好的超声参数，生成相应的超声刺激信号输出；
[0061]
准直模块：将输出的超声刺激信号限定在设定空间范围内并向所述实验对象的神门穴发射。
[0062]
由于采用了上述技术方案，本发明取得的技术进步是：本发明通过实时采集分析nrem阶段实验对象的脑电信号，利用闭环超声刺激技术作用于实验对象的神门穴，通过脑电信号中的θ节律所计算得到的睡眠θ波脑电特征与预设期望比较，实时配置超声刺激，以实现nrem睡眠阶段脑电的闭环调控，改善睡眠问题；通过超声刺激代替传统针灸，即低强度聚焦超声可以通过声波传播过程中激发受波作用媒质产生机械振动效应和热效应，如作用于神经细胞时激发细胞膜产生机械振动拉伸脂质双分子层构成的薄膜，机械振动发热，激发神经细胞的活性，使神经递质发生变化，从而实现对针灸效果的模拟。减少了传统针灸可能出现的操作事故，且操作简易，卫生，安全。
附图说明
[0063]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
[0064]
图1是本发明结构示意图；
[0065]
图2是本发明实时睡眠调节流程图；
具体实施方式
[0066]
下面结合实施例对本发明做进一步详细说明：
[0067]
如图1所示，为一种基于超声刺激神门穴的实时睡眠节律闭环调控系统的结构示意图，包括连接在一起的超声参数配置模块和超声刺激生成模块，超声刺激生成模块将超声刺激释放在实验对象神门穴。实验对象头上设置有信号采集模块，信号采集模块上依次连接有数据处理与特征提取模块和反馈控制模块，反馈控制模块再接回超声参数配置模块。数据处理与特征提取模块上连结设置有数据可视化模块。
[0068]
超声参数配置模块：用于配置超声刺激的参数，包括频率、强度和持续时间；
[0069]
超声刺激生成模块：根据超声参数生成对应超声刺激信号，对实验对象的神门穴进行超声刺激，包括依次连接的如下模块：
[0070]
信号发生模块：根据配置好的超声参数，生成相应的超声刺激信号输出；
[0071]
准直模块：将输出的超声刺激信号限定在设定空间范围内并向所述实验对象的神门穴发射；
[0072]
信号采集模块：设置在睡眠的实验对象头部，采集实验对象神门穴被超声刺激后的睡眠脑电信号；
[0073]
数据处理与特征提取模块：用于对采集到的脑电信号数据进行预处理和特征提取，包括依次连接如下模块：
[0074]
神经信号处理模块：接收睡眠脑电信号并进行初步处理，初步处理的操作步骤是对睡眠脑电信号进行降采样、50hz陷波去噪、0.1hz-100hz滤波处理，得到初步处理的睡眠脑电信号。
[0075]
预处理模块：对初步处理的睡眠脑电信号，进行eemd+fastica方法去除伪迹处理，得到预处理的睡眠脑电信号。
[0076]
特征提取模块：接收预处理的睡眠脑电信号并进行睡眠阶段分类以及频谱分析，划分不同睡眠周期并提取频谱特征，得到nrem阶段的θ节律脑电信号和睡眠θ波脑电特征；
[0077]
反馈控制模块用于比较睡眠θ波脑电特征与预设期望，通过调整超声刺激的频率、强度和持续时间，实现对超声刺激参数的实时调节，包括依次连接的如下模块：
[0078]
数据接收模块：接收监测到的nrem阶段中的θ节律脑电信号以及睡眠θ波脑电特征；
[0079]
参数调整模块：手动预设期望，对当前得到的θ节律脑电信号以及睡眠θ波脑电特征与预设期望做差值运算，根据差值结果和控制策略计算出超声参数调整量；
[0080]
pid模块：使用pid控制算法，通过比例项、积分项和微分项综合考虑误差的大小、
变化趋势和累积情况，实现对超声刺激参数调整量的精确调节和优化。
[0081]
数据可视化模块：将处理后的数据和特征以可视化的方式呈现，通过绘制θ波形图、频谱图，帮助用户直观地理解和分析nrem睡眠阶段数据。
[0082]
超声参数配置模块超声参数配置模块为pc端中matlab程序，初始配置的超声参数为经验性选择或是基于先前研究中的有效方案得出的参数，后续超声参数为在初始超声参数基础上对通过反馈控制模块得出的实时超声参数调整量进行实时计算得出的，为保证人体安全性，超声频率选择在20khz至100khz的低频范围之间；超声强度设置在0.1mw/cm2至3mw/cm2之间。
[0083]
超声刺激生成模块中，信号发生模块为ge healthcare的超声发生器，超声发生器时一种用于产生超声波的设备，该设备的主要部件包括驱动电源、振荡器、功率放大器、超声换能器。其中，振荡器是超声发生器的核心部件，它通过产生高频振荡信号驱动其他组件工作。振荡器通常采用谐振电路或压电陶瓷晶片等技术实现高频振荡；功率放大器将振荡器产生的信号放大，使其具备足够的能量来驱动超声换能器；超声换能器是将电能转化为机械振动的装置，同时也是将机械振动转化为超声波的装置。它通常由压电材料构成，当施加电压时，压电材料会发生机械振动并产生超声波。根据配置好的超声参数，超声发生器能够产生特定频率和强度的超声波信号。准直模块为准直器，其中填注有耦合液，准直器可减少超声在传播过程中的衰减，且限定在设定空间范围内向实验对象的神门穴发射。准直模块具体为准直器。所述超声换能器产生超声，其中心频率设为3mhz，选用外观尺寸为8
×8×
23mm的曼图相控阵换能器，型号为3l16-0.31
×
5。
[0084]
信号采集模块连接在实验对象上，用于实时采集被超声刺激后的睡眠期间实验对象的脑电信号；其中实验对象设置为在校大学生，身体健康，无神经中枢系统疾病，年龄宜在18-23岁。具体地，所述信号采集处理模块为脑电电极；所述脑电电极的导联方式采用单极导联法连接在实验对象的头部，选用两侧耳垂的电极a1、a2连接在一起接地，作为无关电极使用，记录电极本身不产生噪声和漂移，采集到的脑电信号数据通常是连续的时间序列。
[0085]
神经信号处理模块可选用biosemiactivetwo神经信号采集处理系统，通过usb接口与pc端相连接，同时与脑电电极相连接，配置用于将睡眠脑电信号转化为相应的数字信号，并对转化后的数字信号进行降采样、50hz陷波去噪和0.1—100hz滤波得到初步处理的睡眠脑电信号；所述预处理模块与神经信号处理模块相连接，预处理模块由pc端中matlab程序实现，用于将初步处理的睡眠脑电信号进行eemd+fastica方法去除伪迹处理，得到预处理的睡眠脑电信号。
[0086]
预处理模块进行eemd+fastica方法去除伪迹处理体步骤如下：
[0087]
步骤1.1：向脑电信号中加入一个具有标准正态分布的加性白噪声；
[0088]
步骤1.2：对新的单通道睡眠脑电信号使用emd算法分解出一系列固有模态函数imfs；
[0089]
步骤1.3：重复前两步若干次，获得多个imfs集；
[0090]
步骤1.4：对整个imsfs集取平均，获得平均imfs集；
[0091]
步骤1.5：对平均imfs集使用fastica算法，得到对应的混淆矩阵与解混淆矩阵w及独立分量；
[0092]
步骤1.6：对脑电信号源使用混淆矩阵m将其重建为剔除了噪声源的imfs集；
[0093]
步骤1.7：对重建后的imfs集求和，重建感兴趣的信号，即去噪后的单通道睡眠脑电信号；
[0094]
对采集到的睡眠脑电信号x进行独立成分分解，得到一个解混矩阵w，线性分解出多路脑电信号中混合的独立源。输出矩阵s＝xw其各行是各独立源的时序序列，混合矩阵m是解混矩阵w的逆矩阵，去噪后的数据矩阵x
′
＝ms
′
；
[0095]
eemd算法如下：
[0096]
步骤2.1：设定总体平均次数m；
[0097]
步骤2.2：将一个具有标准正态分布的白噪声ni(t)加到睡眠脑电信号x(t)上，产生一个新的信号序列，xi(t)＝x(t)+ni(t)(i＝1,2,
…
,m)；
[0098]
步骤2.3：找到每一组含噪声的睡眠脑电信号xi(t)的所有极值；并拟合出上下包络线e
max
(t)和e
min
(t)；
[0099]
步骤2.4：计算出上下包络线的均值mi(t)，并计算出中间信号hi(t)＝xi(t)-mi(t)；
[0100]
步骤2.5：判断hi(t)是否为imf，即hi(t)是否符合本征模函数的两个条件；
[0101]
步骤2.6：若hi(t)不是imf，则利用hi(t)代替xi(t)，重复步骤2.2-2.5，直到hi(t)满足判据；
[0102]
步骤2.7：若是，则hi(t)为筛选出的imf1，记为ci(t)，计算差值信号ri(t)＝xi(t)-ci(t)；
[0103]
步骤2.8：将ri(t)代替xi(t)重复上述过程m次，分解出m个imf分量，得到各自imf和的形式，即
[0104]
步骤2.9：重复上述步骤m次，每次分解加入幅值不同的白噪声信号得到imf的集合为：c
1,j
(t),c
2,j
(t),
…cm,j
(t),j＝1,2,
…
j；
[0105]
步骤2.10：利用不相关序列的统计平均值为零的原理，将上述对应的imf进行fastica算法如下：
[0106]
步骤3.1：对睡眠脑电信号x归一化，即减去其均值m＝e{x}使其具有零均值；
[0107]
步骤3.2：对睡眠脑电信号进行白化，x
′
＝ed-1/2et
x，白化过程去除信号之间的相关性，得到互不相关的睡眠脑电信号序列；
[0108]
步骤3.3：设置需要估计的独立分量的个数m和迭代次数p；
[0109]
步骤3.4：初始化权重矢量矩阵w
p
；
[0110]
步骤3.5：根据负熵最大原则，w
p
＝e{x
′
g(w
pt
x
′
)}-e{g
′
(w
pt
x
′
)}w
p
；
[0111]
步骤3.6：令
[0112]
步骤3.7：判断w
p
是否收敛，假如w
p
不收敛的话，返回第3.5步；
[0113]
步骤3.8：令p＝p+1，重复迭代，如果p≤m，返回第3.4步。
[0114]
集合平均运算，得到eemd分解后最终的imf，即：
[0115]
特征提取模块由pc端中matlab程序和python程序实现。使用标准的睡眠分期算
法，进行睡眠分期，睡眠分期包括清醒wakefulness阶段、非快速眼动nrem阶段和快速眼动rem阶段，将每个时间点标记为相应的睡眠阶段；利用深度学习检测出nrem睡眠时间段；对nrem睡眠时间段，采用快速傅里叶变换将信号从时域转换到频域，得到nrem睡眠时间段的频谱；选择出4hz-8hz的θ波，得到θ波频段；在θ波频段上积分求得θ波的功率，得到nrem阶段的θ节律脑电信号和睡眠θ波脑电特征，具体步骤如下：
[0116]
步骤4.1：设预处理后的连续时间信号为x
pre
(t)；
[0117]
步骤4.2：利用标准睡眠分期算法进行睡眠分期，得到不同睡眠阶段的连续时间信号stage(t)。包括清醒阶段连续时间信号wakefulness(t)、快速眼动阶段连续时间信号rem(t)、非快速眼动阶段连续时间信号nrem(t)；
[0118]
步骤4.3：提取stage(t)的各阶段的时域特征，对睡眠数据应用训练好的分类器，根据特性判定每个时间点处于哪个睡眠阶段。定义一个二值序列nrem(t)，当nrem(t)＝1表示该时间点处于nrem睡眠阶段，当nrem(t)＝0表示该时间点处于其他的睡眠时期；
[0119]
步骤4.4：设nrem睡眠阶段的脑电信号为x
θ
(t)，x
θ
(t)＝x
pre
(t)*nrem(t)，对其进行快速傅里叶变换x
θ
(f)＝fft(x
θ
(t))，则频谱为p
θ
(f)＝|x
θ
(f)|2；
[0120]
步骤4.5：θ波的频率范围[4hz,8hz]，即f
min
＝4hz,f
max
＝8hz。则θ波功率为
[0121]
步骤4.6：实时将各个nrem睡眠阶段的θ波功率整合为特征向量的形式，为θ＝[p1,p2,p3,
…
,pi,
…
,pn]，其中pi为第i个nrem睡眠阶段的θ波功率。在本发明中，睡眠θ波脑电特征为整合各个nrem睡眠阶段的θ波功率的特征向量。
[0122]
数据可视化模块与pc端口相连接，具体为为brainmaster discovery脑电图仪。
[0123]
数据接收模块与pc端口相连接，数据储存在pc的存储硬盘中，配置用于接收监测到的nrem阶段中的θ节律脑电信号以及睡眠θ波脑电特征。
[0124]
参数调整模块为pc端的maltab程序，在其中可手动输入预设期望，预设期望是基于先前研究、文献报告进行设定的nrem阶段的θ波平均功率，为向量数据。将从数据接收模块收到的睡眠θ波脑电特征，即θ波功率的特征向量与预设期望做差值计算，得到差值，再通过控制策略对差值进行分析计算，得到超声参数调整量，控制策略为根据预设期望与实际观测到的睡眠θ波脑电特征的差值，对超声参数进行调整，超声频，根据差值的正负方向和大小来调整频率的偏移量，如果差值为正，表示实际观测到的睡眠θ波脑电特征低于预设期望，增加超声频率；如果差值为负，表示实际观测到的睡眠θ波脑电特征高于预设期望，降低超声频率；对于超声强度和刺激持续时间，根据差值的大小来调整强度或持续时间，如果差值大，增加超声强度或持续时间；如果差值小，降低超声强度或持续时间。pid模块为pc端的maltab程序，利用pid算法，通过比例项、积分项和微分项综合考虑误差的大小、变化趋势和累积情况，对参数调整模块算出的超声刺激参数调整量进行精确调节和优化，得到最终的超声刺激参数调整量，并将参数调整量送往超声参数配置模块。超声参数配置模块在初始超声参数基础上通过对反馈控制模块得出的实时超声参数调整量进行实时计算得出后续超声参数，再继续将后续超声参数生成对应超声刺激，刺激神门穴。
[0125]
一种基于超声刺激神门穴的实时睡眠节律闭环调控方法，如图2所示，
[0126]
s1：根据经验手动设置初始超声参数；
[0127]
s12：限制超声刺激参数范围，保证对人体的安全性；
[0128]
s13：根据超声参数，生成对应超声刺激信号，对实验对象神门穴进行刺激；
[0129]
s2：用脑电电极贴片实时采集实验对象神门穴受刺激后睡眠期间的脑电信号；
[0130]
s3：对实时采集到的睡眠脑电信号处理并特征提取；
[0131]
s4：基于先前研究、文献报告进行设定的nrem阶段的θ波平均功率，手动预设期望；
[0132]
s42：根据预设期望与实际观测到的睡眠θ波脑电特征的差值，和控制策略计算出超声参数调整量；
[0133]
s43：根据超声参数调整量调整超声参数；
[0134]
s5：反复迭代上述步骤，通过不断调整超声参数，使实际观测到的睡眠θ波脑电特征逐渐接近和维持在预设期望的范围内。实现实时调控nrem阶段的脑电信号。
[0135]
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

技术特征：
1.一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，其特征在于，包括：超声参数配置模块：用于配置超声刺激的参数，包括频率、强度和持续时间；超声刺激生成模块：根据超声参数生成对应超声刺激信号，对实验对象的神门穴进行超声刺激；信号采集模块：设置在睡眠的实验对象头部，采集实验对象神门穴被超声刺激后的睡眠脑电信号；数据处理与特征提取模块：用于对采集到的脑电信号数据进行预处理和特征提取，包括依次连接如下模块：神经信号处理模块：接收睡眠脑电信号并进行初步处理，初步处理的操作步骤是对睡眠脑电信号进行降采样、50hz陷波去噪、0.1hz-100hz滤波处理，得到初步处理的睡眠脑电信号。预处理模块：对初步处理的睡眠脑电信号，进行eemd+fastica方法去除伪迹处理，得到预处理的睡眠脑电信号。特征提取模块：接收预处理的睡眠脑电信号并进行睡眠阶段分类以及频谱分析，划分不同睡眠周期并提取频谱特征，得到nrem阶段的θ节律脑电信号和睡眠θ波脑电特征；反馈控制模块用于比较睡眠θ波脑电特征与预设期望，通过调整超声刺激的频率、强度和持续时间，实现对超声刺激参数的实时调节，包括依次连接的如下模块：数据接收模块：接收监测到的nrem阶段中的θ节律脑电信号以及睡眠θ波脑电特征；参数调整模块：手动预设期望，对当前得到的θ节律脑电信号以及睡眠θ波脑电特征与预设期望做差值运算，根据差值结果和控制策略计算出超声参数调整量；pid模块：使用pid控制算法，通过比例项、积分项和微分项综合考虑误差的大小、变化趋势和累积情况，实现对超声刺激参数调整量的精确调节和优化。2.根据权利要求1所述的一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，其特征在于：所述超声参数配置模块，初始配置的超声参数为经验性选择或是基于先前研究中的有效方案得出的参数，在初始超声参数基础上对通过反馈控制模块得出的实时超声参数调整量进行实时计算得出后续超声参数，为保证人体安全性，超声频率选择在20khz至100khz的低频范围之间；超声强度设置在0.1mw/cm2至3mw/cm2之间。3.根据权利要求1所述的一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，其特征在于：预处理模块进行eemd+fastica方法去除伪迹处理体步骤如下：步骤1.1：向脑电信号中加入一个具有标准正态分布的加性白噪声；步骤1.2：对新的单通道睡眠脑电信号使用emd算法分解出一系列固有模态函数imfs；步骤1.3：重复前两步若干次，获得多个imfs集；步骤1.4：对整个imsfs集取平均，获得平均imfs集；步骤1.5：对平均imfs集使用fastica算法，得到对应的混淆矩阵与解混淆矩阵w及独立分量；步骤1.6：对脑电信号源使用混淆矩阵m将其重建为剔除了噪声源的imfs集；步骤1.7：对重建后的imfs集求和，重建感兴趣的信号，即去噪后的单通道睡眠脑电信号；对采集到的睡眠脑电信号x进行独立成分分解，得到一个解混矩阵w，线性分解出多路
脑电信号中混合的独立源。输出矩阵s＝xw其各行是各独立源的时序序列，混合矩阵m是解混矩阵w的逆矩阵，去噪后的数据矩阵x
′
＝ms
′
。4.根据权利要求3所述的一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，其特征在于：eemd算法如下：步骤2.1：设定总体平均次数m；步骤2.2：将一个具有标准正态分布的白噪声n
i
(t)加到睡眠脑电信号x(t)上，产生一个新的信号序列，x
i
(t)＝x(t)+n
i
(t)(i＝1,2,
…
,m)；步骤2.3：找到每一组含噪声的睡眠脑电信号x
i
(t)的所有极值；并拟合出上下包络线e
max
(t)和e
min
(t)；步骤2.4：计算出上下包络线的均值m
i
(t)，并计算出中间信号h
i
(t)＝x
i
(t)-m
i
(t)；步骤2.5：判断h
i
(t)是否为imf，即h
i
(t)是否符合本征模函数的两个条件；步骤2.6：若h
i
(t)不是imf，则利用h
i
(t)代替x
i
(t)，重复步骤2.2-2.5，直到h
i
(t)满足判据；步骤2.7：若是，则h
i
(t)为筛选出的imf1，记为c
i
(t)，计算差值信号r
i
(t)＝x
i
(t)-c
i
(t)；步骤2.8：将r
i
(t)代替x
i
(t)重复上述过程m次，分解出m个imf分量，得到各自imf和的形式，即步骤2.9：重复上述步骤m次，每次分解加入幅值不同的白噪声信号得到imf的集合为：c
1,j
(t),c
2,j
(t),
…
c
m,j
(t),j＝1,2,
…
j；步骤2.10：利用不相关序列的统计平均值为零的原理，将上述对应的imf进行集合平均运算，得到eemd分解后最终的imf，即：5.根据权利要求3所述的一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，其特征在于：fastica算法如下：步骤3.1：对睡眠脑电信号x归一化，即减去其均值m＝e{x}使其具有零均值；步骤3.2：对睡眠脑电信号进行白化，x
′
＝ed-1/2
e
t
x，白化过程去除信号之间的相关性，得到互不相关的睡眠脑电信号序列；步骤3.3：设置需要估计的独立分量的个数m和迭代次数p；步骤3.4：初始化权重矢量矩阵w
p
；步骤3.5：根据负熵最大原则，w
p
＝e{x
′
g(w
pt
x
′
)}-e{g
′
(w
pt
x
′
)}w
p
；步骤3.6：令步骤3.7：判断w
p
是否收敛，假如w
p
不收敛的话，返回第3.5步；步骤3.8：令p＝p+1，重复迭代，如果p≤m，返回第3.4步。6.根据权利要求1所述的一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，其特征在于：所述特征提取模块具体计算为：使用标准的睡眠分期算法，进行睡眠分期，睡眠分期包括清醒wakefulness阶段、非快速眼动nrem阶段和快速眼动rem阶段，将每个时间点
标记为相应的睡眠阶段；利用深度学习检测出nrem睡眠时间段；对nrem睡眠时间段，采用快速傅里叶变换将信号从时域转换到频域，得到nrem睡眠时间段的频谱；选择出4hz-8hz的θ波，得到θ波频段；在θ波频段上积分求得θ波的功率，得到nrem阶段的θ节律脑电信号和睡眠θ波脑电特征，具体步骤如下：步骤4.1：设预处理后的连续时间信号为x
pre
(t)；步骤4.2：利用标准睡眠分期算法进行睡眠分期，得到不同睡眠阶段的连续时间信号stage(t)。包括清醒阶段连续时间信号wakefulness(t)、快速眼动阶段连续时间信号rem(t)、非快速眼动阶段连续时间信号nrem(t)；步骤4.3：提取stage(t)的各阶段的时域特征，对睡眠数据应用训练好的分类器，根据特性判定每个时间点处于哪个睡眠阶段。定义一个二值序列nrem(t)，当nrem(t)＝1表示该时间点处于nrem睡眠阶段，当nrem(t)＝0表示该时间点处于其他的睡眠时期；步骤4.4：设nrem睡眠阶段的脑电信号为x
θ
(t)，x
θ
(t)＝x
pre
(t)*nrem(t)，对其进行快速傅里叶变换x
θ
(f)＝fft(x
θ
(t))，则频谱为p
θ
(f)＝|x
θ
(f)|2；步骤4.5：θ波的频率范围[4hz,8hz]，即f
min
＝4hz,f
max
＝8hz。则θ波功率为步骤4.6：实时将各个nrem睡眠阶段的θ波功率整合为特征向量的形式，为θ＝[p1,p2,p3,
…
,p
i
,
…
,p
n
]，其中p
i
为第i个nrem睡眠阶段的θ波功率。7.根据权利要求1所述的一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，其特征在于：所述数据处理与特征提取模块上连结设置有数据可视化模块，用于将处理后的数据和特征以可视化的方式呈现，通过绘制θ波形图、频谱图，帮助用户直观地理解和分析nrem睡眠阶段数据。8.根据权利要求1所述的一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，其特征在于：所述参数调整模块中，预设期望是基于先前研究、文献报告进行设定的nrem阶段的θ波平均功率，为向量数据。9.根据权利要求8所述的一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，其特征在于：参数调整模块中控制策略为根据预设期望与实际观测到的睡眠θ波脑电特征的差值，对超声参数进行调整，对于超声频率，根据差值的正负方向和大小来调整频率的偏移量，如果差值为正，表示实际观测到的睡眠θ波脑电特征低于预设期望，增加超声频率；如果差值为负，表示实际观测到的睡眠θ波脑电特征高于预设期望，降低超声频率；对于超声强度和刺激持续时间，根据差值的大小来调整强度或持续时间，如果差值大，增加超声强度或持续时间；如果差值小，降低超声强度或持续时间。10.根据权利要求1所述的一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，其特征在于：超声刺激生成模块包括依次连接的如下模块：信号发生模块：根据配置好的超声参数，生成相应的超声刺激信号输出；准直模块：将输出的超声刺激信号限定在设定空间范围内并向所述实验对象的神门穴发射。

技术总结
本发明公开了一种基于超声刺激神门穴的实时睡眠节律闭环调控系统，属于超声刺激调控技术领域，包括连接在一起的超声参数配置模块和超声刺激生成模块，超声刺激生成模块将超声刺激释放在实验对象神门穴。实验对象头上设置有信号采集模块，信号采集模块上依次连接有数据处理与特征提取模块和反馈控制模块，反馈控制模块再接回超声参数配置模块。数据处理与特征提取模块上连结设置有数据可视化模块。本发明实现NREM睡眠阶段脑电的闭环调控，改善睡眠问题。通过超声刺激代替传统针灸减少了传统针灸可能出现的操作事故。灸可能出现的操作事故。灸可能出现的操作事故。


技术研发人员：袁毅 孟德功
受保护的技术使用者：燕山大学
技术研发日：2023.05.31
技术公布日：2023/8/28