一种无监督聚类的睡眠脑电信号分期方法、设备和介质

技术领域

本发明脑电信号处理及模式识别技术领域，尤其涉及一种无监督聚类的睡眠脑电信号分期方法、设备和介质。

背景技术

睡眠质量与人的各项身体机能紧密相关，认识睡眠过程对改善睡眠质量具有重要的意义。睡眠过程中人体新陈代谢速度减缓，生理信号会发生相应的变化，例如体温下降、心率变慢等。而在各项生理信号中，脑电信号被认为是睡眠研究中最重要的生理信号之一，因为睡眠状态的变化会导致脑电信号的组成成分发生改变，二者具有密切的联系。根据过往的睡眠脑电信号研究成果和已确立的睡眠分期规则，人们可以根据受试者的脑电信号特征反向推断出受试者的睡眠状态。

为了方便医生对睡眠状态进行判读，并且保证不同医生对同一个信号判读结果的一致性，目前已有的睡眠状态分类规则是人为定义的。睡眠分期的规则对脑电信号的采样位置，脑电信号的特征判定条件做出了严格的规定。但是睡眠科学研究结果表明，睡眠特征在人的一生中是不断发展变化的，不同人之间的睡眠信号和睡眠规律也会存在差异，甚至睡眠环境和睡眠信号记录设备条件也会对睡眠信号产生影响。这些影响因素也提醒我们，根据睡眠分期规则判定的睡眠状态可能与受试者真实的睡眠状态存在一定的偏差。

另外，现有的睡眠分期规则往往对信号的采样方式和采样脑区作出了限制，例如根据美国睡眠医学会制定的睡眠及其相关事件的判读手册，推荐使用的EEG导联位置有三个：F4-M1，C4-M1和O2-M1。然而对于侵入式的脑电信号，却没有相关的说明。尽管侵入式脑电信号的噪声要远小于非侵入式的脑电信号，但却没有相应的睡眠分期标准。

过去的睡眠分期方法普遍基于有监督学习，尽管深度学习的出现使得有监督分类器的分类性能得到了进一步提升，但有监督学习的方法还是存在以下缺陷：有监督学习方法需要一定数量的脑电信号数据作为训练样本，需要医生为脑电信号标注睡眠阶段，耗费的成本相对高昂；有监督学习方法的鲁棒性相对不足，如果使用与训练集不同通道或来自不同受试者的脑电数据，有监督学习方法的效果会变差；部分使用有监督方法训练的分类器在构建时，需要对信号进行复杂的预处理步骤和特征提取步骤，而基于神经网络的有监督方法还对计算机的算力有一定的要求，神经网络训练所需要的时间较长；有监督方法输出的结果为睡眠状态标签或者对应的概率，对数据自身的分布缺乏直观的展示，不利于发现脑电活动中的新模式。

发明内容

本发明的目的在于针对现有技术的不足，提供一种无监督聚类的睡眠脑电信号分期方法、设备和介质。

本发明的目的是通过以下技术方案来实现的：本发明实施例第一方面提供了一种无监督聚类的睡眠脑电信号分期方法，包括以下步骤：

(1)使用脑电采集设备采集用户在睡眠过程中产生的脑电信号；

(2)对采集到的脑电信号进行预处理，所述预处理包括脑电信号滤波、脑电信号重采样和脑电信号分帧；

(3)提取脑电信号的功率谱密度特征；

(4)使用UMAP降维算法对功率谱密度特征进行降维处理；

(5)对降维后的功率谱密度特征的运动轨迹进行中值滤波处理；

(6)采用高斯混合模型对中值滤波处理后的功率谱密度特征进行聚类，聚类簇对应不同的睡眠状态，以获取睡眠分期结果。

进一步地，所述脑电采集设备的采样频率大于200Hz；所述脑电采集设备的采集时间大于等于3小时，且小于等于12小时。

进一步地，所述脑电采集设备的采样频率为500Hz，所述脑电采集设备的采集时间为8小时。

进一步地，所述脑电信号的类型包括头皮脑电信号和颅内脑电信号。

进一步地，所述步骤(2)包括以下子步骤：

(2.1)采用零相位滤波器，对脑电信号进行0.1-30Hz的带通滤波处理；

(2.2)对带通滤波后的脑电信号进行降采样处理，以使脑电信号的采样频率降至100Hz；

(2.3)将脑电信号分帧，每一帧脑电信号时长为30秒，且帧与帧之间不重合；并为每一帧脑电信号分配一个对应的睡眠状态标签。

进一步地，所述步骤(3)具体为：首先使用Welch方法计算每一帧脑电信号的功率谱密度，然后提取功率谱密度中小于等于30Hz的部分，以获取每一帧脑电信号的功率谱密度特征。

进一步地，所述步骤(4)具体为：根据设定的最近邻数为功率谱密度特征构建最近邻接矩阵，使用交叉熵损失函数和随机梯度下降法优化功率谱密度特征的低维表示。

进一步地，所述步骤(6)包括以下子步骤：

(6.1)根据功率谱密度特征的分布确定确定高斯混合模型的分布个数，以获取功率谱密度特征的特征点对应的簇数；

(6.2)通过期望最大化算法对各个簇对应的高斯分布参数进行迭代求解，以获取高斯混合模型；

(6.3)高斯混合模型将功率谱密度特征的特征点聚为不同的簇，不同的簇对应不同的睡眠状态，以获取睡眠分期结果。

本发明实施例第二方面提供了一种设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器执行所述程序数据以实现上述的无监督聚类的睡眠脑电信号分期方法。

本发明实施例第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的无监督聚类的睡眠脑电信号分期方法。

本发明的有益效果是，本发明无需提供人工标注的真实睡眠状态标签，有助于降低实施成本；本发明的鲁棒性好，有利于增强无监督学习方法的效果；本发明不需要进行复杂的预处理步骤和特征提取步骤，具有计算速度快、睡眠分期结果可靠的优点；本发明输出的是聚类簇对应的睡眠状态变化曲线，可以很直观的展示睡眠状态的分布，有利于发现脑电活动中的新模式。

附图说明

图1为本发明实施例中无监督聚类的睡眠脑电信号分期方法的流程图；

图2为本发明实施例中原始脑电信号示意图；

图3为图2降采样处理后的脑电信号示意图；

图4为本发明实施例中部分通道的脑电信号平均功率谱密度；

图5为本发明实施例中POL J1通道信号的功率谱密度特征降维后的特征分布散点图；

图6为图5经过中值滤波处理后的特征分布散点图；

图7为本发明实施例中POL J1的低维特征对应的高斯混合模型聚类结果示意图；

图8为本发明实施例中聚类结果的三个簇对应的平均功率谱密度曲线；

图9为本发明实施例中的聚类簇对应的睡眠状态变化曲线；

图10为本发明实施例中的设备的一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图，对本发明进行详细说明。在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。

本发明中的无监督聚类的睡眠脑电信号分期方法，参见图1，包括以下步骤：

(1)使用脑电采集设备采集用户在睡眠过程中产生的脑电信号。

本发明针对单通道的脑电数据，对用户脑电信号的脑电采集设备没有通道数量的最低要求，适用于侵入式和非侵入式的脑电信号。在使用脑电采集设备记录用户的睡眠脑电信号时，脑电采集设备的采样频率大于200Hz；脑电采集设备的采集时间大于等于3小时，且小于等于12小时；需要说明的是，脑电采集设备的电极阻抗小于等于5kΩ，最低数字分辨率为每一采样点12bits。应当理解的是，采样频率越大，采样到的脑电信号包含的信息越多。

需要说明的是，侵入式的脑电信号的采样频率普遍要高于非侵入式的脑电信号的采样频率，但是考虑到性价比，作为优选，选择非侵入式的脑电信号，即选择采样频率大于200Hz，且小于等于500Hz的脑电采集设备采集脑电信号。相应地，脑电采集设备的最佳采样频率为500Hz，脑电采集设备的最佳采集时间为8小时。

本实施例中，脑电信号的类型包括头皮脑电信号和颅内脑电信号。用户戴上相应的脑电采集设备后入睡，脑电采集设备在相应的采样频率和采集时间下进行采样，可以得到用户在睡眠过程中产生的脑电信号。本发明提出的方法处理单通道脑电数据，由于不同脑电位置采集到的睡眠信号存在差异，因此不同通道输出的睡眠分期结果可能存在差异，这能反映不同脑区在睡眠过程中的状态差异。

(2)对采集到的脑电信号进行预处理，其中，预处理包括脑电信号滤波、脑电信号重采样和脑电信号分帧。

(2.1)采用零相位滤波器，对脑电信号进行0.1-30Hz的带通滤波处理。

应当理解的是，对脑电信号进行带通滤波处理，其目的是为了滤除脑电采集设备在50Hz附近留下的工频噪声和脑电自身在高频段存在的与睡眠无关的噪声信号。

(2.2)对带通滤波后的脑电信号进行降采样处理，以使脑电信号的采样频率降至100Hz。

由于步骤(2.1)中已对脑电信号进行了0.1-30Hz的带通滤波处理，因此，脑电采集设备的原始采样频率远大于滤波后的脑电信号频率，可以考虑用降采样的方法减少数据点，进一步提高计算效率；为了使得本发明的脑电信号处理方法能够处理不同采样频率下的脑电信号，同时考虑后续步骤(2.3)中提取的功率谱密度特征的维数，所以在本步骤中对带通滤波后的脑电信号进行降采样处理，使脑电信号的采样频率降至100Hz。

(2.3)将脑电信号分帧，每一帧脑电信号时长为30秒，且帧与帧之间不重合；并为每一帧脑电信号分配一个对应的睡眠状态标签。

(3)提取脑电信号的功率谱密度特征。

本实施例中，首先使用Welch方法计算每一帧脑电信号的功率谱密度，然后提取功率谱密度中小于等于30Hz的部分，以获取每一帧脑电信号的功率谱密度特征。需要说明的是，将功率谱密度中小于等于30Hz的部分截取出来作为每一帧脑电信号对应的特征信号。

其中，使用Welch方法进行计算每一帧脑电信号的功率谱密度，具体地，首先将时长为30秒、采样频率为100Hz的每一帧脑电信号分成有256个数据点的若干段子信号；然后用傅里叶变换计算这些子信号的功率谱密度；最后把每一段子信号的傅里叶变换后的功率谱密度进行平均，得到每一帧脑电信号的功率谱密度。

需要说明的是，由于每一帧脑电信号的时长为30秒，采样频率为100Hz，所以每一帧脑电信号均有3000个数据点。

应当注意的是，由于子信号的数据点为256个，在进行傅里叶变换处理的时候，傅里叶谱上对应非整数倍的频率会出现信号泄露的情况。因此需要先用窗函数给子信号进行加权处理，再对子信号做傅里叶变换。

本实施例中，窗函数推荐使用Hamming窗，即海明窗，是余弦窗的一种，又称改进的升余弦窗，现有技术中有公开，本实施例中不做详细赘述。

(4)使用UMAP降维算法对功率谱密度特征进行降维处理。

UMAP降维算法假设数据样本在特征空间中的分布具有特定的流形结构。尽管数据在常规的欧氏特征空间中并非均匀分布，但数据的流形结构在拓扑空间中的分布是均匀的，并且可以将数据样本在拓扑空间中的分布关系近似映射到低维度的空间中。

睡眠过程中的睡眠状态变化相对平稳，睡眠状态的转变通常发生在相邻的睡眠状态之间，例如N1期和N2期、N2期和N3期之间的状态切换。睡眠状态具有稳定性，且状态之间存在转移规律，因此假设睡眠信号的特征的分布存在流形结构是合理的。所以可以基于功率谱密度特征在高维特征空间中存在流形结构这个前提，采用UMAP降维算法对功率谱密度特征进行降维处理；相应地，降维处理后的功率谱密度特征仍然保留其主要的流形结构关系。

UMAP降维算法能够将高维空间中的特征点映射到低维空间上，并尽可能地保留特征点在高维空间中的分布。为了方便降维效果的可视化，将降维的目标维数设置为二维，再结合时间轴，就可以观察到样本特征点在二维平面上的运动轨迹，为用户睡眠状态的变化过程提供更直观的理解。

UMAP降维算法使用最近邻矩阵的方式间接表征数据在特征空间中的流形结构。构建邻接矩阵e时，以最近邻矩阵近似代替邻接矩阵。需要设置一个超参数：最近邻数n_neighbors，该参数控制最近邻矩阵中每一个数据样本与其他数据样本之间的连接数，该参数的数值越大，则连接数越多，UMAP在降维的时候保留更多的全局结构；该参数的数值越小，UMAP在降维时则更侧重保留局部结构。

考虑到睡眠周期的时长通常为90分钟，对应180个睡眠帧，即对应180帧脑电信号。在这期间对应睡眠状态的两个变化过程：从脑电信号相对活跃的状态(W期，N1期和REM期)转移到到脑电信号相对稳定的状态(N2期，N3期)；从脑电信号相对稳定的状态转移到脑电信号相对活跃的状态。具体地，一个完整的睡眠周期的演化过程一般为：W期→N1期&REM期→N2期→N3期，然后再从N3期逐步回到W期或者REM期。考虑到睡眠状态的往返变化，一个睡眠周期中出现的能够稳定保持一段时间的睡眠状态(允许相同睡眠期，但出现的时间不同)不会超过10个，所以平均每个睡眠状态对应的睡眠帧约为18帧，最近邻数n_neighbors设置为10能够连接睡眠期中的大多数近邻睡眠帧。应当理解的是，最近邻数n_neighbors可以修改，但太大就不能保留局部关系，太小就忽略了全局关系，所以要和簇的大小相匹配。本实施例中，最近邻数n_neighbors设置为10，一是考虑到簇的数据点量，二是实际实验中，10的效果比较平衡，能够兼顾到全局和局部的关系。

其次，考虑睡眠过程的连续性。相邻的睡眠帧往往处于相同的睡眠期或者处于变化方向上相邻的睡眠期。因此睡眠信号在拓扑空间中的流形结构应当是全连通的。UMAP中通过设置局部连接值：local_connectivity＝1，来保证拓扑结构中每一个样本点至少都与另一个样本点连接。如此设置，可以保证每个睡眠帧对应的功率谱密度特征至少和同一个睡眠周期内的其他功率谱密度特征有连接关系。

获得近似的流形邻接矩阵e后，UMAP使用拉普拉斯特征映射(LaplacianEigenmaps，LE)，把邻接矩阵e映射到低维空间中的位置作为降维结果的初始值，然后使用交叉熵损失函数来衡量功率谱密度特征数据样本点的低维表示的好坏，使用随机梯度下降法对功率谱密度特征数据样本点的低维表示进行优化。

进一步地，交叉熵损失函数CE的表达式为：

其中，e表示邻接矩阵，即图中的边，w

在另外一些实施例中，除了UMAP算法，还可以采用t-SNE算法进行降维，但是tSNE算法并没有保留数据的全局结构，在t-SNE算法降维的结果上进行聚类效果不佳。另外，t-SNE算法的时间复杂度为O(n

(5)对降维后的功率谱密度特征的运动轨迹进行中值滤波处理。

根据步骤(4)中得到的降维后的功率谱密度特征的特征点在二维空间中。整个睡眠过程的状态变化反应在低维空间中，显示的是一条二维平面上的运动轨迹。在单个睡眠期中，功率谱密度特征样本点在二维平面上的某个区域内运动，而当睡眠状态发生变化时，功率谱密度特征样本点则会离开当前的运动区域，在另一个区域范围内进行运动。

在单个睡眠状态期的运动中，由于脑电信号波动的原因，功率谱密度特征样本点偶尔会短暂远离当前的运动区域，功率谱密度特征在二维平面上的运动轨迹并不平滑，而是在短期内在某个区域内不断震荡运动。如果单纯考虑当前功率谱密度特征样本点的位置而不考虑前后位置信息，直接针对降维的功率谱密度特征样本点进行聚类，震荡运动带来的位置偏移会让部分功率谱密度特征样本点在聚类时被归类为其他睡眠状态，这将极大影响睡眠分期结果的准确性，就会出现状态误判的情况，因此考虑对功率谱密度特征样本点的运动轨迹进行滤波处理。

本发明采用的滤波方法是中值滤波法，这是一种非线性的平滑技术，其特点是能够有效克服因偶然因素引起的运动轨迹干扰，比较适合用于状态变化相对缓慢的睡眠状态变化轨迹。另外，考虑到相邻睡眠状态之间的转化可以在几个睡眠帧内完成，因此中值滤波的窗口长度取值不能太大，窗口长度L设定为5较为合适。

(6)采用高斯混合模型对中值滤波处理后的功率谱密度特征进行聚类，聚类簇对应不同的睡眠状态，以获取睡眠分期结果。

基于中值滤波处理后的低维度功率谱密度特征样本点，应用聚类算法完成聚类。本实施例中，聚类算法优选为高斯混合模型(GMM)，即采用高斯混合模型对功率谱密度特征进行聚类。

(6.1)高斯混合模型假设功率谱密度特征的特征点来自k个簇，每个簇的功率谱密度特征的特征点符合高斯分布的规律，因此整体样本点的分布为这k个高斯分布的叠加。为了确定高斯分布的个数k，需要对数据的分布有一个直观的了解。由于在步骤(4)和步骤(5)中已经将高维度的功率谱密度特征降至二维，并排除了部分因噪声带来的位置偏差，因此数据分布很容易被可视化，从而人工确定高斯混合模型的分布个数k。

(6.2)确定好簇数k后，通过期望最大化算法(Expectation MaximizationAlgorithm，EM算法)对各个簇对应的高斯分布的参数(均值和方差)进行迭代求解，从而获取到高斯混合模型。其中，求解过程主要分为两步：

(a)用簇内的功率谱密度特征的特征点估计簇的高斯分布参数，再根据簇的高斯分布，计算每一个特征点分别属于k个簇的概率。

(b)将特征点分配至概率最大的簇。如果有特征点对应的簇发生了改变，则执行步骤(a)；如果特征点对应的簇不再发生变化，则停止迭代计算，输出特征点对应的簇。

(6.3)高斯混合模型将特征点聚为不同的簇，由于特征点随着时间在二维平面上不断变化，因此特征点的运动轨迹会有两种情况：在簇内运动和在簇间运动。对每次簇间运动进行统计，由于簇内特征点代表的信号之间差异较小，能够对应某个稳定的睡眠状态。因此簇与簇之间的运动关系能够对应睡眠状态的变化规律。

簇内有若干个特征点，每个特征点对应30秒时长的脑电信号的功率谱密度。对同一簇内些特征点的功率谱密度进行平均，便于将簇其与具体的睡眠状态对应。结合N2期的功率谱规律和睡眠状态的变化规律，即可将聚类结果簇和睡眠状态进行匹配，得到最后的睡眠分期结果。

示例性地，例如纺锤波成分较强的N2期，其功率谱密度曲线在11Hz—16Hz的范围内会出现一个高峰。假设高斯混合模型给出了三个簇的聚类结果(簇A、簇B、簇C)。如果簇A的平均功率谱密度在11Hz—16Hz的范围内的功率最强，则该簇对应N2期。然后计算与簇A发生簇间特征点运动次数较多的其他簇(簇B和簇C)的平均功率谱密度。如果簇B在11Hz—16Hz的范围也有峰存在，但峰的突出度会比簇A(N2期)要小，那么可以将簇B归类为N3期。剩下的簇C则对应与N2期联系密切的N1期&REM期。

下面根据实施例及其附图详细描述本发明中的无监督聚类的睡眠脑电信号分期方法，本发明的目的和效果将变得更加明显。

本实施例的具体步骤如下：

(1)使用脑电采集设备采集用户在睡眠过程中产生的脑电信号。

使用侵入式电极探针和头皮脑电采集设备从用户身上采集头皮脑电图数据和颅内脑电图数据。脑电信号记录时长为200分钟，脑电信号采样频率为2000Hz，有134个采样通道，其中包含头皮脑电信号(EEG)和颅内脑电信号(iEEG)，通道编号与类型如表1所示，采集到的部分脑电信号如图2所示，包含J探针的10个通道的脑电信号。

表1：本发明实施例的采样通道与通道类型

/>

(2)对采集到的脑电信号进行预处理，其中，预处理包括脑电信号滤波、脑电信号重采样和脑电信号分帧。

具体地，由于本实施例中的采样频率为2000Hz，原始脑电信号如图2所示。首先对原始脑电信号进行0.5-25Hz的带通滤波处理，其目的是要滤除高频信号的干扰，其中包括50Hz的工频干扰。然后，为了减少后续计算中功率谱密度特征的维度，对脑电信号进行降采样处理，使脑电信号的采样频率降至100Hz，降采样后的脑电信号如图3所示。最后，对脑电信号进行分帧处理，每一帧时长设定为30秒。由于脑电信号记录时长为200分钟，分帧后得到400帧脑电信号。

(3)提取脑电信号的功率谱密度特征。

具体地，使用Welch方法计算每一帧脑电信号的功率谱密度，具体做法如下：

首先将每一帧脑电信号进行分段处理，每256个数据点截取出一段子信号，然后把对应大小的hamming窗(窗口大小256)对每段子信号进行加权，使信号满足傅里叶变换处理的周期性要求，减少信号泄露；再求每段子信号的功率谱密度；最后对子信号的功率谱密度求均值，则得到整个脑电信号帧对应的功率谱密度，据此获取到每一帧脑电信号的功率谱密度。由于睡眠相关的信号主要频段都在30Hz以下，因此截取小于等于30Hz的功率谱密度作为每帧脑电信号的功率谱密度特征。J探针采集到的脑电信号的平均功率谱密度如图4所示。

(4)使用UMAP降维算法对功率谱密度特征进行降维处理。

使用UMAP降维方法对从脑电信号帧中提取的功率谱密度特征进行降维处理。UMAP降维算法根据设定的最近邻数：n_neighbors＝10，为功率谱密度特征构建最近邻数对应的最近邻接矩阵。获得邻接矩阵后，UMAP使用交叉熵损失函数和随机梯度下降法来优化功率谱密度特征数据样本点的低维表示，最终获得的功率谱密度特征的二维特征点分布如图5所示，图中每个点对应30秒时长的脑电信号帧。

(5)对降维后的功率谱密度特征的运动轨迹进行中值滤波处理。

使用中值滤波法对功率谱密度特征的特征点的运动轨迹进行滤波处理，使得功率谱密度特征在二维平面上的运动轨迹平滑。将降维后的功率谱密度特征在时间轴上按顺序排布，则得到一条运动轨迹。由于脑电活动的非平稳性，脑电信号在短时间内可能发生较大变化，因此功率谱密度特征的特征点在二维特征空间中的运动轨迹在短时间内会偏离主体的运动路线。使用中值滤波处理后的运动轨迹相对平滑，更适合用于表征相对稳定的睡眠状态变化。本实施例中使用的中值滤波得窗口大小为5，对应250秒(5个脑电信号帧长度)时长的信号。中值滤波后的功率谱密度特征的特征点的运动轨迹如图6所示，与图5相对应。

(6)采用高斯混合模型对中值滤波处理后的功率谱密度特征进行聚类，聚类簇对应不同的睡眠状态，从而获取睡眠分期结果。

使用高斯混合模型对中值滤波后的功率谱密度特征的特征点进行聚类。由于本实施例中采集的是用户进入睡眠后的脑电信号，因此用户可能处于N1期(或者REM期)，N2期和N3期这三种状态。因此将高斯混合模型的簇数设定为3。然后使用期望最大化算法(EM算法)求解高斯混合模型，具体步骤为：

①将功率谱密度特征的特征点随机分配到3个簇中，获得每个簇的高斯分布初始化参数。

②针对每个特征点，分别计算该特征点属于每个高斯混合模型的后验概率，然后将该特征点加入后验概率最大的簇。

③由于簇内的特征点发生了变化，重新计算簇的高斯分布参数，使得当前簇特征点的概率最大化。

④重复迭代步骤②和步骤③，直到特征点不再发生变动，即高斯混合模型收敛为止。

POL J1的低维特征对应的高斯混合模型聚类结果如图7所示。针对各个簇内特征点对应的功率谱密度，对其求平均，三个簇对应的平均功率谱密度曲线如图8所示。图8中观察不到纺锤波的成分存在，这是因为J探针的采样位置所在的脑区不是纺锤波活跃的区域。但本发明的技术方案仍然能将不同的睡眠状态作出区分，体现了本发明的鲁棒性。

根据聚类结果，为每个聚类簇分配相应的睡眠状态，即可得到用户的睡眠状态变化曲线，如图9所示。

与前述无监督聚类的睡眠脑电信号分期方法的实施例相对应，本发明还提供了相应的设备的实施例。

参见图10，本发明实施例提供的一种设备，包括存储器和处理器，存储器与处理器耦接；其中，存储器用于存储程序数据，处理器执行时，用于实现上述实施例中的无监督聚类的睡眠脑电信号分期方法。

本发明的设备的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图10所示，为本发明的设备所在任意具备数据处理能力的设备的一种硬件结构图，除了图10所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的无监督聚类的睡眠脑电信号分期方法。

所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。