一种基于信道状态信息的非接触式睡眠分期装置及方法制造方法及图纸

本发明专利技术提供了一种基于信道状态信息的非接触式睡眠分期装置及方法，涉及睡眠监测技术领域，利用信道状态信息时间稳定性好、对动作敏感性强等固有特点，通过在室内环境下使用普通笔记本电脑与家用路由器采集信道状态信息，应用信号处理及小波分析方法提取呼吸信号，利用隐马尔科夫模型刻画呼吸特征与睡眠阶段的对应关系，实现日常环境下的非接触式睡眠状态感知。通过使用本发明专利技术提出的方法可以实现呼吸率识别的平均误差约为2bpm，睡眠阶段识别的准确率为73.52％，满足日常家庭睡眠监测的需求。

【技术实现步骤摘要】
一种基于信道状态信息的非接触式睡眠分期装置及方法
本专利技术涉及睡眠监测
，特别涉及一种基于信道状态信息的非接触式睡眠分期装置及方法。
技术介绍
睡眠是人体必不可少的生理活动，是一种既重要又复杂的生理现象，在生命中大约占有三分之一的时间。睡眠是机体进行自我修复和完善的过程，对维持身心健康具有重要的调节作用。睡眠分期是根据人体在睡眠期间生理信号的不同变化将睡眠过程分为不同的阶段。人的睡眠，一夜中大约有4～6个睡眠周期出现，互相连接，周而复始，并且各个睡眠阶段都有各自特定的生理和行为特点。根据脑电图的不同特征，主要将睡眠分为非快速眼动期(Non-rapideyemovement,NREM)和快速眼动期(Rapideyemovement,REM)，其中NREM期又分为两个时期，浅睡期和深睡期。浅睡期的特点是呼吸较浅，人体肌肉保持松弛状态，没有明显的眼球运动。深睡期的特点是，呼吸较深，均匀且有规律，没有明显的眼球运动。REM期的特点是呼吸稍快且不规则，眼球快速转动，这时的血压、体温、心率也有所升高。信道状态信息(Channelstateinformation,CSI)，是通信链路的信道属性,它描述了信号在每条传输路径上的衰弱因子，即信道增益矩阵H中每个元素的值，如信号散射，环境衰弱，距离衰减等信息。信道状态信息有时间稳定性好、对动作敏感性强等优势，适合用在非接触式感知领域。目前，接触式睡眠状态检测的设备主要有医用多导睡眠检测仪(PSG)，脑波检测带等，其共同特点是用户需要佩戴额外设备(电极、头带等)，会对自然睡眠造成一定程度的侵扰，不适宜持续监测。非接触式睡眠状态检测的设备例如睡眠监测床垫，成本高不适宜家庭使用；智能手环，成本低廉但准确率不高。
技术实现思路
本专利技术实施例提供了一种基于信道状态信息的非接触式睡眠分期装置及方法，用以解决现有技术中存在的问题。一种基于信道状态信息的非接触式睡眠分期装置，所述装置包括笔记本电脑、无线路由器和外接天线，所述笔记本电脑安装有无线网卡以及CSITool软件，所述无线网卡、外接天线和无线路由器依次通信连接，所述笔记本电脑利用CSITool采集信道状态信息并保存；所述笔记本电脑中具有滤波模块、相关性剔除模块、呼吸信号提取模块和睡眠分期模块；所述滤波模块用于采用Hampel滤波器对所述信道状态信息进行滤波去噪，得到去噪后的信道状态信息；所述相关性剔除模块用于使用主成分分析方法剔除去噪后的信道状态信息中不同信道之间的相关性，只保留CSI变化的最主要成分，得到信道状态信息主成分；所述呼吸信号提取模块用于使用sym8对信道状态信息主成分进行多尺度分解，并采用第八层近似系数重构信号，获取呼吸信号；所述睡眠分期模块包括特征提取子模块、特征子集选择子模块和睡眠阶段识别子模块；所述特征提取子模块用于对呼吸信号进行呼吸特征提取，提取的特征包括时域特征、频域特征和非线性特征；所述特征子集选择子模块用于利用信息增益在提取的呼吸特征中选择最优特征子集，以降低特征维数；所述睡眠阶段识别子模块用于使用隐马尔科夫模型构建睡眠阶段识别模型。优选地，所述笔记本电脑中安装有Ubuntu操作系统，所述无线网卡的型号为Intel5300。优选地，所述特征提取子模块对连续呼吸间期进行分析，提取特征，提取的特征中时域特征包括均值、方差、最大值、最小值、标准差、差值均方根、差值标准差和变异系数；频域特征包括频带总能量和低频频段与高频频段能量比值；非线性特征包括样本熵。本专利技术还提供了一种基于信道状态信息的非接触式睡眠分期方法，所述方法包括：利用CSITool采集信道状态信息并保存；采用Hampel滤波器对信道状态信息进行滤波去噪，得到去噪后的信道状态信息；使用主成分分析方法剔除去噪后的信道状态信息中不同信道之间的相关性，只保留CSI变化的最主要成分，得到信道状态信息主成分；使用sym8对信道状态信息主成分进行多尺度分解，并采用第八层近似系数重构信号，获取呼吸信号；对呼吸信号进行呼吸特征提取，提取的特征包括时域特征、频域特征和非线性特征；利用信息增益在提取的呼吸特征中选择最优特征子集，以降低特征维数；使用隐马尔科夫模型构建睡眠阶段识别模型。优选地，对呼吸信号进行呼吸特征提取时为对连续呼吸间期进行分析，提取特征，提取的特征中时域特征包括均值、方差、最大值、最小值、标准差、差值均方根、差值标准差和变异系数；频域特征包括频带总能量和低频频段与高频频段能量比值；非线性特征包括样本熵。优选地，使用隐马尔科夫模型构建睡眠阶段识别模型具体包括：建立呼吸特征集合G＝{均值，方差，最大值，最小值，标准差，差值均方根，差值标准差，变异系数，频带总能量，低频频段与高频频段能量比值，样本熵}；建立状态集合S＝{S1，S2，S3，S4}，其中S1、S2、S3和S4为睡眠阶段，即S1为清醒期，S2为快速眼动期，S3为浅睡期，S4为深睡期；获取初始状态概率分布π＝{π1，π2，π3，π4}，其中的取值为医疗权威机构提供的各个睡眠阶段所占比例，π1＝0.07，π2＝0.23，π3＝0.55，π4＝0.15；根据呼吸特征集合G确定观测序列O＝{o1，o2，…oi，…，ot}，其中oi为呼吸特征集合G；获取状态序列q＝{q1，q2，…，qi，…，qt}，其中qi∈{S1，S2，S3，S4}；使用训练集数据对睡眠阶段转换进行概率统计，得到状态转移概率矩阵A＝{aij}，其中aij＝P(qt+1＝Sj│qt＝Si)，1≤i，j≤4；对睡眠阶段所对应的呼吸特征进行概率统计，得到观测概率分布矩阵B＝{bj(k)}，bj(k)＝P(ot＝vk│qt＝Sj)，1≤j≤4，vk为观测序列0第t个特征ot的实际值；建立隐马尔科夫模型λ＝(π，A，B)；采用隐马尔科夫模型解码过程的Viterbi算法，根据观测序列O与隐马尔科夫λ＝(π，A，B)，求解最有可能的隐状态序列，即睡眠阶段序列。本专利技术提供的一种基于信道状态信息的非接触式睡眠分期装置及方法，利用信道状态信息时间稳定性好、对动作敏感性强等固有特点，通过在室内环境下使用普通笔记本电脑与家用路由器采集信道状态信息，应用信号处理及小波分析方法提取呼吸信号，利用隐马尔科夫模型刻画呼吸特征与睡眠阶段的对应关系，实现日常环境下的非接触式睡眠状态感知。通过使用本专利技术提出的方法可以实现呼吸率识别的平均误差约为2bpm，睡眠阶段识别的准确率为73.52％，满足日常家庭睡眠监测的需求。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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。图1为本专利技术实施例提供的一种基于信道状态信息的非接触式睡眠分期装置的功能模块图；图2为图1中非接触式睡眠分期装置的分期方法流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护本文档来自技高网...

【技术保护点】
一种基于信道状态信息的非接触式睡眠分期装置，其特征在于，所述装置包括笔记本电脑、无线路由器和外接天线，所述笔记本电脑安装有无线网卡以及CSI Tool软件，所述无线网卡、外接天线和无线路由器依次通信连接，所述笔记本电脑利用CSI Tool采集信道状态信息并保存；所述笔记本电脑中具有滤波模块、相关性剔除模块、呼吸信号提取模块和睡眠分期模块；所述滤波模块用于采用Hampel滤波器对所述信道状态信息进行滤波去噪，得到去噪后的信道状态信息；所述相关性剔除模块用于使用主成分分析方法剔除去噪后的信道状态信息中不同信道之间的相关性，只保留CSI变化的最主要成分，得到信道状态信息主成分；所述呼吸信号提取模块用于使用sym8对信道状态信息主成分进行多尺度分解，并采用第八层近似系数重构信号，获取呼吸信号；所述睡眠分期模块包括特征提取子模块、特征子集选择子模块和睡眠阶段识别子模块；所述特征提取子模块用于对呼吸信号进行呼吸特征提取，提取的特征包括时域特征、频域特征和非线性特征；所述特征子集选择子模块用于利用信息增益在提取的呼吸特征中选择最优特征子集，以降低特征维数；所述睡眠阶段识别子模块用于使用隐马尔科夫模型构建睡眠阶段识别模型。...

【技术特征摘要】
1.一种基于信道状态信息的非接触式睡眠分期装置，其特征在于，所述装置包括笔记本电脑、无线路由器和外接天线，所述笔记本电脑安装有无线网卡以及CSITool软件，所述无线网卡、外接天线和无线路由器依次通信连接，所述笔记本电脑利用CSITool采集信道状态信息并保存；所述笔记本电脑中具有滤波模块、相关性剔除模块、呼吸信号提取模块和睡眠分期模块；所述滤波模块用于采用Hampel滤波器对所述信道状态信息进行滤波去噪，得到去噪后的信道状态信息；所述相关性剔除模块用于使用主成分分析方法剔除去噪后的信道状态信息中不同信道之间的相关性，只保留CSI变化的最主要成分，得到信道状态信息主成分；所述呼吸信号提取模块用于使用sym8对信道状态信息主成分进行多尺度分解，并采用第八层近似系数重构信号，获取呼吸信号；所述睡眠分期模块包括特征提取子模块、特征子集选择子模块和睡眠阶段识别子模块；所述特征提取子模块用于对呼吸信号进行呼吸特征提取，提取的特征包括时域特征、频域特征和非线性特征；所述特征子集选择子模块用于利用信息增益在提取的呼吸特征中选择最优特征子集，以降低特征维数；所述睡眠阶段识别子模块用于使用隐马尔科夫模型构建睡眠阶段识别模型。2.如权利要求1所述的装置，其特征在于，所述笔记本电脑中安装有Ubuntu操作系统，所述无线网卡的型号为Intel5300。3.如权利要求1所述的装置，其特征在于，所述特征提取子模块对连续呼吸间期进行分析，提取特征，提取的特征中时域特征包括均值、方差、最大值、最小值、标准差、差值均方根、差值标准差和变异系数；频域特征包括频带总能量和低频频段与高频频段能量比值；非线性特征包括样本熵。4.一种基于信道状态信息的非接触式睡眠分期方法，其特征在于，所述方法包括：利用CSITool采集信道状态信息并保存；采用Hampel滤波器对信道状态信息进行滤波去噪，得到去噪后的信道状态信息；使用主成分分析方法剔除去噪后的信道状态信息中不同信道之间的相关性，只保留CSI变化的最主要成分，得到信道状态信息主成分；使用sym8对信道...

【专利技术属性】
技术研发人员：倪红波，李昊，周兴社，徐国兴，施向南，何明杰，王影，邵自强，张伟，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61