一种利用SVM分类器的睡眠姿势多分类识别方法技术

一种利用SVM分类器的睡眠姿势多分类识别方法，包括以下步骤：采集受试者的左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠姿势下的识别特征值；构建一对一法支持向量机多分类算法分类器；将训练样本输入SVM分类器进行训练，得到可用于识别四种睡眠姿势的分类模型，实现多分类的功能；将分类模型用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势进行识别。本发明专利技术通过左右胸部呼吸电阻抗相关分析，独创性地使用了一对一法支持向量机做多分类识别，实现了睡眠姿势的高可信度动态提取，是一种低负荷睡眠监测新方法，且本发明专利技术具有简单易行，训练时间短，分类精确度高，有效实现对受试者的四种主要睡眠姿势的识别。

【技术实现步骤摘要】
一种利用SVM分类器的睡眠姿势多分类识别方法
本专利技术涉及医疗监测
，尤其是涉及一种在生物电阻抗技术采集呼吸信号的基础上，利用SVM分类器的睡眠姿势多分类识别方法。
技术介绍
目前，在检测睡眠姿势时，多通过单独的传感器监测姿势的方法对患者进行检测。但过多的监测设备易造成患者的不舒适感，影响患者的睡眠质量。近年来，许多有关分析睡眠呼吸暂停和睡眠姿势关系的研究工作也取得了巨大的进展。以色列卢文斯基医院康复中心的Oksenberg教授证实，仰卧位睡眠姿势不仅会增加异常呼吸事件发生的概率，并且会加剧呼吸的困难程度。因此，睡眠姿势的实时识别与调节将有效地减轻睡眠呼吸暂停（OSA）患者的睡眠呼吸障碍。对于一些外科手术病人和长期卧床的老年人来说，长久保持一个姿势容易形成褥疮。褥疮是个由来已久的问题，每年卫生保健系统都会投入大量资金。连续监测和记录病人的卧床姿势可以帮助护理人员及时变换病人的姿势，避免或减少褥疮发生的风险。由此可见，对于睡眠姿势的实时监测可以实现相关呼吸疾病的早诊断、早预防、早预警。睡眠姿势监测俨然已成为睡眠监测的重要指标，对人类的健康产生直接影响。现有技术中已经提出了一种利用生物电阻抗技术睡眠姿势识别的方法。但睡眠姿势识别方法算法较为简单，分类精确度不够高，目前还没有一种更高精度监测患者睡眠姿势的方法或装置。
技术实现思路
本专利技术的目的在于针对上述存在问题和不足，提出一种利用SVM分类器的睡眠姿势多分类识别方法，通过采集受试者左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠姿势下的识别特征值，构建一对一法支持向量机（1-v-1SVMs）多分类算法分类器，用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势进行识别。本专利技术的技术方案是这样实现的：本专利技术所述的利用SVM分类器的睡眠姿势多分类识别方法，其特点是包括如下步骤：S1：采集受试者左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠姿势下的识别特征值；S2：构建一对一法支持向量机多分类算法分类器；S3：将训练样本输入一对一法支持向量机多分类算法分类器进行训练，得到可用于识别四种睡眠姿势的分类模型，实现多分类的功能；S4：将分类模型用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势进行识别。其中，上述步骤S1的具体操作方法如下：S11：利用生物电阻抗技术同时采集左侧胸部和右侧胸部两通道的呼吸信号，从呼吸信号提取参考特征值；S12：计算出当前时刻k的左侧胸部的电阻抗均值ZL与右侧胸部的电阻抗均值ZR之差（ZL-ZR），将差值（ZL-ZR）作为第一参考特征值，记做M1；S13：计算出当前时刻k的左侧胸部的电阻抗均值ZL与右侧胸部的电阻抗均值ZR之和（ZL+ZR），将和值（ZL+ZR）作为第二参考特征值，记做M2；S14：FL表示左侧呼吸信号的平均幅值，FR表示右侧呼吸信号的平均幅值，将左右侧呼吸信号的平均幅值的差值（FL-FR）作为第三参考特征值，记做F1；S15：FL表示左侧呼吸信号的平均幅值，FR表示右侧呼吸信号的平均幅值，将左右侧呼吸信号的平均幅值的和值（FL+FR）作为第四参考特征值，记做F2；S16：SL表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，SR表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右侧胸部在当前时刻k的电阻抗值进行积分累加运算得到的积分累加值的差值（SL-SR）作为第五参考特征值，记做S1；S17：SL表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，SR表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右侧胸部在当前时刻k的电阻抗值进行积分累加运算得到的积分累加值的和值（SL+SR）作为第六参考特征值，记做S2。上述步骤S2的具体操作方法如下：S21：根据所述的一对一法支持向量机多分类算法分类器用于对睡眠姿势进行分类，其做法是在任意两种姿势的样本之间设计一个SVM，n种类别的样本就需要设计n(n-1)/2个SVM，因此本方法需设计6个SVM；S22：将左侧卧类别记做A，右侧卧类别记做B，仰卧类别记做C，俯卧类别记做D，6个SVM分别记为(A,B)-classifier，(A,C)-classifier，(A,D)-classifier，(B,C)-classifier，(B,D)-classifier，(C,D)-classifier。进一步地，上述步骤S2还包括如下操作方法：S23：用特征值M1作为(A,B)-classifier的分类参考特征值，当M1大于第一阈值TR1，则结果判断为A，那么A=A+1，否则B=B+1；S24：用特征值F1作为(A,C)-classifier的分类参考特征值，当F1大于第二阈值TR2，则结果判断为A，那么A=A+1，否则C=C+1；S25：用特征值S1作为(A,D)-classifier的分类参考特征值，当S1大于第三阈值TR3，则结果判断为A，那么A=A+1，否则D=D+1；S26：用特征值F2作为(B,C)-classifier的分类参考特征值，当F2大于第四阈值TR4，则结果判断为B，那么B=B+1，否则C=C+1；S27：用特征值S2作为(B,D)-classifier的分类参考特征值，当S2大于第五阈值TR5，则结果判断为B，那么B=B+1，否则D=D+1；S28：用特征值M2作为(C,D)-classifier的分类参考特征值，当M2大于第六阈值TR6，则结果判断为C，那么C=C+1，否则D=D+1。更进一步地，上述步骤S2还包括如下操作方法：S29：根据所述的6个SVM下的判断结果，进行投票，选择票数最多的A、B、C、D作为左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势的判断结果。本专利技术与现有技术相比，具有如下有益效果：本专利技术在睡眠呼吸监测基础上，通过左右胸部呼吸电阻抗相关分析，独创性地使用了一对一法支持向量机做多分类识别，实现了睡眠姿势的高可信度动态提取，是一种低负荷睡眠监测新方法，而且本专利技术具有简单易行，训练时间短，分类精确度高，有效地实现对受试者的四种主要睡眠姿势的识别，提醒患者以正确的姿势睡眠，并对疾病患者的治疗提供了辅助参考信息。下面结合附图对本专利技术作进一步的说明。附图说明图1是本专利技术的一个实施例的方法流程图。图2是本专利技术提供的睡眠监测仪的结构示意图。图3是本专利技术步骤S1的一种可实现方式的方法流程图。图4是本专利技术步骤S2的一种可实现方式的方法流程图。具体实施方式如图1所示，是本专利技术的一个实施例的方法流程图。在本实施例中，本专利技术所述的利用SVM分类器的睡眠姿势多分类识别方法，包括以下步骤：步骤S1：采集受试者左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠姿势下的识别特征值。步骤S2：构建一对一法支持向量机（1-v-1SVMs）多分类算法分类器；步骤S3：将训练样本输入一对一法支持向量机多分类算法分类器进行训练，得到可用于识别四种睡眠姿势的分类模型，实现多分类的功能；步骤S4：将分类模型用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势进行识别。具体实施时，采用睡眠监测仪执行对受试者的睡眠姿势的识别，其主要工作过程包括：多个电极固定在相应检测本文档来自技高网...

【技术保护点】
一种利用SVM分类器的睡眠姿势多分类识别方法，其特征在于包括如下步骤：S1：采集受试者左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠姿势下的识别特征值；S2：构建一对一法支持向量机（1‑v‑1 SVMs）多分类算法分类器；S3：将训练样本输入SVM分类器进行训练，得到可用于识别四种睡眠姿势的分类模型，实现多分类的功能；S4：将分类模型用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势进行识别。

【技术特征摘要】
1.一种利用SVM分类器的睡眠姿势多分类识别方法，包括如下步骤：S1：采集受试者左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠姿势下的识别特征值；S2：构建一对一法支持向量机多分类算法分类器；S3：将训练样本输入一对一法支持向量机多分类算法分类器进行训练，得到可用于识别四种睡眠姿势的分类模型，实现多分类的功能；S4：将分类模型用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势进行识别；上述步骤S1的具体操作方法如下：S11：利用生物电阻抗技术同时采集左侧胸部和右侧胸部两通道的呼吸信号，从呼吸信号提取参考特征值；S12：计算出当前时刻k的左侧胸部的电阻抗均值ZL与右侧胸部的电阻抗均值ZR之差（ZL-ZR），将差值（ZL-ZR）作为第一参考特征值，记做M1；S13：计算出当前时刻k的左侧胸部的电阻抗均值ZL与右侧胸部的电阻抗均值ZR之和（ZL+ZR），将和值（ZL+ZR）作为第二参考特征值，记做M2；S14：FL表示左侧呼吸信号的平均幅值，FR表示右侧呼吸信号的平均幅值，将左右侧呼吸信号的平均幅值的差值（FL-FR）作为第三参考特征值，记做F1；S15：FL表示左侧呼吸信号的平均幅值，FR表示右侧呼吸信号的平均幅值，将左右侧呼吸信号的平均幅值的和值（FL+FR）作为第四参考特征值，记做F2；S16：SL表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，SR表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右侧胸部在当前时刻k的电阻抗值进行积分累加运算得到的积分累加值的差值（SL-SR）作为第五参考特征值，记做S1；S17：SL表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，SR表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右侧胸部在当前时刻k的电阻抗值进行积分累加运算得到的积分累加值的和值（SL+SR）作为第六参考特征值，记做S2；其特征在于：上述步骤S2的具体操作方法如下：S21：根据所述...

【专利技术属性】
技术研发人员：刘官正，许欢，蒋庆，周广敏，余永城，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44