基于非线性动力学的睡眠阶段分期方法技术
【技术实现步骤摘要】
基于非线性动力学的睡眠阶段分期方法
本专利技术属于音频领域，特别是一种基于非线性动力学的睡眠阶段分期方法。
技术介绍
睡眠是人体恢复精力的最好休息方式，良好的睡眠有利于提高人的生活质量、工作效率和生活幸福感。目前国际上采用的睡眠监测多为多导睡眠图监测(PSG)，它记录并分析多种睡眠呼吸参数，能够准确地判断睡眠结构和睡眠分期。但是PSG也有很多不足之处，其中它操作复杂，需要专业人员进行电极粘贴，只能在实验室或者医院使用。而且所接电极繁多，粘贴在身体各个部位，并不适用于皮肤敏感者，这也影响了被监测者的自然睡眠，对测试实验产生干扰。此外，PSG检测费用高，不能作为日常监护。现有的临床睡眠分析方法主要是穿戴式的，北京怡和嘉业医疗科技有限公司的专利《电磁式胸腹带及多导睡眠监测仪》中，提供了一种电磁式胸腹带，包括胸带和腹带，其中胸带和腹带上均固定有磁性件和感应设备，通过监测胸呼吸和腹呼吸的参数来实现睡眠监测。中国人民解放军第二军医大学的专利《一种睡眠监测系统》中，提出了一种包含了脑电波收集帽及手套的睡眠监测系统，它通过监测睡眠脑电波、指氧饱和度、肌电及体动这四项指标来对睡眠进...
【技术保护点】
一种基于非线性动力学的睡眠阶段分期方法，其特征在于，包括以下步骤：步骤1：用音频设备采集监护者整夜的睡眠音频信号，同时用标准PSG仪对实验者进行睡眠监测，得到睡眠阶段标签；步骤2：将步骤1采集到的音频信号与标准PSG仪采集到的睡眠阶段标签按照对应法则一一对应；步骤3：对步骤1采集到的音频信号进行预处理，具体为：对录取的音频信号进行降噪处理，得到降噪处理后的睡眠音频，对降噪后的睡眠音频信号进行声音事件检测，得到声音事件，其中所述声音事件具体为人体一呼一吸产生的音频；步骤4：采用非线性动力学分析方法对检测到的声音事件进行特征提取，所述特征具体为：时间延迟
【技术特征摘要】
1.一种基于非线性动力学的睡眠阶段分期方法，其特征在于，包括以下步骤：步骤1：用音频设备采集监护者整夜的睡眠音频信号，同时用标准PSG仪对实验者进行睡眠监测，得到睡眠阶段标签；步骤2：将步骤1采集到的音频信号与标准PSG仪采集到的睡眠阶段标签按照对应法则一一对应；步骤3：对步骤1采集到的音频信号进行预处理，具体为：对录取的音频信号进行降噪处理，得到降噪处理后的睡眠音频，对降噪后的睡眠音频信号进行声音事件检测，得到声音事件，其中所述声音事件具体为人体一呼一吸产生的音频；步骤4：采用非线性动力学分析方法对检测到的声音事件进行特征提取，所述特征具体为：时间延迟嵌入维数近似熵高维个数n、最大李雅普诺夫指数步骤5：将提取得到的特征参数与对应的标签输入到机器学习中，通过机器学习方法来确定睡眠阶段与特征参数之间的映射模型；步骤6：根据步骤5得到的映射模型，对音频设备录取的音频信号进行睡眠阶段分期。2.根据权利要求1所述的基于非线性动力学的睡眠阶段分期方法，其特征在于，步骤2中所述对应法则为：音频标签A为清醒期即入睡前的准备阶段，对应PSG结果的入睡期N1，音频标签B为NREM期即包括轻度睡眠、中度睡眠、深度睡眠的阶段，对应PSG结果的浅睡期N2和深睡期N3，标签C为REM期即快速眼球运动阶段，对应PSG结果的快速眼球运动REM。3.根据权利要求1所述的基于非线性动力学的睡眠阶段分期方法，其特征在于，步骤3对降噪后的音频信号进行声音事件检测，具体为：截取监护者从清醒到深度睡眠的一个周期的降噪后的音频信号，通过能熵比法对语音端点进行检测，从睡眠音频信号中检测出有效的声音事件，其步骤为：步骤3-1：对音频信号se(n)进行加窗分帧处理，计算每帧音频信号sei(m)的能量AMPi和短时谱熵H(i)，能熵比EEFi表示为其中sei(m)的下标i表示为第i帧；步骤3-2：根据能熵比使用双门限检测法进行语音端点检测，检测出有效的声音事件；其中双门限检测法中的阈值T2＝a1×Det+eth，T1＝a2×Det+eth，Det为能熵比EEFi的最大值，eth为睡眠音频信号前置无话段的能熵比均值，a1、a2为Det的权重。4.根据权利要求1所述的基于非线性动力学的睡眠阶段分期方法，其特征在于，步骤4采用非线性动力学分析方法对检测到的声音事件进行特征提取，具体为：步骤4-1：求取时间延迟具体为：取每个声音事件时间序列x(n)的自相关函数R(τ)的第一个过零点为时间延迟τ，再取平均得到每帧内所有声音事件的平均时间延迟步骤4-2：求取嵌入维数具体为：步骤4-2-1：由相空间重构理论，根据步骤4-1得到的时间延迟τ，将一维声音事件时间序列x(n)嵌入到m维空间Y中；步骤4-2-2：改变维数m＝m+1，计算虚假邻近点的个数；步骤4-2-3：当虚假近邻点个数占全部m维空间中相矢量的比例小于自定义阈值b时，此时的维数m为声音事件时间序列x(n)的最佳嵌入维数；否则返回步骤4-2-2；步骤4-2-4：将每个声音事件时间序列x(n)的最佳嵌入维数m取平均，得到每帧内所有声音事件的平均嵌入维数步骤4-3：求取近似熵具体为：步骤4-3-1：将声音事件的一维时间序列x(n)＝(x1,x2,x3,...,xi,...,xk)按顺序组成v维矢量Vi＝[x(i),x(i+1),...,x(i+v-1)]，i＝1,2,...,k，其中k为声音事件时间序列x(n)的长度；步骤4-3-2：对每一个i值计算相矢量Vi和其余矢量Vj的距离dij＝max|x(i+l)-x(j+l)|,l＝0,1,...,v-1；步骤4-3-3：给定阈值r＝a3×SD，其中a3的取值范围为0.1～0.25，SD为声音事件时间序列x(n)的标准差；记录每个dij小于阈值r对应的i的个数，并求出与总的v维相矢量个数(k-v+1)的比值，记为将取对数，并求其平均值，记为φv(r):步骤4-3-4：确定声音事件时间序列x(n)的近似熵为Apen＝φv(r)-φv+1(r)；步骤4-3-5：将每个声音事件时间序列x(n)的近似熵Apen取平均，得到每帧内所有声音事件的平均近似熵步骤4-4：求取高维个数n，具体为：记录步骤4-2中每帧内嵌入维数m≥4的声音事件时间序列x(n)的个数；步骤4-5：求取最大李雅普诺夫指数具体为：步骤4-5-1：根据步骤4-1求得的时间延迟τ和步骤4-2求得的嵌入维数m重构相空间W，对每个点Wj寻找其最近邻点W'j，计算Wj到W'j的距离dj(0)＝|Wj-W'j|；步骤4-5-2：对每个点Wj，计算其与最近邻点W'j在第i步前向演化后的距离dj(i)＝|Wj+i-W'j+i|＝dj(0)×eλ×i；步骤4-5-3：由下式算得最大李雅普诺夫指数，
【专利技术属性】
技术研发人员：洪弘，李佩，顾陈，李彧晟，孙理，朱晓华，邓博雅，薛彪，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。