一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统技术方案

本发明专利技术公开一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统。所述判别方法包括：获取人体的脉搏波信号，将所述脉搏波信号归一化处理，获得归一化脉搏波信号；将所述归一化脉搏波信号及对应的睡眠呼吸状态打包及分批，获得网络训练数据集和测试数据集；根据所述网络训练数据集和所述测试数据集建立基于深度置信网络的睡眠呼吸状态的自动判别模型；选取所述测试数据集对构建的基于所述脉搏波信号的睡眠呼吸状态的自动判别模型进行测试，并对网络性能和预测精度进行评估。通过建立模型的方法有效地完成了睡眠呼吸状态的自动判别，提高了自动判别的准确性。

【技术实现步骤摘要】
一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统
本专利技术涉及深度学习技术在睡眠呼吸状态自动判别领域，特别是涉及基于脉搏波数据的睡眠呼吸状态自动判别方法。
技术介绍
睡眠是人类生命活动的重要组成部分，是重要的生理、心理过程。良好的睡眠不仅可以恢复和调整体力，还可以保护大脑皮质，增强机体的新陈代谢，提高机体的免疫能力，同时也可提高认知能力及良好的情绪保持等。而相关睡眠障碍问题不仅是诱发高血压、冠心病等心脑血管疾病的重要因素，还与内分泌疾病、生长发育异常以及多种心理疾病相关，严重威胁人类生命健康及生存质量。在诸多睡眠障碍中，以睡眠过程中呼吸暂停最为常见，且对健康危害巨大。因此，判别睡眠过程中的呼吸状态成为研究热点。目前，睡眠呼吸状态判别的研究主要集中于以下方面：1、监测信号优化：血氧、鼻气流、呼吸等呼吸状态直接参数获取操作繁冗、设备穿戴复杂、抗干扰能力差，且对受试者睡眠质量影响较大。因此，减少测量的生理参数，获取与睡眠呼吸状态相关的间接参数，简化监测流程及操作成为该领域的主要研究方向。迄今为止，利用心电信号提取相关特征，配合适当的分类方法构建的自动判别模型是较为前沿且成熟的睡眠呼吸状态判别方案。但是心电电极材质以氯化银为主，致敏性高，耐受性差，并且监测过程需要至少佩戴两个以上，穿戴复杂，对睡眠质量仍存在较为明显的干扰。2、分类模型选择：应用机器学习方法构建睡眠呼吸状态自动判别模型，以实现睡眠呼吸状态的自动分类为当下的研究热点。至今，特征提取较成熟算法有主成分分析、独立成分分析、小波分析等，这些算法在很多领域上发挥着作用。目前睡眠呼吸状态自动判别方法中的特征提取亦多应用上述算法。然而，上述算法均需要人工提取特征，因此其准确率不可避免的受到人为因素的影响。Hinton于2006年提出了深度学习算法，该算法使用多重非线性变换对数据进行多层抽象，学习输入数据向量的隐藏结构，有利于后期对新样本的智能识别或预测。多隐层的网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，深度学习模型在特征提取及分类方面的应用成为当下的研究热点。现有技术亟需一种使用较少的生理信号、更为准确地完成睡眠呼吸状态判别。基于被测试者睡眠期间监测的脉搏波信号，利用深度学习深度置信网络(DeepBeliefNetwork,DBN)，构建睡眠呼吸状态自动判别模型，完成对睡眠呼吸状态的自动判别。
技术实现思路
本专利技术的目的是提供一种能够通过较少的生理信号、更加准确地完成睡眠呼吸状态的判别的基于脉搏波数据的睡眠呼吸状态自动判别方法及系统。为实现上述目的，本专利技术提供了如下方案：一种基于脉搏波数据的睡眠呼吸状态自动判别方法，所述判别方法包括：获取人体的脉搏波信号，将所述脉搏波信号归一化处理，获得归一化脉搏波信号；将所述归一化脉搏波信号及对应的睡眠呼吸状态打包及分批，获得网络训练数据集和测试数据集；根据所述网络训练数据集和所述测试数据集建立基于深度置信网络的睡眠呼吸状态的自动判别模型；选取所述测试数据集对构建的基于所述脉搏波信号的睡眠呼吸状态的自动判别模型进行测试，并对网络性能和预测精度进行评估。可选的，所述根据所述网络训练数据集和所述测试数据集建立睡眠呼吸状态的自动判别模型具体包括：将所述归一化脉搏波信号作为所述深度置信网络的输入参数，将所述睡眠呼吸状态作为所述深度置信网络的输出参数，构建深度置信网络结构；确定训练参数，所述训练参数包括学习率、动量、初始的权重矩阵、可见层偏置、隐藏层偏置；应用所述深度置信网络训练数据集对所述自动判别网络模型进行预训练；对所述深度置信网络进行微调，获得所述自动判别模型。可选的，所述对所述深度置信网络进行微调具体包括：在所述深度置信网络的最后一层设置BP网络，接收受限玻尔兹曼机的输出特征量，有监督的训练分类器；所述每一层的受限玻尔兹曼机网络只能确保自身层内的权值对该层特征向量映射达到最优；所述BP网络将错误信息自顶向下传播至每一层受限玻尔兹曼机网络，微调整个所述深度置信网络。可选的，所述构建深度置信网络结构的受限玻尔兹曼机网络的层数设置为3层。可选的，所述训练参数具体为：学习率设置为1，动量设置为0，层间使用Sigmoid传递函数，权重矩阵初始化为0，所述可见层偏置和所述隐藏层偏置均初始化为0。为了实现上述目的，本专利技术还提供了如下方案：一种基于脉搏波数据的睡眠呼吸状态自动判别系统，所述判别系统包括：获取模块，用于获取人体的脉搏波信号，将所述脉搏波信号归一化处理，获得归一化脉搏波信号；数据处理模块，用于将所述归一化脉搏波信号及对应的睡眠呼吸状态打包及分批，获得网络训练数据集和测试数据集；模型建立模块，用于根据所述网络训练数据集和所述测试数据集建立基于深度置信网络的睡眠呼吸状态的自动判别模型；评估模块，用于选取所述测试数据集对构建的基于所述脉搏波信号的睡眠呼吸状态的自动判别模型进行测试，并对网络性能和预测精度进行评估。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术公开了一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统，获取人体的脉搏波信号，将所述脉搏波信号归一化处理，获得归一化脉搏波信号，将所述归一化脉搏波信号及对应的睡眠呼吸状态打包及分批，获得网络训练数据集和测试数据集，根据所述网络训练数据集和所述测试数据集建立基于深度置信网络的睡眠呼吸状态的自动判别模型。实现了方便有效的完成睡眠呼吸状态的自动判别，提升了睡眠监测过程中的耐受性，提高了自动判别方法的准确率，提高了睡眠呼吸状态自动判别方法的实用性。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性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术提供的一种基于脉搏波数据的睡眠呼吸状态自动判别方法的流程图；图2为本专利技术提供的深度置信学习网络的网络解析图。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的范围。本专利技术的目的是提供一种通过结构互连提升数据复用能力的同时，能够降低带宽的需求的卷积神经网络的硬件互连架构。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。一种基于脉搏波数据的睡眠呼吸状态自动判别方法，所述判别方法包括：获取人体的脉搏波信号，将所述脉搏波信号归一化处理，获得归一化脉搏波信号。将所述归一化脉搏波信号及对应的睡眠呼吸状态打包及分批，获得网络训练数据集和测试数据集。PhysioNet是由美国国立卫生研究院(NIH)联合多家科研机构建立的、目前世界上最权威的复杂生理信号研究资源网站之一。其中的MIT-BIHPolysomnography数据库提供了16名受试者夜间监测所得到的生理信号(采样率为250Hz)，并由专家给出了相应的睡眠呼吸状态判别结果(每30s脉搏波数据对应一条注释，共计8248条注释，数据维度本文档来自技高网...

【技术保护点】
1.一种基于脉搏波数据的睡眠呼吸状态自动判别方法，其特征在于，所述判别方法包括：获取人体的脉搏波信号，将所述脉搏波信号归一化处理，获得归一化脉搏波信号；将所述归一化脉搏波信号及对应的睡眠呼吸状态打包及分批，获得网络训练数据集和测试数据集；根据所述网络训练数据集和所述测试数据集建立基于深度置信网络的睡眠呼吸状态的自动判别模型；选取所述测试数据集对构建的基于所述脉搏波信号的睡眠呼吸状态的自动判别模型进行测试，并对网络性能和预测精度进行评估。

【技术特征摘要】
1.一种基于脉搏波数据的睡眠呼吸状态自动判别方法，其特征在于，所述判别方法包括：获取人体的脉搏波信号，将所述脉搏波信号归一化处理，获得归一化脉搏波信号；将所述归一化脉搏波信号及对应的睡眠呼吸状态打包及分批，获得网络训练数据集和测试数据集；根据所述网络训练数据集和所述测试数据集建立基于深度置信网络的睡眠呼吸状态的自动判别模型；选取所述测试数据集对构建的基于所述脉搏波信号的睡眠呼吸状态的自动判别模型进行测试，并对网络性能和预测精度进行评估。2.根据权利要求1所述的一种基于脉搏波数据的睡眠呼吸状态自动判别方法，其特征在于，所述根据所述网络训练数据集和所述测试数据集建立睡眠呼吸状态的自动判别模型具体包括：将所述归一化脉搏波信号作为所述深度置信网络的输入参数，将所述睡眠呼吸状态作为所述深度置信网络的输出参数，构建深度置信网络结构；确定训练参数，所述训练参数包括学习率、动量、初始的权重矩阵、可见层偏置、隐藏层偏置；应用所述深度置信网络训练数据集对所述自动判别网络模型进行预训练；对所述深度置信网络进行微调，获得所述自动判别模型。3.根据权利要求1所述的一种基于脉搏波数据的睡眠呼吸状态自动判别方法，其特征在于，所述对所述深度置信网络进行微调具体包括：在所述深度置信网络的最后一层设置BP网络，接...

【专利技术属性】
技术研发人员：吴疆，李肃义，叶壮，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22