【技术实现步骤摘要】
一种基于心电数据的睡眠状态识别分类方法
本专利技术涉及睡眠状态级联识别领域，更具体地，涉及一种基于心电数据的睡眠状态识别分类方法。
技术介绍
多导睡眠图(PSG)监测是睡眠评估的金标准，主要用于诊断睡眠呼吸障碍，包括睡眠呼吸暂停综合征、鼾症、上气道阻力综合征，也用于其它睡眠障碍的辅助诊断，如：发作性睡病、不宁腿综合征、失眠分类等。PSG检测的生理信号包含：脑电(分析睡眠结构)、眼电、下颌肌电、口鼻气流和呼吸动度、心电、血氧、鼾声、肢动、体位等多个参数。在睡眠监测过程中，专业技术人员进行整夜监控采集睡眠数据，采集到的睡眠数据则由专业的睡眠技师进行人工分析，可匹配个性化治疗方案。但是PSG需要受试者在特定的睡眠实验室进行睡眠监测，且需要专业人员整夜监护和睡眠技师的人工分析，耗时耗力；除此之外，为了检测呼吸气流信号以及各种电生理信号，PSG需要在受试者身上放置鼻吸管(或面罩)以及许多电极，不仅对受试者的睡眠动作要求大，还会给受试者造成一定的生理负荷，有很大可能会影响受试者的睡眠质量，不利于PSG监测的结果。心电图(ECG)指心脏在每个心动周期中，由起搏点、心房、心室相继...
【技术保护点】
1.一种基于心电数据的睡眠状态识别分类方法，其特征在于，包括以下步骤：步骤S1：从多导睡眠图PSG中导出SAHS患者和健康个体的心电数据，并对心电数据进行标定，分别将SAHS患者的呼吸模式以及睡眠状态、健康个体的呼吸模式以及睡眠状态构建为四类心电数据集；步骤S2：将四类数据集中的每类数据集划分为训练集与测试集；步骤S3：采用深层神经网络构建深度学习模型；步骤S4：确定四类心电数据集中每一个数据集的心电波形关键点；步骤S5：基于四类心电波形的关键点，分别提取心电形态学特征及HRV特征，构建成特征集；步骤S6：分别对四类数据集的特征集进行评价打分，并筛查出四类数据集的最优特征组...
【技术特征摘要】
1.一种基于心电数据的睡眠状态识别分类方法，其特征在于，包括以下步骤：步骤S1：从多导睡眠图PSG中导出SAHS患者和健康个体的心电数据，并对心电数据进行标定，分别将SAHS患者的呼吸模式以及睡眠状态、健康个体的呼吸模式以及睡眠状态构建为四类心电数据集；步骤S2：将四类数据集中的每类数据集划分为训练集与测试集；步骤S3：采用深层神经网络构建深度学习模型；步骤S4：确定四类心电数据集中每一个数据集的心电波形关键点；步骤S5：基于四类心电波形的关键点，分别提取心电形态学特征及HRV特征，构建成特征集；步骤S6：分别对四类数据集的特征集进行评价打分，并筛查出四类数据集的最优特征组；步骤S7：对每类数据集的最优特征组，利用该类数据集的训练集通过深层神经网络对深度学习模型进行训练，获得该组数据集的最佳的深度学习模型，并将最佳的深度学习模型应用于测试集中，从而对模型的性能进行评估；步骤S8：对四类数据集的最佳的深度学习模型进行级联分类，得到最终的睡眠状态分类结果。2.根据权利要求1所述一种基于心电数据的睡眠状态识别分类方法，其特征在于，所述步骤S1的具体过程包括以下步骤：从多导睡眠图PS别导出SAHS患者和健康个体的心电数据，将其保存为第一类数据集；根据SAHS患者的心电数据，对心电数据中的呼吸模式以及睡眠状态进行标定，呼吸模式包括正常呼吸、阻塞性呼吸事件、低通气呼吸事件、中枢性呼吸事件以及混合性呼吸事件5类数据，将这5类数据保存为第二类数据集；睡眠状态包括Weak期、REM期、N1期、N2期、N3期5类数据，将这5类数据保存为第三类数据集；对健康个体的心电数据中的睡眠状态进行标定，睡眠状态包括Weak期、REM期、N1期、N2期、N3期5类信息5类数据，将这5类数据保存为第四类数据集。3.根据权利要求2所述的一种基于心电数据的睡眠状态识别分类方法，其特征在于，步骤S1中构建数据集的方法如下：以60秒心电信号为一个数据，针对第一类数据集，区分患者和健康个体2种类型；针对第二类数据集，区分正常呼吸、阻塞性呼吸事件、低通气呼吸事件、中枢性呼吸事件、混合性呼吸事件5类呼吸模式；针对第三、第四类数据集，分别区分Weak期、REM期、N1期、N2期、N3期5类睡眠状态。4.根据权利要求3所述的一种基于心电数据的睡眠状态识别分类方法，其特征在于，在步骤S2中，先对心电数据集进行0-1归一化处...
【专利技术属性】
技术研发人员：罗语溪，吴欣，曾令紫，吴舒淇，张仰婷，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44
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。