基于BLSTM的睡眠分期方法以及基于BLSTM进行睡眠分期的装置制造方法及图纸

本申请提出了基于BLSTM的睡眠分期方法以及基于BLSTM进行睡眠分期的装置，其中BLSTM包括两层训练层和一层输出层；每层训练层包括16个单元，输出层包括4个单元，该4个单元分别对应于睡眠的觉醒、浅睡、深睡和快速眼动期；所述BLSTM的输入特征包括自RR间期信号提取的特征、自呼吸信号提取的特征、通过心肺耦合提取的特征。本申请采用低成本的可穿戴式多传感器系统获取受试者的心肺信号，采用具有长短时记忆功能的双向递归神经网络模型进行四分类睡眠分期，实现了睡眠的准确分期。

【技术实现步骤摘要】
基于BLSTM的睡眠分期方法以及基于BLSTM进行睡眠分期的装置
本申请涉及一种睡眠分期技术。
技术介绍
睡眠质量对于人类健康至关重要。通常采用生理信号对睡眠质量进行分析，生理信号不仅与生理功能有关，而且有不同的模式。尽管睡眠分期有多个标准，最常见的四分类睡眠分期，包括觉醒期、浅睡期、深睡期和快速眼动期。例如，深睡有助于身体新陈代谢和伤口愈合，而做梦大多发生在快速眼动期。准确的睡眠分期对于睡眠结构是重要的，进而诊断和恢复睡眠障碍。PSG是睡眠质量分析的标准方法，可以提供身体各部位的肌电活动，在过去几十年里一直被用于睡眠分期。这种睡眠分期方法主要依赖脑电信号、眼动信号和肌电信号，所以专家们对基于这些信号的自动睡眠分期进行了很好的研究以减少劳动力和成本的投入。例如：有研究者使用过渡约束离散的隐马尔科夫模型对20名受试者的脑电、眼动和肌电信号进行自动睡眠分期；另有研究者采用深度学习模型-深度睡眠网对单通道脑电信号进行自动睡眠分期。深度睡眠网由可提取不变特征的卷积神经网络和BLSTM(具有长短时记忆功能的双向递归神经网络模型)组成以学习本文档来自技高网...

【技术保护点】
1.一种基于BLSTM的睡眠分期方法，其中BLSTM包括两层训练层和一层输出层；每层训练层包括16个单元，输出层包括4个单元，该4个单元分别对应于睡眠的觉醒、浅睡、深睡和快速眼动期；/n所述BLSTM的输入特征包括自RR间期信号提取的特征、自呼吸信号提取的特征、通过心肺耦合提取的特征。/n

【技术特征摘要】
20190426 CN 20191034251671.一种基于BLSTM的睡眠分期方法，其中BLSTM包括两层训练层和一层输出层；每层训练层包括16个单元，输出层包括4个单元，该4个单元分别对应于睡眠的觉醒、浅睡、深睡和快速眼动期；
所述BLSTM的输入特征包括自RR间期信号提取的特征、自呼吸信号提取的特征、通过心肺耦合提取的特征。


2.如权利要求1所述的基于BLSTM的睡眠分期方法，其特征在于：
所述自RR间期信号提取的特征包括：
对每个30s时间段，加前五个30s时间段和后五个30s时间段，共11个30s时间段内的RR间期，做如下特征提取操作：
特征1、Mean_RR；
特征2、Mean_HR；
特征3、SDNN；
特征4、CV-RR；
特征5、RMSSD；
特征6、pNN50；
特征7、RR-mod；
将RR间期信号差值为4Hz后，采用FFT方法计算功率谱密度，做如下特征提取，其中：
高频成分(HF)：0.15～0.4；
低频成分(LF)：0.04～0.15；
总功率(TF)：0.04～0.4；
中频成分(HF)：0.1～0.15；
T-低频成分(TLF)：0.04～0.1；
极低频(VLF)：0.0033～0.04；
特征8、LFn；
特征9、MFn；
特征10、TLFn；
特征11、HFn；
特征12、LF/HF；
特征13、MF/LF；
特征14、TLF/LF；
特征15-19、分别对LF、MF、TLF、HF、TF做平均功率计算：



其中，fi为当前的频带，Pi为所对应的能量值，N为频谱图的点的个数；
特征20-24、分别对LF、MF、TLF、HF、TF计算谱熵：其中SE为谱熵；
特征25、max(HF)；
特征26、max(HF)/TF；
特征27、FD(vlf)；
特征28、max(HF)/max(TF)；
特征29、max(VF)/max(HF)；
特征30、max(HF)与前后各两个窗口的max(HF)的方差；
特征31、max(HF)与前后各三个窗口的max(HF)的方差；
特征32、max(HF)与前后各四个窗口的max(HF)的方差；
特征33、sdsd；
特征34、mad(rr)；
特征35、rr_range；
特征36-40、RR间期的10、25、50、75、90分位数；
特征41、RR间期的90分位数与10分位数之差；
特征42、RR间期的75分位数与25分位数之差；
特征43、RR间期的97分位数与RR间期的2分位之差；
特征44、RD1；
特征45-52、去趋势后的RD1序列的10、25、50、75、90分位数以及90分位数与10分位数之差、75分位数与25分位数之差、97分位数与2分位之差；
特征53、RD2；
特征54-61、去趋势后的RD2序列的10、25、50、75、90分位数以及90分位数与10分位数之差、75分位数与25分位数之差、97分位数与2分位之差；
62、RD3；
特征63-70、去趋势后的RD3序列的10、25、50、75、90分位数以及90分位数与10分位数之差、75分位数与25分位数之差、97分位数与2分位之差；
特征71、f1；
特征72、f2；
特征73、f3；
特征74、RR间期的样本熵；
对每个30s内的RR序列计算如下24个特征：
特征75-81、与特征1-7计算方式相同得到的特征；
特征82-88、与特征8-14计算方式相同得到的特征；
特征89-93、与特征15-19计算方式相同得到的特征；
特征94-97、与特征25、26、28、29的计算方式相同得到的四个特征；
特征98、当前30s距离睡眠开始所在的位置。


3.如权利要求2所述的基于BLSTM的睡眠分期方法，其特征在于：









式中：Rn代表RR间期连续的n个单元；

表示Rn的第i个单元；

表示Rn的中间单元；

表示Rn的平均值；

表示Rn的中位数。


4.如权利要求1所...

【专利技术属性】
技术研发人员：兰珂，郑捷文，杨志诚，郝艳丽，
申请(专利权)人：北京海思瑞格科技有限公司，
类型：发明
国别省市：北京;11