基于多源信号的睡眠监控方法、设备及存储介质技术

本发明专利技术涉及一种基于多源信号的睡眠监控方法、装置及介质的技术方案，包括：过可穿戴设备采集人体睡眠时的若干不同类型的多源生理信号；构建梯形多流卷积神经网络深度学习模型，输入多源生理信号至梯形多流卷积神经网络深度学习模型进行学习，得到多导睡眠模型；通过多导睡眠模型的多个分类器对多源生理信号进行分析，得到人体睡眠症状。本发明专利技术的有益效果为：实现多种信号输入多流，小量样本容量，高准确率要求的睡眠疾病诊断，对于存储资源要求不高，可用于终端。解决需要大量样本数据完成训练的机器学习模型短板。训练的机器学习模型短板。训练的机器学习模型短板。

【技术实现步骤摘要】
基于多源信号的睡眠监控方法、设备及存储介质


[0001]本专利技术涉及计算机领域，具体涉及了一种基于多源信号的睡眠监控方法、设备及存储介质。

技术介绍

[0002]睡眠是人体重要的生理活动，睡眠疾病在生活中对人民造成了极大的困扰，如何准确的分析睡眠疾病，是当前急需解决的问题。
[0003]现有技术通过穿戴设备或单一设备对睡眠时的身体特征进行采集，通过采集的数据分析可能存在的睡眠疾病，现有的这种方式数据分析简单，无法对睡眠时的各项数据进行综合评判。

技术实现思路

[0004]本专利技术的目的在于至少解决现有技术中存在的技术问题之一，提供了一种基于多源信号的睡眠监控方法、设备及存储介质，解决了现有技术的不足。
[0005]本专利技术的技术方案包括一种基于多源信号的睡眠监控方法，其特征在于，该方法包括：通过可穿戴设备采集人体睡眠时的若干不同类型的多源生理信号；构建梯形多流卷积神经网络深度学习模型，输入所述多源生理信号至所述梯形多流卷积神经网络深度学习模型进行学习，得到多导睡眠模型；通过所述多导睡眠模型的多个分类器对所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源信号的睡眠监控方法，其特征在于，该方法包括：通过可穿戴设备采集人体睡眠时的若干不同类型的多源生理信号；构建梯形多流卷积神经网络深度学习模型，输入所述多源生理信号至所述梯形多流卷积神经网络深度学习模型进行学习，得到多导睡眠模型；通过所述多导睡眠模型的多个分类器对所述多源生理信号进行分析，得到人体睡眠症状。2.根据权利要求1所述的基于多源信号的睡眠监控方法，其特征在于，所述多源生理信号至少包括ECG、EEG、EOG、EMG、鼻息信号及脉搏信号的一种。3.根据权利要求2所述的基于多源信号的睡眠监控方法，其特征在于，所述构建梯形多流卷积神经网络深度学习模型，输入所述多源生理信号至所述梯形多流卷积神经网络深度学习模型进行学习，得到多导睡眠模型依次包括以下步骤：对所述多源生理信号进行预处理，采用不同的巴特沃斯滤波器进行滤波分解，得到δ信号波、θ信号波、α信号波、β信号波和γ信号波；对进行滤波分解的复杂波形进行子波分离，得到子波；对所述子波及信号波进行离散小波变换；将经过所述离散小波变换的信号波进行等像素点切割，得对应的n段波形；对n段波形分别进行X个卷积层和池化层处理，得到对应的处理结果；通过一维最大池化层对分离的子波结果进行第一次最大池化处理，串联所述卷积层，通过全连接层采用一维最大池化层对信号波的处理及卷积层串联的结果进行最大池化处理；通过softmax激活函数执行激活；得到二分类结果。4.根据权利要求3所述的基于多源信号的睡眠监控方法，其特征在于，所述离散小波变换包括：通过表示数值序列X(t)在任意空间L2(R)中离散小波变换，小波表示为小波使用预处理后的信号，通过两个互补滤波器，对小波进行频率和时间的局部化滤波器，局部化滤波器包括高频滤波器和低频滤波器，其中频率为公式中的尺度参数j，时间为公式中的位移参数k，t表示时间。5.根据权利要求3所述的基于多源信号的睡眠监控方法，其特征在于，所述梯形多流卷积神经网络深度学习模型包括：处理信号波时，对于信号波通过具有x*x大小的卷积核且经过j层的池化及卷积处理后，执行等像素点切割，并计算高频参数x和j，其计算流程包括：S510...

【专利技术属性】
技术研发人员：王涵，王贝贝，吴锋，李晔，马国睿，刘状，李鹏生，王凤领，周若愚，周肖树，王一帆，
申请(专利权)人：珠海中科先进技术研究院有限公司，
类型：发明
国别省市：