基于PPG心率特征参数和运动量的睡眠状态分析方法技术

本发明专利技术公开了基于PPG心率特征参数和运动量的睡眠状态分析方法，包括：接收脉搏波PPG心率数据及其属性时间戳和体动感知运动数据后，对接收的心率和运动数据进行异常数据处理；采用窗口移动的方式分别对处理后的心率数据和运动数据进行特征参数提取，获得实时特征参数；对自动学习数据组库中数据进行特征参数提取，将其和对应已知的多导睡眠图PSG精准睡眠状态结果一并输入神经网络进行初始自动学习，并根据输出的学习结果构建睡眠状态时相神经网络分析模型；将实时特征参数输入到睡眠状态时相神经网络分析模型中进行分析，输出睡眠的最终分析结果。本发明专利技术可精准测量睡眠状态时相，有效提高睡眠状态时相分析的准确性，具有广泛的应用前景。广泛的应用前景。广泛的应用前景。

【技术实现步骤摘要】
基于PPG心率特征参数和运动量的睡眠状态分析方法


[0001]本专利技术涉及睡眠监测
，尤其涉及一种基于PPG心率特征参数和运动量的睡眠状态分析方法。

技术介绍

[0002]睡眠是人类最为重要生理活动之一，也是人类认识、代谢、免疫等功能正常运转不可或缺的重要生理现象，睡眠在人类生命中大约占有三分之一的时间。睡眠是机体进行自我修复和完善的过程，可以帮助人体恢复疲劳和缓解情绪。由于睡眠时人体没有自主意识，无法自我了解睡眠状态，以及睡眠状态下机体发生了哪些变化，因此利用某种技术手段判别人体睡眠状态以及显示睡眠状态对每个人来说都有很大好处，尤其是了解睡眠状态的变化情况，对某些与睡眠相关的病症的治疗也有很大帮助。
[0003]睡眠状态是根据人体在睡眠期间生理信号的不同变化呈现周期性规律，并且都有各自特定的生理和行为特点。根据脑电的不同特征，将睡眠分为入睡期，NREMS非快速眼动期（浅睡期Light，深睡期Deep）和快速眼动期REM期R，清醒期W。
[0004]目前市场上睡眠监测手段有导睡眠监测系统PSG，睡眠监测床垫，睡眠监测枕，智能手环或手表等。其中以多导睡眠监测系统PSG为主导，其睡眠状态识别方式是测量人体入睡状态下的脑电、眼电和肌电等生理信号的波形变化，进行判断睡眠状态；睡眠监测床垫以为电容式床垫监测方式，在睡眠过程中，人体的呼吸和生体的翻动都会导致床垫中静电荷分布产生变化，利用这一变化获取人体的生理信号，包括呼吸信号和体动信号，利用生理信号对睡眠进行分期。睡眠监测枕利用压力传感器采集到压力信号进而获取睡眠过程中的呼吸信号和翻身次数来分析睡眠时相。可穿戴智能手环或手表利用三轴加速度传感器测量人体腕部动作的方法来判断使用者睡眠状态，特别是通过统计人体在睡眠中每分钟的腕部动作次数，然后利用分段处理的方法来判断人体在睡眠中每分钟所处的睡眠状态（包括清醒W、浅睡L、深睡D）。
[0005]总之，但上述睡眠监测手段都有一些不足，如多导睡眠监测方式虽能精确的进行睡眠分析，但此方式设备复杂，需专业医护人员操作，且使用者需付较高费用，同时技术上由于采用贴身电极采集数据的方式存在对人自然的睡眠状态造成极大干扰，影响正常睡眠，故会对睡眠状态的识别也会造成错误的判断，此应用仅仅局限于医院等医疗专业领域，并不适合大众的日常生活使用。睡眠监测床垫的测量虽然准确，但其体积庞大不利于移动和携带，且拥有高成本的局限性，故也不能普及使用。睡眠监测枕使用虽然给使用者带来了较高舒适度，但同样因为成本高的特点而不能被推广使用；市面上的智能手环通过腕动信号指标进行睡眠质量的检测具有单一性和局限性，因人体在睡眠状态下动作和脑电的关联性非常弱，利用加速度传感器测量腕部动作的大小或数量，然后据此来判别人体处于浅睡或深睡是完全不准确的，并没有很好反映睡眠各时相状态。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提供基于PPG心率特征参数和运动量的睡眠状态分析方法，采用以心率和心率变异等多种生理性特征参数为主，以体动感知运动数据特征参数为辅，通过睡眠状态时相神经网络分析模型进行睡眠状态时相分析的算法和方法，为睡眠状态时相分析提供强有力的依据，本专利技术有效提高了睡眠状态时相分析的准确性，低成本性，易移动，实施性和舒适性，以可穿戴设备方式，精准测量其睡眠状态时相，具有广泛的应用前景。
[0007]本专利技术的目的是通过以下技术方案来实现的：基于PPG心率特征参数和运动量的睡眠状态分析方法，包括：步骤一：数据预处理，首先接收脉搏波PPG心率数据及其心率数据属性时间戳和体动感知运动数据，并对接收的脉搏波PPG心率数据和体动感知运动数据进行异常数据处理；步骤二：特征参数提取，采用窗口移动的方式分别对预处理后的脉搏波PPG心率数据和体动感知运动数据进行特征参数提取，获得实时特征参数；步骤三：睡眠状态时相分析，将实时特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠分析，输出最终的睡眠状态时相分析结果。
[0008]具体的，所述步骤一具体包括：首先接收脉搏波PPG心率数据及其心率数据属性时间戳和体动感知运动数据后，对接收的脉搏波PPG心率数据和体动感知运动数据进行异常数据处理，去除超出预设PPG心率范围的数据以及相邻两个心率数据波动幅度超出预设波动范围的数据。
[0009]具体的，所述实时特征参数具体包括心率特征参数和运动量特征参数；心率特征参数包括心率逐跳间隔RRI、心率均值HR、心率变异性HRV标准差STD和HRV心率变异性系数CV；运动量特征参数包括加速度频率、加速度幅度和与加速度运功功率谱。
[0010]具体的，方法还包括睡眠状态时相神经网络分析模型的构建步骤：首先选择特定数据作为自动学习数据组库，进行数据库特征参数提取；根据对应已知多导睡眠图PSG获得精准睡眠状态结果，并将数据库特征参数和精准睡眠状态结果输入到睡眠状态时相神经网络分析模型进行初始自动学习、训练，获取初始仲裁权值，再结合实际测量数据和窗口移动提取的特征参数，根据特定的学习规则，对各个神经网络元的仲裁权值和睡眠状态时相结果进行多次反馈调整修正，直至该神经网络输出期望与已知精准睡眠状态结果一致时，并根据神经网络输出的学习结果构建睡眠状态时相神经网络分析模型。
[0011]具体的，所述步骤三具体包括：将提取的实测脉搏波PPG心率数据特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠状态分析判断，并根据个体生理参数的差异性利用个体生理参数对睡眠状态时相神经网络分析模型的初始仲裁权值进行修正，最终获得具有个体生理参数差异的睡眠状态分析结果。
[0012]具体的，所述将提取的实时特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠状态分析判断过程具体包括：步骤S401：将脉搏波PPG心率数据连续4个移动窗口作为一个处理分析单元，并将睡眠状态划分为清醒期W、浅睡期L、快速眼动期R和深睡期D；步骤S402：首先判断处理分析单元内的特征参数心率均值/HR、RR间期的心率变异性HRV标准差STD以及HRV心率变异性系数CV，并同时辅助判断移动窗口分析单元内体动感
知运动量均为最低区段，则判断其属于NREMS深睡期D；步骤S403：对不满足NREMS深睡期D特点的分析单元的特征参数，则判断处理分析单元内特征参数心率均值/HR、RR间期的心率变异性HRV标准差STD以及HRV心率变异性系数CV，并同时辅助判断移动窗口分析单元内体动感知运动量均为最高区段，则判断其属于WAKE清醒期W；步骤S404：对不满足NREMS深睡期D和WAKE清醒期W特点的处理分析单元的特征参数，即睡眠时相状态属于NREMS浅睡期L或REM快速眼动期R处理分析单元，则利用睡眠状态的连续性特点，判断其相邻的前一处理分析单元所属的睡眠时相状态，若前一处理分析单元属于NREMS浅睡期L或REM快速眼动期R，表明该处理分析单元及可能继续保持其前一处理分析单元的睡眠时相状态，所以会将该处理分析单元所属时相划分与前一处理分析单元一致，若前一处理分析属于NREMS深睡期D和WAKE清醒期则意味本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于PPG心率特征参数和运动量的睡眠状态分析方法，其特征在于，包括：步骤一：数据预处理，首先接收脉搏波PPG心率数据及其心率数据属性时间戳和体动感知运动数据，并对接收的脉搏波PPG心率数据和体动感知运动数据进行异常数据处理；步骤二：特征参数提取，采用固定时段窗口移动的方式分别对预处理后的脉搏波PPG心率数据和体动感知运动数据进行特征参数提取，获得实时特征参数；步骤三：睡眠状态时相分析，将实时特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠分析，输出最终的睡眠状态时相分析结果。2.根据权利要求1所述的基于PPG心率特征参数和运动量的睡眠状态分析方法，其特征在于，所述步骤一具体包括：首先接收脉搏波PPG心率数据及其心率数据属性时间戳和体动感知运动数据后，对接收的脉搏波PPG心率数据和体动感知运动数据进行异常数据处理，去除超出预设脉搏波PPG心率范围的数据以及相邻两个心率数据波动幅度超出预设波动范围的数据。3.根据权利要求1所述的基于PPG心率特征参数和运动量的睡眠状态分析方法，其特征在于，所述实时特征参数具体包括心率特征参数和运动量特征参数；心率特征参数包括心率逐跳间隔RRI、心率均值HR、心率变异性HRV标准差STD和HRV心率变异性系数CV；运动量特征参数包括加速度频率、加速度幅度和与加速度运功功率谱。4.根据权利要求1所述的基于PPG心率特征参数和运动量的睡眠状态分析方法，其特征在于，还包括睡眠状态时相神经网络分析模型的构建步骤：首先选择特定数据作为自动学习数据组库，进行数据库特征参数提取；根据对应已知多导睡眠图PSG获得精准睡眠状态结果，并将数据库特征参数和精准睡眠状态结果输入到睡眠状态时相神经网络分析模型进行初始自动学习、训练，获取初始仲裁权值，再结合实际测量数据和窗口移动提取的特征参数，根据特定的学习规则，对各个神经网络元的仲裁权值和睡眠状态时相结果进行多次反馈调整修正，直至该神经网络输出期望与已知精准睡眠状态结果一致时，并根据神经网络输出的学习结果构建睡眠状态时相神经网络分析模型。5.根据权利要求1所述的基于PPG心率特征参数和运动量的睡眠状态分析方法，其特征在于，所述步骤三具体包括：将提取的实测脉搏波PPG心率数据特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠状态分析判断，并根据个体生理参数的差异性利用个体生理参数对睡眠实时神经网络分析模型的初始仲裁权值进行修正，最终获得具有个体生理参数差异的睡眠状态分析结果。6.根据权利要求1所述的基于PPG心率特征参数和运动量的睡眠状态分析方法，其特征在于，所述将提取的实测脉搏波PPG心率数据特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠状态分析判断过程具体包括：步骤S401：将脉搏波PPG心率数据连续4个移动窗口作为一个处理分析单元，并将睡眠状态划分为清醒期W、浅睡期...

【专利技术属性】
技术研发人员：李志，
申请(专利权)人：四川北易信息技术有限公司，
类型：发明
国别省市：