一种睡眠状态识别模型训练、睡眠分期方法及装置制造方法及图纸

本发明专利技术提供了一种睡眠状态识别模型训练、睡眠分期方法及装置，其中，睡眠状态识别模型训练方法，包括：获取时序心冲击图训练数据集，时序心冲击图训练数据集中包括多个时序心冲击图训练数据；将时序心冲击图训练数据输入初始网络模型中，对初始网络模型进行训练，得到睡眠状态识别模型；初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，卷积神经网络用于根据时序心冲击图训练数据获取睡眠分期特征；长短时记忆神经网络用于根据睡眠分期特征得到时序睡眠分期特征；机器学习分类器用于根据时序睡眠分期特征确定时序心冲击图训练数据对应的睡眠状态，通过执行本发明专利技术，可以提高睡眠分期结果的准确性。可以提高睡眠分期结果的准确性。可以提高睡眠分期结果的准确性。

【技术实现步骤摘要】
一种睡眠状态识别模型训练、睡眠分期方法及装置


[0001]本专利技术属于机器学习领域，具体涉及一种睡眠状态识别模型训练、睡眠分期方法及装置。

技术介绍

[0002]经过研究表明，人的睡眠过程包含众多复杂的生理过程，在一定程度上睡眠质量的好坏影响人的身体健康，并且这个过程并不是单方向的，人体的身体状态在睡眠信号上也存在一定程度上的表现。
[0003]有关睡眠分期的研究都是基于脑电信号或心电信号进行的，有关睡眠分期的研究方式可以分为三种，第一种直接由精神学科或者生物学科专家学者根据信号在各阶段的表现不同进行人为划分，这种方式较为耗时，可推广性不足；第二种是基于机器学习的自动睡眠分期研究，该方向是深度学习出来之前的研究主流，该类型的研究过程一般是利用神经学科或者生物学科等领域的专家学者罗列有关睡眠分期特征，然后利用机器学习算法将提取的特征进行分类；第三种是应用深度学习进行睡眠分期，这种研究方法不需要专业的学科专家参与，利用网络本身的特征提取功能，再结合分类器进行分类，从而达到高标准的睡眠分期，由于第三种方式不需要专业的学科专家参与，利用网络本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种睡眠状态识别模型训练方法，其特征在于，包括：获取时序心冲击图训练数据集，所述时序心冲击图训练数据集中包括多个时序心冲击图训练数据；将所述时序心冲击图训练数据输入初始网络模型中，对所述初始网络模型进行训练，得到睡眠状态识别模型；所述初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，所述卷积神经网络用于根据所述时序心冲击图训练数据获取睡眠分期特征；所述长短时记忆神经网络用于根据所述睡眠分期特征得到时序睡眠分期特征；所述机器学习分类器用于根据所述时序睡眠分期特征确定所述时序心冲击图训练数据对应的睡眠状态。2.根据权利要求1所述的睡眠状态识别模型训练方法，其特征在于，所述卷积神经网络中包括多层卷积层；各所述卷积层后连接有批归一化层。3.根据权利要求1所述的睡眠状态识别模型训练方法，其特征在于，所述卷积神经网络中包括多层卷积层；各所述卷积层后连接有随机失活层。4.根据权利要求1所述的睡眠状态识别模型训练方法，其特征在于，获取时序心冲击图训练数据集，包括：获取时序心冲击图采样数据集，所述时序心冲击图采样数据集中包括多个对应不同睡眠状态的时序心冲击图采样数据；对所述时序心冲击图采样数据进行降噪处理，得到训练去噪数据集；对所述训练去噪数据集进行均衡化处理，得到所述时序心冲击图训练数据集。5.一种睡眠分期方法，其特征在于，包括：获取时序心冲击图数据，将所述时序心冲击图数据分解为多个样本数据；将所述样本数据分别输入到睡眠状态识别模型中，得到各样本数据对应的睡眠识别结果，所述睡眠状态识别模型通过如权利要求1
‑
4中任一项所述的睡眠状态识别模型训练方法确定；将各所述数据样本对应的睡眠识别结果形成的时序集合确定为睡眠分期结果。6.根据权利要求5所述的睡眠分期方法，其特征在于，获取时序心冲击图数据，包括：获取时序心冲击图采样数据；对所述时序心冲击图采样数...

【专利技术属性】
技术研发人员：周灵杰，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：