【技术实现步骤摘要】
基于生理信号的睡眠分期预测方法、设备以及存储介质
[0001]本专利技术涉及信号处理
,特别涉及是一种基于生理信号的睡眠分期预测方法、装置、系统以及存储介质。
技术介绍
[0002]多导睡眠图(polysomnography,PSG)是睡眠分期的黄金标准,睡眠期间的生理信号采集需要在医院进行,且需要将大量的传感器附着在人体的头部、胸口等位置,整个过程不仅耗时,且PSG设备价格昂贵,信号采集过程中对于使用者来说侵入性高,使用者在使用过程中会影响正常的睡眠,而且测试结果需要由专家人工校正。
技术实现思路
[0003]基于此,本专利技术的目的在于,提供一种基于生理信号的睡眠分期预测方法、装置、系统以及存储介质,通过对用户的生理信号进行分析,获取用户的关于心冲击信号以及呼吸信号的独立特征以及联合特征,输入至分类器中,获取用户的睡眠分期预测结果,简单、便捷地对用户的睡眠状况进行分析,提高了分析的准确性以及效率。
[0004]第一方面,本申请实施例提供了一种基于生理信号的睡眠分期预测方法,包括以下步骤:
[0005]获取用户的生理信号,从所述生理信号中提取心冲击信号以及呼吸信号;
[0006]将所述心冲击信号进行微分以及平方处理,获取处理后的心冲击信号,根据预设的采样点数目,将所述处理后的心冲击信号进行积分处理,获取积分处理后的心冲击信号;
[0007]获取所述生理信号的体动标签序列,根据所述体动标签序列,从所述呼吸信号中提取无体动呼吸信号;
[0008]分别将所述积 ...
【技术保护点】
【技术特征摘要】
1.一种基于生理信号的睡眠分期预测方法,其特征在于,包括以下步骤:获取用户的生理信号,从所述生理信号中提取心冲击信号以及呼吸信号;将所述心冲击信号进行微分以及平方处理,获取处理后的心冲击信号,根据预设的采样点数目,将所述处理后的心冲击信号进行积分处理,获取积分处理后的心冲击信号;获取所述生理信号的体动标签序列,根据所述体动标签序列,从所述呼吸信号中提取无体动呼吸信号;分别将所述积分处理后的心冲击信号以及无体动呼吸信号作为输入信号,采用峰值定位方法,从所述输入信号中提取相对应的目标序列,其中,所述目标序列包括所述积分处理后的心冲击信号对应的第一心跳间期序列以及无体动呼吸信号对应的第一呼吸间期序列;将所述第一心跳间期序列以及第一呼吸间隔序列转换为多个预设的时间尺度下的序列,作为第二心跳间期序列以及第二呼吸间隔序列;对所述第二心跳间期序列、第二呼吸间期序列、体动标签序列进行特征提取,获取独立特征以及联合特征,构建特征集;获取所述生理信号对应的睡眠分期标签集,将所述睡眠标签集与特征集进行组合,构建训练集,将所述训练集输入至预设的分类器中,获取所述分类器输出的所述用户的生理信号对应的睡眠分期预测结果,并将其保存于电子数据库系统;接收查询终端发出的用户的查询指令,查找所述电子数据库系统,根据所述用户的生理信号对应的睡眠分期预测结果,向所述查询终端发送所述用户的生理信号对应的睡眠分期预测结果,在所述查询终端的显示界面上进行显示。2.根据权利要求1所述的基于生理信号的睡眠分期预测方法,其特征在于,所述获取所述生理信号的体动标签序列,包括步骤:对所述生理信号进行预处理,去除所述生理信号中的工频干扰以及基线偏移,获取预处理后的生理信号;根据预设的第一采样长度,将所述预处理后的生理信号划分为若干个第一采样长度对应的样本生理信号,计算所述样本生理信号对应的峰谷差值;根据预设的第二采样长度,将所述样本生理信号划分为若干个第二采样长度对应的子样本生理信号,计算所述子样本生理信号对应的峰谷差值;将所述样本生理信号对应的峰谷差值与同一样本生理信号下的子样本生理信号对应的峰谷差值进行对比,获取对比结果,根据所述对比结果,获取样本生理信号对应的体动标签标记,构建所述生理信号的体动标签序列。3.根据权利要求1所述的基于生理信号的睡眠分期预测方法,其特征在于,所述采用峰值定位方法,从所述输入信号中提取相对应的目标序列,包括步骤:根据所述采样点数目,将所述输入信号划分为若干个第一样本信号,获取所述各个第一样本信号中幅值最大的采样点,作为第一峰值点;根据预设的延迟点数目,以所述第一峰值点为划分原点,将所述输入信号划分为若干个第二样本信号,获取所述各个第二样本信号中幅值最大的采样点,作为第二峰值点;将所述相邻的第一峰值点与第二峰值点作为样本峰值点组,获取各个所述样本峰值点组的距离,根据各个所述样本峰值点组的距离以及预设的第一距离阈值,获取各个所述样本峰值点组对应的峰值点,作为第三峰值点;根据所述第三峰值点,计算相邻的峰值点之间的距离,根据所述相邻的峰值点之间的
距离以及预设的第二距离阈值,从所述输入信号中提取相对应的目标序列。4.根据权利要求1所述的基于生理信号的睡眠分期预测方法,其特征在于,所述将所述第一心跳间期序列以及第一呼吸间期序列转换为多个预设的时间尺度下的序列,作为第二心跳间期序列以及第二呼吸间期序列,包括步骤:根据所述第一心跳间期序列、体动标签序列以及第二心跳间期序列计算算法,获取各个时间尺度下的心跳间期序列,作为第二心跳间期序列,其中,所述第二心跳间期序列计算算法为:式中,HI
(t)
为所述第二心跳间期序列,t为时间尺度,n为在某一时间尺度内的采样点,β
n
为第n个采样点对应的体动标签,从所述体动标签序列得知,I_h
n
为所述第一心跳间期序列;根据所述第一呼吸间期序列、体动标签序列以及第二呼吸间期序列计算算法,获取各个时间尺度下的呼吸间期序列,其中,所述第二呼吸间期序列计算算法为:式中,RI
(t)
为所述第二呼吸间期序列,I_r
n
为所述第一呼吸间期序列。5.根据权利要求1或4所述的基于生理信号的睡眠分期预测方法,其特征在于:所述独立特征包括心跳间期独立特征、呼吸间期独立特征以及体动独立特征,所述联合特征为所述心跳间期独立特征以及呼吸间期独立特征组成的联合特征。6.根据权利要求5所述的基于生理信号的睡眠分期预测方法,其特征在于,所述对所述第二心跳间期序列、第二呼吸间期序列、体动标签序列进行特征提取,获取独立特征以及联合特征,包括步骤:根据预设的窗口长度,将所述第二心跳间期序列、第二呼吸间期序列以及体动标签序列进行划分,获取若干个第二心跳间期子序列、第二呼吸间期子序列以及体动标签子序列;分别将所述第二心跳间期子序列、第二呼吸间期子序列作为输入参数,根据所述体动标签子序列以及预设的独立特征提取算法,获取所述输入参数对应的独立特征,其中,所述独立特征包括所述第二心跳间期子序列对应的心跳间期独立特征、所述第二呼吸间期子序列对应的呼吸间期独立特征以及体动标签子序列对应的体动独立特征,所述心跳间期独立特征以及呼吸间期独立特征均包括对应的均值独立特征、变异系数独立特征、百分位数之间的比值独立特征、中位数绝对偏差独立特征以及平均累计差独立特征,所述体动独立特征包括体动占空比独立特征、体动次数独立特征以及平均体动占空比独立特征;将相应的均值独立特征、变异系数独立特征、百分位数之间的比值独立特征、中位数绝对偏差独立特征以...
【专利技术属性】
技术研发人员:王子夏,张涵,查帅,余宝贤,陈澎彬,庞志强,
申请(专利权)人:华南师范大学,
类型:发明
国别省市:
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。