一种基于心冲击信号的睡眠分期方法技术

本发明专利技术提供了一种基于心冲击信号的睡眠分期方法、系统及设备，该系统包括：数据获取模块，用于获取生理数据及PSG数据；特征提取模块，用于对所述生理数据进行窗口化处理，获得窗口生理数据；对所述窗口生理数据进行特征提取，获得生理特征数据；分类模型模块，建立并存储分类模型；分类模块，基于所述分类模型，对待分类生理数据进行分类，并纠正不合理分类结果。本方案使用了非接触式监测设备监测被测试者睡眠时体征数据,不会给被测试者造成任何负担，并且此算法可以部署于嵌入式设备从而实现离线睡眠分期,不依赖服务器的运算，具有很好的可推广性。的可推广性。的可推广性。

【技术实现步骤摘要】
一种基于心冲击信号的睡眠分期方法


[0001]本专利技术涉及生物体征数据处理及计算机领域，特别属于睡眠分期及睡眠质量分析领域，尤其涉及针对通过分析睡眠时候的心冲击体征数据进行睡眠分期的方法、系统及设备。

技术介绍

[0002]现代社会生活压力越来越大,人们晚上睡眠质量或多或少都会受到一定的影响。睡眠质量对人体健康以及生活质量息息相关,越来越多的人们开始注重晚上的睡眠质量。目前国内外医学上对睡眠分期的方法主要为多导睡眠监测(Polysomnography,PSG)，PSG含有脑电,眼电,颌肌电,心电,下肢肌电,呼吸气流参数,呼吸运动参数,血氧饱和度,鼾声传感器,体位传感器等。通过多种传感器对被监测者睡眠时候的生理数据进行完整的监测,从而进行睡眠相关疾病的诊断,例如:睡眠呼吸障碍,可疑发作性睡病,失眠等等。根据美国睡眠医学学会,夜晚睡眠可以划分为5个时期：觉醒期(wakefulness,W)；快速眼动期(rapideyemovement,REM)；3个非快速眼动期(non
‑
rapideyemovement,NREM)。其中NREM期又分为非快速眼动Ⅰ期(N1),非快速眼动Ⅱ期(N2)和非快速眼动Ⅲ期(N3)。N1期和N2期定义为浅睡期(LightSleep,LS),N3期定义为深睡期(亦称慢波睡眠期(slowwavesleep,SWS))。健康个体整晚睡眠通常会经历3至5个睡眠周期循环,每个循环周期大约持续90分钟,主要包括浅睡期,深度睡眠期和快速眼动睡眠期，清醒期则指的是入睡或觉醒时期。健康个体整晚睡眠通常会经历3至5个睡眠周期循环，每个循环周期大约持续90分钟,主要包括浅睡期,深度睡眠期和快速眼动睡眠期,清醒期则指的是入睡或觉醒时期。
[0003]然而医学上使用的PSG设备体积庞大且昂贵,并且需要去医院或者专业的睡眠监测中心并且需要被监测着佩戴很多传感器。睡眠环境的变更以及传感器的佩戴会对睡眠质量造成一定的影响。目前基于体征数据的方法中,有一种方法是通过压点传感器采集睡眠时候的心跳呼吸以及体动信息进行睡眠分期。例如:专利CN106419869A通过压电传感器采集睡眠过程中的心跳,呼吸和体动数据,然后通过融合心率和呼吸的隐马尔科夫模型以及体动参数进行睡眠分期。此种方法可以通过体动数据获取清醒与睡眠状态进行区分,并且进一步降低体动对心率和呼吸信号的影响。但是该方法缺少心率变异性等心脏参数,并不能准确并客观的反应睡眠时的状态。另一种方法是通过提取体征数据中的心率,呼吸和脉搏信号并特征化生成特征向量再导入深度学习模型。例如:专利CN110742585A通过睡眠监测床垫生成的BCG波形提取心率,呼吸和脉搏信号。根据获取到的心率,脉搏和呼吸信号计算出心率变异性和心肺耦合功率谱的频域特征,然后提取特征获取到特征向量并导入深度学习模型计算分期结果。但是此方法需要深度学习模型作为基础,需要大量计算能力,并不适合进行边缘部署。本专利技术便提供了一种基于微型睡眠体征监测设备的睡眠分期方法。

技术实现思路

[0004]基于现有技术中存在的问题，本专利技术提出了一种基于心冲击体征数据和机器学习
的睡眠分期方法,该方法主要由:数据获取,特征提取,半监督分类,分类分期。在数据获取阶段,使用心冲击体征监测传感器,收集被测试者的心率,呼吸,体动的变化情况,将无效数据进行剔除；在特征提取阶段,将所有采集到的数据进行窗口化处理,并提取出所需要的特征向量；在半监督分类阶段,将上一阶段得到的窗口化后的特征向量进行人工标记,将可以明确分期的数据标记。人工标记可明确分期数据后,将其导入标签传播算法进行半监督学习标记；在分类分期阶段,使用上一阶段的样本,构建一个有效的睡眠分期模型。
[0005]具体而言，本专利技术提供了以下技术方案：
[0006]一方面，本专利技术提供了一种基于心冲击信号的睡眠分期方法，该方法包括：
[0007]步骤1、获取生理数据；
[0008]步骤2、对所述生理数据进行窗口化处理，获得窗口生理数据；对所述窗口生理数据进行特征提取，获得生理特征数据；
[0009]步骤3、对所述生理特征数据进行无监督聚类，并标记类别号；对所述窗口生理数据进行睡眠分期标记；将聚类的类别号与睡眠分期进行统计映射；若统计映射偏差不满足预设要求，则调整聚类参数再次进行无监督聚类，直至映射偏差满足预设要求时，确定最终映射关系；
[0010]步骤4、基于所述最终映射关系对应的聚类参数，对样本数据进行分类标记，并基于分类标记后的样本数据进行分类训练，建立分类模型；
[0011]步骤5、基于所述分类模型，对待分类生理数据进行分类，并纠正不合理分类结果。
[0012]优选的，所述生理特征数据包括以下特征的一个或其任意组合：心率均值、心率标准差、呼吸均值、呼吸标准差、体动量、体动量均值、体动量标准差、呼心比、呼吸频带峰值、心率频带峰值、呼吸频带质心、心率频带峰值等。
[0013]优选的，所述步骤3中，所述聚类参数包括聚类数K值、初始化随机数。
[0014]优选的，所述步骤3中，所述预设要求为：统计映射关系中，异常点的占比小于20％。
[0015]优选的，所述步骤3中，对所述窗口生理数据进行睡眠分期标记具体方式为：
[0016]将部分特征显著的窗口生理数据进行睡眠分期标记，这部分生理数据特征不仅是从参考的PSG数据来看，还是从睡眠专家的标注结果来看，还是从睡眠周期的状态变化原理来看，都有极高的置信度；
[0017]基于睡眠分期标记后的窗口生理数据，对未进行睡眠分期标记的窗口生理数据进行分类推理，进行睡眠分期标记。
[0018]优选的，对未进行睡眠分期标记的窗口生理数据进行分类推理可通过标签传播方式实现：在数据集中有部分是标记好的，有部分是没有标记的，如果一个数据点没有标记，而它最近的N个邻居有M个都标记了，那么这个M个邻居可以通过简单投票多数表决，再加上表决权重(例如距离近的邻居权重大等方式)，投票后产生的分类结果就可以作为该没有标记的数据点的标记。
[0019]优选的，所述步骤5中，所述纠正不合理分类结果的方式为：
[0020]根据睡眠阶段的规则进行合理性推理，将不合理结果重新进行睡眠分期分类，实现纠正。
[0021]优选的，该合理性推理中参考的规则包含但不限于：用户的睡眠阶段会重复循环，
每个周期持续90分钟左右，标准的阶段切换按照：觉醒期
‑
>REM
‑
>N1
‑
>N2
‑
>N3
‑
>N2
‑
>N1
‑
>REM
‑
>觉醒。这种阶段切换规则对于大众用户大概率是遵守的，按照这个规则对睡眠分类的结果进行重新纠正。
[0022]此外，本专利技术还提供了一种基于心冲击信号的睡眠分期系统，该系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于心冲击信号的睡眠分期方法，其特征在于，所述方法包括：步骤1、获取心冲击信号数据，并采集多PSG数据；步骤2、对所述心冲击信号数据进带通滤波，提取呼吸信号和心率信号；对呼吸信号和心率信号进行滑动窗口处理，获得窗口生理数据；并对窗口生理数据进行特征提取，获得生理特征数据；所述生理特征数据包含时域特征和频域特征；步骤3、对所述生理特征数据进行无监督聚类，并标记簇号；参考所述多PSG数据的分期结果对所述窗口生理数据进行睡眠分期标记；将簇号与睡眠分期标记进行统计映射；若统计映射偏差不满足预设要求，则调整聚类参数再次进行无监督聚类，直至映射偏差满足预设要求时，确定最终映射关系；步骤4、基于所述最终映射关系对应的无监督聚类模型，对后续样本数据进行聚类标记，并基于标记后的样本数据组成新的特征数据集；基于新的特征数据集进行分类训练，建立分类模型；步骤5、基于所述分类模型，对待分类生理数据进行分类。2.根据权利要求1所述的方法，其特征在于，所述生理特征数据包括以下特征的一个或其任意组合：心率均值、心率标准差、呼吸均值、呼吸标准差、体动量、体动量均值、体动量标准差、呼心比、呼吸频带峰值、心率频带峰值、呼吸频带质心、心率频带峰值。3.根据权利要求1所述的方法，其特征在于，所述步骤3中，所述聚类参数包括聚类数K值、初始化随机数。4.根据权利要求1所述的方法，其特征在于，所述步骤3中，所述预设要求为：统计映射关系中，异常点的占比小于20％。5.根据权利要求1所述的方法，其特征在于，所述步骤3中，对所述窗口生理数据进行睡眠分期标记具体方式为：将部分特征显著的窗口生理数据进行睡眠分期标记，基于睡眠分期标记后的窗口生理数据，对未进行睡眠分期标记的窗口生理数据进行分类推理，进行睡眠分期标记。6...

【专利技术属性】
技术研发人员：刘艳红，焦帅，米卫东，侯爱生，周志康，
申请(专利权)人：中国人民解放军总医院第一医学中心，
类型：发明
国别省市：