基于大数据的睡眠分期监测方法及装置制造方法及图纸

本发明专利技术涉及数据压缩处理领域，具体涉及一种基于大数据的睡眠分期监测方法及装置，该方法包括：对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；基于所述数据包集合进行压缩，得到待监测数据；基于所述待监测数据进行睡眠分期监测。该方法极大提高了特征信号的保真率，降低存储模块和传输通道的运行压力。使医护人员对患者睡眠监测数据的追溯时长更加持久，诊断结果更加准确。诊断结果更加准确。诊断结果更加准确。

【技术实现步骤摘要】
基于大数据的睡眠分期监测方法及装置


[0001]本专利技术涉及数据压缩处理领域，具体涉及一种基于大数据的睡眠分期监测方法及装置。

技术介绍

[0002]当今人们越来越重视自己的身体健康问题，日常监测体征健康数据可以有效预防健康问题，为医护人员提供数据参考。其中例如睡眠分期监测是一种测量和记录人们睡眠质量和模式的方法。这种监测通常使用可穿戴设备或传感器来检测人体在不同阶段的睡眠周期中的生理变化。睡眠通常被划分为四个阶段：浅睡、深睡、快速动眼期（REM）睡眠和非快速动眼期（NREM）睡眠。通过监测这些阶段，医生和研究人员可以评估一个人的睡眠质量，诊断睡眠障碍，并提供改善睡眠的建议。
[0003]现有利用头戴式设备监测体征信号来确定睡眠分期，然而健康监测是一个长期坚持的过程，所有日常监测数据均在时序上，因此积累下来的数据量比较庞大，对存储系统造成较大存储压力，现有存储算法大多都是基于数据冗余度进行编码。例如霍夫曼无损编码，然而在长时间存储、传输过程中难免发生网络、传输通道波动，导致数据丢失，尤其对于霍夫曼编码算法，特征数据的编码长度较长，一旦发生数据丢失就会影响体征监测数据的参考价值。现有算法的特征信号的保真率有待提高。

技术实现思路

[0004]本专利技术提供一种基于大数据的睡眠分期监测方法及装置。
[0005]第一方面，本申请提供一种基于大数据的睡眠分期监测方法，包括：对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；基于所述数据包集合进行压缩，得到待监测数据；基于所述待监测数据进行睡眠分期监测。
[0006]在一可选实施例中，所述将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合的步骤，包括：计算所述数据集中所述监测信号的特征权重，得到特征权重序列；基于所述特征权重序列得到冗余概率序列，所述冗余概率序列包括多个所述监测信号的冗余概率；基于所述冗余概率序列将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合。
[0007]在一可选实施例中，所述基于所述冗余概率序列将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合的步骤，包括：利用单调累加函数将所述冗余概率序列从小到大依次累加，得到累加结果；利用手肘法基于所述累加结果确定概率突增节点，冗余概率小于所述概率突增节点的监测信号作为所述特征信号，冗余概率大于所述概率突增节点的监测信号作为所述冗余信号，进而得到多个特征
信号集合和多个冗余信号集合。
[0008]在一可选实施例中，所述计算所述数据集中所述监测信号的特征权重的步骤，包括：基于每一睡眠阶段对应的数据集中监测信号的幅值、所述睡眠阶段对应的数据集的平均幅值计算异常数据；对所述异常数据进行归一化，得到所述监测信号的所述特征权重。
[0009]在一可选实施例中，利用如下公式（1）计算所述监测信号的特征权重：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）；上式代表任意一个睡眠阶段对应的数据集中的第v个监测信号的幅值，为该睡眠阶段对应的数据集的平均幅值，为第v个信号幅值与均值的差值绝对值除以均值，表征异常数据，即对所有的异常数据进行归一化，为第i个监测信号的特征权重。
[0010]在一可选实施例中，所述将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合的步骤，包括：利用期望函数对特征信号的特征权重进行加权，得到分配权重，使得所述分配权重符合局部熵极限；基于分配权重将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合。
[0011]在一可选实施例中，所述利用期望函数对特征信号的特征权重进行加权，得到分配权重，使得所述分配权重符合局部熵极限的步骤，包括：利用如下公式（2）进行对特征信号处理，得到分配权重，使得所述分配权重符合局部熵极限：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）；其中， T为最高期望函数，i为任意一睡眠阶段中的特征信号，为从冗余概率序列中分割出的一个概率值，作为第i个信号的特征权重的加权系数，的目的在于消除小数点，避免概率值直接与权重值相乘，加权结果过小；为第i个特征信号的特征权重；为数值对照表，所得的加权结果为分配权重，如果所得的加权结果与对照表中某个数值相差结果为0，结果也为0，此时分配权重符合熵极限。
[0012]在一可选实施例中，所述基于分配权重将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合的步骤，包括：利用如下公式（3）将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合：
ꢀꢀꢀꢀꢀꢀ
（3）；其中，E为目标函数，表示冗余信号集合中总概率，N表示N类信号幅值，为从冗余概率序列中分割出的一个概率值，作为第i个信号的特征权重的加权系数，代表冗余信号集合的总概率减去对每一个特征信号分配的概率值之和的差值的绝对值，中的代表分配完成后剩的冗余信号的数量，M代表原冗余信号的数量，两者之比等于1时，分配方案最优，因此为惩罚项，即当剩余冗余信号类数保留最完整，则惩罚最小，可以达到收敛，反之惩罚越大，不能收敛，代表服从高斯分布；其中剩余的冗余信号作为新的特征信号。
[0013]在一可选实施例中，基于所述数据包集合进行压缩，得到待监测数据的步骤，包括：利用新的特征信号构建霍夫曼树底端，以及利用数据包集合按照分配权重在霍夫曼树底端构建霍夫曼树，从而进行压缩，得到待监测数据。
[0014]第二方面，本申请提供一种基于大数据的睡眠分期监测装置，包括：处理模块，用于对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；分类模块，用于将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；分配模块，用于将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；压缩模块，用于基于所述数据包集合进行压缩，得到待监测数据；监测模块，用于基于所述待监测数据进行睡眠分期监测。
[0015]本专利技术的有益效果是：区别于现有技术，本专利技术提出的基于大数据的睡眠分期监测方法包括：对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；基于所述数据包集合进行压缩，得到待监测数据；基于所述待监测数据进行睡眠分期监测。该方法极大提高了特征信号的保真率，降低存储模块和传输通道的运行压力。使医护人员对患者睡眠监测数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的睡眠分期监测方法，其特征在于，包括：对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；基于所述数据包集合进行压缩，得到待监测数据；基于所述待监测数据进行睡眠分期监测。2.根据权利要求1所述的监测方法，其特征在于，所述将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合的步骤，包括：计算所述数据集中所述监测信号的特征权重，得到特征权重序列；基于所述特征权重序列得到冗余概率序列，所述冗余概率序列包括多个所述监测信号的冗余概率；基于所述冗余概率序列将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合。3.根据权利要求2所述的监测方法，其特征在于，所述基于所述冗余概率序列将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合的步骤，包括：利用单调累加函数将所述冗余概率序列从小到大依次累加，得到累加结果；利用手肘法基于所述累加结果确定概率突增节点，冗余概率小于所述概率突增节点的监测信号作为所述特征信号，冗余概率大于所述概率突增节点的监测信号作为所述冗余信号，进而得到多个特征信号集合和多个冗余信号集合。4.根据权利要求2所述的监测方法，其特征在于，所述计算所述数据集中所述监测信号的特征权重的步骤，包括：基于每一睡眠阶段对应的数据集中监测信号的幅值、所述睡眠阶段对应的数据集的平均幅值计算异常数据；对所述异常数据进行归一化，得到所述监测信号的所述特征权重。5.根据权利要求2所述的监测方法，其特征在于，利用如下公式（1）计算所述监测信号的特征权重：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）；上式代表任意一个睡眠阶段对应的数据集中的第v个监测信号的幅值，为该睡眠阶段对应的数据集的平均幅值，为第v个信号幅值与均值的差值绝对值除以均值，表征异常数据，即对所有的异常数据进行归一化，为第i个监测信号的特征权重。6.根据权利要求2所述的监测方法，其特征在于，所述将所述多个冗余信号集合中的冗
余信号分配至特征数据集合中，得到数据包集合的步骤，包括：利用期望函数对特征信号的特征权重进行加权，得到分配权重，使得所述分配权重符合局部熵极限；基于分配权重将所述多个冗余信...

【专利技术属性】
技术研发人员：王伟，
申请(专利权)人：青岛大学附属医院，
类型：发明
国别省市：