睡眠阶段检测方法及其检测模型的训练方法、电子设备技术

本申请提供一种睡眠阶段检测方法及其检测模型的训练方法、电子设备，该训练方法包括获取多个睡眠数据，各睡眠数据标注有真实睡眠阶段类别；对各睡眠数据进行处理，得到各睡眠数据对应的训练特征值和训练图像信息；将各训练特征值和各训练图像信息进行特征融合提取，得到各睡眠数据对应的融合特征；根据融合特征对预设模型进行迭代训练，直至达到预设条件，得到睡眠阶段检测模型。在该训练方法中，使用训练特征值和训练图像信息得到融合特征训练得到睡眠阶段检测模型，使睡眠阶段检测模型能学习睡眠阶段中特征值和图像信息的结合特征，使其更好的关注一段时间内睡眠特征的全局性，降低因数据丢失所带来的影响，从而提高睡眠检测的准确性和容错性。测的准确性和容错性。测的准确性和容错性。

【技术实现步骤摘要】
睡眠阶段检测方法及其检测模型的训练方法、电子设备


[0001]本申请实施例涉及睡眠检测
，特别涉及一种睡眠阶段检测方法及其检测模型的训练方法、电子设备。

技术介绍

[0002]随着人们生活水平的提高，生活节奏的变快，导致现在人们的工作压力随之加大，从而导致大部分人存在睡眠障碍问题。睡眠质量不良的征兆往往不易察觉，必须由各项检测仪器观察与睡眠阶段改变有相关性的生理数值的变化来推估睡眠状态，从而评估睡眠质量。
[0003]为了监测人体的睡眠，目前比较常用的睡眠检测算法中，通常以人体睡眠时的心电图信号，基于心电图信号计算得到多个特征值，如心率变异性的时域和频域参数等，再基于上述特征值的参数变化判断睡眠阶段，这种睡眠检测方法中仅仅以几个特征值的参数变化作为判断依据，容错性较差，且在实际应用中，数据传输存在丢失时，对于睡眠阶段判断较为不准确。

技术实现思路

[0004]本申请实施例的目的是提供一种睡眠阶段检测方法及其检测模型的训练方法、电子设备，训练出的睡眠检测模型能提高睡眠阶段判断的准确性。
[0005]第一方面，本申请实施例提供一种睡眠阶段检测模型的训练方法，该训练方法包括：获取多个睡眠数据，其中，各所述睡眠数据标注有真实睡眠阶段类别；对各所述睡眠数据进行处理，得到各所述睡眠数据对应的训练特征值和训练图像信息；将各所述训练特征值输入至预设模型中的第一特征提取模块进行特征提取，得到各所述睡眠数据对应的特征向量；将各所述训练图像信息和各所述特征向量对应输入至所述预设模型中的第二特征提取模块进行特征融合提取，得到各所述睡眠数据对应的融合特征；根据所述融合特征对所述预设模型进行迭代训练，直至达到预设条件，得到所述睡眠阶段检测模型。
[0006]在一些实施例中，所述根据所述融合特征对所述预设模型进行迭代训练，直至达到预设条件，得到所述睡眠阶段检测模型，包括：将各所述融合特征输入至所述预设模型中的分类模块，得到各所述睡眠数据对应的预测睡眠阶段类别；根据各所述预测睡眠阶段类别和各所述真实睡眠阶段类别之间的损失，迭代调节所述预设模型的参数，直至达到所述预设条件，得到所述睡眠阶段检测模型。
[0007]在一些实施例中，所述第二特征提取模块包括M个级联的子模块，各所述子模块包括依次连接的特征提取子模块和融合子模块；第m个所述特征提取子模块用于对所述训练图像信息或第(m
‑
1)个融合特征图进行特征提取，输出第m个特征图；第m个所述融合子模块用于对第m个所述特征图和所述特征向量进行特征融合提取，输出第m个所述融合特征图；其中，1≤m≤M，所述融合特征为第M个所述融合特征图。
[0008]在一些实施例中，第m个所述融合子模块采用以下公式输出第m个所述融合特征图
IN(V
m
，F)：
[0009][0010]其中，F为所述特征向量，V
m
为第m个所述特征图，μ(V
m
)为第m个所述特征图的均值特征，σ(V
m
)为第m个所述特征图的方差特征，β(
·
)为第m个所述融合子模块中的第一全连接层，γ(
·
)为第m个所述融合子模块中的第二全连接层。
[0011]在一些实施例中，所述第一特征提取模块包括多层感知机，所述特征提取子模块包括依次连接的卷积层、激活函数层和实例归一化层，所述分类模块包括依次连接的第三全连接层和softmax函数层。
[0012]在一些实施例中，所述根据各所述预测睡眠阶段类别和各所述真实睡眠阶段类别之间的损失，迭代调节所述预设模型的参数，直至达到所述预设条件，得到所述睡眠阶段检测模型，包括：依据权重交叉熵损失函数得到所述损失，并采用adam算法对所述预设模型进行迭代训练，直至所述预设模型收敛或达到预设迭代次数，得到所述睡眠阶段检测模型。
[0013]在一些实施例中，所述损失Loss通过以下公式计算得到：
[0014][0015]其中，
[0016][0017]N为所述睡眠数据的个数，y
i
表示第i个所述睡眠数据的真实睡眠阶段类别，表示第i个所述睡眠数据的预测睡眠阶段类别。
[0018]在一些实施例中，所述获取多个睡眠数据，包括：获取心电图信号数据；对所述心电图信号数据进行数据分割，得到多个所述睡眠数据。
[0019]在一些实施例中，所述训练特征值为各所述睡眠数据对应的心跳间距的标准差、相邻心跳间距差值序列的平方根、相邻心跳间距差值序列的标准差、相邻心跳间距差值差异大于50ms的数量、所述数量占所有心跳间距的百分比中的至少一种。
[0020]在一些实施例中，所述对各所述睡眠数据进行处理，得到各所述睡眠数据对应的训练图像信息，包括：将各所述睡眠数据分别进行归一化处理，得到归一化处理后的各所述睡眠数据；将归一化处理后的各所述睡眠数据映射到极坐标系上，得到各所述睡眠数据对应的映射数据；依据各所述映射数据通过格拉姆角场得到各所述训练图像信息。
[0021]第二方面，本申请实施例提供一种睡眠阶段检测方法，该睡眠阶段检测方法包括：获取测试睡眠数据；对所述测试睡眠数据进行处理，得到所述测试睡眠数据对应的测试特征值和测试图像信息；将所述测试特征值和所述测试图像信息输入至睡眠阶段检测模型，输出睡眠阶段类别，其中，所述睡眠阶段检测模型是采用如第一方面任意一项实施例所述的训练方法训练得到的。
[0022]第三方面，本申请实施例还提供一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上第一方面任意一项实施例所述的方法。
[0023]第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上第一方面任意一项实施例所述的方法。
[0024]第五方面，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如上第一方面任意一项实施例所述的方法。
[0025]与现有技术相比，本申请的有益效果是：区别于现有技术的情况，本申请实施例提供一种睡眠阶段检测方法及其检测模型的训练方法、电子设备，该训练方法包括：获取多个睡眠数据，其中，各睡眠数据标注有真实睡眠阶段类别；对各睡眠数据进行处理，得到各睡眠数据对应的训练特征值和训练图像信息；将各训练特征值输入至预设模型中的第一特征提取模块进行特征提取，得到各睡眠数据对应的特征向量；将各训练图像信息和各特征向量对应输入至预设模型中的第二特征提取模块进行特征融合提取，得到各睡眠数据对应的融合特征；根据融合特征对预设模型进行迭代训练，直至达到预设条件，得到睡眠阶段检测模型。在该训练方法中，对睡眠数据处理得到训练特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种睡眠阶段检测模型的训练方法，其特征在于，包括：获取多个睡眠数据，其中，各所述睡眠数据标注有真实睡眠阶段类别；对各所述睡眠数据进行处理，得到各所述睡眠数据对应的训练特征值和训练图像信息；将各所述训练特征值输入至预设模型中的第一特征提取模块进行特征提取，得到各所述睡眠数据对应的特征向量；将各所述训练图像信息和各所述特征向量对应输入至所述预设模型中的第二特征提取模块进行特征融合提取，得到各所述睡眠数据对应的融合特征；根据所述融合特征对所述预设模型进行迭代训练，直至达到预设条件，得到所述睡眠阶段检测模型。2.根据权利要求1所述的训练方法，其特征在于，所述根据所述融合特征对所述预设模型进行迭代训练，直至达到预设条件，得到所述睡眠阶段检测模型，包括：将各所述融合特征输入至所述预设模型中的分类模块，得到各所述睡眠数据对应的预测睡眠阶段类别；根据各所述预测睡眠阶段类别和各所述真实睡眠阶段类别之间的损失，迭代调节所述预设模型的参数，直至达到所述预设条件，得到所述睡眠阶段检测模型。3.根据权利要求2所述的训练方法，其特征在于，所述第二特征提取模块包括M个级联的子模块，各所述子模块包括依次连接的特征提取子模块和融合子模块；第m个所述特征提取子模块用于对所述训练图像信息或第(m
‑
1)个融合特征图进行特征提取，输出第m个特征图；第m个所述融合子模块用于对第m个所述特征图和所述特征向量进行特征融合提取，输出第m个所述融合特征图；其中，1≤m≤M，所述融合特征为第M个所述融合特征图。4.根据权利要求3所述的训练方法，其特征在于，第m个所述融合子模块采用以下公式输出第m个所述融合特征图IN
m
，F：其中，F为所述特征向量，V
m
为第m个所述特征图，μ(V
m
)为第m个所述特征图的均值特征，σ(V
m
)为第m个所述特征图的方差特征，β(
·
)为第m个所述融合子模块中的第一全连接层，γ(
·
)为第m个所述融合子模块中的第二全连接层。5.根据权利要求3或4所述的训练方法，其特征在于，所述第一特征提取模块包括多层感知机，所述特征提取子模块包括依次连接的卷积层、激活函数层和实例归一化层，所述分类模块包括依次连接的第三全连接层和softmax函数层。6.根据权利要求2
‑
4任意一项所述的训练方法，其特征在于，所述...

【专利技术属性】
技术研发人员：陈仿雄，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：