【技术实现步骤摘要】
本专利技术涉及睡眠检测领域，尤其涉及一种基于机器学习模型的患者睡眠觉醒状态检测方法。
技术介绍
1、睡眠对麻醉手术后的患者康复至关重要。在手术过程中，患者接受麻醉药物和手术刺激，身体经历了一定的应激反应。好的睡眠质量是恢复和修复身体的重要保障，它可以促进伤口愈合、细胞再生和免疫功能的增强。良好的睡眠能够减轻术后疼痛和不适感，并降低术后并发症的风险。因此，为麻醉手术后的患者提供充足和高质量的睡眠，对于恢复和康复具有重要意义。
2、目前对麻醉手术后患者的睡眠状态的检测主要依靠传统的方案如多导睡眠监测仪睡眠状态进行检测，这是一种通过电极在头皮上记录脑电图(eeg)、眼动图(eog)、肌电图(emg)等信号，对这些信号进行分析和解读得到全面而准确的睡眠信息，包括睡眠阶段、呼吸规律等。但是该方案通常需要进行复杂的数据分析和解读，需要专业人员进行处理，增加了操作的难度和成本，其次，该设备复杂且昂贵，需要在医院或实验室进行监测，限制了患者在睡眠过程中的自然状态。
3、随着技术的进步，出现了一些新兴的技术和方法可以弥补这些缺点。例如，可穿戴设备和应用程序结合了传感器技术和数据分析算法，可以实时监测和评估睡眠质量，cole-kripke算法和sadeh算法可以实现基于运动次数的睡眠觉醒状态识别，但是这两种算法存在准确率不高的问题，敏感性约为60％-80％，特异性约为16％-40％。1,2
技术实现思路
1、为了解决上述提出的至少一个技术问题，本专利技术提供一种基于机器学习模型
2、第一方面，提供了一种基于机器学习模型的患者睡眠觉醒状态检测方法，包括：
3、获取患者身体部位的加速度数据；
4、将所述患者身体部位的加速度数据输入机器学习模型中，输出患者睡眠觉醒状态。
5、优选地，所述将所述加速度数据输入机器学习模型中之前，还包括：
6、构建训练样本集，其中，所述训练样本集包括患者的睡眠觉醒状态及患者的加速度数据；
7、将所述训练样本集输入所述机器学习模型，迭代训练至所述机器学习模型收敛。
8、优选地，所述构建训练样本集，包括：
9、对多个患者进行多导睡眠检测，得到每个患者的睡眠觉醒状态；
10、对所述每个患者身体部位进行加速度检测，得到所述每个患者的加速度数据；
11、根据所述每个患者的睡眠觉醒状态和加速度数据，构建所述训练样本集。
12、优选地，所述利用所述训练样本集对机器学习模型进行训练之前，还包括：
13、对所述机器学习模型进行参数预设，具体包括：
14、设弱分类器个数为200；设学习率为0.3；设分类器最大深度为9；设控制树节点分裂的最小权重和为1；设控制树节点分裂的最大样本权重和为1；设指定分类器节点分裂所需的最小损失函数下降值为0.8；设分类器对于样本随机采样的比例为0.8；设限制分类器预测值的最大变化量为0；设控制分类器随机采样列数占比为0.8；设控制分类器的正则化值为1及设随机种子为42。
15、优选地，所述获取患者身体部位的加速度数据，包括：
16、使用加速度计采集患者主导手腕在x、y和z轴的加速度数据。
17、优选地，所述构建训练样本集之后，还包括：
18、对所述训练样本集的加速度数据进行预处理，具体包括：
19、提取x、y和z轴上t-2、t-1、t、t+1和t+2检测间隔的15个平均加速度作为t检测间隔的加速度数据。
20、优选地，所述利用所述训练样本集对所述机器学习模型进行训练之后，还包括：
21、使用python软件的scikit-learn库对所述机器学习模型进行性能评估。
22、第二方面，提供了一种基于机器学习模型的患者睡眠觉醒状态检测系统，所述系统包括：
23、数据获取单元，用于获取患者的某一身体部位的加速度数据；
24、数据处理单元，用于将所述患者身体部位的加速度数据输入机器学习模型中，得到患者睡眠觉醒状态。
25、第三方面，提供了一种电子设备，包括；处理器、发送系统、输入系统、输出系统和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如权利要求1至7中任意一项所述的基于机器学习模型的患者睡眠觉醒状态检测方法。
26、第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行权利要求1至7中任意一项所述的基于机器学习模型的患者睡眠觉醒状态检测方法。
27、本专利技术通过获取患者身体部位的加速度数据，将所述加速度数据输入机器学习模型中，得到术后患者睡眠觉醒状态。本专利技术可以在只获得患者身体部位的加速度数据的情况下，即可方便、快速和准确地检测麻醉手术后患者的睡眠觉醒状态，从而解决了过于昂贵的检测设备、过于专业复杂的操作过程和低准确率的问题。
28、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
本文档来自技高网...【技术保护点】
1.一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述将所述加速度数据输入机器学习模型中之前，还包括：
3.根据权利要求2所述的一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述构建训练样本集，包括：
4.根据权利要求2所述的一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述利用所述训练样本集对所述机器学习模型进行训练之前，还包括：
5.根据权利要求1所述的一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述获取患者身体部位的加速度数据，包括：
6.根据权利要求2所述的一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述构建训练样本集之后，还包括：
7.根据权利要求2所述的一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述利用所述训练样本集对所述机器学习模型进行训练之后，还包括：
8.一种基于机器学习模型的患者睡眠觉醒状
9.一种电子设备，其特征在于，包括：处理器、发送系统、输入系统、输出系统和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如权利要求1至7中任意一项所述的基于机器学习模型的患者睡眠觉醒状态检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行权利要求1至7中任意一项所述的基于机器学习模型的患者睡眠觉醒状态检测方法。
...【技术特征摘要】
1.一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述将所述加速度数据输入机器学习模型中之前，还包括：
3.根据权利要求2所述的一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述构建训练样本集，包括：
4.根据权利要求2所述的一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述利用所述训练样本集对所述机器学习模型进行训练之前，还包括：
5.根据权利要求1所述的一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述获取患者身体部位的加速度数据，包括：
6.根据权利要求2所述的一种基于机器学习模型的患者睡眠觉醒状态检测方法，其特征在于，所述构建训练样本集之后，还包括：
<...【专利技术属性】
技术研发人员：穆东亮，李建武，陈娜萍，李怀瑾，倪之晓，
申请(专利权)人：北京大学第一医院，
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。