【技术实现步骤摘要】
本专利技术涉及睡眠自动检测及分期，具体而言，涉及一种睡眠分期检测方法、系统及可读存储介质。
技术介绍
1、目前，睡眠监测和评估的“金标准”是采用多导睡眠监测(polysomnography，psg)，它需要受试者在睡眠实验室佩戴脑电(eeg)电极、肌电(emg)电极、心电(ecg)电极、呼吸传感器、血氧记录仪等设备，连续并同步地采集eeg、ecg、emg、眼动、呼吸和血氧等10余种信号。全部记录由仪器自动分析后再经人工逐项校正，最终将睡眠过程以30s为单位进行分期。因为eeg信号在睡眠的各阶段具有明显的特征和周期性变化，所以psg睡眠分期以eeg为主，其他生理信号为辅。psg的优点是测量结果可靠，睡眠分期准确。但通过psg进行睡眠监测也有很多局限性，如价格昂贵、效率低，干扰睡眠质量，受场地限制等，由于这些限制，基于psg的睡眠检查只能在睡眠实验室开展。
2、随着传感器技术的快速发展，可穿戴设备为睡眠监测提供了新的思路。目前市面上的许多可穿戴设备具备睡眠监测功能，它们使用多传感器进行数据采集，典型的是mems加速度计和ppg(photoplethysmography)。mems加速度计是可穿戴设备中普遍使用的传感器，用于测量运动，并广泛用于评估身体活动和能量消耗。ppg是一种测量血容量变化的光学技术，已被验证可以在多种情况下准确测量心率。虽然睡眠阶段通常通过中枢神经系统(cns，根据脑电图测量)的变化来评估，但自主神经系统(ans)的活动也随着睡眠阶段的变化而变化，并可以通过心率和心率随时间的变化来反映。ans分为交感
技术实现思路
1、本专利技术的目的在于提供一种睡眠分期检测方法、系统、设备及可读存储介质，以改善上述问题。为了实现上述目的，本专利技术采取的技术方案如下：
2、第一方面，本申请提供了一种睡眠分期检测方法，包括：
3、基于腕带设备实时采集加速度数据，其中加速度数据为x、y、z三个方向的加速度数据，根据采集到的加速度数据对睡眠窗口进行检测，得到检测结果；
4、判断检测结果是否进入睡眠状态，若进入，则采集心率，并提取特征数据，其中特征数据包括时间特征数据、加速度特征数据以及心率特征数据；若未进入，则继续对睡眠窗口进行检测，直到检测到进入睡眠状态为止；
5、采用lightgbm梯度提升决策树模型对特征数据进行训练和验证，得到睡眠分期结果，其中睡眠分期结果包括清醒、浅睡、深睡和快速眼动。
6、优选地，所述根据采集到的加速度数据对睡眠窗口进行检测，得到检测结果，其中包括：
7、按照每秒对x、y、z三个方向的加速度数据进行平均计算，基于平均结果，计算窗口长度为5的滑动中值，得到滑动中值结果；
8、基于滑动中值结果求解z轴的角度，得到角度结果，并对角度结果计算窗口长度为5的滑动均值以及相邻两个滑动均值结果差值的绝对值，得到第一结果；
9、对第一结果进行窗口长度为300的滑动中值滤波，判断窗口长度为300的滑动中值滤波后的第二结果，若第二结果大于阈值，则认为清醒，否则认为睡眠。
10、优选地，所述认为清醒，否则认为睡眠，其中采取方式包括：
11、若检测到至少4分钟的清醒，则接下来的1分钟睡眠重置为清醒；若检测到至少10分钟的清醒，则接下来的3分钟睡眠重置为清醒；若检测到至少15分钟的清醒，则接下来的4分钟睡眠重置为清醒；若前面或后面有大于10分钟的清醒时，则剔除小于6分钟的睡眠；剔除小于5分钟的睡眠窗口；睡眠状态下，如果检测到清醒状态持续时长大于等于15分钟，则认为检测到醒来状态。
12、优选地，所述采用lightgbm梯度提升决策树模型对特征数据进行训练和验证，其中：
13、根据交叉验证方式确定模型超参数，每次设定一组超参数，采用十折交叉验证法得到模型结果，提取模型结果中卡帕系数最大的一组超参数，并将最大的一组超参数作为最优超参数；
14、其中，十折交叉验证法进行模型训练的方式如下：每一折训练时，将特征数据划分训练集、验证集和测试集，数据比例为0.8：0.1：0.1，训练集用于训练模型，验证集用于在训练过程中实现早停，测试集用于评估模型准确度；每一折测试结果相加为总的测试结果；
15、采用最优超参数在全部特征集上进行训练模型，并作为最终模型进行保存。
16、优选地，所述加速度特征数据的参数计算方法包括：
17、对z轴加速度进行带通滤波处理，并求滤波结果的绝对值，得到第一处理结果；
18、将第一处理结果按照0-5g 128个bins的划分方式进行分箱处理，得到第二处理结果；
19、基于第二处理结果，统计每个分箱中的数据个数，提取个数最大值，并以长度为15的窗口进行累加，得到累加值sum_temp，根据公式进行计算，并进行高斯平滑滤波处理，得到第三处理结果，并将第三处理结果记作加速度特征数据。
20、优选地，所述时间特征数据为当前窗口相对睡眠开始时的时间间隔；计算所述心率特征数据，其中包括：分别以2分钟、5分钟和10分钟为窗口，30秒为步长将心率序列划分为数据段并进行特征计算。
21、第二方面，本申请还提供了一种睡眠分期检测系统，包括：
22、检测模块：用于基于腕带设备实时采集加速度数据，其中加速度数据为x、y、z三个方向的加速度数据，根据采集到的加速度数据对睡眠窗口进行检测，得到检测结果；
23、判断模块：用于判断检测结果是否进入睡眠状态，若进入，则采集心率，并提取特征数据，其中特征数据包括时间特征数据、加速度特征数据以及心率特征数据；若未进入，则继续对睡眠窗口进行检测，直到检测到进入睡眠状态为止；
24、训练模块：用于采用lightgbm梯度提升决策树模型对特征数据进行训练和验证，得到睡眠分期结果，其中睡眠分期结果包括清醒、浅睡、深睡和快速眼动。
25、第三方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于睡眠分期检测方法的步骤。
26、本专利技术的有益效果为：在睡眠监测方面，本专利技术采用ppg数据对加速度数据进行了补充，提高了可穿戴设备进行睡眠检测的准确度，同时也使得可穿戴设备能够以一定的准确度实现睡眠分期。
27、本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所本文档来自技高网...
【技术保护点】
1.一种睡眠分期检测方法，其特征在于，包括：
2.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述根据采集到的加速度数据对睡眠窗口进行检测，得到检测结果，其中包括：
3.根据权利要求2所述的睡眠分期检测方法，其特征在于，所述认为清醒，否则认为睡眠，其中采取方式包括：
4.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述采用lightGBM梯度提升决策树模型对特征数据进行训练和验证，其中：
5.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述加速度特征数据的参数计算方法包括：
6.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述时间特征数据为当前窗口相对睡眠开始时的时间间隔。
7.根据权利要求1所述的睡眠分期检测方法，其特征在于，计算所述心率特征数据，其中包括：分别以2分钟、5分钟和10分钟为窗口，30秒为步长将心率序列划分为数据段并进行特征计算。
8.根据权利要求7所述的睡眠分期检测方法，其特征在于，提取的心率特征数据，其中包括：整段心率序列的均值、标准差以及最小值、整段心
9.一种睡眠分期检测系统，其特征在于，包括：
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述睡眠分期检测方法。
...【技术特征摘要】
1.一种睡眠分期检测方法，其特征在于，包括：
2.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述根据采集到的加速度数据对睡眠窗口进行检测，得到检测结果，其中包括：
3.根据权利要求2所述的睡眠分期检测方法，其特征在于，所述认为清醒，否则认为睡眠，其中采取方式包括：
4.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述采用lightgbm梯度提升决策树模型对特征数据进行训练和验证，其中：
5.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述加速度特征数据的参数计算方法包括：
6.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述时间特征数据为当前窗口相对睡眠开始时的时间间隔。
【专利技术属性】
技术研发人员：王春丽，孔庆达，杨志远，
申请(专利权)人：成都天奥电子股份有限公司，
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。