[发明专利]一种自动睡眠分期的方法和装置

权利要求书

1.一种自动睡眠分期的方法，其特征在于，包括：

获取睡眠期间的心率和肢体运动加速度信号；

对所述心率和肢体运动加速度信号进行分帧，基于滑动窗分别对所述心率和肢体运动加速度信号的低层特征进行提取；

基于所述低层特征提取出中层特征；

将所述低层特征和所述中层特征串联，以得到串联结果，根据所述串联结果，通过循环神经网络模型自动学习出所述睡眠期间的心率和肢体运动加速度信号在时间上的长期依赖性，根据所述长期依赖性自动将睡眠分期，以得到分期结果；

对于心率信号，以当前帧前后共10个信号帧为滑动窗大小，基于该滑动窗提取心率信号的低层特征；心率信号的低层特征包括时域特征和频域特征；在滑动窗的10个信号帧内分别计算各信号帧的均值，并串联成10维特征向量，作为心率的时域特征；在滑动窗的10个信号帧内分别计算各信号帧DCT变换后的前5个主频分量，并串联成50维特征向量；然后计算该特征向量的一阶差分和二阶差分，进而将50维特征向量、一阶差分和二阶差分，三者串联作为心率的频域特征；对于肢体运动加速度信号，以当前帧为滑动窗大小，基于该滑动窗提取肢体运动加速度信号的低层特征；肢体运动加速度信号的低层特征包括频域特征；分别对肢体运动加速度信号的三轴分量采用倒谱分析提取各轴前30个主频分量，然后将三轴的前30个主频分量串联构成90维特征向量，作为肢体运动加速度信号的低层特征；最后，将心率信号和肢体运动加速度信号的低层特征串联，作为整体的低层特征。

2.根据权利要求1所述的方法，其特征在于，所述对所述心率和肢体运动加速度信号进行分帧包括：

将所述心率信号和所述肢体运动加速度信号分别以30秒为帧大小，按照帧的顺序将所述心率信号和所述肢体运动加速度信号进行对应。

3.根据权利要求1所述的方法，其特征在于，所述基于所述低层特征提取出中层特征是基于Kmeans算法实现的。

4.根据权利要求1所述的方法，其特征在于，所述通过循环神经网络模型自动学习出所述睡眠期间的心率和肢体运动加速度信号在时间上的长期依赖性是基于双向长短时记忆模型实现的。

5.一种自动睡眠分期的装置，其特征在于，包括：

信号获取模块，用于获取睡眠期间的心率和肢体运动加速度信号；

低层特征提取模块，用于对所述心率和肢体运动加速度信号进行分帧，基于滑动窗分别对所述心率和肢体运动加速度信号的低层特征进行提取；

中层特征提取模块，用于基于所述低层特征提取出中层特征；

循环神经网络模块，用于将所述低层特征和所述中层特征串联，以得到串联结果，根据所述串联结果，通过循环神经网络模型自动学习出所述睡眠期间的心率和肢体运动加速度信号在时间上的长期依赖性，根据所述长期依赖性自动将睡眠分期，以得到分期结果；

低层特征提取模块进行如下操作：对于心率信号，以当前帧前后共10个信号帧为滑动窗大小，基于该滑动窗提取心率信号的低层特征；心率信号的低层特征包括时域特征和频域特征；在滑动窗的10个信号帧内分别计算各信号帧的均值，并串联成10维特征向量，作为心率的时域特征；在滑动窗的10个信号帧内分别计算各信号帧DCT变换后的前5个主频分量，并串联成50维特征向量；然后计算该特征向量的一阶差分和二阶差分，进而将50维特征向量、一阶差分和二阶差分，三者串联作为心率的频域特征；对于肢体运动加速度信号，以当前帧为滑动窗大小，基于该滑动窗提取肢体运动加速度信号的低层特征；肢体运动加速度信号的低层特征包括频域特征；分别对肢体运动加速度信号的三轴分量采用倒谱分析提取各轴前30个主频分量，然后将三轴的前30个主频分量串联构成90维特征向量，作为肢体运动加速度信号的低层特征；最后，将心率信号和肢体运动加速度信号的低层特征串联，作为整体的低层特征。

6.根据权利要求5所述的装置，其特征在于，所述低层特征提取模块还用于：

将所述心率信号和所述肢体运动加速度信号分别以30秒为帧大小，按照帧的顺序将所述心率信号和所述肢体运动加速度信号进行对应。