[发明专利]一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统

权利要求书

1.一种基于脉搏波数据的睡眠呼吸状态自动判别方法，其特征在于，所述判别方法包括：

获取人体的脉搏波信号，将所述脉搏波信号归一化处理，获得归一化脉搏波信号；

将所述归一化脉搏波信号及对应的睡眠呼吸状态打包及分批，获得网络训练数据集和测试数据集；

根据所述网络训练数据集和所述测试数据集建立基于深度置信网络的睡眠呼吸状态的自动判别模型，具体包括：将所述归一化脉搏波信号作为所述深度置信网络的输入参数，将所述睡眠呼吸状态作为所述深度置信网络的输出参数，构建深度置信网络结构；确定训练参数，所述训练参数包括学习率、动量、初始的权重矩阵、可见层偏置、隐藏层偏置；应用深度置信网络训练数据集对自动判别网络模型进行预训练，将若干个受限玻尔兹曼机堆叠起来构成深度置信网络，利用第一层受限玻尔兹曼机训练降维的样本训练第二层受限玻尔兹曼机，得到抽象的第二层特征以及相应的权值与偏差，利用第二层受限玻尔兹曼机训练降维的样本训练第三层受限玻尔兹曼机，得到抽象的第三层的特征以及相应的权值与偏差，以此类推，直至预训练完成，完成对深层网络的权值参数初始化；对所述深度置信网络进行微调，获得所述自动判别模型；

选取所述测试数据集对构建的基于所述脉搏波信号的睡眠呼吸状态的自动判别模型进行测试，并对网络性能和预测精度进行评估。

2.根据权利要求1所述的一种基于脉搏波数据的睡眠呼吸状态自动判别方法，其特征在于，所述对所述深度置信网络进行微调具体包括：

在所述深度置信网络的最后一层设置BP网络，接收受限玻尔兹曼机的输出特征量，有监督的训练分类器；

每一层的受限玻尔兹曼机网络只能确保自身层内的权值对该层特征向量映射达到最优；

所述BP网络将错误信息自顶向下传播至每一层受限玻尔兹曼机网络，微调整个所述深度置信网络。

3.根据权利要求1所述的一种基于脉搏波数据的睡眠呼吸状态自动判别方法，其特征在于，所述构建深度置信网络结构的受限玻尔兹曼机网络的层数设置为3层。

4.根据权利要求1所述的一种基于脉搏波数据的睡眠呼吸状态自动判别方法，其特征在于，所述训练参数具体为：学习率设置为1，动量设置为0，层间使用Sigmoid传递函数，权重矩阵初始化为0，所述可见层偏置和所述隐藏层偏置均初始化为0。

5.一种基于脉搏波数据的睡眠呼吸状态自动判别系统，其特征在于，所述判别系统包括：

获取模块，用于获取人体的脉搏波信号，将所述脉搏波信号归一化处理，获得归一化脉搏波信号；

数据处理模块，用于将所述归一化脉搏波信号及对应的睡眠呼吸状态打包及分批，获得网络训练数据集和测试数据集；

模型建立模块，用于根据所述网络训练数据集和所述测试数据集建立基于深度置信网络的睡眠呼吸状态的自动判别模型，具体包括：将所述归一化脉搏波信号作为所述深度置信网络的输入参数，将所述睡眠呼吸状态作为所述深度置信网络的输出参数，构建深度置信网络结构；确定训练参数，所述训练参数包括学习率、动量、初始的权重矩阵、可见层偏置、隐藏层偏置；应用深度置信网络训练数据集对自动判别网络模型进行预训练，将若干个受限玻尔兹曼机堆叠起来构成深度置信网络，利用第一层受限玻尔兹曼机训练降维的样本训练第二层受限玻尔兹曼机，得到抽象的第二层特征以及相应的权值与偏差，利用第二层受限玻尔兹曼机训练降维的样本训练第三层受限玻尔兹曼机，得到抽象的第三层的特征以及相应的权值与偏差，以此类推，直至预训练完成，完成对深层网络的权值参数初始化；对所述深度置信网络进行微调，获得所述自动判别模型；

评估模块，用于选取所述测试数据集对构建的基于所述脉搏波信号的睡眠呼吸状态的自动判别模型进行测试，并对网络性能和预测精度进行评估。