[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

说明书

本发明公开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。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；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。通过建立模型的方法有效地完成了睡眠呼吸状态的自动判别，提高了自动判别的准确性。

技术领域

本发明涉及深度学习技术在睡眠呼吸状态自动判别领域，特别是涉及基于脉搏波数据的睡眠呼吸状态自动判别方法。

背景技术

睡眠是人类生命活动的重要组成部分，是重要的生理、心理过程。良好的睡眠不仅可以恢复和调整体力，还可以保护大脑皮质，增强机体的新陈代谢，提高机体的免疫能力，同时也可提高认知能力及良好的情绪保持等。而相关睡眠障碍问题不仅是诱发高血压、冠心病等心脑血管疾病的重要因素，还与内分泌疾病、生长发育异常以及多种心理疾病相关，严重威胁人类生命健康及生存质量。在诸多睡眠障碍中，以睡眠过程中呼吸暂停最为常见，且对健康危害巨大。因此，判别睡眠过程中的呼吸状态成为研究热点。

目前，睡眠呼吸状态判别的研究主要集中于以下方面：1、监测信号优化：血氧、鼻气流、呼吸等呼吸状态直接参数获取操作繁冗、设备穿戴复杂、抗干扰能力差，且对受试者睡眠质量影响较大。因此，减少测量的生理参数，获取与睡眠呼吸状态相关的间接参数，简化监测流程及操作成为该领域的主要研究方向。迄今为止，利用心电信号提取相关特征，配合适当的分类方法构建的自动判别模型是较为前沿且成熟的睡眠呼吸状态判别方案。但是心电电极材质以氯化银为主，致敏性高，耐受性差，并且监测过程需要至少佩戴两个以上，穿戴复杂，对睡眠质量仍存在较为明显的干扰。2、分类模型选择：应用机器学习方法构建睡眠呼吸状态自动判别模型，以实现睡眠呼吸状态的自动分类为当下的研究热点。至今，特征提取较成熟算法有主成分分析、独立成分分析、小波分析等，这些算法在很多领域上发挥着作用。目前睡眠呼吸状态自动判别方法中的特征提取亦多应用上述算法。然而，上述算法均需要人工提取特征，因此其准确率不可避免的受到人为因素的影响。Hinton于2006年提出了深度学习算法，该算法使用多重非线性变换对数据进行多层抽象，学习输入数据向量的隐藏结构，有利于后期对新样本的智能识别或预测。多隐层的网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，深度学习模型在特征提取及分类方面的应用成为当下的研究热点。

现有技术亟需一种使用较少的生理信号、更为准确地完成睡眠呼吸状态判别。基于被测试者睡眠期间监测的脉搏波信号，利用深度学习深度置信网络(Deep BeliefNetwork,DBN)，构建睡眠呼吸状态自动判别模型，完成对睡眠呼吸状态的自动判别。

发明内容

本发明的目的是提供一种能够通过较少的生理信号、更加准确地完成睡眠呼吸状态的判别的基于脉搏波数据的睡眠呼吸状态自动判别方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于脉搏波数据的睡眠呼吸状态自动判别方法，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；

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。

可选的，所述根据所述网络训练数据集和所述测试数据集建立睡眠呼吸状态的自动判别模型具体包括：