[发明专利]一种融合心率呼吸体动的自动睡眠分期方法

说明书

本发明提出了一种融合心率呼吸体动的自动睡眠分期方法，主要包括提取睡眠特征的卷积神经网络、识别体动的体动检测算法以及体动校正三部分，其中前两部分的结果作为体动校正的输入，提高了睡眠分期模型的准确率和泛化能力。本发明利用能够使用非接触式设备进行采集的心率、呼吸以及体动替代难以采集的脑电信号，减少了睡眠监测成本，具有日常舒适监测，家庭、养老院多场景应用等优势。

技术领域

本发明涉及睡眠监测分析领域，具体涉及一种融合心率呼吸体动的自动睡眠分期方法。

背景技术

人的一生大约有三分之一都是在睡眠中度过的，但随着生活节奏的不断加速及现代压力的不断升级，睡眠问题正悄然吞噬着人们的健康。据世界卫生组织统计，全球有27％的人受到睡眠障碍的困扰，长期的睡眠质量不佳会危害人们的身心状况，对个体和社会造成严重影响，但大多数睡眠障碍是可以改善和调整的。通过人的多种生理信号对睡眠情况进行正确分期、合理监测分析睡眠情况，对改善人的生理状况和预防疾病具有重要意义。

目前睡眠分期的普遍方法是通过提取脑电(Electroencephalogram，EEG)信号中的特征参数进行分类，但是脑电的采集需要精密的仪器和繁多的电极，并且大多数分析算法又极其复杂，不利于营造自然舒适的睡眠环境和引入到日常睡眠的监测和分析中。

睡眠活动除了与中枢神经系统有着密切的联系外，也会影响其他的生理活动，例如心跳、呼吸和体动等生理活动也会在睡眠的不同阶段呈现出不同的规律和模式。在现有技术中有人建立了结合心动周期和体动数据的隐马尔可夫模型(Hidden Markov Model，HMM)，但HMM存在自适应性和鲁棒性低的缺点，另外还需要大量的先验知识来确定模型的参数，用先验知识选择的参数不能确保它的准确性，往往会造成大的误差。

发明内容

针对现有技术存在的不足，本发明提供一种融合心率呼吸体动的自动睡眠分期方法，本方法利用非接触式设备能够准确采集并处理的心率、呼吸和体动信号，能够实现较为准确的自动睡眠分期，解决在人们日常生活中监测和分析睡眠质量的困难。为了实现上述目的，一种融合心率呼吸体动的自动睡眠分期方法通过以下技术方案实现。

本案使用卷积神经网络(Convolutional Neural Network，CNN)以及体动校正处理完成自动分期任务。模型接收连续的心率、呼吸和体动序列作为输入，输出整段序列的自动分期结果。

卷积神经网络的训练步骤为：

步骤1：将测试数据集进行标准化、分段化处理，分段时间长度为30秒；将数据集划分为训练集、验证集和测试集三部分；

步骤2：将预处理后的心率、呼吸和体动序列输入到模型的卷积神经网络中，通过训练至收敛，保存网络；

步骤3：按照校正规则进行分期校正，得到最终分期结果，保存所得模型。

体动检测算法步骤如下：

步骤1：标准化体动序列，将其映射到[0,1]的区间内；

步骤2：以5秒的窗作为一个节点，每次向后移动5秒,计算每个节点的标准差和均值；

步骤3：将数据分为每30秒一页，遍历每页的节点，若一页中包含超过2个标准差或者均值超过觉醒阈值的节点，说明该页内出现了较大的体动，则不考虑用CNN进行睡眠分期，并将该页的分期判定为Wake期，并记录超过阈值的节点数统计体动次数；若每一页的所有节点的标准差和均值都低于NREM-4阈值，这该页分期判定为NREM-4期，否则按照基于CNN的方法进行睡眠分期。

优选的是，所述的融合心率呼吸体动的自动睡眠分期方法，能够接受任意时间长度的心率、呼吸和体动序列，序列的频率为10HZ。