[发明专利]一种睡眠信号分期可信度自动评价方法

说明书

一种睡眠信号分期可信度自动评价方法，步骤一：选择主分类器和辅分类器，采用监督学习对主、辅分类器进行训练，获得训练后的主、辅分类器；步骤二：输入睡眠数据，利用步骤一中训练后的主、辅分类器，对睡眠数据进行多粒度分类视图预测，并输出主分类器的预测结果；步骤三：根据步骤二的主、辅分类器预测结果，计算并输出逻辑一致性系数即可信度R；本发明能够有效自动评价睡眠分期结果，对海量无标记睡眠数据自动标记来更新训练集规模来训练健壮性更高、结果可信度高的睡眠分期算法，同时本发明技术可以移植至可穿戴便携式睡眠监测设备中，辅助及促进移动医疗的发展。

技术领域

本发明属于生物医学工程技术领域，特别涉及睡眠监测领域中的一种睡眠信号分期可信度自动评价方法。

背景技术

随着现代生活节奏的加快和生活方式的改变，睡眠日益成为一个突出医疗及公共卫生问题。中国睡眠研究会2021年发布睡眠调查报告显示，我国有超3亿人存在睡眠障碍，成年人失眠发生率高达38.2％，其中老年人睡眠障碍发生率占56.7％。临床上通过睡眠分期研究被试的睡眠结构和睡眠质量，对干预改善人们睡眠和辅助医生诊断治疗睡眠疾病至关重要。

现阶段睡眠医学领域中，多导睡眠图(polysomnography，PSG)是睡眠分期的“金标准”，该方法同步采集受试者睡眠过程中的脑电(electroencephalogram，EEG)、心电(electrocardiogram，EEG)、肌电(electromyogram，EMG)、眼电(electrooculogram，EOG)、呼吸等被试的整晚多通道生理信号，然后专业医生按照美国睡眠医学学会(americanacademy of sleep medicine,AASM)制定的睡眠分期标准将夜间睡眠以30s时间间隔为单位分为清醒期(wake，W)、非快速眼动睡眠期(non-rapid eye movement，NREM)和快速眼动睡眠期(rapid eye movement，REM)，其中NREM期又细分为Ⅰ期(N1)、Ⅱ期(N2)、Ⅲ期(N3)。由于PSG价格昂贵、受试者睡眠时需要佩戴大量传感器、需要搭建专业睡眠实验室及专业医生判读结果等缺陷，严重限制了其普及和推广，以及利用人工智能技术在睡眠领域开展海量数据规模的新应用。近年来，很多研究人员开始将注意力集中在通过可穿戴睡眠监测装置，利用人工智能技术进行自动睡眠分期算法研究。

自动睡眠分期算法主要包括生理信号预处理、特征提取和睡眠状态分类三个步骤，对易于采集的ECG、呼吸与光电容积脉搏波(photoplethysmography，PPG)等生理信号预处理后，提取与睡眠分期相关的时域、频域及非线性特征，然后对分类器进行模型训练。现有训练分类器的方法往往采用有监督技术，分类精度与训练集规模成正相关。但由于医疗数据的特殊性和人工标记的复杂性，导致可用的标记数据非常稀缺。利用数量有限的标记数据训练出的分期模型，其健壮性和结果可信度很难保证。对睡眠分期结果可信度进行有效评价具有重要意义和应用价值。

近年来，睡眠健康监测产品的市场化和家庭化，快速产生了海量的无标记睡眠数据。人工标记这些海量的无标记数据需要花费大量时间和人力，该类方案缺乏现实可行性。(1)如何对海量数据进行自动分析，形成可用于模型算法训练的有标记数据是一个巨大的挑战；(2)如何充分有效利用这些海量无标记数据，提高睡眠分期算法的健壮性和结果可信度是另一个需要解决的问题。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提供一种睡眠信号分期可信度自动评价方法，利用睡眠多视图概念，对于获得的睡眠数据，按不同分类粒度对同一睡眠时刻分别进行分类，采用五分类方式，把睡眠状态分为W、REM、N1、N2、N3五个期，由于不同的分类视图是用不同的分类器得到的同一组数据的不同视图，使用训练好的多个不同粒度分类器，对睡眠数据进行多分类视图预测，然后计算多个分类视图的逻辑一致性系数即可信度R，作为睡眠分期可信度评价指标。

为了达到上述目的，本发明采用的技术方案为：

一种睡眠信号分期可信度自动评价方法，包括以下步骤：