[发明专利]一种睡眠状态识别模型训练、睡眠分期方法及装置

说明书

本发明提供了一种睡眠状态识别模型训练、睡眠分期方法及装置，其中，睡眠状态识别模型训练方法，包括：获取时序心冲击图训练数据集，时序心冲击图训练数据集中包括多个时序心冲击图训练数据；将时序心冲击图训练数据输入初始网络模型中，对初始网络模型进行训练，得到睡眠状态识别模型；初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，卷积神经网络用于根据时序心冲击图训练数据获取睡眠分期特征；长短时记忆神经网络用于根据睡眠分期特征得到时序睡眠分期特征；机器学习分类器用于根据时序睡眠分期特征确定时序心冲击图训练数据对应的睡眠状态，通过执行本发明，可以提高睡眠分期结果的准确性。

技术领域

本发明属于机器学习领域，具体涉及一种睡眠状态识别模型训练、睡眠分期方法及装置。

背景技术

经过研究表明，人的睡眠过程包含众多复杂的生理过程，在一定程度上睡眠质量的好坏影响人的身体健康，并且这个过程并不是单方向的，人体的身体状态在睡眠信号上也存在一定程度上的表现。

有关睡眠分期的研究都是基于脑电信号或心电信号进行的，有关睡眠分期的研究方式可以分为三种，第一种直接由精神学科或者生物学科专家学者根据信号在各阶段的表现不同进行人为划分，这种方式较为耗时，可推广性不足；第二种是基于机器学习的自动睡眠分期研究，该方向是深度学习出来之前的研究主流，该类型的研究过程一般是利用神经学科或者生物学科等领域的专家学者罗列有关睡眠分期特征，然后利用机器学习算法将提取的特征进行分类；第三种是应用深度学习进行睡眠分期，这种研究方法不需要专业的学科专家参与，利用网络本身的特征提取功能，再结合分类器进行分类，从而达到高标准的睡眠分期，由于第三种方式不需要专业的学科专家参与，利用网络本身的特征提取功能，再结合分类器进行分类，从而达到高标准的睡眠分期，现在，在睡眠分期的研究中第三种方式已经成为主流方向。但是，现在应用深度学习进行睡眠分期的研究得到睡眠分期结果仍然不够准确。

发明内容

因此，针对现有技术中的问题，本发明提供一种睡眠状态识别模型训练、睡眠分期方法及装置，用以解决现有技术中存在的问题。

第一方面，本发明提供一种睡眠状态识别模型训练方法，包括：获取时序心冲击图训练数据集，时序心冲击图训练数据集中包括多个时序心冲击图训练数据；将时序心冲击图训练数据输入初始网络模型中，对初始网络模型进行训练，得到睡眠状态识别模型；初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，卷积神经网络用于根据时序心冲击图训练数据获取睡眠分期特征；长短时记忆神经网络用于根据睡眠分期特征得到时序睡眠分期特征；机器学习分类器用于根据时序睡眠分期特征确定时序心冲击图训练数据对应的睡眠状态。

可选的，在本发明提供的睡眠状态识别模型训练方法中，卷积神经网络中包括多层卷积层；各卷积层后连接有批归一化层。

可选的，在本发明提供的睡眠状态识别模型训练方法中，卷积神经网络中包括多层卷积层；各卷积层后连接有随机失活层。

可选的，在本发明提供的睡眠状态识别模型训练方法中，获取时序心冲击图训练数据集，包括：获取时序心冲击图采样数据集，时序心冲击图采样数据集中包括多个对应不同睡眠状态的时序心冲击图采样数据；对时序心冲击图采样数据进行降噪处理，得到训练去噪数据集；对训练去噪数据集进行均衡化处理，得到时序心冲击图训练数据集。

第二方面，本发明提供一种睡眠分期方法，包括：获取时序心冲击图数据，将时序心冲击图数据分解为多个样本数据；将样本数据分别输入到睡眠状态识别模型中，得到各样本数据对应的睡眠识别结果，睡眠状态识别模型通过本发明中任一项的睡眠状态识别模型训练方法确定；将各数据样本对应的睡眠识别结果形成的时序集合确定为睡眠分期结果。

可选的，在本发明提供的睡眠分期方法中，获取时序心冲击图数据，包括：获取时序心冲击图采样数据；对时序心冲击图采样数据进行降噪处理，得到时序心冲击图数据。