CN104138260A - 一种利用svm分类器的睡眠姿势多分类识别方法 - Google Patents

Abstract

一种利用SVM分类器的睡眠姿势多分类识别方法，包括以下步骤：采集受试者的左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠姿势下的识别特征值；构建一对一法支持向量机多分类算法分类器；将训练样本输入SVM分类器进行训练，得到可用于识别四种睡眠姿势的分类模型，实现多分类的功能；将分类模型用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势进行识别。本发明通过左右胸部呼吸电阻抗相关分析，独创性地使用了一对一法支持向量机做多分类识别，实现了睡眠姿势的高可信度动态提取，是一种低负荷睡眠监测新方法，且本发明具有简单易行，训练时间短，分类精确度高，有效实现对受试者的四种主要睡眠姿势的识别。

Description

一种利用SVM分类器的睡眠姿势多分类识别方法

 

技术领域

本发明涉及医疗监测技术领域，尤其是涉及一种在生物电阻抗技术采集呼吸信号的基础上，利用SVM分类器的睡眠姿势多分类识别方法。

背景技术

目前，在检测睡眠姿势时，多通过单独的传感器监测姿势的方法对患者进行检测。但过多的监测设备易造成患者的不舒适感，影响患者的睡眠质量。近年来，许多有关分析睡眠呼吸暂停和睡眠姿势关系的研究工作也取得了巨大的进展。以色列卢文斯基医院康复中心的Oksenberg教授证实，仰卧位睡眠姿势不仅会增加异常呼吸事件发生的概率，并且会加剧呼吸的困难程度。因此，睡眠姿势的实时识别与调节将有效地减轻睡眠呼吸暂停（OSA）患者的睡眠呼吸障碍。

对于一些外科手术病人和长期卧床的老年人来说，长久保持一个姿势容易形成褥疮。褥疮是个由来已久的问题，每年卫生保健系统都会投入大量资金。连续监测和记录病人的卧床姿势可以帮助护理人员及时变换病人的姿势，避免或减少褥疮发生的风险。

由此可见，对于睡眠姿势的实时监测可以实现相关呼吸疾病的早诊断、早预防、早预警。睡眠姿势监测俨然已成为睡眠监测的重要指标，对人类的健康产生直接影响。

现有技术中已经提出了一种利用生物电阻抗技术睡眠姿势识别的方法。但睡眠姿势识别方法算法较为简单，分类精确度不够高，目前还没有一种更高精度监测患者睡眠姿势的方法或装置。

发明内容

本发明的目的在于针对上述存在问题和不足，提出一种利用SVM分类器的睡眠姿势多分类识别方法，通过采集受试者左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠姿势下的识别特征值，构建一对一法支持向量机（1-v-1 SVMs）多分类算法分类器，用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势进行识别。

本发明的技术方案是这样实现的：

本发明所述的利用SVM分类器的睡眠姿势多分类识别方法，其特点是包括如下步骤：

S1：采集受试者左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠姿势下的识别特征值；

S2：构建一对一法支持向量机（1-v-1 SVMs）多分类算法分类器；

S3：将训练样本输入SVM分类器进行训练，得到可用于识别四种睡眠姿势的分类模型，实现多分类的功能；

S4：将分类模型用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势进行识别。

其中，上述步骤S1的具体操作方法如下：

S11：利用生物电阻抗技术同时采集左侧胸部和右侧胸部两通道的呼吸信号，从呼吸信号提取参考特征值；

S12：计算出当前时刻k的左侧胸部的电阻抗均值Z_L与右侧胸部的电阻抗均值Z_R之差（Z_L-Z_R），将差值（Z_L-Z_R）作为第一参考特征值，记做M₁；

S13：计算出当前时刻k的左侧胸部的电阻抗均值Z_L与右侧胸部的电阻抗均值Z_R之和（Z_L+Z_R），将差值（Z_L+Z_R）作为第二参考特征值，记做M₂；

S14：F_L表示左侧呼吸信号的平均幅值，F_R表示右侧呼吸信号的平均幅值，将左右胸部电阻抗呼吸信号平均幅值的差值（F_L-F_R）作为第三参考特征值，记做F₁；

S15：F_L表示左侧呼吸信号的平均幅值，F_R表示右侧呼吸信号的平均幅值，将左右胸部电阻抗呼吸信号平均幅值的差值（F_L+F_R）作为第四参考特征值，记做F₂；

S16：S_L表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，S_R表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右胸部电阻抗呼吸信号积分累加值的差值（S_L-S_R）作为第五参考特征值，记做S₁；

S17：S_L表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，S_R表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右胸部电阻抗呼吸信号积分累加值的和值（S_L+S_R）作为第六参考特征值，记做S₂。

上述步骤S2的具体操作方法如下：

S21：根据所述的一对一法多分类算法分类器用于对睡眠姿势进行分类，其做法是在任意两种姿势的样本之间设计一个SVM， k种类别的样本就需要设计k(k-1)/2个SVM，因此本实验需设计6个SVM；

S22：将左侧卧类别记做A，右侧卧类别记做B，仰卧类别记做C，俯卧类别记做D，6个SVM分别记为(A, B)-classifier，(A, C)-classifier，(A, D)-classifier，(B, C)-classifier，(B, D)-classifier，(C, D)-classifier。

进一步地，上述步骤S2还包括如下操作方法：

S23：用特征值M₁作为(A, B)-classifier的分类参考特征值，当M₁大于第一阈值TR₁，则结果判断为A，那么A=A+1，否则B=B+1； 

S24：用特征值F₁作为(A, C)-classifier的分类参考特征值，当F₁大于第二阈值TR₂，则结果判断为A，那么A=A+1，否则C=C+1；

S25：用特征值S₁作为(A, D)-classifier的分类参考特征值，当S₁大于第三阈值TR₃，则结果判断为A，那么A=A+1，否则D=D+1；

S26：用特征值F₂作为(B, C)-classifier的分类参考特征值，当F₂大于第四阈值TR₄，则结果判断为B，那么B=B+1，否则C=C+1；

S27：用特征值S₂作为(B, D)-classifier的分类参考特征值，当S₂大于第五阈值TR₅，则结果判断为B，那么B=B+1，否则D=D+1；

S28：用特征值M₂作为(C, D)-classifier的分类参考特征值，当M₂大于第六阈值TR₆，则结果判断为C，那么C=C+1，否则D=D+1。

更进一步地，上述步骤S2还包括如下操作方法：

S29：根据所述的6个SVM下的判断结果，进行投票，选择票数最多的A、B、C、D作为左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势的判断结果。

本发明与现有技术相比，具有如下有益效果：

本发明在睡眠呼吸监测基础上，通过左右胸部呼吸电阻抗相关分析，独创性地使用了一对一法支持向量机做多分类识别，实现了睡眠姿势的高可信度动态提取，是一种低负荷睡眠监测新方法，而且本发明具有简单易行，训练时间短，分类精确度高，有效地实现对受试者的四种主要睡眠姿势的识别，提醒患者以正确的姿势睡眠，并对疾病患者的治疗提供了辅助参考信息。

下面结合附图对本发明作进一步的说明。

附图说明

图1是本发明的一个实施例的方法流程图。

图2是本发明提供的睡眠监测仪的结构示意图。

图3是本发明步骤S1的一种可实现方式的方法流程图。

图4是本发明步骤S2的一种可实现方式的方法流程图。

具体实施方式

如图1所示，是本发明的一个实施例的方法流程图。

在本实施例中，本发明所述的利用SVM分类器的睡眠姿势多分类识别方法，包括以下步骤：

步骤S1：采集受试者左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠姿势下的识别特征值。

步骤S2：构建一对一法支持向量机（1-v-1 SVMs）多分类算法分类器；

步骤S3：将训练样本输入SVM分类器进行训练，得到可用于识别四种睡眠姿势的分类模型，实现多分类的功能；

步骤S4：将分类模型用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势进行识别。

具体实施时，采用睡眠监测仪执行对受试者的睡眠姿势的识别，其主要工作过程包括：多个电极固定在相应检测部位，实现对两侧胸部的电阻抗信号实时采集，相应算法提取参考特征值，用一对一法支持向量机作分类处理，识别受试者的睡眠姿势。

如图2所示，是本发明提供的睡眠监测仪的结构示意图。

具体地，所述睡眠监测仪包括电源模块、恒流源模块、多通道开关模块、数据采集模块和信号处理模块。其中，所述恒流源模块用于为测量电极提供电流激励。多通道开关模块与电极、恒流源模块和数据采集模块分别连接，用于控制固定在不同胸部位置的激励电极的激励电流和接收测量电极的电压信号，并将接收的电压信号传输给数据采集模块；数据采集模块根据与多通道开关模块连接的电极提供的电压信号，计算出左右胸部电阻抗信号；信号处理模块与数据采集模块连接，用于对左右胸部电阻抗信号进行模数转换并对信号进行分析处理，然后分类识别确定人体的睡眠姿势。电源模块用于对以上各个模块进行供电。

如图3所示，是本发明步骤S1的一种可实现方式的方法流程图。

作为优选的方案，在本实施例中，所述步骤S1的具体操作方法如下：

步骤S11：利用生物电阻抗技术同时采集左侧胸部和右侧胸部两通道的呼吸信号，从呼吸信号提取参考特征值；

步骤S12：计算出当前时刻k的左侧胸部的电阻抗均值Z_L与右侧胸部的电阻抗均值Z_R之差（Z_L-Z_R），将差值（Z_L-Z_R）作为第一参考特征值，记做M₁；

步骤S13：计算出当前时刻k的左侧胸部的电阻抗均值Z_L与右侧胸部的电阻抗均值Z_R之和（Z_L+Z_R），将差值（Z_L+Z_R）作为第二参考特征值，记做M₂；

步骤S14：F_L表示左侧呼吸信号的平均幅值，F_R表示右侧呼吸信号的平均幅值，将左右胸部电阻抗呼吸信号平均幅值的差值（F_L-F_R）作为第三参考特征值，记做F₁；

步骤S15：F_L表示左侧呼吸信号的平均幅值，F_R表示右侧呼吸信号的平均幅值，将左右胸部电阻抗呼吸信号平均幅值的差值（F_L+F_R）作为第四参考特征值，记做F₂；

步骤S16：S_L表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，S_R表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右胸部电阻抗呼吸信号积分累加值的差值（S_L-S_R）作为第五参考特征值，记做S₁；

步骤S17：S_L表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，S_R表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右胸部电阻抗呼吸信号积分累加值的和值（S_L+S_R）作为第六参考特征值，记做S₂；

如图4所示，是本发明所述的一对一法支持向量机分类法的方法流程图。

支持向量机（Support Vector Machine）,简称SVM。它是一种极为高效的用于解决各种分类和回归问题的技术。SVM的中心思想是建立一个高维超平面作为决策面,从而让各类样本点的间隔边沿达到最大程度。它追求的不仅仅是得到一个能将各类样本分开的分类面，而是要得到一个最优的分类面。

支持向量机是一个二类分类算法，即它只能把数据分成两类。但由于在综合评价的过程中级别一般都超过两类，需要优化的分类器来解决支持向量机的多级别分类问题，因此一对一法支持向量机用来解决多分类问题越来越受到认可。

在本实施例中，本发明提供的方法在获得6个参考特征值之后，采用一对一支持向量机分类法对每两种睡眠姿势间进行判断识别，最后得到综合的分类识别结果。

具体地，所述步骤S2包括如下操作步骤：

步骤S21：根据所述的一对一法多分类算法分类器用于对睡眠姿势进行分类，其做法是在任意两种姿势的样本之间设计一个SVM，k种类别的样本就需要设计k(k-1)/2个SVM，因此本实验需设计6个SVM；

步骤S22：将左侧卧类别记做A，右侧卧类别记做B，仰卧类别记做C，俯卧类别记做D，6个SVM分别记为(A, B)-classifier，(A, C)-classifier，(A, D)-classifier，(B, C)-classifier，(B, D)-classifier，(C, D)-classifier；

步骤S23：用特征值M₁作为(A, B)-classifier的分类参考特征值，当M₁大于第一阈值TR₁，则结果判断为A，那么A=A+1，否则B=B+1；

步骤S24：用特征值F₁作为(A, C)-classifier的分类参考特征值，当F₁大于第二阈值TR₂，则结果判断为A，那么A=A+1，否则C=C+1；

步骤S25：用特征值S₁作为(A, D)-classifier的分类参考特征值，当S₁大于第三阈值TR₃，则结果判断为A，那么A=A+1，否则D=D+1；

步骤S26：用特征值F₂作为(B, C)-classifier的分类参考特征值，当F₂大于第四阈值TR₄，则结果判断为B，那么B=B+1，否则C=C+1；

步骤S27：用特征值S₂作为(B, D)-classifier的分类参考特征值，当S₂大于第五阈值TR₅，则结果判断为B，那么B=B+1，否则D=D+1；

步骤S28：用特征值M₂作为(C, D)-classifier的分类参考特征值，当M₂大于第六阈值TR₆，则结果判断为C，那么C=C+1，否则D=D+1；

步骤S29：根据所述的6个SVM下的判断结果，进行投票，选择票数最多的A、B、C、D作为左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势的判断结果。 

在本实施例中，通过一对一法支持向量机分类法，结合相应的参考特征值，实现对受试者的左侧卧、右侧卧、仰卧及俯卧四种不同睡眠姿势的识别。

具体实施时，本实施例可采用如图2所示的睡眠监测仪以及与其连接的多个电极对受试者进行测试。其中，所述电极包括用于对左右两侧胸部输入激励电流的激励电极，以及用于采集左右两侧胸部的电压幅值的测量电极。

本发明所述的利用SVM分类器的睡眠姿势多分类识别方法，通过提取左侧胸部的电阻抗呼吸信号与右侧胸部的电阻抗呼吸信号的参考特征值，根据所述参考特征值，采用一对一法支持向量机分类法，对所述受试者的四种睡眠姿势进行一一识别。该方法简单易行，抗干扰效果好，能定量准确地采集测量数据，可有效减少监测仪器的使用数量，操作简单，能够快速准确地实现对受试者的四种主要睡眠姿势的识别，提醒患者以正确的姿势睡眠，并对疾病患者的治疗提供了辅助参考信息。

本发明是通过实施例来描述的，但并不对本发明构成限制，参照本发明的描述，所公开的实施例的其他变化，如对于本领域的专业人士是容易想到的，这样的变化应该属于本发明权利要求限定的范围之内。

Claims (5)

1.一种利用SVM分类器的睡眠姿势多分类识别方法，其特征在于包括如下步骤：

S1：采集受试者左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠姿势下的识别特征值；

S2：构建一对一法支持向量机（1-v-1 SVMs）多分类算法分类器；

S3：将训练样本输入SVM分类器进行训练，得到可用于识别四种睡眠姿势的分类模型，实现多分类的功能；

S4：将分类模型用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势进行识别。

2.根据权利要求1所述利用SVM分类器的睡眠姿势多分类识别方法，其特征在于上述步骤S1的具体操作方法如下：

S11：利用生物电阻抗技术同时采集左侧胸部和右侧胸部两通道的呼吸信号，从呼吸信号提取参考特征值；

S12：计算出当前时刻k的左侧胸部的电阻抗均值Z_L与右侧胸部的电阻抗均值Z_R之差（Z_L-Z_R），将差值（Z_L-Z_R）作为第一参考特征值，记做M₁；

S13：计算出当前时刻k的左侧胸部的电阻抗均值Z_L与右侧胸部的电阻抗均值Z_R之和（Z_L+Z_R），将差值（Z_L+Z_R）作为第二参考特征值，记做M₂；

S14：F_L表示左侧呼吸信号的平均幅值，F_R表示右侧呼吸信号的平均幅值，将左右胸部电阻抗呼吸信号平均幅值的差值（F_L-F_R）作为第三参考特征值，记做F₁；

S15：F_L表示左侧呼吸信号的平均幅值，F_R表示右侧呼吸信号的平均幅值，将左右胸部电阻抗呼吸信号平均幅值的差值（F_L+F_R）作为第四参考特征值，记做F₂；

S16：S_L表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，S_R表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右胸部电阻抗呼吸信号积分累加值的差值（S_L-S_R）作为第五参考特征值，记做S₁；

S17：S_L表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，S_R表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右胸部电阻抗呼吸信号积分累加值的和值（S_L+S_R）作为第六参考特征值，记做S₂。

3.根据权利要求1所述利用SVM分类器的睡眠姿势多分类识别方法，其特征在于上述步骤S2的具体操作方法如下：

S21：根据所述的一对一法多分类算法分类器用于对睡眠姿势进行分类，其做法是在任意两种姿势的样本之间设计一个SVM， k种类别的样本就需要设计k(k-1)/2个SVM，因此本实验需设计6个SVM；

S22：将左侧卧类别记做A，右侧卧类别记做B，仰卧类别记做C，俯卧类别记做D，6个SVM分别记为(A, B)-classifier，(A, C)-classifier，(A, D)-classifier，(B, C)-classifier，(B, D)-classifier，(C, D)-classifier。

4.根据权利要求3所述利用SVM分类器的睡眠姿势多分类识别方法，其特征在于上述步骤S2还包括如下操作方法：

S23：用特征值M₁作为(A, B)-classifier的分类参考特征值，当M₁大于第一阈值TR₁，则结果判断为A，那么A=A+1，否则B=B+1； 

S24：用特征值F₁作为(A, C)-classifier的分类参考特征值，当F₁大于第二阈值TR₂，则结果判断为A，那么A=A+1，否则C=C+1；

S25：用特征值S₁作为(A, D)-classifier的分类参考特征值，当S₁大于第三阈值TR₃，则结果判断为A，那么A=A+1，否则D=D+1；

S26：用特征值F₂作为(B, C)-classifier的分类参考特征值，当F₂大于第四阈值TR₄，则结果判断为B，那么B=B+1，否则C=C+1；

S27：用特征值S₂作为(B, D)-classifier的分类参考特征值，当S₂大于第五阈值TR₅，则结果判断为B，那么B=B+1，否则D=D+1；

S28：用特征值M₂作为(C, D)-classifier的分类参考特征值，当M₂大于第六阈值TR₆，则结果判断为C，那么C=C+1，否则D=D+1。

5.根据权利要求4所述利用SVM分类器的睡眠姿势多分类识别方法，其特征在于上述步骤S2还包括如下操作方法：

S29：根据所述的6个SVM下的判断结果，进行投票，选择票数最多的A、B、C、D作为左侧卧、右侧卧、仰卧、俯卧四种睡眠姿势的判断结果。