CN108771533A - 一种面向中风预测的睡眠数据分析方法 - Google Patents

一种面向中风预测的睡眠数据分析方法 Download PDF

Info

Publication number
CN108771533A
CN108771533A CN201810708343.1A CN201810708343A CN108771533A CN 108771533 A CN108771533 A CN 108771533A CN 201810708343 A CN201810708343 A CN 201810708343A CN 108771533 A CN108771533 A CN 108771533A
Authority
CN
China
Prior art keywords
sleep
participant
indicate
dormant data
class
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810708343.1A
Other languages
English (en)
Inventor
王柱
於志文
谢佳
郭斌
周兴社
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201810708343.1A priority Critical patent/CN108771533A/zh
Publication of CN108771533A publication Critical patent/CN108771533A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Abstract

本发明一种面向中风预测的睡眠数据分析方法，其主要通过分析参与者睡眠周期和睡眠阶段中，睡眠时间，睡眠效率，浅度睡眠，深度睡眠等的变化来尽早发现中风潜在风险，同时在使用常用预测模型得到预测结果后，运用相似性原理对该结果进行进一步处理，以减少漏报率，同时将误报率控制在可以接受的范围。与现有的技术相比较，通过便捷和非侵入式方式获取参与者连续长时间睡眠数据，结合部分已知临床生理数据，能够更为准确预测参与者患有中风的风险。同时本方法通过计算参与者与已中风和未中风人群的相似性，能够提高已有预测模型的准确率。

Description

一种面向中风预测的睡眠数据分析方法
技术领域
本发明涉及中风疾病预测领域，尤其涉及面向中风预测的睡眠 数据分析方法。
背景技术
“中风”又叫“脑卒中”。临床主要指脑出血、脑血栓等。其发病 率、致残率、死亡率在世界范围都居前列,是严重危害人民健康的一 组疾病。以相关特征来客观评估中风风险,用以提前识别高危人群,是 中风预防的重要手段,从而能使重点预防的目标人群更为集中,有助于 促进公共卫生资源的合理应用,对于降低中风发病率和死亡率具有非 常重要的意义。尽管国内外已经建立了心血管病或中风的预测模型, 但大多数预测特征，主要基于传统的临床因素,这其中主要包括：心 电图，脑电图等，但是此类方式都有着各自的弊端。例如，心电图用 户去佩戴多个专业传感器设备由专业人员辅助来获得数据，脑电图需要专业人员使用较为昂贵的医疗设备才能获得。目前，已经证实睡眠 障碍可引起中风。同时，睡眠障碍是中风的一种并发症。在睡眠障碍 中，失眠症在中风患者中的发病率接近57％，其中38％人报告失眠 是中风的先兆。而睡眠超过9小时会增加心血管疾病的风险，在中风 人群中，高达27％的患者会患上失眠。在现实生活中，睡眠数据可以 很方便的从智能手环或智能手表中，从而便于个人了解自身健康状 况。
发明内容
针对现有中风预测系统不能够从人们日常生活中，长时间、同 时更为便捷提取特征的局限性，本发明提出了一种面向中风预测的睡 眠数据分析方法。
本发明采用以下技术方案为：
一种面向中风预测的睡眠数据分析方法，包括以下步骤：
步骤1：获取参与者人口统计和临床部分历史数据，使用经临床医学 知识选取参与者个人特征；
步骤2：通过智能设备，获得参与者长时间连续睡眠数据，构建参与 者个体的睡眠数据模型；
步骤3：针对步骤2中筛选到的睡眠数据，提取参与者个体的睡眠特 征；
步骤4：针对步骤3中建立的特征表达模型，选择合适的特征选择算 法，挑选出有效的预测特征；
步骤5：针对步骤4中计算得到的特征模型，训练支持向量机预测模 型，设定初始阈值，从而得到初步分类结果；
步骤6：计算参与者和已近中风群体，从未中风群体之间的相似性， 更新步骤5中的阈值，得到精确的相似性结果。
进一步地，一种面向中风预测的睡眠数据分析方法，步骤2中 构建参与者个体的睡眠数据模型：
SleepSeries＝<sleepcycle1,sleepcycle2,…,sleepcyclen>
sleepcyclei＝<stage0i,stage1i,stage2i,stage3i,stage4i,stage5i>，
其中，SleepSeries表示整晚睡眠序列；sleepcyclei表示第i个睡 眠周期；stage0i表示第i个周期的觉醒期；stage1i和stage2i表示第i 个周期浅睡期；stage3i表示第i个周期熟睡期；stage4i表示第i个周 期深睡期；stage5i表示第i个周期快速眼动期。
进一步地，一种面向中风预测的睡眠数据分析方法，步骤3中 所述参与者的睡眠特征包括：睡眠时间，睡眠效率，浅睡期睡眠趋势， 深睡期睡眠趋势；所述参与者的睡眠特征表达模型为：
TotalSleepTime＝SleepTimeCycle1+…+SleepTimeCyclen
StageDeep1＝(TimeStage3n+TimeStage4n)-(Timestage31+TimeStage41)
StageDeep2＝(TimeStage33+TimeStage43)-(Timestage31+TimeStage41)
StageDeep3＝(TimeStage32+TimeStage42)-(Timestage31+TimeStage41)
其中，TotalSleepTime表示整晚睡眠时间；SleepTimeCyclei表示 第i个周期的睡眠时间；SleepEff表示整晚睡眠效率；AllTimeStage0 表示整晚觉醒期睡眠时间；WakeEff表示整晚觉醒率；StageDeepi表 示第i个熟睡和深度睡眠的趋势；TimeStage3i表示第i个周期中熟睡 阶段的睡眠时间；TimeStage4i表示第i个周期中深度睡眠阶段的睡眠 时间。
进一步地，一种面向中风预测的睡眠数据分析方法，步骤4中 选择有价值特征，是通过计算步骤3中睡眠特征的信息增益，表示为： InfoGain(Class,Attribute)＝H(Class)-H(Class|Attribute) 其中，InfoGain(Class,Attribute)表示特征Attriute对于类别Class的信 息增益，H(Class)表示类别Class的信息熵，H(Class|Attribute)表示 特征Attribute对于类别Class的信息熵。
进一步地，一种面向中风预测的睡眠数据分析方法，所述步骤 5采用支持向量机模型Support Vector Machine(SVM)通过结合参与者 临床医学特征和睡眠特征，设定初始阈值，初步将参与者进行分类。
进一步地，一种面向中风预测的睡眠数据分析方法，所述步骤 6通过余弦相似度计算参与者和已经患有中风和健康人群之间的余弦 相似距离，同时结合步骤5中得到的分类结果，如果参与者与患有中 风人群更为接近，则降低判别阈值；所述余弦相似度为：
其中，cosθ表示两个样本之间的余弦距离，表示样本i特征， 表示样本i和样本j之间的内积，表示样本i的长度。
本发明的有益效果为：其主要通过分析参与者睡眠周期和睡眠 阶段中，睡眠时间，睡眠效率，浅度睡眠，深度睡眠等的变化来尽早 发现中风潜在风险，同时在使用常用预测模型得到预测结果后，运用 相似性原理对该结果进行进一步处理，以减少漏报率，同时将误报率 控制在可以接受的范围。与现有的技术相比较，通过便捷和非侵入式 方式获取参与者连续长时间睡眠数据，结合部分已知临床生理数据， 能够更为准确预测参与者患有中风的风险。同时本方法通过计算参与 者与已中风和未中风人群的相似性，能够提高已有预测模型的准确 率。
附图说明
图1为本发明一种面向中风预测的睡眠数据分析方法的流程 图；
图2为从智能手表得到的参与者的睡眠结构图。
具体实施方式
下面结合附图来进一步描述本发明的技术方案。
本发明共有2幅附图，请参阅图1所示，本发明一种面向中风 预测的睡眠数据分析方法具体过程为：
步骤1：从参与者以往的电子病历和填写的问卷调查中获得参与 者：年龄，性别，舒张压，收缩压，高血压，总胆固醇，高密度胆固 醇等。
步骤2：通过智能设备获取参与者整晚睡眠生物节律数据，大 约在90至100分钟经历一个睡眠周期，在一个睡眠周期内包含5个 不同阶段：觉醒期、浅睡期、熟睡期、深睡期、快速动眼期。构建参 与者个体的睡眠数据模型，表示为公式(1)
用0表示stage0，用1表示stage1，用2表示stage2，用3表示stage3， 用4表示stage4，用5表示stage5，睡眠结构效果图如图2所示。
步骤3：步骤2中建立的参与者睡眠数据，计算出包括：睡眠 时间，睡眠效率，浅睡期睡眠趋势，深睡期睡眠趋势。
其中，TotalSleepTime表示整晚睡眠时间；SleepTimeCyclei表示第i个 周期的睡眠时间；SleepEff表示整晚睡眠效率；AllTimeStage0表示整 晚觉醒期睡眠时间；WakeEff表示整晚觉醒率；StageDeepi表示第i 个熟睡和深度睡眠的趋势；TimeStage3i表示第i个周期中熟睡阶段的 睡眠时间；TimeStage4i表示第i个周期中深度睡眠阶段的睡眠时间。
步骤4：针对步骤3中得到的睡眠特征，通过计算特征的信 息增益，表示为公式(3)，选出有价值特征：
InfoGain(Class,Attribute)＝H(Class)-H(Class|Attribute) (3)
其中，InfoGain(Class,Attribute)表示特征Attriute对于类别Class的信 息增益，H(Class)表示类别Class的信息熵，H(Class|Attribute)表示 特征Attribute对于类别Class的信息熵。
步骤5：采用支持向量机模型Support Vector Machine(SVM) 通过结合参与者临床医学特征和睡眠特征，判断参与者将来是否会患 有中风。
步骤6：通过余弦相似度计算参与者和已经患有中风和健康人 群之间的余弦相似距离，同时结合步骤5中得到的分类结果，如果参 与者与患有中风人群更为接近，则降低判别阈值，以此来最终判断参 与者是否会将会患有中风，表示公式为(4)
其中，cosθ表示两个样本之间的余弦距离，表示样本i特征， 表示样本i和样本j之间的内积，表示样本i的长度。
本发明为运用睡眠相关数据进行中风预测的方法，通过分析参 与者睡眠周期和睡眠阶段中，睡眠时间，睡眠效率，浅度睡眠，深度 睡眠等的变化，结合参与者部分临床医学信息，通过计算特征的信息 增益选出有价值特征，以便尽早发现中风潜在风险；构建支持向量机 模型分类器，同时在得到预测结果后，运用相似性原理对该结果进行 进一步处理，以减少漏报率。
以上所述仅为本发明的较佳实施例，对于发明而言仅仅是说明 性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定 的精神和范围内可对其进行许多改变、修改等，但都将落入本发明的 保护范围内。

Claims (6)

1.一种面向中风预测的睡眠数据分析方法，包括以下步骤：
步骤1：获取参与者人口统计和临床部分历史数据，使用经临床医学知识选取参与者个人特征；
步骤2：通过智能设备，获得参与者长时间连续睡眠数据，构建参与者个体的睡眠数据模型；
步骤3：针对步骤2中筛选到的睡眠数据，提取参与者个体的睡眠特征；
步骤4：针对步骤3中建立的特征表达模型，选择合适的特征选择算法，挑选出有效的预测特征；
步骤5：针对步骤4中计算得到的特征模型，训练支持向量机预测模型，设定初始阈值，从而得到初步分类结果；
步骤6：计算参与者和已近中风群体，从未中风群体之间的相似性，更新步骤5中的阈值，得到精确的相似性结果。
2.根据权利要求1所述的一种面向中风预测的睡眠数据分析方法，其特征在于：所述步骤2中构建参与者个体的睡眠数据模型：
SleepSeries＝<sleepcycle1,sleepcycle2,…,sleepcyclen>
sleepcyclei＝<stage0i,stage1i,stage2i,stage3i,stage4i,stage5i>
其中，SleepSeries表示整晚睡眠序列；sleepcyclei表示第i个睡眠周期；stage0i表示第i个周期的觉醒期；stage1i和stage2i表示第i个周期浅睡期；stage3i表示第i个周期熟睡期；stage4i表示第i个周期深睡期；stage5i表示第i个周期快速眼动期。
3.根据权利要求1所述的一种面向中风预测的睡眠数据分析方法，其特征在于：步骤3中所述参与者的睡眠特征包括：睡眠时间，睡眠效率，浅睡期睡眠趋势，深睡期睡眠趋势；所述参与者的睡眠特征表达模型为：
TotalSleepTime＝SleepTimeCycle1+…+SleepTimeCyclen
StageDeep1＝(TimeStage3n+TimeStage4n)-(Timestage31+TimeStage41)
StageDeep2＝(TimeStage33+TimeStage43)-(Timestage31+TimeStage41)
StageDeep3＝(TimeStage32+TimeStage42)-(Timestage31+TimeStage41)
其中，TotalSleepTime表示整晚睡眠时间；SleepTimeCyclei表示第i个周期的睡眠时间；SleepEff表示整晚睡眠效率；AllTimeStage0表示整晚觉醒期睡眠时间；WakeEff表示整晚觉醒率；StageDeepi表示第i个熟睡和深度睡眠的趋势；TimeStage3i表示第i个周期中熟睡阶段的睡眠时间；TimeStage4i表示第i个周期中深度睡眠阶段的睡眠时间。
4.根据权利要求1所述的一种面向中风预测的睡眠数据分析方法，其特征在于：步骤4中选择有价值特征，通过计算步骤3中睡眠特征的信息增益，表示为：
InfoGain(Class,Attribute)＝H(Class)-H(Class|Attribute)
其中，InfoGain(Class,Attribute)表示特征Attriute对于类别Class的信息增益，H(Class)表示类别Class的信息熵，H(Class|Attribute)表示特征Attribute对于类别Class的信息熵。
5.根据权利要求1所述的一种面向中风预测的睡眠数据分析方法，其特征在于：所述步骤5采用支持向量机模型Support Vector Machine(SVM)通过结合参与者临床医学特征和睡眠特征，设定初始阈值，初步将参与者进行分类。
6.根据权利要求1所述的一种面向中风预测的睡眠数据分析方法，其特征在于：所述步骤6通过余弦相似度计算参与者和已经患有中风和健康人群之间的余弦相似距离，同时结合步骤5中得到的分类结果，如果参与者与患有中风人群更为接近，则降低判别阈值；所述余弦相似度为：
其中，cosθ表示两个样本之间的余弦距离，表示样本i特征，表示样本i和样本j之间的内积，表示样本i的长度。
CN201810708343.1A 2018-07-02 2018-07-02 一种面向中风预测的睡眠数据分析方法 Pending CN108771533A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810708343.1A CN108771533A (zh) 2018-07-02 2018-07-02 一种面向中风预测的睡眠数据分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810708343.1A CN108771533A (zh) 2018-07-02 2018-07-02 一种面向中风预测的睡眠数据分析方法

Publications (1)

Publication Number Publication Date
CN108771533A true CN108771533A (zh) 2018-11-09

Family

ID=64030794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810708343.1A Pending CN108771533A (zh) 2018-07-02 2018-07-02 一种面向中风预测的睡眠数据分析方法

Country Status (1)

Country Link
CN (1) CN108771533A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022070480A1 (ja) * 2020-09-29 2022-04-07 テルモ株式会社 脳血管障害検出装置および脳血管障害検出プログラム
CN116269249A (zh) * 2023-02-14 2023-06-23 国家康复辅具研究中心 一种脑卒中风险预测方法和系统
CN117238478A (zh) * 2023-06-27 2023-12-15 开滦总医院 基于睡眠监测的脑卒中风险预警模型生成方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022070480A1 (ja) * 2020-09-29 2022-04-07 テルモ株式会社 脳血管障害検出装置および脳血管障害検出プログラム
CN116269249A (zh) * 2023-02-14 2023-06-23 国家康复辅具研究中心 一种脑卒中风险预测方法和系统
CN116269249B (zh) * 2023-02-14 2023-11-17 国家康复辅具研究中心 一种脑卒中风险预测方法和系统
CN117238478A (zh) * 2023-06-27 2023-12-15 开滦总医院 基于睡眠监测的脑卒中风险预警模型生成方法

Similar Documents

Publication Publication Date Title
Sk et al. Coronary Heart Disease Prediction and Classification using Hybrid Machine Learning Algorithms
CN108771533A (zh) 一种面向中风预测的睡眠数据分析方法
CN108090509B (zh) 一种数据长度自适应的心电图分类方法
Xiao et al. ULECGNet: An ultra-lightweight end-to-end ECG classification neural network
Liu et al. Survey on atrial fibrillation detection from a single-lead ECG wave for Internet of Medical Things
CN108091391A (zh) 病症评估方法、终端设备及计算机可读介质
Das et al. Frequency analysis of gait signals for detection of neurodegenerative diseases
Sabor et al. Robust arrhythmia classification based on QRS detection and a compact 1D-CNN for wearable ECG devices
Dadiz et al. Detecting depression in videos using uniformed local binary pattern on facial features
Tong et al. Locating abnormal heartbeats in ECG segments based on deep weakly supervised learning
Hajimolahoseini et al. A deep learning approach for diagnosing long QT syndrome without measuring QT interval
CN108305688A (zh) 病症评估方法、终端设备及计算机可读介质
Alshamma et al. Employment of multi-classifier and multi-domain features for PCG recognition
Luo et al. A hierarchical attention-based method for sleep staging using movement and cardiopulmonary signals
Jain et al. An ultra low power ECG signal processor design for cardiovascular disease detection
CN103186701A (zh) 一种饮食习惯分析方法、系统和设备
Al-Hagery Classifiers’ Accuracy Based on Breast Cancer Medical Data and Data Mining Techniques
Yang et al. Sleep apnea and hypopnea events detection based on airflow signals using LSTM network
Chiarugi et al. Predicting the occurrence of acute hypotensive episodes: The PhysioNet Challenge
Liu et al. Ensemble learning-based atrial fibrillation detection from single lead ECG wave for wireless body sensor network
CN113796830A (zh) 一种睡眠信号分期可信度自动评价方法
Ge et al. Detection of pulmonary arterial hypertension associated with congenital heart disease based on time–frequency domain and deep learning features
Li et al. Diagnosis of atrial fibrillation based on lightweight detail-semantic network
Zhou et al. Detection of coronary heart disease based on MFCC characteristics of heart sound
Kopyto et al. AIM in Eating Disorders

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181109

RJ01 Rejection of invention patent application after publication