CN111436904B - 智能化睡眠分期方法、装置及计算机可读存储介质 - Google Patents
智能化睡眠分期方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111436904B CN111436904B CN202010186613.4A CN202010186613A CN111436904B CN 111436904 B CN111436904 B CN 111436904B CN 202010186613 A CN202010186613 A CN 202010186613A CN 111436904 B CN111436904 B CN 111436904B
- Authority
- CN
- China
- Prior art keywords
- data set
- sleep
- physiological index
- preset
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008667 sleep stage Effects 0.000 claims abstract description 67
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000010187 selection method Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 97
- 238000011156 evaluation Methods 0.000 claims description 32
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000000241 respiratory effect Effects 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000008280 blood Substances 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000005086 pumping Methods 0.000 claims 2
- 230000003860 sleep quality Effects 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002618 waking effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 208000010340 Sleep Deprivation Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种智能化睡眠分期方法、装置、电子设备及计算机可读存储介质。所述方法包括：获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。本发明可以根据用户的睡眠时期的生理指标数据对用户的睡眠质量进行监控。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种智能化睡眠分期方法、装置及计算机可读存储介质。
背景技术
随着经济水平的提高和网络时代的发展，人们的工作压力也与日俱增，进而导致睡眠不足，睡眠质量差等问题，严重影响了工作效率以及长期身心健康。
目前对睡眠质量的监控管理都存在着成本高，复杂度高等问题。
发明内容
本发明提供一种智能化睡眠分期方法、装置及计算机可读存储介质，其主要目的提供一种简易化，低成本化的睡眠质量监控流程。
为实现上述目的，本发明提供的一种智能化睡眠分期方法，包括：
获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
可选地，所述利用预设滤波模型对所述睡眠数据集进行滤波预处理，得到纯睡眠数据集，包括：
根据预设的滤波模型的截止频率阈值X，剔除所述原始睡眠数据集中频率大于所述截止频率阈值X的数据，剔除完成后得到所述纯睡眠数据集。
可选地，所述纯睡眠数据集包括泵血量、平均气息频率、最大的气息频率、呼吸率，以及所述生理指标数据集包括呼吸深度数据及呼吸变异性数据；及
所述利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集，包括：
利用如下计算公式进行计算得到所述呼吸深度数据Rdepth：
其中，lp表示低通滤波器，SV表示所述泵血量，k表示所述平均气息频率，j表示所述最大的气息频率；
利用如下计算公式进行计算得到所述呼吸变异性数据RRV：
RRV＝lp(|RR-lp(RR,j)|,j)
其中，lp表示所述低通滤波器，RR表示所述呼吸率，j表示所述最大的气息频率。
可选地，所述利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集，包括：
步骤A：从所述生理指标数据集中随机选取一个生理指标数据，将所述选取的生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算，得到所述评价函数f(x)的函数值，其中所述集合Y为一个预设的空集；
步骤B：若所述函数值不是所述评价函数f(x)的极大值，则返回步骤A，随机选取另一个生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算；
步骤C：若所述函数值是所述评价函数f(x)的极大值，则将所述生理指标数据放入所述集合Y中，直至对所述生理指标数据集中所有的生理指标数据完成计算，输出所述集合Y，即为所述特征选择数据集。
可选地，所述评价函数f(x)包括：
其中，a为所述集合Y中元素的个数；L为所述生理指标数据集中的元素个数；qi为所述生理指标数据集中随机选取的生理指标数据。
可选地，所述从所述生理指标数据集中随机选取一个生理指标数据，包括：
利用随机函数的方法所述生理指标数据集中随机选取一个生理指标数据：
获取所述生理指标数据集中生理指标数据的个数b；
根据所述生理指标的个数设置所述随机函数的值域为(0，b+1)；
利用所述随机函数产生0至b+1内的随机整数；
根据上述随机整数选取所述生理指标数据集内序号的生理指标数据。
可选地，所述利用预设的睡眠分期划分模型，对所述特征选择数据集进行分类，得到睡眠分期数据，包括：
采用如下睡眠分期函数F(x)对所述特征选择数据集进行进行睡眠分期计算，得到睡眠分期函数值集F(x):
其中，h表示所述征选择数据集中的呼吸深度数据，b表示所述特征选择数据集中的呼吸变异性数据；
利用预设的分段阈值对所述睡眠分期函数值值集F(x)进行划分，得到所述睡眠分期数据集。
为了解决上述问题，本发明还提供一种智能化睡眠分期装置，所述装置包括：
数据预处理模块，用于获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
特征提取模块，用于利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
特征选择模块，用于利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
睡眠分期模块，用于利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有智能化睡眠分期程序，所述智能化睡眠分期程序可被一个或者多个处理器执行，以实现如上所述的智能化睡眠分期方法的步骤。
本发明实施例获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集，使得睡眠质量的评估更加精确。进一步地，本发明实施例利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集，并利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集，使得获取的数据更具代表性，减轻了睡眠评估的计算的压力，并提升了计算速度。再次，本发明实施例利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集，方法简单易行，降低了睡眠质量的监控成本。因此本发明提出的智能化睡眠分期方法、装置及计算机可读存储介质，可以实现以低成本和简单的流程实现对睡眠质量的监控。
附图说明
图1为本发明一实施例提供的智能化睡眠分期方法的流程示意图；
图2为本发明一实施例提供的智能化睡眠分期装置的内部结构示意图；
图3为本发明一实施例提供的智能化睡眠分期装置中智能化睡眠分期程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种智能化睡眠分期方法。参照图1所示，为本发明一实施例提供的智能化睡眠分期方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，智能化睡眠分期方法包括：
S1、获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集。
详细地，本发明可以使用呼吸设备获取所述原始睡眠数据集。所述呼吸设备可以包括，但不限制于，血氧仪等。
本发明实施例中，所述原始睡眠数据集包括，但不限于：泵血量、平均气息频率、最大的气息频率、呼吸率等。
进一步地，本发明实施例中所述滤波模型可以是低通滤波器。
本发明较佳实施例中，所述利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集，包括：
根据预设的滤波模型的截止频率阈值X，剔除所述原始睡眠数据集中频率大于所述截止频率阈值X的数据，剔除完成后得到所述纯睡眠数据集。其中，所述截止频率阈值X可以根据用户的需求而设定。
S2、利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集。
本发明实施例中，所述生理指标数据集包括：呼吸深度数据及呼吸变异性数据等。
本发明实施例利用如下计算公式进行计算得到所述呼吸深度数据：
其中，Rdepth为所述呼吸深度数据，lp表示低通滤波器，SV表示泵血量，k表示平均气息频率，j表示最大的气息频率。
进一步地，本发明实施例利用如下计算公式进行计算得到所述呼吸变异性数据：
RRV＝lp(|RR-lp(RR,j)|,j)
其中，RRV表示所述呼吸变异性，lp表示所述低通滤波器，RR表示呼吸率，j表示最大的气息频率。
本发明实施例利用上述方法计算睡眠阶段不同时期的呼吸深度数据及呼吸变异性数据组合，得到所述生理指标数据集。
S3、利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集。
在本发明实施例中，所述生理指标数据集可表示为Q＝{q1，q2，q3...qn}，其中qn为某一时刻的呼吸深度数据及呼吸变异性数据组合，即qn＝(Rdepthn，RRVn)。
进一步地，本发明实施例采用序列前向选择算法对所述生理指标数据集进行特征选择，包括：
步骤A：从所述生理指标数据集中随机选取一个生理指标数据，将所述选取的生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算，得到所述评价函数f(x)的函数值，其中所述集合Y为一个预设的空集；
步骤B：若所述函数值不是所述评价函数f(x)的极大值，则返回步骤A，随机选取另一个生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算；
步骤C：若所述函数值是所述评价函数f(x)的极大值，则将所述生理指标数据放入所述集合Y中，直至对所述生理指标数据集中所有的生理指标数据完成计算，输出所述集合Y，即为所述特征选择数据集。
详细地，本发明实施例可以利用随机函数方法从所述生理指标数据集中随机选取一个生理指标数据，包括：
获取所述生理指标数据集中生理指标数据的个数b；
根据所述生理指标的个数设置所述随机函数的值域为(0，b+1)；
利用所述随机函数产生0至b+1内的随机整数；
根据上述随机整数选取所述生理指标数据集内相应序号的生理指标数据。
进一步地，所述随机函数可以表达为：
F(x)＝RAND()*(b+1)
其中，b为所述生理指标数据集中的生理指标个数。
详细地，本发明实施例中，所述评价函数f(x)包括：
其中，a为所述集合Y中元素的个数；L为所述生理指标数据集中的元素个数；qi为所述生理指标数据集中随机选取的生理指标数据。
所述评价函数是用于评价所述生理指标数据集中的生理指标数据是否具有有效性的函数。
本发明实施例中，若所述生理指标数据能够使所述评价函数达到极大值，则所述生理指标数据具有有效性，将所述生理指标数据放入所述集合Y中；若所述生理指标数据不能够使所述评价函数达到极大值，则所述生理数据指标不具有有效性，返回所述生理指标数据集重新随机选取生理指标数据进行计算，直至完成对所述生理指标数据集中的所有生理指标数据的计算。
S4、利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
详细地，本发明实施例中所述利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集，包括：
采用睡眠分期函数对所述特征选择数据集进行进行睡眠分期计算，得到睡眠分期函数值集；
利用预设的分段阈值对所述睡眠分期函数值值集进行划分，得到所述睡眠分期数据集。
在本发明实施例可以采用如下睡眠分期函数对所述特征选择数据集进行进行睡眠分期计算，得到睡眠分期函数值值集F(x)：
其中，h表示所述征选择数据集中的呼吸深度数据，b表示所述征选择数据集中的呼吸变异性数据。进一步地，本发明所述所述利用预设的分段阈值对所述睡眠分期函数值值集进行划分，得到所述睡眠分期数据集，包括：
获取所述睡眠分期函数值集中最大的元素p，所述预设阈值可以设置为p/3和2p/3；
利用所述预设阈值对所述睡眠分期函数值进行划分，当所述睡眠分期函数值小于或等于p/3时，将所述睡眠分期函数值划分为清醒期；
当所述睡眠分期函数值大于p/3小于2p/3时，将所述睡眠分期函数值划分为潜睡期；
当所述睡眠分期函数值大于或等于2p/3时，将所述睡眠分期函数值划分为深睡期。
当划分完成时，得到所述睡眠分期数据集。
根据本发明实施例得到的睡眠分期数据集，当其中的深睡期时间越长，代表用户睡眠质量好，清醒期或者潜睡期时间越长，则代表用户睡眠质量差，因此利用本发明可以实现用户睡眠质量的有效监控。
如图2所示，是本发明智能化睡眠分期装置的功能模块图。
本发明所述智能化睡眠分期装置100可以安装于电子设备中。根据实现的功能，所述智能化睡眠分期装置可以包括数据预处理模块101、特征提取模块102、特征选择模块103和睡眠分期模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据预处理模块101，用于获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
所述特征提取模块102，用于利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
所述特征选择模块103，用于利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
所述睡眠分期模块104，用于利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
详细地，所述智能化睡眠分期装置各模块在被一个电子设备的处理器所运行时，具体实施步骤如下：
所述数据预处理模块101获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集。
详细地，本发明可以使用呼吸设备获取所述原始睡眠数据集。所述呼吸设备可以包括，但不限制于，血氧仪等。
本发明实施例中，所述原始睡眠数据集包括，但不限于：泵血量、平均气息频率、最大的气息频率、呼吸率等。
进一步地，本发明实施例中所述滤波模型可以是低通滤波器。
本发明较佳实施例中，所述利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集，包括：
根据预设的滤波模型的截止频率阈值X，剔除所述原始睡眠数据集中频率大于所述截止频率阈值X的数据，剔除完成后得到所述纯睡眠数据集。其中，所述截止频率阈值X可以根据用户的需求而设定。所述特征提取模块102利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集。
本发明实施例中，所述生理指标数据集包括：呼吸深度数据及呼吸变异性数据等。
本发明实施例利用如下计算公式进行计算得到所述呼吸深度数据：
其中，Rdepth为所述呼吸深度数据，lp表示低通滤波器，SV表示泵血量，k表示平均气息频率，j表示最大的气息频率。
进一步地，本发明实施例利用如下计算公式进行计算得到所述呼吸变异性数据：
RRV＝lp(|RR-lp(RR,j)|,j)
其中，RRV表示所述呼吸变异性，lp表示所述低通滤波器，RR表示呼吸率，j表示最大的气息频率。
本发明实施例利用上述方法计算睡眠阶段不同时期的呼吸深度数据及呼吸变异性数据组合，得到所述生理指标数据集。所述特征选择模块103利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集。
在本发明实施例中，所述生理指标数据集可表示为Q＝{q1，q2，q3...qn}，其中qn为某一时刻的呼吸深度数据及呼吸变异性数据组合，即qn＝(Rdepthn，RRVn)。
进一步地，本发明实施例采用序列前向选择算法对所述生理指标数据集进行特征选择，包括步骤A：从所述生理指标数据集中随机选取一个生理指标数据，将所述选取的生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算，得到所述评价函数f(x)的函数值，其中所述集合Y为一个预设的空集；
步骤B：若所述函数值不是所述评价函数f(x)的极大值，则返回步骤A，随机选取另一个生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算；
步骤C：若所述函数值是所述评价函数f(x)的极大值，则将所述生理指标数据放入所述集合Y中，直至对所述生理指标数据集中所有的生理指标数据完成计算，输出所述集合Y，即为所述特征选择数据集。
详细地，本发明实施例可以利用随机函数方法从所述生理指标数据集中随机选取一个生理指标数据，包括：
获取所述生理指标数据集中生理指标数据的个数b；
根据所述生理指标的个数设置所述随机函数的值域为(0，b+1)；
利用所述随机函数产生0至b+1内的随机整数；
根据上述随机整数选取所述生理指标数据集内相应序号的生理指标数据。
进一步地，所述随机函数可以表达为：
F(x)＝RAND()*(b+1)
其中，b为所述生理指标数据集中的生理指标个数。
详细地，本发明实施例中，所述评价函数f(x)包括：
其中，a为所述集合Y中元素的个数；L为所述生理指标数据集中的元素个数；qi为所述生理指标数据集中随机选取的生理指标数据。
所述评价函数是用于评价所述生理指标数据集中的生理指标数据是否具有有效性的函数。
本发明实施例中，若所述生理指标数据能够使所述评价函数达到极大值，则所述生理指标数据具有有效性，将所述生理指标数据放入所述集合Y中；若所述生理指标数据不能够使所述评价函数达到极大值，则所述生理数据指标不具有有效性，返回所述生理指标数据集重新随机选取生理指标数据进行计算，直至完成对所述生理指标数据集中的所有生理指标数据的计算。
睡眠分期模块104利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
详细地，本发明实施例中所述利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集，包括：
采用睡眠分期函数对所述特征选择数据集进行进行睡眠分期计算，得到睡眠分期函数值集；
利用预设的分段阈值对所述睡眠分期函数值值集进行划分，得到所述睡眠分期数据集。
在本发明实施例可以采用如下睡眠分期函数对所述特征选择数据集进行进行睡眠分期计算，得到睡眠分期函数值值集F(x)：
其中，h表示所述征选择数据集中的呼吸深度数据，b表示所述征选择数据集中的呼吸变异性数据。
进一步地，本发明所述所述利用预设的分段阈值对所述睡眠分期函数值值集进行划分，得到所述睡眠分期数据集，包括：
获取所述睡眠分期函数值集中最大的元素p，所述预设阈值可以为p/3和2p/3；
利用所述预设阈值对所述睡眠分期函数值进行划分，当所述睡眠分期函数值小于或等于p/3时，将所述睡眠分期函数值划分为清醒期；
当所述睡眠分期函数值大于p/3小于2p/3时，将所述睡眠分期函数值划分为潜睡期；
当所述睡眠分期函数值大于或等于2p/3时，将所述睡眠分期函数值划分为深睡期。
当划分完成时，得到所述睡眠分期数据集。
根据本发明实施例得到的睡眠分期数据集，当其中的深睡期时间越长，代表用户睡眠质量好，清醒期或者潜睡期时间越长，则代表用户睡眠质量差，因此利用本发明可以实现用户睡眠质量的有效监控。
如图3所示，是本发明实现智能化睡眠分期方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如智能化睡眠分期程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如智能化睡眠分期程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行智能化睡眠分期程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的智能化睡眠分期程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种智能化睡眠分期方法，其特征在于，所述方法包括：
获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集，所述纯睡眠数据集包括泵血量、平均气息频率、最大的气息频率、呼吸率；
利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集，所述生理指标数据集包括呼吸深度数据及呼吸变异性数据，所述利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，包括：
利用如下计算公式进行计算得到所述呼吸深度数据：
其中，Rdepth表示所述呼吸深度数据，lp表示低通滤波器，SV表示所述泵血量，k表示所述平均气息频率，j表示所述最大的气息频率；
利用如下计算公式进行计算得到所述呼吸变异性数据：
RRV＝lp(|RR-lp(RR,j)|,j)
其中，RRV表示所述呼吸变异性数据，lp表示所述低通滤波器，RR表示所述呼吸率，j表示所述最大的气息频率；
利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
2.如权利要求1所述的智能化睡眠分期方法，其特征在于，所述利用预设滤波模型对所述睡眠数据集进行滤波预处理，得到纯睡眠数据集，包括：
根据预设的滤波模型的截止频率阈值X，剔除所述原始睡眠数据集中频率大于所述截止频率阈值X的数据，剔除完成后得到所述纯睡眠数据集。
3.如权利要求1所述的智能化睡眠分期方法，其特征在于，所述利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集，包括：
步骤A：从所述生理指标数据集中随机选取一个生理指标数据，将所述选取的生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算，得到所述评价函数f(x)的函数值，其中所述集合Y为一个预设的空集；
步骤B：若所述函数值不是所述评价函数f(x)的极大值，则返回步骤A，随机选取另一个生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算；
步骤C：若所述函数值是所述评价函数f(x)的极大值，则将所述生理指标数据放入所述集合Y中，直至对所述生理指标数据集中所有的生理指标数据完成计算，输出所述集合Y，即为所述特征选择数据集。
4.如权利要求3所述的智能化睡眠分期方法，其特征在于：
所述评价函数f(x)包括：
其中，a为所述集合Y中元素的个数；L为所述生理指标数据集中的元素个数；qi为所述生理指标数据集中随机选取的生理指标数据。
5.如权利要求3所述的智能化睡眠分期方法，其特征在于，所述从所述生理指标数据集中随机选取一个生理指标数据，包括：
获取所述生理指标数据集中生理指标数据的个数b；
根据所述生理指标的个数设置随机函数的值域为(0，b+1)；
利用所述随机函数产生0至b+1内的随机整数；
根据上述随机整数随机选取所述生理指标数据集内相应序号的生理指标数据。
6.如权利要求1至5中任意一项所述的智能化睡眠分期方法，其特征在于，所述利用预设的睡眠分期划分模型，对所述特征选择数据集进行分类，得到睡眠分期数据，包括：
采用如下睡眠分期函数F(x)对所述特征选择数据集进行睡眠分期计算，得到睡眠分期函数值集F(x):
其中，h表示所述特征选择数据集中的呼吸深度数据，b表示所述特征选择数据集中的呼吸变异性数据；
利用预设的分段阈值对所述睡眠分期函数值集F(x)进行划分，得到所述睡眠分期数据集。
7.一种智能化睡眠分期装置，其特征在于，所述装置包括：
数据预处理模块，用于获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集，所述纯睡眠数据集包括泵血量、平均气息频率、最大的气息频率、呼吸率；
特征提取模块，用于利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集，所述生理指标数据集包括呼吸深度数据及呼吸变异性数据，所述利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，包括：
利用如下计算公式进行计算得到所述呼吸深度数据：
其中，Rdepth表示所述呼吸深度数据，lp表示低通滤波器，SV表示所述泵血量，k表示所述平均气息频率，j表示所述最大的气息频率；
利用如下计算公式进行计算得到所述呼吸变异性数据：
RRV＝lp(|RR-lp(RR,j)|,j)
其中，RRV表示所述呼吸变异性数据，lp表示所述低通滤波器，RR表示所述呼吸率，j表示所述最大的气息频率；
特征选择模块，用于利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
睡眠分期模块，用于利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的智能化睡眠分期方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有智能化睡眠分期程序，所述智能化睡眠分期程序可被一个或者多个处理器执行，以实现如权利要求1至6中任一项所述的智能化睡眠分期方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010186613.4A CN111436904B (zh) | 2020-03-17 | 2020-03-17 | 智能化睡眠分期方法、装置及计算机可读存储介质 |
| PCT/CN2020/105927 WO2021184641A1 (zh) | 2020-03-17 | 2020-07-30 | 智能化睡眠分期方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010186613.4A CN111436904B (zh) | 2020-03-17 | 2020-03-17 | 智能化睡眠分期方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111436904A CN111436904A (zh) | 2020-07-24 |
| CN111436904B true CN111436904B (zh) | 2022-11-15 |
Family
ID=71627463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010186613.4A Active CN111436904B (zh) | 2020-03-17 | 2020-03-17 | 智能化睡眠分期方法、装置及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111436904B (zh) |
| WO (1) | WO2021184641A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111436904B (zh) * | 2020-03-17 | 2022-11-15 | 深圳赛安特技术服务有限公司 | 智能化睡眠分期方法、装置及计算机可读存储介质 |
| CN113974575B (zh) * | 2021-12-16 | 2023-06-16 | 珠海格力电器股份有限公司 | 睡眠分期方法、装置、电子设备及存储介质 |
| CN115952449A (zh) * | 2023-03-14 | 2023-04-11 | 首都医科大学附属北京同仁医院 | 睡眠阶段监测方法、装置、计算机和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012002720A (ja) * | 2010-06-18 | 2012-01-05 | Oki Electric Ind Co Ltd | 情報処理装置、認識システム、認識方法、及びプログラム |
| CN107562928A (zh) * | 2017-09-15 | 2018-01-09 | 南京大学 | 一种ccmi文本特征选择方法 |
| CN109464130A (zh) * | 2019-01-09 | 2019-03-15 | 浙江强脑科技有限公司 | 睡眠辅助方法、系统及可读存储介质 |
| CN110074765A (zh) * | 2019-04-29 | 2019-08-02 | 中山大学 | 一种sahs筛查及睡眠分期的判别方法 |
| CN110558934A (zh) * | 2019-08-02 | 2019-12-13 | 杭州连帆科技有限公司 | 睡眠质量评估方法、装置、电子设备及介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104970773B (zh) * | 2015-07-21 | 2018-07-06 | 西安交通大学 | 一种基于双重特征筛选的自动睡眠分期方法 |
| US11298074B2 (en) * | 2015-12-08 | 2022-04-12 | Fisher & Paykel Healthcare Limited | Flow-based sleep stage determination |
| CN105615834A (zh) * | 2015-12-22 | 2016-06-01 | 深圳创达云睿智能科技有限公司 | 基于睡眠脑电信号的睡眠分期方法及装置 |
| US11433201B2 (en) * | 2016-02-02 | 2022-09-06 | ResMed Pty Ltd | Methods and apparatus for treating respiratory disorders |
| CN106264499B (zh) * | 2016-08-26 | 2023-04-25 | 中山大学 | 一种量化心肺系统交互作用的分析方法 |
| CN107007278A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院苏州生物医学工程技术研究所 | 基于多参数特征融合的自动睡眠分期方法 |
| CN108742517B (zh) * | 2018-03-27 | 2023-12-29 | 重庆邮电大学 | 一种基于Stacking单导联脑电睡眠自动分期方法 |
| CN109833031B (zh) * | 2019-03-12 | 2020-08-14 | 西安交通大学 | 一种基于lstm利用多生理信号的自动睡眠分期方法 |
| CN111436904B (zh) * | 2020-03-17 | 2022-11-15 | 深圳赛安特技术服务有限公司 | 智能化睡眠分期方法、装置及计算机可读存储介质 |
-
2020
- 2020-03-17 CN CN202010186613.4A patent/CN111436904B/zh active Active
- 2020-07-30 WO PCT/CN2020/105927 patent/WO2021184641A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012002720A (ja) * | 2010-06-18 | 2012-01-05 | Oki Electric Ind Co Ltd | 情報処理装置、認識システム、認識方法、及びプログラム |
| CN107562928A (zh) * | 2017-09-15 | 2018-01-09 | 南京大学 | 一种ccmi文本特征选择方法 |
| CN109464130A (zh) * | 2019-01-09 | 2019-03-15 | 浙江强脑科技有限公司 | 睡眠辅助方法、系统及可读存储介质 |
| CN110074765A (zh) * | 2019-04-29 | 2019-08-02 | 中山大学 | 一种sahs筛查及睡眠分期的判别方法 |
| CN110558934A (zh) * | 2019-08-02 | 2019-12-13 | 杭州连帆科技有限公司 | 睡眠质量评估方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021184641A1 (zh) | 2021-09-23 |
| CN111436904A (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111436904B (zh) | 智能化睡眠分期方法、装置及计算机可读存储介质 | |
| CN112465060A (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
| CN111309825A (zh) | 数据聚类的存储方法、装置及计算机可读存储介质 | |
| CN111915609A (zh) | 病灶检测分析方法、装置、电子设备及计算机存储介质 | |
| CN114819588A (zh) | 基于物联网融合5g的施工风险监测调控系统 | |
| CN113111162A (zh) | 科室推荐方法、装置、电子设备及存储介质 | |
| CN112528909A (zh) | 活体检测方法、装置、电子设备及计算机可读存储介质 | |
| CN112233700A (zh) | 基于音频的用户状态识别方法、装置及存储介质 | |
| CN112115322A (zh) | 用户分群方法、装置、电子设备及存储介质 | |
| CN113707337A (zh) | 基于多源数据的疾病预警方法、装置、设备及存储介质 | |
| CN114781805A (zh) | 基于大数据的护理人员护理技能评估方法、系统及装置 | |
| CN111932595A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
| CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
| CN111985194A (zh) | 数据存储方法、装置、电子设备及存储介质 | |
| CN111814743A (zh) | 笔迹识别方法、装置及计算机可读存储介质 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN112232408B (zh) | 目标推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN113887439A (zh) | 基于图像识别的自动预警方法、装置、设备及存储介质 | |
| CN115409041B (zh) | 一种非结构化数据提取方法、装置、设备及存储介质 | |
| CN116719891A (zh) | 中医信息分组聚类方法、装置、设备及计算机存储介质 | |
| CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN114049676A (zh) | 疲劳状态检测方法、装置、设备及存储介质 | |
| CN113284047A (zh) | 基于多重特征的目标物分割方法、装置、设备及存储介质 | |
| CN113628735A (zh) | 一种基于神经网络的线上预约挂号方法及装置 | |
| CN113239814A (zh) | 基于光流重构的面部表情识别方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210129 Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: Shenzhen saiante Technology Service Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |