CN112617761A - 自适应聚点生成的睡眠阶段分期方法 - Google Patents

Abstract

本发明提供了自适应聚点生成的睡眠阶段分期方法包括如下步骤：包括如下步骤：步骤S1、获取睡眠原始监测数据；步骤S2、数据预处理：去除状态异常数据，并对数据进行统计学分位数处理；步骤S3、特征数据分析，进行特征选取提取；步骤S4、自适应聚类算法寻找睡眠特征的聚点：通过加权聚类算法，提取k个特征属性的聚点Truth^k，并获得聚点距离范围内的误差指标值α^k；步骤S5、构建睡眠分期识别模型：依据聚点Truth^k和误差指标α^k规则识别睡眠状态及睡眠分期阶段；步骤S6、睡眠分期修正：通过初步判断的睡眠分期阶段进行归一化加权评分分析，精准更新睡眠分期阶段。本发明的睡眠分类模型计算运行时间少，算法的准确度高。

Description

自适应聚点生成的睡眠阶段分期方法

技术领域

本发明涉及大数据应用及人工智能技术领域，特别涉及自适应聚点生成的睡眠阶段分期方法。

背景技术

睡眠质量与人类身体的健康息息相关，如今大多数人都存在睡眠问题的困扰，有些是短暂性的，有些是长期性的，整夜低质量的睡眠会对人们精力、心情、健康等各方面产生很大的负面影响。人们开始逐渐关注睡眠质量的问题。长期监控人们整夜的睡眠情况，去知晓睡眠阶段分布和睡眠质量，探索人们长期睡眠质量不好的主要原因，并采取及时有效的改善措施，就显得更加必要了。因此，人们发明便捷式、可穿戴式、无接触式等设备来监测整夜的睡眠状况。目前，在国际通用的R&K(Rechtschaffen&Kales)准则中，睡眠过程主要分为清醒期(aWake，W)、快速眼动期(Rapid EyeMovement，REM)和非快速眼动期(Non-RapidEye Movement，NREM)。在非快速眼动期中，随着人体睡眠状态的由浅入深，又将非快速眼动期分为四个阶段，分别为睡眠Ⅰ期(Stage1，S1)，睡眠Ⅱ期(Stage2，S2)，睡眠III期(Stage3，S3)以及睡眠Ⅳ期(Stage4，S4)。美国睡眠医学学会提出S3和S4期都处在深度睡眠状态，将S3和S4期合并为慢波睡眠期(Slow wave Sleep，SS)。睡眠分期对于睡眠质量评估具有重要价值，只要能基于设备监测的睡眠数据进行分期，就可以实现家庭和日常生活状态下的睡眠质量监测和评估。

1932年以来相继引入傅里叶变换、频域分析等对睡眠脑电图进行了研究，因为脑电本身具有随机性和非平稳性质，近几年非线性系统分析理论也被迅速运用到了睡眠分期中。一些研究人员已经采用复杂度、熵值、奇异谱分析、独立成分分析等方法来区分不同的睡眠时相。睡眠脑电的自动分期经过分析在不同睡眠时期下脑电的变化趋势来划分人的睡眠结构，在这个过程中，提取信号的特征和模式识别是实现准确分期的关键环节。通过提取信号的特征和模式识别不同睡眠分期，大多数研究方法主要集中在监督学习算法，例如常见的神经网络、隐马尔可夫模型等用于对睡眠状态的脑电信号进行建模和分析以及支持向量机也经常被用来实现睡眠阶段的自动分类。其中，分析睡眠阶段的心率的变异性，从心率时间间期序列中提取时域、频域和非线性等86个特征，将多导睡眠图仪的三分类结果(醒、快速眼动期、非快速眼动期)作为“金标准”，并采用支持向量机作为多分类器模型，并实验论证了具有较高的准确性，大样本人群测试结果表明该模型具有较好的普适性。然而，脑电等生物电信号存在复杂差异性，一方面表现在不同个体，另一方面也受到记录环境和记录条件的影响。然监督学习算法的分类性能主要取决于训练过程以及训练样本，对特定范围内的数据集会有较好的分类效果，难以适应实际应用中各种不同睡眠数据。而无监督方法不需要对样本进行训练，是根据样本的原始信息来完成分类的。运用无监督方法来解决不同睡眠阶段的分类判别问题是值得研究的方向，也具备实际应用价值。

现有分类模型召回率、精确率两个指标均较低，分类效果有限。另外，算法的运行时间长，算法效率低。

发明内容

本发明提供了自适应聚点生成的睡眠阶段分期方法，解决现有技术中睡眠分类模型计算运行时间多和算法的准确度低的技术问题。

为了达到上述目的，本发明提供的自适应聚点生成的睡眠阶段分期方法，包括如下步骤：

步骤S1、获取睡眠原始监测数据：通过生命体征参数测量设备，获取生命体征参数；

步骤S2、数据预处理：去除状态异常数据，并对数据进行统计学分位数处理；

步骤S3、特征数据分析，进行特征选取提取：提取睡眠各阶段各指标样本数据，通过分析各阶段的差异，选择能表征睡眠阶段的特征属性；

步骤S4、自适应聚类算法寻找睡眠特征的聚点：通过加权聚类算法，提取特征属性的聚点Truth^k，并获得聚点距离范围内的误差指标值α^k；

步骤S5、构建睡眠分期识别模型：依据聚点Truth^k和误差指标α^k规则识别睡眠状态及睡眠分期阶段；

步骤S6、睡眠分期修正：通过初步判断的睡眠分期阶段进行归一化加权评分分析，精准更新睡眠分期阶段。

优选地，所述步骤S1中所述生命体征参数测量设备为非接触式生命体征监护雷达设备，所述生命体征参数包括设备与人体之间的检测距离、呼吸率、心率、设备返回信号强度大小、人体异常状态、体动状态和设备所检测数据时间。

优选地，所述步骤S2包括如下步骤：

步骤S21、去除状态异常数据：去除状态识别为“小动作”、“持续动作”、“平静”、“安静”、“呼吸骤停”或“跌倒”的情况，且在状态开始至结束的一分钟内所产生的数据将作为噪声不考虑计算；

步骤S22、对去除状态异常数据之后的数据进行统计学分位数处理：使用统计学中分位数处理方法，将所有数值由小到大排列并分成十等份，取中间第二等份至第九等份数据作为重要参考数据。

优选地，所述步骤S3具体为：根据睡眠各阶段不同特征样本数据，绘制各阶段不同特征曲线走势图，通过分析各阶段的差异选择能表征睡眠阶段的特征属性，所述能表征睡眠阶段的特征属性包括设备与人体之间的检测距离、呼吸率、心率、设备返回信号强度大小。

优选地，所述步骤S4具体包括如下步骤：

步骤S41、确定聚点真值估计值公式：

聚点真值估计值表示为：

其中x_i表示第i数据源(设备每秒上传的数据)所提供的观测值，w_s表示数据源的权重，s表示数据源；

步骤S42、确定数据源权值分配模型：

步骤S43、确定加权聚类算法流程；具体为：根据数据源提供的观测值，初始化聚点真值，并通过损失函数及对数标准化函数引入权重，更新聚点真值；

步骤S44、确定聚点范围内的误差指标值α^k：

式中，

表示第k个特征属性的第i个数据源所提供的观测值，i表示聚合x的个数，k表示特征属性，Std(·)表示标准差。

优选地，所述步骤S42具体为：每个睡眠时间点的每个属性值x的权重w：

score＝|x-max(x)|/std(x)

其中θ＝0.00001

其中，std(x)为属性值x的标准差，max(x)为属性值x的最大值，score为获取权重的中间参数，∑score为所有属性值x的中间参数之和，max(score)为所有属性值x的中间参数中的最大值；

所述步骤S43具体为：使用加权平均函数WeightedMedian，计算出单个特征属性下，每个属性值x的权重w的聚类结果聚点值Truth:

Truth＝WeightedMedian(x,w)

每个属性值x数据对应一个权重，从属性值x数据开始点累加，直到到达数据总和的1/2，则该属性值x数据点选为这个训练数据集合的聚点值Truth。

优选地，所述步骤S5包括如下步骤：

步骤S51、睡眠状态识别：以1秒时间周期为窗口，依据Truth^k和α^k规则判断时间戳ti是“睡眠”或“非睡眠”状态：

式中，

表示时间戳在ti时刻的属性值；

步骤S52、睡眠分期阶段识别：

当状态为“睡眠”，且T时间周期内出现次数大于等于τ₁时，判断睡眠分期阶段为“深睡眠”；

当状态为“睡眠”，且T时间周期内出现次数小于τ₁，且大于等于τ₂时，判断睡眠分期阶段为“浅睡眠”；

当状态为“睡眠”，且T时间周期内出现次数小于τ₂，且大于等于τ₃时，判断睡眠分期阶段为“快速眼动”；

当状态为“睡眠”，且T时间周期内出现次数小于τ₃，且大于等于τ₄时，判断睡眠分期阶段为“清醒”；

其中，τ₁，τ₂，τ₃，τ₄均为历史训练经验参数。

优选地，所述步骤S6具体为：提取每一阶段睡眠状态的各特征属性数据

再使用评分函数，计算该睡眠分期阶段下数据睡眠数据评分，根据数据得分重新更新睡眠状态；具体包括如下步骤：

步骤S61、集合

睡眠状态处理得出各状态数据集合

步骤S62、对集合Y^k中四个特征属性值进行归一化处理(k＝[“距离”、“呼吸率”、“心率”、“信号强度”])

步骤S63、对归一化后的四个属性的标准差求和

步骤S61、根据score值调整阈值，对“深睡眠”、“浅睡眠”、“快速眼动”状态进行更新：S₁<S₂<S₃：

当score2小于等于S₁时，更新睡眠分期阶段为“深睡眠”；

当score2大于等于S₁，且小于S₂时，更新睡眠分期阶段为“浅睡眠”；

当score2大于等于S₂，且小于S₃时，更新睡眠分期阶段为“快速眼动”；

其中，S₁，S₂，S₃均为历史训练经验参数。

优选地，还包括如下步骤：

步骤S7、形成完整的睡眠睡觉时间序列线：将得出深睡眠、浅睡眠、快速眼动、清醒的时间周期按时间序列拼接，形成一条完整的睡眠睡觉时间序列线。

采用本发明的自适应聚点生成的睡眠阶段分期方法，通过多数据源可信度的真值发现方法，凭借该方法的快速收敛聚类特性，识别睡眠状态的特征差异，找出各特征的聚点中心。并基于睡眠数据聚点进行睡眠分期阶段识别，将整晚睡眠数据分为清醒、快速眼动、浅睡眠、深睡眠期4个睡眠阶段。本发明的算法具有较高的准确性，大大节省了算法的运行消耗时间，具有高效性。

附图说明

图1为本发明的自适应聚点生成的睡眠阶段分期方法的流程示意图；

图2为本发明的自适应聚点生成的睡眠阶段分期方法的一较佳实施例的睡眠分期阶段识别的框架图；

图3为本发明的自适应聚点生成的睡眠阶段分期方法的效果验证过程中一名受试者的整晚睡眠采用人工专家判读标准的时相序列图；

图4为本发明的自适应聚点生成的睡眠阶段分期方法的效果验证过程中采用本发明的自适应聚点生成的睡眠阶段分期方法算法划分的睡眠分期图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的问题，提供了自适应聚点生成的睡眠阶段分期方法，本发明的主要算法流程如下：首先提取历史记录中已知的整夜完整睡眠数据进行训练得到模型所需的聚点，然后通过真实已知睡眠阶段(睡眠开始、结束时间，深睡眠、浅睡眠、快速眼动、清醒状态时间段等睡眠报告指标)的数据对模型反复验证，从而得到最合理和最精准的聚点参数，最后使用所训练好的聚点和模型对设备上传的24小时睡眠监测数据进行处理，生成一条完整的睡眠阶段分期时间序列。

如图1所示，本发明的自适应聚点生成的睡眠阶段分期方法包括如下步骤：

步骤S1、获取睡眠原始监测数据：通过生命体征参数测量设备，获取生命体征参数；

步骤S2、数据预处理：去除状态异常数据，并对数据进行统计学分位数处理；

步骤S3、特征数据分析，进行特征选取提取：提取睡眠各阶段各指标样本数据，通过分析各阶段的差异，选择能表征睡眠阶段的特征属性；

步骤S4、自适应聚类算法寻找睡眠特征的聚点：通过加权聚类算法，提取k个特征属性的聚点Truth^k，并获得聚点距离范围内的误差指标值α^k；

步骤S5、构建睡眠分期识别模型：依据聚点Truth^k和误差指标α^k规则识别睡眠状态及睡眠分期阶段；

步骤S6、睡眠分期修正：通过初步判断的睡眠分期阶段进行归一化加权评分分析，精准更新睡眠分期阶段；

步骤S7、形成完整的睡眠睡觉时间序列线：将得出深睡眠、浅睡眠、快速眼动、清醒的时间周期按时间序列拼接，形成一条完整的睡眠睡觉时间序列线。

所述步骤S1中所述生命体征参数测量设备为非接触式生命体征监护雷达设备，所述生命体征参数包括设备与人体之间的检测距离、呼吸率、心率、设备返回信号强度大小、人体异常状态、体动状态和设备所检测数据时间。

所述步骤S2包括如下步骤：

步骤S21、去除状态异常数据：去除状态识别为“小动作”、“持续动作”、“平静”、“安静”、“呼吸骤停”或“跌倒”的情况，且在状态开始至结束的一分钟内所产生的数据将作为噪声不考虑计算；

步骤S22、对去除状态异常数据之后的数据进行统计学分位数处理：使用统计学中分位数处理方法，将所有数值由小到大排列并分成十等份，取中间第二等份至第九等份数据作为重要参考数据。

所述步骤S3具体为：根据睡眠各阶段不同特征样本数据，绘制各阶段不同特征曲线走势图，通过分析各阶段的差异选择能表征睡眠阶段的特征属性，所述能表征睡眠阶段的特征属性包括设备与人体之间的检测距离、呼吸率、心率、设备返回信号强度大小。

所述步骤S4具体包括如下步骤：

步骤S41、确定聚点真值估计值公式：

聚点真值估计值表示为：

其中x_i表示第i数据源(设备每秒上传的数据)所提供的观测值，w_s表示数据源的权重，s表示数据源；

步骤S42、确定数据源权值分配模型：具体为：每个睡眠时间点的每个属性值x的权重w：

score＝|x-max(x)|/std(x)

其中θ＝0.00001

其中，std(x)为属性值x的标准差，max(x)为属性值x的最大值，score为获取权重的中间参数，∑score为所有属性值x的中间参数之和，max(score)为所有属性值x的中间参数中的最大值。

步骤S43、确定加权聚类算法流程；具体为：根据数据源提供的观测值，初始化聚点真值，并通过损失函数及对数标准化函数引入权重，更新聚点真值具体为：使用加权平均函数WeightedMedian，计算出单个特征属性下，每个属性值x的权重w的聚类结果聚点值Truth:

Truth＝WeightedMedian(x,w)

每个属性值x数据对应一个权重，从属性值x数据开始点累加，直到到达数据总和的1/2，则该属性值x数据点选为这个训练数据集合的聚点值Truth。

第k个特征属性下，属性值x的权重w的聚类结果聚点值即为Truth^k。

步骤S44、确定聚点范围内的误差指标值α^k：

式中，

表示第k个特征属性的第i个数据源所提供的观测值，i表示聚合x的个数，k表示特征属性，Std(·)表示标准差。

如图2所示，所述步骤S5包括如下步骤：

步骤S51、睡眠状态识别：以1秒时间周期为窗口，依据Truth^k和α^k规则判断时间戳ti是“睡眠”或“非睡眠”状态：

式中，

表示时间戳在ti时刻的属性值；

步骤S52、睡眠分期阶段识别：

当状态为“睡眠”，且T时间周期内出现次数大于等于τ₁时，判断睡眠分期阶段为“深睡眠”；

当状态为“睡眠”，且T时间周期内出现次数小于τ₁，且大于等于τ₂时，判断睡眠分期阶段为“浅睡眠”；

当状态为“睡眠”，且T时间周期内出现次数小于τ₂，且大于等于τ₃时，判断睡眠分期阶段为“快速眼动”；

当状态为“睡眠”，且T时间周期内出现次数小于τ₃，且大于等于τ₄时，判断睡眠分期阶段为“清醒”；

其中，τ₁，τ₂，τ₃，τ₄均为历史训练经验参数。

所述步骤S6具体为：提取每一阶段睡眠状态的各特征属性数据

再使用评分函数，计算该睡眠分期阶段下数据睡眠数据评分，根据数据得分重新更新睡眠状态；具体包括如下步骤：

步骤S61、集合

睡眠状态处理得出各状态数据集合

步骤S62、对集合Y^k中四个特征属性值进行归一化处理(k＝[“距离”、“呼吸率”、“心率”、“信号强度”])

步骤S63、对归一化后的四个属性的标准差求和

步骤S61、根据score值调整阈值，对“深睡眠”、“浅睡眠”、“快速眼动”状态进行更新：S₁<S₂<S₃：

当score2小于等于S₁时，更新睡眠分期阶段为“深睡眠”；

当score2大于等于S₁，且小于S₂时，更新睡眠分期阶段为“浅睡眠”；

当score2大于等于S₂，且小于S₃时，更新睡眠分期阶段为“快速眼动”；

其中，S₁，S₂，S₃均为历史训练经验参数。

采用本发明的自适应聚点生成的睡眠阶段分期方法，通过多数据源可信度的真值发现方法，凭借该方法的快速收敛聚类特性，识别睡眠状态的特征差异，找出各特征的聚点中心。并基于睡眠数据聚点进行睡眠分期阶段识别，将整晚睡眠数据分为清醒、快速眼动、浅睡眠、深睡眠期4个睡眠阶段。本发明的算法具有较高的准确性，大大节省了算法的运行消耗时间，具有高效性。

本发明将整晚睡眠数据划分为清醒(W)、快速眼动(REM)、浅睡眠(LS)、深睡眠(DS)期4个睡眠阶段。采用专家人工判读具体睡眠状态数据段作为训练数据集和校验标准，将整夜睡眠过程中的脑电信号分成每60s一段，分别提取其中的特征参数进行睡眠阶段的本发明提出的方法及对比实验方法分析，并将分类结果和专家的人工判读进行了对比。

表1被试及待训练睡眠阶段统计表

综合5名受试者的睡眠数据，不同数据集的通过无线传感设备所收集的所处的环境产生不同的差异，这些差异性也会影响并体现在睡眠数据中。本发明选取两类数据集进行实验，一类选取一位健康受试者的睡眠数据作为训练数据集，另一类则选取其他5名受试者的睡眠数据作为测试数据集，其各阶段睡眠数据统计结果如表1。

本发明将睡眠过程分为清醒(W)、快速眼动(REM)、浅睡眠(LS)、深睡眠(DS)期4个睡眠阶段，对4个类别分别计算了召回率、精确率两个指标来评价分类效果。另外，本发明不仅采用两个指标评价算法的准确度，还引入算法的运行时间评估效率。显然，运行时间越少和算法的准确度越高，算法的效率越高。召回率是评价在实际分类中某类样本被正确识别出来的概率；精确率是评价在某类预测的样本中能够被正确识别出来的样本概率。

图3、4是一名受试者的整晚睡眠时相序列图，其中图3是人工专家判读标准，图4是本发明提出聚类算法的结果。图4贴近图3人工判读的结果。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.自适应聚点生成的睡眠阶段分期方法，其特征在于，包括如下步骤：

步骤S1、获取睡眠原始监测数据：通过生命体征参数测量设备，获取生命体征参数；

步骤S2、数据预处理：去除状态异常数据，并对数据进行统计学分位数处理；

步骤S3、特征数据分析，进行特征选取提取：提取睡眠各阶段各指标样本数据，通过分析各阶段的差异，选择能表征睡眠阶段的特征属性；

步骤S4、自适应聚类算法寻找睡眠特征的聚点：通过加权聚类算法，提取k个特征属性的聚点Truth^k，并获得聚点距离范围内的误差指标值α^k；

步骤S5、构建睡眠分期识别模型：依据聚点Truth^k和误差指标α^k规则识别睡眠状态及睡眠分期阶段；

步骤S6、睡眠分期修正：通过初步判断的睡眠分期阶段进行归一化加权评分分析，精准更新睡眠分期阶段。

2.根据权利要求1所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S1中所述生命体征参数测量设备为非接触式生命体征监护雷达设备，所述生命体征参数包括设备与人体之间的检测距离、呼吸率、心率、设备返回信号强度大小、人体异常状态、体动状态和设备所检测数据时间。

3.根据权利要求1所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S2包括如下步骤：

步骤S21、去除状态异常数据：去除状态识别为“小动作”、“持续动作”、“平静”、“安静”、“呼吸骤停”或“跌倒”的情况，且在状态开始至结束的一分钟内所产生的数据将作为噪声不考虑计算；

步骤S22、对去除状态异常数据之后的数据进行统计学分位数处理：使用统计学中分位数处理方法，将所有数值由小到大排列并分成十等份，取中间第二等份至第九等份数据作为重要参考数据。

4.根据权利要求2所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S3具体为：根据睡眠各阶段不同特征样本数据，绘制各阶段不同特征曲线走势图，通过分析各阶段的差异选择能表征睡眠阶段的特征属性，所述能表征睡眠阶段的特征属性包括设备与人体之间的检测距离、呼吸率、心率、设备返回信号强度大小。

5.根据权利要求1所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S4具体包括如下步骤：

步骤S41、确定聚点真值估计值公式：

聚点真值估计值表示为：

其中x_i表示第i个数据源(设备每秒上传的数据)所提供的观测值，w_s表示数据源的权重，s表示数据源；

步骤S42、确定数据源权值分配模型：

步骤S43、确定加权聚类算法流程；具体为：根据数据源提供的观测值，初始化聚点真值，并通过损失函数及对数标准化函数引入权重，更新聚点真值；

步骤S44、确定聚点范围内的误差指标值α^k：

式中，

表示第k个特征属性的第i个数据源所提供的观测值，i表示聚合x的个数，k表示特征属性，Std(·)表示标准差。

6.根据权利要求5所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S42具体为：每个睡眠时间点的每个属性值x的权重w：

score＝|x-max(x)|/std(x)

其中θ＝0.00001

其中，std(x)为属性值x的标准差，max(x)为属性值x的最大值，score为获取权重的中间参数，∑score为所有属性值x的中间参数之和，max(score)为所有属性值x的中间参数中的最大值；

所述步骤S43具体为：使用加权平均函数WeightedMedian，计算出单个特征属性下，每个属性值x的权重w的聚类结果聚点值Truth:

Truth＝WeightedMedian(x,w)

每个属性值x数据对应一个权重，从属性值x数据开始点累加，直到到达数据总和的1/2，则该属性值x数据点选为这个训练数据集合的聚点值Truth。

7.根据权利要求1所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S5包括如下步骤：

步骤S51、睡眠状态识别：以1秒时间周期为窗口，依据Truth^k和α^k规则判断时间戳ti是“睡眠”或“非睡眠”状态：

式中，

表示时间戳在ti时刻的属性值；

步骤S52、睡眠分期阶段识别：

当状态为“睡眠”，且T时间周期内出现次数大于等于τ₁时，判断睡眠分期阶段为“深睡眠”；

当状态为“睡眠”，且T时间周期内出现次数小于τ₁，且大于等于τ₂时，判断睡眠分期阶段为“浅睡眠”；

当状态为“睡眠”，且T时间周期内出现次数小于τ₂，且大于等于τ₃时，判断睡眠分期阶段为“快速眼动”；

当状态为“睡眠”，且T时间周期内出现次数小于τ₃，且大于等于τ₄时，判断睡眠分期阶段为“清醒”；

其中，τ₁，τ₂，τ₃，τ₄均为历史训练经验参数。

8.根据权利要求1所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S6具体为：提取每一阶段睡眠状态的各特征属性数据

再使用评分函数，计算该睡眠分期阶段下数据睡眠数据评分，根据数据得分重新更新睡眠状态；具体包括如下步骤：

步骤S61、集合

睡眠状态处理得出各状态数据集合

步骤S62、对集合Y^k中四个特征属性值进行归一化处理(k＝[“距离”、“呼吸率”、“心率”、“信号强度”])

步骤S63、对归一化后的四个属性的标准差求和

步骤S61、根据score2值调整阈值，对“深睡眠”、“浅睡眠”、“快速眼动”状态进行更新：S₁<S₂<S₃：

当score2小于等于S₁时，更新睡眠分期阶段为“深睡眠”；

当score2大于等于S₁，且小于S₂时，更新睡眠分期阶段为“浅睡眠”；

当score2大于等于S₂，且小于S₃时，更新睡眠分期阶段为“快速眼动”；

其中，S₁，S₂，S₃均为历史训练经验参数。

9.根据权利要求1所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，还包括如下步骤：

步骤S7、形成完整的睡眠睡觉时间序列线：将得出深睡眠、浅睡眠、快速眼动、清醒的时间周期按时间序列拼接，形成一条完整的睡眠睡觉时间序列线。

Images