CN112674779B - 一种基于ecg信号的睡眠自动分期方法 - Google Patents

Abstract

本发明公开了一种基于ECG信号的睡眠自动分期方法。该方法包括对MITBPD数据库中的ECG信号进行预处理，构建RP信号并提取HRV信号；提取HRV信号特征和RP信号时域特征；采用递归特征消除的随机森林算法对提取的特征进行预处理并进行特征选择；将选择出来的特征再次进行特征预处理，训练多种分类模型并筛选得到最优分类模型，对该模型优化后进行睡眠分期。本发明为了解决现有技术中特征提取时仅考虑了单独的ECG或HRV信号特征，且在特征选择时只考虑了特征重要度的影响，并在睡眠分期中直接选用一种分类模型的问题，采用了结合RP信号和HRV信号，并筛选重要度高的特征和性能好的分类模型的方法，降低了ECG信号提取难度，凸显出了ECG信号特点，保证了睡眠分期准确率。

Description

一种基于ECG信号的睡眠自动分期方法

技术领域

本发明涉及睡眠自动分期方法，尤其涉及一种基于ECG信号的睡眠自动分期方法。

背景技术

睡眠作为人的一项重要生理活动，对一个人的健康至关重要。然而，随着生活节奏的加快和生活方式的改变，嗜睡和睡眠结构紊乱威胁着人们的日常活动和公共安全。据统计，全球多达24％的成年人口有睡眠问题，每年用于睡眠问题的总成本超过1000亿美元。睡眠分期作为研究睡眠和评估睡眠质量的基础，从生理上来讲，可分为三大时期：清醒期(Wake)、快速眼动期(Rapid Eye Movement,REM)和非快速眼动期(Non-rapid EyeMovement,NREM),NREM又包括N1～N4等4期。在睡眠医学中，多导睡眠监测(Polysomnography,PSG)作为睡眠分期研究的“金标准”，其缺点却是价格高昂、操作复杂，不利于人们日常检测。为了提高监测睡眠的便携性，现选用心电(Electrocardiogram，ECG)信号进行分析，与PSG分析相比，其结果同样准确。

迄今为止，研究人员在基于心电信号的睡眠自动分期中已经取得了许多有价值的研究成果。现有技术中有选用奇异值分解、变分模式分解、希尔伯特黄变换和形态学方法这4种方法分别提取ECG信号特征，然后直接采用随机森林(Random Forest,RF)将睡眠分为3期(Wake-REM-NREM)的方法。然而，大多数基于ECG信号的睡眠分期方法主要是对心率变异性(Heart Rate Variability，HRV)信号进行分析。例如，通过时域、频域和非线性方法提取41个HRV特征，然后基于特征重要度进行特征选择，最后直接利用树为500的随机森林评估3期睡眠；通过提取HRV特征，并采用时变睡眠阶段转换(Time-dependent Sleep StageTransition，TSST)模型评估3期睡眠；采用时变自回归模型提取HRV特征，并选用隐马尔可夫模型(Hidden Markov Models,HMM)进行3期睡眠分期等。

以上的方法在特征提取时仅考虑了单独的ECG或HRV信号的特征，且在特征选择时只考虑了特征重要度的影响，并在睡眠分期中直接选用一种分类模型。由于机器学习方法，要想有一个很好的分类效果，不仅需要数据的典型特征，还需要考虑模型是否适合这一类数据。因此，单独采用一种信号特征并直接用于睡眠分期，限制了睡眠分期的准确性。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于ECG信号的睡眠自动分期方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于ECG信号的睡眠自动分期方法，包括以下步骤：

S1、对MITBPD数据库中的ECG信号进行预处理，构建RP信号并提取HRV信号；

S2、提取HRV信号特征和RP信号时域特征；

S3、采用递归特征消除的随机森林算法对步骤S2中提取的特征进行预处理并进行特征选择；

S4、将步骤S3选择出来的特征再次进行特征预处理，训练多种分类模型并筛选得到最优分类模型，对最优分类模型优化后进行睡眠分期。

本发明具有以下有益效果：充分利用了ECG信号的R峰值的时间间隔(HRV)对应的特征和ECG信号R峰电压幅值(RP)对应的特征，两种特征相结合，更能凸显出ECG信号的特点，便于机器学习模型去学习更多的ECG的典型特征。

优选地，步骤S1包括以下分步骤：

S11、根据注释标签将睡眠分为三期，分别为Wake、REM和NREM；

S12、利用Pan&Tompkins算法获取ECG信号中的R波，通过计算相邻R波之间的时间跨度，并剔除由R波漏检和过检产生的异常值，从而得到HRV信号；

S13、利用获取的R波峰的电压值构建为RP信号。

该优选方案具有以下有益效果：RP信号和HRV信号都是经过ECG信号的R峰提取后，就能快速得到，大幅降低分析ECG信号的复杂度和难度。

优选地，步骤S2包括以下分步骤：

S21、将每个HRV和RP信号按照与睡眠阶段分类同步的分期窗口进行切片；

S22、从RP信号切片中提取RP信号时域特征；

S23、从HRV信号切片中提取HRV时域特征、频域特征和非线性特征。

该优选方案具有以下有益效果：提取了HRV信号和RP信号相关特征作为后续特征选择的基础。

优选地，步骤S21具体包括将每个HRV和RP信号按照与睡眠阶段分类同步的30s进行切片，得到30s窗口切片；创建以对应30s分期为核心，向前延伸150s和向后延伸120s的5min窗口，取核心30s的睡眠标签作为5min的标签，然后将每个信号按照以5min为窗口、步长为30s将每个HRV和RP信号按照与睡眠阶段分类同步进行滑动切片，得到5min窗口切片。

该优选方案具有以下有益效果：采用两种窗口时间对信号进行切片，可以更高效的分析睡眠分期。

优选地，步骤S22中RP信号时域特征包括30s和5min窗口下的最小值、最大值、均值、中位数、标准差、方差、均方根、RMSSD、峰峰值、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子。

该优选方案具有以下有益效果：在两种窗口时间下RP信号的时域特征进行了全面的提取，确保了后续能筛选出最适合进行睡眠分期的RP信号时域特征。

优选地，步骤S23中HRV时域特征包括在30s和5min窗口下的均值、SDNN、SDSD、NN50、pNN50、NN20、pNN20、RMSSD、中位数、RR间期数目、CVSD、CVNN，瞬时心率的均值、最小值、最大值、标准差；

HRV频域特征提取方法为在30s和5min窗口下，分别通过三次样条插值HRV信号并重采样到4Hz，然后利用Welch’s FFT提取频域特征，频域特征包括30s和5min窗口下的LF、HF、VLF、LF/HF、LFnu、HFnu、总功率；

HRV非线性特征包括30s和5min窗口下的SD1、SD2、CSI、CSI10、Modified_CSI10、近似熵、谱熵、最大李雅普诺夫指数、样本熵和5min窗口下CSI30、CSI50、CSI100、Modified_CSI30、Modified_CSI50、Modified_CSI100。

该优选方案具有以下有益效果：全面提取了HRV信号的时域特征、频域特征和非线性特征，确保了筛选出对睡眠分期最有效的HRV信号特征，保证了睡眠分期的准确率。

优选地，步骤S3和步骤S4中特征预处理具体包括对RP信号和HRV信号相关特征对应的缺省值采用均值插补，选用Z-Score标准化得到标准特征集1，采用分层抽样，将标准特征集分为训练集和测试集。

该优选方案具有以下有益效果：解决了因特征集合从真实数据中提取得到导致的含有缺省值、个体差异大等问题，避免了机器学习精度低、误差大等现象发生。

优选地，步骤S3中的特征选择包括以下分步骤：

S31、在训练集上通过随机森林获取特征预处理后的每个特征的重要度，重复50次，取每个特征重要度的均值作为后续对应特征的重要度；

S32、取全部特征重要度均值的k倍作为阈值，筛选重要度高于阈值的N个特征，k取值由用户选取；

S33、通过RFE-RF算法在每次迭代中逐步剔除N个特征中重要度最低的特征，并用剩下的特征集合训练RF，迭代N-1次，得到在3期睡眠下的准确率，重复50次，取平均准确率作为后续评估指标；

S34、绘制平均准确率结果图，并选取平均准确率即将趋近于平缓时对应的特征集合作为最优特征集合。

该优选方案具有以下有益效果：采用了递归特征消除的随机森林算法从100个特征中选取重要度较高的一些特征，在保证了准确率的同时降低了特征维数，从而降低了后续运算难度。

优选地，步骤S4包括以下分步骤：

S41、对步骤S34选取的最优特征集合进行特征预处理；

S42、选取多种分类模型作为本发明的分类模型集；

S43、在训练集上对每个分类模型采用10次10折交叉验证，并选用准确率和F1分数的均值来评估分类模型的性能，筛选性能最优的分类模型作为本发明的分类模型；

S44、选用遍历搜索中的网格搜索法对步骤S43筛选的分类模型中重要超参数组合进行搜索，并通过10次10折交叉验证得到模型在每个数据集上的超参数组合，选用超参数组合出现最多的一组作为模型的超参数，从而得到优化模型；

S45、采用步骤S44获得的超参数训练筛选的分类模型得到优化模型，采用训练后的优化模型进行睡眠分期。

该优选方案具有以下有益效果：从多种分类模型中选择除了性能最优的分类模型，并进一步对其进行优化，确保了睡眠分期的准确度。

优选地，步骤S42中选取的多种常见分类模型包括随机梯度下降法、SVM、逻辑回归、K近邻、决策树、RF和多层感知器分类模型。

该优选方案具有以下有益效果：提供了7种最常见的性能较好的分类模型，确保了从中择优选出的模型分类性能优异。

附图说明

图1是本发明的流程示意图；

图2是本发明各部分功能示意图；

图3是本发明实施例中的各信号波形示意图；

图4是本发明实施例中步骤S3的流程示意图；

图5是本发明实施例中步骤S4的流程示意图；

图6是本发明实例中特征选择过程绘制的准确率结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

针对现有技术在3期睡眠分期上的缺点，本发明要解决的技术问题有以下3点：

1、提取ECG和HRV信号的组合特征；

2、选择一种特征选择方法，筛选得到更典型的特征组合用于睡眠分期；

3、筛选一种更适用睡眠分期的分类模型，提高分期的准确率。

本发明的目的是为了解决现有的基于ECG(Electrocardiograph)或HRV(HeartRate Variability)信号的睡眠分期方法的缺点，提出了一种基于ECG信号的睡眠自动分期方法。为了降低提取ECG特征的难度，提出构建ECG的R峰值信号，并提取HRV信号，即提取R峰值在时间跨度上和电压值上的特征。将提取的特征预处理后，选用递归特征消除的随机森林算法进行特征选择。最后比较7种常见的分类模型，并筛选和优化得到性能最优的模型用于3期睡眠分期任务。

请参照图1和图2，本发明提供了一种基于ECG信号的睡眠自动分期方法，包括以下步骤：

S1、对MITBPD数据库中的ECG信号进行预处理，构建RP(R pluse’s Peak)信号并提取HRV信号；

本发明实施例中，步骤S1包括以下分步骤：

S11、根据注释标签将睡眠分为三期，分别为Wake、REM和NREM；

在步骤S1中，本发明打算基于MITBPD数据库中的ECG信号将睡眠分为3期(Wake-REM-NREM)，然而专家根据R&K标准对每个30s注释的标签是划分为7个睡眠时期(N4、N3、N2、N1、REM、Wake、MT)。因此，首先对标签进行处理，将N4、N3、N2和N1归为NREM，Wake和MT归为Wake,将标签划分为Wake-REM-NREM这三大时期。

S12、利用Pan&Tompkins算法获取ECG信号中的R波，通过计算相邻R波之间的时间跨度，并剔除由R波漏检和过检产生的异常值，从而得到HRV信号；

ECG信号为微弱生理电信号，直接提取ECG信号特征十分复杂，为了降低特征提取的难度，选用HRV信号特征(HRV信号是相邻心脏搏动周期间的微小差异)。首先，利用Pan&Tompkins算法获取ECG信号中的R波，通过计算相邻R波之间的时间跨度，并剔除由R波漏检和过检产生的异常值，从而得到HRV信号。

S13、利用获取的R波峰的电压值构建为RP信号。

步骤S1中的相关信号波形请参照图3，其中，(a)是提取ECG信号中的R峰值点，(b)是该组ECG信号对应的3期睡眠分布，观察(a)和(b)可发现，在不同的睡眠时期，R波峰的电压幅值有明显差异，尤其是Wake期和NREM期。而(c)中的HRV信号，只探讨了相邻R波峰间的时间跨度，为了更精确的表达出睡眠时期对应的特征，且不增加直接提取ECG特征的难度，本文提出了构建R峰值(R peak,RP)信号，即只利用获取的R峰的电压值构建为1组信号，如图(d)所示。

S2、提取HRV信号和RP信号的相关特征；

本发明实施例中，步骤S2包括以下分步骤：

S21、将每个HRV和RP信号按照与睡眠阶段分类同步的分期窗口进行切片；

本发明实施例中，步骤S21具体包括将每个HRV和RP信号按照与睡眠阶段分类同步的30s进行切片，得到30s窗口切片；创建以对应30s分期为核心，向前延伸150s和向后延伸120s的5min窗口，取核心30s的睡眠标签作为5min的标签，然后将每个信号按照以5min为窗口、步长为30s将每个HRV和RP信号按照与睡眠阶段分类同步进行滑动切片，得到5min窗口切片。

对HRV信号进行分析主要分为长程分析(24h)和短程分析(5min)，为了更高效分析睡眠，本发明除了30s窗口外，还探究了5min窗口下的两种信号对睡眠分期的影响。

S22、从RP信号切片中提取RP信号时域特征；

本发明实施例中，步骤S22中RP信号时域特征包括30s和5min窗口下的最小值、最大值、均值、中位数、标准差、方差、均方根、RMSSD(Root Mean Square of SuccessiveDifferences)、峰峰值、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子，每个窗口15个，共30个。

S23、从HRV信号切片中提取HRV时域特征、频域特征和非线性特征。

本发明实施例中，步骤S23中HRV时域特征包括在30s和5min窗口下的均值、SDNN(standard deviation of RR interval)、SDSD、NN50、pNN50、NN20、pNN20、RMSSD、中位数、RR间期数目、CVSD、CVNN，瞬时心率的均值、最小值、最大值、标准差；每个窗口16个，共32个；

HRV频域特征提取方法为在30s和5min窗口下，分别通过三次样条插值HRV信号并重采样到4Hz，然后利用Welch’s FFT提取频域特征，频域特征包括30s和5min窗口下的LF(Low Frequency)、HF(High Frequency)、VLF(Very High Frequency)、LF/HF、LFnu、HFnu、总功率；每个窗口7个，共14个；

HRV非线性特征包括30s和5min窗口下的SD1、SD2、CSI、CSI10、Modified_CSI10、近似熵、谱熵、最大李雅普诺夫指数、样本熵，每个窗口9个，共18个；以及5min窗口下CSI30、CSI50、CSI100、Modified_CSI30、Modified_CSI50、Modified_CSI100，共6个。

在步骤S2中，利用时域、频域和非线性方法提取了70个常见的HRV特征，而针对提出的RP信号，为了便于分析，仅提取了30个时域特征，共提取100个特征。RP和HRV信号特征提取结果如表1所示。

表1 RP信号和HRV信号的特征提取

Table 1 Feature extraction of RP signal and HRV signal

S3、采用递归特征消除的随机森林算法(RFE-RF Random Forest with RecursiveFeature Elimination)对所述步骤S2中提取的特征进行预处理并进行特征选择；

本发明实施例中，步骤S3和步骤S4中特征预处理具体包括对RP信号和HRV信号相关特征对应的缺省值采用均值插补，选用Z-Score标准化得到标准特征集1，采用分层抽样，将标准特征集分为训练集和测试集。

在步骤S2中，由100个特征组成的特征集合是从真实数据中提取得到，含有缺省值、个体差异大等问题，会造成机器学习精度低、误差大等现象，因此需要对特征集进行预处理。

请参照图4，本发明实施例中，步骤S3中的特征选择包括以下分步骤：

S31、在训练集上通过随机森林获取特征预处理后的每个特征的重要度，重复50次，取每个特征重要度的均值作为后续对应特征的重要度；

S32、取全部特征重要度均值的k倍作为阈值，筛选重要度高于阈值的N个特征，k取值由用户选取；

S33、通过RFE-RF算法在每次迭代中逐步剔除N个特征中重要度最低的特征，并用剩下的特征集合训练RF，迭代N-1次，得到在3期睡眠下的准确率，重复50次，取平均准确率作为后续评估指标；

S34、绘制平均准确率结果图，并选取平均准确率即将趋近于平缓时对应的特征集合作为最优特征集合。

特征预处理后，为了降低将特征直接用于分类的计算量和复杂度，并获取对睡眠分期影响最大的特征组合，本发明在训练集上选用嵌入式特征选择算法中的递归特征消除算法，该方法是基于支持向量机(Support Vector Machine,SVM)提出的。而直接在100个或更大特征集合上运行递归特征消除算法，运算量大且十分费时，也无法确定所需的特征数具体为多少。因此，本发明选用相较于SVM更易实现和计算量更小的随机森林作为基础模型，并采用递归特征消除的随机森林(Recursive Feature Elimination Random Forest，RFE-RF)算法选择特征。RFE-RF算法先筛选重要度排名较高的N个特征，在N个特征集合下通过迭代每次剔除重要度最低的特征，并用剩余的特征集合训练随机森林，最后基于分期准确率筛选最优特征组合。

S4、将步骤S3选择出来的特征再次进行特征预处理，训练多种分类模型并筛选得到最优分类模型，对该模型优化后进行睡眠分期。

请参照图5，本发明实施例中，步骤S4包括以下分步骤：

S41、对步骤S34选取的最优特征集合进行特征预处理；

S42、选取多种分类模型作为本发明的分类模型集；

本发明实施例中，步骤S42中选取的多种常见分类模型包括随机梯度下降法(Stochastic Gradient Descent,SGD)、SVM(Support Vector Machines)、逻辑回归(Logistic Regression,LR)、K近邻(K-Nearest Neighbor,KNN)、决策树(Decision Tree,DT)、RF和多层感知器(Multilayer Perceptron,MLP)分类模型。

S43、在训练集上对每个分类模型采用10次10折交叉验证，并选用准确率和F1分数的均值来评估分类模型的性能，筛选性能最优的分类模型作为本发明的分类模型；

S44、选用遍历搜索中的网格搜索法对步骤S43筛选的分类模型中重要超参数组合进行搜索，并通过10次10折交叉验证得到模型在每个数据集上的超参数组合，选用超参数组合出现最多的一组作为模型的超参数；

S45、采用步骤S44获得的超参数训练筛选的分类模型得到优化模型，采用训练后的优化模型进行睡眠分期。

接下来，用将k设定为1.2的实例来对本发明进行进一步说明。

从MITDPB库的ECG信号中提取100个特征，并预处理后，利用RFE-RF算法进行特征选择。先基于单个特征的平均重要度将特征降序排列，然后，测试发现高于全部特征重要度均值的特征数为56个，为了降低运算量，选取重要度均值的1.2倍(k＝1.2)作为阈值，此时可得到高于阈值的30(N＝30)个特征，并绘制准确率结果图，如图6所示。从图6可发现，在特征数为18时，平均准确率(88.92％)即将趋近于平缓，因此选择重要度最高的18个特征作为最优特征组合。在100个特征中选择出18个用于睡眠分期，从而有效的降低了特征维数。

同时，基于特征重要度降序排列出18个特征，如表2所示。从表2可发现5min的特征多达17个，30s的仅有1个，即选取5min的特征比30s的用于睡眠分析更具有代表性。同时可发现，本发明提出构建的RP信号的相关特征有7个在列，且这18个特征在训练集的平均准确率也有88.92％，证明了RP信号用于睡眠分期的可行性。

表2基于特征重要度筛选特征

Table 2 Screening features based on feature importance

然后通过筛选并优化分类模型，找到一种更适用睡眠分期的模型，并证明了RP信号用于睡眠分期的有效性，和RP信号能辅助并提升基于HRV信号分析睡眠的性能。比较7种分类模型在训练集上的性能，发现随机森林可得到最优结果。而本发明已经通过特征选择确定了特征，因此，随机森林的重要超参数组合只需要考虑树的数目(n)和标准(criterion)，最后基于超参数优化步骤，筛选超参数组合出现最多的一组作为模型的超参数。最后得到优化的随机森林为n＝150，标准不变。

利用RF(n＝150)对测试集进行测试评估，由于选择出的18个特征是RP和HRV的组合特征，为了进一步探讨本文提出的RP信号用于睡眠分期的有效性，本文还对单独的RP和HRV信号进行测试。为了避免再次进行特征选择可能产生的误差，并利用得到的基于单个特征重要度均值降序排列的100个特征，直接分别选取重要度最高的18个RP特征和HRV特征，将其特征预处理后，选用RF(n＝150)分别进行训练和测试，测试集上的睡眠分期结果如表3所示。RP和HRV特征相结合，准确率可达88.98％，表明了该算法模型的高准确性。同时，分别使用RP和HRV特征的分期准确率也有83.02％和86.66％，且F1分数在76％以上，验证了提出的RP信号用于睡眠分期的可行性和有效性。且相较于单独使用HRV特征，在RP和HRV的组合特征下，准确率、F1和Kappa指标都有了一定幅度的提升，体现了RP信号能辅助提升HRV分析睡眠时的模型性能。

表3测试集上的睡眠分期结果

Table 3 Sleep staging results on the test set

综上所述，本发明提出了一种基于ECG信号的睡眠自动分期方法用于3期睡眠分期。基于MITBPD数据库的ECG信号，提出构建RP信号和提取HRV信号，并提取两种信号特征共100个，然后根据递归特征消除的随机森林算法选择特征，最后筛选并优化得到最优模型用于睡眠分期。

本发明技术点有：

1、提出并构建RP信号；

2、构建了一个睡眠自动分期方法，该方法为提取选择出的18个RP和HRV组合特征，并特征预处理后，直接利用优化的随机森林(n＝150)进行3期睡眠评估；

3、提取RP信号特征并用于睡眠分期；

4、利用递归特征消除的随机森林算法从100个特征中选择出18个，有效降低特征维度；

5、通过比较7种分类模型，并筛选优化得到性能最优模型用于睡眠分期；

本领域的普通技术人员将会意识到，这里所描述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于ECG信号的睡眠自动分期方法，其特征在于，包括以下步骤：

S1、对MITBPD数据库中的ECG信号进行预处理，构建RP信号并提取HRV信号，包括以下分步骤：

S11、根据注释标签将睡眠分为三期，分别为Wake、REM和NREM；

S12、利用Pan&Tompkins算法获取ECG信号中的R波，通过计算相邻R波之间的时间跨度，并剔除由R波漏检和过检产生的异常值，从而得到HRV信号；

S13、利用获取的R波峰的电压值构建为RP信号；

S2、提取HRV信号特征和RP信号时域特征；

S3、采用递归特征消除的随机森林算法对所述步骤S2中提取的特征进行预处理并进行特征选择，其中特征选择包括以下分步骤：

S31、在训练集上通过随机森林算法获取特征预处理后的每个特征的重要度，重复50次，取每个特征重要度的均值作为后续对应特征的重要度；

S32、取全部特征重要度均值的k倍作为阈值，筛选重要度高于阈值的N个特征，k取值由用户选取；

S33、通过RFE-RF算法在每次迭代中逐步剔除N个特征中重要度最低的特征，并用剩下的特征集合训练RF，迭代N-1次，得到在3期睡眠下的准确率，重复50次，取平均准确率作为后续评估指标；

S34、绘制平均准确率结果图，并选取平均准确率即将趋近于平缓时对应的特征集合作为最优特征集合；

S4、将所述步骤S3选择出来的特征再次进行特征预处理，训练多种分类模型并筛选得到最优分类模型，对最优分类模型优化后进行睡眠分期。

2.如权利要求1所述的一种基于ECG信号的睡眠自动分期方法，其特征在于，所述步骤S2包括以下分步骤：

S21、将每个HRV和RP信号按照与睡眠阶段分类同步的分期窗口进行切片；

S22、从RP信号切片中提取RP信号时域特征；

S23、从HRV信号切片中提取HRV时域特征、频域特征和非线性特征。

3.如权利要求2所述的一种基于ECG信号的睡眠自动分期方法，其特征在于：所述步骤S21具体包括将每个HRV和RP信号按照与睡眠阶段分类同步的30s进行切片，得到30s窗口切片；创建以对应30s分期为核心，向前延伸150s和向后延伸120s的5min窗口，取核心30s的睡眠标签作为5min的标签，然后将每个信号按照以5min为窗口、步长为30s将每个HRV和RP信号按照与睡眠阶段分类同步进行滑动切片，得到5min窗口切片。

4.如权利要求3所述的一种基于ECG信号的睡眠自动分期方法，其特征在于：所述步骤S22中RP信号时域特征包括30s和5min窗口下的最小值、最大值、均值、中位数、标准差、方差、均方根、RMSSD、峰峰值、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子。

5.如权利要求3所述的一种基于ECG信号的睡眠自动分期方法，其特征在于：所述步骤S23中HRV时域特征包括在30s和5min窗口下的均值、SDNN、SDSD、NN50、pNN50、NN20、pNN20、RMSSD、中位数、RR间期数目、CVSD、CVNN，瞬时心率的均值、最小值、最大值、标准差；

HRV频域特征提取方法为在30s和5min窗口下，分别通过三次样条插值HRV信号并重采样到4Hz，然后利用Welch’s FFT提取频域特征，频域特征包括30s和5min窗口下的LF、HF、VLF、LF/HF、LFnu、HFnu、总功率；

HRV非线性特征包括30s和5min窗口下的SD1、SD2、CSI、CSI10、Modified_CSI10、近似熵、谱熵、最大李雅普诺夫指数、样本熵和5min窗口下CSI30、CSI50、CSI100、Modified_CSI30、Modified_CSI50、Modified_CSI100。

6.如权利要求3所述的一种基于ECG信号的睡眠自动分期方法，其特征在于：所述步骤S3和步骤S4中特征预处理具体包括对RP信号和HRV信号相关特征对应的缺省值采用均值插补，选用Z-Score标准化得到标准特征集1，采用分层抽样，将标准特征集分为训练集和测试集。

7.如权利要求1所述的一种基于ECG信号的睡眠自动分期方法，其特征在于，所述步骤S4包括以下分步骤：

S41、对所述步骤S34选取的最优特征集合进行特征预处理；

S42、选取多种分类模型作为分类模型集；

S43、在训练集上对每个分类模型采用10次10折交叉验证，并选用准确率和F1分数的均值来评估分类模型的性能，筛选性能最优的分类模型作为分类模型；

S44、选用遍历搜索中的网格搜索法对所述步骤S43筛选的分类模型中重要超参数组合进行搜索，并通过10次10折交叉验证得到模型在每个数据集上的超参数组合，选用超参数组合出现最多的一组作为模型的超参数；

S45、采用所述步骤S44获得的超参数训练筛选的分类模型得到优化模型，采用训练后的优化模型进行睡眠分期。

8.如权利要求7所述的一种基于ECG信号的睡眠自动分期方法，其特征在于：所述步骤S42中选取的多种常见分类模型包括随机梯度下降法、SVM、逻辑回归、K近邻、决策树、RF和多层感知器分类模型。

Images