CN113842111A - 一种睡眠分期方法、装置、计算设备及存储介质 - Google Patents
一种睡眠分期方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN113842111A CN113842111A CN202010594734.2A CN202010594734A CN113842111A CN 113842111 A CN113842111 A CN 113842111A CN 202010594734 A CN202010594734 A CN 202010594734A CN 113842111 A CN113842111 A CN 113842111A
- Authority
- CN
- China
- Prior art keywords
- signal
- characteristic
- feature
- signals
- sleep
- 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
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000009432 framing Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000008667 sleep stage Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 230000033001 locomotion Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000001121 heart beat frequency Effects 0.000 description 10
- 230000008452 non REM sleep Effects 0.000 description 10
- 230000035565 breathing frequency Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000036391 respiratory frequency Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004622 sleep time Effects 0.000 description 3
- 101000742844 Homo sapiens RNA-binding motif protein, Y chromosome, family 1 member A1 Proteins 0.000 description 2
- 102100038040 RNA-binding motif protein, Y chromosome, family 1 member A1 Human genes 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101001046999 Homo sapiens Kynurenine-oxoglutarate transaminase 3 Proteins 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 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
- A61B5/4815—Sleep quality
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种睡眠分期方法、装置、计算设备及存储介质，用于提高睡眠分期的准确性。所述方法包括：获取特征信号，特征信号用于表征人体的睡眠特征；对特征信号进行分帧处理，获得分帧后的特征信号；根据分帧后的特征信号，获得第一特征，第一特征是通过对第i帧特征信号和第i‑1帧特征信号的输出特征进行特征提取后获得的，第i帧特征信号和第i‑1帧特征信号属于分帧后的特征信号，i为大于1的整数；将第一特征输入深度置信网络中，通过深度置信网络输出睡眠分期结果。
Description
技术领域
本发明涉及睡眠监测技术领域，尤其涉及一种睡眠分期方法、装置、计算设备及存储介质。
背景技术
随着生活节奏的不断加速和现代压力的不断升级，睡眠障碍已被确认为是一种具有公共危害性的疾病，越来越受到人们的高度重视。人们可以通过睡眠质量对基于睡眠的一些疾病进行检测，而通过各种生理信号对人体的睡眠状态进行分期，是客观评估睡眠质量的一种有效方法，因此，睡眠分期对改善人的生理状况和预防疾病具有重要意义。
目前，一般的睡眠分期方法是以脑电为基础的多导睡眠图监测，对多导睡眠图监测结果进行睡眠分期，一般以脑电波形为主，结合其它信号进行人工判读，这样，不仅需要较大的工作量，而且比较依赖于判读者的个人经验，往往缺乏客观的评判标准，因此，睡眠分期的预测差异比较大，准确性较低。
综上所述，目前亟需一种睡眠分期方法，用以提高睡眠分期的准确性。
发明内容
本申请实施例提供一种睡眠分期方法、装置、计算设备及存储介质，用于提高睡眠分期的准确性。
第一方面，提供一种睡眠分期方法，所述方法包括：
获取特征信号，所述特征信号用于表征人体的睡眠特征；
对所述特征信号进行分帧处理，获得分帧后的特征信号；
根据所述分帧后的特征信号，获得第一特征，所述第一特征是通过对第i帧特征信号和第i-1帧特征信号的输出特征进行特征提取后获得的，所述第i帧特征信号和所述第i-1帧特征信号属于所述分帧后的特征信号，i为大于1的整数；
将所述第一特征输入深度置信网络中，通过所述深度置信网络获得睡眠分期结果。
本申请实施例中，在获取到表征人体的睡眠特征的特征信号之后，可以对该特征信号进行分帧处理，获得分帧后的多帧特征信号，然后就可以对这多帧特征信号进行特征提取。在提取特征时，将任一帧特征信号和上一帧特征信号的输出特征共同作为该帧特征信号的输入信号，然后对该输入信号进行特征提取，就可以获得该帧特征信号的输出特征，从而通过将上一帧特征信号的输出特征可以作为下一帧特征信号的输入信号的方式，实现了通过递归的方式获取信号特征，确保了提取的特征的准确性，从而提升了通过提取的特征进行睡眠分期的准确度。在提取到相应的特征之后，可以将特征输入到深度置信网络中，以通过深度置信网络对特征进行处理，获得相应的分期结果。而深度置信网络本身具有概率预测精度高的有点，因此，通过深度置信网络进行睡眠分期，可以确保睡眠分期结果的精度。
在一种可能的设计中，所述特征信号为包括至少一种睡眠特征的混合特征信号，对所述特征信号进行分帧处理，获得分帧后的特征信号，包括：
对所述特征信号分类，获得至少一种类型的特征信号，所述至少一种类型的特征信号与所述至少一种睡眠特征一一对应；
分别对所述至少一种类型的特征信号中的每种特征信号进行分帧处理，以获得至少一种分帧后的特征信号。
本申请实施例中，获取到的特征信号可以是包括多种睡眠特征的混合特征信号，那么就可以先对混合特征信号进行分类，即确定出哪一部分特征信号是属于哪一种睡眠特征的，然后就可以获得相对应的至少一种类型的特征信号。特征信号的类型越多，用于提取特征的信号也就越多，那么就能通过考虑更多特征参数进行睡眠分期，可以提高睡眠分期的有效性。如果获取到多种类型的特征信号，那么在对特征信号进行分帧处理时，也就需要分别对每种类型的特征信号进行分帧处理，从而获得与每种类型的特征信号相对应的分帧后的特征信号。这样，可以通过对每种分帧后的特征信号进行特征提取，可以提高特征提取的时效性，从而使深度置信网络通过多种特征进行分类判别，提高了睡眠分期的准确性。
在一种可能的设计中，所述每种特征信号包括时域信号和频域信号，所述每种特征信号的时域信号是通过将对应的频域信号进行转换后获得的。
本申请实施例中，在对特征信号进行分类处理时，通过对特征信号进行滤波分离，可以获得对应于每种睡眠特征的频域信号，然后再对频域信号进行频域-时域的转换，就可以获得相对应的时域信号，从而每种类型的特征信号都可以包括时域信号和频域信号，那么在提取信号特征时，可以同时结合时域信号和频域信号进行特征提取，确保了特征提取的有效性。
在一种可能的设计中，针对所述每种特征信号，根据所述分帧后的特征信号，获得第一特征，包括：
根据所述第i帧特征信号和所述第i-1帧特征信号的输出特征，获得所述第i帧特征信号的输出特征，以获得所述分帧后的特征信号中的每一帧特征信号的输出特征；
将所述分帧后的特征信号中的最后一帧特征信号的输出特征确定为所述第一特征。
本申请实施例中，针对多种类型的特征信号中的每一种特征信号而言，都有对应的进行分帧后的特征信号，那么在提取每种特征信号的第一特征时，可以先获取其中的第一帧特征信号的输出特征，然后根据该输出特征和第二帧特征信号获得第二帧特征信号的输出特征，依次通过将任一帧特征信号和上一帧特征信号的输出特征作为该帧特征信号的输入信号进行特征提取，就可以获得每一帧特征信号所对应的输出特征，然后就可以将最后一帧特征信号的输出特征确定为是该类特征信号的最终特征，即第一特征，而该第一特征是通过将每一帧特征信号的输出特征进行递归传递后获得的，因此，该第一特征能够准确表征该类特征信号的信号特征，通过该第一特征进行睡眠分期时，也就能确保睡眠分期结果的准确性。
在一种可能的设计中，所述第一特征是通过使用递归神经网络LSTM进行特征提取后获得的。
本申请实施例中，可以是通过使用LSTM网络获取相应的第一特征的，而LSTM具有时间序列预测的功能，能够准确确定出哪一段时间是处于同一个睡眠分期的，从而可以提高睡眠分期的有效性。
第二方面，提供一种睡眠分期装置，所述装置包括：
获取模块，用于获取特征信号，所述特征信号用于表征人体的睡眠特征；
分帧模块，用于对所述特征信号进行分帧处理，获得分帧后的特征信号；
第一获得模块，用于根据所述分帧后的特征信号，获得第一特征，所述第一特征是通过对第i帧特征信号和第i-1帧特征信号的输出特征进行特征提取后获得的，所述第i帧特征信号和所述第i-1帧特征信号属于所述分帧后的特征信号，i为大于1的整数；
第二获得模块，用于将所述第一特征输入深度置信网络中，通过所述深度置信网络获得睡眠分期结果。
在一种可能的设计中，所述特征信号为包括至少一种睡眠特征的混合特征信号，所述分帧模块，用于：
对所述特征信号分类，获得至少一种类型的特征信号，所述至少一种类型的特征信号与所述至少一种睡眠特征一一对应；
分别对所述至少一种类型的特征信号中的每种特征信号进行分帧处理，以获得至少一种分帧后的特征信号。
在一种可能的设计中，所述每种特征信号包括时域信号和频域信号，所述每种特征信号的时域信号是通过将对应的频域信号进行转换后获得的。
在一种可能的设计中，针对所述每种特征信号，所述第一获得模块，用于：
根据所述第i帧特征信号和所述第i-1帧特征信号的输出特征，获得所述第i帧特征信号的输出特征，以获得所述分帧后的特征信号中的每一帧特征信号的输出特征；
将所述分帧后的特征信号中的最后一帧特征信号的输出特征确定为所述第一特征。
在一种可能的设计中，所述第一特征是通过使用递归神经网络LSTM进行特征提取后获得的。
第三方面，提供一种计算设备，所述计算设备包括：
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，所述至少一个处理器通过执行所述存储器存储的指令实现如第一方面及任一可能的实施例中所述的方法。
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如第一方面及任一可能的实施例中所述的方法。
第五方面，提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行上述各种可能的实现方式中所描述的睡眠分期方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的睡眠分期方法的流程示意图；
图2为本申请实施例提供的LSTM网络的结构框图；
图3为本申请实施例提供的深度置信网络的结构框图；
图4为本申请实施例提供的睡眠分期方法的结构框图；
图5为本申请实施例提供的睡眠分期装置的结构框图；
图6为本申请实施例提供的计算设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本申请实施例不做限制。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。
如前所述的，在相关技术中，在进行睡眠分期时，通常常用的方法是以脑电为基础的多导睡眠图监测。对多导睡眠图监测结果进行睡眠分期，一般以脑电波形为主，结合其它信号进行人工判读，这样，不仅需要较大的工作量，而且比较依赖于判读者的个人经验，往往缺乏客观的评判标准，因此，睡眠分期的预测差异比较大，准确性较低。
鉴于此，本申请实施提供一种睡眠分期方法，通过该方法，可以获取用于表征人体的睡眠特征的特征信号，然后对该特征信号进行分帧处理，获得分帧后的多帧特征信号。然后将任一帧特征信号和上一帧特征信号的输出特征共同作为该帧特征信号的输入信号，对该输入信号进行特征提取，就可以获得该帧特征信号的输出特征，从而通过递归传递特征的方式获取最终的第一特征，可以确保特征提取的准确性。在提取到第一特征之后，可以将该特征输入到深度置信网络中，以通过深度置信网络对特征进行处理，获得相应的分期结果。通过具有预测概率高精度的深度置信网络进行睡眠分期，可以确保睡眠分期结果的准确性。
为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时，可按照实施例或者附图所示的方法顺序执行或者并行执行。
请参见图1所示，图1为本申请实施例提供的一种睡眠分期方法。图1中的睡眠分期方法的流程描述如下：
步骤101：获取特征信号，特征信号用于表征人体的睡眠特征。
在具体的实施方式中，由于特征信号是可以表征人体的睡眠特征的，因此获取到特征信号，就表明获取到了人体的睡眠特征，从而可以通过特征信号进行睡眠分期。
步骤102：对特征信号进行分帧处理，获得分帧后的特征信号。
在具体的实施过程中，在获取到特征信号之后，可以对特征信号进行分帧处理，然后对分帧后的特征信号进行处理，提高信号处理的时效性。
在一种可能的实施方式中，获取到的特征信号可能是包括至少一种睡眠特征的混合特征信号，也就是说，获取到的特征信号中可能包括有多种睡眠特征的特征信号，那么此时就需要先对混合的特征信号进行分类处理，以确定那一部分特征信号是属于哪一类型的睡眠特征的。在对特征信号进行分类后，就可以得到多种类型的特征信号，相应的，在进行分帧处理时，就需要分别对每一种类型的特征信号进行处理，然后就可以获得与每种类型特征信号相对应的多种分帧后的特征信号。
在一种可能的实施方式中，可以是通过压电传感器获取特征信号的。压电传感器可以获取到表征人体生物频率的混合信号(即特征信号)，例如，获取到的特征信号是包括人体体动、呼吸频率和心跳频率三种睡眠特征的混合压电信号，那么在获取到该特征信号之后，就可以对该特征信号进行分离，也就是分离出对应于人体体动的特征信号，对应于呼吸频率的特征信号，以及对应于心跳频率的特征信号，然后再分别对这三种特征信号进行分帧处理。
需要说明的是，在分别对这三种特征信号进行分帧处理时，可以是根据相同的时间帧进行处理的，例如将人体体动的特征信号按5分钟一帧进行分帧，同样的，呼吸频率和心跳频率也按5分钟一帧进行分帧；或者三种特征信号的分帧是不一样的，例如将人体体动按2分钟一帧进行分帧，呼吸频率按3分钟一帧进行分钟，心跳频率按4分钟一帧进行分帧，在此不做限制。
进一步需要说明的是，在具体的实施过程中，特征信号所表征的人体睡眠特征可能只有一个，例如获取到的压电信号只包括呼吸频率的特征信号，或者也可能是多个，对于睡眠特征的数量，本申请实施例不做限制。
在具体的实施方式中，例如可以是通过巴特沃斯滤波器对采集到的特征信号进行滤波分离的。巴特沃斯滤波器的阶数越高，通带和阻带特性就越好，通带和阻带过渡越快，通带内部的平坦性就越好，从而以合适的参数和阶次设计的巴特沃斯滤波器，就可以实现多个信号的分离。继续以上述例子为例进行说明，在获取到包括人体体动、呼吸频率和心跳频率三种睡眠特征的压电信号之后，可以将该压电信号输入至巴特沃斯滤波器，然后通过巴特沃斯滤波器结构算法对该压电信号进行滤波分离，分别得出与三种睡眠特征相对应的信号。然后还可以进一步利用滑动平均模型对分离后的信号进行抗干扰处理，对底噪进行平滑处理。需要说明的是，也可以通过其它一些具有相同功能的滤波器对特征信号进行分类处理，在此不做限制。
在一种可能的实施方式中，通过滤波器对特征信号进行分类之后，可以获得对应的频域信号，也就是说，例如特征信号还是包括人体体动、呼吸频率和心跳频率三种睡眠特征的压电信号，那么经过滤波器进行滤波分离之后，可以分别获得人体体动的频域信号、呼吸频率的频域信号以及心跳频率的频域信号，然后对这三种信号进行频域-时域的转换(例如是傅里叶逆变化)，然后就可以获得对应的三种时域信号，也就是说，每种类型的特征信号可以包括时域信号和频域信号，例如人体体动类型的特征信号，包括人体体动的频域信号和时域信号。需要说明的是，在具体的实施过程中，也可以只根据特征信号的时域信号进行特征提取，或者只根据特征信号的频域信号进行特征提取，在此不做限制。
在具体的实施方式中，如果每种特征信号分别包括有时域信号和频域信号，那么，在进行分帧处理的时候，也需要分别对时域信号和频域信号进行分帧。例如分类后得到的是呼吸频率的时域信号和频域信号，那么在进行分帧处理时，需要对时域信号进行分帧处理，也需要对频域信号进行处理。
步骤103：根据分帧后的特征信号，获得第一特征，第一特征是通过对第i帧特征信号和第i-1帧特征信号的输出特征进行特征提取后获得的，第i帧特征信号和第i-1帧特征信号属于分帧后的特征信号，i为大于1的整数。
在一种可能的实施方式中，在获取到分帧后的特征信号之后，就可以对该特征信号进行特征提取，以获取到用于进行睡眠分期的第一特征。需要说明的是，如果包括多种类型的特征信号，那么在获取第一特征时，就需要分别对不同类型的特征信号进行特征提取，以获得每种类型的特征信号的第一特征。
举例来说，例如进行分类处理后，有分别对应于人体体动、呼吸频率和心跳频率三种类型的特征信号，分别对这三种特征信号进行分帧处理之后，就获得了三种类型的分帧之后的特征信号，然后分别进行特征提取，就能获得人体体动的第一特征、呼吸频率的第一特征和心跳频率的第一特征。
在一种可能的实施方式中，针对每种类型的特征信号而言，其提取第一特征的过程是相类似的，下面以其中的一种类型的特征信号为例，对第一特征的提取做进一步说明。在具体的实施过程中，可以是先获取分帧后的特征信号中的第i-1帧特征信号的输出特征，然后将该输出特征和第i帧特征信号共同作为第i帧特征信号的输入信号，然后对该输入信号进行特征提取，就可以获得第i帧特征信号的输出特征，从而在提取下一帧特征信号的输出特征时，考虑上一帧特征信号的输出特征，也就是下一帧特征信号的输出特征是与上一帧特征信号的输出特征相关联的，从而实现了递归传递特征的过程，最终获得第一特征。
举例来说，例如是对呼吸频率的特征信号进行特征提取，那就先对该特征信号进行分帧，例如该特征信号是表征人体在一个小时内的睡眠特征的，那么可以以十分钟为一帧，对该特征信号进行分帧处理，那么就可以获得相对应的六帧特征信号。在进行特征提取时，先提取第一帧特征信号的输出特征，然后根据第二帧特征信号以及第一帧特征信号的输出特征，提取到第二帧特征信号的输出特征，然后再根据第三帧特征信号以及第二帧特征信号的输出特征，提取到第三帧特征信号的输出特征，然后根据第三帧特征信号以及第二帧特征信号的输出特征，提取到第三帧特征信号的输出特征，依次类推，就可以获得这六帧特征信号所对应的输出特征。
在获得六帧特征信号所对应的输出特征之后，可以将第六帧特征信号的输出特征确定为是呼吸频率的第一特征，也就是将分帧后的特征信号中的最后一帧特征信号的输出特征确定为是第一特征，这样，由于第一特征是通过将每一帧特征信号的输出特征进行递归传递后获得的，因此该第一特征能够精确对表征对应类型的特征信号的特征，从而通过该第一特征进行睡眠分期可以提高分期的准确性。
在一种可能的实施方式中，例如可以是通过基于时间序列的长短时间记忆模型(Long Short Time Memory，LSTM)进行第一特征的提取的，LSTM是一种递归神经网络。由于人类的睡眠会持续一定的时间，该时间段内的生理信号变化是一个时间序列，因此，使用LSTM可以实现时间序列的精准预测，从而可以通过使用LSTM准确提取到对应的第一特征。
下面对LSTM的结构进行一下简单说明，请参见图2所示，LSTM由三个门和一个细胞状态组成。每个输入由两部分组成，一个是时间t的输入状态(即xt)，另一个是时间t-1的输出状态(即ht-1)，每个门结构都需要激活功能。
输入门由以下公式1和公式2进行计算：
公式1：it＝σ(Wi[xt,ht-1,Ct-1]+bi)；
公式2：
遗忘门是第二种门类型，它可以控制细胞状态删除一些信息，定义为公式3：
公式3：ft＝σ(Wf[ht-1xt]+bf)；
细胞状态通过遗忘门和输入门更新信息，定义为公式4：
公式4：
最后，输出结果通过输出门获得，计算公式为公式5和公式6：
公式5：ot＝σ(Wo[xt,ht-1,Ct-1]+bo)
公式6：ht＝tanh(Ct)·ot
在上面所列举的公式中，xt是输入序列，ht-1是前一个输出；Ct-1是先前的细胞状态，b是偏置矢量；W标识每个输入的单独权重向量，σ是逻辑sigmoid函数。
LSTM的关键是细胞状态，即图2中间的水平线。如果仅有水平输入不能添加或删除信息，则需要“门”结构来选择性地传递信息。在LSTM中，第一步是通过遗忘门，它根据单元的状态决定丢弃哪些信息，该门会输出一个在0到1之间的数值，输出1时表示“让所有成分通过”，输出0表示“不让任何成分通过”，然后通过输入门，它将决定添加到单元状态的新信息量，最后通过输出门进行输出，从而使得该神经网络可以选择性地保留符合算法认证的信息。从而，在具体的实施方式中，通过LSTM的遗忘门可以选择性地记录或者不记录上一个输出状态，也即在提取某一帧特征信号的输出特征时，LSTM可以通过遗忘门选择性地记录上一个输出特征的状态，从而能够在多次进行特征提取后，获得最终的输出特征。
步骤104：将第一特征输入深度置信网络中，通过深度置信网络获得睡眠分期结果。
在具体的实施方式中，在获取到第一特征之后，就可以将第一特征输入至深度置信网络(Deep Belief Netmorks，DBN)中，由深度置信网络输出最终的睡眠分期结果。而深度置信网络具有概率预测精度高的优点，相对于传统的机器学习算法，其可以提升数据预测精度，从而通过深度置信网络进行睡眠分期，可以确保分期的准确性。
下面结合图3对深度置信网络做进一步说明。深度置信网络是一种概率生成模型，是多个受限玻尔兹曼机(Restricted Boltzmann Machines，RBM)的堆叠，其中每个RBM层与其上下两层相连，且任意层内的单元不相互连接。除了第一层和最后一层之外，DBN的每一层都有两个作用：作为前一层的隐藏层，或者作为后一层的输入(可视层)。堆叠的RBM层上可以连接一个Softmax层来将整个DBN当做分类器使用，也可以简单的在无监督学习中用于无标签数据的聚类。
在图3中，以3层隐藏层为例，深度置信网络一共由三个RBM单元堆叠而成，其中每个RBM一共有两层，上层为隐层，下层为显层。在图3中，即输入层和隐藏层1构成RBM1，隐藏层1和隐藏层2构成RBM2，隐藏层2和隐藏层3构成RBM3。前一个RBM是输出层(即隐层)作为下一个RBM的输入层(显层)，依次堆叠，构成了基本的DBN结构，对DBN进行相应的训练之后，就能通过该DBN实现睡眠分期。在对DBN进行训练时，可以利用已有标注的标准数据库进行训练，然后生成相应的权重，再具体使用的过程中，在以训练得到的模型实现再学习，从而不断提升使用该模型进行睡眠分期的准确性。
在本申请实施例中，可以将睡眠分期分为两大类，即非眼球快速运动睡眠(NREM)和眼球快速运动睡眠(REM)，然后，NREM有可以分为4期，第1期为入睡期，第2期为浅睡期，第3期为中度睡眠期，第4期为深度睡眠期。正常人睡眠首先进入NREM睡眠期，并迅速由1期依次进入2期，3期，4期并持续下去。在NREM睡眠期持续80-120分钟后出现第一次REM睡眠，持续几分钟后进入下一次NREM睡眠，形成NREM睡眠与REM睡眠循环周期。成人每昼夜的总睡眠时间中REM睡眠时间占20％-25％，对于NREM睡眠：第1期占2％-5％，第2期占45％-50％，第3期占3％-8％，第4期占10％-15％。
在一种可能的实施方式中，在将第一特征输入至深度置信网络之后，深度置信网络就输出该第一特征对应的睡眠分期结果，例如根据输出的睡眠分期结果显示，处于REM的睡眠时间约占23％，处于NREM睡眠的第1期的时间约占3％，第2期约占48％，第3期约占7％，第4期约占15％，那就表明该第一特征对应的用户的睡眠状态是比较良好的。或者根据输出的睡眠分期结果显示，处于REM的睡眠时间只有约15％，那就表明该第一特征对应的用户的睡眠状态不是很好，等等。通过睡眠分期可以获知到用户的睡眠情况，当睡眠情况不太好时，能够使用户及时获知到具体情况，以及根据具体情况改进人体的生理状态。
下面以一个具体的实施例对本申请中进行睡眠分期的方法做进一步说明。具体请参见图4所示，先获取用于表征某一用户的睡眠特征的特征信号，该特征信号可以是由压电传感器采集的混合压电信号，包括人体体动、呼吸频率和心跳频率三种睡眠特征。然后对该特征信号进行分类处理，确定对特征信号中对应于人体体动的特征信号1，对应于呼吸频率的特征信号2和对应于心跳频率的特征信号3，每种特征信号都分别包括有频域信号和时域信号。
然后对这三个信号进行分帧处理，具体的，可以是对时域信号和频域信号分别进行分帧处理，然后就得到分帧后的特征信号1、特征信号2和特征信号3，然后可以将这三种分帧后的特征信号输入至LSTM网络结构中，分别通过第i帧特征信号和第i-1帧特征信号的输出特征，获取到第i帧特征信号的输出特征的方式，获取到三个信号的第一特征，例如是第一特征1、第一特征2和第一特征3，然后将三个第一特征输入至训练好的DBN网络结构中，最后由DBN网络输出睡眠分期结果，从而根据该睡眠分期结果获知人体的睡眠情况。
在本申请实施例中，在获取到表征人体的睡眠特征的特征信号之后，可以对该特征信号进行分帧处理，获得分帧后的多帧特征信号，然后就可以对这多帧特征信号进行特征提取。在提取特征时，将任一帧特征信号和上一帧特征信号的输出特征共同作为该帧特征信号的输入信号，然后对该输入信号进行特征提取，就可以获得该帧特征信号的输出特征，从而通过将上一帧特征信号的输出特征可以作为下一帧特征信号的输入信号的方式，实现了通过递归的方式获取信号特征，确保了提取的特征的准确性，从而提升了通过提取的特征进行睡眠分期的准确度。在提取到相应的特征之后，可以将特征输入到深度置信网络中，以通过深度置信网络对特征进行处理，获得相应的分期结果。而深度置信网络本身具有概率预测精度高的有点，因此，通过深度置信网络进行睡眠分期，可以确保睡眠分期结果的精度。
基于同一发明构思，本申请实施例提供了一种睡眠分期装置，该睡眠分期装置能够实现前述的睡眠分期方法对应的功能。该睡眠分期装置可以是硬件结构、软件模块、或者硬件结构加软件模块。该睡眠分期装置可以由芯片系统实现，芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。请参见图5所示，该睡眠分期装置包括获取模块501、分帧模块502、第一获得模块503和第二获得模块504。其中：
获取模块501，用于获取特征信号，特征信号用于表征人体的睡眠特征；
分帧模块502，用于对特征信号进行分帧处理，获得分帧后的特征信号；
第一获得模块503，用于根据分帧后的特征信号，获得第一特征，第一特征是通过对第i帧特征信号和第i-1帧特征信号的输出特征进行特征提取后获得的，第i帧特征信号和第i-1帧特征信号属于分帧后的特征信号，i为大于1的整数；
第二获得模块504，用于将第一特征输入深度置信网络中，通过深度置信网络获得睡眠分期结果。
在一种可能的实施方式中，特征信号为包括至少一种睡眠特征的混合特征信号，分帧模块502，用于：
对特征信号分类，获得至少一种类型的特征信号，至少一种类型的特征信号与至少一种睡眠特征一一对应；
分别对至少一种类型的特征信号中的每种特征信号进行分帧处理，以获得至少一种分帧后的特征信号。
在一种可能的实施方式中，每种特征信号包括时域信号和频域信号，每种特征信号的时域信号是通过将对应的频域信号进行转换后获得的。
在一种可能的实施方式中，针对每种特征信号，第一获得模块503，用于：
根据第i帧特征信号和第i-1帧特征信号的输出特征，获得第i帧特征信号的输出特征，以获得分帧后的特征信号中的每一帧特征信号的输出特征；
将分帧后的特征信号中的最后一帧特征信号的输出特征确定为第一特征。
在一种可能的实施方式中，第一特征是通过使用递归神经网络LSTM进行特征提取后获得的。
前述的睡眠分期方法的实施例涉及的各步骤的所有相关内容均可援引到本申请施例中的睡眠分期装置所对应的功能模块的功能描述，在此不再赘述。
本申请实施例中对模块的划分是示意性的，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，另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
基于同一发明构思，本申请实施例提供一种计算设备。请参见图6所示，该计算设备包括至少一个处理器601，以及与至少一个处理器连接的存储器602，本申请实施例中不限定处理器601与存储器602之间的具体连接介质，图6中是以处理器601和存储器602之间通过总线600连接为例，总线600在图6中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线600可以分为地址总线、数据总线、控制总线等，为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
本申请实施例中的计算设备还可以包括通信接口603，该通信接口603例如是网口，计算设备可以通过该通信接口603接收数据或者发送数据。
在本申请实施例中，存储器602存储有可被至少一个处理器601执行的指令，至少一个处理器601通过执行存储器602存储的指令，可以执行前述的睡眠分期方法中所包括的步骤。
其中，处理器601是计算设备的控制中心，可以利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器602内的指令以及调用存储在存储器602内的数据，计算设备的各种功能和处理数据，从而对计算设备进行整体监控。可选的，处理器601可包括一个或多个处理单元，处理器601可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。在一些实施例中，处理器601和存储器602可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器601可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的睡眠分期方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器602作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器602可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器602是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器602还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
通过对处理器601进行设计编程，可以将前述实施例中介绍的睡眠分期方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述的睡眠分期方法的步骤，如何对处理器601进行设计编程为本领域技术人员所公知的技术，这里不再赘述。
基于同一发明构思，本申请实施例还提供一种存储介质，该存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行如前述的睡眠分期方法的步骤。
在一些可能的实施方式中，本申请提供的睡眠分期方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算设备上运行时，程序代码用于使该计算设备执行本说明书上述描述的根据本申请各种示例性实施方式的睡眠分期方法中的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种睡眠分期方法，其特征在于，所述方法包括：
获取特征信号，所述特征信号用于表征人体的睡眠特征；
对所述特征信号进行分帧处理，获得分帧后的特征信号；
根据所述分帧后的特征信号，获得第一特征，所述第一特征是通过对第i帧特征信号和第i-1帧特征信号的输出特征进行特征提取后获得的，所述第i帧特征信号和所述第i-1帧特征信号属于所述分帧后的特征信号，i为大于1的整数；
将所述第一特征输入深度置信网络中，通过所述深度置信网络获得睡眠分期结果。
2.如权利要求1所述的方法，其特征在于，所述特征信号为包括至少一种睡眠特征的混合特征信号，对所述特征信号进行分帧处理，获得分帧后的特征信号，包括：
对所述特征信号分类，获得至少一种类型的特征信号，所述至少一种类型的特征信号与所述至少一种睡眠特征一一对应；
分别对所述至少一种类型的特征信号中的每种特征信号进行分帧处理，以获得至少一种分帧后的特征信号。
3.如权利要求2所述的方法，其特征在于，所述每种特征信号包括时域信号和频域信号，所述每种特征信号的时域信号是通过将对应的频域信号进行转换后获得的。
4.如权利要求1-3任一所述的方法，其特征在于，针对所述每种特征信号，根据所述分帧后的特征信号，获得第一特征，包括：
根据所述第i帧特征信号和所述第i-1帧特征信号的输出特征，获得所述第i帧特征信号的输出特征，以获得所述分帧后的特征信号中的每一帧特征信号的输出特征；
将所述分帧后的特征信号中的最后一帧特征信号的输出特征确定为所述第一特征。
5.如权利要求1-3任一所述的方法，其特征在于，所述第一特征是通过使用递归神经网络LSTM进行特征提取后获得的。
6.一种睡眠分期装置，其特征在于，所述装置包括：
获取模块，用于获取特征信号，所述特征信号用于表征人体的睡眠特征；
分帧模块，用于对所述特征信号进行分帧处理，获得分帧后的特征信号；
第一获得模块，用于根据所述分帧后的特征信号，获得第一特征，所述第一特征是通过对第i帧特征信号和第i-1帧特征信号的输出特征进行特征提取后获得的，所述第i帧特征信号和所述第i-1帧特征信号属于所述分帧后的特征信号，i为大于1的整数；
第二获得模块，用于将所述第一特征输入深度置信网络中，通过所述深度置信网络获得睡眠分期结果。
7.如权利要求6所述的装置，其特征在于，所述特征信号为包括至少一种睡眠特征的混合特征信号，所述分帧模块，用于：
对所述特征信号分类，获得至少一种类型的特征信号，所述至少一种类型的特征信号与所述至少一种睡眠特征一一对应；
分别对所述至少一种类型的特征信号中的每种特征信号进行分帧处理，以获得至少一种分帧后的特征信号。
8.如权利要求7所述的装置，其特征在于，所述每种特征信号包括时域信号和频域信号，所述每种特征信号的时域信号是通过将对应的频域信号进行转换后获得的。
9.如权利要求6-8任一所述的装置，其特征在于，针对所述每种特征信号，所述第一获得模块，用于：
根据所述第i帧特征信号和所述第i-1帧特征信号的输出特征，获得所述第i帧特征信号的输出特征，以获得所述分帧后的特征信号中的每一帧特征信号的输出特征；
将所述分帧后的特征信号中的最后一帧特征信号的输出特征确定为所述第一特征。
10.如权利要求6-8任一所述的装置，其特征在于，所述第一特征是通过使用递归神经网络LSTM进行特征提取后获得的。
11.一种计算设备，其特征在于，所述计算设备包括：
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，所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-5中任一项所述的方法。
12.一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存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010594734.2A CN113842111A (zh) | 2020-06-28 | 2020-06-28 | 一种睡眠分期方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010594734.2A CN113842111A (zh) | 2020-06-28 | 2020-06-28 | 一种睡眠分期方法、装置、计算设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113842111A true CN113842111A (zh) | 2021-12-28 |
Family
ID=78972361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010594734.2A Pending CN113842111A (zh) | 2020-06-28 | 2020-06-28 | 一种睡眠分期方法、装置、计算设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113842111A (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105982642A (zh) * | 2015-02-04 | 2016-10-05 | 上海宽带技术及应用工程研究中心 | 一种基于体震信号的睡眠检测方法及检测系统 |
| CN106419845A (zh) * | 2016-10-11 | 2017-02-22 | 西北工业大学 | 一种基于压电陶瓷传感器的睡眠监测装置及方法 |
| CN106419869A (zh) * | 2016-08-24 | 2017-02-22 | 电子科技大学 | 一种基于压电传感器的实时睡眠分期检测方法及其装置 |
| CN106419893A (zh) * | 2016-09-18 | 2017-02-22 | 广州视源电子科技股份有限公司 | 睡眠状态检测方法和装置 |
| CN107495962A (zh) * | 2017-09-18 | 2017-12-22 | 北京大学 | 一种单导联脑电的睡眠自动分期方法 |
| WO2018070935A1 (en) * | 2016-10-11 | 2018-04-19 | National University Of Singapore | Determining sleep stages |
| CN108209874A (zh) * | 2018-01-03 | 2018-06-29 | 深圳北航新兴产业技术研究院 | 一种自动睡眠分期的方法和装置 |
| CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
| CN108968915A (zh) * | 2018-06-12 | 2018-12-11 | 山东大学 | 基于熵特征及支持向量机的睡眠状态分类方法及系统 |
| CN109222950A (zh) * | 2018-10-19 | 2019-01-18 | 深圳和而泰数据资源与云技术有限公司 | 数据处理方法及装置 |
| CN109316166A (zh) * | 2018-10-10 | 2019-02-12 | 大连理工大学 | 一种基于深度学习网络的人体睡眠阶段估计方法 |
| CN109363647A (zh) * | 2018-10-29 | 2019-02-22 | 北京大学（天津滨海）新代信息技术研究院 | 睡眠质量监测方法、装置及终端设备 |
| CN109674468A (zh) * | 2019-01-30 | 2019-04-26 | 大连理工大学 | 一种单导脑电自动睡眠分期方法 |
| CN109833031A (zh) * | 2019-03-12 | 2019-06-04 | 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 |
| CN109924977A (zh) * | 2019-03-21 | 2019-06-25 | 西安交通大学 | 一种基于cnn和lstm的表面肌电信号分类方法 |
| CN110051329A (zh) * | 2019-04-26 | 2019-07-26 | 广东工业大学 | 一种睡眠监测方法、装置、系统及可读存储介质 |
| CN110070067A (zh) * | 2019-04-29 | 2019-07-30 | 北京金山云网络技术有限公司 | 视频分类方法及其模型的训练方法、装置和电子设备 |
| CN110151203A (zh) * | 2019-06-06 | 2019-08-23 | 常熟理工学院 | 基于多级雪崩式卷积递归网络eeg分析的疲劳驾驶识别方法 |
| CN110432870A (zh) * | 2019-08-13 | 2019-11-12 | 重庆邮电大学 | 一种基于1d cnn-lstm的睡眠信号自动分期方法 |
| CN111150393A (zh) * | 2020-02-19 | 2020-05-15 | 杭州电子科技大学 | 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法 |
| CN111329475A (zh) * | 2020-03-17 | 2020-06-26 | 杭州妞诺科技有限公司 | 基于集成模型的单通道脑电信号睡眠分期方法及系统 |
-
2020
- 2020-06-28 CN CN202010594734.2A patent/CN113842111A/zh active Pending
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105982642A (zh) * | 2015-02-04 | 2016-10-05 | 上海宽带技术及应用工程研究中心 | 一种基于体震信号的睡眠检测方法及检测系统 |
| CN106419869A (zh) * | 2016-08-24 | 2017-02-22 | 电子科技大学 | 一种基于压电传感器的实时睡眠分期检测方法及其装置 |
| CN106419893A (zh) * | 2016-09-18 | 2017-02-22 | 广州视源电子科技股份有限公司 | 睡眠状态检测方法和装置 |
| CN106419845A (zh) * | 2016-10-11 | 2017-02-22 | 西北工业大学 | 一种基于压电陶瓷传感器的睡眠监测装置及方法 |
| WO2018070935A1 (en) * | 2016-10-11 | 2018-04-19 | National University Of Singapore | Determining sleep stages |
| CN107495962A (zh) * | 2017-09-18 | 2017-12-22 | 北京大学 | 一种单导联脑电的睡眠自动分期方法 |
| CN108209874A (zh) * | 2018-01-03 | 2018-06-29 | 深圳北航新兴产业技术研究院 | 一种自动睡眠分期的方法和装置 |
| CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
| CN108968915A (zh) * | 2018-06-12 | 2018-12-11 | 山东大学 | 基于熵特征及支持向量机的睡眠状态分类方法及系统 |
| CN109316166A (zh) * | 2018-10-10 | 2019-02-12 | 大连理工大学 | 一种基于深度学习网络的人体睡眠阶段估计方法 |
| CN109222950A (zh) * | 2018-10-19 | 2019-01-18 | 深圳和而泰数据资源与云技术有限公司 | 数据处理方法及装置 |
| CN109363647A (zh) * | 2018-10-29 | 2019-02-22 | 北京大学（天津滨海）新代信息技术研究院 | 睡眠质量监测方法、装置及终端设备 |
| CN109674468A (zh) * | 2019-01-30 | 2019-04-26 | 大连理工大学 | 一种单导脑电自动睡眠分期方法 |
| CN109833031A (zh) * | 2019-03-12 | 2019-06-04 | 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 |
| CN109924977A (zh) * | 2019-03-21 | 2019-06-25 | 西安交通大学 | 一种基于cnn和lstm的表面肌电信号分类方法 |
| CN110051329A (zh) * | 2019-04-26 | 2019-07-26 | 广东工业大学 | 一种睡眠监测方法、装置、系统及可读存储介质 |
| CN110070067A (zh) * | 2019-04-29 | 2019-07-30 | 北京金山云网络技术有限公司 | 视频分类方法及其模型的训练方法、装置和电子设备 |
| CN110151203A (zh) * | 2019-06-06 | 2019-08-23 | 常熟理工学院 | 基于多级雪崩式卷积递归网络eeg分析的疲劳驾驶识别方法 |
| CN110432870A (zh) * | 2019-08-13 | 2019-11-12 | 重庆邮电大学 | 一种基于1d cnn-lstm的睡眠信号自动分期方法 |
| CN111150393A (zh) * | 2020-02-19 | 2020-05-15 | 杭州电子科技大学 | 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法 |
| CN111329475A (zh) * | 2020-03-17 | 2020-06-26 | 杭州妞诺科技有限公司 | 基于集成模型的单通道脑电信号睡眠分期方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| SIMON HARTMANN等: ""Automatic A-Phase Detection of Cyclic Alternating Patterns in Sleep Using Dynamic Temporal Information"", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》, vol. 27, no. 9, pages 1695, XP011744875, DOI: 10.1109/TNSRE.2019.2934828 * |
| 李倩云，等: "基于EEG的睡眠数据的分类", 《电子设计工程》 * |
| 李倩云，等: "基于EEG的睡眠数据的分类", 《电子设计工程》, vol. 24, no. 5, 15 March 2016 (2016-03-15), pages 26 - 28 * |
| 牛晨鸣: ""基于超宽带雷达睡眠分期方法研究"", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 07, pages 060 - 216 * |
| 王丹丹等: ""基于EOG的睡眠分期研究"", 《微型机与应用》, vol. 35, no. 13, pages 79 - 81 * |
| 郭彦杰: "基于循环神经网络的脉搏信号分析研究", 《中国硕士学位论文全文数据库 信息科技辑》 * |
| 郭彦杰: "基于循环神经网络的脉搏信号分析研究", 《中国硕士学位论文全文数据库 信息科技辑》, no. 09, 15 September 2018 (2018-09-15), pages 140 - 5 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169454B (zh) | 一种人脸图像年龄估算方法、装置及其终端设备 | |
| Cui et al. | Automatic sleep stage classification based on convolutional neural network and fine-grained segments | |
| CN109993093B (zh) | 基于面部和呼吸特征的路怒监测方法、系统、设备及介质 | |
| CN109620152B (zh) | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 | |
| CN109816092A (zh) | 深度神经网络训练方法、装置、电子设备及存储介质 | |
| CN105976809A (zh) | 基于语音和面部表情的双模态情感融合的识别方法及系统 | |
| CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
| CN110141226A (zh) | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 | |
| CN104166548A (zh) | 基于运动想象脑电数据的深度学习方法 | |
| CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
| CN109271912A (zh) | 视频分类方法、装置、电子设备及存储介质 | |
| CN104063721A (zh) | 一种基于语义特征自动学习与筛选的人类行为识别方法 | |
| CN112869717B (zh) | 一种基于bl-cnn的脉搏特征识别分类系统及方法 | |
| CN107582077A (zh) | 一种基于手机触摸行为的人体精神状态分析方法 | |
| CN114093501A (zh) | 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法 | |
| Yang et al. | Proegan-ms: A progressive growing generative adversarial networks for electrocardiogram generation | |
| CN111986699A (zh) | 基于全卷积网络的声音事件检测方法 | |
| CN116340746A (zh) | 一种基于随机森林改进的特征选择方法 | |
| CN112932501A (zh) | 一种基于一维卷积神经网络自动识别失眠方法 | |
| Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
| Ma et al. | Application of time-frequency domain and deep learning fusion feature in non-invasive diagnosis of congenital heart disease-related pulmonary arterial hypertension | |
| Mermillod et al. | The coarse-to-fine hypothesis revisited: Evidence from neuro-computational modeling | |
| CN109271889A (zh) | 一种基于双层lstm神经网络的动作识别方法 | |
| CN104850735A (zh) | 一种基于栈式自编码的活动识别方法 | |
| CN113842111A (zh) | 一种睡眠分期方法、装置、计算设备及存储介质 |
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 |