CN114041753B - 睡眠分期方法、装置、计算机设备和存储介质 - Google Patents
睡眠分期方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114041753B CN114041753B CN202111369599.2A CN202111369599A CN114041753B CN 114041753 B CN114041753 B CN 114041753B CN 202111369599 A CN202111369599 A CN 202111369599A CN 114041753 B CN114041753 B CN 114041753B
- Authority
- CN
- China
- Prior art keywords
- sleep
- sleep stage
- time period
- model
- original 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 70
- 230000008667 sleep stage Effects 0.000 claims abstract description 278
- 238000012549 training Methods 0.000 claims abstract description 178
- 238000005070 sampling Methods 0.000 claims abstract description 111
- 238000002372 labelling Methods 0.000 claims abstract description 95
- 238000004590 computer program Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000004622 sleep time Effects 0.000 claims description 15
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 208000001797 obstructive sleep apnea Diseases 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- A61B5/4818—Sleep apnoea
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Abstract
本申请涉及一种睡眠分期方法、装置、计算机设备、存储介质和计算机程序产品。包括：获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果；对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练后的睡眠分期模型；基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。采用抽样得到的时间跨度长、总时长短的睡眠相关信号，对睡眠分期模型进行训练，得到的睡眠分期模型适应性更好，分期结果准确性更高。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种睡眠分期方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
睡眠呼吸暂停低通气综合征(Sleep Apnea Hypopnea Syndrome，SAHS)是一种常见的与睡眠有关的呼吸障碍，其特征是睡眠时出现多次的气流减少和停止，睡眠障碍病人的睡眠结构分析是了解病患夜晚呼吸睡眠情况不可缺少的部分。夜间的多导睡眠监测(Polysomnography，PSG)是诊断SAHS最常用的标准，其记录了口鼻气流、血氧饱和度、心电图和睡眠状态等多模态生理信号。在这些信号中，脑电信号、眼电信号等往往用于记录夜晚睡眠情况。目前在临床实际中，往往采用基于睡眠一期、二期、三期、四期以及快眼动期的睡眠结构分期模型来对病患在多导睡眠检查中夜晚的睡眠情况进行评估。完整的夜间睡眠记录在由专家进行评估时总评估时长需要达到两个多小时才能保证可靠性，而且人工判断具有很强的主观因素，如果经验不丰富，很容易出现分类错误。
在相关技术中，主要是采用经训练后的神经网络深度学习模型对每一单位时间内的睡眠相关信号进行处理，得到每一单位时间的分期结果，后续再对每一单位时间的分期结果进行整合，得到最终分期结果。其中，由于睡眠过程通常是连续的，仅基于每一单位时间内的睡眠相关信号得到每一单位时间的分期结果会存在一定的局限性，从而造成分期结果准确率不高。
发明内容
基于此，有必要针对上述技术问题，提供一种准确高效的方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种睡眠分期方法。方法包括：
获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；
基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
在其中一个实施例中，对每一原始数据样本进行时间段随机抽样，包括：
对每一原始数据样本进行间隔抽样；其中，将每一原始数据样本分为三个时间段范围，按时序依次分为第一时间段、第二时间段及第三时间段，对第一时间段与第三时间段的抽样密度小于对第二时间段的抽样密度。
在其中一个实施例中，随机抽样结果中存在对应多个睡眠分期人工标注结果的时间段；根据随机抽样结果确定目标训练时间段，包括：
对随机抽样结果中的所有时间段进行整合并再划分，得到第一目标训练时间段。
在其中一个实施例中，睡眠分期模型是经过预训练得到的；预训练的过程，包括：
对每一原始数据样本进行连续切分，得到每一原始数据样本的多个连续时间段；
对每一连续时间段进行整理，得到每一连续时间段的第二目标训练时间段，第二目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一连续时间段的第二目标训练时间段及第二目标训练时间段对应的睡眠分期人工标注结果对初始模型进行训练，得到睡眠分期模型。
在其中一个实施例中，睡眠分期模型包括特征提取子模型及分类子模型，分类子模型是基于循环神经网络所构造的，特征提取子模型是基于卷积神经网络所构造的。
在其中一个实施例中，基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果之后，还包括：
确定睡眠相关信号对应的睡眠分期人工标注结果及睡眠相关信号对应的睡眠分期结果之间的误差值；
若误差值大于预设误差，则根据误差值，调整特征提取子模型及分类子模型的参数。
第二方面，本申请还提供了一种睡眠分期装置。所述装置包括：
数据获取模块，用于获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
第一确定模块，用于对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；
第二确定模块，用于基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；
睡眠分期模块，用于基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器及处理器，所述存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；
基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；
基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；
基于睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
上述睡眠分期方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。相较于使用直接获取到的原始睡眠相关信号切分的片段对基于循环神经网络的睡眠分期模型进行训练，采用依据特定抽样模板得到的时间跨度长、总时长短的睡眠相关信号，对睡眠分期模型进行训练，得到的睡眠分期模型在对一个较长的完整睡眠进行分期时，适应性更好，且能够得到准确率更高的分期结果。
附图说明
图1为一个实施例中睡眠分期方法的流程示意图；
图2为一个睡眠周期的睡眠分期分类示意图；
图3为一个实施例中对多间隔抽样模板的抽样片段的分期预测流程示意图；
图4为另一个实施例中睡眠分期方法的流程示意图；
图5为一个实施例中卷积模块的结构图；
图6为又另一个实施例中睡眠分期方法的流程示意图；
图7为一个实施例中睡眠分期装置的结构框图；
图8为一个实施例中计算机装置的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种专业名词，但除非特别说明，这些专业名词不受这些术语限制。这些术语仅用于将一个专业名词与另一个专业名词区分。举例来说，在不脱离本申请的范围的情况下，第一目标训练时间段与第二目标训练时间段可以相同可以不同。
睡眠呼吸暂停低通气综合征(Sleep Apnea Hypopnea Syndrome，SAHS)是一种常见的与睡眠有关的呼吸障碍，其特征是睡眠时出现多次的气流减少和停止，睡眠障碍病人的睡眠结构分析是了解病患夜晚呼吸睡眠情况不可缺少的部分。夜间的多导睡眠监测(Polysomnography，PSG)是诊断SAHS最常用的标准，其记录了口鼻气流、血氧饱和度、心电图和睡眠状态等多模态生理信号。在这些信号中，脑电信号、眼电信号等往往用于记录夜晚睡眠情况。目前在临床实际中，往往采用基于睡眠一期、二期、三期、四期以及快眼动期的睡眠结构分期模型来对病患在多导睡眠检查中夜晚的睡眠情况进行评估。完整的夜间睡眠记录在由专家进行评估时总评估时长需要达到两个多小时才能保证可靠性，而且人工判断具有很强的主观因素，如果经验不丰富，很容易出现分类错误。
在相关技术中，主要是采用经训练后的神经网络深度学习模型对每一单位时间内的睡眠相关信号进行处理，得到每一单位时间的分期结果，后续再对每一单位时间的分期结果进行整合，得到最终分期结果。其中，由于睡眠过程通常是连续的，仅基于每一单位时间内的睡眠相关信号得到每一单位时间的分期结果会存在一定的局限性，从而造成分期结果准确率不高。
针对上述技术问题，在一个实施例中，如图1所示，提供了一种睡眠分期方法，以执行主体为服务器为例进行说明，该方法包括如下步骤：
步骤101，获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
步骤102，对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；
步骤103，基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；
步骤104，基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
其中，步骤101中“原始数据样本”是与人的睡眠状态相关的信号，例如可以是以下信号或以下信号的组合：脑电信号、眼电信号、肌电信号等。“原始数据样本集合”可以是提前获取到存储在数据库中的，也可以是由多导睡眠监测获取到的。“睡眠分期人工标注结果”是通过人为对一个样本的睡眠信号中的睡眠状态进行标注的结果。人的睡眠状态一般来说分为五个阶段，分别为眼球快速运动睡眠阶段(REM)、非眼球快速运动睡眠阶段第一期(NREM-I)、非眼球快速运动睡眠阶段第二期(NREM-II)、非眼球快速运动睡眠阶段第三期(NREM-III)和非眼球快速运动睡眠阶段第四期(NREM-IV)。在一个睡眠周期内，上述五个阶段并非只出现一次，人要经历数个从第一阶段到第五阶段的过程，参见图2，给出了一个睡眠周期的睡眠分期分类。需要说明的是，在本实施例中，一个样本就对应人的一次完整的睡眠，即一个睡眠周期。
步骤102中，“随机抽样”是指对每一原始数据样本的时间段进行抽样，以便获得一个时间跨度很大但总时间长度较短的第一目标训练时间段，第一目标时间段的时刻是不连续的。在由抽样得到的每一抽样片段确定第一目标训练时间段对应的睡眠分期人工标注结果的时候，可以直接由每一抽样片段对应的睡眠分期人工标注结果得到，也可以参考每一抽样片段对应的睡眠分期人工标注结果重新标注。
具体的，采集具有医生标注的便携式多导睡眠监测记录作为原始数据样本集合，一次完整睡眠为一个样本，采用预先设定好的多间隔抽样模板对每一原始数据样本进行采样，将抽样得到的每一段抽样信号整合为一个序列，即第一目标训练时间段，由此对每一原始数据样本都进行多间隔抽样得到了一个抽样数据库，抽样数据库中每一目标训练时间段都对应一个睡眠分期人工标注结果。然后利用上述抽样数据库中的每一目标训练时间段及其对应的睡眠分期人工标注结果对睡眠分期模型进行若干次训练。由于睡眠分期模型本质上是神经网络模型，故具体训练的过程参照神经网络的训练方式，将每一目标训练时间段输入睡眠分期模型，得到每一目标训练时间段对应的睡眠分期结果，然后根据每一目标训练时间段对应的睡眠分期结果与每一目标训练时间段对应的睡眠分期人工标注结果之间的误差，对睡眠分期模型的参数进行调整。参见图3，在一个实施例中，对睡眠相关监测信号进行抽样后，一次经过卷积神经网络和长短期记忆人工神经网络，最后得到中心片段的睡眠分期结果，此处的中心片段及为抽样整合后得到的第一目标训练时间段。
另外，在完成对睡眠模型的训练后，可以更换另一睡眠相关信号的数据集合，利用此睡眠相关信号的数据集合及其对应的已知的睡眠分期人工标注结果集合对训练后的睡眠分期模型进行检验。
上述睡眠分期方法中，获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。相较于使用直接获取到的原始睡眠相关信号切分的片段对基于循环神经网络的睡眠分期模型进行训练，采用依据特定抽样模板得到的时间跨度长、总时长短的睡眠相关信号，对睡眠分期模型进行训练，得到的睡眠分期模型在对一个较长的完整睡眠进行分期时，适应性更好，且能够得到准确率更高的分期结果。
结合上述实施例的内容，在一个实施例中，本发明实施例不对对每一原始数据样本进行时间段随机抽样，包括但不限于：
对每一原始数据样本进行间隔抽样；其中，将每一原始数据样本分为三个时间段范围，按时序依次分为第一时间段、第二时间段及第三时间段，对第一时间段与第三时间段的抽样密度小于对第二时间段的抽样密度。
其中，第一时间段、第二时间段和第三时间段的长度总和为原始数据对应的睡眠时间段长度，而三个时间段范围的大小均不做限定，只存在时间上的先后顺序。“抽样密度”及表示在此时间段内对原始数据样本进行抽样的间隔，在对一个原始数据样本进行抽样时，每一抽样间隔大小可以是相等的，也可以是不等的，但是，在整个抽样过程中，每一抽样间隔不可以全部相等。考虑到人的睡眠过程的特殊性，在此采用整体两头稀疏中间密集的多间隔抽样模板进行抽样，即对第一时间段的抽样密度和对第三时间段的抽样密度均要小于对第二时间段的抽样密度，
上述睡眠分期方法中，对每一原始数据样本进行时间段随机抽样，包括：对每一原始数据样本进行间隔抽样；其中，将每一原始数据样本分为三个时间段范围，按时序依次分为第一时间段、第二时间段及第三时间段，对第一时间段与第三时间段的抽样密度小于对第二时间段的抽样密度。采用特殊抽样模板对原始数据样本进行采样，能够得到某一当前信号周围的长时依赖信息，在保证输入数据的时间跨度的前提下，也能减小输入的数据量，提高对睡眠分期模型训练的效率。
结合上述实施例的内容，在一个实施例中，随机抽样结果中存在对应多个睡眠分期人工标注结果的时间段；根据随机抽样结果确定目标训练时间段，包括：
对随机抽样结果中的所有时间段进行整合并再划分，得到第一目标训练时间段。
其中，整合的意思是将抽样到的抽样片段组合成一个连续的信号，但是由于抽取到的每一抽样片段的时间长度不定，导致其对应的睡眠分期人工标注结果不确定，所以需要对新的连续的信号重新进行划分和确定对应的睡眠分期人工标注结果。具体的，将抽样得到的每一抽样片段按时序顺序排列得到随机抽样结果，然后确定所有抽样片段对应的时间段的总时长，对随机抽样结果进行连续切分，得到随机抽样结果的多个连续时间段作为第一目标训练时间段，并确定每一连续时间段的标注情况以构成第一目标训练时间段对应的而睡眠分期人工标注结果。
上述睡眠分期的方法中，随机抽样结果中存在对应多个睡眠分期人工标注结果的时间段；根据随机抽样结果确定目标训练时间段，包括：对随机抽样结果中的所有时间段进行整合并再划分，得到第一目标训练时间段。对抽样的信号进行再整合，得到更符合模型输入要求的样本序列，以便提高睡眠分期模型的分期效率。
结合上述实施例的内容，在一个实施例中，参见图4，睡眠分期模型是经过预训练得到的；预训练的过程，包括：
步骤401，对每一原始数据样本进行连续切分，得到每一原始数据样本的多个连续时间段；
步骤402，对每一连续时间段进行整理，得到每一连续时间段的第二目标训练时间段，第二目标训练时间段仅对应一个睡眠分期人工标注结果；
步骤403，基于每一连续时间段的第二目标训练时间段及第二目标训练时间段对应的睡眠分期人工标注结果对初始模型进行训练，得到睡眠分期模型。
其中，步骤401中“连续切片”的意思就是将原始数据样本等量的分成若干份，因为原始数据样本是由多导睡眠检测对人的睡眠实时监测获取到的，信号时间跨度很大，若将整个原始数据样本输入会导致输入数据量较大，所以将原始数据样本分成若干时间段依次输入初始模型。步骤402中提到的第二训练目标时间段对应的睡眠分期人工标注结果是由切分之前的原始数据样本的睡眠分期人工标注结果直接决定的。
具体的，在训练初始模型的时候，先将第二目标训练时间段输入模型中得到第二目标训练时间段对应的预分期结果，再根据第二目标训练时间段对应的预分期结果与第二目标训练时间段对应的睡眠分期人工标注结果之间的误差值，对初始模型的参数进行调整。每一连续时间段对应的第二目标训练时间段都会对初始模型训练一次，需要说明的是，在第一个第二目标训练时间段对初始模型进行训练后，第二个第二目标训练时间段在第一个第二目标训练时间段训练得到的初始模型的参数基础上进行训练，后面以此类推。
上述睡眠分期的方法中，睡眠分期模型是经过预训练得到的；预训练的过程，包括：对每一原始数据样本进行连续切分，得到每一原始数据样本的多个连续时间段；对每一连续时间段进行整理，得到每一连续时间段的第二目标训练时间段，第二目标训练时间段仅对应一个睡眠分期人工标注结果；基于每一连续时间段的第二目标训练时间段及第二目标训练时间段对应的睡眠分期人工标注结果对初始模型进行训练，得到睡眠分期模型。通过预训练的过程，能够获得一个特征提取器，避免繁琐复杂的手工特征提取的同时，为后续的模型训练提供较为准确的参数初始值，提高对睡眠分期模型的训练速度，也有助于提高睡眠分期模型的精准度。
结合上述实施例的内容，在其中一个实施例中，睡眠分期模型包括特征提取子模型及分类子模型，分类子模型是基于循环神经网络所构造的，特征提取子模型是基于卷积神经网络所构造的。
具体的，初始模型可以是将卷积神经网络(Convolutional Neural Networks，CNN)与长短期记忆人工神经网络(Long Short-Term Memory，LSTM)结合的混合神经网络模型。卷积神经网络模块中有特征提取子模块，用于对输入的经过处理之后的睡眠相关信号提取信号特征，图5为一个卷积神经网络中卷积模块的结构图。长短期记忆人工神经网络模块中有分类子模块，用于对输入信号进行分类。
上述睡眠分期的方法中，睡眠分期模型包括特征提取子模型及分类子模型，分类子模型是基于循环神经网络所构造的，特征提取子模型是基于卷积神经网络所构造的。睡眠分期模型中的特征提取模块经训练后能够获得一个特征提取器，避免繁琐复杂的手工特征提取，且分类子模型基于长短期记忆人工神经网络，依据此结构可以解决一定的长时依赖问题。
结合上述实施例的内容，在其中一个实施例中，参见图6，基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果之后，还包括：
步骤601，确定睡眠相关信号对应的睡眠分期人工标注结果及睡眠相关信号对应的睡眠分期结果之间的误差值；
步骤602，若误差值大于预设误差，则根据误差值，调整特征提取子模型及分类子模型的参数。
具体的，待分期的睡眠相关信号是在临床监测中获得的，这里的待分期的睡眠分期相关信号可以是直接获取到的包含与睡眠有关的信号的图像。睡眠分期模型对待分期的睡眠相关信号的分类标签有五种，分别为：眼球快速运动睡眠阶段(REM)、非眼球快速运动睡眠阶段第一期(NREM-I)、非眼球快速运动睡眠阶段第二期(NREM-II)、非眼球快速运动睡眠阶段第三期(NREM-III)和非眼球快速运动睡眠阶段第四期(NREM-IV)。通过卷积神经网络中的特征提取子模块提取到待分期的睡眠相关信号的信号特征，将信号特征输入至长短期记忆人工神经网络中，输出待分期的睡眠相关信号的预测分类结果，即预测睡眠分期结果；根据预测睡眠分期结果与睡眠相关信号对应的睡眠分期人工标注结果之间的误差值，对睡眠分期模型中的特征提取子模型及所分类子模型的参数进行调整。以上过程为依据临床获取的睡眠相关信号对训练得到的睡眠分期模型进行检验和测试。
上述睡眠分期的方法中，基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果之后，还包括：确定睡眠相关信号对应的睡眠分期人工标注结果及睡眠相关信号对应的睡眠分期结果之间的误差值；若误差值大于预设误差，则根据误差值，调整特征提取子模型及分类子模型的参数。利用临床数据对训练完成的睡眠分期模型进行验证和微调试，提高睡眠分期模型的为准确率。
应该理解的是，虽然图1、图4及图6的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、图4及图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是，上述阐述的技术方案在实际实施过程中可以作为独立实施例来实施，也可以彼此之间进行组合并作为组合实施例实施。另外，在对上述本发明实施例内容进行阐述时，仅基于方便阐述的思路，按照相应顺序对不同实施例进行阐述，如按照数据流流向的顺序，而并非是对不同实施例之间的执行顺序进行限定，也不是对实施例内部步骤的执行顺序进行限定。相应地，在实际实施过程中，若需要实施本发明提供的多个实施例，则不一定需要按照本发明阐述实施例时所提供的执行顺序，而是可以根据需求安排不同实施例之间的执行顺序。
结合上述实施例的内容，在一个实施例中，参见图7，提供了一种睡眠分期装置，包括：数据获取模块701、第一确定模块702、第二确定模块703和睡眠分期模块704，其中：
数据获取模块701，用于获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
第一确定模块702，用于对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；
第二确定模块703，用于基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；
睡眠分期模块704，用于基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
在其中一个实施例中，第一确定模块702，还包括：
对每一原始数据样本进行间隔抽样；其中，将每一原始数据样本分为三个时间段范围，按时序依次分为第一时间段、第二时间段及第三时间段，对第一时间段与第三时间段的抽样密度小于对第二时间段的抽样密度。
在其中一个实施例中，随机抽样结果中存在对应多个睡眠分期人工标注结果的时间段；相应地，第一确定模块702，还包括：
对所述随机抽样结果中的所有时间段进行整合并再划分，得到所述第一目标训练时间段。
在其中一个实施例中，睡眠分期模型是经过预训练得到的；相应地，睡眠分期装置还包括预训练模块：
切分子模块，用于对每一原始数据样本进行连续切分，得到每一原始数据样本的多个连续时间段；
整理子模块，用于对每一连续时间段进行整理，得到每一连续时间段的第二目标训练时间段，第二目标训练时间段仅对应一个睡眠分期人工标注结果；
训练子模块，用于基于每一连续时间段的第二目标训练时间段及第二目标训练时间段对应的睡眠分期人工标注结果对初始模型进行训练，得到所述睡眠分期模型。
在其中一个实施例中，第一确定模块702还包括：
睡眠分期模型包括特征提取子模型及分类子模型，所述分类子模型是基于循环神经网络所构造的，所述特征提取子模型是基于卷积神经网络所构造的。
在其中一个实施例中，睡眠分期装置还包括校验模块：
确定子模块，用于确定所述睡眠相关信号对应的睡眠分期人工标注结果及所述睡眠相关信号对应的睡眠分期结果之间的误差值；
调整子模块，用于若所述误差值大于预设误差，则根据所述误差值，调整所述特征提取子模型及所述分类子模型的参数。
上述睡眠分期装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种密钥管理方法。
本领域技术人员可以理解，图8示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；
基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对每一原始数据样本进行时间段随机抽样，包括：
对每一原始数据样本进行间隔抽样；其中，将每一原始数据样本分为三个时间段范围，按时序依次分为第一时间段、第二时间段及第三时间段，对第一时间段与第三时间段的抽样密度小于对第二时间段的抽样密度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：随机抽样结果中存在对应多个睡眠分期人工标注结果的时间段；根据随机抽样结果确定目标训练时间段，包括：
对随机抽样结果中的所有时间段进行整合并再划分，得到目标训练时间段。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：睡眠分期模型是经过预训练得到的；预训练的过程，包括：
对每一原始数据样本进行连续切分，得到每一原始数据样本的多个连续时间段；
对每一连续时间段进行整理，得到每一连续时间段的第二目标训练时间段，第二目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一连续时间段的第二目标训练时间段及第二目标训练时间段对应的睡眠分期人工标注结果对初始模型进行训练，得到睡眠分期模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：睡眠分期模型包括特征提取子模型及分类子模型，分类子模型是基于循环神经网络所构造的，特征提取子模型是基于卷积神经网络所构造的。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果之后，还包括：
确定睡眠相关信号对应的睡眠分期人工标注结果及睡眠相关信号对应的睡眠分期结果之间的误差值；
若误差值大于预设误差，则根据误差值，调整特征提取子模型及分类子模型的参数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；
基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对每一原始数据样本进行时间段随机抽样，包括：
对每一原始数据样本进行间隔抽样；其中，将每一原始数据样本分为三个时间段范围，按时序依次分为第一时间段、第二时间段及第三时间段，对第一时间段与第三时间段的抽样密度小于对第二时间段的抽样密度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：随机抽样结果中存在对应多个睡眠分期人工标注结果的时间段；根据随机抽样结果确定目标训练时间段，包括：
对随机抽样结果中的所有时间段进行整合并再划分，得到目标训练时间段。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：睡眠分期模型是经过预训练得到的；预训练的过程，包括：
对每一原始数据样本进行连续切分，得到每一原始数据样本的多个连续时间段；
对每一连续时间段进行整理，得到每一连续时间段的第二目标训练时间段，第二目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一连续时间段的第二目标训练时间段及第二目标训练时间段对应的睡眠分期人工标注结果对初始模型进行训练，得到睡眠分期模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：睡眠分期模型包括特征提取子模型及分类子模型，分类子模型是基于循环神经网络所构造的，特征提取子模型是基于卷积神经网络所构造的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果之后，还包括：
确定睡眠相关信号对应的睡眠分期人工标注结果及睡眠相关信号对应的睡眠分期结果之间的误差值；
若误差值大于预设误差，则根据误差值，调整特征提取子模型及分类子模型的参数。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
对每一原始数据样本进行时间段随机抽样，根据随机抽样结果确定第一目标训练时间段，第一目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练训练后的睡眠分期模型，睡眠分期模型是基于循环神经网络所构造的；
基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对每一原始数据样本进行时间段随机抽样，包括：
对每一原始数据样本进行间隔抽样；其中，将每一原始数据样本分为三个时间段范围，按时序依次分为第一时间段、第二时间段及第三时间段，对第一时间段与第三时间段的抽样密度小于对第二时间段的抽样密度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：随机抽样结果中存在对应多个睡眠分期人工标注结果的时间段；根据随机抽样结果确定目标训练时间段，包括：
对随机抽样结果中的所有时间段进行整合并再划分，得到目标训练时间段。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：睡眠分期模型是经过预训练得到的；预训练的过程，包括：
对每一原始数据样本进行连续切分，得到每一原始数据样本的多个连续时间段；
对每一连续时间段进行整理，得到每一连续时间段的第二目标训练时间段，第二目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一连续时间段的第二目标训练时间段及第二目标训练时间段对应的睡眠分期人工标注结果对初始模型进行训练，得到睡眠分期模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：睡眠分期模型包括特征提取子模型及分类子模型，分类子模型是基于循环神经网络所构造的，特征提取子模型是基于卷积神经网络所构造的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果之后，还包括：
确定睡眠相关信号对应的睡眠分期人工标注结果及睡眠相关信号对应的睡眠分期结果之间的误差值；
若误差值大于预设误差，则根据误差值，调整特征提取子模型及分类子模型的参数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (8)
1.一种睡眠分期方法，其特征在于，所述方法包括：
获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
对每一原始数据样本进行间隔抽样；其中，将每一原始数据样本分为三个时间段范围，按时序依次分为第一时间段、第二时间段及第三时间段，对所述第一时间段与所述第三时间段的抽样密度小于对所述第二时间段的抽样密度，将抽样得到的每一抽样片段按时序顺序排列得到间隔抽样结果，确定所有抽样片段对应的时间段的总时长，对所述间隔抽样结果进行连续切分，得到所述间隔抽样结果的多个连续时间段作为第一目标训练时间段，并确定每一连续时间段的标注情况以构成第一目标训练时间段对应的睡眠分期人工标注结果；
基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练后的睡眠分期模型，所述睡眠分期模型包括特征提取子模型及分类子模型，所述分类子模型是基于循环神经网络所构造的，所述特征提取子模型是基于卷积神经网络所构造的；
基于所述训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
2.根据权利要求1所述的方法，其特征在于，所述睡眠分期模型是经过预训练得到的；所述预训练的过程，包括：
对每一原始数据样本进行连续切分，得到每一原始数据样本的多个连续时间段；
对每一连续时间段进行整理，得到每一连续时间段的第二目标训练时间段，第二目标训练时间段仅对应一个睡眠分期人工标注结果；
基于每一连续时间段的第二目标训练时间段及第二目标训练时间段对应的睡眠分期人工标注结果对初始模型进行训练，得到所述睡眠分期模型。
3.根据权利要求1所述的方法，其特征在于，所述基于所述训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果之后，还包括：
确定所述睡眠相关信号对应的睡眠分期人工标注结果及所述睡眠相关信号对应的睡眠分期结果之间的误差值；
若所述误差值大于预设误差，则根据所述误差值，调整所述特征提取子模型及所述分类子模型的参数。
4.一种睡眠分期装置，其特征在于，所述装置包括：
数据获取模块，用于获取原始数据样本集合中每一原始数据样本的睡眠分期人工标注结果，每一原始数据样本均为一次完整睡眠过程所对应的睡眠时间段；
第一确定模块，用于对每一原始数据样本进行间隔抽样；其中，将每一原始数据样本分为三个时间段范围，按时序依次分为第一时间段、第二时间段及第三时间段，对所述第一时间段与所述第三时间段的抽样密度小于对所述第二时间段的抽样密度，将抽样得到的每一抽样片段按时序顺序排列得到间隔抽样结果，确定所有抽样片段对应的时间段的总时长，对所述间隔抽样结果进行连续切分，得到所述间隔抽样结果的多个连续时间段作为第一目标训练时间段，并确定每一连续时间段的标注情况以构成第一目标训练时间段对应的睡眠分期人工标注结果；
第二确定模块，用于基于每一原始数据样本的第一目标训练时间段及第一目标训练时间段对应的睡眠分期人工标注结果对睡眠分期模型进行训练，得到训练训练后的睡眠分期模型，所述睡眠分期模型包括特征提取子模型及分类子模型，所述分类子模型是基于循环神经网络所构造的，所述特征提取子模型是基于卷积神经网络所构造的；
睡眠分期模块，用于基于所述训练后的睡眠分期模型，确定待分期的睡眠相关信号对应的睡眠分期结果。
5.根据权利要求4所述的装置，其特征在于，睡眠分期模块还用于：
确定所述睡眠相关信号对应的睡眠分期人工标注结果及所述睡眠相关信号对应的睡眠分期结果之间的误差值；
若所述误差值大于预设误差，则根据所述误差值，调整所述特征提取子模型及所述分类子模型的参数。
6.一种计算机设备，包括存储器及处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述的方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
8.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111369599.2A CN114041753B (zh) | 2021-11-16 | 2021-11-16 | 睡眠分期方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111369599.2A CN114041753B (zh) | 2021-11-16 | 2021-11-16 | 睡眠分期方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114041753A CN114041753A (zh) | 2022-02-15 |
| CN114041753B true CN114041753B (zh) | 2024-04-26 |
Family
ID=80210290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111369599.2A Active CN114041753B (zh) | 2021-11-16 | 2021-11-16 | 睡眠分期方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114041753B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116712035A (zh) * | 2023-05-31 | 2023-09-08 | 苏州海神联合医疗器械有限公司 | 基于CNN-PSO-BiLSTM睡眠分期方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104391561A (zh) * | 2014-09-30 | 2015-03-04 | 英华达（上海）科技有限公司 | 穿戴式设备进行模式切换的方法及该穿戴式设备 |
| CN106725325A (zh) * | 2016-12-27 | 2017-05-31 | 广州碧德电子科技有限公司 | 睡眠质量分析方法及分析装置 |
| 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 |
| CN110141226A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
| CN112450881A (zh) * | 2020-11-12 | 2021-03-09 | 武汉大学 | 一种基于时序关联性驱动的多模态睡眠分期方法 |
| CN112869711A (zh) * | 2021-01-19 | 2021-06-01 | 华南理工大学 | 一种基于深度神经网络的自动睡眠分期及迁移方法 |
| CN112906772A (zh) * | 2021-02-04 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 样本处理方法、装置、设备及计算机可读存储介质 |
| CN113080864A (zh) * | 2021-04-07 | 2021-07-09 | 电子科技大学 | 一种通过自动睡眠分期结果的常见睡眠疾病检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3274786B1 (en) * | 2015-03-25 | 2022-06-15 | Koninklijke Philips N.V. | Health wearable that automatically changes sensor reading timings |
| US10321871B2 (en) * | 2015-08-28 | 2019-06-18 | Awarables Inc. | Determining sleep stages and sleep events using sensor data |
| WO2017136352A1 (en) * | 2016-02-01 | 2017-08-10 | Verily Life Sciences Llc | Machine learnt model to detect rem sleep periods using a spectral analysis of heart rate and motion |
-
2021
- 2021-11-16 CN CN202111369599.2A patent/CN114041753B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104391561A (zh) * | 2014-09-30 | 2015-03-04 | 英华达（上海）科技有限公司 | 穿戴式设备进行模式切换的方法及该穿戴式设备 |
| CN106725325A (zh) * | 2016-12-27 | 2017-05-31 | 广州碧德电子科技有限公司 | 睡眠质量分析方法及分析装置 |
| 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 |
| CN110141226A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
| CN112450881A (zh) * | 2020-11-12 | 2021-03-09 | 武汉大学 | 一种基于时序关联性驱动的多模态睡眠分期方法 |
| CN112869711A (zh) * | 2021-01-19 | 2021-06-01 | 华南理工大学 | 一种基于深度神经网络的自动睡眠分期及迁移方法 |
| CN112906772A (zh) * | 2021-02-04 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 样本处理方法、装置、设备及计算机可读存储介质 |
| CN113080864A (zh) * | 2021-04-07 | 2021-07-09 | 电子科技大学 | 一种通过自动睡眠分期结果的常见睡眠疾病检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114041753A (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109222972B (zh) | 一种基于深度学习的fMRI全脑数据分类方法 | |
| CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
| Xun et al. | Detecting epileptic seizures with electroencephalogram via a context-learning model | |
| US11532396B2 (en) | System and method for patient monitoring of gastrointestinal function using automated stool classifications | |
| CN114041753B (zh) | 睡眠分期方法、装置、计算机设备和存储介质 | |
| CN112426147B (zh) | 睡眠呼吸事件检测模型处理方法、系统和存储介质 | |
| CN104598632B (zh) | 热点事件检测方法和装置 | |
| CN109871124A (zh) | 基于深度学习的情感虚拟现实场景评估方法 | |
| CN113951868B (zh) | 机械通气患者人机不同步检测方法及装置 | |
| CN109634405A (zh) | 一种基于脑电信号的情绪分类方法、装置和存储介质 | |
| KR20220160974A (ko) | 지도 학습 모델 및 비지도 학습 모델의 앙상블 구조를 이용한 대기질 데이터의 이상 판정 방법 및 시스템 | |
| CN112580807A (zh) | 一种基于效能评估的神经网络改进需求自动生成方法及装置 | |
| CN110728315B (zh) | 一种实时质量控制方法，系统和设备 | |
| CN116543154A (zh) | 一种基于多层次语义特征的医学影像分割方法 | |
| US20220265184A1 (en) | Automatic depression detection method based on audio-video | |
| CN114795133A (zh) | 睡眠呼吸暂停检测方法、装置、设备以及存储介质 | |
| Mahdi et al. | A Customized Iomt-Cloud Based Healthcare System For Analyzing of Brain Signals Via Supervised Mining Algorithms | |
| CN113100780A (zh) | 同步脑电-功能磁共振数据的自动化处理方法 | |
| CN112084889A (zh) | 一种图像行为识别方法、装置、计算设备及存储介质 | |
| CN109711467A (zh) | 数据处理装置及方法、计算机系统 | |
| CN114556283A (zh) | 一种数据写入、一致性检查和读取的方法及装置 | |
| CN115956884B (zh) | 一种睡眠状态和睡眠分期的监测方法、装置及终端设备 | |
| KR102371443B1 (ko) | 인공지능을 이용한 수면단계 분석 자동화 시스템 및 그 동작 방법 | |
| CN117056788B (zh) | 一种基于有监督对比学习的eeg信号分类方法、装置 | |
| CN116616800B (zh) | 基于元迁移学习的头皮脑电高频振荡信号识别方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |