CN114376521A - 一种睡眠状态识别模型训练、睡眠分期方法及装置 - Google Patents

一种睡眠状态识别模型训练、睡眠分期方法及装置 Download PDF

Info

Publication number
CN114376521A
CN114376521A CN202111613821.9A CN202111613821A CN114376521A CN 114376521 A CN114376521 A CN 114376521A CN 202111613821 A CN202111613821 A CN 202111613821A CN 114376521 A CN114376521 A CN 114376521A
Authority
CN
China
Prior art keywords
data
ballistocardiogram
sleep
time sequence
training
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
Application number
CN202111613821.9A
Other languages
English (en)
Inventor
周灵杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianyi Cloud Technology Co Ltd
Original Assignee
Tianyi Cloud Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianyi Cloud Technology Co Ltd filed Critical Tianyi Cloud Technology Co Ltd
Priority to CN202111613821.9A priority Critical patent/CN114376521A/zh
Publication of CN114376521A publication Critical patent/CN114376521A/zh
Pending legal-status Critical Current

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • 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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6892—Mats
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Cardiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种睡眠状态识别模型训练、睡眠分期方法及装置，其中，睡眠状态识别模型训练方法，包括：获取时序心冲击图训练数据集，时序心冲击图训练数据集中包括多个时序心冲击图训练数据；将时序心冲击图训练数据输入初始网络模型中，对初始网络模型进行训练，得到睡眠状态识别模型；初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，卷积神经网络用于根据时序心冲击图训练数据获取睡眠分期特征；长短时记忆神经网络用于根据睡眠分期特征得到时序睡眠分期特征；机器学习分类器用于根据时序睡眠分期特征确定时序心冲击图训练数据对应的睡眠状态，通过执行本发明，可以提高睡眠分期结果的准确性。

Description

一种睡眠状态识别模型训练、睡眠分期方法及装置
技术领域
本发明属于机器学习领域，具体涉及一种睡眠状态识别模型训练、睡眠分期方法及装置。
背景技术
经过研究表明，人的睡眠过程包含众多复杂的生理过程，在一定程度上睡眠质量的好坏影响人的身体健康，并且这个过程并不是单方向的，人体的身体状态在睡眠信号上也存在一定程度上的表现。
有关睡眠分期的研究都是基于脑电信号或心电信号进行的，有关睡眠分期的研究方式可以分为三种，第一种直接由精神学科或者生物学科专家学者根据信号在各阶段的表现不同进行人为划分，这种方式较为耗时，可推广性不足；第二种是基于机器学习的自动睡眠分期研究，该方向是深度学习出来之前的研究主流，该类型的研究过程一般是利用神经学科或者生物学科等领域的专家学者罗列有关睡眠分期特征，然后利用机器学习算法将提取的特征进行分类；第三种是应用深度学习进行睡眠分期，这种研究方法不需要专业的学科专家参与，利用网络本身的特征提取功能，再结合分类器进行分类，从而达到高标准的睡眠分期，由于第三种方式不需要专业的学科专家参与，利用网络本身的特征提取功能，再结合分类器进行分类，从而达到高标准的睡眠分期，现在，在睡眠分期的研究中第三种方式已经成为主流方向。但是，现在应用深度学习进行睡眠分期的研究得到睡眠分期结果仍然不够准确。
发明内容
因此，针对现有技术中的问题，本发明提供一种睡眠状态识别模型训练、睡眠分期方法及装置，用以解决现有技术中存在的问题。
第一方面，本发明提供一种睡眠状态识别模型训练方法，包括：获取时序心冲击图训练数据集，时序心冲击图训练数据集中包括多个时序心冲击图训练数据；将时序心冲击图训练数据输入初始网络模型中，对初始网络模型进行训练，得到睡眠状态识别模型；初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，卷积神经网络用于根据时序心冲击图训练数据获取睡眠分期特征；长短时记忆神经网络用于根据睡眠分期特征得到时序睡眠分期特征；机器学习分类器用于根据时序睡眠分期特征确定时序心冲击图训练数据对应的睡眠状态。
可选的，在本发明提供的睡眠状态识别模型训练方法中，卷积神经网络中包括多层卷积层；各卷积层后连接有批归一化层。
可选的，在本发明提供的睡眠状态识别模型训练方法中，卷积神经网络中包括多层卷积层；各卷积层后连接有随机失活层。
可选的，在本发明提供的睡眠状态识别模型训练方法中，获取时序心冲击图训练数据集，包括：获取时序心冲击图采样数据集，时序心冲击图采样数据集中包括多个对应不同睡眠状态的时序心冲击图采样数据；对时序心冲击图采样数据进行降噪处理，得到训练去噪数据集；对训练去噪数据集进行均衡化处理，得到时序心冲击图训练数据集。
第二方面，本发明提供一种睡眠分期方法，包括：获取时序心冲击图数据，将时序心冲击图数据分解为多个样本数据；将样本数据分别输入到睡眠状态识别模型中，得到各样本数据对应的睡眠识别结果，睡眠状态识别模型通过本发明中任一项的睡眠状态识别模型训练方法确定；将各数据样本对应的睡眠识别结果形成的时序集合确定为睡眠分期结果。
可选的，在本发明提供的睡眠分期方法中，获取时序心冲击图数据，包括：获取时序心冲击图采样数据；对时序心冲击图采样数据进行降噪处理，得到时序心冲击图数据。
第三方面，本发明提供一种睡眠状态识别模型训练装置，包括：数据获取模块，用于获取时序心冲击图训练数据集，时序心冲击图训练数据集中包括多个时序心冲击图训练数据；数据处理模块，用于将时序心冲击图训练数据输入初始网络模型中，对初始网络模型进行训练，得到睡眠状态识别模型；初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，卷积神经网络用于根据时序心冲击图训练数据获取睡眠分期特征；长短时记忆神经网络用于根据睡眠分期特征得到时序睡眠分期特征；机器学习分类器用于根据时序睡眠分期特征确定时序心冲击图训练数据对应的睡眠状态。
第四方面，本发明提供一种睡眠分期装置，包括：数据获取模块，用于获取时序心冲击图数据，将时序心冲击图数据分解为多个样本数据；数据处理模块，用于将样本数据分别输入到睡眠状态识别模型中，得到各样本数据对应的睡眠识别结果，睡眠状态识别模型通过本发明中任一项的睡眠状态识别模型训练方法确定；数据汇总模块，用于将各数据样本对应的睡眠识别结果形成的时序集合确定为睡眠分期结果。
第五方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，计算机指令被处理器执行如本发明第一方面提供的睡眠状态识别模型训练方法，或，如本发明第二方面提供的睡眠分期方法。
第六方面，本发明提供一种计算机设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，从而执行如本发明第一方面提供的睡眠状态识别模型训练方法，或，如本发明第二方面提供的睡眠分期方法。
本发明技术方案，具有如下优点：
本发明提供的睡眠状态识别模型训练、睡眠分期方法及装置，使用卷积神经网络、长短时记忆神经网络、机器学习分类器建立睡眠状态识别模型，其中卷积神经网络具有自动特征提取的功能，可以对时序心冲击图训练数据进行分析提取到睡眠分期特征；长短时记忆神经网络对于时间序列数据具有先天优势，可以提取出睡眠分期特征中与时序相关的部分，提高了睡眠分期数据的准确性；机器学习分类器可以准确且快速的对时序睡眠分期特征进行分类；由于睡眠状态识别模型集合了卷积神经网络、长短时记忆神经网络、机器学习分类器，所以通过执行本发明，可以提高睡眠分期结果的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例中睡眠状态识别模型训练方法的一个具体实例的流程图；
图2为本发明实施例中睡眠状态识别模型的一个具体实例的结构示意图
图3为本发明实施例中睡眠分期方法的一个具体实例的流程图；
图4为本发明实施例睡眠分期方法的一个具体实例中对睡眠分期结果的分析图；
图5为本发明实施例中睡眠状态识别模型训练装置的一个具体实例的结构示意图；
图6为本发明实施例中睡眠分期装置的一个具体实例的结构示意图；
图7为本发明实施例中计算机设备的一个具体实例的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种睡眠状态识别模型训练方法，如图1所示，该方法包括：
步骤S1：获取时序心冲击图训练数据集，时序心冲击图训练数据集中包括多个时序心冲击图训练数据。
在一可选实施例中，通过接触式智能穿戴设备获取时序心冲击图训练数据，由时序心冲击图训练数据构建时序心冲击图训练数据集。
示例性地，接触式智能穿戴设备可以是智能手表、智能手环等。
在一可选实施例中，通过非接触式智能穿戴设备获取时序心冲击图训练数据，由时序心冲击图训练数据构建时序心冲击图训练数据集。
示例性地，非接触式智能穿戴设备可以是智能床垫等，其中智能床垫包括18路压感薄膜传感器，通过非接触式智能穿戴设备获取时序心冲击图训练数据时，非接触式智能穿戴设备不需要用户随身佩戴、接触、操作等，数据检测过程不会降低用户的睡眠质量，提高了用户体验。
步骤S2：将时序心冲击图训练数据输入初始网络模型中，对初始网络模型进行训练，得到睡眠状态识别模型。如图2所示，初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器。在初始网络模型中，卷积神经网络用于根据时序心冲击图训练数据获取睡眠分期特征。
在一可选实施例中，如图2所示，卷积神经网络包括输入层(Input)、卷积层(cov)、池化层(Maxpool)、全连接层、输出层等，时序心冲击图训练数据输入到卷积神经网络后进行如下步骤：
首先，时序心冲击图训练数据通过输入层进入卷积神经网络得到输入数据，示例性地，若时序心冲击图训练数据格式为2*1500，则通过卷积神经网络输入层得到的输入数据为2*1500。
其次，将输入数据传送到卷积层和池化层，对输入数据进行卷积操作和池化操作，得到睡眠分期特征。
再次，将睡眠分期特征传送到全连接层，全连接层对睡眠分期特征进行非线性组合，得到输出数据，示例性地，其中对睡眠分期特征进行非线性组合可以根据后续步骤的接收环节进行设定，非线性组合可以按照128维来进行。
最后，通过输出层得到输出数据，输出数据供给后续步骤使用。
长短时记忆神经网络用于根据睡眠分期特征得到时序睡眠分期特征。
在一可选实施例中，如图2所示，长短时记忆神经网络包括输入层、处理层(BiLSTM)、输出层等，长短时记忆神经网络将来自卷积神经网络的输出数据作为输入数据，通过处理层将睡眠分期特征中与时序相关的睡眠分期特征提取出来，通过输出层将时序睡眠分期特征输出。
机器学习分类器用于根据时序睡眠分期特征确定时序心冲击图训练数据对应的睡眠状态。在一可选实施例中，睡眠状态可以分为清醒、浅睡、深睡三种状态。
在一可选实施例中，如图2所示，机器学习分类器可以是支持向量机(SVM)，支持向量机是一个具有稀疏性和稳健性的分类器，可以准确且快速的对时序睡眠分期特征进行分类。
在一可选实施例中，为验证通过本发明实施例得到的睡眠状态识别模型得到的睡眠分期结果能够准确的反映出目标对象的睡眠状态，将通过现有技术实现睡眠分期得到的结果与本发明实施例提供的睡眠状态识别模型得到的结果进行比较，得到比较结果，比较结果如表1所示。
由表1可知，本发明实施例提供的睡眠状态识别模型得到睡眠分期结果的准确率为86.1％、召回率为85.4％、F值为86.6％，综合性能高于其他网络模型，由此可见，通过本发明实施例得到的睡眠状态识别模型能够更准确地分析得到目标对象的睡眠状态。
表1
模型 准确率 召回率 F值
卷积神经网络模型 77.3％ 68.3％ 78.5％
长短时记忆神经网络模型 56.5％ 53.7％ 50.2％
睡眠状态识别模型 86.1％ 85.4％ 86.6％
卷积神经网络_机器分类模型 81.7％ 72.2％ 71.6％
在本发明实施例中，使用卷积神经网络、长短时记忆神经网络、机器学习分类器建立睡眠状态识别模型，其中卷积神经网络具有自动特征提取的功能，可以对时序心冲击图训练数据进行分析提取到睡眠分期特征；长短时记忆神经网络对于时间序列数据具有先天优势，可以提取出睡眠分期特征中与时序相关的部分，提高了睡眠分期数据的准确性；机器学习分类器可以准确且快速的对时序睡眠分期特征进行分类；由于睡眠状态识别模型集合了卷积神经网络、长短时记忆神经网络、机器学习分类器，所以通过执行本发明实施例，可以提高睡眠分期结果的准确性。
在一可选实施例中，如图2所示，卷积神经网络中包括多层卷积层，各卷积层后连接有批归一化层(BN)。
卷积神经网络中包括卷积层，卷积层数量可以根据实际需求进行设定，示例性地，卷积层数量可以设定为7层。
在卷积神经网络的训练过程中，为了加快卷积神经网络的训练效率，可以在卷积操作后设置批归一化层，批归一化层可以加快卷积神经网络的收敛速度同时避免在反向传播时出现梯度消失的情况。
在一可选实施例中，如图2所示，卷积神经网络中包括多层卷积层，各卷积层后连接有随机失活层(Dropout)。
在卷积神经网络的训练过程中，参数设置过多会导致执行卷积操作后产生过拟合问题，针对过拟合问题，可以在卷积操作后设置随机失活层，由于增设随机失活层可以随机删除一些神经元数量，以解决过拟合问题，同时增设随机失活层降低了卷积神经网络的计算开销，提高了卷积神经网络的计算速度。
在一可选实施例中，在对初始网络模型的训练过程中，可以加入激活函数、学习率优化等环节进行训练优化。
示例性地，激活函数可以使用线性整流函数，加入线性整流函数可以解决网络模型自身的梯度弥散问题，使网络模型的训练速度和收敛速度加快，增加网络模型的非线性。
在一可选实施例中，获取时序心冲击图训练数据集的步骤具体包括：
首先，获取时序心冲击图采样数据集，时序心冲击图采样数据集中包括多个对应不同睡眠状态的时序心冲击图采样数据。
然后，对时序心冲击图采样数据进行降噪处理，得到训练去噪数据集。
最后，对训练去噪数据集进行均衡化处理，得到时序心冲击图训练数据集。
在一可选实施例中，采用差分分解、经验模态分解或小波去噪中任一种方式对时序心冲击图采样数据进行降噪处理。
其中，差分分解是对时序心冲击图采样数据保留序列特征的情况下去除序列中的趋势项的过程。
经验模态分解是将时序心冲击图采样数据分解成多条频率由高到低排列的信号分量数据。
通过经验模态分解方法对时序心冲击图采样数据进行降噪的步骤包括：
(1)找到时序心冲击图采样数据x(t)所有的极值点。
(2)用3次样条曲线拟合出上下极值点的包络线emax(t)和emin(t)，并求出上下包络线的平均值m(t)，在x(t)中减去m(t):h(t)＝x(t)-m(t)。
(3)根据预设判据判断h(t)是否为信号分量数据。
(4)如果不是，则以h(t)代替x(t)，重复以上步骤(1)-步骤(3)直到h(t)满足判据。
(5)得到一阶信号分量数据，从时序心冲击图采样数据中将得到的一阶信号分量数据扣除，重复步骤(1)-步骤(5)，直到信号最后剩余部分是单调序列或者常值序列。
经过经验模态分解就将时序心冲击图采样数据去除了剩余部分分解为一系列信号分量数据，即，完成了时序心冲击图采样数据的降噪处理。
小波去噪是利用小波变换将时序心冲击图采样数据中原始时序信号分解后，将其中的高频信号部分的信号提取出来，进而完成对时序心冲击图采样数据的降噪处理。
通过对时序心冲击图采样数据进行降噪处理，可以提高时序心冲击图采样数据的质量和信噪比。
将所有进行过降噪处理的时序心冲击图采样数据相结合，形成训练去噪数据集。
在一可选实施例中，时序心冲击图训练数据集包含多个不同睡眠阶段的时序心冲击图采样数据，由于各不同睡眠阶段的时序心冲击图采样数据的数量不同，且数据量相差较大差距，进而会产生数据不均衡的问题，影响睡眠状态识别模型对时序心冲击图采样数据的准确性。
针对数据不均衡问题，可以采用欠采样、过采样或混合采样中任一种方式对时序心冲击图采样数据进行均衡化处理。
其中，欠采样是指对数据集多数类别样本进行随机减少样本数，具体的采样过程为：将训练去噪数据集中多数类样本的样本个数随机删除直到达到和少数类样本数量一样。
过采样具体的操作过程为：将训练去噪数据集少数类样本中随机选择样本进行简单复制或者进行简单样本合成，使得数据的数据量达到多数类样本的数据量。
可以使用合成少数类过采样技术实现过采样处理，合成少数类过采样技术的算法过程为：在训练去噪数据集中的少数类样本的K个最近邻中随机选择一个样本，然后在两个样本的中间随机选择一点生成新的样本。
在一可选实施例中，合成少数类过采样技术也可以先对少数类样本进行聚类，得到不同的聚类簇，将聚类簇替换训练去噪数据集中的少数类样本。
混合采样是欠采样与过采样的结合体，混合采样的具体过程：对训练去噪数据集中少数类的样本进行随机简单复制，对训练去噪数据集中多数类样本集进行随机删除操作从而建立新的数据集，这样做可以在减少多数样本数量的同时，增加少数类样本的比重。
本发明实施例提供一种睡眠分期方法，如图3所示，该方法包括：
步骤S3：获取时序心冲击图数据，将时序心冲击图数据分解为多个样本数据。
在一可选实施例中，将时序心冲击图数据按预设时间进行分解，预设时间可以按照实际需求进行设定，示例性地，当预设时间设定为30s时，将时序心冲击图按预设时间分解为多个30秒的样本数据。
步骤S4：将样本数据分别输入到睡眠状态识别模型中，得到各样本数据对应的睡眠识别结果，睡眠状态识别模型通过上述任意实施例中的任一项睡眠状态识别模型训练方法确定。
在一可选实施例中，时序心冲击图数据通过智能床垫获取，智能床垫中包括压感薄膜传感器和信号传输模块，其中，通过压感薄膜传感器获取时序心冲击图数据，通过信号传输模块将时序心冲击图训练数据传输到服务器，进而服务器采用分布式数据库进行数据持久化以及数据分析，并将数据输入初始网络模型中。其中，信号传输模块可以是无线(Wi-Fi)模块，无线模块属于物联网传输层，是将串口或TTL电平转为符合无线网络通信标准的嵌入式模块，无线模块内置无线网络协议IEEE802.11b.g.n协议栈以及TCP/IP协议栈；无线模块可以直接利用无线网络联入互联网，是实现无线智能家居、M2M等物联网应用的重要组成部分。无线模块通过指定信道号的方式来进行快速联网，在无线联网过程中，首先对当前的所有信道自动进行一次扫描，搜索连接基于AP或Adhoc创建的网络。无线模块提供了设置工作信道的参数，在已知目的网络所在信道的条件下，可以直接指定模块的工作信道，从而达到加快联网速度的目的。
步骤S5：将各数据样本对应的睡眠识别结果形成的时序集合确定为睡眠分期结果。
在一可选实施例中，将指定用户在预设时间段内的各数据样本对应的睡眠识别结果按照时间先后顺序进行排列，得到睡眠分期结果，示例性地，预设时间段可以按照实际需求进行设定，预设时间段可以设定为8小时，睡眠分期结果包含指定用户的睡眠分期结果，不同睡眠识别结果对应着不同的时间段。
用户可以根据睡眠分期结果进行睡眠时间统计、睡眠时间调整和管理等。
为了验证通过本发明实施例提供的睡眠分期方法能够准确测得目标对象的睡眠状态，采用多组数据对本发明实施例提供的睡眠分期方法的准确率进行了检测，检测结果如表2所示。
表2
Figure BDA0003436015930000151
在一可选实施例中，将指定用户的实际睡眠状态与通过本发明实施例提供的睡眠分期方法得到的睡眠分期结果进行对比分析，分析结果如图4所示。
其中纵坐标的0，1，2分别代表睡眠分期标准中的清醒，浅睡，深睡，图3中位于上方的折线图为用户实际睡眠状态，图3中位于下方的折线图为是通过本发明实施例提供的睡眠分期方法得到的该用户睡眠的分类结果，可以明显看出，图3中的两个折线图相似度较高，由此可见本发明实施例提供的睡眠分期方法对于清醒和浅睡的识别准确率较高。
在一可选实施例中，获取时序心冲击图数据的步骤具体包括：
首先，获取时序心冲击图采样数据，详细内容参见上述实施列中对获取时序心冲击图训练数据步骤的描述，在此不再赘述。
然后，对时序心冲击图采样数据进行降噪处理，得到时序心冲击图数据，详细内容参见上述实施列中对时序心冲击图采样数据进行降噪处理步骤的描述，在此不再赘述。
本发明实施例提供一种睡眠状态识别模型训练装置，如图5所示，该装置包括：
数据获取模块51，用于获取时序心冲击图训练数据集，时序心冲击图训练数据集中包括多个时序心冲击图训练数据，详细内容参见上述实施列中对S1步骤的描述，在此不再赘述。
数据处理模块52，用于将时序心冲击图训练数据输入初始网络模型中，对初始网络模型进行训练，得到睡眠状态识别模型；初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，卷积神经网络用于根据时序心冲击图训练数据获取睡眠分期特征；长短时记忆神经网络用于根据睡眠分期特征得到时序睡眠分期特征；机器学习分类器用于根据时序睡眠分期特征确定时序心冲击图训练数据对应的睡眠状态，详细内容参见上述实施列中对S2步骤的描述，在此不再赘述。
本发明实施例提供一种睡眠分期装置，如图6所示，该装置包括：
数据获取模块61，用于获取时序心冲击图数据，将时序心冲击图数据分解为多个样本数据，详细内容参见上述实施列中对S3步骤的描述，在此不再赘述。
数据处理模块62，用于将样本数据分别输入到睡眠状态识别模型中，得到各样本数据对应的睡眠识别结果，睡眠状态识别模型通过上述任意实施例中的任一项睡眠状态识别模型训练方法确定，详细内容参见上述实施列中对S4步骤的描述，在此不再赘述。
数据汇总模块63，用于将各数据样本对应的睡眠识别结果形成的时序集合确定为睡眠分期结果，详细内容参见上述实施列中对S5步骤的描述，在此不再赘述。
本发明实施例提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意实施例中的睡眠状态识别模型训练、睡眠分期方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供一种计算机设备，如图7所示，该计算机设备可以包括至少一个处理器71、至少一个通信接口72、至少一个通信总线73和至少一个存储器74，其中，通信接口72可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口72还可以包括标准的有线接口、无线接口。存储器34可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器74可选的还可以是至少一个位于远离前述处理器71的存储装置。存储器74中存储应用程序，且处理器71调用存储器74中存储的程序代码，以用于执行上述任意发明实施例的步骤。
其中，通信总线73可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线73可以分为地址总线、数据总线、控制总线等。为便于表示，图7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。
其中，存储器74可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器74还可以包括上述种类的存储器的组合。
其中，处理器71可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器71还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器74还用于存储程序指令。处理器71可以调用程序指令，实现如上述任意实施例中的睡眠状态识别模型训练、睡眠分期方法。

Claims (10)

1.一种睡眠状态识别模型训练方法，其特征在于，包括：
获取时序心冲击图训练数据集，所述时序心冲击图训练数据集中包括多个时序心冲击图训练数据；
将所述时序心冲击图训练数据输入初始网络模型中，对所述初始网络模型进行训练，得到睡眠状态识别模型；所述初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，所述卷积神经网络用于根据所述时序心冲击图训练数据获取睡眠分期特征；所述长短时记忆神经网络用于根据所述睡眠分期特征得到时序睡眠分期特征；所述机器学习分类器用于根据所述时序睡眠分期特征确定所述时序心冲击图训练数据对应的睡眠状态。
2.根据权利要求1所述的睡眠状态识别模型训练方法，其特征在于，
所述卷积神经网络中包括多层卷积层；
各所述卷积层后连接有批归一化层。
3.根据权利要求1所述的睡眠状态识别模型训练方法，其特征在于，
所述卷积神经网络中包括多层卷积层；
各所述卷积层后连接有随机失活层。
4.根据权利要求1所述的睡眠状态识别模型训练方法，其特征在于，获取时序心冲击图训练数据集，包括：
获取时序心冲击图采样数据集，所述时序心冲击图采样数据集中包括多个对应不同睡眠状态的时序心冲击图采样数据；
对所述时序心冲击图采样数据进行降噪处理，得到训练去噪数据集；
对所述训练去噪数据集进行均衡化处理，得到所述时序心冲击图训练数据集。
5.一种睡眠分期方法，其特征在于，包括：
获取时序心冲击图数据，将所述时序心冲击图数据分解为多个样本数据；
将所述样本数据分别输入到睡眠状态识别模型中，得到各样本数据对应的睡眠识别结果，所述睡眠状态识别模型通过如权利要求1-4中任一项所述的睡眠状态识别模型训练方法确定；
将各所述数据样本对应的睡眠识别结果形成的时序集合确定为睡眠分期结果。
6.根据权利要求5所述的睡眠分期方法，其特征在于，获取时序心冲击图数据，包括：
获取时序心冲击图采样数据；
对所述时序心冲击图采样数据进行降噪处理，得到所述时序心冲击图数据。
7.一种睡眠状态识别模型训练装置，其特征在于，包括：
数据获取模块，用于获取时序心冲击图训练数据集，所述时序心冲击图训练数据集中包括多个时序心冲击图训练数据；
数据处理模块，用于将所述时序心冲击图训练数据输入初始网络模型中，对所述初始网络模型进行训练，得到睡眠状态识别模型；所述初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，所述卷积神经网络用于根据所述时序心冲击图训练数据获取睡眠分期特征；所述长短时记忆神经网络用于根据所述睡眠分期特征得到时序睡眠分期特征；所述机器学习分类器用于根据所述时序睡眠分期特征确定所述时序心冲击图训练数据对应的睡眠状态。
8.一种睡眠分期装置，其特征在于，包括：
数据获取模块，用于获取时序心冲击图数据，将所述时序心冲击图数据分解为多个样本数据；
数据处理模块，用于将所述样本数据分别输入到睡眠状态识别模型中，得到各样本数据对应的睡眠识别结果，所述睡眠状态识别模型通过如权利要求1-4中任一项所述的睡眠状态识别模型训练方法确定；
数据汇总模块，用于将各所述数据样本对应的睡眠识别结果形成的时序集合确定为睡眠分期结果。
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存储计算机指令，所述计算机指令被处理器执行时实现如权利要求1-4所述的一种睡眠状态识别模型训练方法，或，如权利要求5或6所述的一种睡眠分期方法。
10.一种计算机设备，其特征在于，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，从而执行权利要求1-4所述的一种睡眠状态识别模型训练方法，或，如权利要求5或6所述的一种睡眠分期方法。
CN202111613821.9A 2021-12-27 2021-12-27 一种睡眠状态识别模型训练、睡眠分期方法及装置 Pending CN114376521A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111613821.9A CN114376521A (zh) 2021-12-27 2021-12-27 一种睡眠状态识别模型训练、睡眠分期方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111613821.9A CN114376521A (zh) 2021-12-27 2021-12-27 一种睡眠状态识别模型训练、睡眠分期方法及装置

Publications (1)

Publication Number Publication Date
CN114376521A true CN114376521A (zh) 2022-04-22

Family

ID=81197538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111613821.9A Pending CN114376521A (zh) 2021-12-27 2021-12-27 一种睡眠状态识别模型训练、睡眠分期方法及装置

Country Status (1)

Country Link
CN (1) CN114376521A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107961007A (zh) * 2018-01-05 2018-04-27 重庆邮电大学 一种结合卷积神经网络和长短时记忆网络的脑电识别方法
CN108201435A (zh) * 2017-12-06 2018-06-26 深圳和而泰数据资源与云技术有限公司 睡眠分期确定方法、相关设备及计算机可读介质
CN108392176A (zh) * 2017-02-08 2018-08-14 上海跃扬医疗科技有限公司 一种基于心冲击信号采集的睡眠结构检测方法
CN110327055A (zh) * 2019-07-29 2019-10-15 桂林电子科技大学 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法
CN110427924A (zh) * 2019-09-09 2019-11-08 桂林电子科技大学 一种基于lstm的心冲击信号自动多分类识别方法
CN110742585A (zh) * 2019-10-10 2020-02-04 北京邮电大学 基于bcg信号的睡眠分期方法
CN111329469A (zh) * 2020-03-05 2020-06-26 广州天嵌计算机科技有限公司 一种心律异常预测方法
CN112507784A (zh) * 2020-10-30 2021-03-16 华南师范大学 一种心冲击图时序信号的有效性检测方法
CN113397555A (zh) * 2021-07-21 2021-09-17 南通大学附属医院 生理参数监测用c-lstm的心率失常分类算法
KR102331184B1 (ko) * 2020-12-28 2021-12-01 (주)멜로잉팩토리 최적 수면 사이클에 기초한 수면 유도 장치 및 방법

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108392176A (zh) * 2017-02-08 2018-08-14 上海跃扬医疗科技有限公司 一种基于心冲击信号采集的睡眠结构检测方法
CN108201435A (zh) * 2017-12-06 2018-06-26 深圳和而泰数据资源与云技术有限公司 睡眠分期确定方法、相关设备及计算机可读介质
CN107961007A (zh) * 2018-01-05 2018-04-27 重庆邮电大学 一种结合卷积神经网络和长短时记忆网络的脑电识别方法
CN110327055A (zh) * 2019-07-29 2019-10-15 桂林电子科技大学 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法
CN110427924A (zh) * 2019-09-09 2019-11-08 桂林电子科技大学 一种基于lstm的心冲击信号自动多分类识别方法
CN110742585A (zh) * 2019-10-10 2020-02-04 北京邮电大学 基于bcg信号的睡眠分期方法
CN111329469A (zh) * 2020-03-05 2020-06-26 广州天嵌计算机科技有限公司 一种心律异常预测方法
CN112507784A (zh) * 2020-10-30 2021-03-16 华南师范大学 一种心冲击图时序信号的有效性检测方法
KR102331184B1 (ko) * 2020-12-28 2021-12-01 (주)멜로잉팩토리 최적 수면 사이클에 기초한 수면 유도 장치 및 방법
CN113397555A (zh) * 2021-07-21 2021-09-17 南通大学附属医院 生理参数监测用c-lstm的心率失常分类算法

Similar Documents

Publication Publication Date Title
CN109754017B (zh) 基于可分离的三维残差网络和迁移学习高光谱图像分类方法
WO2019091181A1 (zh) 图像处理方法、处理装置和处理设备
US11100398B2 (en) Operating machine-learning models on different platforms
US20160379352A1 (en) Label-free non-reference image quality assessment via deep neural network
US10388009B2 (en) Machine-learning measurements of quantitative feature attributes
CN111954250B (zh) 一种轻量级Wi-Fi行为感知方法和系统
US11657284B2 (en) Neural network model apparatus and compressing method of neural network model
CN109512390B (zh) 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置
CN111368648B (zh) 雷达辐射源个体识别方法、装置、电子设备及其存储介质
CN113593714A (zh) 一种多分类新冠肺炎病例的检测方法、系统、设备及介质
CN112950480A (zh) 一种融合多感受野和密集残差注意的超分辨率重建方法
WO2017107035A1 (en) Time domain feature transform for user gestures
CN111428601B (zh) 一种基于ms-cnn的p300信号识别方法、装置及存储介质
CN114376521A (zh) 一种睡眠状态识别模型训练、睡眠分期方法及装置
CN113076878A (zh) 基于注意力机制卷积网络结构的体质辨识方法
CN116350239A (zh) 一种脑电信号专注度分类方法及系统
CN115238806A (zh) 样本类别不平衡的联邦学习方法以及相关设备
CN111289251A (zh) 一种滚动轴承细粒度故障识别方法
CN110599232A (zh) 基于大数据的消费群体分析方法
CN115987730A (zh) 基于树状感知融合卷积网络的信号调制识别方法
CN116050253A (zh) 菜品风味智能识别方法、装置、设备及存储介质
WO2021017736A1 (zh) 一种图像分析装置
CN110516566B (zh) 一种基于卷积层的滤波方法及装置
CN109965847B (zh) 服务器和信号分析系统
CN114740815A (zh) 基于神经网络的客车故障诊断方法、装置和电子设备

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