CN114376564B - 一种基于心冲击信号的睡眠分期方法、系统、装置及介质 - Google Patents

一种基于心冲击信号的睡眠分期方法、系统、装置及介质 Download PDF

Info

Publication number
CN114376564B
CN114376564B CN202111634264.9A CN202111634264A CN114376564B CN 114376564 B CN114376564 B CN 114376564B CN 202111634264 A CN202111634264 A CN 202111634264A CN 114376564 B CN114376564 B CN 114376564B
Authority
CN
China
Prior art keywords
signal
rate variability
heart rate
heart
sleep stage
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
Application number
CN202111634264.9A
Other languages
English (en)
Other versions
CN114376564A (zh
Inventor
何克晶
罗宇杰
卓伟伦
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.)
Guangzhou Odier Technology Co ltd
South China University of Technology SCUT
Original Assignee
Guangzhou Odier Technology Co ltd
South China University of Technology SCUT
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 Guangzhou Odier Technology Co ltd, South China University of Technology SCUT filed Critical Guangzhou Odier Technology Co ltd
Priority to CN202111634264.9A priority Critical patent/CN114376564B/zh
Publication of CN114376564A publication Critical patent/CN114376564A/zh
Application granted granted Critical
Publication of CN114376564B publication Critical patent/CN114376564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • 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
    • A61B5/48—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
    • A61B5/6887—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
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于心冲击信号的睡眠分期方法、系统、装置及介质，其中方法包括：采集人体的第一心冲击信号；根据所述第一心冲击信号获取第一心跳信号和第一呼吸信号；根据所述第一心跳信号和所述第一呼吸信号获取第一心率变异性和第一心肺耦合功率谱图；将所述所述第一心率变异性和所述第一心肺耦合功率谱图输入睡眠分期模型进行特征提取，根据提取的特征进行睡眠分期，输出分期结果；其中，所述睡眠分期模型通过采用心电信号进行训练后，再基于迁移学习，采用心冲击信号进行调整获得。本发明通过心冲击信号实现睡眠分期，由于能够非侵入式地采集心冲击信号，提高睡眠监测的舒适性。本发明可广泛应用于睡眠监测领域。

Description

一种基于心冲击信号的睡眠分期方法、系统、装置及介质
技术领域
本发明涉及睡眠监测领域，尤其涉及一种基于心冲击信号的睡眠分期方法、系统、装置 及介质。
背景技术
随着生活水平的提高，人们越来越关注自己的健康状况。睡眠是人最重要的生理活动之 一，睡眠质量直接影响到人的健康。其中，睡眠分期是评估睡眠质量的重要指标。
医学上使用多导睡眠图PSG进行睡眠监测，但监测程序复杂，设备昂贵，对人体侵入性 强，难以进行长期的睡眠监测。现有技术基于脑电波信号(EEG)，眼电信号(EOG)，心电信号(ECG)进行睡眠分期，但是采集上述的电信号具有一定的侵入性。目前尚缺少一种通过非侵入性的采集方式，对人体进行睡眠分期。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基 于心冲击信号的睡眠分期方法、系统、装置及介质。
本发明所采用的技术方案是：
一种基于心冲击信号的睡眠分期方法，包括以下步骤：
采集人体的第一心冲击信号；
根据所述第一心冲击信号获取第一心跳信号和第一呼吸信号；
根据所述第一心跳信号和所述第一呼吸信号获取第一心率变异性和第一心肺耦合功率谱 图；
将所述所述第一心率变异性和所述第一心肺耦合功率谱图输入睡眠分期模型进行特征提 取，根据提取的特征进行睡眠分期，输出分期结果；
其中，所述睡眠分期模型通过采用心电信号进行训练后，再基于迁移学习，采用心冲击 信号进行调整获得。
进一步，所述睡眠分期模型通过以下方式获得：
同步采集人体的第二心冲击信号和心电信号；
根据所述第二心冲击信号获取第二心跳信号和第二呼吸信号，根据所述第二心跳信号和 所述第二呼吸信号获取第二心率变异性和第二心肺耦合功率谱图；
根据所述心电信号获取第三心跳信号和第三呼吸信号，根据所述第三心跳信号和所述第 三呼吸信号获取第三心率变异性和第三心肺耦合功率谱图；
构建多模态神经网络，所述多模态神经网络用于对心率变异性和心肺耦合功率谱图进行 特征提取，并根据提取的特征进行睡眠分期；
采用所述第三心率变异性和所述第三心肺耦合功率谱图对所述多模态神经网络进行预训 练，应用迁移学习，采用所述第二心率变异性和所述第二心肺耦合功率谱图对所述多模态神 经网络进行调整，获得睡眠分期模型。
进一步，所述根据所述第一心冲击信号获取第一心跳信号和第一呼吸信号，包括：
根据所述第一心冲击信号计算移动平均值，根据所述移动平均值剔除所述第一心冲击信 号中的噪声信号；
采用小波变换提取预设频段的信号分量；
从信号分量中获取周期性较强的心跳信号作为所述第一心跳信号；
从信号分量中获取周期性较强的呼吸信号作为所述第一呼吸信号；
其中，周期性通过自相关系数进行评估。
进一步，心率变异性的指标包括：时域特征、频域特征、样本熵、庞加莱图特征、交感 神经指数以及迷走神经指数；
心肺耦合功率谱图通过以下方式获得：
基于滑动窗口计算心跳信号和呼吸信号的交叉谱密度，获取预设频率段中多个窗口的计 算结果，将多个窗口的计算结果按时间顺序进行拼接，获得心肺耦合功率谱图。
进一步，所述睡眠分期模型包括卷积神经网络、长短期记忆网络和注意力机制神经网络；
睡眠分期模型对心率变异性和心肺耦合功率谱图进行特征提取，包括：
采用卷积神经网络提取心肺耦合功率谱图的特征，获得第一特征向量；
采用长短期记忆网络提取心率变异性的特征，获得第二特征向量；
将所述第一特征向量和所述第二特征向量进行联结，获得第三特征向量；
将所述第三特征向量输入注意力机制神经网络进行睡眠分期判断，获得分期结果。进一 步，
进一步，训练所述睡眠分期模型时采用的损失函数的表达式如下：
其中，HRVreal,i表示实际的心率变异性特征，HRVi表示模型提取的心率变异性特征， CPCreal,i实际的心肺耦合特征，CPCi表示模型提取的心肺耦合特征，Attentiontarget,i表示目标 注意力机制向量，Attentioni表示模型生成的注意力机制向量，n为样本数，λ为正则化参数， w为神经网络中的参数，p为参数的数量，m为频率范围，k为注意力机制向量的个数。
进一步，所述第一心冲击信号通过以下方式采集获得：
通过压电薄膜传感器采集获取所述第一心冲击信号；
其中，所述压电薄膜传感器集成在提供人体坐卧的产品上。示例地，所述压电薄膜传感 器集成在睡眠带中，所述睡眠带放置在床垫下。
本发明所采用的另一技术方案是：
一种基于心冲击信号的睡眠分期系统，包括：
信号采集模块，用于采集人体的第一心冲击信号；
信号提取模块，用于根据所述第一心冲击信号获取第一心跳信号和第一呼吸信号；
特征获取模块，用于根据所述第一心跳信号和所述第一呼吸信号获取第一心率变异性和 第一心肺耦合功率谱图；
睡眠分期模块，用于将所述所述第一心率变异性和所述第一心肺耦合功率谱图输入睡眠 分期模型进行特征提取，根据提取的特征进行睡眠分期，输出分期结果；
其中，所述睡眠分期模型通过采用心电信号进行训练后，再基于迁移学习，采用心冲击 信号进行调整获得。
本发明所采用的另一技术方案是：
一种基于心冲击信号的睡眠分期装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述 方法。
本发明所采用的另一技术方案是：
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序 在由处理器执行时用于执行如上所述方法。
本发明的有益效果是：本发明通过心冲击信号(BCG)实现睡眠分期，由于能够非侵入 式地采集BCG信号，提高睡眠监测的舒适性；另外，使用ECG信号对深度学习模型进行预训练，并将模型迁移到BCG信号进行睡眠分期，提高模型分期的准确性。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者 现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方 便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1是本发明实施例中一种基于心冲击信号的睡眠分期方法的总体流程图；
图2是本发明实施例中不同睡眠阶段的心肺耦合功率谱图；
图3是本发明实施例中一种基于心冲击信号的睡眠分期方法的迁移学习模型图；
图4是本发明实施例中一种基于心冲击信号的睡眠分期方法的步骤流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或 类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的 实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的 各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化 描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、 超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二 只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属 技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图4所示，本实施例提供一种基于心冲击信号的睡眠分期方法，包括以下步骤：
S101、采集人体的第一心冲击信号；
S102、根据第一心冲击信号获取第一心跳信号和第一呼吸信号；
S103、根据第一心跳信号和第一呼吸信号获取第一心率变异性和第一心肺耦合功率谱图；
S104、将第一心率变异性和第一心肺耦合功率谱图输入睡眠分期模型进行特征提取，根 据提取的特征进行睡眠分期，输出分期结果；
其中，睡眠分期模型通过采用心电信号进行训练后，再基于迁移学习，采用心冲击信号 进行调整获得。
由于心电信号(即ECG信号)的有效组成成分是心跳信号和呼吸信号，而心冲击信号(即 BCG信号)的效组成成分也是心跳信号和呼吸信号，因此ECG信号与BCG信号之间具有一 定的关联性。而BCG信号的采集比较容易，通过非接触的传感器即可采集到，比如，在床垫 上安装了传感器，人体躺着床垫上，传感器即可采集到人体的BCG信号，对人体来说，没有 带来不适。基于此，本实施例中，先通过带有睡眠分期标签的ECG数据集对模型进行训练， 再将预训练后的睡眠分期模型迁移到BCG信号上。后续在进行睡眠分期时，只需采用人体的 BCG信号输入模型中，即可得到睡眠分期结果，以实现长期的非侵入式、高准确度的睡眠监 测。
其中，该睡眠分期模型包括卷积神经网络、长短期记忆网络和注意力机制神经网络。睡 眠分期模型通过以下步骤对心率变异性和心肺耦合功率谱图进行特征提取：
A1、采用卷积神经网络提取心肺耦合功率谱图的特征，获得第一特征向量；
A2、采用长短期记忆网络提取心率变异性的特征，获得第二特征向量；
A3、将第一特征向量和第二特征向量进行联结，获得第三特征向量；
A4、将第三特征向量输入注意力机制神经网络进行睡眠分期判断，获得分期结果。
以下结合具体实施例及附图对上述方法进行详细地解释说明。
如图1所示，本实施例提供一种基于迁移学习的BCG信号睡眠分期方法，包括以下步骤：
S1、使用压电薄膜传感器采集BCG信号，同步采集ECG信号。
将PVDF压电薄膜传感器集成到睡眠带中，将睡眠带放置在床垫下，当人体躺在床垫上 时，采集BCG信号。这里需要注意的是，除了可以将压电薄膜传感器集成在床垫中，也可将 压电薄膜传感器集成在卧椅等人体可睡觉的装置上。
同步使用PSG采集得到ECG信号和睡眠分期标签。
S2、对BCG、ECG信号进行预处理后分别提取出心跳信号和呼吸信号。
其中，对BCG信号和ECG信号进行预处理，再分别提取出心跳信号和呼吸信号分量，具体包括步骤S21-S23：
S21、通过计算移动平均值来剔除受体动或噪声干扰的信号片段。
其中，移动平均值的计算公式为：
其中，X是信号序列，n是滑动窗口的长度，计算的移动平均值与信号序列的值一一对 应。使用时间跨度为1秒的滑动窗口来计算移动平均值。将原始信号值与移动平均值进行比 较，若大于一定比例则说明信号收到干扰发生了突变，则丢弃该窗口内的信号。
S22、使用小波变换提取出合适频段的信号分量作为心跳和呼吸信号。
示例地，心跳的合适频段为0.7-2赫兹；呼吸的合适频段为0.2-0.5赫兹。对原始信号应 用小波变换分解和重构，选择合适的信号分量得到心跳和呼吸信号。
S23、计算自相关系数来评估信号的周期性，提取出周期性较强的心跳信号和呼吸信号的 片段。
其中，信号的自相关函数为：
式中，x是信号序列，长度为T，R是自相关系数序列，τ是时间间隔。由于信号具有周期性，计算出的自相关系数序列会有幅值递减的峰值点。统计大于阈值的峰值点数量，超过一定数量则说明信号周期性较强。
S3、心跳信号和呼吸信号根据计算心率变异性和心肺耦合功率谱图。
根据BCG信号的心跳信号和呼吸信号，获取对应心率变异性和心肺耦合功率谱图。根据 ECG信号的心跳信号和呼吸信号，获取对应的心率变异性和心肺耦合功率谱图。
其中，心率变异性的指标包括时域特征、频域特征、样本熵、庞加莱图特征、交感神经 指数以及迷走神经指数；心率变异性的指标基于模板匹配检测RR间期进行计算获得，RR间期指的是心电图上qrs波群中R波和R波之间的距离。
示例地，使用动态时间规整衡量序列X和Y之间的相似程度以进行模板匹配：
D(i,j)＝Dist(i,j)+min{D(i-1,j),D(i,j-1),D(i-1,j-1)}
其中，Dist(i,j)表示X序列第i个点与Y序列第j个点的距离；D(i,j)衡量的是X序列 前i个点与Y序列前j个点的相似性。使用动态规划算法求解，最终的路径规整距离越小，序列的相似度越大。因此，根据自相关系数计算得出的峰值点确定信号模板序列，计算模板序 列与候选信号的相似度，选择相似度最大的候选信号，从中检测代表心跳或呼吸活动的峰值 点。得到代表RR间期的峰值点后进一步计算出心率变异性指标。所述心率变异性的特征包括时域特征和频域特征，包括但不限于平均标准差(SDNN)、低频信号与高频信号的谱密度 比值(LF/HF)等指标。
心肺耦合功率谱图的计算方式为：基于滑动窗口计算心率和呼吸信号的交叉谱密度，提 取出0-0.4赫兹频段的计算结果，将多个窗口的计算结果按时间顺序进行拼接，得到心肺耦合 功率谱图。心肺耦合功率谱图如图2所示，优选地，基于滑动窗口计算心率和呼吸信号的交 叉谱密度，信号序列x(t)和y(t)的互相关函数和互功率谱计算公式为：
其中，j是虚数，表示信号的相位；ω是信号的角速度。对于互功率谱的计算结果，提 取出0-0.4赫兹频段的数据。将多个窗口的计算结果按时间顺序进行拼接，得到心肺耦合功率 谱图。
S4、构建多模态神经网络，分别提取心肺耦合功率谱图的特征和心率变异性的特征，并 将结果联结构建特征向量进行睡眠分期。
该多模态神经网络包括卷积神经网络(CNN)、长短期记忆网络(LSTM)和注意力机制 神经网络。步骤S4具体包括步骤S41-S43：
S41、使用CNN提取心肺耦合功率谱图的特征，得到特征向量v1；使用LSTM提取心率变异性指标的特征，得到特征向量v2；
S42、将两个子神经网络提取出的特征向量(特征向量v1和特征向量v2)进行联结，得 到包含心肺耦合特征和心率变异性特征的特征向量v3，用于下一步的睡眠分期。
S43、将特征向量v3输入到注意力机制神经网络中进行睡眠分期判断。在本实施例中， 睡眠包括清醒期、快速眼动期、浅睡期和深睡期。
注意力机制能够在当前预测时从大量信息中筛选出少量重要信息并聚焦于这些重要信息 上，根据权重分配来衡量信息的重要程度，从而提高分类的准确率。
S5、使用ECG信号对模型进行预训练，再应用迁移学习使用BCG信号对模型进行调整， 如图3所示，从而得出适用于BCG信号的睡眠分期模型。
其中，训练模型时，使用的损失函数的表达式如下：
其中，第一项是实际的心率变异性特征HRVreal,i与神经网络提取的心率变异性特征HRVi之间的误差；第二项是实际的心肺耦合特征CPCreal,i与神经网络提取的心肺耦合特征CPCi之 间的误差；第三项是目标注意力机制向量Attentiontarget,i与生成的注意力机制向量Attentioni间 的误差；n为样本数，λ为正则化参数，w为神经网络中的参数，p为参数的数量，第四项 是神经网络的训练误差。训练的目的是最小化损失函数，达到一定轮次直到收敛可停止训练。
根据模型的损失函数使用ECG信号执行本实例的处理流程，得到睡眠分期的预训练模 型，包含CNN模块、LSTM模块和注意力机制模块。在一些可选的实施例中，在模块中添加 Dropout层来防止模型过拟合。
在一些可选的实施例中，进行训练的ECG数据集包括但不限于SLPDB、CinC2018tDB、 SHHSv1、MESA等公开数据集以及同步采集的ECG数据。使用BCG信号执行本实例的处理 流程对预训练模型进行调整，根据损失函数进行训练，最终得到适用于BCG信号的睡眠分期 模型。
本实施例还提供一种基于心冲击信号的睡眠分期系统，包括：
信号采集模块，用于采集人体的第一心冲击信号；
信号提取模块，用于根据所述第一心冲击信号获取第一心跳信号和第一呼吸信号；
特征获取模块，用于根据所述第一心跳信号和所述第一呼吸信号获取第一心率变异性和 第一心肺耦合功率谱图；
睡眠分期模块，用于将所述所述第一心率变异性和所述第一心肺耦合功率谱图输入睡眠 分期模型进行特征提取，根据提取的特征进行睡眠分期，输出分期结果；
其中，所述睡眠分期模型通过采用心电信号进行训练后，再基于迁移学习，采用心冲击 信号进行调整获得。
本实施例的一种基于心冲击信号的睡眠分期系统，可执行本发明方法实施例所提供的一 种基于心冲击信号的睡眠分期方法，可执行方法实施例的任意组合实施步骤，具备该方法相 应的功能和有益效果。
本实施例还提供一种基于心冲击信号的睡眠分期装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图4所 示的方法。
本实施例的一种基于心冲击信号的睡眠分期装置，可执行本发明方法实施例所提供的一 种基于心冲击信号的睡眠分期方法，可执行方法实施例的任意组合实施步骤，具备该方法相 应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机 程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以 从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图4所示的方法。
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种基于心 冲击信号的睡眠分期方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意 组合实施步骤，具备该方法相应的功能和有益效果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序 发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执 行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例 以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描 述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明， 所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每 个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公 开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了 解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的， 并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决 定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在 一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技 术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服 务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储 介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现 逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行 系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、 装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。 就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以 供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电 连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘 只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其 他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必 要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施 方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件 来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻 辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门 阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例” 或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料 或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性 表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可 以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离 本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发 明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领 域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的 变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种基于心冲击信号的睡眠分期方法，其特征在于，包括以下步骤：
采集人体的第一心冲击信号；
根据所述第一心冲击信号获取第一心跳信号和第一呼吸信号；
根据所述第一心跳信号和所述第一呼吸信号获取第一心率变异性和第一心肺耦合功率谱图；
将所述第一心率变异性和所述第一心肺耦合功率谱图输入睡眠分期模型进行特征提取，根据提取的特征进行睡眠分期，输出分期结果；
所述睡眠分期模型通过以下方式获得：
同步采集人体的第二心冲击信号和心电信号；
根据所述第二心冲击信号获取第二心跳信号和第二呼吸信号，根据所述第二心跳信号和所述第二呼吸信号获取第二心率变异性和第二心肺耦合功率谱图；
根据所述心电信号获取第三心跳信号和第三呼吸信号，根据所述第三心跳信号和所述第三呼吸信号获取第三心率变异性和第三心肺耦合功率谱图；
构建多模态神经网络，所述多模态神经网络用于对心率变异性和心肺耦合功率谱图进行特征提取，并根据提取的特征进行睡眠分期；
采用所述第三心率变异性和所述第三心肺耦合功率谱图对所述多模态神经网络进行预训练，应用迁移学习，采用所述第二心率变异性和所述第二心肺耦合功率谱图对所述多模态神经网络进行调整，获得睡眠分期模型；
睡眠分期模型对心率变异性和心肺耦合功率谱图进行特征提取，包括：
采用卷积神经网络提取心肺耦合功率谱图的特征，获得第一特征向量；
采用长短期记忆网络提取心率变异性的特征，获得第二特征向量；
将所述第一特征向量和所述第二特征向量进行联结，获得第三特征向量；
将所述第三特征向量输入注意力机制神经网络进行睡眠分期判断，获得分期结果；
训练所述睡眠分期模型时采用的损失函数的表达式如下：
其中，HRVreal,i表示实际的心率变异性特征，HRVi表示模型提取的心率变异性特征，CPCreal,i实际的心肺耦合特征，CPCi表示模型提取的心肺耦合特征，Attentiontarget,i表示目标注意力机制向量，Attentioni表示模型生成的注意力机制向量，n为样本数，λ为正则化参数，w为神经网络中的参数，p为参数的数量，m为频率范围，k为注意力机制向量的个数；
其中，心率变异性通过以下方式获得：
心率变异性的指标基于模板匹配检测RR间期进行计算获得，RR间期指的是心电图上qrs波群中R波和R波之间的距离；
心肺耦合功率谱图通过以下方式获得：
基于滑动窗口计算心跳信号和呼吸信号的交叉谱密度，获取预设频率段中多个窗口的计算结果，将多个窗口的计算结果按时间顺序进行拼接，获得心肺耦合功率谱图。
2.根据权利要求1所述的一种基于心冲击信号的睡眠分期方法，其特征在于，
所述根据所述第一心冲击信号获取第一心跳信号和第一呼吸信号，包括：
根据所述第一心冲击信号计算移动平均值，根据所述移动平均值剔除所述第一心冲击信号中的噪声信号；
采用小波变换提取预设频段的信号分量；
从信号分量中获取周期性较强的心跳信号作为所述第一心跳信号；
从信号分量中获取周期性较强的呼吸信号作为所述第一呼吸信号；
其中，周期性通过自相关系数进行评估；
其中，信号的自相关函数为：
式中，x是信号序列，长度为T，R是自相关系数序列，τ是时间间隔；由于信号具有周期性，计算出的自相关系数序列会有幅值递减的峰值点；统计大于阈值的峰值点数量，超过一定数量则说明信号周期性较强。
3.根据权利要求1所述的一种基于心冲击信号的睡眠分期方法，其特征在于，心率变异性的指标包括：时域特征、频域特征、样本熵、庞加莱图特征、交感神经指数以及迷走神经指数。
4.根据权利要求1所述的一种基于心冲击信号的睡眠分期方法，其特征在于，
所述第一心冲击信号通过以下方式采集获得：
通过压电薄膜传感器采集获取所述第一心冲击信号；
其中，所述压电薄膜传感器集成在提供人体坐卧的产品上。
5.一种基于心冲击信号的睡眠分期系统，其特征在于，包括：
信号采集模块，用于采集人体的第一心冲击信号；
信号提取模块，用于根据所述第一心冲击信号获取第一心跳信号和第一呼吸信号；
特征获取模块，用于根据所述第一心跳信号和所述第一呼吸信号获取第一心率变异性和第一心肺耦合功率谱图；
睡眠分期模块，用于将所述第一心率变异性和所述第一心肺耦合功率谱图输入睡眠分期模型进行特征提取，根据提取的特征进行睡眠分期，输出分期结果；
所述睡眠分期模型通过以下方式获得：
同步采集人体的第二心冲击信号和心电信号；
根据所述第二心冲击信号获取第二心跳信号和第二呼吸信号，根据所述第二心跳信号和所述第二呼吸信号获取第二心率变异性和第二心肺耦合功率谱图；
根据所述心电信号获取第三心跳信号和第三呼吸信号，根据所述第三心跳信号和所述第三呼吸信号获取第三心率变异性和第三心肺耦合功率谱图；
构建多模态神经网络，所述多模态神经网络用于对心率变异性和心肺耦合功率谱图进行特征提取，并根据提取的特征进行睡眠分期；
采用所述第三心率变异性和所述第三心肺耦合功率谱图对所述多模态神经网络进行预训练，应用迁移学习，采用所述第二心率变异性和所述第二心肺耦合功率谱图对所述多模态神经网络进行调整，获得睡眠分期模型；
睡眠分期模型对心率变异性和心肺耦合功率谱图进行特征提取，包括：
采用卷积神经网络提取心肺耦合功率谱图的特征，获得第一特征向量；
采用长短期记忆网络提取心率变异性的特征，获得第二特征向量；
将所述第一特征向量和所述第二特征向量进行联结，获得第三特征向量；
将所述第三特征向量输入注意力机制神经网络进行睡眠分期判断，获得分期结果；
训练所述睡眠分期模型时采用的损失函数的表达式如下：
其中，HRVreal,i表示实际的心率变异性特征，HRVi表示模型提取的心率变异性特征，CPCreal,i实际的心肺耦合特征，CPCi表示模型提取的心肺耦合特征，Attentiontarget,i表示目标注意力机制向量，Attentioni表示模型生成的注意力机制向量，n为样本数，λ为正则化参数，w为神经网络中的参数，p为参数的数量，m为频率范围，k为注意力机制向量的个数；
其中，心率变异性通过以下方式获得：
心率变异性的指标基于模板匹配检测RR间期进行计算获得，RR间期指的是心电图上qrs波群中R波和R波之间的距离；
心肺耦合功率谱图通过以下方式获得：
基于滑动窗口计算心跳信号和呼吸信号的交叉谱密度，获取预设频率段中多个窗口的计算结果，将多个窗口的计算结果按时间顺序进行拼接，获得心肺耦合功率谱图。
6.一种基于心冲击信号的睡眠分期装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-4任一项所述方法。
7.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-4任一项所述方法。
CN202111634264.9A 2021-12-29 2021-12-29 一种基于心冲击信号的睡眠分期方法、系统、装置及介质 Active CN114376564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111634264.9A CN114376564B (zh) 2021-12-29 2021-12-29 一种基于心冲击信号的睡眠分期方法、系统、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111634264.9A CN114376564B (zh) 2021-12-29 2021-12-29 一种基于心冲击信号的睡眠分期方法、系统、装置及介质

Publications (2)

Publication Number Publication Date
CN114376564A CN114376564A (zh) 2022-04-22
CN114376564B true CN114376564B (zh) 2024-04-02

Family

ID=81200448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111634264.9A Active CN114376564B (zh) 2021-12-29 2021-12-29 一种基于心冲击信号的睡眠分期方法、系统、装置及介质

Country Status (1)

Country Link
CN (1) CN114376564B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114767127B (zh) * 2022-06-21 2022-09-30 广州中科新知科技有限公司 一种心冲击图信号的处理方法及系统
CN115120837A (zh) * 2022-06-27 2022-09-30 慕思健康睡眠股份有限公司 基于深度学习的睡眠环境调节方法、系统、装置及介质
CN114947754A (zh) * 2022-06-30 2022-08-30 北京京东拓先科技有限公司 用于确定睡眠数据的方法和装置
CN115486833B (zh) * 2022-08-22 2023-06-06 华南师范大学 呼吸状态检测方法、装置、计算机设备以及存储介质
CN115316985B (zh) * 2022-10-13 2023-04-18 华南师范大学 基于生理信号的心脏信息检测方法、装置以及设备
CN116211287A (zh) * 2022-12-30 2023-06-06 广州中科新知科技有限公司 一种基于心冲击图的体征信息监测方法、装置及系统
CN115775630A (zh) * 2023-02-10 2023-03-10 北京海思瑞格科技有限公司 一种术前基于睡眠阶段数据的术后肺部并发症概率预测方法
CN117297572A (zh) * 2023-09-01 2023-12-29 广州埔慧科技有限公司 基于压阻传感器的心率测量方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017064338A (ja) * 2015-10-01 2017-04-06 ヘルスセンシング株式会社 睡眠状態測定装置及び方法、位相コヒーレンス算出装置並びに心拍波形抽出方法
CN109770892A (zh) * 2019-02-01 2019-05-21 中国科学院电子学研究所 一种基于心电信号的睡眠分期方法
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
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
CN112890777A (zh) * 2021-01-22 2021-06-04 深圳市苏仁智能科技有限公司 一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017064338A (ja) * 2015-10-01 2017-04-06 ヘルスセンシング株式会社 睡眠状態測定装置及び方法、位相コヒーレンス算出装置並びに心拍波形抽出方法
CN109770892A (zh) * 2019-02-01 2019-05-21 中国科学院电子学研究所 一种基于心电信号的睡眠分期方法
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
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
CN112890777A (zh) * 2021-01-22 2021-06-04 深圳市苏仁智能科技有限公司 一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《Deep Transfer Learning for Single-Channel Automatic Sleep Staging with Channel Mismatch 》;H. Phany 等;《2019 27th European Signal Processing Conference (EUSIPCO)》;第1-5页 *

Also Published As

Publication number Publication date
CN114376564A (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN114376564B (zh) 一种基于心冲击信号的睡眠分期方法、系统、装置及介质
EP3773155B1 (en) System and method for non-invasive determination of blood pressure dip based on trained prediction models
CN108388912B (zh) 基于多传感器特征优化算法的睡眠分期方法
Temko Accurate heart rate monitoring during physical exercises using PPG
Chan et al. Wavelet distance measure for person identification using electrocardiograms
WO2019161607A1 (zh) 心电信息动态监护方法和动态监护系统
Kumar et al. Deep learning for predicting respiratory rate from biosignals
Afshar et al. A combinatorial deep learning structure for precise depth of anesthesia estimation from EEG signals
EP3785610B1 (en) Method of processing a signal representing a physiological rhythm
CN111407262A (zh) 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置
Park et al. Prediction of daily mental stress levels using a wearable photoplethysmography sensor
Xie et al. An unobtrusive system for heart rate monitoring based on ballistocardiogram using Hilbert transform and viterbi decoding
Espiritu et al. Automated detection of sleep disorder-related events from polysomnographic data
Cao et al. Guard Your Heart Silently: Continuous Electrocardiogram Waveform Monitoring with Wrist-Worn Motion Sensor
Hossain et al. A preliminary study on automatic motion artifact detection in electrodermal activity data using machine learning
Choi et al. Attention-lrcn: long-term recurrent convolutional network for stress detection from photoplethysmography
Skopin et al. Heartbeat feature extraction from vowel speech signal using 2D spectrum representation
Kew et al. Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application
Chan et al. Estimating heart rate from seismocardiogram signal using a novel deep dominant frequency regressor and domain adversarial training
WO2022269936A1 (ja) 睡眠状態推定システム
Park et al. A study on the development of a day-to-day mental stress monitoring system using personal physiological data
CN115024716A (zh) 基于心率标签生成的心冲击图信号重建方法
CN114587310A (zh) 一种基于光电容积脉搏波实现有创血压波形估计的方法
Roy et al. Reconstruction of corrupted and lost segments from photoplethysmographic data using recurrent neural network
Ferroukhi et al. Robust and reliable PPG and ECG integrated biosensor

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