CN114732361B - 基于生理信号的睡眠分期预测方法、设备以及存储介质 - Google Patents
基于生理信号的睡眠分期预测方法、设备以及存储介质 Download PDFInfo
- Publication number
- CN114732361B CN114732361B CN202210361320.4A CN202210361320A CN114732361B CN 114732361 B CN114732361 B CN 114732361B CN 202210361320 A CN202210361320 A CN 202210361320A CN 114732361 B CN114732361 B CN 114732361B
- Authority
- CN
- China
- Prior art keywords
- independent
- signal
- sequence
- sleep stage
- respiratory
- 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
- 230000008667 sleep stage Effects 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000000241 respiratory effect Effects 0.000 claims description 71
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 56
- 238000005070 sampling Methods 0.000 claims description 56
- 230000000747 cardiac effect Effects 0.000 claims description 49
- 230000035939 shock Effects 0.000 claims description 48
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims 1
- 239000013598 vector Substances 0.000 description 32
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 208000007502 anemia Diseases 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/4812—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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Cardiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及信号处理技术领域，特别涉及一种基于生理信号的睡眠分期预测方法、装置、系统以及存储介质，通过对用户的生理信号进行分析，获取用户的关于心冲击信号以及呼吸信号的独立特征以及联合特征，其中，所述独立特征包括心跳间期独立特征、呼吸间期独立特征以及体动独立特征，将所述独立特征以及联合特征输入至分类器中，获取用户的睡眠分期预测结果，简单、便捷地对用户的睡眠状况进行分析，提高了分析的准确性以及效率。
Description
技术领域
本发明涉及信号处理技术领域，特别涉及是一种基于生理信号的睡眠分期预测方法、装置、系统以及存储介质。
背景技术
多导睡眠图(polysomnography，PSG)是睡眠分期的黄金标准，睡眠期间的生理信号采集需要在医院进行，且需要将大量的传感器附着在人体的头部、胸口等位置，整个过程不仅耗时，且PSG设备价格昂贵，信号采集过程中对于使用者来说侵入性高，使用者在使用过程中会影响正常的睡眠，而且测试结果需要由专家人工校正。
发明内容
基于此，本发明的目的在于，提供一种基于生理信号的睡眠分期预测方法、装置、系统以及存储介质，通过对用户的生理信号进行分析，获取用户的关于心冲击信号以及呼吸信号的独立特征以及联合特征，输入至分类器中，获取用户的睡眠分期预测结果，简单、便捷地对用户的睡眠状况进行分析，提高了分析的准确性以及效率。
第一方面，本申请实施例提供了一种基于生理信号的睡眠分期预测方法，包括以下步骤：
获取用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号；
将所述心冲击信号进行微分以及平方处理，获取处理后的心冲击信号，根据预设的采样点数目，将所述处理后的心冲击信号进行积分处理，获取积分处理后的心冲击信号；
获取所述生理信号的体动标签序列，根据所述体动标签序列，从所述呼吸信号中提取无体动呼吸信号；
分别将所述积分处理后的心冲击信号以及无体动呼吸信号作为输入信号，采用峰值定位方法，从所述输入信号中提取相对应的目标序列，其中，所述目标序列包括所述积分处理后的心冲击信号对应的第一心跳间期序列以及无体动呼吸信号对应的第一呼吸间隔序列；
将所述第一心跳间期序列以及第一呼吸间隔序列转换为多个预设的时间尺度下的序列，作为第二心跳间期序列以及第二呼吸间隔序列，对所述第二心跳间期序列、第二呼吸间隔序列、体动标签序列进行特征提取，获取独立特征以及联合特征，其中，所述独立特征包括心跳间期独立特征、呼吸间隔独立特征以及体动独立特征，所述联合特征为所述心跳间期独立特征以及呼吸间隔独立特征组成的联合特征；
将所述独立特征以及联合特征输入至预设的睡眠分期预测模型中，获取所述睡眠分期预测模型输出的所述用户的生理信号对应的睡眠分期预测结果，并将其保存于电子数据库系统；
接收查询终端发出的用户的查询指令，查找所述电子数据库系统，根据所述用户的生理信号对应的睡眠分期预测结果，向所述查询终端发送所述用户的生理信号对应的睡眠分期预测结果，在所述查询终端的显示界面上进行显示。
第二方面，本申请实施例提供了一种基于生理信号的睡眠分期预测装置，包括：
第一获取模块，用于获取用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号；
积分处理模块，用于将所述心冲击信号进行微分以及平方处理，获取处理后的心冲击信号，根据预设的采样点数目，将所述处理后的心冲击信号进行积分处理，获取积分处理后的心冲击信号；
第二获取模块，用于获取所述生理信号的体动标签序列，根据所述体动标签序列，从所述呼吸信号中提取无体动呼吸信号；
峰值定位模块，用于分别将所述积分处理后的心冲击信号以及无体动呼吸信号作为输入信号，采用峰值定位方法，从所述输入信号中提取相对应的目标序列，其中，所述目标序列包括所述积分处理后的心冲击信号对应的第一心跳间期序列以及无体动呼吸信号对应的第一呼吸间期序列；
特征提取模块，用于将所述第一心跳间期序列以及第一呼吸间期序列转换为多个预设的时间尺度下的序列，作为第二心跳间期序列以及第二呼吸间期序列，对所述第二心跳间期序列、第二呼吸间期序列、体动标签序列进行特征提取，获取独立特征以及联合特征，其中，所述独立特征包括心跳间期独立特征、呼吸间期独立特征以及体动独立特征，所述联合特征为所述心跳间期独立特征以及呼吸间期独立特征组成的联合特征；
预测模块，用于将所述独立特征以及联合特征输入至预设的睡眠分期预测模型中，获取所述睡眠分期预测模型输出的所述用户的生理信号对应的睡眠分期预测结果，并将其保存于电子数据库系统；
查询模块，用于接收查询终端发出的用户的查询指令，查找所述电子数据库系统，根据所述用户的生理信号对应的睡眠分期预测结果，向所述查询终端发送所述用户的生理信号对应的睡眠分期预测结果，在所述查询终端的显示界面上进行显示。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述的基于生理信号的睡眠分期预测方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于生理信号的睡眠分期预测方法的步骤。
在本申请实施例中，提供一种基于生理信号的睡眠分期预测方法、装置、系统以及存储介质，通过对用户的生理信号进行分析，获取用户的关于心冲击信号以及呼吸信号的独立特征以及联合特征，输入至分类器中，获取用户的睡眠分期预测结果，简单、便捷地对用户的睡眠状况进行分析，提高了分析的准确性以及效率。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于生理信号的睡眠分期预测方法的流程示意图；
图2为本申请一个实施例提供的基于生理信号的睡眠分期预测方法中S3的流程示意图；
图3为本申请一个实施例提供的基于生理信号的睡眠分期预测方法中S4的流程示意图；
图4为本申请一个实施例提供的基于生理信号的睡眠分期预测方法中S5的流程示意图；
图5为本申请一个实施例提供的基于生理信号的睡眠分期预测方法中S5的流程示意图；
图6为本申请一个实施例提供的基于生理信号的睡眠分期预测方法中S503的流程示意图；
图7为本申请一个实施例提供的基于生理信号的睡眠分期预测装置的结构示意图；
图8为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请一个实施例提供的基于生理信号的睡眠分期预测方法的流程示意图，所述方法包括如下步骤：
S1：获取用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号。
所述基于生理信号的睡眠分期预测方法的执行主体为基于生理信号的睡眠分期预测方法的预测设备(以下简称预测设备)，在一个可选的实施例中，所述预测设备可以是一种用于执行心冲击信号的运动规划的系统。
在一个可选的实施例中，预测设备可以通过在预设的数据库中进行查询，获取用户的生理信号，在另一个可选的实施例中，预测设备可以采用压电传感器获取用户的人体微振信号，并根据模数转换模块，将该人体微振信号转换为数字信号，根据数据处理模块对该数字信号进行分析，从该数字信号中提取用户的生理信号，其中，所述生理信号表示为若干个采样点对应的向量组成的时间序列；
由于生理信号的能量主要在0到50Hz，其中呼吸信号的能量频谱范围在0.01到1Hz，而BCG信号的能量频谱范围主要在1到10Hz，预测设备可以通过滤波的方式，对所述生理信号进行滤波处理，分离出呼吸信号以及心冲击信号，
所述心冲击信号应用于心率检测、心率变异性监测、心脏收缩性以及心输出量变化监测等方面。
所述压电传感器可以是压电陶瓷传感器、压电薄膜传感器等，可以放在平躺位置心脏的下方，也可以放在枕头下方，来获取用户的人体微振信号。
所述模数转换模块可以采用外置芯片，也可以采用相应的内置模数转换接口来对人体微振信号转换为数字信号。
所述数据处理模块可以采用DSP(Digital Signal Processing)或者ARM(Advanced RISC Machines)处理器，对该数字信号进行分析，从该数字信号中提取用户的生理信号。
S2：将所述心冲击信号进行微分以及平方处理，获取处理后的心冲击信号，根据预设的采样点数目，将所述处理后的心冲击信号进行积分处理，获取积分处理后的心冲击信号。
在本实施例中，预测设备将所述心冲击信号进行降采样处理，获取降采样处理后的心冲击信号，具体地，将1000Hz的心冲击信号降采样至100Hz，保证信号在不失真的前提下提高运算速度；
对降采样处理后的心冲击信号进行微分处理，具体地，计算所述降采样处理后的心冲击信号的时间序列上相邻两点之间的差值，获取微分处理后的样本值，并将所述微分处理后的样本值进行平方处理，使得样本值为正数，从而进一步增强了心冲击信号中的IJK波的斜率，使得J峰更加突出，获取微分以及平方处理后的心冲击信号；
根据预设的采样点数目，将所述微分以及平方处理后的心冲击信号进行积分处理，获取积分处理后的心冲击信号，以平滑输出，从而能够更加准确的定位峰值点，具体如下：
将所述微分以及平方处理后的心冲击信号输入至预设的积分滤波器中，根据预设的采样点数目N，进行积分，获取积分处理后的心冲击信号，其中，积分滤波器的输出y(n)和输入x(n)之间的关系如式：
在一个可选的实施例中，预测设备将N设置为50，此时积分滤波器会有50到60个采样点数目的延迟。
S3：获取所述生理信号的体动标签序列，根据所述体动标签序列，从所述呼吸信号中提取无体动呼吸信号。
所述体动标签序列为与所述生理信号对应的时间序列，用于区分用户的生理信号中的体动信号以及非体动信号，其中，所述体动标签序列包括若干个所述生理信号的采样点对应的体动标签向量，体动标签向量的值设置为1或者0，所述体动标签向量的值为1时，表示所述体动标签向量对应的所述生理信号中的采样点为体动采样点，所述体动标签向量的值为0时，表示所述体动标签向量对应的所述生理信号中的采样点为非体动采样点；
在本实施例中，预测设备获取所述生理信号的体动标签序列，根据所述体动标签序列，从所述呼吸信号中获取与所述生理信号中的非体动采样点，获取所述非体动采样点对应的信号段，进行组合，获取无体动呼吸信号。
请参阅图2，图2为本申请一个实施例提供的基于生理信号的睡眠分期预测方法中S3的流程示意图，包括步骤S301～S304，具体如下：
S301：对所述生理信号进行预处理，去除所述生理信号中的工频干扰以及基线偏移，获取预处理后的生理信号。
在本实施例中，预测设备获取的生理信号中存在混叠呼吸噪声、工频噪声和运动伪影等干扰，由于生理信号中的高斯噪声和工频噪声的能量均在20Hz以上，可以通过滤波的方式，去除所述生理信号中的工频干扰以及基线偏移，获取处理后的生理信号。
S302：根据预设的窗口长度，对所述预处理后的生理信号进行切窗处理，获取若干个窗口长度对应的样本生理信号，计算所述样本生理信号对应的峰谷差值。
为了进一步识别所述生理信号中的体动信号以及非体动信号，在本实施例中，预测设备根据预设的窗口长度，对所述预处理后的生理信号进行切窗处理，获取若干个窗口长度对应的样本生理信号，且计算所述样本生理信号对应的峰谷差值，其中，所述窗口长度包括30s、60s、120s以及300s。
S303：根据预设的第二采样长度，将所述样本生理信号划分为若干个第二采样长度对应的子样本生理信号，计算所述子样本生理信号对应的峰谷差值。
由于体动信号与非体动信号相比，非体动信号在幅值上更加平稳，在本实施例中，预测设备，根据预设的第二采样长度，将所述样本生理信号划分为若干个第二采样长度对应的子样本生理信号，其中，所述第二采样长度可以设置为2s。
S304：将所述样本生理信号对应的峰谷差值与同一样本生理信号下的子样本生理信号对应的峰谷差值进行对比，获取对比结果，根据所述对比结果，获取样本生理信号对应的体动标签标记，构建所述生理信号的体动标签序列。
所述对比结果包括体动结果以及非体动结果，在本实施例中，预测设备将所述样本生理信号对应的峰谷差值与同一样本生理信号下的子样本生理信号对应的峰谷差值进行对比，当所述样本生理信号对应的峰谷差值小于所述子样本生理信号对应的峰谷差值，获取体动结果，并将所述子样本生理信号的体动标签标记为体动；当所述样本生理信号对应的峰谷差值大于所述子样本生理信号对应的峰谷差值，获取非体动结果，并将所述子样本生理信号的体动标签标记为非体动，构建所述生理信号的体动标签序列。
S4：分别将所述积分处理后的心冲击信号以及无体动呼吸信号作为输入信号，采用峰值定位方法，从所述输入信号中提取相对应的目标序列。
在本实施例中，预测设备分别将所述积分处理后的心冲击信号以及无体动呼吸信号作为输入信号，采用峰值定位方法，从所述输入信号中提取相对应的目标序列，其中，所述目标序列包括所述积分处理后的心冲击信号对应的第一心跳间期序列以及无体动呼吸信号对应的第一呼吸间隔序列。
请参阅图3，图3为本申请一个实施例提供的基于生理信号的睡眠分期预测方法中S4的流程示意图，包括步骤S401～S403，具体如下：
S401：根据所述采样点数目，将所述输入信号划分为若干个第一样本信号，获取所述各个第一样本信号中幅值最大的采样点，作为第一峰值点。
由于经过采样点数目N设置为50的积分滤波器处理，所述输入信号会有50到60个采样点数目的延迟，本实施例中，预测设备根据所述采样点数目，将所述输入信号划分为若干个第一样本信号，获取所述各个第一样本信号中幅值最大的采样点，作为第一峰值点。
S402：根据预设的延迟点数目，以所述第一峰值点为划分原点，获取将所述输入信号划分为若干个第二样本信号，获取所述各个第二样本信号中幅值最大的采样点，作为第二峰值点。
在本实施例中，预测设备根据预设的延迟点数目，以所述第一峰值点为划分原点，将所述输入信号划分为若干个第二样本信号，获取所述各个第二样本信号中幅值最大的采样点，作为第二峰值点。
S403：将相邻的第一峰值点与第二峰值点作为样本峰值点组，获取各个所述样本峰值点组的距离，根据各个所述样本峰值点组的距离以及预设的第一距离阈值，获取各个所述样本峰值点组对应的峰值点，作为第三峰值点。
为了获取所述输入信号的真正峰值点，提高获取峰值点的精准性，在本实施例中，预测设备将相邻的第一峰值点与第二峰值点作为样本峰值点组，获取各个所述样本峰值点组的距离，根据各个所述样本峰值点组的距离以及预设的第一距离阈值，当所述样本峰值点组的距离小于所述第一距离阈值，对比所述样本峰值点组中第一峰值点与第二峰值点的幅值，保留所述样本峰值点组中幅值相对较高的峰值点，去除所述样本峰值点组中幅值相对较低的峰值点，获取各个样本峰值点组对应的峰值点，作为第三峰值点。
S404：计算相邻的峰值点之间的距离，根据所述相邻的峰值点之间的距离以及预设的第二距离阈值，从所述输入信号中提取相对应的目标序列。
在本实施例中，预测设备根据所述第三峰值点，计算相邻的各个样本峰值点组对应的峰值点之间的距离，根据所述相邻的各个样本峰值点组对应的峰值点之间的距离以及预设的第二距离阈值，当所述相邻的各个样本峰值点组对应的峰值点之间的距离大于第二距离阈值，去除所述峰值点之间的采样点，从所述输入信号中提取相对应的目标序列。
S5：将所述第一心跳间期序列以及第一呼吸间期序列转换为多个预设的时间尺度下的序列，作为第二心跳间期序列以及第二呼吸间期序列，对所述第二心跳间期序列、第二呼吸间期序列、体动标签序列进行特征提取，获取独立特征以及联合特征。
为了减小获取独立特征以及联合特征获取的相对误差，提高特征提取的精准性，在本实施例中，预测设备将所述第一心跳间期序列以及第一呼吸间期序列转换为多个预设的时间尺度下的序列，作为第二心跳间期序列以及第二呼吸间期序列，对所述第二心跳间期序列、第二呼吸间期序列、体动标签序列进行特征提取，获取独立特征以及联合特征，用于对用户的生理信号进行睡眠分期预测，其中，所述独立特征包括心跳间期独立特征、呼吸间期独立特征以及体动独立特征，所述联合特征为所述心跳间期独立特征以及呼吸间期独立特征组成的联合特征。
请参阅图4，图4为本申请一个实施例提供的基于生理信号的睡眠分期预测方法中S5的流程示意图，包括步骤S501～S502，具体如下：
S501：根据所述第一心跳间期序列、体动标签序列以及第二心跳间期序列计算算法，获取各个时间尺度下的心跳间期序列，作为第二心跳间期序列。
所述第二心跳间期序列计算算法为：
式中，HI(t)为所述第二心跳间期序列，t为时间尺度，n为在某一时间尺度内的采样点，βn为第n个采样点对应的体动标签，从所述体动标签序列得知，具体地，若第n个采样点在所述体动标签序列中对应的体动标签向量的值为1，βn的值设置为1，若第n个采样点在所述体动标签序列中对应的体动标签向量的值为0，βn的值设置为0；I_hn为所述第一心跳间期序列；
在本实施例中，预测设备根据所述第一心跳间期序列、体动标签序列以及第二心跳间期序列计算算法，获取各个时间尺度下的第一心跳间期序列的平均值，作为第二心跳间期序列。通过结合所述体动标签序列，当βn的值设置为0，其对应的HI(t)被认为是无效值，当时间尺度t越长，所述第二心跳间期序列HI(t)的准确率越高。
S502：根据所述第一呼吸间期序列、体动标签序列以及第二呼吸间期序列计算算法，获取各个时间尺度下的呼吸间期序列。
所述第二呼吸间期序列计算算法为：
式中，RI(t)为所述第二呼吸间期序列，I_rn为所述第一呼吸间期序列；
在本实施例中，预测设备根据所述第一呼吸间期序列、体动标签序列以及第二呼吸间期序列计算算法，获取各个时间尺度下的第一呼吸间期序列的平均值，作为第二呼吸间期序列。通过结合所述体动标签序列，当βn的值设置为0，其对应的RI(t)被认为是无效值，当时间尺度t越长，所述第二呼吸间期序列RI(t)HI(t)的准确率越高。
请参阅图5，图5为本申请一个实施例提供的基于生理信号的睡眠分期预测方法中S5的流程示意图，还包括步骤S503～S504，具体如下：
S503：根据预设的窗口长度，将所述第二心跳间期序列、第二呼吸间期序列以及体动标签序列进行划分，获取若干个第二心跳间期子序列、第二呼吸间期子序列以及体动标签子序列。
在本实施例中，预测设备根据预设的窗口长度，将所述第二心跳间期序列、第二呼吸间期序列以及体动标签序列进行划分，获取若干个第二心跳间期子序列、第二呼吸间期子序列以及体动标签子序列，其中，所述窗口长度设置为60s。
S504：分别将所述第二心跳间期子序列、第二呼吸间期子序列作为输入参数，根据所述体动标签子序列以及预设的独立特征提取算法，获取所述输入参数对应的独立特征。
在本实施例中，预测设备分别将所述第二心跳间期子序列、第二呼吸间期子序列作为输入参数，根据所述体动标签子序列以及预设的独立特征提取算法，获取所述输入参数对应的独立特征，其中，所述独立特征包括所述第二心跳间期子序列对应的心跳间期独立特征、所述第二呼吸间期子序列对应的呼吸间期独立特征以及体动标签子序列对应的体动独立特征，所述心跳间期独立特征以及呼吸间期独立特征均包括对应的均值独立特征、变异系数独立特征、百分位数之间的比值独立特征、中位数绝对偏差独立特征以及平均累计差独立特征，所述体动独立特征包括体动占空比独立特征以及体动次数独立特征。
S505：将相应的均值独立特征、变异系数独立特征、百分位数之间的比值独立特征、中位数绝对偏差独立特征以及平均累计差独立特征进行比值处理，获取联合特征。
在本实施例中，预测设备将相应的均值独立特征、变异系数独立特征、百分位数之间的比值独立特征、中位数绝对偏差独立特征以及平均累计差独立特征进行比值处理，获取联合特征，用于补偿所述独立特征，更好地对用户的生理信号进行睡眠分期预测，其中，所述联合特征包括均值联合特征、变异系数联合特征、百分位数之间的比值联合特征、中位数绝对偏差联合特征以及平均累计差联合特征。
请参阅图6，图6为本申请一个实施例提供的基于生理信号的睡眠分期预测方法中S503的流程示意图，包括步骤S5031～S5038，具体如下：
S5031：分别将所述第二心跳间期子序列、第二呼吸间期子序列作为输入参数，根据所述体动标签子序列以及均值独立特征公式，获取所述输入参数对应的均值独立特征。
所述均值独立特征公式为：
式中，Mean为所述均值独立特征，
为所述输入参数，i为秒数，BMi为在所述时间尺度t下第i秒对应的体动标签；
在本实施例中，预测设备根据预设的分别将所述第二心跳间期子序列、第二呼吸间期子序列作为输入参数，根据所述体动标签子序列以及均值独立特征公式，获取所述输入参数对应的均值独立特征。
S5032：将所述输入参数以及所述输入参数相应的均值独立特征输入至所述变异系数独立特征公式中，结合所述体动标签子序列，获取所述输入参数对应的变异系数独立特征。
所述变异系数独立特征公式为：
式中，CV为所述变异系数独立特征；
在本实施例中，预测设备将所述输入参数以及所述输入参数相应的均值独立特征输入至所述变异系数独立特征公式中，结合所述体动标签子序列，获取所述输入参数对应的变异系数独立特征。
S5033：获取所述输入参数在所述时间尺度t下的百分位数，根据所述百分位数之间的比值独立特征公式，获取所述输入参数对应的百分位数之间的比值独立特征。
所述百分位数之间的比值独立特征公式为：
式中，InterRatioPercentiles为所述百分位数之间的比值独立特征，
为所述输入参数在所述时间尺度t下的第γ百分位数，其中，γ为中间变量，当γ＝100和γ＝0时分别代表了所述输入参数对应的目标子序列的最大值和最小值；
在本实施例中，预测设备获取所述输入参数在所述时间尺度t下的百分位数，根据所述百分位数之间的比值独立特征公式，获取所述输入参数对应的百分位数之间的比值独立特征。
S5034：获取在所述时间尺度t下的输入参数对应的数据集，所述数据集包括在所述时间尺度t下的输入参数对应的若干个采样点，根据所述中位数绝对偏差独立特征公式，获取所述输入参数对应的中位数绝对偏差独立特征。
所述中位数绝对偏差独立特征公式为：
式中，MAD为所述中位数绝对偏差独立特征；median{}为所述数据集中的中位数对应的采样点；
在本实施例中，预测设备获取在所述时间尺度t下的输入参数对应的数据集，所述数据集包括在所述时间尺度t下的输入参数对应的若干个采样点，根据所述中位数绝对偏差独立特征公式，获取所述输入参数对应的中位数绝对偏差独立特征。
S5035：获取在所述时间尺度t下，第k分钟内的输入参数，根据预设的时间阈值，将所述时间尺度t下，第k分钟内的输入参数划分为前输入参数以及后输入参数，根据所述平均累计差独立特征公式，获取所述输入参数对应的平均累计差独立特征。
所述平均累计差独立特征公式为：
式中，ACD为所述平均累计差独立特征，
为所述前输入参数，
为所述后输入参数，q为单位时间帧，所述单位时间帧的时长为1秒；
在本实施例中，预测设备获取在所述时间尺度t下，第k分钟内的输入参数，根据预设的时间阈值，将所述时间尺度t下，第k分钟内的输入参数划分为前输入参数以及后输入参数，根据所述平均累计差独立特征公式，获取所述输入参数对应的平均累计差独立特征。
S5036：根据所述体动标签子序列以及体动占空比独立特征公式，获取所述体动标签子序列对应的体动占空比独立特征以及最大体动占空比独立特征。
所述体动占空比独立特征公式为：
式中，MotionRatio为所述体动占空比独立特征；
体动占空比的定义就是指在一个时间窗口中，身体运动发生的时间相对于时间窗口所占的比例，在本实施例中，预测设备根据所述体动标签子序列以及体动占空比独立特征公式，获取所述时间窗口的体动占空比，作为获取所述体动标签子序列对应的体动占空比独立特征，并根据所述各个时间窗口的体动占空比，获取最大的的体动占空比，作为最大体动占空比独立特征。
S5037：根据所述体动标签子序列以及体动次数独立特征公式，获取所述体动标签子序列对应的体动次数独立特征。
所述体动次数独立特征公式为：
式中，MotionNums为所述体动次数独立特征。
与体动占空比不同，体动次数为身体运动发生的次数之和，并不是身体运动所占的时间之和，根据身体运动检测的原理可知，在一个时间窗口内，一次身体运动最少为2秒，最多为60秒。
在本实施例中，预测设备根据所述体动标签子序列以及体动次数独立特征公式，获取所述体动标签子序列对应的体动次数独立特征。
S5038：根据所述体动占空比独立特征、体动次数独立特征以及平均体动占空比独立特征公式，获取所述体动标签子序列对应的平均体动占空比独立特征。
所述平均体动占空比独立特征公式为：
式中，AverageMotionRatio为所述平均体动占空比独立特征；
在本实施例中，预测设备根据所述体动占空比独立特征、体动次数独立特征以及平均体动占空比独立特征公式，获取所述体动标签子序列对应的平均体动占空比独立特征。
S6：获取所述生理信号对应的睡眠分期标签集，将所述睡眠分期标签集与特征集进行组合，构建训练集，将所述训练集输入至预设的分类器中，获取所述分类器输出的所述用户的生理信号对应的睡眠分期预测结果，并将其保存于电子数据库系统。
所述分类器为随机森林模型，所述随机森林模型是基于一种分类回归树的数据挖掘方法的训练模型，包括若干个决策树，以所述决策树作为子分类器，并采用简单多数投票法或单棵树的输出结果，作为模型的输出。
在本实施例中，预测设备获取所述生理信号对应的睡眠分期标签集，其中，所述睡眠分期标签集包括若干个与所述窗口长度相应的睡眠分期标签，包括Wake分期标签，REM分期标签以及NREM分期标签；
预测设备将所述睡眠分期标签集与特征集进行组合，构建训练集，将所述训练集输入至预设的分类器中，对各个窗口长度相应的独立特征以及联合特征进行分析，获取各个子分类器输出的各个窗口长度相应的分类类别结果，其中，所述分类类别结果包括Wake分期类别结果、REM分期类别结果以及NREM分期类别结果；
对所述子分类器输出的各个窗口长度相应的分类类别结果进行统计，获取数目最多的分类类别结果，作为所述分类器输出的各个窗口长度相应的分类类别结果，根据所述分类器输出的各个窗口长度相应的分类类别结果，构建与所述用户的生理信号的时间序列相对应的睡眠分期序列，作为所述用户的生理信号对应的睡眠分期预测结果，并将其保存于电子数据库系统，其中，所述睡眠分期序列的表达式为：
X＝[x1,x2,…,xn]
式中，X为所述睡眠分期序列，xn为第n个窗口长度的生理信号对应的睡眠分期向量，用于体现各个窗口长度的生理信号对应的睡眠分期标签；
在一个可选的实施例中，预测设备对所述睡眠分期序列进行修正处理，获取修正后的睡眠分期序列，具体如下步骤：
S601：采用AASM(American Academy of Sleep Medicine)规则，所述AASM规则为睡眠分期划分标准，睡眠分期应该从Wake分期进入NREM分期最后进入REM分期，因此，预测设备对所述睡眠分期序列中，紧挨着Wake分期标签后的睡眠分期向量进行分析，若所述睡眠分期向量对应的睡眠分期标签为REM分期标签，则将所述REM分期标签修改为Wake分期标签；
S602：若所述睡眠分期向量与相邻的睡眠分期向量对应的睡眠分期标签均不一致，将所述睡眠分期向量对应的睡眠分期标签修改为前一个睡眠分期向量对应的睡眠分期标签；
S603：根据预设的融合时间，从所述睡眠分期序列中获取所述融合时间内的睡眠分期向量，获取所述融合时间内的睡眠分期向量中，睡眠分期向量对应的睡眠分期标签为Wake分期标签的占比，作为第一占比，当所述第一占比大于80％，将所述融合时间内的睡眠分期向量对应的睡眠分期标签全部修改为Wake分期标签；
S604：获取所述睡眠分期序列中，睡眠分期向量对应的睡眠分期标签为REM分期标签的占比，作为第二占比；
当所述第二占比小于5％，获取对应的睡眠分期标签为REM分期标签的相邻的睡眠分期向量，若所述相邻的睡眠分期向量之间小于20分钟，将所述相邻的睡眠分期向量之间的睡眠分期向量的睡眠分期标签全部修改为REM分期标签；
当所述第二占比大于10％，获取对应的睡眠分期标签为REM分期标签的相邻的睡眠分期向量，若所述相邻的睡眠分期向量之间小于7分钟，将所述相邻的睡眠分期向量之间的睡眠分期向量的睡眠分期标签全部修改为REM分期标签；
当所述第二占比大于5％，且小于10％，获取对应的睡眠分期标签为REM分期标签的相邻的睡眠分期向量，若所述相邻的睡眠分期向量之间小于30分钟，将所述相邻的睡眠分期向量之间的睡眠分期向量的睡眠分期标签全部修改为REM分期标签。
S7：接收查询终端发出的用户的查询指令，查找所述电子数据库系统，根据所述用户的生理信号对应的睡眠分期预测结果，向所述查询终端发送所述用户的生理信号对应的睡眠分期预测结果，在所述查询终端的显示界面上进行显示。
在本实施例中，预测设备接收查询终端发出的用户的查询指令，并进行响应，从所述电子数据库系统中查找用户的生理信号对应的睡眠分期预测结果，根据所述用户的生理信号对应的睡眠分期预测结果，发送至所述查询终端，在所述查询终端的显示界面上进行显示。
请参考图7，图7为本申请一个实施例提供的基于生理信号的睡眠分期预测装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于生理信号的睡眠分期预测装置的全部或一部分，该装置7包括：
第一获取模71块，用于获取用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号；
积分处理模块72，用于将所述心冲击信号进行微分以及平方处理，获取处理后的心冲击信号，根据预设的采样点数目，将所述处理后的心冲击信号进行积分处理，获取积分处理后的心冲击信号；
第二获取模块73，用于获取所述生理信号的体动标签序列，根据所述体动标签序列，从所述呼吸信号中提取无体动呼吸信号；
峰值定位模块74，用于分别将所述积分处理后的心冲击信号以及无体动呼吸信号作为输入信号，采用峰值定位方法，从所述输入信号中提取相对应的目标序列，其中，所述目标序列包括所述积分处理后的心冲击信号对应的第一心跳间期序列以及无体动呼吸信号对应的第一呼吸间期序列；
特征提取模块75，用于将所述第一心跳间期序列以及第一呼吸间期序列转换为多个预设的时间尺度下的序列，作为第二心跳间期序列以及第二呼吸间期序列，对所述第二心跳间期序列、第二呼吸间期序列、体动标签序列进行特征提取，获取独立特征以及联合特征，其中，所述独立特征包括心跳间期独立特征、呼吸间期独立特征以及体动独立特征，所述联合特征为所述心跳间期独立特征以及呼吸间期独立特征组成的联合特征；
预测模块76，用于将所述独立特征以及联合特征输入至预设的睡眠分期预测模型中，获取所述睡眠分期预测模型输出的所述用户的生理信号对应的睡眠分期预测结果，并将其保存于电子数据库系统；
查询模块77，用于接收查询终端发出的用户的查询指令，查找所述电子数据库系统，根据所述用户的生理信号对应的睡眠分期预测结果，向所述查询终端发送所述用户的生理信号对应的睡眠分期预测结果，在所述查询终端的显示界面上进行显示。
在本申请实施例中，通过第一获取模块，用于获取用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号；通过积分处理模块，将所述心冲击信号进行微分以及平方处理，获取处理后的心冲击信号，根据预设的采样点数目，将所述处理后的心冲击信号进行积分处理，获取积分处理后的心冲击信号；通过第二获取模块，获取所述生理信号的体动标签序列，根据所述体动标签序列，从所述呼吸信号中提取无体动呼吸信号；通过峰值定位模块，分别将所述积分处理后的心冲击信号以及无体动呼吸信号作为输入信号，采用峰值定位方法，从所述输入信号中提取相对应的目标序列，其中，所述目标序列包括所述积分处理后的心冲击信号对应的第一心跳间期序列以及无体动呼吸信号对应的第一呼吸间期序列；通过特征提取模块，将所述第一心跳间期序列以及第一呼吸间期序列转换为多个预设的时间尺度下的序列，作为第二心跳间期序列以及第二呼吸间期序列，对所述第二心跳间期序列、第二呼吸间期序列、体动标签序列进行特征提取，获取独立特征以及联合特征，其中，所述独立特征包括心跳间期独立特征、呼吸间期独立特征以及体动独立特征，所述联合特征为所述心跳间期独立特征以及呼吸间期独立特征组成的联合特征；通过预测模块，将所述独立特征以及联合特征输入至预设的睡眠分期预测模型中，获取所述睡眠分期预测模型输出的所述用户的生理信号对应的睡眠分期预测结果，并将其保存于电子数据库系统；通过查询模块，接收查询终端发出的用户的查询指令，查找所述电子数据库系统，根据所述用户的生理信号对应的睡眠分期预测结果，向所述查询终端发送所述用户的生理信号对应的睡眠分期预测结果，在所述查询终端的显示界面上进行显示。本申请通过对用户的生理信号进行分析，获取用户的关于心冲击信号以及呼吸信号的独立特征以及联合特征，输入至分类器中，获取用户的睡眠分期预测结果，简单、便捷地对用户的睡眠状况进行分析，提高了分析的准确性以及效率。
请参考图8，图8为本申请一个实施例提供的计算机设备的结构示意图，计算机设备8包括：处理器81、存储器82以及存储在存储器82上并可在处理器81上运行的计算机程序83；计算机设备可以存储有多条指令，指令适用于由处理器81加载并执行上述图1至图6所示实施例的方法步骤，具体执行过程可以参见图1至图6所示实施例的具体说明，在此不进行赘述。
其中，处理器81可以包括一个或多个处理核心。处理器81利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器82内的指令、程序、代码集或指令集，以及调用存储器82内的数据，执行基于生理信号的睡眠分期预测装置7的各种功能和处理数据，可选的，处理器81可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrambleLogic Array，PLA)中的至少一个硬件形式来实现。处理器81可集成中央处理器81(CentralProcessing Unit，CPU)、图像处理器81(Graphics Processing Unit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器81中，单独通过一块芯片进行实现。
其中，存储器82可以包括随机存储器82(Random Access Memory，RAM)，也可以包括只读存储器82(Read-Only Memory)。可选的，该存储器82包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器82可用于存储指令、程序、代码、代码集或指令集。存储器82可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器82可选的还可以是至少一个位于远离前述处理器81的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述实施例一至实施例四的方法步骤，具体执行过程可以参见实施例一至实施例四的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。
Claims (9)
1.一种基于生理信号的睡眠分期预测方法，其特征在于，包括以下步骤：
获取用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号；
将所述心冲击信号进行微分以及平方处理，获取处理后的心冲击信号，根据预设的采样点数目，将所述处理后的心冲击信号进行积分处理，获取积分处理后的心冲击信号；
对所述生理信号进行预处理，去除所述生理信号中的工频干扰以及基线偏移，获取预处理后的生理信号；根据预设的第一采样长度，将所述预处理后的生理信号划分为若干个第一采样长度对应的样本生理信号，计算所述样本生理信号对应的峰谷差值；根据预设的第二采样长度，将所述样本生理信号划分为若干个第二采样长度对应的子样本生理信号，计算所述子样本生理信号对应的峰谷差值；将所述样本生理信号对应的峰谷差值与同一样本生理信号下的子样本生理信号对应的峰谷差值进行对比，获取对比结果，根据所述对比结果，获取样本生理信号对应的体动标签标记，构建所述生理信号的体动标签序列，根据所述体动标签序列，从所述呼吸信号中提取无体动呼吸信号；
分别将所述积分处理后的心冲击信号以及无体动呼吸信号作为输入信号，采用峰值定位方法，从所述输入信号中提取相对应的目标序列，其中，所述目标序列包括所述积分处理后的心冲击信号对应的第一心跳间期序列以及无体动呼吸信号对应的第一呼吸间期序列；
将所述第一心跳间期序列以及第一呼吸间隔序列转换为多个预设的时间尺度下的序列，作为第二心跳间期序列以及第二呼吸间隔序列；对所述第二心跳间期序列、第二呼吸间期序列、体动标签序列进行特征提取，获取独立特征以及联合特征，构建特征集；
获取所述生理信号对应的睡眠分期标签集，将所述睡眠分期标签集与特征集进行组合，构建训练集，将所述训练集输入至预设的分类器中，获取所述分类器输出的所述用户的生理信号对应的睡眠分期预测结果，并将其保存于电子数据库系统；
接收查询终端发出的用户的查询指令，查找所述电子数据库系统，根据所述用户的生理信号对应的睡眠分期预测结果，向所述查询终端发送所述用户的生理信号对应的睡眠分期预测结果，在所述查询终端的显示界面上进行显示。
2.根据权利要求1所述的基于生理信号的睡眠分期预测方法，其特征在于，所述采用峰值定位方法，从所述输入信号中提取相对应的目标序列，包括步骤：
根据所述采样点数目，将所述输入信号划分为若干个第一样本信号，获取所述各个第一样本信号中幅值最大的采样点，作为第一峰值点；
根据预设的延迟点数目，以所述第一峰值点为划分原点，将所述输入信号划分为若干个第二样本信号，获取所述各个第二样本信号中幅值最大的采样点，作为第二峰值点；
将相邻的第一峰值点与第二峰值点作为样本峰值点组，获取各个所述样本峰值点组的距离，根据各个所述样本峰值点组的距离以及预设的第一距离阈值，获取各个所述样本峰值点组对应的峰值点，作为第三峰值点；
根据所述第三峰值点，计算相邻的第三峰值点之间的距离，根据所述相邻的第三峰值点之间的距离以及预设的第二距离阈值，从所述输入信号中提取相对应的目标序列。
3.根据权利要求1所述的基于生理信号的睡眠分期预测方法，其特征在于，所述将所述第一心跳间期序列以及第一呼吸间期序列转换为多个预设的时间尺度下的序列，作为第二心跳间期序列以及第二呼吸间期序列，包括步骤：
根据所述第一心跳间期序列、体动标签序列以及第二心跳间期序列计算算法，获取各个时间尺度下的心跳间期序列，作为第二心跳间期序列，其中，所述第二心跳间期序列计算算法为：
式中，HI(t)为所述第二心跳间期序列，t为时间尺度，n为在某一时间尺度内的采样点，βn为第n个采样点对应的体动标签，从所述体动标签序列得知，I_hn为所述第一心跳间期序列；
根据所述第一呼吸间期序列、体动标签序列以及第二呼吸间期序列计算算法，获取各个时间尺度下的呼吸间期序列，其中，所述第二呼吸间期序列计算算法为：
式中，RI(t)为所述第二呼吸间期序列，I_rn为所述第一呼吸间期序列。
4.根据权利要求1或3所述的基于生理信号的睡眠分期预测方法，其特征在于：所述独立特征包括心跳间期独立特征、呼吸间期独立特征以及体动独立特征，所述联合特征为所述心跳间期独立特征以及呼吸间期独立特征组成的联合特征。
5.根据权利要求4所述的基于生理信号的睡眠分期预测方法，其特征在于，所述对所述第二心跳间期序列、第二呼吸间期序列、体动标签序列进行特征提取，获取独立特征以及联合特征，包括步骤：
根据预设的窗口长度，将所述第二心跳间期序列、第二呼吸间期序列以及体动标签序列进行划分，获取若干个第二心跳间期子序列、第二呼吸间期子序列以及体动标签子序列；
分别将所述第二心跳间期子序列、第二呼吸间期子序列作为输入参数，根据所述体动标签子序列以及预设的独立特征提取算法，获取所述输入参数对应的独立特征，其中，所述独立特征包括所述第二心跳间期子序列对应的心跳间期独立特征、所述第二呼吸间期子序列对应的呼吸间期独立特征以及体动标签子序列对应的体动独立特征，所述心跳间期独立特征以及呼吸间期独立特征均包括对应的均值独立特征、变异系数独立特征、百分位数之间的比值独立特征、中位数绝对偏差独立特征以及平均累计差独立特征，所述体动独立特征包括体动占空比独立特征、体动次数独立特征以及平均体动占空比独立特征；
将相应的均值独立特征、变异系数独立特征、百分位数之间的比值独立特征、中位数绝对偏差独立特征以及平均累计差独立特征进行比值处理，获取联合特征，其中，所述联合特征包括均值联合特征、变异系数联合特征、百分位数之间的比值联合特征、中位数绝对偏差联合特征以及平均累计差联合特征。
6.根据权利要求5所述的基于生理信号的睡眠分期预测方法，其特征在于，所述独立特征提取算法包括均值独立特征公式、变异系数独立特征公式、百分位数之间的比值独立特征公式、中位数绝对偏差独立特征公式、平均累计差独立特征公式、体动占空比独立特征公式、体动次数独立特征公式以及平均体动占空比独立特征公式，所述分别将所述第二心跳间期子子序列、第二呼吸间期子子序列作为输入参数，根据所述体动标签子序列以及预设的独立特征提取算法，获取所述输入参数对应的独立特征，包括步骤：
分别将所述第二心跳间期子序列、第二呼吸间期子序列作为输入参数，根据所述体动标签子序列以及均值独立特征公式，获取所述输入参数对应的均值独立特征，其中，所述均值独立特征公式为：
式中，Mean为所述均值独立特征，
为所述输入参数，i为秒数，BMi为在所述时间尺度t下第i秒对应的体动标签；
将所述输入参数以及所述输入参数相应的均值独立特征输入至所述变异系数独立特征公式中，结合所述体动标签子序列，获取所述输入参数对应的变异系数独立特征，其中，所述变异系数独立特征公式为：
式中，CV为所述变异系数独立特征；
获取所述输入参数在所述时间尺度t下的百分位数，根据所述百分位数之间的比值独立特征公式，获取所述输入参数对应的百分位数之间的比值独立特征，其中，所述百分位数之间的比值独立特征公式为：
式中，InterRatioPercentiles为所述百分位数之间的比值独立特征，
为所述输入参数在所述时间尺度t下的第γ百分位数，其中，γ为中间变量，当γ＝100和γ＝0时分别代表了所述输入参数对应的目标子序列的最大值和最小值；
获取在所述时间尺度t下的输入参数对应的数据集，所述数据集包括在所述时间尺度t下的输入参数对应的若干个采样点，根据所述中位数绝对偏差独立特征公式，获取所述输入参数对应的中位数绝对偏差独立特征，其中，所述中位数绝对偏差独立特征公式为：
式中，MAD为所述中位数绝对偏差独立特征；median{}为所述数据集中的中位数对应的采样点；
获取在所述时间尺度t下，第k分钟内的输入参数，根据预设的时间阈值，将所述时间尺度t下，第k分钟内的输入参数划分为前输入参数以及后输入参数，根据所述平均累计差独立特征公式，获取所述输入参数对应的平均累计差独立特征，其中，所述平均累计差独立特征公式为：
式中，ACD为所述平均累计差独立特征，
为所述前输入参数，
为所述后输入参数，q为单位时间帧，所述单位时间帧的时长为1秒；
根据所述体动标签子序列以及体动占空比独立特征公式，获取所述体动标签子序列对应的体动占空比独立特征，其中，所述体动占空比独立特征公式为：
式中，MotionRatio为所述体动占空比；
根据所述体动标签子序列以及体动次数独立特征公式，获取所述体动标签子序列对应的体动次数独立特征，其中，所述体动次数独立特征公式为：
式中，MotionNums为所述体动次数独立特征；
根据所述体动占空比独立特征、体动次数独立特征以及平均体动占空比独立特征公式，获取所述体动标签子序列对应的平均体动占空比独立特征，其中，所述平均体动占空比独立特征公式为：
式中，AverageMotionRatio为所述平均体动占空比独立特征。
7.一种基于生理信号的睡眠分期预测装置，其特征在于，包括：
第一获取模块，用于获取用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号；
积分处理模块，用于将所述心冲击信号进行微分以及平方处理，获取处理后的心冲击信号，根据预设的采样点数目，将所述处理后的心冲击信号进行积分处理，获取积分处理后的心冲击信号；
第二获取模块，用于对所述生理信号进行预处理，去除所述生理信号中的工频干扰以及基线偏移，获取预处理后的生理信号；根据预设的第一采样长度，将所述预处理后的生理信号划分为若干个第一采样长度对应的样本生理信号，计算所述样本生理信号对应的峰谷差值；根据预设的第二采样长度，将所述样本生理信号划分为若干个第二采样长度对应的子样本生理信号，计算所述子样本生理信号对应的峰谷差值；将所述样本生理信号对应的峰谷差值与同一样本生理信号下的子样本生理信号对应的峰谷差值进行对比，获取对比结果，根据所述对比结果，获取样本生理信号对应的体动标签标记，构建所述生理信号的体动标签序列，根据所述体动标签序列，从所述呼吸信号中提取无体动呼吸信号；
峰值定位模块，用于分别将所述积分处理后的心冲击信号以及无体动呼吸信号作为输入信号，采用峰值定位方法，从所述输入信号中提取相对应的目标序列，其中，所述目标序列包括所述积分处理后的心冲击信号对应的第一心跳间期序列以及无体动呼吸信号对应的第一呼吸间期序列；
特征提取模块，用于将所述第一心跳间期序列以及第一呼吸间期序列转换为多个预设的时间尺度下的序列，作为第二心跳间期序列以及第二呼吸间期序列，对所述第二心跳间期序列、第二呼吸间期序列、体动标签序列进行特征提取，获取独立特征以及联合特征，其中，所述独立特征包括心跳间期独立特征、呼吸间期独立特征以及体动独立特征，所述联合特征为所述心跳间期独立特征以及呼吸间期独立特征组成的联合特征；
预测模块，用于将所述独立特征以及联合特征输入至预设的睡眠分期预测模型中，获取所述睡眠分期预测模型输出的所述用户的生理信号对应的睡眠分期预测结果，并将其保存于电子数据库系统；
查询模块，用于接收查询终端发出的用户的查询指令，查找所述电子数据库系统，根据所述用户的生理信号对应的睡眠分期预测结果，向所述查询终端发送所述用户的生理信号对应的睡眠分期预测结果，在所述查询终端的显示界面上进行显示。
8.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于生理信号的睡眠分期预测方法的步骤。
9.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于生理信号的睡眠分期预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210361320.4A CN114732361B (zh) | 2022-04-07 | 2022-04-07 | 基于生理信号的睡眠分期预测方法、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210361320.4A CN114732361B (zh) | 2022-04-07 | 2022-04-07 | 基于生理信号的睡眠分期预测方法、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114732361A CN114732361A (zh) | 2022-07-12 |
| CN114732361B true CN114732361B (zh) | 2023-01-10 |
Family
ID=82279176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210361320.4A Active CN114732361B (zh) | 2022-04-07 | 2022-04-07 | 基于生理信号的睡眠分期预测方法、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114732361B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116172527B (zh) * | 2023-03-15 | 2023-09-22 | 康原(江苏)科技有限公司 | 一种智能健康监测方法、系统及装置 |
| CN116401598B (zh) * | 2023-03-16 | 2023-11-21 | 华南师范大学 | 基于生理信号的睡眠呼吸暂停检测方法以及装置 |
| CN116649919B (zh) * | 2023-07-28 | 2023-11-14 | 华南师范大学 | 基于生理信号的睡眠分期预测方法、装置以及设备 |
| CN118177740B (zh) * | 2024-05-13 | 2024-10-11 | 北京五季医学科技有限公司 | 睡眠分期方法及装置、电子设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106037655A (zh) * | 2016-06-17 | 2016-10-26 | 美的集团股份有限公司 | 一种睡眠周期信号的分离及周期计算方法及装置 |
| CN110236491A (zh) * | 2019-05-16 | 2019-09-17 | 华南师范大学 | 一种睡眠分期监控方法 |
| JP2020018861A (ja) * | 2019-08-23 | 2020-02-06 | 富士通株式会社 | ベッド、センサシステム、及び、センサ情報処理装置 |
| CN111481207A (zh) * | 2020-03-24 | 2020-08-04 | 南京润楠医疗电子研究院有限公司 | 基于心冲击信号的睡眠姿势识别装置及方法 |
| CN112353367A (zh) * | 2020-10-20 | 2021-02-12 | 深圳中科大唐科技有限公司 | 睡眠参数检测方法、装置、系统及计算机可读存储介质 |
| CN114176527A (zh) * | 2021-12-29 | 2022-03-15 | 深圳融昕医疗科技有限公司 | 体动状态的确定方法及计算机可读存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3733133B2 (ja) * | 2003-10-14 | 2006-01-11 | 三洋電機株式会社 | 睡眠状態推定装置 |
| JP6439729B2 (ja) * | 2016-03-24 | 2018-12-19 | トヨタ自動車株式会社 | 睡眠状態推定装置 |
| CN107307846A (zh) * | 2016-04-27 | 2017-11-03 | 南京理工大学 | 非接触式睡眠分期方法 |
-
2022
- 2022-04-07 CN CN202210361320.4A patent/CN114732361B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106037655A (zh) * | 2016-06-17 | 2016-10-26 | 美的集团股份有限公司 | 一种睡眠周期信号的分离及周期计算方法及装置 |
| CN110236491A (zh) * | 2019-05-16 | 2019-09-17 | 华南师范大学 | 一种睡眠分期监控方法 |
| JP2020018861A (ja) * | 2019-08-23 | 2020-02-06 | 富士通株式会社 | ベッド、センサシステム、及び、センサ情報処理装置 |
| CN111481207A (zh) * | 2020-03-24 | 2020-08-04 | 南京润楠医疗电子研究院有限公司 | 基于心冲击信号的睡眠姿势识别装置及方法 |
| CN112353367A (zh) * | 2020-10-20 | 2021-02-12 | 深圳中科大唐科技有限公司 | 睡眠参数检测方法、装置、系统及计算机可读存储介质 |
| CN114176527A (zh) * | 2021-12-29 | 2022-03-15 | 深圳融昕医疗科技有限公司 | 体动状态的确定方法及计算机可读存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Interbeat interval-based sleep staging: work in progress toward real-time implementation;Garcia-Molina G , Jiang J .;《Physiological Measurement》;20220228;第43卷(第2期);全文 * |
| Monitoring of noninvasive vital signs for detection of sleep apnea;Zhang H , Zhu W , Songbin Y E , et al.;《Journal of Mechanics in Medicine and Biology》;20211231;全文 * |
| 基于隐马尔可夫模型处理的睡眠分期算法研究;张钦同;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》;20211215;全文 * |
| 实时睡眠分期算法研究与应用系统开发;韩映萍;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20180215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114732361A (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114732361B (zh) | 基于生理信号的睡眠分期预测方法、设备以及存储介质 | |
| CN108875575B (zh) | 基于多通道信号融合深度神经网络自动心律失常分析方法 | |
| US20220125322A1 (en) | Methods and Systems for Determining Abnormal Cardiac Activity | |
| US9662022B2 (en) | Continuous cardiac signal generation from a video of a subject being monitored for cardiac function | |
| CN102247128B (zh) | 人体脉搏信息采集装置及人体健康状况监护装置 | |
| CN108720831B (zh) | 一种基于导联深度神经网络的自动心律失常分析方法 | |
| CN110944577A (zh) | 一种血氧饱和度的检测方法与系统 | |
| CN107072545A (zh) | 用于快速诊断的心电图数据分析方法和系统 | |
| WO2015163369A1 (ja) | 心電波形検出装置、及び撮像装置 | |
| Liu et al. | Wearable sensor-based activity recognition for housekeeping task | |
| US20160128638A1 (en) | System and method for detecting and quantifying deviations from physiological signals normality | |
| CN114041786B (zh) | 心冲击图信号的检测方法、装置以及设备 | |
| CN105868519A (zh) | 人体特征数据的处理方法及装置 | |
| CN110520935A (zh) | 从无线电信号学习睡眠阶段 | |
| CN111887858A (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
| CN117838103B (zh) | 心冲击图信号的质量评估方法、装置以及计算机设备 | |
| CN107970027A (zh) | 一种桡动脉检测与人体体质识别系统和方法 | |
| CN116401598B (zh) | 基于生理信号的睡眠呼吸暂停检测方法以及装置 | |
| CN105708441A (zh) | 可佩戴指套及心电图和脉象采集终端 | |
| CN116884615A (zh) | 一种高血压风险预测方法、系统、电子设备及存储介质 | |
| CN116269426A (zh) | 一种十二导联ecg辅助的心脏疾病多模态融合筛查方法 | |
| CN116439690A (zh) | 心冲击图信号的提取方法、装置、设备以及存储介质 | |
| CN114098721A (zh) | 心冲击图信号的提取方法、装置以及设备 | |
| CN110580448B (zh) | 一种心音分类模型构建、分类方法及装置 | |
| CN113598734A (zh) | 一种基于深度神经网络模型的无袖带血压预测方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Han Inventor after: Wang Zixia Inventor after: Zha Shuai Inventor after: Yu Baoxian Inventor after: Chen Pengbin Inventor after: Pang Zhiqiang Inventor before: Wang Zixia Inventor before: Zhang Han Inventor before: Zha Shuai Inventor before: Yu Baoxian Inventor before: Chen Pengbin Inventor before: Pang Zhiqiang |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240227 Address after: Building 2, No. 38 Junfeng Road, Huangpu District, Guangzhou City, Guangdong Province, 510000 Patentee after: GUANGDONG JUNFENG BFS INDUSTRY CO.,LTD. Country or region after: China Address before: School of physics and telecommunication engineering, South China Normal University, No. 378, Waihuan West Road, Panyu District, Guangzhou City, Guangdong Province, 510006 Patentee before: SOUTH CHINA NORMAL University Country or region before: China |