CN114869226A - 一种基于心冲击信号的睡眠分期方法 - Google Patents

Abstract

本发明提供了一种基于心冲击信号的睡眠分期方法、系统及设备，该系统包括：数据获取模块，用于获取生理数据及PSG数据；特征提取模块，用于对所述生理数据进行窗口化处理，获得窗口生理数据；对所述窗口生理数据进行特征提取，获得生理特征数据；分类模型模块，建立并存储分类模型；分类模块，基于所述分类模型，对待分类生理数据进行分类，并纠正不合理分类结果。本方案使用了非接触式监测设备监测被测试者睡眠时体征数据,不会给被测试者造成任何负担，并且此算法可以部署于嵌入式设备从而实现离线睡眠分期,不依赖服务器的运算，具有很好的可推广性。

Description

一种基于心冲击信号的睡眠分期方法

技术领域

本发明涉及生物体征数据处理及计算机领域，特别属于睡眠分期及睡眠质量分析领域，尤其涉及针对通过分析睡眠时候的心冲击体征数据进行睡眠分期的方法、系统及设备。

背景技术

现代社会生活压力越来越大,人们晚上睡眠质量或多或少都会受到一定的影响。睡眠质量对人体健康以及生活质量息息相关,越来越多的人们开始注重晚上的睡眠质量。目前国内外医学上对睡眠分期的方法主要为多导睡眠监测(Polysomnography,PSG)，PSG含有脑电,眼电,颌肌电,心电,下肢肌电,呼吸气流参数,呼吸运动参数,血氧饱和度,鼾声传感器,体位传感器等。通过多种传感器对被监测者睡眠时候的生理数据进行完整的监测,从而进行睡眠相关疾病的诊断,例如:睡眠呼吸障碍,可疑发作性睡病,失眠等等。根据美国睡眠医学学会,夜晚睡眠可以划分为5个时期：觉醒期(wakefulness,W)；快速眼动期(rapideyemovement,REM)；3个非快速眼动期(non-rapideyemovement,NREM)。其中NREM期又分为非快速眼动Ⅰ期(N1),非快速眼动Ⅱ期(N2)和非快速眼动Ⅲ期(N3)。N1期和N2期定义为浅睡期(LightSleep,LS),N3期定义为深睡期(亦称慢波睡眠期(slowwavesleep,SWS))。健康个体整晚睡眠通常会经历3至5个睡眠周期循环,每个循环周期大约持续90分钟,主要包括浅睡期,深度睡眠期和快速眼动睡眠期，清醒期则指的是入睡或觉醒时期。健康个体整晚睡眠通常会经历3至5个睡眠周期循环，每个循环周期大约持续90分钟,主要包括浅睡期,深度睡眠期和快速眼动睡眠期,清醒期则指的是入睡或觉醒时期。

然而医学上使用的PSG设备体积庞大且昂贵,并且需要去医院或者专业的睡眠监测中心并且需要被监测着佩戴很多传感器。睡眠环境的变更以及传感器的佩戴会对睡眠质量造成一定的影响。目前基于体征数据的方法中,有一种方法是通过压点传感器采集睡眠时候的心跳呼吸以及体动信息进行睡眠分期。例如:专利CN106419869A通过压电传感器采集睡眠过程中的心跳,呼吸和体动数据,然后通过融合心率和呼吸的隐马尔科夫模型以及体动参数进行睡眠分期。此种方法可以通过体动数据获取清醒与睡眠状态进行区分,并且进一步降低体动对心率和呼吸信号的影响。但是该方法缺少心率变异性等心脏参数,并不能准确并客观的反应睡眠时的状态。另一种方法是通过提取体征数据中的心率,呼吸和脉搏信号并特征化生成特征向量再导入深度学习模型。例如:专利CN110742585A通过睡眠监测床垫生成的BCG波形提取心率,呼吸和脉搏信号。根据获取到的心率,脉搏和呼吸信号计算出心率变异性和心肺耦合功率谱的频域特征,然后提取特征获取到特征向量并导入深度学习模型计算分期结果。但是此方法需要深度学习模型作为基础,需要大量计算能力,并不适合进行边缘部署。本发明便提供了一种基于微型睡眠体征监测设备的睡眠分期方法。

发明内容

基于现有技术中存在的问题，本发明提出了一种基于心冲击体征数据和机器学习的睡眠分期方法,该方法主要由:数据获取,特征提取,半监督分类,分类分期。在数据获取阶段,使用心冲击体征监测传感器,收集被测试者的心率,呼吸,体动的变化情况,将无效数据进行剔除；在特征提取阶段,将所有采集到的数据进行窗口化处理,并提取出所需要的特征向量；在半监督分类阶段,将上一阶段得到的窗口化后的特征向量进行人工标记,将可以明确分期的数据标记。人工标记可明确分期数据后,将其导入标签传播算法进行半监督学习标记；在分类分期阶段,使用上一阶段的样本,构建一个有效的睡眠分期模型。

具体而言，本发明提供了以下技术方案：

一方面，本发明提供了一种基于心冲击信号的睡眠分期方法，该方法包括：

步骤1、获取生理数据；

步骤2、对所述生理数据进行窗口化处理，获得窗口生理数据；对所述窗口生理数据进行特征提取，获得生理特征数据；

步骤3、对所述生理特征数据进行无监督聚类，并标记类别号；对所述窗口生理数据进行睡眠分期标记；将聚类的类别号与睡眠分期进行统计映射；若统计映射偏差不满足预设要求，则调整聚类参数再次进行无监督聚类，直至映射偏差满足预设要求时，确定最终映射关系；

步骤4、基于所述最终映射关系对应的聚类参数，对样本数据进行分类标记，并基于分类标记后的样本数据进行分类训练，建立分类模型；

步骤5、基于所述分类模型，对待分类生理数据进行分类，并纠正不合理分类结果。

优选的，所述生理特征数据包括以下特征的一个或其任意组合：心率均值、心率标准差、呼吸均值、呼吸标准差、体动量、体动量均值、体动量标准差、呼心比、呼吸频带峰值、心率频带峰值、呼吸频带质心、心率频带峰值等。

优选的，所述步骤3中，所述聚类参数包括聚类数K值、初始化随机数。

优选的，所述步骤3中，所述预设要求为：统计映射关系中，异常点的占比小于20％。

优选的，所述步骤3中，对所述窗口生理数据进行睡眠分期标记具体方式为：

将部分特征显著的窗口生理数据进行睡眠分期标记，这部分生理数据特征不仅是从参考的PSG数据来看，还是从睡眠专家的标注结果来看，还是从睡眠周期的状态变化原理来看，都有极高的置信度；

基于睡眠分期标记后的窗口生理数据，对未进行睡眠分期标记的窗口生理数据进行分类推理，进行睡眠分期标记。

优选的，对未进行睡眠分期标记的窗口生理数据进行分类推理可通过标签传播方式实现：在数据集中有部分是标记好的，有部分是没有标记的，如果一个数据点没有标记，而它最近的N个邻居有M个都标记了，那么这个M个邻居可以通过简单投票多数表决，再加上表决权重(例如距离近的邻居权重大等方式)，投票后产生的分类结果就可以作为该没有标记的数据点的标记。

优选的，所述步骤5中，所述纠正不合理分类结果的方式为：

根据睡眠阶段的规则进行合理性推理，将不合理结果重新进行睡眠分期分类，实现纠正。

优选的，该合理性推理中参考的规则包含但不限于：用户的睡眠阶段会重复循环，每个周期持续90分钟左右，标准的阶段切换按照：觉醒期->REM->N1->N2->N3->N2->N1->REM->觉醒。这种阶段切换规则对于大众用户大概率是遵守的，按照这个规则对睡眠分类的结果进行重新纠正。

此外，本发明还提供了一种基于心冲击信号的睡眠分期系统，该系统包括：

数据获取模块，用于获取心冲击信号数据，以及多PSG数据；

特征提取模块，对所述心冲击信号数据进带通滤波，提取呼吸信号和心率信号；对呼吸信号和心率信号进行滑动窗口处理，获得窗口生理数据；并对窗口生理数据进行特征提取，获得生理特征数据；所述生理特征数据包含时域特征和频域特征；

分类模型模块，建立并存储分类模型；

分类模块，基于所述分类模型，对待分类生理数据进行分类，并纠正不合理分类结果。

优选的，所述系统还包括：

映射模块，对所述生理特征数据进行无监督聚类，并标记簇号；参考所述多PSG数据的分期结果对所述窗口生理数据进行睡眠分期标记；将簇号与睡眠分期标记进行统计映射；若统计映射偏差不满足预设要求，则调整聚类参数再次进行无监督聚类，直至映射偏差满足预设要求时，确定最终映射关系。

优选的，在分类模型建立时，所述分类模型模块还用于：基于所述最终映射关系对应的无监督聚类模型，对后续样本数据进行聚类标记，并基于标记后的样本数据组成新的特征数据集；基于新的特征数据集进行分类训练，建立分类模型。

优选的，所述生理特征数据包括以下特征的一个或其任意组合：心率均值、心率标准差、呼吸均值、呼吸标准差、体动量、体动量均值、体动量标准差、呼心比、呼吸频带峰值、心率频带峰值、呼吸频带质心、心率频带峰值等。

优选的，所述聚类参数包括聚类数K值、初始化随机数。

优选的，所述预设要求为：统计映射关系中，异常点的占比小于20％。

优选的，对所述窗口生理数据进行睡眠分期标记具体方式为：

将部分特征显著的窗口生理数据进行睡眠分期标记，这部分生理数据特征不仅是从参考的PSG数据来看，还是从睡眠专家的标注结果来看，还是从睡眠周期的状态变化原理来看，都有极高的置信度；基于睡眠分期标记后的窗口生理数据，对未进行睡眠分期标记的窗口生理数据进行分类推理，进行睡眠分期标记。

优选的，所述纠正不合理分类结果的方式为：

根据睡眠阶段的规则进行合理性推理，将不合理结果重新进行睡眠分期分类，实现纠正。

又一方面，本发明还提供了一种基于心冲击信号的睡眠分期设备，该设备包括处理器、存储器及总线，所述存储器存储可由处理器读取的指令；所述处理器用于调用所述存储器中的指令，以执行如上所述的基于心冲击信号的睡眠分期方法；所述总线连接各功能部件以传送信息。

与现有技术相比，本发明技术方案使用了非接触式监测设备监测被测试者睡眠时体征数据,不会给被测试者造成任何负担，并且此算法可以部署于嵌入式设备从而实现离线睡眠分期,并不依赖服务器的运算，可以仅通过监测床垫就实现有效的睡眠分期，能够很好地应用在日常家居用品等领域中。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例的训练集生成流程图；

图2为本发明实施例的睡眠分期方法流程图；

图3为本发明实施例的系统结构图；

图4为本发明实施例的聚类簇号与睡眠分期阶段映射建立方法示意图。

具体实施方式

下面结合附图对本发明实施例进行详细描述。应当明确，所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本领域技术人员应当知晓，下述具体实施例或具体实施方式，是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式，而该些设置方式之间均是可以相互结合或者相互关联使用的，除非在本发明明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时，下述的具体实施例或实施方式仅作为最优化的设置方式，而不作为限定本发明的保护范围的理解。

在一个具体的实施方式中，本发明的技术方案，其核心的方法主要包括：数据获取,特征提取,半监督分类,分类分期。在数据获取阶段,使用例如心冲击体征监测传感器等设备,收集被测试者的心率,呼吸,体动等的变化情况,将无效数据进行剔除；在特征提取阶段,将所有采集到的数据进行窗口化处理,并提取出所需要的特征向量；在半监督分类阶段,将上一阶段得到的窗口化后的特征向量进行标记,将可以明确分期的数据标记。标记可明确分期数据后,将其导入标签传播算法进行半监督学习标记；在分类分期阶段,使用上一阶段的样本,构建一个有效的睡眠分期模型。

在更为优选的实施方式中，该方法各具体步骤可以如下方式开展：

1、数据获取

首先,本发明的目的是为了可以对用户进行夜晚睡眠的无接触睡眠监测与分期，通过心冲击智能检测设备来检测被测试者的相关生理数据。检测设备在静卧在床后便会开始收集被监测者的心率,呼吸率,体动大小等参数。在使用心冲击智能睡眠监测床带的同时还采用了多导睡眠监测装置(PSG)对ECG,呼吸率,血氧饱和度,EEG等参数进行同步数据采集。在一更为优选的实施方式中，本方法仅仅需要PSG分析方法的睡眠分期结果作为对照。

2、特征提取

特征提取主要是从采集到的数据中获取隐藏的信息,从而可以有效地挖掘睡眠时体征数据和睡眠阶段之间的关系。在本实施例中，采集到的心冲击信号数据，优选进行带通滤波，以提取呼吸信号和心率信号。其中提取呼吸的频带范围可设为0.1～2HZ区间，提取心率的频带范围可设为1～30HZ区间。

在本实施例中,因为睡眠状态无法根据单一数据帧进行判断,每一个睡眠阶段都是根据一段时间区间进行划分的,所以会将数据进行窗口化处理从而提取一段时间之内的特征数据。在一个具体的实施方式中，每个窗口的大小可以设置为例如30秒等,每一个窗口滑动步进可以设置为例如15秒。窗口的时间范围是可以调节的，但最少应该大于4秒种，窗口上限优先选择在30秒。

划分完毕窗口后将窗口内各参数进行求均值,标准差,每个参数出现频率以及计算出部分参数之间的相关性参数,例如心率均值标准差,呼吸率均值标准差,体动量均值标准差,呼心比等作为特征。这些获取到的生理特征数据包含了时域特征和频域特征。在一个更为优选的实施方式中，获取的特征列举如下：

心率均值:过去30秒出现的所有心跳间隔，去掉最大值和最小值后计算平均值,然后转换为每分钟心跳数。

心率标准差:过去30秒出现的所有心跳间隔，转换为每分钟心跳数后，去掉最大值和最小值后计算标准差。

呼吸均值:过去30秒出现的所有呼吸间隔，去掉最大值和最小值后计算平均值,然后转换为每分钟呼吸数。

呼吸标准差:过去30秒出现的所有呼吸间隔，转换为每分钟呼吸数后，去掉最大值和最小值后计算标准差。

体动量:以每4秒的心冲波形的震动幅度的标准差作为体动量的计算方法。在一个优选的具体实施方式中，体动量的计算窗口可以配置为1秒到10秒范围，不同的配置参数会影响体动量的敏感性，从而影响后续的聚类和分类方法的参数。体动量的获取滑动窗口可以不同于计算窗口，具体实施时，可以使用计算窗口的一半作为体动计算滑动窗口。

体动量均值：过去30秒出现的所有体动量直接计算标准差。

体动量标准差：过去30秒出现的所有体动量直接计算标准差。

呼心比：过去30秒的心跳次数除以过去30秒的呼吸次数的比例。

此外，还可以增加例如呼吸频带峰值、心率频带峰值、呼吸频带质心、心率频带峰值等特征数据。

3、半监督分类

以上述呼吸、心率、体动量的均值和标准差，以及呼心比特征作为训练向量，通过无监督方式进行聚类。聚类的方法在具体实施时可以使用例如kmeans,kmeans+,dbscan等常用聚类算法。算法实施时的聚类数K值范围在5到20之间。可以用不同的K值参数和初始化随机数进行聚类，之后可以在PSG对照数据下判断最佳的K值和聚类算法初始参数。如图4的F3部分所示。

聚类完成之后，训练集被分成了多个聚类簇(cluster)，并标记相应的簇号。将上一阶段窗口化后的数据通过可视化后通过人工将特征比较明显的数据参照PSG分期结果进行人工分期标记,然后将数据通过标签传播方式进行未标记数据的分类推理，从而通过算法初步判断当前分期结果。这个地方需要注意，仅仅对特征显著的数据进行标记，剩余没有标记的数据是通过标签传播的算法进行标记。标签传播算法在以数学上最近邻多数原则保证了标记的最优化结果。标记完后，聚类的簇号和睡眠分期阶段形成了一个映射效果。

在一个优选的实施方式中，该标签传播方式可以具体通过以下方法实现：

在数据集中有部分是标记好的，有部分是没有标记的，如果一个数据点没有标记，而它最近的N个邻居有M个都标记了，那么这个M个邻居可以通过简单投票多数表决，再加上表决权重(例如距离近的邻居权重大等方式)，投票后产生的分类结果就可以作为该没有标记的数据点的标记。例如，对一个没有标记过分期阶段的数据点，它最近的20个邻居中，有13个被标记过分期阶段，其中9个标记是N1阶段，3个标记N2阶段，1个标记是N3阶段，那么根据多数表决原则，这个数据点应该被标记为N1。在更优选的方案中，邻居的距离会被考虑进来，距离越大的权重越小，例如，距离的倒数可以作为权重。

在进行映射时，在一个优选的实施方式中，映射方式举例如下：C1＝>REM,C2＝>REM,C2＝>N2等等，其中，C1、C2为例举的类别号，REM、N2为不同的睡眠分期。在统计足够样本的映射关系后，聚类号和睡眠分期阶段就建立了统计上的映射关系。如果映射关系的偏差太大，此时还需要返回到聚类阶段选择不同的K值和初始化随机数进行重新聚类。这两步要多次迭代，直至聚类号和睡眠分期的映射关系在统计上足够鲁棒，在一个优选的实施方式中，该鲁棒性的判断标准为异常点的比例小于20％。此处，对映射关系的异常点判断举例说明，例如在图4的S302所示，17个C2聚类点被映射到N1分类，163个C2聚类点被映射到N2分类，那么根据多数原则C2聚类就应该被映射为N2分类，但因为有17个C2被映射到N1分类，所以这个映射存在误差，这个误差的计算是(17)/(17+163)＝9.4％。而整个映射的最大误差由最大的聚类->分类映射误差决定。

当以上聚类分期结果的映射关系足够稳定后，以本聚类的模型参数对更多样本进行标记分类。当所有样本都标记完后，可以使用所有的样本进行随后的分类训练。

半监督分类可以通过可视化界面将分类后的结果与PSG采集的特征数据同步展示。通过参考PSG的分类结果对半监督分类的结果进行清醒期,REM期,N1-N3的分期标记。同时仔细分析每个半监督分类结果以及可能导致此分期的原因。并再次使用人工的方式通过参考PSG数据重新纠正其中一些明显错误或者不合理的分期结果以及进行重新分期,例如睡眠阶段快速转变,跨阶段转变以及分期阶段快速来回波动等，从而生成可用于学习训练的训练集。训练集生成过程可参考图1所示。

4、分类分期

在优选的实施方式中，本步骤中，基于所述最终映射关系对应的无监督聚类模型，对后续样本数据进行聚类标记，并基于标记后的样本数据组成新的特征数据集。具体而言：

步骤4.1、步骤4所述的新的特征数据集包含窗口处理后获得的生理特征数据，以及本步骤中的的聚类标记。这两个部分同样是通过上述的无监督聚类进行关联的。如图4的F6所示，新的数据集不再考虑PSG的标记结果，而是直接从数据点的特征分类到聚类的簇号。

步骤4.2、对步骤4.1获取的数据集进行分类训练，建立分类模型；这里可以使用常用的机器学习分类算法或者深度学习分类算法，根据设备本地的计算能力来选择。

通过上阶段的分类样本构建基于监督学习的睡眠分期的分类模型，具体实施时可以使用决策树，随机森林，Xgboost等机器学习分类算法。将上一步骤所标记后的分类数据集通过上述分类算法进行训练并且输出簇号，然后映射到睡眠分期结果的五分类模型,即清醒期,REM快速眼动期,N1,N2,N3期。模型进行睡眠分类完成后,会通过一个合理性推理方式，从而将分类结果中一些不合理结果进行重新划分分期。最后将此模型通过处理后部署于智能床垫等家居或医疗设备上，从而完成不依赖后端服务器的离线睡眠分期，其具体流程如图2所示。

在一个更为优选的实施方式中，该合理性推理方式中，参考的推理判定规则包含但不限于：用户的睡眠阶段会重复循环，每个周期持续90分钟左右，标准的阶段切换按照：觉醒期->REM->N1->N2->N3->N2->N1->REM->觉醒。这种阶段切换规则对于大众用户大概率是遵守的，按照这个规则对睡眠分类的结果进行重新纠正。

本方案在又一种实施方式下，还可以通过系统的方式来实现，该系统可以包括：

数据获取模块，用于获取心冲击信号数据，以及多PSG数据；

特征提取模块，对所述心冲击信号数据进带通滤波，提取呼吸信号和心率信号；对呼吸信号和心率信号进行滑动窗口处理，获得窗口生理数据；并对窗口生理数据进行特征提取，获得生理特征数据；所述生理特征数据包含时域特征和频域特征；

分类模型模块，建立并存储分类模型；

分类模块，基于所述分类模型，对待分类生理数据进行分类，并纠正不合理分类结果。

优选的，在系统建立初期，需要进行分类模型的建立，同时，分类模型的建立，需要形成有合理睡眠分期标记的训练样本数据，此时，就需要首先将生理特征数据进行合理的睡眠分期标记。为实现这一过程，所述系统还可以设置映射模块。映射模块，对所述生理特征数据进行无监督聚类，并标记簇号；参考所述多PSG数据的分期结果对所述窗口生理数据进行睡眠分期标记；将簇号与睡眠分期标记进行统计映射；若统计映射偏差不满足预设要求，则调整聚类参数再次进行无监督聚类，直至映射偏差满足预设要求时，确定最终映射关系。

此时，在分类模型建立时，所述分类模型模块还用于：基于所述最终映射关系对应的无监督聚类模型，对后续样本数据进行聚类标记，并基于标记后的样本数据组成新的特征数据集；基于新的特征数据集进行分类训练，建立分类模型。

具体实施时，该分类模型可以使用决策树，随机森林，Xgboost等机器学习分类算法。将标记后的分类数据集通过上述分类算法进行训练并且输出睡眠分期结果的五分类模型,即清醒期,REM快速眼动期,N1,N2,N3期。

优选的，所述生理特征数据包括以下特征的一个或其任意组合：心率均值、心率标准差、呼吸均值、呼吸标准差、体动量、体动量均值、体动量标准差、呼心比等，此处不再赘述。

优选的，所述聚类参数包括聚类数K值、初始化随机数。

优选的，所述预设要求为：统计映射关系中，异常点的占比小于20％。

更为优选的，对所述窗口生理数据进行睡眠分期标记具体方式为：

将部分特征显著的窗口生理数据进行睡眠分期标记，这部分生理数据特征不仅是从参考的PSG数据来看，还是从睡眠专家的标注结果来看，还是从睡眠周期的状态变化原理来看，都有极高的置信度；

基于睡眠分期标记后的窗口生理数据，对未进行睡眠分期标记的窗口生理数据进行分类推理，进行睡眠分期标记。

优选的，对未进行睡眠分期标记的窗口生理数据进行分类推理可通过标签传播方式实现：在数据集中有部分是标记好的，有部分是没有标记的，如果一个数据点没有标记，而它最近的N个邻居有M个都标记了，那么这个M个邻居可以通过简单投票多数表决，再加上表决权重(例如距离近的邻居权重大等方式)，投票后产生的分类结果就可以作为该没有标记的数据点的标记。

优选的，所述纠正不合理分类结果的方式为：

根据睡眠阶段的规则进行合理性推理，将不合理结果重新进行睡眠分期分类，实现纠正。

本方案在又一种实施方式下，可以通过设备的方式来实现，该设备可以包括执行上述各个实施方式中各个或几个步骤的相应模块。因此，可以由相应模块执行上述各个实施方式的每个步骤或几个步骤，并且该电子设备可以包括这些模块中的一个或多个模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。

该设备可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器，这取决于硬件的特定应用和总体设计约束。总线将包括一个或多个处理器、存储器和/或硬件模块的各种电路连接到一起。总线还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路连接。

总线可以是工业标准体系结构(ISA，IndustryStandardArchitecture)总线、外部设备互连(PCI，PeripheralComponent)总线或扩展工业标准体系结构(EISA，ExtendedIndustryStandardComponent)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，该图中仅用一条连接线表示，但并不表示仅有一根总线或一种类型的总线。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本方案的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本方案的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如，本方案中的方法实施方式可以被实现为软件程序，其被有形地包含于机器可读介质，例如存储器。在一些实施方式中，软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时，可以执行上文描述的方法中的一个或多个步骤。备选地，在其他实施方式中，处理器可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法之一。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，可以具体实现在任何可读存储介质中，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。

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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于心冲击信号的睡眠分期方法，其特征在于，所述方法包括：

步骤1、获取心冲击信号数据，并采集多PSG数据；

步骤2、对所述心冲击信号数据进带通滤波，提取呼吸信号和心率信号；对呼吸信号和心率信号进行滑动窗口处理，获得窗口生理数据；并对窗口生理数据进行特征提取，获得生理特征数据；所述生理特征数据包含时域特征和频域特征；

步骤3、对所述生理特征数据进行无监督聚类，并标记簇号；参考所述多PSG数据的分期结果对所述窗口生理数据进行睡眠分期标记；将簇号与睡眠分期标记进行统计映射；若统计映射偏差不满足预设要求，则调整聚类参数再次进行无监督聚类，直至映射偏差满足预设要求时，确定最终映射关系；

步骤4、基于所述最终映射关系对应的无监督聚类模型，对后续样本数据进行聚类标记，并基于标记后的样本数据组成新的特征数据集；基于新的特征数据集进行分类训练，建立分类模型；

步骤5、基于所述分类模型，对待分类生理数据进行分类。

2.根据权利要求1所述的方法，其特征在于，所述生理特征数据包括以下特征的一个或其任意组合：心率均值、心率标准差、呼吸均值、呼吸标准差、体动量、体动量均值、体动量标准差、呼心比、呼吸频带峰值、心率频带峰值、呼吸频带质心、心率频带峰值。

3.根据权利要求1所述的方法，其特征在于，所述步骤3中，所述聚类参数包括聚类数K值、初始化随机数。

4.根据权利要求1所述的方法，其特征在于，所述步骤3中，所述预设要求为：统计映射关系中，异常点的占比小于20％。

5.根据权利要求1所述的方法，其特征在于，所述步骤3中，对所述窗口生理数据进行睡眠分期标记具体方式为：

将部分特征显著的窗口生理数据进行睡眠分期标记，基于睡眠分期标记后的窗口生理数据，对未进行睡眠分期标记的窗口生理数据进行分类推理，进行睡眠分期标记。

6.根据权利要求1所述的方法，其特征在于，根据权利要求1所述的方法，其特征在于，所述步骤5中，所述纠正不合理分类结果的方式为：

根据睡眠阶段的规则进行合理性推理，将不合理结果重新进行睡眠分期分类，实现纠正。

7.一种基于心冲击信号的睡眠分期系统，其特征在于，所述系统包括：

数据获取模块，用于获取心冲击信号数据，以及多PSG数据；

特征提取模块，对所述心冲击信号数据进带通滤波，提取呼吸信号和心率信号；对呼吸信号和心率信号进行滑动窗口处理，获得窗口生理数据；并对窗口生理数据进行特征提取，获得生理特征数据；所述生理特征数据包含时域特征和频域特征；

分类模型模块，建立并存储分类模型；

分类模块，基于所述分类模型，对待分类生理数据进行分类，并纠正不合理分类结果。

8.根据权利要求7所述的系统，其特征在于，所述系统还包括：

映射模块，对所述生理特征数据进行无监督聚类，并标记簇号；参考所述多PSG数据的分期结果对所述窗口生理数据进行睡眠分期标记；将簇号与睡眠分期标记进行统计映射；若统计映射偏差不满足预设要求，则调整聚类参数再次进行无监督聚类，直至映射偏差满足预设要求时，确定最终映射关系。

9.根据权利要求8所述的系统，其特征在于，在分类模型建立时，所述分类模型模块还用于：基于所述最终映射关系对应的无监督聚类模型，对后续样本数据进行聚类标记，并基于标记后的样本数据组成新的特征数据集；基于新的特征数据集进行分类训练，建立分类模型。

10.一种基于心冲击信号的睡眠分期设备，其特征在于，所述设备包括处理器、存储器及总线，所述存储器存储可由处理器读取的指令；所述处理器用于调用所述存储器中的指令，以执行权利要求1至6任一所述的基于心冲击信号的睡眠分期方法；所述总线连接各功能部件以传送信息。

Images