CN115281685A - 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质 - Google Patents

Abstract

本发明提供一种基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质，该方法包括：获取用户的脑电信号；提取脑电信号的特征；将脑电信号的特征输入基于样本数据集训练的机器学习模型，机器学习模型输出用户的睡眠分期识别结果，睡眠分期识别结果指示用户处于多种睡眠分期的概率；计算脑电信号的特征相对于样本数据集的异常程度；基于异常程度对用户的睡眠分期识别结果进行调整。本发明基于用户脑电信号特征相对于样本数据集的异常程度对用户的睡眠分期识别结果进行调整，能够克服用户脑电信号特征与样本数据集的差异所带来的影响，从而有利于准确识别用户睡眠分期。

Description

基于异常检测的睡眠分期识别方法、装置以及计算机可读存 储介质

技术领域

本发明涉及计算机技术领域，具体涉及一种基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质。

背景技术

目前临床上监测睡眠的典型方法是用多导睡眠仪(Polysomnography，PSG)采集睡眠期间的生理信号，包括脑电(EEG)、眼电(EOG)、肌电(EMG)、心电(ECG)、血氧饱和度(SpO2)和呼吸信号。睡眠分期是由专家根据R&K(一种睡眠脑波分析方法)规则对PSG信号进行人工目测分析。而PSG信号需由专业人员来操作，技术要求较高，费用昂贵，并且人工对睡眠进行分期这种方式非常繁琐、耗时，准确率及效率很低。而在标准睡眠检查时使用的多通道生理信号监测仪，则需要在受测者身上黏贴大量电极，不仅事前黏贴及事后清洁相当麻烦，繁乱的线路也会对睡眠品质造成不良影响，不论是对医事人员或是受测者而言，都是较差的使用体验，也严重限制了睡眠检查环境。由于床位不足及睡眠资料判读方法繁复，检查前后往往需要漫长等待，这对于提升睡眠品质完全没有帮助，也没有效率。在医疗资源有限的情况下，若能利用简化的检查预先将不需进行完整睡眠检查的病患剔除，对医事人员及病患都是有益消息。因此，建立仅仅基于单导联的EEG信号的睡眠自动分期的方法与模型，可在临床上为睡眠质量的评估提供更为简便、快捷、准确的评估途径。

不少研究提出了利用前额单通道EEG进行自动化睡眠分期的方法，即利用机器学习模型，在缺乏眼动信号而难以判读快速动眼期的情况下，达到了可观的正确率，不仅简化了电极的黏贴清洁步骤，提供患者于家中自行进行初步检查的可能，也为受测者节省下大量时间金钱，减少许多不必要的医疗资源浪费。而简化后的系统，更是可以大幅放宽了睡眠检查对医疗环境的依赖，提供了居家长期监测睡眠品质的可能。

关于EEG的睡眠分期方法有很多，目前最为主流的是机器学习，一般流程：第一步是信号采集，然后进行预处理：去除数据集中的噪声和其他异常值。特征提取决定了数据的频谱及其对应的特征。特征选择是分离出所需的分类器，机器学习方法将对这些分类器进行后续训练。机器学习训练涉及到使用训练数据集，无论是否有已知的输出来细化分类方法。最后，测试阶段是处理真实的测试数据集，并比较所需特征的总体精度。

目前，基于单导联的EEG信号，通常采用机器学习的方法进行分析，其分类性能是基于训练数据的，而实际的部署环境中的数据和训练的数据存在很大不同，缺乏相应的评估方法无法准确评估模型的实际准确程度，导致模型输出的用户睡眠分期识别结果准确性不足。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地准确识别用户睡眠分期的基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质。

第一方面，本发明提供一种基于异常检测的睡眠分期识别方法，所述方法包括：获取用户的脑电信号；提取所述脑电信号的特征；将所述脑电信号的特征输入基于样本数据集训练的机器学习模型，所述机器学习模型输出所述用户的睡眠分期识别结果，所述睡眠分期识别结果指示所述用户处于多种睡眠分期的概率；计算所述脑电信号的特征相对于所述样本数据集的异常程度；基于所述异常程度对所述用户的睡眠分期识别结果进行调整。

优选地，前述的基于异常检测的睡眠分期识别方法，“提取所述脑电信号的特征”的步骤，包括：对所述脑电信号进行小波变换处理得到脑电谱图作为所述脑电信号的特征；所述机器学习模型中包括图片重建模型和情绪识别模型，“所述机器学习模型输出所述用户的睡眠分期识别结果”的步骤包括：所述图片重建模型对所述脑电谱图解码后编码以实现重建，所述情绪识别模型基于重建后的所述脑电谱图计算所述用户的睡眠分期识别结果。

优选地，前述的基于异常检测的睡眠分期识别方法，在“将所述脑电信号的特征输入基于样本数据集训练的机器学习模型”的步骤之前，还包括：对所述样本数据集进行数据增强处理，处理后所述样本数据集中所述多种睡眠分期对应的数据量均符合预设标准。

优选地，前述的基于异常检测的睡眠分期识别方法，“计算所述脑电信号的特征相对于所述样本数据集的异常程度”的步骤包括：计算所述脑电信号的特征相对于所述样本数据集的局部离群因子，作为所述异常程度；“基于所述异常程度对所述用户的睡眠分期识别结果进行调整”的步骤包括：将所述局部离群因子作为所述用户的睡眠分期识别结果的加权值，以对所述用户的睡眠分期识别结果进行调整。

优选地，前述的基于异常检测的睡眠分期识别方法，“计算所述脑电信号的特征相对于所述样本数据集的异常程度”的步骤包括：根据所述用户的属性，从所述样本数据集中抽取来源于具有相同属性的其他用户的样本数据，计算所述脑电信号的特征相对于抽取样本数据的异常程度。

第二方面，本发明提供一种基于异常检测的睡眠分期识别装置，所述装置包括：信号获取模块，获取用户的脑电信号；特征提取模块，提取所述脑电信号的特征；分期识别模块，将所述脑电信号的特征输入基于样本数据集训练的机器学习模型，所述机器学习模型输出所述用户的睡眠分期识别结果，所述睡眠分期识别结果指示所述用户处于多种睡眠分期的概率；异常计算模块，计算所述脑电信号的特征相对于所述样本数据集的异常程度；结果调整模块，基于所述异常程度对所述用户的睡眠分期识别结果进行调整。

优选地，前述的基于异常检测的睡眠分期识别装置，所述特征提取模块对所述脑电信号进行小波变换处理得到脑电谱图作为所述脑电信号的特征；所述机器学习模型中包括图片重建模型和情绪识别模型，所述图片重建模型对所述脑电谱图解码后编码以实现重建，所述情绪识别模型基于重建后的所述脑电谱图计算所述用户的睡眠分期识别结果。

优选地，前述的基于异常检测的睡眠分期识别装置，还包括：数据增强模块，在将所述脑电信号的特征输入基于样本数据集训练的机器学习模型之前，还对所述样本数据集进行数据增强处理，处理后所述样本数据集中所述多种睡眠分期对应的数据量均符合预设标准。

优选地，前述的基于异常检测的睡眠分期识别装置，所述异常计算模块计算所述脑电信号的特征相对于所述样本数据集的局部离群因子，作为所述异常程度；所述结果调整模块将所述局部离群因子作为所述用户的睡眠分期识别结果的加权值，以对所述用户的睡眠分期识别结果进行调整。

第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述基于异常检测的睡眠分期识别方法的技术方案中任一项技术方案所述的上述基于异常检测的睡眠分期识别方法。

本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

本发明的技术方案与现有技术不同，在获取用户的脑电信号并提取特征后，利用机器学习模型对脑电信号特征进行计算得到用户的睡眠分期识别结果，此时并未将其作为最终结果，而是计算了用户脑电信号特征相对于机器学习模型训练使用的样本数据集的异常程度，基于该异常程度对用户的睡眠分期识别结果进行调整，由于用户脑电信号特征与样本数据集形成环境不同、质量存在差异，导致基于样本数据集训练的机器学习模型对用户脑电信号特征计算得到的用户睡眠分期识别结果准确性不稳定，而基于用户脑电信号特征相对于样本数据集的异常程度对用户的睡眠分期识别结果进行调整，能够克服用户脑电信号特征与样本数据集的差异所带来的影响，从而有利于准确识别用户睡眠分期。

附图说明

参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：

图1是根据本发明的一个实施例的基于异常检测的睡眠分期识别方法的流程图；

图2是根据本发明的一个实施例的基于异常检测的睡眠分期识别方法的流程图；

图3是根据本发明的一个实施例的基于异常检测的睡眠分期识别装置的框图。

图4是根据本发明的一个实施例的基于异常检测的睡眠分期识别装置的框图。

具体实施方式

下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。

如图1所示，本发明的一个实施例中提供了一种基于异常检测的睡眠分期识别方法，该方法包括：

步骤S110，获取用户的脑电信号。

本实施例中，脑电(Electroencephalogram,EEG)信号是在大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。

步骤S120，提取脑电信号的特征。

本实施例中，对提取特征的具体类型不进行限制。

步骤S130，将脑电信号的特征输入基于样本数据集训练的机器学习模型，机器学习模型输出用户的睡眠分期识别结果，睡眠分期识别结果指示用户处于多种睡眠分期的概率。

本实施例中，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。睡眠分期一般分为NREM期和REM期，其中NREM包括I期、II期、III期或/和IV期。目前国际上通用的方法是根据睡眠过程中的EEG表现，眼球运动情况和肌肉张力的变化等因素，AASM睡眠主要分为以下5期(成年人)：W期——清醒期(Wakefulness)，N1期睡眠——非快速眼动1期(NREM1)，N2期睡眠——非快速眼动2期(NREM2)，N3期睡眠——非快速眼动3期(NREM3)，R期睡眠——快速眼动期(REM)。

步骤S140，计算脑电信号的特征相对于样本数据集的异常程度。

本实施例中，异常检测(anomaly detection)是对不匹配预期模式或数据集中其他项目的项目、事件或观测值的识别。通常情况下，异常检测定义在正常样本和异常样本混合的无标注数据集上，其中正常样本占据绝大多数。由于缺乏标注信息无法构造有监督的学习目标函数，异常检测任务通常被定义为无监督学习任务。

步骤S150，基于异常程度对用户的睡眠分期识别结果进行调整。

本实施例的技术方案，由于用户脑电信号特征与样本数据集形成环境不同、质量存在差异，导致基于样本数据集训练的机器学习模型对用户脑电信号特征计算得到的用户睡眠分期识别结果准确性不稳定，而基于用户脑电信号特征相对于样本数据集的异常程度对用户的睡眠分期识别结果进行调整，能够克服用户脑电信号特征与样本数据集的差异所带来的影响，从而有利于准确识别用户睡眠分期。

如图2所示，本发明的一个实施例中提供了一种基于异常检测的睡眠分期识别方法，该方法包括：

步骤S210，获取用户的脑电信号。

本实施例中，对额贴式的单通道脑电设备以200Hz的频率进行采样，得到的脑电信号。本实施例中，将脑电信号分割为30s为一段的数据，对信号进行平滑滤波和去除噪声，进行1-40Hz的带通滤波。

步骤S220，对脑电信号进行小波变换处理得到脑电谱图作为脑电信号的特征。

本实施例中，将所述脑电信号经小波变换得到脑电谱图，此处也可以采用其他类型的特征。

步骤S230，将脑电信号的特征输入基于样本数据集训练的机器学习模型，机器学习模型中包括图片重建模型和情绪识别模型，图片重建模型对脑电谱图解码后编码以实现重建，情绪识别模型基于重建后的脑电谱图计算用户的睡眠分期识别结果，睡眠分期识别结果指示用户处于多种睡眠分期的概率。

本实施例中，构建网络分类模型(机器学习模型)，包括由变分编码器VAE构成的图片重建模型和由长短记忆网络构成的情绪识别模型，其中变分编码器是一个规模化的无监督表示学习模型，它假设输入是由若干独立同分布的高斯随机变量生成，其具有解码器和编码器，解码器采用卷积神经网络，通过解码后再编码重建图片。情绪识别模型基于长短记忆网络对输入特征进行计算，得到用户的睡眠分期识别结果。本实施例中，利用样本数据集对于网络分类模型进行训练、检验和测试。

进一步地，在训练阶段，可对样本数据集进行数据增强处理，处理后样本数据集中多种睡眠分期对应的数据量均符合预设标准。

本实施例中，在训练阶段进行过采样处理。不同种类样本数据的不平衡会导致模型过多地关注样本多的类别，导致样本少的类别的识别率下降，影响模型的分类效果。为了解决睡眠分期数据样本类别不平衡的问题，使用SMOTE(合成少数类过采样技术，SyntheticMinority Oversampling Technique)方法进行数据增强，构建类平衡的睡眠数据集进行模型的训练，所有类别下的数据都达到同样数量。在模型的训练阶段，模型需要达到一定的精度才会考虑部署到生产环境中去，然而由于生产环境下和训练阶段的数据质量可能存在一致性的问题，并且生产环境下的数据通常是无标签的，因此模型的实际准确程度有所不足。

本实施例中，采用了合成少数类过采样技术(Synthetic Minority OversamplingTechnique，SMOTE)。随机过采样直接对少数类样本进行复制操作，容易导致过拟合，SMOTE算法针对复制操作进行改进，基本思想是：对每个少数类样本，从它的最近邻(少数类)中随机选择一个样本，然后在两者之间的连线上随机选择一点作为新合成的少数类样本。

步骤S240，计算脑电信号的特征相对于样本数据集的局部离群因子，作为异常程度。

本实施例中，使用局部离群因子(Local Outlier Factor，LOF)算法，计算新数据相对于训练数据集的LOF值(越接近1，越可能是正常样本，LOF的值越大于1，则越可能是异常样本)。

本实施例中，LOF算法(Local Outlier Factor)，又叫局部异常因子算法，是一种基于距离的异常点检测算法。根据数据点周围的数据密集情况，首先计算每个数据点的一个局部可达密度，然后通过局部可达密度进一步计算得到每个数据点的一个离群因子，该离群因子即标识了一个数据点的离群程度，因子值越大，表示离群程度越高，因子值越小，表示离群程度越低。

进一步地，可根据用户的属性，从样本数据集中抽取来源于具有相同属性的其他用户的样本数据，计算脑电信号的特征相对于抽取样本数据的异常程度。

本实施例中，对用户的属性不进行限制，例如可以是年龄、性别等，按照用户属性从样本数据集中提取有限的样本数据进行异常检测，相同属性的数据进行对比更容易分析环境对数据质量造成的影响，有限的数据也有利于提高异常检测效率。

步骤S250，将局部离群因子作为用户的睡眠分期识别结果的加权值，以对用户的睡眠分期识别结果进行调整。

本实施例中，计算LOF值和分类器(即机器学习模块)分类(即各类睡眠分期)概率的加权正确率。具体地，采用如下公式计算加权正确率：g＝T(LOF)*log(V)，T(x)为x经过线性缩放变换T(公式：T(x)＝k*x+b，k、b均为常量，k，b∈R)之后得到的数据，V为分类器判断其分类(睡眠分期)的概率，log(x)为x经过对数运算之后得到的数据；本实施例中，对数运算的底数可选用2、10或自然对数的底(常数e)。

本实施例的技术方案，通过异常检测来评估生产环境和训练阶段的数据同源程度，对机器学习模型输出的识别结果进行调整，提升了用户睡眠分期识别的准确率，增强了模型的在实际生产环境中的适用性。

如图3所示，本发明的一个实施例中提供了一种基于异常检测的睡眠分期识别装置，该装置包括：

信号获取模块310，获取用户的脑电信号。

本实施例中，脑电(Electroencephalogram,EEG)信号是在大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。

特征提取模块320，提取脑电信号的特征。

本实施例中，对提取特征的具体类型不进行限制。

分期识别模块330，将脑电信号的特征输入基于样本数据集训练的机器学习模型，机器学习模型输出用户的睡眠分期识别结果，睡眠分期识别结果指示用户处于多种睡眠分期的概率。

本实施例中，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。睡眠分期一般分为NREM期和REM期，其中NREM包括I期、II期、III期或/和IV期。目前国际上通用的方法是根据睡眠过程中的EEG表现，眼球运动情况和肌肉张力的变化等因素，AASM睡眠主要分为以下5期(成年人)：W期——清醒期(Wakefulness)，N1期睡眠——非快速眼动1期(NREM1)，N2期睡眠——非快速眼动2期(NREM2)，N3期睡眠——非快速眼动3期(NREM3)，R期睡眠——快速眼动期(REM)。

异常计算模块340，计算脑电信号的特征相对于样本数据集的异常程度。

本实施例中，异常检测(anomaly detection)是对不匹配预期模式或数据集中其他项目的项目、事件或观测值的识别。通常情况下，异常检测定义在正常样本和异常样本混合的无标注数据集上，其中正常样本占据绝大多数。由于缺乏标注信息无法构造有监督的学习目标函数，异常检测任务通常被定义为无监督学习任务。

结果调整模块350，基于异常程度对用户的睡眠分期识别结果进行调整。

本实施例的技术方案，由于用户脑电信号特征与样本数据集形成环境不同、质量存在差异，导致基于样本数据集训练的机器学习模型对用户脑电信号特征计算得到的用户睡眠分期识别结果准确性不稳定，而基于用户脑电信号特征相对于样本数据集的异常程度对用户的睡眠分期识别结果进行调整，能够克服用户脑电信号特征与样本数据集的差异所带来的影响，从而有利于准确识别用户睡眠分期。

如图4所示，本发明的一个实施例中提供了一种基于异常检测的睡眠分期识别装置，该装置包括：

信号获取模块410，获取用户的脑电信号。

本实施例中，对额贴式的单通道脑电设备以200Hz的频率进行采样，得到的脑电信号。本实施例中，将脑电信号分割为30s为一段的数据，对信号进行平滑滤波和去除噪声，进行1-40Hz的带通滤波。

特征提取模块420，对脑电信号进行小波变换处理得到脑电谱图作为脑电信号的特征。

本实施例中，将所述脑电信号经小波变换得到脑电谱图，此处也可以采用其他类型的特征。

分期识别模块430，将脑电信号的特征输入基于样本数据集训练的机器学习模型，机器学习模型中包括图片重建模型和情绪识别模型，图片重建模型对脑电谱图解码后编码以实现重建，情绪识别模型基于重建后的脑电谱图计算用户的睡眠分期识别结果，睡眠分期识别结果指示用户处于多种睡眠分期的概率。

本实施例中，构建网络分类模型(机器学习模型)，包括由变分编码器VAE构成的图片重建模型和由长短记忆网络构成的情绪识别模型，其中变分编码器是一个规模化的无监督表示学习模型，它假设输入是由若干独立同分布的高斯随机变量生成，其具有解码器和编码器，解码器采用卷积神经网络，通过解码后再编码重建图片。情绪识别模型基于长短记忆网络对输入特征进行计算，得到用户的睡眠分期识别结果。本实施例中，利用样本数据集对于网络分类模型进行训练、检验和测试。

进一步地，在训练阶段，可使用数据增强模块440对样本数据集进行数据增强处理，处理后样本数据集中多种睡眠分期对应的数据量均符合预设标准。

本实施例中，在训练阶段进行过采样处理。不同种类样本数据的不平衡会导致模型过多地关注样本多的类别，导致样本少的类别的识别率下降，影响模型的分类效果。为了解决睡眠分期数据样本类别不平衡的问题，使用SMOTE方法进行数据增强，构建类平衡的睡眠数据集进行模型的训练，所有类别下的数据都达到同样数量。在模型的训练阶段，模型需要达到一定的精度才会考虑部署到生产环境中去，然而由于生产环境下和训练阶段的数据质量可能存在一致性的问题，并且生产环境下的数据通常是无标签的，因此模型的实际准确程度有所不足。

本实施例中，采用了合成少数类过采样技术(Synthetic Minority OversamplingTechnique，SMOTE)。随机过采样直接对少数类样本进行复制操作，容易导致过拟合，SMOTE算法针对复制操作进行改进，基本思想是：对每个少数类样本，从它的最近邻(少数类)中随机选择一个样本，然后在两者之间的连线上随机选择一点作为新合成的少数类样本。

异常计算模块450，计算脑电信号的特征相对于样本数据集的局部离群因子，作为异常程度。

本实施例中，使用局部离群因子(Local Outlier Factor，LOF)算法，计算新数据相对于训练数据集的LOF值(越接近1，越可能是正常样本，LOF的值越大于1，则越可能是异常样本)。

本实施例中，LOF算法(Local Outlier Factor)，又叫局部异常因子算法，是一种基于距离的异常点检测算法。根据数据点周围的数据密集情况，首先计算每个数据点的一个局部可达密度，然后通过局部可达密度进一步计算得到每个数据点的一个离群因子，该离群因子即标识了一个数据点的离群程度，因子值越大，表示离群程度越高，因子值越小，表示离群程度越低。

进一步地，可根据用户的属性，异常计算模块450从样本数据集中抽取来源于具有相同属性的其他用户的样本数据，计算脑电信号的特征相对于抽取样本数据的异常程度。

本实施例中，对用户的属性不进行限制，例如可以是年龄、性别等，按照用户属性从样本数据集中提取有限的样本数据进行异常检测，相同属性的数据进行对比更容易分析环境对数据质量造成的影响，有限的数据也有利于提高异常检测效率。

结果调整模块460，将局部离群因子作为用户的睡眠分期识别结果的加权值，以对用户的睡眠分期识别结果进行调整。

本实施例中，计算LOF值和分类器(即机器学习模块)分类(即各类睡眠分期)概率的加权正确率。具体地，采用如下公式计算加权正确率：g＝T(LOF)*log(V)，T(x)为x经过线性缩放变换T(公式：T(x)＝k*x+b，k、b均为常量，k，b∈R)之后得到的数据，V为分类器判断其分类(睡眠分期)的概率，log(x)为x经过对数运算之后得到的数据；本实施例中，对数运算的底数可选用2、10或自然对数的底(常数e)。

本实施例的技术方案，通过异常检测来评估生产环境和训练阶段的数据同源程度，对机器学习模型输出的识别结果进行调整，提升了用户睡眠分期识别的准确率，增强了模型的在实际生产环境中的适用性。

本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的基于异常检测的睡眠分期识别方法的程序，该程序可以由处理器加载并运行以实现上述基于异常检测的睡眠分期识别方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的移动终端的处理装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种基于异常检测的睡眠分期识别方法，其特征在于，包括：

获取用户的脑电信号；

提取所述脑电信号的特征；

将所述脑电信号的特征输入基于样本数据集训练的机器学习模型，所述机器学习模型输出所述用户的睡眠分期识别结果，所述睡眠分期识别结果指示所述用户处于多种睡眠分期的概率；

计算所述脑电信号的特征相对于所述样本数据集的异常程度；

基于所述异常程度对所述用户的睡眠分期识别结果进行调整。

2.根据权利要求1所述的基于异常检测的睡眠分期识别方法，其特征在于，“提取所述脑电信号的特征”的步骤，包括：

对所述脑电信号进行小波变换处理得到脑电谱图作为所述脑电信号的特征；

所述机器学习模型中包括图片重建模型和情绪识别模型，“所述机器学习模型输出所述用户的睡眠分期识别结果”的步骤包括：

所述图片重建模型对所述脑电谱图解码后编码以实现重建，所述情绪识别模型基于重建后的所述脑电谱图计算所述用户的睡眠分期识别结果。

3.根据权利要求1所述的基于异常检测的睡眠分期识别方法，其特征在于，在“将所述脑电信号的特征输入基于样本数据集训练的机器学习模型”的步骤之前，还包括：

对所述样本数据集进行数据增强处理，处理后所述样本数据集中所述多种睡眠分期对应的数据量均符合预设标准。

4.根据权利要求1所述的基于异常检测的睡眠分期识别方法，其特征在于，“计算所述脑电信号的特征相对于所述样本数据集的异常程度”的步骤包括：

计算所述脑电信号的特征相对于所述样本数据集的局部离群因子，作为所述异常程度；

“基于所述异常程度对所述用户的睡眠分期识别结果进行调整”的步骤包括：

将所述局部离群因子作为所述用户的睡眠分期识别结果的加权值，以对所述用户的睡眠分期识别结果进行调整。

5.根据权利要求1所述的基于异常检测的睡眠分期识别方法，其特征在于，“计算所述脑电信号的特征相对于所述样本数据集的异常程度”的步骤包括：

根据所述用户的属性，从所述样本数据集中抽取来源于具有相同属性的其他用户的样本数据，计算所述脑电信号的特征相对于抽取样本数据的异常程度。

6.一种基于异常检测的睡眠分期识别装置，其特征在于，包括：

信号获取模块，获取用户的脑电信号；

特征提取模块，提取所述脑电信号的特征；

分期识别模块，将所述脑电信号的特征输入基于样本数据集训练的机器学习模型，所述机器学习模型输出所述用户的睡眠分期识别结果，所述睡眠分期识别结果指示所述用户处于多种睡眠分期的概率；

异常计算模块，计算所述脑电信号的特征相对于所述样本数据集的异常程度；

结果调整模块，基于所述异常程度对所述用户的睡眠分期识别结果进行调整。

7.根据权利要求6所述的基于异常检测的睡眠分期识别装置，其特征在于，

所述特征提取模块对所述脑电信号进行小波变换处理得到脑电谱图作为所述脑电信号的特征；

所述机器学习模型中包括图片重建模型和情绪识别模型，所述图片重建模型对所述脑电谱图解码后编码以实现重建，所述情绪识别模型基于重建后的所述脑电谱图计算所述用户的睡眠分期识别结果。

8.根据权利要求6所述的基于异常检测的睡眠分期识别装置，其特征在于，还包括：

数据增强模块，在将所述脑电信号的特征输入基于样本数据集训练的机器学习模型之前，还对所述样本数据集进行数据增强处理，处理后所述样本数据集中所述多种睡眠分期对应的数据量均符合预设标准。

9.根据权利要求6所述的基于异常检测的睡眠分期识别装置，其特征在于，

所述异常计算模块计算所述脑电信号的特征相对于所述样本数据集的局部离群因子，作为所述异常程度；

所述结果调整模块将所述局部离群因子作为所述用户的睡眠分期识别结果的加权值，以对所述用户的睡眠分期识别结果进行调整。

10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至5中任一项所述的基于异常检测的睡眠分期识别方法。

Images