CN116369868A - 基于大数据的睡眠分期监测方法及装置 - Google Patents

基于大数据的睡眠分期监测方法及装置 Download PDF

Info

Publication number
CN116369868A
CN116369868A CN202310664175.1A CN202310664175A CN116369868A CN 116369868 A CN116369868 A CN 116369868A CN 202310664175 A CN202310664175 A CN 202310664175A CN 116369868 A CN116369868 A CN 116369868A
Authority
CN
China
Prior art keywords
signals
characteristic
signal
data
redundant
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.)
Granted
Application number
CN202310664175.1A
Other languages
English (en)
Other versions
CN116369868B (zh
Inventor
王伟
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.)
Affiliated Hospital of University of Qingdao
Original Assignee
Affiliated Hospital of University of Qingdao
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 Affiliated Hospital of University of Qingdao filed Critical Affiliated Hospital of University of Qingdao
Priority to CN202310664175.1A priority Critical patent/CN116369868B/zh
Publication of CN116369868A publication Critical patent/CN116369868A/zh
Application granted granted Critical
Publication of CN116369868B publication Critical patent/CN116369868B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7232—Signal processing specially adapted for physiological signals or for diagnostic purposes involving compression of the physiological signal, e.g. to extend the signal recording period

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明涉及数据压缩处理领域，具体涉及一种基于大数据的睡眠分期监测方法及装置，该方法包括：对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；基于所述数据包集合进行压缩，得到待监测数据；基于所述待监测数据进行睡眠分期监测。该方法极大提高了特征信号的保真率，降低存储模块和传输通道的运行压力。使医护人员对患者睡眠监测数据的追溯时长更加持久，诊断结果更加准确。

Description

基于大数据的睡眠分期监测方法及装置
技术领域
本发明涉及数据压缩处理领域，具体涉及一种基于大数据的睡眠分期监测方法及装置。
背景技术
当今人们越来越重视自己的身体健康问题，日常监测体征健康数据可以有效预防健康问题，为医护人员提供数据参考。其中例如睡眠分期监测是一种测量和记录人们睡眠质量和模式的方法。这种监测通常使用可穿戴设备或传感器来检测人体在不同阶段的睡眠周期中的生理变化。睡眠通常被划分为四个阶段：浅睡、深睡、快速动眼期（REM）睡眠和非快速动眼期（NREM）睡眠。通过监测这些阶段，医生和研究人员可以评估一个人的睡眠质量，诊断睡眠障碍，并提供改善睡眠的建议。
现有利用头戴式设备监测体征信号来确定睡眠分期，然而健康监测是一个长期坚持的过程，所有日常监测数据均在时序上，因此积累下来的数据量比较庞大，对存储系统造成较大存储压力，现有存储算法大多都是基于数据冗余度进行编码。例如霍夫曼无损编码，然而在长时间存储、传输过程中难免发生网络、传输通道波动，导致数据丢失，尤其对于霍夫曼编码算法，特征数据的编码长度较长，一旦发生数据丢失就会影响体征监测数据的参考价值。现有算法的特征信号的保真率有待提高。
发明内容
本发明提供一种基于大数据的睡眠分期监测方法及装置。
第一方面，本申请提供一种基于大数据的睡眠分期监测方法，包括：对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；基于所述数据包集合进行压缩，得到待监测数据；基于所述待监测数据进行睡眠分期监测。
在一可选实施例中，所述将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合的步骤，包括：计算所述数据集中所述监测信号的特征权重，得到特征权重序列；基于所述特征权重序列得到冗余概率序列，所述冗余概率序列包括多个所述监测信号的冗余概率；基于所述冗余概率序列将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合。
在一可选实施例中，所述基于所述冗余概率序列将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合的步骤，包括：利用单调累加函数将所述冗余概率序列从小到大依次累加，得到累加结果；利用手肘法基于所述累加结果确定概率突增节点，冗余概率小于所述概率突增节点的监测信号作为所述特征信号，冗余概率大于所述概率突增节点的监测信号作为所述冗余信号，进而得到多个特征信号集合和多个冗余信号集合。
在一可选实施例中，所述计算所述数据集中所述监测信号的特征权重的步骤，包括：基于每一睡眠阶段对应的数据集中监测信号的幅值、所述睡眠阶段对应的数据集的平均幅值计算异常数据；对所述异常数据进行归一化，得到所述监测信号的所述特征权重。
在一可选实施例中，利用如下公式（1）计算所述监测信号的特征权重：
Figure SMS_1
（1）；
上式
Figure SMS_3
代表任意一个睡眠阶段对应的数据集中的第v个监测信号的幅值，
Figure SMS_4
为该 睡眠阶段对应的数据集的平均幅值，
Figure SMS_5
为第v个信号幅值与均值的差值绝对值除以均 值，表征异常数据，
Figure SMS_6
即对所有的异常数据进行归一化，
Figure SMS_7
为第i个监测信 号的特征权重。
在一可选实施例中，所述将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合的步骤，包括：利用期望函数对特征信号的特征权重进行加权，得到分配权重，使得所述分配权重符合局部熵极限；基于分配权重将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合。
在一可选实施例中，所述利用期望函数对特征信号的特征权重进行加权，得到分配权重，使得所述分配权重符合局部熵极限的步骤，包括：
利用如下公式（2）进行对特征信号处理，得到分配权重，使得所述分配权重符合局部熵极限：
Figure SMS_8
（2）；
其中， T为最高期望函数，i为任意一睡眠阶段中的特征信号，
Figure SMS_11
为从冗余概率序 列中分割出的一个概率值，
Figure SMS_13
作为第i个信号的特征权重的加权系数，
Figure SMS_16
的目的在于 消除小数点，避免概率值直接与权重值相乘，加权结果过小；
Figure SMS_9
为第i个特征信号的特征 权重；
Figure SMS_14
为数值对照表，
Figure SMS_15
所得的加权结果为分配权重，如果
Figure SMS_17
所得 的加权结果与对照表
Figure SMS_10
中某个数值相差结果为0，
Figure SMS_12
结果也为0， 此时分配权重符合熵极限。
在一可选实施例中，所述基于分配权重将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合的步骤，包括：
利用如下公式（3）将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合：
Figure SMS_18
（3）；
其中，E为目标函数，
Figure SMS_20
表示冗余信号集合中总概率，N表示N类信号幅值，
Figure SMS_23
为从 冗余概率序列中分割出的一个概率值，
Figure SMS_25
作为第i个信号的特征权重的加权系数，
Figure SMS_21
代表冗余信号集合的总概率减去对每一个特征信号分配的概率值之和的差值的绝对值，
Figure SMS_22
中的
Figure SMS_26
代表分配完成后剩的冗余信号的数量，M代表原冗余信号的数量，两者之比等于1时， 分配方案最优，因此
Figure SMS_27
为惩罚项，即当剩余冗余信号类数保留最完整，则惩罚最小，
Figure SMS_19
可以达到收敛，反之惩罚越大，不能收敛，
Figure SMS_24
代表服 从高斯分布；
其中剩余的冗余信号作为新的特征信号。
在一可选实施例中，基于所述数据包集合进行压缩，得到待监测数据的步骤，包括：
利用新的特征信号构建霍夫曼树底端，以及利用数据包集合按照分配权重在霍夫曼树底端构建霍夫曼树，从而进行压缩，得到待监测数据。
第二方面，本申请提供一种基于大数据的睡眠分期监测装置，包括：处理模块，用于对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；分类模块，用于将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；分配模块，用于将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；压缩模块，用于基于所述数据包集合进行压缩，得到待监测数据；监测模块，用于基于所述待监测数据进行睡眠分期监测。
本发明的有益效果是：区别于现有技术，本发明提出的基于大数据的睡眠分期监测方法包括：对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；基于所述数据包集合进行压缩，得到待监测数据；基于所述待监测数据进行睡眠分期监测。该方法极大提高了特征信号的保真率，降低存储模块和传输通道的运行压力。使医护人员对患者睡眠监测数据的追溯时长更加持久，诊断结果更加准确。
附图说明
图1是本发明基于大数据的睡眠分期监测方法的第一实施例的流程示意图；
图2是图1中步骤S13的一实施例的流程示意图；
图3是构建霍夫曼树的一实施例的流程示意图；
图4是本发明基于大数据的睡眠分期监测装置的一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
下面结合附图和实施例对本发明进行详细的说明。
请参见图1，为本申请基于大数据的睡眠分期监测方法的一实施例的流程示意图，具体包括：
步骤S11：对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号。
睡眠期间佩戴式体征传感器所监测的诸多体征信号，例如肌电、心电、呼吸、血压、脑电等等，通过各类体征信号对应传感器数据库获取所有历史体征监测信号。
无论是周期信号还是非周期信号，其冗余度较高的大都是无效信号，即正常体征信号，仅有部分信号对于睡眠质量具有参考价值。具体的，对历史体征监测信号进行处理，从中提取到对睡眠质量具有参考价值的信号得到信号数据集。对睡眠质量具有参考价值的信号在时序上存在数值异常于正常值的幅值，以时刻为单位识别对睡眠质量具有参考价值的信号。
在一实施例中，由于睡眠四个阶段浅睡、深睡、快速动眼期（REM）睡眠和非快速动眼期（NREM）睡眠，每个阶段的信号特征不同，因此将对睡眠质量具有参考价值的信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号。
在一实施例中，可以利用卷积神经网络（CNN）、深度置信网络（DBN）、长短时记忆网络（LSTM）进行处理，得到多个数据集。
步骤S12：将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合。
在一实施例中，计算数据集中所述监测信号的特征权重，得到特征权重序列。具体的，基于每一睡眠阶段对应的数据集中监测信号的幅值、所述睡眠阶段对应的数据集的平均幅值计算异常数据；对所述异常数据进行归一化，得到所述监测信号的所述特征权重。
在一实施例中，利用如下公式（1）计算所述监测信号的特征权重：
Figure SMS_28
（1）；
上式
Figure SMS_29
代表任意一个睡眠阶段对应的数据集中的第v个监测信号的幅值，
Figure SMS_30
为该 睡眠阶段对应的数据集的平均幅值，
Figure SMS_31
为第v个信号幅值与均值的差值绝对值除以均 值，表征异常数据，不同数据集中的异常计算是以各个睡眠时期的均值进行计算且分数化 统一量纲。
Figure SMS_32
即对所有的异常数据进行归一化，
Figure SMS_33
为第i个监测信号的特 征权重。
基于所述特征权重序列得到冗余概率序列，所述冗余概率序列包括多个所述监测信号的冗余概率。
现有很多文献、专利，采用该特征权重，代替冗余度的概率值，对数据进行霍夫曼编码，即越重要、越异常、或者说特征权重越高的单位信号具有较高的编码优先级，根据霍夫曼树的编码规则其可以得到更短的编码、更快的存储、传输速度，进而保证了特征信号在发生网络波动时更不易丢失，提高长时间存储、传输的保真率。但是实际上异常信号或特征信号几乎均为冗余概率较低的信号，常规信号的冗余概率均较高，因此可以认为冗余概率序列和特征权重序列的顺序几乎相反。那么按照原本冗余概率进行霍夫曼编码会存在特征容易丢失，而按照特征权重编码则又会存在冗余度较高信号的编码极长、编码量极大的问题。
本实施例计算得到特征权重序列后，将特征权重序列反过来作为冗余概率序列。
基于所述冗余概率序列将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合。具体的，利用单调累加函数将所述冗余概率序列从小到大依次累加，得到累加结果；利用手肘法基于所述累加结果确定概率突增节点，冗余概率小于所述概率突增节点的监测信号作为所述特征信号，冗余概率大于所述概率突增节点的监测信号作为所述冗余信号，进而得到多个特征信号集合和多个冗余信号集合。
在一实施例中，先根据冗余度概率将冗余度较高的信号类型筛选出来。由于冗余度较高信号与影响睡眠质量的信号的数量差异较大，本发明利用一个单调累加函数将冗余概率从小到大依次累加，然后利用手肘法确定概率突增节点，以该节点之前的信号类型作为特征信号，节点之后的信号类型作为冗余信号。
步骤S13：将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合。
霍夫曼编码是熵编码，利用霍夫曼编码，每个符号的编码长度只能为整数，所以如果数据集的概率分布不是2负n次方的形式，则无法达到熵极限，简单来说就是每个信号类型的概率值末端必须要为5。例如2的-1次方为0.5。2的-2次方为0.25，-3次方为0.125…，子树相加后才能达到局部熵极限。
假设任意类型体征信号数据库中，每天睡眠过程中记录的体征信号是一个独立的子目，而所有历史记录的子目中共存在N类信号幅值，这些信号类型是按照异常性赋予的特征权重，那么特征信号的出现次数必然极小，且很难出现完全一致、重复的特征信号，因此这部分特征信号的频率极小。尽管可能异常度较高，但为了极少信号的保真率，牺牲大部分信号的编码时间和长度，且无法保证每类信号的权重符合2负n次方。因此，我们需要保证信号符合局部熵极限。
在一实施例中，利用期望函数对特征信号的特征权重进行加权，得到分配权重，使得所述分配权重符合局部熵极限；基于分配权重将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合。
在一实施例中，利用如下公式（2）进行处理，使得所述分配权重符合局部熵极限：
Figure SMS_34
（2）；
其中， T为最高期望函数，i为任意一睡眠阶段中的特征信号，
Figure SMS_37
为从冗余概率序 列中分割出的一个概率值作为第i个信号的特征权重的加权系数，
Figure SMS_38
的目的在于消除 小数点，避免概率值直接与权重值相乘，加权结果过小；
Figure SMS_41
为第i个特征信号的特征权重；
Figure SMS_36
为数值对照表，当
Figure SMS_40
所得的加权结果为分配权重，如果
Figure SMS_42
所得的 加权结果与对照表
Figure SMS_43
中某个数值相差结果为0，
Figure SMS_35
结果也为0，此 时所有特征信号均符合局部熵极限。数值对照表为2的-n次方数值表，n为正整数，其函数表 达为
Figure SMS_39
。
其中，
Figure SMS_44
值不能随意取，而是需要将冗余信号集合的总概率
Figure SMS_45
%尽可能完全分割。因 此所有
Figure SMS_46
值的加和与
Figure SMS_47
的差值损失需要最小。需要说明的是，冗余信号集合的总概率
Figure SMS_48
%为 冗余信号占数据集中的所述监测信号的百分比。
在实际过程中，不能保证所有信号类型的特征权重均为2的-n次方，且信号特征权 重决定了信号的重要性，因此需要在特征权重的基础上重构权重的分配，使新的分配权重 符合熵极限，那么特征信号和冗余信号打包时，
Figure SMS_49
%的分配集可以以其分配在每一类特征信 号上的打包信号概率作为调整系数，只需要调整分配在每一类特征信号上的概率值，这样 既可以得到多个灵活变化的概率值与特征权重加权后符合
Figure SMS_50
，又能解决冗余信号编码压 力较大的问题。
在一实施例中，利用如下公式（3）基于分配权重将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合：
Figure SMS_51
（3）；
其中，E为目标函数，
Figure SMS_54
表示冗余信号集合中总概率，N表示N类信号幅值，
Figure SMS_56
为从 冗余概率序列中分割出的一个概率值，
Figure SMS_57
作为第i个信号的特征权重的加权系数，
Figure SMS_53
代表冗余信号集合的总概率减去对每一个特征信号分配的概率值之和的差值绝对值，其为 主目标函数，需要该差值绝对值尽可能小。但是需要考虑冗余信号也有类别，因此其全部作 为打包数据，可能会导致信号类别目录缺失。因此我们在分配过程中需要尽可能对每一类 冗余信号进行保留，因此
Figure SMS_55
中的
Figure SMS_58
代表分配完成后剩的冗余信号的数量，M代表原冗余信号 的数量，两者之比等于1时，分配方案最优，因此
Figure SMS_59
为惩罚项，即当剩余冗余信号类数 保留最完整，则惩罚最小，
Figure SMS_52
可以达到收敛，反之惩罚越大，不 能收敛。
加权后的分配权重顺序，与原本的特征权重顺序不同，导致特征权重较高的信号 传输优先级下降。因此加权项还需要符合高斯分布。即
Figure SMS_60
按照特征信号的特征权重从大到 小的顺序构成的序列P，
Figure SMS_61
代表服从高斯分布。
这部分保留的冗余信号可以作为新的特征信号，其顺序排列在特征信号之后进行顺位编码，所谓顺位编码即特征信号的分配权重满足局部熵极限之后，剩余冗余信号的权重设置在特征信号分配权重之后，其编码优先级低于特征信号即可。利用新的特征信号构建霍夫曼树底端，以及利用数据包集合按照分配权重在霍夫曼树底端构建霍夫曼树，从而进行压缩，得到待监测数据。
运行上述公式（3）的目标函数，直至收敛，得到最优的一组分配方案。以及重构后 的分配权重。上述剩余冗余信号的总分配权重为
Figure SMS_62
。
具体请参见图2，图2为将冗余信号分配给特征信号的示意图。其中，将冗余信号中大部分冗余信号分配给特征信号中进行打包，剩余的冗余信号排列在特征信号后，进行顺位编码。
在一实施例中，利用新的特征信号（指分配完后剩余的冗余信号）构建霍夫曼树底端，作为霍夫曼树底端，按照权重由低至高依次构建霍夫曼树，冗余信号部分为单类信号对应单权重，因此为正常霍夫曼树，而由下至上所遇到第一个特征信号开始，则变为特征信号和冗余信号的打包信号。需要对霍夫曼树进行一些改动。如下图3所述。
步骤S14：基于所述数据包集合进行压缩，得到待监测数据。
具体的，请结合图3，g1、g2、g3为分配完后剩余的冗余信号，其中g1、g2为权重最小的两个信号，在霍夫曼树底端，两个加和与g3构成霍夫曼树倒数第二层，其中g1、g2、g3均为冗余信号分配后剩余的信号，至g4为止变为特征信号和冗余信号的打包信号，g4为原特征信号，w4为对其分配的打包信号，g5同样如此，那么我们根据霍夫曼树左边为0，右边为1编码规则的基础上将打包信号也编码为0，那么g1、g2、g3的编码结果依次为：00000、00001、0001，g4、g5的编码结果为：0010、010。
本发明即保证了特征信号的传输优先级，使其编码长度更短，又通过打包分配解决了冗余信号编码压力较大的问题，优化了霍夫曼编码算法的编码性能，提高压缩率和保真率。
对于日常存储的睡眠监测数据可以更稳定的存储和传输，且降低存储模块和传输通道的运行压力。使医护人员对患者睡眠监测数据的追溯时长更加持久，诊断结果更加准确。
步骤S15：基于所述待监测数据进行睡眠分期监测。
本发明对人体历史睡眠时段体征监测信号存储方式进行优化，针对现有根据信号特征权重进行霍夫曼编码的方式存在冗余数据编码压力较大、难以满足熵极限的问题提出解决方案。首先赋予体征信号特征权重，并根据冗余概率分割特征信号和冗余信号，对冗余信号与特征信号进行打包传输，通过约束熵极限、编码顺序、降低冗余度的方式构建目标函数，获取最优打包分配方案，得到重新分配后的权重值，并在此基础上改进霍夫曼树，使每类特征信号连同部分冗余信号一同进行编码，解决根据特征权重霍夫曼编码时，带来的冗余信号编码量较大问题，并且重新分配的权重值符合熵极限，使霍夫曼熵编码的压缩效率达到最优。极大提高了特征信号的保真率，降低存储模块和传输通道的运行压力。使医护人员对患者睡眠监测数据的追溯时长更加持久，诊断结果更加准确。
请参见图4，为本发明基于大数据的睡眠分期监测装置的一实施例的结构示意图，具体包括：处理模块41、分类模块42、分配模块43以及压缩模块44、监测模块45。
处理模块41用于对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；分类模块42用于将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；分配模块43用于将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；压缩模块44用于基于所述数据包集合进行压缩，得到待监测数据；监测模块45用于基于所述待监测数据进行睡眠分期监测。
在本申请所提供的实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的。
以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于大数据的睡眠分期监测方法，其特征在于，包括：
对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；
将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；
将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；
基于所述数据包集合进行压缩，得到待监测数据；
基于所述待监测数据进行睡眠分期监测。
2.根据权利要求1所述的监测方法，其特征在于，所述将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合的步骤，包括：
计算所述数据集中所述监测信号的特征权重，得到特征权重序列；
基于所述特征权重序列得到冗余概率序列，所述冗余概率序列包括多个所述监测信号的冗余概率；
基于所述冗余概率序列将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合。
3.根据权利要求2所述的监测方法，其特征在于，所述基于所述冗余概率序列将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合的步骤，包括：
利用单调累加函数将所述冗余概率序列从小到大依次累加，得到累加结果；
利用手肘法基于所述累加结果确定概率突增节点，冗余概率小于所述概率突增节点的监测信号作为所述特征信号，冗余概率大于所述概率突增节点的监测信号作为所述冗余信号，进而得到多个特征信号集合和多个冗余信号集合。
4.根据权利要求2所述的监测方法，其特征在于，所述计算所述数据集中所述监测信号的特征权重的步骤，包括：
基于每一睡眠阶段对应的数据集中监测信号的幅值、所述睡眠阶段对应的数据集的平均幅值计算异常数据；
对所述异常数据进行归一化，得到所述监测信号的所述特征权重。
5.根据权利要求2所述的监测方法，其特征在于，利用如下公式（1）计算所述监测信号的特征权重：
Figure QLYQS_1
（1）；
上式
Figure QLYQS_2
代表任意一个睡眠阶段对应的数据集中的第v个监测信号的幅值，/>
Figure QLYQS_3
为该睡眠阶段对应的数据集的平均幅值，/>
Figure QLYQS_4
为第v个信号幅值与均值的差值绝对值除以均值，表征异常数据，/>
Figure QLYQS_5
即对所有的异常数据进行归一化，/>
Figure QLYQS_6
为第i个监测信号的特征权重。
6.根据权利要求2所述的监测方法，其特征在于，所述将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合的步骤，包括：
利用期望函数对特征信号的特征权重进行加权，得到分配权重，使得所述分配权重符合局部熵极限；
基于分配权重将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合。
7.根据权利要求6所述的监测方法，其特征在于，所述利用期望函数对特征信号的特征权重进行加权，得到分配权重，使得所述分配权重符合局部熵极限的步骤，包括：
利用如下公式（2）进行对特征信号处理，得到分配权重，使得所述分配权重符合局部熵极限：
Figure QLYQS_7
（2）；
其中， T为最高期望函数，i为任意一睡眠阶段中的特征信号，
Figure QLYQS_9
为从冗余概率序列中分割出的一个概率值，/>
Figure QLYQS_13
作为第i个信号的特征权重的加权系数，/>
Figure QLYQS_14
的目的在于消除小数点，避免概率值直接与权重值相乘，加权结果过小；/>
Figure QLYQS_8
为第i个特征信号的特征权重；/>
Figure QLYQS_12
为数值对照表， />
Figure QLYQS_15
所得的加权结果为分配权重，如果/>
Figure QLYQS_16
所得的加权结果与对照表/>
Figure QLYQS_10
中某个数值相差结果为0，/>
Figure QLYQS_11
结果也为0，此时分配权重符合熵极限。
8.根据权利要求6所述的监测方法，其特征在于，所述基于分配权重将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合的步骤，包括：
利用如下公式（3）将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合：
Figure QLYQS_17
（3）；
其中，E为目标函数，
Figure QLYQS_18
表示冗余信号集合中总概率，N表示N类信号幅值，/>
Figure QLYQS_21
为从冗余概率序列中分割出的一个概率值，/>
Figure QLYQS_24
作为第i个信号的特征权重的加权系数，/>
Figure QLYQS_20
代表冗余信号集合的总概率减去对每一个特征信号分配的概率值之和的差值的绝对值，/>
Figure QLYQS_22
中的/>
Figure QLYQS_25
代表分配完成后剩的冗余信号的数量，M代表原冗余信号的数量，两者之比等于1时，分配方案最优，因此/>
Figure QLYQS_26
为惩罚项，即当剩余冗余信号类数保留最完整，则惩罚最小，
Figure QLYQS_19
可以达到收敛，反之惩罚越大，不能收敛，/>
Figure QLYQS_23
代表服从高斯分布；
其中剩余的冗余信号作为新的特征信号。
9.根据权利要求8所述的监测方法，其特征在于，基于所述数据包集合进行压缩，得到待监测数据的步骤，包括：
利用新的特征信号构建霍夫曼树底端，以及利用数据包集合按照分配权重在霍夫曼树底端构建霍夫曼树，从而进行压缩，得到待监测数据。
10.一种基于大数据的睡眠分期监测装置，其特征在于，包括：
处理模块，用于对历史体征监测信号进行处理，得到多个数据集，每一所述数据集表征一个睡眠阶段，且每一数据集包括多个监测信号；
分类模块，用于将每一数据集中的所述监测信号分为特征信号和冗余信号，得到多个特征信号集合和多个冗余信号集合；
分配模块，用于将所述多个冗余信号集合中的冗余信号分配至特征数据集合中，得到数据包集合；
压缩模块，用于基于所述数据包集合进行压缩，得到待监测数据；
监测模块，用于基于所述待监测数据进行睡眠分期监测。
CN202310664175.1A 2023-06-07 2023-06-07 基于大数据的睡眠分期监测方法及装置 Active CN116369868B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310664175.1A CN116369868B (zh) 2023-06-07 2023-06-07 基于大数据的睡眠分期监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310664175.1A CN116369868B (zh) 2023-06-07 2023-06-07 基于大数据的睡眠分期监测方法及装置

Publications (2)

Publication Number Publication Date
CN116369868A true CN116369868A (zh) 2023-07-04
CN116369868B CN116369868B (zh) 2023-08-11

Family

ID=86963759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310664175.1A Active CN116369868B (zh) 2023-06-07 2023-06-07 基于大数据的睡眠分期监测方法及装置

Country Status (1)

Country Link
CN (1) CN116369868B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003063359A1 (en) * 2002-01-23 2003-07-31 Koninklijke Philips Electronics N.V. Data compression and expansion of a digital information signal
EP1972268A1 (en) * 2007-03-21 2008-09-24 Nihon Kohden Corporation Method of compressing electrocardiogram data and electrocardiogram telemetry system using the same
CN102172328A (zh) * 2004-12-23 2011-09-07 雷斯梅德有限公司 从呼吸信号中检测和区别呼吸模式的方法
US20150358031A1 (en) * 2014-06-09 2015-12-10 Tidal Systems Vlsi efficient huffman encoding apparatus and method
CN105476624A (zh) * 2015-12-22 2016-04-13 河北大学 心电信号压缩传输方法及其心电监护系统
CN112842266A (zh) * 2020-12-31 2021-05-28 湖南东晟南祥智能科技有限公司 一种基于人体监测睡眠数据的睡眠分期阶段识别方法
CN112842363A (zh) * 2021-02-07 2021-05-28 湖南万脉医疗科技有限公司 一种睡眠脑电检测方法及系统
US20210383920A1 (en) * 2020-06-05 2021-12-09 Biotronik Se & Co. Kg Implantable medical device having a coding module
CN114190903A (zh) * 2021-12-02 2022-03-18 萤雪科技(佛山)有限公司 医学信息码、生成方法及系统、信号波显示方法及系统
CN115067875A (zh) * 2022-05-03 2022-09-20 复旦大学 一种基于压缩脑电的新生儿睡眠分期方法
US20220296169A1 (en) * 2021-03-17 2022-09-22 Lakehead University System and methods for collecting and processing data on one or more physiological parameters of monitored subject
CN115481115A (zh) * 2022-09-22 2022-12-16 国网北京市电力公司 一种冗余数据清洗方法、装置、设备及介质
CN115695024A (zh) * 2022-11-04 2023-02-03 内江金鸿曲轴有限公司 一种用于plc信号的冗余检测方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003063359A1 (en) * 2002-01-23 2003-07-31 Koninklijke Philips Electronics N.V. Data compression and expansion of a digital information signal
CN102172328A (zh) * 2004-12-23 2011-09-07 雷斯梅德有限公司 从呼吸信号中检测和区别呼吸模式的方法
EP1972268A1 (en) * 2007-03-21 2008-09-24 Nihon Kohden Corporation Method of compressing electrocardiogram data and electrocardiogram telemetry system using the same
US20150358031A1 (en) * 2014-06-09 2015-12-10 Tidal Systems Vlsi efficient huffman encoding apparatus and method
CN105476624A (zh) * 2015-12-22 2016-04-13 河北大学 心电信号压缩传输方法及其心电监护系统
US20210383920A1 (en) * 2020-06-05 2021-12-09 Biotronik Se & Co. Kg Implantable medical device having a coding module
CN112842266A (zh) * 2020-12-31 2021-05-28 湖南东晟南祥智能科技有限公司 一种基于人体监测睡眠数据的睡眠分期阶段识别方法
CN112842363A (zh) * 2021-02-07 2021-05-28 湖南万脉医疗科技有限公司 一种睡眠脑电检测方法及系统
US20220296169A1 (en) * 2021-03-17 2022-09-22 Lakehead University System and methods for collecting and processing data on one or more physiological parameters of monitored subject
CN114190903A (zh) * 2021-12-02 2022-03-18 萤雪科技(佛山)有限公司 医学信息码、生成方法及系统、信号波显示方法及系统
CN115067875A (zh) * 2022-05-03 2022-09-20 复旦大学 一种基于压缩脑电的新生儿睡眠分期方法
CN115481115A (zh) * 2022-09-22 2022-12-16 国网北京市电力公司 一种冗余数据清洗方法、装置、设备及介质
CN115695024A (zh) * 2022-11-04 2023-02-03 内江金鸿曲轴有限公司 一种用于plc信号的冗余检测方法及系统

Also Published As

Publication number Publication date
CN116369868B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
He et al. A framework for cardiac arrhythmia detection from IoT-based ECGs
US20200250554A1 (en) Method and storage medium for predicting the dosage based on human physiological parameters
Rajankar et al. An electrocardiogram signal compression techniques: a comprehensive review
Sriraam Correlation dimension based lossless compression of EEG signals
US20150359450A1 (en) Method for Physiological Signal Analysis and its System and Computer Program Product Storing Physiological Signal Analysis Program
CN111696660A (zh) 基于人工智能的患者分群方法、装置、设备及存储介质
CN116058805B (zh) 一种睡眠记忆活跃水平动态调节的方法、系统和装置
Garry et al. An evaluation of the effects of wavelet coefficient quantisation in transform based EEG compression
Goodwin et al. A practical approach to storage and retrieval of high-frequency physiological signals
CN116369868B (zh) 基于大数据的睡眠分期监测方法及装置
CN117579080B (zh) 基于5g通讯的医疗护理远程监控系统
CN115868941A (zh) 用于智能戒指的信息管理方法
US7310648B2 (en) System for compression of physiological signals
Isa et al. Performance analysis of ecg signal compression using spiht
CN116631563B (zh) 一种医药行业大数据存储及智能匹配方法
Bazán-Prieto et al. Retained energy-based coding for EEG signals
CN108877932A (zh) 智慧云医疗方法、计算机可读存储介质和终端
US20230334022A1 (en) System and method for processing and storage of a time-series data stream
Barlas et al. A novel family of compression algorithms for ECG and other semiperiodical, one-dimensional, biomedical signals
CN114864108B (zh) 一种用于证候与药方匹配数据的处理方法及处理系统
Pathinarupothi Clinically aware data summarization at the edge for Internet of Medical Things
Jati et al. ECG signal compression by predictive coding and Set Partitioning in Hierarchical Trees (SPIHT)
Rezaei et al. Diagnosis of sleep apnea by evaluating points distribution in poincare plot of RR intervals
CN114121277A (zh) 一种压疮预测系统及方法
Grailu Compression of high-sampling-rate heart sound signals based on downsampling and pattern matching

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