CN116649919B - 基于生理信号的睡眠分期预测方法、装置以及设备 - Google Patents
基于生理信号的睡眠分期预测方法、装置以及设备 Download PDFInfo
- Publication number
- CN116649919B CN116649919B CN202310934902.1A CN202310934902A CN116649919B CN 116649919 B CN116649919 B CN 116649919B CN 202310934902 A CN202310934902 A CN 202310934902A CN 116649919 B CN116649919 B CN 116649919B
- Authority
- CN
- China
- Prior art keywords
- convolution
- sequence
- vector
- signal
- interval
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000008667 sleep stage Effects 0.000 title claims abstract description 65
- 230000000241 respiratory effect Effects 0.000 claims abstract description 169
- 238000001514 detection method Methods 0.000 claims abstract description 154
- 230000004927 fusion Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 293
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 84
- 230000002612 cardiopulmonary effect Effects 0.000 claims description 37
- 230000000747 cardiac effect Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 210000004072 lung Anatomy 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004424 eye movement Effects 0.000 claims description 12
- 208000010125 myocardial infarction Diseases 0.000 claims description 10
- 230000037053 non-rapid eye movement Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 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
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004461 rapid eye movement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
- A61B5/4815—Sleep quality
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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、装置以及设备，无需将大量的传感器附着在人体的头部、胸口等位置来获得等各种信号，只需要检测用户的生理信号，进而从生理信号分离出心冲击信号以及呼吸信号，基于心冲击信号以及呼吸信号，构建用户的心肺协调序列以及体动伪迹检测序列，并基于心肺协调序列以及体动伪迹检测序列，构建决策融合序列，根据决策融合序列以及分期预测模块，获取用户的睡眠分期预测结果，检测方式方便快捷，无需要专家评估，可以提高检测结果的准确性，有效地对用户的睡眠分期进行分析。
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、设备以及存储介质。
背景技术
睡眠分期预测指的是通过检测人体各种信号来确定睡眠呼吸质量的好坏，睡眠呼吸质量的好坏对于人的认知和工作能力有重大影响，因此，需要便捷准确获得睡眠分期预测结果，以便及时调整睡眠呼吸状态。
相关技术中，睡眠呼吸暂停检测需要将大量的传感器附着在人体的头部、胸口等位置来检测人体心冲击信、呼吸信号、体动特征信号等各种信号，整个过程不仅耗时，而且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，测试结果还需要由专家人工校正，检测效率低，检测精度低。
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、设备以及存储介质，无需将大量的传感器附着在人体的头部、胸口等位置来获得等各种信号，只需要检测用户的生理信号，进而从生理信号分离出心冲击信号以及呼吸信号，基于心冲击信号以及呼吸信号，构建用户的心肺协调序列以及体动伪迹检测序列，并基于心肺协调序列以及体动伪迹检测序列，构建决策融合序列，根据决策融合序列以及分期预测模块，获取用户的睡眠分期预测结果，检测方式方便快捷，无需要专家评估，可以提高检测结果的准确性，有效地对用户的睡眠分期进行分析。
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；
对所述心冲击信号以及呼吸信号进行体动检测，获得所述心冲击信号以及呼吸信号对应的体动检测序列，将所述心冲击信号以及呼吸信号对应的体动检测序列进行融合，获得体动伪迹检测序列；
获得所述心冲击信号对应的峰值间期序列以及所述呼吸信号对应的初步呼吸间期序列，根据所述体动伪迹检测序列，分别对所述峰值间期序列以及初步呼吸间期序列进行修正，获得所述心冲击信号对应的心搏间期序列以及所述呼吸信号对应的最终呼吸间期序列，根据所述心搏间期序列以及最终呼吸间期序列，获得心肺协调序列；
对所述心肺协调序列以及体动伪迹检测序列进行卷积处理，获得所述心肺协调序列对应的第一卷积序列，以及所述体动伪迹检测序列对应的第二卷积序列；对所述第一卷积序列以及第二卷积序列进行连续性修正，获得修正后的所述第一卷积序列以及第二卷积序列；根据修正后的所述第一卷积序列以及第二卷积序列在同一个位置索引上的卷积向量以及预设的卷积向量映射表，构建决策融合序列；
将所述决策融合序列输入至预设的分期预测模块中进行分期预测，获得所述用户的睡眠分期预测结果。
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：
信号提取模块，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；
体动伪迹检测模块，用于对所述心冲击信号以及呼吸信号进行体动检测，获得所述心冲击信号以及呼吸信号对应的体动检测序列，将所述心冲击信号以及呼吸信号对应的体动检测序列进行融合，获得体动伪迹检测序列；
心肺协调序列构建模块，用于获得所述心冲击信号对应的峰值间期序列以及所述呼吸信号对应的初步呼吸间期序列，根据所述体动伪迹检测序列，分别对所述峰值间期序列以及初步呼吸间期序列进行修正，获得所述心冲击信号对应的心搏间期序列以及所述呼吸信号对应的最终呼吸间期序列，根据所述心搏间期序列以及最终呼吸间期序列，获得心肺协调序列；
序列处理模块，用于对所述心肺协调序列以及体动伪迹检测序列进行卷积处理，获得所述心肺协调序列对应的第一卷积序列，以及所述体动伪迹检测序列对应的第二卷积序列；对所述第一卷积序列以及第二卷积序列进行连续性修正，获得修正后的所述第一卷积序列以及第二卷积序列；根据修正后的所述第一卷积序列以及第二卷积序列在同一个位置索引上的卷积向量以及预设的卷积向量映射表，构建决策融合序列；
睡眠分期预测模块，用于将所述决策融合序列输入至预设的分期预测模块中进行分期预测，获得所述用户的睡眠分期预测结果。
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、设备以及存储介质，无需将大量的传感器附着在人体的头部、胸口等位置来获得等各种信号，只需要检测用户的生理信号，进而从生理信号分离出心冲击信号以及呼吸信号，基于心冲击信号以及呼吸信号，构建用户的心肺协调序列以及体动伪迹检测序列，并基于心肺协调序列以及体动伪迹检测序列，构建决策融合序列，根据决策融合序列以及分期预测模块，获取用户的睡眠分期预测结果，检测方式方便快捷，无需要专家评估，可以提高检测结果的准确性，有效地对用户的睡眠分期进行分析。
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的流程中S2的示意图；
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的流程中S3的示意图；
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的流程中S3的示意图；
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的流程中S3的示意图；
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的流程中S4的示意图；
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方法的流程中S4的示意图；
图8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9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，预测设备可以是一台计算机设备，可以是服务器，或多台计算机设备联合而成的服务器机群。
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，在不影响到用户的正常睡眠下，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；
在一个可选的实施例中，预测设备可以对提取的生理信号进行工频滤波处理，并对工频滤波处理后的生理信号进行离床检测处理，获得离床检测处理后的生理信号。
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，而心冲击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，对离床检测处理后的生理信号进行滤波处理，分离出呼吸信号以及心冲击信号，具体地，预测设备可以将离床检测处理后的生理信号输入至预设的低通滤波器，获得呼吸信号，预测设备可以将离床检测处理后的生理信号输入至预设的巴特沃斯带通滤波器，滤除呼吸信息以及高频干扰噪声，获得心冲击信号。
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：对所述心冲击信号以及呼吸信号进行体动检测，获得所述心冲击信号以及呼吸信号对应的体动检测序列，将所述心冲击信号以及呼吸信号对应的体动检测序列进行融合，获得体动伪迹检测序列。
在睡眠过程中，人体常常会出现身体运动，这些运动通常是由于身体姿势的改变所引起的，在本实施例中，预测设备对所述心冲击信号以及呼吸信号进行体动检测，获得所述心冲击信号以及呼吸信号对应的体动检测序列，以融合的方式构建用户的体动伪迹检测序列，更好地对用户的睡眠分期进行准确的检测，实现了对用户的睡眠状态的监测。
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的流程中S2的示意图，包括步骤S21~S24，具体如下：
S21：根据预设的若干种时间尺度，分别将所述心冲击信号以及呼吸信号划分为若干个时间尺度的心冲击子信号段集以及呼吸子信号段集，计算若干个时间尺度的所述心冲击子信号段集以及呼吸子信号段集的峰谷平均差值。
在本实施例中，预测设备根据预设的若干种时间尺度，分别将所述心冲击信号以及呼吸信号划分为若干个时间尺度的心冲击子信号段集以及呼吸子信号段集，计算若干个时间尺度的所述心冲击子信号段集以及呼吸子信号段集的峰谷平均差值。
具体地，所述时间尺度可以设置为30秒、60秒、120秒以及300秒，预测设备将所述心冲击信号以及呼吸信号划分为30秒、60秒、120秒以及300秒的心冲击子信号段集以及呼吸子信号段集，计算各个时间尺度的所述心冲击子信号段集，记为P1、P2、P3以及P4；计算各个时间尺度的呼吸子信号段集的峰谷平均差值，记为Q1、Q2、Q3以及Q4。
S22：根据预设的第一时间长度，分别将所述心冲击信号以及呼吸信号划分若干个心冲击单元信号段以及若干个呼吸单元信号段，计算若干个所述心冲击单元信号段以及若干个呼吸单元信号段的峰谷平均差值。
在本实施例中，预测设备根据预设的第一时间长度，分别将所述心冲击信号以及呼吸信号划分若干个心冲击单元信号段以及若干个呼吸单元信号段，计算若干个所述心冲击单元信号以及若干个呼吸单元信号的峰谷平均差值。
具体地，预测设备可以将所述心冲击信号分割为若干个2秒的心冲击单元信号段，计算若干个2秒的心冲击单元信号段的峰谷差值，记为M，也可以将所述呼吸单元信号分割为若干个3秒的呼吸单元信号段，计算若干个3秒的心冲击单元信号段的峰谷差值，记为N。
预测设备将心冲击信号分割为2秒的片段，计算2秒内的峰谷差值，设为M。
S23：将各个所述心冲击单元信号段的峰谷平均差值分别与各个时间尺度的所述心冲击子信号段集的峰谷平均差值进行对比，获得所述心冲击单元信号对应的体动检测向量，构建所述心冲击信号的体动检测序列；将各个所述呼吸单元信号段的峰谷平均差值分别与各个时间尺度的所述呼吸子信号段集的峰谷平均差值进行对比，获得所述呼吸单元信号对应的体动检测向量，构建所述呼吸信号的体动检测序列。
在本实施例中，预测设备将各个所述心冲击单元信号段的峰谷平均差值分别与各个时间尺度的所述心冲击子信号段集的峰谷平均差值进行对比，获得所述心冲击单元信号对应的体动检测向量，构建所述心冲击信号的体动检测序列。
具体地，若各个所述心冲击单元信号段的峰谷平均差值M均大于各个时间尺度的所述心冲击子信号段集的峰谷平均差值，即M>P1/P2/P3/P4，则将该心冲击单元信号段标记为运动伪迹信号；否则，将其标记为正常信号，获得所述心冲击单元信号对应的体动检测向量，构建所述心冲击信号的体动检测序列。
在一个可选的实施例中，若上述心冲击单元信号段对应的两个运动伪迹信号之间的时间间隔小于预设的第一时间间隔，例如10秒，则两个运动伪迹信号之间的正常信号也将被标记为运动伪迹。构建所述心冲击信号的体动检测序列。
预测设备将各个所述呼吸单元信号段的峰谷平均差值分别与各个时间尺度的所述呼吸子信号段集的峰谷平均差值进行对比，获得所述呼吸单元信号对应的体动检测向量，构建所述呼吸信号的体动检测序列。
具体地，若各个所述呼吸单元信号段的峰谷平均差值N均大于各个时间尺度的所述呼吸子信号段集的峰谷平均差值，即M>Q1/Q2/Q3/Q4，则将该呼吸单元信号段标记为运动伪迹信号；否则，将其标记为正常信号，获得所述呼吸单元信号段对应的体动检测向量，构建所述呼吸信号的体动检测序列。
在一个可选的实施例中，若上述呼吸单元信号段对应的两个运动伪迹信号之间的时间间隔小于预设的第二时间间隔，例如15秒，则两个运动伪迹信号之间的正常信号也将被标记为运动伪迹。构建所述呼吸信号的体动检测序列。
S24：基于同一个位置索引，分别将所述心冲击信号的体动检测序列中的体动检测向量与所述呼吸信号的体动检测序列中的体动检测向量进行或运算，获得若干个体动伪迹检测向量，构建所述体动伪迹检测序列。
在本实施例中，预测设备基于同一个位置索引，分别将所述心冲击信号的体动检测序列中的体动检测向量与所述呼吸信号的体动检测序列中的体动检测向量进行或运算，获得若干个体动伪迹检测向量，构建所述体动伪迹检测序列。
具体地，预测设备对所述心冲击信号的体动检测序列BCG_BM以及呼吸信号的体动检测序列取等长len_BM=min(N,M)，即以BCG_BM和Bre_BM较短的长度为最终长度，基于同一个位置索引的体动检测向量进行或运算，获得若干个体动伪迹检测向量，构建所述体动伪迹检测序列。
S3：获得所述心冲击信号对应的峰值间期序列以及所述呼吸信号对应的初步呼吸间期序列，根据所述体动伪迹检测序列，分别对所述峰值间期序列以及初步呼吸间期序列进行修正，获得所述心冲击信号对应的心搏间期序列以及所述呼吸信号对应的最终呼吸间期序列，根据所述心搏间期序列以及最终呼吸间期序列，获得心肺协调序列。
心冲击信号以及呼吸信号包括相应的波群数据，反映了睡眠的状况，在本实施例中，预测设备获得所述心冲击信号对应的峰值间期序列以及所述呼吸信号对应的初步呼吸间期序列，用以进行睡眠分期预测，提高的睡眠分期预测的准确性。
为了更准确的计算心肺协调性特征，计算的心搏间期时需要有较高的准确度。而由模板匹配法定位的J峰可能会存在漏检和偏差等问题，且有体动伪迹处的J峰定位结果不准确，并且，由于呼吸信号存在双峰的情况较多，会影响呼吸峰值定位的准确性，预测设备根据所述体动伪迹检测序列，分别对所述峰值间期序列以及初步呼吸间期序列进行修正，获得所述心冲击信号对应的心搏间期序列以及所述呼吸信号对应的最终呼吸间期序列，根据所述心搏间期序列以及最终呼吸间期序列，获得心肺协调序列。
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的流程中S3的示意图，包括步骤S31~S32，具体如下：
S31：采用模板匹配法，对所述心冲击信号进行峰值定位，获得所述心冲击信号对应的初步峰值间期序列。
在本实施例中，预测设备可以采用模板匹配法，对所述心冲击信号进行峰值定位，获得所述心冲击信号对应的初步峰值间期序列。
S32：采用过零点定位的方法，对所述呼吸信号进行过零点检测，获得所述呼吸信号对应的初步呼吸间期序列，其中，所述初步呼吸间期序列包括若干个呼吸点。
为了使呼吸信号尽量关于横轴对称，进而提高过零点检测的准确率，在本实施例中，预测设备对所述呼吸信号进行去直流处理，获得去直流处理后的呼吸信号，预测设备可以采用过零点定位的方法，对去直流处理后的呼吸信号进行过零点检测，获得所述呼吸信号对应的初步呼吸间期序列，其中，所述初步呼吸间期序列包括若干个呼吸点。
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的流程中S3的示意图，包括步骤S33~S36，具体如下：
S33：获得所述峰值间期序列中相邻的峰值点之间的距离数据，根据所述峰值间期序列中相邻的峰值点之间的距离数据以及预设的第一距离范围，获得所述峰值间期序列中相邻的峰值点之间的第一心搏间期向量，构建第一心搏间期序列。
在本实施例中，预测设备获得所述峰值间期序列中相邻的峰值点之间的距离数据，根据所述峰值间期序列中相邻的峰值点之间的距离数据以及预设的第一距离范围，获得所述峰值间期序列中相邻的峰值点之间的第一心搏间期向量，构建第一心搏间期序列。
具体地，所述第一距离范围可以设置为（50，140），若所述峰值间期序列中相邻的峰值点之间的距离数据处于所述第一距离范围内，将所述峰值间期序列中相邻的峰值点之间的第一心搏间期向量的值设置为0，若所述峰值间期序列中相邻的峰值点之间的距离数据不处于所述第一距离范围内，将所述峰值间期序列中相邻的峰值点之间的第一心搏间期向量的值设置为相应的距离数据，获得所述峰值间期序列中相邻的峰值点之间的第一心搏间期向量，构建第一心搏间期序列。
S34：根据所述第一心搏间期序列以及体动伪迹检测序列，获得各个所述第一心搏间期向量的相同位置索引对应的体动伪迹检测向量，根据各个所述第一心搏间期向量以及相同位置索引对应的体动伪迹检测向量，获得所述峰值间期序列中相邻的峰值点之间的第二心搏间期向量，构建第二心搏间期序列，作为所述心冲击信号对应的心搏间期序列。
在本实施例中，预测设备根据所述第一心搏间期序列中，各个所述第一心搏间期向量对应的峰值点的位置索引，从所述体动伪迹检测序列中，获得相同位置索引的，各个所述第一心搏间期向量对应的体动伪迹检测向量，根据各个所述第一心搏间期向量以及相同位置索引的体动伪迹检测向量，若所述体动伪迹检测向量的值为1，将相同位置索引的所述峰值间期序列中相邻的峰值点之间的第二心搏间期向量的值设置为0，若所述体动伪迹检测向量的值不为1，将相同位置索引的所述峰值间期序列中相邻的峰值点之间的第二心搏间期向量的值设置为相应的第一心搏间期向量的值，获得所述峰值间期序列中相邻的峰值点之间的第二心搏间期向量，构建第二心搏间期序列，作为所述心冲击信号对应的心搏间期序列。
S35：获得所述初步呼吸间期序列中相邻的呼吸点之间的距离数据，根据所述初步呼吸间期序列中相邻的呼吸点之间的距离数据以及预设的第二距离范围，获得所述初步呼吸间期序列中相邻的呼吸点之间的第一呼吸间期向量，根据所述第一呼吸间期向量，构建第一呼吸间期序列。
在本实施例中，预测设备获得所述初步呼吸间期序列中相邻的呼吸点之间的距离数据，根据所述初步呼吸间期序列中相邻的呼吸点之间的距离数据以及预设的第二距离范围，获得所述初步呼吸间期序列中相邻的呼吸点之间的第一呼吸间期向量，根据所述第一呼吸间期向量，构建第一呼吸间期序列。
具体地，所述第二距离范围可以设置为小于190且大于670，若所述初步呼吸间期序列中相邻的呼吸点之间的距离数据处于所述第二距离范围内，将所述初步呼吸间期序列中相邻的呼吸点之间的第一呼吸间期向量的值设置为0，若所述初步呼吸间期序列中相邻的呼吸点之间的距离数据不处于所述第二距离范围内，将所述初步呼吸间期序列中相邻的呼吸点之间的第一呼吸间期向量的值设置为相应的距离数据，获得所述初步呼吸序列中相邻的呼吸点之间的第一呼吸间期向量，构建第一呼吸间期序列。
S36：根据所述第一呼吸间期序列以及体动伪迹检测序列，获得各个所述第一呼吸间期向量的相同位置索引对应的体动伪迹检测向量，根据各个所述第一呼吸间期向量以及相同位置索引对应的体动伪迹检测向量，获得所述初步呼吸间期序列中相邻的呼吸点之间的第二呼吸间期向量，构建第二呼吸间期序列，作为所述呼吸信号对应的最终呼吸间期序列。
在本实施例中，预测设备根据所述第一呼吸间期序列中，各个所述第一呼吸间期向量对应的呼吸点的位置索引，从所述体动伪迹检测序列中，获得相同位置索引的，各个所述第一呼吸间期向量对应的体动伪迹检测向量，若所述体动伪迹检测向量的值为1，将相同位置索引的所述初步呼吸间期序列中相邻的呼吸点之间的第二呼吸间期向量的值设置为0，若所述体动伪迹检测向量的值不为1，将相同位置索引的所述初步呼吸间期序列中相邻的呼吸点之间的第二呼吸间期向量的值设置为相应的第一呼吸间期向量的值，获得所述初步呼吸间期序列中相邻的呼吸点之间的第二呼吸间期向量，构建第二呼吸间期序列，作为所述呼吸信号对应的最终呼吸间期序列。
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的流程中S3的示意图，包括步骤S37~S39，具体如下：
S37：基于同一个位置索引的所述心搏间期序列中的第二心搏间期向量与所述最终呼吸间期序列的第二呼吸间期向量，若所述第二心搏间期向量或者所述第二呼吸间期向量不满足预设的向量阈值，将所述位置索引对应的心肺协调向量设置为预设的向量值。
在本实施例中，预测设备基于同一个位置索引的所述心搏间期序列中的第二心搏间期向量与所述最终呼吸间期序列的第二呼吸间期向量，若所述第二心搏间期向量或者所述第二呼吸间期向量不满足预设的向量阈值，具体地，所述向量阈值可以设置为0，若该位置索引的第二心搏间期向量或者第二呼吸间期向量的值为0，预测设备判断该位置索引的第二心搏间期向量或者所述第二呼吸间期向量不满足预设的向量阈值，将所述位置索引对应的心肺协调向量设置为预设的向量值，其中，所述向量值为0。
S38：若所述第二心搏间期向量以及所述第二呼吸间期向量满足所述向量阈值，将所述第二心搏间期向量与所述第二呼吸间期向量相除，获得若干个心肺协调向量，构建初步心肺协调序列。
在本实施例中，若该位置索引的第二心搏间期向量以及第二呼吸间期向量的值均不为0，预测设备判断该位置索引的所述第二心搏间期向量以及所述第二呼吸间期向量满足所述向量阈值，将所述第二心搏间期向量与所述第二呼吸间期向量相除，获得若干个心肺协调向量，构建初步心肺协调序列。
S39：根据所述初步心肺协调序列以及预设的归一化算法，获得归一化处理后的心肺协调序列，作为心肺协调序列。
在本实施例中，预测设备根据所述初步心肺协调序列以及预设的归一化算法，获得归一化处理后的心肺协调序列，作为心肺协调序列，其中，所述归一化算法为：
式中，为归一化处理后的所述心肺协调序列，/>为所述初步心肺协调序列，/>为求均值函数，/>为求最大值函数，/>为求最小值函数。
S4：对所述心肺协调序列以及体动伪迹检测序列进行卷积处理，获得所述心肺协调序列对应的第一卷积序列，以及所述体动伪迹检测序列对应的第二卷积序列；对所述第一卷积序列以及第二卷积序列进行连续性修正，获得修正后的所述第一卷积序列以及第二卷积序列；根据修正后的所述第一卷积序列以及第二卷积序列在同一个位置索引上的卷积向量以及预设的卷积向量映射表，构建决策融合序列。
在本实施例中，预测设备可以采用神经网络模型（CNN），对所述心肺协调序列以及体动伪迹检测序列进行卷积处理，获得所述心肺协调序列对应的第一卷积序列，以及所述体动伪迹检测序列对应的第二卷积序列，具体地，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的流程中S4的示意图，包括步骤S41，具体如下：
S41：分别将所述心肺协调序列以及体动伪迹检测序列作为第一输入序列，根据所述第一输入序列以及预设的卷积算法，获得输出卷积序列。
在本实施例中，预测设备分别将所述心肺协调序列以及体动伪迹检测序列作为第一输入序列，根据所述第一输入序列以及预设的卷积算法，获得输出卷积序列，其中，所述输出卷积序列包括所述心肺协调序列对应的第一卷积序列，以及所述体动伪迹检测序列对应的第二卷积序列，所述卷积算法为：
式中，为所述输出卷积序列中第i个位置索引对应的卷积向量，/>为所述第一输入序列中第i个位置索引对应的输入向量，/>为第i个位置索引对应的权重参数，/>为第i个位置索引对应的偏置参数，/>为线性整流函数，/>为批量归一化函数。
在本实施例中，预测设备对所述第一卷积序列以及第二卷积序列进行连续性修正，获得修正后的所述第一卷积序列以及第二卷积序列，具体地，请参阅图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方法的流程中S4的示意图，包括步骤S42~S45，具体如下：
S42：分别将所述第一卷积序列以及第二卷积序列作为第二输入序列，根据预设的步进，将所述第二输入序列中若干个卷积向量进行组合，构建若干个第二输入子序列，获得各个所述第二输入子序列中的各个卷积向量的卷积值，根据各个所述第二输入子序列中的各个卷积向量的值以及预设的占空比计算算法，获得各个所述第二输入子序列的非快速眼动期占空比以及觉醒期占空比。
在本实施例中，预测设备分别将所述第一卷积序列以及第二卷积序列作为第二输入序列，根据预设的步进，将所述第二输入序列中若干个卷积向量进行组合，构建若干个第二输入子序列，获得各个所述第二输入子序列中的各个卷积向量的卷积值，根据各个所述第二输入子序列中的各个卷积向量的值以及预设的占空比计算算法，获得各个所述第二输入子序列的非快速眼动期占空比以及觉醒期占空比，其中，所述占空比计算算法为：
式中，为非快速眼动期占空比，/>表示卷积值为第一卷积值的卷积向量，/>为所述第二输入子序列中/>卷积向量的数目，t为所述第二时间长度，/>为觉醒期占空比，/>表示卷积值为第二卷积值的卷积向量，为所述第二输入子序列中，/>卷积向量的数目；
S43：根据各个所述第二输入子序列的非快速眼动期占空比、觉醒期占空比以及预设的占空比阈值，若所述非快速眼动期占空比大于所述占空比阈值，且觉醒期占空比小于所述占空比阈值，将所述第二输入子序列的各个卷积向量的卷积值修改为第一卷积值，若所述非快速眼动期占空比小于所述占空比阈值，且觉醒期占空比大于所述占空比阈值，将所述第二输入子序列的各个卷积向量的卷积值修改为第二卷积值，获得第一次修正后的第二输入序列。
在本实施例中，预测设备根据各个所述第二输入子序列的非快速眼动期占空比、觉醒期占空比以及预设的占空比阈值，若所述非快速眼动期占空比大于所述占空比阈值，且觉醒期占空比小于所述占空比阈值，将所述第二输入子序列的各个卷积向量的卷积值修改为第一卷积值，其中，所述第一卷积值可以设置为1，用以反映该卷积向量相应的信号段为非快速眼动期。
若所述非快速眼动期占空比小于所述占空比阈值，且觉醒期占空比大于所述占空比阈值，预测设备将所述第二输入子序列的各个卷积向量的卷积值修改为第二卷积值，获得第一次修正后的第二输入序列，其中，所述第二卷积值可以设置为2，用以反映该卷积向量相应的信号段为觉醒期。
S44：根据各个所述卷积向量在所述第一次修正后的第二输入序列的位置索引以及卷积值，若所述卷积向量相邻的两个卷积向量的卷积值均为第三卷积值，将所述卷积向量的卷积值修改为第三卷积值；若所述卷积向量相邻的两个卷积向量的卷积值均为第一卷积值，将所述第二输入子序列的各个卷积向量的卷积值修改为第一卷积值，获得第二次修正后的第二输入序列。
在本实施例中，预测设备根据各个所述卷积向量在所述第一次修正后的第二输入序列的位置索引以及卷积值，若所述卷积向量相邻的两个卷积向量的卷积值均为第三卷积值，将所述卷积向量的卷积值修改为第三卷积值；其中，所述第三卷积值可以设置为3，用以反映该卷积向量相应的信号段为非快速眼动期。
若所述卷积向量相邻的两个卷积向量的卷积值均为第一卷积值，预测设备将所述第二输入子序列的各个卷积向量的卷积值修改为第一卷积值，获得第二次修正后的第二输入序列。
S45：将所述第二次修正后的第二输入序列的第一个卷积向量以及最后一个卷积向量的卷积值修改为第一卷积值，根据各个所述卷积向量在所述第二次修正后的第二输入序列的位置索引以及卷积值，获得所述第二次修正后的第二输入序列中，第一个目标卷积向量以及第二个目标卷积向量的位置索引，所述目标卷积向量为卷积值为第一卷积值的卷积向量，将所述第一个目标卷积向量以及第二个目标卷积向量之间的所有卷积向量的卷积值修改为第一卷积值，获得最终修正后的第二输入序列，获得修正后的所述第一卷积序列以及第二卷积序列。
在本实施例中，预测设备将所述第二次修正后的第二输入序列的第一个卷积向量以及最后一个卷积向量的卷积值修改为第一卷积值，根据各个所述卷积向量在所述第二次修正后的第二输入序列的位置索引以及卷积值，获得所述第二次修正后的第二输入序列中，第一个目标卷积向量以及第二个目标卷积向量的位置索引，所述目标卷积向量为卷积值为第一卷积值的卷积向量，将所述第一个目标卷积向量以及第二个目标卷积向量之间的所有卷积向量的卷积值修改为第一卷积值，获得最终修正后的第二输入序列，获得修正后的所述第一卷积序列以及第二卷积序列。
由于体动伪迹检测信号对于觉醒期的分类效果较好，心肺协调性特征对于快速眼动期的分类效果较好。在本实施例中，预测设备根据修正后的所述第一卷积序列以及第二卷积序列在同一个位置索引上的卷积向量以及预设的卷积向量映射表，构建决策融合序列，作为睡眠分期预测的处理对象，提高睡眠分期预测的精准性，其中，所述决策融合序列包括若干个融合向量。
具体地，所述卷积向量映射表包括若干个卷积向量映射关系，预测设备根据修正后的所述第一卷积序列以及第二卷积序列在同一个位置索引上的卷积向量，若第一卷积序列的卷积向量的值与第二卷积序列的卷积向量的值相同，将该位置索引对应的融合向量的值设置为相同的值。
若第一卷积序列的卷积向量的值与第二卷积序列的卷积向量的值不同，则遍历所述卷积向量映射表，若第一卷积序列的卷积向量的值为1，第二卷积序列的卷积向量的值为3，将该位置索引对应的融合向量的值设置为3，用以反映该卷积向量相应的信号段为非快速眼动期；若第一卷积序列的卷积向量的值为2，第二卷积序列的卷积向量的值为3，将该位置索引对应的融合向量的值设置为2，用以反映该卷积向量相应的信号段为觉醒期；若第一卷积序列的卷积向量的值为3，第二卷积序列的卷积向量的值为1，将该位置索引对应的融合向量的值设置为1，用以反映该卷积向量相应的信号段为非快速眼动期；若第一卷积序列的卷积向量的值为2，第二卷积序列的卷积向量的值为1，将该位置索引对应的融合向量的值设置为2，用以反映该卷积向量相应的信号段为觉醒期；若第一卷积序列的卷积向量的值为3，第二卷积序列的卷积向量的值为2，将该位置索引对应的融合向量的值设置为3，用以反映该卷积向量相应的信号段为非快速眼动期；若第一卷积序列的卷积向量的值为1，第二卷积序列的卷积向量的值为2，将该位置索引对应的融合向量的值设置为2，用以反映该卷积向量相应的信号段为觉醒期。
S5：将所述决策融合序列输入至预设的分期预测模块中进行分期预测，获得所述用户的睡眠分期预测结果。
所述分期预测模块可以采用隐马尔可夫模型（HMM），在本实施例中，预测设备将所述决策融合序列输入至预设的分期预测模块中，对决策融合序列中各个卷积向量的值进行纠正，以纠正不合理的睡眠阶段转换，获得纠正后的决策融合序列，根据纠正后的决策融合序列的各个卷积向量的值，获得该卷积向量相应的信号段的睡眠分期预测结果，作为所述用户的睡眠分期预测结果，通过结合心冲击信号以及呼吸信号进行睡眠分期预测，解决了单独使用心冲击信号进行端到端睡眠分期易受信号幅值影响的弊端，提高睡眠分期过程的效率和结果的准确性，能够帮助用户便捷快速地了解自己的居家睡眠情况，并及时采取措施改善睡眠质量。
请参考图8，图8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8包括：
信号提取模块81，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；
体动伪迹检测模块82，用于对所述心冲击信号以及呼吸信号进行体动检测，获得所述心冲击信号以及呼吸信号对应的体动检测序列，将所述心冲击信号以及呼吸信号对应的体动检测序列进行融合，获得体动伪迹检测序列；
心肺协调序列构建模块83，用于获得所述心冲击信号对应的峰值间期序列以及所述呼吸信号对应的初步呼吸间期序列，根据所述体动伪迹检测序列，分别对所述峰值间期序列以及初步呼吸间期序列进行修正，获得所述心冲击信号对应的心搏间期序列以及所述呼吸信号对应的最终呼吸间期序列，根据所述心搏间期序列以及最终呼吸间期序列，获得心肺协调序列；
序列处理模块84，用于对所述心肺协调序列以及体动伪迹检测序列进行卷积处理，获得所述心肺协调序列对应的第一卷积序列，以及所述体动伪迹检测序列对应的第二卷积序列；对所述第一卷积序列以及第二卷积序列进行连续性修正，获得修正后的所述第一卷积序列以及第二卷积序列；根据修正后的所述第一卷积序列以及第二卷积序列在同一个位置索引上的卷积向量以及预设的卷积向量映射表，构建决策融合序列；
睡眠分期预测模块85，用于将所述决策融合序列输入至预设的分期预测模块中进行分期预测，获得所述用户的睡眠分期预测结果。
在本申请实施例中，通过信号提取模块，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；
通过体动伪迹检测模块，对所述心冲击信号以及呼吸信号进行体动检测，获得所述心冲击信号以及呼吸信号对应的体动检测序列，将所述心冲击信号以及呼吸信号对应的体动检测序列进行融合，获得体动伪迹检测序列；通过心肺协调序列构建模块，获得所述心冲击信号对应的峰值间期序列以及所述呼吸信号对应的初步呼吸间期序列，根据所述体动伪迹检测序列，分别对所述峰值间期序列以及初步呼吸间期序列进行修正，获得所述心冲击信号对应的心搏间期序列以及所述呼吸信号对应的最终呼吸间期序列，根据所述心搏间期序列以及最终呼吸间期序列，获得心肺协调序列；通过序列处理模块，对所述心肺协调序列以及体动伪迹检测序列进行卷积处理，获得所述心肺协调序列对应的第一卷积序列，以及所述体动伪迹检测序列对应的第二卷积序列；对所述第一卷积序列以及第二卷积序列进行连续性修正，获得修正后的所述第一卷积序列以及第二卷积序列；根据修正后的所述第一卷积序列以及第二卷积序列在同一个位置索引上的卷积向量以及预设的卷积向量映射表，构建决策融合序列；通过睡眠分期预测模块，将所述决策融合序列输入至预设的分期预测模块中进行分期预测，获得所述用户的睡眠分期预测结果。无需将大量的传感器附着在人体的头部、胸口等位置来获得等各种信号，只需要检测用户的生理信号，进而从生理信号分离出心冲击信号以及呼吸信号，基于心冲击信号以及呼吸信号，构建用户的心肺协调序列以及体动伪迹检测序列，并基于心肺协调序列以及体动伪迹检测序列，构建决策融合序列，根据决策融合序列以及分期预测模块，获取用户的睡眠分期预测结果，检测方式方便快捷，无需要专家评估，可以提高检测结果的准确性，有效地对用户的睡眠分期进行分析。
请参考图9，图9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9包括：处理器91、存储器92以及存储在存储器92上并可在处理器91上运行的计算机程序93；计算机设备可以存储有多条指令，指令适用于由处理器91加载并执行上述图1至图7所示实施例的方法步骤，具体执行过程可以参见图1至图7所示实施例的具体说明，在此不进行赘述。
其中，处理器91可以包括一个或多个处理核心。处理器91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92内的指令、程序、代码集或指令集，以及调用存储器92内的数据，执行基于生理信号的睡眠分期预测装置8的各种功能和处理数据，可选的，处理器91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91可集成中央处理器91（CentralProcessing Unit，CPU）、图像处理器91（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91中，单独通过一块芯片进行实现。
其中，存储器92可以包括随机存储器92（Random Access Memory，RAM），也可以包括只读存储器92（Read-Only Memory）。可选的，该存储器92包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器92可用于存储指令、程序、代码、代码集或指令集。存储器92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92可选的还可以是至少一个位于远离前述处理器91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图1至图7所述实施例的方法步骤，具体执行过程可以参见图1至图7所述实施例的具体说明，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 (10)
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；
对所述心冲击信号以及呼吸信号进行体动检测，获得所述心冲击信号以及呼吸信号对应的体动检测序列，将所述心冲击信号以及呼吸信号对应的体动检测序列进行融合，获得体动伪迹检测序列；
获得所述心冲击信号对应的峰值间期序列以及所述呼吸信号对应的初步呼吸间期序列，根据所述体动伪迹检测序列，分别对所述峰值间期序列以及初步呼吸间期序列进行修正，获得所述心冲击信号对应的心搏间期序列以及所述呼吸信号对应的最终呼吸间期序列，根据所述心搏间期序列以及最终呼吸间期序列，获得心肺协调序列；
对所述心肺协调序列以及体动伪迹检测序列进行卷积处理，获得所述心肺协调序列对应的第一卷积序列，以及所述体动伪迹检测序列对应的第二卷积序列；
分别将所述第一卷积序列以及第二卷积序列作为第二输入序列，根据预设的步进，将所述第二输入序列中若干个卷积向量进行组合，构建若干个第二输入子序列；获得各个所述第二输入子序列中的各个卷积向量的卷积值，根据各个所述第二输入子序列中的各个卷积向量的卷积值，获得各个所述第二输入子序列的非快速眼动期占空比以及觉醒期占空比；
根据各个所述第二输入子序列的非快速眼动期占空比、觉醒期占空比以及预设的占空比阈值，若所述非快速眼动期占空比大于所述占空比阈值，且觉醒期占空比小于所述占空比阈值，将所述第二输入子序列的各个卷积向量的卷积值修改为第一卷积值，若所述非快速眼动期占空比小于所述占空比阈值，且觉醒期占空比大于所述占空比阈值，将所述第二输入子序列的各个卷积向量的卷积值修改为第二卷积值，获得第一次修正后的第二输入序列；
根据各个所述卷积向量在所述第一次修正后的第二输入序列的位置索引以及卷积值，若所述卷积向量相邻的两个卷积向量的卷积值均为第三卷积值，将所述卷积向量的卷积值修改为第三卷积值；若所述卷积向量相邻的两个卷积向量的卷积值均为第一卷积值，将所述第二输入子序列的各个卷积向量的卷积值修改为第一卷积值，获得第二次修正后的第二输入序列；
将所述第二次修正后的第二输入序列的第一个卷积向量以及最后一个卷积向量的卷积值修改为第一卷积值，根据各个所述卷积向量在所述第二次修正后的第二输入序列的位置索引以及卷积值，获得所述第二次修正后的第二输入序列中，第一个目标卷积向量以及第二个目标卷积向量的位置索引，所述目标卷积向量为卷积值为第一卷积值的卷积向量，将所述第一个目标卷积向量以及第二个目标卷积向量之间的所有卷积向量的卷积值修改为第一卷积值，获得最终修正后的第二输入序列，获得修正后的第一卷积序列以及第二卷积序列；
根据修正后的所述第一卷积序列以及第二卷积序列在同一个位置索引上的卷积向量以及预设的卷积向量映射表，构建决策融合序列，其中，所述决策融合序列包括若干个融合向量，所述卷积向量映射表包括若干个卷积向量映射关系，所述卷积向量映射关系用于指示同一个位置索引上的第一卷积序列的卷积向量以及第二卷积序列的卷积向量联合对应的决策融合序列的融合向量；
将所述决策融合序列输入至预设的分期预测模块中进行分期预测，获得所述用户的睡眠分期预测结果。
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，所述对所述心冲击信号以及呼吸信号进行体动检测，获得所述心冲击信号以及呼吸信号对应的体动检测序列，将所述心冲击信号以及呼吸信号对应的体动检测序列进行融合，获得体动伪迹检测序列，包括步骤：
根据预设的若干种时间尺度，分别将所述心冲击信号以及呼吸信号划分为若干个时间尺度的心冲击子信号段集以及呼吸子信号段集，计算若干个时间尺度的所述心冲击子信号段集以及呼吸子信号段集的峰谷平均差值；
根据预设的第一时间长度，分别将所述心冲击信号以及呼吸信号划分若干个心冲击单元信号段以及若干个呼吸单元信号段，计算若干个所述心冲击单元信号段以及若干个呼吸单元信号段的峰谷平均差值；
将各个所述心冲击单元信号段的峰谷平均差值分别与各个时间尺度的所述心冲击子信号段集的峰谷平均差值进行对比，获得所述心冲击单元信号对应的体动检测向量，构建所述心冲击信号的体动检测序列；将各个所述呼吸单元信号段的峰谷平均差值分别与各个时间尺度的所述呼吸子信号段集的峰谷平均差值进行对比，获得所述呼吸单元信号对应的体动检测向量，构建所述呼吸信号的体动检测序列；
基于同一个位置索引，分别将所述心冲击信号的体动检测序列中的体动检测向量与所述呼吸信号的体动检测序列中的体动检测向量进行或运算，获得若干个体动伪迹检测向量，构建所述体动伪迹检测序列。
3.根据权利要求2所述的基于生理信号的睡眠分期预测方法，其特征在于，所述获得所述心冲击信号对应的峰值间期序列以及所述呼吸信号对应的初步呼吸间期序列，包括步骤：
采用模板匹配法，对所述心冲击信号进行峰值定位，获得所述心冲击信号对应的初步峰值间期序列，其中，所述峰值间期序列包括若干个峰值点；
采用过零点定位的方法，对所述呼吸信号进行过零点检测，获得所述呼吸信号对应的初步呼吸间期序列，其中，所述初步呼吸间期序列包括若干个呼吸点。
4.根据权利要求3所述的基于生理信号的睡眠分期预测方法，其特征在于，所述根据所述体动伪迹检测序列，分别对所述峰值间期序列以及初步呼吸间期序列进行修正，获得所述心冲击信号对应的心搏间期序列以及所述呼吸信号对应的最终呼吸间期序列，包括步骤：
获得所述峰值间期序列中相邻的峰值点之间的距离数据，根据所述峰值间期序列中相邻的峰值点之间的距离数据以及预设的第一距离范围，获得所述峰值间期序列中相邻的峰值点之间的第一心搏间期向量，构建第一心搏间期序列；
根据所述第一心搏间期序列以及体动伪迹检测序列，获得各个所述第一心搏间期向量的相同位置索引对应的体动伪迹检测向量，根据各个所述第一心搏间期向量以及相同位置索引对应的体动伪迹检测向量，获得所述峰值间期序列中相邻的峰值点之间的第二心搏间期向量，构建第二心搏间期序列，作为所述心冲击信号对应的心搏间期序列；
获得所述初步呼吸间期序列中相邻的呼吸点之间的距离数据，根据所述初步呼吸间期序列中相邻的呼吸点之间的距离数据以及预设的第二距离范围，获得所述初步呼吸间期序列中相邻的呼吸点之间的第一呼吸间期向量，根据所述第一呼吸间期向量，构建第一呼吸间期序列；
根据所述第一呼吸间期序列以及体动伪迹检测序列，获得各个所述第一呼吸间期向量的相同位置索引对应的体动伪迹检测向量，根据各个所述第一呼吸间期向量以及相同位置索引对应的体动伪迹检测向量，获得所述初步呼吸间期序列中相邻的呼吸点之间的第二呼吸间期向量，构建第二呼吸间期序列，作为所述呼吸信号对应的最终呼吸间期序列。
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，所述根据所述心搏间期序列以及最终呼吸间期序列，获得心肺协调序列，包括步骤：
基于同一个位置索引的所述心搏间期序列中的第二心搏间期向量与所述最终呼吸间期序列的第二呼吸间期向量，若所述第二心搏间期向量或者所述第二呼吸间期向量不满足预设的向量阈值，将所述位置索引对应的心肺协调向量设置为预设的向量值；
若所述第二心搏间期向量以及所述第二呼吸间期向量满足所述向量阈值，将所述第二心搏间期向量与所述第二呼吸间期向量相除，获得若干个心肺协调向量，构建初步心肺协调序列；
根据所述初步心肺协调序列以及预设的归一化算法，获得归一化处理后的心肺协调序列，作为心肺协调序列，其中，所述归一化算法为：
式中，为归一化处理后的所述心肺协调序列，/>为所述初步心肺协调序列，/>为求均值函数，/>为求最大值函数，/>为求最小值函数。
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，所述对所述心肺协调序列以及体动伪迹检测序列进行卷积处理，获得所述心肺协调序列对应的第一卷积序列，包括步骤：
分别将所述心肺协调序列以及体动伪迹检测序列作为第一输入序列，根据所述第一输入序列以及预设的卷积算法，获得输出卷积序列，其中，所述输出卷积序列包括所述心肺协调序列对应的第一卷积序列，以及所述体动伪迹检测序列对应的第二卷积序列，所述卷积算法为：
式中，为所述输出卷积序列中第i个位置索引对应的卷积向量，/>为所述第一输入序列中第i个位置索引对应的输入向量，/>为第i个位置索引对应的权重参数，/>为第i个位置索引对应的偏置参数，/>为线性整流函数，/>为批量归一化函数。
7.根据权利要求6所述的基于生理信号的睡眠分期预测方法，其特征在于，所述根据各个所述第二输入子序列中的各个卷积向量的卷积值，获得各个所述第二输入子序列的非快速眼动期占空比以及觉醒期占空比，包括步骤：
根据各个所述第二输入子序列中的各个卷积向量的卷积值以及预设的占空比计算算法，获得各个所述第二输入子序列的非快速眼动期占空比以及觉醒期占空比，其中，所述占空比计算算法为：
式中，为非快速眼动期占空比，/>表示卷积值为第一卷积值的卷积向量，/>为所述第二输入子序列中/>卷积向量的数目，t为第二时间长度，为觉醒期占空比，/>表示卷积值为第二卷积值的卷积向量，为所述第二输入子序列中/>卷积向量的数目。
8.一种基于生理信号的睡眠分期预测装置，其特征在于，包括：
信号提取模块，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；
体动伪迹检测模块，用于对所述心冲击信号以及呼吸信号进行体动检测，获得所述心冲击信号以及呼吸信号对应的体动检测序列，将所述心冲击信号以及呼吸信号对应的体动检测序列进行融合，获得体动伪迹检测序列；
心肺协调序列构建模块，用于获得所述心冲击信号对应的峰值间期序列以及所述呼吸信号对应的初步呼吸间期序列，根据所述体动伪迹检测序列，分别对所述峰值间期序列以及初步呼吸间期序列进行修正，获得所述心冲击信号对应的心搏间期序列以及所述呼吸信号对应的最终呼吸间期序列，根据所述心搏间期序列以及最终呼吸间期序列，获得心肺协调序列；
序列处理模块，用于对所述心肺协调序列以及体动伪迹检测序列进行卷积处理，获得所述心肺协调序列对应的第一卷积序列，以及所述体动伪迹检测序列对应的第二卷积序列；
分别将所述第一卷积序列以及第二卷积序列作为第二输入序列，根据预设的步进，将所述第二输入序列中若干个卷积向量进行组合，构建若干个第二输入子序列；获得各个所述第二输入子序列中的各个卷积向量的卷积值，根据各个所述第二输入子序列中的各个卷积向量的卷积值，获得各个所述第二输入子序列的非快速眼动期占空比以及觉醒期占空比；
根据各个所述第二输入子序列的非快速眼动期占空比、觉醒期占空比以及预设的占空比阈值，若所述非快速眼动期占空比大于所述占空比阈值，且觉醒期占空比小于所述占空比阈值，将所述第二输入子序列的各个卷积向量的卷积值修改为第一卷积值，若所述非快速眼动期占空比小于所述占空比阈值，且觉醒期占空比大于所述占空比阈值，将所述第二输入子序列的各个卷积向量的卷积值修改为第二卷积值，获得第一次修正后的第二输入序列；
根据各个所述卷积向量在所述第一次修正后的第二输入序列的位置索引以及卷积值，若所述卷积向量相邻的两个卷积向量的卷积值均为第三卷积值，将所述卷积向量的卷积值修改为第三卷积值；若所述卷积向量相邻的两个卷积向量的卷积值均为第一卷积值，将所述第二输入子序列的各个卷积向量的卷积值修改为第一卷积值，获得第二次修正后的第二输入序列；
将所述第二次修正后的第二输入序列的第一个卷积向量以及最后一个卷积向量的卷积值修改为第一卷积值，根据各个所述卷积向量在所述第二次修正后的第二输入序列的位置索引以及卷积值，获得所述第二次修正后的第二输入序列中，第一个目标卷积向量以及第二个目标卷积向量的位置索引，所述目标卷积向量为卷积值为第一卷积值的卷积向量，将所述第一个目标卷积向量以及第二个目标卷积向量之间的所有卷积向量的卷积值修改为第一卷积值，获得最终修正后的第二输入序列，获得修正后的第一卷积序列以及第二卷积序列；
根据修正后的所述第一卷积序列以及第二卷积序列在同一个位置索引上的卷积向量以及预设的卷积向量映射表，构建决策融合序列，其中，所述决策融合序列包括若干个融合向量，所述卷积向量映射表包括若干个卷积向量映射关系，所述卷积向量映射关系用于指示同一个位置索引上的第一卷积序列的卷积向量以及第二卷积序列的卷积向量联合对应的决策融合序列的融合向量；
睡眠分期预测模块，用于将所述决策融合序列输入至预设的分期预测模块中进行分期预测，获得所述用户的睡眠分期预测结果。
9.一种计算机设备，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7任一项所述的基于生理信号的睡眠分期预测方法的步骤。
10.一种存储介质，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7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 |
|---|---|---|---|
| CN202310934902.1A CN116649919B (zh) | 2023-07-28 | 2023-07-28 | 基于生理信号的睡眠分期预测方法、装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310934902.1A CN116649919B (zh) | 2023-07-28 | 2023-07-28 | 基于生理信号的睡眠分期预测方法、装置以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116649919A CN116649919A (zh) | 2023-08-29 |
| CN116649919B true CN116649919B (zh) | 2023-11-14 |
Family
ID=87726469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310934902.1A Active CN116649919B (zh) | 2023-07-28 | 2023-07-28 | 基于生理信号的睡眠分期预测方法、装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116649919B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1923132A (zh) * | 2006-09-04 | 2007-03-07 | 北京新兴阳升科技有限公司 | 检测睡眠中呼吸用力的方法、装置及其应用 |
| CN106419869A (zh) * | 2016-08-24 | 2017-02-22 | 电子科技大学 | 一种基于压电传感器的实时睡眠分期检测方法及其装置 |
| CN109222961A (zh) * | 2018-11-09 | 2019-01-18 | 中科数字健康科学研究院（南京）有限公司 | 一种便携式睡眠监测系统及相关睡眠监测方法 |
| CN114699040A (zh) * | 2022-02-21 | 2022-07-05 | 华南师范大学 | 基于生理信号的醒睡检测方法、装置、设备以及存储介质 |
| CN114732361A (zh) * | 2022-04-07 | 2022-07-12 | 华南师范大学 | 基于生理信号的睡眠分期预测方法、设备以及存储介质 |
| CN115486833A (zh) * | 2022-08-22 | 2022-12-20 | 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8083682B2 (en) * | 2006-07-19 | 2011-12-27 | Cardiac Pacemakers, Inc. | Sleep state detection |
| EP3232912B1 (en) * | 2014-12-18 | 2022-10-19 | Koninklijke Philips N.V. | System and method for cardiorespiratory sleep stage classification |
-
2023
- 2023-07-28 CN CN202310934902.1A patent/CN116649919B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1923132A (zh) * | 2006-09-04 | 2007-03-07 | 北京新兴阳升科技有限公司 | 检测睡眠中呼吸用力的方法、装置及其应用 |
| CN106419869A (zh) * | 2016-08-24 | 2017-02-22 | 电子科技大学 | 一种基于压电传感器的实时睡眠分期检测方法及其装置 |
| CN109222961A (zh) * | 2018-11-09 | 2019-01-18 | 中科数字健康科学研究院（南京）有限公司 | 一种便携式睡眠监测系统及相关睡眠监测方法 |
| CN114699040A (zh) * | 2022-02-21 | 2022-07-05 | 华南师范大学 | 基于生理信号的醒睡检测方法、装置、设备以及存储介质 |
| CN114732361A (zh) * | 2022-04-07 | 2022-07-12 | 华南师范大学 | 基于生理信号的睡眠分期预测方法、设备以及存储介质 |
| CN115486833A (zh) * | 2022-08-22 | 2022-12-20 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| A Hierarchical Attention-Based Method for Sleep Staging Using Movement and Cardiopulmonary Signals;Yujie Luo et al;IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS;第27卷(第3期);1354-1363 * |
| ResNet-BiLSTM: A Multiscale Deep Learning Model for Heartbeat Detection Using Ballistocardiogram Signals;Yijun Liu et al;Journal of Healthcare Engineering;1-11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116649919A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2021203784B2 (en) | Multivariate residual-based health index for human health monitoring | |
| JP6721153B2 (ja) | 生体情報分析装置、システム、及び、プログラム | |
| CN106413534B (zh) | 连续血压测量装置、测量模型建立方法和系统 | |
| CN109568760B (zh) | 一种睡眠环境调节方法及系统 | |
| EP3048972A1 (en) | Processing apparatus, processing method and system for processing a physiological signal | |
| JP2009540953A (ja) | うっ血性心不全患者の携帯型自動モニタリング | |
| 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 | |
| WO2009127799A1 (en) | Method and apparatus for measuring breathing rate | |
| US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
| CN105852863B (zh) | 一种呼吸率测量方法及装置 | |
| KR101870630B1 (ko) | 생체/운동 신호 기반의 에너지 소모량 측정 방법 및 장치 | |
| US11291406B2 (en) | System for determining a set of at least one cardio-respiratory descriptor of an individual during sleep | |
| CN116649919B (zh) | 基于生理信号的睡眠分期预测方法、装置以及设备 | |
| CN114145735A (zh) | 基于bcg信号的运动规划方案生成方法、系统以及设备 | |
| WO2021184818A1 (zh) | 一种基于粒子滤波的人体逐拍心率测量装置及方法 | |
| CN107205672A (zh) | 用于评估监测对象的呼吸数据的装置和方法 | |
| CN114098721B (zh) | 心冲击图信号的提取方法、装置以及设备 | |
| US20200375491A1 (en) | Heartbeat analyzing method and heartbeat analyzing method | |
| CN113017620A (zh) | 基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统 | |
| CN117338253B (zh) | 基于生理信号的睡眠呼吸暂停检测方法以及装置 | |
| CN117017233B (zh) | 一种睡眠呼吸暂停检测方法、装置、设备以及存储介质 | |
| CN115316985B (zh) | 基于生理信号的心脏信息检测方法、装置以及设备 | |
| CN114271804A (zh) | 基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端 | |
| CN114587298A (zh) | 一种多人体生理信息检测-分离方法及系统 | |
| Mićović | MATLAB Interface for Blood Pressure Determination from Oscillometric Data |
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 |