CN116942102B - 一种基于脉搏波的睡眠分期方法及设备 - Google Patents

一种基于脉搏波的睡眠分期方法及设备 Download PDF

Info

Publication number
CN116942102B
CN116942102B CN202311206334.XA CN202311206334A CN116942102B CN 116942102 B CN116942102 B CN 116942102B CN 202311206334 A CN202311206334 A CN 202311206334A CN 116942102 B CN116942102 B CN 116942102B
Authority
CN
China
Prior art keywords
pulse wave
wave signal
time
frequency
sleep stage
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
Application number
CN202311206334.XA
Other languages
English (en)
Other versions
CN116942102A (zh
Inventor
张闻宇
王泽涛
丁玉国
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.)
Changsha Qinglei Technology Co ltd
Shenzhen Qinglei Technology Co ltd
Beijing Qinglei Technology Co ltd
Original Assignee
Changsha Qinglei Technology Co ltd
Shenzhen Qinglei Technology Co ltd
Beijing Qinglei Technology Co ltd
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 Changsha Qinglei Technology Co ltd, Shenzhen Qinglei Technology Co ltd, Beijing Qinglei Technology Co ltd filed Critical Changsha Qinglei Technology Co ltd
Priority to CN202311206334.XA priority Critical patent/CN116942102B/zh
Publication of CN116942102A publication Critical patent/CN116942102A/zh
Application granted granted Critical
Publication of CN116942102B publication Critical patent/CN116942102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Fuzzy Systems (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于脉搏波的睡眠分期方法及设备，该方法包括：收集脉搏波采集设备对被测人员的原始脉搏波信号；对原始脉搏波信号进行重采样和滤波，得到初始脉搏波信号；对初始脉搏波信号分别进行时频谱图、时域信号、时频域特征提取；将提取的特征分别输入预训练的特征提取神经网络中，得到三类采样频率相同的睡眠分期特征；将三类睡眠分期特征进行特征融合，并输入预训练的分类神经网络，得到目标睡眠分期结果。本发明提出的睡眠分期方法利用脉搏波采集设备获取睡眠数据，经过算法对睡眠数据进行不同处理，提高了目标睡眠分期的分类准确性。

Description

一种基于脉搏波的睡眠分期方法及设备
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于脉搏波的睡眠分期方法及设备。
背景技术
睡眠是人体的重要行为，是一种复杂的生理状态，是维持生命健康的基本需求。多导睡眠监测仪（Polysomnography，PSG）是监测人体睡眠行为的金标准，美国睡眠医学学会（American academy of sleep medicine，AASM）标准是公知、公认、公开的判别人体睡眠状态的准则。按照AASM标准，人体的睡眠阶段可以分为W、N1、N2、N3和REM五期，五种睡眠阶段在人体的整个睡眠过程中，会呈现出一定的规律与周期。同时，现有研究表明，人体的夜间睡眠情况与呼吸疾病、心脏疾病、心脑血管疾病、精神疾病、肺动脉高压等疾病的发作时间以及严重程度具有高度相关性。因此，准确对睡眠阶段进行分期，对人体的生理健康、呼吸疾病、心脏疾病、心脑血管疾病等疾病的诊断和预防具有至关重要的意义。
现有的睡眠分期方法按照传感器的类别主要可以分为：基于传统PSG的睡眠分期方法、基于便携式PSG的睡眠分期方法、基于脑电信号的睡眠分期方法以及基于非接触式传感器的睡眠分期方法。但无论是传统PSG还是便携式PSG设备都成本过高、负载过重，进而影响被测者的睡眠，破坏被测者的正常睡眠习惯；而脑电传感器和非接触式传感器虽降低了负载，但采集的睡眠数据都容易受到外界干扰和人体本身的干扰，造成数据不准确，进而造成睡眠分期结果不准确。
发明内容
有鉴于此，本发明一方面提供了一种基于脉搏波的睡眠分期方法，该方法包括：
收集脉搏波采集设备对被测人员的原始脉搏波信号；
对所述原始脉搏波信号进行重采样和滤波，得到初始脉搏波信号；
对所述初始脉搏波信号分别进行时频谱图、时域信号、时频域特征提取；
将提取的特征分别输入预训练的特征提取神经网络中，得到三类采样频率相同的睡眠分期特征；
将三类睡眠分期特征进行特征融合，并输入预训练的分类神经网络，得到目标睡眠分期结果。
可选地，对所述原始脉搏波信号进行重采样和滤波，得到初始脉搏波信号，包括：
获取所述脉搏波采集设备对所述原始脉搏波信号的采样频率/>；
判断所述原始脉搏波信号的采样频率/>与预期采样频率/>是否一致；
当采样频率与预期采样频率/>一致时，对所述原始脉搏波信号/>进行带通滤波，得到初始脉搏波信号/>。
可选地，样频率/>与预期采样频率/>不一致时，将原始脉搏波信号的采样频率/>与预期采样频率/>进行比较；
若，则对所述原始脉搏波信号/>进行插值，使得原始脉搏波信号/>的采样频率/>与预期采样频率/>保持一致，对插值处理后的所述原始脉搏波信号/>进行带通滤波，得到初始脉搏波信号/>；
若，则对所述原始脉搏波信号/>进行下采样，使得原始脉搏波信号/>的采样频率/>与预期采样频率/>保持一致，对下采样处理后的所述原始脉搏波信号/>进行带通滤波，得到初始脉搏波信号/>。
可选地，对所述初始脉搏波信号进行时频谱图提取，包括：
将所述初始脉搏波信号切分为时长/>的数据段/>；
将所述数据段重排为维度为/>的数据矩阵/>；
对所述数据矩阵进行主成分提取和转换，得到主成分脉搏波信号/>；
对所述主成分脉搏波信号进行小波去噪，得到小波脉搏波信号/>；
对所述小波脉搏波信号进行快速傅里叶变换，得到脉搏波傅里叶频谱/>；
将不同数据段的脉搏波傅里叶频谱按时间顺序排列为脉搏波时频谱。
可选地，对所述数据矩阵进行主成分提取和转换，得到主成分脉搏波信号/>，包括：
对所述数据矩阵进行奇异值分解，得到左奇异值矩阵/>、右奇异值矩阵/>和奇异值矩阵/>；
提取所述奇异值矩阵的特征值，并选取最大的k个特征值/>，使特征值之和占总特征值的比例大于特征值阈值/>；
在左奇异值矩阵和右奇异值矩阵/>中提取与所述特征值/>相对应的k组特征向量，并恢复为主成分数据矩阵/>；
利用对角平均法将所述主成分数据矩阵转换为主成分脉搏波信号/>。
可选地，对所述主成分脉搏波信号进行小波去噪，得到小波脉搏波信号，包括：
利用小波核函数wname对主成分脉搏波信号进行w层小波分解得到小波系数swa和swd；
在swd中选取第维信号融合为小波脉搏波信号/>。
可选地，对所述初始脉搏波信号进行时域信号提取，包括：
对所述初始脉搏波信号进行标准化处理，得到标准脉搏波信号/>。
可选地，对所述初始脉搏波信号进行时频域特征提取，包括：
根据所述初始脉搏波信号得到脉搏波时频谱和标准脉搏波信号/>；
对所述脉搏波时频谱在频率维度上求和，得到第一特征；
对所述脉搏波时频谱与对应的频率相乘，并在频率维度上求和，得到第二特征；
对所述脉搏波时频谱与对应的频率的平方相乘，并在频率维度上求和，得到第三特征；
对所述脉搏波时频谱与对应的频率的三次方相乘，并在频率维度上求和，得到第四特征；
对所述脉搏波时频谱与对应的频率的四次方相乘，并在频率维度上求和，得到第五特征；
提取所述数据段的均值，得到第六特征；
提取所述数据段的方差，得到第七特征；
提取所述标准脉搏波信号的包络，得到第八特征。
可选地，将三类睡眠分期特征进行特征融合，并输入预训练的分类神经网络，得到目标睡眠分期结果，包括：
将所述三类睡眠分期特征在特征维度上进行拼接，并输入预训练的分类神经网络，得到密集分类概率；
选取所述密集分类概率在每一时刻概率最大的类别c；
将所述类别c按照W、N1、N2、N3和REM五种睡眠阶段进行分类，得到目标睡眠分期结果。
本发明另一方面，还提供了一种基于脉搏波的睡眠分期设备，该设备包括：
处理器以及与所述处理器连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器执行所述的基于脉搏波的睡眠分期方法。
根据本发明提供的基于脉搏波的睡眠分期方法通过将收集的原始脉搏波信号进行重采样和滤波，提高采样率和改变信号的频率特性，以满足不同的需求和应用场景，通过对初始脉搏波信号进行时频谱图特征提取，可以更好地描述不同睡眠阶段之间的频率特点，帮助进行准确定位和分类睡眠阶段；通过时域信号特征提取，可以捕捉到睡眠信号的短时和长时动态变化，帮助识别和分类不同的睡眠阶段；通过时频域特征提取，可以进一步提高睡眠分期的准确性和可靠性；通过将时频谱图、时域信号和时频域特征提取作为输入，预训练的特征提取神经网络可以学习到高级的睡眠分期特征表示，这些特征可以更好地反映睡眠信号的结构和动态特性，为后续的睡眠分期任务提供更有区分力的特征表示；将三个睡眠分期特征进行特征融合，并输入预训练的分类神经网络，能够综合利用多个特征的信息、提取更高级的特征表示、增加特征信号的数据维度和信息量，并提高目标睡眠分期的分类准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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他的附图。
图1为本发明实施例提供的一种基于脉搏波的睡眠分期设备的应用场景；
图2为本发明实施例提供的一种基于脉搏波的睡眠分期方法的流程示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
如图1所示，本发明实施例提供的一种基于脉搏波的睡眠分期设备的应用场景：
本发明由设备端和云端构成，设备端为脉搏波采集设备，采集设备可以为能够采集人体脉搏的手表、手环、指环、耳夹等设备，将脉搏波采集设备佩戴在被测人员合适的身体部位上，脉搏波采集设备将获取的被测人员的脉搏波数据，通过网络上传至云端，并由云端进行数据处理。如图1中，脉搏波采集设备11为佩戴在被测人员手腕处的手表，手表采集的脉搏数据将传输至云端12进行数据处理，当积累了一定时长的脉搏波数据后，算法基于接收到的全部脉搏波数据分析得到睡眠分析的最终结果。
如图2所示，本发明的一个实施例，提供了一种基于脉搏波的睡眠分期方法，应用于云端，包括：
S1，收集脉搏波采集设备对被测人员的原始脉搏波信号；
S2，对原始脉搏波信号进行重采样和滤波，得到初始脉搏波信号；
S3，对初始脉搏波信号分别进行时频谱图、时域信号、时频域特征提取；
S4，将提取的特征分别输入预训练的特征提取神经网络中，得到三类采样频率相同的睡眠分期特征；
本实施例中，分别将S3中提取的特征输入三个提前训练好的特征提取神经网络进行进一步的特征提取，分别得到三类睡眠分期特征，该步骤对特征提取网络的结构没有要求，只要得到的三类睡眠分期特征的采样频率相同即可。
S5，将三类睡眠分期特征进行特征融合，并输入预训练的分类神经网络，得到目标睡眠分期结果。
本发明通过对收集的原始脉搏波信号进行重采样和滤波，调整采样率和改变信号的频率特性，以满足不同的需求和应用场景，通过对初始脉搏波信号进行时频谱图特征提取，可以更好地描述不同睡眠阶段之间的频率特点，帮助进行准确定位和分类睡眠阶段；通过时域信号特征提取，可以捕捉到睡眠信号的短时和长时动态变化，帮助识别和分类不同的睡眠阶段；通过时频域特征提取，可以进一步提高睡眠分期的准确性和可靠性；通过将时频谱图、时域信号和时频域特征提取作为输入，预训练的特征提取神经网络可以学习到高级的睡眠分期特征表示，这些特征可以更好地反映睡眠信号的结构和动态特性，为后续的睡眠分期任务提供更有区分力的特征表示；将三类睡眠分期特征进行特征融合，并输入预训练的分类神经网络，能够综合利用多个特征的信息、提取更高级的特征表示、增加特征的维度和信息量，并提高目标睡眠分期结果的准确性。
此外，本发明提出的基于脉搏波的睡眠分期方法利用脉搏波采集设备获取睡眠数据，经过算法自动分析得到睡眠分期结果，采用本发明进行睡眠分期时，被测试者舒适度高、依从性好，监测方便，不侵犯隐私；设备成本低、使用便捷、无需专人维护、数据稳定；本发明通过脉搏波的变化情况判断睡眠情况，对于心跳等微小运动更加敏感，可以取得更加准确的结果，同时，本发明对于被测者的睡眠环境的要求更低，不容易受到外界因素的干扰等，更加鲁棒。
优选实施例中，S2，对所述原始脉搏波信号进行重采样和滤波，得到初始脉搏波信号，包括：
S21，获取脉搏波采集设备对所述原始脉搏波信号的采样频率/>；
S22，判断原始脉搏波信号的采样频率/>与预期采样频率/>是否一致，若一致，则执行S23，若不一致，则执行S24；
S23，对原始脉搏波信号进行带通滤波，得到初始脉搏波信号/>。
本实施例中，带通滤波可以使用IIR滤波器或FIR滤波器。
本实施例通过将原始脉搏波信号的采样频率与预期采样频率保持一致，可以实现数据对齐，有助于信号分析、特征提取和预测任务的准确性和可靠性。
S24，将不一致的原始脉搏波信号的采样频率/>与预期采样频率/>进行比较，判断/>是否成立，若成立，则执行S25，若不成立，则执行S26；
S25，若，则对所述原始脉搏波信号/>进行插值，使得原始脉搏波信号/>的采样频率/>与预期采样频率/>保持一致，对插值处理后的原始脉搏波信号/>进行带通滤波，得到初始脉搏波信号/>；
本实施例中，插值方法包括但不限于线性插值、最近邻插值、双线性插值、临近点插值、样条插值、保形分段三次插值等。
S26，若，则对所述原始脉搏波信号/>进行下采样，使得原始脉搏波信号/>的采样频率/>与预期采样频率/>保持一致，对下采样处理后的原始脉搏波信号/>进行带通滤波，得到初始脉搏波信号/>。
本实施例中，下采样的方法包括但不限于线性采样、基于各种插值方法的采样。
本实施例通过对原始脉搏波信号进行重采样处理，以使得采样频率与预期频率保持一致，可以实现数据对齐、保持特征完整性、提高算法通用性的效果。
优选实施例中，S3，对初始脉搏波信号分别进行时频谱图、时域信号、时频域特征提取，包括：
S31，对初始脉搏波信号进行时频谱图提取；
S32，对初始脉搏波信号进行时域信号提取；
S33，对所述初始脉搏波信号进行时频域特征提取。
进一步地S31，对初始脉搏波信号进行时频谱图提取，包括：
S311，将初始脉搏波信号切分为时长/>的数据段/>；
S312，将数据段重排为维度为/>的数据矩阵/>；
本实施例中，利用如下公式将所有数据段重排为维度为/>的数据矩阵/>：
，
S313，对数据矩阵进行主成分提取和转换，得到主成分脉搏波信号/>；
S314，对主成分脉搏波信号进行小波去噪，得到小波脉搏波信号/>；
S315，对小波脉搏波信号进行快速傅里叶变换，得到脉搏波傅里叶频谱/>；
本实施例中，利用如下公式对小波脉搏波信号进行快速傅里叶变换：
，
S316，将不同数据段的脉搏波傅里叶频谱按时间顺序排列为脉搏波时频谱。
本实施例通过将原始脉搏波信号进行预处理，并将不同数据段的脉搏波傅里叶频谱按时间顺序排列为脉搏波时频谱，可以直观地展示脉搏波信号的时域和频域特性，分析脉搏波信号的频率成分和时域变化趋势。
优选实施例中，S313，对数据矩阵进行主成分提取和转换，得到主成分脉搏波信号/>，包括：
S3131，对数据矩阵进行奇异值分解，得到左奇异值矩阵/>、右奇异值矩阵/>和奇异值矩阵/>；
本实施例中，利用如下公式对数据矩阵进行奇异值分解：
，
其中，为奇异值分解函数，是本领域公知公认公开的方法，/>为左奇异值矩阵，/>为右奇异值矩阵，/>和/>均为酉矩阵，/>为奇异值矩阵，其对角线上元素为特征值。
S3132，提取奇异值矩阵的特征值，并选取最大的k个特征值/>，使特征值之和占总特征值的比例大于特征值阈值/>；
本实施例中，利用如下公式提取奇异值矩阵的特征值，并选取最大的k个特征值，使特征值之和占总特征值的比例大于特征值阈值/>：
，
，
其中，为最大的k个特征值集合。
S3133，在左奇异值矩阵和右奇异值矩阵/>中提取与特征值/>相对应的k组特征向量，并恢复为主成分数据矩阵/>；
本实施例中，利用如下公式将k组特征向量恢复为主成分数据矩阵：
，
S3134，利用对角平均法将主成分数据矩阵转换为主成分脉搏波信号/>。
本实施例中，对角平均法利用如下公式将主成分数据矩阵转换为主成分脉搏波信号/>：
，
本实施例通过提取奇异值矩阵的特征值并选取最大的k个特征值，可以有效的降低数据信息的冗余程度，通过选择合适的特征值阈值和相应的特征值个数，可以选择保留最重要的特征，丢弃对数据影响较小的特征；通过提取与选定特征值相对应的特征向量，可以得到主成分数据矩阵，这些特征向量代表了原始数据中重要的模式、结构或特征；利用对角平均法将主成分数据矩阵的每一组对角数据进行平均，可以得到一组合成的脉搏波信号，这些信号代表了原始数据中最显著的成分，可以用于进一步的分析、识别或可视化。
优选实施例中，S314，对主成分脉搏波信号进行小波去噪，得到小波脉搏波信号/>，包括：
利用小波核函数wname对主成分脉搏波信号进行w层小波分解得到小波系数swa和swd；
本实施例中，小波核函数wname利用如下公式对主成分脉搏波信号进行w层小波分解：
，
其中，为小波分解函数，是本领域公知公认公开的方法，/>为小波近似系数，/>为小波细节系数，小波核函数包括但不限于db系小波核、sym系小波核、bior小波核、rbio小波核等。
在小波系数swd中选取第维信号融合为小波脉搏波信号/>。
本实施例中，利用如下公式在小波系数swd中选取第维信号融合为小波脉搏波信号/>：
，
本实施例通过小波分解将主成分脉搏波信号应用w层小波分解，可以获取信号在不同频率范围内的成分以反映信号的局部变化和特征，并获得相应的系数，利用系数的能量和统计信息来对信号进行降噪处理，去除噪声干扰，提升信号质量；通过将所选信号进行融合，可以综合不同频率范围内的信息，生成小波脉搏波信号。这有助于提取出主成分脉搏波信号中的重要特征，降低噪声的干扰，提高信噪比，可以使信号更具有辨识度。
进一步地，S32，对初始脉搏波信号进行时域信号提取，包括：
对初始脉搏波信号进行标准化处理，得到标准脉搏波信号/>。
本实施例中，利用如下公式对初始脉搏波信号进行标准化处理：
，
其中，为标准脉搏波信号，/>为均值计算函数，是本领域公知公认公开的处理方式，/>为标准差计算函数，是本领域公知公认公开的处理方式。
进一步地，S33，对所述初始脉搏波信号进行时频域特征提取，包括：
根据初始脉搏波信号得到脉搏波时频谱和标准脉搏波信号/>；
对脉搏波时频谱在频率维度上求和，得到第一特征；
对脉搏波时频谱与对应的频率相乘，并在频率维度上求和，得到第二特征；
对脉搏波时频谱与对应的频率的平方相乘，并在频率维度上求和，得到第三特征；
对脉搏波时频谱与对应的频率的三次方相乘，并在频率维度上求和，得到第四特征；
对脉搏波时频谱与对应的频率的四次方相乘，并在频率维度上求和，得到第五特征；
提取数据段的均值，得到第六特征；
提取数据段的方差，得到第七特征；
提取标准脉搏波信号的包络，得到第八特征。
本实施例中，根据初始脉搏波信号得到脉搏波时频谱和标准脉搏波信号/>，脉搏波时频谱已由上述实施例中S31获得，标准脉搏波信号/>已由上述实施例中S32获得，在此不再赘述；提取到的时频域特征包括但不限于上述八种特征，还可以对上述特征进行运算得到更多维度的特征，脉搏波时频谱对应的频率为信号的真实频率。
优选实施例中，S5，将三类睡眠分期特征进行特征融合，并输入预训练的分类神经网络，得到目标睡眠分期结果，包括：
S51，将三类睡眠分期特征在特征维度上进行拼接，并输入预训练的分类神经网络，得到密集分类概率；
本实施例中，三类睡眠分期特征分别为睡眠分期特征、睡眠分期特征/>、睡眠分期特征/>，将睡眠分期特征/>、睡眠分期特征/>、睡眠分期特征/>在特征维度上进行拼接，并输入到预训练的分类神经网络，得到密集分类概率/>，其中，c的大小为5，t表示时间，与脉搏波监测时长有关，若脉搏波监测时长为T，睡眠分期特征的采集频率为/>，则/>。
S52，选取密集分类概率在每一时刻概率最大的类别c；
S53，将类别c按照W、N1、N2、N3和REM五种睡眠阶段进行分类，得到目标睡眠分期结果。
本实施例中，选取在每一时刻概率最大的类别作为分类结果，类别c的不同离散值可以代表W、N1、N2、N3和REM五种睡眠阶段。
本实施例通过输入特征进行分类神经网络的推断，可以得到每一时刻的睡眠阶段分类的密集分类概率。这些概率反映了不同睡眠阶段的可能性大小；从密集分类概率中选取概率最大的类别c，即选择了最有可能的睡眠阶段，这有助于准确判断每一时刻的睡眠分期情况；利用预先定义的规则，将类别c分别对应W、N1、N2、N3和REM五种睡眠阶段。这个过程可以将密集分类概率转化为目标睡眠分期的结果，从而得到对应时刻的睡眠阶段标签。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种基于脉搏波的睡眠分期方法，其特征在于，包括：
收集脉搏波采集设备对被测人员的原始脉搏波信号；
对所述原始脉搏波信号进行重采样和滤波，得到初始脉搏波信号；
对所述初始脉搏波信号分别进行时频谱图、时域信号、时频域特征提取，其中时频谱图用于描述不同睡眠阶段之间的频率特点，时域信号用于体现睡眠信号的短时和长时动态变化，对所述初始脉搏波信号进行时频域特征提取包括将根据所述初始脉搏波信号得到脉搏波时频谱和标准脉搏波信号，对所述脉搏波时频谱在频率维度上求和，得到第一特征，对所述脉搏波时频谱与对应的频率相乘，并在频率维度上求和，得到第二特征，对所述脉搏波时频谱与对应的频率的平方相乘，并在频率维度上求和，得到第三特征，对所述脉搏波时频谱与对应的频率的三次方相乘，并在频率维度上求和，得到第四特征，对所述脉搏波时频谱与对应的频率的四次方相乘，并在频率维度上求和，得到第五特征，将初始脉搏波信号/>切分为时长/>的数据段/>，提取所述数据段/>的均值，得到第六特征，提取所述数据段/>的方差，得到第七特征，提取所述标准脉搏波信号/>的包络，得到第八特征；
将提取的特征分别输入预训练的特征提取神经网络中，得到三类采样频率相同的睡眠分期特征；
将三类睡眠分期特征进行特征融合，并输入预训练的分类神经网络，得到目标睡眠分期结果。
2.根据权利要求1所述的方法，其特征在于，对所述原始脉搏波信号进行重采样和滤波，得到初始脉搏波信号，包括：
获取所述脉搏波采集设备对所述原始脉搏波信号的采样频率/>；
判断所述原始脉搏波信号的采样频率/>与预期采样频率/>是否一致；
当采样频率与预期采样频率/>一致时，对所述原始脉搏波信号/>进行带通滤波，得到初始脉搏波信号/>。
3. 根据权利要求2所述的方法，其特征在于，当采样频率与预期采样频率/>不一致时， 将原始脉搏波信号/>的采样频率/>与预期采样频率/>进行比较；
若，则对所述原始脉搏波信号/>进行插值，使得原始脉搏波信号的采样频率/>与预期采样频率/>保持一致，对插值处理后的所述原始脉搏波信号/>进行带通滤波，得到初始脉搏波信号/>；
若，则对所述原始脉搏波信号/>进行下采样，使得原始脉搏波信号的采样频率/>与预期采样频率/>保持一致，对下采样处理后的所述原始脉搏波信号/>进行带通滤波，得到初始脉搏波信号/>。
4.根据权利要求1所述的方法，其特征在于，对所述初始脉搏波信号进行时频谱图提取，包括：
将所述数据段重排为维度为/>的数据矩阵/>；
对所述数据矩阵进行主成分提取和转换，得到主成分脉搏波信号/>；
对所述主成分脉搏波信号进行小波去噪，得到小波脉搏波信号/>；
对所述小波脉搏波信号进行快速傅里叶变换，得到脉搏波傅里叶频谱/>；
将不同数据段的脉搏波傅里叶频谱按时间顺序排列为脉搏波时频谱。
5.根据权利要求4所述的方法，其特征在于，对所述数据矩阵进行主成分提取和转换，得到主成分脉搏波信号/>，包括：
对所述数据矩阵进行奇异值分解，得到左奇异值矩阵/>、右奇异值矩阵/>和奇异值矩阵；
提取所述奇异值矩阵的特征值，并选取最大的k个特征值/>，使特征值之和占总特征值的比例大于特征值阈值/>；
在左奇异值矩阵和右奇异值矩阵/>中提取与所述特征值/>相对应的k组特征向量，并恢复为主成分数据矩阵/>；
利用对角平均法将所述主成分数据矩阵转换为主成分脉搏波信号/>。
6.根据权利要求4所述的方法，其特征在于，对所述主成分脉搏波信号进行小波去噪，得到小波脉搏波信号/>，包括：
利用小波核函数wname对主成分脉搏波信号进行w层小波分解得到小波系数swa和swd；
在所述小波系数swd中选取第维信号融合为小波脉搏波信号/>。
7.根据权利要求1所述的方法，其特征在于，对所述初始脉搏波信号进行时域信号提取，包括：
对所述初始脉搏波信号进行标准化处理，得到标准脉搏波信号/>。
8.根据权利要求1所述的方法，其特征在于，将三类睡眠分期特征进行特征融合，并输入预训练的分类神经网络，得到目标睡眠分期结果，包括：
将所述三类睡眠分期特征在特征维度上进行拼接，并输入预训练的分类神经网络，得到密集分类概率；
选取所述密集分类概率在每一时刻概率最大的类别c；
将所述类别c按照W、N1、N2、N3和REM五种睡眠阶段进行分类，得到目标睡眠分期结果。
9.一种基于脉搏波的睡眠分期设备，其特征在于，包括：处理器以及与所述处理器连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器执行如权利要求1-8中任意一项所述的基于脉搏波的睡眠分期方法。
CN202311206334.XA 2023-09-19 2023-09-19 一种基于脉搏波的睡眠分期方法及设备 Active CN116942102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311206334.XA CN116942102B (zh) 2023-09-19 2023-09-19 一种基于脉搏波的睡眠分期方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311206334.XA CN116942102B (zh) 2023-09-19 2023-09-19 一种基于脉搏波的睡眠分期方法及设备

Publications (2)

Publication Number Publication Date
CN116942102A CN116942102A (zh) 2023-10-27
CN116942102B true CN116942102B (zh) 2023-12-22

Family

ID=88447703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311206334.XA Active CN116942102B (zh) 2023-09-19 2023-09-19 一种基于脉搏波的睡眠分期方法及设备

Country Status (1)

Country Link
CN (1) CN116942102B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013081707A (ja) * 2011-10-12 2013-05-09 Aisin Seiki Co Ltd 睡眠状態判別装置および睡眠状態判別方法
CN109247929A (zh) * 2018-11-26 2019-01-22 彭荣超 血压确定装置、方法、设备及存储介质
KR20190100888A (ko) * 2018-02-21 2019-08-29 연세대학교 원주산학협력단 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법
CN113796830A (zh) * 2021-08-30 2021-12-17 西安交通大学 一种睡眠信号分期可信度自动评价方法
CN115206491A (zh) * 2022-08-26 2022-10-18 安徽讯飞医疗股份有限公司 睡眠干预设备控制方法、装置、存储介质及计算机设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013081707A (ja) * 2011-10-12 2013-05-09 Aisin Seiki Co Ltd 睡眠状態判別装置および睡眠状態判別方法
KR20190100888A (ko) * 2018-02-21 2019-08-29 연세대학교 원주산학협력단 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법
CN109247929A (zh) * 2018-11-26 2019-01-22 彭荣超 血压确定装置、方法、设备及存储介质
CN113796830A (zh) * 2021-08-30 2021-12-17 西安交通大学 一种睡眠信号分期可信度自动评价方法
CN115206491A (zh) * 2022-08-26 2022-10-18 安徽讯飞医疗股份有限公司 睡眠干预设备控制方法、装置、存储介质及计算机设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Flexible Deep Learning Architecture for Temporal Sleep Stage Classification Using Accelerometry and Photoplethysmography;Mads Olsen等;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;第70卷(第1期);第228-237页 *
A Multi-Class Automatic Sleep Staging Method Based on Photoplethysmography Signals;Mads Olsen等;《Entropy》;第1-12页 *
基于PPG信号的运动状态下心率检测;黄海诚;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》(第3期);第43-50页 *

Also Published As

Publication number Publication date
CN116942102A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
Chowdhury et al. Time-frequency analysis, denoising, compression, segmentation, and classification of PCG signals
Chen et al. Triple-classification of respiratory sounds using optimized s-transform and deep residual networks
US11709548B2 (en) Systems, methods, devices and apparatuses for detecting facial expression
CN110123367B (zh) 计算机设备、心音识别装置、方法、模型训练装置及存储介质
CN110811609B (zh) 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置
CN107028603B (zh) 使用脉搏触诊信号来检测人体内的糖尿病的装置和方法
US10433752B2 (en) Method for the real-time identification of seizures in an electroencephalogram (EEG) signal
CN105989836B (zh) 一种语音采集方法、装置及终端设备
Ngo et al. Deep learning framework applied for predicting anomaly of respiratory sounds
JP2020513914A (ja) 睡眠呼吸障害の特徴付け方法
AU2019360358A1 (en) A method and apparatus for diagnosis of maladies from patient sounds
Sharathappriyaa et al. Auto-encoder based automated epilepsy diagnosis
Kiran et al. TQWT based features for classification of ALS and healthy EMG signals
Lee et al. Real-time seizure detection using EEG: a comprehensive comparison of recent approaches under a realistic setting
Talukdar et al. Motor imagery EEG signal classification scheme based on autoregressive reflection coefficients
EP3581098B1 (en) Method of generating respiratory status classifier and method of determining respiratory status
CN115281685A (zh) 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
CN116942102B (zh) 一种基于脉搏波的睡眠分期方法及设备
Koçyiğit Heart sound signal classification using fast independent component analysis
JP6973508B2 (ja) 信号処理装置、解析システム、信号処理方法および信号処理プログラム
Sengupta et al. Optimization of cepstral features for robust lung sound classification
JP7061126B6 (ja) 睡眠呼吸障害を特徴付ける方法
Biran et al. Automatic qrs detection and segmentation using short time fourier transform and feature fusion
CN113273992B (zh) 信号处理方法及装置
Neili et al. Gammatonegram based pulmonary pathologies classification using convolutional neural networks

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