CN117982107B - 基于雷达信号的睡眠质量监测方法 - Google Patents

Abstract

本发明涉及电数字数据处理技术领域，具体涉及基于雷达信号的睡眠质量监测方法，包括：获取用户的睡眠数据、呼吸频率数据和呼吸频率，根据每个异常呼吸频率数据对应的呼吸频率值及异常呼吸频率数据的个数，获得每一天的呼吸频率数据中异常呼吸频率数据的有效度，根据每一天的呼吸频率数据中异常呼吸频率数据的有效度，获得每天呼吸频率数据曲线上极值点的混乱程度；根据每一天呼吸频率数据拟合曲线上极值点的混乱程度，获得不同天数呼吸频率数据之间的相似性，根据不同天数呼吸频率数据之间的相似性，获得每次分裂的分裂阈值；根据每次分裂的分裂阈值，通过聚类进行睡眠质量监测。本发明通过对睡眠数据变化进行分析提高聚类分析效果。

Description

基于雷达信号的睡眠质量监测方法

技术领域

本发明涉及电数字数据处理技术领域，具体涉及基于雷达信号的睡眠质量监测方法。

背景技术

近年来人们对睡眠质量和健康的关注度提高，基于雷达信号的睡眠质量监测技术在智能可穿戴设备和健康监测领域得到了广泛的应用和研究，越来越多的智能手环、智能手表和睡眠监测设备开始集成睡眠质量监测功能，这种技术的发展有望为用户提供更准确、方便的睡眠监测体验，从而帮助改善睡眠质量和促进健康。

在基于雷达信号的睡眠质量监测过程中，通过对睡眠数据进行聚类，将相似的睡眠数据聚为一类，然后根据聚类结果来对睡眠质量进行监测。CABDDCG（ClusteringAlgorithm Based on Dynamic Division of Connected Graph，中文翻译为基于连通图动态分裂的聚类算法）是一种常用的聚类算法，它通过计算数据之间的相似性来构建连通图，然后对连通图进行分裂，最终的分裂结果即为最终的聚类结果。传统方法在连通图的分裂过程中是通过设定一个固定的分裂阈值来进行分裂的，但在连通图不断分裂的过程中，连通图中节点的数量和边的数量是不断变化的，因此节点之间的关系也是不断变化的，因此使用固定的分裂阈值来控制连通图的分裂会导致多变的数据产生错分，导致聚类效果不佳。

发明内容

本发明提供基于雷达信号的睡眠质量监测方法，以解决现有的问题。

本发明的基于雷达信号的睡眠质量监测方法采用如下技术方案：

本发明一个实施例提供了基于雷达信号的睡眠质量监测方法，该方法包括以下步骤：

获取用户的睡眠数据、呼吸频率数据和呼吸频率；

根据呼吸频率数据获得异常呼吸频率数据；根据每个异常呼吸频率数据对应的呼吸频率值及异常呼吸频率数据的个数，获得每一天的呼吸频率数据中异常呼吸频率数据的有效度；

根据每一天的呼吸频率数据中异常呼吸频率数据的有效度，获得每一天的呼吸频率数据的波动曲线；根据频率数据曲线上每个极值点的呼吸频率值，获得每天呼吸频率数据曲线上极值点的混乱程度；

根据每一天呼吸频率数据拟合曲线上极值点的混乱程度，获得混乱程度数组；根据每天呼吸频率数据中异常呼吸频率数据的有效度及每天每个混乱程度数组，获得不同天数呼吸频率数据之间的相似性；

将用户的睡眠数据作为节点并构建连通图；根据不同天数呼吸频率数据之间的相似性，获得每次分裂后节点与节点间的关联程度；根据每次分裂后节点与节点间的关联程度，获得连通分裂过程中相邻分裂过程中连通中节点与节点间的关联程度的差异值；根据连通分裂过程中相邻分裂过程中连通中节点与节点间的关联程度的差异值，获得每次分裂的分裂阈值；

根据每次分裂的分裂阈值，通过聚类进行睡眠质量监测。

进一步地，所述根据呼吸频率数据获得异常呼吸频率数据，包括的具体步骤如下：

使用孤立森林算法获取用户每天呼吸频率数据中的异常呼吸频率数据。

进一步地，所述根据每个异常呼吸频率数据对应的呼吸频率值及异常呼吸频率数据的个数，获得每一天的呼吸频率数据中异常呼吸频率数据的有效度，包括的具体步骤如下：

将任意一天所有异常呼吸频率数据对应的呼吸频率值，与预设的理论呼吸频率最大值的差值绝对值的和值，记为该天呼吸频率数据中异常呼吸频率数据的有效度。

进一步地，所述根据每一天的呼吸频率数据中异常呼吸频率数据的有效度，获得每一天的呼吸频率数据的波动曲线，包括的具体步骤如下：

将每一天的呼吸频率数据中异常呼吸频率数据的有效度作为权重系数，利用多项式拟合方法对每一天的呼吸频率数据进行拟合获得拟合曲线。

进一步地，所述根据频率数据曲线上每个极值点的呼吸频率值，获得每天呼吸频率数据曲线上极值点的混乱程度，包括的具体公式如下：

其中，表示第/>个、第/>个以及第/>个极值点的混乱程度，/>表示第/>个极值点对应的呼吸频率值，/>表示第/>个极值点对应的呼吸频率值，/>表示第/>个极值点对应的呼吸频率值，/>表示第/>个极值点对应的呼吸频率值，/>表示绝对值函数，/>为以自然常数为底的指数函数。

进一步地，所述不同天数呼吸频率数据之间的相似性的具体计算公式如下：

其中，表示第/>天的呼吸频率数据和第/>天的呼吸频率数据的相似性，/>表示第/>天的呼吸频率数据中异常呼吸频率数据的有效度，/>表示第/>天的呼吸频率数据中异常呼吸频率数据的有效度，/>表示第/>天的混乱程度数组中第/>个混乱程度值，表示第/>天的混乱程度数组中第/>个混乱程度值，/>表示第/>天的混乱程度数组中混乱程度值的个数，/>表示第/>天的混乱程度数组中混乱程度值的个数，/>表示第/>天的睡眠过程中患者经历的REM睡眠阶段的次数，/>表示第/>天的睡眠过程中患者经历的REM睡眠阶段的次数。

进一步地，所述睡眠过程中患者经历的REM睡眠阶段的次数，具体的获取方法为：

将混乱程度数组中的每一个混乱程度值记为，将混乱程度数组中所有混乱程度值的均值记为/>，从混乱程度数组中的第一个混乱程度值开始进行遍历，找到第一个大于/>的混乱程度值并进行标记，并继续遍历下一个混乱程度值计算其是否大于/>，大于则标记为目标点，小于或等于则不进行标记，并将目标点的比例记为/>，其中/>表示遍历的总混乱程度值个数，/>表示标记为目标点的个数，预设截止阈值，如果/>的值首次小于截止阈值，则遍历停止，得到混乱程度数组中的一个区间，以停止的混乱程度值为起点，继续往下遍历寻找第一个大于/>的混乱程度值并进行标记，继续遍历，直到遍历到混乱程度数组中最后一个混乱程度值时停止，遍历结束后得到若干区间，将区间的数量作为当天睡眠时间内经历的REM睡眠阶段的次数。

进一步地，所述将用户的睡眠数据作为节点并构建连通图；根据不同天数呼吸频率数据之间的相似性，获得每次分裂后节点与节点间的关联程度；根据每次分裂后节点与节点间的关联程度，获得连通分裂过程中相邻分裂过程中连通中节点与节点间的关联程度的差异值，包括的具体步骤如下：

将一个用户每天的睡眠数据分别作为一个节点，使用CABDDCG聚类方法构建所有睡眠数据的连通图，距离度量采用用户不同天的睡眠数据之间的距离，构建得到多个子连通图；

其中，表示第/>次分裂后连通图中节点与节点间的关联程度且/>，/>表示第/>天的呼吸频率数据和第/>天的呼吸频率数据的相似性，/>表示初始连通图中节点与节点间的关联程度，/>表示用户统计的睡眠数据的天数；

将第次分裂后连通图中节点与节点间的关联程度与第/>次分裂后连通图中节点与节点间的关联程度的差值，记为第/>次分裂后和第/>次分裂后的连通图中节点与节点间的关联程度差异值。

进一步地，所述根据连通分裂过程中相邻分裂过程中连通中节点与节点间的关联程度的差异值，获得每次分裂的分裂阈值，包括的具体步骤如下：

其中，表示第/>次分裂过程中自适应的分裂阈值，/>表示第/>词分裂过程中自适应的分裂阈值，/>表示连通图的初始分裂阈值，/>表示第/>次分裂过程中自适应阈值的修正方向值，/>表示第/>次分裂后和第/>次分裂后的连通图中节点与节点间的关联程度差异值，/>表示绝对值函数。

进一步地，所述根据每次分裂的分裂阈值，通过聚类进行睡眠质量监测，包括的具体步骤如下：

根据每个子连通图分裂过程中每次分裂的分裂阈值，利用CABDDCG聚类算法完成子连通图的分裂过程，得到多个聚类簇，根据每一个聚类簇中睡眠数据的个数以及睡眠数据的特征对用户的睡眠质量进行监测；预设判断阈值及比例阈值；

当存在一个聚类簇中睡眠数据的个数与所有数据量的比值大于比例阈值，且簇内所有睡眠数据的REM睡眠阶段的次数均值小于判断阈值，睡眠质量良好；

当每一个聚类簇中睡眠数据的个数与所有数据量的比值均小于或等于比例阈值，或簇内所有睡眠数据的REM睡眠阶段的次数均值大于或等于判断阈值，睡眠质量差。

本发明的技术方案的有益效果是：CABDDCG是一种常用的聚类方法，它首先将数据集构建为连通图，然后设定一个固定阈值作为连通图的分裂条件，进而对连通图进行分裂，最终的分裂结果即为最终的聚类结果，但是在连通图的分裂过程不同分裂阶段的连通图内部节点与节点的关联程度是不同，因此设定统一的阈值会导致分裂结果不准确，对于在CABDDCG算法中，本实施例中用户一天的睡眠数据为一个节点。本实施例首先根据睡眠数据本身的特征来计算不同节点之间的相似性，然后根据不同分裂阶段连通图中节点与节点之间的关联程度来自适应分裂过程中分裂阈值，相比于现有方法，本实施例可以在CABDDCG聚类方法的基础上考虑连通图不同分裂阶段中节点与节点之间的关联程度，提高了聚类的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于雷达信号的睡眠质量监测方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于雷达信号的睡眠质量监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于雷达信号的睡眠质量监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于雷达信号的睡眠质量监测方法的步骤流程图，该方法包括以下步骤：

步骤S001：获取用户的睡眠数据、呼吸频率数据和呼吸频率。

本实施例的目的是通过雷达信号获取用户的睡眠数据并进行质量检测，通过雷达数据经傅里叶变换后，将呼吸频率对应的频率数据，作为用户的呼吸频率数据，用呼吸频率数据表示用户的睡眠数据。

利用睡眠检测雷达来获取用户过去2个月的雷达数据，在本实施例中，雷达数据每分钟获取一次，对雷达数据进行傅里叶变换来获取用户的呼吸频率数据，呼吸频率数据对应一个呼吸频率，即用户一分钟的呼吸次数，正常成年人的理论呼吸频率通常在每分钟12次到20次，本实施例预设理论呼吸频率的最大值，其中通过对雷达数据进行傅里叶变换获取呼吸频率数据为现有方法，本实施例不再赘述，将一天内的所有呼吸频率数据构成该用户的一条睡眠数据，则睡眠数据即为一条时序曲线。

至此，获得用户的睡眠数据、呼吸频率数据和呼吸频率。

步骤S002：根据呼吸频率数据获得异常呼吸频率数据；根据每个异常呼吸频率数据对应的呼吸频率值及异常呼吸频率数据的个数，获得每一天的呼吸频率数据中异常呼吸频率数据的有效度。

需要说明的是，将用户一天的睡眠数据作为一个节点，其包含了当天的呼吸频率数据和心率数据，通常人的睡眠会经历多个睡眠周期，一个睡眠周期通常包含浅度睡眠、中度睡眠、深度睡眠、REM睡眠四个阶段，由于四个阶段中前三个阶段浅睡阶段、中度睡眠、深度睡眠的呼吸频率值是缓慢减小的，且呼吸频率的波动都比较小，而REM睡眠状态下由于大脑的活动水平与清醒状态接近，因此呼吸频率的波动会从稳定变为不稳定，呼吸频率值会从稳定状态逐渐升高到和浅睡阶段类似的呼吸频率区间，并进行不稳定的波动，因此REM睡眠状态下呼吸频率的波动较大，因用户在睡眠过程中会出现起夜、做噩梦等情况，导致用户中途苏醒，如果中途苏醒，则需要重新进入睡眠周期，影响睡眠的质量，所以通过用户中途苏醒的次数以及睡眠过程中经历的睡眠周期数，获得用户不同天数呼吸数据的相似性。

具体的，以用户第天的呼吸频率数据为例，使用孤立森林算法获取用户第/>天的呼吸频率数据中的异常呼吸频率数据，孤立森林算法进行异常检测为现有技术，本实施例不再赘述；需要说明的是，由于用户不一定会中途苏醒，所以计算出的异常呼吸数据可能是REM睡眠阶段的呼吸频率数据，因此需要计算异常呼吸频率数据的有效度，则第/>天的呼吸频率中异常呼吸频率数据的有效度的计算公式为：

其中，表示第/>天的呼吸频率数据中异常呼吸频率数据的有效度，/>表示第/>个异常呼吸频率数据对应的呼吸频率值，/>表示异常呼吸频率数据的个数，/>表示睡眠周期的四个阶段的理论呼吸频率最大值，/>的值越大，表示第/>个异常呼吸频率数据的有效度越大，/>表示绝对值函数。

根据上述方式，获得每一天的呼吸频率数据中异常呼吸频率数据的有效度。

至此，获得每一天的呼吸频率数据中异常呼吸频率数据的有效度。

步骤S003：根据每一天的呼吸频率数据中异常呼吸频率数据的有效度，获得每一天的呼吸频率数据的波动曲线；根据频率数据曲线上每个极值点的呼吸频率值，获得每天呼吸频率数据曲线上极值点的混乱程度。

具体的，根据每一天的呼吸频率数据中异常呼吸频率数据的有效度，获得每一天的呼吸频率数据的波动曲线，将每一天的呼吸频率数据中异常呼吸频率数据的有效度作为权重系数，利用多项式拟合方法对每一天的呼吸频率数据进行拟合获得拟合曲线，其中，多项式拟合方法为公知技术，本实施例不再赘述；对拟合曲线进行极值点检测，得到拟合曲线上的若干极值点，则第天的呼吸频率数据拟合曲线上极值点的混乱程度的计算公式为：

其中，表示第/>个、第/>个以及第/>个极值点的混乱程度，/>表示第/>个极值点对应的呼吸频率值，/>表示第/>个极值点对应的呼吸频率值，/>表示第/>个极值点对应的呼吸频率值，/>表示第/>个极值点对应的呼吸频率值，/>表示了这三个极值点的波动情况，它的值越大，表示三个极值点的波动情况越大，/>表示绝对值函数，同时/>的值越大，表示起始极值点和终止极值点的偏离程度越大，对应的这三个极值点的混乱程度越大，为以自然常数为底的指数函数，本实施例以/>来呈现非线性增长关系，极值点波动越强，极值点的混乱程度增长越快。

根据上述方式，获得每一天呼吸频率数据拟合曲线上每相邻三个极值点的混乱程度。

至此，获得每一天呼吸频率数据拟合曲线上每相邻三个极值点的混乱程度。

步骤S004：根据每一天呼吸频率数据拟合曲线上极值点的混乱程度，获得混乱程度数组；根据每天呼吸频率数据中异常呼吸频率数据的有效度及每天每个混乱程度数组，获得不同天数呼吸频率数据之间的相似性。

需要说明的是，在睡眠周期的前三个阶段极值点的混乱程度都是比较小的，因此可以通过分析混乱程度的变化情况来确定第天的呼吸频率数据中的REM睡眠阶段区间。

具体的，将每一天呼吸频率数据拟合曲线上所有极值点的混乱程度构成一个混乱程度值的数组，记为混乱程度数组,将混乱程度数组中的每一个混乱程度值记为，将混乱程度数组中所有混乱程度值的均值记为/>，从混乱程度数组中的第一个混乱程度值开始进行遍历，找到第一个大于/>的混乱程度值并进行标记，并继续遍历下一个混乱程度值计算其是否大于/>，大于则标记为目标点，小于或等于则不进行标记，并将目标点的比例记为/>，其中/>表示遍历的总混乱程度值个数，/>表示标记为目标点的个数，预设截止阈值，本实施例截止阈值采用/>进行叙述，如果/>的值首次小于截止阈值，则遍历停止，得到混乱程度数组中的一个区间，以停止的混乱程度值为起点，继续往下遍历寻找第一个大于的混乱程度值并进行标记，按照上述方法继续遍历，直到遍历到混乱程度数组中最后一个混乱程度值时停止，遍历结束后得到若干区间，将区间的数量作为当天睡眠时间内经历的REM睡眠阶段的次数，REM睡眠阶段的次数可以用来表示用户的睡眠质量，则第/>天的呼吸频率数据和第/>天的呼吸频率数据的相似性的计算公式为：

其中，表示第/>天的呼吸频率数据和第/>天的呼吸频率数据的相似性，/>表示第/>天的呼吸频率数据中异常呼吸频率数据的有效度，/>表示第/>天的呼吸频率数据中异常呼吸频率数据的有效度，/>表示第/>天的混乱程度数组中第/>个混乱程度值，表示第/>天的混乱程度数组中第/>个混乱程度值，/>表示第/>天的混乱程度数组中混乱程度值的个数，/>表示第/>天的混乱程度数组中混乱程度值的个数，/>表示第/>天的呼吸频率数据的混乱程度，/>表示第/>天的呼吸频率数据的混乱程度，/>表示第/>天的睡眠过程中患者经历的REM睡眠阶段的次数，/>表示第/>天的睡眠过程中患者经历的REM睡眠阶段的次数。

的值越小，表示第/>天和第/>天的呼吸频率数据的异常呼吸频率的相似性越高，同时/>的值越小，/>的值越小，表示第/>天和第天的呼吸频率数据整体相似性越强。

根据上述方式，获得不同天数呼吸频率数据之间的相似性。

至此，获得不同天数呼吸频率数据之间的相似性。

步骤S005：将用户的睡眠数据作为节点并构建连通图；根据不同天数呼吸频率数据之间的相似性，获得每次分裂后节点与节点间的关联程度；根据每次分裂后节点与节点间的关联程度，获得连通分裂过程中相邻分裂过程中连通中节点与节点间的关联程度的差异值；根据连通分裂过程中相邻分裂过程中连通中节点与节点间的关联程度的差异值，获得每次分裂的分裂阈值。

需要说明的是，获得节点与节点之间的相似性，然后根据节点与节点之间的相似性值构建连通图，在连通图的动态分裂过程中根据待分裂连通图和上一个待分裂连通图中节点与节点的相关程度。

具体的，将一个用户每天的睡眠数据分别作为一个节点，使用CABDDCG聚类方法中现有的构建连通图的方法构建所有睡眠数据的连通图，距离度量采用用户不同天的睡眠数据之间的距离，其中，CABDDCG聚类方法为公知技术，本实施例不再赘述，构建得到多个子连通图，分别对每一个子连通图进行分裂操作即可得到最终的聚类结果，因此节点之间的关联程度的计算公式为：

其中，表示第/>次分裂后连通图中节点与节点间的关联程度，/>，/>表示第/>天的呼吸频率数据和第/>天的呼吸频率数据的相似性，/>表示初始连通图中节点与节点间的关联程度，/>表示用户统计的睡眠数据的天数。

其中，表示第/>次分裂后和第/>次分裂后的连通图中节点与节点间的关联程度差异值，/>表示第/>次分裂后连通图中节点与节点间的关联程度，/>表示第/>次分裂后连通图中节点与节点间的关联程度。

进一步的，根据节点之间的关联程度获得分裂阈值，分裂阈值的计算公式为：

其中，表示第/>次分裂过程中自适应的分裂阈值，/>表示第/>词分裂过程中自适应的分裂阈值，/>表示连通图的初始分裂阈值，/>表示第/>次分裂过程中自适应阈值的修正方向值，/>表示第/>次分裂后和第/>次分裂后的连通图中节点与节点间的关联程度差异值, />表示绝对值函数。

其中，,当/>时，表示第/>次分裂的连通图中节点与节点之间的关联程度要大于第/>次分裂的连通图中节点与节点之间的关联程度，因此第/>的分裂阈值要在第/>次的分裂阈值的基础上调大一点，因为连通图内节点之间的相似性越高，说明该连通图内的密度越大，越需要更高的分裂阈值来保证连通图的稳定性，避免因为一点的变化就导致连通图的分裂，/>时，第/>次的分裂阈值要在第/>次分裂阈值的基础上继续调小。

至此，获得每次分裂的分裂阈值。

步骤S006：根据每次分裂的分裂阈值，通过聚类进行睡眠质量监测。

根据每个子连通图分裂过程中每次分裂的分裂阈值，利用CABDDCG聚类算法完成子连通图的分裂过程，得到多个聚类簇，根据每一个聚类簇中睡眠数据的个数以及睡眠数据的特征对用户的睡眠质量进行监测；

预设判断阈值及比例阈值，本实施例判断阈值采用5进行叙述，比例阈值采用进行叙述，其他实施方式中可设置为其他值。

当存在一个聚类簇中睡眠数据的个数与所有数据量的比值大于比例阈值，且簇内所有睡眠数据的REM睡眠阶段的次数均值小于判断阈值，则说明睡眠质量良好；

当每一个聚类簇中睡眠数据的个数与所有数据量的比值均小于或等于比例阈值，或簇内所有睡眠数据的REM睡眠阶段的次数均值大于或等于判断阈值，则说明睡眠质量差。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.基于雷达信号的睡眠质量监测方法，其特征在于，该方法包括以下步骤：

获取用户的睡眠数据、呼吸频率数据和呼吸频率；所述呼吸频率数据由雷达数据通过傅里叶变换得到，所述呼吸频率为用户一分钟的呼吸次数；

根据呼吸频率数据获得异常呼吸频率数据；根据每个异常呼吸频率数据对应的呼吸频率值及异常呼吸频率数据的个数，获得每一天的呼吸频率数据中异常呼吸频率数据的有效度；

根据每一天的呼吸频率数据中异常呼吸频率数据的有效度，获得每一天的呼吸频率数据的波动曲线；根据频率数据曲线上每个极值点的呼吸频率值，获得每天呼吸频率数据曲线上极值点的混乱程度；

根据每一天呼吸频率数据拟合曲线上极值点的混乱程度，获得混乱程度数组；根据每天呼吸频率数据中异常呼吸频率数据的有效度及每天每个混乱程度数组，获得不同天数呼吸频率数据之间的相似性；

将用户的睡眠数据作为节点并构建连通图；根据不同天数呼吸频率数据之间的相似性，获得每次分裂后节点与节点间的关联程度；根据每次分裂后节点与节点间的关联程度，获得连通分裂过程中相邻分裂过程中连通中节点与节点间的关联程度的差异值；根据连通分裂过程中相邻分裂过程中连通中节点与节点间的关联程度的差异值，获得每次分裂的分裂阈值；

根据每次分裂的分裂阈值，通过聚类进行睡眠质量监测；

所述根据呼吸频率数据获得异常呼吸频率数据，包括的具体步骤如下：

使用孤立森林算法获取用户每天呼吸频率数据中的异常呼吸频率数据；

所述根据每个异常呼吸频率数据对应的呼吸频率值及异常呼吸频率数据的个数，获得每一天的呼吸频率数据中异常呼吸频率数据的有效度，包括的具体步骤如下：

将任意一天所有异常呼吸频率数据对应的呼吸频率值，与预设的理论呼吸频率最大值的差值绝对值的和值，记为该天呼吸频率数据中异常呼吸频率数据的有效度；

所述根据每一天的呼吸频率数据中异常呼吸频率数据的有效度，获得每一天的呼吸频率数据的波动曲线，包括的具体步骤如下：

将每一天的呼吸频率数据中异常呼吸频率数据的有效度作为权重系数，利用多项式拟合方法对每一天的呼吸频率数据进行拟合获得拟合曲线；

所述根据频率数据曲线上每个极值点的呼吸频率值，获得每天呼吸频率数据曲线上极值点的混乱程度，包括的具体公式如下：

其中，表示第/>个、第/>个以及第/>个极值点的混乱程度，/>表示第/>个极值点对应的呼吸频率值，/>表示第/>个极值点对应的呼吸频率值，/>表示第/>个极值点对应的呼吸频率值，/>表示第/>个极值点对应的呼吸频率值，/>表示绝对值函数，/>为以自然常数为底的指数函数；

所述不同天数呼吸频率数据之间的相似性的具体计算公式如下：

其中，表示第/>天的呼吸频率数据和第/>天的呼吸频率数据的相似性，/>表示第/>天的呼吸频率数据中异常呼吸频率数据的有效度，/>表示第/>天的呼吸频率数据中异常呼吸频率数据的有效度，/>表示第/>天的混乱程度数组中第/>个混乱程度值，/>表示第/>天的混乱程度数组中第/>个混乱程度值，/>表示第/>天的混乱程度数组中混乱程度值的个数，/>表示第/>天的混乱程度数组中混乱程度值的个数，/>表示第/>天的睡眠过程中患者经历的REM睡眠阶段的次数，/>表示第/>天的睡眠过程中患者经历的REM睡眠阶段的次数；

所述睡眠过程中患者经历的REM睡眠阶段的次数，具体的获取方法为：

将混乱程度数组中的每一个混乱程度值记为，将混乱程度数组中所有混乱程度值的均值记为/>，从混乱程度数组中的第一个混乱程度值开始进行遍历，找到第一个大于/>的混乱程度值并进行标记，并继续遍历下一个混乱程度值计算其是否大于/>，大于则标记为目标点，小于或等于则不进行标记，并将目标点的比例记为/>，其中/>表示遍历的总混乱程度值个数，/>表示标记为目标点的个数，预设截止阈值，如果/>的值首次小于截止阈值，则遍历停止，得到混乱程度数组中的一个区间，以停止的混乱程度值为起点，继续往下遍历寻找第一个大于/>的混乱程度值并进行标记，继续遍历，直到遍历到混乱程度数组中最后一个混乱程度值时停止，遍历结束后得到若干区间，将区间的数量作为当天睡眠时间内经历的REM睡眠阶段的次数；

所述将用户的睡眠数据作为节点并构建连通图；根据不同天数呼吸频率数据之间的相似性，获得每次分裂后节点与节点间的关联程度；根据每次分裂后节点与节点间的关联程度，获得连通分裂过程中相邻分裂过程中连通中节点与节点间的关联程度的差异值，包括的具体步骤如下：

将一个用户每天的睡眠数据分别作为一个节点，使用基于连通图动态分裂的聚类方法构建所有睡眠数据的连通图，距离度量采用用户不同天的睡眠数据之间的距离，构建得到多个子连通图；

其中，表示第/>次分裂后连通图中节点与节点间的关联程度且/>，/>表示第/>天的呼吸频率数据和第/>天的呼吸频率数据的相似性，/>表示初始连通图中节点与节点间的关联程度，/>表示用户统计的睡眠数据的天数；

将第次分裂后连通图中节点与节点间的关联程度与第/>次分裂后连通图中节点与节点间的关联程度的差值，记为第/>次分裂后和第/>次分裂后的连通图中节点与节点间的关联程度差异值；

所述根据连通分裂过程中相邻分裂过程中连通中节点与节点间的关联程度的差异值，获得每次分裂的分裂阈值，包括的具体步骤如下：

其中，表示第/>次分裂过程中自适应的分裂阈值，/>表示第/>词分裂过程中自适应的分裂阈值，/>表示连通图的初始分裂阈值，/>表示第/>次分裂过程中自适应阈值的修正方向值，/>表示第/>次分裂后和第/>次分裂后的连通图中节点与节点间的关联程度差异值，/>表示绝对值函数；

所述根据每次分裂的分裂阈值，通过聚类进行睡眠质量监测，包括的具体步骤如下：

根据每个子连通图分裂过程中每次分裂的分裂阈值，利用基于连通图动态分裂的聚类算法完成子连通图的分裂过程，得到多个聚类簇，根据每一个聚类簇中睡眠数据的个数以及睡眠数据的特征对用户的睡眠质量进行监测；预设判断阈值及比例阈值；

当存在一个聚类簇中睡眠数据的个数与所有数据量的比值大于比例阈值，且簇内所有睡眠数据的REM睡眠阶段的次数均值小于判断阈值，睡眠质量良好；

当每一个聚类簇中睡眠数据的个数与所有数据量的比值均小于或等于比例阈值，或簇内所有睡眠数据的REM睡眠阶段的次数均值大于或等于判断阈值，睡眠质量差。