WO2021184641A1 - 智能化睡眠分期方法、装置、电子设备及计算机可读存储介质 - Google Patents

智能化睡眠分期方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
WO2021184641A1
WO2021184641A1 PCT/CN2020/105927 CN2020105927W WO2021184641A1 WO 2021184641 A1 WO2021184641 A1 WO 2021184641A1 CN 2020105927 W CN2020105927 W CN 2020105927W WO 2021184641 A1 WO2021184641 A1 WO 2021184641A1
Authority
WO
WIPO (PCT)
Prior art keywords
data set
sleep
physiological index
preset
index data
Prior art date
Application number
PCT/CN2020/105927
Other languages
English (en)
French (fr)
Inventor
张霞
曹锋铭
Original Assignee
平安国际智慧城市科技股份有限公司
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 平安国际智慧城市科技股份有限公司 filed Critical 平安国际智慧城市科技股份有限公司
Publication of WO2021184641A1 publication Critical patent/WO2021184641A1/zh

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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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

Definitions

  • This application relates to the field of artificial intelligence technology, and in particular to an intelligent sleep staging method, device, electronic equipment, and computer-readable storage medium.
  • the inventor realizes that the current monitoring and management of sleep quality has problems such as high cost and high complexity.
  • An intelligent sleep staging method provided by this application includes:
  • a preset sleep staging method is used to classify the feature selection data set to obtain a sleep staging data set.
  • This application also provides an intelligent sleep staging device, which includes:
  • the data preprocessing module is used to obtain the user's original sleep data set, and perform filtering preprocessing on the original sleep data set by using a preset filter model to obtain a pure sleep data set;
  • the feature extraction module is configured to perform physiological index feature extraction on the pure sleep data set by using a preset feature extraction method to obtain a physiological index data set during sleep;
  • the feature selection module is configured to use a preset feature selection method to perform feature selection on the physiological index data set to obtain a feature selection data set;
  • the sleep staging module is used to classify the feature selection data set by using a preset sleep staging method to obtain a sleep staging data set.
  • the present application also provides an electronic device, the electronic device includes: at least one processor; When the instruction is executed by the at least one processor, the following steps are implemented:
  • a preset sleep staging method is used to classify the feature selection data set to obtain a sleep staging data set.
  • the present application also provides a computer-readable storage medium on which an intelligent sleep staging program is stored, and when the intelligent sleep staging program is executed by one or more processors, the following steps are implemented:
  • a preset sleep staging method is used to classify the feature selection data set to obtain a sleep staging data set.
  • FIG. 1 is a schematic flowchart of an intelligent sleep staging method provided by an embodiment of the application
  • FIG. 2 is a schematic diagram of modules of an intelligent sleep staging device provided by an embodiment of the application.
  • FIG. 3 is a schematic structural diagram of an electronic device for implementing an intelligent sleep staging method according to an embodiment of the application.
  • This application provides an intelligent sleep staging method.
  • FIG. 1 it is a schematic flowchart of an intelligent sleep staging method provided by an embodiment of this application.
  • the method can be executed by an electronic device, and the electronic device can be implemented by software and/or hardware.
  • the intelligent sleep staging method includes:
  • this application may use a breathing device to obtain the original sleep data set.
  • the breathing equipment may include, but is not limited to, an oximeter and the like.
  • the original sleep data set includes, but is not limited to: pumped blood volume, average breath frequency, maximum breath frequency, breathing rate, etc.
  • the filtering model in the embodiment of the present application may be a low-pass filter.
  • the use of a preset filter model to perform filter preprocessing on the original sleep data set to obtain a pure sleep data set includes:
  • the cut-off frequency threshold X of the preset filter model According to the cut-off frequency threshold X of the preset filter model, the data whose frequency is greater than the cut-off frequency threshold X in the original sleep data set is eliminated, and the pure sleep data set is obtained after the elimination is completed.
  • the cutoff frequency threshold X can be set according to the needs of the user.
  • the physiological index data set includes: respiratory depth data, respiratory variability data, and the like.
  • Rdepth is the breathing depth data
  • lp is a low-pass filter
  • SV is a pumped blood volume
  • k is an average breath frequency
  • j is a maximum breath frequency.
  • RRV represents the respiratory variability
  • lp represents the low-pass filter
  • RR represents the respiration rate
  • j represents the maximum breath frequency
  • the above method is used to calculate the combination of the respiratory depth data and the respiratory variability data at different periods of the sleep stage to obtain the physiological index data set.
  • the embodiment of the present application adopts a sequence forward selection algorithm to perform feature selection on the physiological index data set, which includes:
  • Step A randomly select a physiological index data from the physiological index data set, and input the selected physiological index data into a preset evaluation function f(x) of the set Y for calculation to obtain the evaluation function f (x) function value, where the set Y is a preset empty set;
  • Step B If the function value is not the maximum value of the evaluation function f(x), return to step A, randomly select another physiological index data and input it into a preset set Y evaluation function f(x) Calculation;
  • Step C If the function value is the maximum value of the evaluation function f(x), put the physiological index data into the set Y until all the physiological index data in the physiological index data set After the calculation is completed, the set Y is output, which is the feature selection data set.
  • the embodiment of the present application may use a random function method to randomly select a physiological index data from the physiological index data set, including:
  • the physiological index data of the corresponding serial number in the physiological index data set is selected according to the aforementioned random integer.
  • random function can be expressed as:
  • b is the number of physiological indexes in the physiological index data set.
  • the evaluation function f(x) includes:
  • the evaluation function is a function used to evaluate whether the physiological index data in the physiological index data set is valid.
  • the physiological index data if the physiological index data can make the evaluation function reach a maximum value, the physiological index data is valid, and the physiological index data is put into the set Y; if the If the physiological index data cannot make the evaluation function reach the maximum value, the physiological data index is not valid. Return to the physiological index data set and randomly select physiological index data for calculation until the physiological index data is completed. Centralized calculation of all physiological index data.
  • using the preset sleep staging method described in the embodiment of the present application to classify the feature selection data set to obtain the sleep staging data set includes:
  • the sleep staging function value set is divided by using a preset segmentation threshold to obtain the sleep staging data set.
  • the following sleep staging function may be used to perform sleep staging calculation on the feature selection data set to obtain a sleep staging function value set F(x):
  • h represents the respiratory depth data in the sign selection data set
  • b represents the respiratory variability data in the sign selection data set.
  • the division of the sleep staging function value set by using a preset segmentation threshold in the present application to obtain the sleep staging data set includes:
  • the preset threshold can be set to p/3 and 2p/3;
  • the sleep staging function value is greater than or equal to 2p/3, the sleep staging function value is divided into deep sleep periods.
  • the sleep staging data set is obtained.
  • FIG. 2 it is a schematic diagram of the modules of the intelligent sleep staging device of the present application.
  • the intelligent sleep staging device 100 described in this application can be installed in an electronic device.
  • the intelligent sleep staging device may include a data preprocessing module 101, a feature extraction module 102, a feature selection module 103, and a sleep staging module 104.
  • the module described in the present invention can also be called a unit, which refers to a series of computer program segments that can be executed by the processor of an electronic device and can complete fixed functions, and are stored in the memory of the electronic device.
  • each module/unit is as follows:
  • the data preprocessing module 101 is configured to obtain a user's original sleep data set, and perform filter preprocessing on the original sleep data set by using a preset filter model to obtain a pure sleep data set;
  • the feature extraction module 102 is configured to perform physiological index feature extraction on the pure sleep data set by using a preset feature extraction method to obtain a physiological index data set during sleep;
  • the feature selection module 103 is configured to use a preset feature selection method to perform feature selection on the physiological index data set to obtain a feature selection data set;
  • the sleep staging module 104 is configured to use a preset sleep staging method to classify the feature selection data set to obtain a sleep staging data set.
  • the data preprocessing module 101 obtains the user's original sleep data set, and performs filtering preprocessing on the original sleep data set using a preset filter model to obtain a pure sleep data set.
  • this application may use a breathing device to obtain the original sleep data set.
  • the breathing equipment may include, but is not limited to, an oximeter and the like.
  • the original sleep data set includes, but is not limited to: pumped blood volume, average breath frequency, maximum breath frequency, breathing rate, etc.
  • the filtering model in the embodiment of the present application may be a low-pass filter.
  • the use of a preset filter model to perform filter preprocessing on the original sleep data set to obtain a pure sleep data set includes:
  • the cut-off frequency threshold X of the preset filter model the data whose frequency is greater than the cut-off frequency threshold X in the original sleep data set is eliminated, and the pure sleep data set is obtained after the elimination is completed.
  • the cutoff frequency threshold X can be set according to the needs of the user.
  • the feature extraction module 102 uses a preset feature extraction method to perform physiological index feature extraction on the pure sleep data set to obtain a physiological index data set during a sleep period.
  • the physiological index data set includes: respiratory depth data, respiratory variability data, and the like.
  • Rdepth is the breathing depth data
  • lp is a low-pass filter
  • SV is a pumped blood volume
  • k is an average breath frequency
  • j is a maximum breath frequency.
  • RRV represents the respiratory variability
  • lp represents the low-pass filter
  • RR represents the respiration rate
  • j represents the maximum breath frequency
  • the above method is used to calculate the combination of the respiratory depth data and the respiratory variability data at different periods of the sleep stage to obtain the physiological index data set.
  • the feature selection module 103 uses a preset feature selection method to perform feature selection on the physiological index data set to obtain a feature selection data set.
  • the embodiment of the present application adopts a sequence forward selection algorithm to perform feature selection on the physiological index data set, including step A: randomly select a physiological index data from the physiological index data set, and combine the selected physiological index data Input into a preset evaluation function f(x) of set Y for calculation to obtain the function value of said evaluation function f(x), wherein said set Y is a preset empty set;
  • Step B If the function value is not the maximum value of the evaluation function f(x), return to step A, randomly select another physiological index data and input it into a preset set Y evaluation function f(x) Calculation;
  • Step C If the function value is the maximum value of the evaluation function f(x), put the physiological index data into the set Y until all the physiological index data in the physiological index data set After the calculation is completed, the set Y is output, which is the feature selection data set.
  • the embodiment of the present application may use a random function method to randomly select a physiological index data from the physiological index data set, including:
  • the physiological index data of the corresponding serial number in the physiological index data set is selected according to the aforementioned random integer.
  • random function can be expressed as:
  • b is the number of physiological indexes in the physiological index data set.
  • the evaluation function f(x) includes:
  • the evaluation function is a function used to evaluate whether the physiological index data in the physiological index data set is valid.
  • the physiological index data if the physiological index data can make the evaluation function reach a maximum value, the physiological index data is valid, and the physiological index data is put into the set Y; if the If the physiological index data cannot make the evaluation function reach the maximum value, the physiological data index is not valid. Return to the physiological index data set and randomly select physiological index data for calculation until the physiological index data is completed. Centralized calculation of all physiological index data.
  • the sleep staging module 104 uses a preset sleep staging method to classify the feature selection data set to obtain a sleep staging data set.
  • using the preset sleep staging method described in the embodiment of the present application to classify the feature selection data set to obtain the sleep staging data set includes:
  • the sleep staging function value set is divided by using a preset segmentation threshold to obtain the sleep staging data set.
  • the following sleep staging function may be used to perform sleep staging calculation on the feature selection data set to obtain a sleep staging function value set F(x):
  • h represents the respiratory depth data in the sign selection data set
  • b represents the respiratory variability data in the sign selection data set.
  • the division of the sleep staging function value set by using a preset segmentation threshold in the present application to obtain the sleep staging data set includes:
  • the preset threshold may be p/3 and 2p/3;
  • the sleep staging function value is greater than or equal to 2p/3, the sleep staging function value is divided into deep sleep periods.
  • the sleep staging data set is obtained.
  • FIG. 3 it is a schematic diagram of the structure of an electronic device that implements the intelligent sleep staging method according to the present application.
  • the electronic device 1 may include a processor 10, a memory 11, and a bus, and may also include a computer program stored in the memory 11 and running on the processor 10, such as an intelligent sleep staging program 12.
  • the memory 11 includes at least one type of readable storage medium, and the readable storage medium includes flash memory, mobile hard disk, multimedia card, card-type memory (for example: SD or DX memory, etc.), magnetic memory, magnetic disk, CD etc.
  • the memory 11 may be an internal storage unit of the electronic device 1 in some embodiments, for example, a mobile hard disk of the electronic device 1.
  • the memory 11 may also be an external storage device of the electronic device 1, such as a plug-in mobile hard disk, a smart media card (SMC), and a secure digital (Secure Digital) equipped on the electronic device 1. , SD) card, flash card (Flash Card), etc.
  • the memory 11 may also include both an internal storage unit of the electronic device 1 and an external storage device.
  • the memory 11 can be used not only to store application software and various data installed in the electronic device 1, such as codes for an intelligent sleep staging program, etc., but also to temporarily store data that has been output or will be output.
  • the processor 10 may be composed of integrated circuits in some embodiments, for example, may be composed of a single packaged integrated circuit, or may be composed of multiple integrated circuits with the same function or different functions, including one or more Combinations of central processing unit (CPU), microprocessor, digital processing chip, graphics processor, and various control chips, etc.
  • the processor 10 is the control unit of the electronic device, which uses various interfaces and lines to connect the various components of the entire electronic device, and runs or executes programs or modules stored in the memory 11 (such as executing Intelligent sleep staging program, etc.), and call data stored in the memory 11 to execute various functions of the electronic device 1 and process data.
  • the bus may be a peripheral component interconnect standard (PCI) bus or an extended industry standard architecture (EISA) bus, etc.
  • PCI peripheral component interconnect standard
  • EISA extended industry standard architecture
  • the bus can be divided into address bus, data bus, control bus and so on.
  • the bus is configured to implement connection and communication between the memory 11 and at least one processor 10 and the like.
  • FIG. 3 only shows an electronic device with components. Those skilled in the art can understand that the structure shown in FIG. 3 does not constitute a limitation on the electronic device 1, and may include fewer or more components than shown in the figure. Components, or a combination of certain components, or different component arrangements.
  • the electronic device 1 may also include a power source (such as a battery) for supplying power to various components.
  • the power source may be logically connected to the at least one processor 10 through a power management device, thereby controlling power
  • the device implements functions such as charge management, discharge management, and power consumption management.
  • the power supply may also include any components such as one or more DC or AC power supplies, recharging devices, power failure detection circuits, power converters or inverters, and power status indicators.
  • the electronic device 1 may also include various sensors, Bluetooth modules, Wi-Fi modules, etc., which will not be repeated here.
  • the electronic device 1 may also include a network interface.
  • the network interface may include a wired interface and/or a wireless interface (such as a WI-FI interface, a Bluetooth interface, etc.), which is usually used in the electronic device 1 Establish a communication connection with other electronic devices.
  • the electronic device 1 may also include a user interface.
  • the user interface may be a display (Display) and an input unit (such as a keyboard (Keyboard)).
  • the user interface may also be a standard wired interface or a wireless interface.
  • the display may be an LED display, a liquid crystal display, a touch-sensitive liquid crystal display, an OLED (Organic Light-Emitting Diode, organic light-emitting diode) touch device, etc.
  • the display can also be appropriately called a display screen or a display unit, which is used to display the information processed in the electronic device 1 and to display a visualized user interface.
  • the intelligent sleep staging program 12 stored in the memory 11 in the electronic device 1 is a combination of multiple instructions. When running in the processor 10, it can realize:
  • a preset sleep staging method is used to classify the feature selection data set to obtain a sleep staging data set.
  • the integrated module/unit of the electronic device 1 is implemented in the form of a software functional unit and sold or used as an independent product, it can be stored in a computer readable storage medium.
  • the computer-readable storage medium may be volatile or non-volatile, and the computer-readable medium may include: any entity or device capable of carrying the computer program code, a recording medium, a U disk, or a mobile hard disk , Magnetic disks, optical disks, computer memory, read-only memory (ROM, Read-Only Memory).
  • An intelligent sleep staging program is stored on the computer-readable storage medium, and the intelligent sleep staging program can be executed by one or more processors to realize the above-mentioned intelligent sleep staging method.
  • the computer-readable storage medium For the specific implementation of the computer-readable storage medium, reference may be made to the description of the relevant steps in the embodiment corresponding to FIG. 1, which is not repeated here.
  • the disclosed equipment, device, and method may be implemented in other ways.
  • the device embodiments described above are merely illustrative.
  • the division of the modules is only a logical function division, and there may be other division methods in actual implementation.
  • modules described as separate components may or may not be physically separated, and the components displayed as modules may or may not be physical units, that is, they may be located in one place, or they may be distributed on multiple network units. Some or all of the modules can be selected according to actual needs to achieve the objectives of the solutions of the embodiments.
  • the functional modules in the various embodiments of the present application may be integrated into one processing unit, or each unit may exist alone physically, or two or more units may be integrated into one unit.
  • the above-mentioned integrated unit may be implemented in the form of hardware, or may be implemented in the form of hardware plus software functional modules.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种智能化睡眠分期方法、装置、电子设备（1）及计算机可读存储介质。方法包括：获取用户的原始睡眠数据集，利用预设滤波模型对原始睡眠数据集进行滤波预处理，得到纯睡眠数据集（S1）；利用预设的特征提取方法对纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集（S2）；利用预设特征选择方法，对生理指标数据集进行特征选择，得到特征选择数据集（S3）；利用预设的睡眠分期划分方法，对特征选择数据集进行分类，得到睡眠分期数据集（S4）。根据用户的睡眠时期的生理指标数据可以对用户的睡眠质量进行监控。

Description

智能化睡眠分期方法、装置、电子设备及计算机可读存储介质
本申请要求于2020年3月17日提交中国专利局、申请号为CN202010186613.4、名称为“智能化睡眠分期方法、装置及计算机可读存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及人工智能技术领域，尤其涉及一种智能化睡眠分期方法、装置、电子设备及计算机可读存储介质。
背景技术
随着经济水平的提高和网络时代的发展，人们的工作压力也与日俱增，进而导致睡眠不足，睡眠质量差等问题，严重影响了工作效率以及长期身心健康。
发明人意识到目前对睡眠质量的监控管理都存在着成本高，复杂度高等问题。
发明内容
本申请提供的一种智能化睡眠分期方法，包括：
获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
本申请还提供一种智能化睡眠分期装置，所述装置包括：
数据预处理模块，用于获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
特征提取模块，用于利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
特征选择模块，用于利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
睡眠分期模块，用于利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
本申请还提供一种电子设备，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行时实现如下步骤：
获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有智能化睡眠分期程序，所述智能化睡眠分期程序被一个或者多个处理器执行时实现如下步骤：
获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处 理，得到纯睡眠数据集；
利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
附图说明
图1为本申请一实施例提供的智能化睡眠分期方法的流程示意图；
图2为本申请一实施例提供的智能化睡眠分期装置的模块示意图；
图3为本申请一实施例提供的实现智能化睡眠分期方法的电子设备的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供一种智能化睡眠分期方法。参照图1所示，为本申请一实施例提供的智能化睡眠分期方法的流程示意图。该方法可以由一个电子设备执行，该电子设备可以由软件和/或硬件实现。
在本实施例中，智能化睡眠分期方法包括：
S1、获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集。
详细地，本申请可以使用呼吸设备获取所述原始睡眠数据集。所述呼吸设备可以包括，但不限制于，血氧仪等。
本申请实施例中，所述原始睡眠数据集包括，但不限于：泵血量、平均气息频率、最大的气息频率、呼吸率等。
进一步地，本申请实施例中所述滤波模型可以是低通滤波器。
本申请较佳实施例中，所述利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集，包括：
根据预设的滤波模型的截止频率阈值X，剔除所述原始睡眠数据集中频率大于所述截止频率阈值X的数据，剔除完成后得到所述纯睡眠数据集。其中，所述截止频率阈值X可以根据用户的需求而设定。
S2、利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集。
本申请实施例中，所述生理指标数据集包括：呼吸深度数据及呼吸变异性数据等。
本申请实施例利用如下计算公式进行计算得到所述呼吸深度数据：
Figure PCTCN2020105927-appb-000001
其中，Rdepth为所述呼吸深度数据，lp表示低通滤波器，SV表示泵血量，k表示平均气息频率，j表示最大的气息频率。
进一步地，本申请实施例利用如下计算公式进行计算得到所述呼吸变异性数据：
RRV＝lp(|RR-lp(RR,j)|,j)
其中，RRV表示所述呼吸变异性，lp表示所述低通滤波器，RR表示呼吸率，j表示最大的气息频率。
本申请实施例利用上述方法计算睡眠阶段不同时期的呼吸深度数据及呼吸变异性数据组合，得到所述生理指标数据集。
S3、利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数 据集。
在本申请实施例中，所述生理指标数据集可表示为Q＝{q 1，q 2，q 3...q n}，其中q n为某一时刻的呼吸深度数据及呼吸变异性数据组合，即q n＝(Rdepth n，RRV n)。
进一步地，本申请实施例采用序列前向选择算法对所述生理指标数据集进行特征选择，包括：
步骤A：从所述生理指标数据集中随机选取一个生理指标数据，将所述选取的生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算，得到所述评价函数f(x)的函数值，其中所述集合Y为一个预设的空集；
步骤B：若所述函数值不是所述评价函数f(x)的极大值，则返回步骤A，随机选取另一个生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算；
步骤C：若所述函数值是所述评价函数f(x)的极大值，则将所述生理指标数据放入所述集合Y中，直至对所述生理指标数据集中所有的生理指标数据完成计算，输出所述集合Y，即为所述特征选择数据集。
详细地，本申请实施例可以利用随机函数方法从所述生理指标数据集中随机选取一个生理指标数据，包括：
获取所述生理指标数据集中生理指标数据的个数b；
根据所述生理指标的个数设置所述随机函数的值域为(0，b+1)；
利用所述随机函数产生0至b+1内的随机整数；
根据上述随机整数选取所述生理指标数据集内相应序号的生理指标数据。
进一步地，所述随机函数可以表达为：
F(x)＝RAND()*(b+1)
其中，b为所述生理指标数据集中的生理指标个数。
详细地，本申请实施例中，所述评价函数f(x)包括：
Figure PCTCN2020105927-appb-000002
其中，a为所述集合Y中元素的个数；L为所述生理指标数据集中的元素个数；qi为所述生理指标数据集中随机选取的生理指标数据。
所述评价函数是用于评价所述生理指标数据集中的生理指标数据是否具有有效性的函数。
本申请实施例中，若所述生理指标数据能够使所述评价函数达到极大值，则所述生理指标数据具有有效性，将所述生理指标数据放入所述集合Y中；若所述生理指标数据不能够使所述评价函数达到极大值，则所述生理数据指标不具有有效性，返回所述生理指标数据集重新随机选取生理指标数据进行计算，直至完成对所述生理指标数据集中的所有生理指标数据的计算。
S4、利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
详细地，本申请实施例中所述利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集，包括：
采用睡眠分期函数对所述特征选择数据集进行进行睡眠分期计算，得到睡眠分期函数值集；
利用预设的分段阈值对所述睡眠分期函数值值集进行划分，得到所述睡眠分期数据集。
在本申请实施例可以采用如下睡眠分期函数对所述特征选择数据集进行进行睡眠分期计算，得到睡眠分期函数值值集F(x)：
Figure PCTCN2020105927-appb-000003
其中，h表示所述征选择数据集中的呼吸深度数据，b表示所述征选择数据集中的呼吸变异性数据。进一步地，本申请所述所述利用预设的分段阈值对所述睡眠分期函数值值集进行划分，得到所述睡眠分期数据集，包括：
获取所述睡眠分期函数值集中最大的元素p，所述预设阈值可以设置为p/3和2p/3；
利用所述预设阈值对所述睡眠分期函数值进行划分，当所述睡眠分期函数值小于或等于p/3时，将所述睡眠分期函数值划分为清醒期；
当所述睡眠分期函数值大于p/3小于2p/3时，将所述睡眠分期函数值划分为潜睡期；
当所述睡眠分期函数值大于或等于2p/3时，将所述睡眠分期函数值划分为深睡期。
当划分完成时，得到所述睡眠分期数据集。
根据本申请实施例得到的睡眠分期数据集，当其中的深睡期时间越长，代表用户睡眠质量好，清醒期或者潜睡期时间越长，则代表用户睡眠质量差，因此利用本申请可以实现用户睡眠质量的有效监控。
如图2所示，是本申请智能化睡眠分期装置的模块示意图。
本申请所述智能化睡眠分期装置100可以安装于电子设备中。根据实现的功能，所述智能化睡眠分期装置可以包括数据预处理模块101、特征提取模块102、特征选择模块103和睡眠分期模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据预处理模块101，用于获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
所述特征提取模块102，用于利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
所述特征选择模块103，用于利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
所述睡眠分期模块104，用于利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
详细地，所述智能化睡眠分期装置各模块在被一个电子设备的处理器所运行时，具体实施步骤如下：
所述数据预处理模块101获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集。
详细地，本申请可以使用呼吸设备获取所述原始睡眠数据集。所述呼吸设备可以包括，但不限制于，血氧仪等。
本申请实施例中，所述原始睡眠数据集包括，但不限于：泵血量、平均气息频率、最大的气息频率、呼吸率等。
进一步地，本申请实施例中所述滤波模型可以是低通滤波器。
本申请较佳实施例中，所述利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集，包括：
根据预设的滤波模型的截止频率阈值X，剔除所述原始睡眠数据集中频率大于所述截止频率阈值X的数据，剔除完成后得到所述纯睡眠数据集。其中，所述截止频率阈值X可以根据用户的需求而设定。所述特征提取模块102利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集。
本申请实施例中，所述生理指标数据集包括：呼吸深度数据及呼吸变异性数据等。
本申请实施例利用如下计算公式进行计算得到所述呼吸深度数据：
Figure PCTCN2020105927-appb-000004
其中，Rdepth为所述呼吸深度数据，lp表示低通滤波器，SV表示泵血量，k表示平均气息频率，j表示最大的气息频率。
进一步地，本申请实施例利用如下计算公式进行计算得到所述呼吸变异性数据：
RRV＝lp(|RR-lp(RR,j)|,j)
其中，RRV表示所述呼吸变异性，lp表示所述低通滤波器，RR表示呼吸率，j表示最大的气息频率。
本申请实施例利用上述方法计算睡眠阶段不同时期的呼吸深度数据及呼吸变异性数据组合，得到所述生理指标数据集。所述特征选择模块103利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集。
在本申请实施例中，所述生理指标数据集可表示为Q＝{q 1，q 2，q 3...q n}，其中q n为某一时刻的呼吸深度数据及呼吸变异性数据组合，即q n＝(Rdepth n，RRV n)。
进一步地，本申请实施例采用序列前向选择算法对所述生理指标数据集进行特征选择，包括步骤A：从所述生理指标数据集中随机选取一个生理指标数据，将所述选取的生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算，得到所述评价函数f(x)的函数值，其中所述集合Y为一个预设的空集；
步骤B：若所述函数值不是所述评价函数f(x)的极大值，则返回步骤A，随机选取另一个生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算；
步骤C：若所述函数值是所述评价函数f(x)的极大值，则将所述生理指标数据放入所述集合Y中，直至对所述生理指标数据集中所有的生理指标数据完成计算，输出所述集合Y，即为所述特征选择数据集。
详细地，本申请实施例可以利用随机函数方法从所述生理指标数据集中随机选取一个生理指标数据，包括：
获取所述生理指标数据集中生理指标数据的个数b；
根据所述生理指标的个数设置所述随机函数的值域为(0，b+1)；
利用所述随机函数产生0至b+1内的随机整数；
根据上述随机整数选取所述生理指标数据集内相应序号的生理指标数据。
进一步地，所述随机函数可以表达为：
F(x)＝RAND()*(b+1)
其中，b为所述生理指标数据集中的生理指标个数。
详细地，本申请实施例中，所述评价函数f(x)包括：
Figure PCTCN2020105927-appb-000005
其中，a为所述集合Y中元素的个数；L为所述生理指标数据集中的元素个数；qi为所述生理指标数据集中随机选取的生理指标数据。
所述评价函数是用于评价所述生理指标数据集中的生理指标数据是否具有有效性的函数。
本申请实施例中，若所述生理指标数据能够使所述评价函数达到极大值，则所述生理指标数据具有有效性，将所述生理指标数据放入所述集合Y中；若所述生理指标数据不能够使所述评价函数达到极大值，则所述生理数据指标不具有有效性，返回所述生理指标数据集重新随机选取生理指标数据进行计算，直至完成对所述生理指标数据集中的所有生理指标数据的计算。
睡眠分期模块104利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类， 得到睡眠分期数据集。
详细地，本申请实施例中所述利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集，包括：
采用睡眠分期函数对所述特征选择数据集进行进行睡眠分期计算，得到睡眠分期函数值集；
利用预设的分段阈值对所述睡眠分期函数值值集进行划分，得到所述睡眠分期数据集。
在本申请实施例可以采用如下睡眠分期函数对所述特征选择数据集进行进行睡眠分期计算，得到睡眠分期函数值值集F(x)：
Figure PCTCN2020105927-appb-000006
其中，h表示所述征选择数据集中的呼吸深度数据，b表示所述征选择数据集中的呼吸变异性数据。
进一步地，本申请所述所述利用预设的分段阈值对所述睡眠分期函数值值集进行划分，得到所述睡眠分期数据集，包括：
获取所述睡眠分期函数值集中最大的元素p，所述预设阈值可以为p/3和2p/3；
利用所述预设阈值对所述睡眠分期函数值进行划分，当所述睡眠分期函数值小于或等于p/3时，将所述睡眠分期函数值划分为清醒期；
当所述睡眠分期函数值大于p/3小于2p/3时，将所述睡眠分期函数值划分为潜睡期；
当所述睡眠分期函数值大于或等于2p/3时，将所述睡眠分期函数值划分为深睡期。
当划分完成时，得到所述睡眠分期数据集。
根据本申请实施例得到的睡眠分期数据集，当其中的深睡期时间越长，代表用户睡眠质量好，清醒期或者潜睡期时间越长，则代表用户睡眠质量差，因此利用本申请可以实现用户睡眠质量的有效监控。
如图3所示，是本申请实现智能化睡眠分期方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如智能化睡眠分期程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如智能化睡眠分期程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行智能化睡眠分期程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及 至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的智能化睡眠分期程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1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。所述计算机可读存储介质可以是易失性，也可以是非易失性，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
所述计算机可读存储介质上存储有智能化睡眠分期程序，所述智能化睡眠分期程序可被一个或者多个处理器执行，以实现上述智能化睡眠分期方法。所述计算机可读存储介质的具体实施方式可参考图1对应实施例中相关步骤的描述，在此不赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (20)

  1. 一种智能化睡眠分期方法，其中，所述方法包括：
    获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
    利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
    利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
    利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
  2. 如权利要求1所述的智能化睡眠分期方法，其中，所述利用预设滤波模型对所述睡眠数据集进行滤波预处理，得到纯睡眠数据集，包括：
    根据预设的滤波模型的截止频率阈值X，剔除所述原始睡眠数据集中频率大于所述截止频率阈值X的数据，剔除完成后得到所述纯睡眠数据集。
  3. 如权利要求1所述的智能化睡眠分期方法，其中，所述纯睡眠数据集包括泵血量、平均气息频率、最大的气息频率、呼吸率，以及所述生理指标数据集包括呼吸深度数据及呼吸变异性数据；及
    所述利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集，包括：
    利用如下计算公式进行计算得到所述呼吸深度数据Rdepth：
    Figure PCTCN2020105927-appb-100001
    其中，lp表示低通滤波器，SV表示所述泵血量，k表示所述平均气息频率，j表示所述最大的气息频率；
    利用如下计算公式进行计算得到所述呼吸变异性数据RRV：
    RRV＝lp(|RR-lp(RR,j)|,j)
    其中，lp表示所述低通滤波器，RR表示所述呼吸率，j表示所述最大的气息频率。
  4. 如权利要求1所述的智能化睡眠分期方法，其中，所述利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集，包括：
    步骤A：从所述生理指标数据集中随机选取一个生理指标数据，将所述选取的生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算，得到所述评价函数f(x)的函数值，其中所述集合Y为一个预设的空集；
    步骤B：若所述函数值不是所述评价函数f(x)的极大值，则返回步骤A，随机选取另一个生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算；
    步骤C：若所述函数值是所述评价函数f(x)的极大值，则将所述生理指标数据放入所述集合Y中，直至对所述生理指标数据集中所有的生理指标数据完成计算，输出所述集合Y，即为所述特征选择数据集。
  5. 如权利要求4所述的智能化睡眠分期方法，其中：
    所述评价函数f(x)包括：
    Figure PCTCN2020105927-appb-100002
    其中，a为所述集合Y中元素的个数；L为所述生理指标数据集中的元素个数；qi为所述生理指标数据集中随机选取的生理指标数据。
  6. 如权利要求4所述的智能化睡眠分期方法，其中，所述从所述生理指标数据集中 随机选取一个生理指标数据，包括：
    获取所述生理指标数据集中生理指标数据的个数b；
    根据所述生理指标的个数设置随机函数的值域为(0，b+1)；
    利用所述随机函数产生0至b+1内的随机整数；
    根据上述随机整数随机选取所述生理指标数据集内相应序号的生理指标数据。
  7. 如权利要求1至6中任意一项所述的智能化睡眠分期方法，其中，所述利用预设的睡眠分期划分模型，对所述特征选择数据集进行分类，得到睡眠分期数据，包括：
    采用如下睡眠分期函数F(x)对所述特征选择数据集进行进行睡眠分期计算，得到睡眠分期函数值集F(x):
    Figure PCTCN2020105927-appb-100003
    其中，h表示所述征选择数据集中的呼吸深度数据，b表示所述特征选择数据集中的呼吸变异性数据；
    利用预设的分段阈值对所述睡眠分期函数值值集F(x)进行划分，得到所述睡眠分期数据集。
  8. 一种智能化睡眠分期装置，其中，所述装置包括：
    数据预处理模块，用于获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
    特征提取模块，用于利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
    特征选择模块，用于利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
    睡眠分期模块，用于利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
  9. 一种电子设备，其中，所述电子设备包括：
    至少一个处理器；以及，
    与所述至少一个处理器通信连接的存储器；其中，
    所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行时实现如下步骤：
    获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
    利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
    利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
    利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
  10. 如权利要求9所述的电子设备，其中，所述利用预设滤波模型对所述睡眠数据集进行滤波预处理，得到纯睡眠数据集，包括：
    根据预设的滤波模型的截止频率阈值X，剔除所述原始睡眠数据集中频率大于所述截止频率阈值X的数据，剔除完成后得到所述纯睡眠数据集。
  11. 如权利要求9所述的电子设备，其中，所述纯睡眠数据集包括泵血量、平均气息频率、最大的气息频率、呼吸率，以及所述生理指标数据集包括呼吸深度数据及呼吸变异性数据；及
    所述利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集，包括：
    利用如下计算公式进行计算得到所述呼吸深度数据Rdepth：
    Figure PCTCN2020105927-appb-100004
    其中，lp表示低通滤波器，SV表示所述泵血量，k表示所述平均气息频率，j表示所述最大的气息频率；
    利用如下计算公式进行计算得到所述呼吸变异性数据RRV：
    RRV＝lp(|RR-lp(RR,j)|,j)
    其中，lp表示所述低通滤波器，RR表示所述呼吸率，j表示所述最大的气息频率。
  12. 如权利要求9所述的电子设备，其中，所述利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集，包括：
    步骤A：从所述生理指标数据集中随机选取一个生理指标数据，将所述选取的生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算，得到所述评价函数f(x)的函数值，其中所述集合Y为一个预设的空集；
    步骤B：若所述函数值不是所述评价函数f(x)的极大值，则返回步骤A，随机选取另一个生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算；
    步骤C：若所述函数值是所述评价函数f(x)的极大值，则将所述生理指标数据放入所述集合Y中，直至对所述生理指标数据集中所有的生理指标数据完成计算，输出所述集合Y，即为所述特征选择数据集。
  13. 如权利要求12所述的电子设备，其中：
    所述评价函数f(x)包括：
    Figure PCTCN2020105927-appb-100005
    其中，a为所述集合Y中元素的个数；L为所述生理指标数据集中的元素个数；qi为所述生理指标数据集中随机选取的生理指标数据。
  14. 如权利要求12所述的电子设备，其中，所述从所述生理指标数据集中随机选取一个生理指标数据，包括：
    获取所述生理指标数据集中生理指标数据的个数b；
    根据所述生理指标的个数设置随机函数的值域为(0，b+1)；
    利用所述随机函数产生0至b+1内的随机整数；
    根据上述随机整数随机选取所述生理指标数据集内相应序号的生理指标数据。
  15. 如权利要求9至14中任意一项所述的电子设备，其中，所述利用预设的睡眠分期划分模型，对所述特征选择数据集进行分类，得到睡眠分期数据，包括：
    采用如下睡眠分期函数F(x)对所述特征选择数据集进行进行睡眠分期计算，得到睡眠分期函数值集F(x):
    Figure PCTCN2020105927-appb-100006
    其中，h表示所述征选择数据集中的呼吸深度数据，b表示所述特征选择数据集中的呼吸变异性数据；
    利用预设的分段阈值对所述睡眠分期函数值值集F(x)进行划分，得到所述睡眠分期数据集。
  16. 一种计算机可读存储介质，其中，所述计算机可读存储介质上存储有智能化睡眠分期程序，所述智能化睡眠分期程序被一个或者多个处理器执行时实现如下步骤：
    获取用户的原始睡眠数据集，利用预设滤波模型对所述原始睡眠数据集进行滤波预处理，得到纯睡眠数据集；
    利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集；
    利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集；
    利用预设的睡眠分期划分方法，对所述特征选择数据集进行分类，得到睡眠分期数据集。
  17. 如权利要求16所述的计算机可读存储介质，其中，所述利用预设滤波模型对所述睡眠数据集进行滤波预处理，得到纯睡眠数据集，包括：
    根据预设的滤波模型的截止频率阈值X，剔除所述原始睡眠数据集中频率大于所述截止频率阈值X的数据，剔除完成后得到所述纯睡眠数据集。
  18. 如权利要求16所述的计算机可读存储介质，其中，所述纯睡眠数据集包括泵血量、平均气息频率、最大的气息频率、呼吸率，以及所述生理指标数据集包括呼吸深度数据及呼吸变异性数据；及
    所述利用预设的特征提取方法对所述纯睡眠数据集进行生理指标特征提取，得到睡眠时期的生理指标数据集，包括：
    利用如下计算公式进行计算得到所述呼吸深度数据Rdepth：
    Figure PCTCN2020105927-appb-100007
    其中，lp表示低通滤波器，SV表示所述泵血量，k表示所述平均气息频率，j表示所述最大的气息频率；
    利用如下计算公式进行计算得到所述呼吸变异性数据RRV：
    RRV＝lp(|RR-lp(RR,j)|,j)
    其中，lp表示所述低通滤波器，RR表示所述呼吸率，j表示所述最大的气息频率。
  19. 如权利要求16所述的计算机可读存储介质，其中，所述利用预设特征选择方法，对所述生理指标数据集进行特征选择，得到特征选择数据集，包括：
    步骤A：从所述生理指标数据集中随机选取一个生理指标数据，将所述选取的生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算，得到所述评价函数f(x)的函数值，其中所述集合Y为一个预设的空集；
    步骤B：若所述函数值不是所述评价函数f(x)的极大值，则返回步骤A，随机选取另一个生理指标数据输入至一个预设的集合Y的评价函数f(x)中进行计算；
    步骤C：若所述函数值是所述评价函数f(x)的极大值，则将所述生理指标数据放入所述集合Y中，直至对所述生理指标数据集中所有的生理指标数据完成计算，输出所述集合Y，即为所述特征选择数据集。
  20. 如权利要求19所述的计算机可读存储介质，其中：
    所述评价函数f(x)包括：
    Figure PCTCN2020105927-appb-100008
    其中，a为所述集合Y中元素的个数；L为所述生理指标数据集中的元素个数；qi为所述生理指标数据集中随机选取的生理指标数据。
PCT/CN2020/105927 2020-03-17 2020-07-30 智能化睡眠分期方法、装置、电子设备及计算机可读存储介质 WO2021184641A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010186613.4A CN111436904B (zh) 2020-03-17 2020-03-17 智能化睡眠分期方法、装置及计算机可读存储介质
CN202010186613.4 2020-03-17

Publications (1)

Publication Number Publication Date
WO2021184641A1 true WO2021184641A1 (zh) 2021-09-23

Family

ID=71627463

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/105927 WO2021184641A1 (zh) 2020-03-17 2020-07-30 智能化睡眠分期方法、装置、电子设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN111436904B (zh)
WO (1) WO2021184641A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952449A (zh) * 2023-03-14 2023-04-11 首都医科大学附属北京同仁医院 睡眠阶段监测方法、装置、计算机和存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111436904B (zh) * 2020-03-17 2022-11-15 深圳赛安特技术服务有限公司 智能化睡眠分期方法、装置及计算机可读存储介质
CN113974575B (zh) * 2021-12-16 2023-06-16 珠海格力电器股份有限公司 睡眠分期方法、装置、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104970773A (zh) * 2015-07-21 2015-10-14 西安交通大学 一种基于双重特征筛选的自动睡眠分期方法
CN105615834A (zh) * 2015-12-22 2016-06-01 深圳创达云睿智能科技有限公司 基于睡眠脑电信号的睡眠分期方法及装置
CN106264499A (zh) * 2016-08-26 2017-01-04 中山大学 一种量化心肺系统交互作用的分析方法
US20170196500A1 (en) * 2015-12-08 2017-07-13 Fisher & Paykel Healthcare Limited Flow-based sleep stage determination
CN107007278A (zh) * 2017-04-25 2017-08-04 中国科学院苏州生物医学工程技术研究所 基于多参数特征融合的自动睡眠分期方法
WO2017132726A1 (en) * 2016-02-02 2017-08-10 Resmed Limited Methods and apparatus for treating respiratory disorders
CN108742517A (zh) * 2018-03-27 2018-11-06 重庆邮电大学 一种基于Stacking单导联脑电睡眠自动分期方法
CN109833031A (zh) * 2019-03-12 2019-06-04 西安交通大学 一种基于lstm利用多生理信号的自动睡眠分期方法
CN110074765A (zh) * 2019-04-29 2019-08-02 中山大学 一种sahs筛查及睡眠分期的判别方法
CN111436904A (zh) * 2020-03-17 2020-07-24 平安国际智慧城市科技股份有限公司 智能化睡眠分期方法、装置及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5661344B2 (ja) * 2010-06-18 2015-01-28 沖電気工業株式会社 情報処理装置、認識システム、認識方法、及びプログラム
CN107562928B (zh) * 2017-09-15 2019-11-15 南京大学 一种ccmi文本特征选择方法
CN109464130B (zh) * 2019-01-09 2021-11-09 浙江强脑科技有限公司 睡眠辅助方法、系统及可读存储介质
CN110558934B (zh) * 2019-08-02 2022-06-28 杭州连帆科技有限公司 睡眠质量评估方法、装置、电子设备及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104970773A (zh) * 2015-07-21 2015-10-14 西安交通大学 一种基于双重特征筛选的自动睡眠分期方法
US20170196500A1 (en) * 2015-12-08 2017-07-13 Fisher & Paykel Healthcare Limited Flow-based sleep stage determination
CN105615834A (zh) * 2015-12-22 2016-06-01 深圳创达云睿智能科技有限公司 基于睡眠脑电信号的睡眠分期方法及装置
WO2017132726A1 (en) * 2016-02-02 2017-08-10 Resmed Limited Methods and apparatus for treating respiratory disorders
CN106264499A (zh) * 2016-08-26 2017-01-04 中山大学 一种量化心肺系统交互作用的分析方法
CN107007278A (zh) * 2017-04-25 2017-08-04 中国科学院苏州生物医学工程技术研究所 基于多参数特征融合的自动睡眠分期方法
CN108742517A (zh) * 2018-03-27 2018-11-06 重庆邮电大学 一种基于Stacking单导联脑电睡眠自动分期方法
CN109833031A (zh) * 2019-03-12 2019-06-04 西安交通大学 一种基于lstm利用多生理信号的自动睡眠分期方法
CN110074765A (zh) * 2019-04-29 2019-08-02 中山大学 一种sahs筛查及睡眠分期的判别方法
CN111436904A (zh) * 2020-03-17 2020-07-24 平安国际智慧城市科技股份有限公司 智能化睡眠分期方法、装置及计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952449A (zh) * 2023-03-14 2023-04-11 首都医科大学附属北京同仁医院 睡眠阶段监测方法、装置、计算机和存储介质

Also Published As

Publication number Publication date
CN111436904B (zh) 2022-11-15
CN111436904A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
WO2021184641A1 (zh) 智能化睡眠分期方法、装置、电子设备及计算机可读存储介质
WO2021189826A1 (zh) 报文生成方法、装置、电子设备及计算机可读存储介质
WO2022222943A1 (zh) 科室推荐方法、装置、电子设备及存储介质
WO2022062449A1 (zh) 用户分群方法、装置、电子设备及存储介质
WO2021151338A1 (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN111309825A (zh) 数据聚类的存储方法、装置及计算机可读存储介质
WO2021238563A1 (zh) 基于配置算法的企业运行数据分析方法、装置、电子设备及介质
CN111767268A (zh) 数据库表分区方法、装置、电子设备及存储介质
WO2021184576A1 (zh) 医学图像的生成方法、装置、电子设备及介质
CN111339072B (zh) 基于用户行为的变化值分析方法、装置、电子设备及介质
CN108062399A (zh) 数据处理方法及装置
WO2022048362A1 (zh) 数据存储方法、装置、电子设备及存储介质
CN110532425A (zh) 视频数据分布式存储方法、装置、计算机设备及存储介质
TWI438621B (zh) Bios post代碼顯示系統及方法
CN111932595A (zh) 图像配准方法、装置、电子设备及存储介质
CN114840531A (zh) 基于血缘关系的数据模型重构方法、装置、设备及介质
WO2021189905A1 (zh) 分布式数据调取方法、装置、电子设备及存储介质
CN115409041B (zh) 一种非结构化数据提取方法、装置、设备及存储介质
CN112948380A (zh) 基于大数据的数据存储方法、装置、电子设备及存储介质
CN116719891A (zh) 中医信息分组聚类方法、装置、设备及计算机存储介质
WO2022227191A1 (zh) 非主动活体检测方法、装置、电子设备及存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN113689924B (zh) 相似病历检索方法、装置、电子设备及可读存储介质
WO2022077914A1 (zh) 医学图片优化方法、装置、设备及计算机可读存储介质
CN111652741B (zh) 用户偏好分析方法、装置及可读存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20925940

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 16.01.2023)

122 Ep: pct application non-entry in european phase

Ref document number: 20925940

Country of ref document: EP

Kind code of ref document: A1