一种基于BCG与血氧饱和率的睡眠分期方法

摘要

本发明公开了一种基于BCG与血氧饱和率的睡眠分期方法，该睡眠分期方法包括以下步骤：采集整晚的BCG数据和血氧饱和度数据；从BCG信号中提取JJ间隔，获取心率信号及心率变异性；对BCG信号进行处理，得到呼吸率信号，计算心肺耦合功率谱；建立睡眠过程的状态集合S＝{S1,S2,S3,S4}；本发明一种基于BCG与血氧饱和率的睡眠分期方法，本方法可以提高非接触式信息采集的睡眠分期的精确程度，并通过心肺耦合功率谱的方式提取清醒状态的特征、机器学习聚类分析方法优化睡眠分期训练，提高睡眠分期的精确程度，帮助用户能够在无感的环境下获取睡眠状态的准确检查结果。

说明书

技术领域

本发明属于睡眠技术领域，特别涉及一种基于BCG与血氧饱和率的睡眠分期方法。

背景技术

随着社会经济的快速发展，人们对健康状况越来越关注。睡眠是人最重要的生理活动之一，睡眠质量的好坏直接或间接地影响人体的健康发展，由于快节奏的生活、压力以及不良的生活习惯等，使更多的人患有睡眠疾病，因此，对睡眠开展监测和评估就显得十分重要。

通过睡眠监测可以得到睡眠分期信号，准确的睡眠分期能够帮助人们正确认识自身的睡眠结构、了解睡眠质量。传统的睡眠分期通常采用多导睡眠仪(Polysomnography，PSG)实现，PSG通过记录、分析全夜睡眠过程中的脑电、心电、肌电、血氧饱和度、呼吸气流、胸部呼吸、腹部呼吸等多种人体生理信号变化实现睡眠分期，采用PSG实现睡眠分期的准确度较高，但PSG要求患者在睡眠监测实验室过夜，需由专业受训人员进行操作，数据需由仪器初步自动分析后由人工判读。并且PSG数据采集时需要佩戴许多导线，舒适感差，影响睡眠质量；

因此为了达到简便评估睡眠状态的目的，近年来，现有技术发展出许多基于脑电、心电、体动、脉搏波等的可穿戴睡眠监测设备。这些可穿戴设备安全可靠、小巧方便、操作简单、舒适感较好、对人体睡眠干扰少，可减少睡眠环境改变对检测结果产生的影响，例如能够感知微弱震动信号的光纤传感器或压电传感器。

通过光纤或压电传感器采集到BCG(心冲击图)信号后，需提取与睡眠分期密切相关的JJ间期的时域特征和频域特征，然后采用机器学习的方法进行睡眠分期。

但现有技术中多是基于心电信号(ECG)的睡眠分期方法，一是ECG需要接触的方式来获取信号，一是睡眠分期的精度比较难提高。因此，如何对BCG特征进行筛选和优化，如何选择合适的数据处理方法和机器学习算法，从而提高睡眠分期的准确度，是目前研究的关键。

为此，我们提出一种基于BCG与血氧饱和率的睡眠分期方法。

发明内容

本发明的主要目的在于提供一种基于BCG与血氧饱和率的睡眠分期方法，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：一种基于BCG与血氧饱和率的睡眠分期方法，该睡眠分期方法包括以下步骤：

步骤一、采集整晚的BCG数据和血氧饱和度数据；

步骤二、从BCG信号中提取JJ间隔，获取心率信号及心率变异性；

步骤三、对BCG信号进行处理，得到呼吸率信号，计算心肺耦合功率谱；

步骤四、建立睡眠过程的状态集合S＝{S1,S2,S3,S4}，基于滑动窗口对心肺耦合功率谱进行清醒特征提取，从而完成S1“清醒状态”及时间范围的判断；

步骤五、对非清醒状态以外的心肺耦合功率谱以及血氧饱和率分别进行支持向量机的聚类分析，进行睡眠分期训练，最终获得睡眠过程中的分期结果。

优选的，从BCG信号中提取JJ间隔具体过程为：

S1：使用小波变换除去BCG信号中的噪音；

S2：基于滑动窗口进行J波峰值点检测，识别所有的波峰点；

S3：将获取到的J波峰值点的横坐标连续后一峰值点坐标减去前一峰值点坐标，得到JJ间期；

S4：利用基于3sigma准则进行JJ间期的错检和漏检。

优选的，S1为清醒状态，S2为快速眼动期，S3为浅睡期，S4为深睡期。

优选的，快速眼动期在睡眠过程中有一段时间，脑电波频率变快，振幅变低。

优选的，所述快速眼动期心率减慢、血压下降、新陈代谢缓慢、呼吸次数减少。

与现有技术相比，本发明具有如下有益效果：本发明一种基于BCG与血氧饱和率的睡眠分期方法，本方法可以提高非接触式信息采集的睡眠分期的精确程度，并通过心肺耦合功率谱的方式提取清醒状态的特征、机器学习聚类分析方法优化睡眠分期训练，提高睡眠分期的精确程度，帮助用户能够在无感的环境下获取睡眠状态的准确检查结果。

附图说明

图1为本发明一种基于BCG与血氧饱和率的睡眠分期方法的流程图；

图2为本发明一种基于BCG与血氧饱和率的睡眠分期方法的心肺耦合功率谱图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如图1-2所示，本发明采取的技术方案为：一种基于BCG与血氧饱和率的睡眠分期方法，该睡眠分期方法包括以下步骤：

步骤一、采集整晚的BCG数据和血氧饱和度数据；

步骤二、从BCG信号中提取JJ间隔，获取心率信号及心率变异性；

步骤三、对BCG信号进行处理，得到呼吸率信号，计算心肺耦合功率谱；

步骤四、建立睡眠过程的状态集合S＝{S1,S2,S3,S4}，基于滑动窗口对心肺耦合功率谱进行清醒特征提取，从而完成S1“清醒状态”及时间范围的判断；

步骤五、对非清醒状态以外的心肺耦合功率谱以及血氧饱和率分别进行支持向量机的聚类分析，进行睡眠分期训练，最终获得睡眠过程中的分期结果。

从BCG信号中提取JJ间隔具体过程为：

S1：使用小波变换除去BCG信号中的噪音；

S2：基于滑动窗口进行J波峰值点检测，识别所有的波峰点；

S3：将获取到的J波峰值点的横坐标连续后一峰值点坐标减去前一峰值点坐标，得到JJ间期；

S4：利用基于3sigma准则进行JJ间期的错检和漏检。

S1为清醒状态，S2为快速眼动期，S3为浅睡期，S4为深睡期。

快速眼动期在睡眠过程中有一段时间，脑电波频率变快，振幅变低。

所述快速眼动期心率减慢、血压下降、新陈代谢缓慢、呼吸次数减少。

需要说明的是，本方法主要分为以下几个步骤：

步骤一：采集整晚的BCG数据和血氧饱和度数据。

步骤二：从BCG信号中提取JJ间隔，具体过程为：

(1)使用小波变换除去BCG信号中的噪音；

(2)基于滑动窗口进行J波峰值点检测，识别所有的波峰点；

(3)将获取到的J波峰值点的横坐标连续后一峰值点坐标减去前一峰值点坐标，得到JJ间期；

(4)利用基于3sigma准则进行JJ间期的错检和漏检。

步骤三：对BCG信号进行处理，得到呼吸率信号，计算心肺耦合功率谱。

步骤四：建立睡眠过程的状态集合S＝{S1,S2,S3,S4}，其中，S1为清醒状态，S2为快速眼动期，S3为浅睡期，S4为深睡期。基于滑动窗口对心肺耦合功率谱进行清醒特征提取，从而完成S1“清醒状态”及时间范围的判断。

步骤五：对非清醒状态以外的心肺耦合功率谱以及血氧饱和率分别进行支持向量机的聚类分析，进行睡眠分期训练，最终获得睡眠过程中的分期结果。

本方法可以提高非接触式信息采集的睡眠分期的精确程度，并通过心肺耦合功率谱的方式提取清醒状态的特征、机器学习聚类分析方法优化睡眠分期训练，提高睡眠分期的精确程度，帮助用户能够在无感的环境下获取睡眠状态的准确检查结果。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。