一种基于人体监测睡眠数据的睡眠分期阶段识别方法

摘要

本发明提供了一种基于人体监测睡眠数据的睡眠分期阶段识别方法包括如下步骤：步骤S1、进行睡眠数据训练，得到非接触式人体睡眠状态数据监测所需的聚点参数；步骤S2、使用所训练好的聚点参数，进行睡眠分期阶段识别判断，具体包括如下步骤：步骤S21、睡眠状态识别；步骤S22、睡眠分期阶段识别；步骤S23、形成完整睡眠周期时间。本发明采用新颖而简洁的算法对人类睡眠周期的各个阶段进行划分，并生成完整的睡眠分析报告，以评估睡眠质量，进而帮助解决与睡眠相关的临床疾病问题。

说明书

技术领域

本发明涉及大数据应用及人工智能技术领域，特别涉及一种基于人体监测睡眠数据的睡眠分期阶段识别方法。

背景技术

1953年Nathaniel Kleitman和Aserinsky的研究发现了睡眠过程中的眼球运动特征，并依据这一特点提出了快速眼动睡眠(RMSE)和非快速眼动睡眠(NRMSE)两类睡眠概念。1957年，Dement和Kleitman进行了完整的整夜的睡眠研究，记录到了具有周期性特点的脑电波图，并据此提出了睡眠周期的划分标准。1968年，Rechtschaffen和AnthonyKales把人的睡眠划分为快速眼动睡眠和非快速眼动睡眠又被细分为入睡期、浅度睡眠期、中度睡眠期和深度睡眠期。国内对睡眠的研究起于20世纪70年代，而后大量学者投身于睡眠研究中，使得睡眠研究在我国有了飞速的发展。

发明内容

本发明提供了一种基于人体监测睡眠数据的睡眠分期阶段识别方法，采用新颖而简洁的算法对人类睡眠周期的各个阶段进行划分，生成完整的睡眠分析报告，以评估睡眠质量，进而帮助解决与睡眠相关的临床疾病问题。

为了达到上述目的，本发明提供的一种基于人体监测睡眠数据的睡眠分期阶段识别方法，包括如下步骤：

步骤S1、进行睡眠数据训练，得到非接触式人体睡眠状态数据监测所需的聚点参数；

步骤S2、使用所训练好的聚点参数，进行睡眠分期阶段识别判断，具体包括如下步骤：

步骤S21、睡眠状态识别：根据人体睡眠阶段真实指标数据，通过睡眠状态初始判断规则，评判在单位时间内是否处于睡眠状态；

步骤S22、睡眠分期阶段识别：将单位时间内的指标数据结果进行数据处理，判断所处的睡眠分期阶段：深睡眠阶段、浅睡眠阶段、快速眼动阶段或清醒阶段；

步骤S23、形成完整睡眠周期时间：根据步骤S22中得出深睡眠阶段、浅睡眠阶段、快速眼动阶段、清醒阶段的时间周期按时间序列拼接，形成一条完整的睡眠时间序列。

优选地，步骤S1具体包括如下步骤：

步骤S11、提取非接触式人体睡眠状态数据监测所需训练数据集合；

步骤S12、根据训练数据集合，对睡眠数据训练，求出非接触式人体睡眠状态数据监测所需聚点参数。

优选地，所述步骤S11中训练数据集合具体为上传的人工主动标注的历史数据集合，聚点参数的属性值x的数据集合包括设备与人体的检测距离、呼吸率、心率、信号强度的数据集合。

优选地，所述步骤S11具体为获取历史已知整夜完整睡眠数据，该数据为设备上传完整且产生真实的睡眠监测数据，包括历史已知整夜完整睡眠数据及已知睡眠阶段标准数据，所述已知睡眠阶段标准数据包括睡眠开始睡眠时间、醒来时间、深睡眠、浅睡眠、快速眼动的睡眠具体时间信息；

所述步骤S12具体包括如下步骤：

步骤S121、根据历史已知整夜完整睡眠数据的训练数据集合，对睡眠数据进行处理，求出非接触式人体睡眠状态数据监测所需聚点参数；

步骤S122、根据已知睡眠阶段标准数据对所需的聚点参数进行验证，获得验证集。

优选地，所述步骤S121中求出模型所需聚点参数具体包括如下步骤：

步骤S1211、数据预处理；

计算训练数据集合中，每个睡眠时间点的每个属性值x的权重w：

score＝|x-max(x)|/std(x)

其中，std(x)为属性值x的标准差，max(x)为属性值x的最大值，score为获取权重的中间参数，∑score为所有属性值x的中间参数之和，max(score)为所有属性值x的中间参数中的最大值；

使用加权平均函数WeightedMedian，计算出每个属性值x的权重w的聚类结果聚点值Truth:

Truth＝WeightedMedian(x,w)

每个属性值x数据对应一个权重，从属性值x数据开始点累加，直到到达数据总和的1/2，则该属性值x数据点选为这个训练数据集合的聚点值Truth；

步骤S1212、选择特征变量：计算聚类结果聚点的标准差值

优选地，所述步骤S22具体包括如下步骤：

步骤S221、N倍单位时间周期内判断睡眠分期阶段：以单位时间的N倍周期进行窗口滑动，按照睡眠分期阶段规则，遍历并判断N倍单位时间周期内所处的睡眠分期阶段；

步骤S222、拼接N倍单位时间周期数据，重新更新睡眠分期阶段：按照更新睡眠状态规则，对N倍单位时间周期内的睡眠分期阶段进行睡眠数据评分，重新更新睡眠分期阶段。

优选地，所述步骤S21中单位时间为1s，所述步骤S221中单位时间的N倍周期具体为60倍周期。

优选地，所述步骤S21中睡眠状态初始判断规则具体为：如果信号强度*设备与人体的检测距离<(信号强度聚点+信号强度聚点标准差)*(设备与人体的检测距离聚点+设备与人体的检测距离聚点标准差)，且心率>0，且呼吸率>0，且信号强弱>-5时，判断在该单位时间内处于睡眠状态；否则，判断在该单位时间内处于非睡眠状态。

优选地，所述步骤S221中睡眠分期阶段规则具体为：

当状态为“睡眠”，且N倍单位时间周期内出现次数大于等于N倍单位时，判断睡眠分期阶段为“深睡眠”；

当状态为“睡眠”，且N倍单位时间周期内出现次数小于N倍单位，且大于等于2/3N倍单位时，判断睡眠分期阶段为“浅睡眠”；

当状态为“睡眠”，且N倍单位时间周期内出现次数小于2/3N倍单位，且大于等于1/2N倍单位时，判断睡眠分期阶段为“快速眼动”；

当状态为“睡眠”，且N倍单位时间周期内出现次数小于1/2N倍单位，且大于等于0时，判断睡眠分期阶段为“清醒”。

优选地，所述步骤S222中更新睡眠状态规则具体包括如下步骤：

步骤S2221、定义集合X为睡眠分期阶段中深睡眠阶段、浅睡眠阶段、快速眼动阶段下，分别对应的距离、呼吸率、心率、信号强弱的四个属性值；

步骤S2222、对集合X中的四个属性值进行归一化处理：

步骤S2223、对归一化后的四个属性的标准差求和(std(设备与人体的检测距离)+std(呼吸率)+std(心率)+std(信号强弱))

其中，std(设备与人体的检测距离)为距离标准差，std(呼吸率)为呼吸率标准差，std(心率)为心率标准差，std(信号强弱)为信号强弱标准差，score2为四个属性的标准差之和；

步骤S2224、根据标准差求和score2更新睡眠分期阶段：

当处于非“清醒”的睡眠分期阶段，且score得分

当处于非“清醒”的睡眠分期阶段，且score得分≥t1，且得分

当处于非“清醒”的睡眠分期阶段，且score得分≥t2时，更新睡眠分期阶段为“快速眼动”。

其中，所设定的各阶段睡眠分期阈值规则为t1

采用本发明采用新颖而简洁的算法对人类睡眠周期的各个阶段进行划分，将整夜的睡眠数据划分为清醒、快速眼动、浅睡眠、深睡眠四个状态，并生成完整的睡眠分析报告，以评估睡眠质量，进而帮助解决与睡眠相关的临床疾病问题。

附图说明

图1为本发明的一种基于人体监测睡眠数据的睡眠分期阶段识别方法的示意图；

图2为本发明的一种基于人体监测睡眠数据的睡眠分期阶段识别方法的一较佳实施例的获取权重聚点值Truth的示意图；

图3为本发明的一种基于人体监测睡眠数据的睡眠分期阶段识别方法的一较佳实施例的睡眠分期阶段识别的示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的问题，提供了一种基于人体监测睡眠数据的睡眠分期阶段识别方法，如图1所示，包括如下步骤：

步骤S1、进行睡眠数据训练，得到非接触式人体睡眠状态数据监测所需的聚点参数；

步骤S2、使用所训练好的聚点参数，进行睡眠分期阶段识别判断。

步骤S1具体包括如下步骤：

步骤S11、提取非接触式人体睡眠状态数据监测所需训练数据集合；训练数据集合具体为上传的人工主动标注的历史数据集合，聚点参数的属性值x的数据集合包括设备与人体的检测距离、呼吸率、心率、信号强度的数据集合；例如：我已知昨晚x点开始睡眠，第二天y点起床，则训练数据为设备上传'xx:xx:xx点至'xx:xx:xx'点的数据(需人工提取做训练)。获取的数据具体结构如下：

具体为获取历史已知整夜完整睡眠数据，该数据为设备上传完整且产生真实的睡眠监测数据，包括历史已知整夜完整睡眠数据及已知睡眠阶段标准数据，所述已知睡眠阶段标准数据包括开始睡眠时间、醒来时间、深睡眠、浅睡眠、快速眼动的具体时间信息；

步骤S12、根据训练数据集合，对睡眠数据训练，求出非接触式人体睡眠状态数据监测所需聚点参数；

步骤S12具体包括如下步骤：

步骤S121、根据历史已知整夜完整睡眠数据的训练数据集合，对睡眠数据进行处理，求出非接触式人体睡眠状态数据监测所需聚点参数；

步骤S122、根据已知睡眠阶段标准数据对所需聚点参数进行验证，获得验证集。

所述步骤S121中求出模型所需聚点参数具体包括如下步骤：

步骤S1211、数据预处理；

计算训练数据集合中，每个睡眠时间点的每个属性值x的权重w：

score＝|x-max(x)|/std(x)

其中，std(x)为属性值x的标准差，max(x)为属性值x的最大值，score为获取权重的中间参数，∑score为所有属性值x的中间参数之和，max(score)为所有属性值x的中间参数中的最大值；

使用加权平均函数WeightedMedian，计算出每个属性值x的权重w的聚类结果聚点值Truth:

Truth＝WeightedMedian(x,w)

每个属性值x数据对应一个权重，从属性值x数据开始点累加，直到到达数据总和的1/2，即先算总值，在排序相加，另其达到总值的1/2，则该属性值x数据点选为这个训练数据集合的聚点值Truth；

例如，给出数据集合出的各点的权重，然后排序：

如图2和上表格所示，按照快速排序的思路，先找到一个数字，然后按照该数字将数列划分成左右两段，根据左右两段的权重之和，递归调用左半侧或者右半侧数列，找到中间w＝0.328、F(v)＝0.550，那个点就是所谓的“真值”，即我们找到聚点Truth＝3。

步骤S1212、选择特征变量：计算聚类结果聚点的标准差值

在上一阶段算法模型构建过程中，得出所需要的模型训练输出的参数---聚点及聚点标准差。由于模型参与训练的数据是真实睡眠数据，模型所训练出来的结果即是人体睡眠阶段真实指标数据，则这些参数可以用来评判睡眠状态(睡眠或非睡眠)的重要依据。接下来，以时间为1s进行粒度区分，从而判断初始的睡眠状态，以下判断粒度为1s时是否睡眠状态的规则：

如图3所示，步骤S2具体包括如下步骤：

步骤S21、睡眠状态识别：根据人体睡眠阶段真实指标数据，通过睡眠状态初始判断规则，评判在单位时间内是否处于睡眠状态；单位时间为1s；

睡眠状态初始判断规则为判断是否满足模型聚点条件，具体为：如果信号强度*设备与人体的检测距离<(信号强度聚点+信号强度聚点标准差)*(设备与人体的检测距离聚点+设备与人体的检测距离聚点标准差)，且心率>0，且呼吸率>0，且信号强弱>-5时，判断在该单位时间内处于睡眠状态；否则，判断在该单位时间内处于非睡眠状态。

步骤S22、睡眠分期阶段识别：将单位时间内的指标数据结果进行数据处理，判断所处的睡眠分期阶段：深睡眠阶段、浅睡眠阶段、快速眼动阶段或清醒阶段；

所述步骤S22具体包括如下步骤：

步骤S221、N倍单位时间周期内判断睡眠分期阶段：以单位时间的N倍周期进行窗口滑动，按照睡眠分期阶段规则，遍历并判断N倍单位时间周期内所处的睡眠分期阶段；单位时间的N倍周期具体为60倍周期；即：将步骤S21的数据结果以60s时间周期窗口滑动，进行睡眠状态划分为深睡眠、浅睡眠、快速眼动、清醒。从数据第1s开始遍历，以60s为一周期窗口滑动，每个窗口独立，各窗口区间不叠加重复数据。

本实施例中以60s为窗口一周期滑动，以一周期内“睡眠”次数判断睡眠分期阶段。

睡眠分期阶段规则具体为：

当状态为“睡眠”，且N倍单位时间周期内出现次数大于等于N倍单位时，判断睡眠分期阶段为“深睡眠”；

当状态为“睡眠”，且N倍单位时间周期内出现次数小于N倍单位，且大于等于2/3N倍单位时，判断睡眠分期阶段为“浅睡眠”；

当状态为“睡眠”，且N倍单位时间周期内出现次数小于2/3N倍单位，且大于等于1/2N倍单位时，判断睡眠分期阶段为“快速眼动”；

当状态为“睡眠”，且N倍单位时间周期内出现次数小于1/2N倍单位，且大于等于0时，判断睡眠分期阶段为“清醒”。本实施例中为：

步骤S222、拼接N倍单位时间周期数据，重新更新睡眠分期阶段：按照更新睡眠状态规则，对N倍单位时间周期内的睡眠分期阶段进行睡眠数据评分，重新更新睡眠分期阶段。

通过初步所判断的“深睡眠”、“浅睡眠”、“快速眼动”状态归一化加权评分分析，并精准更新睡眠状态。对刚才得出的每一个睡眠状态进行提取，再使用评分函数，计算该睡眠分期阶段下数据睡眠数据评分，根据数据得分重新更新睡眠状态(“深睡眠”、“浅睡眠”、“快速眼动”)。

本实施例中，拼接60s周期数据形成睡眠分期段，并对各睡眠分期段数据判断重新更新睡眠分期，例如：深睡眠变更为浅睡眠，浅睡眠变更为快速眼动。

更新睡眠状态规则具体包括如下步骤：

步骤S2221、定义集合X为睡眠分期阶段中深睡眠阶段、浅睡眠阶段、快速眼动阶段下，分别对应的距离、呼吸率、心率、信号强弱的四个属性值；

步骤S2222、对集合X中的四个属性值进行归一化处理：

步骤S2223、对归一化后的四个属性的标准差求和(std(设备与人体的检测距离)+std(呼吸率)+std(心率)+std(信号强弱))

其中，std(设备与人体的检测距离)为距离标准差，std(呼吸率)为呼吸率标准差，std(心率)为心率标准差，std(信号强弱)为信号强弱标准差，score2为四个属性的标准差之和；

步骤S2224、根据标准差求和score2更新睡眠分期阶段：

当处于非“清醒”的睡眠分期阶段，且score得分

当处于非“清醒”的睡眠分期阶段，且score得分>＝t1，且得分

当处于非“清醒”的睡眠分期阶段，且score得分>＝t2时，更新睡眠分期阶段为“快速眼动”。其中，所设定的各阶段睡眠分期阈值规则为t1

步骤S23、形成完整睡眠周期时间：根据步骤S22中得出深睡眠阶段、浅睡眠阶段、快速眼动阶段、清醒阶段的时间周期按时间序列拼接，形成一条完整的睡眠时间序列。

采用本发明采用新颖而简洁的算法对人类睡眠周期的各个阶段进行划分，将整夜的睡眠数据划分为清醒、快速眼动、浅睡眠、深睡眠四个状态，并生成完整的睡眠分析报告，以评估睡眠质量，进而帮助解决与睡眠相关的临床疾病问题。

本发明一种基于人体监测睡眠数据的睡眠分期阶段识别方法提供一种睡眠分期阶段识别的睡眠数据分析方法，是采用人体呼吸和心率的非接触式监测设备所收集的设备离人体的距离、心率、呼吸率、人体状态变化、设备返回信号强弱大小等信息对人体夜间睡眠状况进行识别，并根据实际情况判别用户阶段睡眠状况，实现对人体整夜睡眠阶段精准识别，使用户对自己的睡眠状况充分了解，以主动采取医治解决用户睡眠相关的临床疾病。该睡眠分期阶段识别算法首先提取历史已知的整夜完整睡眠数据进行训练得到模型所需的聚点，然后通过真实已知睡眠阶段(睡眠开始、结束时间，深睡眠、浅睡眠、快速眼动、清醒状态时间段等睡眠报告指标)的数据对模型反复验证，从而得到最合理和精准的聚点参数，最后使用所训练好的聚点和模型对设备上传的24小时睡眠监测数据处理，并生成一条完整的睡眠分期阶段时间序列。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。