[发明专利]一种基于实时神经网络的半自动睡眠分期装置

说明书

技术领域

本发明涉及睡眠分期领域，尤其涉及一种基于实时神经网络的半自动睡眠分期装置。

背景技术

睡眠是人体必不可少的生理活动，是一种既重要又复杂的生理现象，在人类生命中大约占有三分之一的时间。睡眠是机体进行自我修复和完善的过程，对维持身心健康具有重要的调节作用。

睡眠分期是根据人体在睡眠期间生理信号的不同变化而将睡眠过程分为不同的阶段。各个阶段的睡眠以一定的规律周期性的出现，并且都有各自特定的生理和行为特点。根据脑电图的不同特征，主要将睡眠分为非眼球快速运动期(Non-rapid eye movement,NREM)和眼球快速运动期(Rapid eye movement,REM)。NREM期又分为四个时期，NREM-1期为入睡期，NREM-2期为浅睡期，NREM-3期为中度睡眠期，NREM-4期为深度睡眠期。这个阶段的特点有：人的呼吸较浅，缓慢而又均匀，心率较慢，血压降低，人体肌肉保持松弛状态，没有明显的眼球运动。REM期的特点是眼球快速转动。在这个阶段，人体的感觉功能进一步减退，肌肉也更加松弛，肌腱反射消失，这时的血压升高，呼吸稍快且不规则，体温、心率也有所升高。这个阶段，体内各种代谢功能都显著增加，以保证大脑组织蛋白的合成和消耗物质的补充，使神经系统正常发育，并为第二天的活动积蓄能量。

目前，基于生理信号的睡眠监测方法普遍采用的是多导生理睡眠监测仪，它是基于多导睡眠图(Polysomnography,PSG)，该方法是在睡眠期间对受试者进行监测和记录，主要记录了脑电信号(Electroencephologram，EEG)、眼电信号(Electrooculography,EOG)、肌电信号(Electromyography,EMG)等生理参数，有利于得到全面综合的生理信息，同时根据国际R&K(Rechtschaffen and Kales)准则，可以进行睡眠状态、阶段和质量的判断。基于睡眠的人工分期，一般通过观察PSG信号的波形特征，进行人工判断睡眠的各个阶段。

神经网络作为一种模式识别技术，在各个领域得到越来越广泛的应用。神经网络具有很强的自学习性、自组织性、容错性、高度非线性、联想记忆功能和逻辑推理功能等，具有符合人类视觉系统的高速并行处理和分布式存储等特性。神经网络不需要预先给出有关模式的经验知识和判别函数，通过自身的学习机制即可自动形成所需要的决策区域，因此，近年来神经网络的模式识别成为神经网络最有研究价值的应用领域之一。

专利CN103489009A公布了一种基于自适应修正神经网络的模式识别方法，使该发明具有分类准确率高、分类实时性能好、模型泛化能力强、应用前景广阔等优点；专利CN103584840A公布了一种基于脑电、心率变异及两者相干性的自动睡眠分期方法，利用支持向量机作为分类器对特征参数进行识别，有效的提高了自动睡眠分期的准确性。

上述技术方法存在的问题是，由于神经网络参数在初始训练完成后即固定，在实际运行时，一方面，不能根据人工校正的结果实时有效的对自动睡眠分期过程进行更新调整，进而提高分期准确率和操作效率，另一方面，由于个体差异，不同个体的相同特征参数在同一神经网络下的自动睡眠分期效果存在差异，不能有效的排除个体差异性。

发明内容

为了解决上述的问题，本发明提供了如下技术方案：

一种基于实时神经网络的半自动睡眠分期装置，由将待分析睡眠数据进行实时神经网络分析的处理模块、将待分析数据进行分析处理后实时存储的存储模块、对其他模块进行实时有效控制的控制模块、对分期结果的数据和图形进行可视化显示的显示模块依次相连，控制模块与报表模块相连，报表模块对分期结果进行展示和打印操作；处理模块由数据读取模块、数据预处理模块、实时神经网络分析单元模块依次相连构成，数据读取模块从存储模块中读取待分析数据，数据预处理模块对读取的待分析数据进行预处理操作，实时神经网络分析单元模块将对预处理后的数据进行基于人工后期校正的神经网络实时分析处理。

所述数据预处理模块接受来自存储模块当前记录好的待分析数据，然后对数据进行预处理，主要是对数据进行噪声和干扰成分的过滤，最后将预处理后的数据送入实时神经网络分析单元进行特征提取、训练学习和自动分期，达到对睡眠数据的有效处理。

所述进行实时神经网络分析的处理模块中的实时神经网络分析单元工作过程如下：