[发明专利]基于脉搏波睡眠分期的方法

权利要求书

1.一种基于脉搏波睡眠分期的方法，其特征在于包括以下步骤：

步骤1、采集到人体睡眠时期由于脉搏搏动而产生的透射光强弱的变化信息，并转换为电信号；

步骤2、建立手指血液流动数学模型，根据朗伯比尔定律与血液流动模型进行综合分析，得到生理信号噪声源，并对步骤1中所述的原始电信号进行滤波分析，得到去噪后的脉搏波波形信息；

步骤3、根据人的生理特性，对步骤2所述的去噪后的脉搏波波形信息进行生理信息提取；

步骤4、将步骤3所述的多个维度的生理信息组成一组多维向量，并通过PCA主成份分析方法进行主成份分析，得到低维的主成份分析正交矩阵；

步骤5、对步骤4所述主成份分析正交矩阵使用K-means无监督机器学习算法进行聚类分析，其中K根据经典睡眠理论选择为3或者4得到聚类模型；

步骤6、对多组人的睡眠数据重复步骤1-步骤5这五个步骤，分别得到一组聚类模型数据，对所有聚类模型数据取加权平均得到最终的睡眠分期模型。

2.如权利要求1所述的基于脉搏波睡眠分期的方法，其特征在于：所述的采集脉搏搏动而产生的透射光强弱的变化信息的设备采用指夹透射式光电脉搏波采集设备。

3.如权利要求1所述的基于脉搏波睡眠分期的方法，其特征在于所述的步骤2对原始信号的滤波分析，采用基于人体信号特点分析的低通截止频率滤波器，采用傅里叶变换先进行时域频域转换，在频域进行滤波，然后通过逆傅里叶变换，将滤波之后的信号转化到时域，得到去掉高频噪声的脉搏波波形图W₁。

4.如权利要求3所述的基于脉搏波睡眠分期的方法，其特征在于：还通过基频截止滤波器进行基频滤波去除人体运动以及系统整体性漂移带来的伪迹漂移，得到基频脉搏波波形图W₂。

5.如权利要求4所述的基于脉搏波睡眠分期的方法，其特征在于：还通过极低频率的去除可以很好地去除运动伪迹以及系统整体性漂移信息，最终可以得到稳定的以0基准线为均值分布的波形图W，其中W＝W₁-W₂。

6.如权利要求5所述的基于脉搏波睡眠分期的方法，其特征在于步骤3生理信息提取算法，其中对脉率和射血速率的稳定提取在所述的以0基准线为均值分布的波形图W是脉率提取的基础上按照如下步骤进行：

3.1通过一阶差分得到差分波形图W′；

3.2通过局部尖端检测算法，得到在每个脉搏波周期内差分图W′的局部极大值，并且通过最小距离限制算法，将脉搏波次峰的极大值排除，得到每个射血周期内唯一的极大值点的值和位置信息；

3.3将极大值的值作为每个射血周期的射血速率，将相邻射血周期的极大值位置差作为当前周期的瞬时脉率，并通过逐差法可以求得一段时间内的平均脉率。

7.如权利要求1所述的基于脉搏波睡眠分期的方法，其特征在于所述的步骤4中对多维特征向量组成与降维的处理方法：将步骤3所述的生理信息中均值、方差、脉率等信息排列成一组多维向量，通过PCA算法对多个维度进行相关性分析，得到占比最大前数个维度的信息，采用95％主成份分析，取前数个正交维度作为PCA处理结果，得到低维的主成份分析正交矩阵。

8.如权利要求1所述的基于脉搏波睡眠分期的方法，其特征在于所述的步骤5对步骤4所述主成份分析正交矩阵使用K-means无监督机器学习算法进行聚类分析方法，具体步骤如下：

5.1将正交矩阵按照其维度权重值归一化，然后随机选取初始聚类中心，使用带权重的欧式距离作为聚类依据；

5.2接着，继续随机选取聚类中心，重复聚类过程，记录下每次聚类中心收敛结果，最终对各次聚类中心进行加权平均，得到本组睡眠数据的睡眠分期稳定模型，以此作为本组数据的睡眠分期模型。

9.如权利要求1所述的基于脉搏波睡眠分期的方法，其特征在于所述的步骤6对多组数据得到的睡眠分期模型采用的加权平均算法：按照睡眠数据时长作为模型单次加权平均的权重值。