[发明专利]一种基于心电信号的睡眠分期方法

权利要求书

1.一种基于心电信号的睡眠分期方法，其特征在于，所述方法包括：

获取原始心电信号，对所述原始心电信号进行去噪预处理得到心电信号；

从所述心电信号中获取R点以及RR间期，根据所述R点以及RR间期得到呼吸波形信号；

根据所述心电信号和所述呼吸波形信号，获取心电信号特征、呼吸信号特征以及心肺耦合特征；

对所述心电信号特征、呼吸信号特征以及心肺耦合特征进行特征筛选；

根据筛选后的所述心电信号特征、呼吸信号特征以及心肺耦合特征，采用机器学习算法进行睡眠分期；

其中，所述心电信号特征，包括心电信号时域特征、心电信号频域特征、和心电信号复杂度特征。

2.根据权利要求1所述的方法，其特征在于，所述心电信号时域特征包括：以RR间期为第一基本特征值，将所述第一基本特征值的均值、方差、中值、四分差、20分位数、80分位数、和心率作为所述心电信号时域特征；

所述心电信号频域特征包括：以RR间期为第一基本特征值，将所述第一基本特征值的频率为0.04Hz-0.15Hz的第一信号功率、频率为0.15Hz-0.4Hz的第二信号功率、第一信号功率与第二信号功率的比值作为所述心电信号频域特征；

所述心电信号复杂度特征包括：RR间期信息熵、RR间期近似熵、RR间期模糊熵、RR间期多尺度熵、RR间期样本熵；R点幅值信息熵、R点幅值近似熵、R点幅值模糊熵、R点幅值多尺度熵、R点幅值样本熵；心电信号的功率谱熵。

3.根据权利要求1所述的方法，其特征在于，所述呼吸信号特征包括：

以吸气时间、呼气时间、呼吸周期、吸/呼气时间比、幅值、呼吸窦性心律不齐、呼吸率为第二基本特征值，将所述第二基本特征值的均值、方差、中值、四分差、20分位数、80分位数作为所述呼吸信号特征。

4.根据权利要求1所述的方法，其特征在于，所述心肺耦合特征包括心肺耦合频域特征和心肺耦合时域特征；

所述心肺耦合时域特征包括：以RR间期与呼吸间期之间的相关系数、协方差作为心肺耦合时域特征；

所述心肺耦合频域特征包括：将频率为0.01-0.1Hz、0.1-0.4Hz、0.001-0.01Hz的三个频率作为频域频段，以RR间期与呼吸间期之间分别以该三个频段的耦合能量值、RR间期与呼吸间期之间以该三个频段耦合的总能量值、RR间期与呼吸间期之间分别以该三个频段的耦合最大能量值、RR间期与呼吸间期之间分别以该三个频段的耦合能量值占所述总能量值的百分比、RR间期与呼吸间期之间分别以频率为0.01-0.1Hz、0.1-0.4Hz频段的耦合能量值的比值，以及RR间期与呼吸间期之间以频率为0.01-0.1Hz的耦合能量值与RR间期与呼吸间期之间分别以频率为0.01-0.1Hz、0.1-0.4Hz频段的耦合能量值之和的比值作为心肺耦合频域特征。

5.根据权利要求1所述的方法，其特征在于，所述对所述心电信号特征、呼吸信号特征以及心肺耦合特征进行特征筛选，包括：

通过遗传算法或随机森林算法对所述心电信号特征、呼吸信号特征以及心肺耦合特征进行特征筛选。

6.根据权利要求1所述的方法，其特征在于，所述机器学习算法包括贝叶斯算法、KNN算法、SVM算法、LDA算法、人工神经网络算法、决策树算法、RF算法、集成学习算法。

7.根据权利要求1所述的方法，其特征在于，所述去噪预处理包括：

通过FIR滤波器，或IIR滤波器，或小波分解重建方法去除基线飘移、工频干扰和电磁干扰。

8.根据权利要求1所述的方法，其特征在于，所述根据所述R点以及RR间期得到呼吸波形信号，包括：

通过Pan Tompkin算法，根据所述R点以及RR间期得到呼吸波形信号。

9.根据权利要求1所述的方法，其特征在于，在采用机器学习算法进行睡眠分期之后，对所述睡眠分期通过以下公式进行分类准确度计算：

其中，Accuracy为分类准确度，TP为真阳性样本数，TN为真阴性样本数，FN为假阴性样本数，FP为假阳性样本数。