[发明专利]基于BCG信号的睡眠分期方法

权利要求书

1.一种基于BCG信号的睡眠分期方法，其特征在于，包括：

从预先采集的BCG信号中提取心率信号、脉搏信号和呼吸信号，并根据所述心率信号、脉搏信号和呼吸信号，计算心率变异性和心肺耦合功率谱；

获取所述心率变异性和心肺耦合功率谱的频域特征的变化趋势，根据两者的所述频域特征的变化趋势，获取多通道图像特征，并对所述心率变异性和心肺耦合功率谱进行特征提取，根据提取的心率变异性和心肺耦合功率谱的时域信号提取特征向量；

根据所述多通道图像特征和所述特征向量，获取对应的睡眠分期结果；

其中，根据两者的所述频域特征的变化趋势，获取所述BCG信号的多通道图像特征的步骤包括：

将所述心率变异性和心肺耦合功率谱的每种频域特征的变化趋势进行分段，并计算每段频域特征的变化趋势的Wigner分布图；

将所述心率变异性和心肺耦合功率谱对应时间段相同的所有分段的Wigner分布图作为一个多通道图像特征；其中，所述多通道图像特征的通道数等于所述心率变异性的频域特征的总个数加上所述心肺耦合功率谱的频域特征的总个数；

其中，根据所述多通道图像特征和所述特征向量，获取所述BCG信号对应的睡眠分期结果的步骤包括：

将所述多通道图像特征和所述特征向量作为深度学习模型的输入，输出所述BCG信号对应的睡眠分期结果；

其中，所述深度学习模型通过BGG信号样本和预先获取的通用睡眠分期标签进行训练获取；

其中，将所述多通道图像特征和所述特征向量作为深度学习模型的输入，输出所述BCG信号对应的睡眠分期结果的步骤之前还包括：

将所有PSG睡眠分期标签和CAP睡眠分期标签任意聚类为多种预设类别；

基于t检验对每种聚类结果进行显著性和差异性检验，根据检验结果选取最优的聚类结果作为通用睡眠分期标签；

根据BGG信号样本的多通道图像特征和特征向量，以及所述通用睡眠分期标签对所述深度学习模型进行训练。

2.根据权利要求1所述的基于BCG信号的睡眠分期方法，其特征在于，根据所述心率信号、脉搏信号和呼吸信号，计算心率变异性和心肺耦合功率谱的步骤包括：

根据所述脉搏信号和所述心率信号中的心率R峰周期确定所述心率信号中的心率峰值位置；

根据所述心率峰值位置确定所述心率信号中的心率RR间期，并得到整晚的心率RR间期的变化序列；

将所述心率RR间期的变化序列转化为心率变异性信号；

计算所述心率变异性信号和所述呼吸信号之间的互相关函数和互功率谱密度，以及各自的自功率谱；

根据所述互相关函数，以及所述心率变异性信号和呼吸信号各自的自功率谱，计算所述心率变异性信号和呼吸信号之间的相干性系数；

根据所述互功率谱密度和所述相干性系数，计算所述心率变异性信号与呼吸信号的耦合功率谱，将所述耦合功率谱作为所述心肺耦合功率谱。

3.根据权利要求1所述的基于BCG信号的睡眠分期方法，其特征在于，获取所述心率变异性和心肺耦合功率谱的频域特征的变化趋势的步骤包括：

计算所述心肺耦合功率谱在每个滑动窗口内的心肺功率耦合特征和所述心率变异性在每个滑动窗口内的心率变异性特征；

其中，所述心肺功率耦合特征包括LFN、HFN和MF中的一种或多种，所述心率变异性特征包括LFPN、HFPN和MFP中的一种或多种；

所述LFN为第一预设低频范围内的功率占第一预设全频功率的百分比；

所述HFN为第一预设高频范围内的功率占第一预设全频功率的百分比；

所述MF为所述第一预设低频范围内的功率和所述第一预设高频范围内的功率之间的比值；

所述LFPN为第二预设低频范围内的功率占第二预设全频功率的百分比；

所述HFPN为第二预设高频范围内的功率占第二预设全频功率的百分比；

所述MFP为所述第二预设低频范围内的功率和所述第二预设高频范围内的功率之间的比值。