[发明专利]用于睡眠阶段检测的方法、计算设备和可穿戴设备

说明书

在所描述的实施例中，公开了一种睡眠阶段检测的方法。该方法包括：接收第一生命体征特征701a，该第一生命体征特征701a包括与多个时期中的相应时期对应的多个第一特征值v1‑v11；以及执行第一逻辑回归运算701a'，以基于对应的第一特征值v6和所述时期中的先前时期v1‑v5和后续时期v7‑v11的第一指示值计算这些时期中的每个中间时期的第一指示值702a，指示值702a描述对应的中间时期的睡眠阶段。还公开了创建用于逻辑回归的模型的方法，提取心率变异性特征的方法，创建用于提取心率变异性特征的模型的方法，推导医疗剂量的方法，评估对医疗剂量的反应性的方法，计算机可读介质，计算设备和可穿戴设备。

技术领域

本公开一般地涉及一种用于睡眠阶段检测，具体地说，涉及基于机器学习检测包括快速眼动(REM)和非REM(NREM)的睡眠阶段的方法、计算设备和可穿戴设备。

背景技术

众所周知，一个人的身体和精神状态会受到他们睡眠质量的影响。优质的睡眠对于保持健康、幸福和良好的心情至关重要。入睡时，人通常会在快速眼动(REM)阶段和非快速眼动(NREM)阶段之间过渡。多项研究发现，REM阶段在情绪调节和记忆巩固中起着重要作用。此外，已发现抑郁症与REM睡眠失调(例如增加的REM睡眠持续时间和缩短的REM潜伏期)密切相关。因此，可以监测睡眠阶段，以为睡眠行为分析和压力管理以及抑郁症治疗、老人护理和性能分析提供重要信息。分析的质量以及治疗的质量在很大程度上取决于所收集的数据，既包括数据的质量，也包括数据的数量。为了满足这些要求，所采用的监测设备通常需要大量硬件并且非常复杂。

当前睡眠研究的黄金标准是多导睡眠图(PSG)。这需要大量传感器，其中包括脑电图(EEG)、眼电图(EOG)、肌电图(EMG)、心电图(ECG)和呼吸传感器。尽管PSG为睡眠研究提供了更多信息，但它高度固定且价格昂贵，这使得它无法进行海量观察。

美国专利第9,655,559B2号公开了使用可穿戴传感器的自动睡眠分期。所公开的布置具有多个缺点，例如，精度较差，并且对较差传感器读数的敏感性较低。

期望提供一种用于睡眠阶段检测的方法、计算设备和可穿戴设备，它们能够解决现有技术的至少一个缺点和/或为公众提供了有用的选择和/或替代选择。

发明内容

根据一方面，提供了一种睡眠阶段检测的方法，包括：接收第一生命体征特征，所述第一生命体征特征包括与多个时期中的相应时期对应的多个第一特征值；以及执行第一逻辑回归运算，以基于对应的第一特征值以及所述时期中的先前时期和后续时期的第一特征值计算所述时期中的每个中间时期的第一指示值，所述第一指示值描述对应的中间时期的睡眠阶段。

所描述的实施例是特别有利的。例如，通过基于多个时期中的先前时期、中间时期和后续时期的第一特征值，相对于多个时期中的每个中间时期执行第一逻辑回归运算，可以计算描述多个时期中的每个中间时期的睡眠阶段的第一指示值。这是有利的，因为不仅使用了先前时期和中间时期的特征值，而且还使用了后续时期的特征值，从而提高了精度。在一个实施例中，由于所需的最少数据量和处理量，该方法需要以硬件形式、软件形式或两者的组合来实现较少的计算资源。因此，该方法特别适合于但不限于使用可穿戴设备的实现。

所述第一生命体征特征可以涉及心率、脉冲波形变异性和心率变异性的卷积高频功率中的一个。这些生命体征特征被发现与睡眠阶段相关，因此用于检测睡眠阶段。

优选地，第一逻辑回归运算可以包括加权和sigmoid运算。与非线性模型相比，逻辑回归运算更简单，更易解释。在机器学习领域中公知的是，与简单模型相比，复杂模型具有更高的过拟合风险。因此，通过使用逻辑回归运算，根据一个实施例的睡眠阶段检测适合在例如可穿戴设备上执行。关于卷积神经网络使用的用于提取涉及三个维度的HRV PSD的相对复杂的算法例如可以在云服务的服务器上执行。提取HRV PSD。