[发明专利]一种睡眠分析方法、系统、电子设备及存储介质

说明书

本公开实施例提出一种睡眠分析方法、系统、电子设备及存储介质，方法包括：将生物信号按时间顺序划分为预设长度的分段信号；基于分段分析模型，确定每段分段信号的第一结果数据；将所有第一结果数据按时间顺序排序，基于综合分析模型，确定生物信号的第二结果数据；其中，分段分析模型和/或综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。与现有技术相比的有益效果在于本公开实施例提出的睡眠分析方法受外界环境因素影响少，检测结果稳定，能够极大地提高结果的准确性，提升了模型的鲁棒性。

技术领域

本公开涉及生物信号睡眠分析的神经网络技术领域，具体涉及一种睡眠分析方法、系统、电子设备及存储介质。

背景技术

睡眠障碍是睡眠量的异常及睡眠质的异常，或在睡眠时发生的某些临床症状，其中，阻塞性睡眠呼吸暂停综合征(Obstructive Sleep Apnea Hypopnea Syndrome，OSAHS)是常见疾病，严重影响睡眠结构和睡眠质量，同时还是高血压、心脏病和脑血管疾病等多种疾病的危险因素。通常采集患者的生物信号进行睡眠障碍的分析和检测，生物信号是反映生物体的生命活动状态的信号，常见生物信号包括心电信号、呼吸信号、脉搏信号、脑电信号等。

采用神经网络方法进行睡眠分析时常常将某一种生物信号输入传统的神经网络中进行睡眠分析，睡眠分析结果包括整体睡眠质量的相关指数及局部睡眠情况，如睡眠分期结果和呼吸暂停结果。

图1为传统神经网络中人工神经元结构示意图，其中，神经网络的基本构件神经元由w₁,w₂,w₃,…,w_n及b这些参数构成，传统神经网络的神经元中这些参数是确定的数值，通过训练过程确定这些参数，也可以通过训练过程改变这些参数，但是训练完成后这些参数便是确定的数值。

采用传统神经网络进行睡眠分析的前向运算对应的数学公式见公式(1)：

其中x₁，x₂，x₃，…，x_n为输入数据，Z为输入数据与神经元参数进行线性运算的结果，y为Z经过非线性运算f的结果。非线性运算f包括relu、sigmoid、tanh等算法。

可是这些输入数据在生物信号的采集和分析过程中容易受干扰影响，导致分析结果不准确，另外进行睡眠分析的传统神经网络中神经元参数w₁,w₂,w₃,…,w_n及b通常是确定的数值，虽然通过神经网络的训练过程可以改变这些参数，但是在训练完成后这些参数就是确定的数值，不能够再随实际情况的变化进行适应性调整，受外界环境影响较大，这样会导致利用这种传统的神经网络进行睡眠分析的结果准确性不高，传统的神经网络鲁棒性较低。

发明内容

为了解决上述技术问题，本公开实施例提供了如下的技术方案：

本公开实施例一种睡眠分析方法，所述方法包括：将生物信号按时间顺序划分为预设长度的分段信号；基于分段分析模型，确定每段所述分段信号的第一结果数据；将所有所述第一结果数据按所述时间顺序排序，基于综合分析模型，确定所述生物信号的第二结果数据；其中，所述分段分析模型和/或所述综合分析模型的每个神经元参数的取值区间均为符合预设概率分布的随机变量的集合。

在一些实施例中，所述基于分段分析模型，确定每段所述分段信号的第一结果数据，包括：将每段所述分段信号作为所述分段分析模型的第一输入向量；在所述分段分析模型的神经元参数的取值区间中随机选取一个数值，作为所述分段分析模型的第一神经元参数；基于所述第一神经元参数对所述第一输入向量进行前向计算，根据计算结果确定每段所述分段信号的第一结果数据。

在一些实施例中，所述第一结果数据至少包括睡眠分期数据和/或呼吸暂停数据。