[发明专利]一种基于ECG信号的睡眠自动分期方法

说明书

本发明公开了一种基于ECG信号的睡眠自动分期方法。该方法包括对MITBPD数据库中的ECG信号进行预处理，构建RP信号并提取HRV信号；提取HRV信号特征和RP信号时域特征；采用递归特征消除的随机森林算法对提取的特征进行预处理并进行特征选择；将选择出来的特征再次进行特征预处理，训练多种分类模型并筛选得到最优分类模型，对该模型优化后进行睡眠分期。本发明为了解决现有技术中特征提取时仅考虑了单独的ECG或HRV信号特征，且在特征选择时只考虑了特征重要度的影响，并在睡眠分期中直接选用一种分类模型的问题，采用了结合RP信号和HRV信号，并筛选重要度高的特征和性能好的分类模型的方法，降低了ECG信号提取难度，凸显出了ECG信号特点，保证了睡眠分期准确率。

技术领域

本发明涉及睡眠自动分期方法，尤其涉及一种基于ECG信号的睡眠自动分期方法。

背景技术

睡眠作为人的一项重要生理活动，对一个人的健康至关重要。然而，随着生活节奏的加快和生活方式的改变，嗜睡和睡眠结构紊乱威胁着人们的日常活动和公共安全。据统计，全球多达24％的成年人口有睡眠问题，每年用于睡眠问题的总成本超过1000亿美元。睡眠分期作为研究睡眠和评估睡眠质量的基础，从生理上来讲，可分为三大时期：清醒期(Wake)、快速眼动期(Rapid Eye Movement,REM)和非快速眼动期(Non-rapid EyeMovement,NREM),NREM又包括N1～N4等4期。在睡眠医学中，多导睡眠监测(Polysomnography,PSG)作为睡眠分期研究的“金标准”，其缺点却是价格高昂、操作复杂，不利于人们日常检测。为了提高监测睡眠的便携性，现选用心电(Electrocardiogram，ECG)信号进行分析，与PSG分析相比，其结果同样准确。

迄今为止，研究人员在基于心电信号的睡眠自动分期中已经取得了许多有价值的研究成果。现有技术中有选用奇异值分解、变分模式分解、希尔伯特黄变换和形态学方法这4种方法分别提取ECG信号特征，然后直接采用随机森林(Random Forest,RF)将睡眠分为3期(Wake-REM-NREM)的方法。然而，大多数基于ECG信号的睡眠分期方法主要是对心率变异性(Heart Rate Variability，HRV)信号进行分析。例如，通过时域、频域和非线性方法提取41个HRV特征，然后基于特征重要度进行特征选择，最后直接利用树为500的随机森林评估3期睡眠；通过提取HRV特征，并采用时变睡眠阶段转换(Time-dependent Sleep StageTransition，TSST)模型评估3期睡眠；采用时变自回归模型提取HRV特征，并选用隐马尔可夫模型(Hidden Markov Models,HMM)进行3期睡眠分期等。

以上的方法在特征提取时仅考虑了单独的ECG或HRV信号的特征，且在特征选择时只考虑了特征重要度的影响，并在睡眠分期中直接选用一种分类模型。由于机器学习方法，要想有一个很好的分类效果，不仅需要数据的典型特征，还需要考虑模型是否适合这一类数据。因此，单独采用一种信号特征并直接用于睡眠分期，限制了睡眠分期的准确性。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于ECG信号的睡眠自动分期方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于ECG信号的睡眠自动分期方法，包括以下步骤：

S1、对MITBPD数据库中的ECG信号进行预处理，构建RP信号并提取HRV信号；

S2、提取HRV信号特征和RP信号时域特征；

S3、采用递归特征消除的随机森林算法对步骤S2中提取的特征进行预处理并进行特征选择；

S4、将步骤S3选择出来的特征再次进行特征预处理，训练多种分类模型并筛选得到最优分类模型，对最优分类模型优化后进行睡眠分期。