[发明专利]自适应聚点生成的睡眠阶段分期方法

权利要求书

1.自适应聚点生成的睡眠阶段分期方法，其特征在于，包括如下步骤：

步骤S1、获取睡眠原始监测数据：通过生命体征参数测量设备，获取生命体征参数；

步骤S2、数据预处理：去除状态异常数据，并对数据进行统计学分位数处理；

步骤S3、特征数据分析，进行特征选取提取：提取睡眠各阶段各指标样本数据，通过分析各阶段的差异，选择能表征睡眠阶段的特征属性；

步骤S4、自适应聚类算法寻找睡眠特征的聚点：通过加权聚类算法，提取k个特征属性的聚点Truth^k，并获得聚点距离范围内的误差指标值α^k；

步骤S5、构建睡眠分期识别模型：依据聚点Truth^k和误差指标α^k规则识别睡眠状态及睡眠分期阶段；

步骤S6、睡眠分期修正：通过初步判断的睡眠分期阶段进行归一化加权评分分析，精准更新睡眠分期阶段。

2.根据权利要求1所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S1中所述生命体征参数测量设备为非接触式生命体征监护雷达设备，所述生命体征参数包括设备与人体之间的检测距离、呼吸率、心率、设备返回信号强度大小、人体异常状态、体动状态和设备所检测数据时间。

3.根据权利要求1所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S2包括如下步骤：

步骤S21、去除状态异常数据：去除状态识别为“小动作”、“持续动作”、“平静”、“安静”、“呼吸骤停”或“跌倒”的情况，且在状态开始至结束的一分钟内所产生的数据将作为噪声不考虑计算；

步骤S22、对去除状态异常数据之后的数据进行统计学分位数处理：使用统计学中分位数处理方法，将所有数值由小到大排列并分成十等份，取中间第二等份至第九等份数据作为重要参考数据。

4.根据权利要求2所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S3具体为：根据睡眠各阶段不同特征样本数据，绘制各阶段不同特征曲线走势图，通过分析各阶段的差异选择能表征睡眠阶段的特征属性，所述能表征睡眠阶段的特征属性包括设备与人体之间的检测距离、呼吸率、心率、设备返回信号强度大小。

5.根据权利要求1所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S4具体包括如下步骤：

步骤S41、确定聚点真值估计值公式：

聚点真值估计值表示为：其中x_i表示第i个数据源(设备每秒上传的数据)所提供的观测值，w_s表示数据源的权重，s表示数据源；

步骤S42、确定数据源权值分配模型：

步骤S43、确定加权聚类算法流程；具体为：根据数据源提供的观测值，初始化聚点真值，并通过损失函数及对数标准化函数引入权重，更新聚点真值；

步骤S44、确定聚点范围内的误差指标值α^k：

式中，表示第k个特征属性的第i个数据源所提供的观测值，i表示聚合x的个数，k表示特征属性，Std(·)表示标准差。

6.根据权利要求5所述的自适应聚点生成的睡眠阶段分期方法，其特征在于，所述步骤S42具体为：每个睡眠时间点的每个属性值x的权重w：

score＝|x-max(x)|/std(x)

其中θ＝0.00001

其中，std(x)为属性值x的标准差，max(x)为属性值x的最大值，score为获取权重的中间参数，∑score为所有属性值x的中间参数之和，max(score)为所有属性值x的中间参数中的最大值；

所述步骤S43具体为：使用加权平均函数WeightedMedian，计算出单个特征属性下，每个属性值x的权重w的聚类结果聚点值Truth:

Truth＝WeightedMedian(x,w)

每个属性值x数据对应一个权重，从属性值x数据开始点累加，直到到达数据总和的1/2，则该属性值x数据点选为这个训练数据集合的聚点值Truth。