[发明专利]睡眠分期方法及装置

权利要求书

1.一种睡眠分期方法，其特征在于，包括：

从采集到的原始多导睡眠图中获取生理信号；

对所述生理信号进行降噪处理；

提取降噪处理后的生理信号对应的数字特征以及神经网络特征；

对所述数字特征与所述神经网络特征进行融合，得到融合特征；

将所述融合特征输入至预设的序列学习模块，得到序列特征；

对所述序列特征进行分类，确定睡眠分期。

2.如权利要求1所述的睡眠分期方法，其特征在于，所述对所述生理信号进行降噪处理，包括：

使用不同种类的小波基对所述生理信号进行小波分解，根据降噪结果确定所使用的目标小波基；

确定所述目标小波基对应的分解层数；

确定小波系数的阈值，所述小波系数的阈值与所述生理信号的长度相关，并使用软阈值降噪函数对所述小波系数进行降噪处理；

将降噪后的小波系数合成为新的信号，作为所述降噪处理后的生理信号。

3.如权利要求1所述的睡眠分期方法，其特征在于，所述从采集到的原始多导睡眠图中获取生理信号，包括：

从所述原始多导睡眠图中获取脑电信号以及眼电信号，作为所述生理信号。

4.如权利要求3所述的睡眠分期方法，其特征在于，在从所述采集到的原始多导睡眠图中获取生理信号之后，还包括：

以预设时长对所述脑电信号以及所述眼电信号进行周期划分。

5.如权利要求1所述的睡眠分期方法，其特征在于，所述提取降噪处理后的生理信号对应的数字特征，包括：

提取所述降噪处理后的所述生理信号对应的如下特征中的至少之一：平均值、方差、最大值、能量、功率谱密度、样本熵、Hurst指数、Lyapunov指数、去趋势分析以及相关维度。

6.如权利要求1所述的睡眠分期方法，其特征在于，所述提取降噪处理后的生理信号对应的神经网络特征，包括：

将所述降噪处理后的生理信号输入至预设的通用卷积神经网络中，得到所述降噪处理后的生理信号对应的神经网络特征；

所述通用卷积神经网络包括2N个卷积层以及N个最大池化层和一个dropout层，每2个卷积层之间设置有1个最大池化层，第一个最大池化层的输出为dropout层的输入；N≥2。

7.如权利要求1所述的睡眠分期方法，其特征在于，所述对所述数字特征与所述神经网络特征进行融合，得到融合特征，包括：

分别对所述数字特征与所述神经网络特征进行扁平化处理，得到一维数字特征向量以及一维神经网络特征向量；

将所述一维数字特征向量与所述一维神经网络特征向量进行拼接融合，得到所述融合特征。

8.如权利要求1所述的睡眠分期方法，其特征在于，所述预设的序列学习模块为双向长短期记忆网络模型。

9.如权利要求1所述的睡眠分期方法，其特征在于，所述对所述序列特征进行分类，确定睡眠分期，包括：

将所述序列特征输入至预设的分类模型，由所述预设的分类模型对所述序列特征进行分类；

所述预设的分类模型由两层全连接层与一层softmax层组成，第一层全连接层与第二层全连接层、所述softmax层依次连接；所述睡眠分期包括：清醒期、非快速眼动1期、非快速眼动2期、非快速眼动3期和快速眼动期。

10.一种睡眠分期装置，其特征在于，包括：

获取单元，用于从采集到的原始多导睡眠图中获取生理信号；

降噪单元，用于对所述生理信号进行降噪处理；

提取单元，用于提取降噪处理后的生理信号对应的数字特征以及神经网络特征；

融合单元，用于对所述数字特征与所述神经网络特征进行融合，得到融合特征；

学习单元，用于将所述融合特征输入至预设的序列学习模块，得到序列特征；

确定单元，用于对所述序列特征进行分类，确定睡眠分期。