[发明专利]睡眠分期方法及装置

说明书

一种睡眠分期方法及装置，所述方法包括：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。上述方案能够提高睡眠分期的精确度。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种睡眠分期方法及装置。

背景技术

睡眠是生物学的基本要素，也是人体自我调节的重要活动，良好的睡眠质量对人们的生活非常重要。阻塞性睡眠呼吸暂停(OSA)是一种与睡眠有关的慢性疾病，伴有嗜睡，认知能力下降，焦虑和抑郁等症状，严重影响生活质量并且与系统性多系统疾病的发生和发展密切相关。OSA是主要慢性疾病的危险因素。分析人们的睡眠结构并评估他们的睡眠质量非常重要，睡眠结构和睡眠质量可以通过睡眠阶段来表达。

人们在睡眠期间，大脑处于活动状态，可以通过脑电图反映出来。PSG记录对象是整个晚上睡眠的生理信号。PSG是一个多变量系统，由诸如脑电(EEG)，心电图(ECG)，眼电(EOG)和肌电图(EMG)等信号记录组成。在实际应用中，通常以30秒为周期将PSG划分为不同的睡眠阶段。睡眠阶段通常包括夜间清醒(Wake)阶段，快速眼动(REM)阶段和非REM(NREM)阶段。根据美国睡眠医学学会(AASM)的新标准，NREM阶段可以进一步分为N1，N2和N3阶段。PSG信号的视觉检查和睡眠阶段的手动确定是复杂且耗时的过程，需要专业知识。完整的夜间睡眠记录通常需要两个多小时才能由熟练的专家进行可靠评估。而且人工判断具有很强的主观因素，如果经验不丰富，很容易出现分类错误。

发明内容

本发明解决的技术问题是如何提高睡眠分期的精确度。

为解决上述技术问题，本发明实施例提供一种睡眠分期方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。