[发明专利]基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质

说明书

本发明提供一种基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质，该方法包括：获取用户的脑电信号；提取脑电信号的特征；将脑电信号的特征输入基于样本数据集训练的机器学习模型，机器学习模型输出用户的睡眠分期识别结果，睡眠分期识别结果指示用户处于多种睡眠分期的概率；计算脑电信号的特征相对于样本数据集的异常程度；基于异常程度对用户的睡眠分期识别结果进行调整。本发明基于用户脑电信号特征相对于样本数据集的异常程度对用户的睡眠分期识别结果进行调整，能够克服用户脑电信号特征与样本数据集的差异所带来的影响，从而有利于准确识别用户睡眠分期。

技术领域

本发明涉及计算机技术领域，具体涉及一种基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质。

背景技术

目前临床上监测睡眠的典型方法是用多导睡眠仪(Polysomnography，PSG)采集睡眠期间的生理信号，包括脑电(EEG)、眼电(EOG)、肌电(EMG)、心电(ECG)、血氧饱和度(SpO2)和呼吸信号。睡眠分期是由专家根据RK(一种睡眠脑波分析方法)规则对PSG信号进行人工目测分析。而PSG信号需由专业人员来操作，技术要求较高，费用昂贵，并且人工对睡眠进行分期这种方式非常繁琐、耗时，准确率及效率很低。而在标准睡眠检查时使用的多通道生理信号监测仪，则需要在受测者身上黏贴大量电极，不仅事前黏贴及事后清洁相当麻烦，繁乱的线路也会对睡眠品质造成不良影响，不论是对医事人员或是受测者而言，都是较差的使用体验，也严重限制了睡眠检查环境。由于床位不足及睡眠资料判读方法繁复，检查前后往往需要漫长等待，这对于提升睡眠品质完全没有帮助，也没有效率。在医疗资源有限的情况下，若能利用简化的检查预先将不需进行完整睡眠检查的病患剔除，对医事人员及病患都是有益消息。因此，建立仅仅基于单导联的EEG信号的睡眠自动分期的方法与模型，可在临床上为睡眠质量的评估提供更为简便、快捷、准确的评估途径。

不少研究提出了利用前额单通道EEG进行自动化睡眠分期的方法，即利用机器学习模型，在缺乏眼动信号而难以判读快速动眼期的情况下，达到了可观的正确率，不仅简化了电极的黏贴清洁步骤，提供患者于家中自行进行初步检查的可能，也为受测者节省下大量时间金钱，减少许多不必要的医疗资源浪费。而简化后的系统，更是可以大幅放宽了睡眠检查对医疗环境的依赖，提供了居家长期监测睡眠品质的可能。

关于EEG的睡眠分期方法有很多，目前最为主流的是机器学习，一般流程：第一步是信号采集，然后进行预处理：去除数据集中的噪声和其他异常值。特征提取决定了数据的频谱及其对应的特征。特征选择是分离出所需的分类器，机器学习方法将对这些分类器进行后续训练。机器学习训练涉及到使用训练数据集，无论是否有已知的输出来细化分类方法。最后，测试阶段是处理真实的测试数据集，并比较所需特征的总体精度。

目前，基于单导联的EEG信号，通常采用机器学习的方法进行分析，其分类性能是基于训练数据的，而实际的部署环境中的数据和训练的数据存在很大不同，缺乏相应的评估方法无法准确评估模型的实际准确程度，导致模型输出的用户睡眠分期识别结果准确性不足。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地准确识别用户睡眠分期的基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质。

第一方面，本发明提供一种基于异常检测的睡眠分期识别方法，所述方法包括：获取用户的脑电信号；提取所述脑电信号的特征；将所述脑电信号的特征输入基于样本数据集训练的机器学习模型，所述机器学习模型输出所述用户的睡眠分期识别结果，所述睡眠分期识别结果指示所述用户处于多种睡眠分期的概率；计算所述脑电信号的特征相对于所述样本数据集的异常程度；基于所述异常程度对所述用户的睡眠分期识别结果进行调整。