CN109171656A - 一种不宁腿综合症的早期检测方法 - Google Patents

Abstract

一种不宁腿综合症的早期检测方法，在床板背面设置至少一个检测单元对受试者在睡眠过程中的下肢运动进行实时检测，三轴加速度传感器采集受试者下肢体动信号传送给***控制与信号处理模块进行预处理，将三轴加速度信号合成为一维合加速度信号，再通过滑窗操作，从中截取长度为2秒的一维合加速度信号序列，去除该序列中的初始状态的重力加速度，计算一维合加速度信号序列的平均振动能量，若该能量大于所设定阈值，则认为该信号序列对应的2秒时段内发生下肢体动，将其发生时间通过通讯模块传输至上位机，在上位机程序中计算下肢体动的在定义睡眠时段内的发生频率，通过对照诊断指标，判断此睡眠时段内下肢体动是否属于不宁腿综合症早期症状。

Description

一种不宁腿综合症的早期检测方法

技术领域

本发明涉及睡眠运动障碍疾病的临床检测方法，尤其涉及一种不宁腿综合症的早期检测方法，检测过程中，检测设备不与被检测者接触，可用于智能家居、体感网、疾病预防与诊断等领域。

背景技术

睡眠体动障碍是一大类睡眠疾病，其中，夜间腿痉挛和不宁腿综合症是发病率较高的两类睡眠运动障碍疾病。不宁腿综合症患者同时出现睡眠潜伏期延长、夜间觉醒次数增多和睡眠效率下降等症状，严重危害睡眠质量。不宁腿综合症的临床表现为下肢出现难以名状的不适感，类似痒、虫爬感，少数有疼痛和肌肉痉挛，患者会出现强烈的活动下肢的愿望。80％的患者同时伴有周期性肢动，即在睡眠过程中出现肢体不自主运动，呈周期性反复的刻板动作。根据国际不宁腿综合症强化治疗组于2003年提出的诊断标准，只要在睡眠期间检测到下肢出现不自觉周期性肢动，则认为符合不宁腿综合症的临床表现。

目前采用的多导睡眠监测、视频监测和贴身佩戴传感器等方法都或多或少给使用者带来心理、生理上的压力，直接影响了使用者的睡眠质量。因此，设计一种在生理与心理层面上都不妨碍患者睡眠，并能够对患者睡眠过程中的下肢运动进行实时检测，从而设计一种不宁腿综合症的早期诊断设备是十分必要的。

发明内容

本发明的目的是提供一种不宁腿综合症的早期诊断设备，该设备在运行时，能够识别睡眠期间的周期性下肢体动，且使用者不会感觉到设备的运行。

实现本发明目的所采用的技术方案如下：一种不宁腿综合症的早期检测方法，其特征在于，设置安装在床板背面的至少一个检测单元对受试者在睡眠过程中的下肢运动次数和时间分布进行实时检测，检测单元包括与床板背面安装固定的基座和电路部分，采用一个检测单元时，该检测单元定义为主检测单元，主检测单元的固定位置与人体下肢区对应，主检测单元的电路部分包括加速度传感器模块、***控制与信号处理模块、通讯模块和电源模块，加速度传感器模块与***控制与信号处理模块双向交互连接，***控制与信号处理模块与通讯模块双向交互连接，电源模块向各模块供电；在***预定义的睡眠时段内，加速度传感器模块中的三轴加速度传感器采集受试者下肢体动信号，将采集到的下肢体动信号传送给***控制与信号处理模块，***控制与信号处理模块对采集到的下肢体动信号进行预处理，首先将三轴加速度信号合成为一维合加速度信号，再通过滑窗操作，从一维合加速度信号中截取长度为2秒的一维合加速度信号序列，然后去除该序列中的初始状态的重力加速度，计算去除重力加速度后的一维合加速度信号序列的平均振动能量，若该能量大于所设定阈值，则认为该信号序列对应的2秒时段内发生下肢体动，将对应的下肢体动发生时间通过通讯模块传输至上位机，最后，***在上位机程序中计算下肢体动的在定义睡眠时段内的发生频率，即单位时间内发生的下肢体动次数，通过对照单检测单元的诊断指标，来判断此睡眠时段内下肢体动是否属于不宁腿综合症早期症状，判断结果经通讯模块传送给上位机，***控制与信号处理模块也通过通讯模块接收上位机发送的控制、同步命令，包括修改预定义的睡眠时段或经由上位机自定义控制而随时开启、结束一个睡眠时段。

所述***控制与信号处理模块对三轴加速度传感器采集到的下肢体动信号进行预处理及有效下肢体动识别的具体步骤如下：

1)首先用公式(1)将三轴加速度信号进行合成，得到一维合加速度信号：

其中,a代表一维合加速度，a_x代表一维合加速度中x轴加速度分量，a_y代表一维合加速度中y轴加速度分量，a_z代表一维合加速度中z轴加速度分量；

2)设置宽为2s的矩形窗对上述一维合加速度信号进行滑窗截取，设采样率为H次/秒，H≥50，则得到一个长度为2H的一维合加速度信号序列，为了消除硬件设备初始状态差异的影响，去除一维合加速度序列中的重力加速度，采用一维合加速度信号序列的平均值近似估计重力加速度，使用公式(2)去除该一维合加速度信号序列均值，实现原始一维合加速度信号序列的中心化处理：

其中，a_n代表原始一维合加速度信号序列中第n个数据；代表中心化一维合加速度信号序列中第n个数据；

3)为提高***效率，只对包含有效动作的一维合加速度信号序列进行分类识别，采用公式(3)计算中心化一维合加速度信号序列平均能量：

其中，代表中心化一维合加速度信号序列的平均能量；

4)采用阈值法确定有效运动时段，当某中心化一维合加速度信号序列能量超过预设阈值时，判定该信号序列对应时间段为有效运动时间段；阈值设置方法：在安装好检测单元后，首先采集一组空床信号进行***校准，***使用上述方法进行数据预处理，并计算空床中心化一维合加速度信号序列的平均能量，阈值被设置为该能量的3倍，用于有效体动判断；

5)单检测单元的检测指标为：以下肢体动频率评估周期性肢动指数，即每小时下肢活动次数，大于5次认为符合不宁腿综合症早期症状，其中，轻度症状5-24次，中度症状25-49次，重度症状≥50次；

6)主检测单元通过通讯模块将处理后的预定义或自定义的睡眠时段内每次运动时间段的中心化一维合加速度信号序列及其对应时间传至上位机实现睡眠体动数据的收集和存储，并计算***定义各睡眠时段内体动发生频率，如果最终检测到的下肢体动发生频率符合单检测单元诊断指标的不宁腿综合症症状，在整晚检测完成后，在手机上检测报警。

所述检测单元除一个主检测单元外，还设置两个从检测单元，主检测单元安装在与人体上半身对应位置，两个从检测单元分别安装在与人体下肢对应位置，从检测单元的电路部分包括与主检测单元相同的加速度传感器模块、通讯模块和电源模块，在预定义或自定义的睡眠时段内，从检测单元依据主检测单元发送的同步指令、控制命令，实时采集人体运动的加速度信号，主检测单元除了自身加速度传感器模块采集信号之外，还接收两个从检测单元带有时间同步信息的三轴加速度数据，三个检测单元加速度传感器采样率相同，主检测单元***控制与信号处理模块首先对1个主检测单元和2个从检测单元的三通道时间同步数据分别进行预处理，方法步骤同单个检测单元，再将三通道时间同步的中心化一维合加速度信号序列按照***预定义的三个检测单元之间的固定顺序进行拼接，三个检测单元的三轴加速度传感器采样率均为H次/秒，H≥50，则得到长度为6H的拼接后的中心化一维合加速度信号序列，并使用公式(4)计算该信号序列的平均能量：

其中，代表该拼接后的中心化一维合加速度信号序列的平均能量；代表拼接后的中心化一维合加速度信号序列中第n个数据，若计算得该信号序列平均能量大于设定阈值，则认为该信号序列包含有效运动，阈值设定方法：首先计算空床时期的拼接后中心化一维合加速度信号序列的平均能量，再将阈值设定为该平均能量的2.5倍，然后将包含有效运动的拼接后的中心化一维合加速度信号序列和该序列对应的时间数据通过通讯模块传输至上位机，在上位机中基于深度学习来进一步分类识别睡眠中的具体7种体动类型：下肢活动、上肢活动、坐起、躺下、翻身、离床和其它，然后，记录各类型体动发生时间，并分别计算在***定义各睡眠时段内各类动作的发生频率，最后，***通过对照多检测单元诊断指标，来判断此睡眠时段内睡眠体动是否属于不宁腿综合症早期症状，在手机上进行检测报警。

多检测单元检测指标为：以“下肢活动”类发生频率评估周期性肢动指数，即每小时下肢活动次数，大于5次认为符合不宁腿综合症早期症状，其中，轻度：5-24次，中度：25-49次，重度：≥50次；以“上肢活动”、“翻身”和“其它”3种类型活动总发生频率评估伴随下肢体动的微觉醒指数，即每小时轻度觉醒次数，轻度：5-20次，中度：20-39次，重度：≥40次；以“坐起”、“躺下”和“离床”3种类型活动总发生频率评估伴随下肢体动的完全觉醒指数，即每晚完全觉醒次数，轻度：≤1次，中度：2-3次，重度：>3次。

所述深度学习基于python的Keras框架构建神经网络，选择了全连接前馈网络作为基础结构，整个网络分为三层：输入层、隐层和输出层，分别包含600、300和7个神经元，此外，在训练中加入Dropout层以抑制过拟合倾向。

本发明的优点及其显著效果：

1)与佩戴在人体上的睡眠中人体运动检测方法相比，本发明提出的睡眠中人体运动检测方法在使用时不与人体接触，亦不被使用者看到，不会对使用者产生任何生理与心理上的负担，完全做到了使用者感觉不到自身运动被检测。

2)与基于视频的睡眠中人体运动检测方法相比，本发明提出的睡眠中人体运动检测装置不对使用者隐私带来影响，亦不会对使用者产生任何心理负担。

3)与放置在床上、枕头内的睡眠中人体运动检测方法相比，本发明提出的睡眠中人体运动检测装置与床的位置相对固定，不存在更换床上用品时增加额外步骤。此外，本发明提出的检测装置在使用时不出现在使用者的视野中，也不会对使用者产生心理负担。

附图说明

图1是主检测单元电路框图；

图2是从检测单元电路框图；

图3是检测单元安装示意图；

图4是使用单个主检测单元检测睡眠体动的安装示意图；

图5是使用3个检测单元识别不宁腿综合症早期临床症状安装示意图；

图6是神经网络结构图。

具体实施方式

如图3，将床体分为睡眠区与置物区，睡眠区指床垫上方睡眠区域，置物区指床垫下方的睡眠体动检测单元安装区域。

如图1，主检测单元电路部分包含加速度传感器模块、***控制与信号处理模块、通讯模块以及电源模块，电路部分制成PCB板。主检测单元的通讯模块完成与上位机的通讯。主检测单元与上位机的通讯内容包含：根据上位机不同的要求，将主检测单元获得或经由主检测单元处理后的各种数据发送给上位机；接收上位机发送的控制、同步命令。

如图2，每个从检测单元电路部分包含加速度传感器模块、通讯模块以及电源模块，电路部分制成PCB板。从检测单元依据主检测单元发送的同步指令、控制命令，在正常睡眠时段或主检测单元自定义的睡眠时段，实时采集人体运动的加速度信号，并将带有时间同步信号的加速度数据发送回主检测单元。

本发明可以采用单个主检测单元独立检测模式，也可以采用多个检测单元联合检测模式。

实施例1，采用单个主检测单元独立检测模式时，主检测单元的加速度传感器模块在特定的睡眠时段内进行实时加速度信号采集，并将采集到的数据传给控制与信号处理模块。主检测单元的控制与信号处理模块可经通讯模块接收上位机的控制命令，修改睡眠时段的预定义，也可经由上位机自定义控制而随时开启、结束一个睡眠时段。在***预定义的睡眠时段内，主检测单元加速度传感器模块采集到下肢体动信号后，***控制与信号处理模块对信号进行预处理：首先将三轴加速度信号合成为一维合加速度信号序列；然后去除初始状态的重力加速度后，通过滑窗操作，计算长度为2秒的信号序列平均振动能量，若某段能量大于设定阈值，则认为该2秒段内发生下肢体动，将体动发生时间通过通讯模块传输至上位机；最后，***在上位机程序中计算下肢体动的在定义睡眠时段内的发生频率(单位时间内发生的下肢体动次数)，再通过对照单检测单元的诊断指标，来判断此睡眠时段内下肢体动是否属于不宁腿综合症早期症状。单检测单元的诊断指标：以下肢体动频率评估周期性肢动指数(每小时下肢活动次数)——大于5次认为符合不宁腿综合症早期症状：轻度：5-24次，中度：25-49次，重度：≥50次。加速度传感器模块采用三轴加速度传感器，***控制与信号处理模块采用430单片机芯片，该芯片内置蓝牙协议，即检测单元采用无线方式与上位机通讯，电源模块采用3.7V锂电池。电路部分制成PCB板，其尺寸为20x 50mm。

如图4所示，主检测单元安装在床板背面。设床头到床尾的两边为长边L，其余两边为短边M。受试者平躺于床上时(俯视图，下同)受试者右侧床头角为坐标原点，x轴沿床短边从受试者右侧至左侧指向正方向；y轴沿床长边从床头至床尾指向正方向，则主检测单元在床板背面分布的位置坐标为：(0.5M,0.7L)。

在预定义或自定义的睡眠时段内，主检测单元的***控制与信号处理模块对自身加速度传感器模块采集到的人体运动信号进行处理。垂直于床板向上为传感器z轴正方向；水平面内，平行于床短边自原点起左侧向为传感器x轴正方向，平行于床长边自原点起向床尾为传感器y轴正方向，采样率设置H次/秒，H≥50。

与呼吸和心跳不同，人体运动采集到的信号特征明显，传感器采集到的加速度信号能量明显大于静止状态。本***利用该特点进行有效体动判断。设置宽为2s的矩形窗对信号进行滑窗截取。首先用公式(1)将三轴加速度信号进行合成，得到一维合加速度信号：

其中,a代表合加速度，a_x代表x轴加速度，a_y代表y轴加速度，a_z代表z轴加速度。

再设置宽为2s的矩形窗对上述一维合加速度信号进行滑窗截取,以采样率设置H＝50(50Hz)为例，得到一个长度为100的一维合加速度信号序列。为了消除硬件设备初始状态差异的影响，去除合加速度中的重力加速度。在该***中，使用上述得到的一维合加速度信号序列的平均值近似估计重力加速度，使用公式(2)去除该一维合加速度信号序列均值，实现原始一维合加速度信号序列的中心化处理：

其中，a_n代表原始一维合加速度信号序列中第n个数据；代表中心化一维合加速度信号序列中第n个数据。

然后，为提高***效率，只对包含有效动作的和合加速度信号序列进行分类识别，采用公式(3)计算中心化一维合加速度信号序列平均能量：

其中，代表该中心化一维合加速度信号序列的平均能量；和公式(2)中意义相同。最后，***采用阈值法确定有效运动片段，当信号片段能量超过预设阈值时，可判定该时间段为运动时间段。

阈值设置方法：在安装好设备后，首先采集一组空床信号进行***校准。***使用上述方法进行数据预处理，并计算空床信号序列的能量。阈值被设置为空床信号能量的3倍，用于有效体动判断。

主检测单元通过通讯模块将处理后的预定义或自定义的睡眠时段内每次运动时间段的信号序列及其对应时间传至上位机实现睡眠体动数据的收集和存储，并计算特定睡眠时段内体动发生频率。如果最终检测到的下肢体动发生频率符合单检测单元诊断指标的不宁腿综合症症状，在整晚检测完成后，在手机上进行诊断报警。

实施例2，采用多个检测单元联合检测模式时，1个主检测单元和2个从检测单元联合工作。主检测单元的通讯模块分别完成与上位机的通讯，以及与从检测单元的通讯。主检测单元与上位机的通讯内容包含：根据上位机不同的要求，将主检测单元获得或经由主检测单元处理后的各种数据发送给上位机；接收上位机发送的控制、同步命令。主检测单元与从检测单元的通讯内容包含：接收从检测单元发送的有时间同步信号的加速度数据；发送同步指令、控制指令给从检测单元。主检测单元的加速度传感器模块在特定的睡眠时段内进行实时加速度信号采集，并将采集到的数据传给控制与信号处理模块。主检测单元的控制与信号处理模块可经通讯模块接收上位机的控制命令，修改睡眠时段的预定义，也可经由上位机自定义控制而随时开启、结束一个睡眠时段。在***定义的特定睡眠时段内，主检测单元加速度传感器模块采集到信号或者接收到从检测单元发送的加速度信号后，***控制与信号处理模块首先对三通道时间同步数据分别进行预处理，方法同具体实施例1；再将三通道同步数据片段按照“主、从1、从2”的一个固定顺序进行拼接(该固定顺序是预设的，也可为：“主、从2、从1”、“从2、主、从1”、“从2、从1、主”、“从1、主、从2”或“从1、从2、主”)，以采样率设置H＝50(50Hz)为例，得到长度为300的一维中心化合速度信号序列，并按照公式(4)计算该信号序列的平均能量：

其中，代表该拼接后的中心化一维合加速度信号序列的平均能量；代表拼接后的中心化一维合加速度信号序列中第n个数据。若该能量大于设定阈值(空床平均能量的2.5倍)，则认为该信号序列包含有效运动信息；然后将该拼接后的一维中心化合速度信号序列和其对应的时间数据通过通讯模块传输至上位机。在上位机中，基于深度学习来进一步分类识别睡眠中的具体7种体动类型：下肢活动、上肢活动、坐起、躺下、翻身、离床和其它；然后，记录各类型体动发生时间，并分别计算在特定睡眠时段内各类动作的发生频率；最后，***通过对照多检测单元诊断指标，来判断此睡眠时段内睡眠体动是否属于不宁腿综合症早期症状。多检测单元诊断指标：以“下肢活动”类发生频率评估周期性肢动指数，即每小时下肢活动次数，轻度：5-24次，中度：25-49次，重度：≥50次；以“上肢活动”、“翻身”和“其它”3种类型活动总发生频率评估伴随下肢体动的微觉醒指数，即每小时轻度觉醒次数，轻度：5-20次，中度：20-39次，重度：≥40次；以“坐起”、“躺下”和“离床”3种类型活动总发生频率评估伴随下肢体动的完全觉醒指数，即每晚完全觉醒次数，轻度：≤1次，中度：2-3次，重度：>3次。在预定义或自定义的睡眠时段内，主检测单元除了自身加速度传感器模块采集信号之外，还接收2个从检测单元带有同步信号的数据。

上位机算法采用结合了自身位置和从检测单元位置信息为先验知识的检测方法，基于深度学习识别睡眠中的人体运动是否为单纯的下肢运动。本***深度学习基于现有技术python的Keras框架构建神经网络，选择了全连接前馈网络作为基础结构，整个网络分为三层：输入层、隐层和输出层，分别包含600、300和7个神经元，此外，在训练中加入Dropout层以抑制过拟合倾向。神经网络结构如图6所示。最后，记录各类型体动发生时间，并分别计算在特定睡眠时段内各类动作的发生频率；***通过对照多检测单元诊断指标，来判断此睡眠时段内睡眠体动是否属于不宁腿综合症早期症状，并进行早期诊断报警，具体方式与实施例1相同。

如图5所示，为识别睡眠中人体运动的类型，3个检测单元安装于床板背面。设床头到床尾的两边为长边L，其余两边为短边M。受试者平躺于床上时，受试者右侧床头角为坐标原点；x轴沿床短边从受试者右侧至左侧指向正方向；y轴沿床长边从床头至床尾指向正方向。则主检测单元在床板背面分布的位置坐标为：(0.5M,0.3L)；2个从检测单元在床板背面分布的位置坐标分别为：(0.3M,0.7L)、(0.7M,0.7L)。

Claims (5)

1.一种不宁腿综合症的早期检测方法，其特征在于，设置安装在床板背面的至少一个检测单元对受试者在睡眠过程中的下肢运动次数和时间分布进行实时检测，检测单元包括与床板背面安装固定的基座和电路部分，采用一个检测单元时，该检测单元定义为主检测单元，主检测单元的固定位置与人体下肢区对应，主检测单元的电路部分包括加速度传感器模块、***控制与信号处理模块、通讯模块和电源模块，加速度传感器模块与***控制与信号处理模块双向交互连接，***控制与信号处理模块与通讯模块双向交互连接，电源模块向各模块供电；在***预定义的睡眠时段内，加速度传感器模块中的三轴加速度传感器采集受试者下肢体动信号，将采集到的下肢体动信号传送给***控制与信号处理模块，***控制与信号处理模块对采集到的下肢体动信号进行预处理，首先将三轴加速度信号合成为一维合加速度信号，再通过滑窗操作，从一维合加速度信号中截取长度为2秒的一维合加速度信号序列，然后去除该序列中的初始状态的重力加速度，计算去除重力加速度后的一维合加速度信号序列的平均振动能量，若该能量大于所设定阈值，则认为该信号序列对应的2秒时段内发生下肢体动，将对应的下肢体动发生时间通过通讯模块传输至上位机，最后，***在上位机程序中计算下肢体动的在定义睡眠时段内的发生频率，即单位时间内发生的下肢体动次数，通过对照单检测单元的诊断指标，来判断此睡眠时段内下肢体动是否属于不宁腿综合症早期症状，判断结果经通讯模块传送给上位机，***控制与信号处理模块也通过通讯模块接收上位机发送的控制、同步命令，包括修改预定义的睡眠时段或经由上位机自定义控制而随时开启、结束一个睡眠时段。

2.根据权利要求1所述的不宁腿综合症的早期检测方法，其特征在于，所述***控制与信号处理模块对三轴加速度传感器采集到的下肢体动信号进行预处理及有效下肢体动识别的具体步骤如下：

1)首先用公式(1)将三轴加速度信号进行合成，得到一维合加速度信号：

其中,a代表一维合加速度，a_x代表一维合加速度中x轴加速度分量，a_y代表一维合加速度中y轴加速度分量，a_z代表一维合加速度中z轴加速度分量；

2)设置宽为2s的矩形窗对上述一维合加速度信号进行滑窗截取，设采样率为H次/秒，H≥50，得到一个长度为2H的一维合加速度信号序列，为了消除硬件设备初始状态差异的影响，去除一维合加速度序列中的重力加速度，采用一维合加速度信号序列的平均值近似估计重力加速度，使用公式(2)去除该一维合加速度信号序列的平均值，实现原始一维合加速度信号序列的中心化处理：

其中，a_n代表原始一维合加速度信号序列中第n个数据；代表中心化一维合加速度信号序列中第n个数据；

3)为提高***效率，只对包含有效动作的一维合加速度信号序列进行分类识别，采用公式(3)计算中心化一维合加速度信号序列平均能量：

其中，代表中心化一维合加速度信号序列的平均能量；

4)采用阈值法确定有效运动时段，当某中心化一维合加速度信号序列能量超过预设阈值时，判定该信号序列对应时间段为有效运动时间段；阈值设置方法：在安装好检测单元后，首先采集一组空床信号进行***校准，***使用上述方法进行数据预处理，并计算空床中心化一维合加速度信号序列的平均能量，阈值被设置为该能量的3倍，用于有效体动判断；

5)单检测单元的检测指标为：以下肢体动频率评估周期性肢动指数，即每小时下肢活动次数，大于5次认为符合不宁腿综合症早期症状，其中，轻度症状5-24次，中度症状25-49次，重度症状≥50次；

6)主检测单元通过通讯模块将处理后的预定义或自定义的睡眠时段内每次运动时间段的中心化一维合加速度信号序列及其对应时间传至上位机实现睡眠体动数据的收集和存储，并计算***定义各睡眠时段内体动发生频率，如果最终检测到的下肢体动发生频率符合单检测单元诊断指标的不宁腿综合症症状，在整晚检测完成后，在手机上检测报警。

3.根据权利要求1或2所述的不宁腿综合症的早期检测方法，其特征在于，所述检测单元除一个主检测单元外，还设置两个从检测单元，主检测单元安装在与人体上半身对应位置，两个从检测单元分别安装在与人体下肢对应位置，从检测单元的电路部分包括与主检测单元相同的加速度传感器模块、通讯模块和电源模块，在预定义或自定义的睡眠时段内，从检测单元依据主检测单元发送的同步指令、控制命令，实时采集人体运动的加速度信号，主检测单元除了自身加速度传感器模块采集信号之外，还接收两个从检测单元带有时间同步信息的三轴加速度数据，三个检测单元加速度传感器采样率相同，主检测单元***控制与信号处理模块首先对1个主检测单元和2个从检测单元的三通道时间同步数据分别进行预处理，方法步骤同单个检测单元工作模式，再将三通道时间同步的中心化一维合加速度信号序列按照***预定义的三个检测单元之间的固定顺序进行拼接，三个检测单元的三轴加速度传感器采样率均为H次/秒，H≥50，则得到长度为6H的拼接后的中心化一维合加速度信号序列；并使用公式(4)计算该信号序列的平均能量：

其中，代表该拼接后的中心化一维合加速度信号序列的平均能量；代表拼接后的中心化一维合加速度信号序列中第n个数据，若计算得该信号序列平均能量大于设定阈值，则认为该信号序列包含有效运动，阈值设定方法：首先计算空床时期的拼接后中心化一维合加速度信号序列的平均能量，再将阈值设定为该平均能量的2.5倍，然后将包含有效运动的拼接后的中心化一维合加速度信号序列和该序列对应的时间数据通过通讯模块传输至上位机，在上位机中基于深度学习来进一步分类识别睡眠中的具体7种体动类型：下肢活动、上肢活动、坐起、躺下、翻身、离床和其它，然后，记录各类型体动发生时间，并分别计算在***定义各睡眠时段内各类动作的发生频率，最后，***通过对照多检测单元诊断指标，来判断此睡眠时段内睡眠体动是否属于不宁腿综合症早期症状，在手机上进行检测报警。

4.根据权利要求3所述的不宁腿综合症的早期检测方法，其特征在于，多检测单元检测指标为：以“下肢活动”类发生频率评估周期性肢动指数，即每小时下肢活动次数，大于5次认为符合不宁腿综合症早期症状，其中，轻度：5-24次，中度：25-49次，重度：≥50次；以“上肢活动”、“翻身”和“其它”3种类型活动总发生频率评估伴随下肢体动的微觉醒指数，即每小时轻度觉醒次数，轻度：5-20次，中度：20-39次，重度：≥40次；以“坐起”、“躺下”和“离床”3种类型活动总发生频率评估伴随下肢体动的完全觉醒指数，即每晚完全觉醒次数，轻度：≤1次，中度：2-3次，重度：>3次。

5.根据权利要求3所述的不宁腿综合症的早期检测方法，其特征在于，所述深度学习基于python的Keras框架构建神经网络，选择了全连接前馈网络作为基础结构，整个网络分为三层：输入层、隐层和输出层，分别包含600、300和7个神经元，此外，在训练中加入Dropout层以抑制过拟合倾向。