CN111407262A - 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置 - Google Patents
基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置 Download PDFInfo
- Publication number
- CN111407262A CN111407262A CN202010263124.4A CN202010263124A CN111407262A CN 111407262 A CN111407262 A CN 111407262A CN 202010263124 A CN202010263124 A CN 202010263124A CN 111407262 A CN111407262 A CN 111407262A
- Authority
- CN
- China
- Prior art keywords
- feature
- features
- quantile
- sleep
- stm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000002612 cardiopulmonary effect Effects 0.000 claims abstract description 20
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008878 coupling Effects 0.000 claims abstract description 13
- 238000010168 coupling process Methods 0.000 claims abstract description 13
- 238000005859 coupling reaction Methods 0.000 claims abstract description 13
- 230000004461 rapid eye movement Effects 0.000 claims abstract description 9
- 230000002618 waking effect Effects 0.000 claims abstract 2
- 230000000241 respiratory effect Effects 0.000 claims description 48
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 206010062519 Poor quality sleep Diseases 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000003434 inspiratory effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000008667 sleep stage Effects 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 208000008784 apnea Diseases 0.000 description 5
- 239000002609 medium Substances 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006386 memory function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003860 sleep quality Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 206010021079 Hypopnoea Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012526 feed medium Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000029663 wound healing Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提出了基于BLSTM的睡眠分期方法以及基于BLSTM进行睡眠分期的装置,其中BLSTM包括两层训练层和一层输出层;每层训练层包括16个单元,输出层包括4个单元,该4个单元分别对应于睡眠的觉醒、浅睡、深睡和快速眼动期;所述BLSTM的输入特征包括自RR间期信号提取的特征、自呼吸信号提取的特征、通过心肺耦合提取的特征。本申请采用低成本的可穿戴式多传感器***获取受试者的心肺信号,采用具有长短时记忆功能的双向递归神经网络模型进行四分类睡眠分期,实现了睡眠的准确分期。
Description
技术领域
本申请涉及一种睡眠分期技术。
背景技术
睡眠质量对于人类健康至关重要。通常采用生理信号对睡眠质量进行分析,生理信号不仅与生理功能有关,而且有不同的模式。尽管睡眠分期有多个标准,最常见的四分类睡眠分期,包括觉醒期、浅睡期、深睡期和快速眼动期。例如,深睡有助于身体新陈代谢和伤口愈合,而做梦大多发生在快速眼动期。准确的睡眠分期对于睡眠结构是重要的,进而诊断和恢复睡眠障碍。
PSG是睡眠质量分析的标准方法,可以提供身体各部位的肌电活动,在过去几十年里一直被用于睡眠分期。这种睡眠分期方法主要依赖脑电信号、眼动信号和肌电信号,所以专家们对基于这些信号的自动睡眠分期进行了很好的研究以减少劳动力和成本的投入。例如:有研究者使用过渡约束离散的隐马尔科夫模型对20名受试者的脑电、眼动和肌电信号进行自动睡眠分期;另有研究者采用深度学习模型-深度睡眠网对单通道脑电信号进行自动睡眠分期。深度睡眠网由可提取不变特征的卷积神经网络和BLSTM(具有长短时记忆功能的双向递归神经网络模型)组成以学习EEG信号中的各个阶段之间的规则。但是,依赖脑电信号的自动分类仍需要PSG测试,不仅耗时耗力,需要专门的设备和实验室,并且要求临床专家具有专业知识。
目前,研究人员不再依赖通过PSG测得的脑电信号,而是更加关注心肺信号,因为采用心肺信号不仅可以进行睡眠分期,而且可以在许多低成本的便携设备中获取。这种方法适用于需要移动的环境、物联网医疗场景、智能家居睡眠监测等各种场景。有研究者从25名受试者的心电图和胸廓呼吸功能中提取了共142个特征值,并以30秒为一个步长采用贝叶斯线性判别法进行四分类睡眠分期。同时,仍以30秒为一个步长对48名受试者的心肺特征值采用传统支持向量机算法进行四分类睡眠分期,准确度和预测精度相对较低。另外,有研究者对使用腕带采集的心率和腕部活动记录图数据基于BLSTM模型进行五分类的睡眠分期,数据集越小,精确度越高。最新研究表明:随着深度学习方法的迅速发展,利用递归神经网络(RNN)获取时间序列心肺信号的隐式模式是有效的。
由于传统并没有采用含有心肺信号的大数据集预测睡眠分期,在睡眠分期的分类数不一致时很难对研究的结果进行比较,所以我们主要关注四分类的睡眠分期。
发明内容
鉴于传统机器学习算法的局限性和预测精确度不高的缺陷,本申请旨在提出了一种基于BLSTM(长短时记忆功能的双向递归神经网络模型)的睡眠分期的方法。
本申请的基于BLSTM的睡眠分期方法,其中BLSTM包括两层训练层和一层输出层;每层训练层包括16个单元,输出层包括4个单元,该4个单元分别对应于睡眠的觉醒、浅睡、深睡和快速眼动期;
所述BLSTM的输入特征包括自RR间期信号提取的特征、自呼吸信号提取的特征、通过心肺耦合提取的特征。
优选地,所述自RR间期信号提取的特征包括:
对每个30s时间段,加前五个30s时间段和后五个30s时间段,共11个30s时间段内的RR间期,做如下特征提取操作:
特征1、Mean_RR;
特征2、Mean_HR;
特征3、SDNN;
特征4、CV-RR;
特征5、RMSSD;
特征6、pNN50;
特征7、RR-mod;
将RR间期信号差值为4Hz后,采用FFT方法计算功率谱密度,做如下特征提取,其中:
高频成分(HF):0.15~0.4;
低频成分(LF):0.04~0.15;
总功率(TF):0.04~0.4;
中频成分(HF):0.1~0.15;
T-低频成分(TLF):0.04~0.1;
极低频(VLF):0.0033~0.04;
特征8、LFn;
特征9、MFn;
特征10、TLFn;
特征11、HFn;
特征12、LF/HF;
特征13、MF/LF;
特征14、TLF/LF;
特征15-19、分别对LF、MF、TLF、HF、TF做平均功率计算:
其中,f为平均功率,fi为当前的频带,Pi为所对应的能量值,N为频谱图的点的个数;
特征20-24、分别对LF、MF、TLF、HF、TF计算谱熵:
SE为谱熵。
特征25、max(HF);
特征26、max(HF)/TF;
特征27、FD(vlf);
特征28、max(HF)/max(TF);
特征29、max(VF)/max(HF);
特征30、max(HF)与前后各两个窗口的max(HF)的方差;
特征31、max(HF)与前后各三个窗口的max(HF)的方差;
特征32、max(HF)与前后各四个窗口的max(HF)的方差;
特征33、sdsd;
特征34、mad(rr);
特征35、rr_range;
特征36-40、RR间期的10、25、50、75、90分位数;
特征41、RR间期的90分位数与10分位数之差;
特征42、RR间期的75分位数与25分位数之差;
特征43、RR间期的97分位数与RR间期的2分位之差;
特征44、RD1;
特征45-52、去趋势后的RD1序列的10、25、50、75、90分位数以及90分位数与10分位数之差、75分位数与25分位数之差、97分位数与2分位之差;
特征53、RD2;
特征54-61、去趋势后的RD2序列的10、25、50、75、90分位数以及90分位数与10分位数之差、75分位数与25分位数之差、97分位数与2分位之差;
62、RD3;
特征63-70、去趋势后的RD3序列的10、25、50、75、90分位数以及90分位数与10分位数之差、75分位数与25分位数之差、97分位数与2分位之差;
特征71、f1;
特征72、f2;
特征73、f3;
特征74、RR间期的样本熵;
对每个30s内的RR序列计算如下24个特征:
特征75-81、与特征1-7计算方式相同得到的特征;
特征82-88、与特征8-14计算方式相同得到的特征;
特征89-93、与特征15-19计算方式相同得到的特征;
特征94-97、与特征25、26、28、29的计算方式相同得到的四个特征;
特征98、当前30s距离睡眠开始所在的位置。
式中:Rn代表RR间期连续的n个单元;
优选地,所述自呼吸信号提取的特征包括:
对每个30s时间段,加前五个30s时间段和加后五个30s时间段,共11个30s时间段内的原始呼吸信号,做如下特征提取操作:
对呼吸波做标准化处理后,通过检波算法确定呼吸波的波峰与波谷;
特征99、Σp1*lg(p1),p1为每个信号点;
特征100、当前信号段的峰度;
特征101、当前信号段的偏度;
特征102、波峰绝对数值的均值/标准差;
特征103、波谷绝对数值的均值/标准差;
特征104、波峰中位数/75-25分位差;
特征105、波谷中位数/75-25分位差;
特征106、Σp2*lg(p2),p2为每个波峰点的数值;
特征107、Σp3*lg(p3),p3为每个波谷点的数值;
特征108、当前时间段内,波峰到波谷的时间差的中位数;
特征109、当前时间段内,吸气面积的中位数;
特征110、当前时间段内,呼气面积的中位数;
特征111、当前时间段内,一次呼吸面积的中位数;
特征112、当前时间段内,吸气面积/对应吸气时间中位数;
特征113、当前时间段内,呼气面积/对应呼气时间中位数;
特征114、当前时间段内,一次吸呼面积/对应吸呼时间中位数
特征115、当前时间段内,特征114与113的比值;
特征116、呼气时间与吸气时间的标准差求和;
特征117、呼气时间与吸气时间的均值求和;
对呼吸信号采用FFT方法计算功率谱密度;
其中:
高频成分:0.15~0.5;
低频成分:0.05~0.15;
极低频:0.01~0.05;
特征118-120、高频、低频、极低频频带的能量;
特征121、最大能量对应的频带值;
特征122、高频占总频比;
特征123、0.05~0.5Hz频带数值的标准差;
特征124、波峰点组成序列的样本熵;
特征125、波谷点组成序列的样本熵;
特征126、波谷到波谷点时间差的均值;
特征127、相邻两个呼吸波做的互相关结果左半部分与右半部分差值的绝对值求和;
特征128、左半部分与右半部分差值的绝对值的标准差;
特征129、当前时间段内,每个呼吸波互相关结果的左半部分求和减去右半部分求和,结果序列的标准差;
特征130、当前时间段内,每个呼吸波互相关结果的左半部分绝对值求和减去右半部分绝对值求和,结果序列的标准差;
特征131、每个互相关结果偏度组成的序列的标准差。
优选地,所述自心肺耦合提取的特征包括:
19个30s窗口内,呼吸信号与RR间期插值为4Hz,计算互功率谱;
其中:
高频成分:0.15~0.4;
低频成分:0.04~0.15;
总功率:0.04~0.4;
中频成分:0.1~0.15;
极低频:0.003~0.04;
特征132、高频/总功率;
特征133、低频/总功率;
特征134、极低频/总功率;
特征135、低频/高频;
特征136、极低频/(高频+低频);
特征137、高频频带中的最大值;
特征138、高频频带中的最大值/高频功率;
特征139-145、特征132-138做51个点的均值平滑;
特征146-152、计算3个30s窗口内的高频/总功率、低频/总功率、极低频/总功率、低频/高频、极低频/(高频+低频)、高频频带中的最大值、高频频带中的最大值/高频功率。
优选地,其中,RR间期信号、呼吸信号由穿戴式设备获得;心肺耦合通过RR间期与呼吸信号获得。
本申请的基于BLSTM进行睡眠分期的装置,其包括利用计算机实施的BLSTM单元,其中BLSTM单元包括两层训练层和一层输出层;每层训练层包括16个单元,输出层包括4个单元,该4个单元分别对应于睡眠的觉醒、浅睡、深睡和快速眼动期;
所述BLSTM单元的输入特征包括自RR间期信号提取的特征、自呼吸信号提取的特征、通过心肺耦合提取的特征。
本申请采用可穿戴式多传感器***捕捉受试者的心电和呼吸信号,应用具有长短时记忆功能的双向递归神经网络模型进行四分类的睡眠分期,1)采用低功耗、低成本的可穿戴多传感器背心(SensEcho)采集心电和呼吸信号,与标准的PSG测试相比,验证了该设备获取心肺信号的鲁棒性;2)提出三个新特征值f1、f2、f3的提取方法,并证明了这三个新特征值对解决RR间期突变是有效的;共提取了152个特征值用于形成最终的模型;3)采用长短时记忆功能的双向递归神经网络算法对来自大型公共数据集(417例)和自测数据集(32例)的449例受试者的数据进行睡眠分期预测,获得较高的准确率。
附图说明
图1为SensEcho的硬件;
图2为来自于PSG和SensEcho的信号;
图3a-图3d在不同睡眠阶段的RR间期和呼吸信号的示例;
图4a-图4e为设置实验和可视化结果;
图5为SHHS有效集的最佳、平均以及较差分类示例;
图6为XGBoost中排名前20的重要特征。
具体实施方式
下面,结合附图对本申请进行详细说明。
A.硬件
可穿戴多传感器***SensEcho利用三个舒适的电极贴片,在200Hz采样率下获取单导联心电图信号。将两根导联线分别置于胸部和腹部下方,在25HZ的采样率下采集两种相应的呼吸信号。此外,三轴数字加速度组件ADXL345以25Hz的采样率嵌入背心中,具有超低功耗。血氧腕表通过蓝牙与SensEcho进行无线传输,采样率为1Hz。SensEcho能够在本地和云端进行数据的安全存储。2GB的本地数据存储容量能够在云存储既不稳定也不可用时回溯原始数据。嵌入式电池电源支持5天连续监测。SensEcho的主板如图1所示。采用SensEcho采集的信号图与PSG采集的信号图比较如图2所示。
B.数据预处理
ECG信号:从心电图信号中提取RR间期,而非处理原始的心电图信号。RR间期是指心电图信号相邻两个R峰之间的时间间隔,它可以用来计算心率和心率变异性(HRV)。
呼吸信号:由于呼吸信号的幅值零点总是存在偏移,所以采用小波分解技术来消除偏移量效应。然后使用频率为1Hz的巴特沃斯低通滤波器来除高频信号噪声。
图3给出了一名受试者的RR间期和呼吸信号对四分类睡眠分期的判定。RR间期和呼吸信号在清醒期和REM期有明显的区别,而在浅睡期和深睡期看起来相似,但仍可以发现在RR间期上的细微差别。
C.特征提取
本部分将详细说明特征提取的过程。在PSG测试中,以30秒为一个步长进行睡眠分期,因此我们也以同样的大小定义滑动窗单元。这样,我们的时间序列数据可以对齐PSG记录中的睡眠阶段标签。我们的特征提取要么在一个滑动窗口单元(一个步长)上处理,要么在由多个连续步长组成的较大的滑动窗上处理。移动步长为一个步长值。值得注意的是,当需要多个连续的步长时(较大的滑动窗),步长的数量为奇数,这样计算出来的特征值就会与中间步长的特征值完全关联。例如,从3个连续的步长中提取一个特征意味着在一个90秒的窗口内计算的特征值将分配给第二个步长的特征值。
1)RR间期信号提取的特征:在RR间期的时域和频域上提取大量特征值
时域特征:提取用于心率变异性(HRV)分析的10个常用的特征,以及RR间期上的34个常用统计特征,如均值、分位数、值域等。我们还提取了包括样本熵、零点交叉分析在内的5个非线性特征。然而,仅使用这些特征并不能很好地捕捉RR间期的突然变化。为了解决这个问题,我们设计了三个新特性,如下:
式中:Rn代表RR间期连续的n个单元;
频域特征:为了获得频域信息,首先对RR间期进行差值,然后对给定的步长进行快速傅里叶变换(FFT)。提取了21个频域特征,例如均值、谱功率、熵等。
对每个30s时间段,加前五个,加后五个,共11*30s时间段内的RR间期,做如下特征提取操作:
时域
特征1、Mean_RR:RR间期均值;
特征2、Mean_HR:HR间期均值;
特征3、SDNN:RR间期的标准差;
特征4、CV-RR:RR间期的变异系数;
特征5、RMSSD:相邻RR间期差值的均方根;
特征6、pNN50:RR间期大于50ms占所有RR间期的百分比;
特征7、RR-mod:RR间期的众数;
将RR间期信号差值为4Hz后,采用FFT方法计算功率谱密度,其中:
高频成分(HF):0.15~0.4;
低频成分(LF):0.04~0.15;
总功率(TF):0.04~0.4;
中频成分(HF):0.1~0.15;
T-低频成分(TLF):0.04~0.1;
极低频(VLF):0.0033~0.04;
特征8、LFn:标化低频功率;
特征9、MFn:标化中频功率;
特征10、TLFn:标化T-低频功率;
特征11、HFn:标化高频功率;
特征12、LF/HF:低/高频;
特征13、MF/LF:中频/低频;
特征14、TLF/LF:T-低频/低频;
特征15-19、分别对LF、MF、TLF、HF、TF做平均功率计算:
其中,fi为当前的频带,Pi为所对应的能量值,N为频谱图的点的个数;
特征20-24、分别对LF、MF、TLF、HF、TF计算谱熵:
特征25、max(HF):高频频带中的最大值;
特征26、max(HF)/TF:以上计算的max(HF)除以高频功率总和;
特征27、FD(VLF):极低频VLF的分形维数Fractal dimension(FD);
特征28、max(HF)/max(TF)高频段的最大值比总频段最大值;
特征29、max(VF)/max(HF)低频段最大值比高频段最大值;
特征30、max(HF)与前后各两个窗口的max(HF)的方差;
特征31、max(HF)与前后各三个窗口的max(HF)的方差;
特征32、max(HF)与前后各四个窗口的max(HF)的方差;
特征33、sdsd:相邻NN间期差值(长度差异)的标准差;
特征34、mad(rr):RR间期的平均绝对偏差;
特征35、rr_range:RR间期最大值减去RR间期最小值;
特征36-40、RR间期的10、25、50、75、90分位数;
特征41、RR间期的90分位数与10分位数之差;
特征42、RR间期的75分位数与25分位数之差;
特征43、RR间期的97分位数与RR间期的2分位之差;
特征44、RD1:RR间期每150s数据去趋势(减去均值)后的平均RR间期;
特征45-52、去趋势后的RD1序列的的10、25、50、75、90分位数以及类似于41-43的差值;
特征53、RD2:RR间期每600s去趋势(减去均值)后的平均RR间期;
特征54-61、去趋势后的RD2序列的10、25、50、75、90分位数以及类似于特征41-43的差值;
62、RD3:RR间期每1800s去趋势(减去均值)后的平均RR间期;
特征63-70、去趋势后的RD3序列的10、25、50、75、90分位数以及类似于特征41-43的差值;
特征71、f1;
特征72、f2;
特征73、f3;
特征74、RR间期的样本熵;
对每个30s内的RR序列计算如下24个特征:
特征75-81、与特征1-7计算方式相同得到的特征;
特征82-88、与特征8-14计算方式相同得到的特征;
特征89-93、与特征15-19计算方式相同得到的特征;
特征94-97、与特征25、26、28、29的计算方式相同得到的四个特征;
特征98、当前30s距离睡眠开始所在的位置。
2)在呼吸信号中提取的频域特征:
与在RR间期上提取特征相似,我们从呼吸信号中提取25个统计特征。例如,其中时域特征包括呼吸峰序列的均值和标准方差、峰度、偏态等,频域特征包括最高峰值、能量值等。
对每个30s时间段,加前五个,加后五个,共11*30s时间段内的原始呼吸信号,做如下特征提取操作:
对呼吸波做标准化处理(均值为0,标准差为1)后,通过检波算法确定呼吸波的波峰与波谷。
特征99、Σp1*lg(p1),p1为每个信号点;
特征100、当前信号段的峰度;
特征101、当前信号段的偏度;
特征102、波峰绝对数值的均值/标准差;
特征103、波谷绝对数值的均值/标准差;
特征104、波峰中位数/75-25分位差;
特征105、波谷中位数/75-25分位差;
特征106、Σp2*lg(p2),p2为每个波峰点的数值;
特征107、Σp3*lg(p3),p3为每个波谷点的数值;
特征108、当前时间段内,波峰到波谷的时间差的中位数;
特征109、当前时间段内,吸气面积的中位数;
特征110、当前时间段内,呼气面积的中位数;
特征111、当前时间段内,一次呼吸面积的中位数;
特征112、当前时间段内,吸气面积/对应吸气时间中位数;
特征113、当前时间段内,呼气面积/对应呼气时间中位数;
特征114、当前时间段内,一次吸呼面积/对应吸呼时间中位数
特征115、当前时间段内,特征114与113的比值;
特征116、呼气时间与吸气时间的标准差求和;
特征117、呼气时间与吸气时间的均值求和;
对呼吸信号采用FFT方法计算功率谱密度;
其中:
高频成分(hf):0.15~0.5;
低频成分(lf):0.05~0.15;
极低频(vlf):0.01~0.05;
特征118-120、高频、低频、极低频频带的能量;
特征121、最大能量对应的频带值;
特征122、高频占总频比;
特征123、0.05~0.5Hz频带数值的标准差;
特征124、波峰点组成序列的样本熵;
特征125、波谷点组成序列的样本熵;
特征126、波谷到波谷点时间差的均值;
特征127、相邻两个呼吸波做的互相关结果左半部分与右半部分差值的绝对值求和;
特征128、左半部分与右半部分差值的绝对值的标准差;
特征129、当前时间段内,每个呼吸波互相关结果的左半部分求和减去右半部分求和,结果序列的标准差;
特征130、当前时间段内,每个呼吸波互相关结果的左半部分绝对值求和减去右半部分绝对值求和,结果序列的标准差;
特征131、每个互相关结果偏度组成的序列的标准差。
3)从心肺耦合提取特征:
心肺耦合(CPC)是一种分析HRV与呼吸量变异性关系的技术。本申请中通过穿戴设备获得的心电信号获得RR间期信号和呼吸信号进行耦合,获得CPC。CPC指数是一组在频域上给定时间点内表示心肺耦合度的量值,本文通过Rn计算出CPC指数,在高频带(0.1-0.4HZ)、低频带(0.01-0.1HZ)和超低频带(0-0.01HZ)上获得CPC指数的总和。然后计算特定频带上CPC指数总和与整个频带上CPC指数总和的比值。
CPC特征:19个30s窗口内,呼吸信号与RR间期插值为4Hz,计算互功率谱。
其中:
高频成分(hf):0.15~0.4;
低频成分(lf):0.04~0.15;
总功率(tf):0.04~0.4;
中频成分(hf):0.1~0.15;
极低频(vlf):0.003~0.04;
特征132、高频/总功率;
特征133、低频/总功率;
特征134、极低频/总功率;
特征135、低频/高频;
特征136、极低频/(高频+低频);
特征137、高频频带中的最大值;
特征138、高频频带中的最大值/高频功率;
特征139-145、特征132-138做51个点的均值平滑;
特征146-152、计算3个30s窗口内的高频/总功率、低频/总功率、极低频/总功率、低频/高频、极低频/(高频+低频)、高频频带中的最大值、高频频带中的最大值/高频功率。
最终从RR间隔、呼吸信号和心肺耦合中提取了152个特征。最后对每个特征进行Z-score归一化,使其均值为0,方差为1。特征向量输入到我们的学习模型体系结构中。然后我们利用两个BLSTM层,每层有16个单元和一个对应于四分类睡眠分期的输出层,输出层包括4个单元。与传统的LSTM相比,BLSTM的优势在于,BLSTM体系结构能够学习目标之前和未来的信息。
D.评估
1)数据集选取
为了验证LSTM模型的准确性和可靠性,使用的数据集包括公共数据库的数据集和自测数据集(即采用SensEcho***采集的数据),并以30秒为一个步长对数据进行分析,一方面与标准PSG记录对齐,另一方面保证了从SHHS数据集中训练的模型可以用于自测测试集。
·公共数据库的数据集
为了解决使用小数据集的过拟合问题,使用大型公共睡眠PSG数据库中睡眠心脏健康研究(SHHS)的数据构建训练模型。SHHS包括以6000多名年龄在40岁以上的美国人(52.4%是女性)在睡眠期间的PSG监测,由临床专家对每个受试者进行6分类的睡眠分期(觉醒期、快速眼动期、S1、S2、S3、S4)。值得注意的是:在SHHS数据库中,许多受试者都患有与睡眠有关的各种疾病,如呼吸障碍或不规则、失眠等。这些研究对象会给培训模式带来严重的偏差。为了使偏差最小化,我们根据以下步骤过滤数据。
1)通过呼吸暂停低通气指数(AHI)评分来显示受试者的呼吸暂停水平,并进一步帮助选择合适的数据训练模型。AHI分数是由人工识别呼吸不规则事件的总和计算出来的。它通常可以分为四个级别:没有呼吸暂停:AHI<5;轻度:5≤AHI<15;中度:15<AHI≤30;重度:AHI>30。从SHHS中选择无呼吸暂停(AHI<5)的受试者作为候选对象,构建我们的数据集。
2)在受试者中,选择在睡眠期间S3和S4阶段至少占5%,REM阶段至少占15%的受试者,因为这样的睡眠质量被认为是有规律的睡眠。
3)将S1和S2阶段合并为浅睡期,将S3和S4阶段合并为深睡期,加上觉醒期和快速眼动期,六分类睡眠分期转换成四分类睡眠分期。
4)最后,从SHHS数据库中筛选出417名受试者来构造我们需要的数据集。我们随机取70%的样本作为训练集,剩下的30%作为验证集。组成训练集的受试者从未出现在验证集中。
·自测数据集
除了使用公共数据库,我们还构建了自己的数据集,用于睡眠分期。到目前为止,有32名无呼吸暂停(AHI<5)的受试者(22-45岁,15名女性)穿戴SensEcho进行PSG测试。他们的睡眠分期由三位临床专家达成一致意见确定。由于该数据集的大小有限,所以仅作为测试集。即使用SHHS训练集的数据训练的模型对自测数据集进行预测。
2)睡眠分期
表1列出了关于使用RR间期/心率和呼吸努力、***体动信号进行四分类睡眠的著作。但他们使用的数据集的大小有很大差异。与之前使用大数据集的工作相比,我们使用的BLSTM方法有明显的优势,因为BLSTM能够学习相关信号在时间序列上的隐藏关系,同时,在克服模型训练的过拟合问题的同时,与使用小数据集构建学习模型有相似的准确度。以κ表示卡帕kappa系数,具有更强的鲁棒性。
BE:breathing effort;BLD:Bayesian linear discriminant;BM:bodymovement;BT:boosted trees;CNN:convolutional Neural Network;CRF:conditionalrandom field;GAN:generative adversarial network;GBM:gradient boostingmachine;HB:heart beat;RF:random forest;RR:RR interval;SKNN:subspace KNN;SVM:support vector machine
图4b为将LSTM模型用于SHHS验证集的四分类睡眠分期的混淆矩阵,准确率为80.25%。并且,由图可知,除深度睡眠外,其他三个阶段都达到了很高的分类精度。然而,大量的深度睡眠时间被划分为浅睡眠时间。该结果结果与图3b和图3c中这两个阶段的例子一致,在这两个阶段,RR间隔和呼吸信号的模式很难区分。然后将预测模型应用于自测数据集,得到另一个混淆矩阵结果(如图4c所示),准确率为80.75%。虽然保持了清醒期和快速眼动期的高预测精度,但有趣的是,深度睡眠的预测精度提高了很多,而浅睡眠的预测精度下降了。这是因为训练集、验证集和自测集不同的年龄范围。不同年龄段的人的深睡眠和浅睡眠所占比例不同,年轻受试者的浅睡眠比年长受试者少,而年轻受试者的深睡眠多。此外,种族差异(SHHS中的白人与自测数据集的亚洲人)和性别分布也导致了不同的睡眠模式。由于这些原因,我们认为在浅睡眠阶段的训练中存在一些过度拟合的问题,而年轻人的深度睡眠模式更容易被预测模型识别和预测。图4d为受试者三组数据集准确度的累积分布函数(CDF)。虽然训练模型存在偏差,但测试集的整体预测精度与验证集保持一致。测试集越小,预测结果可能越好。
然后,我们从验证集中选择最佳情况、最差情况和一个平均情况查看预测细节。从图5可以看出,影响预测精度的主要因素是浅睡眠期和深睡眠期之间的过渡,这一点没有得到很好的识别,尤其是在睡眠期间这种过渡发生多次的情况下(即最坏的情况)。然而,在这三种情况下,浅睡期和清醒期之间的过渡可以很好地预测。考虑到图3a和图3b中这两个阶段RR间期和呼吸信号的明显差异,我们设计了三个新发的特征f1、f2、f3来捕捉这样突然的转变,即使它只有一个步长。
3)特征值重要性评估
因为很难解释特定特征的重要性,我们采用最近常用的树模型,XGBoost,根据权重对所有特征的相对重要性进行排序。权重是指特征通过所有树分割数据的时间。图6列出了对分类最重要的前20个重要特征。值得注意的是,三个特征f1、f2和f3分别排在第4、8和19位。我们也看到几个从CPC中提取的特征最为显著,说明心肺信号在不同睡眠阶段具有不可缺少的协同作用,在验证集上使用XGBoost的预测精度为75.6%。
我们已经证明,与最新的贡献相比,我们的方法在大数据集上具有出色的睡眠分期精度。
产业可利用性
1)提出了由两层BLSTM训练的四分类睡眠分期。
2)使用低成本的可穿戴多传感器***,SensEcho,获取受试者的RR间期和呼吸信号。
3)在特征提取过程中,设计了三个新的特征来检测RR间期的突然变化。
4)对大型公共数据集(417名受试者)的鲁棒性预测准确率为80.25%,对32名受试者的鲁棒性预测准确率为80.75%。这些结果与以往的工作相比,无论在使用过度拟合的小数据集上还是在大数据集上使用传统的机器学习方法都有明显的优势。
除非另有定义,本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的,而非限制性的。
虽然已结合具体实施方式对本发明进行了描述,在本申请的发明主旨下,本领域的技术人员可以进行适当的替换、修改和变化,这种替换、修改和变化仍属于本申请的保护范围。
Claims (8)
1.一种基于BLSTM的睡眠分期方法,其中BLSTM包括两层训练层和一层输出层;每层训练层包括16个单元,输出层包括4个单元,该4个单元分别对应于睡眠的觉醒、浅睡、深睡和快速眼动期;
所述BLSTM的输入特征包括自RR间期信号提取的特征、自呼吸信号提取的特征、通过心肺耦合提取的特征。
2.如权利要求1所述的基于BLSTM的睡眠分期方法,其特征在于:
所述自RR间期信号提取的特征包括:
对每个30s时间段,加前五个30s时间段和后五个30s时间段,共11个30s时间段内的RR间期,做如下特征提取操作:
特征1、Mean_RR;
特征2、Mean_HR;
特征3、SDNN;
特征4、CV-RR;
特征5、RMSSD;
特征6、pNN50;
特征7、RR-mod;
将RR间期信号差值为4Hz后,采用FFT方法计算功率谱密度,做如下特征提取,其中:
高频成分(HF):0.15~0.4;
低频成分(LF):0.04~0.15;
总功率(TF):0.04~0.4;
中频成分(HF):0.1~0.15;
T-低频成分(TLF):0.04~0.1;
极低频(VLF):0.0033~0.04;
特征8、LFn;
特征9、MFn;
特征10、TLFn;
特征11、HFn;
特征12、LF/HF;
特征13、MF/LF;
特征14、TLF/LF;
特征15-19、分别对LF、MF、TLF、HF、TF做平均功率计算:
其中,fi为当前的频带,Pi为所对应的能量值,N为频谱图的点的个数;
特征25、max(HF);
特征26、max(HF)/TF;
特征27、FD(vlf);
特征28、max(HF)/max(TF);
特征29、max(VF)/max(HF);
特征30、max(HF)与前后各两个窗口的max(HF)的方差;
特征31、max(HF)与前后各三个窗口的max(HF)的方差;
特征32、max(HF)与前后各四个窗口的max(HF)的方差;
特征33、sdsd;
特征34、mad(rr);
特征35、rr_range;
特征36-40、RR间期的10、25、50、75、90分位数;
特征41、RR间期的90分位数与10分位数之差;
特征42、RR间期的75分位数与25分位数之差;
特征43、RR间期的97分位数与RR间期的2分位之差;
特征44、RD1;
特征45-52、去趋势后的RD1序列的10、25、50、75、90分位数以及90分位数与10分位数之差、75分位数与25分位数之差、97分位数与2分位之差;
特征53、RD2;
特征54-61、去趋势后的RD2序列的10、25、50、75、90分位数以及90分位数与10分位数之差、75分位数与25分位数之差、97分位数与2分位之差;
62、RD3;
特征63-70、去趋势后的RD3序列的10、25、50、75、90分位数以及90分位数与10分位数之差、75分位数与25分位数之差、97分位数与2分位之差;
特征71、f1;
特征72、f2;
特征73、f3;
特征74、RR间期的样本熵;
对每个30s内的RR序列计算如下24个特征:
特征75-81、与特征1-7计算方式相同得到的特征;
特征82-88、与特征8-14计算方式相同得到的特征;
特征89-93、与特征15-19计算方式相同得到的特征;
特征94-97、与特征25、26、28、29的计算方式相同得到的四个特征;
特征98、当前30s距离睡眠开始所在的位置。
4.如权利要求1所述的基于BLSTM的睡眠分期方法,其特征在于:
所述自呼吸信号提取的特征包括:
对每个30s时间段,加前五个30s时间段和加后五个30s时间段,共11个30s时间段内的原始呼吸信号,做如下特征提取操作:
对呼吸波做标准化处理后,通过检波算法确定呼吸波的波峰与波谷;
特征99、Σp1*lg(p1),p1为每个信号点;
特征100、当前信号段的峰度;
特征101、当前信号段的偏度;
特征102、波峰绝对数值的均值/标准差;
特征103、波谷绝对数值的均值/标准差;
特征104、波峰中位数/75-25分位差;
特征105、波谷中位数/75-25分位差;
特征106、Σp2*lg(p2),p2为每个波峰点的数值;
特征107、Σp3*lg(p3),p3为每个波谷点的数值;
特征108、当前时间段内,波峰到波谷的时间差的中位数;
特征109、当前时间段内,吸气面积的中位数;
特征110、当前时间段内,呼气面积的中位数;
特征111、当前时间段内,一次呼吸面积的中位数;
特征112、当前时间段内,吸气面积/对应吸气时间中位数;
特征113、当前时间段内,呼气面积/对应呼气时间中位数;
特征114、当前时间段内,一次吸呼面积/对应吸呼时间中位数
特征115、当前时间段内,特征114与113的比值;
特征116、呼气时间与吸气时间的标准差求和;
特征117、呼气时间与吸气时间的均值求和;
对呼吸信号采用FFT方法计算功率谱密度;
其中:
高频成分:0.15~0.5;
低频成分:0.05~0.15;
极低频:0.01~0.05;
特征118-120、高频、低频、极低频频带的能量;
特征121、最大能量对应的频带值;
特征122、高频占总频比;
特征123、0.05~0.5Hz频带数值的标准差;
特征124、波峰点组成序列的样本熵;
特征125、波谷点组成序列的样本熵;
特征126、波谷到波谷点时间差的均值;
特征127、相邻两个呼吸波做的互相关结果左半部分与右半部分差值的绝对值求和;
特征128、左半部分与右半部分差值的绝对值的标准差;
特征129、当前时间段内,每个呼吸波互相关结果的左半部分求和减去右半部分求和,结果序列的标准差;
特征130、当前时间段内,每个呼吸波互相关结果的左半部分绝对值求和减去右半部分绝对值求和,结果序列的标准差;
特征131、每个互相关结果偏度组成的序列的标准差。
5.如权利要求1所述的基于BLSTM的睡眠分期方法,其特征在于:
所述自心肺耦合提取的特征包括:
19个30s窗口内,呼吸信号与RR间期插值为4Hz,计算互功率谱;
其中:
高频成分:0.15~0.4;
低频成分:0.04~0.15;
总功率:0.04~0.4;
中频成分:0.1~0.15;
极低频:0.003~0.04;
特征132、高频/总功率;
特征133、低频/总功率;
特征134、极低频/总功率;
特征135、低频/高频;
特征136、极低频/(高频+低频);
特征137、高频频带中的最大值;
特征138、高频频带中的最大值/高频功率;
特征139-145、特征132-138做51个点的均值平滑;
特征146-152、计算3个30s窗口内的高频/总功率、低频/总功率、极低频/总功率、低频/高频、极低频/(高频+低频)、高频频带中的最大值、高频频带中的最大值/高频功率。
6.如权利要求1所述的基于BLSTM的睡眠分期方法,其特征在于:
其中,RR间期信号、呼吸信号由穿戴式设备获得;心肺耦合通过RR间期与呼吸信号获得。
7.一种基于BLSTM进行睡眠分期的装置,其包括利用计算机实施的BLSTM单元,其中BLSTM单元包括两层训练层和一层输出层;每层训练层包括16个单元,输出层包括4个单元,该4个单元分别对应于睡眠的觉醒、浅睡、深睡和快速眼动期;
所述BLSTM单元的输入特征包括自RR间期信号提取的特征、自呼吸信号提取的特征、通过心肺耦合提取的特征。
8.如权利要求7所述的基于BLSTM进行睡眠分期的装置,其特征在于:
RR间期信号、呼吸信号由穿戴式设备获得;心肺耦合通过RR间期与呼吸信号获得。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019103425167 | 2019-04-26 | ||
CN201910342516 | 2019-04-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111407262A true CN111407262A (zh) | 2020-07-14 |
Family
ID=71485443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010263124.4A Pending CN111407262A (zh) | 2019-04-26 | 2020-04-07 | 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111407262A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112890777A (zh) * | 2021-01-22 | 2021-06-04 | 深圳市苏仁智能科技有限公司 | 一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质 |
CN112914506A (zh) * | 2021-01-19 | 2021-06-08 | 青岛歌尔智能传感器有限公司 | 睡眠质量检测方法、装置和计算机可读存储介质 |
CN114098645A (zh) * | 2021-11-25 | 2022-03-01 | 青岛海信日立空调***有限公司 | 一种睡眠分期方法及装置 |
CN114190897A (zh) * | 2021-12-15 | 2022-03-18 | 中国科学院空天信息创新研究院 | 睡眠分期模型的训练方法、睡眠分期方法及装置 |
CN114366038A (zh) * | 2022-02-17 | 2022-04-19 | 重庆邮电大学 | 基于改进的深度学习算法模型的睡眠信号自动分期方法 |
CN115775630A (zh) * | 2023-02-10 | 2023-03-10 | 北京海思瑞格科技有限公司 | 一种术前基于睡眠阶段数据的术后肺部并发症概率预测方法 |
EP4285818A1 (en) * | 2022-06-03 | 2023-12-06 | Apple Inc. | Systems and methods for sleep state tracking |
CN117271977A (zh) * | 2023-09-27 | 2023-12-22 | 北京津发科技股份有限公司 | 一种hrv数据预处理方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150190086A1 (en) * | 2014-01-03 | 2015-07-09 | Vital Connect, Inc. | Automated sleep staging using wearable sensors |
CN108209874A (zh) * | 2018-01-03 | 2018-06-29 | 深圳北航新兴产业技术研究院 | 一种自动睡眠分期的方法和装置 |
CN108830176A (zh) * | 2018-05-25 | 2018-11-16 | 深圳市太空科技南方研究院 | 一种睡眠觉醒检测方法、装置及终端 |
-
2020
- 2020-04-07 CN CN202010263124.4A patent/CN111407262A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150190086A1 (en) * | 2014-01-03 | 2015-07-09 | Vital Connect, Inc. | Automated sleep staging using wearable sensors |
CN108209874A (zh) * | 2018-01-03 | 2018-06-29 | 深圳北航新兴产业技术研究院 | 一种自动睡眠分期的方法和装置 |
CN108830176A (zh) * | 2018-05-25 | 2018-11-16 | 深圳市太空科技南方研究院 | 一种睡眠觉醒检测方法、装置及终端 |
Non-Patent Citations (3)
Title |
---|
XIN ZHANG等: "Sleep stage classification based on multi-level feature learning and recurrent neural networks via wearable device", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
YUEZHOU ZHANG等: "Sleep Stage Classification Using Bidirectional LSTM in Wearable Multi-sensor Systems", 《2019 IEEE INFOCOM WKSHPS: IOT4HEALTH 2019: RELIABLE AND SECURE IOT FOR HEALTH》 * |
黄文汉等: "基于心电与呼吸信号的睡眠分期算法研究", 《智能计算机与应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112914506A (zh) * | 2021-01-19 | 2021-06-08 | 青岛歌尔智能传感器有限公司 | 睡眠质量检测方法、装置和计算机可读存储介质 |
CN112890777A (zh) * | 2021-01-22 | 2021-06-04 | 深圳市苏仁智能科技有限公司 | 一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质 |
CN114098645A (zh) * | 2021-11-25 | 2022-03-01 | 青岛海信日立空调***有限公司 | 一种睡眠分期方法及装置 |
CN114098645B (zh) * | 2021-11-25 | 2023-11-07 | 青岛海信日立空调***有限公司 | 一种睡眠分期方法及装置 |
CN114190897A (zh) * | 2021-12-15 | 2022-03-18 | 中国科学院空天信息创新研究院 | 睡眠分期模型的训练方法、睡眠分期方法及装置 |
CN114190897B (zh) * | 2021-12-15 | 2024-04-05 | 中国科学院空天信息创新研究院 | 睡眠分期模型的训练方法、睡眠分期方法及装置 |
CN114366038A (zh) * | 2022-02-17 | 2022-04-19 | 重庆邮电大学 | 基于改进的深度学习算法模型的睡眠信号自动分期方法 |
CN114366038B (zh) * | 2022-02-17 | 2024-01-23 | 重庆邮电大学 | 基于改进的深度学习算法模型的睡眠信号自动分期方法 |
EP4285818A1 (en) * | 2022-06-03 | 2023-12-06 | Apple Inc. | Systems and methods for sleep state tracking |
CN115775630A (zh) * | 2023-02-10 | 2023-03-10 | 北京海思瑞格科技有限公司 | 一种术前基于睡眠阶段数据的术后肺部并发症概率预测方法 |
CN117271977A (zh) * | 2023-09-27 | 2023-12-22 | 北京津发科技股份有限公司 | 一种hrv数据预处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111407262A (zh) | 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置 | |
Mendonca et al. | A review of obstructive sleep apnea detection approaches | |
CN108388912B (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
EP1622512B1 (en) | Systems and methods for respiratory event detection | |
EP2265173B1 (en) | Method and system for sleep/wake condition estimation | |
EP1562472B1 (en) | Method, apparatus and system for characterizing sleep | |
CN114376564B (zh) | 一种基于心冲击信号的睡眠分期方法、***、装置及介质 | |
Zhang et al. | Sleep stage classification using bidirectional lstm in wearable multi-sensor systems | |
Bozkurt et al. | Detection of abnormal respiratory events with single channel ECG and hybrid machine learning model in patients with obstructive sleep apnea | |
Balli et al. | Classification of biological signals using linear and nonlinear features | |
US20080082018A1 (en) | Systems and methods for respiratory event detection | |
CN204931634U (zh) | 基于生理信息的抑郁症评估*** | |
EP1819272A2 (en) | Sleep staging based on cardio-respiratory signals | |
CN108766576A (zh) | 一种健康储备评估方法、装置及其应用 | |
CN115778352B (zh) | 基于毫米波雷达的睡眠质量评估方法、设备、***及介质 | |
Park et al. | Prediction of daily mental stress levels using a wearable photoplethysmography sensor | |
Morales et al. | Sleep apnea hypopnea syndrome classification in spo 2 signals using wavelet decomposition and phase space reconstruction | |
CN105266764B (zh) | 一种中医宗气测评装置 | |
Rahman et al. | Toward early severity assessment of obstructive lung disease using multi-modal wearable sensor data fusion during walking | |
CN115024716B (zh) | 基于心率标签生成的心冲击图信号重建方法 | |
US20240032859A1 (en) | Sleep state prediction system | |
Park et al. | A study on the development of a day-to-day mental stress monitoring system using personal physiological data | |
Sisodia et al. | Sleep order detection model using support vector machines and features extracted from brain ECG signals | |
Gao et al. | Extraction of heartbeat feature based on ballistocardiogram signal from multichannel piezoelectric ceramic sensors | |
Pale et al. | Heart rate variability analysis using different wavelet transformations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200714 |
|
RJ01 | Rejection of invention patent application after publication |