CN113349796B - 基于多源信号的睡眠监控方法、设备及存储介质 - Google Patents
基于多源信号的睡眠监控方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113349796B CN113349796B CN202110666187.9A CN202110666187A CN113349796B CN 113349796 B CN113349796 B CN 113349796B CN 202110666187 A CN202110666187 A CN 202110666187A CN 113349796 B CN113349796 B CN 113349796B
- Authority
- CN
- China
- Prior art keywords
- signal
- sleep
- neural network
- source
- convolutional neural
- 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.)
- Active
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 208000024891 symptom Diseases 0.000 claims abstract description 11
- 238000012806 monitoring device Methods 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 208000019116 sleep disease Diseases 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010021133 Hypoventilation Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61B5/369—Electroencephalography [EEG]
-
- 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
- A61B5/24—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
- A61B5/347—Detecting the frequency distribution of signals
-
- 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
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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
- A61B5/389—Electromyography [EMG]
-
- 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
- A61B5/389—Electromyography [EMG]
- A61B5/397—Analysis of electromyograms
-
- 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
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- 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
-
- 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
- A61B5/72—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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Ophthalmology & Optometry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于多源信号的睡眠监控方法、装置及介质的技术方案,包括:过可穿戴设备采集人体睡眠时的若干不同类型的多源生理信号;构建梯形多流卷积神经网络深度学习模型,输入多源生理信号至梯形多流卷积神经网络深度学习模型进行学习,得到多导睡眠模型;通过多导睡眠模型的多个分类器对多源生理信号进行分析,得到人体睡眠症状。本发明的有益效果为:实现多种信号输入多流,小量样本容量,高准确率要求的睡眠疾病诊断,对于存储资源要求不高,可用于终端。解决需要大量样本数据完成训练的机器学习模型短板。
Description
技术领域
本发明涉及计算机领域,具体涉及了一种基于多源信号的睡眠监控方法、设备及存储介质。
背景技术
睡眠是人体重要的生理活动,睡眠疾病在生活中对人民造成了极大的困扰,如何准确的分析睡眠疾病,是当前急需解决的问题。
现有技术通过穿戴设备或单一设备对睡眠时的身体特征进行采集,通过采集的数据分析可能存在的睡眠疾病,现有的这种方式数据分析简单,无法对睡眠时的各项数据进行综合评判。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供了一种基于多源信号的睡眠监控方法、设备及存储介质,解决了现有技术的不足。
本发明的技术方案包括一种基于多源信号的睡眠监控方法,其特征在于,该方法包括:通过可穿戴设备采集人体睡眠时的若干不同类型的多源生理信号;构建梯形多流卷积神经网络深度学习模型,输入所述多源生理信号至所述梯形多流卷积神经网络深度学习模型进行学习,得到多导睡眠模型;通过所述多导睡眠模型的多个分类器对所述多源生理信号进行分析,得到人体睡眠症状。
根据所述的基于多源信号的睡眠监控方法,其中多源生理信号至少包括ECG、EEG、EOG、EMG、鼻息信号及脉搏信号的一种。
根据所述的基于多源信号的睡眠监控方法,其中构建梯形多流卷积神经网络深度学习模型,输入所述多源生理信号至所述梯形多流卷积神经网络深度学习模型进行学习,得到多导睡眠模型依次包括以下步骤:对所述多源生理信号进行预处理,采用不同的巴特沃斯滤波器进行滤波分解,得到δ信号波、θ信号波、α信号波、β信号波和γ信号波;对进行滤波分解的复杂波形进行子波分离,得到子波;对所述子波及信号波进行离散小波变换;将经过所述离散小波变换的信号波进行等像素点切割,得对应的n段波形;对n段波形分别进行X个卷积层和池化层处理,得到对应的处理结果;通过一维最大池化层对分离的子波结果进行第一次最大池化处理,串联所述卷积层,通过全连接层采用一维最大池化层对信号波的处理及卷积层串联的结果进行最大池化处理;通过softmax激活函数执行激活;得到二分类结果。
根据所述的基于多源信号的睡眠监控方法,其中离散小波变换包括:通过
表示数值序列X(t)在任意空间L2(R)中离散小波变换,小波表示为
小波使用预处理后的信号,通过两个互补滤波器,对小波进行频率和时间的局部化滤波器,局部化滤波器包括高频滤波器和低频滤波器,其中频率为公式中的尺度参数j,时间为公式中的位移参数k,t表示时间。
根据所述的基于多源信号的睡眠监控方法,其中梯形多流卷积神经网络深度学习模型包括:
处理信号波时,对于信号波通过具有x*x大小的卷积核且经过j层的池化及卷积处理后,执行等像素点切割,并计算高频参数x和j,其计算流程包括:
S510,将序列{u(i)}映射到m维向量x(i)上;
S520,计算每个i值的向量x(i)与其余向量x(j),其中i=0,1,2,…N-m+1,j≠i,距离dij为dij=max|u(i+k)-u(i+k)|,k=0,1,…m-1;
S530,对于每个i值,记录dij<r的情况,r为相似公式差阈值且r>0,以及该情况发生的数目与向量总数N-m+1的比率:
基于相似公差r,表示序列中m维模式彼此相似的概率。
S540,取的自然对数,然后取所有i的平均值,并记录为/> 表示向量间的平均接近度,其计算方式为
S550,对于m+1,重复步骤S510~S540,确定和/>
其中,近似熵定义为:
S560,设置阈值τ,对比测试信号参数和正常信号参数,若测试信号参数-正常信号参数≥τ,则设置j>x,否则,x>j,0≤x,j≤n。
根据所述的基于多源信号的睡眠监控方法,其中正常信号参数为正常样本,所述测试信号参数为患病样本。
本发明的技术方案还包括一种基于多源信号的睡眠监控装置,其特征在于,该装置包括:采集装置,包括若干不同的可穿戴设备,用于采集人体睡眠时的若干不同类型的多源生理信号;学习装置,构建梯形多流卷积神经网络深度学习模型,输入所述多源生理信号至所述梯形多流卷积神经网络深度学习模型进行学习,得到多导睡眠模型,通过所述多导睡眠模型的多个分类器对所述多源生理信号进行分析,得到人体睡眠症状;报警装置,将符合睡眠疾病的人体睡眠症状通过交互界面进行提示。
本发明的技术方案还包括一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如任一所述的方法步骤。
本发明的有益效果为:实现多种信号输入多流,小量样本容量,高准确率要求的睡眠疾病诊断,对于存储资源要求不高,可用于终端。解决需要大量样本数据完成训练的机器学习模型短板。
附图说明
下面结合附图和实施例对本发明进一步地说明;
图1所示为根据本发明实施方式的总体流程图。
图2所示为根据本发明实施方式的多源信号的***框架。
图3所示为根据本发明实施方式的离散小波变换示意图。
图4所示为根据本发明实施方式的梯形多流卷积神经网络深度学习模型结构。
图5所示为根据本发明实施方式的具体实施例一。
图6所示为根据本发明实施方式的实施例二。
图7所示为根据本发明实施方式的装置图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
本发明的描述中,除非另有明确的限定,设置等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
图1所示为根据本发明实施方式的总体流程图。该流程包括:过可穿戴设备采集人体睡眠时的若干不同类型的多源生理信号;构建梯形多流卷积神经网络深度学习模型,输入多源生理信号至梯形多流卷积神经网络深度学习模型进行学习,得到多导睡眠模型;通过多导睡眠模型的多个分类器对多源生理信号进行分析,得到人体睡眠症状。
图2所示为根据本发明实施方式的多源信号的睡眠监控流程图。该流程包括:对采集的原始脑电信号进行预处理,采用不同的巴特沃斯滤波器进行滤波分解,得到δ、θ、α、β和γ波。然后将滤波后的2种子脑电信号进行离散表波变换,将小波变换后的信号进入我们所提出的梯形多流卷积CNN框架中,通过卷积和池化操作后,自动学习特征,最终得出分类结果,得到正常或者睡眠疾病(睡眠障碍、睡眠呼吸紊乱、睡眠呼吸暂停、低通气综合征疾病等)的症状。
图3所示为根据本发明实施方式的离散小波变换示意图。离散小波变换是时间(空间)频率的局部化分析,它通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节。
通过
表示数值序列X(t)在任意空间L2(R)中离散小波变换,小波表示为
小波使用预处理后的信号,通过两个互补滤波器,对小波进行频率和时间的局部化滤波器,局部化滤波器包括高频滤波器和低频滤波器,其中频率为公式中的尺度参数j,时间为公式中的位移参数k,t表示时间,图3中LPF1~LPF4为低通滤波器,HPF1~HPF4高通滤波器,CA1~CA 4及CD1~CD4为滤波结果。
图4所示为根据本发明实施方式的梯形多流卷积神经网络深度学习模型结构。其流程从左至右包括:
(1)i个初步预处理后的波形信号(去噪等)输入后(ECG、EEG、EOG、EMG、鼻息信号、脉搏信号等);(2)对于复杂的信号,如EEG,进行子波分离,如简单波形则不需要,例如,此处EEG信号的子波分离为δ(0.1-4.0Hz)波、θ(4.0-7.5Hz)波、α(7.5-12.0Hz)波、β(12.0-15.5Hz)波和γ(15.5-45.0Hz);(3)对子波/输入的信号波进行离散小波变换;(4)对处理后的波进行等像素点切割成n段;(5)对n段波形分别进行X个卷积层和池化层操作;(6)采用1-max-pooling首先对分离的子波结果进行最大池化处理;(7)串联、进入全连接层、并采用1-max-pooling对上述结果进行最大池化处理;(8)采用softmax激活函数;(9)实现二分类。
图5所示为根据本发明实施方式的具体实施例一。图中的波浪形波形为患病样本,垂直于患病样本的直线为正常样本。
以EEG中分离出的α波为例,设置n=10,及每100个像素点分为1段,共10段,每一段均进入卷积层和池化层,此处参数设置为64,也可以设置为32、128等,卷积核设置为x*x,在经过j层的卷积和池化后,实现串联、全连接层、1-max-pooling最大池化、softmax,实现二分类任务。
图6所示为根据本发明实施方式的实施例二,图6中“*”为患病样本,“○”为正常样本。结合图5,本实施例的流程从左至右包括:
对于上述x和j的设置,如下图所示,以EEG信号的β信号为例,对该信号等100像素点分离两份,并计算高频参数,参数计算过程如下:
将序列{u(i)}映射到m维向量x(i)上;
计算每个i值的向量x(i)与其余向量x(j),其中i=0,1,2,…N-m+1,j≠i,距离dij为dij=max|u(i+k)-u(i+k)|,k=0,1,…m-1;
对于每个i值,记录dij<r的情况,r为相似公式差阈值且r>0,以及该情况发生的数目与向量总数N-m+1的比率:
基于相似公差r,表示序列中m维模式彼此相似的概率。
取的自然对数,然后取所有i的平均值,并记录为/>表示向量间的平均接近度,其计算方式为
对于m+1,重复步骤S510~S540,确定和/>
近似熵定义为:(N为有限值的情况)。
定义阈值τ,此处设置为0.8,当测试信号参数-正常信号参数≥τ,如下双向箭头标识,则该层的j设置略大,且x取值略小;否则,j取值略小,同时x取值略大。此处,当测试信号参数-正常信号参数≥τ,j=2,即两个卷积层和两个池化层,x=5;否则,j=1,x=10。由此完成梯形结构的多流CNN。
图7所示为根据本发明实施方式的装置图。其包括:采集装置,包括若干不同的可穿戴设备,用于采集人体睡眠时的若干不同类型的多源生理信号;学习装置,构建梯形多流卷积神经网络深度学习模型,输入多源生理信号至梯形多流卷积神经网络深度学习模型进行学习,得到多导睡眠模型,通过多导睡眠模型的多个分类器对多源生理信号进行分析,得到人体睡眠症状;报警装置,将符合睡眠疾病的人体睡眠症状通过交互界面进行提示。
应当认识到,本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于多源信号的睡眠监控方法,其特征在于,该方法包括:
通过可穿戴设备采集人体睡眠时的若干不同类型的多源生理信号;
构建梯形多流卷积神经网络深度学习模型,输入所述多源生理信号至所述梯形多流卷积神经网络深度学习模型进行学习,得到多导睡眠模型;
所述构建梯形多流卷积神经网络深度学习模型,输入所述多源生理信号至所述梯形多流卷积神经网络深度学习模型进行学习,得到多导睡眠模型依次包括以下步骤:
对所述多源生理信号进行预处理,其中对于EEG进行预处理,采用不同的巴特沃斯滤波器进行滤波分解,得到δ信号波、θ信号波、α信号波、β信号波和γ信号波;
对进行滤波分解的复杂波形进行子波分离,得到子波;
对所述子波及信号波进行离散小波变换;
将经过所述离散小波变换的信号波进行等像素点切割,得对应的n段波形;
对n段波形分别进行X个卷积层和池化层处理,得到对应的处理结果;
通过一维最大池化层对分离的子波结果进行第一次最大池化处理,串联所述卷积层,通过全连接层采用一维最大池化层对信号波的处理及卷积层串联的结果进行最大池化处理;
通过softmax激活函数执行激活;
得到二分类结果;
所述离散小波变换包括:通过
表示数值序列在任意空间/>中离散小波变换,小波表示为
,
小波使用预处理后的信号,通过两个互补滤波器,对小波进行频率和时间的局部化滤波器,局部化滤波器包括高频滤波器和低频滤波器,其中尺度参数为,位移参数为/>,/>表示时间;
所述梯形多流卷积神经网络深度学习模型包括:
处理信号波时,对于信号波通过具有大小的卷积核且经过/>层的池化及卷积处理后,执行等像素点切割,并计算高频参数/>和/>,其计算流程包括:
S510,将序列映射到/>维向量/>上;
S520,计算每个值的向量/>与其余向量/>,其中i =0,1,2,…N-m+1,j≠i,距离为/>;
S530,对于每个值,记录/>的情况, />为相似公式差阈值且/>,以及该情况发生的数目与向量总数/>的比率:
,/>
基于相似公差,/>表示序列中/>维模式彼此相似的概率;
S540,取的自然对数,然后取所有/>的平均值,并记录为/>, />表示向量间的平均接近度,其计算方式为
;
S550,对于,重复步骤S510~S540,确定/>和/>;
其中,近似熵定义为: ;
S560,设置阈值,对比测试信号参数和正常信号参数,若测试信号参数-正常信号参数≥/>,则设置 />,否则,/>,/>;
通过所述多导睡眠模型的多个分类器对所述多源生理信号进行分析,得到人体睡眠症状。
2.根据权利要求1所述的基于多源信号的睡眠监控方法,其特征在于,所述多源生理信号至少包括EEG和/或ECG、EOG、EMG、鼻息信号及脉搏信号的一种。
3.根据权利要求1所述的基于多源信号的睡眠监控方法,其特征在于,所述正常信号参数为正常样本,所述测试信号参数为患病样本。
4.一种基于多源信号的睡眠监控装置,其特征在于,所述装置用于执行权利要求1-3任一所述的方法,该装置包括:
采集装置,包括若干不同的可穿戴设备,用于采集人体睡眠时的若干不同类型的多源生理信号;
学习装置,构建梯形多流卷积神经网络深度学习模型,输入所述多源生理信号至所述梯形多流卷积神经网络深度学习模型进行学习,得到多导睡眠模型,通过所述多导睡眠模型的多个分类器对所述多源生理信号进行分析,得到人体睡眠症状;
报警装置,将符合睡眠疾病的人体睡眠症状通过交互界面进行提示。
5.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-3任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666187.9A CN113349796B (zh) | 2021-06-16 | 2021-06-16 | 基于多源信号的睡眠监控方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666187.9A CN113349796B (zh) | 2021-06-16 | 2021-06-16 | 基于多源信号的睡眠监控方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113349796A CN113349796A (zh) | 2021-09-07 |
CN113349796B true CN113349796B (zh) | 2024-05-10 |
Family
ID=77534637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110666187.9A Active CN113349796B (zh) | 2021-06-16 | 2021-06-16 | 基于多源信号的睡眠监控方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113349796B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控*** |
CN109922526A (zh) * | 2017-12-13 | 2019-06-21 | 苹果公司 | 未许可频带管理控制指示器 |
CN110897639A (zh) * | 2020-01-02 | 2020-03-24 | 清华大学深圳国际研究生院 | 一种基于深度卷积神经网络的脑电睡眠分期方法 |
CN111477299A (zh) * | 2020-04-08 | 2020-07-31 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
WO2020248008A1 (en) * | 2019-06-14 | 2020-12-17 | The University Of Adelaide | A method and system for classifying sleep related brain activity |
CN112120691A (zh) * | 2020-09-22 | 2020-12-25 | 浙江智柔科技有限公司 | 基于深度学习的信号识别方法、装置和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11439344B2 (en) * | 2015-07-17 | 2022-09-13 | Origin Wireless, Inc. | Method, apparatus, and system for wireless sleep monitoring |
-
2021
- 2021-06-16 CN CN202110666187.9A patent/CN113349796B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控*** |
CN109922526A (zh) * | 2017-12-13 | 2019-06-21 | 苹果公司 | 未许可频带管理控制指示器 |
WO2020248008A1 (en) * | 2019-06-14 | 2020-12-17 | The University Of Adelaide | A method and system for classifying sleep related brain activity |
CN110897639A (zh) * | 2020-01-02 | 2020-03-24 | 清华大学深圳国际研究生院 | 一种基于深度卷积神经网络的脑电睡眠分期方法 |
CN111477299A (zh) * | 2020-04-08 | 2020-07-31 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
CN112120691A (zh) * | 2020-09-22 | 2020-12-25 | 浙江智柔科技有限公司 | 基于深度学习的信号识别方法、装置和计算机设备 |
Non-Patent Citations (4)
Title |
---|
便携式睡眠监测***的研制;吴锋;周玉彬;成奇明;张信民;潘玮;刘娟;俞梦孙;;医疗卫生装备;20081115(第11期);全文 * |
卷积神经网络在脑疲劳检测中的研究;杨硕;丁建清;王磊;刘帅;;信号处理;20190425(第04期);全文 * |
基于多参数特征融合的自动睡眠分期方法;吕甜甜;王心醉;俞乾;贾朋飞;陈骁;吴成雄;;计算机应用;20171220(第S2期);全文 * |
小波变换与生物信号处理;周先来, 钟伯成;合肥联合大学学报;20000330(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113349796A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
CN114266276B (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
CN110555468A (zh) | 一种联合递归图和cnn的脑电信号识别方法及*** | |
CN111202517B (zh) | 一种睡眠自动分期方法、***、介质及电子设备 | |
CN110141216B (zh) | 一种心电信号qrs特征波的识别方法、训练方法及*** | |
CN114224360B (zh) | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 | |
CN114533086A (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN115211869A (zh) | 一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及*** | |
CN113303770A (zh) | 睡眠分期方法及装置 | |
CN113925459A (zh) | 一种基于脑电特征融合的睡眠分期方法 | |
CN113723557A (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类*** | |
CN112932501A (zh) | 一种基于一维卷积神经网络自动识别失眠方法 | |
Asghar et al. | Semi-skipping layered gated unit and efficient network: hybrid deep feature selection method for edge computing in EEG-based emotion classification | |
CN115414041A (zh) | 基于脑电数据的自闭症评估装置、方法、终端设备和介质 | |
Nam et al. | The effects of layer-wise relevance propagation-based feature selection for EEG classification: A comparative study on multiple datasets | |
Tiwari et al. | EEG signals to digit classification using deep learning-based one-dimensional convolutional neural network | |
Zhang et al. | A novel multimodule neural network for EEG denoising | |
CN114027786A (zh) | 基于自监督式记忆网络的睡眠呼吸障碍检测方法及*** | |
CN113349796B (zh) | 基于多源信号的睡眠监控方法、设备及存储介质 | |
CN112842363A (zh) | 一种睡眠脑电检测方法及*** | |
Shah et al. | Analysis of EEG for Parkinson’s Disease Detection | |
CN116421200A (zh) | 一种基于并行训练的多任务混合模型的脑电情感分析方法 | |
CN114692682A (zh) | 一种基于图嵌入表示的运动想象分类方法及*** | |
CN114569116A (zh) | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断*** | |
CN111493864B (zh) | Eeg信号混合噪声处理方法、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |