智能輔助睡眠中的睡眠狀態識別方法和系統與流程

2023-09-19 10:57:20

本發明涉及輔助睡眠技術領域，特別是涉及一種智能輔助睡眠中的睡眠狀態識別方法和系統。

背景技術：

在睡眠中，人體進行了自我放鬆及恢復的過程。因此良好的睡眠是保持身體健康的一項基本條件。但是由於工作壓力大、生活作息不規律等原因，導致了部分人群的睡眠質量欠佳，表現為失眠、半夜驚醒等。

智能輔助睡眠是一種結合現代科技的睡眠方法，當被試者進入催眠狀態後，其受暗示性明顯提高，能與催眠師保持密切的感應關係，會不加批判地接受其暗示指示。將催眠術應用於輔助睡眠時，當催眠者被催眠師所催眠後，催眠師發出睡眠指令即可使被催眠者進入睡眠狀態。與藥物幹預(安眠藥)相比，基於催眠術的輔助睡眠對身體的副作用較小，比較適合日常應用。

在智能輔助睡眠中，如何準確地識別睡眠狀態是重要因素，只有在合適的睡眠狀態下，才可採用相應的輔助策略，以提高輔助睡眠效果，目前主要採用覺察方式識別睡眠行為，準確性難以保證，效率低。

技術實現要素：

基於此，有必要針對上述問題，提供一種智能輔助睡眠中的睡眠狀態識別方法和系統，有效地提高輔助睡眠效果。

一種智能輔助睡眠中的睡眠狀態識別方法，包括：

採集用戶在智能輔助睡眠中產生的生物電信號；

根據預先訓練的分類器模型的信號特徵類型，從所述生物電信號中提取相應的信號特徵數據；

將所述信號特徵數據輸入所述分類器模型，識別用戶當前的睡眠狀態。

一種智能輔助睡眠中的睡眠狀態識別系統，包括：

採集模塊，用於採集用戶在智能輔助睡眠中產生的生物電信號；

提取模塊，用於根據預先訓練的分類器模型的信號特徵類型，從所述生物電信號中提取相應的信號特徵數據；

識別模塊，用於將所述信號特徵數據輸入所述分類器模型，識別用戶當前的睡眠狀態。

上述智能輔助睡眠中的睡眠狀態識別方法和系統，在對用戶進行智能輔助睡眠過程中，採集其產生的生物電信號，根據預先訓練的分類器模型，提取相應的信號特徵數據輸入所述分類器模型識別睡眠狀態，該方案能夠較為準確地識別出睡眠狀態，而且提高了識別效率。

附圖說明

圖1為本發明的智能輔助睡眠中的睡眠狀態識別方法的流程圖；

圖2為預處理前後的腦電信號示意圖；

圖3為一個實例的睡眠狀態的識別流程圖；

圖4為一個實施例的智能輔助睡眠中的睡眠狀態識別系統結構示意圖。

具體實施方式

下面結合附圖闡述本發明的智能輔助睡眠中的睡眠狀態識別方法和系統的實施例。

參考圖1所示，圖1為本發明的智能輔助睡眠中的睡眠狀態識別方法的流程圖，包括：

S101，採集用戶在智能輔助睡眠中產生的生物電信號；

在本步驟中，在對用戶進行智能輔助睡眠時，通過用戶佩戴相關傳感設備，檢測用戶的生物電信號，可以採集腦電信號、眼電信號等生物電信號。

在採集生物信號時，一般是以30s為一幀進行採集，每幀作為一個樣本，後續對每幀腦電信號進行分析處理。

S102，根據預先訓練的分類器模型的信號特徵類型，從所述生物電信號中提取相應的信號特徵數據；

在本步驟中，利用預先訓練的分類器模型來進行識別，該分類器模型是通過採集人體的樣本數據，以其相關的特徵信息進行訓練得到，因此，通過分類器模型對應的信號特徵類型，從當前正在進行智能輔助睡眠的用戶所採集的生物電信號，提取同類型的信號特徵，輸入分類器模型進行識別。

在一個實施例中，在提取信號特徵數據前，可以對所述採集的生物電信號進行帶通濾波，並濾除工頻幹擾。例如，腦電信號的有用信息多集中在0-100Hz的範圍內，而在採集過程中，會摻入頻率在該範圍外的噪聲，因此，可以通過濾波手段將其濾除。

作為一個實施例，針對於主要的高頻噪聲，可以設計一個50/60Hz的陷波器來濾除工頻幹擾。參考圖2所示，圖2為預處理前後的腦電信號示意圖，上圖為原始信號，下圖為經過預處理之後的信號，可以發現大部分的高頻噪聲已被濾除。

在一個實施例中，在進行信號特徵參數提取時，以每30秒檢測一次(即30秒一幀)對生物電信號進行處理。

S103，將所述信號特徵數據輸入所述分類器模型，識別用戶當前的睡眠狀態；

在本步驟中，將提取的信號特徵數據輸入所述分類器模型，分類器模型就能夠識別出用戶當前的睡眠狀態。

在一個實施例中，所述分類器模型識別睡眠狀態的方法，可以包括如下步驟：

計算所述腦電信號的樣本熵，將該樣本熵與預先計算的樣本熵閾值進行比較，若所述樣本熵大於所述樣本熵閾值，則判定用戶當前處於清醒狀態，反之則不能確定狀態，需要分類器做進一步的識別。

其中，樣本熵閾值的計算公式可以如下：

sampen_vali＝sampen(y[p_start:p_end])

p_start＝(i-1)*time_length*fs+1

p_end＝t_start+time_length*fs-1

p_end＜T·fs

式中，其中sampen_thre為樣本熵閾值，sampen_vali為樣本熵集合中第i個樣本的樣本熵，sampen為求樣本熵的運算，其輸入y[p_start:p_end]為腦電信號y在第p_start點開始到第p_end點為止的部分，time_length為計算樣本熵的每個樣本的時間長度，fs為腦電信號的採樣率，T為開始採集腦電信號後的設定時間，v為設定參數。

上述實施例的技術方案，通過在對用戶進行智能輔助睡眠過程中，採集其產生的生物電信號，根據預先訓練的分類器模型，提取相應的信號特徵數據輸入所述分類器模型識別睡眠狀態，該方案能夠較為準確地識別出睡眠狀態，而且提高了識別效率。

為了更加清晰本發明的技術方案，下面進一步闡述相關實施例。

對於提取相應的信號特徵數據的方法，本發明還可以提供如下實施例：

(1)對生物電信號進行基線提取，計算所述基線的變化幅度；其中，所述變化幅度為基線最大值減去最小值；

(2)在生物電信號去掉基線後，對所述生物電信號進行小波分解，獲得小波係數；根據小波係數計算小波係數的特徵參數；包括均值、方差，峭度係數和/或斜度係數；

(3)在生物電信號去掉基線後，計算生物電信號的LZ複雜度和樣本熵；

相應地，在步驟S103中，將所述基線的變化幅度、小波係數的特徵參數、LZ複雜度和樣本熵輸入所述分類器模型。

進一步地，還可以提取如下信號特徵數據：

(4)採集的血氧濃度參數，並根據所述濃度參數計算血氧飽和度參數。

(5)在小波重構中提取所述生物電信號的δ波頻段、θ波頻段、α波頻段和β波頻段的信號；計算δ波頻段、θ波頻段、α波頻段和β波頻段的信號的能量在總能量中的比例係數；以及計算在一幀腦電信號內，δ波頻段、θ波頻段、α波頻段和β波頻段的信號能量最大的時間。

作為實施例，為了更好地分解出所述δ波，小波分解的層數與生物電信號的採樣頻率滿足如下關係：f＝2N+2，其中，f為生物電信號的採樣頻率，N為小波分解的層數；例如，當信號的採樣率為128Hz時，可以選擇4層分解，當信號的採樣率為256Hz時，則可以進行5層分解。

相應地，在步驟S103中，輸入所述分類器模型的數據包括：所述變化幅度、特徵參數、LZ複雜度、血氧飽和度參數、比例係數及。

上述計算δ波頻段、θ波頻段、α波頻段和β波頻段的能量在總能量中的比例係數的方法，可以包括如下公式：

rδ＝∑(yδ)2/ptotal

rθ＝∑(yθ)2/ptotal

rα＝∑(yα)2/ptotal

rβ＝∑(yβ)2/ptotal

其中ptotal＝∑(yδ)2+∑(yθ)2+∑(yα)2+∑(yβ)2，yδ，yθ，yα和yβ分別表示重構後的δ頻段、θ頻段、α頻段和β頻段的信號，rδ，rθ，rα和rβ分別代表δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例；

上述計算在一幀腦電信號內，δ波頻段、θ波頻段、α波頻段和β波頻段的信號能量最大的時間的方法，可以包括如下公式：

式中，cδ，cθ，cα和cβ表示δ頻段、θ頻段、α頻段和β頻段的信號在當前幀內所佔能量比例最大的時間長度，分別表示第i秒內δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。

上述實施例的方案，通過與生物電信號和人體血氧密切相關的多維特徵數據，訓練分類器模型用於睡眠狀態識別，能夠準確地識別當前用戶的睡眠狀態。

在一個實施例中，對於所述分類器模型的訓練過程，可以採用如下方式：

採用網格測試方法選擇最優的懲罰因子C，RBF核(Radial Basis Function，徑向基函數)的參數σ，其中，所述懲罰因子C、參數σ的取值範圍分別是C：2-2～212,σ:2-2～210；同時調節懲罰因子C和參數σ，將識別率最高的參數作為最優的參數；並在獲得最優的參數後，利用最優的參數在訓練數據上重新訓練分類器，然後在測試數據上進行測試；將在測試數據上取得最優總體識別率的分類器模型作為最佳的分類器模型進行使用。

由於訓練數據是從採集數據中隨機抽取的，因此可以將此過程重複若干次，最後將在測試數據上取得最優總體識別率的分類器模型作為最佳的分類器模型，並在實際中應用。

參考圖3所示，圖3為一個實例的睡眠狀態的識別流程圖，以腦電信號為例，在採集到腦電信號後，以30s為一幀進行處理，先對腦電信號進行預處理，提取信號特徵數據，然後送入採用了rbf核的SVM(Support Vector Machin，支持向量機)分類器模型進行訓練，當採集到的用戶的腦電信號數據不多時，利用預先訓練好的通用分類器模型進行識別，並將當前幀的信號特徵數據加入到自學習過程中。若採集到了足夠多的個人數據，則利用個人數據訓練出個人模型，並以此個人模型進行識別。

作為一個實施例，本發明提供的智能輔助睡眠中的睡眠狀態識別方法，可以用於識別的睡眠狀態，包括清醒，非眼快動睡眠和眼快動睡眠；其中，非眼快動睡眠入睡期，淺睡期，中等睡眠期和深度睡眠期四個狀態。

在一個實施例中，檢測非眼快動睡眠入睡期，淺睡期，中等睡眠期和深度睡眠期四個狀態包括如下步驟：

(1)從腦電信號的中檢測K綜合波，當檢測到K綜合波時，判斷用戶當前處於非眼快動睡眠的S2周期；

進一步地，當檢測到K綜合波時，在檢測到K綜合波與δ波的時間窗口內，對眼電信號的幅度進行檢測，當眼電信號的幅值超過預設幅度閾值，則判定檢測到的K綜合波與δ波屬於偽陽性結果；或者在檢測到δ波的時間窗口內，對眼電信號的幅度進行檢測，當眼電信號的幅值超過預設幅度閾值，則判定檢測到δ波屬於偽陽性結果。

(2)根據δ波波形特徵從所述腦電波中檢測δ波，統計檢測到δ波的數量；並根據δ波的數量確定用戶的非眼快動睡眠的S3和S4周期；具體可以包括如下：

當δ波數量屬於[fL(m)，fH(m)]時，判定用戶當前處於非眼快動睡眠的S3周期；當δ波數量大於等於f0(m)時，判定用戶當前處於非眼快動睡眠的處於S4周期；

fL(m)＝m/t×pL；

fL(m)＝m/t×pH；

f0(m)＝fH(m)+1；

其中，檢測腦電波的時間窗口的長度為m，t為δ波持續時間的均值，(pL,pH)為δ波佔腦電信號的時間範圍。

綜合上述實施例，本發明的技術方案，利用生物電信號識別催眠深度，能準確的識別當前睡眠狀態；在提取信號特徵數據中，利用了生物電信號的基線的變化幅度的特徵、小波係數的特徵參數和LZ複雜度；以及血氧飽和度參數、δ波、θ波、α波和β波；計算δ波、θ波、α波和β波能量在總能量中的比例係數及其在將當前幀信號特徵數據內所佔的時間等信號特徵；利用預先訓練的分類器模型進行識別，從而識別用戶當前睡眠狀態。

參考圖4所示，圖4為一個實施例的智能輔助睡眠中的睡眠狀態識別系統結構示意圖，包括：

採集模塊101，用於採集用戶在智能輔助睡眠中產生的生物電信號；

提取模塊102，用於根據預先訓練的分類器模型的信號特徵類型，從所述生物電信號中提取相應的信號特徵數據；

識別模塊103，用於將所述信號特徵數據輸入所述分類器模型，識別用戶當前的睡眠狀態。

本發明的智能輔助睡眠中的睡眠狀態識別系統與本發明的智能輔助睡眠中的睡眠狀態識別方法一一對應，在上述智能輔助睡眠中的睡眠狀態識別方法的實施例闡述的技術特徵及其有益效果均適用於智能輔助睡眠中的睡眠狀態識別系統的實施例中，特此聲明。

以上所述實施例的各技術特徵可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特徵所有可能的組合都進行描述，然而，只要這些技術特徵的組合不存在矛盾，都應當認為是本說明書記載的範圍。

以上所述實施例僅表達了本發明的幾種實施方式，其描述較為具體和詳細，但並不能因此而理解為對發明專利範圍的限制。應當指出的是，對於本領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進，這些都屬於本發明的保護範圍。因此，本發明專利的保護範圍應以所附權利要求為準。