一种疲劳睡眠分析方法及装置与流程

1.本技术涉及疲劳即睡眠监测领域，具体而言，涉及一种疲劳睡眠分析方法及装置。


背景技术：

2.心冲击信号(ballistocardiography，bcg)是一种非接触式的生命体征监测方法，bcg信号和心电图一样具有周期性，反应了人体心脏周期性射血时对支撑物产生的微弱作用力变化，包括呼吸时的胸腔起伏、心跳、体动等人体活动。bcg信号的采集方式包括立式、坐式、平躺式和可穿戴式。对于平躺式的bcg采集采集装置而言，当人平躺在床垫上时，呼吸作用及心脏射血会对人身体以下的床垫产生反作用力。因此，可以基于bcg信号的非接触式睡眠监测。当人坐在坐垫上时，呼吸及心跳活动同样会对臀部以下的坐垫产生反作用力，从而可以进行基于bcg信号的非接触式精神疲劳度监测。
3.随着生活节奏的加快以及工作和生活压力的增大，越来越多人存在睡眠障碍方面的问题。研究表明，睡眠质量的好坏对人体健康有着重要的影响，人们对睡眠质量的关注日益增加。同时，不少潜在的疾病会在不同的睡眠阶段中呈现出来。所以，对睡眠分期作一些基础性研究能为睡眠质量的判断提供理论依据，进而为睡眠障碍等病患的医治提供必要的帮助。
4.发明人经研究发现，目前多导睡眠(psg)监测系统的睡眠分期仍然是研究睡眠分期的最重要的标准方法。但是，该系统电极繁多连接复杂，用户体验较差，不适合用于人的长期的睡眠监测。
5.同时，精神疲劳也是现代社会一个不容小觑的问题，当人处于精神疲劳状态时，会引发困倦、反应迟钝和效率降低，甚至引起事故的发生。比如驾驶员、医生、危险仪器操作员等特殊人群由于疲劳而引起的事故后果往往异常严重。精神疲劳监测的研究由来已久，但是大多需要配备复杂的检测设备，因此，提供无扰、便携、非接触的高准确度精神疲劳监测方法，是非常有必要的。
6.如何发明一种疲劳睡眠分析方法及装置来改善这些问题，成为了本领域技术人员亟待解决的问题。


技术实现要素：

7.为了弥补以上不足，本技术提供了一种疲劳睡眠分析方法及装置，用于对精神疲劳度以及睡眠状态的分析，旨在改善上述背景技术中存在的问题。
8.第一方面，本技术实施例提供了一种疲劳睡眠分析方法，包括以下步骤：
9.步骤1：采集用户的bcg信号；
10.步骤2：对原始bcg信号进行第一滤波，得到呼吸信号波形；
11.步骤3：对原始bcg信号进行第二滤波，并进行特征峰提取；
12.步骤4：对特征峰进行异常值剔除，得到心率变异性信号；
13.步骤5：利用lomb-scargle算法分别对呼吸信号和心率变异性信号进行功率谱计
算，得到两者的功率谱密度；
14.步骤6：对呼吸信号和心率变异性信号进行心肺耦合分析，得到用户心肺耦合强度谱；
15.步骤7：采用机器学习中的分类器模型对心肺耦合强度进行分类，并进行疲劳与睡眠状态的分析结果。
16.在一种具体的实施方案中，所述步骤1中的bcg信号的采集通过以下装置之一获得：马赫-曾德干涉仪、迈克尔逊干涉仪或模间干涉仪。
17.在一种具体的实施方案中，所述步骤1中的bcg信号的采集通过智能坐垫或者智能床垫获得。
18.在一种具体的实施方案中，所述第一滤波和所述第二滤波的类型包括小波变换或巴特沃斯滤波。
19.在一种具体的实施方案中，所述步骤3中的特征峰提取具体为：提取每次心跳的j峰，进而得到相邻两次心跳之间的距离；所述步骤4中的对特征峰进行异常值剔除具体为：利用连续的j-j间期序列构成心率变异性信号；对特征峰提取后得到的j-j间期序列进行中值滤波，中值滤波窗的宽度大于30秒，若中值滤波后的j-j间期与原始的j-j间期之差大于预设的阈值，那么该原始的j-j间期为异常值，并将其剔除。
20.在一种具体的实施方案中，lomb-scargle算法计算功率谱密度的公式为：
[0021][0022]
其中，p(ω)为频率ω的周期信号功率，y(ti)为离散实验数据，ti为离散实验数据的时间，n为实验数据的统计量，t1为实验数据的起始时间，tn为实验数据的终止时间。
[0023]
在一种具体的实施方案中，所述步骤6中的对呼吸信号和心率变异性信号进行心肺耦合分析，得到用户心肺耦合强度谱，其中的心肺耦合强度的计算公式如下：
[0024]
cross＝p
rr
(ω)
·
p
hrv*
(ω)
[0025][0026]
cpc＝|mean(p
rr
(ω))|2·
coherence
[0027]
其中，mean表示求平均值，p
rr
(ω)和p
hrv
(ω)分别为呼吸信号和心率变异性信号的功率谱密度，cross为p
rr
(ω)和p
hrv
(ω)的互功率谱，coherence为p
rr
(ω)和p
hrv
(ω)的相干性，cpc为心肺耦合强度。
[0028]
在一种具体的实施方案中，所述机器学习中的分类器模型包括支持向量机分类器或深度神经网络。
[0029]
第二方面，本技术实施例提供了一种电子设备，包括一个或多个处理器以及存储装置，用于存储一个或多个程序；所述存储装置存储有计算机程序，所述计算机程序被所述
处理器执行时，使得所述处理器执行如下步骤：
[0030]
步骤1：采集用户的bcg信号；
[0031]
步骤2：对原始bcg信号进行第一滤波，得到呼吸信号波形；
[0032]
步骤3：对原始bcg信号进行第二滤波，并进行特征峰提取；
[0033]
步骤4：对特征峰进行异常值剔除，得到心率变异性信号；
[0034]
步骤5：利用lomb-scargle算法分别对呼吸信号和心率变异性信号进行功率谱计算，得到两者的功率谱密度；
[0035]
步骤6：对呼吸信号和心率变异性信号进行心肺耦合分析，得到用户心肺耦合强度谱；
[0036]
步骤7：采用机器学习中的分类器模型对心肺耦合强度进行分类，进行疲劳与睡眠状态的分析结果。
[0037]
第三方面，本技术实施例提供了一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时，使得所述处理器执行如下步骤：
[0038]
步骤1：采集用户的bcg信号；
[0039]
步骤2：对原始bcg信号进行第一滤波，得到呼吸信号波形；
[0040]
步骤3：对原始bcg信号进行第二滤波，并进行特征峰提取；
[0041]
步骤4：对特征峰进行异常值剔除，得到心率变异性信号；
[0042]
步骤5：利用lomb-scargle算法分别对呼吸信号和心率变异性信号进行功率谱计算，得到两者的功率谱密度；
[0043]
步骤6：对呼吸信号和心率变异性信号进行心肺耦合分析，得到用户心肺耦合强度谱；
[0044]
步骤7：采用机器学习中的分类器模型对心肺耦合强度进行分类，从而进行疲劳与睡眠状态的分析结果。
[0045]
本发明具有如下有益效果：
[0046]
1、基于lomb-scargle的功率谱密度计算是一种估计不等间隔数据的频谱的方法，对异常点的干扰不敏感，而且可以得到较高的频率精度，而hrv信号就是不等间隔的；
[0047]
2、心肺耦合度描述了心血管系统与呼吸系统之间的协作关系和耦合程度，可以根据耦合的数量和频率对睡眠和疲劳度进行分类；
[0048]
3、借助机器学习中的分类器模型分类，提高了算法的检测精度且降低了算法的复杂程度；
[0049]
4、本发明应用范围广，不仅适用于睡眠状态下的睡眠分析，也适用于清醒状态下的精神疲劳度分析。
附图说明
[0050]
为了更清楚地说明本技术实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0051]
图1为本发明一种疲劳睡眠分析方法的流程图一；
[0052]
图2为本发明一种疲劳睡眠分析方法的流程图二；
[0053]
图3为本发明一实施例对清醒状态下的bcg信号进行心肺耦合度谱计算的结果；
[0054]
图4为本发明一实施例对睡眠状态下的bcg信号进行心肺耦合度谱计算的结果。
具体实施方式
[0055]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
[0056]
为使本技术实施方式的目的、技术方案和优点更加清楚，下面将结合本技术实施方式中的附图，对本技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本技术一部分实施方式，而不是全部的实施方式。基于本技术中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本技术保护的范围。
[0057]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0058]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0059]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0060]
请参阅图1和图2，本技术提供一种基于非接触式bcg信号的疲劳和睡眠分析方法，包括以下步骤：
[0061]
步骤1：采集用户的bcg信号；
[0062]
所述bcg信号的采集方式包括但不限于马赫-曾德干涉仪、迈克尔逊干涉仪、模间干涉仪。
[0063]
所述bcg信号从智能坐垫或者智能床垫中获取。
[0064]
步骤2：对原始bcg信号进行第一滤波，得到呼吸信号波形；
[0065]
步骤3：对原始bcg信号进行第二滤波，并进行特征峰提取；
[0066]
所述第一滤波和第二滤波的类型包括但不限于小波变换、巴特沃斯滤波。
[0067]
所述特征提取即提取每次心跳的j峰，进而得到相邻两次心跳之间的距离，从而用连续的j-j间期序列构成心率变异性信号。
[0068]
步骤4：对特征峰进行异常值剔除，得到心率变异性信号；
[0069]
对特征峰提取后得到的j-j间期序列进行中值滤波，中值滤波窗的宽度一般大于30秒，若中值滤波后的j-j间期与原始的j-j间期之差大于预设的阈值，那么该原始的j-j间期为异常值，需要将其剔除。
[0070]
步骤5：利用lomb-scargle算法分别对呼吸信号和心率变异性信号进行频谱分析，得到两者的功率谱密度，lomb-scargle算法计算功率谱密度的公式为：
[0071][0072]
其中，p(ω)为频率ω的周期信号功率，y(ti)为离散实验数据，ti为离散实验数据的时间，n为实验数据的统计量，t1为实验数据的起始时间，tn为实验数据的终止时间。与传统的快速傅里叶变换或ar谱估计等功率谱计算相比，基于lomb-scargle的功率谱密度计算可以处理非等间距采样信号且对异常点的干扰不敏感，而且可以得到较高的频率精度。
[0073]
步骤6：对呼吸信号和心率变异性信号进行心肺耦合分析，得到用户心肺耦合强度谱，计算公式如下：
[0074]
cross＝p
rr
(ω)
·
p
hrv*
(ω)
[0075][0076]
cpc＝|mean(p
rr
(ω))|2·
coherence
[0077]
其中，mean表示求平均值，p
rr
(ω)和p
hrv
(ω)分别为呼吸信号和心率变异性信号的功率谱密度，cross为p
rr
(ω)和p
hrv
(ω)的互功率谱，coherence为p
rr
(ω)和p
hrv
(ω)的相干性，cpc为心肺耦合强度。
[0078]
心肺耦合度描述了心血管系统与呼吸系统之间的协作关系和耦合程度，可以根据耦合的数量和频率对睡眠和疲劳度进行分类。有以下几种耦合类型：高频耦合(high frequency coupling，hfc；0.1～0.4hz)、低频耦合(low frequency coupling，lfc；0.01～0.1hz)、抬高型低频耦合(elevated low frequency coupling，e-lfc；lfc的子集)、抬高型
窄带低频耦合(elevated low frequency coupling narrow-band，e-lfcnb)和极低频耦合(very low frequency coupling，vlfc；0.0039～0.01hz)。其中，hfc是稳定睡眠的可靠指标，与生活质量呈正相关，与呼吸暂停低通气指数(apnea hypopnea index，ahi)和年龄呈负相关；若hfc降低，可能存在心血管方面的问题；lfc反映不稳定和紊乱的睡眠，具有较强的遗传因素，与生活质量差相关，与ahi和年龄呈正相关。研究者还常用高频耦合/低频耦合的比值(hfc/lfc)确定睡眠障碍的存在。心率耦合度分析可以得出清晰分离的耦合状态，睡眠阶段的分期和疲劳状态的判定都可以被区分开来。
[0079]
通常,清醒状态下的心肺耦合度谱大都集中在0.01hz以下，睡眠状态下的心肺耦合度谱大都集中在0.2hz-0.3hz之间。
[0080]
如图3所示，图3为本发明一实施例对清醒状态下的bcg信号进行心肺耦合度谱计算的结果，每次进行心肺耦合强度谱计算的信号长度为512秒，且每次滑动30秒，横坐标为计算次数，纵坐标为频率。可以看出，清醒状态下的心肺耦合度谱大都集中在0.01hz以下，图中亮度越亮的区域说明分布在此频率的数量越多。
[0081]
如图4所述，图4为本发明一实施例对睡眠状态下的bcg信号进行心肺耦合度谱计算的结果。可以看出，睡眠状态下的心肺耦合度谱大都集中在0.2hz-0.3hz之间。
[0082]
步骤7：采用机器学习中的分类器模型对心肺耦合强度进行分类，从而进行疲劳与睡眠状态的分析结果。
[0083]
进一步的，所述机器学习分类器模型包括但不限于支持向量机分类器、深度神经网络。
[0084]
优选为支持向量分类器。
[0085]
支持向量分类器是一种监督机器学习算法，适用于求解小样本和高维数据的建模问题。通过对训练样本集的训练构建支持向量分类器，并用分类器模型对测试样本集中的每个样本进行分类。
[0086]
本技术实施例还提供了一种电子设备，包括一个或多个处理器以及存储装置，用于存储一个或多个程序；所述存储装置存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
[0087]
步骤1：采集用户的bcg信号；
[0088]
步骤2：对原始bcg信号进行第一滤波，得到呼吸信号波形；
[0089]
步骤3：对原始bcg信号进行第二滤波，并进行特征峰提取；
[0090]
步骤4：对特征峰进行异常值剔除，得到心率变异性信号；
[0091]
步骤5：利用lomb-scargle算法分别对呼吸信号和心率变异性信号进行功率谱计算，得到两者的功率谱密度；
[0092]
步骤6：对呼吸信号和心率变异性信号进行心肺耦合分析，得到用户心肺耦合强度谱；
[0093]
步骤7：采用机器学习中的分类器模型对心肺耦合强度进行分类，从而进行疲劳与睡眠状态的分析结果。
[0094]
本技术实施例提供了一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时，使得所述处理器执行如下步骤：
[0095]
步骤1：采集用户的bcg信号；
[0096]
步骤2：对原始bcg信号进行第一滤波，得到呼吸信号波形；
[0097]
步骤3：对原始bcg信号进行第二滤波，并进行特征峰提取；
[0098]
步骤4：对特征峰进行异常值剔除，得到心率变异性信号；
[0099]
步骤5：利用lomb-scargle算法分别对呼吸信号和心率变异性信号进行功率谱计算，得到两者的功率谱密度；
[0100]
步骤6：对呼吸信号和心率变异性信号进行心肺耦合分析，得到用户心肺耦合强度谱；
[0101]
步骤7：采用机器学习中的分类器模型对心肺耦合强度进行分类，从而进行疲劳与睡眠状态的分析结果。
[0102]
该疲劳睡眠分析方法的工作原理：基于非接触式心冲击(bcg)信号的疲劳和睡眠分析算法，首先采集用户的bcg信号，然后对原始bcg信号进行第一滤波，得到呼吸信号波形；再对原始bcg信号进行第二滤波，并进行特征峰提取；接着对特征峰进行异常值剔除，得到心率变异性信号；利用lomb-scargle算法分别对呼吸信号和心率变异性信号进行功率谱计算，得到两者的功率谱密度；然后对呼吸信号和心率变异性信号进行心肺耦合分析，得到用户心肺耦合强度谱；最后采用机器学习中的分类器模型对心肺耦合强度进行分类，从而进行疲劳与睡眠状态的分析结果。与传统的快速傅里叶变换或ar谱估计等功率谱计算相比，基于lomb-scargle的功率谱密度计算可以处理非等间距采样信号且对异常点的干扰不敏感，而且可以得到较高的频率精度。该算法提高了算法的检测精度且降低了算法的复杂程度，且应用范围广，不仅适用于睡眠状态下的睡眠分析，也适用于清醒状态下的精神疲劳度分析，适合推广使用。
[0103]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0104]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0105]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。