一种面向中风预测的睡眠数据分析方法与流程

本发明涉及中风疾病预测领域，尤其涉及面向中风预测的睡眠数据分析方法。

背景技术

“中风”又叫“脑卒中”。临床主要指脑出血、脑血栓等。其发病率、致残率、死亡率在世界范围都居前列,是严重危害人民健康的一组疾病。以相关特征来客观评估中风风险,用以提前识别高危人群,是中风预防的重要手段,从而能使重点预防的目标人群更为集中,有助于促进公共卫生资源的合理应用,对于降低中风发病率和死亡率具有非常重要的意义。尽管国内外已经建立了心血管病或中风的预测模型,但大多数预测特征，主要基于传统的临床因素,这其中主要包括：心电图，脑电图等，但是此类方式都有着各自的弊端。例如，心电图用户去佩戴多个专业传感器设备由专业人员辅助来获得数据，脑电图需要专业人员使用较为昂贵的医疗设备才能获得。目前，已经证实睡眠障碍可引起中风。同时，睡眠障碍是中风的一种并发症。在睡眠障碍中，失眠症在中风患者中的发病率接近57％，其中38％人报告失眠是中风的先兆。而睡眠超过9小时会增加心血管疾病的风险，在中风人群中，高达27％的患者会患上失眠。在现实生活中，睡眠数据可以很方便的从智能手环或智能手表中，从而便于个人了解自身健康状况。

技术实现要素：

针对现有中风预测系统不能够从人们日常生活中，长时间、同时更为便捷提取特征的局限性，本发明提出了一种面向中风预测的睡眠数据分析方法。

本发明采用以下技术方案为：

一种面向中风预测的睡眠数据分析方法，包括以下步骤：

步骤1：获取参与者人口统计和临床部分历史数据，使用经临床医学知识选取参与者个人特征；

步骤2：通过智能设备，获得参与者长时间连续睡眠数据，构建参与者个体的睡眠数据模型；

步骤3：针对步骤2中筛选到的睡眠数据，提取参与者个体的睡眠特征；

步骤4：针对步骤3中建立的特征表达模型，选择合适的特征选择算法，挑选出有效的预测特征；

步骤5：针对步骤4中计算得到的特征模型，训练支持向量机预测模型，设定初始阈值，从而得到初步分类结果；

步骤6：计算参与者和已近中风群体，从未中风群体之间的相似性，更新步骤5中的阈值，得到精确的相似性结果。

进一步地，一种面向中风预测的睡眠数据分析方法，步骤2中构建参与者个体的睡眠数据模型：

sleepseries＝<sleepcycle1,sleepcycle2,…,sleepcyclen>

sleepcyclei＝<stage0i,stage1i,stage2i,stage3i,stage4i,stage5i>，

其中，sleepseries表示整晚睡眠序列；sleepcyclei表示第i个睡眠周期；stage0i表示第i个周期的觉醒期；stage1i和stage2i表示第i个周期浅睡期；stage3i表示第i个周期熟睡期；stage4i表示第i个周期深睡期；stage5i表示第i个周期快速眼动期。

进一步地，一种面向中风预测的睡眠数据分析方法，步骤3中所述参与者的睡眠特征包括：睡眠时间，睡眠效率，浅睡期睡眠趋势，深睡期睡眠趋势；所述参与者的睡眠特征表达模型为：

totalsleeptime＝sleeptimecycle1+…+sleeptimecyclen

stagedeep1＝(timestage3n+timestage4n)-(timestage31+timestage41)

stagedeep2＝(timestage33+timestage43)-(timestage31+timestage41)

stagedeep3＝(timestage32+timestage42)-(timestage31+timestage41)

其中，totalsleeptime表示整晚睡眠时间；sleeptimecyclei表示第i个周期的睡眠时间；sleepeff表示整晚睡眠效率；alltimestage0表示整晚觉醒期睡眠时间；wakeeff表示整晚觉醒率；stagedeepi表示第i个熟睡和深度睡眠的趋势；timestage3i表示第i个周期中熟睡阶段的睡眠时间；timestage4i表示第i个周期中深度睡眠阶段的睡眠时间。

进一步地，一种面向中风预测的睡眠数据分析方法，步骤4中选择有价值特征，是通过计算步骤3中睡眠特征的信息增益，表示为：infogain(class,attribute)＝h(class)-h(class|attribute)其中，infogain(class,attribute)表示特征attriute对于类别class的信息增益，h(class)表示类别class的信息熵，h(class|attribute)表示特征attribute对于类别class的信息熵。

进一步地，一种面向中风预测的睡眠数据分析方法，所述步骤5采用支持向量机模型supportvectormachine(svm)通过结合参与者临床医学特征和睡眠特征，设定初始阈值，初步将参与者进行分类。

进一步地，一种面向中风预测的睡眠数据分析方法，所述步骤6通过余弦相似度计算参与者和已经患有中风和健康人群之间的余弦相似距离，同时结合步骤5中得到的分类结果，如果参与者与患有中风人群更为接近，则降低判别阈值；所述余弦相似度为：

其中，cosθ表示两个样本之间的余弦距离，表示样本i特征，表示样本i和样本j之间的内积，表示样本i的长度。

本发明的有益效果为：其主要通过分析参与者睡眠周期和睡眠阶段中，睡眠时间，睡眠效率，浅度睡眠，深度睡眠等的变化来尽早发现中风潜在风险，同时在使用常用预测模型得到预测结果后，运用相似性原理对该结果进行进一步处理，以减少漏报率，同时将误报率控制在可以接受的范围。与现有的技术相比较，通过便捷和非侵入式方式获取参与者连续长时间睡眠数据，结合部分已知临床生理数据，能够更为准确预测参与者患有中风的风险。同时本方法通过计算参与者与已中风和未中风人群的相似性，能够提高已有预测模型的准确率。

附图说明

图1为本发明一种面向中风预测的睡眠数据分析方法的流程图；

图2为从智能手表得到的参与者的睡眠结构图。

具体实施方式

下面结合附图来进一步描述本发明的技术方案。

本发明共有2幅附图，请参阅图1所示，本发明一种面向中风预测的睡眠数据分析方法具体过程为：

步骤1：从参与者以往的电子病历和填写的问卷调查中获得参与者：年龄，性别，舒张压，收缩压，高血压，总胆固醇，高密度胆固醇等。

步骤2：通过智能设备获取参与者整晚睡眠生物节律数据，大约在90至100分钟经历一个睡眠周期，在一个睡眠周期内包含5个不同阶段：觉醒期、浅睡期、熟睡期、深睡期、快速动眼期。构建参与者个体的睡眠数据模型，表示为公式(1)

用0表示stage0，用1表示stage1，用2表示stage2，用3表示stage3，用4表示stage4，用5表示stage5，睡眠结构效果图如图2所示。

步骤3：步骤2中建立的参与者睡眠数据，计算出包括：睡眠时间，睡眠效率，浅睡期睡眠趋势，深睡期睡眠趋势。

其中，totalsleeptime表示整晚睡眠时间；sleeptimecyclei表示第i个周期的睡眠时间；sleepeff表示整晚睡眠效率；alltimestage0表示整晚觉醒期睡眠时间；wakeeff表示整晚觉醒率；stagedeepi表示第i个熟睡和深度睡眠的趋势；timestage3i表示第i个周期中熟睡阶段的睡眠时间；timestage4i表示第i个周期中深度睡眠阶段的睡眠时间。

步骤4：针对步骤3中得到的睡眠特征，通过计算特征的信息增益，表示为公式(3)，选出有价值特征：

infogain(class,attribute)＝h(class)-h(class|attribute)(3)

其中，infogain(class,attribute)表示特征attriute对于类别class的信息增益，h(class)表示类别class的信息熵，h(class|attribute)表示特征attribute对于类别class的信息熵。

步骤5：采用支持向量机模型supportvectormachine(svm)通过结合参与者临床医学特征和睡眠特征，判断参与者将来是否会患有中风。

步骤6：通过余弦相似度计算参与者和已经患有中风和健康人群之间的余弦相似距离，同时结合步骤5中得到的分类结果，如果参与者与患有中风人群更为接近，则降低判别阈值，以此来最终判断参与者是否会将会患有中风，表示公式为(4)

其中，cosθ表示两个样本之间的余弦距离，表示样本i特征，表示样本i和样本j之间的内积，表示样本i的长度。

本发明为运用睡眠相关数据进行中风预测的方法，通过分析参与者睡眠周期和睡眠阶段中，睡眠时间，睡眠效率，浅度睡眠，深度睡眠等的变化，结合参与者部分临床医学信息，通过计算特征的信息增益选出有价值特征，以便尽早发现中风潜在风险；构建支持向量机模型分类器，同时在得到预测结果后，运用相似性原理对该结果进行进一步处理，以减少漏报率。

以上所述仅为本发明的较佳实施例，对于发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变、修改等，但都将落入本发明的保护范围内。