基于机器学习的睡眠质量检测方法及装置与流程

1.本发明关于生物医学技术领域，特别是关于生物医学中信号的处理技术，具体涉及一种基于机器学习的睡眠质量检测方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.充足的睡眠和较高的睡眠质量是维持机体身心健康的必要条件。睡眠是身心休息放松的一种重要形式，可以减轻人们日常生活中的疲劳并缓解精神紧张等不良情绪，是人的体力和精力得到恢复，可以保持良好的机体形态。随着睡眠障碍患者及神经精神科疾患的增加，睡眠质量在神经精神领域、生理心理学和临床医学界受到普遍关注。
4.目前常用的用于评价睡眠质量的指标有呼吸暂停低通气指数(ahi，apnea-hypopnea index)。在美国睡眠医学学会规定的呼吸事件判断标准中，将呼吸气流信号幅度值下降≥基础值的90％、且事件持续时间至少10s的事件判断为呼吸暂停事件；口鼻气流信号幅度值下降≥30％，且气流速度下降的持续时间至少为10s，并且血氧浓度相较事件前的基础值下降≥3的事件判断为低通气事件。呼吸暂停低通气指数是指每小时睡眠内呼吸暂停加上低通气的次数，实际上就是用整晚呼吸暂停事件和低通气事件的总次数除以了夜间睡眠的小时数，得出呼吸暂停低通气指数，并来反映监测对象整晚睡眠质量的高低。
5.一般而言，通过分析睡眠质量，可以判断受试者的体力和精力是否得到有效恢复，从而保持良好的机体形态。由于睡眠质量判读复杂，受试者和判读技师主观因素影响大，且不同个体间差异明显，如何准确选取睡眠质量判读特征是研究的重点。自主神经系统会随着睡眠不同阶段和不同质量情况发生相应的变化，而连续脉搏波是一项反映自主神经系统变化的重要通道信号。然而，基于单脉搏波信号进行整晚睡眠质量监测在当前仍然存在着准确率极其有限的瓶颈，且依赖于单通道检测无法有效预防信号采集设备脱落后造成的信号失效问题。血氧信号与人体的呼吸循环密切相关，血氧浓度下降事件更是作为睡眠呼吸暂停低通气综合征检测的重要依据。所以，使用脉搏波和血氧浓度双路信号通道不仅有助于从多个角度反映睡眠情况中的自主神经系统变化和睡眠呼吸情况，从而提高睡眠质量监测的准确性；而且能够有效地保障信号的可靠性，保障后续的特征提取和数据处理过程。传统的人工设计的特征都存在其局限性，如何提供一种睡眠质量检测方案，对于信号数据采集过程能保证受试者舒适性，简化特征工程的步骤，实现高效准确可靠的睡眠质量检测是本领域亟待解决的技术难题。


技术实现要素：

6.有鉴于此，本发明提供了一种基于机器学习的睡眠质量检测方法。本发明在保证受试者舒适度的基础上，简化了特征工程提取的通道和步骤，相比人工判断更为高效，因此具有执行效率较高的特点。该方法包括：
7.获取睡眠期间的脉搏波信号和血氧信号；
8.对所述脉搏波信号和血氧信号进行通道脱落检测，获得检测后的脉搏波信号和血氧信号；
9.对所述检测后的脉搏波信号进行识别，获得脉搏波信号的特征波，根据所述脉搏波信号的特征波测算脉率数据；
10.对所述检测后的血氧信号进行识别，获得氧降事件数据；
11.将脉率数据和氧降事件数据作为自动睡眠质量检测模型的输入信号，经机器学习后输出睡眠质量检测结果。
12.本发明提供了一种基于机器学习的睡眠质量检测装置。本发明在保证受试者舒适度的基础上，简化了特征工程提取的通道和步骤，相比人工判断更为高效，因此具有执行效率较高的特点。该装置包括：
13.信号获得模块，用于获取睡眠期间的脉搏波信号和血氧信号；
14.通道脱落检测模块，用于对所述脉搏波信号和血氧信号进行通道脱落检测，获得检测后的脉搏波信号和血氧信号；
15.脉搏波信号识别模块，用于对所述检测后的脉搏波信号进行识别，获得脉搏波信号的特征波，根据所述脉搏波信号的特征波测算脉率数据；
16.血氧信号识别模块，用于对所述检测后的血氧信号进行识别，获得氧降事件数据；
17.机器学习模块，用于将脉率数据和氧降事件数据作为自动睡眠质量检测模型的输入信号，经机器学习后输出睡眠质量检测结果。
18.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于机器学习的睡眠质量检测方法。
19.本发明实施例还提供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执行上述基于机器学习的睡眠质量检测方法的计算机程序。
20.本发明实施例中，获取睡眠期间的脉搏波信号和血氧信号，对所述脉搏波信号和血氧信号进行通道脱落检测，获得检测后的脉搏波信号和血氧信号；对所述检测后的脉搏波信号进行识别，获得脉搏波信号的特征波，根据所述脉搏波信号的特征波测算脉率数据；对所述检测后的血氧信号进行识别，获得氧降事件数据；将脉率数据和氧降事件数据作为自动睡眠质量检测模型的输入信号，经机器学习后输出睡眠质量检测结果，与现有技术中基于人工设计的特征进行判断的技术方案相比，本发明在保证受试者舒适度的基础上，简化了特征工程提取的通道和步骤，具有执行效率较高的特点。
附图说明
21.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
22.图1为本发明实施例提供的一种基于机器学习的睡眠质量检测方法的流程图；
23.图2为本发明实施例提供的一种基于机器学习的睡眠质量检测方法中对脉搏波信
号和血氧信号进行通道脱落检测的流程图；
24.图3为本发明实施例提供的一种基于机器学习的睡眠质量检测方法中对脉搏波信号和血氧信号进行预处理的流程图；
25.图4为本发明实施例提供的一种基于机器学习的睡眠质量检测方法中使用滑动窗口法对脉搏波信号进行通道脱落检测的流程图；
26.图5为本发明实施例提供的一种基于机器学习的睡眠质量检测方法中识别脉搏波信号特征波、测算脉率的流程图；
27.图6为本发明实施例提供的一种基于机器学习的睡眠质量检测方法中使用滑动窗口法对识别氧降事件的流程图；
28.图7为本发明实施例提供的一种基于机器学习的睡眠质量检测方法中睡眠质量检测模型确定流程图；
29.图8为本发明实施例提供的一种基于机器学习的睡眠质量检测方法中样本空间映射的流程图；
30.图9为本发明实施例提供的一种基于机器学习的睡眠质量检测方法中自动睡眠质量检测模型获得的流程图；
31.图10为本发明实施例提供的一种基于机器学习的睡眠质量检测装置结构框图。
具体实施方式
32.下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述参考在附图中示出并在以下描述中详述的非限制性示例实施例，更加全面地说明本发明的示例实施例和它们的多种特征及有利细节。应注意的是，图中示出的特征不是必须按照比例绘制。本发明省略了已知材料、组件和工艺技术的描述，从而不使本发明的示例实施例模糊。所给出的示例仅旨在有利于理解本发明示例实施例的实施，以及进一步使本领域技术人员能够实施示例实施例。因而，这些示例不应被理解为对本发明的实施例的范围的限制。
33.在本发明实施例中，提供了一种基于机器学习的睡眠质量检测方法，如图1所示，该方法包括：
34.步骤101：获取睡眠期间的脉搏波信号和血氧信号；
35.步骤102：对所述脉搏波信号和血氧信号进行通道脱落检测，获得检测后的脉搏波信号和血氧信号；
36.步骤103：对所述检测后的脉搏波信号进行识别，获得脉搏波信号的特征波，根据所述脉搏波信号的特征波测算脉率数据；
37.步骤104：对所述检测后的血氧信号进行识别，获得氧降事件数据；
38.步骤105：将脉率数据和氧降事件数据作为自动睡眠质量检测模型的输入信号，经机器学习后输出睡眠质量检测结果。
39.其中，该睡眠期间可以是整晚时间，也可以是其他的时间。而脉搏波信号和血氧信号是通过血氧仪在受试者睡眠时监测到的，将脉搏波信号和血氧信号作为睡眠数据。用于监测的血氧仪包括但不限于指夹式血氧仪、缠绕式血氧仪和耳戴式血氧仪。上述睡眠数据可以从多导睡眠图(psg)信号中进行提取。
40.经过研究表明，通过血氧仪得到的睡眠监测的脉搏波信号和血氧信号是最能保证
受试者(或患者)睡眠舒适度而提取的生理参数。研究证实，脉搏波信号和血氧浓度与人体自主神经的活动密切相关，已经成为评价自主神经活动的重要手段之一。同时，脉搏波信号和血氧浓度与睡眠质量有着密切的联系，睡眠中脉搏波信号呈现出和脑电类似的周期性变化，而血氧浓度可以反映睡眠过程中的呼吸情况。
41.下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
42.在本发明实施例中，由于在睡眠过程中血氧仪有可能脱落，导致测得不是脉搏波信号和血氧信号，有可能是外部干扰信号或者血氧仪本身的电机信号，所以需要对获得的脉搏波信号和血氧信号进行通道脱落检测。如图2所示，步骤102具体包括：
43.步骤1021：对脉搏波信号和血氧信号进行预处理；
44.步骤1022：使用滑动窗口法对预处理后的脉搏波信号和血氧信号进行通道脱落检测。
45.在本发明实施例中，如图3所示，步骤1021具体包括：
46.步骤10211：对脉搏波信号进行去噪滤波处理，获得去噪滤波后的脉搏波信号；
47.步骤10212：对去噪滤波后的脉搏波信号进行归一化处理，获得去噪滤波归一化后的脉搏波信号；
48.步骤10213：对血氧信号进行去噪滤波处理。
49.原始的脉搏波信号较为微弱，抗干扰能力差，在睡眠监测过程中不可避免地受到环境以及呼吸运动等各种因素影响，使得原始采样信号中混入了多种噪声，其噪声干扰主要分为以下3种：
50.(1)基线漂移：指基线随时间定向的缓慢的变化。由受试者监测过程中的自主呼吸等过程所导致，多为频率小于1hz的低频噪声；
51.(2)高频噪声：脉搏波信号是以光电信号技术为基础，因此检测环境中存在的照明等光信号、各种电子仪器的工频干扰(50hz)以及由于肌肉收缩或者人体运动而能造成的宽频(5-2khz)肌电干扰都会对脉搏波信号造成影响，此部分噪声频率相对较高；
52.(3)运动伪差：由于受试者在监测过程中的身体运动，从而引发皮肤与传感器之间的相对位置发生偏移，进而产生运动伪差。
53.对于上述存在的噪声干扰，可以通过去噪滤波技术进行有效的信噪分离，从而保证后续数据处理的高效准确。上述提到的去噪滤波、归一化处理均采用现有技术中存在的技术，详细处理过程在此不做具体说明。
54.图4为本发明实施例提供的一种基于机器学习的睡眠质量检测方法中使用滑动窗口法对脉搏波信号进行通道脱落检测的流程图，请参见图4，步骤1022具体包括：
55.步骤s11：设置滑动窗口、滑动步长、滑动窗口前后两个参考窗口的长度和最短脱落窗口的的参考时长；
56.步骤s12：基于预处理后的脉搏波信号，测算两个参考窗口内的幅度参考值；
57.步骤s13：根据所述幅度参考值确定滑动窗口内的幅度下降阈值；
58.步骤s14：基于预处理后的脉搏波信号，将滑动窗口内平均幅度低于幅度下降阈值的窗口标记为通道信号脱落窗口；
59.步骤s15：对有交叠的通道信号脱落窗口进行合并，获得合并后的通道信号脱落窗口；
60.步骤s16：确定合并后的通道信号脱落窗口的总时长，将合并后的通道信号脱落窗口的总时长低于参考时长的窗口进行删减，获得检测后的脉搏波信号。
61.具体实施时，所述滑动窗口长度和前后两个参考窗口的长度一般使用相同的长度，便于在整个通道中进行有规律的平滑滑动。
62.最短脱落窗口的的参考时长为一个固定值，一般是由临床技师默认的一个数字，最后合并的窗口总时长小于这个数字是不算做异常情况的，还是属于有效的脉搏波信号。
63.在本发明实施例中，步骤s12中测算两个参考窗口内的幅度参考值，可通过下述公式实现：
[0064][0065]
其中，amp_refer表示幅度参考值，n表示选取了n组参考峰值和谷值，amp_crest表示参考窗口中选取的峰值，amp_through表示参考窗口中选取的谷值，k表示阈值系数。
[0066]
在具体的实施例中，由于滑动步长一般小于滑动窗口长度，所以获得的通道信号脱落窗口有可能出现交叠现象，所以需要对有交叠的窗口进行合并，步骤s15中对有交叠的窗口进行合并可通过以下方式：判断后一个窗口的起始点是否在前一个窗口的范围内，如果在，则删去前一个窗口的终止点和后一个窗口的起始点。
[0067]
在具体的实施例中，还有可能出现误判为通道信号脱落窗口的情况出现，基于此，需要通过合并后的通道信号脱落窗口的总时长和参考时长来确定。具体的，就是通过步骤s16判断。
[0068]
图5为本发明实施例提供的一种基于机器学习的睡眠质量检测方法中识别脉搏波信号特征波、测算脉率的流程图，请参见图5，步骤103具体包括：
[0069]
步骤s21：对去噪滤波归一化后的脉搏波信号进行特征波滤波处理，获得脉搏波信号的特征波；
[0070]
步骤s22：对所述脉搏波信号的特征波进行峰值检测，将检测到的峰值标记为脉搏波信号的特征点；
[0071]
步骤s23：根据所述脉搏波信号的特征点测算脉率。
[0072]
在具体的实施例中，使用的特征波滤波包括但不限于带通滤波器、二次样条函数小波、草帽小波等。
[0073]
在具体的实施例中，脉率可通过每分钟内检测出的脉搏波信号特征点的数量来表示。
[0074]
图6为本发明实施例提供的一种基于机器学习的睡眠质量检测方法中识别氧降事件的流程图，请参见图6，所述使用识识别氧降事件包括：
[0075]
步骤s31：设置滑动窗口、滑动步长和滑动窗口前一个参考窗口的参考长度；
[0076]
步骤s32：基于预处理后的血氧信号，测算前一个参考窗口内的血氧浓度参考值；
[0077]
步骤s33：根据所述血氧浓度参考值设置滑动窗口内血氧浓度下降阈值；
[0078]
步骤s34：基于预处理后的血氧信号，若滑动窗口中存在满足血氧浓度下降阈值的血氧信号点，则标记该血氧信号点为氧降事件结束点，前一个参考窗口中存在的满足血氧浓度下降阈值的血氧信号点为氧降事件起始点；
[0079]
步骤s35：对有交叠的氧降事件进行合并。
[0080]
在具体的实施例中，所述滑动窗口长度和前一个参考窗口的长度一般使用相同的长度，便于在整个通道中进行有规律的平滑滑动。
[0081]
在具体的实施例中，前一个参考窗口中的血氧浓度参考值可以在不限于血氧浓度的算术平均值、几何平均值、调和平均值、中位数、峰值的范围中选择。
[0082]
在具体的实施例中，滑动窗口内血氧浓度下降阈值一般设置为2hbo2或3hbo2，其中hbo2为血氧浓度(血氧饱和度)单位。
[0083]
在具体的实施例中，对有交叠的窗口进行合并可通过以下方式：判断后一个窗口的起始点是否在前一个窗口的范围内，如果在，则删去前一个窗口的终止点和后一个窗口的起始点。
[0084]
图7为本发明实施例提供的一种自动睡眠质量检测方法中的睡眠质量检测模型确定流程图，请参见图7，所述睡眠质量检测模型按照如下方式确定：：
[0085]
步骤s41：获取历史的脉率数据、历史的氧降事件数据和预设的睡眠质量标签。
[0086]
具体实施时，将历史的测算得到的脉率数据、氧降事件数据记为data,并将对应睡眠质量标签转化为分类标签形式记为label，分类可包括但不限于：正常、轻度睡眠紊乱、中度睡眠紊乱、重度睡眠紊乱。其中睡眠质量标签可以是由技师标记确定或由其他分析方式确定的，本技术对此不做限定。
[0087]
步骤s42：将所述历史的脉率数据、历史的氧降事件数据和预设的睡眠质量标签划分成训练样本、测试样本与验证样本。
[0088]
具体实施时，本实施例对于训练样本、测试样本与验证样本的比例不做限制。
[0089]
步骤s43：将所述历史的脉率数据和历史的氧降事件数据的输入空间映射到高维特征空间，得到历史的脉率数据和历史的氧降事件数据的高维特征，作为相应样本的高层表示样本。
[0090]
具体实施时，对于在有限维度向量空间中线性不可分的样本，将其映射到更高维度的向量空间里。用x表示原来的样本点，用φ(x)表示将x映射到新的特征空间后的新向量，作为相应样本的高层表示样本。
[0091]
具体实施时，如图8所示，步骤s43具体包括：
[0092]
步骤s431：选取映射函数，基于所述映射函数将所述历史的脉率数据和历史的氧降事件数据的输入空间映射到高维特征空间；
[0093]
步骤s432：基于映射后的高维特征空间调整映射函数的相关参数，使得映射到高维特征空间的类间距离满足预设条件；
[0094]
步骤s433：基于调整后的映射函数，将所述历史的脉率数据和历史的氧降事件数据的输入空间映射到高维特征空间，得到历史的脉率数据和历史的氧降事件数据的高维特征，作为相应样本的高层表示样本。
[0095]
其中，映射函数(即核函数)的选取包括但不限于：线性核函数、多项式核函数和高斯核函数等。对核函数的参数调整不做限制。
[0096]
步骤s44：基于预设的睡眠质量标签，将高层表示样本依次划分为多个高层表示子集。
[0097]
具体实施时，将属于每个睡眠质量检测类别的高层表示样本集合记为：
[0098]
d
i
＝{(φ(x),z)|z＝i}；
[0099]
其中，φ(x)表示高层表示样本，z表示对应的睡眠质量检测类别，i＝1,2,...,n,n表示睡眠质量检测的总类别数。
[0100]
步骤s45：利用所述多个高层表示子集进行分类器训练，得到自动睡眠质量检测模型。
[0101]
其中，如图9所示，步骤s45具体可以包括s451和s452：
[0102]
步骤s451：将各睡眠质量检测类别的高层表示样本作为输入，构造并且求解约束最优化问题，得到多个高层表示子集的分类超平面和决策分类函数。
[0103]
具体实施时，任意超平面可以用下面这个线性方程来描述：
[0104]
w
t
φ(x)+b＝0；
[0105]
其中，w为映射系数向量，φ(x)为高层表示样本，b为映射偏离常量。
[0106]
在n维空间中，向量φ(x)到该超平面的距离为：
[0107][0108]
其中，y表示分类类别逻辑常量，可取值1或-1。由于在超平面分界面上有：
[0109]
y(w
t
φ(x)+b)＝1；
[0110]
所以，为了最优化距离d的最大取值，约束最优化问题转变为：
[0111][0112]
具体实施时，对于分类超平面和决策分类函数的求解，通过构造：
[0113][0114]
对参数w,b求偏导，回带入函数可得：
[0115][0116]
简化后可得：
[0117][0118]
对于这个二次规划问题的求解，选择固定两个参数λ
i
,λ
j
，通过约束条件：
[0119]
λ
i
y
i
+λ
j
y
j
＝c,λ
i
≥0,λ
j
≥0；
[0120]
其中，由此得出λ
i
和λ
j
的关系，多次迭代直至收敛便可以求解出分类超平面和决策分类函数。
[0121]
步骤s452：对分类超平面和决策分类函数进行调整，得到自动睡眠质量检测模型。
[0122]
具体实施时，根据求解得到的分类超平面和决策分类函数进行包括但不限于软间隔的调整等。得到最终的自动睡眠质量检测模型后，对于各睡眠质量检测类别的高层表示子集，代入求解得到的分类超平面和决策分类函数，并和分类标签离散量化后的数值进行
比对，完成对于睡眠质量的自动检测。
[0123]
步骤s46：基于测试样本，对自动睡眠质量检测模型进行测试，获得测试结果；
[0124]
步骤s47：基于验证样本，对测试结果进行验证，获得最优的自动睡眠质量检测模型。
[0125]
基于同一发明构思，本发明实施例中还提供了一种基于机器学习的睡眠质量检测装置，如下面的实施例所述。由于基于机器学习的睡眠质量检测装置解决问题的原理与基于机器学习的睡眠质量检测方法相似，因此基于机器学习的睡眠质量检测装置的实施可以参见基于机器学习的睡眠质量检测方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0126]
图10是本发明实施例的基于机器学习的睡眠质量检测装置的一种结构框图，如图10所示，包括：
[0127]
信号获得模块1001，用于获取睡眠期间的脉搏波信号和血氧信号；
[0128]
通道脱落检测模块1002，用于对所述脉搏波信号和血氧信号进行通道脱落检测，获得检测后的脉搏波信号和血氧信号；
[0129]
脉搏波信号识别模块1003，用于对所述检测后的脉搏波信号进行识别，获得脉搏波信号的特征波，根据所述脉搏波信号的特征波测算脉率数据；
[0130]
血氧信号识别模块1004，用于对所述检测后的血氧信号进行识别，获得氧降事件数据；
[0131]
机器学习模块1005，用于将脉率数据和氧降事件数据作为自动睡眠质量检测模型的输入信号，经机器学习后输出睡眠质量检测结果。
[0132]
下面对该结构进行说明。
[0133]
在本发明实施例中，通道脱落检测模块1002具体用于：
[0134]
对脉搏波信号和血氧信号进行预处理；
[0135]
使用滑动窗口法对预处理后的脉搏波信号和血氧信号进行通道脱落检测。
[0136]
在本发明实施例中，通道脱落检测模块1002具体用于：
[0137]
对脉搏波信号进行去噪滤波处理，获得去噪滤波后的脉搏波信号；
[0138]
对去噪滤波后的脉搏波信号进行归一化处理，获得去噪滤波归一化后的脉搏波信号；
[0139]
对血氧信号进行去噪滤波处理。
[0140]
在本发明实施例中，通道脱落检测模块1002具体用于：
[0141]
设置滑动窗口、滑动步长、滑动窗口前后两个参考窗口的长度和最短脱落窗口的参考时长；
[0142]
基于预处理后的脉搏波信号，测算两个参考窗口内的幅度参考值；
[0143]
根据所述幅度参考值确定滑动窗口内的幅度下降阈值；
[0144]
基于预处理后的脉搏波信号，将滑动窗口内平均幅度低于幅度下降阈值的窗口标记为通道信号脱落窗口；
[0145]
对有交叠的通道信号脱落窗口进行合并，获得合并后的通道信号脱落窗口；
[0146]
确定合并后的通道信号脱落窗口的总时长；
[0147]
将合并后的通道信号脱落窗口的总时长低于参考时长的窗口进行删减，获得检测后的脉搏波信号。
[0148]
在本发明实施例中，脉搏波信号识别模块1003具体用于：
[0149]
对去噪滤波归一化后的脉搏波信号进行特征波滤波处理，获得脉搏波信号的特征波；
[0150]
对所述脉搏波信号的特征波进行峰值检测，将检测到的峰值标记为脉搏波信号的特征点；
[0151]
根据所述脉搏波信号的特征点测算脉率。
[0152]
在本发明实施例中，通道脱落检测模块1002、血氧信号识别模块1004具体用于：
[0153]
设置滑动窗口、滑动步长和滑动窗口前一个参考窗口的参考长度；
[0154]
基于预处理后的血氧信号，测算前一个参考窗口内的血氧浓度参考值；
[0155]
根据所述血氧浓度参考值设置滑动窗口内血氧浓度下降阈值；
[0156]
基于预处理后的血氧信号，若滑动窗口中存在满足血氧浓度下降阈值的血氧信号点，则标记该血氧信号点为氧降事件结束点，前一个参考窗口中存在的满足血氧浓度下降阈值的血氧信号点为氧降事件起始点；
[0157]
对有交叠的氧降事件进行合并。
[0158]
在本发明实施例中，所述睡眠质量检测模型按照如下方式确定：
[0159]
获取历史的脉率数据、历史的氧降事件数据和预设的睡眠质量标签；
[0160]
将所述历史的脉率数据、历史的氧降事件数据和预设的睡眠质量标签划分成训练样本、测试样本与验证样本；
[0161]
将所述历史的脉率数据和历史的氧降事件数据的输入空间映射到高维特征空间，得到历史的脉率数据和历史的氧降事件数据的高维特征，作为相应样本的高层表示样本；
[0162]
基于预设的睡眠质量标签，将高层表示样本依次划分为多个高层表示子集；
[0163]
利用所述多个高层表示子集进行分类器训练，得到自动睡眠质量检测模型；
[0164]
基于测试样本，对自动睡眠质量检测模型进行测试，获得测试结果；
[0165]
基于验证样本，对测试结果进行验证，获得最优的自动睡眠质量检测模型。
[0166]
在本发明实施例中，将所述历史的脉率数据和历史的氧降事件数据的输入空间映射到高维特征空间，得到历史的脉率数据和历史的氧降事件数据的高维特征，作为相应样本的高层表示样本，包括：
[0167]
选取映射函数，基于所述映射函数将所述历史的脉率数据和历史的氧降事件数据的输入空间映射到高维特征空间；
[0168]
基于映射后的高维特征空间调整映射函数的相关参数，使得映射到高维特征空间的类间距离满足预设条件；
[0169]
基于调整后的映射函数，将所述历史的脉率数据和历史的氧降事件数据的输入空间映射到高维特征空间，得到历史的脉率数据和历史的氧降事件数据的高维特征，作为相应样本的高层表示样本。
[0170]
在本发明实施例中，利用所述多个高层表示子集进行分类器训练，得到自动睡眠质量检测模型，包括：
[0171]
将多个高层表示子集作为输入，构造并且求解约束最优化问题，得到多个高层表
示子集的分类超平面和决策分类函数；
[0172]
对分类超平面和决策分类函数进行调整，得到自动睡眠质量检测模型。
[0173]
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法。
[0174]
本发明实施例还提供了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执行上述所述方法的计算机程序。
[0175]
综上所述，本发明提出的基于机器学习的睡眠质量检测方法及装置具有如下优点：
[0176]
获取睡眠期间的脉搏波信号和血氧信号，对所述脉搏波信号和血氧信号进行通道脱落检测，获得检测后的脉搏波信号和血氧信号；对所述检测后的脉搏波信号进行识别，获得脉搏波信号的特征波，根据所述脉搏波信号的特征波测算脉率数据；对所述检测后的血氧信号进行识别，获得氧降事件数据；将脉率数据和氧降事件数据作为自动睡眠质量检测模型的输入信号，经机器学习后输出睡眠质量检测结果，与现有技术中基于人工设计的特征进行判断的技术方案相比，本发明在保证受试者舒适度的基础上，简化了特征工程提取的通道和步骤，具有执行效率较高的特点。
[0177]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0178]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0179]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0180]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0181]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。