一种基于心率监测数据的睡眠分期方法与流程

1.本发明涉及心率数据分析技术领域，具体涉及一种基于心率监测数据的睡眠分期方法。


背景技术：

2.睡眠是人类生命活动的重要组成部分，在睡眠过程中人会周期性的处于几个阶段，分别是清醒期(wake)、快速眼动期(rem)、非快速眼动期(nrem)，每个阶段对应了不同的睡眠状态，身体自我修复大多发生在nrem期、做梦大多发生在rem期等。通过研究人的睡眠分期可以检测受试者的睡眠状况，从而给出相关的诊断意见，对于临床应用有着重大影响。
3.现在的睡眠分期方法主要有多导睡眠监测(polysomnography，psg)和家用便携式可穿戴设备监测。多导睡眠监测受设备、地点等的限制，存在效率低和佩戴舒适度极低等问题，非常不利于大规模筛查。又因为其他方法睡眠分期需要多路监测信号(脑电、心电等)，导致家用便携式可穿戴设备存在监测精度不高或设备造价昂贵或佩戴舒适度等问题，因而家用便携式可穿戴设备的大规模应用也成问题，同时目前使用例如随机深林、卷积神经网络、支持向量机等方法均存在准确率较低等问题，有进一步改进的空间。
4.综上所述，本发明提出了一种基于心率监测数据的睡眠分期方法。该方法仅需要心率监测数据，极大减少了对其它数据的依赖，而心率监测数据可以通过相当多成熟的方法精准获取，有助于监测设备的小型化、无感化，和睡眠筛查的大规模应用，并且本发明所提出的方法具有更好的准确性和鲁棒性。


技术实现要素：

5.针对上述问题，本发明提供一种基于心率监测数据的睡眠分期方法,现有睡眠分期方法存在所依赖的数据种类多、准确度有待提升等问题，因此本发明设计一种基于心率监测数据的睡眠分期方法，因心率检测技术已经很成熟容易实现且经济效率高，所以通过采集ppg或者ecg信号均能非常有效的提取出心率数据，然后利用双向门循环网络(bidirectional gate recurrent unit,bigru)完成对睡眠的清醒、rem、nrem期的分类任务，依赖的数据种类少，有利于设备的轻简化。
6.本发明采用下述的技术方案：
7.一种基于心率监测数据的睡眠分期方法方法，包括以下步骤：
8.步骤1：从生物电信号或者生物光信号中提取出心率数据，通过常规的提取心率的方法，获得睡眠时的人体心率数据；
9.步骤2：对步骤1提取到的心率数据进行数据预处理，将数据处理为有规律的数据区间；
10.步骤3：将步骤2处理后得到的心率转数据化为心率变异性特征并做归一化处理；
11.步骤4：构建端到端的双向门循环网络，并将步骤3处理后的数据训练至收敛；
12.步骤5：用该网络进行整夜睡眠分期处理。
13.进一步的，所述步骤1中的生物电信号和光信号为是ecg和ppg信号，两种信号都可以进行心率的收集。
14.进一步的，所述步骤2中的预处理包括剔除或替换异常值，剔除异常值减少不必要的干扰对检测结果的影响。
15.进一步的，所述步骤3中的心率变异性特征包括12种指标，分别是8项时域特征指标和4项频域特征指标，并在此基础上针对不同时间窗进行相应的计算和处理，根据数据不同的特征指标，按照时间窗进行分段，形成序列方便分析。
16.进一步的，所述的进行相应的计算和处理为：将nn间期序列进行30秒分段，每一个段称为一个窗口期，每一个窗口期是睡眠分期的基本时间单位，而对应的特征在一个或周围多个窗口中提取；将所得到的特征值进行z
‑
score归一化处理：
[0017][0018]
进一步的，所述步骤4中的数据训练为：输入训练数据并计算与方法预测值与标签的交叉熵
[0019][0020]
并使用adam算法对bigru网络参数进行优化，同时在更新参数时加入正则化。
[0021]
本发明的有益效果是：
[0022]
本发明能够准确的预测睡眠分期，具有更优的性能表现，在准确度和卡帕系数上都有一定的提升，另外本方法使用到的数据量也是最大的，证明本方法的鲁棒性和泛化性也是最好的。
附图说明
[0023]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
[0024]
图1为本发明窗口期说明示意图；
[0025]
图2为本发明gru单元示意图；
[0026]
图3为本发明bigru网络示意图；
[0027]
图4为本发明预测值与真实值对比图；
具体实施方式
[0028]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0029]
如图1至图4所示，本发明提供一种技术方案：一种基于心率监测数据的睡眠分期方法，包括有以下步骤：
[0030]
步骤1中，从生物电信号或者生物光信号中提取出心率数据，所述的生物电信号和
光信号通常指的是ecg和ppg信号，针对ecg信号利用pan&tompkin算法提取出心率、而针对ppg信号利用空间谱变换法提取出心率。
[0031]
步骤2中，首先将心率数据处理为有规律的数据区间；将心率数据中超长的异常段剔除，并使用线性插值或均值替换的方法处理剩余的异常点，随后转为nn间期。
[0032]
步骤3中，将步骤2处理后得到的心率转数据化为心率变异性特征并做归一化处理，所计算的心率变异性特征包括以下12种指标，分别是8项时域特征指标(表1)和4项频域特征指标(表2)，并在此基础上针对不同时间窗进行相应的计算和处理：
[0033][0034][0035]
表1
[0036]
表1中，rr
i
为间期数值，无量纲，rr
diff
为rr间期的一阶差分值，无量纲；
[0037][0038]
表2
[0039]
首先，将nn间期序列进行30秒分段，每一个段称为一个窗口期，每一个窗口期是睡眠分期的基本时间单位，而对应的特征在一个或周围多个窗口中提取。
[0040]
以提取3个窗口期的特征为实施例：
[0041]
取对应窗口期前后各1个窗口，一共3个窗口期的数据，作为特征时间窗。算法一共对{1,3,5,7}个时间窗口进行时域特征提取，{3,5,7}个时间窗口进行频域特征提取，一共提取出44项特征。
[0042]
然后，将所得到的特征值进行z
‑
score归一化处理
[0043][0044]
得到对应区间的特征向量vl
i
。
[0045]
步骤4中，构建端到端的双向门循环网络，并将步骤3处理后的数据训练至收敛；
[0046]
主要分为以下几个方面：
[0047]
首先，将所有区间的特征向量按时间先后顺序叠加起来，组成整夜监测特征集合vl，vl的维度为(n，44)
[0048][0049]
式中，totaltime为总的记录时间，单位为秒；
[0050]
然后，构建双向门循环网络(bidirectional gate recurrent unit,bigru)来处理vl，bigru可以输出对应时间点的三期睡眠分期，每一级包含2个gru、1个用于三期分类的分类输出层。gru基本结构主要包含记忆门r
t
＝sigmoid(wr*[h
t
‑1，vl
t
])、重置门z
t
＝sigmoid(w
z
*[h
t
‑1，vl
t
])、输出门o
t
＝tanh(w*[r
t
‑1*h
t
‑1，vl
t
])。
[0051]
分类输出(表3)，将两组gru的输出h
t
叠加后送入全连接层中进行进一步的全连接层回归运算，最后使用一个softmax层来得到最终的三期分类结果。
[0052][0053]
表3最后，在训练阶段，计算方法预测值与标签的交叉熵：
[0054][0055]
并使用adam算法对bigru网络参数进行优化，同时在更新参数时加入正则化以减小过拟合风险，具体的做法为
[0056][0057]
式中，θ
t
为参数、η
t
为学习速率、为梯度、λθ
t
‑1为正则化项，其中λ为常数，无量纲。
[0058]
步骤5中，利用该网络进行整夜睡眠分期，实验样本(表4)统计。
[0059][0060]
表4
[0061]
本发明相较于其它方法，使用到的数据种类少，只用到了心率检测数据，而心率检测技术已经很成熟容易实现且经济效率高，有效的降低了实验的难度和复杂性；本发明的数据处理方法使用到的样本量更大，准确率却更高，更好地说明了本发明方法的有效性，同时增强了本发明的鲁棒性和泛化性；卡帕系数是一种衡量分类精度的指标，通过上述表4可以看出，本发明的卡帕系数明显更高，实验分类方法精度更高、更准确。
[0062]
表4中实验样本来自以下文章：
[0063]
[1]xiao,yan,song,et al.sleep stages classification based on heart rate variability and random forest[j].biomed signal proces,2013,2013,8(6)(
‑
):624
‑
633.
[0064]
[2]郑捷文,张悦舟,兰珂,等.基于心率变异性分析的睡眠分期算法研究和验证[j].中国生物医学工程学报2020年39卷4期,432
‑
439页,istic pku cscd,2020.
[0065]
[3]wei r,zhang x,wang j,et al.the research of sleep staging based on single
‑
lead electrocardiogram and deep neural network[j].biomedical engineering letters,2017.
[0066]
[4]fonseca p,long x,radha m,et al.sleep stage classification with ecg and respiratory effort[j].physiological measurement,2015,36(10):2027.
[0067]
[5]isa s m,wasito i,arymurthy a m.kernel dimensionality reduction on sleep stage classification using ecg signal[j].international journal of computer ence issues(ijcsi),2011,8(4).
[0068]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。