[發明專利]基于多傳感器數據決策級融合的睡眠分期方法

有效

• 申請號: 201810125718.1
• 申請日: 2018-02-08
• 公開（公告）號: CN108416367B
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 顧陳;周燕萍;洪弘;蔣潔;李彧晟;孫理;朱曉華
• 申請（專利權）人: 南京理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 馬魯晉

1.一種基于多傳感器數據決策級融合的睡眠分期方法，其特征在于，包括以下步驟：

步驟1、測試者平躺在測試床上，將雷達傳感器設置于人體的正上方，用于采集雷達回波信號；將音頻傳感器設置于朝向人臉的方向，用于采集呼吸和鼾聲信號；

步驟2、開啟雷達傳感器和音頻傳感器采集信號，獲得雷達回波信號X(t)及音頻信號Y(t)，之后對雷達回波信號X(t)進行濾波，獲得呼吸信號和心跳信號，對雷達回波信號X(t)用幅值門限檢測法作為預判的條件，檢測出體動信號，對音頻信號Y(t)進行降噪和事件檢測獲得呼吸信號Y₁(t)和鼾聲信號Y₂(t)；

步驟3、對步驟2獲得的雷達回波信號X(t)進行特征參數提取，根據呼吸信號得到每分鐘呼吸次數N_bre、每分鐘呼吸次數的方差S_bre²、每分鐘呼吸信號幅度的差值積累Ada_bre、呼吸信號中的體動信號參數move_b，根據心跳信號得到每分鐘心跳次數N_hrt、每分鐘心跳次數的方差S_hrt²、每分鐘心跳信號幅度的差值積累Ada_hrt、心跳信號中的體動信號參數move_h，睡眠分期相關特征REM期參數REM、DEEP期參數DEEP、樣本熵SampEn、時序特征a_t；

步驟4、對步驟2獲得的音頻信號Y(t)進行特征參數提取，包括睡眠呼吸相關參數以及鼾聲相關參數，呼吸相關參數為：每分鐘呼吸的次數N_bre'、呼吸次數差值BVP、呼吸周期BC、均方根誤差RMSE、每分鐘內呼吸次數的方差S_bre'²、能量差值累積EDA_bre、過零率即N_zcr、共振峰1即Formant1、共振峰2即Formant2、共振峰3即Formant3、共振峰1的方差即Formant_var1、共振峰2的方差即Formant_var2、共振峰3的方差即Formant_var3；鼾聲相關參數為：李雅普諾夫指數LLE、時間延遲嵌入維數m、近似熵ApEn、統計嵌入維數m≥4的個數N_m，鼾聲事件時間序列的維數D、去趨勢波動分析的阿爾法系數一α1、去趨勢波動分析的阿爾法系數二α2、樣本熵SampEn^*、香農熵H、時序特征b_t；

步驟5、根據步驟3獲得的11個雷達回波信號特征以及時序特征a_t、步驟4獲得的23個音頻信號特征以及時序特征b_t，構建決策級融合系統模型，包含雷達剩余片段模型和雷達+音頻片段模型，雷達剩余片段模型是單獨由雷達傳感器的特征數據構建的，雷達+音頻片段模型是由雷達傳感器和音頻傳感器共同獲取的特征數據構建的；

步驟6、在雷達剩余片段模型里，對雷達數據特征，進行識別分類得到模型預測結果1；在雷達+音頻片段模型里，對雷達數據特征進行識別分類，得到模型預測結果A；對音頻數據特征進行識別分類，得到模型預測結果B；

步驟7、將步驟6獲得的模型預測結果A和模型預測結果B通過樸素貝葉斯模型，得到模型預測結果2；

步驟8、將步驟6獲得的模型預測結果1和步驟7獲得的模型預測結果2按時序拼接，得到最終的睡眠分期結果。