[發(fā)明專(zhuān)利]基于多傳感器數(shù)據(jù)決策級(jí)融合的睡眠分期方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810125718.1
• 申請(qǐng)日: 2018-02-08
• 公開(kāi)（公告）號(hào): CN108416367B
• 公開(kāi)（公告）日: 2021-12-10
• 發(fā)明（設(shè)計(jì)）人: 顧陳;周燕萍;洪弘;蔣潔;李彧晟;孫理;朱曉華
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京理工大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 南京理工大學(xué)專(zhuān)利中心 32203
• 代理人: 馬魯晉

本發(fā)明公開(kāi)了一種基于多傳感器數(shù)據(jù)決策級(jí)融合的睡眠分期方法，該方法首先使用雷達(dá)傳感器和音頻傳感器采集整夜的雷達(dá)和音頻數(shù)據(jù)，提取雷達(dá)和音頻信號(hào)特征；根據(jù)特征數(shù)將其進(jìn)行數(shù)據(jù)分類(lèi)，根據(jù)數(shù)據(jù)分類(lèi)建立雷達(dá)剩余片段模型和雷達(dá)+音頻片段模型；接著用分類(lèi)器對(duì)雷達(dá)剩余片段模型里的雷達(dá)特征進(jìn)行識(shí)別分類(lèi)，得到模型預(yù)測(cè)結(jié)果1，用分類(lèi)器對(duì)雷達(dá)+音頻片段模型里的雷達(dá)和音頻特征進(jìn)行識(shí)別分類(lèi)，得到模型預(yù)測(cè)結(jié)果A和B；然后用樸素貝葉斯模型對(duì)模型預(yù)測(cè)結(jié)果A和B進(jìn)行決策，得到模型預(yù)測(cè)結(jié)果2；最后將模型預(yù)測(cè)結(jié)果1和模型預(yù)測(cè)結(jié)果2進(jìn)行時(shí)序拼接，得到整夜睡眠分期結(jié)果。該方法簡(jiǎn)單易行，準(zhǔn)確率高，與實(shí)際情況相吻合。

技術(shù)領(lǐng)域

本發(fā)明屬于生命體征監(jiān)測(cè)技術(shù)領(lǐng)域，是一種非接觸式睡眠分期方法。

背景技術(shù)

在睡眠過(guò)程中，人的腦電圖、心電圖等多種生理信號(hào)發(fā)生變化，而這些信號(hào)變化隨著入睡的深淺度有一定的相關(guān)性變化。醫(yī)學(xué)上根據(jù)腦電波、心電、眼電等生理表現(xiàn)人為的將睡眠劃分為幾個(gè)階段，實(shí)際上各個(gè)睡眠階段之間并沒(méi)有很明確的界限，而是周期之間逐漸轉(zhuǎn)變且有承接性的，整夜的睡眠階段也是呈現(xiàn)周期性的，有一定的規(guī)律。

目前睡眠監(jiān)測(cè)產(chǎn)品多采用接觸式監(jiān)測(cè)，需要在受試者身體的多個(gè)部位貼數(shù)個(gè)電極，佩戴口鼻氣流管和腹部綁帶。接觸式的監(jiān)測(cè)在很大程度上影響了受試者的生理和心理情況，且測(cè)試環(huán)境復(fù)雜，需要專(zhuān)業(yè)醫(yī)護(hù)人員操作，價(jià)格相對(duì)昂貴。多傳感器數(shù)據(jù)融合的方法進(jìn)行睡眠分期是一種非接觸式分期方法，相比單一傳感器數(shù)據(jù)具有以下優(yōu)點(diǎn)：多樣性、實(shí)時(shí)性、魯棒性和高效性。為了最大程度地利用多個(gè)傳感器的數(shù)據(jù)獲得更為全面多元化的信息，需要對(duì)數(shù)據(jù)進(jìn)行融合理。對(duì)多個(gè)用于監(jiān)測(cè)睡眠的傳感器進(jìn)行數(shù)據(jù)融合，可以提高整個(gè)睡眠分期系統(tǒng)的可靠性、實(shí)時(shí)性和利用率，能獲得更為全面的睡眠分期結(jié)果，這將使全面睡眠分期研究更具意義。但是現(xiàn)有技術(shù)中尚無(wú)相關(guān)描述。

發(fā)明內(nèi)容

本發(fā)明的目的在于提出供一種基于多傳感器決策層融合的睡眠分期方法。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種基于多傳感器數(shù)據(jù)決策級(jí)融合的睡眠分期方法，包括以下步驟：

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

步驟2、開(kāi)啟雷達(dá)傳感器和音頻傳感器采集信號(hào)，獲得雷達(dá)回波信號(hào)X(t)及音頻信號(hào)Y(t)，之后對(duì)雷達(dá)回波信號(hào)X(t)進(jìn)行濾波，獲得呼吸信號(hào)和心跳信號(hào)，對(duì)雷達(dá)回波信號(hào)X(t)用幅值門(mén)限檢測(cè)法作為預(yù)判的條件，檢測(cè)出體動(dòng)信號(hào)，對(duì)音頻信號(hào)Y(t)進(jìn)行降噪和事件檢測(cè)獲得呼吸信號(hào)Y₁(t)和鼾聲信號(hào)Y₂(t)；

步驟3、對(duì)步驟2獲得的雷達(dá)回波信號(hào)X(t)進(jìn)行特征參數(shù)提取，根據(jù)呼吸信號(hào)得到每分鐘呼吸次數(shù)N_bre、每分鐘呼吸次數(shù)的方差S_bre²、每分鐘呼吸信號(hào)幅度的差值積累Ada_bre、呼吸信號(hào)中的體動(dòng)信號(hào)參數(shù)move_b，根據(jù)心跳信號(hào)得到每分鐘心跳次數(shù)N_hrt、每分鐘心跳次數(shù)的方差S_hrt²、每分鐘心跳信號(hào)幅度的差值積累Ada_hrt、心跳信號(hào)中的體動(dòng)信號(hào)參數(shù)move_h，睡眠分期相關(guān)特征REM期參數(shù)REM、DEEP期參數(shù)DEEP、樣本熵SampEn、時(shí)序特征a_t；

所述提取11個(gè)雷達(dá)回波信號(hào)特征以及1個(gè)時(shí)序特征對(duì)睡眠階段進(jìn)行劃分，12個(gè)特征具體如下：

(1)每分鐘的呼吸次數(shù)N_bre：由相鄰峰值點(diǎn)即波峰或波谷的差值計(jì)算每次呼吸時(shí)長(zhǎng)，從而計(jì)算每分鐘的呼吸次數(shù)N_bre；

(2)每分鐘呼吸次數(shù)的方差S_bre²：

其中，N_bre(g)為第g分鐘呼吸的次數(shù)，為整夜信號(hào)中每分鐘呼吸次數(shù)的平均值，l_b為計(jì)算每分鐘呼吸次數(shù)的方差的窗長(zhǎng)；