本發(fā)明涉及輔助睡眠技術(shù)領(lǐng)域，特別是涉及一種智能輔助睡眠中的睡眠狀態(tài)識別方法和系統(tǒng)。

背景技術(shù)：

在睡眠中，人體進行了自我放松及恢復(fù)的過程。因此良好的睡眠是保持身體健康的一項基本條件。但是由于工作壓力大、生活作息不規(guī)律等原因，導(dǎo)致了部分人群的睡眠質(zhì)量欠佳，表現(xiàn)為失眠、半夜驚醒等。

智能輔助睡眠是一種結(jié)合現(xiàn)代科技的睡眠方法，當(dāng)被試者進入催眠狀態(tài)后，其受暗示性明顯提高，能與催眠師保持密切的感應(yīng)關(guān)系，會不加批判地接受其暗示指示。將催眠術(shù)應(yīng)用于輔助睡眠時，當(dāng)催眠者被催眠師所催眠后，催眠師發(fā)出睡眠指令即可使被催眠者進入睡眠狀態(tài)。與藥物干預(yù)(安眠藥)相比，基于催眠術(shù)的輔助睡眠對身體的副作用較小，比較適合日常應(yīng)用。

在智能輔助睡眠中，如何準(zhǔn)確地識別睡眠狀態(tài)是重要因素，只有在合適的睡眠狀態(tài)下，才可采用相應(yīng)的輔助策略，以提高輔助睡眠效果，目前主要采用覺察方式識別睡眠行為，準(zhǔn)確性難以保證，效率低。

技術(shù)實現(xiàn)要素：

基于此，有必要針對上述問題，提供一種智能輔助睡眠中的睡眠狀態(tài)識別方法和系統(tǒng)，有效地提高輔助睡眠效果。

一種智能輔助睡眠中的睡眠狀態(tài)識別方法，包括：

采集用戶在智能輔助睡眠中產(chǎn)生的生物電信號；

根據(jù)預(yù)先訓(xùn)練的分類器模型的信號特征類型，從所述生物電信號中提取相應(yīng)的信號特征數(shù)據(jù)；

將所述信號特征數(shù)據(jù)輸入所述分類器模型，識別用戶當(dāng)前的睡眠狀態(tài)。

一種智能輔助睡眠中的睡眠狀態(tài)識別系統(tǒng)，包括：

采集模塊，用于采集用戶在智能輔助睡眠中產(chǎn)生的生物電信號；

提取模塊，用于根據(jù)預(yù)先訓(xùn)練的分類器模型的信號特征類型，從所述生物電信號中提取相應(yīng)的信號特征數(shù)據(jù)；

識別模塊，用于將所述信號特征數(shù)據(jù)輸入所述分類器模型，識別用戶當(dāng)前的睡眠狀態(tài)。

上述智能輔助睡眠中的睡眠狀態(tài)識別方法和系統(tǒng)，在對用戶進行智能輔助睡眠過程中，采集其產(chǎn)生的生物電信號，根據(jù)預(yù)先訓(xùn)練的分類器模型，提取相應(yīng)的信號特征數(shù)據(jù)輸入所述分類器模型識別睡眠狀態(tài)，該方案能夠較為準(zhǔn)確地識別出睡眠狀態(tài)，而且提高了識別效率。

附圖說明

圖1為本發(fā)明的智能輔助睡眠中的睡眠狀態(tài)識別方法的流程圖；

圖2為預(yù)處理前后的腦電信號示意圖；

圖3為一個實例的睡眠狀態(tài)的識別流程圖；

圖4為一個實施例的智能輔助睡眠中的睡眠狀態(tài)識別系統(tǒng)結(jié)構(gòu)示意圖。

具體實施方式

下面結(jié)合附圖闡述本發(fā)明的智能輔助睡眠中的睡眠狀態(tài)識別方法和系統(tǒng)的實施例。

參考圖1所示，圖1為本發(fā)明的智能輔助睡眠中的睡眠狀態(tài)識別方法的流程圖，包括：

S101，采集用戶在智能輔助睡眠中產(chǎn)生的生物電信號；

在本步驟中，在對用戶進行智能輔助睡眠時，通過用戶佩戴相關(guān)傳感設(shè)備，檢測用戶的生物電信號，可以采集腦電信號、眼電信號等生物電信號。

在采集生物信號時，一般是以30s為一幀進行采集，每幀作為一個樣本，后續(xù)對每幀腦電信號進行分析處理。

S102，根據(jù)預(yù)先訓(xùn)練的分類器模型的信號特征類型，從所述生物電信號中提取相應(yīng)的信號特征數(shù)據(jù)；

在本步驟中，利用預(yù)先訓(xùn)練的分類器模型來進行識別，該分類器模型是通過采集人體的樣本數(shù)據(jù)，以其相關(guān)的特征信息進行訓(xùn)練得到，因此，通過分類器模型對應(yīng)的信號特征類型，從當(dāng)前正在進行智能輔助睡眠的用戶所采集的生物電信號，提取同類型的信號特征，輸入分類器模型進行識別。

在一個實施例中，在提取信號特征數(shù)據(jù)前，可以對所述采集的生物電信號進行帶通濾波，并濾除工頻干擾。例如，腦電信號的有用信息多集中在0-100Hz的范圍內(nèi)，而在采集過程中，會摻入頻率在該范圍外的噪聲，因此，可以通過濾波手段將其濾除。

作為一個實施例，針對于主要的高頻噪聲，可以設(shè)計一個50/60Hz的陷波器來濾除工頻干擾。參考圖2所示，圖2為預(yù)處理前后的腦電信號示意圖，上圖為原始信號，下圖為經(jīng)過預(yù)處理之后的信號，可以發(fā)現(xiàn)大部分的高頻噪聲已被濾除。

在一個實施例中，在進行信號特征參數(shù)提取時，以每30秒檢測一次(即30秒一幀)對生物電信號進行處理。

S103，將所述信號特征數(shù)據(jù)輸入所述分類器模型，識別用戶當(dāng)前的睡眠狀態(tài)；

在本步驟中，將提取的信號特征數(shù)據(jù)輸入所述分類器模型，分類器模型就能夠識別出用戶當(dāng)前的睡眠狀態(tài)。

在一個實施例中，所述分類器模型識別睡眠狀態(tài)的方法，可以包括如下步驟：

計算所述腦電信號的樣本熵，將該樣本熵與預(yù)先計算的樣本熵閾值進行比較，若所述樣本熵大于所述樣本熵閾值，則判定用戶當(dāng)前處于清醒狀態(tài)，反之則不能確定狀態(tài)，需要分類器做進一步的識別。

其中，樣本熵閾值的計算公式可以如下：

sampen_val_i＝sampen(y[p_start:p_end])

p_start＝(i-1)*time_length*fs+1

p_end＝t_start+time_length*fs-1

p_end＜T·fs

式中，其中sampen_thre為樣本熵閾值，sampen_val_i為樣本熵集合中第i個樣本的樣本熵，sampen為求樣本熵的運算，其輸入y[p_start:p_end]為腦電信號y在第p_start點開始到第p_end點為止的部分，time_length為計算樣本熵的每個樣本的時間長度，fs為腦電信號的采樣率，T為開始采集腦電信號后的設(shè)定時間，v為設(shè)定參數(shù)。

上述實施例的技術(shù)方案，通過在對用戶進行智能輔助睡眠過程中，采集其產(chǎn)生的生物電信號，根據(jù)預(yù)先訓(xùn)練的分類器模型，提取相應(yīng)的信號特征數(shù)據(jù)輸入所述分類器模型識別睡眠狀態(tài)，該方案能夠較為準(zhǔn)確地識別出睡眠狀態(tài)，而且提高了識別效率。

為了更加清晰本發(fā)明的技術(shù)方案，下面進一步闡述相關(guān)實施例。

對于提取相應(yīng)的信號特征數(shù)據(jù)的方法，本發(fā)明還可以提供如下實施例：

(1)對生物電信號進行基線提取，計算所述基線的變化幅度；其中，所述變化幅度為基線最大值減去最小值；

(2)在生物電信號去掉基線后，對所述生物電信號進行小波分解，獲得小波系數(shù)；根據(jù)小波系數(shù)計算小波系數(shù)的特征參數(shù)；包括均值、方差，峭度系數(shù)和/或斜度系數(shù)；

(3)在生物電信號去掉基線后，計算生物電信號的LZ復(fù)雜度和樣本熵；

相應(yīng)地，在步驟S103中，將所述基線的變化幅度、小波系數(shù)的特征參數(shù)、LZ復(fù)雜度和樣本熵輸入所述分類器模型。

進一步地，還可以提取如下信號特征數(shù)據(jù)：

(4)采集的血氧濃度參數(shù)，并根據(jù)所述濃度參數(shù)計算血氧飽和度參數(shù)。

(5)在小波重構(gòu)中提取所述生物電信號的δ波頻段、θ波頻段、α波頻段和β波頻段的信號；計算δ波頻段、θ波頻段、α波頻段和β波頻段的信號的能量在總能量中的比例系數(shù)；以及計算在一幀腦電信號內(nèi)，δ波頻段、θ波頻段、α波頻段和β波頻段的信號能量最大的時間。

作為實施例，為了更好地分解出所述δ波，小波分解的層數(shù)與生物電信號的采樣頻率滿足如下關(guān)系：f＝2^N+2，其中，f為生物電信號的采樣頻率，N為小波分解的層數(shù)；例如，當(dāng)信號的采樣率為128Hz時，可以選擇4層分解，當(dāng)信號的采樣率為256Hz時，則可以進行5層分解。

相應(yīng)地，在步驟S103中，輸入所述分類器模型的數(shù)據(jù)包括：所述變化幅度、特征參數(shù)、LZ復(fù)雜度、血氧飽和度參數(shù)、比例系數(shù)及。

上述計算δ波頻段、θ波頻段、α波頻段和β波頻段的能量在總能量中的比例系數(shù)的方法，可以包括如下公式：

r_δ＝∑(y_δ)²/p_total

r_θ＝∑(y_θ)²/p_total

r_α＝∑(y_α)²/p_total

r_β＝∑(y_β)²/p_total

其中p_total＝∑(y_δ)²+∑(y_θ)²+∑(y_α)²+∑(y_β)²，y_δ，y_θ，y_α和y_β分別表示重構(gòu)后的δ頻段、θ頻段、α頻段和β頻段的信號，r_δ，r_θ，r_α和r_β分別代表δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例；

上述計算在一幀腦電信號內(nèi)，δ波頻段、θ波頻段、α波頻段和β波頻段的信號能量最大的時間的方法，可以包括如下公式：

式中，c_δ，c_θ，c_α和c_β表示δ頻段、θ頻段、α頻段和β頻段的信號在當(dāng)前幀內(nèi)所占能量比例最大的時間長度，分別表示第i秒內(nèi)δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。

上述實施例的方案，通過與生物電信號和人體血氧密切相關(guān)的多維特征數(shù)據(jù)，訓(xùn)練分類器模型用于睡眠狀態(tài)識別，能夠準(zhǔn)確地識別當(dāng)前用戶的睡眠狀態(tài)。

在一個實施例中，對于所述分類器模型的訓(xùn)練過程，可以采用如下方式：

采用網(wǎng)格測試方法選擇最優(yōu)的懲罰因子C，RBF核(Radial Basis Function，徑向基函數(shù))的參數(shù)σ，其中，所述懲罰因子C、參數(shù)σ的取值范圍分別是C：2^-2～2¹²,σ:2^-2～2¹⁰；同時調(diào)節(jié)懲罰因子C和參數(shù)σ，將識別率最高的參數(shù)作為最優(yōu)的參數(shù)；并在獲得最優(yōu)的參數(shù)后，利用最優(yōu)的參數(shù)在訓(xùn)練數(shù)據(jù)上重新訓(xùn)練分類器，然后在測試數(shù)據(jù)上進行測試；將在測試數(shù)據(jù)上取得最優(yōu)總體識別率的分類器模型作為最佳的分類器模型進行使用。

由于訓(xùn)練數(shù)據(jù)是從采集數(shù)據(jù)中隨機抽取的，因此可以將此過程重復(fù)若干次，最后將在測試數(shù)據(jù)上取得最優(yōu)總體識別率的分類器模型作為最佳的分類器模型，并在實際中應(yīng)用。

參考圖3所示，圖3為一個實例的睡眠狀態(tài)的識別流程圖，以腦電信號為例，在采集到腦電信號后，以30s為一幀進行處理，先對腦電信號進行預(yù)處理，提取信號特征數(shù)據(jù)，然后送入采用了rbf核的SVM(Support Vector Machin，支持向量機)分類器模型進行訓(xùn)練，當(dāng)采集到的用戶的腦電信號數(shù)據(jù)不多時，利用預(yù)先訓(xùn)練好的通用分類器模型進行識別，并將當(dāng)前幀的信號特征數(shù)據(jù)加入到自學(xué)習(xí)過程中。若采集到了足夠多的個人數(shù)據(jù)，則利用個人數(shù)據(jù)訓(xùn)練出個人模型，并以此個人模型進行識別。

作為一個實施例，本發(fā)明提供的智能輔助睡眠中的睡眠狀態(tài)識別方法，可以用于識別的睡眠狀態(tài)，包括清醒，非眼快動睡眠和眼快動睡眠；其中，非眼快動睡眠入睡期，淺睡期，中等睡眠期和深度睡眠期四個狀態(tài)。

在一個實施例中，檢測非眼快動睡眠入睡期，淺睡期，中等睡眠期和深度睡眠期四個狀態(tài)包括如下步驟：

(1)從腦電信號的中檢測K綜合波，當(dāng)檢測到K綜合波時，判斷用戶當(dāng)前處于非眼快動睡眠的S2周期；

進一步地，當(dāng)檢測到K綜合波時，在檢測到K綜合波與δ波的時間窗口內(nèi)，對眼電信號的幅度進行檢測，當(dāng)眼電信號的幅值超過預(yù)設(shè)幅度閾值，則判定檢測到的K綜合波與δ波屬于偽陽性結(jié)果；或者在檢測到δ波的時間窗口內(nèi)，對眼電信號的幅度進行檢測，當(dāng)眼電信號的幅值超過預(yù)設(shè)幅度閾值，則判定檢測到δ波屬于偽陽性結(jié)果。

(2)根據(jù)δ波波形特征從所述腦電波中檢測δ波，統(tǒng)計檢測到δ波的數(shù)量；并根據(jù)δ波的數(shù)量確定用戶的非眼快動睡眠的S3和S4周期；具體可以包括如下：

當(dāng)δ波數(shù)量屬于[f_L(m)，f_H(m)]時，判定用戶當(dāng)前處于非眼快動睡眠的S3周期；當(dāng)δ波數(shù)量大于等于f₀(m)時，判定用戶當(dāng)前處于非眼快動睡眠的處于S4周期；

f_L(m)＝m/t×p_L；

f_L(m)＝m/t×p_H；

f₀(m)＝f_H(m)+1；

其中，檢測腦電波的時間窗口的長度為m，t為δ波持續(xù)時間的均值，(p_L,p_H)為δ波占腦電信號的時間范圍。

綜合上述實施例，本發(fā)明的技術(shù)方案，利用生物電信號識別催眠深度，能準(zhǔn)確的識別當(dāng)前睡眠狀態(tài)；在提取信號特征數(shù)據(jù)中，利用了生物電信號的基線的變化幅度的特征、小波系數(shù)的特征參數(shù)和LZ復(fù)雜度；以及血氧飽和度參數(shù)、δ波、θ波、α波和β波；計算δ波、θ波、α波和β波能量在總能量中的比例系數(shù)及其在將當(dāng)前幀信號特征數(shù)據(jù)內(nèi)所占的時間等信號特征；利用預(yù)先訓(xùn)練的分類器模型進行識別，從而識別用戶當(dāng)前睡眠狀態(tài)。

參考圖4所示，圖4為一個實施例的智能輔助睡眠中的睡眠狀態(tài)識別系統(tǒng)結(jié)構(gòu)示意圖，包括：

采集模塊101，用于采集用戶在智能輔助睡眠中產(chǎn)生的生物電信號；

提取模塊102，用于根據(jù)預(yù)先訓(xùn)練的分類器模型的信號特征類型，從所述生物電信號中提取相應(yīng)的信號特征數(shù)據(jù)；

識別模塊103，用于將所述信號特征數(shù)據(jù)輸入所述分類器模型，識別用戶當(dāng)前的睡眠狀態(tài)。

本發(fā)明的智能輔助睡眠中的睡眠狀態(tài)識別系統(tǒng)與本發(fā)明的智能輔助睡眠中的睡眠狀態(tài)識別方法一一對應(yīng)，在上述智能輔助睡眠中的睡眠狀態(tài)識別方法的實施例闡述的技術(shù)特征及其有益效果均適用于智能輔助睡眠中的睡眠狀態(tài)識別系統(tǒng)的實施例中，特此聲明。

以上所述實施例的各技術(shù)特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術(shù)特征所有可能的組合都進行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。

以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。