[发明专利]一种入睡过程动态连续分析方法

权利要求书

1.一种入睡过程动态连续分析方法，其特征在于，包括：

S1、载入观测数据，包括专家的睡眠分期结果与脑电数据；

S2、构建多个状态变量；步骤S2具体构建两个与脑电数据相关的状态变量，具体的：根据脑电数据的三个频段功率α、δ、θ，建立的两个状态变量记为与表示从脑电α频段的频谱功率估计觉醒程度的状态变量，是从脑电δ与θ频段的频谱功率估计觉醒程度的状态变量；状态变量与经过公式(1)的线性组合后输入公式(2)的S形函数，S形函数的结果即作为当前的清醒程度

S3、根据构建的多个状态变量，基于马尔科夫模型，构造当前时刻的初始粒子群；对于每个时刻t的粒子，把这些粒子输入观测模型当中去，观测模型亦是对状态变量的线性组合使用一个S形函数进行变换，其形式同式(5)至(6)，其目的是计算对于每个状态变量粒子所估计出的观测数据；建立观测模型的意义在于通过状态变量对该时刻实际观测到的数据进行估计，在下面的粒子滤波过程中，通过对估计结果与真实观测结果的差异比较，确定各个粒子的权重，根据权重对粒子进行随机采样，对于权重越大的粒子，会赋予其更大的被采样概率；

其中，分别代表对脑电α、δ、θ频段功率的估计值，与与与分别为对应脑电频段α、δ、θ真实数据功率谱的最小值与最大值，是一串散点粒子；

S4、将当前时刻的所有粒子输入步骤S3中的观测模型，估计得到观测数据；

S5、计算观测数据与真实数据之间的误差，并根据误差赋予各粒子权重；粒子权重计算公式的形式同式(8)至(12)：

总似然函数为：

所得的loglikehood的绝对值大小代表各粒子的权重，b_t代表的是专家的睡眠分期结果在t时刻的值，分别代表t时刻脑电α、δ、θ频段功率的真实值，σ_α、σ_Δ、σ_θ为归一化误差；

S6、基于各粒子权重对所有粒子进行重采样，将采样出的新粒子群的中心值作为当前状态变量的真实值来计算当前时刻的清醒程度；具体为：将步骤S6得到的多个状态变量的真实值通过线性组合后输入一个S型函数该S型函数的结果即为当前时刻的清醒程度；

S7、重复步骤S3至S6，计算出每个时刻的清醒程度。

2.根据权利要求1所述的一种入睡过程动态连续分析方法，其特征在于，步骤S1所述专家的睡眠分期结果包括：清醒期与睡眠期，将清醒期的值设置为0，睡眠期的值设置为1。

3.根据权利要求2所述的一种入睡过程动态连续分析方法，其特征在于，当观测数据包括肌电数据，步骤S2所述状态变量还包括与肌电有关的状态变量。

4.根据权利要求3所述的一种入睡过程动态连续分析方法，其特征在于，总似然函数的绝对值越小的粒子权重越大。