[发明专利]睡眠分期模型的训练方法、睡眠分期方法及装置

说明书

本公开提供了一种睡眠分期模型的训练方法、睡眠分期方法。该睡眠分期模型的训练方法包括：对源域数据进行预处理，得到源域数据集，源域数据包括心律失常数据；利用源域数据集训练初始睡眠分期模型，得到预训练睡眠分期模型；以及利用目标域数据集训练预训练睡眠分期模型，得到用于对睡眠数据进行分类的睡眠分期模型，其中，目标域数据集包括单导联心电数据和呼吸数据。本公开提出的睡眠分期方法，能够提高睡眠分期模型的识别精度。

技术领域

本公开涉及睡眠分期领域，具体涉及一种睡眠分期模型的训练方法、睡眠分期方法及装置。

背景技术

睡眠是人体生理状态的重要组成部分，但随着生活和工作中的压力逐渐增多，睡眠疾病成为了影响人体身体健康的又一主要问题。分析睡眠结构、评估睡眠质量对解决睡眠相关疾病有很大的帮助。

睡眠过程不是单一的状态，而是具有自身内部结构的复杂生理过程，睡眠时相能够表征睡眠过程。在睡眠过程中，脑电图的波形会随着睡眠深度的变化而发生改变。早在1953年，Aserinsky和Kleitman根据脑电波形的不同将睡眠分为两个大的阶段，快速眼动期(Rapid Eye Movement Sleep,REM Sleep)和非快速眼动期(Non-Rapid Eye MovementSleep,NREM Sleep)。非快速眼动期和快速眼动期在睡眠过程中交替出现，每一阶段持续约90-110分钟，一个正常的6-8小时的睡眠期大约有4-6个这样的循环。1968年，Rechtschaffen和Kales根据脑电的变化将非快速眼动期分为四个不同阶段：睡眠I期，睡眠II期，睡眠III期，睡眠IV期(S1，S2，S3，S4)。2007年，美国睡眠学会将S1期和S2期重新命名为N1和N2期睡眠，将S3期和S4期合并为N3期睡眠。其中，30秒钟的数据长度能够反映一个睡眠阶段。但是，对于睡眠分期数据的采集需要大量实践，并且睡眠分期的准确性依赖于专家的实践经验和专业水平。而通过计算机对睡眠进行自动化睡眠监测的方法能够减少因人工判断导致的误判现象。

目前的睡眠评估主要有两大类方法。一类是常用于医院的睡眠多导仪(Polysomnography，PSG)监测方法，通过采集脑电、心电、眼电等生理参数，并经过一套科学、系统的评价方法来评估睡眠，它是临床睡眠检测的金标准。但是，PSG需要在受测者身上放置众多传感器，这会影响受测者的睡眠舒适感，影响自然睡眠，降低睡眠分期的可靠性和准确性。PSG方法在利用仪器对数据进行初步分析后，还需要人工判读，一般需要2～3小时才能完成一份完整的睡眠报告，分期时间太长。第二类睡眠评估方法采用可穿戴设备，通过测得的连续生理参数来自动化分析睡眠过程，如心率、呼吸率和体动。第二类方法具有很高的实用价值，但是，通过这类方法得到的睡眠分期结果准确性很不稳定。

随着深度学习在各个领域内的突出表现，基于机器学习和深度学习的睡眠分期方法能够提高睡眠分期结果准确性，但是目前采用深度学习的方法仍基于人工特征提取。人工进行特征提取不仅过度依赖技术人员的经验，而且提取的特征分布会影响模型的分类结果。此外，基于深度学习的睡眠分期方法需要通过大量数据样本进行训练后，才能进行准确的睡眠分期。目前，基于心电和呼吸阻抗的带标签睡眠多导数据集样本量过少，无法对深度学习网络进行训练。

发明内容

鉴于上述问题，本公开提供了根据单导联心电数据和呼吸数据样本的睡眠分期数据进行睡眠分期的睡眠分期模型的训练方法、睡眠分期方法及装置。

根据本公开的第一个方面，提供了一种睡眠分期模型的训练方法，包括：对源域数据进行预处理，得到源域数据集，源域数据包括心律失常数据；利用源域数据集训练初始睡眠分期模型，得到预训练睡眠分期模型；以及利用目标域数据集训练预训练睡眠分期模型，得到用于对睡眠数据进行分类的睡眠分期模型，其中，目标域数据集包括单导联心电数据和呼吸数据。