[发明专利]睡眠分期识别方法、装置以及计算机可读存储介质

说明书

本发明提供一种睡眠分期识别方法、装置以及计算机可读存储介质，方法包括：获取用户的脑电信号；提取脑电信号中的信号片段；识别信号片段中的多段运动伪迹和多段非运动伪迹；计算多段运动伪迹的功率及多段非运动伪迹的功率；比较多段运动伪迹的功率及多段非运动伪迹的功率，在多段运动伪迹的功率不超过多段非运动伪迹的功率时，使用多段非运动伪迹对信号片段中的多段运动伪迹进行替换；基于替换后的信号片段，识别用户当前所处的睡眠分期。本发明能够有效提升睡眠分期识别准确率。

技术领域

本发明涉及计算机技术领域，具体涉及睡眠神经信号解码领域，提供一种睡眠分期识别方法、装置以及计算机可读存储介质。

背景技术

睡眠质量问题已成为当今社会愈发重视的健康问题，由此催生出大量对于睡眠监测和睡眠质量改善设备的需求。传统的睡眠监测设备体积较大，需要多通道记录，佩戴体验不好，容易影响睡眠舒适度和睡眠质量。因此，社会急需一种佩戴舒适、轻量级且效果佳的睡眠监测或干预设备。脑电数据是经典且主要的睡眠分期依据，而其中前额叶(位于大脑前端的皮层区域，主要负责高级认知功能，如决策、计划、抽象思维等)脑电包含了较为全面的睡眠分期相关特征波形。同时，前额叶单通道电极也可以实现较高的睡眠舒适度，是目前可行性较高的轻量级睡眠监测设备的技术路径。

然而，目前基于前额叶单通道脑电数据进行睡眠分期，仍存在着分期准确率不够高、分期算法复杂度较高等问题，不利于相关产品的大规模商用。目前学术界基于单通道脑电信号进行睡眠分期，主要采用以下方法：

(1)人工手动分期：由脑电分期专家通过鉴别脑电波形特征，对睡眠进行分期。此方法需耗费较大量的人力和时间，成本较高，仅适用于小规模数据的精细分析，不适用于大规模数据的批量快速分析。

(2)机器学习分类：通过机器学习算法(如：支持向量机、卷积神经网络、随机森林，等等)，以有监督或无监督的方式训练分类模型，随后通过已训练好的模型来对睡眠脑电数据进行自动化分期，其在缺少大规模、高质量的训练数据以及大量前期参数调试的情况下，仍然难以保证较好的分类准确率。

本发明旨在提出一种新的技术方案，提升睡眠分期运算的准确率。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决提升睡眠分期识别准确率的睡眠分期识别方法、装置以及计算机可读存储介质。

第一方面，本发明提供一种睡眠分期识别方法，所述方法包括：获取用户的脑电信号；提取所述脑电信号中的信号片段；识别所述信号片段中的多段运动伪迹和多段非运动伪迹；计算所述多段运动伪迹的功率及所述多段非运动伪迹的功率；比较所述多段运动伪迹的功率及所述多段非运动伪迹的功率，在所述多段运动伪迹的功率不超过所述多段非运动伪迹的功率时，使用所述多段非运动伪迹对所述信号片段中的所述多段运动伪迹进行替换；基于替换后的所述信号片段，识别所述用户当前所处的睡眠分期。

优选地，前述的睡眠分期识别方法，“使用所述多段非运动伪迹对所述信号片段中的所述多段运动伪迹进行替换”的步骤包括：以所述多段运动伪迹中任一段为目标运动伪迹，取与所述目标运动伪迹前后最接近的第一非运动伪迹和第二非运动伪迹；使用所述第一非运动伪迹和所述第二非运动伪迹，对所述目标运动伪迹进行替换。

优选地，前述的睡眠分期识别方法，“使用所述第一非运动伪迹和所述第二非运动伪迹，对所述目标运动伪迹进行替换”的步骤包括：判断所述第一非运动伪迹的时长和所述第二非运动伪迹的时长是否均超过所述目标运动伪迹的1/2时长，在所述第一非运动伪迹的时长和所述第二非运动伪迹的时长均超过所述目标运动伪迹的1/2时长时，按照所述目标运动伪迹的1/2时长分别从所述第一非运动伪迹和所述第二非运动伪迹中取靠近所述目标运动伪迹的一部分，对所述目标运动伪迹进行替换。