[发明专利]基于多传感器数据决策级融合的睡眠分期方法

摘要

本发明公开了一种基于多传感器数据决策级融合的睡眠分期方法，该方法首先使用雷达传感器和音频传感器采集整夜的雷达和音频数据，提取雷达和音频信号特征；根据特征数将其进行数据分类，根据数据分类建立雷达剩余片段模型和雷达+音频片段模型；接着用分类器对雷达剩余片段模型里的雷达特征进行识别分类，得到模型预测结果1，用分类器对雷达+音频片段模型里的雷达和音频特征进行识别分类，得到模型预测结果A和B；然后用朴素贝叶斯模型对模型预测结果A和B进行决策，得到模型预测结果2；最后将模型预测结果1和模型预测结果2进行时序拼接，得到整夜睡眠分期结果。该方法简单易行，准确率高，与实际情况相吻合。

主权项

1.一种基于多传感器数据决策级融合的睡眠分期方法，其特征在于，包括以下步骤：步骤1、测试者平躺在测试床上，将雷达传感器设置于人体的正上方，用于采集雷达回波信号；将音频传感器设置于朝向人脸的方向，用于采集呼吸和鼾声信号；步骤2、开启雷达传感器和音频传感器采集信号，获得雷达回波信号X(t)及音频信号Y(t)，之后对雷达回波信号X(t)进行滤波，获得呼吸信号和心跳信号，对雷达回波信号X(t)用幅值门限检测法作为预判的条件，检测出体动信号，对音频信号Y(t)进行降噪和事件检测获得呼吸信号Y1(t)和鼾声信号Y2(t)；步骤3、对步骤2获得的雷达回波信号X(t)进行特征参数提取，根据呼吸信号得到每分钟呼吸次数N_bre、每分钟呼吸次数的方差S_bre2、每分钟呼吸信号幅度的差值积累Ada_bre、呼吸信号中的体动信号参数move_b，根据心跳信号得到每分钟心跳次数N_hrt、每分钟心跳次数的方差S_hrt2、每分钟心跳信号幅度的差值积累Ada_hrt、心跳信号中的体动信号参数move_h，睡眠分期相关特征REM期参数REM、DEEP期参数DEEP、样本熵SampEn、时序特征at；步骤4、对步骤2获得的音频信号Y(t)进行特征参数提取，包括睡眠呼吸相关参数以及鼾声相关参数，呼吸相关参数为：每分钟呼吸的次数N_bre'、呼吸次数差值BVP、呼吸周期BC、均方根误差RMSE、每分钟内呼吸次数的方差S_bre'²、能量差值累积EDA_bre、过零率即N_zcr、共振峰1即Formant1、共振峰2即Formant2、共振峰3即Formant3、共振峰1的方差即Formant_var1、共振峰2的方差即Formant_var2、共振峰3的方差即Formant_var3；鼾声相关参数为：李雅普诺夫指数LLE、时间延迟嵌入维数m、近似熵ApEn、统计嵌入维数m≥4的个数N_m，鼾声事件时间序列的维数D、去趋势波动分析的阿尔法系数一α1、去趋势波动分析的阿尔法系数二α2、样本熵SampEn^*、香农熵H、时序特征b_t；步骤5、根据步骤3获得的11个雷达回波信号特征以及时序特征at、步骤4获得的23个音频信号特征以及时序特征bt，构建决策级融合系统模型，包含雷达剩余片段模型和雷达+音频片段模型，雷达剩余片段模型是单独由雷达传感器的特征数据构建的，雷达+音频片段模型是由雷达传感器和音频传感器共同获取的特征数据构建的；步骤6、在雷达剩余片段模型里，对雷达数据特征，进行识别分类得到模型预测结果1；在雷达+音频片段模型里，对雷达数据特征进行识别分类，得到模型预测结果A；对音频数据特征进行识别分类，得到模型预测结果B；步骤7、将步骤6获得的模型预测结果A和模型预测结果B通过朴素贝叶斯模型，得到模型预测结果2；步骤8、将步骤6获得的模型预测结果1和步骤7获得的模型预测结果2按时序拼接，得到最终的睡眠分期结果。