CN119418952A 一种非接触式的睡眠分期识别与结构分析方法和系统 （浙江大学）

一种非接触式的睡眠分期识别与结构分析本发明公开了一种非接触式的睡眠分期识述待分期胸廓生理运动信号输入至预先训练好2获取待分期胸廓生理运动信号，所述待分期胸廓生理运动信将所述待分期胸廓生理运动信号输入至预先训练好的神经通过雷达系统向环境中发射FMCW波并接收人体反射信号，提取所述反通过多发多收雷达系统获取整夜胸廓生理运动信号，所述多发多收雷达所述对所述整夜胸廓生理运动信号进行预处理将所述整夜胸廓生理运动信号划分为若干睡眠片段，对所述睡眠片段进行归一化处第一阶段为：以天线对为单位在所述原始样本集第二阶段为：以雷达单元为单位在所述原始样本集中所述对CRNN层进行预训练采用L1损失函数和基于mini_batch梯度的随机梯度下降法对参所述对神经网络模型进行端到端的整体训练采用L2损失函数和基于mini_batch梯度所述对神经网络模型进行端到端的整体训练过程中，对所述CRNN层参数采用较小学习率，3所述CNN网络输入为待分期胸廓生理运动信号睡眠片段，输出为觉醒期标签和非觉醒期标结构标签序列。其中，所述存储器存储有可被所述至少一个处理器执序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1_9中任一项4[0012]获取待分期胸廓生理运动信号，所述待分期胸廓生理运5[0027]所述对神经网络模型进行端到端的整体训练采用L2损失函数和基于mini_batch化后的睡眠分期和结构标签序列。法理解射频信号中隐含的睡眠状态变化过程，提出卷积神经网络（CNN）_循环神经网络6[0047]获取待分期胸廓生理运动信号，所述待分期胸廓生理运[0050]所述CNN网络输入为待分期胸廓生理运动信号睡眠片段，输出为觉醒期标签和非7[0057]所述对CRNN层进行预训练采用L1损失函数和基于mini_batch梯度的随机梯度下mini_batch梯度的随机梯度下降法对参数进[0062]xt=[z(u/),z(vn)]动信号，均为输入列向量，z()表示Z_score标准化，v、J,分别为原始胸廓呼吸运动信号X=(x1,xy,…,xn)EQX，其中，xr,t=1,2,…,M为30秒的睡眠片段，M为整夜数据中30秒片。[0066]图3所示为用于睡眠分期识别的神经网络模型结构示意图，其由CRNN层和NCRF层8义为at：每个整夜睡眠序列的开始与结尾模型中的隐藏[0072]所述CRNN层建立了对所述胸廓生理运动信号中信息的表征并输出拼接后的特征[0074]其中，ar,hr,zt均为列向量。通过节点标签预测器估计各睡眠分期标签的概率p(Ixe)并经过Softmax输出：9对特征向量zc[i]通过共享降维层p后拼接得到zt=[p(ac[1]),p(zc[2]),…,p(zc[i])]，由投票层v综合理解不同天线对特征间的信息并计算权重[wt,wf,.…,w=v(z⃞)。所述的降维层yt-1→yt的边概率ye(yt-1,yeIH)可以表示为：过形状变换后任一时刻的边概率ye(yt-1,yeIH)为大小IYIXIyl的状态转移矩阵（本实施例进一步对整个模型进行端到端的训练，损失函数定义为整夜睡眠序列的以及SGD进行优化，对编码器参数使用较小的学习率lr进行微调，对融合识别器参数使用较大的学习率lrz。以防止参数值过大产生爆炸梯度，权重衰减参数均被应用于CRNN和NCRF参数训练过程中，施例中召集了8名健康成年人作为实验对象进行整夜睡眠监测实验，实验对象均无睡眠障[0090]本实施例通过在不同频段设备间的训练与模型迁移来评集训练的模型进行了参数迁移用于初始化，通过已学习的可迁移知识改善模型训练过程，[0091]其中，识别精度定义为睡眠分期识别结果与PSG一致的睡眠片段占总片段数的百分比。系数为Kappa系数，定义mj为识别分期为i、分期标准值为j的分期数量，mix为识别分期为i的分期数量，mri为分期标准值为j的分期数量，N为任务中睡眠分期的总数量，系数定义为[0093]式中系数考虑了由于运气的偶然性识[0098]式中，为估计的第S个夜间睡眠序列睡眠结构参数，PS为通过P[0101]图6中的(a)所示为60GHz数据集交叉验证中不同实验对象睡眠分期结果的系习理念使用6GHz数据集训练的模型参数对CRNN参数进行初始化后，训练过程中的损失函[0103]本发明提出的一种非接触式的睡眠分期识别与结构分析方法模型能够方便准确现在流程图一个流程或多个流程和/方框图一个方框或多个方框中指定[0107]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一