CN119498776A 睡眠状态监测模型的特征信息提取方法及系统 （中国人民解放军海军军医大学第一附属医院）

睡眠状态监测模型的特征信息提取方法及种睡眠状态监测模型的特征信息提取方法及系始睡眠监测数据进行噪声去除以及信号增强处2步骤S4：对混合睡眠特征数据进行时空演化处理以及事步骤S5：对睡眠阶段波动数据进行睡眠环境影响区3.根据权利要求2所述的睡眠状态监测模型的特征信息提取方法，其特征在于，步骤步骤S161：根据预设时间窗口数据对增强睡眠监测数据步骤S162：对初始睡眠信号片段数据进行基于多通道的时间同步骤S163：对齐睡眠信号片段数据进行数据完整性步骤S164：根据完整性检查数据对对齐睡眠信号片段数3步骤S165：对睡眠信号频谱数据进行多通道整合同步步骤S23：对多通道睡眠信号片段数据中的肌电图信号进行基于肌电活动强度以及频步骤S25：对多通道睡眠信号片段数据中的加速度计信号进行体动分析，提取体动频4步骤S42：通过睡眠状态时空演化事件数据对混合睡眠特征数据进行潜在的睡眠中断步骤S44：对多通道睡眠信号片段数据进行睡眠阶段波动分析，生成睡眠阶段波动数步骤S411：对混合睡眠特征数据进行基于时间序列的步骤S412：利用隐马尔可夫模型对状态转换序列数据进步骤S413：基于睡眠状态概率分布数据进行睡眠步骤S414：对混合睡眠特征数据进行基于滑动时间窗步骤S415：根据状态转移特征数据以及时间窗口特步骤S416：根据睡眠状态时空演化模型以及非线8.根据权利要求7所述的睡眠状态监测模型的特征信息提取方法，其特征在于，步骤步骤S431：对睡眠事件评估数据进行识别潜在的睡步骤S432：基于睡眠障碍模式数据进行睡眠障碍事件筛步骤S434：根据监测指标列表进行多模态传感器的步骤S435：利用传感器配置数据对被测对象进行实时生9.根据权利要求8所述的睡眠状态监测模型的特征信息提取方法，其特征在于，步骤5步骤S441：对多通道睡眠信号片段数据进行基于动态时间步骤S442：对睡眠结构数据进行基于时间序列的步骤S443：根据睡眠实时监测指标数据对睡眠阶段波动数据进行生理扰动相关性分步骤S444：根据预设的扰动模式库对生理扰动关联数步骤S445：根据生理扰动评估数据生成包含生理特征融合模块，用于根据多维特征数据进行非线性动力睡眠动态分析模块，用于对混合睡眠特征数据进行时空演化处理以及事件影响评估，6[0003]然而传统的睡眠状态监测模型的特征信息提取方法往往存在以下问题睡眠状态[0004]基于此，本发明有必要提供一种睡眠状态监测模型的特7信号片段数据进行睡眠阶段波动分析以及生理扰动关联处理，生成生理睡眠扰动关联数8术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范9标数据。通过对这些实时监测指标数据与多通道睡眠信号片段数据进行睡眠阶段波动分[0045]步骤S12：通过超声波传感器采集体动信号，并通过高灵敏度麦克风采集环境声[0048]步骤S15：根据信号质量评估数据对睡眠监测数据进行基于经验模态分解的信号信号采集的电极依照国际10_20电极放置系统放置在头皮上，电极接触电阻控制在5kΩ以[0053]步骤S12：通过超声波传感器采集体动信号，并通过高灵敏度麦克风采集环境声[0056]本发明实施例将步骤S11中采集的睡眠生理数据和步骤S12中获得的体动环境声后续分析中能准确对应同一时间段的生理和环境数据。数据存储格式为多通道时间序列，所有信号统一采用1ms的时间分辨率进行记录。通过将体动和环境声音信息与生理数据进[0059]步骤S15：根据信号质量评估数据对睡眠监测数据进行基于经验模态分解的信号[0067]步骤S162：对初始睡眠信号片段数据进行基于多通道的[0071]步骤S164：根据完整性检查数据对对齐睡眠信号片段数了不同传感器量纲差异，增强跨通道分析的可比性。快速傅里叶变换(FFT)提供了频域特[0078]步骤S22：对多通道睡眠信号片段数据中的眼动图信号进行眼动的快速及缓慢识[0079]步骤S23：对多通道睡眠信号片段数据中的肌电图信号进行基于肌电活动强度以[0084]步骤S28：对多通道睡眠信号片段数据中的环境声音信号进行声音事件检测及分[0087]本发明实施例在多通道睡眠信号片段数据中，对脑电图(EEG)信号进行详细分析[0088]步骤S22：对多通道睡眠信号片段数据中的眼动图信号进行眼动的快速及缓慢识[0089]本发明实施例对多通道睡眠信号片段数据中的眼动图(EOG)信号进行快速及缓慢[0090]步骤S23：对多通道睡眠信号片段数据中的肌电图信号进行基于肌电活动强度以[0091]本发明实施例对多通道睡眠信号片段数据中的肌电图(EMG)信号进行基于肌电活高通滤波(如20Hz)以去除直流分量和低频噪声，然后判定法识别肌肉张力的变化，如突发性肌肉活动或持续性肌肉松弛。在具体应用场景中，[0093]本发明实施例对多通道睡眠信号片段数据中的心电图(ECG)信号进行心率变异性中，计算标准差(SDNN)和均方根差(RMSSD)等指标；在频域分析中，应用快速傅里叶变换照时间窗口(如30秒)将各类特征数据按顺序排列，形成一个包含所有特征维度的多维向[0099]本发明实施例对多通道睡眠信号片段数据中的超声波信(如20kHz至40kHz)以去除背景噪声，然后应用多普勒频移算法检测被测对象的微小运动，[0100]步骤S28：对多通道睡眠信号片段数据中的环境声音信号进行声音事件检测及分[0101]本发明实施例对多通道睡眠信号片段数据中的环境声音信号进行声音事件检测分析环境对睡眠的影响及识别睡眠相关的声[0107]本发明实施例对多维特征数据进行递归定量分析(RQA)，首先对特征数据进行归以确保不同类型特征的量纲一致性。然后，利用加权平均法或主成分分析(PCA)等降维方[0113]本发明实施例对步骤S28中提取的声波特征数据进行小波包变换，将信号分解到[0115]本发明实施例利用步骤S34中的非线性特征数据对步骤S35中的时频声波特征数[0116]步骤S37：对非线性特征数据与加权声波特征数据进行基于深度神经网络的特征[0117]本发明实施例将步骤S34中的非线性特征数据与步骤S36中的加权声波特征数据入层、多个隐藏层和输出层，隐藏层的神经元数根数(如ReLU)进行特征融合。模型通过反向传播算法进行训练，损失函数使用均方误差事件的检测精度。DNN自动提取复杂数据中的关键模式，优化了异常睡眠事件的识别和分该模型采用长短时记忆网络(LSTM)或图卷积网络(GCN)等深度学习架构，以捕捉睡眠状态[0122]步骤S42：通过睡眠状态时空演化事件数据对混合睡眠特征数据进行潜在的睡眠[0123]本发明实施例利用步骤S41生成的睡眠状态时空演化事件数据，对混合睡眠特征件评估数据进行聚类分析(如K_means或谱聚类)，号片段数据中的睡眠阶段进行波动分析，识别出睡眠阶段的频繁转换和持续时间的变化。[0131]本发明实施例对混合睡眠特征数据进行基于时间序列的[0133]本发明实施例利用隐马尔可夫模型(HMM)对状态转换序列数据进行建模，从而得[0137]本发明实施例对混合睡眠特征数据进行基于滑动时间窗统生成的睡眠状态时空演化事件数据可用于进一步的睡眠质阶段的变化和转移过程，如从轻度睡眠到深度睡眠再到快速眼动(REM)阶段的顺序及其持别短暂的睡眠事件或阶段变化具有重要作用，尤其是在检测突然发生的异常睡眠事件时。演化模型不仅能够描述每个睡眠阶段的转移概率，还可以预测每个阶段的持续时间分布，[0157]本发明实施例对多通道睡眠信号片段数据进行基于动态时间规整算法的睡眠周使用自回归移动平均(ARIMA)模型或长短时记忆(LSTM)网络等预测模型，基于历史数据预[0161]本发明实施例根据睡眠实时监测指标数据对睡眠阶段波动数据进行生理扰动相方法分析每个生理指标的变化与特定睡眠阶段之间的关系，识别出如心率加速是否与REM将生理扰动关联数据与模式库中的模板进行匹配，识别出当前的生理扰动属于哪种类型，加权分析，设定每个生理指标的影响权重(如心[0166]本发明动态时间规整(DTW)算法能够处理不同步的时间序列数据，适合处理不同系统可以识别浅睡状态是否即将转入深睡或REM阶段。这种预测能力能够帮助用户或医生如，系统可以识别出心率变异性在REM阶段显著增加的现象，从而为后续干预措施提