申请/专利权人:北京邮电大学
申请日:2019-10-10
公开(公告)日:2020-12-01
公开(公告)号:CN110742585B
主分类号:A61B5/00(20060101)
分类号:A61B5/00(20060101);A61B5/0205(20060101);A61B5/11(20060101)
优先权:
专利状态码:有效-授权
法律状态:2020.12.01#授权;2020.02.28#实质审查的生效;2020.02.04#公开
摘要:本发明提供一种基于BCG信号的睡眠分期方法,方法包括:从预先采集的BCG信号中提取心率信号、脉搏信号和呼吸信号,并根据所述心率信号、脉搏信号和呼吸信号,计算心率变异性和心肺耦合功率谱;获取所述心率变异性和心肺耦合功率谱的频域特征的变化趋势信号,将两者的所述频域特征的变化趋势信号转化为多通道图像特征,并对所述心率变异性和心肺耦合功率谱进行特征提取,根据提取的心率变异性和心肺耦合功率谱的时域信号提取特征向量;根据所述多通道图像特征和所述特征向量,训练出心率变异性和心肺耦合功率谱密度信号对应的睡眠分期结果。本发明实现联合心率变异性与心肺耦合功率谱判别睡眠分期,具有更强适应性和准确性。
主权项:1.一种基于BCG信号的睡眠分期方法,其特征在于,包括:从预先采集的BCG信号中提取心率信号、脉搏信号和呼吸信号,并根据所述心率信号、脉搏信号和呼吸信号,计算心率变异性和心肺耦合功率谱;获取所述心率变异性和心肺耦合功率谱的频域特征的变化趋势,根据两者的所述频域特征的变化趋势,获取多通道图像特征,并对所述心率变异性和心肺耦合功率谱进行特征提取,根据提取的心率变异性和心肺耦合功率谱的时域信号提取特征向量;根据所述多通道图像特征和所述特征向量,获取对应的睡眠分期结果;其中,根据两者的所述频域特征的变化趋势,获取所述BCG信号的多通道图像特征的步骤包括:将所述心率变异性和心肺耦合功率谱的每种频域特征的变化趋势进行分段,并计算每段频域特征的变化趋势的Wigner分布图;将所述心率变异性和心肺耦合功率谱对应时间段相同的所有分段的Wigner分布图作为一个多通道图像特征;其中,所述多通道图像特征的通道数等于所述心率变异性的频域特征的总个数加上所述心肺耦合功率谱的频域特征的总个数;其中,根据所述多通道图像特征和所述特征向量,获取所述BCG信号对应的睡眠分期结果的步骤包括:将所述多通道图像特征和所述特征向量作为深度学习模型的输入,输出所述BCG信号对应的睡眠分期结果;其中,所述深度学习模型通过BGG信号样本和预先获取的通用睡眠分期标签进行训练获取;其中,将所述多通道图像特征和所述特征向量作为深度学习模型的输入,输出所述BCG信号对应的睡眠分期结果的步骤之前还包括:将所有PSG睡眠分期标签和CAP睡眠分期标签任意聚类为多种预设类别;基于t检验对每种聚类结果进行显著性和差异性检验,根据检验结果选取最优的聚类结果作为通用睡眠分期标签;根据BGG信号样本的多通道图像特征和特征向量,以及所述通用睡眠分期标签对所述深度学习模型进行训练。
全文数据:
权利要求:
百度查询: 北京邮电大学 基于BCG信号的睡眠分期方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。