本發(fā)明涉及醫(yī)療信號處理，尤其是涉及一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法及裝置。

背景技術(shù)：

1、人體的生理活動遵循著一定的周期性規(guī)律變化，例如睡眠、覺醒、心率、情緒和認(rèn)知等，并且在晝夜變化中呈現(xiàn)出規(guī)律性的變化。這種晝夜節(jié)律是人體對生存環(huán)境的適應(yīng)性反應(yīng)，其中睡眠和覺醒是所有生理機(jī)能波動變化中最基本的節(jié)律特征。然而，隨著社會的發(fā)展，人們的生活節(jié)奏的加快和競爭壓力的增大，長期處于應(yīng)激狀態(tài)可能會導(dǎo)致睡眠節(jié)律紊亂。這種紊亂表現(xiàn)為睡眠和覺醒時間與自然晝夜節(jié)律不協(xié)調(diào)，或者表現(xiàn)為入睡困難、睡眠不足或睡眠時相紊亂等非生理性睡眠現(xiàn)象。睡眠節(jié)律紊亂會嚴(yán)重影響人們的身心健康、工作能力和生活質(zhì)量，并與許多急慢性疾病的發(fā)病密切相關(guān)。長期處于睡眠節(jié)律紊亂狀態(tài)可能導(dǎo)致情緒失控、身心疲憊、免疫力降低、注意力和行為能力下降。在高風(fēng)險行業(yè)中，這可能導(dǎo)致工作人員判斷力下降和操作失誤等認(rèn)知功能損害，進(jìn)而引發(fā)意外傷亡事故。

2、目前，對于睡眠節(jié)律紊亂的風(fēng)險預(yù)測，現(xiàn)有的醫(yī)療設(shè)備和可穿戴式智能設(shè)備大多數(shù)僅僅完成對睡眠節(jié)律的量化顯示，對于節(jié)律紊亂的風(fēng)險預(yù)測往往需要通過人工估算和分析，缺乏高效的數(shù)據(jù)處理和分析能力，從而無法提供實時以及更為精確的節(jié)律紊亂風(fēng)險預(yù)警，并且現(xiàn)有方法未能結(jié)合個體的睡眠節(jié)律類型進(jìn)行個性化節(jié)律紊亂評估。此外，不間斷采集狀態(tài)下的海量生理信號數(shù)據(jù)給信號處理帶來了很大的麻煩，亟需一種應(yīng)對長時程采集狀態(tài)下的節(jié)律紊亂風(fēng)險預(yù)測方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的就是為了提供一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法及裝置。

2、本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：

3、一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法，包括：

4、步驟s1：獲得目標(biāo)用戶的生理信號，其中，所述生理信號至少包括心率；

5、步驟s2：對所述生理信號進(jìn)行預(yù)處理和峰值提??；

6、步驟s3：基于預(yù)處理后的生理信號提取根據(jù)所述處理后的信號利用多域特征提取算法進(jìn)行多域心率變異性特征提??；

7、步驟s4：對提取的多域心率變異性特征進(jìn)行多域特征集構(gòu)建以及節(jié)律紊亂風(fēng)險類別劃分；

8、步驟s5：利用隨機(jī)森林算法構(gòu)建睡眠節(jié)律狀態(tài)評估模型，對潛在的睡眠節(jié)律紊亂風(fēng)險進(jìn)行檢測。

9、所述生理信號通過可穿戴電子設(shè)備采集。

10、所述步驟s2中的預(yù)處理過程為帶通濾波器去除采集生理信號中的高頻和低頻噪聲。

11、所述多域心率變異性特征包括hrv時域特征、hrv頻域特征和hrv非線性特征，所述hrv非線性特征包括心率不對稱性特征、龐培萊圖特征和多種熵復(fù)雜度。

12、所述龐培萊圖特征包括龐培萊圖半長軸sd1、短半軸sd2、長半軸與短半軸之比sd1/sd2；

13、所述多種熵復(fù)雜度包括近似熵apen、樣本熵sampe、模糊熵fuzzyen、模糊度量熵fuzzymen和分布熵disten；

14、所述心率不對稱性特征包括：porta指數(shù)、guzik指數(shù)、坡度指數(shù)和面積指數(shù)。

15、所述步驟s4包括：

16、將所述提取的多域心率變異性特征和個體meq類型結(jié)合構(gòu)建多域特征集d，并對特征集進(jìn)行預(yù)處理，其中，對特征集的預(yù)處理過程包括處理缺失值和歸一化特征。

17、所述個體的meq類型為睡眠節(jié)律類型，包括：偏向早睡的早鳥型、偏向晚睡的貓頭鷹型和中間類型。

18、所述睡眠節(jié)律狀態(tài)評估模型的構(gòu)建方法包括，

19、選擇基尼指數(shù)作為分裂標(biāo)準(zhǔn)構(gòu)建決策樹，其中，數(shù)據(jù)集每個特征的基尼指數(shù)gini(d,a)的計算方法為：

20、

21、其中，pk為不同節(jié)律紊亂風(fēng)險類別在數(shù)據(jù)集中的概率，n為節(jié)律紊亂風(fēng)險的類別數(shù)，gini(dv)為每個特征下的基尼系數(shù)，a表示特征類別，dv為基于特征a下被分割的特征集；

22、從根節(jié)點開始，計算所有特征的基尼指數(shù)，選擇基尼指數(shù)最小的特征和其對應(yīng)的值為最優(yōu)特征和最優(yōu)閾值；根據(jù)選擇的最優(yōu)特征和最優(yōu)閾值，將數(shù)據(jù)集分成兩個子集，然后遞歸地對每個子集重復(fù)上述步驟，即再選擇一個最優(yōu)特征及其閾值進(jìn)行進(jìn)一步劃分，直到滿足停止條件，其中，所述停止條件包括：所有樣本都屬于同一類、沒有可用特征進(jìn)行進(jìn)一步劃分、達(dá)到預(yù)設(shè)的最大樹深度、或者子集中的樣本數(shù)量小于預(yù)設(shè)的閾值。

23、所述睡眠節(jié)律狀態(tài)評估模型的構(gòu)建方法還包括：

24、將所述特征集按照預(yù)設(shè)比例隨機(jī)劃分，得到訓(xùn)練集和測試集，將所述測試集輸入至訓(xùn)練好的睡眠節(jié)律狀態(tài)評估模型進(jìn)行結(jié)果預(yù)測，所述睡眠節(jié)律狀態(tài)評估模型通過集成決策樹構(gòu)建，利用準(zhǔn)確率及混淆矩陣和十折交叉驗證進(jìn)行模型精度評價。

25、一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測裝置，包括存儲器、處理器，以及存儲于所述存儲器中的程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如上述的方法。

26、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

27、1.基于長程信號對目標(biāo)用戶的睡眠節(jié)律進(jìn)行監(jiān)測分析，有助于在長期的睡眠狀態(tài)下實時捕捉潛在的節(jié)律紊亂，減少了需要頻繁采集生理信號的工作量。

28、2.法通過對長程信號進(jìn)行多特征提取，從多個角度對節(jié)律紊亂風(fēng)險進(jìn)行分析，結(jié)合了多域心率變異性特征和個體的meq類型，尤其是多域心率變異性特征中引入心率不對稱性特征、龐培萊圖特征和多種熵復(fù)雜度，極大地提高了節(jié)律紊亂風(fēng)險預(yù)測的準(zhǔn)確性。

29、3.應(yīng)用在日常的生活和作業(yè)中，能夠協(xié)助預(yù)測個體潛在的節(jié)律紊亂，一方面，能夠有效發(fā)現(xiàn)個體潛在的節(jié)律紊亂情況，減少由節(jié)律紊亂帶來的身心健康問題；另一方面，能夠優(yōu)化生產(chǎn)作業(yè)下工作人員的工作表現(xiàn)并提高安全性，減少由工作人員因為節(jié)律紊亂帶來的疲勞和注意力不集中而引起的事故。

技術(shù)特征：

1.一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法，其特征在于，所述生理信號通過可穿戴電子設(shè)備采集。

3.根據(jù)權(quán)利要求1所述的一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法，其特征在于，所述步驟s2中的預(yù)處理過程為帶通濾波器去除采集生理信號中的高頻和低頻噪聲。

4.根據(jù)權(quán)利要求1所述的一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法，其特征在于，所述多域心率變異性特征包括hrv時域特征、hrv頻域特征和hrv非線性特征，所述hrv非線性特征包括心率不對稱性特征、龐培萊圖特征和多種熵復(fù)雜度。

5.根據(jù)權(quán)利要求4所述的一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法，其特征在于，

6.根據(jù)權(quán)利要求1所述的一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法，其特征在于，所述步驟s4包括：

7.根據(jù)權(quán)利要求6所述的一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法，其特征在于，所述個體的meq類型為睡眠節(jié)律類型，包括：偏向早睡的早鳥型、偏向晚睡的貓頭鷹型和中間類型。

8.根據(jù)權(quán)利要求7所述的一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法，其特征在于，所述睡眠節(jié)律狀態(tài)評估模型的構(gòu)建方法包括，

9.根據(jù)權(quán)利要求8所述的一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法，其特征在于，所述睡眠節(jié)律狀態(tài)評估模型的構(gòu)建方法還包括：

10.一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測裝置，包括存儲器、處理器，以及存儲于所述存儲器中的程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如權(quán)利要求1-9中任一所述的方法。

技術(shù)總結(jié)
本發(fā)明涉及一種基于長程信號和多特征提取的睡眠節(jié)律紊亂檢測方法及裝置，其中方法包括：步驟S1：獲得目標(biāo)用戶的生理信號，其中，生理信號至少包括心率；步驟S2：對生理信號進(jìn)行預(yù)處理和峰值提?。徊襟ES3：基于預(yù)處理后的生理信號提取根據(jù)處理后的信號利用多域特征提取算法進(jìn)行多域心率變異性特征提??；步驟S4：對提取的多域心率變異性特征進(jìn)行多域特征集構(gòu)建以及節(jié)律紊亂風(fēng)險類別劃分；步驟S5：利用隨機(jī)森林算法構(gòu)建睡眠節(jié)律狀態(tài)評估模型，對潛在的睡眠節(jié)律紊亂風(fēng)險進(jìn)行檢測。與現(xiàn)有技術(shù)相比，本發(fā)明具有在提高了準(zhǔn)確率的同時解決了需要頻繁采集生理信號的工作量的問題等優(yōu)點。

技術(shù)研發(fā)人員：楊晨熙,姚炎坤,顏昌,李建清,劉澄玉
受保護(hù)的技術(shù)使用者：東南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15