一种睡眠异常状态的检测方法及系统

技术领域

本发明涉及计算机科学技术领域，尤其涉及一种睡眠异常状态的检测方法及系统。

背景技术

人的一生中，近三分之一的时间是在睡眠中度过的，在睡眠期间，人体的心跳速度和呼吸速度都会放缓，心率数据和呼吸率数据会低于人清醒时的数据。人在睡眠中，很难意识到自身的呼吸率和心率出现了异常，一种能够在人睡眠时对异常心率和呼吸率做出提醒的方法可以大大提高人对于自己睡眠状况的了解程度。

目前已有的投入使用的心率和呼吸率异常检测方法，主要使用了多导睡眠分析仪。多导睡眠分析仪能够监测包括心电图、肌电图、眼动图、胸式和腹式呼吸张力图、鼻及口通气量、体位体动、血氧饱和度以及阴茎海绵体肌容积在内的10余个通道的生理信号，但是使用多导睡眠分析仪时，需要病人留院观察，并且人力成本较高，无法用到日常的睡眠监测中。

现有技术：专利申请号“202080067362.6”，申请日为：2020年09月23日，专利名称：基于各种生理诊断状态确定不良健康事件的可能性；现有技术直接计算身体出现异常的概率，详细来说，以心率和呼吸率为例，在现有技术中，如果将心率和呼吸率作为其中所述的生理特征，在概率模型学习阶段，现有技术会学习模型计算在给定心率和呼吸率的条件下，身体异常的概率，即：

P(health|heart＝(...)，breath＝(...))

学习到的模型将时序的心率和呼吸率作为输入，将身体异常的概率作为输出。将身体异常的概率与阈值进行对比，进行监测。

更详细的，现有技术的模型输入是序列的心率和呼吸率数据，输出是身体异常的概率，即：

P＝f(heart

其中，i等于0-N，公式表示输入是N个时刻的呼吸率和心率数据，输出的P就是直接用来对比的身体异常概率。f为混合高斯模型公式。其在概率模型学习部分本质上学习的是在给定条件下，身体健康的概率分布模型。

现有技术中学习模型较为复杂，训练速度较慢，适应场景也相对单调。

发明内容

本发明提供一种成本更低，并且能够用于日常生活中的呼吸率和心率异常提醒方法，用于监测人的日常睡眠，在夜间睡眠时间段内，如果发生了心率和呼吸率异常的情况，将会做出提醒。

一种睡眠异常状态的检测方法，包括如下步骤：

步骤1，收集人体夜间睡眠时间段心率和呼吸率的历史数据；

步骤2，根据所述历史数据确定数据概率分布的假设，初步确定概率密度函数的形式；

步骤3，根据所述历史数据和所述数据概率分布的假设，学习出概率密度函数中的参数；

步骤4，对于新出现的数据，根据学习出的概率密度函数，计算出该数据在所述历史数据中出现的概率；

步骤5，通过计算出的概率判断心率和呼吸率是否异常并做出提醒；

步骤6，判断所述数据概率分布假设是否发生了改变，如果发生了改变，则重新采集数据，确定新的概率密度函数的参数。

进一步地，所述步骤1包括：

步骤1.1，测量设备在每晚收集传感器给出的人体状态变化的基础数据；

步骤1.2，通过传感器给出的基础数据计算人体的心率和呼吸率数据；

步骤1.3，将计算所得的心率和呼吸率数据进行整理，并存储到数据库中，作为历史数据；

步骤1.4，不断重复步骤S1.1和步骤S1.2，直到收集到的数据满足预设数据的数量。

进一步地，步骤S2包括：

步骤2.1，分析采集到的呼吸率和心率的历史数据，根据所述历史数据的样本分布，对呼吸率和心率的数据概率分布做出假设。

进一步地，步骤2包括：

呼吸率和心率的所述概率密度函数f(x)假设公式为：

其中，σ和μ是需要通过历史数据确定的参数，x是当前出现的呼吸率和心率，即假设呼吸率和心率的数据分布符合一个高斯分布X～N(μ，σ

进一步地，所述步骤3包括：

步骤3.1，根据所述历史数据和数据概率分布的假设，计算联合概率密度；

步骤3.2，根据所述联合概率密度，通过最大似然估计，计算出概率密度函数f(x)的参数。

进一步地，步骤3.1，根据历史数据和假设的概率密度函数，计算联合概率密度函数的公式为：

其中，n是历史数据的数量；

步骤3.2，对3.1中的联合概率密度做最大似然估计的公式为：

max

可以算得概率密度函数的参数为：

进一步地，所述步骤4包括：

步骤4.1，将步骤3中计算到的概率密度函数的参数代入到概率密度函数的假设公式中，确定函数f(x)；

步骤4.2，对于新出现的第一新数据x

p(x

步骤4.3，利用计算出的概率判断所述第一新数据是否在原数据分布的正常范围内，如果在正常范围内，则不做出提醒，跳过步骤5，如果不在正常范围内，则做出提醒。

进一步地，所述步骤4.1，通过步骤3计算出的参数，确定呼吸率和心率数据的分布x～N(μ，σ

所述步骤4.2，对于新出现的心率数据/呼吸率数据x

所述步骤4.3，根据概率判断是否要对人体状况做出提醒。

进一步地，所述步骤5包括：

步骤5.1，根据具体的心率和呼吸率的分布情况，设定不同的概率阈值p

步骤5.2，将步骤4中计算出的概率p与步骤5.1中设定的概率阈值进行对比，确定新出现的异常数据的异常程度，做出不同的提醒行为。

进一步地，所述步骤6包括：

步骤6.1，设定一个联合概率密度阈值；

步骤6.2，随机抽样一批新出现的数据作为第二新数据；

步骤6.3，通过概率密度函数计算所述第二新数据的联合概率；

步骤6.4，将所述第二新数据的联合概率与所述联合概率密度阈值进行对比，如果所述第二新数据的联合概率小于所述联合概率密度阈值，则重新采集一批数据，更新概率密度函数参数。

进一步地，所述步骤6包括：

步骤6.1，设定联合概率密度的阈值为∈；

步骤6.2，收集一段时间内人体的呼吸率和心率数据；

步骤6.3，计算收集到的联合概率密度的公式为：

步骤6.4，将所述联合概率密度与所述阈值∈进行对比，如果联合概率密度小于∈，则重新采集一段更长时间内的人体心率和呼吸率数据，确定概率密度函数的参数。

一种睡眠异常状态的检测系统，包括：

历史数据获取单元：用于收集人体夜间睡眠时间段心率和呼吸率的历史数据；

特征学习模块：用于根据所述历史数据确定数据概率分布的假设，初步确定概率密度函数的形式；并根据所述历史数据和所述数据概率分布的假设，学习出概率密度函数中的参数；以及判断所述数据概率分布假设是否发生了改变，如果发生了改变，则重新采集数据，确定新的概率密度函数的参数；

计算模块：对于新出现的数据，根据学习出的概率密度函数，计算出该数据在所述历史数据中出现的概率；

分类提醒模块：通过计算出的概率判断心率和呼吸率是否异常分类并做出提醒。

本方案的有益效果是：

本发明使用异常检测技术，通过历史数据分析出人体呼吸率和心率的概率分布，当新的一条数据出现时，计算当前数据出现的概率，如果在得到的概率分布中，出现这条数据的概率很小，就认为这条数据是异常数据。当一段时间内出现的数据都是异常数据时，则做出提醒。本技术方案训练速度快，并且训练所需数据量小于现有技术；得到概率模型后，使用环境比较灵活。可根据不同分布的特性和参数做相应的处理；可以对实时数据进行处理，做到实时提醒。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例的异常状态检测方法的流程示意图；

图2为本发明实施例的在智能床上采用异常状态检测方法的流程示意图；

图3为本发明实施例的步骤1收集历史数据的流程示意图；

图4为本发明实施例的步骤5判断心率和呼吸率是否异常的流程示意图。

具体实施方式

下面结合附图对本发明作进一步详细描述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

在上下文中所称“服务器”是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备，其可以包括处理器与存储器，由处理器执行在存储器中预存的程序指令来执行预定处理过程，或是由ASIC、FPGA、DSP等硬件执行预定处理过程，或是由上述二者组合来实现。

其中，所述用户设备包括但不限于智能手机、PDA、PC、笔记本电脑等；所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，所述计算机设备可单独运行来实现本申请，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本申请。其中，所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。

本发明在使用异常检测方法检测数据异常时，采用机器学习，其会使用基于大数据的方式学习心率和呼吸率的数据分布，除了使用本发明提到的最大似然估计方法学习数据分布外，还可以使用其他基于大数据的方法比如基于神经网络，线性回归的方式学习心率和呼吸率的数据分布。

如图1所示，一种睡眠异常状态的检测方法，包括如下步骤：

步骤1，收集人体夜间睡眠时间段心率和呼吸率的历史数据；

步骤2，根据所述历史数据确定数据概率分布的假设，初步确定概率密度函数的形式；

步骤3，根据所述历史数据和所述数据概率分布的假设，学习出概率密度函数中的参数；

步骤4，对于新出现的数据，根据学习出的概率密度函数，计算出该数据在所述历史数据中出现的概率；

步骤5，通过计算出的概率判断心率和呼吸率是否异常并做出提醒；

步骤6，判断所述数据概率分布假设是否发生了改变，如果发生了改变，则重新采集数据，确定新的概率密度函数的参数。

本实施例中，采用了判别式的方法，从数据本身出发，直接学习事件本身发生的概率(心率和呼吸率的概率密度函数)，而不是身体异常的概率。在获得概率模型后，相较于现有技术是基于身体出现异常的概率，直接与预先设定的异常概率值进行比较。而本发明对于每一个新出现的数据(心率和呼吸率)，需要计算该数据出现的概率，并进行判断。实时地监测人体数据，并实时给出反馈的提醒方法，针对出现每一条新数据都会有对应的是否提醒的决策。在本发明的实例中，直接利用了分布性质，不需要计算概率，在判断异常状态的训练量更小，装置反应更快，使用场景更多，泛用性更高。

如图2所示，进一步地，所述步骤1包括：

步骤1.1，测量设备在每晚收集传感器给出的人体状态变化的基础数据；

步骤1.2，通过传感器给出的基础数据计算人体的心率和呼吸率数据；

步骤1.3，将计算所得的心率和呼吸率数据进行整理，并存储到数据库中,作为历史数据；

步骤1.4，不断重复步骤S1.1和步骤S1.2，直到收集到的数据满足预设数据的数量。本实施例中，预设数量采用7天内，并通过智能床作为采集心率和呼吸率的传感器装置。在一个具体的使用案例中，如图3所示，我们采集了使用者7天的数据，当使用者开始正常使用智能床时，智能床开始收集每晚使用者夜间的心率和呼吸率数据：

heart＝(heart

并将这些数据保存在数据库中，当有效数据达到一定数据量时，利用数据库中的数据，估计使用者的心率和呼吸率数据分布。测试者每晚的心率和呼吸数据作为历史数据，存储到数据库，数据库可以是建立在服务器上。在本发明的实例中，通过数据估计出：

heart～N(μ

其中，N代表正态分布，μ和σ为通过数据估计出的正态分布的参数。在本发明的实例中：

呼吸率对应参数的计算方式和心率相同；在得到概率的分布后，使用μ和σ判断使用者的心率是否出现了异常。

在更具体的一个实例中，以心率为例：使用者前几天的数据被记录在数据库中，当数据达到一定数量时，本发明计算出用户的平均心率为60，方差为25，当某一时刻使用者的心率为80时，超过了我们设定的关于平均心率和方差的函数所决定的阈值，并对该用户做出提醒。

进一步地，步骤S2包括：

步骤2.1，分析采集到的呼吸率和心率的历史数据，根据所述历史数据的样本分布，对呼吸率和心率的数据概率分布做出假设。

进一步地，步骤2包括：

呼吸率和心率的所述概率密度函数f(x)假设公式为：

其中，σ和μ是需要通过历史数据确定的参数，x是当前出现的呼吸率和心率，即假设呼吸率和心率的数据分布符合一个高斯分布X～N(μ，σ

进一步地，所述步骤3包括：

步骤3.1，根据所述历史数据和数据概率分布的假设，计算联合概率密度；

步骤3.2，根据所述联合概率密度，通过最大似然估计，计算出概率密度函数f(x)的参数。本实施例中，在最大似然估计中，我们假设观察到的历史数据是从一个已知的概率分布中独立分布地生成的。然后，我们寻找能够最大化观察到的数据出现的概率的参数值。这个概率可以通过将参数值代入概率密度函数(对于连续分布)来计算。最大似然估计的目标是找到最大化似然函数(1ikelihood function)的参数值。似然函数是参数的函数，表示在给定参数下观察到数据的概率。

进一步地，步骤3.1，根据历史数据和假设的概率密度函数，计算联合概率密度函数的公式为：

其中，n是历史数据的数量；本实施例中，采用X作为历史数据的数量

步骤3.2，对3.1中的联合概率密度做最大似然估计的公式为：

max

可以算得概率密度函数的参数为：

进一步地，所述步骤4包括：

步骤4.1，将步骤3中计算到的概率密度函数的参数代入到概率密度函数的假设公式中，确定函数f(x)；

步骤4.2，对于新出现的第一新数据x

p(x

在本实施例中，呼吸率的μ值范围在20到30之间，σ范围在3到5之间。心率的μ值范围在60到80之间，σ范围在5到1o之间。

步骤4.3，利用计算出的概率判断所述第一新数据是否在原数据分布的正常范围内，如果在正常范围内，则不做出提醒，跳过步骤5，如果不在正常范围内，则做出提醒。

在本实例中，将正常范围设定为概率大于0.05。

进一步地，所述步骤4.1，通过步骤3计算出的参数，确定呼吸率和心率数据的分布x～N(μ，σ

所述步骤4.2，对于新出现的心率数据/呼吸率数据x

所述步骤4.3，根据概率判断是否要对人体状况做出提醒。当计算出的概率值小于0.05时，做出提醒。本实施中，利用了高斯分布的3σ原则，通过分布的均值和方差来判断是否要做出提醒，当新出现的数据和参数μ的距离不超过εσ时，认为数据是一个合理的数据，不做出提醒，当新出现的数据和参数μ的距离超过εσ时，认为数据是一个不合理的数据，做出提醒。其中，ε是一个参数，用来控制本发明的灵敏度。

进一步地，所述步骤5包括：

步骤5.1，根据具体的心率和呼吸率的分布情况，设定不同的概率阈值p

步骤5.2，将步骤4中计算出的概率p与步骤5.1中设定的概率阈值进行对比，确定新出现的异常数据的异常程度，做出不同的提醒行为。在本发明的一个具体实施实例中，参考假设检验中的置信度原则，将概率阈值设定为

如图4所示，进一步地，所述步骤6包括：

步骤6.1，设定一个联合概率密度阈值；

步骤6.2，随机抽样一批新出现的数据作为第二新数据；

步骤6.3，通过概率密度函数计算所述第二新数据的联合概率；

步骤6.4，将所述第二新数据的联合概率与所述联合概率密度阈值进行对比，如果所述第二新数据的联合概率小于所述联合概率密度阈值，则重新采集一批数据，更新概率密度函数参数。

进一步地，所述步骤6包括：

步骤6.1，设定联合概率密度的阈值为∈；

步骤6.2，收集一段时间内人体的呼吸率和心率数据；

步骤6.3，计算收集到的联合概率密度的公式为：

步骤6.4，将所述联合概率密度与所述阈值∈进行对比，如果联合概率密度小于∈，则重新采集一段更长时间内的人体心率和呼吸率数据，确定概率密度函数的参数。其中，∈是基于步骤3.2中的联合概率密度计算的，在本发明实例中，将∈设为了0.6*log(p(x

本发明的关键点在于将异常检测方法用于夜间呼吸率和心率的检测上，通过历史数据，使用基于大数据的方法学习出夜间睡眠期间呼吸率和心率的数据分布。通过学习出的数据分布判断新出现的数据异常的概率，根据计算出的概率判断是否要对当前的心率和呼吸率数据做出提醒。

通过最大似然估计，根据历史数据学习夜间睡眠期间心率、呼吸率数据分布的方法；在获得夜间睡眠期间心率、呼吸率数据分布后，根据数据分布特性，通过计算出现的数据在数据分布中出现的概率，来判断是否出现异常的方法。

进一步地，本发明还包括基于以上睡眠异常状态的检测系统，包括：

历史数据获取单元：用于收集人体夜间睡眠时间段心率和呼吸率的历史数据；

特征学习模块：用于根据所述历史数据确定数据概率分布的假设，初步确定概率密度函数的形式；并根据所述历史数据和所述数据概率分布的假设，学习出概率密度函数中的参数；以及判断所述数据概率分布假设是否发生了改变，如果发生了改变，则重新采集数据，确定新的概率密度函数的参数；

计算模块：对于新出现的数据，根据学习出的概率密度函数，计算出该数据在所述历史数据中出现的概率；

分类提醒模块：通过计算出的概率判断心率和呼吸率是否异常分类并做出提醒。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。