非接触式的睡眠分析方法、装置及存储介质

技术领域

本发明涉及睡眠监控领域，尤其涉及一种非接触式的睡眠分析方法、装置及存储介质。

背景技术

睡眠质量监测是智能医疗领域的重要方向，睡眠分期是评估睡眠质量的重要方法，根据美国睡眠医学会，一般将睡眠时期判读为清醒期(W期)、非快速眼球运动1期(N1期)、非快速眼球运动2期(N2期)、非快速眼球运动3期(N3期)、快速眼球运动期(R期)。睡眠中常出现异常呼吸事件也是睡眠监测的重点，根据睡眠障碍国际分类可将睡眠呼吸障碍分为阻塞性睡眠呼吸暂停、中枢性睡眠呼吸暂停综合征、睡眠相关肺泡低通气障碍。睡眠异常呼吸事件的检出为心脏病、脑卒中提供了早期预警。

心率信号和呼吸信号是睡眠监测中最重要的两种信号，植物神经系统受大脑皮质、下丘脑的支配，同时植物神经系统支配心血管系统，心血管系统又掌管着呼吸的调控，故人脑电活动可以反映在心脏活动、呼吸活动上。由心率信号提取的心率变异性(HRV)，由呼吸率提取的呼吸变异性(RRV)，其时域、频域和非线性域特征对睡眠分期、睡眠行为异常意义重大。

传统睡眠分期、呼吸异常事件检出使用多导睡眠图仪，其接触性使用特征给使用者带来了不适。此外，心电图机、利用光电容积描记法的指夹式血氧仪也需要接触使用，均不适用于新生儿、重度烧伤患者、睡眠场景下的患者监护。

发明内容

本发明实施例提供一种非接触式的睡眠分析方法、装置及存储介质，对心率和呼吸率进行非接触式提取和分析，将心率变异性和呼吸变异性提取特征值并同时输入划分模型和呼吸模型中，提高睡眠分析准确度。

本申请实施例的第一方面提供了一种非接触式的睡眠分析方法，所述方法包括：接收回波信号，消除所述回波信号中的直流分量和异常人体信号，得到包含人体胸腔信号和心脏前后运动信号的叠加信号；所述回波信号是利用超宽带雷达向用户人体的胸腔位置发射电磁波后得到的；

对所述叠加信号进行自适应噪声完备集合经验模态分解，得到呼吸信号和心动信号；

按照预设的时长间隔将所述呼吸信号和所述心动信号划分为多段，得到包含多段呼吸信号和多段心动信号的信号样本；

根据所述信号样本，计算得出所述多段呼吸信号对应的呼吸变异性特征和所述多段心动信号对应的心率变异性特征；

对所述呼吸变异性特征和所述心率变异性特征进行降维，得到最优特征集；

将所述最优特征集输入预设的划分模型和预设的呼吸模型，得到所述用户的睡眠分析结果；所述睡眠分析结果包括睡眠时期划分、异常睡眠呼吸状态分析和异常睡眠呼吸种类分析。

在第一方面的一种可能的实现方式中，所述根据所述信号样本，计算得出所述多段呼吸信号对应的呼吸变异性特征和所述多段心动信号对应的心率变异性特征，具体包括：

计算所述信号样本中每一段呼吸信号的BB间期、每一段心动信号的HH间期；所述BB间期是指呼吸信号的相邻峰值之间的时间差；所述HH间期指心动信号的相邻峰值之间的时间差；

根据多段呼吸信号的BB间期，得到所述多段呼吸信号对应的呼吸变异性特征；

根据多段心动信号的HH间期，得到所述多段心动信号对应的心率变异性特征。

在第一方面的一种可能的实现方式中，所述呼吸变异性特征包括呼吸变异性的时域、频域、非线性域特征；所述心率变异性特征包括心率变异性的时域、频域、非线性域特征。

在第一方面的一种可能的实现方式中，所述接收回波信号，消除所述回波信号中的直流分量和异常人体信号，得到包含人体胸腔信号和心脏前后运动信号的叠加信号，具体包括：

将所述回波信号减去所述回波信号的平均值；

对所述回波信号进行数据清洗，若所述回波信号中部分信号幅值大于预设填充阈值，对超出阈值的部分信号进行随机填充。

在第一方面的一种可能的实现方式中，所述对所述叠加信号进行自适应噪声完备集合经验模态分解，得到呼吸信号和心动信号，具体包括：

对所述叠加信号进行自适应噪声完备集合经验模态分解，选取信号分量提取出呼吸信号；

从所述回波信号中减去所述呼吸信号，使用自适应滑动能量时窗提取心率信号。

在第一方面的一种可能的实现方式中，所述对所述呼吸变异性特征和所述心率变异性特征进行降维，得到最优特征集，具体包括：

对所述心率变异性特征和所述呼吸变异性特征进行交叉熵分析，得到相似特征；

去除所述心率变异性特征和所述呼吸变异性特征之间的所述相似特征，得到剩余特征；

根据KL散度公式对所述剩余特征进行主成分分析，得到最优特征集。

在第一方面的一种可能的实现方式中，所述划分模型的建立过程为：

调用MIT数据集中的心电注释文件、呼吸注释文件、呼吸暂停注释文件和睡眠暂停注释文件；

根据所述心电注释文件、所述呼吸注释文件、所述呼吸暂停注释文件和所述睡眠暂停注释文件和预设的划分间隔，对所述MIT数据集进行时间重划分，划分成多段的带睡眠暂停标签或呼吸暂停标签的数据；每一段数据的长度和所述划分间隔一样；

计算所述MIT数据集中心电信号和呼吸信号的时域、频域、非线性域特征，构建划分特征集；

利用交叉熵衡量所述划分特征集中特征间的相似性，若两个特征间相似性超过第一相似阈值，保留两个特征中的一个，再对所述划分特征集进行主成分分析；

对所述划分特征集划分成划分训练集和划分测试集；

分别使用隐马尔可夫模型、随机森林和CNN的机器学习算法对所述划分训练集进行训练，使用软投票方式对每个机器学习算法输出的结果进行加权判决，得到所述划分模型。

在第一方面的一种可能的实现方式中，所述呼吸模型的建立过程为：

调用MIT数据集中的呼吸注释文件和呼吸暂停注释文件；

根据所述呼吸注释文件和所述呼吸暂停注释文件预设的呼吸间隔，对所述MIT数据集进行时间重划分，划分成多段的带呼吸暂停标签的数据，每一段数据的长度和所述呼吸间隔一样；

计算所述MIT数据集中呼吸信号的时域、频域、非线性域特征，构建呼吸特征集；

利用交叉熵衡量所述呼吸特征集中特征间的相似性，若两个特征间相似性超过第二相似阈值，保留两个特征中的一个，再对所述呼吸特征集进行主成分分析；

对所述呼吸特征集划分成呼吸训练集和呼吸测试集；

分别使用隐马尔可夫模型、随机森林和CNN的机器学习算法对所述呼吸训练集进行训练，使用软投票方式对每个机器学习算法输出的结果进行加权判决，得到所述呼吸模型。

本申请实施例的第二方面提供了一种非接触式的睡眠分析装置，包括：

接收模块，用于接收回波信号，消除所述回波信号中的直流分量和异常人体信号，得到包含人体胸腔信号和心脏前后运动信号的叠加信号；所述回波信号是利用超宽带雷达向用户人体的胸腔位置发射电磁波后得到的；

分解模块，用于对所述叠加信号进行自适应噪声完备集合经验模态分解，得到呼吸信号和心动信号；

划分模块，用于按照预设的时长间隔将所述呼吸信号和所述心动信号划分为多段，得到包含多段呼吸信号和多段心动信号的信号样本；

提取模块，用于根据所述信号样本，计算得出所述多段呼吸信号对应的呼吸变异性特征和所述多段心动信号对应的心率变异性特征；

降维模块，用于对所述呼吸变异性特征和所述心率变异性特征进行降维，得到最优特征集；

分析模块，用于将所述最优特征集输入预设的划分模型和预设的呼吸模型，得到所述用户的睡眠分析结果；所述睡眠分析结果包括睡眠时期划分、异常睡眠呼吸状态分析和异常睡眠呼吸种类分析。

本申请实施例的第三方面提供了一种计算机可读存储介质，包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例所述的非接触式的睡眠分析方法。

相比于现有技术，本发明实施例提供的非接触式的睡眠分析方法、装置及存储介质，利用超宽带雷达非接触地捕捉到人体由呼吸、心跳引起的胸腔运动，提取初心率、呼吸信号，利用呼吸信号检测呼吸异常事件，并利用心率变异性(HRV)、呼吸率变异性(RRV)进行睡眠分期和呼吸异常事件检出，得到睡眠分析结果。

在进行睡眠分析之前，利用相对熵分析和主成分分析对心率变异性和呼吸率变异性特征进行降维，减少训练特征，提高计算速率；在睡眠分析过程中，将心率变异性和呼吸率变异性特征构成的特征集输入划分模型和呼吸模型中，提高了睡眠分析的准确度。

附图说明

图1是本发明一实施例提供的一种非接触式的睡眠分析方法的流程示意图；

图2是本发明一实施例提供的一种呼吸模型和一种划分模型建立的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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围。

请参照图1，本发明实施例一种非接触式的睡眠分析方法，所述方法包括：

S10、接收回波信号，消除所述回波信号中的直流分量和异常人体信号，得到包含人体胸腔信号和心脏前后运动信号的叠加信号；所述回波信号是利用超宽带雷达向用户人体的胸腔位置发射电磁波后得到的。

S11、对所述叠加信号进行自适应噪声完备集合经验模态分解，得到呼吸信号和心动信号；

S12、按照预设的时长间隔将所述呼吸信号和所述心动信号划分为多段，得到包含多段呼吸信号和多段心动信号的信号样本。

S13、根据所述信号样本，计算得出所述多段呼吸信号对应的呼吸变异性特征和所述多段心动信号对应的心率变异性特征。

S14、对所述呼吸变异性特征和所述心率变异性特征进行降维，得到最优特征集。

S15、将所述最优特征集输入预设的划分模型和预设的呼吸模型，得到所述用户的睡眠分析结果；所述睡眠分析结果包括睡眠时期划分、异常睡眠呼吸状态分析和异常睡眠呼吸种类分析。

在实际应用中，超宽带雷达的一般放置在床下且对准睡姿人体的胸腔位置。S10中所述异常人体信号包括体动信号。

划分模型和呼吸模型相当于一个分类器，这个分类器将HRV特征和BRV特征所形成的最优特征集进行分类处理，提高睡眠分析的准确度。

本实施例利用超宽带雷达非接触地捕捉到人体由呼吸、心跳引起的胸腔运动，提取初心率、呼吸信号，利用呼吸信号检测呼吸异常事件，并利用心率变异性(HRV)、呼吸率变异性(RRV)进行睡眠分期和呼吸异常事件检出，得到睡眠分析结果。

在进行睡眠分析之前，利用相对熵分析和主成分分析对心率变异性和呼吸率变异性特征进行降维，减少训练特征，提高计算速率；在睡眠分析过程中，将心率变异性和呼吸率变异性特征构成的特征集输入划分模型和呼吸模型中，提高了睡眠分析的准确度。

示例性地，S10具体包括：

S100、将所述回波信号减去所述回波信号的平均值。

S101、对所述回波信号进行数据清洗，若所述回波信号中部分信号幅值大于预设填充阈值，对超出阈值的部分信号进行随机填充。

S100中减去所述回波信号的平均值可以有效地消除所述回波信号中的直流分量，S101中对回波信号进行数据清洗，可以消除由于体动引起的大幅度噪声。

需要说明的是，对超出阈值的部分信号进行随机填充将不会对经验模态分解和滑动能量时窗造成影响，但是可能会使呼吸判决时对该段判决为呼吸暂停，所以后续在呼吸暂停的判决时间可能要考虑这方面的影响。

示例性地，S11具体包括：

S110、对所述叠加信号进行自适应噪声完备集合经验模态分解，选取信号分量提取出呼吸信号；

S111、从所述回波信号中减去所述呼吸信号，使用自适应滑动能量时窗提取心率信号。

对信号进行自适应噪声完备集合经验模态分解(CEEMD)分解，选取合适的IMF分量提取出呼吸信号；从回波信号中减去呼吸率信号，使用自适应滑动能量时窗提取心率信号，简述如下：

(1)经处理的回波信号S经CEEMD分解，选取合适的IMF分量，作为呼吸信号S

(2)对混叠了噪声的心动信号进行傅里叶变换，取频域中峰值最大的频率记为f

(3)使用长短两个滑动时窗对混叠了噪声的心动信号进行相对能量计算，其中长窗宽W

需要注意的是，现有的滤波模型大多使用带通滤波或是小波分析，在处理时已将心率变异性、呼吸率变异性随噪声一起平滑，由于特征的损失故不能取得良好的分类效果。而本实施例采用了自适应滑动能量时窗。自适应滑动能量时窗的自适应体现在长窗的窗宽选取是自适应的。滑动能量时窗法是为了抑制噪声提高信噪比。因为如果对信号进行频域滤波，或是使用现代滤波器滤波，都会使RR间期变得平滑，从而影响特征信号。

示例性地，S13具体包括：

S130、计算所述信号样本中每一段呼吸信号的BB(breath to breath)间期、每一段心动信号的HH(heart beat to heart beat)间期；所述BB间期是指呼吸信号的相邻峰值之间的时间差；所述HH间期指心动信号的相邻峰值之间的时间差。

S131、根据多段呼吸信号的BB间期，得到所述多段呼吸信号对应的呼吸变异性特征。

S132、根据多段心动信号的HH间期，得到所述多段心动信号对应的心率变异性特征。

示例性地，S131中所述呼吸变异性特征包括呼吸变异性的时域、频域、非线性域特征；S132中所述心率变异性特征包括心率变异性的时域、频域、非线性域特征。

示例性地，S14具体包括：

S140、对所述心率变异性特征和所述呼吸变异性特征进行交叉熵分析，得到相似特征；

S141、去除所述心率变异性特征和所述呼吸变异性特征之间的所述相似特征，得到剩余特征；

S142、根据KL散度公式对所述剩余特征进行主成分分析，得到最优特征集。

一般而言，所述呼吸变异性特征包括呼吸变异性的时域、频域、非线性域特征；所述心率变异性特征包括心率变异性的时域、频域、非线性域特征。

对得到的心率变异性(HRV)、呼吸变异性(RRV)的时域、频域、非线性域特征进行交叉熵(或称相对熵Relative Entropy,或称KL散度Kullback-Leibler Divergence)分析，去除两种信号所提取特征间的相似特征；再对剩余特征进行主成分分析，达成降维效果。

KL散度公式：

请参见图2，示例性地，所述划分模型的建立过程为：

调用MIT数据集中的心电注释文件、呼吸注释文件、呼吸暂停注释文件和睡眠暂停注释文件。

根据所述心电注释文件、所述呼吸注释文件、所述呼吸暂停注释文件和所述睡眠暂停注释文件和预设的划分间隔，对所述MIT数据集进行时间重划分，划分成多段的带睡眠暂停标签或呼吸暂停标签的数据；每一段数据的长度和所述划分间隔一样。

计算所述MIT数据集中心电信号和呼吸信号的时域、频域、非线性域特征，构建划分特征集。

利用交叉熵衡量所述划分特征集中特征间的相似性，若两个特征间相似性超过第一相似阈值，保留两个特征中的一个，再对所述划分特征集进行主成分分析。

对所述划分特征集划分成划分训练集和划分测试集。

分别使用隐马尔可夫模型、随机森林和CNN的机器学习算法对所述划分训练集进行训练，使用软投票方式对每个机器学习算法输出的结果进行加权判决，得到所述划分模型。

需要说明的是，图2中所述分类模型是划分模型与呼吸模型的组合模型，这个组合模型相当于一个分类器，它能对最优特征集进行分类分析，进而得到睡眠分析结果。

请参见图2，示例性地，所述呼吸模型的建立过程为：

调用MIT数据集中的呼吸注释文件和呼吸暂停注释文件。

根据所述呼吸注释文件和所述呼吸暂停注释文件预设的呼吸间隔，对所述MIT数据集进行时间重划分，划分成多段的带呼吸暂停标签的数据，每一段数据的长度和所述呼吸间隔一样。

计算所述MIT数据集中呼吸信号的时域、频域、非线性域特征，构建呼吸特征集。

利用交叉熵衡量所述呼吸特征集中特征间的相似性，若两个特征间相似性超过第二相似阈值，保留两个特征中的一个，再对所述呼吸特征集进行主成分分析。

对所述呼吸特征集划分成呼吸训练集和呼吸测试集。

分别使用隐马尔可夫模型、随机森林和CNN的机器学习算法对所述呼吸训练集进行训练，使用软投票方式对每个机器学习算法输出的结果进行加权判决，得到所述呼吸模型。

本申请另一实施例的提供一种非接触式的睡眠分析装置，包括接收模块、分解模块、划分模块、提取模块、降维模块和分析模块。

所述接收模块，用于接收回波信号，消除所述回波信号中的直流分量和异常人体信号，得到包含人体胸腔信号和心脏前后运动信号的叠加信号；所述回波信号是利用超宽带雷达向用户人体的胸腔位置发射电磁波后得到的；

所述分解模块，用于对所述叠加信号进行自适应噪声完备集合经验模态分解，得到呼吸信号和心动信号；

所述划分模块，用于按照预设的时长间隔将所述呼吸信号和所述心动信号划分为多段，得到包含多段呼吸信号和多段心动信号的信号样本；

所述提取模块，用于根据所述信号样本，计算得出所述多段呼吸信号对应的呼吸变异性特征和所述多段心动信号对应的心率变异性特征；

所述降维模块，用于对所述呼吸变异性特征和所述心率变异性特征进行降维，得到最优特征集；

所述分析模块，用于将所述最优特征集输入预设的划分模型和预设的呼吸模型，得到所述用户的睡眠分析结果；所述睡眠分析结果包括睡眠时期划分、异常睡眠呼吸状态分析和异常睡眠呼吸种类分析。

本发明另一实施例一种计算机可读存储介质，包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例所述的非接触式的睡眠分析方法。

本发明实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。