基于生理信号的醒睡检测方法、装置、设备以及存储介质

1.本发明涉及信号处理技术领域，特别涉及是一种基于生理信号的醒睡检测方法、装置、设备以及存储介质。


背景技术：

2.睡眠呼吸暂停综合征是一种常见的睡眠障碍疾病，患者在睡眠期间会多次停止呼吸，严重时次数可达上百次。这将使大脑和人体其他器官严重缺氧，从而增大高血压、冠心病、心律失常等重大危险疾病的患病风险。报告均表明睡眠呼吸疾病与心血管疾病的诱发有着紧密联系，若对患有睡眠呼吸暂停综合征的人群进行尽可能早的心脏功能监测，这对患者后续诱发心血管疾病事件的预防以及之后的治疗有着重大的意义；
3.对于在睡眠期间存在较多短时觉醒片段的目标人群，采用现有的压电传感的睡眠监测方法对该目标人群的睡眠状态进行分析时，往往会将短时觉醒片段判断为睡眠状态，无法对该目标人群的睡眠状态进行准确、有效的分析。


技术实现要素：

4.基于此，本发明的目的在于，提供一种基于生理信号的醒睡检测方法、装置、设备以及存储介质，基于生理信号，获取用户的不同时间尺度下对应的特征向量，根据特征向量训练神经网络模型，获取训练后的神经网络模型输出的不同时间尺度下对应的醒睡检测序列，并根据预设的第一醒睡检测阈值，对醒睡检测序列中各个醒睡检测向量打上醒睡标签，根据各个醒睡检测向量对应的醒睡标签，精准地获取用户的醒睡检测结果，从而能够有效地对用户的睡眠状态进行分析。
5.第一方面，本技术实施例提供了一种基于生理信号的醒睡检测方法，包括以下步骤：
6.获取用户的生理信号，根据预设的若干个不同的时间尺度，从所述生理信号中提取若干个不同时间尺度下的呼吸信号、心冲击图信号以及体动信号；
7.获取所述呼吸信号、心冲击图信号以及体动信号在若干个不同时间尺度下对应的特征向量，其中，所述特征向量包括心率特征、呼吸率特征、心率呼吸率互相关系数以及体动特征；
8.将同一时间尺度下的所述特征向量输入至预设的神经网络模型，对所述神经网络模型进行前向传播训练以及后向传播训练，根据所述后向传播训练的结果，更新所述神经网络模型的权重，获取训练后的神经网络模型；
9.将所述若干个不同时间尺度下对应的特征向量输入至所述训练后的神经网络模型，获取若干个不同时间尺度下对应的醒睡检测序列，其中，所述醒睡检测序列包括若干个醒睡检测向量；
10.根据所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的值以及预设的第一醒睡检测阈值，获取所述若干个不同时间尺度下对应的醒睡检测序列
中每个醒睡检测向量对应的醒睡标签，其中，所述醒睡标签包括觉醒标签以及睡眠标签；
11.获取所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的觉醒标签的数目以及睡眠标签数目，根据所述觉醒标签的数目以及睡眠标签数目，获取醒睡检测结果。
12.第二方面，本技术实施例提供了一种基于生理信号的醒睡检测装置，包括：
13.信号获取模块，用于获取用户的生理信号，根据预设的若干个不同的时间尺度，从所述生理信号中提取若干个不同时间尺度下的呼吸信号、心冲击图信号以及体动信号；
14.特征向量获取模块，用于获取所述呼吸信号、心冲击图信号以及体动信号在若干个不同时间尺度下对应的特征向量，其中，所述特征向量包括心率特征、呼吸率特征、心率呼吸率互相关系数以及体动特征；
15.模型训练模块，用于将同一时间尺度下的所述特征向量输入至预设的神经网络模型，对所述神经网络模型进行前向传播训练以及后向传播训练，根据所述后向传播训练的结果，更新所述神经网络模型的权重，获取训练后的神经网络模型；
16.检测序列获取模块，用于将所述若干个不同时间尺度下对应的特征向量输入至所述训练后的神经网络模型，获取若干个不同时间尺度下对应的醒睡检测序列，其中，所述醒睡检测序列包括若干个醒睡检测向量；
17.标签获取模块，用于根据所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的值以及预设的第一醒睡检测阈值，获取所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的醒睡标签，其中，所述醒睡标签包括觉醒标签以及睡眠标签；
18.检测模块，用于获取所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的觉醒标签的数目以及睡眠标签数目，根据所述觉醒标签的数目以及睡眠标签数目，获取醒睡检测结果。
19.第三方面，本技术实施例提供了一种计算机设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于生理信号的醒睡检测方法的步骤。
20.第四方面，本技术实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于生理信号的醒睡检测方法的步骤。
21.在本技术实施例中，提供一种基于生理信号的醒睡检测方法、装置、设备以及存储介质，基于生理信号，获取用户的不同时间尺度下对应的特征向量，根据特征向量训练神经网络模型，获取训练后的神经网络模型输出的不同时间尺度下对应的醒睡检测序列，并根据预设的第一醒睡检测阈值，对醒睡检测序列中各个醒睡检测向量打上醒睡标签，根据各个醒睡检测向量对应的醒睡标签，精准地获取用户的醒睡检测结果，从而能够有效地对用户的睡眠状态进行分析。
22.为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
23.图1为本技术一个实施例提供的基于生理信号的醒睡检测方法的流程示意图；
24.图2为本技术一个实施例提供的基于生理信号的醒睡检测方法的流程中s1的示意图；
25.图3为本技术一个实施例提供的基于生理信号的醒睡检测方法的流程中s104的示意图；
26.图4为本技术一个实施例提供的基于生理信号的醒睡检测方法的流程中s2的示意图；
27.图5为本技术一个实施例提供的基于生理信号的醒睡检测方法中s3的流程示意图；
28.图6为本技术另一个实施例提供的基于生理信号的醒睡检测方法的流程示意图；
29.图7为本技术一个实施例提供的基于生理信号的醒睡检测装置的结构示意图；
30.图8为本技术一个实施例提供的计算机设备的结构示意图。
具体实施方式
31.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
32.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
33.应当理解，尽管在本技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
34.请参阅图1，图1为本技术一个实施例提供的基于生理信号的醒睡检测方法的流程示意图，所述方法包括如下步骤：
35.s1：获取用户的生理信号，根据预设的若干个不同的时间尺度，从所述生理信号中提取若干个不同时间尺度下的呼吸信号、心冲击图信号以及体动信号。
36.所述基于生理信号的醒睡检测方法的执行主体为基于生理信号的醒睡检测方法的检测设备(以下简称检测设备)，在一个可选的实施例中，检测设备可以是一台计算机设备，可以是服务器，或多台计算机设备联合而成的服务器机群。
37.检测设备可以通过在预设的数据库中进行查询，获取用户的生理信号，也可以通过光电容积脉搏波传感器或加速度传感器来获取用户的生理信号
38.在本实施例中，检测设备通过滤波的方式，并采用10秒、20秒以及30秒，作为所述时间尺度，对所述生理信号进行滤波处理，从所述生理信号中提取呼吸信号、心冲击图信号以及体动信号。
39.由于生理信号中存在混叠呼吸噪声、工频噪声和运动伪影等干扰，由于生理信号
中的高斯噪声和工频噪声的能量均在20hz以上，检测设备在提取呼吸信号、心冲击图信号以及体动信号之前，通过滤波器去除所述生理信号中的工频干扰以及基线偏移，获取处理后的生理信号，从而更好地从所述生理信号中分离出呼吸信号、心冲击图信号以及体动信号。
40.请参阅图2，图2为本技术一个实施例提供的基于生理信号的醒睡检测方法的流程中s1的示意图，包括步骤s101～s103，具体如下：
41.s101：对所述若干个不同的时间尺度的生理信号进行重采样，获取重采样后的若干个不同的时间尺度的生理信号。
42.在本实施例中，检测设备先将所述获取的用户的生理信号重采样至100hz，获取重采样后的若干个不同的时间尺度的生理信号，以保证信号不失真的前提下提高运算速度。
43.s102：根据所述重采样后的若干个不同的时间尺度的生理信号，获取若干个不同的时间尺度的呼吸信号。
44.由于生理信号的能量主要在0到50hz，其中呼吸信号的能量频谱范围在0.01到1hz，而心冲击图信号的能量频谱范围主要在1到10hz，检测设备可以通过滤波的方式，对所述生理信号进行滤波处理，分离出呼吸信号。
45.在本实施例中，检测设备采用低通滤波器，根据所述重采样后的若干个不同的时间尺度的生理信号。
46.s103：根据所述重采样后的若干个不同的时间尺度的生理信号以及预设的第一小波函数，获取若干个不同的时间尺度的第一生理信号，作为所述若干个不同的时间尺度的心冲击图信号。
47.在本实施例中，检测设备采用小波滤除方法，根据所述重采样后的若干个不同的时间尺度的生理信号以及预设的第一小波函数，获取若干个不同的时间尺度的心冲击图信号，其中，所述第一小波函数为近似对称的紧支集正交小波函数sym，消失矩设置为8，分解层数设置为3，
48.检测设备根据所述第一小波函数，获取各个分解层数对应的所述重采样后的若干个不同的时间尺度的生理信号的第一高频细节系数组以及第一低频近似系数组，将所述第一低频近似系数组设置为零，根据将所述第一高频细节系数组，对所述重采样后的若干个不同的时间尺度的生理信号进行重构，获取重构后的若干个不同的时间尺度的第一生理信号，作为所述心冲击图信号，从而获取若干个不同的时间尺度的心冲击图信号。
49.s104：根据所述重采样后的若干个不同的时间尺度的生理信号以及预设的第二小波函数，获取若干个不同的时间尺度的第二生理信号，根据所述若干个不同的时间尺度的第二生理信号，获取若干个不同的时间尺度的体动信号。
50.在本实施例中，检测设备采用小波滤除方法，根据所述重采样后的若干个不同的时间尺度的生理信号以及预设的第二小波函数，获取重构后的若干个不同的时间尺度的生理信号，根据所述重构后的若干个不同的时间尺度的生理信号以及预设的体动信号阈值，获取若干个不同的时间尺度的体动信号，其中，所述第二小波函数为近似对称的紧支集正交小波函数sym，消失矩设置为8，分解层数设置为10；
51.检测设备根据所述第二小波函数，获取各个分解层数对应的所述重采样后的若干个不同的时间尺度的生理信号的第二高频细节系数组以及第二低频近似系数组，将所述分
解层数最后一层对应的第二高频细节系数值以及第二低频近似信号组设置为零，根据将所述第二高频细节系数组以及第二低频近似系数组，对所述重采样后的若干个不同的时间尺度的生理信号进行重构，获取重构后的若干个不同的时间尺度的第二生理信号，根据所述若干个不同的时间尺度的第二生理信号以及预设的体动信号阈值，获取若干个不同的时间尺度的体动信号。
52.请参阅图3，图3为本技术一个实施例提供的基于生理信号的醒睡检测方法的流程中s104的示意图，包括步骤s1041～s1043，具体如下：
53.s1041：获取所述第二生理信号的均值以及标准值，根据所述第二生理信号的均值、标准值以及标准化公式，获取标准化处理后的第二生理信号。
54.所述标准化公式为：
[0055][0056]
式中，data为所述第二生理信号中各个向量对应的值，mean_data为所述第二生理信号的均值，std_data为所述第二生理信号的标准值；
[0057]
在本实施例中，检测设备分别获取所述重构后的若干个不同的时间尺度的第二生理信号对应的均值以及标准值，将所述重构后的若干个不同的时间尺度的第二生理信号中各个向量对应的值与所述重构后的第二生理信号的相同时间尺度对应的均值作差，获取作差结果，并根据所述标准值以及标准化公式，获取标准化处理后的若干个不同的时间尺度的第二生理信号。
[0058]
s1042：根据所述作差后的第二生理信号以及预设的单位时间，获取单位时间内所述作差后的第二生理信号中的最大值对应的向量，构建最大值数组；获取所述最大值数组的最大值以及均值，根据所述最大值数组的最大值、均值以及第一体动信号检测值计算公式，获取所述单位时间内所述标准化后的第二生理信号对应的第一体动信号检测值。
[0059]
所述第一体动信号检测值计算公式为：
[0060]
q＝abs(max_df/mean_df)
[0061]
式中，q为所述第一体动信号检测值，max_df为所述最大值数组的最大值，mean_df为所述最大值数组的均值；
[0062]
在本实施例中，检测设备根据预设的单位时间，从所述标准化处理后的若干个不同的时间尺度的第二生理信号中，分别获取单位时间内所述标准化处理后的若干个不同的时间尺度的第二生理信号中的最大值对应的向量，分别构建所述标准化处理后的若干个不同的时间尺度的第二生理信号的最大值数组，并获取所述标准化处理后的若干个不同的时间尺度的第二生理信号的最大值数组的最大值以及均值，根据所述第一体动信号检测值计算公式，将所述所述标准化处理后的同一时间尺度的第二生理信号的最大值数组的最大值以及均值相除后取绝对值，获取所述单位时间内若干个不同的时间尺度的标准化后的第二生理信号对应的第一体动信号检测值。
[0063]
s1043：根据所述第一体动信号检测值以及预设的体动信号检测启动阈值，响应体动信号检测指令，获取所述最大值数组中各个向量的值，根据预设的体动信号阈值，从所述最大值数组中获取若干个目标向量，构建目标向量集，根据所述目标向量集，从所述第二生理信号中获取所述目标向量对应的若干个向量，对所述目标向量对应的若干个向量进行组
合，获取所述体动信号。
[0064]
在本实施例中，当所述第一体动信号检测值大于及预设的体动信号检测启动阈值，触发体动信号检测指令的生成，检测设备响应于所述体动信号检测指令，获取所述标准化处理后的若干个不同的时间尺度的第二生理信号的最大值数组中各个向量对应的值，作为第二体动信号检测值，将所述第二体动信号检测值与体动信号阈值作对比，从所述最大值数组中获取所述第二体动信号检测值大于体动信号阈值对应的向量，作为目标向量，从而获取所述标准化处理后的若干个不同的时间尺度的第二生理信号的最大值数组中的目标向量，构建目标向量集，根据所述标准化处理后的若干个不同的时间尺度的第二生理信号对应的目标向量集，从所述标准化处理后的若干个不同的时间尺度的第二生理信号中获取所述同一时间尺度的目标向量对应的若干个向量，对所述同一时间尺度的若干个向量进行组合，作为该时间尺度下的体动信号，从而获取若干个不同的时间尺度的体动信号。
[0065]
其中，检测设备是通过获取所述标准化处理后的若干个不同的时间尺度的第二生理信号的最大值数组中的众数，作为所述体动信号阈值，构建目标向量集后，根据所述目标向量集中的目标向量，获取所述目标向量的众数，对所述体动信号阈值进行更新，重复上述构建目标向量集的步骤，直到所述体动信号阈值不再更新。
[0066]
s2：获取所述呼吸信号、心冲击图信号以及体动信号在若干个不同时间尺度下对应的特征向量。
[0067]
所述特征向量包括心率特征、呼吸率特征、心率呼吸率互相关系数以及体动特征。
[0068]
在本实施例中，检测设备获取所述呼吸信号、心冲击图信号以及体动信号在若干个不同时间尺度下对应的心率特征、呼吸率特征、心率呼吸率互相关系数以及体动特征。
[0069]
请参阅图4，图4为本技术一个实施例提供的基于生理信号的醒睡检测方法的流程中s2的示意图，包括步骤s201～s205，具体如下：
[0070]
s201：获取所述呼吸信号以及心冲击图信号对应的微分、平方和、积分参数，根据所述呼吸信号以及心冲击图信号对应的微分、平方和、积分参数，分别获取所述呼吸信号以及心冲击图信号对应的峰值点定位结果。
[0071]
检测设备获取所述呼吸信号以及心冲击图信号对应的微分、平方和、积分参数，在一个实施例中，检测设备分别根据所述呼吸信号的数据长度、心冲击图信号的数据长度以及预设的单位数据长度，将所述呼吸信号以及心冲击图信号分为若干个窗，对于所述呼吸信号的若干窗内的数据进行差分计算，即计算相邻两点计算斜率，从而获取所述呼吸信号的微分参数。对于所述心冲击图信号的若干窗内的数据进行差分计算，从而获取所述心冲击图信号的微分参数；
[0072]
分别对所述呼吸信号的若干窗内的数据以及心冲击图信号的若干窗内的数据进行平方和计算，获取所述呼吸信号的平方和参数以及心冲击图信号的平方和参数；
[0073]
根据所述呼吸信号的平方和参数以及心冲击图信号的平方和参数，进行积分计算，所述积分参数对应所述呼吸信号以及心冲击图信号的面积，因此只需近似计算所述呼吸信号以及心冲击图信号中相邻两点与坐标轴构成的面积即可，从而获取所述呼吸信号的积分参数以及心冲击图信号的积分参数；
[0074]
根据所述呼吸信号以及心冲击图信号对应的微分、平方和、积分参数，分别对所述呼吸信号以及心冲击图信号进行“微移方”处理，获取“微移方”处理后的呼吸信号以及心冲
击图信号，用于增大所述呼吸信号以及心冲击图信号中峰值部分的数据的数值，同时减小除了峰值部分以外的数据的数值，有利于后续峰值检测。
[0075]
根据所述“微移方”处理后的呼吸信号以及心冲击图信号进行峰值点定位，获取所述呼吸信号以及心冲击图信号对应的峰值点定位结果，其中，所述峰值点定位结果包括峰值点。
[0076]
s202：根据所述呼吸信号以及心冲击图信号对应的峰值点定位结果，分别获取所述呼吸信号以及心冲击图信号对应的峰值点间隔，根据所述峰值点间隔以及率值计算算法，获取所述呼吸信号对应的呼吸率数据以及心冲击图信号对应的心率数据。
[0077]
所述率直计算算法包括呼吸率计算算法以及心率计算算法，其中，所述呼吸率计算算法为：
[0078]
breath_rate＝60/rri_breath
[0079]
式中，breath_rate为所述呼吸率，rri_breath为所述呼吸信号对应的峰值点间隔；
[0080]
所述心率计算算法为：
[0081]
heart_rate＝60/rri_heart
[0082]
式中，heart_rate为所述心率，rri_heart为所述呼吸信号对应的峰值点间隔；
[0083]
在本实施例中，检测设备根据所述呼吸信号以及心冲击图信号对应的峰值点定位结果，分别获取所述呼吸信号以及心冲击图信号对应的峰值点间隔，根据所述呼吸信号对应的峰值点间隔以及呼吸率计算算法，获取所述呼吸信号对应的呼吸率数据，根据所述心冲击图信号对应的峰值点间隔以及心率计算算法，获取所述心冲击图信号对应的心率数据。
[0084]
s203：获取所述呼吸率数据以及心率数据对应的数值参数，作为所述呼吸率特征以及所述心率特征。
[0085]
所述数值参数包括累积差、均值、标准差、最大值、最小值、峰谷差值以及能量值。
[0086]
在本实施例中，检测设备根据所述呼吸率数据，获取所述呼吸率数据对应的累积差、均值、标准差、最大值、最小值、峰谷差值以及能量值，作为所述呼吸率特征，根据所述心率数据，获取所述心率数据对应的累积差、均值、标准差、最大值、最小值、峰谷差值以及能量值，作为所述心率特征。
[0087]
s204：根据所述呼吸率数据、心率数据以及预设的互相关系数计算算法，获取所述呼吸率数据与心率数据的互相关系数。
[0088]
由于睡眠过程中心率与呼吸率呈现相互影响的关系，在本实施例，检测设备根据所述呼吸率数据、心率数据以及预设的互相关系数计算算法，获取所述呼吸率数据与心率数据的互相关系数，其中，所述互相关系数计算算法为：
[0089][0090]
式中，r为所述互相关系数，cov(rate_heart,rate_breath)为所述呼吸率数据与心率数据的协方差，var|rate_heart|为所述心率数据的方差，var|rate_breath|为所述呼吸率数据的方差。
[0091]
s205：获取所述标准化处理后的第二生理信号的向量的数目以及所述体动信号的
向量的数目，根据所述标准化处理后的第二生理信号的向量的数目以及所述体动信号的向量的数目，获取体动占空比，作为所述体动特征。
[0092]
在本实施例中，检测设备获取同一时间尺寸下的所述标准化处理后的第二生理信号的向量的数目以及所述体动信号的向量的数目，将所述体动信号的向量的数目除以所述标准化处理后的第二生理信号的向量的数目，从而获取各个时间尺寸下的体动占空比，作为所述体动特征。
[0093]
s3：将同一时间尺度下的所述特征向量输入至预设的神经网络模型，对所述神经网络模型进行前向传播训练以及后向传播训练，根据所述后向传播训练的结果，更新所述神经网络模型的权重，获取训练后的神经网络模型。
[0094]
所述神经网络模型为树突神经网络模型，包括输入层、中间层以及输出层，所述输入层、中间层以及输出层均包括若干个对应的层，每一层均包括有权重矩阵。
[0095]
在本实施例中，检测设备根据所述各个时间尺度下的特征向量，将同一时间尺度下的所述特征向量输入至预设的神经网络模型，根据预设的训练次数，对所述神经网络模型进行前向传播训练以及后向传播训练，根据所述后向传播训练的结果，更新所述神经网络模型的权重，获取训练后的神经网络模型。
[0096]
请参阅图5，图5为本技术一个实施例提供的基于生理信号的醒睡检测方法中s3的流程示意图，包括步骤s301～s303，具体如下：
[0097]
s301：将所述同一时间尺度下的所述特征向量作为输入向量输入至所述神经网络模型，根据所述神经网络模型中的前向传播算法，获取所述神经网络模型输出的预测值。
[0098]
所述前向传播算法为：
[0099][0100]
f2＝a
l
＝w
l，l-1al-1
[0101][0102]
式中，f1为所述神经网络模型的输入层以及输出层的前向传播算法，f2为所述神经网络模型的输出层的前向传播算法，f3为基于所述神经网络模型的前向传播算法，a
l-1
为所述神经网络模型的第l-1层的输入值，a
l
为所述神经网络模型的第l-1层的输出值，并作为第l层的输入值，x表示所述神经网络模型的输入向量，a
l
表示所述神经网络模型的输出层的输出值，a
l-1
表示所述神经网络模型的输出层的输入值，w
l,l-1
为所述神经网络模型的第l-1层到第l层的权重矩阵，y表示所述神经网络模型的预测值，表示哈达玛积。
[0103]
在本实施例中，检测设备根据所述各个时间尺度下的特征向量，将同一时间尺度下的所述特征向量输入至预设的神经网络模型，根据所述神经网络模型中的前向传播算法，获取所述神经网络模型输出的预测值。
[0104]
s302：获取与所述预测值相对应的真实值，根据所述预测值、真实值以及所述神经网络模型中的误差反向传播算法，获取所述神经网络模型每一层的误差值。
[0105]
所述误差反向传播算法为：
[0106][0107]
da
l-1
＝(w
1，l-1
)
t
dz
l
[0108]
式中，z
l
为所述神经网络模型的输出层的误差值，dz
l
为所述输出层的误差值的求偏导，z
l
为所述神经网络模型的中间层的误差值，dz1为所述中间层的误差值的求偏导，mse为所述神经网络模型的误差损失值；da
l-1
为所述第l-1层的输入值的求偏导，(w
l,l-1
)
t
为所述神经网络模型的第l-1层到第l层的权重矩阵的转置。
[0109]
所述真实值为通过采集受试者心电、肌电、脑电、眼电、心搏和呼吸等多路信号进行计算并经过专业医生修正得到的数据，在本实施例中，检测设备获取与所述预测值相对应的真实值，根据所述预测值、真实值以及所述神经网络模型中的误差反向传播算法，获取所述神经网络模型每一层的误差值。
[0110]
s303：根据所述神经网络模型每一层的误差值以及所述神经网络模型中的权重更新算法，更新所述神经网络模型每一层的权重矩阵，获取训练后的神经网络模型。
[0111]
所述权重更新算法为：
[0112][0113]wl，l-1(new)
=w
l，l-1-αdw
l，l-1
[0114]
式中，m为所述神经网络模型每次训练的输入向量的数量，(a
l-1
)
t
为所述第l-1层的输入值的转置，dw
l,l-1
为所述神经网络模型的第l-1层到第l层的权重矩阵的求偏导，α为学习率，w
l,l-1(old)
表示未更新时的所述神经网络模型的第l-1层到第l层的权重矩阵，w
l,l-1
表示更新后的为所述神经网络模型的第l-1层到第l层的权重矩阵。
[0115]
在本实施例中，检测设备根据所述神经网络模型每一层的误差值以及所述神经网络模型中的权重更新算法，更新所述神经网络模型每一层的权重矩阵，获取训练后的神经网络模型。
[0116]
s4：将所述若干个不同时间尺度下对应的特征向量输入至所述训练后的神经网络模型，获取若干个不同时间尺度下对应的醒睡检测序列。
[0117]
在本实施例中，检测设备将所述若干个不同时间尺度下对应的特征向量输入至所述训练后的神经网络模型，获取若干个不同时间尺度下对应的醒睡检测序列，其中，所述醒睡检测序列包括若干个醒睡检测向量。
[0118]
s5：根据所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的值以及预设的第一醒睡检测阈值，获取所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的醒睡标签。
[0119]
所述醒睡标签包括觉醒标签以及睡眠标签，在本实施例中，检测设备分别获取所述各个时间尺度下对应的醒睡检测序列对应的最大值x
max
以及最小值x
min
，根据预设的第一醒睡检测阈值计算算法，获取各个时间尺度下对应的第一醒睡检测阈值，其中，所述第一醒睡检测阈值计算算法为：
[0120][0121]
式中，th
pre
为所述第一醒睡检测阈值，x
max
为所述醒睡检测序列对应的最大值，x
min
为所述醒睡检测序列对应的最小值；
[0122]
根据所述第一醒睡检测阈值，分别对所述各个时间尺度下对应的醒睡检测序列进行遍历，当所述各个时间尺度下对应的醒睡检测序列的醒睡检测向量的值大于或等于该时间尺度下对应的第一醒睡检测阈值，将所述醒睡检测向量的醒睡标签设置为觉醒标签，当所述各个时间尺度下对应的醒睡检测序列的醒睡检测向量的值小于该时间尺度下对应的第一醒睡检测阈值，将所述醒睡检测向量的醒睡标签设置为睡眠标签，从而获取所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的醒睡标签。
[0123]
在一个可选的实施例中，检测设备对所述若干个不同时间尺度下对应的醒睡检测序列进行平滑滤波，获取平滑滤波处理后的若干个不同时间尺度下对应的醒睡检测序列，以提高数据曲线的平滑性，降低噪音的干扰，从而更加精准地对所述醒睡检测序列中每个醒睡检测向量对应的醒睡标签进行设置。
[0124]
请参阅图6，图6为本技术另一个实施例提供的基于生理信号的醒睡检测方法的流程示意图，包括步骤s7，所述步骤s7在步骤s6之前，具体如下：
[0125]
s7：对所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的醒睡标签进行修正，获取修正后的所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的醒睡标签。
[0126]
在本实施例中，检测设备根据预设的采样时间以及所述若干个不同时间尺度下对应的醒睡检测序列，获取若干个不同时间尺度下对应的所述采样时间下对应的若干个醒睡检测序列段；
[0127]
分别获取所述若干个醒睡检测序列段中觉醒标签对应的醒睡检测向量数目的占比，作为占比数据；
[0128]
根据所述第一占比数据以及预设的第二醒睡判断阈值，获取所述若干个醒睡检测序列段的醒睡判定结果，其中，所述醒睡判定结果包括觉醒状态以及睡眠状态；
[0129]
获取所述醒睡判定结果为觉醒状态对应的醒睡检测序列段在所述若干个醒睡检测序列段中的占比，作为第三醒睡判断阈值，根据所述第三醒睡判断阈值以及占比数据，对所述若干个醒睡检测序列段的醒睡判定结果进行一次修正，获取所述若干个醒睡检测序列段的一次修正后的醒睡判定结果；
[0130]
根据所述若干个醒睡检测序列段的一次修正后的醒睡判定结果，获取所述一次修正后的醒睡判定结果为觉醒状态对应的醒睡检测序列段的位置信息，并根据所述位置信息，对所述一次修正后的醒睡判定结果进行二次修正，获取所述若干个醒睡检测序列段的二次修正后的醒睡判定结果，根据所述二次修正后的醒睡判定结果，对所述若干个醒睡检测序列段中醒睡检测向量的对应的醒睡标签进行修正，获取修正后的所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的醒睡标签。
[0131]
s6：获取所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的觉醒标签的数目以及睡眠标签数目，根据所述觉醒标签的数目以及睡眠标签数目，获取醒睡检测结果。
[0132]
所述醒睡检测结果包括觉醒结果以及睡眠结果，在本实施例中，检测设备获取所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的觉醒标签的数目以及睡眠标签数目，当所述觉醒标签的数目大于或等于睡眠标签数目，获取觉醒结果，所述觉醒标签的数目小于睡眠标签数目，获取睡眠结果。
[0133]
请参考图7，图7为本技术一个实施例提供的基于生理信号的醒睡检测装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于生理信号的醒睡检测装置的全部或一部分，该装置7包括：
[0134]
信号获取模块71，用于获取用户的生理信号，根据预设的若干个不同的时间尺度，从所述生理信号中提取若干个不同时间尺度下的呼吸信号、心冲击图信号以及体动信号；
[0135]
特征向量获取模块72，用于获取所述呼吸信号、心冲击图信号以及体动信号在若干个不同时间尺度下对应的特征向量，其中，所述特征向量包括心率特征、呼吸率特征、心率呼吸率互相关系数以及体动特征；
[0136]
模型训练模块73，用于将同一时间尺度下的所述特征向量输入至预设的神经网络模型，对所述神经网络模型进行前向传播训练以及后向传播训练，根据所述后向传播训练的结果，更新所述神经网络模型的权重，获取训练后的神经网络模型；
[0137]
检测序列获取模块74，用于将所述若干个不同时间尺度下对应的特征向量输入至所述训练后的神经网络模型，获取若干个不同时间尺度下对应的醒睡检测序列，其中，所述醒睡检测序列包括若干个醒睡检测向量；
[0138]
标签获取模块75，用于根据所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的值以及预设的第一醒睡检测阈值，获取所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的醒睡标签，其中，所述醒睡标签包括觉醒标签以及睡眠标签；
[0139]
检测模块76，用于获取所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的觉醒标签的数目以及睡眠标签数目，根据所述觉醒标签的数目以及睡眠标签数目，获取醒睡检测结果。
[0140]
在本技术实施例中，通过信号获取模块，获取用户的生理信号，根据预设的若干个不同的时间尺度，从所述生理信号中提取若干个不同时间尺度下的呼吸信号、心冲击图信号以及体动信号；通过特征向量获取模块，获取所述呼吸信号、心冲击图信号以及体动信号在若干个不同时间尺度下对应的特征向量，其中，所述特征向量包括心率特征、呼吸率特征、心率呼吸率互相关系数以及体动特征；通过模型训练模块，将同一时间尺度下的所述特征向量输入至预设的神经网络模型，对所述神经网络模型进行前向传播训练以及后向传播训练，根据所述后向传播训练的结果，更新所述神经网络模型的权重，获取训练后的神经网络模型；通过检测序列获取模块，将所述若干个不同时间尺度下对应的特征向量输入至所述训练后的神经网络模型，获取若干个不同时间尺度下对应的醒睡检测序列，其中，所述醒睡检测序列包括若干个醒睡检测向量；通过标签获取模块，根据所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的值以及预设的第一醒睡检测阈值，获取所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的醒睡标签，其中，所述醒睡标签包括觉醒标签以及睡眠标签；通过检测模块，获取所述若干个不同时间尺度下对应的醒睡检测序列中每个醒睡检测向量对应的觉醒标签的数目以及睡眠标签数目，
根据所述觉醒标签的数目以及睡眠标签数目，获取醒睡检测结果。基于生理信号，获取用户的不同时间尺度下对应的特征向量，根据特征向量训练神经网络模型，获取训练后的神经网络模型输出的不同时间尺度下对应的醒睡检测序列，并根据预设的第一醒睡检测阈值，对醒睡检测序列中各个醒睡检测向量打上醒睡标签，根据各个醒睡检测向量对应的醒睡标签，精准地获取用户的醒睡检测结果，从而能够有效地对用户的睡眠状态进行分析。
[0141]
请参考图8，图8为本技术一个实施例提供的计算机设备的结构示意图，计算机设备8包括：处理器81、存储器82以及存储在存储器82上并可在处理器81上运行的计算机程序83；计算机设备可以存储有多条指令，指令适用于由处理器81加载并执行上述图1至图6所示实施例的方法步骤，具体执行过程可以参见图1至图6所示实施例的具体说明，在此不进行赘述。
[0142]
其中，处理器81可以包括一个或多个处理核心。处理器81利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器82内的指令、程序、代码集或指令集，以及调用存储器82内的数据，执行基于生理信号的醒睡检测装置7的各种功能和处理数据，可选的，处理器81可以采用数字信号处理(digital signal processing,dsp)、现场可编程门阵列(field-programmable gate array，fpga)、可编程逻辑阵列(programble logic array，pla)中的至少一个硬件形式来实现。处理器81可集成中央处理器81(central processing unit，cpu)、图像处理器81(graphics processing unit，gpu)和调制解调器等中的一个或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器81中，单独通过一块芯片进行实现。
[0143]
其中，存储器82可以包括随机存储器82(random access memory，ram)，也可以包括只读存储器82(read-only memory)。可选的，该存储器82包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器82可用于存储指令、程序、代码、代码集或指令集。存储器82可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器82可选的还可以是至少一个位于远离前述处理器81的存储装置。
[0144]
本技术实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述实施例一至实施例四的方法步骤，具体执行过程可以参见实施例一至实施例四的具体说明，在此不进行赘述。
[0145]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0146]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记
载的部分，可以参见其它实施例的相关描述。
[0147]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0148]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0149]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0150]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0151]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
[0152]
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。