技术特征：
1.一种基于生理信号的醒睡检测方法，其特征在于，包括以下步骤：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；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；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；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；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；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。2.根据权利要求1所述的基于生理信号的醒睡检测方法，其特征在于，所述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，包括步骤：对所述若干个不同的时间尺度的生理信号进行重采样处理，获取重采样后的若干个不同的时间尺度的生理信号；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滤波器，获取若干个不同的时间尺度的呼吸信号；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；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。3.根据权利要求2所述的基于生理信号的醒睡检测方法，其特征在于，所述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，包括步骤：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，其中，所述标准化公式为：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；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，其中，所述第一体动信号检测值计算公式为：q＝abs(max_df/mean_df)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；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。4.根据权利要求3所述的基于生理信号的醒睡检测方法，其特征在于，所述获取所述呼吸信号、心冲击图信号以及体动信号在预设的若干个时间尺度下对应的特征向量，包括步骤：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；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；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，其中，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；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；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。5.根据权利要求1所述的基于生理信号的醒睡检测方法，其特征在于：所述神经网络模型包括输入层、中间层以及输出层。6.根据权利要求5所述的基于生理信号的醒睡检测方法，其特征在于，所述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，包括步骤：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，其中，所述前
向传播算法为：f2＝a
l
＝w
l，l-1
a
l-1
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
,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；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，其中，所述误差反向传播算法为：da
l-1
＝(w
l，l-1
)
t
dz
l
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，dz
l
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；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，其中，所述权重更新算法为：w
l，l-1(new)
＝w
l，l-1-adw
l，l-1
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。7.根据权利要求1所述的基于生理信号的醒睡检测方法，其特征在于，所述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醒睡标签以及预设的融合投票算法，获取所述醒睡检测结果之前，还包括步骤：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。8.一种基于生理信号的醒睡检测装置，其特征在于，包括：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；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；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；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；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；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。9.一种计算机设备，其特征在于，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权利要求1至7任一项所述的基于生理信号的醒睡检测方法的步骤。10.一种存储介质，其特征在于：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权利要求1至7任一项所述的基于生理信号的醒睡检测方法的步骤。
技术总结
本发明涉及信号处理技术领域，特别涉及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。分析。分析。
技术研发人员：张涵 查帅 王子夏 陈澎彬 庞志强
受保护的技术使用者：华南师范大学
技术研发日：2022.02.21
技术公布日：2022/7/5