本發明涉及輔助睡眠技術領域，特別是涉及一種基于二分類器與檢測器融合的睡眠狀態檢測方法和系統。

背景技術：

在睡眠中，人體進行了自我放松及恢復的過程，因此良好的睡眠是保持身體健康的一項基本條件；但是由于工作壓力大、生活作息不規律等原因，導致了部分人群的睡眠質量欠佳，表現為失眠、半夜驚醒等。

目前市面上已經有一些設備來幫助人們入睡，提高睡眠質量。例如在某一特定睡眠狀態下通過聲音、光信號等人工干預，避免在熟睡狀態下叫醒用戶等。對于輔助睡眠的設備而言，為了真正達到提高用戶睡眠質量的目的，正確的檢測用戶的睡眠狀態是非常重要的。

目前臨床上主要采用多導睡眠圖識別睡眠狀態，主要是利用腦電信號來對睡眠進行分析，通過訓練睡眠狀態模型來識別被測者是屬于睡眠或清醒狀態，但由于腦電信號的個人特異性很強，并且強度很弱，在信號采集時極易被外界信號所干擾。因此一般預先訓練出來的分類器對很多用戶的檢測存在誤差，準確性難以得到保證。

技術實現要素：

基于此，有必要針對上述問題，提供一種基于二分類器與檢測器融合的睡眠狀態檢測方法和系統，有效地提高預設分類器識別的準確性。

一種基于二分類器與檢測器融合的睡眠狀態檢測方法，包括：

采集用戶在睡眠過程中產生的腦電信號，根據睡眠狀態識別的識別任務從所述腦電信號中提取相應的特征數據；

將所述特征數據分別輸入預設分類器、第一檢測器以及第二檢測器進行檢測；其中，預設分類器用于檢測用戶的清醒或睡眠狀態，第一檢測器用于檢測用戶的清醒狀態，第二檢測器用于檢測用戶的睡眠狀態；

若第一檢測器與第二檢測器的輸出結果不一致，則以第一檢測器與第二檢測器的輸出結果檢測用戶的睡眠狀態，并分別對第一檢測器與第二檢測器輸出的特征數據進行類型標注；若第一檢測器與第二檢測器的輸出結果一致，則以預設分類器的輸出結果檢測用戶的睡眠狀態；

利用標注的特征數據對所述預設分類器進行訓練得到新的分類器，并利用該新的分類器取代所述預設分類器，檢測用戶的睡眠狀態。

一種基于二分類器與檢測器融合的睡眠狀態檢測系統，包括：

特征數據提取模塊，用于采集用戶在睡眠過程中產生的腦電信號，根據睡眠狀態識別的識別任務從所述腦電信號中提取相應的特征數據；

分類器融合檢測模塊，用于將所述特征數據分別輸入預設分類器、第一檢測器以及第二檢測器進行檢測；其中，預設分類器用于檢測用戶的清醒或睡眠狀態，第一檢測器用于檢測用戶的清醒狀態，第二檢測器用于檢測用戶的睡眠狀態；

結果判斷和數據標注模塊，用于若第一檢測器與第二檢測器的輸出結果不一致，則以第一檢測器與第二檢測器的輸出結果檢測用戶的睡眠狀態，并分別對第一檢測器與第二檢測器輸出的特征數據進行類型標注；若第一檢測器與第二檢測器的輸出結果一致，則以預設分類器的輸出結果檢測用戶的睡眠狀態；

分類器訓練和更新模塊，用于利用標注的特征數據對所述預設分類器進行訓練得到新的分類器，并利用該新的分類器取代所述預設分類器，檢測用戶的睡眠狀態。

上述基于二分類器與檢測器融合的睡眠狀態檢測方法和系統，基于腦電信號的特征數據，在預設分類器基礎上，進一步設置了清醒狀態和睡眠狀態的二分類檢測器，融合分類器檢測結果和檢測器輸出結果對特征數據進行類型標注，然后通過標注類型的特征數據輸入預設分類器訓練出新的分類器，取代原預設分類器，檢測用戶的睡眠狀態。該方案可以在使用過程中訓練出更加接近于用戶個人特異性的分類器，可以提高分類器的準確率，增強睡眠狀態檢測的準確性。

附圖說明

圖1為一個實施例的基于二分類器與檢測器融合的睡眠狀態檢測方法的流程圖；

圖2為濾波處理前后的腦電信號示意圖；

圖3是二分類器融合檢測器檢測睡眠狀態的示意圖；

圖4為一個實施例的基于二分類器與檢測器融合的睡眠狀態檢測系統結構示意圖。

具體實施方式

下面結合附圖闡述本發明的基于二分類器與檢測器融合的睡眠狀態檢測方法和系統的實施例。

參考圖1所示，圖1為一個實施例的基于二分類器與檢測器融合的睡眠狀態檢測方法的流程圖，包括：

步驟S101，采集用戶在睡眠過程中產生的腦電信號，根據睡眠狀態識別的識別任務從所述腦電信號中提取相應的特征數據；

在本步驟中，如在對用戶進行輔助睡眠時，通過用戶佩戴相關傳感設備，檢測用戶的腦電信號，在采集腦電信號時，可以以30s為一幀進行采集。

根據需要進行睡眠狀態識別的任務，確定特征數據類型，從腦電信號中提取與之相應的特征數據；例如，要識別清醒狀態或睡眠狀態，提取用于進行這兩種狀態識別的特征數據。

在一個實施例中，提取特征數據前，還可以對所采集的腦電信號進行濾波處理，濾除高頻噪聲和工頻干擾。例如，腦電信號的有用信息多集中在0-100Hz的范圍內，在采集過程中會摻入頻率在該范圍外的噪聲，因此，可以通過濾波手段將其濾除。可以同帶通濾波器濾除高頻噪聲，并設計一個陷波器(50/60Hz)來濾除工頻干擾。

參考圖2所示，圖2為濾波處理前后的腦電信號示意圖，上圖為原始信號，下圖為經過濾波處理之后的信號，可以發現大部分的高頻噪聲已被濾除。

對于提取特征數據的方案，本發明提供若干實施例，具體過程包括如下：

(1)提取腦電信號的基線，計算所述基線的變化幅度；其中，所述變化幅度為基線最大值減去最小值；

(2)在去掉基線后，對所述腦電信號進行小波分解，獲得小波系數，并根據小波系數計算小波系數的特征參數；其中，所述特征參數包括小波系數的均值、方差、峭度系數和/或斜度系數；

為了更好地分解出所述各種頻率波形，小波分解的層數與腦電信號的采樣頻率滿足如下關系：f＝2^N+2，其中，f為腦電信號的采樣頻率，N為小波分解的層數；例如，當信號的降采樣率為128Hz時，可以選擇4層分解，當信號的采樣率為256Hz時，則可以進行5層分解。

(3)在去掉基線后，計算腦電信號的LZ復雜度和樣本熵；

將所述基線的變化幅度、小波系數的特征參數、LZ復雜度和樣本熵設為所述特征數據；

由上述實施例的方案，作為信號特征的數據包括了基線的變化幅度、小波系數的特征參數、LZ復雜度和樣本熵等。

進一步地，還可以利用腦電信號的多個波段的波形來進行識別，在小波重構中提取所述腦電信號δ波頻段、θ波頻段、α波頻段和β波頻段的信號；根據頻率的不同，腦電信號是可以分為4種節律腦電波：δ波(1-3Hz)，θ波(4-7Hz)，α波(8-12Hz)，β波(14-30Hz)，在此，可以提取出這四種腦電波后，利用這些腦電波來計算相關特征，具體方案可以如下：

(4)分別計算腦電信號中δ波頻段，θ波頻段，α波頻段，β波頻段的能量在總能量中的比例；將該比例也作為特征數據輸入分類器進行識別；計算方法可以包括如下公式：

r_δ＝∑(y_δ)²/p_total

r_θ＝∑(y_θ)²/p_total

r_α＝∑(y_α)²/p_total

r_β＝∑(y_β)²/p_total

其中p_total＝∑(y_δ)²+∑(y_θ)²+∑(y_α)²+∑(y_β)²，y_δ，y_θ，y_α和y_β分別表示重構后的δ頻段、θ頻段、α頻段和β頻段的信號，r_δ，r_θ，r_α和r_β分別代表δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。

(5)分別計算在一幀的時間內，腦電信號中δ波頻段，θ波頻段，α波頻段，β波頻段能量最大的時間長度；將該時間也作為特征數據輸入分類器進行識別，計算方法可以包括如下公式：

1、一種睡眠狀態樣本數據類型的標注方法，其特征在于，包括：

采集用戶在睡眠狀態分析中產生的腦電信號，得到樣本數據；

構建多種睡眠狀態類型的樣本數據的特征向量以及特征向量聚集而成的簇中心，根據所述特征向量及其簇中心建立目標函數；其中，所述目標函數表征最小化相同類型的樣本數據與字典原子的距離，且最大化不同類型的原子之間的距離；

分別從多種睡眠狀態類型的樣本數據中選擇若干個特征向量作為原子的初始值，將各個樣本數據分配至所述原子并求解所述目標函數，得到分類字典；

將樣本數據輸入分類字典，比較與樣本數據最近的原子的類型與距離，若距離小于預設的閾值，則將該樣本數據的類型標注為與該原子的類型一致。

2、根據權利要求1所述的睡眠狀態樣本數據類型的標注方法，其特征在于，所述目標函數為：

式中，設有t種睡眠狀態類型的樣本數據，p＝1，…，t為特征向量，p＝1，…，t為特征向量聚集而成的簇中心。

3、根據權利要求2所述的睡眠狀態樣本數據類型的標注方法，其特征在于，所述睡眠狀態類型包括清醒類型和睡眠類型；

所述目標函數為：

式中，i＝1，…，n^wake為清醒類型的特征向量，j＝1，…，k^wake為清醒類型式中，c_δ，c_θ，c_α和c_β表示δ頻段、θ頻段、α頻段和β頻段的信號在當前幀內所占能量比例最大的時間長度，分別表示第i秒內δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。

步驟S102，將所述特征數據分別輸入預設分類器、第一檢測器以及第二檢測器進行檢測；其中，預設分類器用于檢測用戶的清醒或睡眠狀態，第一檢測器用于檢測用戶的清醒狀態，第二檢測器用于檢測用戶的睡眠狀態；

對于上述預設分類器，可以是采用RBF核的SVM(Support Vector Machin，支持向量機)分類器，也可以采用神經網絡、決策樹的分類器。該分類器是通過其他樣本數據訓練得到。

訓練過程可以如下：

(1)獲取所述用戶的特征數據，從兩種類型的特征數據中分別隨機抽取相同數量的樣本作為訓練數據，其余作為測試數據；

(2)將所述訓練數據輸入支持向量機分類器或神經網絡進行自學習，利用grid-test算法尋找識別率最高的參數，將該參數設為最優參數；

對于支持向量機分類器，訓練過程中采用網格測試方法選擇最優的懲罰因子C和RBF核的參數σ；調節所述懲罰因子C和參數σ，將識別率最高時對應的參數設為最優參數；其中，懲罰因子C的取值范圍可以為[2^-2，2¹²]，所述參數σ的取值范圍可以為[2^-2，2¹⁰]；上述訓練過程中，由于訓練數據是從采集數據中隨機抽取的，因此此過程可以重復若干次；

(3)利用所述最優參數在訓練數據中再運行一次，得到分類器；

(4)利用所述測試數據在該分類器上進行測試準確率，測試完成后得到預設分類器。

由于腦電信號的個人特異性很強，并且腦電信號的強度很弱，在信號采集時，極易被外界信號所干擾。因此，事先采集訓練數據訓練出來的分類器，對于部分測試數據來說其效果并不理想。

基于上述現象，在本步驟中，設置了清醒狀態和睡眠狀態的二分類的檢測器以對特征數據進行標注，進而通過標注的特征數據訓練出符合個人特性的新分類器，以更新預設分類器，取代其用來檢測用戶的睡眠狀態。

上述檢測器一般選取一定敏感度(sensitivity)的前提下，具有較高的準確度(precision)的檢測器。

另外，為了獲得較為理想的檢測器，第一檢測器和第二檢測器可以采用理想檢測器，利用調整對應樣本的懲罰因子的方法來訓練所述第一檢測器和第二檢測器。

實驗結果表明，這兩種檢測器的敏感度均高于70％，準確度均高于95％。

對于上述兩個檢測器，根據分類任務的評價指標，總體準確度(over accuracy)，敏感率(sensitivity，有時稱為召回率，recall)和精確率(precision)。對于上述清醒狀態和睡眠狀態二分類問題，其混淆矩陣見下表：

總體準確度反映的是所有類型樣本的總的分類準確性。敏感度指的是所有第1類樣本中，被準確識別的比例。精確度指的是在所有被識別成第1類的樣本中，真實屬于第1類的樣本比例。

在一個實施例中，對于預設分類器、第一檢測器和第二檢測器，功能設置可以如下：

所述預設分類器用于檢測用戶是否處于清醒或睡眠狀態，輸出結果為“清醒”或“睡眠”。

所述第一檢測器用于檢測用戶是否處于清醒狀態，若判斷用戶處于清醒狀態，輸出結果為“真”，反之則輸出結果為“假”；該檢測器能夠較為準確地檢測出清醒狀態；

所述第二檢測器用于檢測用戶是否處于睡眠狀態，若判斷用戶處于睡眠狀態，輸出結果為“真”，反之則輸出結果為“假”；該檢測器能夠較為準確地檢測出睡眠狀態。

步驟S103，若第一檢測器與第二檢測器的輸出結果不一致，則以第一檢測器與第二檢測器的輸出結果檢測用戶的睡眠狀態，并分別對第一檢測器與第二檢測器輸出的特征數據進行類型標注；若第一檢測器與第二檢測器的輸出結果一致，則以預設分類器的輸出結果檢測用戶的睡眠狀態；

此步驟是基于預設分類器、第一檢測器和第二檢測器的識別結果，對用戶所處睡眠狀態的判斷方案。

進一步的，依據以下檢測策略進行判斷：

(1)若第一檢測器輸出結果為“真”、第二檢測器的輸出結果為“假”，分別將第一檢測器與第二檢測器輸出的特征數據類型標注為清醒；若第一檢測器輸出結果為“假”、第二檢測器的輸出結果為“真”，分別將第一檢測器與第二檢測器輸出的特征數據類型標注為睡眠；

上述方案中，對于特征數據類型的標注后，這些特征數據可以用于訓練預設分類器，從而提高分類器的檢測睡眠狀態的準確性。

(2)若第一檢測器、第二檢測器輸出結果同為“真”或同為“假”，放棄第一檢測器、第二檢測器的輸出結果，且不對第一檢測器、第二檢測器輸出的特征數據進行標注；

上述方案中，由于檢測器無法檢測，因此可以依據預設分類器的檢測結果確定當前用戶的睡眠狀態，此時第一檢測器、第二檢測器的輸出特征數據不能用于提高預設分類器的訓練樣本，因此將其丟棄。

步驟S104，利用標注的特征數據對所述預設分類器進行訓練得到新的分類器，并利用該新的分類器取代所述預設分類器，檢測用戶的睡眠狀態。

在此步驟中，基于前述步驟S103中已標注的特征數據，將其作為樣本輸入到預設分類器中進行訓練得到新的分類器，用這個新的分類器取代預設分類器，從而可以提高預設分類器的檢測睡眠狀態準確性。

在實際應用中，隨著用戶的不斷使用，可以持續觸發，不斷更新分類器，從而可以不斷準確性，而且當應用到其他用戶時，也可以重新訓練出分類器，得到更適合該用戶的分類器。

在一個實施例中，在訓練新的分類器時，首先判斷已標注類型的特征數據的數量，當數量達到設定閾值時，將已標注的特征數據作為樣本數據輸入預設分類器進行訓練得到新的分類器；

通過以設定閾值，當收集到的標注類型的特征數據達到一定數量時，輸入預設分類器進行訓練，避免樣本數量過低，訓練效果不佳。

參考圖3所示，圖3是二分類器融合檢測器檢測睡眠狀態的示意圖。標注過程中除了利用其他樣本數據的較為平衡的預設分類器之外，還設計兩個檢測器，第一檢測器用來監測用戶是否處于清醒狀態，第二檢測器用來監測用戶是否睡眠狀態。

特征數據輸入后分別進入預設分類器、第一檢測器和第二檢測器；通過上述檢測策略進行判斷，輸入用戶當前的睡眠狀態檢測結果，對于標注數據類型的特征數據，輸入至預設分類器進行訓練新的分類器，對于未標注數據類型的特征數據，檢測后將其丟棄。

參考圖4所示，圖4為一個實施例的基于二分類器與檢測器融合的睡眠狀態檢測系統結構示意圖，包括：

特征數據提取模塊101，用于采集用戶在睡眠過程中產生的腦電信號，根據睡眠狀態識別的識別任務從所述腦電信號中提取相應的特征數據；

分類器融合檢測模塊102，用于將所述特征數據分別輸入預設分類器、第一檢測器以及第二檢測器進行檢測；其中，預設分類器用于檢測用戶的清醒或睡眠狀態，第一檢測器用于檢測用戶的清醒狀態，第二檢測器用于檢測用戶的睡眠狀態；

結果判斷和數據標注模塊103，用于若第一檢測器與第二檢測器的輸出結果不一致，則以第一檢測器與第二檢測器的輸出結果檢測用戶的睡眠狀態，并分別對第一檢測器與第二檢測器輸出的特征數據進行類型標注；若第一檢測器與第二檢測器的輸出結果一致，則以預設分類器的輸出結果檢測用戶的睡眠狀態；

分類器訓練和更新模塊104，用于利用標注的特征數據對所述預設分類器進行訓練得到新的分類器，并利用該新的分類器取代所述預設分類器，檢測用戶的睡眠狀態。

本發明的基于二分類器與檢測器融合的睡眠狀態檢測系統與本發明的基于二分類器與檢測器融合的睡眠狀態檢測方法一一對應，在上述基于二分類器與檢測器融合的睡眠狀態檢測方法的實施例闡述的技術特征及其有益效果均適用于基于二分類器與檢測器融合的睡眠狀態檢測系統的實施例中，特此聲明。

以上所述實施例的各技術特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特征所有可能的組合都進行描述，然而，只要這些技術特征的組合不存在矛盾，都應當認為是本說明書記載的范圍。

以上所述實施例僅表達了本發明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對發明專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進，這些都屬于本發明的保護范圍。因此，本發明專利的保護范圍應以所附權利要求為準。