一种基于动态阈值与多维特征融合的睡眠分期监测与评估系统

本发明属于睡眠监测与评估，涉及一种动态阈值与多维特征融合技术。

背景技术：

1、随着社会工作节奏加快与生活方式变化，睡眠问题已成为影响公众健康的重要因素。长期睡眠不足、睡眠结构紊乱和睡眠呼吸异常不仅会降低个体的注意力与工作效率，还会显著增加心血管疾病、代谢异常、情绪障碍等慢性健康风险，进一步带来交通事故、工伤与医疗负担上升等社会层面的连锁影响。

2、在当今睡眠健康管理中，精准的睡眠分期监测、呼吸与体动的实时检测及生理状态追踪是解决睡眠障碍问题的核心，现有非接触监测手段难以有效应对个体生理差异带来的识别误差。传统睡眠监测主要依赖多导睡眠监测等专业设备，存在检测场景受限、成本高、佩戴复杂、难以进行长期连续监测等问题，导致大量潜在睡眠风险人群无法获得及时评估与干预。

3、在睡眠健康监测与临床睡眠评估中，睡眠分期与状态识别技术是提升睡眠障碍筛查效率、优化诊疗流程的关键环节。随着睡眠问题人群的增加以及居家监测需求的不断增长，睡眠信号的个体差异、采集环境的多样性与夜间干扰因素使得睡眠分期任务更加复杂且多变。

4、国内外学者在基于ecg/psg的自动睡眠分期方面取得了积极进展，提出了基于深度学习、transformer以及心率动力学特征例如hra、hrv的多种技术方案，但在走向大规模家庭应用时仍存在一定局限性。一方面，模型往往依赖高质量、长时程且标注严格的psg/ecg数据进行训练与验证，数据获取与标注成本高，难以在家庭环境中持续满足。另一方面，复杂模型对算力与数据处理流程要求较高，面对家庭场景中信号噪声、丢失和设备差异等问题，普遍存在泛化不足、实时性受限以及计算资源消耗较大的挑战。

5、国外的younghoon kwon等人提出了利用卷积神经网络与时间卷积网络tcn从ecg的r峰时序及形态学特征中提取与睡眠阶段相关的生理信息，能学习连续睡眠周期中的时序模式，从而在多类别睡眠分期中取得较好的表现，具备一定的临床应用潜力。但从家庭睡眠监测的落地角度看，该方法仍存在明显限制。一方面，ecg采集依赖贴片/电极等接触式传感方式，对佩戴位置、皮肤状态与夜间脱落较为敏感，容易产生噪声与信号缺失，影响长期连续监测的稳定性与用户依从性。另一方面，模型需要对较长时间序列进行特征提取与时序建模，计算开销与数据处理流程相对复杂，若在家庭场景实现端侧实时分析或低功耗运行，仍面临一定的资源与工程化瓶颈。

6、peng liu 提出将心率不对称性hra参数引入睡眠分期分析，试图获得超越传统心率变异性hrv与复杂度指标的额外信息。该方法以psg数据为基础，聚焦ecg所提取的rr间期时间序列，通过统计模型与机器学习，以gee模型为核心框架，刻画不同睡眠阶段及阶段转换时的心率动力学特征。结果显示，在识别深睡阶段n2、n3及关键转换过程例如n2–r、r–n2、w–n1方面取得较高区分度，体现出hra对睡眠生理的补充价值。但是，从家庭睡眠监测的实际落地角度看，该类方法对数据质量与数据量依赖较强。一方面，为了稳定估计hra等非对称性特征并训练可靠模型，通常需要较长时间、连续且低噪声的rr间期序列，依赖多受试者psg样本进行建模与验证。家庭环境中ecg采集易受佩戴松动、体动伪差、信号丢失等因素影响，难以长期保持足够“干净且完整”的序列数据。另一方面，面向多睡眠阶段与过渡状态的建模往往需要大量带精确标签的数据支撑，这类高质量标签通常依赖实验室psg人工分期，家庭场景很难持续获得同等标准的标注与样本规模。

7、yanchen guo等人提出了flexsleeptransformer 通过可适配不同输入通道数的transformer结构，实现了在通道配置不一致的数据集上联合训练与迁移测试，体现出更强的跨数据集适应性与临床落地潜力。但是，transformer模型参数量较大、训练过程对算力与数据管理要求高，在家庭设备端实现快速迭代或个体化适配，也会受到数据与计算资源的双重限制。因此，尽管flexsleeptransformer 通过通道可扩展性增强了临床可用性，但其“需要大规模、多中心、多配置psg数据支撑训练与泛化”的特性，使其更适合临床体系内推广，在家庭低成本、易部署的睡眠监测中却面临着训练数据量与标注获取难以满足的现实瓶颈。

8、在非接触式睡眠监测中，信号处理的粒度与特征提取的有效性直接决定了睡眠分期的准确度与鲁棒性。在核心分期算法层面，传统的单一阈值模型难以适应不同受试者的生理差异，而基于深度学习的方法又往往受限于对大量标注数据的依赖。综合统计学阈值模型与心率变异性hrv特征分析的优势，“动态阈值与多维特征融合”的组合方案在保证分期准确性的同时，具备了极高的计算效率，能够有效满足嵌入式边缘端对低功耗、低延迟和高鲁棒性的生理监测需求。该方案不仅通过引入心率辅助判别提升了系统在快速眼动期与清醒期混淆场景下的适应性，也通过epoch数据聚合优化了内存与算力资源的消耗，满足了智能健康监测设备对实时性和精确性的双重要求。

9、当前非接触式睡眠监测技术在便捷性和无感化方面取得了一定进展，仍面临体动伪影干扰大、复杂生理状态下误判率高以及个体差异适应性差等挑战。现有技术在受试者体动频繁或处于快速眼动rem期，睡眠分期模型的精度常常受到限制，容易因生理信号例如心率变异性与清醒期相似而产生误判，直接影响睡眠质量评估的准确性，进而影响健康管理建议的有效性。现有基于复杂神经网络的睡眠算法计算复杂度较高，在资源受限的嵌入式雷达芯片或低功耗设备上部署困难，对存储与算力资源的需求过大，导致系统难以满足长时间实时监测与低功耗运行的要求。在个体生理差异较大的复杂场景下，现有的固定阈值分期系统往往难以保持高效、稳定的判别精度，限制了其在消费级与医疗级设备中的实际表现。

技术实现思路

1、本发明旨在通过优化时域数据聚合策略、引入中值滤波抗噪机制、构建个性化动态阈值模型，解决了现有技术中存在的瞬态噪声敏感、固定阈值泛化能力弱以及快速眼动期rem识别困难等问题。该系统通过结合高效的呼吸/体动统计分析，以及先进的心率变异性hrv关联算法，能够在不同的用户睡眠环境中实现高精度、个性化的睡眠阶段监测和质量评分，为智慧康养管理提供更加精确和可靠的数据支持。

2、为解决雷达回波数据的离散性与噪声干扰难题，本发明创新构建了一种“窗口化聚合与两级平滑”预处理策略。在特征提取阶段，采用最大值池化保留瞬时微动特征，以替代传统的均值平滑。在时序处理阶段，级联应用中值滤波与阶段二次平滑算法，有效抑制突发尖峰噪声并剔除孤立的误判状态。这一技术改进显著增强了系统在复杂睡眠行为下的鲁棒性，使其能够在静卧清醒、频繁体动干扰及个体生理基准差异显著的睡眠场景下，精准稳定的识别和追踪睡眠阶段变化，提供可靠的睡眠质量分析数据。

3、本系统构建的基于毫米波雷达的多层级数据处理框架，针对原始雷达信号存在的瞬态噪声与高频波动，未直接使用3秒采样数据，而是依据美国睡眠医学学会标准，采用30秒的时间窗进行数据聚合。在聚合策略上，针对体动信号采用最大值池化以捕捉微小动作，针对呼吸与心率信号采用均值统计以平滑生理特征，并引入标准差计算以量化心率变异性。

4、本发明通过结合fmcw雷达信号处理技术，采用相位提取与幅度积聚算法，对睡眠过程进行非接触式实时监控，精准提取并跟踪呼吸率与体动特征，实现高精度的基础睡眠行为分析。

5、本发明的目的是针对现有非接触式睡眠监测系统中分期识别准确率与边缘计算适配性方面的技术瓶颈，提出一种基于动态阈值与多维生理特征融合的智能睡眠分期监测系统。通过结合30秒epoch时间窗聚合与自适应统计阈值技术，本发明显著提高了睡眠监测的鲁棒性，尤其在存在体动伪影或rem期特征混淆的复杂生理环境下，能够精准区分清醒、浅睡与异动睡眠状态。

6、本发明优化了信号处理架构，利用中值滤波与轻量化统计算法替代复杂的深度学习模型，大幅减少了计算资源的消耗，提高了系统在边缘侧的实时响应能力，确保了雷达采样数据的高效处理。本发明引入了心率变异性hrv辅助判别模型，能够根据个体实时生理特征动态修正分期结果，在动态变化的睡眠周期中实现精准的阶段划分，进一步增强了系统的个体适应性与评估精度。

7、本发明引入多模态生物信号融合机制，创新的结合心率与心率变异性特征，利用无监督自适应阈值与时序平滑后处理模型，对睡眠阶段进行多维度逻辑判定，从而有效解决了传统雷达算法在快速眼动期与静止清醒期难以区分的难题，为睡眠健康管理与质量评估提供科学的数据支持与预测依据。

8、无监督分期算法主要依赖呼吸率与体动强度进行分期，但在区分快速眼动期与清醒期时容易产生混淆，本发明提出的基于无监督结合自适应阈值的多模态的睡眠算法分类系统，旨在提供一种高效、智能且可靠的解决方案，专注于睡眠阶段的监测、分析与分类，具有重要的应用价值和社会意义。

9、本发明复现并改进了基于统计学的无监督分期算法，在原算法基础上融合了心率与hrv特征。利用5点中值滤波剔除运动伪影干扰，通过计算全夜数据的均值与标准差构建动态阈值。在决策逻辑上，优先利用体动与高心率特征识别清醒期，进而结合高呼吸率与高hrv特征精准定位rem期，其余平稳生理状态则归类为nrem期。该方法兼顾了计算效率与生理表征的全面性，有效提升了睡眠分期的细粒度准确性。

10、本发明的创新在于无监督信号处理与多模态融合技术的高效应用，特别是在非接触式睡眠监测中的突破性进展。针对传统系统在单一信号源处理上的局限，本系统通过fmcw雷达采集数据，在基础呼吸体动检测中创新引入心率变异性特征。利用自适应统计阈值模型，系统能够敏锐捕捉rem期与浅睡期在自主神经调节上的细微差异，从而实现精细化的睡眠分期。通过这种多维度的动态分析，系统为用户提供了科学、客观的睡眠质量量化评估，显著提升了健康管理的准确性。

11、本发明提出的基于无监督统计学习与多模态生物信号融合的智能睡眠监测与分析系统，突破了传统接触式监测及单一雷达信号处理的局限性，显著提升了睡眠分期识别与生理状态评估的智能化与精细化水平。系统通过fmcw雷达的非接触式精准采集与窗口化聚合抗噪策略，能够优化睡眠健康管理，提高睡眠质量评估的准确性，降低潜在的心血管疾病及呼吸暂停漏检风险，提升家庭与机构照护的安全性和便捷性。该技术方案在智慧养老、非接触式生命体征监测、家庭健康管理、临床辅助筛查等领域具有广泛的应用前景，且具备重要的技术价值与社会意义，能够有效改善公众睡眠健康状况，提升生活质量，推动智慧医疗与大健康产业的建设。

12、本发明提供一种基于动态阈值与多维特征融合的睡眠分期监测与评估系统，由前端雷达采集模块、数据预处理与聚合模块、自适应特征分析模块、分期决策与评估模块组成。

13、前端雷达采集模块实时获取呼吸、体动及心率的离散采样信号，数据预处理与聚合模块将高频离散信号按照预设的时间窗epoch进行时域聚合与去噪，构建稳定的特征向量，自适应特征分析模块基于全夜或长时段的统计特征，动态生成适配个体的生理阈值，分期决策与评估模块利用多维特征融合逻辑，结合心率变异性hrv特征，对睡眠阶段进行逐级判决，输出最终的睡眠质量报告。

14、进一步的，数据预处理与聚合模块作为系统的数据吞吐前端，通过uart接口或其他通信协议，以高频采样率接收来自fmcw毫米波雷达的原始生理数据帧，通过内置的缓冲队列，将连续的多个短时采样帧在时域上聚合为一个长时分析窗口epoch，完成从瞬态信号到稳态特征的转换。

15、最大值池化单元针对体动信号，在每个聚合周期内提取采样点中的最大值，保留睡眠期间微小的瞬态动作，防止因平均化处理导致觉醒信号被淹没，捕捉睡眠期间短暂且微弱的肢体抽动。

16、均值统计单元针对呼吸率和心率，计算有效非零值的算术平均数，以获得周期内的基准生理水平，通过剔除无效的0值，防止因受试者短暂离床或被子遮挡导致的信号丢失拉低整体平均值，为后续阈值计算提供高信噪比的输入。

17、变异性计算单元计算周期内心率数据的标准差，提取心率变异性特征，作为后续区分rem期与nrem期的生理指标，基于公式计算短时心率变异性指标，将心率时域特征映射为自主神经系统的活动指标，利用rem期交感神经与副交感神经拮抗导致的心率不稳定性-高标准差，以及nrem深睡期副交感神经主导导致的心率平稳性-低标准差，为难以通过体动识别的睡眠阶段提供区分维度。

18、中值滤波去噪单元连接于聚合输出端，采用5点滑动窗口中值滤波算法，剔除因外界干扰或雷达信号波动产生的突发性体动尖峰噪声，滤除孤立的尖峰噪声，保留信号的阶跃边缘，精准定位入睡和觉醒的准确时刻。

19、进一步的，自适应特征分析模块连接数据预处理与聚合模块的输出端，实现非监督式和个性化监测，不依赖预先训练的通用模型或固定的经验阈值，在完成足够时长的数据采集后，基于当前受试者当次睡眠的全时段数据分布特征，动态计算专属的判决边界，自动适应不同年龄、性别受试者的生理基线差异，以及不同睡眠环境带来的背景噪声水平差异。

20、多维统计特征提取器计算全时段数据的全局均值和全局标准差，遍历整个监测时段内的所有epoch数据，针对不同的生理维度分别进行统计分析，针对呼吸率和经平滑处理后的体动指数，分别计算其全局算术平均值和标准差，针对心率和心率变异性-心率标准差特征，分别计算其全局平均值和全局离散度，建立受试者当前的生理基准线和生理波动范围，分别通过均值和标准差体现，量化数据的离散程度，为后续识别偏离基线的异常事件提供统计学依据。

21、动态阈值生成器基于统计特征构建判决边界，接收来自统计特征提取器的全局均值和标准差，利用统计学边界构建用于睡眠分期的多重判决阈值，采用“均值 + n倍标准差”的计算方式，寻找统计学上的“离群点”，采用动态生成机制使阈值始终随着用户的实际睡眠情况浮动，实现不同个体的高精度检测。

22、呼吸判决阈值等于呼吸均值与标准差之和，体动判决阈值等于体动均值与标准差之和，清醒判决阈值等于体动均值，清醒体动阈值等于全局体动均值，用于识别高于平均活动水平的清醒状态，rem呼吸阈值等于全局呼吸均值加上一个全局呼吸标准差，用于识别rem期特征性的呼吸频率升高，体动修正阈值等于全局体动均值加上一个全局体动标准差，用于在疑似rem期时排除高体动干扰，清醒心率阈值等于全局心率均值加上0.5倍的心率标准差，利用清醒时交感神经活跃导致的心率升高特征辅助判决，rem心率变异性阈值等于全局hrv均值加上一个hrv标准差，利用rem期自主神经不稳定导致的心率变异性增高特征辅助判决。

23、进一步的，分期决策与评估模块接收来自数据预处理与聚合模块的平滑后的实时epoch数据，包括体动指数、呼吸率、心率均值、心率变异性特征，以及来自自适应特征分析模块的动态判决边界集合，采用基于优先级的级联决策逻辑，按顺序评估清醒、快速眼动、非快速眼动的可能性，输出当前epoch的唯一睡眠阶段标签。

24、唤醒多重判别单元拥有最高判决优先级，采用“体动主导，心率辅助”的融合逻辑识别清醒状态，实时比较当前epoch经过中值滤波平滑后的体动指数与清醒判决阈值，若高于该阈值，则触发初步清醒标记，引入心率特征作为确认条件，若高于体动修正阈值且实时心率均值高于清醒心率阈值，则执行逻辑“或”运算，确认清醒状态。

25、rem期特征校验与融合单元检查当前epoch是否满足“高呼吸率且低体动”特征，若实时呼吸率高于rem呼吸阈值且体动指数低于体动修正阈值，则引入hrv特征进行校验，比较当前epoch的心率标准差与rem hrv阈值，输出rem期判定结果。

26、时序状态平滑器是决策链末端的后处理滤波器，对初步生成的时序分期结果进行上下文一致性校验，采用3点滑动时间窗口遍历整个分期序列，执行连续性规则检查，若当前时刻t的epoch分期状态与前一个时刻t-1的epoch、后一个时刻t+1的epoch状态均不相同、且前后两个时刻t-1和t+1的epoch状态相同，则判定当前状态为瞬态噪声引起的误判，将其强制修正为前后时刻的状态。