基于PPG心率特征参数和运动量的睡眠状态分析方法与流程

基于ppg心率特征参数和运动量的睡眠状态分析方法
技术领域
1.本发明涉及睡眠监测技术领域，尤其涉及一种基于ppg心率特征参数和运动量的睡眠状态分析方法。


背景技术：

2.睡眠是人类最为重要生理活动之一，也是人类认识、代谢、免疫等功能正常运转不可或缺的重要生理现象，睡眠在人类生命中大约占有三分之一的时间。睡眠是机体进行自我修复和完善的过程，可以帮助人体恢复疲劳和缓解情绪。由于睡眠时人体没有自主意识，无法自我了解睡眠状态，以及睡眠状态下机体发生了哪些变化，因此利用某种技术手段判别人体睡眠状态以及显示睡眠状态对每个人来说都有很大好处，尤其是了解睡眠状态的变化情况，对某些与睡眠相关的病症的治疗也有很大帮助。
3.睡眠状态是根据人体在睡眠期间生理信号的不同变化呈现周期性规律，并且都有各自特定的生理和行为特点。根据脑电的不同特征，将睡眠分为入睡期，nrems非快速眼动期（浅睡期light，深睡期deep）和快速眼动期rem期r，清醒期w。
4.目前市场上睡眠监测手段有导睡眠监测系统psg，睡眠监测床垫，睡眠监测枕，智能手环或手表等。其中以多导睡眠监测系统psg为主导，其睡眠状态识别方式是测量人体入睡状态下的脑电、眼电和肌电等生理信号的波形变化，进行判断睡眠状态；睡眠监测床垫以为电容式床垫监测方式，在睡眠过程中，人体的呼吸和生体的翻动都会导致床垫中静电荷分布产生变化，利用这一变化获取人体的生理信号，包括呼吸信号和体动信号，利用生理信号对睡眠进行分期。睡眠监测枕利用压力传感器采集到压力信号进而获取睡眠过程中的呼吸信号和翻身次数来分析睡眠时相。可穿戴智能手环或手表利用三轴加速度传感器测量人体腕部动作的方法来判断使用者睡眠状态，特别是通过统计人体在睡眠中每分钟的腕部动作次数，然后利用分段处理的方法来判断人体在睡眠中每分钟所处的睡眠状态（包括清醒w、浅睡l、深睡d）。
5.总之，但上述睡眠监测手段都有一些不足，如多导睡眠监测方式虽能精确的进行睡眠分析，但此方式设备复杂，需专业医护人员操作，且使用者需付较高费用，同时技术上由于采用贴身电极采集数据的方式存在对人自然的睡眠状态造成极大干扰，影响正常睡眠，故会对睡眠状态的识别也会造成错误的判断，此应用仅仅局限于医院等医疗专业领域，并不适合大众的日常生活使用。睡眠监测床垫的测量虽然准确，但其体积庞大不利于移动和携带，且拥有高成本的局限性，故也不能普及使用。睡眠监测枕使用虽然给使用者带来了较高舒适度，但同样因为成本高的特点而不能被推广使用；市面上的智能手环通过腕动信号指标进行睡眠质量的检测具有单一性和局限性，因人体在睡眠状态下动作和脑电的关联性非常弱，利用加速度传感器测量腕部动作的大小或数量，然后据此来判别人体处于浅睡或深睡是完全不准确的，并没有很好反映睡眠各时相状态。


技术实现要素：

6.本发明的目的在于克服现有技术的不足，提供基于ppg心率特征参数和运动量的睡眠状态分析方法，采用以心率和心率变异等多种生理性特征参数为主，以体动感知运动数据特征参数为辅，通过睡眠状态时相神经网络分析模型进行睡眠状态时相分析的算法和方法，为睡眠状态时相分析提供强有力的依据，本发明有效提高了睡眠状态时相分析的准确性，低成本性，易移动，实施性和舒适性，以可穿戴设备方式，精准测量其睡眠状态时相，具有广泛的应用前景。
7.本发明的目的是通过以下技术方案来实现的：基于ppg心率特征参数和运动量的睡眠状态分析方法，包括：步骤一：数据预处理，首先接收脉搏波ppg心率数据及其心率数据属性时间戳和体动感知运动数据，并对接收的脉搏波ppg心率数据和体动感知运动数据进行异常数据处理；步骤二：特征参数提取，采用窗口移动的方式分别对预处理后的脉搏波ppg心率数据和体动感知运动数据进行特征参数提取，获得实时特征参数；步骤三：睡眠状态时相分析，将实时特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠分析，输出最终的睡眠状态时相分析结果。
8.具体的，所述步骤一具体包括：首先接收脉搏波ppg心率数据及其心率数据属性时间戳和体动感知运动数据后，对接收的脉搏波ppg心率数据和体动感知运动数据进行异常数据处理，去除超出预设ppg心率范围的数据以及相邻两个心率数据波动幅度超出预设波动范围的数据。
9.具体的，所述实时特征参数具体包括心率特征参数和运动量特征参数；心率特征参数包括心率逐跳间隔rri、心率均值hr、心率变异性hrv标准差std和hrv心率变异性系数cv；运动量特征参数包括加速度频率、加速度幅度和与加速度运功功率谱。
10.具体的，方法还包括睡眠状态时相神经网络分析模型的构建步骤：首先选择特定数据作为自动学习数据组库，进行数据库特征参数提取；根据对应已知多导睡眠图psg获得精准睡眠状态结果，并将数据库特征参数和精准睡眠状态结果输入到睡眠状态时相神经网络分析模型进行初始自动学习、训练，获取初始仲裁权值，再结合实际测量数据和窗口移动提取的特征参数，根据特定的学习规则，对各个神经网络元的仲裁权值和睡眠状态时相结果进行多次反馈调整修正，直至该神经网络输出期望与已知精准睡眠状态结果一致时，并根据神经网络输出的学习结果构建睡眠状态时相神经网络分析模型。
11.具体的，所述步骤三具体包括：将提取的实测脉搏波ppg心率数据特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠状态分析判断，并根据个体生理参数的差异性利用个体生理参数对睡眠状态时相神经网络分析模型的初始仲裁权值进行修正，最终获得具有个体生理参数差异的睡眠状态分析结果。
12.具体的，所述将提取的实时特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠状态分析判断过程具体包括：步骤s401：将脉搏波ppg心率数据连续4个移动窗口作为一个处理分析单元，并将睡眠状态划分为清醒期w、浅睡期l、快速眼动期r和深睡期d；步骤s402：首先判断处理分析单元内的特征参数心率均值/hr、rr间期的心率变异性hrv标准差std以及hrv心率变异性系数cv，并同时辅助判断移动窗口分析单元内体动感
知运动量均为最低区段，则判断其属于nrems深睡期d；步骤s403：对不满足nrems深睡期d特点的分析单元的特征参数，则判断处理分析单元内特征参数心率均值/hr、rr间期的心率变异性hrv标准差std以及hrv心率变异性系数cv，并同时辅助判断移动窗口分析单元内体动感知运动量均为最高区段，则判断其属于wake清醒期w；步骤s404：对不满足nrems深睡期d和wake清醒期w特点的处理分析单元的特征参数，即睡眠时相状态属于nrems浅睡期l或rem快速眼动期r处理分析单元，则利用睡眠状态的连续性特点，判断其相邻的前一处理分析单元所属的睡眠时相状态，若前一处理分析单元属于nrems浅睡期l或rem快速眼动期r，表明该处理分析单元及可能继续保持其前一处理分析单元的睡眠时相状态，所以会将该处理分析单元所属时相划分与前一处理分析单元一致，若前一处理分析属于nrems深睡期d和wake清醒期则意味着当前单元睡眠时相状态发生转变，需对其过渡单元进行分期处理；步骤s405：对于过渡单元需要解决粒度不精导致的单一时相区分特征失效问题，将过渡单元转为4个30s固定时段窗口移动为一个小单元重新处理；首先顺序处理每个小单元至不满足nrems深睡期d和wake清醒期的特征，然后利用nrems深睡期d进入rem快速眼动期r期时，心率值上升迅速且心率值不稳定的区分特征，通过计算由时相改变处两侧2个所属不同时相30s片段构成1min心率数据的极差值，与nrems深睡期d到rem快速眼动期r期心率跳变程度阀值比较，判断余下单元所属rem快速眼动期r期；或利用nrems浅睡期l进入nrems深睡期d时，心率值下降迅速且心率值连续稳定的区分特征，通过计算由时相改变处两侧2个所属不同时相30s片段构成1min心率数据的极差值，与nrems浅睡期d到nrems深睡期l心率波动程度阀值比较，判断余下单元所属nrems浅睡期d。
13.具体的，固定时段窗口移动为2min～5min 时长或30时长的脉搏波ppg心率数据。
14.个体生理参数包括样本数据所有者的清醒状态下心率值，nrems期心率波动程度阀值、rem到nrems期心率动态波动程度阀值、rem到wake期心率动态跳变程度阀值和前一单元睡眠的状态变量即为初始化为wake期。
15.本发明的有益效果：1.本发明采用以心率和心率变异等多种生理性特征参数为主，以体动感知运动特征参数为辅，通过睡眠状态时相神经网络分析模型进行睡眠状态时相分析的算法和方法，为睡眠状态时相分析提供强有力的依据，本发明有效提高了睡眠状态时相分析的准确性，低成本性，易移动，实施性和舒适性，以可穿戴设备方式，精准测量其睡眠状态时相，具有广泛的应用前景。
16.2.本发明考虑到生理数据复杂多变会对睡眠分析结果准确性产生影响，需进行反复对神经网络进行自动学习，实时根据个体不同进行仲裁权值修正，实现更准确，高效的进行睡眠状态时相的分析和识别。
附图说明
17.图1是本发明的方法逻辑结构框架图。
18.图2是本发明的睡眠状态时相神经网络分析模型功能图。
19.图3是本发明的睡眠状态分析逻辑判断流程图。
20.图4是本发明的rr间期示意图。
21.图5是本发明的睡眠期间监测的脉搏波ppg心率数据图。
22.图6是本发明的心率和体动感知运动度数据的睡眠状态分析结果图。
23.具体实施方式
24.为了对本发明的技术特征、目的和效果有更加清楚的理解，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，所描述的实施例仅是本发明的一部分实施例，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。
25.实施例一：本实施例中，如图1所示，一种基于ppg心率特征参数和运动量的睡眠状态分析方法，包括：步骤一：数据预处理，首先接收脉搏波ppg心率数据及其心率数据属性时间戳和体动感知运动数据后，并对接收的脉搏波ppg心率数据和体动感知运动数据进行异常数据处理；步骤二：特征参数提取，采用窗口移动的方式分别对预处理后的脉搏波ppg心率数据和体动感知运动数据进行特征参数提取，获得实时特征参数；步骤三：睡眠状态时相分析，将实时特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠分析，输出最终的睡眠状态时相分析结果。
26.本实施例中，步骤一具体包括：首先接收脉搏波ppg心率数据及其心率数据属性时间戳和体动感知运动数据后，并接收的脉搏波ppg心率数据和体动感知运动数据进行异常数据处理，去除超出预设ppg心率范围的数据以及相邻两个心率数据波动幅度超出预设波动范围的数据。脉搏波ppg心率范围的数据为30～220次/分钟；相邻两个心率数据波动幅度为瞬间心率跳动12次/分钟。
27.本实施例中，实时特征参数具体包括心率特征参数和运动量特征参数；心率特征参数包括心率逐跳间隔rri、心率均值hr、心率变异性hrv标准差std和hrv心率变异系数cv；运动量特征参数包括加速度频率、加速度幅度和与加速度运功功率谱。
28.本实施例中，利用心率变异性呈现出与脑电波类似的周期性的变化特点，并根据人体在睡眠的不同状态时相，其生理心率和体动感知运动数据与睡眠的不同状态有着密切的相关性特点，即睡眠程度越深，心跳会越慢，变化最为平稳，在数据上就会越表现为心率最小，且心率间变化也最小且在深睡状态体动频率和幅度都会较小。结合以上两种数据，引入适当的生理特征参数和体动感知运动特征参数（心率逐跳间隔rri、平均心率率/hr、rr间期的心率变异性hrv标准差std、心率变异性系数cv、加速度运动量功率谱g），并基于睡眠中的循环交替模式（cyclic alternating pattern，cap）来判断睡眠不同状态时相的一种分析和识别算法。
29.本发明方法逻辑结构框架是首先接收脉搏波ppg心率数据及其心率数据属性时间戳和体动感知运动数据后，并对接收的脉搏波ppg心率数据和体动感知数据进行异常数据
处理，包括超出ppg心率范围数据以及相邻两个心率数据波动超出范围的数据；其次是对脉搏波ppg心率数据和体动感知运动数据采用某固定时段窗口移动方式进行特征参数提取：1. 脉搏波ppg心率数据如图5所示，脉搏波ppg心率数据提取的特征参数（rri为脉搏波ppg心率逐跳间隔；/hr为平均心率；std为rr间期的心率变异性hrv标准差；cv为心率变异性hrv系数）；2.体动感知运动数据提取特征参数（加速度频率、加速度幅度、加速度运功功率谱）；再次根据心率特征参数为主，体动感知运动数据特征参数为辅，在睡眠实时神经完成分析模型进行睡眠状态时相分析、训练、权值仲裁修正和其结果修正。最后根据睡眠实时神经网络分析模型的结论输出睡眠各状态时相结果即睡眠总时长，快速眼动期r、非快速眼动期n的总时长和清醒期w时刻。
30.本实施例可以达到以下技术效果：本实施例采用以心率和心率变异性等多种生理性特征参数为主，以体动感知运动特征参数为辅，通过睡眠状态时相神经网络分析模型进行睡眠状态时相分析的算法和方法，为睡眠状态时相分析提供强有力的依据，本发明有效提高了睡眠状态时相分析的准确性，低成本性，易移动，实施性和舒适性，以可穿戴设备方式，精准测量其睡眠状态时相，具有广泛的应用前景。
31.实施例二：本实施例中，在实施例一的基础上，一种基于ppg心率特征参数和运动量的睡眠状态分析方法，包括：步骤一：数据预处理，在接收脉搏波ppg心率数据及其心率数据属性时间戳和体动感知运动数据后，然后对接收的脉搏波ppg心率数据和体动感知运动数据进行异常数据处理；步骤二：特征参数提取，采用窗口移动的方式分别对预处理后的ppg心率数据和运动量数据进行特征参数提取，获得实时特征参数；步骤三：睡眠状态时相分析，将实时特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠分析，输出最终的睡眠状态时相分析结果。
32.本实施例中，方法还包括睡眠状态时相神经网络分析模型的构建步骤：首先选择特定数据作为自动学习数据组库，进行数据库特征参数提取；根据对应已知多导睡眠图psg获得精准睡眠状态结果，并将数据库特征参数和精准睡眠状态结果输入到睡眠状态时相神经网络分析模型进行初始自动学习、训练，获取初始仲裁权值，再结合实际测量数据和窗口移动提取的特征参数，根据特定的学习规则，对各个神经网络元的仲裁权值和睡眠状态时相结果进行多次反馈调整修正，直至该神经网络输出期望与已知精准睡眠状态结果一致时，并根据神经网络输出的学习结果构建睡眠状态时相神经网络分析模型。
33.本实施例中，步骤三具体包括：将提取的实测脉搏波ppg心率数据特征参数输入到睡眠状态时相神经网络分析模型中进行睡眠状态分析判断，并根据个体生理参数的差异性利用个体生理参数对睡眠实时神经网络分析模型的初始仲裁权值进行修正，最终获得如图6所示的具有个体生理参数差异的睡眠状态分析结果。
34.本实施例中，如图2所示，睡眠状态时相神经网络分析模型功能是本技术方案的睡眠状态时相分析和识别的核心算法。首先选择特定数据作为自动学习数据组库，进行数据库特征参数提取；根据对应已知多导睡眠图psg获得精准睡眠状态结果，并将数据库特征参
数和精准睡眠状态结果输入到神经网络进行初始自动学习、训练，获取初始仲裁权值，再结合实际测量数据和窗口移动提取的特征参数，根据特定的学习规则，对各个神经网络元的仲裁权值和睡眠状态时相结果进行多次反馈调整修正，直至该神经网络输出期望与已知精准睡眠状态结果一致。此时得到初始神经网络元仲裁权值和神经网络分析模型，可以作为自动睡眠状态分析和识别的实时神经网络分析模型。由于生理数据复杂多变，对结果准确性产生影响，需进行反复对神经网络进行自动学习，实时根据个体不同进行仲裁权值修正，实现更准确，高效的进行睡眠状态时相的分析和识别。
35.本实施例中，睡眠状态时相神经网络分析模型的核心是睡眠深度与睡眠期间心率特征参数和体动感知运动量呈负相关，随着睡眠深度增加，特征参数差逐渐减少，清醒期w特征参数最大，快速眼动期r其次，非快速眼动期浅睡期l再其次，最后非快速眼动期深睡期d最小，即stdw》stdr》std
l
》stdd；/hrw》/hrr》/hr
l
》/hrd；cvw》cvr》cv
l
》cvd；其中清醒期的运动量信号一般较频繁且动作幅度较大，而睡眠时相的rem和nrems阶段可能存在表现不明显的体动行为，其频率较低且幅度小，即 gw》gr》g
l
》gd。
36.本实施例可以达到以下技术效果：1.本实施例采用以心率和心率变异等多种生理性特征参数为主，以体动感知运动量参数为辅，通过睡眠状态时相神经网络分析模型进行睡眠状态时相分析的算法和方法，为睡眠状态时相分析提供强有力的依据，本发明有效提高了睡眠状态时相分析的准确性，低成本性，易移动，实施性和舒适性，以可穿戴设备方式，精准测量其睡眠状态时相，具有广泛的应用前景。
37.2.本实施例考虑到生理数据复杂多变会对睡眠分析结果准确性产生影响，需进行反复对神经网络进行自动学习，实时根据个体不同进行仲裁权值修正，实现更准确，高效的进行睡眠状态时相的分析和识别。
38.实施例三：本实施例中，对实施例二中做进一步改进，根据睡眠状态时相与心率呈负相关规律，采用如下算法处理，如图3所示，该算法逻辑为：1、如图4所示，本实施例通过对数据分析研究发现小于60s长度内的心率不易分别心率变化状态，对nrems期心率的平稳状态反映效果不够理想，研究发现2～5min长度内的心率数据的规则较能反映上述睡眠状态时相与心率呈负相关规律。外加之睡眠状态时相心率具有局部稳定性和连续性的特点，故把脉搏波ppg心率数据连续4个移动窗口作为一个处理分析单元。
39.2、根据nrems深睡期d心率最低且变化最平稳特点以及体动感知运动数据也最低的特点，首先判断处理分析单元内的特征参数心率均值/hr、rr间期的心率变异性hrv的标准差std以及心率变异性hrv系数cv，并同时辅助判断移动窗口分析单元内体动感知运动数据均为最低区段，则判断其属于nrems深睡期d。
40.3、对不满足nrems深睡期d特点的处理分析单元的特征参数，则判断处理分析单元内特征参数心率均值/hr、rr间期的心率变异性hrv标准差std以及hrv心率变异性系数cv，并同时辅助判断处理分析单元内体动感知运动量均为最高区段，则判断其属于wake清醒期w。
41.4、对不满足nrems深睡期d和wake清醒期w特点的处理分析单元的特征参数，即睡
眠时相状态属于nrems浅睡期l或rem快速眼动期r处理分析单元，则利用睡眠状态的连续性特点，判断其相邻的前一处理分析单元所属的睡眠时相状态，若前一处理分析单元属于nrems浅睡期l或rem快速眼动期r，表明该处理分析单元及可能继续保持其前一处理分析单元的睡眠时相状态，所以会将该处理分析单元所属时期划分与前一处理分析单元一致，若前一处理分析属于nrems深睡期d和wake清醒期w则意味着当前单元睡眠时相状态发生转变，需对其过渡单元进行分期处理5、对于过渡单元需要解决粒度不精导致的单一时期区分特征失效问题，将过渡单元转为4个30s固定时段窗口移动为一个小单元重新处理；首先顺序处理每个小单元至不满足nrems深睡期d和wake清醒期w的特征，然后利用nrems深睡期d进入rem快速眼动期r期时，心率值上升迅速且心率值不稳定的区分特征，通过计算由时相改变处两侧2个所属不同时相30s片段构成1min心率数据的极差值，与nrems深睡期d到rem快速眼动期r期心率跳变程度阀值比较，判断余下单元所属rem快速眼动期r期；或利用nrems浅睡期l进入nrems深睡期d时，心率值下降迅速且心率值连续稳定的区分特征，通过计算由时相改变处两侧2个所属不同时相30s片段构成1min心率数据的极差值，与nrems浅睡期d到nrems深睡期l心率波动程度阀值比较，判断余下单元所属nrems浅睡期d。
42.本实施例中，上述算法所需的参数说明及设置方式，考虑到不同个体生理参数的差异性，该算法需要的参数有：样本数据所有者的清醒状态下心率值，nrems期心率的波动程度阀值，rem到nrems期心率动态波动程度阀值，rem到wake期心率动态变化程度阀值和记录前一单元睡眠的状态变量（初始化为wake期）。
43.其中，瞬时心率=ihr=60/rri；平均心率；rr间期均值；rr间期的标准差；心率变异系数cv=std/rri。
44.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。