本發(fā)明涉及輔助睡眠技術領域，特別是涉及一種睡眠狀態(tài)樣本數(shù)據(jù)類型的標注方法和系統(tǒng)。

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(guī)律等原因，導致了部分人群的睡眠質量欠佳，表現(xiàn)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(tài)下通過聲音、光信號等人工干預，避免在熟睡狀態(tài)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(tài)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(tài)，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(tài)模型來識別被測者的睡眠狀態(tài)，例如判斷用戶處于睡眠的哪個階段，但由于腦電信號的特異性較強，并且強度很弱容易受到外界干擾?，F(xiàn)有技術訓練的分類器對很多用戶的檢測存在誤差，難以對睡眠狀態(tài)樣本數(shù)據(jù)的類型進行標注。

技術實現(xiàn)要素：

基于此，有必要針對上述問題，提供一種睡眠狀態(tài)樣本數(shù)據(jù)類型的標注方法和系統(tǒng)，有效地提高睡眠狀態(tài)分類器識別的準確性。

一種睡眠狀態(tài)樣本數(shù)據(jù)類型的標注方法，包括：

采集用戶在睡眠狀態(tài)分析中產生的腦電信號，得到樣本數(shù)據(jù)；

構建多種睡眠狀態(tài)類型的樣本數(shù)據(jù)的特征向量以及特征向量聚集而成的簇中心，根據(jù)所述特征向量及其簇中心建立目標函數(shù)；其中，所述目標函數(shù)表征最小化相同類型的樣本數(shù)據(jù)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(tài)類型的樣本數(shù)據(jù)中選擇若干個特征向量作為原子的初始值，將各個樣本數(shù)據(jù)分配至所述原子并求解所述目標函數(shù)，得到分類字典；

將樣本數(shù)據(jù)輸入分類字典，比較與樣本數(shù)據(jù)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(shù)據(jù)的類型標注為與該原子的類型一致。

一種睡眠狀態(tài)樣本數(shù)據(jù)類型的標注系統(tǒng)，包括：

樣本采集模塊，用于采集用戶在睡眠狀態(tài)分析中產生的腦電信號，得到樣本數(shù)據(jù)；

字典構建模塊，用于構建多種睡眠狀態(tài)類型的樣本數(shù)據(jù)的特征向量以及特征向量聚集而成的簇中心，根據(jù)所述特征向量及其簇中心建立目標函數(shù)；其中，所述目標函數(shù)表征最小化相同類型的樣本數(shù)據(jù)與字典原子的距離，且最大化不同類型的原子之間的距離；

字典訓練模塊，用于分別從多種睡眠狀態(tài)類型的樣本數(shù)據(jù)中選擇若干個特征向量作為原子的初始值，將各個樣本數(shù)據(jù)分配至所述原子并求解所述目標函數(shù)，得到分類字典；

樣本標注模塊，用于將樣本數(shù)據(jù)輸入分類字典，比較與樣本數(shù)據(jù)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(shù)據(jù)的類型標注為與該原子的類型一致。

上述睡眠狀態(tài)樣本數(shù)據(jù)類型的標注方法和系統(tǒng)，基于具有分類能力的聚類算法來訓練字典，字典中原子分別對應一種睡眠狀態(tài)，以原子的個數(shù)為算法的參數(shù)，訓練時通過最小化相同類型的樣本與字典原子的距離，同時最大化不同類型的原子之間的距離的方式，以針對每種睡眠狀態(tài)訓練出相應的原子，然后利用對應于不同類型的原子及距離對樣本的類型進行判斷，從而可以準確地標注樣本數(shù)據(jù)的類型，使得后續(xù)用于睡眠狀態(tài)分類器的自學習過程中能夠訓練出更加準確的睡眠狀態(tài)分類器，提升睡眠狀態(tài)檢測的準確性。

附圖說明

圖1為一個實施例的睡眠狀態(tài)樣本數(shù)據(jù)類型的標注方法的流程圖；

圖2為一個實施例的睡眠狀態(tài)樣本數(shù)據(jù)類型的標注系統(tǒng)結構示意圖。

具體實施方式

下面結合附圖闡述本發(fā)明的睡眠狀態(tài)樣本數(shù)據(jù)類型的標注方法和系統(tǒng)的實施例。

參考圖1所示，圖1為一個實施例的睡眠狀態(tài)樣本數(shù)據(jù)類型的標注方法的流程圖，包括：

步驟S101，采集用戶在睡眠狀態(tài)分析中產生的腦電信號，得到樣本數(shù)據(jù)；

此步驟中，在對用戶進行輔助睡眠分析時，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(jù)需要進行睡眠狀態(tài)識別的任務，確定特征數(shù)據(jù)類型，從腦電信號中提取與之相應的樣本數(shù)據(jù)；例如，要識別1～N種睡眠狀態(tài)，提取用于進行這N種狀態(tài)識別的樣本數(shù)據(jù)。

步驟S102，構建多種睡眠狀態(tài)類型的樣本數(shù)據(jù)的特征向量以及特征向量聚集而成的簇中心，根據(jù)所述特征向量及其簇中心建立目標函數(shù)；其中，所述目標函數(shù)表征最小化相同類型的樣本數(shù)據(jù)與字典原子的距離，且最大化不同類型的原子之間的距離；

本步驟中，在KMeans(K均值)和KNN(K最鄰近)算法的基礎上，設計具有分類能力的聚類算法來訓練字典，字典中原子分別對應一種睡眠狀態(tài)(如清醒狀態(tài)，睡眠狀態(tài)等)，原子的個數(shù)為算法的參數(shù)。

當輸入樣本與原子的距離足夠小(相似度足夠大時)，則可以認為樣本的類型與原子的類型是一致的；建立目標函數(shù)，在訓練時通過最小化相同類型的樣本與字典原子的距離，同時最大化不同類型的原子之間的距離的方式，以針對每種特定狀態(tài)都訓練出相應的原子。

如果是多分類問題，設有一共有t種類型的樣本，為特征向量，為特征向量聚集而成的簇中心，目標函數(shù)的通用形式可以表示為如下形式：

式中，設有t種睡眠狀態(tài)類型的樣本數(shù)據(jù)，為特征向量，為特征向量聚集而成的簇中心。

以清醒狀態(tài)和睡眠狀態(tài)的二類問題為例，設為清醒狀態(tài)類型(wake)的特征向量，為清醒狀態(tài)類型的特征向量聚集而成的簇中心，為睡眠狀態(tài)類型(sleep)的特征向量，為睡眠狀態(tài)類型的特征向量聚集而成的簇中心，其目標函數(shù)可以表示為如下形式：

所述目標函數(shù)為：

式中，為清醒類型的特征向量，為清醒類型的特征向量聚集而成的簇中心，為睡眠類型的特征向量，為睡眠類型的特征向量聚集而成的簇中心，wake表示清醒類型，sleep表示睡眠類型。

步驟S103，分別從多種睡眠狀態(tài)類型的樣本數(shù)據(jù)中選擇若干個特征向量作為原子的初始值，將各個樣本數(shù)據(jù)分配至所述原子并求解所述目標函數(shù)，得到分類字典；

本步驟中，基于所述目標函數(shù)，訓練分類字典，在訓練時，本方案在經典的KMeans算法的基礎上進行改進，以清醒狀態(tài)和睡眠狀態(tài)的二類分類問題為例，訓練過程可以如下：

(1)初始化時，分別從清醒類型的樣本數(shù)據(jù)和睡眠類型的樣本數(shù)據(jù)中隨機設定若干個特征向量作為原子；將各個樣本數(shù)據(jù)分配給距離其最近的原子；

(2)更新原子，若歸屬于本原子的所有樣本數(shù)據(jù)與原子的類型一致(均為清醒狀態(tài)類型或者均為睡眠狀態(tài)類型)，則計算屬于該原子的所有樣本數(shù)據(jù)的均值，并以此作為新的原子；

若存在與原子類型不一致的樣本數(shù)據(jù)，則分別計算清醒類型的樣本數(shù)據(jù)和睡眠類型的樣本數(shù)據(jù)的均值，計算過程可以包括如下公式：

式中，c'_wake為清醒類型的樣本數(shù)據(jù)的均值，c'_sleep為睡眠類型的樣本數(shù)據(jù)的均值；

根據(jù)與原子類型不一致的樣本數(shù)據(jù)(陰性樣本)的數(shù)量及其位置修正原子的位置，將原子的位置更新在距離陰性樣本數(shù)據(jù)的更遠的位置，計算過程可以包括如下公式：

式中，c為修正后原子的位置，g為判斷函數(shù)，w為權重值；

進一步的，所述權重值w的計算公式可以如下：

式中，w_wake為清醒類型的權重值，w_sleep為睡眠類型的權重值。

作為另一個實施例，所述權重值w的計算公式也可以如下：

(3)若歸屬于本原子的所有樣本數(shù)據(jù)與原子的類型均不一致，則變更該原子的類型，并計算屬于該原子所有樣本數(shù)據(jù)的均值，并將該均值作為新的原子；

(4)重復執(zhí)行步驟(2)和(3)進行迭代，當?shù)昂蟮脑拥牟钪敌∮谠O定范圍(足夠小)，或者沒有樣本數(shù)據(jù)被分配至新的原子時，存儲當前的分類字典并退出訓練。

步驟S104，將樣本數(shù)據(jù)輸入分類字典，比較與樣本數(shù)據(jù)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(shù)據(jù)的類型標注為與該原子的類型一致。

此步驟中，利用樣本數(shù)據(jù)對分類字典進行測試，通過比較與樣本數(shù)據(jù)最近的原子的類型與距離來判斷樣本數(shù)據(jù)的類型，若距離小于閾值，則認為樣本數(shù)據(jù)的類型與該原子的類型一致，輸出“真”的判斷，將該樣本數(shù)據(jù)的類型標注為與該原子的類型一致，反之則拒絕判斷。

利用上述方案對樣本數(shù)據(jù)標注的類型。可以用于訓練分類器，例如，選用svm(支持向量機)分類器，神經網(wǎng)絡訓練分類模型。

參考圖2所示，圖2為一個實施例的睡眠狀態(tài)樣本數(shù)據(jù)類型的標注系統(tǒng)結構示意圖，包括：

樣本采集模塊101，用于采集用戶在睡眠狀態(tài)分析中產生的腦電信號，得到樣本數(shù)據(jù)；

字典構建模塊102，用于構建多種睡眠狀態(tài)類型的樣本數(shù)據(jù)的特征向量以及特征向量聚集而成的簇中心，根據(jù)所述特征向量及其簇中心建立目標函數(shù)；其中，所述目標函數(shù)表征最小化相同類型的樣本數(shù)據(jù)與字典原子的距離，且最大化不同類型的原子之間的距離；

字典訓練模塊103，用于分別從多種睡眠狀態(tài)類型的樣本數(shù)據(jù)中選擇若干個特征向量作為原子的初始值，將各個樣本數(shù)據(jù)分配至所述原子并求解所述目標函數(shù)，得到分類字典；

樣本標注模塊104，用于將樣本數(shù)據(jù)輸入分類字典，比較與樣本數(shù)據(jù)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(shù)據(jù)的類型標注為與該原子的類型一致。

本發(fā)明的睡眠狀態(tài)樣本數(shù)據(jù)類型的標注系統(tǒng)與本發(fā)明的睡眠狀態(tài)樣本數(shù)據(jù)類型的標注方法一一對應，在上述睡眠狀態(tài)樣本數(shù)據(jù)類型的標注方法的實施例闡述的技術特征及其有益效果均適用于睡眠狀態(tài)樣本數(shù)據(jù)類型的標注系統(tǒng)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(fā)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(fā)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(fā)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(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應以所附權利要求為準。