【技术实现步骤摘要】
本专利技术涉及生物医学工程和人工智能，特别是涉及一种基于深度学习的睡眠质量分析系统。
技术介绍
1、随着生活节奏的加快，睡眠质量问题日益受到关注。传统的睡眠监测方法通常依赖于多导睡眠图(psg)，但其设备复杂且不便于日常使用。近年来，基于可穿戴设备的数据采集结合深度学习技术的睡眠分析方法逐渐成为研究热点。
2、申请号为202311397993.6的专利技术专利中公开了一种基于检测数据分析的用户睡眠质量管理系统，系统包括：睡眠状态监测模块，包括环境监测单元、生理监测单元及睡姿监测单元，用于分别对用户所处的睡眠环境状态、生理参数及睡姿状态进行监测，获得监测数据；分析单元，用于根据监测数据及用户的历史睡眠数据对用户的睡眠状态进行评价，获得评价结果；溯源模块，用于根据评价结果对影响用户睡眠因素进行溯源，并发出对应的提示建议；睡姿监测单元包括感应枕及感应床垫，感应枕包括枕体及若干组压力传感器；感应床垫包括床垫本体及若干组压力传感器；对用户的睡眠状态进行评价的过程包括：s1、根据感应枕感应床垫中压力传感器的参数对用户睡姿变化状态进行监测，获得睡姿状态监测数据；s2、通过生理监测单元获取用户睡眠过程的各项生理参数数值；s3、根据睡姿状态监测数据及各项生理参数数值对用户睡眠状态进行评价。但是，该技术仅依赖于压力传感器、环境和基本生理参数，然而睡眠质量受到更多因素的影响，如脑电波活动、皮肤电反应等，这些未被涵盖，从而导致其睡眠质量监测效果较差。
技术实现思路
1、为了克服现有技术的不足，
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于深度学习的睡眠质量分析系统，包括：
4、多模态信号采集模块，用于采集目标用户的生理信号和环境信号；所述生理信号包括脑电波信号、肌电图信号和皮肤电阻信号；所述环境信号包括温湿度信号和空气质量信号；
5、去噪模块，用于对所述生理信号和所述环境信号进行去噪处理，得到去噪信号；
6、特征提取模块，用于将所述去噪信号进行特征提取，得到信号特征；
7、特征处理模块，用于对所述信号特征进行数据清洗、数据填补和归一化处理，得到归一化特征；
8、评估模块，用于将所述归一化特征输入至训练好的睡眠质量评估模型中，得到评估结果；所述睡眠质量评估模型是通过深度学习网络构建的。
9、优选地，所述去噪模块包括：
10、信号分解子模块，用于分别使用基函数将所述生理信号和所述环境信号分解成不同频率的子信号；
11、系数获取子模块，用于获取不同频率子信号所对应的变换系数；
12、方差计算子模块，用于计算每个分解尺度下变换系数的方差；
13、模型构建子模块，用于基于变换系数的方差构建信号去噪模型；
14、预处理子模块，用于使用所述信号去噪模型对所述生理信号和所述环境信号进行预处理，得到所述去噪信号。
15、优选地，所述模型构建子模块包括：
16、标准差估计单元，用于根据变换系数的方差估算异常噪声的标准差；
17、阈值构建单元，用于根据噪声的标准差构建系数去除阈值；其中，所述系数去除阈值为：其中，t表示系数去除阈值，σ0表示变换系数的方差，σp表示异常噪声的标准差，median(dp)表示在第p个分解尺度下变换系数的中值；
18、去噪模型构建单元，用于利用所述系数去除阈值构建信号去噪模型。
19、优选地，所述信号去噪模型为：
20、
21、其中，α表示变换系数，wj,k表示第j个分解尺度下的变换系数，m表示收敛系数，sgn表示符号函数，wj,k表示去除异常值的变换系数。
22、优选地，所述预处理子模块包括：
23、系数设定单元，用于为所述信号去噪模型设定初始的变换系数和收敛系数；
24、处理单元，用于利用设定完成的信号去噪模型对变换系数进行处理，得到去除异常值的变换系数；
25、重构单元，用于对去除异常值的变换系数进行重构，得到重构后的信号；
26、信噪比计算单元，用于计算重构后信号与原始的所述生理信号和所述环境信号之间的信噪比；
27、迭代单元，用于当信噪比不在预设范围时，重新设定变换系数和收敛系数，直到信噪比保持在预设范围。
28、优选地，所述信号特征包括生理信号子特征和环境信号子特征；所述生理信号子特征包括：脑电波信号的频带能量、功率谱密度、熵和复杂度、肌电图信号的平均振幅、频率和零交叉率、皮肤电阻信号的导电性变化和皮肤电反应频率；所述环境信号子特征包括：温湿度信号的平均温湿度和变化率、空气质量信号的二氧化碳浓度和挥发性有机化合物水平。
29、优选地，所述特征处理模块包括：
30、第一遍历子模块，用于遍历所有信号特征，检测重复无效的数据，对检测到重复无效的数据进行删除；
31、第二遍历子模块，用于遍历所有信号特征，检测数据中具有缺失的特征，其中，对缺失值超过80％的特征进行删除处理，对缺失值低于80％的特征，基于knn算法对其进行填补；
32、不平衡子模块，用于基于smote算法对进行数据删除及数据填补后的特征数据进行数据不平衡处理；
33、归一化子模块，用于基于z-score标准化方法对数据不平衡处理后的数据进行归一化处理，得到所述归一化特征。
34、优选地，所述睡眠质量评估模型包括多模态输入层、单信号卷积层、共享特征融合层、时序分析层、特征注意机制层和输出评估层；所述多模态输入层设置有对应每种信号类型的输入通道；所述多模态输入层与所述单信号卷积层连接；所述共享特征融合层与所述单信号卷积层连接；所述共享特征融合层用于聚合来自不同单信号卷积层的特征，通过融合算法将特征进行整合，得到融合特征；所述时序分析层与所述共享特征融合层连接，所述时序分析层用于使用长短期记忆网络对融合特征进行时间序列分析；所述特征注意机制层与所述共享特征融合层连接，所述特征注意机制层部署有注意力机制，以动态调整不同信号的特征权重；所述输出评估层与所述时序分析层连接，所述输出评估层用于根据时间序列分析的结果进行评估结果的综合计算；所述评估结果包括睡眠质量分数。
35、优选地，所述睡眠质量分数的计算公式为：
36、
37、其中，sq为睡眠质量分数，n为信号特征数量，ai为第i个信号特征的注意力权重，fi为第i个信号特征的值，lstmoutput为lstm层的输出结果，m为环境信号特征的数量，wj为第j个环境特征的贡献系数，pj为第j个环境信号特征的值，例如平均温度、湿度变化和空气质量指数，α为控制单信号特征汇总对总分的影响，β为控制时间序列动态特征的影响力度，γ为调节环境特征在总分中的比重，δ为偏置项，用于调整最终分数的基准。
38、根本文档来自技高网...
【技术保护点】
1.一种基于深度学习的睡眠质量分析系统，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的睡眠质量分析系统，其特征在于，所述去噪模块包括：
3.根据权利要求2所述的基于深度学习的睡眠质量分析系统，其特征在于，所述模型构建子模块包括：
4.根据权利要求3所述的基于深度学习的睡眠质量分析系统，其特征在于，所述信号去噪模型为：
5.根据权利要求4所述的基于深度学习的睡眠质量分析系统，其特征在于，所述预处理子模块包括：
6.根据权利要求1所述的基于深度学习的睡眠质量分析系统，其特征在于，所述信号特征包括生理信号子特征和环境信号子特征；所述生理信号子特征包括：脑电波信号的频带能量、功率谱密度、熵和复杂度、肌电图信号的平均振幅、频率和零交叉率、皮肤电阻信号的导电性变化和皮肤电反应频率；所述环境信号子特征包括：温湿度信号的平均温湿度和变化率、空气质量信号的二氧化碳浓度和挥发性有机化合物水平。
7.根据权利要求1所述的基于深度学习的睡眠质量分析系统，其特征在于，所述特征处理模块包括：
8.根据权利要求1所
9.根据权利要求8所述的基于深度学习的睡眠质量分析系统，其特征在于，所述睡眠质量分数的计算公式为：
...【技术特征摘要】
1.一种基于深度学习的睡眠质量分析系统，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的睡眠质量分析系统，其特征在于，所述去噪模块包括：
3.根据权利要求2所述的基于深度学习的睡眠质量分析系统，其特征在于，所述模型构建子模块包括：
4.根据权利要求3所述的基于深度学习的睡眠质量分析系统，其特征在于，所述信号去噪模型为：
5.根据权利要求4所述的基于深度学习的睡眠质量分析系统，其特征在于，所述预处理子模块包括：
6.根据权利要求1所述的基于深度学习的睡眠质量分析系统，其特征在于，所述信号特征包括生理信号子特征和环境信号子特征；所述生理信号子特征包括：脑电波信号的频带能量、功率谱密度、熵和复杂度、肌电图信号的平均振幅、频率和零交叉率、皮肤电阻信号的导电性变化和皮肤电反应频率；所述环境信号子特征包括：温湿度信号的平均温湿度和变化率、空气质量信号的二氧化碳浓度和挥发性有机化合物水平。
7.根据权利要求1所述的基于深度学习的睡眠质量分...
【专利技术属性】
技术研发人员：束长俊，徐剑峰，
申请(专利权)人：上海酷潮科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。