本技术公开了一种非接触式的睡眠分期识别与结构分析方法和系统,属于睡眠监测领域。方法包括:获取待分期胸廓生理运动信号,所述待分期胸廓生理运动信号为若干睡眠片段,包括人体的胸廓呼吸运动信号和心跳运动信号;将所述待分期胸廓生理运动信号输入至预先训练好的神经网络模型,得到所述神经网络模型输出的睡眠分期识别和结构分析结果。本发明具有准确的睡眠结构参数估计能力,对睡眠诊断具有重要意义;同时低成本、使用便捷、不会对用户产生任何束缚与睡眠影响,可应用于日常智能睡眠监测中,具有居家健康监测应用价值。
背景技术
睡眠结构是指夜间睡眠过程中的整体特征和变化趋势,包括各分期的时长、比例及周期性分布等,良好的睡眠结构与睡眠质量息息相关,准确估计这些参数对患者状态评估与医生监测治疗进展具有重要的作用。
根据以下睡眠结构参数可以对睡眠结构进行分析:
总睡眠时间(TST):非觉醒阶段即REM、浅睡、深睡阶段的总时间;
慢波睡眠时间(SWST):NREM阶段,即浅睡及深睡阶段的总时间;
睡眠效率(SE):总睡眠时间与卧床时间之比;
入睡潜伏期(SL)、REM潜伏期(REML):分别为从上床准备就寝到实际进入睡眠或REM期间所需时间;
浅睡占比(LSP)、深睡占比(DSP)、REM占比(REMP):分别为浅睡时间(LST)、深睡时间(DST)或REM时间(REMT)在总睡眠时间中占比。
睡眠质量对人类健康至关重要,但传统睡眠监测方法,如多导睡眠图(PSG),存在成本高、使用复杂、穿戴不便等问题,难以普及。近年来,毫米波雷达技术因其非接触、可穿透等优点,被应用于非接触式睡眠监测,但现有方法在精度、抗干扰能力、异常体征适应性等方面存在不足。基于此,本发明提出一种非接触式的睡眠分期识别与结构分析方法和系统,能够有效地识别睡眠分期并提取睡眠结构参数,具有较高的精度和适应性,为居家健康监测提供了便捷的工具。
实现思路