本發(fā)明涉及輔助睡眠技術(shù)領(lǐng)域，特別是涉及一種睡眠狀態(tài)分類器的訓(xùn)練方法和系統(tǒng)。

背景技術(shù)：

在睡眠中，人體進(jìn)行了自我放松及恢復(fù)的過程，因此良好的睡眠是保持身體健康的一項(xiàng)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(dǎo)致了部分人群的睡眠質(zhì)量欠佳，表現(xiàn)為失眠、半夜驚醒等。

目前市面上已經(jīng)有一些設(shè)備來(lái)幫助人們?nèi)胨?，提高睡眠質(zhì)量。例如在某一特定睡眠狀態(tài)下通過聲音、光信號(hào)等人工干預(yù)，避免在熟睡狀態(tài)下叫醒用戶等。對(duì)于輔助睡眠的設(shè)備而言，為了真正達(dá)到提高用戶睡眠質(zhì)量的目的，正確的檢測(cè)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(dǎo)睡眠圖識(shí)別睡眠狀態(tài)，主要是利用腦電信號(hào)來(lái)對(duì)睡眠進(jìn)行分析，通過訓(xùn)練睡眠狀態(tài)模型來(lái)識(shí)別被測(cè)者的睡眠狀態(tài)，例如判斷用戶處于睡眠的哪個(gè)階段，但由于腦電信號(hào)的特異性較強(qiáng)，并且強(qiáng)度很弱容易受到外界干擾。現(xiàn)有技術(shù)訓(xùn)練的分類器對(duì)很多用戶的檢測(cè)存在誤差，準(zhǔn)確性難以得到保證。

技術(shù)實(shí)現(xiàn)要素：

基于此，有必要針對(duì)上述問題，提供一種睡眠狀態(tài)分類器的訓(xùn)練方法和系統(tǒng)，有效地提高睡眠狀態(tài)分類器識(shí)別的準(zhǔn)確性。

一種睡眠狀態(tài)分類器的訓(xùn)練方法，包括：

構(gòu)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(biāo)函數(shù)；其中，所述目標(biāo)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(gè)特征向量作為原子的初始值，將各個(gè)樣本數(shù)據(jù)分配至所述原子并求解所述目標(biāo)函數(shù)，得到分類字典；

利用分類字典對(duì)樣本數(shù)據(jù)進(jìn)行分類，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(yù)設(shè)的閾值，則判斷該樣本數(shù)據(jù)的類型與該原子的類型一致；

根據(jù)分類后的樣本數(shù)據(jù)訓(xùn)練出睡眠狀態(tài)分類器。

一種睡眠狀態(tài)分類器的訓(xùn)練系統(tǒng)，包括：

字典構(gòu)建模塊，用于構(gòu)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(biāo)函數(shù)；其中，所述目標(biāo)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(xùn)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(gè)特征向量作為原子的初始值，將各個(gè)樣本數(shù)據(jù)分配至所述原子并求解所述目標(biāo)函數(shù)，得到分類字典；

樣本分類模塊，用于利用分類字典對(duì)樣本數(shù)據(jù)進(jìn)行分類，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(yù)設(shè)的閾值，則判斷該樣本數(shù)據(jù)的類型與該原子的類型一致；

分類器訓(xùn)練模塊，用于根據(jù)分類后的樣本數(shù)據(jù)訓(xùn)練出睡眠狀態(tài)分類器。

上述睡眠狀態(tài)分類器的訓(xùn)練方法和系統(tǒng)，基于具有分類能力的聚類算法來(lái)訓(xùn)練字典，字典中原子分別對(duì)應(yīng)一種睡眠狀態(tài)，以原子的個(gè)數(shù)為算法的參數(shù)，訓(xùn)練時(shí)通過最小化相同類型的樣本與字典原子的距離，同時(shí)最大化不同類型的原子之間的距離的方式，以針對(duì)每種睡眠狀態(tài)訓(xùn)練出相應(yīng)的原子，然后利用對(duì)應(yīng)于不同類型的原子及距離對(duì)樣本的類型進(jìn)行判斷，從而可以準(zhǔn)確地識(shí)別樣本的類型，用于睡眠狀態(tài)分類器的自學(xué)習(xí)過程中，能夠訓(xùn)練出更加準(zhǔn)確的睡眠狀態(tài)分類器，提升睡眠狀態(tài)檢測(cè)的準(zhǔn)確性。

附圖說明

圖1為一個(gè)實(shí)施例的睡眠狀態(tài)分類器的訓(xùn)練方法的流程圖；

圖2為一個(gè)實(shí)施例的睡眠狀態(tài)分類器的訓(xùn)練系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖闡述本發(fā)明的睡眠狀態(tài)分類器的訓(xùn)練方法和系統(tǒng)的實(shí)施例。

參考圖1所示，圖1為一個(gè)實(shí)施例的睡眠狀態(tài)分類器的訓(xùn)練方法的流程圖，包括：

本發(fā)明的睡眠狀態(tài)分類器的訓(xùn)練方法，在對(duì)用戶進(jìn)行輔助睡眠時(shí)，通過用戶佩戴相關(guān)傳感設(shè)備，檢測(cè)用戶的腦電信號(hào)，在采集腦電信號(hào)時(shí)，可以以30s為一幀進(jìn)行采集。

根據(jù)需要進(jìn)行睡眠狀態(tài)識(shí)別的任務(wù)，確定特征數(shù)據(jù)類型，從腦電信號(hào)中提取與之相應(yīng)的樣本數(shù)據(jù)；例如，要識(shí)別1～N種睡眠狀態(tài)，提取用于進(jìn)行這N種狀態(tài)識(shí)別的樣本數(shù)據(jù)。

步驟S101，構(gòu)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(biāo)函數(shù)；其中，所述目標(biāo)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(chǔ)上，設(shè)計(jì)具有分類能力的聚類算法來(lái)訓(xùn)練字典，字典中原子分別對(duì)應(yīng)一種睡眠狀態(tài)(如清醒狀態(tài)，睡眠狀態(tài)等)，原子的個(gè)數(shù)為算法的參數(shù)。

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

如果是多分類問題，設(shè)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(biāo)函數(shù)的通用形式可以表示為如下形式：

式中，設(shè)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(shè)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(biāo)函數(shù)可以表示為如下形式：

所述目標(biāo)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S102，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(gè)特征向量作為原子的初始值，將各個(gè)樣本數(shù)據(jù)分配至所述原子并求解所述目標(biāo)函數(shù)，得到分類字典；

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

(1)初始化時(shí)，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(jī)設(shè)定若干個(gè)特征向量作為原子；將各個(gè)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(jì)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(jì)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(jì)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(yuǎn)的位置，計(jì)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(quán)重值；

進(jìn)一步的，所述權(quán)重值w的計(jì)算公式可以如下：

式中，w_wake為清醒類型的權(quán)重值，w_sleep為睡眠類型的權(quán)重值。

作為另一個(gè)實(shí)施例，所述權(quán)重值w的計(jì)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(jì)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(fù)執(zhí)行步驟(2)和(3)進(jìn)行迭代，當(dāng)?shù)昂蟮脑拥牟钪敌∮谠O(shè)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(shí)，存儲(chǔ)當(dāng)前的分類字典并退出訓(xùn)練。

步驟S103，利用分類字典對(duì)樣本數(shù)據(jù)進(jìn)行分類，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(yù)設(shè)的閾值，則判斷該樣本數(shù)據(jù)的類型與該原子的類型一致；

此步驟中，利用樣本數(shù)據(jù)對(duì)分類字典進(jìn)行測(cè)試，通過比較與樣本數(shù)據(jù)最近的原子的類型與距離來(lái)判斷樣本數(shù)據(jù)的類型，若距離小于閾值，則認(rèn)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，反之則拒絕判斷。

步驟S104，根據(jù)分類后的樣本數(shù)據(jù)訓(xùn)練出睡眠狀態(tài)分類器。

在此步驟中，根據(jù)分類字典識(shí)別出清醒類型的樣本數(shù)據(jù)和睡眠類型的樣本數(shù)據(jù)，利用所述清醒類型的樣本數(shù)據(jù)和睡眠類型的樣本數(shù)據(jù)訓(xùn)練出睡眠狀態(tài)分類器。

作為一個(gè)實(shí)施例，采用網(wǎng)格測(cè)試方法選擇最優(yōu)的懲罰因子C和RBF核的參數(shù)σ；調(diào)節(jié)所述懲罰因子C和參數(shù)σ，將識(shí)別率最高時(shí)對(duì)應(yīng)的參數(shù)設(shè)為最優(yōu)參數(shù)；利用所述最優(yōu)參數(shù)重新訓(xùn)練分類器，并對(duì)該分類器進(jìn)行測(cè)試；將測(cè)試中識(shí)別率最優(yōu)的分類器設(shè)為睡眠狀態(tài)分類器。

具體的，對(duì)于訓(xùn)練睡眠狀態(tài)分類器時(shí)，可以選用svm(支持向量機(jī))分類器，神經(jīng)網(wǎng)絡(luò)。如果采用svm分類器有兩個(gè)參數(shù)：懲罰因子C和核函數(shù)的參數(shù)(例如RBF核的σ等，線性核函數(shù)除外)。而神經(jīng)網(wǎng)絡(luò)算法的參數(shù)主要是中間層(hidden-layer)的神經(jīng)元的個(gè)數(shù)。在訓(xùn)練時(shí)利用grid-test(網(wǎng)格測(cè)試)尋找最優(yōu)參數(shù)，并將總體識(shí)別率最高的參數(shù)作為最優(yōu)的參數(shù)。然后利用該參數(shù)在訓(xùn)練數(shù)據(jù)中重新運(yùn)行一次，得到分類模型。在測(cè)試時(shí)，睡眠狀態(tài)分類器利用該分類模型對(duì)樣本數(shù)據(jù)進(jìn)行分析，并輸出樣本數(shù)據(jù)的類型。

參考圖2所示，圖2為一個(gè)實(shí)施例的睡眠狀態(tài)分類器的訓(xùn)練系統(tǒng)結(jié)構(gòu)示意圖，包括：

字典構(gòu)建模塊101，用于構(gòu)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(biāo)函數(shù)；其中，所述目標(biāo)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(xùn)練模塊102，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(gè)特征向量作為原子的初始值，將各個(gè)樣本數(shù)據(jù)分配至所述原子并求解所述目標(biāo)函數(shù)，得到分類字典；

樣本分類模塊103，用于利用分類字典對(duì)樣本數(shù)據(jù)進(jìn)行分類，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(yù)設(shè)的閾值，則判斷該樣本數(shù)據(jù)的類型與該原子的類型一致；

分類器訓(xùn)練模塊104，用于根據(jù)分類后的樣本數(shù)據(jù)訓(xùn)練出睡眠狀態(tài)分類器。

本發(fā)明的睡眠狀態(tài)分類器的訓(xùn)練系統(tǒng)與本發(fā)明的睡眠狀態(tài)分類器的訓(xùn)練方法一一對(duì)應(yīng)，在上述睡眠狀態(tài)分類器的訓(xùn)練方法的實(shí)施例闡述的技術(shù)特征及其有益效果均適用于睡眠狀態(tài)分類器的訓(xùn)練系統(tǒng)的實(shí)施例中，特此聲明。

以上所述實(shí)施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡(jiǎn)潔，未對(duì)上述實(shí)施例中的各個(gè)技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。

以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對(duì)發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來(lái)說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。