基于DeepSleepNet的非接触式睡眠分期方法

基于deepsleepnet的非接触式睡眠分期方法
技术领域
1.本技术属于睡眠监测技术领域，尤其涉及一种基于deepsleepnet的非接触式睡眠分期方法。


背景技术：

2.睡眠分期是分析睡眠质量、诊断和治疗睡眠相关疾病的基础，精确的睡眠分期有助于睡眠相关疾病的诊断，以提高患者的睡眠质量。相关技术中，常用的睡眠分期方法有基于psg进行睡眠监测，但该方法在实际检测过程中需要人工校正检测结果，操作繁杂，且检测费用较高，不适用于日常生活中的睡眠监测，适用场景有限。


技术实现要素：

3.本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出一种基于deepsleepnet的非接触式睡眠分期方法，无需与被测者接触，不受设备影响，降低了侵犯被测者隐私的风险，操作简单，能够长期监测，适用于日常生活中的睡眠监测，适用场景较广泛。
4.第一方面，本技术提供了一种基于deepsleepnet的非接触式睡眠分期方法，该方法包括：
5.基于单元平均恒虚警率算法从初始雷达信号中获取目标待测信号，所述初始雷达信号为在目标雷达向目标对象发送调频连续波的情况下所返回的回波信号；
6.对所述目标待测信号进行生理特征提取，获取所述目标对象对应的第一睡眠生理信号；所述第一睡眠生理信号包括体动信号、呼吸信号和心跳信号中的至少一种；
7.基于所述第一睡眠生理信号，预测得到所述目标对象的睡眠阶段。
8.根据本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法，通过基于毫米波雷达向目标对象发送的调频连续波获取初始雷达信号，进而从初始雷达信号中获取目标待测信号，基于毫米波雷达进行睡眠监测，无需与被测者接触，操作简单，能够长期监测，适用于日常生活中的睡眠监测，适用场景较广泛；然后对目标待测信号进行生理特征提取，获取目标对象对应的第一睡眠生理信号，再基于第一睡眠生理信号，预测得到目标对象的睡眠阶段，能够充分利用毫米波雷达提取到的多维特征信息，以获取被测者对应的睡眠阶段，监测准确率较高，且无需获取用户的其他信息，不受设备影响，降低了侵犯被测者隐私的风险。
9.本技术一个实施例的基于deepsleepnet的非接触式睡眠分期方法，所述基于单元平均恒虚警率算法从初始雷达信号中获取目标待测信号，包括：
10.对所述初始雷达信号进行处理，获取多个候选检测单元；
11.基于所述多个候选检测单元，确定检测门限；
12.在所述多个候选检测单元中目标检测单元对应的信号能量大于所述检测门限的情况下，将所述目标检测单元确定为所述目标待测信号。
13.本技术一个实施例的基于deepsleepnet的非接触式睡眠分期方法，所述基于所述多个候选检测单元，确定检测门限，包括：
14.基于虚警率和各所述候选检测单元中的能量平均值，确定所述检测门限。
15.本技术一个实施例的基于deepsleepnet的非接触式睡眠分期方法，所述对所述目标待测信号进行生理特征提取，获取所述目标对象对应的第一睡眠生理信号，包括：
16.对所述目标待测信号进行取模处理，获取所述体动信号；
17.对所述目标待测信号进行第一滤波处理，获取输出信号序列；
18.对所述输出信号序列进行第二滤波处理，获取所述呼吸信号；
19.对所述输出信号序列进行第三滤波处理，获取所述心跳信号。
20.本技术一个实施例的基于deepsleepnet的非接触式睡眠分期方法，所述对所述目标待测信号进行第一滤波处理，获取输出信号序列，包括：
21.获取所述目标待测信号在所述目标滤波窗口内的全部信号对应的第一平均值；
22.基于目标步长移动所述目标滤波窗口，更新所述目标滤波窗口；
23.获取所述目标待测信号在更新后的目标滤波窗口内的全部信号对应的第一平均值；
24.在所述目标滤波窗口的移动步长覆盖所述目标待测信号的情况下，基于获取的多个所述第一平均值，确定所述输出信号序列。
25.本技术一个实施例的基于deepsleepnet的非接触式睡眠分期方法，所述对所述目标待测信号进行生理特征提取，获取所述目标对象对应的第一睡眠生理信号，包括：
26.对所述目标待测信号进行生理特征提取，获取第二睡眠生理信号；
27.基于所述目标对象的个体信息和维度特征信息对所述第二睡眠生理信号进行全局归一化处理，获取所述第一睡眠生理信号。
28.本技术一个实施例的基于deepsleepnet的非接触式睡眠分期方法，所述基于所述第一睡眠生理信号，预测得到所述目标对象的睡眠阶段，包括：
29.将所述第一睡眠生理信号输入至目标神经网络的特征提取模块，获取所述特征提取模块输出的与所述第一睡眠生理信号对应的第一特征；
30.其中，所述特征提取模块是以样本睡眠生理信号为样本，以与所述样本睡眠生理信号对应的样本第一特征为样本标签训练得到；
31.将所述第一特征输入至所述目标神经网络的双注意力模块，获取所述双注意力模块输出的与所述第一特征对应的第二特征；
32.其中，所述双注意力模块的输入端与所述特征提取模块的输出端连接，所述双注意力模块是以样本第一特征为样本，以与所述样本第一特征对应的样本第二特征为样本标签训练得到；
33.将所述第二特征输入至所述目标神经网络的时间规则学习模块，获取所述时间规则学习模块输出的与所述第二特征对应的所述睡眠阶段；
34.其中，所述时间规则学习模块的输入端与所述双注意力模块的输出端连接，所述时间规则学习模块是以样本第二特征为样本，以与所述样本第二特征对应的样本睡眠阶段为样本标签训练得到。
35.本技术一个实施例的基于deepsleepnet的非接触式睡眠分期方法，所述双注意力
模块包括通道注意力子模块和空间注意力子模块，所述通道注意力子模块的输出端与所述空间注意力子模块的输入端连接；所述将所述第一特征输入至所述目标神经网络的双注意力模块，获取所述双注意力模块输出的与所述第一特征对应的第二特征，包括：
36.将所述第一特征输入至所述通道注意力子模块进行加权处理，获取所述通道注意力子模块输出的与所述第一特征对应的第三特征；
37.将所述第三特征输入至所述空间注意力子模块进行加权处理，获取所述空间注意力子模块输出的与所述第三特征对应的第二特征。
38.第二方面，本技术提供了一种基于deepsleepnet的非接触式睡眠分期装置，该装置包括：
39.第一处理模块，用于基于单元平均恒虚警率算法从初始雷达信号中获取目标待测信
40.号，所述初始雷达信号为在目标雷达向目标对象发送调频连续波的情况下所返回的回波信号；
41.第二处理模块，用于对所述目标待测信号进行生理特征提取，获取所述目标对象对应的第一睡眠生理信号；所述第一睡眠生理信号包括体动信号、呼吸信号和心跳信号中的至少一种；
42.第三处理模块，用于基于所述第一睡眠生理信号，预测得到所述目标对象的睡眠阶段。
43.根据本技术实施例提供的基于deepsleepnet的非接触式睡眠分期装置，通过基于毫米波雷达向目标对象发送的调频连续波获取初始雷达信号，进而从初始雷达信号中获取目标待测信号，基于毫米波雷达进行睡眠监测，无需与被测者接触，操作简单，能够长期监测，适用于日常生活中的睡眠监测，适用场景较广泛；然后对目标待测信号进行生理特征提取，获取目标对象对应的第一睡眠生理信号，再基于第一睡眠生理信号，预测得到目标对象的睡眠阶段，能够充分利用毫米波雷达提取到的多维特征信息，以获取被测者对应的睡眠阶段，监测准确率较高，且无需获取用户的其他信息，不受设备影响，降低了侵犯被测者隐私的风险。
44.第三方面，本技术提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于deepsleepnet的非接触式睡眠分期方法。
45.第四方面，本技术提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的基于deepsleepnet的非接触式睡眠分期方法。
46.第五方面，本技术提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的基于deepsleepnet的非接触式睡眠分期方法。
47.本技术实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：
48.通过基于毫米波雷达向目标对象发送的调频连续波获取初始雷达信号，进而从初始雷达信号中获取目标待测信号，基于毫米波雷达进行睡眠监测，无需与被测者接触，操作简单，能够长期监测，适用于日常生活中的睡眠监测，适用场景较广泛；然后对目标待测信号进行生理特征提取，获取目标对象对应的第一睡眠生理信号，再基于第一睡眠生理信号，
预测得到目标对象的睡眠阶段，能够充分利用毫米波雷达提取到的多维特征信息，以获取被测者对应的睡眠阶段，监测准确率较高，且无需获取用户的其他信息，不受设备影响，降低了侵犯被测者隐私的风险。
49.进一步地，通过对初始雷达信号进行处理，以获取多个候选检测单元，进而确定检测门限，然后在多个候选检测单元中目标检测单元对应的信号能量大于检测门限的情况下，将目标检测单元确定为目标待测信号，可以自适应目标定位，以识别出雷达数据中的待检测目标生命信号，减少了需要处理的数据量，进而提高了检测效率和检测结果的精准度。
50.更进一步地，通过对目标待测信号进行取模处理，能够获取体动信号；对目标待测信号进行第一滤波处理，能够滤除目标待测信号中的高频噪声，以获取平滑处理后的输出信号序列，提高了输出信号的信噪比；再基于不同频率的带通滤波器从输出信号序列中获取呼吸信号和心跳信号，能够抑制输出信号中的噪声，以获取更加真实的睡眠生理信号，进而提高了最终检测结果的精准度；除此之外，本技术充分利用了毫米波雷达提取到的多维特征信息，以获取被测者对应的睡眠阶段，监测准确率较高。
51.再进一步地，通过将第一睡眠生理信号输入至目标神经网络，以获取目标神经网络输出的目标对象对应的睡眠阶段，在实际应用中只需使用前进行预训练，之后即可直接获取睡眠阶段，计算效率高且准确性好；并且目标神经网络的学习能力强，每一次应用过程中的数据均可以作为下一次训练过程中的训练数据，从而提高模型的精度和准确度，便于用户使用，使用场景较广泛，通用性较高，提高了最终检测结果的精度。
52.本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
53.本技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
54.图1是本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法的流程示意图之一；
55.图2是本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法的流程示意图之二；
56.图3是本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法的流程示意图之三；
57.图4是本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法的原理示意图；
58.图5是本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法的流程示意图之四；
59.图6是本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法的流程示意图之五；
60.图7是本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法的流程示意图之六；
61.图8是本技术实施例提供的基于deepsleepnet的非接触式睡眠分期装置的结构示
意图；
62.图9是本技术实施例提供的电子设备的结构示意图。
具体实施方式
63.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
64.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
65.下面结合图1至图7描述本技术实施例的基于deepsleepnet的非接触式睡眠分期方法。
66.需要说明的是，基于deepsleepnet的非接触式睡眠分期方法的执行主体可以为服务器，或者可以为基于deepsleepnet的非接触式睡眠分期装置，或者还可以为用户的终端，包括但不限于移动终端和非移动终端。
67.例如，移动终端包括但不限于手机、pda智能终端、平板电脑以及车载智能终端等；非移动终端包括但不限于pc端等。
68.如图1所示，该基于deepsleepnet的非接触式睡眠分期方法，包括：步骤110、步骤120和步骤130。
69.步骤110、基于单元平均恒虚警率算法从初始雷达信号中获取目标待测信号，初始雷达信号为在目标雷达向目标对象发送调频连续波的情况下所返回的回波信号。
70.在该步骤中，单元平均恒虚警率算法(cell averaging constant false alarm rate，ca-cfar)用于雷达系统在保持虚警概率恒定条件下对接收机输出的信号与噪声作判别以确定目标信号是否存在。
71.目标待测信号为用于检测睡眠阶段的信号。
72.初始雷达信号可以为回波信号。
73.初始雷达信号为在目标雷达向目标对象发送调频连续波的情况下所返回的回波信号。
74.雷达用于基于目标对电磁波的散射来发现目标并确定目标的空间位置。
75.目标雷达可以为fmcw(frequency modulated continuous wave)雷达，例如，可以为77ghz载频的awr2243毫米波雷达，如图2示例了一种fmcw雷达的系统图。
76.目标对象为用于检测其对应的睡眠阶段的对象，目标对象可以为夜间睡眠状态下的目标人员。
77.调频连续波为调频的连续信号。
78.在实际执行过程中，可以基于fmcw雷达连续向夜间睡眠状态下的目标对象发送调频连续波；其中，fmcw雷达可以配置有1个发射天线和4个接收天线；
79.基于发送的调频连续波，采集得到雷达回波信号，即初始雷达信号；其中，fmcw雷达的采样帧数可以为100，每一帧数据采样点数可以为256，可以基于用户自定义，本技术不作限定；
80.然后可以对初始雷达信号做快速傅里叶变换(fast fourier transform，fft)处理，再基于人体胸腔的位置区域，从8
×
256的采样数据中选取5
×
36个采样数据，作为待检测区域。
81.如图3所示，在一些实施例中，步骤110可以包括：
82.对初始雷达信号进行处理，获取多个候选检测单元；
83.基于多个候选检测单元，确定检测门限；
84.在多个候选检测单元中目标检测单元对应的信号能量大于检测门限的情况下，将目标检测单元确定为目标待测信号。
85.在该实施例中，多个候选检测单元为对初始雷达信号进行划分得到的。
86.候选检测单元可能包括有效信号，也可能包括噪声信号。
87.在一些实施例中，对初始雷达信号进行处理，获取多个候选检测单元，可以包括：
88.基于通道维数，对初始雷达信号进行累加，获取第一雷达信号；
89.将第一雷达信号划分为多个候选检测单元。
90.在该实施例中，初始雷达信号可以为多维的信号，例如，可以为5
×
36的采样数据。
91.第一雷达信号为对初始雷达信号进行累加得到的，第一雷达信号可以为单维的信号，例如，可以为1
×
36的采样数据。
92.每个候选检测单元对应一个距离的范围。
93.基于通道维数，对5
×
36的采样数据进行累加，可以得到1
×
36的采样数据。
94.检测门限用于判断候选检测单元中是否包括有效信号。
95.在一些实施例中，基于多个候选检测单元，确定检测门限，可以包括：
96.基于虚警率和各候选检测单元中的能量平均值，确定检测门限。
97.在该实施例中，虚警率为雷达探测的过程中，采用门限检测的方法时由于噪声的普遍存在和起伏，实际不存在目标却判断为有目标的概率。
98.虚警率用于表征被判为正例的样本中负例样本的个数。
99.候选检测单元中的能量平均值为候选检测单元中雷达信号能量值的平均值。
100.在虚警率不变的情况下，基于检测门限可以将检测率最大化。
101.在实际执行过程中，检测门限可以基于如下公式确定：
[0102][0103]
其中，t为检测门限，α为门限因子，z为能量平均值，n为候选检测单元的数目，x为候选检测单元中雷达信号能量值。
[0104]
门限因子α可以基于如下公式确定：
[0105][0106]
其中，α为门限因子，n为候选检测单元的数目，pa为虚警率。
[0107]
根据本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法，通过基于
虚警率和各候选检测单元中的能量平均值，确定检测门限，可以基于检测门限确定候选检测单元中是否存在目标信号，能够在虚警率不变的情况下，将检测率最大化，进而提高了检测结果的准确度与精准度。
[0108]
目标检测单元为多个候选检测单元中的任意单元。
[0109]
目标检测单元中的信号能量可以基于接收机接收到的信号获得。
[0110]
在实际执行过程中，可以对初始雷达信号进行处理，获取多个候选检测单元；
[0111]
然后对每个候选检测单元中的雷达信号能量值做求平均处理，可以得到每个候选检测单元对应的能量平均值；
[0112]
基于能量平均值和虚警率，获取检测门限；
[0113]
基于目标检测单元中的能量信号与检测门限，可以确定目标检测单元中是否存在目标信号，其判决式为：
[0114][0115]
其中，d为目标检测单元中的能量信号，t为检测门限，h0表示目标检测单元中不存在目标信号，h1表示目标检测单元中存在目标信号；
[0116]
在目标检测单元中的能量信号大于检测门限的情况下，即d》t，表示目标检测单元中存在目标信号，可以将该目标检测单元确定为目标待测信号；
[0117]
在目标检测单元中的能量信号不大于检测门限的情况下，即d≤t，表示目标检测单元中不存在目标信号。
[0118]
根据本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法，通过对初始雷达信号进行处理，以获取多个候选检测单元，进而确定检测门限，然后在多个候选检测单元中目标检测单元对应的信号能量大于检测门限的情况下，将目标检测单元确定为目标待测信号，可以自适应目标定位，以识别出雷达数据中的待检测目标生命信号，减少了需要处理的数据量，进而提高了检测效率和检测结果的精准度。
[0119]
步骤120、对目标待测信号进行生理特征提取，获取目标对象对应的第一睡眠生理信号；第一睡眠生理信号包括体动信号、呼吸信号和心跳信号中的至少一种。
[0120]
在该步骤中，生理特征提取用于提取出目标待测信号中的生理信号。
[0121]
第一睡眠生理信号用于表征目标对象的运动状态和生命体征。
[0122]
体动信号用于表征目标对象的运动状态，目标对象的运动状态可以为静卧和翻身等。
[0123]
呼吸信号和心跳信号用于表征目标对象的生命体征。
[0124]
第一睡眠生理信号可以包括体动信号、呼吸信号和心跳信号中的至少一种。
[0125]
如图3所示，在一些实施例中，步骤120可以包括：
[0126]
对目标待测信号进行取模处理，获取体动信号；
[0127]
对目标待测信号进行第一滤波处理，获取输出信号序列；
[0128]
对输出信号序列进行第二滤波处理，获取呼吸信号；
[0129]
对输出信号序列进行第三滤波处理，获取心跳信号。
[0130]
在该实施例中，第一滤波处理用于滤除目标待测信号中的噪声信号，以得到平滑后的信号输出。
[0131]
输出信号序列为对目标待测信号进行平滑处理之后得到的信号。
[0132]
第二滤波处理用于基于呼吸频率从输出信号序列中提取呼吸信号。
[0133]
第三滤波处理用于基于心跳频率从输出信号序列中提取心跳信号。
[0134]
在实际执行过程中，可以对目标待测信号取模，获取体动信号，体动信号对应的波形如图4(a)所示。
[0135]
对目标待测信号进行第一滤波处理，获取输出信号序列；
[0136]
在目标待测信号中提取呼吸信号和心跳信号时，可以对输出相位差绝对值超过π的相位进行2π的补偿操作；
[0137]
可以基于如表1所示的带通滤波器从输出信号序列中提取呼吸信号和心跳信号，
[0138]
表1
[0139][0140]
提取到的呼吸信号对应的波形如图4(b)所示，心跳信号对应的波形如图4(c)所示。
[0141]
根据本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法，通过对目标待测信号进行取模处理，能够获取体动信号；对目标待测信号进行第一滤波处理，能够滤除目标待测信号中的高频噪声，以获取平滑处理后的输出信号序列，提高了输出信号的信噪比；再基于不同频率的带通滤波器从输出信号序列中获取呼吸信号和心跳信号，能够抑制输出信号中的噪声，以获取更加真实的睡眠生理信号，进而提高了最终检测结果的精准度；除此之外，本技术充分利用了毫米波雷达提取到的多维特征信息，以获取被测者对应的睡眠阶段，监测准确率较高。
[0142]
可以对目标待测信号进行滑动均值滤波以获取输出信号序列，或者可以对目标待测信号进行中位值平均滤波以获取输出信号序列，可以基于用户自定义，本技术不作限定。
[0143]
下面以滑动均值滤波为例，对输出信号序列的获取方法进行说明。
[0144]
在一些实施例中，对目标待测信号进行第一滤波处理，获取输出信号序列，可以包括：
[0145]
获取目标待测信号在目标滤波窗口内的全部信号对应的第一平均值；
[0146]
基于目标步长移动目标滤波窗口，更新目标滤波窗口；
[0147]
获取目标待测信号在更新后的目标滤波窗口内的全部信号对应的第一平均值；
[0148]
在目标滤波窗口的移动步长覆盖目标待测信号的情况下，基于获取的多个第一平均值，确定输出信号序列。
[0149]
在该实施例中，目标滤波窗口为用户自定义的，目标滤波窗口的长度应小于目标待测信号的长度，可以基于输出信号的数据平滑度需求进行自定义。
[0150]
第一平均值为目标滤波窗口内所有采样点的平均值。
[0151]
目标步长为目标滤波窗口的单次移动步长，目标步长可以为1个采样点，或者可以为2个采样点，可以基于用户自定义，本技术不作限定。
[0152]
目标滤波窗口的移动步长为多次移动的总步长。
[0153]
在目标滤波窗口覆盖整个目标待测信号的情况下，将获取到的多个第一平均值组合为输出信号序列。
[0154]
在实际执行过程中，可以获取目标滤波窗口内所有采样点的第一平均值，然后可以将目标滤波窗口向右移动一个采样点，并删除目标滤波窗口最左侧的采样点，同时添加目标滤波窗口右侧的新采样点，以获取更新后的目标滤波窗口；
[0155]
再计算更新后的目标窗口内所有采样点的第一平均值，然后移动目标滤波窗口，直至目标滤波窗口覆盖了整个目标待测信号；
[0156]
获取所有第一平均值，确定输出信号序列。
[0157]
根据本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法，通过对目标待测信号进行滑动均值滤波处理，能够滤除目标待测信号中的高频噪声，以获取平滑处理后的输出信号序列，提高了输出信号的信噪比，从而获取更加真实的睡眠生理信号，提高了最终检测结果的精准度。
[0158]
在一些实施例中，步骤120还可以包括：
[0159]
对目标待测信号进行生理特征提取，获取第二睡眠生理信号；
[0160]
基于目标对象的个体信息和维度特征信息对第二睡眠生理信号进行全局归一化处理，获取第一睡眠生理信号。
[0161]
在该步骤中，第二睡眠生理信号为对目标待测信号进行生理特征提取得到的。
[0162]
全局归一化处理用于对第二睡眠生理信号进行数据标准化处理，以使各种指标处于同一数量级。
[0163]
不同的待测对象对应的个体信息以及维度特征信息可能存在差异，可以基于目标对象的个体信息和维度特征信息对第二睡眠生理信号进行全局归一化处理，以获取第一睡眠生理信号。
[0164]
根据本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法，通过对目标待测信号进行生理特征提取，以获取第二睡眠生理信号，再基于目标对象的个体信息和维度特征信息对第二睡眠生理信号进行全局归一化处理，以获取第一睡眠生理信号，能够消除指标之间的量纲影响，使得各种指标处于同一数量级，提高了获取的第一睡眠生理信号的精度，进而提高最终检测结果的精准度。
[0165]
步骤130、基于第一睡眠生理信号，预测得到目标对象的睡眠阶段。
[0166]
在该步骤中，睡眠阶段是对第一睡眠生理信号进行处理之后预测得到的。
[0167]
睡眠阶段可以包括入睡期、浅睡期、熟睡期、深睡期和快速眼动期。
[0168]
在实际执行过程中，基于单元平均恒虚警率算法从初始雷达信号中获取目标待测信号，然后对目标待测信号进行生理特征提取，获取目标对象对应的第一睡眠生理信号，再基于第一睡眠生理信号，预测得到目标对象的睡眠阶段。
[0169]
发明人在研发过程中发现，相关技术中存在基于psg进行睡眠监测，在实际检测过程中需要人工校正检测结果，操作繁杂，且检测费用较高，不适用于日常生活中的睡眠监测，适用场景有限；
[0170]
相关技术中还存在基于毫米波雷达进行睡眠分期，但现阶段的相关技术需要手动选择或提取最优的特征来表示每个睡眠阶段，且没有充分利用毫米波雷达的多维特征信
息，检测准确度不高。
[0171]
本技术中，基于毫米波雷达进行睡眠监测，无需与被测者接触，不受设备影响，降低了侵犯被测者隐私的风险，操作简单，能够长期监测，适用于日常生活中的睡眠监测，适用场景较广泛；
[0172]
且本技术能够充分利用毫米波雷达提取到的多维特征信息，以获取被测者对应的睡眠阶段，监测准确率较高。
[0173]
根据本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法，通过基于毫米波雷达向目标对象发送的调频连续波获取初始雷达信号，进而从初始雷达信号中获取目标待测信号，基于毫米波雷达进行睡眠监测，无需与被测者接触，操作简单，能够长期监测，适用于日常生活中的睡眠监测，适用场景较广泛；然后对目标待测信号进行生理特征提取，获取目标对象对应的第一睡眠生理信号，再基于第一睡眠生理信号，预测得到目标对象的睡眠阶段，能够充分利用毫米波雷达提取到的多维特征信息，以获取被测者对应的睡眠阶段，监测准确率较高，且无需获取用户的其他信息，不受设备影响，降低了侵犯被测者隐私的风险。
[0174]
如图5所示，在一些实施例中，步骤130可以包括：
[0175]
将第一睡眠生理信号输入至目标神经网络的特征提取模块，获取特征提取模块输出的与第一睡眠生理信号对应的第一特征；
[0176]
其中，特征提取模块是以样本睡眠生理信号为样本，以与样本睡眠生理信号对应的样本第一特征为样本标签训练得到；
[0177]
将第一特征输入至目标神经网络的双注意力模块，获取双注意力模块输出的与第一特征对应的第二特征；
[0178]
其中，双注意力模块的输入端与特征提取模块的输出端连接，双注意力模块是以样本第一特征为样本，以与样本第一特征对应的样本第二特征为样本标签训练得到；
[0179]
将第二特征输入至目标神经网络的时间规则学习模块，获取时间规则学习模块输出的与第二特征对应的睡眠阶段；
[0180]
其中，时间规则学习模块的输入端与双注意力模块的输出端连接，时间规则学习模块是以样本第二特征为样本，以与样本第二特征对应的样本睡眠阶段为样本标签训练得到。
[0181]
在该实施例中，目标神经网络为预先训练的。
[0182]
目标神经网络可以包括特征提取模块、双注意力模块和时间规则学习模块，双注意力模块分别与特征提取模块的输出端和时间规则学习模块的输入端连接。
[0183]
第一特征为第一睡眠生理信号对应的时域特征和频域特征的融合特征
[0184]
特征提取模块用于提取第一睡眠生理信号对应的第一特征。
[0185]
第二特征为对第一特征进行加权处理之后的得到的特征。
[0186]
双注意力模块用于对第一特征进行加权处理，以得到第二特征。
[0187]
时间规则学习模块用于基于时序特征获取目标对象对应的睡眠阶段。
[0188]
目标神经网络的训练过程将在后文实施例中进行具体说明，在此暂不作赘述。
[0189]
根据本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法，通过将第一睡眠生理信号输入至目标神经网络，以获取目标神经网络输出的目标对象对应的睡眠阶
attention module，cbam)，双注意力模块可以包括通道注意力子模块(cam)和空间注意力子模块(sam)。
[0208]
将样本第一特征输入至通道注意力子模块，对样本第一特征进行并行平均池化操作和最大池化操作，然后将其输入至共享网络；
[0209]
特征聚合并激活后可以得到通道权重系数mc，通道权重系数mc可以基于如下公式预测得到：
[0210][0211]
其中，f为样本第一特征，mc(f)为通道权重系数，和分别为全局平均池化后的通道描述和最大池化后的通道描述，e0和w1为两层神经网络共享权重矩阵，σ的激活函数是sigmoid；
[0212]
然后基于通道权重系数mc和样本第一特征f获取第三特征。
[0213]
将样本第三特征输入至空间注意力子模块，基于通道维度分别对样本第三特征进行平均池化和最大池化操作；
[0214]
然后将两种通道特征拼接后激活得到空间权重系数ms，空间权重系数ms可以基于如下公式预测得到：
[0215][0216]
其中，f为样本第一特征，ms(f)为空间权重系数，和分别为全局平均池化后的通道描述和最大池化后的通道描述，σ的激活函数是sigmoid；
[0217]
然后基于空间权重系数ms和样本第三特征获取第二特征。
[0218]
在训练过程中，时间规则学习模块是以样本第二特征为样本，以与样本第二特征对应的样本睡眠阶段为样本标签训练得到。
[0219]
将样本第二特征经全连接层后，与bi-lstm提取的特征进行融合，得到时序特征，时序特征可以基于如下公式预测得到：
[0220][0221]
其中，h
t
为t时刻的输入，wf为lstm前向的输出权重，wb为lstm后向的输出权重，w
fc
为全连接的权重，为lstm前向的输出，为lstm后向的输出，g为拼接操作；
[0222]
基于样本时序特征，可以得到样本第二特征对应的预测睡眠阶段。
[0223]
在训练过程中，还可以基于philips的alice pdx便携式诊断记录设备监测睡眠，进行睡眠阶段的自动标记，将睡眠阶段分为觉醒期w，浅睡期l，深睡期d和快速眼动期r，然后将睡眠阶段与雷达记录的睡眠生理信号时间对应起来，其中，每30s作为一个睡眠时期的样本，数据长度为3000；
[0224]
再基于样本睡眠阶段和预测睡眠阶段修正交叉熵损失函数，修正后的交叉熵损失函数可以表示为：
[0225]
[0226]
其中，m为睡眠时期类别数，wi为类损失权重，yi为实际睡眠阶段，pi为预测睡眠阶段；
[0227]
其中，类损失权重wi可以基于如下公式得到：
[0228][0229]
其中，wi为类损失权重，m为睡眠时期类别数，si为样本睡眠阶段对应的样本睡眠生理信号。
[0230]
下面对本技术提供的基于deepsleepnet的非接触式睡眠分期装置进行描述，下文描述的基于deepsleepnet的非接触式睡眠分期装置与上文描述的基于deepsleepnet的非接触式睡眠分期方法可相互对应参照。
[0231]
本技术实施例提供的基于deepsleepnet的非接触式睡眠分期方法，执行主体可以为基于deepsleepnet的非接触式睡眠分期装置。本技术实施例中以基于deepsleepnet的非接触式睡眠分期装置执行基于deepsleepnet的非接触式睡眠分期方法为例，说明本技术实施例提供的基于deepsleepnet的非接触式睡眠分期装置。
[0232]
本技术实施例还提供一种基于deepsleepnet的非接触式睡眠分期装置。
[0233]
如图8所示，该基于deepsleepnet的非接触式睡眠分期装置，包括：第一处理模块810、第二处理模块820和第三处理模块830。
[0234]
第一处理模块810，用于基于单元平均恒虚警率算法从初始雷达信号中获取目标待测信号，初始雷达信号为在目标雷达向目标对象发送调频连续波的情况下所返回的回波信号；
[0235]
第二处理模块820，用于对目标待测信号进行生理特征提取，获取目标对象对应的第一睡眠生理信号；第一睡眠生理信号包括体动信号、呼吸信号和心跳信号中的至少一种；
[0236]
第三处理模块830，用于基于第一睡眠生理信号，预测得到目标对象的睡眠阶段。
[0237]
根据本技术实施例提供的基于deepsleepnet的非接触式睡眠分期装置，通过基于毫米波雷达向目标对象发送的调频连续波获取初始雷达信号，进而从初始雷达信号中获取目标待测信号，基于毫米波雷达进行睡眠监测，无需与被测者接触，操作简单，能够长期监测，适用于日常生活中的睡眠监测，适用场景较广泛；然后对目标待测信号进行生理特征提取，获取目标对象对应的第一睡眠生理信号，再基于第一睡眠生理信号，预测得到目标对象的睡眠阶段，能够充分利用毫米波雷达提取到的多维特征信息，以获取被测者对应的睡眠阶段，监测准确率较高，且无需获取用户的其他信息，不受设备影响，降低了侵犯被测者隐私的风险。
[0238]
在一些实施例中，该基于deepsleepnet的非接触式睡眠分期装置还可以包括：
[0239]
第四处理模块，用于对初始雷达信号进行处理，获取多个候选检测单元；
[0240]
第五处理模块，用于基于多个候选检测单元，确定检测门限；
[0241]
第六处理模块，用于在多个候选检测单元中目标检测单元对应的信号能量大于检测门限的情况下，将目标检测单元确定为目标待测信号。
[0242]
在一些实施例中，第五处理模块还可以用于：
[0243]
基于虚警率和各候选检测单元中的能量平均值，确定检测门限。
[0244]
在一些实施例中，该基于deepsleepnet的非接触式睡眠分期装置还可以包括：
reality，ar)/虚拟现实(virtual reality，vr)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，还可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
[0268]
本技术实施例中的基于deepsleepnet的非接触式睡眠分期装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
[0269]
本技术实施例提供的基于deepsleepnet的非接触式睡眠分期装置能够实现图1至图7的方法实施例实现的各个过程，为避免重复，这里不再赘述。
[0270]
在一些实施例中，如图9所示，本技术实施例还提供一种电子设备900，包括处理器901、存储器902及存储在存储器902上并可在处理器901上运行的计算机程序，该程序被处理器901执行时实现上述xxx方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0271]
需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
[0272]
另一方面，本技术还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述基于deepsleepnet的非接触式睡眠分期方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0273]
又一方面，本技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述基于deepsleepnet的非接触式睡眠分期方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0274]
又一方面，本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述基于deepsleepnet的非接触式睡眠分期方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0275]
应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
[0276]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0277]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施
例或者实施例的某些部分所述的方法。
[0278]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：
1.一种基于deepsleepnet的非接触式睡眠分期方法，其特征在于，包括：基于单元平均恒虚警率算法从初始雷达信号中获取目标待测信号，所述初始雷达信号为在目标雷达向目标对象发送调频连续波的情况下所返回的回波信号；对所述目标待测信号进行生理特征提取，获取所述目标对象对应的第一睡眠生理信号；所述第一睡眠生理信号包括体动信号、呼吸信号和心跳信号中的至少一种；基于所述第一睡眠生理信号，预测得到所述目标对象的睡眠阶段。2.根据权利要求1所述的基于deepsleepnet的非接触式睡眠分期方法，其特征在于，所述基于单元平均恒虚警率算法从初始雷达信号中获取目标待测信号，包括：对所述初始雷达信号进行处理，获取多个候选检测单元；基于所述多个候选检测单元，确定检测门限；在所述多个候选检测单元中目标检测单元对应的信号能量大于所述检测门限的情况下，将所述目标检测单元确定为所述目标待测信号。3.根据权利要求2所述的基于deepsleepnet的非接触式睡眠分期方法，其特征在于，所述基于所述多个候选检测单元，确定检测门限，包括：基于虚警率和各所述候选检测单元中的能量平均值，确定所述检测门限。4.根据权利要求1-3任一项所述的基于deepsleepnet的非接触式睡眠分期方法，其特征在于，所述对所述目标待测信号进行生理特征提取，获取所述目标对象对应的第一睡眠生理信号，包括：对所述目标待测信号进行取模处理，获取所述体动信号；对所述目标待测信号进行第一滤波处理，获取输出信号序列；对所述输出信号序列进行第二滤波处理，获取所述呼吸信号；对所述输出信号序列进行第三滤波处理，获取所述心跳信号。5.根据权利要求4所述的基于deepsleepnet的非接触式睡眠分期方法，其特征在于，所述对所述目标待测信号进行第一滤波处理，获取输出信号序列，包括：获取所述目标待测信号在目标滤波窗口内的全部信号对应的第一平均值；基于目标步长移动所述目标滤波窗口，更新所述目标滤波窗口；获取所述目标待测信号在更新后的目标滤波窗口内的全部信号对应的第一平均值；在所述目标滤波窗口的移动步长覆盖所述目标待测信号的情况下，基于获取的多个所述第一平均值，确定所述输出信号序列。6.根据权利要求1-3任一项所述的基于deepsleepnet的非接触式睡眠分期方法，其特征在于，所述对所述目标待测信号进行生理特征提取，获取所述目标对象对应的第一睡眠生理信号，包括：对所述目标待测信号进行生理特征提取，获取第二睡眠生理信号；基于所述目标对象的个体信息和维度特征信息对所述第二睡眠生理信号进行全局归一化处理，获取所述第一睡眠生理信号。7.根据权利要求1-3任一项所述的基于deepsleepnet的非接触式睡眠分期方法，其特征在于，所述基于所述第一睡眠生理信号，预测得到所述目标对象的睡眠阶段，包括：将所述第一睡眠生理信号输入至目标神经网络的特征提取模块，获取所述特征提取模块输出的与所述第一睡眠生理信号对应的第一特征；
其中，所述特征提取模块是以样本睡眠生理信号为样本，以与所述样本睡眠生理信号对应的样本第一特征为样本标签训练得到；将所述第一特征输入至所述目标神经网络的双注意力模块，获取所述双注意力模块输出的与所述第一特征对应的第二特征；其中，所述双注意力模块的输入端与所述特征提取模块的输出端连接，所述双注意力模块是以样本第一特征为样本，以与所述样本第一特征对应的样本第二特征为样本标签训练得到；将所述第二特征输入至所述目标神经网络的时间规则学习模块，获取所述时间规则学习模块输出的与所述第二特征对应的所述睡眠阶段；其中，所述时间规则学习模块的输入端与所述双注意力模块的输出端连接，所述时间规则学习模块是以样本第二特征为样本，以与所述样本第二特征对应的样本睡眠阶段为样本标签训练得到。8.根据权利要求7所述的基于deepsleepnet的非接触式睡眠分期方法，其特征在于，所述双注意力模块包括通道注意力子模块和空间注意力子模块，所述通道注意力子模块的输出端与所述空间注意力子模块的输入端连接；所述将所述第一特征输入至所述目标神经网络的双注意力模块，获取所述双注意力模块输出的与所述第一特征对应的第二特征，包括：将所述第一特征输入至所述通道注意力子模块进行加权处理，获取所述通道注意力子模块输出的与所述第一特征对应的第三特征；将所述第三特征输入至所述空间注意力子模块进行加权处理，获取所述空间注意力子模块输出的与所述第三特征对应的第二特征。9.一种基于deepsleepnet的非接触式睡眠分期装置，其特征在于，包括：第一处理模块，用于基于单元平均恒虚警率算法从初始雷达信号中获取目标待测信号，所述初始雷达信号为在目标雷达向目标对象发送调频连续波的情况下所返回的回波信号；第二处理模块，用于对所述目标待测信号进行生理特征提取，获取所述目标对象对应的第一睡眠生理信号；所述第一睡眠生理信号包括体动信号、呼吸信号和心跳信号中的至少一种；第三处理模块，用于基于所述第一睡眠生理信号，预测得到所述目标对象的睡眠阶段。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8任一项所述的基于deepsleepnet的非接触式睡眠分期方法。

技术总结
本申请公开了一种基于DeepSleepNet的非接触式睡眠分期方法，属于睡眠监测技术领域。所述基于DeepSleepNet的非接触式睡眠分期方法包括：基于单元平均恒虚警率算法从初始雷达信号中获取目标待测信号，初始雷达信号为在目标雷达向目标对象发送调频连续波的情况下所返回的回波信号；对目标待测信号进行生理特征提取，获取目标对象对应的第一睡眠生理信号；基于第一睡眠生理信号，预测得到目标对象的睡眠阶段。本申请的基于DeepSleepNet的非接触式睡眠分期方法，能够无需与被测者接触，不受设备影响，降低了侵犯被测者隐私的风险，操作简单，能够长期监测，适用于日常生活中的睡眠监测，适用场景较广泛。适用场景较广泛。适用场景较广泛。


技术研发人员：王超 濮玉 张冬 孙启彬
受保护的技术使用者：中国科学技术大学先进技术研究院
技术研发日：2023.04.06
技术公布日：2023/7/20