基于无创数据采集系统的睡眠分期方法

郭天文

摘 要 本文提出了以STM32L1为核心的无创人体生理数据采集与处理系统，采集人体的脉搏和度和体动信号的数据，并将数据传输到数据中心。利用朴素贝叶斯-滑动窗口算法对数据进行融合处理，得出整夜睡眠的分期情况。最后将分期情况与多导睡眠监测系统的结果进行比较，证明了此方法能较为准确的对睡眠进行分期。

【关键词】STM32 睡眠分期 脉搏 体动信号

随着睡眠研究的深入，人们了解到睡眠对人类的重要性。本文设计了无创数据采集系统，通过多种传感器采集脉搏和体动信号，弥补了单一数据的缺陷。并设计了朴素贝叶斯-滑动窗口算法，对数据进行融合，最后得到了较为准确的睡眠分期。

1 无创数据采集系统的整体机构

系统硬件由核心板和外围扩展电路构成。核心板為主要包括STM32L1151C8T6、晶振和电源模块。外围扩展电路主要包括加速度传感器、脉搏探头。其中，加速度传感器采用低功耗、高精度的ADXL345，脉搏探头选择目前医用的Nellcor公司生产的DS-100A。STM32接收传感器返回的数据，并提取出脉搏和体动信号并进行分析。

2 朴素贝叶斯-滑动窗口睡眠分期算法

对于睡眠分期，美国睡眠医学学会的最新的标准是将其划分为两个部分，即快速眼动期（REM）和非快速眼动期（NREM），而NREM期可以划分为4个阶段，即NREM1，NREM2，NREM3和NREM4。人类睡眠状况是一个周期性过程，从清醒状态进入REM，随着睡眠的深入进入NREM1，NREM2，NREM3，再到达NREM4；再由NREM4进入NREM3，NREM2，NREM1，最后回到REM，完成一个睡眠周期。

2.1 脉搏和体动信号睡眠分期的划定

研究表明随着睡眠的深入，人体各种生理活动都将发生变化，如脉搏每分钟将减慢10-30次，绝大部分骨骼肌舒张，动作次数减少。因此，脉搏和体动信号对于睡眠分期有极好的对应关系。首先将睡眠分期进行量化处理，把Awake期，REM期，NREM1期，NREM2期，NREM3期，NREM4期量化为数值，如表1所示。

2.2 算法实现

朴素贝叶斯法是通过计算对象的先验概率来判断其后验概率，以最大后验概率作为该对象所属的类。在本设计中，通过计算数据与睡眠分期之间的相关系数，并将其归一化，分别计算出各自所占总和的比值，选取比值最大的一类数据作为本页睡眠分期划分的依据。

滑动窗口法是将每次的计算结果作为本次窗口的第一个数据的结果，窗口后移一位，将第一个数据移出并加入一个新的数据在末尾重新计算，提高了结果的准确度。在本设计中，所采用的窗口大小为16页。

其具体算法如下：

（1）对全部数据进行分期判定，根据公式

求出体动数据和脉搏数据关于整夜睡眠分期的相关系数，其中：i=1、2；xi代表每一页的各类数据，是各类数据整夜的均值，y代表各类数据每页计算所得的睡眠分期， 代表整夜睡眠分期的均值。

（2）求出三个相关系数所占和的比例系数，对全部数据进行处理，其中为各类数据相关系数的比例系数，x1、x2为各类数据的每一页数据，、为各类数据的整夜均值。

（3）根据朴素贝叶斯分类法在三个相关系数中选择最大的那类数据所对应的睡眠分期作为本次窗口第一页数据的睡眠分期；如果存在两类或者两类以上数据的相关系数相同，则放弃本次数据，以上一页数据作为本次的计算结果。

（4）窗口向后移动一页，进行相同的计算，直到移动到数据末端。

3 结果分析

为验证算法的可靠性，本文在采集数据的时候同时使用了多导睡眠仪与本文所设计的无创数据采集系统。并针对同一睡眠数据进行分期，将多导睡眠仪分期结果和本方法的分期进行了比较，验证了本方法的有效性。

4 结论

本文设计了无创睡眠数据采集系统，通过设计朴素贝叶斯-滑动窗口算法，将采集到的体动数据，脉搏数据进行数据融合，计算出整夜的睡眠分期，并与专业的多导睡眠仪的监测结果进行比较，证实了本算法的准确性。此方法在便携式家用睡眠监测系统中可以得到很好的应用。

参考文献

[1]齐华.心率变异与睡眠质量关系的研究[D].北京体育大学，2009.

[2]段晶.朴素贝叶斯分类及其应用研究[D].大连海事大学，2011.

作者单位

1.南京工业大学 江苏省南京市 211800

2.西安电子科技大学 陕西省西安市 710071endprint