1.本发明涉及睡眠检测技术领域，具体而言，涉及一种微觉醒检测方法、装置、设备及可读存储介质。
背景技术：2.睡眠觉醒事件与睡眠障碍密切相关，也是大多数睡眠障碍患者睡眠期间的主要症状。过于频繁的睡眠觉醒会导致睡眠片断化，造成用户睡眠质量下降，与失眠、睡眠障碍等疾病有着直接关联。而且睡眠疾病的患病率与年龄呈正相关趋势，随着人口老龄化的加剧，我国未来面临的睡眠疾病的诊疗压力会更大，因此研究睡眠觉醒事件检测方法，科学评估睡眠质量就显得尤为重要。
技术实现要素：3.本发明的目的在于提供一种微觉醒检测方法、装置、设备及可读存储介质，以改善上述问题。
4.为了实现上述目的，本技术实施例提供了如下技术方案：
5.一方面，本技术实施例提供了一种微觉醒检测方法，所述方法包括：
6.获取原始数据，所述原始数据包括至少一个实验者在睡眠状态下，在第一时间段内的心电信号，将所述原始数据按照预设时间长度进行片段划分，得到多个第一数据；
7.对所述第一数据进行去噪，得到去噪后的第一数据，提取所述去噪后的第一数据的浅层特征，得到浅层特征；利用集合经验模态分解对所述第一数据进行分解，得到模态分量序列；
8.基于每一个所述第一数据对应的浅层特征和所述模态分量序列对深度神经网络模型进行训练，得到训练后的深度神经网络模型；
9.利用所述训练后的深度神经网络模型检测用户的睡眠状态。
10.第二方面，本技术实施例提供了一种微觉醒检测装置，所述装置包括获取模块、去噪模块、训练模块和识别模块。
11.获取模块，用于获取原始数据，所述原始数据包括至少一个实验者在睡眠状态下，在第一时间段内的心电信号，将所述原始数据按照预设时间长度进行片段划分，得到多个第一数据；
12.去噪模块，用于对所述第一数据进行去噪，得到去噪后的第一数据，提取所述去噪后的第一数据的浅层特征，得到浅层特征；利用集合经验模态分解对所述第一数据进行分解，得到模态分量序列；
13.训练模块，用于基于每一个所述第一数据对应的浅层特征和所述模态分量序列对深度神经网络模型进行训练，得到训练后的深度神经网络模型；
14.识别模块，用于利用所述训练后的深度神经网络模型检测用户的睡眠状态。
15.第三方面，本技术实施例提供了一种微觉醒检测设备，所述设备包括存储器和处
理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述微觉醒检测方法的步骤。
16.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质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上述微觉醒检测方法的步骤。
17.本发明的有益效果为：
18.1、在本发明中，当模型训练好之后，基于实时采集的一段心电信号和训练后的深度神经网络模型，即可完成对此段时间的睡眠状态的检测，也就是说在进行实时检测时，在训练后的深度神经网络模型的基础上只需要依赖单一心电信号即可实现睡眠状态的有效判别，因此具有成本低和应用价值高的优点；同时在检测时还能同时兼顾信号的局部特征与全局时序特征，因此能够有效的检测睡眠的状态；此外，因为心电信号易采集特点还可使得本发明中方法可以应用于居家场景的微觉醒检测，具有极大的适用性。
19.2、在本发明中，设计了一种基于中值滤波与离散小波变换的综合心电去噪方法，可以实现心电信号中常见噪声的过滤，有效解决了在高噪声场景下模型分类效果容易受到干扰的问题。
20.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
21.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
22.图1是本发明实施例中所述的微觉醒检测方法流程示意图；
23.图2是本发明实施例中所述的微觉醒检测装置结构示意图；
24.图3是本发明实施例中所述的微觉醒检测设备结构示意图；
25.图中标记：701、获取模块；702、去噪模块；703、训练模块；704、识别模块；7021、过滤单元；7022、第一计算单元；7023、去噪单元；7024、第二计算单元；7025、纠正单元；7026、第三计算单元；70261、第一计算子单元；70262识别子单元；70263、第二计算子单元；7027、分解单元；7028、重复单元；7031、输入单元；7032、拼接单元；7033、降维单元；800、微觉醒检测设备；801、处理器；802、存储器；803、多媒体组件；804、i/o接口；805、通信组件。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的
所有其他实施例，都属于本发明保护的范围。
27.应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
28.实施例1
29.如图1所示，本实施例提供了一种微觉醒检测方法，该方法包括步骤s1、步骤s2、步骤s3和步骤s4。
30.步骤s1、获取原始数据，所述原始数据包括至少一个实验者在睡眠状态下，在第一时间段内的心电信号，将所述原始数据按照预设时间长度进行片段划分，得到多个第一数据；
31.在本步骤中，实验者的数量可以根据用户的需求进行自定义，最好是多个，这样可以提升最终识别的准确性；第一时间段的时间长度、第一时间段的开始时间点和结束时间点也可以根据用户的需求进行自定义；在本实施例中，第一时间段的时间长度可以为晚上12点到凌晨7点的心电信号，然后再将此段心电信号按照10s的间隔进行片段划分，划分后得到多个第一数据；
32.步骤s2、对所述第一数据进行去噪，得到去噪后的第一数据，提取所述去噪后的第一数据的浅层特征，得到浅层特征；利用集合经验模态分解对所述第一数据进行分解，得到模态分量序列；
33.考虑到第一数据可能会存在噪声，因此利用结合中值滤波与小波变换的综合去噪方法对心电中常见噪声进行去除，通过此种方法可以保证进入模型中进行训练的数据的准确性；其中，对所述第一数据进行去噪，得到去噪后的第一数据的具体实现步骤包括步骤s21、步骤s22和步骤s23；
34.步骤s21、采用中值滤波器对所述第一数据进行处理，得到第二数据；
35.在本步骤中，首先设计一个窗口大小为200ms的中值滤波器来消除原始信号中的r波和p波，然后使用一个窗口大小为500ms的中值滤波器来消除t波，得到第二数据；
36.步骤s22、将所述第一数据与所述第二数据进行做差处理，得到第三数据；
37.步骤s23、对所述第三数据进行离散小波变换去噪处理，得到所述去噪后的第一数据。
38.在本步骤中，先利用离散小波变换将第三数据进行分解，对大于45hz频段的小波系数进行置零，然后利用小波逆变换进行心电信号重构，得到去噪后的第一数据；通过结合中值滤波与离散小波变换的综合心电去噪方法，可以对心电信号中的基线漂移、工频干扰、肌电干扰等噪声进行有效过滤；
39.在本步骤中，对提取所述去噪后的第一数据的浅层特征，得到浅层特征的具体实现步骤包括步骤s24、步骤s25和步骤s26；
40.步骤s24、利用pan-tompkins算法对所述去噪后的第一数据进行处理，得到所述心电信号中r波峰值索引；
41.步骤s25、对所述心电信号中r波峰值索引进行纠正处理，得到纠正后的r波峰值索引，所述纠正后的r波峰值索引中包括多个索引值；在本步骤中，索引值可以表示为x1、x2、x3、x4……
；
42.步骤s26、根据所述纠正后的r波峰值索引计算得到心率变异性信号、r波峰值序列和心源性呼吸信号。本步骤的具体实现步骤包括步骤s261、步骤s262和步骤s263；
43.步骤s261、将相邻的两个索引值进行差值计算，得到心率变异性信号；
44.延用上述例子，本步骤可以理解为通过x
2-x1、x
3-x2、x
4-x3……
得到心率变异性信号；
45.步骤s262、识别所述去噪后的第一数据中r波的每一个峰值，得到r波峰值序列；
46.步骤s263、对所述r波峰值序列进行过采样处理，得到所述心源性呼吸信号。
47.呼吸信号在微觉醒检测中扮演着重要角色，但是呼吸信号的采集相对来说比较繁琐，经常容易缺失。而对心电信号进行分析可以得到一个与呼吸信号类似的信号，也就是心源性呼吸信号；
48.睡眠觉醒事件与心率变化和呼吸运动联系密切，从心电信号中提取可以直接反映心率和呼吸变化的浅层特征作为特征补充，可以让网络模型学习到更多与觉醒事件相关特征，通过多特征融合的方式增加有效信号数量，避免传统特征提取片面性的问题；
49.在本步骤中，利用集合经验模态分解对所述第一数据进行分解，得到模态分量序列的具体实现步骤包括步骤s27和步骤s28；
50.步骤s27、分解步骤：向所述第一数据加入随机正态分布的白噪声，得到第四数据，对所述第四数据进行经验模态分解，得到多个模态分量，将所有的所述模态分量按照频率大小进行排列，得到第五数据，所述第五数据包括排列后的模态分量；
51.步骤s28、重复所述分解步骤，得到多个第五数据，将所有的排列在所述第五数据中第n个位置的所述模态分量进行集成平均处理，得到第六数据，将所有的所述第六数据组成模态分量序列，其中，n为正整数。
52.本步骤可以理解为，例如通过步骤s27得到3个第五数据，那么在本步骤中，将第一个第五数据中排列在第一位的模态分量、第二个第五数据中排列在第一位的模态分量和第三个第五数据中排列在第一位的模态分量进行集成平均处理，得到第六数据，按照此种逻辑就可以得到多个第六数据，最终得到模态分量序列；
53.在计算得到每一个所述第一数据对应的浅层特征和所述模态分量序列后就可以利用其对深度神经网络模型进行训练；具体的步骤为步骤s3；
54.步骤s3、基于每一个所述第一数据对应的浅层特征和所述模态分量序列对深度神经网络模型进行训练，得到训练后的深度神经网络模型；本步骤的具体实现步骤包括步骤s31、步骤s32和步骤s33；
55.步骤s31、在进行每一次训练时，将所述模态分量序列中的各个模态分量输入一维残差卷积网络，提取各个所述模态分量的局部特征；
56.通过上述步骤得到的模态分量序列维度高、数据量大、且与觉醒相关特征不明显，如果直接输入到长短期记忆循环神经网络进行训练，计算量大且效果不佳，因此本实施例采用一维残差卷积网络学习各模态分量深层特征，一维卷积可以在不损失信号时序特征的同时提取局部特征，利用不同的卷积核提取不同的卷积特征，可以增加有效信号数量；
57.本实施例中的一维残差卷积网络具有两个残差块，每个残差块左侧由两个一维卷积层和bn层组成，右侧由一个一维卷积层和bn层组成。第一个残差块左侧卷积层滤波器数量为16，卷积核大小为1x5，步长为2，右侧卷积层滤波器数量为16，卷积核大小为1x1，步长
为4。第二个残差块左侧卷积层滤波器数量为32，卷积核大小为1x3，步长为2，右侧卷积层滤波器数量为32，卷积核大小为1x1，步长为4。bn层表示批标准化，对一维卷积输出参数进行规范化，让每一层的数据在有效的范围内传递下去。在两个残差块之后通过1x2大小的最大池化层将残差块输出数据在尽可能减少特征损失的情况下进行降维；
58.步骤s32、将各个所述模态分量的局部特征与所有的所述浅层特征进行拼接，拼接后输入长短期记忆循环神经网络中，将所述长短期记忆循环神经网络的输出作为注意力模型的输入；
59.本步骤中，为了提高模型效果，将三个浅层特征与一维残差卷积提取的多组特征通过concatenate进行融合，concatenate是一种merge操作，可以将多个时序信号进行拼接，在concatenate操作前需要将各浅层特征重采样至与一维残差卷积网络输出特征相同的长度，便于特征融合操作；
60.在本步骤，拼接后还可以输入两层长短期记忆循环神经网络中进行学习，长短期记忆循环神经网络可以在同一时刻学习到多种信号的变化情况，进一步整合特征之间的时序关系。第一层长短期记忆循环神经网络神经元数量可以设置为64，第二层长短期记忆循环神经网络神经元数量可以设置为128，激活函数均设置为tanh，从粗粒度到细粒度的学习过程可以更好捕获到长时间依赖特征的相关性，同时为了防止过拟合，在每个长短期记忆循环神经网络后面都会引入dropout操作，以增强模型泛化性，两个dropout的参数均设置为0.5；
61.由于长短期记忆循环神经网络难以在长时间序列中突出重要的信息，导致网络对时序信息的学习能力下降，因此本实施例在两层长短期记忆循环神经网络之后引入了注意力模型attention，attention层可以对序列中重要特征给予更多的关注，突出注意力集中的子序列，提高网络的学习能力；
62.步骤s33、将所述注意力模型的输出依次输入两层全连接网络，其中，利用第一层全连接网络对所述注意力模型的输出进行降维，降维后输入第二层全连接网络中，利用softmax函数实现二分类操作，输出最终的分类结果，完成一次训练，所述分类结果包括觉醒状态或非觉醒状态。
63.第一个全连接网络的神经元数量为32，用于对attention层输出结果进行降维，第二个全连接网络神经元数量为2，使用softmax函数实现二分类操作，最终输出分类结果。
64.在进行训练时，可以将一个第一数据对应的浅层特征和所述模态分量序列作为一个样本中包括的数据，以此来构建样本集，训练过程中，为了减少训练数据占用的内存空间，加快模型训练速度，本实施例基于时间换空间的思想，采用分批次训练的方式完成模型的训练，每次训练只加载一个批次的数据到内存中进行迭代计算。将全部的样本数据分为20个批次，每次训练时加载一个批次的数据行训练，当所有批次遍历结束表示一次迭代完成，最终的迭代次数设置为200次。这种方法极大减少了内存开销，防止数据过大时内存空间不够用程序直接卡死的情况发生。在每个轮次训练中，使用交叉熵函数定义模型损失，并使用adam优化器进行参数更新。
65.步骤s4、利用所述训练后的深度神经网络模型检测用户的睡眠状态。
66.在本实施例中，当模型训练好之后，基于实时采集的一段心电信号和训练后的深度神经网络模型，即可完成对此段时间的睡眠状态的识别，也就是说在进行实时识别时，在
训练后的深度神经网络模型的基础上只需要依赖单一心电信号即可实现睡眠状态的有效判别，与当前基于多模态信号或基于脑电信号的研究相比，心电信号便于采集，且不依赖专业医疗设备或环境，应用价值较高，因此本实施例中的方法便于居家场景的睡眠质量检测应用。
67.实施例2
68.如图2所示，本实施例提供了一种微觉醒检测装置，所述装置包括获取模块701、去噪模块702、训练模块703和识别模块704。
69.获取模块701，用于获取原始数据，所述原始数据包括至少一个实验者在睡眠状态下，在第一时间段内的心电信号，将所述原始数据按照预设时间长度进行片段划分，得到多个第一数据；
70.去噪模块702，用于对所述第一数据进行去噪，得到去噪后的第一数据，提取所述去噪后的第一数据的浅层特征，得到浅层特征；利用集合经验模态分解对所述第一数据进行分解，得到模态分量序列；
71.训练模块703，用于基于每一个所述第一数据对应的浅层特征和所述模态分量序列对深度神经网络模型进行训练，得到训练后的深度神经网络模型；
72.识别模块704，用于利用所述训练后的深度神经网络模型检测用户的睡眠状态。
73.在本公开的一种具体实施方式中，所述去噪模块702，还包括过滤单元7021、第一计算单元7022和去噪单元7023。
74.过滤单元7021，用于采用中值滤波器对所述第一数据进行处理，得到第二数据；
75.第一计算单元7022，用于将所述第一数据与所述第二数据进行做差处理，得到第三数据；
76.去噪单元7023，用于对所述第三数据进行离散小波变换去噪处理，得到所述去噪后的第一数据。
77.在本公开的一种具体实施方式中，所述去噪模块702，还包括第二计算单元7024、纠正单元7025和第三计算单元7026。
78.第二计算单元7024，用于利用pan-tompkins算法对所述去噪后的第一数据进行处理，得到所述心电信号中r波峰值索引；
79.纠正单元7025，用于对所述心电信号中r波峰值索引进行纠正处理，得到纠正后的r波峰值索引，所述纠正后的r波峰值索引中包括多个索引值；
80.第三计算单元7026，用于根据所述纠正后的r波峰值索引计算得到心率变异性信号、r波峰值序列和心源性呼吸信号。
81.在本公开的一种具体实施方式中，所述第三计算单元7026，还包括第一计算子单元70261、识别子单元70262和第二计算子单元70263。
82.第一计算子单元70261，用于将相邻的两个索引值进行差值计算，得到心率变异性信号；
83.识别子单元70262，用于识别所述去噪后的第一数据中r波的每一个峰值，得到r波峰值序列；
84.第二计算子单元70263，用于对所述r波峰值序列进行过采样处理，得到所述心源性呼吸信号。
85.在本公开的一种具体实施方式中，所述去噪模块702，还包括分解单元7027和重复单元7028。
86.分解单元7027，用于分解步骤：向所述第一数据加入随机正态分布的白噪声，得到第四数据，对所述第四数据进行经验模态分解，得到多个模态分量，将所有的所述模态分量按照频率大小进行排列，得到第五数据，所述第五数据包括排列后的模态分量；
87.重复单元7028，用于重复所述分解步骤，得到多个第五数据，将所有的排列在所述第五数据中第n个位置的所述模态分量进行集成平均处理，得到第六数据，将所有的所述第六数据组成模态分量序列，其中，n为正整数。
88.在本公开的一种具体实施方式中，所述训练模块703，还包括输入单元7031、拼接单元7032和降维单元7033。
89.输入单元7031，用于在进行每一次训练时，将所述模态分量序列中的各个模态分量输入一维残差卷积网络，提取各个所述模态分量的局部特征；
90.拼接单元7032，用于将各个所述模态分量的局部特征与所有的所述浅层特征进行拼接，拼接后输入长短期记忆循环神经网络中，将所述长短期记忆循环神经网络的输出作为注意力模型的输入；
91.降维单元7033，用于将所述注意力模型的输出依次输入两层全连接网络，其中，利用第一层全连接网络对所述注意力模型的输出进行降维，降维后输入第二层全连接网络中，利用softmax函数实现二分类操作，输出最终的分类结果，完成一次训练，所述分类结果包括觉醒状态或非觉醒状态。
92.需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
93.实施例3
94.相应于上面的方法实施例，本公开实施例还提供了微觉醒检测设备，下文描述的微觉醒检测设备与上文描述的微觉醒检测方法可相互对应参照。
95.图3是根据一示例性实施例示出的微觉醒检测设备800的框图。如图3所示，该微觉醒检测设备800可以包括：处理器801，存储器802。该微觉醒检测设备800还可以包括多媒体组件803，i/o接口804，以及通信组件805中的一者或多者。
96.其中，处理器801用于控制该微觉醒检测设备800的整体操作，以完成上述的微觉醒检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该微觉醒检测设备800的操作，这些数据例如可以包括用于在该微觉醒检测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可
以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该微觉醒检测设备800与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near fieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：wi-fi模块，蓝牙模块，nfc模块。
97.在一示例性实施例中，该微觉醒检测设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digitalsignal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的微觉醒检测方法。
98.在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的微觉醒检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该微觉醒检测设备800的处理器801执行以完成上述的微觉醒检测方法。
99.实施例4
100.相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的微觉醒检测方法可相互对应参照。
101.一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的微觉醒检测方法的步骤。
102.该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
103.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.一种微觉醒检测方法，其特征在于，包括：获取原始数据，所述原始数据包括至少一个实验者在睡眠状态下，在第一时间段内的心电信号，将所述原始数据按照预设时间长度进行片段划分，得到多个第一数据；对所述第一数据进行去噪，得到去噪后的第一数据，提取所述去噪后的第一数据的浅层特征，得到浅层特征；利用集合经验模态分解对所述第一数据进行分解，得到模态分量序列；基于每一个所述第一数据对应的浅层特征和所述模态分量序列对深度神经网络模型进行训练，得到训练后的深度神经网络模型；利用所述训练后的深度神经网络模型检测用户的睡眠状态。2.根据权利要求1所述的微觉醒检测方法，其特征在于，对所述第一数据进行去噪，得到去噪后的第一数据，包括：采用中值滤波器对所述第一数据进行处理，得到第二数据；将所述第一数据与所述第二数据进行做差处理，得到第三数据；对所述第三数据进行离散小波变换去噪处理，得到所述去噪后的第一数据。3.根据权利要求1所述的微觉醒检测方法，其特征在于，提取所述去噪后的第一数据的浅层特征，得到浅层特征，包括：利用pan-tompkins算法对所述去噪后的第一数据进行处理，得到所述心电信号中r波峰值索引；对所述心电信号中r波峰值索引进行纠正处理，得到纠正后的r波峰值索引，所述纠正后的r波峰值索引中包括多个索引值；根据所述纠正后的r波峰值索引计算得到心率变异性信号、r波峰值序列和心源性呼吸信号。4.根据权利要求3所述的微觉醒检测方法，其特征在于，根据所述纠正后的r波峰值索引计算得到心率变异性信号、r波峰值序列和心源性呼吸信号，包括：将相邻的两个索引值进行差值计算，得到心率变异性信号；识别所述去噪后的第一数据中r波的每一个峰值，得到r波峰值序列；对所述r波峰值序列进行过采样处理，得到所述心源性呼吸信号。5.一种微觉醒检测装置，其特征在于，包括：获取模块，用于获取原始数据，所述原始数据包括至少一个实验者在睡眠状态下，在第一时间段内的心电信号，将所述原始数据按照预设时间长度进行片段划分，得到多个第一数据；去噪模块，用于对所述第一数据进行去噪，得到去噪后的第一数据，提取所述去噪后的第一数据的浅层特征，得到浅层特征；利用集合经验模态分解对所述第一数据进行分解，得到模态分量序列；训练模块，用于基于每一个所述第一数据对应的浅层特征和所述模态分量序列对深度神经网络模型进行训练，得到训练后的深度神经网络模型；识别模块，用于利用所述训练后的深度神经网络模型检测用户的睡眠状态。6.根据权利要求5所述的微觉醒检测装置，其特征在于，去噪模块，包括：过滤单元，用于采用中值滤波器对所述第一数据进行处理，得到第二数据；
第一计算单元，用于将所述第一数据与所述第二数据进行做差处理，得到第三数据；去噪单元，用于对所述第三数据进行离散小波变换去噪处理，得到所述去噪后的第一数据。7.根据权利要求5所述的微觉醒检测装置，其特征在于，去噪模块，包括：第二计算单元，用于利用pan-tompkins算法对所述去噪后的第一数据进行处理，得到所述心电信号中r波峰值索引；纠正单元，用于对所述心电信号中r波峰值索引进行纠正处理，得到纠正后的r波峰值索引，所述纠正后的r波峰值索引中包括多个索引值；第三计算单元，用于根据所述纠正后的r波峰值索引计算得到心率变异性信号、r波峰值序列和心源性呼吸信号。8.根据权利要求7所述的微觉醒检测装置，其特征在于，第三计算单元，包括：第一计算子单元，用于将相邻的两个索引值进行差值计算，得到心率变异性信号；识别子单元，用于识别所述去噪后的第一数据中r波的每一个峰值，得到r波峰值序列；第二计算子单元，用于对所述r波峰值序列进行过采样处理，得到所述心源性呼吸信号。9.一种微觉醒检测设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述微觉醒检测方法的步骤。10.一种可读存储介质，其特征在于：所述可读存储介质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权利要求1至4任一项所述微觉醒检测方法的步骤。
技术总结本发明提供了一种微觉醒检测方法、装置、设备及可读存储介质，所述方法包括：获取原始数据，将所述原始数据按照预设时间长度进行片段划分，得到多个第一数据；对所述第一数据进行去噪，得到去噪后的第一数据，提取所述去噪后的第一数据的浅层特征，得到浅层特征；利用集合经验模态分解对所述第一数据进行分解，得到模态分量序列；基于每一个所述第一数据对应的浅层特征和所述模态分量序列对深度神经网络模型进行训练，得到训练后的深度神经网络模型；利用所述训练后的深度神经网络模型检测用户的睡眠状态。在训练后的深度神经网络模型的基础上只需要依赖单一心电信号即可实现睡眠状态的有效判别，因此本发明具有成本低和应用价值高的优点。价值高的优点。价值高的优点。
技术研发人员：滕飞 何丁丁 沈益民 黄路非 李暄 金朝辉 王雪彦
受保护的技术使用者：西南交通大学
技术研发日：2022.06.21
技术公布日：2022/11/1
