一种睡眠状态识别模型训练、睡眠分期方法及装置与流程

技术特征：
1.一种睡眠状态识别模型训练方法，其特征在于，包括：获取时序心冲击图训练数据集，所述时序心冲击图训练数据集中包括多个时序心冲击图训练数据；将所述时序心冲击图训练数据输入初始网络模型中，对所述初始网络模型进行训练，得到睡眠状态识别模型；所述初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，所述卷积神经网络用于根据所述时序心冲击图训练数据获取睡眠分期特征；所述长短时记忆神经网络用于根据所述睡眠分期特征得到时序睡眠分期特征；所述机器学习分类器用于根据所述时序睡眠分期特征确定所述时序心冲击图训练数据对应的睡眠状态。2.根据权利要求1所述的睡眠状态识别模型训练方法，其特征在于，所述卷积神经网络中包括多层卷积层；各所述卷积层后连接有批归一化层。3.根据权利要求1所述的睡眠状态识别模型训练方法，其特征在于，所述卷积神经网络中包括多层卷积层；各所述卷积层后连接有随机失活层。4.根据权利要求1所述的睡眠状态识别模型训练方法，其特征在于，获取时序心冲击图训练数据集，包括：获取时序心冲击图采样数据集，所述时序心冲击图采样数据集中包括多个对应不同睡眠状态的时序心冲击图采样数据；对所述时序心冲击图采样数据进行降噪处理，得到训练去噪数据集；对所述训练去噪数据集进行均衡化处理，得到所述时序心冲击图训练数据集。5.一种睡眠分期方法，其特征在于，包括：获取时序心冲击图数据，将所述时序心冲击图数据分解为多个样本数据；将所述样本数据分别输入到睡眠状态识别模型中，得到各样本数据对应的睡眠识别结果，所述睡眠状态识别模型通过如权利要求1-4中任一项所述的睡眠状态识别模型训练方法确定；将各所述数据样本对应的睡眠识别结果形成的时序集合确定为睡眠分期结果。6.根据权利要求5所述的睡眠分期方法，其特征在于，获取时序心冲击图数据，包括：获取时序心冲击图采样数据；对所述时序心冲击图采样数据进行降噪处理，得到所述时序心冲击图数据。7.一种睡眠状态识别模型训练装置，其特征在于，包括：数据获取模块，用于获取时序心冲击图训练数据集，所述时序心冲击图训练数据集中包括多个时序心冲击图训练数据；数据处理模块，用于将所述时序心冲击图训练数据输入初始网络模型中，对所述初始网络模型进行训练，得到睡眠状态识别模型；所述初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，所述卷积神经网络用于根据所述时序心冲击图训练数据获取睡眠分期特征；所述长短时记忆神经网络用于根据所述睡眠分期特征得到时序睡眠分期特征；所述机器学习分类器用于根据所述时序睡眠分期特征确定所述时序心冲击图训练数据对应的睡眠状态。
8.一种睡眠分期装置，其特征在于，包括：数据获取模块，用于获取时序心冲击图数据，将所述时序心冲击图数据分解为多个样本数据；数据处理模块，用于将所述样本数据分别输入到睡眠状态识别模型中，得到各样本数据对应的睡眠识别结果，所述睡眠状态识别模型通过如权利要求1-4中任一项所述的睡眠状态识别模型训练方法确定；数据汇总模块，用于将各所述数据样本对应的睡眠识别结果形成的时序集合确定为睡眠分期结果。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现如权利要求1-4所述的一种睡眠状态识别模型训练方法，或，如权利要求5或6所述的一种睡眠分期方法。10.一种计算机设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行权利要求1-4所述的一种睡眠状态识别模型训练方法，或，如权利要求5或6所述的一种睡眠分期方法。

技术总结
本发明提供了一种睡眠状态识别模型训练、睡眠分期方法及装置，其中，睡眠状态识别模型训练方法，包括：获取时序心冲击图训练数据集，时序心冲击图训练数据集中包括多个时序心冲击图训练数据；将时序心冲击图训练数据输入初始网络模型中，对初始网络模型进行训练，得到睡眠状态识别模型；初始网络模型包括卷积神经网络、长短时记忆神经网络、机器学习分类器，卷积神经网络用于根据时序心冲击图训练数据获取睡眠分期特征；长短时记忆神经网络用于根据睡眠分期特征得到时序睡眠分期特征；机器学习分类器用于根据时序睡眠分期特征确定时序心冲击图训练数据对应的睡眠状态，通过执行本发明，可以提高睡眠分期结果的准确性。可以提高睡眠分期结果的准确性。可以提高睡眠分期结果的准确性。


技术研发人员：周灵杰
受保护的技术使用者：天翼云科技有限公司
技术研发日：2021.12.27
技术公布日：2022/4/22