本发明涉及睡眠监测领域，更具体地说，本发明涉及一种基于称重传感器的睡眠阶段识别算法。
背景技术：
1、申请公开号为cn111387936a的专利公开了一种睡眠阶段识别方法、装置及设备，涉及通信技术领域，包括：根据目标用户的用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型；将目标识别模型的输出结果作为所述目标用户的当前睡眠阶段；其中，反馈信号是射频信号经目标用户反射回的信号，目标识别模型为深度神经网络模型；扩展了应用场景，且提升了识别的准确性。
2、对于日常生活方面，睡眠不佳可能导致情绪波动大，增加焦虑、抑郁和情绪不稳定的风险，同时也容易影响记忆力、注意力、决策能力和问题解决能力，导致工作和学习效率下降。在现有技术中，睡眠监测领域大多采用智能穿戴设备或非接触式技术，但对于睡眠质量的分析较为粗糙，使用的成本过高而且过程较为繁琐。
3、鉴于此，本发明提出一种基于称重传感器的睡眠阶段识别算法以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：基于称重传感器的睡眠阶段识别算法，包括：采集睡眠数据；
2、所述睡眠数据包括体动数据和睡眠姿态改变数据；
3、构建bp神经网络模型，利用bp神经网络模型处理体动数据和睡眠姿态改变数据，分别得到完善体动数据和完善睡眠姿态改变数据；
4、基于完善体动数据和完善睡眠姿态改变数据识别出睡眠状态。
5、进一步地，体动数据和睡眠姿态改变数据的获取方式包括：
6、在床的四个床脚上设置称重传感器，记录称重传感器的各项物理值总和随时间变化的波形为w1，即为体动数据；
7、若波形w1在连续的固定时间内波峰和波谷的取值差异小于或等于1，则判定用户在床，反之则判定用户不在床；
8、若判定用户在床，则记录此时称重传感器的各项物理值总和为y；同步记录称重传感器的各项物理值的离散值随时间变化的波形w2；
9、若波形w2中有波峰取值大于预设的睡眠姿态改变阈值v0，且该波峰为波形w2的首次波峰，则记录该波峰所在波形周期的起始时间t0；
10、若判定用户不在床，则记录时间tx；
11、预设第一睡眠姿态改变阈值v0和第二睡眠姿态改变阈值v1；若波形w1的周期大于或等于v0且和称重传感器的各项物理值的离散值大于或等于v1时，则定义睡眠姿态改变数据为波形w2。
12、进一步地，构建bp神经网络模型的方式包括：
13、s1.采集历史数据，将历史数据进行处理，得到训练标签和特征向量；构成训练集；
14、s2.定义bp神经网络模型的神经网络结构包括输入层、隐藏层和输出层；输入层的神经元数量为ninput，隐藏层的神经元数量为nhidden，输出层的神经元数量为noutput；
15、s3.初始化bp神经网络模型的参数，参数包括权重矩阵w和偏置向量b；
16、s4.计算隐藏层的输出ohidden＝f(winput-to-hiddenx+bhidden)和输出层的输出ooutput＝f(winput-to-hiddenohidden+boutput)；其中f是激活函数，winput-to-hidden是指输入层到隐藏层的权重矩阵，bhidden是隐藏层的偏置向量，boutput是输出层的偏置向量；
17、s5.将滤波后体动数据和滤波后睡眠姿态改变数据作为训练标签，并定义损失函数
18、其中，y为训练标签；公式中yi对应ooutput，对应y；
19、s6.将bp神经网络模型的参数编码为染色体c；并定义适应度函数f(c)＝-l；执行选择，交叉和变异操作生成新的种群；
20、s7.重复步骤s4-s6，直到损失函数的值不再减小；此时固定参数，得到构建完成的bp神经网络模型；
21、基于构建完成的bp神经网络模型，对滤波处理后的数据进行训练，得到完善体动数据的波形为wa，完善睡眠状态数据的波形为wb。
22、进一步地，历史数据为历史体动数据和历史睡眠姿态改变数据；采集历史固定时间内的体动数据s(t)和睡眠姿态改变数据p(t)，记作历史体动数据和历史睡眠姿态改变数据；t为时间点索引；
23、将历史数据进行处理的方式包括：
24、将采集到的历史体动数据和历史睡眠姿态改变数据进行滤波处理，进行滤波处理的公式为：
25、sfiltered(t)＝filter(s(t))；
26、pfiltered(t)＝filter(s(t))；
27、其中，sfiltered(t)是指滤波处理后的历史体动数据，记作滤波后体动数据；pfiltered(t)是指滤波处理后的历史睡眠姿态改变数据；记作滤波后睡眠姿态改变数据；filter是指滤波处理；滤波后体动数据和滤波后睡眠姿态改变数据即为训练标签；
28、从滤波后体动数据和滤波后姿态改变数据中提取特征，特征包括峰值频率、最大振幅、变化率和稳定性；
29、将提取的特征组合成一个特征向量x＝[fs,fp,μs,σs]；
30、其中，μs表示历史体动数据基于所有时间点的均值和历史睡眠姿态改变数据基于所有时间点的均值的组合向量，σs表示标准差；fs为峰值频率和最大振幅组合向量；fp为变化率和稳定性的组合向量。
31、进一步地，睡眠状态的识别方式包括：
32、从t0开始直至tx结束，基于时间点的先后逐步提取波形wa的波形值y1和波形wb的波形值y2，计算体动指数m＝|y1-y|×n1+y2×n2，其中，n1和n2为对应权重；体动指数在从t0至tx时间内的值形成波形wc；
33、基于波形wc判定睡眠状态并构造波形wd；基于波形wd，判定睡眠周期和睡眠阶段。
34、进一步地，基于波形wc判定睡眠状态并构造波形wd的方式包括：
35、定义睡眠状态为深度睡眠、浅度睡眠或中度睡眠；
36、根据波形wc，将t0至tx构成的时间段进行划分，得到n个小时间段；小时间段的长度均为j分钟；若在连续两个小时间段内，体动指数m均小于预设的低体动阈值d，则判定睡眠状态为深度睡眠；若在连续两个小时间段内，体动指数m的均值均大于预设的浅度睡眠阈值a，则判定睡眠状态为浅度睡眠；其余时间则判定睡眠状态为中度睡眠；
37、将t0时与tx时取值5，n个小时间段从先至后将浅度睡眠的取值定义为3，将中度睡眠的取值定义为2，将深度睡眠的取值定义为1；由此构造波形wd；
38、进一步地，判定睡眠周期和睡眠阶段的方式包括：
39、定义判定约束，判定约束包括第一约束和第二约束；
40、第一约束为从t0时开始，两次睡眠处于深度睡眠阶段的间隔小于或等于10个小时间段；
41、第二约束为在首次睡眠状态为深度睡眠之前存在睡眠状态为浅度睡眠，且浅度睡眠和深度睡眠的时间间隔之间存在中度睡眠；
42、若同时满足第一约束和第二约束，并在下一次睡眠状态为深度睡眠结束时，判定为一个睡眠周期；否则，在第一次睡眠状态为深度睡眠时结束，或tx时间到，判定为一个睡眠周期；以同样的方法判断下一个睡眠周期，直至tx；
43、睡眠阶段包括nrem3-4睡眠阶段、rem睡眠阶段、nrem1睡眠阶段和nrem2睡眠阶段；
44、依据波形wd，对于每个睡眠周期中，至多两次深度睡眠，生成波形we；其中，第一次深度睡眠判定为nrem3-4睡眠阶段，波形取值1；第二次判定为rem睡眠阶段，波形取值4；浅度睡眠作为nrem1睡眠阶段，波形取值3；中度睡眠作为nrem2睡眠阶段，波形取值2；
45、基于称重传感器的睡眠阶段识别系统，包括：
46、数据采集模块，用于采集睡眠数据，所述睡眠数据包括体动数据和睡眠姿态改变数据；
47、特征提取模块，用于构建bp神经网络模型，利用bp神经网络模型处理体动数据和睡眠姿态改变数据，分别得到完善体动数据和完善睡眠姿态改变数据；
48、算法识别模块，基于完善体动数据和完善睡眠姿态改变数据识别出睡眠状态，各个模块之间通过有线和/或无线的方式进行连接。
49、本发明基于称重传感器的睡眠阶段识别算法的技术效果和优点：
50、通过采集睡眠数据，建立了机器学习模型对数据进行处理，将图像与所得数据进行有机结合，实现了对睡眠中各个阶段的精确识别；与现有经验相比，通过建立改进的bp神经网络模型，对所得睡眠数据进行处理，使得数据更为精确，有效防止了容易陷入局部最小值的情况，使得算法识别效果更加优秀；可以分离出睡眠过程中的每个周期，以及每个周期中的各个睡眠阶段，对于各个阶段的睡眠数据进行累计，从而得到直观的睡眠数量与质量的分析结果；而且，依据长期的睡眠数据，还可以优化个体的睡眠各个阶段的阈值，以适应一些睡眠障碍的个体的监测需求。与现有睡眠监测设备相比，不仅大大降低了监测成本，还保持了高质量的监测结果。
1.基于称重传感器的睡眠阶段识别算法，其特征在于，包括：采集睡眠数据；所述睡眠数据包括体动数据和睡眠姿态改变数据；
2.根据权利要求1所述的基于称重传感器的睡眠阶段识别算法，其特征在于，所述体动数据和睡眠姿态改变数据的获取方式包括：
3.根据权利要求2所述的基于称重传感器的睡眠阶段识别算法，其特征在于，所述构建bp神经网络模型的方式包括：
4.根据权利要求3所述的基于称重传感器的睡眠阶段识别算法，其特征在于，所述历史数据为历史体动数据和历史睡眠姿态改变数据；采集历史固定时间内的体动数据s(t)和睡眠姿态改变数据p(t)，记作历史体动数据和历史睡眠姿态改变数据；t为时间点索引；
5.根据权利要求4所述的基于称重传感器的睡眠阶段识别算法，其特征在于，所述睡眠状态的识别方式包括：
6.根据权利要求5所述的基于称重传感器的睡眠阶段识别算法，其特征在于，所述基于波形wc判定睡眠状态并构造波形wd的方式包括：
7.根据权利要求6所述的基于称重传感器的睡眠阶段识别算法，其特征在于，所述判定睡眠周期和睡眠阶段的方式包括：
8.基于称重传感器的睡眠阶段识别系统，其用于实现权利要求1-7中任一项所述的基于称重传感器的睡眠阶段识别算法，其特征在于，包括：数据采集模块，用于采集睡眠数据，所述睡眠数据包括体动数据和睡眠姿态改变数据；
