技術(shù)特征：

1.一種基于腦電信號(hào)的睡眠狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，包括：

采集用戶在睡眠過(guò)程中產(chǎn)生的腦電信號(hào)，分N+1路分別根據(jù)睡眠狀態(tài)識(shí)別的識(shí)別任務(wù)從所述腦電信號(hào)中提取相應(yīng)的特征數(shù)據(jù)，N≥1；

分別將N+1路特征數(shù)據(jù)輸入預(yù)先訓(xùn)練的睡眠狀態(tài)識(shí)別模型、睡眠狀態(tài)檢測(cè)器1、睡眠狀態(tài)檢測(cè)器2、……、睡眠狀態(tài)檢測(cè)器N；其中，睡眠狀態(tài)識(shí)別模型用于識(shí)別用戶的1～N種睡眠狀態(tài)，睡眠狀態(tài)檢測(cè)器1～N分別對(duì)應(yīng)用于識(shí)別用戶的一種特定睡眠狀態(tài)；

讀取所述預(yù)先訓(xùn)練的睡眠狀態(tài)識(shí)別模型以及睡眠狀態(tài)檢測(cè)器1～N的輸出結(jié)果，根據(jù)所述輸出結(jié)果確定所述特征數(shù)據(jù)的數(shù)據(jù)類型，并對(duì)該特征數(shù)據(jù)進(jìn)行類型標(biāo)注；

根據(jù)標(biāo)注后的特征數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得該用戶的個(gè)人睡眠狀態(tài)識(shí)別模型。

2.根據(jù)權(quán)利要求1所述的基于腦電信號(hào)的睡眠狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，所述預(yù)先訓(xùn)練的睡眠狀態(tài)識(shí)別模型用于識(shí)別用戶是否處于1～N種睡眠狀態(tài)中的任一種，輸出結(jié)果為“睡眠狀態(tài)1”“睡眠狀態(tài)2”、……或“睡眠狀態(tài)N”；

所述睡眠狀態(tài)檢測(cè)器1用于識(shí)別用戶是否處于“睡眠狀態(tài)1”的狀態(tài)中，輸出結(jié)果為”真”，反之則輸出結(jié)果為”假”；

所述睡眠狀態(tài)檢測(cè)器2用于識(shí)別用戶是否處于“睡眠狀態(tài)2”的狀態(tài)中，輸出結(jié)果為”真”，反之則輸出結(jié)果為”假”；

……

所述睡眠狀態(tài)檢測(cè)器N用于識(shí)別用戶是否處于“睡眠狀態(tài)N”的狀態(tài)中，輸出結(jié)果為”真”，反之則輸出結(jié)果為”假”。

3.根據(jù)權(quán)利要求1所述的基于腦電信號(hào)的睡眠狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，若睡眠狀態(tài)檢測(cè)器1～N的輸出結(jié)果只有一個(gè)為“真”，其他檢測(cè)器的輸出結(jié)果均為“假”，則根據(jù)輸出結(jié)果為”真”的檢測(cè)器的檢測(cè)結(jié)果，將特征數(shù)據(jù)的類型標(biāo)注為相應(yīng)的類型；

若睡眠狀態(tài)檢測(cè)器1～N的輸出結(jié)果中多余一個(gè)檢測(cè)器的輸出結(jié)果為“真”，則根據(jù)預(yù)先訓(xùn)練的睡眠狀態(tài)識(shí)別模型的輸出結(jié)果，將特征數(shù)據(jù)的類型標(biāo)注為相應(yīng)的類型；

若睡眠狀態(tài)檢測(cè)器1～N的所有輸出結(jié)果均為“假”，則根據(jù)預(yù)先訓(xùn)練的睡眠狀態(tài)識(shí)別模型的輸出結(jié)果，將特征數(shù)據(jù)的類型標(biāo)注為相應(yīng)的類型。

4.根據(jù)權(quán)利要求1所述的基于腦電信號(hào)的睡眠狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，所述N＝4；

所述睡眠狀態(tài)包括：非眼快動(dòng)睡眠的入睡期，淺睡期，中等睡眠期和深度睡眠期四個(gè)狀態(tài)，分別對(duì)應(yīng)于睡眠狀態(tài)檢測(cè)器1、睡眠狀態(tài)檢測(cè)器2、睡眠狀態(tài)檢測(cè)器3和睡眠狀態(tài)檢測(cè)器4。

5.根據(jù)權(quán)利要求1所述的基于腦電信號(hào)的睡眠狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，所述根據(jù)標(biāo)注后的特征數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得該用戶的個(gè)人睡眠狀態(tài)識(shí)別模型的步驟包括：

獲取已標(biāo)注數(shù)據(jù)類型的特征數(shù)據(jù)，從不同類型的特征數(shù)據(jù)中隨機(jī)抽取相同數(shù)量的樣本作為訓(xùn)練數(shù)據(jù)，其余作為測(cè)試數(shù)據(jù)；

將所述訓(xùn)練數(shù)據(jù)輸入支持向量機(jī)進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中采用網(wǎng)格測(cè)試方法選擇最優(yōu)的懲罰因子C和RBF核的參數(shù)σ；調(diào)節(jié)所述懲罰因子C和參數(shù)σ，將識(shí)別率最高時(shí)對(duì)應(yīng)的參數(shù)設(shè)為最優(yōu)參數(shù)；

利用所述最優(yōu)參數(shù)重新訓(xùn)練睡眠狀態(tài)識(shí)別模型，并利用所述測(cè)試數(shù)據(jù)對(duì)該睡眠狀態(tài)識(shí)別模型進(jìn)行測(cè)試，將測(cè)試中識(shí)別率最優(yōu)的睡眠狀態(tài)識(shí)別模型設(shè)為個(gè)人睡眠狀態(tài)識(shí)別模型。

6.根據(jù)權(quán)利要求1所述的基于腦電信號(hào)的睡眠狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，所述從所述腦電信號(hào)中提取相應(yīng)的特征數(shù)據(jù)的步驟包括：

提取腦電信號(hào)的基線，計(jì)算所述基線的變化幅度；其中，所述變化幅度為基線最大值減去最小值；

在去掉基線后，對(duì)所述腦電信號(hào)進(jìn)行小波分解，獲得小波系數(shù)，并根據(jù)小波系數(shù)計(jì)算小波系數(shù)的特征參數(shù)；其中，所述特征參數(shù)包括小波系數(shù)的均值、方差、峭度系數(shù)和/或斜度系數(shù)；

在去掉基線后，計(jì)算腦電信號(hào)的LZ復(fù)雜度和樣本熵；

將所述基線的變化幅度、小波系數(shù)的特征參數(shù)、LZ復(fù)雜度和樣本熵設(shè)為所述特征數(shù)據(jù)。

7.根據(jù)權(quán)利要求4所述的基于腦電信號(hào)的睡眠狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，還包括：

在小波重構(gòu)中提取所述腦電信號(hào)的δ波頻段，θ波頻段，α波頻段，β波頻段；

分別計(jì)算所述δ波頻段，θ波頻段，α波頻段，β波頻段能量在總能量中的比例；

分別計(jì)算在一幀腦電信號(hào)內(nèi)，δ波頻段，θ波頻段，α波頻段，β波頻段能量最大的時(shí)間長(zhǎng)度；

將所述比例和時(shí)間設(shè)為所述特征數(shù)據(jù)。

8.根據(jù)權(quán)利要求7所述的基于腦電信號(hào)的睡眠狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，所述分別計(jì)算所述δ波頻段，θ波頻段，α波頻段，β波頻段能量在總能量中的比例的步驟包括如下公式：

r_δ＝∑(y_δ)²/p_total

r_θ＝∑(y_θ)²/p_total

r_α＝∑(y_α)²/p_total

r_β＝∑(y_β)²/p_total

其中p_total＝∑(y_δ)²+∑(y_θ)²+∑(y_α)²+∑(y_β)²，y_δ，y_θ，y_α和y_β分別表示重構(gòu)后的δ頻段、θ頻段、α頻段和β頻段的信號(hào)，r_δ，r_θ，r_α和r_β分別代表δ頻段、θ頻段、α頻段和β頻段的信號(hào)的能量在總能量的比例。

9.根據(jù)權(quán)利要求7所述的基于腦電信號(hào)的睡眠狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，所述分別計(jì)算在一幀腦電信號(hào)內(nèi)，δ波頻段，θ波頻段，α波頻段，β波頻段能量最大的時(shí)間長(zhǎng)度的步驟包括如下公式：

$c_{\mathrm{\δ}}=\underset{i=1}{\overset{30}{\Σ}}{f}_{\mathrm{\δ}}^i,f_{\mathrm{\δ}}^i=\left\{\begin{array}{c}1,if{r}_{\mathrm{\δ}}^i=\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\\ 0,if{r}_{\mathrm{\δ}}^i\≠\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\end{array}\right.$

$c_{\mathrm{\θ}}=\underset{i=1}{\overset{30}{\Σ}}{f}_{\mathrm{\θ}}^i,f_{\mathrm{\θ}}^i=\left\{\begin{array}{c}1,if{r}_{\mathrm{\θ}}^i=\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\\ 0,if{r}_{\mathrm{\θ}}^i\≠\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\end{array}\right.$

$c_{\mathrm{\α}}=\underset{i=1}{\overset{30}{\Σ}}{f}_{\mathrm{\α}}^i,f_{\mathrm{\α}}^i=\left\{\begin{array}{c}1,if{r}_{\mathrm{\α}}^i=\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\\ 0,if{r}_{\mathrm{\α}}^i\≠\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\end{array}\right.$

$c_{\mathrm{\β}}=\underset{i=1}{\overset{30}{\Σ}}{f}_{\mathrm{\β}}^i,f_{\mathrm{\β}}^i=\left\{\begin{array}{c}1,if{r}_{\mathrm{\β}}^i=\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\\ 0,if{r}_{\mathrm{\β}}^i\≠\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\end{array}\right.$

式中，c_δ，c_θ，c_α和c_β表示δ頻段、θ頻段、α頻段和β頻段的信號(hào)在當(dāng)前幀內(nèi)所占能量比例最大的時(shí)間長(zhǎng)度，分別表示第i秒內(nèi)δ頻段、θ頻段、α頻段和β頻段的信號(hào)的能量在總能量的比例。

10.一種基于腦電信號(hào)的睡眠狀態(tài)識(shí)別模型訓(xùn)練系統(tǒng)，其特征在于，包括：

特征數(shù)據(jù)提取模塊，用于采集用戶在睡眠過(guò)程中產(chǎn)生的腦電信號(hào)，分N+1路分別根據(jù)睡眠狀態(tài)識(shí)別的識(shí)別任務(wù)從所述腦電信號(hào)中提取相應(yīng)的特征數(shù)據(jù)，N≥1；

多檢測(cè)器檢測(cè)模塊，用于分別將N+1路特征數(shù)據(jù)輸入預(yù)先訓(xùn)練的睡眠狀態(tài)識(shí)別模型、睡眠狀態(tài)檢測(cè)器1、睡眠狀態(tài)檢測(cè)器2、……、睡眠狀態(tài)檢測(cè)器N；其中，睡眠狀態(tài)識(shí)別模型用于識(shí)別用戶的1～N種睡眠狀態(tài)，睡眠狀態(tài)檢測(cè)器1～N分別對(duì)應(yīng)用于識(shí)別用戶的一種特定睡眠狀態(tài)；

數(shù)據(jù)類型標(biāo)注模塊，用于讀取所述預(yù)先訓(xùn)練的睡眠狀態(tài)識(shí)別模型以及睡眠狀態(tài)檢測(cè)器1～N的輸出結(jié)果，根據(jù)所述輸出結(jié)果確定所述特征數(shù)據(jù)的數(shù)據(jù)類型，并對(duì)該特征數(shù)據(jù)進(jìn)行類型標(biāo)注；

個(gè)人模型訓(xùn)練模塊，用于根據(jù)標(biāo)注后的特征數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得該用戶的個(gè)人睡眠狀態(tài)識(shí)別模型。