[0001] 本实用新型属于睡眠技术领域，尤其涉及一种睡眠分期系统。

[0002] 传统的睡眠评估通常采用患者问卷自评以及医生根据睡眠脑电图打分的方式，易受主观经验的影响，导致无法实现精准、量化的睡眠分期。对此，现有技术设置计算模型进行睡眠分期，但是，不同年龄的被试者不仅脑电振幅不同，睡眠慢波的连续性有较大差异，而且睡眠阶段及其时长也不相同，例如部分老年人睡眠分期中存在没有N3深睡期的情况；此外，由于女性低频脑电的振幅明显大于男性，不同性别的睡眠分期也需要进一步区分。显然现有技术使用固定的计算模型未考虑到不同年龄、性别、病史、被试环境等因素导致的分期效果差异化问题，对不同人群进行睡眠分期存在着泛化性能较差的不足。
实用新型内容

[0003] 为了解决现有技术中睡眠分期泛化性差的问题，本实用新型提出一种睡眠分期系统，包括：分析模块，包括第一分析模块、第二分析模块；其中，第一分析模块被配置为提取睡眠脑电数据库的数据中包含的被试者信息，第二分析模块被配置为提取实时睡眠脑电数据中包含的被试者信息；分组模块，包括第一分组模块、第二分组模块；其中，第一分组模块与第一分析模块相连，被配置为根据被试者信息划分用户组；第二分组模块与第二分析模块相连，被配置为根据被试者信息确定所属用户组；特征筛选模块，与所述第一分组模块相连，用于筛选各用户组中数据的特征作为该用户组的特征组合；模型验证模块，与所述特征筛选模块相连，用于交叉验证所述特征组合以配置各用户组的分期模型；分期计算模块，与第二分组模块以及模型验证模块相连，用于将所属用户组的特征组合输入该用户组配置的分期模型中算得睡眠分期结果。

[0004] 进一步，睡眠分期系统还包括：存储器，用于存储所述睡眠脑电数据库；传感器，其上设置有信号的采集通道，所述传感器能够提取信号中的所述实时睡眠脑电数据。

[0005] 进一步，睡眠分期系统还包括：处理器，包括滑窗模块、分析模块、分组模块；其中，滑窗模块包括第一滑窗模块、第二滑窗模块；第一滑窗模块与存储器相连，被配置为按照设定时长将睡眠脑电数据库中数据滑窗处理为m1个数据库窗口；第二滑窗模块与传感器相连，被配置为按照设定时长将实时睡眠脑电数据滑窗处理为m2个实时数据窗口。

[0006] 进一步，所述第一分析模块与所述第一滑窗模块相连，所述第二分析模块与所述第二滑窗模块相连。

[0007] 进一步，所述被试者信息包括：年龄、性别。

[0008] 进一步，根据年龄划分用户组包括：6‑12岁为儿童组，12‑18岁为少年组，18‑45岁为青年组，45‑60岁为中年组，60岁以上为老年组；根据性别划分用户组包括：女性组，男性组；根据年龄和性别划分用户组包括：6‑12岁的女性为女儿童组，12‑18岁的女性为女少年组，18‑45岁的女性为女青年组，45‑60岁的女性为女中年组，60岁以上的女性为女老年组，6‑12岁的男性为男儿童组，12‑18岁的男性为男少年组，18‑45岁的男性为男青年组，45‑60岁的男性为男中年组，60岁以上的男性为男老年组。

[0009] 进一步，所述特征包括：时域特征、频域特征、非线性特征；其中，时域特征包括：绝对幅值、过零点数、Hjorth特征、归一化线长；频域特征包括：delta频带(1‑4Hz)、theta频带(4‑8Hz)、alpha频带(8‑12Hz)、s igma频带(12‑16Hz)、beta频带(12‑30Hz)的相对功率谱密度；非线性特征包括：香农熵、奇异谱熵、样本熵、近似熵、微分熵、排列熵、频谱熵、higuichi分形维度、petrosian分形维度、hurst指数。

[0010] 进一步，所述特征筛选模块包括：前向特征选择函数、后向特征选择函数，以及计算器；所述计算器被配置为将前向特征选择函数算得的若干个前向特征与后向特征选择函数算得的若干个后向特征取并集，得到该用户组的特征组合。

[0011] 进一步，所述分期模型包括：支持向量机、逻辑回归、线性判别分析、随机森林算法、lightGBM模型中的任一种；所述睡眠分期结果包括：清醒期WAKE、非快速眼动睡眠期NREM、快速眼动睡眠期REM，所述非快速眼动睡眠期NREM包括：N1浅睡期、N2浅睡期、N3深睡期。

[0012] 进一步，睡眠分期系统还包括：优化装置，与所述分期计算模块相连，被配置为对所述睡眠分期结果进行平滑处理、时序优化；显示器，与所述优化装置相连，能够显示所述睡眠分期结果。

[0013] 本实用新型的有益效果是，本实用新型根据年龄、性别等关键因素分类研究针对不同人群的睡眠脑电，设计了一种睡眠分期系统，通过对睡眠脑电数据库中的大量被试数据进行交叉验证，不仅针对不同用户组定制准确率最优的特征组合，还验证并选取不同用户组最适合的分期模型，再对不同被试者采取对应的定制化特征组合和分期模型完成实时睡眠脑电的分析。本实用新型根据被试者的情况自适应选择睡眠分期模型，针对性强，分期准确率高，具有优异的睡眠分析效果。

[0024] 为使本实用新型实施例的目的、技术方案和优点更加清楚，下面将结合附图对本实用新型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实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。

[0025] 在本实用新型实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本实用新型中的具体含义。

[0026] 在本实用新型的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本实用新型和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本实用新型的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0027] 为了保证睡眠分期的高泛化性，本实用新型提供了一种睡眠分期系统。如图1所示，本实用新型的睡眠分期系统包括：存储器，用于存储睡眠脑电数据库；传感器，其上设置有信号的采集通道，可以提取信号中的实时睡眠脑电数据；分析模块，包括第一分析模块、第二分析模块，第一分析模块被配置为提取睡眠脑电数据库的数据中包含的被试者信息，第二分析模块被配置为提取实时睡眠脑电数据中包含的被试者信息；分组模块，包括第一分组模块、第二分组模块，被配置为根据被试者信息划分用户组，第二分组模块被配置为根据被试者信息确定所属用户组；特征筛选模块，用于筛选各用户组中数据的特征作为该用户组的特征组合；模型验证模块，用于交叉验证特征组合以配置各用户组的分期模型；分期计算模块，用于将所属用户组的特征组合输入该用户组配置的分期模型中算得睡眠分期结果。

[0028] 需要说明的是，本实用新型的睡眠分期系统执行流程为：S1：对睡眠脑电数据库中的被试者数据进行预处理(带通滤波、去工频、去伪迹)后，按照设定时长滑窗处理得到m1个数据库窗口；S2：将睡眠脑电数据库中的被试者数据根据被试者信息划分用户组，分别筛选各用户组中数据的特征作为该用户组的特征组合；S3：对特征组合进行交叉验证，以确定各用户组的分期模型；S4：获取被试者的实时睡眠脑电数据并根据被试者信息确定所属用户组，将该用户组的特征组合输入该用户组配置的分期模型以得到睡眠分期结果；S5：根据被试环境对睡眠分期结果进行平滑处理、时序优化后显示睡眠分期结果。

[0029] 特别的，本实用新型的睡眠分期系统分为定制化模型训练部分和实时睡眠分期部分：参阅图2，定制化模型训练部分执行上述步骤S1至S3，即针对睡眠脑电数据库的数据训练得到定制化模型，系统对大量数据进行训练，可以在离线或在线场景下运行；参阅图3，实时睡眠分期部分执行上述步骤S4至S5，即针对实际应用中被试者的实时睡眠脑电数据根据被试者信息归类所属的定制化模型并执行以完成睡眠分期，通常在在线场景下运行。

[0030] 需要说明的是，睡眠分期系统还包括采集单元，采集单元包括存储器、带有采集通道的传感器，在可选的实施例中，传感器通常采用与电路板电连接的贴片电极，电路板上设置有放大器、通信器，所述传感器可采集被试者的生理电信号(包括脑电信号、肌电信号、心电信号、呼吸、血氧、脉博等医疗领域常用指标)后经放大器放大并转化为处理器可读取的数字信号(数据)，再由通信器传输至上位机；存储器可以采用SD卡，其既可以存储睡眠脑电数据库，还能与传感器相连以在未连接上位机的离线场景下存储实时数据，并与上位机电连接后传输数据至上位机。睡眠分期系统还包括处理器，处理器包括滑窗模块、分析模块、分组模块，滑窗模块包括与存储器相连的第一滑窗模块、与传感器相连的第二滑窗模块。也就是说，存储器和传感器可向处理器中的滑窗模块传输数据。此外，处理器、特征筛选模块、模型验证模块、分期计算模块、优化装置均位于上位机(通常是计算机)。下面详述睡眠分期系统的运行方式。

[0031] 例如，第一滑窗模块与存储器相连，步骤S1中，处理器的第一滑窗模块从存储器中调取睡眠脑电数据库，睡眠脑电数据库为公开睡眠脑电数据源提取睡眠脑电数据库中的被试者数据进行带通滤波、去工频、去伪迹后得到干净的脑电信号数据，第一滑窗模块按照设定时长30秒将睡眠脑电数据库中数据滑窗处理为m1个数据库窗口，设定时长可根据实际需要调整。

[0032] 例如，第一分析模块与第一滑窗模块相连，被配置为提取m1个数据库窗口中数据包含的被试者信息；第一分组模块与第一分析模块相连，被配置为根据被试者信息划分用户组。步骤S2中，将睡眠脑电数据库中的被试者数据根据被试者信息划分用户组为：第一分析模块将第一滑窗模块得到的m1个数据库窗口根据第一分析模块所解析出的被试者信息划分出K个用户组，每个用户组将包含多名被试者的数据。

[0033] 需要说明的是，被试者信息包括：年龄、性别、病史、被试环境等。参考中国睡眠研究会和美国国家睡眠基金会给出的睡眠健康年龄分段，本实用新型的实施例主要依据年龄、性别作为被试者信息进行分类。可以根据年龄划分用户组包括：6‑12岁为儿童组，12‑18岁为少年组，18‑45岁为青年组，45‑60岁为中年组，60岁以上为老年组；可以根据性别划分用户组包括：女性组，男性组；可以根据年龄和性别划分用户组包括：6‑12岁的女性为女儿童组，12‑18岁的女性为女少年组，18‑45岁的女性为女青年组，45‑60岁的女性为女中年组，60岁以上的女性为女老年组，6‑12岁的男性为男儿童组，12‑18岁的男性为男少年组，18‑45岁的男性为男青年组，45‑60岁的男性为男中年组，60岁以上的男性为男老年组。充分考虑到不同年龄的被试者脑电振幅不同、睡眠慢波的连续性不同、睡眠阶段及其时长不同、女性低频脑电的振幅与男性不同等差异化问题。

[0034] 例如，特征筛选模块与第一分组模块相连，用于筛选第一分组模块得到的用户组中数据的特征作为该用户组的特征组合。特征筛选模块包括：前向特征选择函数、后向特征选择函数，以及计算器；计算器被配置为将前向特征选择函数算得的若干个前向特征与后向特征选择函数算得的若干个后向特征取并集，得到该用户组的特征组合。具体的，步骤S2中，筛选各用户组中数据的特征包括两步，第一步：分别对K个用户组中的数据提取时域特征、频域特征、非线性特征，得到各用户组的特征集Fk＝{f1,f2,…,fn}，fi为提取的第i项特征，k∈{1,2,…,K}；此时，用户组为三维数组 ，其表征的是用户组经过特征筛选后的维度，L为每个用户组包含的被试者数目，m1为数据库窗口数，n为每个用户组提取的特征数。

[0035] 需要说明的是，时域特征包括：绝对幅值、过零点数、Hjorth特征、归一化线长；频域特征包括：delta频带(1‑4Hz)、theta频带(4‑8Hz)、alpha频带(8‑12Hz)、sigma频带(12‑16Hz)、beta频带(12‑30Hz)的相对功率谱密度；非线性特征包括：香农熵、奇异谱熵、样本熵、近似熵、微分熵、排列熵、频谱熵、higuichi分形维度、petrosian分形维度、hurst指数。
例如，第3个用户组包含50个被试者数据，共包含200个数据库窗口，取特征集F3＝{绝对幅值，归一化线长，delta频带，香农熵，奇异谱熵，hurst指数}，该用户组为维度(50*200*6)的三维数组。

[0036] 继续说明筛选各用户组中数据的特征的第二步：计算器对各用户组的特征集Fk运行前向特征选择函数得到若干个前向特征、运行后向特征选择函数得到若干个后向特征后取并集，得到该用户组的特征组合。特征组合用于在后续流程中输入分期模型，分期模型将运算出特征组合内的特征属于哪一种分期的特征类别，即睡眠分期结果。

[0037] 需要说明的是，如图4所示的前向特征选择函数的流程图，前向特征选择函数包括：将特征集Fk＝{f1,f2,…,fn}中的每个特征fi进行交叉验证得到的平均准确率为fi的特征分类结果a(i)，取全部特征分类结果的最大项a(i＝j)对应的特征fi＝j放入筛选特征库f(a)＝{fi＝j}，其余特征放入候选特征库f(b)＝{F‑f(a)}；将筛选特征库f(a)中的特征fi＝j与候选特征库f(b)中的特征逐个联合进行交叉验证得到平均准确率为特征分类结果a(i)，取全部特征分类结果的最大项对应的特征放入筛选特征库f(a)，其余特征放入候选特征库f(b)，循环该过程至整体测试精度增量(max{a(i)t(m+1)}‑max{a(i)t(m)})小于第一阈值时结束，得到P个前向特征；其中，{F‑f(a)}表示集合F去除集合f(a)中元素的差集，t(m)表示第m次循环。

[0038] 例如，将特征集Fk＝{f1,f2,f3}中的每个特征f1、f2、f3分别进行交叉验证，得到平均准确率a(1)t(1)为f1的特征分类结果，平均准确率a(2)t(1)为f2的特征分类结果，平均准确率a(3)t(1)为f3的特征分类结果，取特征分类结果a(1)t(1)、a(2)t(1)、a(3)t(1)中的最大项a(2)t(1)对应的特征f2放入筛选特征库f(a)＝{f2}，其余特征放入候选特征库f(b)＝{f1,f3}；将筛选特征库f(a)中的特征f2与候选特征库f(b)中的特征f1、f3逐个联合进行交叉验证得到平均准确率为特征分类结果a(1)t(2)、a(3)t(2)，取其中的最大项a(1)t(2)对应的特征f1放入筛选特征库f(a)，其余特征放入候选特征库f(b)，若此时整体测试精度增量(max{a(i)t(m+1)}‑max{a(i)t(m)})小于第一阈值(例如0.1％)，则测试结束，得到2个前向特征；若此时整体测试精度增量不小于第一阈值，则继续循环上述算法直至满足第一阈值条件。

[0039] 需要说明的是，如图5所示的后向特征选择函数的流程图，后向特征选择函数包括：将特征集Fk＝{f1,f2,…,fn}中的全部特征作为候选特征库f(c)进行交叉验证，逐个将去除特征fi的剩余特征集进行交叉验证得到对应的平均准确率a(i)，取其中的最大项a(i＝j)对应去除的特征fi＝j放入剔除特征库f(a)＝{fi＝j}，其余特征放入候选特征库f(c)＝{F‑f(a)}；对候选特征库f(c)循环该过程至整体测试精度减量(max{a(i)t(m+1)}‑max{a(i)t(m)})大于第二阈值时结束，得到Q个后向特征；其中，{F‑f(a)}表示集合F去除集合f(a)中元素的差集，t(m)表示第m次循环。

[0040] 例如，将特征集Fk＝{f1,f2,f3}中的全部特征作为候选特征库f(c)＝{f1,f2,f3}进行交叉验证，然后从候选特征库中逐个去除特征，将剩余特征集{f2,f3}、{f1,f3}、{f1,f2}进行交叉验证得到对应的平均准确率a(1)t(1)、a(2)t(1)、a(3)t(1)，取最大项a(1)t(1)对应去除的特征f1放入剔除特征库f(a)＝{f1}，其余特征放入候选特征库f(c)＝{f2,f3}，若此时整体测试精度减量(max{a(i)t(m+1)}‑max{a(i)t(m)})大于第二阈值(例如0.2％)，则测试结束，得到1个后向特征；若此时整体测试精度减量不大于第二阈值，则对候选特征库f(c)循环上述算法至满足第二阈值条件。

[0041] 例如，计算器可将前p(p≤P)个前向特征与前q(q≤Q)个后向特征取并集得到特征组合。特别的，前向特征选择函数和后向特征选择函数筛选出来的P个前向特征和Q个后向特征为满足整体测试精度下的全部特征选择，但实际应用中为降低计算量可以只取一部分的特征，由于特征选择算法已经按照交叉验证得到的平均准确率由高至低排序，故直接取前p(p≤P)个前向特征与前q(q≤Q)个后向特征即为最佳。具体的，交叉验证可采用N折交叉验证、留一交叉验证等交叉验证算法，若采用N折交叉验证常选择10折交叉验证进行测试。例如，模型验证模块与特征筛选模块相连，步骤S3中，模型验证模块可对特征筛选模块得到的各用户组的特征组合进行交叉验证以确定各用户组的分期模型。具体的，对特征组合的交叉验证可采用N折交叉验证、留一交叉验证等交叉验证算法，若采用N折交叉验证常选择
10折交叉验证进行测试。分期模型包括：支持向量机、逻辑回归、线性判别分析、随机森林算法、lightGBM模型等。交叉验证能够测试出特征组合最适合的分期模型，分期模型能够输入特征组合并运算出特征组合内的特征属于哪一种分期的特征类别，即睡眠分期结果。

[0042] 例如，第二滑窗模块与传感器相连。步骤S4中，处理器的第二滑窗模块从传感器中调取被试者的实时睡眠脑电数据并进行带通滤波、去工频、去伪迹后得到干净的脑电信号数据后，按照与S1相同的设定时长将实时睡眠脑电数据滑窗处理得到m2个实时数据窗口；接着，与第二滑窗模块相连的第二分析模块提取m2个实时数据窗口的数据中包含的被试者信息，与第二分析模块相连的第二分组模块再根据被试者信息确定所属用户组。

[0043] 例如，分期计算模块与第二分组模块以及模型验证模块相连，其可从模型验证模块调取用户组对应的特征组合和分期模型，同时从第二分组模块调取当前用户的实时睡眠脑电数据所属用户组，将该用户组对应其特征组合和分期模型后，将特征组合输入该用户组配置的分期模型中算得睡眠分期结果。特别的，对于单个被试者的情况，可用二维数组表征对应特征组合后的用户组维度，其中，m2为实时数据窗口数，n为所属用户组提取的特征数。

[0044] 需要说明的是，睡眠分期结果包括：清醒期WAKE、非快速眼动睡眠期NREM、快速眼动睡眠期REM，所述非快速眼动睡眠期NREM包括：N1浅睡期、N2浅睡期、N3深睡期。

[0045] 例如，步骤S5中，与分期计算模块相连的优化装置被配置为根据被试环境对睡眠分期结果进行平滑处理、时序优化，并且可以根据处理后的睡眠分期结果进行睡眠质量评估。此外，与优化装置相连的显示器可显示睡眠分期结果、睡眠质量评估结果，例如，将被试者的睡眠分期状态波形图可视化，有利于在临床场景更清晰地分析睡眠质量。在临床实践中，若通过人工进行睡眠分期会结合当前分期的前一阶段和后一阶段的睡眠分期结果综合判读，但是通过机器学习分期模型进行分类得到的睡眠分期结果是独立的，忽视了背景时间或被试环境信息。因此，为了使得睡眠分类结果更合乎精准的临床分类需要对分期模型输出的睡眠分期结果进行平滑处理和时序优化，使得模型在训练集(定制化模型训练部分)上表现良好，同时在测试集(实时睡眠分期部分)上也能输出更精确的结果，具备良好的泛化能力。可选的，在定制化模型训练部分也对定制化模型优化方法参数，例如，对划分数据库窗口的设定时长决定数据库窗口个数判定结果为划分5个窗口比4个窗口的结果更平滑，则修正设定时长；在实时睡眠分期部分采用经过优化的方法参数优化睡眠分期结果，例如，相应地按照修正的设定时长划分实时数据窗口。

[0046] 例如，在本实施例中将睡眠分期结果(包括清醒期WAKE、N1浅睡期、N2浅睡期、N3深睡期、快速眼动睡眠期REM)的各个时间段也称为分期状态，平滑处理包括：将睡眠分期结果中分期状态发生突变处标记为异常点，如果异常点前后五分钟的分期状态相同则表示该异常是分期错误，需要把该异常点处对应的分期状态与前后分期状态调整为一致结果；如果异常点前后五分钟的分期状态不同，则该异常点是状态切换时刻，忽略该异常点，保留结果。特别的，前后五分钟分期状态相同不代表前五分钟与后五分钟的分期状态完全一致，只要保证在该时间段内时长占比最多的分期状态是同一状态即可。

[0047] 继续说明后处理方式，时序优化主要针对N3深睡期跳转快速眼动睡眠期REM的情况，一般情况下人体睡眠状态从清醒期WAKE经N1浅睡期、N2浅睡期过渡至N3深睡期，再从N3深睡期过渡至N1浅睡期或者N2浅睡期，然后到快速眼动睡眠期REM，较少出现从N3深睡期直接跳转至快速眼动睡眠期REM，若出现该情况多为将N1浅睡期误判为快速眼动睡眠期REM。时序优化的功能为，如果睡眠分期结果出现从N3深睡期直接跳转到快速眼动睡眠期REM的片段，则将该片段视为异常片段，根据该异常片段后一阶段的分期状态进行修正，如果后一阶段是N1浅睡期、N2浅睡期或者N3深睡期，则该片段修正为N1浅睡期，如果后一阶段是清醒期WAKE，则该阶段修正为清醒期WAKE。

[0048] 下面通过现有技术实施例一与采用本方案的实施例二至实施例五说明本方案的优势：

[0049] 实施例一：不考虑年龄和性别因素的睡眠分期，在模型训练时将不同年龄和性别的用户数据混合在一起提取特征和训练模型，得到通用模型，在线睡眠分期阶段所有被试者使用同一通用模型。

[0050] 实施例二：根据年龄划分用户组的分期方法，本实施例将用户根据年龄分为青年组、中年组和老年组，训练得到不同用户组的特征组合和分期模型，在线分析阶段根据被试者所属用户组应用对应的定制化模型进行睡眠分期。如图6所示，基于公开数据源数据，在同等数据规模训练且同一批次数据测试条件下，分别在不同用户组的数据上应用定制化模型(本实施例)和通用模型(实施例一)针对五种分期状态进行10次蒙特卡洛实验，平均结果表现为定制化模型在青年组和中年组的分期准确率分别比通用模型的分期准确率高1.64％和1.2％，显然本方案中考虑年龄因素的定制化模型能够提高睡眠分期准确率。

[0051] 实施例三：根据性别划分用户组的分期方法，本实施例将用户根据年龄分为女性组和男性组，训练得到不同用户组的特征组合和分期模型，在线分析阶段根据被试者所属用户组应用对应的定制化模型进行睡眠分期。如图7所示，基于公开数据源数据，在同等数据规模训练且同一批次数据测试条件下，分别在不同用户组的数据上应用定制化模型(本实施例)和通用模型(实施例一)针对五种分期状态进行10次蒙特卡洛实验，平均结果表现为定制化模型在男性组和女性组的分期准确率分别比通用模型的分期准确率高0.4％和1.29％，显然本方案中考虑性别因素的定制化模型能够提高睡眠分期准确率。

[0052] 实施例四：同时根据年龄和性别划分用户组的分期方法，本实施例将用户根据年龄分为女青年组、男青年组、女中年组、男中年组、女老年组和男老年组，训练得到不同用户组的特征组合和分期模型，在线分析阶段根据被试者所属用户组应用对应的定制化模型进行睡眠分期。如图8所示，基于公开数据源数据，在同等数据规模训练且同一批次数据测试条件下，分别在不同用户组的数据上应用定制化模型(本实施例)和通用模型(实施例一)针对五种分期状态进行10次蒙特卡洛实验，平均结果表现为定制化模型在女青年组、男青年组、女中年组、男中年组、女老年组和男老年组的分期准确率分别比通用模型的分期准确率高3.1％，0.75％，2.28％，1.98％，0.2％和1.56％。显然本方案中同时考虑年龄和性别因素的定制化模型能够提高睡眠分期准确率。

[0053] 实施例五：对睡眠分期结果平滑处理和时序优化，结合当前分期的前一阶段和后一阶段的分期状态对当前分期状态进行调整。如图9所示，基于临床数据，在同等数据规模训练且同一批次数据测试条件下，本实施例中经过结果平滑处理和时序优化后的分类准确率比实施例一未采取后处理的分类准确率提高了2％，可见本方案的后处理过程能够提高睡眠分期准确率。

[0054] 综上所述，本实用新型根据年龄、性别等关键因素分类研究针对不同人群的睡眠脑电，通过对睡眠脑电数据库中的大量被试数据进行交叉验证，不仅能针对不同用户组定制准确率最优的特征组合，还验证并选取不同用户组最适合的分期模型，再对不同被试者采取对应的定制化特征组合和分期模型完成实时睡眠脑电的分析；对训练得出的定制化模型以及睡眠分期结果进行平滑、时序优化，使得模型在训练集(定制化模型训练部分)上表现良好，同时在测试集(实时睡眠分期部分)上也能输出更精确的结果，具备良好的泛化能力，针对性强，分期准确率高，具有更优的睡眠分析效果。

[0055] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本实用新型的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0056] 尽管已经示出和描述了本实用新型的实施例，本领域的普通技术人员可以理解：在不脱离本实用新型的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本实用新型的范围由权利要求及其等同物限定。