目前，在利用可穿戴设备、智能摄像头、物联网等进行健康行为监测与分析方面已经开展了大量研究，这些研究主要集中在基础生理指标监测、运动监测、活动识别、基本睡眠监测等，以及利用这些信息进行辅助诊疗、运动健康管理等。这些研究大多数只是考虑了一些基本的现象和结果之间的联系，而对于典型日常活动、睡眠与健康的相互影响，基于健康监测数据的健康趋势预测，以及通过合理规划运动、睡眠等对亚健康和慢病进行干预和辅助治疗等方面尚有很多关键技术需要突破。在最近几年相关的主流国际会议和期刊上，有关睡眠、健康、活动等健康行为相互影响的研究还比较少见，这表明该领域的研究还处于起步阶段。 本研究针对人类日常睡眠健康行为数据多源异构、高噪稀疏、连续性差、质量较低等问题，研究利用可穿戴设备、智能摄像头和无线监测设备获取人类睡眠健康行为数据的方法，睡眠与健康相互影响的理论与技术，通过睡眠进行亚健康预测与干预等的理论、技术与方法，取得一系列基础研究成果与应用研究成果，并应用这些理论与技术、方法实现高效率、实用化的人类睡眠与健康智能分析系统。本研究共发表高水平学术论文18篇，申请国家发明专利5项，培养博士研究生2名。 本研究的主要论点、论据，以及创新性成果如下： （1）为了从单通道呼吸信号中提取有效的特征，区分正常睡眠和睡眠呼吸暂停两类睡眠事件，提出了基于希尔伯特黄变换的睡眠呼吸暂停检测方法。研究发现，在单通道的腹部呼吸信号上利用希尔伯特黄变换，提取的瞬时振幅、能量比和边际谱等特征，能够很好的区分正常睡眠和睡眠呼吸暂停，再组合其他时域特征能够有效提高睡眠呼吸暂停检测的性能。并通过对比机器学习中各类分类器检测睡眠呼吸暂停的结果，验证了各分类器的检测准确率存在差异。该方法能够根据呼吸暂停低通气指数正确评估测试者是否患有睡眠呼吸暂停，为后续的检测睡眠分期奠定基础。 （2）为了对睡眠呼吸暂停进行细粒度检测，提出了一种基于多通道特征的睡眠呼吸暂停检测方法。该方法利用深度学习技术不但摆脱了手工特征提取的过程，而且能够通过注意力模块优化特征学习，重新构造多通道、多级别的特征之间的冗余、互补关系。该方法能够利用多通道特征技术对睡眠呼吸暂停进行检测，更加细致地描述多通道呼吸信号的作用，增强具有显著作用的特征并抑制弱作用的特征，从而更好地辅助睡眠专家诊疗睡眠问题。 （3）为了实现无睡眠呼吸暂停的睡眠分期，提出了基于多级时间上下文的睡眠分期方法。该方法能够利用时序卷积模块提取分段内部时序性特征，采用多任务学习技术完成相邻分段的时序性学习，通过隐马尔可夫模型对睡眠阶段的分类结果进行微调，学习长分段之间的时序性。该方法能够通过输入一个分段的脑电信号获取多级别的时序特征，而且时序卷积网络在训练时间和分期准确率上优于常用的递归神经网络，并且通过消融实验验证了每个级别的时序性特征在睡眠分期中均可以提高睡眠分期性能。 （4）针对有睡眠呼吸暂停的睡眠分期问题，考虑到不同严重程度的睡眠呼吸暂停对睡眠分期的影响，提出了基于睡眠阶段转移的睡眠分期方法。该方法能够利用多尺度特征提取模块学习高频、低频和全局特征三个不同方面的特征，通过结构化学习模块获取睡眠阶段的时序性特征和睡眠阶段之间转移特征。 （5）在数据质量研究方面，提出了基于匹配依赖和一致性检测的数据源选择算法，用于提高低质量数据的可用性。提出利用模糊匹配和最小哈希进行覆盖估计的两级签名机制，在不访问每个源数据集的情况下估计它们的增益，通过外部数据源和匹配依赖项来检测目标数据中更多的潜在错误。 （6）提出了一种多特征心电信号融合的长短期记忆循环神经网络，融合从ECG信号中提取的多种浅层特征信号，通过在融合信号上学习深层特征来检测阻塞性睡眠呼吸暂停，提升模型在长片段ECG上的检测准确率和大数据集上的泛化能力。 （7）研制成功了Smart Sleep智能睡眠监测与调节系统，实现了基本的睡眠监测、管理功能，可对睡眠数据进行实时采集、分析与管理，实现了典型睡眠障碍的监测与调节。 本研究开展了人体典睡眠康行为与健康状况的监测及相互影响的研究，以及健康状况预测和干预的关键理论、技术和方法的研究，取得的研究成果能够为解决我国日益凸显的亚健康和人口老龄化问题提供重要参考，将具有显著的经济和社会效益。

黑龙江大学

该项目为储备库项目资源，暂无效益分析内容。