基于睡眠声音评估睡眠质量

本文主要是介绍基于睡眠声音评估睡眠质量，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

随着健康意识的增强，人们越来越关注睡眠质量。确保获得充足的高质量睡眠对于维持身体健康和心理平衡至关重要。专业的睡眠状态测量主要通过多导睡眠图（PSG）进行。然而，PSG会给受试者带来显著的身体负担，并且在没有专业设施或医院的情况下很难进行测量。近年来，为了便于睡眠评估，开发了使用可穿戴设备的评估方法。但是，通过智能手表所能获得的信息是有限的，通常包括加速度和心率等数据。虽然基于脑电图（EEG）的睡眠监测提供高准确度，但需要佩戴头戴设备，即使是单通道EEG耳机，也带来了显著的负担。

与EEG或压力传感器不同，基于声音的方法是非接触式的，并且容易收集。睡眠声音指的是睡眠期间与生物活动相关的声音，例如打鼾、身体移动、咳嗽以及环境噪音。使用睡眠声音的方法比传统方法有优势，例如非接触式，并且能够检测许多生物活动。传统上，基于睡眠声音的睡眠评估主要集中于睡眠呼吸暂停综合征的检测，而关于睡眠质量评估的研究仍然有限。在现有的基于深度学习的使用睡眠声音的睡眠质量估计中，评估的基础是一个黑箱。

因此，我们提出一个基于机器学习使用睡眠声音的睡眠质量分类模型，该模型能够提供理由，例如“由于睡眠期间频繁翻身导致睡眠质量差”。通过提供理由，可能有助于提高用户的睡眠质量。

1 方法

通过聚类睡眠声音事件，提出了一种高度准确和可解释的睡眠质量分类方法。聚类睡眠声音事件有助于解释每个事件，从而能够识别对睡眠质量分类重要的事件。通过聚类睡眠声音事件，可以更容易地为每个事件赋予意义，从而识别对睡眠质量分类至关重要的事件。

睡眠声音事件提取：从整夜连续录制的音频中提取睡眠声音事件，例如打鼾、身体动作、咳嗽等。我们采用Kleinberg的突发提取方法来提取睡眠声音事件。突发提取方法基于这样一个假设：波形的幅度遵循正态分布。它识别出那些被估计为由具有较大方差的正态分布持续生成的段落，与静止噪声相比。
频域转换：使用快速傅里叶变换 (FFT) 将提取的声音事件转换到频域，并计算功率谱作为变分自编码器（VAE）的输入向量。
潜在表示提取：使用变分自编码器 (VAE) 对功率谱进行学习，得到每个事件的潜在表示。我们对功率谱进行了归一化，使其总和等于一，将其视为概率分布，并使用Kullback-Leibler散度（KLD）作为VAE中的重建误差项。
事件聚类：使用高斯混合模型 (GMM) 对潜在表示进行聚类，将每个事件分配到不同的类别中，并计算每个事件属于每个类别的概率。
数据增强：通过对事件序列进行多次随机采样，生成不同的事件序列，模拟增加天数，从而扩充训练数据集。
睡眠满意度分类：使用长短期记忆网络 (LSTM) 对经过数据增强的事件序列进行训练，预测睡眠满意度。要估计的主观评估是“满意度”，这是一个在“满意”和“不满意”之间的二元分类，不包括“中性”。
时间SHAP解释：使用时间SHAP方法分析LSTM模型，解释睡眠质量分类中重要的事件类型和时间特征，例如身体动作、呼吸声、噪声等。

2 实验

2.1 数据集

研究使用了来自不同年龄段的参与者在家录制的睡眠声音数据，持续一个月。
使用智能手机 (Zenfone Live Android 7.0) 进行录音。
参与者填写了问卷，包括睡前和醒后的睡眠满意度评分。睡前，他们提供了有关身体和心理疲劳、疾病或伤害的存在等问题的答案。醒来后，他们对睡眠满意度和睡眠期间的室内环境进行了评分。睡眠满意度按五点评分：“非常满意”、“满意”、“中性”、“不满意”和“非常不满意”。
排除了使用空调设备或有感冒/受伤的参与者数据。
选择了三位睡眠满意度差异较大的参与者进行分析。

2.2 实验方法

2.2.1 预处理

使用 Kleinberg’s burst extraction 方法从音频中提取睡眠声音事件。
将声音事件转换为频域，并使用功率谱作为 VAE 的输入。
对连续的声音事件进行下采样，以确保 LSTM 输入序列长度适中。

2.2.2 睡眠声音事件聚类

使用 VAE 学习睡眠声音事件的潜在表示。

使用 GMM 对潜在表示进行聚类，并计算每个事件属于每个聚类的概率。

2.2.3 数据增强

通过对事件序列进行多次随机采样，模拟增加天数，以增加训练数据量。

2.2.4 睡眠满意度分类

使用 LSTM 对睡眠满意度进行分类，将每个事件属于每个聚类的概率作为输入。
LSTM 使用 sequence-to-one 方法，将一整晚的事件序列转换为二分类结果（满意或不满意）。

2.2.5解释

使用 TimeSHAP 分析 LSTM 模型，解释每个聚类对睡眠满意度分类的影响。
分析不同时间段 (早、中、晚) 的重要聚类和特征。

2.3 实验结果

2.3.1 分类结果

提出的方法在所有参与者中都取得了较高的睡眠满意度分类准确率，最高达到 94.8%。
与传统的 VAE+LSTM 方法相比，提出的方法的准确率更高或相当。

2.3.2 解释结果

不同满意度下，重要聚类存在显著差异。
个体之间存在睡眠特征差异，例如：

参与者 1：满意时，呼吸声更重要；不满意时，深呼吸声更重要，可能与睡眠呼吸暂停有关。

参与者 2 和 3：噪声在所有时间段都对睡眠产生负面影响。

3 结论

实验结果表明，所提出的方法能够在对夜间的睡眠满意度进行分类时实现高准确度。此外展示了基于睡眠满意度的聚类重要性存在显著差异，证明了所提出的方法能够分析个体的睡眠特征，并识别改进的领域。虽然在实验中获得高准确度，但未来还面临以下挑战：

第一项挑战在于个体间最优VAE维度和聚类数量的显著变化。在部署使用所提出方法的睡眠评估应用时，将需要有效的调整方法。
第二项挑战涉及睡眠声音事件的手动标记。由于即使是相同事件，不同个体之间的声音也存在差异，因此需要为每个个体标记睡眠声音事件。在大规模部署时，手动标记变得困难。因此，需要通过构建事件分类器和利用迁移学习等方法来简化标记过程。