一种基于半监督学习的睡眠分期方法

一种基于半监督学习的睡眠分期方法，属于人工智能与健康监测领域，包括：对原始PPG信号进行预处理，提取心率与呼吸信号，并计算形态学和频域特征，提取睡眠分期相关表示特征，建模睡眠的短时特征与长时变化，输出各睡眠阶段的分类结果；利用有标签PPG数据计算有监督损失，对无标签PPG数据进行预测获得软标签，筛选高置信度样本，软标签转换为硬标签计算无监督损失；计算置信度系数并对各睡眠分期类别计算类别中心特征并进行特征调整；将样本特征与类别中心特征进行置信度加权；构造正负样本对进行半监督对比学习。本发明增强了睡眠分期模型泛化能力，提升了睡眠分期的准确性，可应用于家庭健康管理、辅助诊断、睡眠监测等场景。