CN103340633B - 一种基于生物电阻抗的睡眠姿势识别方法 - Google Patents

Abstract

本发明公开了一种基于生物电阻抗的睡眠姿势识别方法，包括以下步骤：采集受试者的左侧胸部的电阻抗信号和右侧胸部的电阻抗信号；对所述左侧胸部和右侧胸部的电阻抗信号分别进行模数转换，获得左侧胸部的电阻抗数字信号和右侧胸部的电阻抗数字信号；根据所述的左侧胸部的电阻抗数字信号与所述右侧胸部的电阻抗数字信号，提取参考特征值；根据所述参考特征值，采用层次支持向量机分类法，对所述受试者的睡眠姿势进行识别。本发明提供的基于生物电阻抗的睡眠姿势识别方法具有简单易行，抗干扰效果好，能够快速准确地实现对受试者的五种主要睡眠姿势的识别。

Description

一种基于生物电阻抗的睡眠姿势识别方法

技术领域

本发明涉及医疗监测技术领域，尤其涉及一种基于生物电阻抗的睡眠姿势识别方法。

背景技术

目前，临床上对患者的睡眠监测技术中，因监测设备笨重、操作复杂，且需要患者在特定的场所，如睡眠监护中心，经专业人员对睡眠监测设备的操作，才能对患者的睡眠状况进行检测，因此，对患者进行实时监控的可操作性不大。具体在检测睡眠姿势时，多采用加速度传感器等设备，通过单独的传感器监测姿势的方法对患者进行检测。但过多的监测设备易造成患者的不舒适感，影响患者的睡眠质量。

现有技术中已经提出了一种利用生物电阻抗技术监测睡眠呼吸暂停的方法，但在该方法中，并未提出一种可准确定性监测患者睡眠姿势的方法或装置。对于患有阻塞性睡眠呼吸暂停综合征的人员而言，除了需要监测患者的睡眠呼吸是否暂停的同时，还需要对患者的睡眠姿势进行监测，以及时提醒患者使用正确的睡眠姿势，缓解阻塞性睡眠呼吸暂停综合征等呼吸相关疾病的病情。

发明内容

本发明提出一种基于生物电阻抗的睡眠姿势识别方法，通过生物电阻抗测量装置测量出受试者人体的左侧胸部和右侧胸部的电阻抗信号，根据两侧胸部的电阻抗信号的关联关系，提取参考特征值，判断出受试者的睡眠姿势。

本发明实施例提供一种基于生物电阻抗的睡眠姿势识别方法，包括：

S1：采集受试者的左侧胸部的电阻抗信号和右侧胸部的电阻抗信号；

S2：对所述左侧胸部和右侧胸部的电阻抗信号分别进行模数转换，获得左侧胸部的电阻抗数字信号和右侧胸部的电阻抗数字信号；

S3：根据所述的左侧胸部的电阻抗数字信号与所述右侧胸部的电阻抗数字信号，提取参考特征值；

S4：根据所述参考特征值，采用层次支持向量机分类法，对所述受试者的睡眠姿势进行识别。

进一步地，所述步骤S1具体为：

S11：在左右乳头形成的平行线与左右侧腋中线的两个交点处，对应固定一对激励电极的正极或负极；

S12：通过所述激励电极，向受试者输入激励电流；

S13：在左右乳头形成的平行线与胸骨柄中线的交点处固定第一测量电极；在紧贴着左侧激励电极的下方固定第二测量电极；在紧贴着右侧激励电极的下方固定第三测量电极；

S14：通过所述第一测量电极与所述第二测量电极，采集得到所述受试者的左侧胸部的电压差值；通过所述第一测量电极与所述第三测量电极，采集得到所述受试者的右侧胸部的电压差值；

S15：根据所述激励电流与所述左侧胸部的电压差值、所述右侧胸部的电压差值，按照欧姆定律分别计算出左侧胸部的电阻抗信号与右侧胸部的电阻抗信号。

更进一步地，所述步骤S3具体为：

S31：根据所述左侧胸部的电阻抗数字信号，计算出当前时刻k的左侧胸部的电阻抗均值Z1，其中Z1=[Z1(1)+Z1(2)+…+Z1(k)]/k，且Z1(k)为左侧胸部在当前时刻k的电阻抗数字信号，k=2，3，4，…；

S32：根据所述右侧胸部的电阻抗数字信号，计算出当前时刻k的右侧胸部的电阻抗均值Z2，其中Z2=[Z2(1)+Z2(2)+…+Z2(k)]/k，且Z2(k)为右侧胸部在当前时刻k的电阻抗数字信号，k=2，3，4，…；

S33：计算出当前时刻k的左侧胸部的电阻抗均值Z1与右侧胸部的电阻抗均值Z2之差（Z1-Z2），将差值（Z1-Z2）作为第一参考特征值；计算出当前时刻k的左侧胸部的电阻抗均值Z1与右侧胸部的电阻抗均值Z2之和（Z1+Z2），并将和（Z1+Z2）作为第二参考特征值。

优选地，所述步骤S4包括：

S41：当所述第一参考特征值（Z1-Z2）的绝对值|Z1-Z2|大于第一阈值TR1（k），且所述第一参考特征值（Z1-Z2）为负值时，判定所述受试者在当前时刻k的睡眠姿势为左侧卧姿势；

S42：当所述第一参考特征值（Z1-Z2）的绝对值|Z1-Z2|大于第一阈值TR1（k），且所述第一参考特征值（Z1-Z2）为正值时，判定所述受试者在当前时刻k的睡眠姿势为右侧卧姿势。

再进一步地，所述步骤S4还包括：

S43：当所述第二参考特征值（Z1+Z2）大于第二阈值TR2（k）时，判定所述受试者在当前时刻k的睡眠姿势为坐立姿势。

再进一步地，所述步骤S4还包括：

S44：在所述第二参考特征值（Z1+Z2）小于第二阈值TR2（k）时，将当前时刻k的左侧胸部电阻抗数字信号Z1（k）和右侧胸部电阻抗数字信号Z2（k）分别与第三阈值TR3（k）进行比较；

S45：当所述左侧胸部电阻抗数字信号Z1（k）与右侧胸部电阻抗数字信号Z2（k）均大于所述第三阈值TR3（k）时，判定所述受试者在当前时刻k的睡眠姿势为平躺姿势；

S46：当所述左侧胸部电阻抗数字信号Z1（k）与右侧胸部电阻抗数字信号Z2（k）均小于所述第三阈值TR3（k）时，判定所述受试者在当前时刻k的睡眠姿势为俯卧姿势。

实施本发明实施例，具有如下有益效果：

本发明提供的一种基于生物电阻抗的睡眠姿势识别方法，利用生物电阻抗技术，通过采集受试者的左侧胸部的电阻抗信号和右侧胸部的电阻抗信号，并进行模数转换后，建立数学模型，即提取左侧胸部的电阻抗数字信号与右侧胸部的电阻抗数字信号的参考特征值，根据所述参考特征值，采用层次支持向量机分类法，对所述受试者的五种睡眠姿势进行一一识别，该方法简单易行，抗干扰效果好，能定量准确地采集测量数据，可有效减少监测仪器的使用数量，操作简单，能够快速准确地实现对受试者的五种主要睡眠姿势的识别，提醒患者以正确的姿势睡眠，并对疾病患者的治疗提供了辅助参考信息。

附图说明

图1是本发明提供的基于生物电阻抗的睡眠姿势识别方法的一个实施例的方法流程图；

图2是本发明实施例提供的睡眠监测仪的结构示意图 ；

图3是本发明实施例中的步骤S1的一种可实现方式的方法流程图；

图4是本发明实施例中的激励电极与测量电极的佩戴示意图；

图5是本发明实施例的步骤S3的一种可实现方式的方法流程图；

图6是本发明实施例提供的层次支持向量机分类法的方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

 参见图1，是本发明提供的基于生物电阻抗的睡眠姿势识别方法的一个实施例的方法流程图。

在本实施例中，所述的基于生物电阻抗的睡眠姿势识别方法包括以下步骤：

步骤S1：采集受试者的左侧胸部的电阻抗信号和右侧胸部的电阻抗信号。

步骤S2：对所述左侧胸部和右侧胸部的电阻抗信号分别进行模数转换，获得左侧胸部的电阻抗数字信号和右侧胸部的电阻抗数字信号。

步骤S3：根据所述的左侧胸部的电阻抗数字信号与所述右侧胸部的电阻抗数字信号，提取参考特征值。

步骤S4：根据所述参考特征值，采用层次支持向量机分类法，对所述受试者的睡眠姿势进行识别。

具体实施时，采用睡眠监测仪执行对受试者的睡眠姿势的识别，其主要工作过程包括：通过与该睡眠监测仪连接的多个电极实现对两侧胸部的电阻抗信号进行采集，并将所述电阻抗信号转换为数字信号后进行信号的分析处理，提取参考特征值，以判断受试者的睡眠姿势。

参看图2，是本发明实施例提供的睡眠监测仪的结构示意图。

具体地，所述睡眠监测仪200包括电源模块201、恒流源模块202、多通道开关模块203、数据采集模块204和信号处理模块205。其中，所述恒流源模块202用于为测量电极提供电流激励。多通道开关模块203与电极、恒流源模块202和数据采集模块204分别连接，用于控制固定在不同胸部位置的激励电极的激励电流和接收测量电极的电压信号，并将接收的电压信号传输给数据采集模块204；数据采集模块204根据与多通道开关模块203连接的电极提供的电压信号，计算出左右胸部电阻抗信号；信号处理模块205与数据采集模块204连接，用于对左右胸部电阻抗信号进行模数转换并对信号进行分析处理，然后分类识别确定人体的睡眠姿势。电源模块201用于对以上各个模块进行供电。

参看图3，是本发明实施例中的步骤S1的一种可实现方式的方法流程图。

作为优选的实施例，在本实施例中，所述步骤S1具体为：

步骤S11：在左右乳头形成的平行线与左右侧腋中线的两个交点处，对应固定一对激励电极的正极或负极。

步骤S12：通过所述激励电极，向受试者输入激励电流。

步骤S13：在左右乳头形成的平行线与胸骨柄中线的交点处固定第一测量电极；在紧贴着左侧激励电极的下方固定第二测量电极；在紧贴着右侧激励电极的下方固定第三测量电极。

参看图4，是本发明实施例中的激励电极与测量电极的佩戴示意图。

具体实施时，可将激励电极的负极I-固定在左右乳头形成的平行线与右侧腋中线的交点处，将激励电极I+的正极固定在左右乳头形成的平行线与左侧腋中线的交点处；将第一测量电极V1固定在左右乳头形成的平行线与胸骨柄中线的交点处；将第二测量电极V2固定在左侧腋中线与左右乳头形成的平行线的交点处，具体地，在紧贴着左侧激励电极I+的下方对所述第二测量电极V2进行固定；将第三测量电极V3固定在右侧腋中线与左右乳头形成的平行线的交点处，具体地，在紧贴着右侧激励电极I-的下方对所述第三测量电极V3进行固定。

步骤S14：通过所述第一测量电极与所述第二测量电极，采集得到所述受试者的左侧胸部的电压差值；通过所述第一测量电极与所述第三测量电极，采集得到所述受试者的右侧胸部的电压差值。具体地，如图4所示，受试者的左侧胸部的电压差值为（V2-V1），右侧胸部的电压差值为（V3-V1），且向受试者输入的激励电流为I，则执行步骤S15，可计算获得受试者左右两侧胸部的电阻抗信号。

步骤S15：根据所述激励电流与所述左侧胸部的电压差值、所述右侧胸部的电压差值，按照欧姆定律分别计算出左侧胸部的电阻抗信号与右侧胸部的电阻抗信号。具体地，受试者左侧胸部的电阻抗信号为R_L=|（V2-V1）|/I，右侧胸部的电阻抗信号为R_R=|（V3-V1）|/I，其中，|（V2-V1）|为左侧胸部的电压差值的绝对值，|（V3-V1）|为右侧胸部的电压差值的绝对值，以保证计算得到的电阻抗信号为正数。

参看图5，是本发明实施例的步骤S3的一种可实现方式的方法流程图。

具体地，作为优选的实施方式，所述步骤S3具体为：

步骤S31：根据所述左侧胸部的电阻抗数字信号，计算出当前时刻k的左侧胸部的电阻抗均值Z1，其中Z1=[Z1(1)+Z1(2)+…+Z1(k)]/k，且Z1(k)为左侧胸部在当前时刻k的电阻抗数字信号，k=2，3，4，…。

步骤S32：根据所述右侧胸部的电阻抗数字信号，计算出当前时刻k的右侧胸部的电阻抗均值Z2，其中Z2=[Z2(1)+Z2(2)+…+Z2(k)]/k，且Z2(k)为右侧胸部在当前时刻k的电阻抗数字信号，k=2，3，4，…。

步骤S33：计算出当前时刻k的左侧胸部的电阻抗均值Z1与右侧胸部的电阻抗均值Z2之差（Z1-Z2），将差值（Z1-Z2）作为第一参考特征值；计算出当前时刻k的左侧胸部的电阻抗均值Z1与右侧胸部的电阻抗均值Z2之和（Z1+Z2），并将和（Z1+Z2）作为第二参考特征值。

参看图6，是本发明实施例提供的层次支持向量机分类法的方法流程图。

支持向量机（Support vector machines，SVM）是建立在统计学理论的VC维（Vapnik-Chervonenkis Dimension）理论和结构风险最小原理理论基础之上的算法。它解决了在神经网络方法中无法避免的局部极值问题，有效避免“过拟合”，泛化能力强，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优点。

支持向量机分类法的原理是寻找一个满足分类要求的最优分类超平面，使得超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。支持向量机是一个二类分类算法，即它只能把数据分成两类。但由于在综合评价的过程中级别一般都超过两类，需要多层次的分类器来解决支持向量机的多级别分类问题，因此层次支持向量机应运而生。

在本实施例中，本发明提供的方法在获得第一参考特征值与第二参考特征值之后，采用层次支持向量机分类法对各种睡眠姿势进行识别。具体地，所述步骤S4包括：

步骤S41：当所述第一参考特征值（Z1-Z2）的绝对值|Z1-Z2|大于第一阈值TR1（k），且所述第一参考特征值（Z1-Z2）为负值时，判定所述受试者在当前时刻k的睡眠姿势为左侧卧姿势。

步骤S42：当所述第一参考特征值（Z1-Z2）的绝对值|Z1-Z2|大于第一阈值TR1（k），且所述第一参考特征值（Z1-Z2）为正值时，判定所述受试者在当前时刻k的睡眠姿势为右侧卧姿势。

作为优选的实施例，所述步骤S4还包括：

步骤S43：当所述第二参考特征值（Z1+Z2）大于第二阈值TR2（k）时，判定所述受试者在当前时刻k的睡眠姿势为坐立姿势。

进一步地，所述步骤S4还包括：

步骤S44：在所述第二参考特征值（Z1+Z2）小于第二阈值TR2（k）时，将当前时刻k的左侧胸部电阻抗数字信号Z1（k）和右侧胸部电阻抗数字信号Z2（k）分别与第三阈值TR3（k）进行比较。

步骤S45：当所述左侧胸部电阻抗数字信号Z1（k）与右侧胸部电阻抗数字信号Z2（k）均大于所述第三阈值TR3（k）时，判定所述受试者在当前时刻k的睡眠姿势为平躺姿势。

步骤S46：当所述左侧胸部电阻抗数字信号Z1（k）与右侧胸部电阻抗数字信号Z2（k）均小于所述第三阈值TR3（k）时，判定所述受试者在当前时刻k的睡眠姿势为俯卧姿势。

具体地，参看图6，采用层次支持向量机分类法对受试者的睡眠姿势进行分类识别时，具体过程包括：建立一个群体的参考特征值P；将参考特征值P划分为第一参考特征值P1和第二参考特征值P2；其中，第一参考特征值P1在绝对值|Z1-Z2|大于第一阈值TR1（k）时，再次划分获得特征部分P11；第二参考特征值P2在（Z1+Z2）是否大于第二阈值TR1（k）时，再次划分获得特征部分P21与特征部分P22；特征部分P21再进行细化获得特征个体P211；再进一步地，特征部分P11再根据判断条件，划分为特征个体P111与特征个体P112；特征部分P22再进行细化获得特征个体P221与特征个体P222。由此获得受试者的五种睡眠姿势的判断过程。

具体实施时，本实施例中在当前时刻k所选取的第一阈值TR1（k）可为8.3Ω（欧姆），第二阈值 TR2可为59.1Ω，以及所述的第三阈值TR3（k）可为2.0 Ω。

在本实施例中，通过多层次的支持向量机分类法，结合相应的参考特征值，实现对受试者的左侧卧、右侧卧、平躺、坐立及俯卧五种不同睡眠姿势的识别。

具体实施时，本实施例所提供的基于生物电阻抗的睡眠姿势识别方法可采用图2所示的睡眠监测仪以及与其连接的多个电极对受试者进行测试。其中，所述电极包括用于对左右两侧胸部输入激励电流的激励电极，以及用于采集左右两侧胸部的电压幅值的测量电极。

本发明实施例提供的基于生物电阻抗的睡眠姿势识别方法，提取左侧胸部的电阻抗数字信号与右侧胸部的电阻抗数字信号的参考特征值，根据所述参考特征值，采用层次支持向量机分类法，对所述受试者的五种睡眠姿势进行一一识别。该方法简单易行，抗干扰效果好，能定量准确地采集测量数据，可有效减少监测仪器的使用数量，操作简单，能够快速准确地实现对受试者的五种主要睡眠姿势的识别，提醒患者以正确的姿势睡眠，并对疾病患者的治疗提供了辅助参考信息。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (5)

1.一种基于生物电阻抗的睡眠姿势识别方法，其特征在于，包括：

S1：采集受试者的左侧胸部的电阻抗信号和右侧胸部的电阻抗信号；

S2：对所述左侧胸部和右侧胸部的电阻抗信号分别进行模数转换，获得左侧胸部的电阻抗数字信号和右侧胸部的电阻抗数字信号；

S3：根据所述的左侧胸部的电阻抗数字信号与所述右侧胸部的电阻抗数字信号，提取参考特征值；

S4：根据所述参考特征值，采用层次支持向量机分类法，对所述受试者的睡眠姿势进行识别；

其中，所述步骤S1具体为：

S11：在左右乳头形成的平行线与左右侧腋中线的两个交点处，对应固定一对激励电极的正极或负极；

S12：通过所述激励电极，向受试者输入激励电流；

S13：在左右乳头形成的平行线与胸骨柄中线的交点处固定第一测量电极；在紧贴着左侧激励电极的下方固定第二测量电极；在紧贴着右侧激励电极的下方固定第三测量电极；

S14：通过所述第一测量电极与所述第二测量电极，采集得到所述受试者的左侧胸部的电压差值；通过所述第一测量电极与所述第三测量电极，采集得到所述受试者的右侧胸部的电压差值；

S15：根据所述激励电流与所述左侧胸部的电压差值、所述右侧胸部的电压差值，按照欧姆定律分别计算出左侧胸部的电阻抗信号与右侧胸部的电阻抗信号。

2.如权利要求1所述的基于生物电阻抗的睡眠姿势识别方法，其特征在于，所述步骤S3具体为：

S31：根据所述左侧胸部的电阻抗数字信号，计算出当前时刻k的左侧胸部的电阻抗均值Z1，其中Z1＝[Z1(1)+Z1(2)+…+Z1(k)]/k，且Z1(k)为左侧胸部在当前时刻k的电阻抗数字信号，k＝2，3，4，…；

S32：根据所述右侧胸部的电阻抗数字信号，计算出当前时刻k的右侧胸部的电阻抗均值Z2，其中Z2＝[Z2(1)+Z2(2)+…+Z2(k)]/k，且Z2(k)为右侧胸部在当前时刻k的电阻抗数字信号，k＝2，3，4，…；

S33：计算出当前时刻k的左侧胸部的电阻抗均值Z1与右侧胸部的电阻抗均值Z2之差(Z1-Z2)，将差值(Z1-Z2)作为第一参考特征值；计算出当前时刻k的左侧胸部的电阻抗均值Z1与右侧胸部的电阻抗均值Z2之和(Z1+Z2)，并将和(Z1+Z2)作为第二参考特征值。

3.如权利要求2所述的基于生物电阻抗的睡眠姿势识别方法，其特征在于，所述步骤S4包括：

S41：当所述第一参考特征值(Z1-Z2)的绝对值|Z1-Z2|大于第一阈值TR1(k)，且所述第一参考特征值(Z1-Z2)为负值时，判定所述受试者在当前时刻k的睡眠姿势为左侧卧姿势；

S42：当所述第一参考特征值(Z1-Z2)的绝对值|Z1-Z2|大于第一阈值TR1(k)，且所述第一参考特征值(Z1-Z2)为正值时，判定所述受试者在当前时刻k的睡眠姿势为右侧卧姿势。

4.如权利要求3所述的基于生物电阻抗的睡眠姿势识别方法，其特征在于，所述步骤S4还包括：

S43：当所述第二参考特征值(Z1+Z2)大于第二阈值TR2(k)时，判定所述受试者在当前时刻k的睡眠姿势为坐立姿势。

5.如权利要求4所述的基于生物电阻抗的睡眠姿势识别方法，其特征在于，所述步骤S4还包括：

S44：在所述第二参考特征值(Z1+Z2)小于第二阈值TR2(k)时，将当前时刻k的左侧胸部电阻抗数字信号Z1(k)和右侧胸部电阻抗数字信号Z2(k)分别与第三阈值TR3(k)进行比较；

S45：当所述左侧胸部电阻抗数字信号Z1(k)与右侧胸部电阻抗数字信号Z2(k)均大于所述第三阈值TR3(k)时，判定所述受试者在当前时刻k的睡眠姿势为平躺姿势；

S46：当所述左侧胸部电阻抗数字信号Z1(k)与右侧胸部电阻抗数字信号Z2(k)均小于所述第三阈值TR3(k)时，判定所述受试者在当前时刻k的睡眠姿势为俯卧姿势。