CN103462597A

CN103462597A - 一种基于智能手机控制的预防阻塞性睡眠猝死的方法及装置

Info

Publication number: CN103462597A
Application number: CN201310426833XA
Authority: CN
Inventors: 陈浩; 朱明善; 刘畅; 黄文洋
Original assignee: Wenzhou Medical University
Current assignee: Wenzhou Medical University
Priority date: 2013-09-18
Filing date: 2013-09-18
Publication date: 2013-12-25
Anticipated expiration: 2033-09-18
Also published as: CN103462597B

Abstract

本发明提供了一种基于智能手机控制的预防阻塞性睡眠猝死方法，包括以下步骤：第一步，拍摄监控者的脸部图像，并发送到图像检测及信号处理装置；第二步，通过预防阻塞性睡眠猝死系统软件采集鼾声，启动图像检测及信号处理装置；第三步，图像检测及信号处理装置分别进行心率信号分析、鼾声信号分析以及呼吸频率分析，血氧计进行血氧饱和度分析，将分析结果发送到智能手机；第四步，智能手机通过接收到的分析结果进行阻塞性睡眠判断，其通过非接触式测量睡眠心率、呼吸、鼾声，通过血氧计测量血氧饱和度，根据血氧饱和度和睡眠呼吸暂停次数的负相关性来拟合方程，提高血氧计的准确性和有效性，系统分析信号变化识别睡眠情况，预防睡眠猝死。

Description

一种基于智能手机控制的预防阻塞性睡眠猝死的方法及装置

技术领域

本发明涉及一种基于智能手机控制的预防阻塞性睡眠猝死方法以及基于该方法的监测装置，属于医疗保健设备领域。

背景技术

阻塞性睡眠呼吸暂停综合症（obstructive sleep apnea hypopnea syndrome，OSAHS）是一种尚未被广泛认识的疾病，是指夜间睡觉过程中发生呼吸暂停和低通气反复发作30次以上，或者睡眠呼吸暂停低通气指数（AHI）大于或等于5次/小时，AHI是指每小时睡眠内呼吸暂停加上低通气的次数。呼吸暂停是指睡眠过程中口鼻呼吸气流完全停止10秒以上；低通气是指睡眠过程中呼吸气流强度（幅度）较基础水平降低50％以上，并伴有血氧饱和度较基础水平下降大于等于4％。根据呼吸暂停低通气指数的大小将患者分为非OSAHS组(AHI<5次/h﹚、轻度OSAHS组（AHI为5-20次/h）、中度OSAHS组（AHI为21-40次/h）和重度OSAHS组（AHI>40次/h）。据卫生部门发布的信息，阻塞性睡眠呼吸暂停综合症的患病人群发病率为2% - 4%，65岁以上老年人患病率达到20% -40%，有高血压疾病的人群患病率更是高达50% -90%。我国目前拥有5000万左右的呼吸暂停综合症患者。

阻塞性睡眠呼吸暂停综合症的患者，以及患有呼吸系统疾病、心脏疾病的人群，需要长期监测自己睡眠时的呼吸和心跳状况，而目前医院里采用的多为利用多导睡眠图仪（PSG）进行监护。但是使用多导睡眠图仪进行监测时，参数众多，采用的传感器非常多，大量电极连接在人体上，监测过程中容易影响患者正常的休息。

阻塞性睡眠呼吸暂停综合症患者需通过手术、正压呼吸机等方式治疗，但是手术不能完全根治，正压呼吸机的不舒适性会影响睡眠质量。

阻塞性睡眠呼吸暂停综合征患者由于频繁出现睡眠时上气道阻塞，在呼吸暂停时心率会明显减慢，严重者会出现心动过缓，而在突然憋醒时心率会加快，严重者可以出现心动过速。由于反复出现的迷走神经和交感神经的改变从而引起严重的植物神经系统功能紊乱；从而导致植物神经系统的平衡被打乱，阻塞性睡眠呼吸暂停综合征患者会出现迷走神经功能受损，交感神经张力提高，是导致心脏事件发生的主要病理基础。阻塞性睡眠呼吸暂停综合征患者扰乱正常的呼吸循环，导致血液中二氧化碳分压不断升高，血氧饱和度不断降低，从而刺激颈动脉体和主动脉体化学感受器，交感神经张力增高，心率加快，血压升高，常发生室性异位搏动；副交感神经兴奋转为交感神经兴奋时，迷走神经抑制恶性心律失常的保护作用减弱，室颤阈值降低，易发生恶性心律失常导致猝死。

有阻塞性睡眠呼吸暂停的患者发生致死性的心脏骤停（每年发生率为0.27%)高于普通人群的发生率（0.1%-0.2%），可能与缺氧及高碳酸血症激活血管交感神经系统大量释放儿茶酚胺，加快心率促使心肌氧需求增加，出现局部心肌缺血及心律不齐，最终发生心肌重构；加上阻塞性睡眠呼吸暂停通过多途径减弱心率变异度出现慢性交感超速，另外普遍阻塞性睡眠呼吸暂停患者存在夜间血小板聚集活动增加及纤溶系统减弱现象有关。

发明内容

为了解决现有技术的不足，本发明提供一种基于智能手机控制的预防阻塞性睡眠猝死方法，其通过非接触式测量睡眠心率、呼吸、鼾声。通过血氧计测量血氧饱和度，根据血氧饱和度和睡眠呼吸暂停次数的负相关性来拟合方程，提高血氧计的准确性和有效性，系统分析信号变化识别睡眠情况，预防睡眠猝死。

本发明所采用的技术方案是：一种基于智能手机控制的预防阻塞性睡眠猝死方法，包括以下步骤：

第一步，采用智能手机拍摄监控者的脸部图像，并将脸部图像发送到图像检测及信号处理装置；

第二步，通过安装于智能手机内的预防阻塞性睡眠猝死系统软件采集鼾声，启动图像检测及信号处理装置；

第三步，图像检测及信号处理装置分别进行心率信号分析、鼾声信号分析以及呼吸频率分析，同时血氧计进行血氧饱和度分析，将分析结果发送到智能手机；

第四步，智能手机通过接收到的分析结果进行阻塞性睡眠判断；

所述第三步步骤中，心率信号分析采用FastICA算法，进行FFT变化频谱分析得到尖峰波，所述尖峰波对应的频率为心率；

所述第三步步骤中，鼾声信号分析采用基于鼾声共振峰值的分析方法，识别阻塞程度；

所述第三步步骤中，呼吸频率分析采用对采集图像帧相减后进行均值处理，得到呼吸信号，分析呼吸信号推算睡眠呼吸暂停时间及睡眠呼吸暂停次数；

所述第三步步骤中，还设有当血氧探头脱落或手指水肿血流不畅时，根据睡眠呼吸暂停时间计算血氧饱和度值，采用正交函数最小二乘法来拟合血氧饱和度。

所述FastICA算法如下，设设X=(x1,x2,...,xm)T为观测数据阵，该数据阵的独立源为S=(s1,s2,...,sm)T， X与S的线性关系，表达式为：X = AS；

令

，那么

Figure 201310426833X100002DEST_PATH_DEST_PATH_IMAGE002

1.对数据进行中心化使其均值为0；

2.白化数据，得到v；

3.选择一个具有单位范数的初始化向量w；

4.更新w ← E{ vg( wTv) } － E{ g'( wTv) } w ，函数g 的定义如下g1( y) = tanh( a1 y)，a1通常为1； g2( y) = yexp( -y2 /2) ；g3( y) = y3 ；

5.标准化w ，w ← w/‖w‖；

6.如尚未收敛返回到步骤4。

所述正交函数最小二乘法算法如下：给定点集

以及各点的权系数

；

定点集与权系数正交；

已知定点集与权系数，构造权系数

的正交多项式{p_k(x)},用递推关系可表示为

求解后拟合方程如下所示：

，其中

S^*（x）即为血氧饱和值。

一种以所述的方法为基础的监测装置，其包括智能手机、图像检测及信号处理装置以及用于血氧饱和度监测的血氧计，所述图像检测及信号处理装置包括基于DSP的图像识别及信号处理模块、RGB摄像模块、存储模块以及无线模块，所述识别及信号处理模块包括心率信号分析模块、鼾声信号分析模块以及呼吸频率分析模块；所述心率信号分析模块分别与RGB摄像模块、存储模块连接，所述心率信号按照设定的算法对RGB摄像模块采集的数据进行处理分析，将处理分析得到数据储存到存储模块并通过无线模块将数据发送到智能手机；

所述鼾声信号分析模块分别与智能手机、存储模块相连接，所述鼾声信号通过对智能手机采集到的鼾声信号的分析处理，获得鼾声响度、鼾声频率和鼾声共振峰，将处理后得到的数据储存到存储模块并通过无线模块将数据发送到智能手机；

所述呼吸频率分析模块分别与RGB摄像模块存储模块连接，所述呼吸频率分析模块通过对RGB摄像模块获得的图像数据帧相减后进行均值处理，获得睡眠呼吸暂停时间及睡眠呼吸暂停次数，并将数据存储到存储模块并通过无线模块将数据发送到智能手机；

所述智能手机接收心率信号分析模块、鼾声信号分析模块以及呼吸频率分析模块以及血氧计输出的信号，对数据进行判断处理。

所述无线模块采用低功耗蓝牙模块。

所述图像检测及信号处理装置还设有LED智能补光模块。

所述智能手机内设有警铃唤醒系统以及用于报警的报警系统。

本发明的有益效果是：利用智能手机采集到的鼾声启动图像检测及信号处理装置，RGB摄像模块拍摄人面部和胸腹部视频，通过基于DSP的图像识别及信号处理模块分析得到人体的心率、呼吸频率、鼾声参数。图像检测及信号处理装置把人体参数发送给智能手机，智能手机通过对心率、呼吸频率及鼾声共振峰、血氧饱和度的变化来识别睡眠情况，预防睡眠猝死。

附图说明

图1为本发明的结构示意图。

图2为本发明的图像检测及信号处理装置。

图3为脸部和胸腹部识别区域示意图。

图4为脸部FastICA处理图。

图5为ＯＳＡＨＳ患者一次鼾声语图。

图6为图像检测及信号处理装置工作流程图。

具体实施方式

下面结合附图对本发明实施例作进一步说明：

如图6所示其工作流程，首先，患者打开智能手机APP程序拍摄正脸图像和两边的侧脸图像，然后通过蓝牙发送拍摄的正脸图像和两边侧脸图像至图像检测及信号处理装置，图像检测及信号处理装置存储接收到的图像后用于识别患者脸部，判断其处于仰卧或侧卧状态。

由于打鼾是OSAHS的特征性表现，当智能手机识别鼾声后，发送命令数据到图像检测及信号处理装置，当其接收到命令后打开LED智能补光模块，启动脸部识别及跟踪程序，基于优化opencv代码的人脸检测识别算法，实时追踪人脸，当识别后图像检测及信号处理装置会调整镜头方向和焦距，将脸部图像移动到中央位置，并向上移动脸部图像，使视频区域留出1.5倍脸部图像坐标的胸腔位置，如图3所示假设人脸部识别区域，x坐标长度为a，y坐标长度为b，则其胸腹部识别区域，x坐标长度为1.5a，y坐标长度为1.5b，确保能够同时拍摄到人脸和胸腔的变化，拍摄的视频存入储存器内。同时将拍摄到的视频与手机拍摄存储的正脸图像和侧脸图像进行比对，确定患者当前处于仰卧还是侧卧状态，根据不同状态开启不同的仰卧模式和侧卧模式。

基于DSP的图像识别及处理模块将拍摄的视频按帧将图像分离成红2、绿3、蓝1（RGB）三色图像，由于心率和绿色图像相关性高，利用血红蛋白吸收绿光的特性，通过扑捉脸部表明绿色成分的亮度变化来检测脉搏。由于人体生理参数受各种因素影响，因此对绿色图像做FastICA（Fast Independent Component Analysis）算法处理，随时间变化波形幅值，FFT变化频谱分析得到尖峰波，即心率，如图4所示，对脸部绿色成分的亮度变化，并将其通过FastICA算法处理，获得心率。

FastICA算法如下：

设X=(x1,x2,...,xm)T为观测数据阵，该数据阵的独立源为S=(s1,s2,...,sm)T， X与S的线性关系，表达式为：X = AS；

ICA理论的目标就是通过X求得一个分离矩阵W，使得W作用在X上所获得的信号Y是独立源S的最优逼近，

令

，那么

，

而w ← E{ vg( wTv) } － E{ g'( wTv) } w 就是FastICA 算法的基本公式，

将FastICA 算法过程综合如下:

( 1) 首先对观测到的数据X=(x1,x2,...,xm)T进行中心化处理使其均值为0;

( 2) 白化数据，得到v ，白化的含义是将观测变量x进行线性变化Q，得到v=Qx;

( 3) 选择一个具有单位范数的初始化向量w ，所述W为用户给初始化的具有单位范数的向量，比如（1，0，0），用于计算给的向量;

( 4) 更新w ← E{ vg( wTv) } － E{ g'( wTv) } w ，函数g的定义如下

g1( y) = tanh( a1 y)，a1通常为1； g2( y) = yexp( -y2 /2) ；g3( y) = y3

( 5) 标准化w ，w ← w/‖w‖ ;

( 6) 如尚未收敛返回到步骤( 4)。

通过FastICA算法对脸部与脉搏有关的检测到的绿色图像的亮暗进行处理，获取其心率值，并将获取的心率发送到智能手机。

关于呼吸频率分析

图像检测及信号处理装置识别胸腔位置的运动，做胸腔区域的图像处理，当前帧图像和前一帧图像相减，识别胸腔运动，清除背景后，胸腔图像做均值处理，随着时间规律变化，得到呼吸信号，分析呼吸信号推算睡眠呼吸暂停时间及睡眠呼吸暂停次数，其通过胸腔运动后帧相减均值后的曲线获取呼吸暂停时间及睡眠呼吸暂停次数。

正常生理睡眠可分为非快眼动睡眠（NREMS）和快眼动睡眠（REMS），但是非快眼动睡眠又分多期状态，比较复杂。患者的睡眠状态会影响到睡眠呼吸暂停时间和最低血氧饱和度。

其通过血氧计实时检测患者的血氧饱和度的变化，并将其检测到的数据发送到智能手机，而当血氧计出现脱落、干扰失灵时，可以用基于正交函数最小二乘法拟合的血氧饱和度值代替，患者应定期拟合自变量呼吸暂停时间和因变量血氧饱和度的曲线，保证数据的准确性。

正交函数作最小二乘拟合算法：

给定点集

以及各点的权系数

定点集与权系数正交。

已知定点集与权系数，构造权系数

Figure DEST_PATH_70976DEST_PATH_IMAGE007

的正交多项式{pk(x)},用递推关系可表示为

求解后拟合方程如下所示：

其中

S（X）是血氧饱和度值曲线拟合得出来的，根据以前的呼吸暂停时间数据拟合出函数方程，当血氧计脱落后，可以根据自变量呼吸暂停时间来推算出血氧饱和度。

当患者手指水肿及血流不畅时，可直接计算拟合的血氧饱和度值。

关于鼾声信号分析

智能手机发送鼾声信号至图像检测及信号处理装置，图像检测及信号处理装置对鼾声信号进行鼾声分析，鼾声虽然与语音有相似之处，但其产生机理、来源及其发出时共鸣腔的形态都与语音有不同之处，因此，其共振峰的形成机制和影响因素也具有和语音不同的特点。

ＯＳＡＨＳ患者的上气道更狭窄，因此共振峰频率升高；而随着ＡＨＩ指数升高，上气道的狭窄程度也升高，所以重度ＯＳＡＨＳ患者鼾声的共振峰值最高；对共振峰值的分析可以识别阻塞程度。

如图1和图2所示，一种采用所述系统的监测装置，其包括智能手机、图像检测及信号处理装置以及用于血氧饱和度监测的血氧计，所述图像检测及信号处理装置包括基于DSP的图像识别及信号处理模块、RGB摄像模块、存储模块以及无线模块，所述识别及信号处理模块包括心率信号分析模块、鼾声信号分析模块以及呼吸频率分析模块；所述心率信号分析模块分别与RGB摄像模块、存储模块连接，所述心率信号按照设定的算法对RGB摄像模块采集的数据进行处理分析，将处理分析得到数据储存到存储模块并通过无线模块将数据发送到智能手机；

所述无线模块采用低功耗蓝牙模块，也可以采用无线网络连接的方式连接。

所述图像检测及信号处理装置还设有LED智能补光模块，通过智能补光模块对脸部进行光照，提高拍摄效果。

当血氧饱和度降低到一定程度后，人体睡眠生理反应加剧，呼吸加快加深，心率会加快。当情况发生时，智能手机分析得到的心率、呼吸、鼾声、血氧饱和度信号的变化，预测到因阻塞睡眠心肌缺氧时，智能手机会响铃唤醒患者，当唤醒无效后，会拨号求助家人、邻居、及急救中心，预防睡眠猝死。

以上结合附图所描述的实施例仅是本发明的优选实施方式，而并非对本发明的保护范围的限定，任何基于本发明精神所做的改进都理应在本发明保护范围之内。

Claims

1.一种基于智能手机控制的预防阻塞性睡眠猝死方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于智能手机控制的预防阻塞性睡眠猝死方法，其特征在于，所述FastICA算法如下，设设X=(x1,x2,...,xm)T为观测数据阵，该数据阵的独立源为S=(s1,s2,...,sm)T， X与S的线性关系，表达式为：X = AS；

令

，那么

Figure 201310426833X100001DEST_PATH_IMAGE002

1.对数据进行中心化使其均值为0；

2.白化数据，得到v；

3.选择一个具有单位范数的初始化向量w；

5.标准化w ，w ← w/‖w‖；

6.如尚未收敛返回到步骤4。

3.根据权利要求1所述的一种基于智能手机控制的预防阻塞性睡眠猝死方法，其特征在于，所述正交函数最小二乘法算法如下：给定点集以及各点的权系数

Figure 201310426833X100001DEST_PATH_IMAGE004

；

Figure 201310426833X100001DEST_PATH_IMAGE005

定点集与权系数正交；

已知定点集与权系数，构造权系数

Figure 201310426833X100001DEST_PATH_IMAGE006

的正交多项式{p_k(x)},用递推关系可表示为

Figure 201310426833X100001DEST_PATH_IMAGE008

求解后拟合方程如下所示：

Figure 201310426833X100001DEST_PATH_IMAGE010

，其中

S^*（x）即为血氧饱和值。

4.一种以权利要求1所述的方法为基础的监测装置，其特征在于：其包括智能手机、图像检测及信号处理装置以及用于血氧饱和度监测的血氧计，所述图像检测及信号处理装置包括基于DSP的图像识别及信号处理模块、RGB摄像模块、存储模块以及无线模块，所述识别及信号处理模块包括心率信号分析模块、鼾声信号分析模块以及呼吸频率分析模块；所述心率信号分析模块分别与RGB摄像模块、存储模块连接，所述心率信号按照设定的算法对RGB摄像模块采集的数据进行处理分析，将处理分析得到数据储存到存储模块并通过无线模块将数据发送到智能手机；

5.根据权利要求4所述的监测装置，其特征在于，所述无线模块采用低功耗蓝牙模块。

6.根据权利要求4所述的监测装置，其特征在于，所述图像检测及信号处理装置还设有LED智能补光模块。

7.根据权利要求4所述的监测装置，其特征在于，所述智能手机内设有警铃唤醒系统以及用于报警的报警系统。