CN105662417B - 一种基于压力信号特征识别鼾声的控制方法及装置 - Google Patents
一种基于压力信号特征识别鼾声的控制方法及装置 Download PDFInfo
- Publication number
- CN105662417B CN105662417B CN201511029232.0A CN201511029232A CN105662417B CN 105662417 B CN105662417 B CN 105662417B CN 201511029232 A CN201511029232 A CN 201511029232A CN 105662417 B CN105662417 B CN 105662417B
- Authority
- CN
- China
- Prior art keywords
- sound
- snoring
- signal
- pressure signal
- inhalation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Orthopedics, Nursing, And Contraception (AREA)
Abstract
本发明提供一种基于压力信号特征识别鼾声的控制方法,其用于在用户睡眠过程中快速识别鼾声事件,包括:a.获取用户呼吸产生的压力信号x(n)以及流量信号f(t);b.将压力信号x(n)经时域以及频域转换后获得对应的鼾声信号集{s(t)};c基于流量信号f(t)确定吸气区间T=[t0,t1],其中t0为吸气起点时间,t1为吸气终点时间;d.基于吸气区间T截取鼾声信号集{s(t)}中对应区间的鼾声信号s(t),其中t=t0,...,t1,并获取鼾声信号s(t)的平均功率e.将平均功率与第一阈值C相比较,判断是否发生鼾声事件。还提供相应的控制装置。本发明通过傅里叶变换、窗函数、时间序列分析等对压力信号进行频谱分析、滤波、求和等处理,排除外界环境噪音对检测结果的影响,能够快速识别鼾声事件并响应,提高了治疗效果。
Description
技术领域
本发明涉及医疗设备控制技术领域,特别是一种识别鼾声的控制方法以及相应的控制装置。
背景技术
鼾声是阻塞性睡眠呼吸暂停低通气综合征(OSAHA)患者最为突出的症状之一,其由呼吸时通过上呼吸道的狭窄部位的气流震动气道周围的软组织引起,严重时会导致大脑和血液缺氧并引发其他症状。鼾声的产生往往预示着呼吸暂停或低通气事件将要发生或已经发生。对于长期使用无创通气治疗的OSAHA患者来说,呼吸机对鼾声的识别尤为重要。
在现有的技术中多是依靠鼾声的声学特征进行识别,例如,计算患者的睡眠呼吸暂停低通气指数(AHI,即平均每小时睡眠中呼吸暂停和低通气的次数),通过将AHI的大小与设定阀值进行比较来判断鼾声信号的严重程度;或是基于患者鼾声波形中的连续小波变换,研究重度和轻度鼾声的幅度、密度和能量分布情况来识别患者当前是否处于打鼾状态。又例如,求取患者鼾声信号的基音相关参数,如均值、标准差、密度等,一般而言,重度鼾声的均值和标准差较低,密度较高;而轻度鼾声的均值和标准差较高,密度较低,这种识别方法虽然能在一定程度上对患者的鼾声情况进行识别,但在实际操作中由于检测设备的精度限制以及外界环境噪音的影响,这种方法的识别效果并不显著。现有技术还采用检测患者鼾声信号共振峰的方式来进行鼾声识别,通常情况下,采用线性预测方法检测共振峰,以第一共振峰F1≈690Hz为边界条件判断患者鼾声的严重程度,由于重度鼾声的共振峰分布不太稳定,轻度鼾声的共振峰分布相对较稳定,因而可以将患者鼾声信号中共振峰的分布情况作为判定标准进行鼾声识别。这些鼾声识别方法虽然能满足患者以及医者检测识别鼾声的需求,但由于操作复杂性大多仍处于理论或实验阶段,难以直接应用到家用便携式呼吸机等日常医疗设备中。
目前市场上的呼吸机大多通过分析患者鼾声信号的声学特性进行识别,这虽然能对患者鼾声做到成功判断,但由于呼吸机采集到的声音信号极易受到外界环境噪音以及设备自身噪音的干扰,导致采用声学特性分析获得的识别结果不够准确也不够及时,例如,当患者处于打鼾的较ω期状态时,或者对于轻度OSAHA患者的睡眠鼾声,呼吸机就无法迅速对上述患者的鼾声事件进行有效识别,不利于呼吸机对打鼾患者的及时治疗。在很多时候,用户需要一种既能快速而准确地识别鼾声,又适用于家庭日常使用的呼吸机,例如,改由通过分析鼾声信号的压力信号特征的方法来排除环境噪音、设备杂音等外部因素对分析结果的影响,提高呼吸机对患者鼾声识别的准确性、及时性。
在现阶段,没有一种非常好的方法能够解决上述提到的问题。大多数情况下,只能通过检测患者鼾声中的声学特性来判断是否发生打鼾事件,没有提供一种有效的进行鼾声识别的呼吸机,能够利用鼾声信号的压力信号特征来直接、快速、实时地识别打鼾事件。
发明内容
针对现有技术存在设备成本较高,易受外界环境干扰,识别准确性较低的技术缺陷,本发明的目的是提供一种基于压力特征信号快速识别鼾声的控制方法以及相应的控制装置。
根据本发明的一个方面,提供一种基于压力信号特征识别鼾声的控制方法,其用于在用户睡眠过程中快速识别鼾声事件,包括如下步骤:
a.获取用户呼吸产生的压力信号x(n)以及流量信号f(t);
b.将所述压力信号x(n)经时域以及频域转换后获得对应的鼾声信号集{s(t)};
c.基于所述流量信号f(t)确定吸气区间T=[t0,t1],其中,所述t0为吸气起点时间,所述t1为吸气终点时间;
d.基于所述吸气区间T截取所述鼾声信号集{s(t)}中对应区间的鼾声信号s(t),其中,t=t0,…,t1,并获取所述鼾声信号s(t)的平均功率
e.将所述平均功率与第一阈值C相比较,判断是否发生鼾声事件。
优选地,所述步骤e基于如下公式进行判断:
其中,所述R为判断结果;所述1表示发生鼾声事件;所述0表示未发生鼾声事件。
优选地,所述步骤d包括如下步骤:
d1.基于如下公式获取所述鼾声信号s(t)对应的能量Es(T):
其中,所述S(f)为频谱密度,其为所述鼾声信号s(t)由时域转化为频域的转化结果;所述f0为与所述吸气起点时间t0对应的频率;所述f1为与所述吸气终点时间t1对应的频率;
d2.基于如下公式计算所述平均功率
其中,所述t0为所述吸气区间T的起点;所述t1为所述吸气区间T的终点。
优选地,所述步骤c包括如下步骤:
c1.对所述流量信号f(t)进行二阶求导获得f″(t);
c2.令f″(t)=0获得吸气时间t’={t0,t1,…,tn},其中,相邻两个吸气时间的间隔tn-tn-1即为所述吸气区间T。
优选地,所述步骤b包括如下步骤:
b1.基于如下离散傅里叶变换公式对所述压力信号x(n)进行时域到频域的转换,获得所述压力信号x(n)的频谱特性:
其中,所述N为所述压力信号x(n)的变换区间长度;所述X(k)为对频谱X(ejω)在[0,2π]上的N点等间隔采样;所述x(n)为所述X(k)的逆变换;所述WN为复指数函数集;
b2.基于窗函数法获得FIR滤波器;
b3.通过所述FIR滤波器对所述压力数据x(n)进行滤波,并基于如下卷积公式获取基于频域的鼾声信号s(n):
其中,所述M为所述FIR滤波器的窗口长度;所述h(i)为单位脉冲响应序列,其中i=0,1,…,M-1;所述x(n)为压力信号,其中n=0,1,…,N-1;
b4.将所述基于频域的鼾声信号s(n)转化为基于时域的鼾声信号集{s(t)}。
优选地,所述步骤b2包括如下步骤:
b21.基于如下公式计算获得理想状态下的单位脉冲响应序列hd(n):
其中,所述ω为数字角频率;所述ejw为复变函数;所述Hd(ejω)为理想状态下FIR滤波器的频率响应函数;
b22.基于窗函数ω(n)对所述理想状态下的单位脉冲响应序列进行截断,并基于如下公式获得本次FIR滤波器的单位脉冲响应序列h(n):
h(n)=hd(n)ω(n)
其中,所述hd(n)为理想状态下的单位脉冲响应序列;所述ω(n)为窗函数,所述窗函数的选择受到阻带最小衰减以及过渡带宽度的限制;
相应地,所述单位脉冲响应序列h(n)的频率响应函数为:
其中,所述N为所述窗函数ω(n)的窗口长度。
根据本发明的另一个方面,还提供一种基于压力信号特征识别鼾声的控制装置,其用于在用户睡眠过程中快速识别鼾声事件,包括:
第一获取装置,其用于获取用户呼吸产生的压力信号x(n)以及流量信号f(t);
第一处理装置,其用于将所述压力信号x(n)经时域以及频域转换后获得对应的鼾声信号集{s(t)};
第一确定装置,其用于基于所述流量信号f(t)确定吸气区间T=[t0,t1],其中,所述t0为吸气起点时间,所述t1为吸气终点时间;
第二获取装置,其用于基于所述吸气区间T截取所述鼾声信号集{s(t)}中对应区间的鼾声信号s(t),其中,t=t0,…,t1,并获取所述鼾声信号s(t)的平均功率
第一判断装置,其用于将所述平均功率与第一阈值C相比较,判断是否发生鼾声事件。
优选地,所述第二获取装置包括:
第三获取装置,其用于基于如下公式获取所述鼾声信号s(t)对应的能量Es(T):
其中,所述S(f)为频谱密度,其为所述鼾声信号s(t)由时域转化为频域的转化结果;所述f0为与所述吸气起点时间t0对应的频率;所述f1为与所述吸气终点时间t1对应的频率;
第二处理装置,其用于基于如下公式计算所述平均功率
其中,所述t0为所述吸气区间T的起点;所述t1为所述吸气区间T的终点。
优选地,所述第一确定装置包括:
第三处理装置,其用于对所述流量信号f(t)进行二阶求导获得f″(t);
第四获取装置,其用于令f″(t)=0获得吸气时间t’={t0,t1,…,tn},其中,相邻两个吸气时间的间隔tn-tn-1即为所述吸气区间T。
优选地,所述第一处理装置包括:
第四处理装置,其用于基于如下离散傅里叶变换公式对所述压力信号x(n)进行时域到频域的转换,获得所述压力信号x(n)的频谱特性:
其中,所述N为所述压力信号x(n)的变换区间长度;所述X(k)为对频谱X(ejω)在[0,2π]上的N点等间隔采样;所述x(n)为所述X(k)的逆变换;所述WN为复指数函数集;
第五获取装置,其用于基于窗函数法获得FIR滤波器;
第六获取装置,其用于通过所述FIR滤波器对所述压力数据x(n)进行滤波,并基于如下卷积公式获取基于频域的鼾声信号s(n):
其中,所述M为所述FIR滤波器的窗口长度;所述h(i)为单位脉冲响应序列,其中i=0,1,…,M-1;所述x(n)为压力信号,其中n=0,1,…,N-1;
第五处理装置,其用于将所述基于频域的鼾声信号s(n)转化为基于时域的鼾声信号集{s(t)}。
优选地,所述第五获取装置包括:
第七获取装置,其用于基于如下公式计算获得理想状态下的单位脉冲响应序列hd(n):
其中,所述ω为数字角频率;所述ejw为复变函数;所述Hd(ejω)为理想状态下FIR滤波器的频率响应函数;
第八获取装置,其用于基于窗函数ω(n)对所述理想状态下的单位脉冲响应序列进行截断,并基于如下公式获得本次FIR滤波器的单位脉冲响应序列h(n):
h(n)=hd(n)ω(n)
其中,所述hd(n)为理想状态下的单位脉冲响应序列;所述ω(n)为窗函数,所述窗函数的选择受到阻带最小衰减以及过渡带宽度的限制;
相应地,所述单位脉冲响应序列h(n)的频率响应函数为:
其中,所述N为所述窗函数ω(n)的窗口长度。
本发明通过实时对鼾声信号中的压力信号采样并进行分析、处理,提取并放大鼾声信号的强度,将本发明提供的技术方案应用到医疗设备尤其是家用呼吸机中,能够准确并快速识别鼾声事件并依据识别结果立刻进行相应处理,避免了现有技术中利用鼾声声学信号特征识别鼾声事件时易收到噪音干扰的缺陷,改善用户睡眠质量,提高医疗设备的治疗效果。本发明判断效果显著,不易受周围环境干扰,降低了现有技术的实现难度和开发成本,具有很好的应用前景。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本发明的第一实施例的,一种基于压力信号特征识别鼾声的控制方法的流程图;
图2示出根据本发明的一个具体实施方式的,获取所述吸气区间T内鼾声信号平均功率的控制方法的流程图;
图3示出根据本发明的又一具体实施方式的,基于所述流量信号f(t)确定所述吸气区间T的控制方法的流程图;
图4示出根据本发明的一个具体实施方式的,将压力信号经时域以及频域转换后获得对应的鼾声信号集的控制方法的流程图;
图5示出根据本发明的一个具体实施方式的,基于窗函数法设计FIR滤波器的控制方法的流程图;
图6示出根据本发明的一个具体实施方式的,用户呼吸产生的流量信号随时间变化的特征曲线的示意图;
图7示出根据本发明的第二实施例的,一种基于压力信号特征识别鼾声的控制装置的结构示意图;
图8示出根据本发明的一个典型的应用场景的结构示意图。
图9示出根据本发明的一个具体实施方式的,用户呼吸产生的压力信号(伴随随机噪声)特征曲线的示意图;以及
图10示出根据本发明的一个具体实施方式的,用户呼吸产生的压力信号(伴随随机噪声、鼾声)特征曲线的示意图。
具体实施方式
为了更好的使本发明的技术方案清晰的表示出来,下面结合附图对本发明做进一步说明。
本领域技术人员理解,为了解决现有技术中患者使用呼吸机时由于噪音干扰无法及时准确地识别用户打鼾事件的技术问题,本发明的技术方案在于提供一种基于压力信号特征识别患者鼾声的解决方案。通过本发明提供的技术方案,患者在使用呼吸机的过程中,呼吸机实时监测患者呼气与吸气时的压力信号变化,从而排除外界环境噪音以及呼吸机设备自身噪音对监测结果的干扰,准确迅速的识别患者打鼾事件。具体地,在本发明的优选实施例中,呼吸机通过离散傅里叶变换将患者呼吸时产生的压力信号经时域、频域进行多重转换,去除随机噪声,提取出鼾声信号,同时结合患者呼吸时产生的流量信号确定患者的吸气区间从而获得患者某一吸气区间内鼾声信号的平均功率,通过比较此平均功率与呼吸机内预设的第一阈值的大小关系来判断是否发生了鼾声事件。
本领域技术人员理解,本发明所述技术方案优选地通过计算机系统执行并应用于呼吸机等医疗设备中,更为具体地,本发明所述控制方法由存储在所述计算机系统中的一系列控制指令或程序代码通过处理器执行实现,所述处理器可以是微处理器、控制器或状态机等;软件模块可以存储在RAM存储器、闪存、ROM存储器、寄存器、硬盘、可移动磁盘等存储介质中,其在运行状态下实时获取用户睡眠数据从而在用户睡眠过程中快速识别鼾声。
图1示出根据本发明的第一实施例的,一种基于压力信号特征识别鼾声的控制方法的流程图,其用于在用户睡眠过程中快速识别鼾声事件,所述控制方法通过依次执行下述步骤能够完整地实现本发明的目的。具体地,在本实施例中,图1示出了5个步骤,首先执行步骤S101,获取用户呼吸产生的压力信号x(n)以及流量信号f(t)。本领域技术人员理解,人体进行呼吸时,口腔或鼻腔周围因空气流动在瞬间会存在压力变化以及流量变化,进一步地,所述压力信号x(n)、所述流量信号f(t)随时间变化,通过检测所述压力信号x(n)以及流量信号f(t)可以用来监测呼吸频率、呼吸均匀程度以及呼吸气之间的间歇等呼吸状况指标。更进一步地,用户呼吸时产生的所述压力信号x(n)以及流量信号f(t)通过硬件实时采样获取。在一个优选例中,使用压力传感器以及流量传感器组成的硬件电路装置检测所述压力信号x(n)以及所述流量信号f(t),将检测到的所述压力信号x(n)和流量信号f(t)通过差分放大器和滤波发送到单片机系统进行计算,并将所述压力信号和流量信号参数发送到监护仪或呼吸机等医疗设备用于波形和参数的显示。进一步地,所述压力传感器和流量传感器组成的硬件电路装置可以设置在所述呼吸机内部或外部连接的硬件设备中。
接下来执行步骤S102,将上述步骤S101采样获取的所述压力信号x(n)经时域以及频域转换后获得对应的鼾声信号集{s(t)}。本领域技术人员理解,信号的时域分析,是指直接在时间域内对系统动态过程进行研究的方法,即以时间轴为坐标表示动态信号的关系;信号的频域分析,是指采用傅立叶变换将时域信号变换为频域信号,即以频率轴为坐标表示出来,从而帮助人们从另一个角度来了解信号的特征。优选地,通过对所述压力信号x(n)经过时域以及频域转换,使得所采集到的所述压力信号x(n)更具有一定的规律性,能够更好地方便对所述压力信号x(n)参数的进一步分析。进一步地,通过所述步骤S102对采样得到的所述压力信号的处理,能够很好地采集到所述压力信号x(n)的特征信息。本领域技术人员理解,用户睡眠过程中,有鼾声(如图10所示)和无鼾声(如图9所示)情况下得到的压力信号具有不同的特征信息,其中所述图9代表用户呼吸产生的压力信号(伴随随机噪声)特征曲线示意图,而图10代表用户呼吸产生的压力信号(伴随随机噪声、鼾声)特征曲线示意图,通过对所述图9以及所述图10中特征曲线的观察不难发现,当用户处于打鼾状态时其呼吸产生的压力信号强度较之正常情况下的压力信号强度波动更大,通过对所述压力信号x(n)从时间域变换到频率域得到所述压力信号x(n)的频谱分布并进一步提取对应的一系列鼾声信号s(t),所述一系列鼾声信号s(t)随时间变化。具体地,将结合图3、图4以及后述的实施例做具体描述,在此不予赘述。进一步地,从所述提取的一系列鼾声信号s(t)获得对应的鼾声信号集,所述鼾声信号集用{s(t)}表示。
然后执行步骤S103,基于上述步骤S101采样获取的流量信号f(t)确定吸气区间T=[t0,t1],其中,所述t0为吸气起点时间,所述t1为吸气终点时间。具体地,所述流量信号f(t)包括用户呼吸时气体流量的方向以及流速。更为具体地,所述吸气区间T对应用户呼吸过程中的吸气阶段。优选地,基于所述流速数据确定所述吸气区间T。在一个优选例中,所述呼吸机基于所述流速数据的斜率变化确定所述吸气起点时间t0,本领域技术人员理解,人体在呼吸过程中每次的吸气起点都是所述流速数据斜率变化最快的时间节点,通过计算所述流速数据的斜率变化情况即可确定所述吸气起点时间t0,进一步地,人体呼吸时产生的流量信号实质可以构成一随时间周期变化的流量曲线,例如,在以时间为x轴且流速为y轴的平面直角坐标系中具体显示为图6所示的特征曲线,其中所述流量f(t)由于用户呼气及吸气时的气流方向不同而包括正负值两种情况,当用户吸气时所述流量信号方向为正对应所述特征曲线的+f(t)区域;而当用户呼气时所述流量信号方向为负对应所述特征曲线的-f(t)区域,进一步地,由于用户的呼吸频率、呼吸强度等各方面因素影响,所述特征曲线并非严格按照某一固定周期规律重复,相应地,不同吸气区间T对应的流量信号强度也不尽相同,本实施例所述技术方案实时基于所述特征曲线上任一吸气区间T内用户呼吸情况来判断用户当前是否发生了鼾声事件。
进一步地,执行步骤S104,基于所述吸气区间T截取所述鼾声信号集{s(t)}中对应区间的鼾声信号s(t),其中,t=t0,…,t1,并获取所述鼾声信号s(t)的平均功率具体地,所述吸气区间T=[t0,t1]基于所述步骤S103计算获得。更为具体地,所述鼾声信号集{s(t)}中包括至少一个所述吸气区间T。优选地,所述鼾声信号s(t)基于时间排布,其可以理解为由所述呼吸机中的相应模块在所述吸气区间T内每隔一定时间间隔采集到的用户呼吸数据。在一个优选例中,所述呼吸机基于所述吸气区间T的吸气起点时间t0以及吸气终点时间t0在所述鼾声信号集{s(t)}中查找对应的吸气起点鼾声信号s(t0)以及吸气终点鼾声信号s(t1),并将所述鼾声信号集{s(t)}中介于所述吸气起点鼾声信号s(t0)以及吸气终点鼾声信号s(t1)的鼾声信号提取出来,获得与所述吸气区间T相对应的鼾声信号s(t),t=t0,…,t1。进一步地,基于离散傅里叶变换方法将所述鼾声信号s(t),t=t0,…,t1由时域转换为频域,从而获得固定频域内所述鼾声信号s(f),f=f0,…,f1的能量Es(T)以及单位时间内的平均功率
最后执行步骤S105,将所述平均功率与第一阈值C相比较,判断是否发生鼾声事件。具体地,所述第一阈值C为一常数,其用于表征当前是否发生鼾声事件。更为具体地,所述第一阈值C预先设定在所述呼吸机的数据存储单元中。优选地,所述第一阈值C的数值由用户手动输入到所述呼吸机中进行设置。在一个优选例中,用户将自己打鼾时的平均功率手动设置到所述呼吸机中,则所述呼吸机将本次用户输入值作为所述第一阈值C存储在所述存储单元中,以便今后在用户睡眠时与当前用户呼吸的平均功率进行比较,其中,所述第一阈值C可以是用户经由特殊仪器(例如,鼾声分析器等)检测获得的,可以是用户前次使用所述呼吸机检测自身睡眠后获得的,本领域技术人员可以根据实际需要变化出更多实施例,这并不影响本发明的技术内容。
进一步地,针对用户初次使用所述呼吸机且不清楚自身鼾声功率导致无法人工设定所述第一阈值C的情形,所述呼吸机会预先在所述存储单元中预置一初始阈值C’,例如,统计数据库中打鼾患者的鼾声功率计算均值并将所述均值作为所述初始阈值C’,其中,所述数据库由互联网或有关部门的汇总统计获得。
在本实施例的一个变化例中,所述步骤S103基于所述流量信号f(t)的方向参数来确定所述吸气区间T,例如,预先设定用户进行吸气动作时产生的气体流量方向为“正方向”,对应获取的所述流量信号f(t)的值为正值,相应地,当用户进行呼气动作时设定产生的气体流量方向为“负方向”,对应获取的所述流量信号f(t)的值为负值,当所述呼吸机通过实时采样获取的所述流量信号f(t)的值由负值变为正值的临界时间点即为所述吸气起点时间t0;与之相临近的下一个流量信号f(t)的数值由正值变为负值的临界时间点即所述吸气终点时间t1,从而确定所述吸气区间T=[t0,t1]。本领域技术人员理解,本变化例所述通过利用所述流量信号f(t)的方向参数确定所述吸气区间T还可以通过其他的表现方式实现,在此不予赘述。
本领域技术人员理解,与上述步骤S103中所述技术方案相比,本变化例所述技术方案简单地通过观察用户呼吸产生流量信号f(t)的方向参数变化直观地辨别用户呼吸时的吸气区间T,省去了研究所述流量信号斜率变化情况的复杂运算过程,这种变化例偏重于满足呼吸机对用户吸气的定性分析,但若呼吸机希望对用户吸气区间进行更精确或一定程度的定量分析,则需要采用上述步骤S103中所述技术方案进行计算,进一步地,还可采用将上述两种技术方案相结合的方式确定所述吸气区间T,从而同时对用户吸气区间T完成定性以及定量分析。
在本实施例的另一个变化例中,所述步骤S105中所述第一阈值C还可由所述呼吸机基于用户的呼吸情况自动调整,例如,判断用户当前发生打鼾事件后,将用户本次打鼾时的平均功率作为所述第一阈值C更新到所述存储单元中,使得所述呼吸机对用户打鼾情况的判断标准能够与用户的实际情况尽可能的相贴近。
进一步地,所述步骤S105基于如下公式进行判断:
其中,所述R为判断结果;所述1表示发生鼾声事件;所述0表示未发生鼾声事件。在一个优选例中,所述呼吸机通过所述判断结果R确定用户当前是否发生打鼾事件,若所述判断结果R=1则所述步骤S105的判断结果是肯定的;否则则所述步骤S105的判断结果是否定的,进一步地,若所述步骤S105的判断结果是肯定的,则进入步骤S106执行,在所述呼吸机内部逻辑电路中输出“1”,相应地向用户或相关人员发送提示信息;若所述步骤S105的判断结果是否定的,即R=0用户当前未发生打鼾事件,则进入步骤S107执行,在所述呼吸机内部逻辑电路中输出“0”,此时所述呼吸机不进行任何操作,继续实时监控用户睡眠时的呼吸情况直至下一次所述步骤S105的判断结果为真(即R=1)。优选地,在所述步骤S106中所述提示信息包括通过振动等方式唤醒用户,或者向有关家属或医护人员发送警告信息,提示用户当前进入了打鼾状态等,本领域技术人员可以根据实际需要变化出更多实施例,在此不予赘述。
在本实施例的又一个变化例中,所述第一阈值C被一数值区间U替代,所述呼吸机通过将计算获得的平均功率与所述数值区间U的两个端点进行比较以进一步判断用户当前的打鼾状态,例如,所述呼吸机基于如下公式进行判断:
其中,所述R为判断结果;所述2表示用户当前处于重度鼾声状态;所述1表示用户当前处于轻度鼾声状态;所述0表示用户当前未进入打鼾状态。在一个优选例中,所述数值区间U=[C,D],其中所述D为第二阈值,所述C为第一阈值,相应地,所述第二阈值D同样为常数且D>C,当时,表示用户当前处于重度鼾声状态,当时,表示用户当前处于轻度鼾声状态,所述呼吸机根据不同的判断结果R采取不同的处理措施。
图2示出本发明的一个具体实施方式的,获取所述吸气区间T内鼾声信号平均功率的控制方法的流程图,具体地,结合图1以及图2所示实施例,在执行所述步骤S104的过程中首先执行步骤S1041,基于如下公式获取所述鼾声信号s(t)对应的能量Es(T):
其中,所述S(f)为频谱密度,其为所述鼾声信号s(t)由时域转化为频域的转化结果;所述f0为与所述吸气起点时间t0对应的频率;所述f1为与所述吸气终点时间t1对应的频率。在一个优选例中,所述呼吸机基于离散傅里叶变换计算获得所述吸气区间T=[t0,t1]内鼾声信号s(t),t=t0,…,t1的频谱密度S(f),f=f0,…,f1,然后基于上述求和公式计算获得用户在所述吸气区间T内所产生鼾声信号s(t)的总能量Es(T)。
本领域技术人员理解,本步骤所述技术方案优选地基于帕塞瓦尔定理计算获得所述能量Es(T),所述帕塞瓦尔定理可以简单表述为如下公式:
其中,所述|S(f)|2为能量谱密度,所述s(t)为随时间变化的鼾声信号。进一步地,在本步骤所述技术方案中,基于所述吸气区间T=[t0,t1]确定所述吸气起点时间t0以及所述吸气终点时间t1后,即可结合上述帕塞瓦尔定理获得用户当前鼾声信号在固定频率f=f0,…,f1内的能量Es(T)。
然后进入步骤S1042执行,基于如下公式计算所述平均功率
其中,所述t0为所述吸气区间T的起点;所述t1为所述吸气区间T的终点。具体地,所述平均功率用于表示用户鼾声信号在单位时间内的能量变化。更为具体地,本步骤所述平均功率的计算方法为现有技术,在此不予赘述。本领域技术人员理解,本步骤所述技术方案优选地将所述呼吸机实时采集到的用户随时间变化的鼾声信号转化为功率值,与正常呼吸时所产生的平均功率相比,用户在打鼾状态下的平均功率更高,所述呼吸机正是通过实时监测用户呼吸产生的平均功率并与所述步骤S105中预先设定的第一阈值C相比较来判断用户当前是否进入了打鼾状态。
本领域技术人员理解,图2所示实施例中所述技术方案可以理解为上述图1所示实施例所述步骤S104的一个具体实施方式,其优选地根据所述吸气区间T从所述鼾声信号集{s(t)}中截取相对应的鼾声信号s(t),t=t0,…,t1,并基于离散傅里叶变换将所述鼾声信号由时域转换为频域进而获得固定频域f=f0,…,f1下用户鼾声所产生的能量Es(T)以及单位时间下的鼾声平均功率这是现有技术所不采用的技术方案,只需通过简单的时域-频域转换以及加权求和即可获得所述鼾声的平均功率,极大地减轻了所述处理器的计算负担。
进一步地,在所述图1以及所述图2所示实施例的一个共同变化例中,图3示出根据本发明的又一具体实施方式的,基于所述流量信号ff(t)确定所述吸气区间T的控制方法的流程图,具体地,在本变化例中,首先执行步骤S1031,对所述流量信号f(t)进行二阶求导获得f″(t)。更为具体地,所述二阶求导用于获取所述流量信号f(t)随时间递进产生的曲线斜率变化最快的时间点。本领域技术人员理解,本实施例所述对流量信号进行二阶求导的方法为现有技术,在此不予赘述。
然后执行步骤S1032,令f″(t)=0获得吸气时间t’={t0,t1,…,tn},其中,相邻两个吸气时间的间隔tn-tn-1即为所述吸气区间T。本领域技术人员理解,当用户在吸气起点t0开始吸气时,所述流量信号的斜率变化最快,相应地所述吸气起点时间t0对应的流量信号f(t0)即为所述流量信号f(t)所绘曲线上的一个拐点。在一个优选例中,通过令所述f″(t)=0,获得吸气时间t’={t0,t1,…,tn},由图6所示流量信号f(t)的曲线可以发现,相邻两个吸气时间的间隔tn-tn-1即为本实施例所述所需的吸气区间T。
在本实施例的一个变化例中,所述步骤S1032中令所述f″(t)=0并计算获得所述吸气时间t’={t0,t1,…,tn}中的任一吸气时间后,即将所述吸气时间作为所述吸气起点时间t0,然后由所述吸气起点时间t0为起点,以所述吸气起点时间t0对应的曲线斜率在图6所示流量信号曲线上做平行线,流量信号曲线上与所述平行线相交的最近一个交点对应的时间即为所述吸气终点时间t1,区间[t0,t1]即为所述吸气区间T。
图4示出根据本发明的一个具体实施方式的,将压力信号经时域以及频域转换后获得对应的鼾声信号集的控制方法的流程图。具体地,在本实施例中,首先执行步骤S1021,基于如下离散傅里叶变换公式对所述压力信号x(n)进行时域到频域的转换,获得所述压力信号x(n)的频谱特性,所述压力信号x(n)为有限长离散时间域信号:
其中,所述N为所述压力信号x(n)的变换区间长度;所述X(k)为对频谱X(ejω)在[0,2π]上的N点等间隔采样;所述x(n)为所述X(k)的逆变换;所述WN为复指数函数集。更为具体地,所述压力信号x(n)基于设置在所述呼吸机管道内的压力传感器采集获得。更进一步地,所述管道两端分别与所述呼吸机送气口以及用户面罩相连接,所述压力传感器实时监测所述管道内的气体流动情况以及所述管道内的压力变化情况,本领域技术人员理解,人体在呼吸时带动管道内气体流动,这些流动的气体会对周围瞬间产生压力,本实施例所述技术方案通过实时监控所述管道内气体流动过程中产生的压力分布来获得随时间变化的压力信号x(n)。在一个优选例中,若在将所述压力传感器采集到的所述压力信号x(n)经上述离散傅里叶变换时不限定所述采样点N的具体数值,则所述k的取值就在[0,2π]以外,从而形成了对频谱X(ejω)的等间隔采样,进一步地,所述压力信号x(n)具有周期性,本领域技术人员理解,由于所述鼾声信号的频率分布是有范围的,因而基于上述离散傅里叶变换获得的基于频域的压力信号其频谱特征也是有规律的,可以通过观察所述压力信号中有鼾声(如图10所示)以及无鼾声(如图9所示)时压力信号的频谱特征来确定所述用户鼾声信号与无鼾声信号之间的临界频率{ωk}。
然后执行步骤S1022,基于窗函数法获得FIR滤波器。具体地,所述滤波器用于从所述压力信号x(n)中提取鼾声信号。更为具体地,所述滤波器为一数字滤波器,其包括单位脉冲响应长度N、窗函数ω(n)等特征指标。优选地,所述单位脉冲响应长度N基于所述步骤S1021中获得的临界频率{ωk}确定。在一个优选例中,基于所述数字滤波器的性能要求以及所述单位脉冲响应长度N来选择单位脉冲响应h(n)的奇偶对称性,进而确定理想的频率响应Hd(ejω)的幅频特性以及相位特性,然后基于傅里叶逆变换公式求得理想单位脉冲响应Hd(n),所述呼吸机首先选择一适当的窗函数ω(n),基于所述傅里叶变换计算所设计的FIR滤波器的单位脉冲响应的频率响应hd(ejω),通过分析本次设计的滤波器的频率特性是否满足当前用户鼾声信号与无鼾声信号之间临界频率{ωk}来判断本次设计的滤波器是否符合要求,若符合要求则基于本次设计的滤波器从所述压力信号x(n)中提取鼾声信号;若本次设计的滤波器其频率特性不符合要求,则通过适当调整所述窗函数形式或所述单位脉冲响应长度N等方式重复本步骤所述设计FIR滤波器的技术方案,直至设计获得的滤波器单位脉冲响应的频率特性与用户当前的临界频率相适应。
接下来执行步骤S1023,通过所述FIR滤波器对所述压力数据x(n)进行滤波,并基于如下卷积公式获取基于频域的鼾声信号s(n):
其中,所述M为所述FIR滤波器的窗口长度;所述h(i)为单位脉冲响应序列,其中i=0,1,…,M-1;所述x(n)为压力信号,其中n=0,1,…,N-1。具体地,基于所述步骤S1022设计获得的所述FIR滤波器的单位脉冲响应长度为M,系数为h(i),i=0,1,…,M-1。本领域技术人员理解,本发明所述技术方案中所述步骤S101采集获得的压力信号x(n)是随时间变化的长度为N的有限序列,相应地,经本步骤所述技术方案滤波后提取到的鼾声信号s(n)其表现形式虽然是基于频域特性来表示的,但本质上仍是随时间变化的长度为N的有限序列,因而需要将所述鼾声信号s(n)由频域转化为时域以便对所述提取到的鼾声信号进行进一步分析。
最后,进入步骤S1024执行,将所述基于频域的鼾声信号s(n)转化为基于时域的鼾声信号集{s(t)}。具体地,所述转化基于所述傅里叶逆变换计算获得。本领域技术人员理解,本实施例所述步骤S1021、所述步骤S1022以及所述步骤S1023主要对所述压力传感器采集获取的用户呼吸产生的压力信号x(n)进行时域到频域的转换并从中提取出鼾声信号s(n),此时,所述步骤S1023获得的所述鼾声信号s(n)还是处于频率域的,本步骤所述技术方案就是通过将所述基于频域的鼾声信号s(n)转化为基于时间域的鼾声信号集{s(t)}以便结合所述步骤S103中确定的所述吸气区间T来确定在所述吸气区间内的鼾声信号s(t),其中t=t0,…,t1。
进一步地,若以频率为x轴则所述基于频域的鼾声信号s(n)可以表示为所述x轴上的一段或多段数值区间,当用户呼吸产生的压力信号对应频率值落在所述区间内就认为用户当前疑似发生了打鼾事件;相应地,当所述鼾声信号s(n)转化为基于时间域表示后所述鼾声信号s(t)随时间递进展开,形成一具有特定间隔属性的鼾声信号s(t)的集合,本领域技术人员通过所述吸气区间T包括的吸气起点时间t0以及吸气终点时间t1从所述集合中提取对应的鼾声信号s(t)进行分析。
本领域技术人员理解,本实施例所述技术方案为上述图1所示实施例所述步骤S102的一个具体实施方式,与现有技术通过采集用户呼吸时发出的声学特征进行分析的技术方案相比,本发明所述技术方案优选地将在所述呼吸机管道内设置压力传感器,有效隔绝了外界噪音以及呼吸机自身运行杂音对传感器检测结果的影响,通过离散傅里叶变换将采集到的用户呼吸压力信号在时域-频域间进行转化,并基于用户当前呼吸压力信号的频域特征有针对性的设计窗函数提取鼾声信号集,结合基于用户呼吸的流量信号确定的吸气区间进一步对所述鼾声信号集进行筛选截取,最终确定用于进行分析判断的鼾声信号,这是现有技术所不采用的技术方案,可以有效、快速的识别用户是否发生了打鼾事件,排除了外界环境对呼吸机检测结果的干扰,提高了呼吸机识别鼾声事件的精准率,极大地优化了用户体验。
图5示出根据本发明的一个具体实施方式的,基于窗函数法设计FIR滤波器的控制方法的流程图。具体地,结合图4所示实施例,首先执行步骤S10221,基于如下公式计算获得理想状态下的单位脉冲响应序列hd(n):
其中,所述ω为数字角频率;所述ejw为复变函数;所述Hd(ejω)为理想状态下FIR滤波器的频率响应函数。在一个优选例中,所述呼吸机采用窗函数法,用有限长单位脉冲响应序列h(n)逼近所述理想状态下的单位脉冲响应序列hd(n)。本领域技术人员理解,所述理想状态下的单位脉冲响应序列hd(n)一般为无限长且非因果序列,因而,需要通过所述窗函数ω(n)对所述无限长的hd(n)序列进行截断并进行加权处理,即进入步骤S10222执行,基于窗函数ω(n)对所述理想状态下的单位脉冲响应序列hd(n)进行截断,并基于如下公式获得本次FIR滤波器的单位脉冲响应序列h(n):
h(n)=hd(n)ω(n)
其中,所述hd(n)为理想状态下的单位脉冲响应序列,且所述hd(n)为无限长序列;所述ω(n)为窗函数,所述窗函数的选择受到阻带最小衰减以及过渡带宽度的限制。具体地,本步骤计算获得的所述单位脉冲响应序列h(n)即为本实施例所述技术方案最终设计获得的FIR数字滤波器的单位脉冲响应序列。优选地,所述单位脉冲响应序列h(n)的频率响应函数为:
其中,所述N为所述窗函数ω(n)的窗口长度。所述窗函数ω(n)的类型及窗口长度N的值决定所述窗函数的性能。在一个优选例中,所述呼吸机在执行上述图4所示实施例所述技术方案以及本实施例所述技术方案的过程中,根据对阻带最小衰减和过渡带宽度的要求选择合适的窗函数类型以及窗口长度N,以获得与用户当前呼吸临界频率最契合的FIR数字滤波器。
进一步地,结合上述图1至图5所示具体实施方式,本领域技术人员可以对上述图1至图5所示实施例中的任两种或任多种做任意的组合,通过不同的实施例实现本发明的目的,在此不予赘述。本领域技术人员理解,本实施例所述技术方案可以理解为上述图4所示实施例中所述步骤S1022的一个具体实施方式,通过截断序列以及加权求和的方式获得所述实际设计的FIR数字滤波器的频率响应函数,这是上述图4所示实施例中所述步骤S1022通过调整所述设计获得的FIR数字滤波器的窗函数类型以及窗口长度N来挑选最符合用户当前呼吸临界频率特性的FIR数字滤波器的一个具体实施例,本领域技术人员还可以根据实际需要采用现有技术变化出更多实施例,这并不影响本发明的技术内容。
图7示出根据本发明的第二实施例的,一种基于压力信号特征识别鼾声的控制装置的结构示意图。具体地,在本实施例中,所述控制装置4包括第一获取装置41,其用于获取用户呼吸产生的压力信号x(n)以及流量信号f(t);第一处理装置42,其用于将所述压力信号x(n)经时域以及频域转换后获得对应的鼾声信号集{s(t)};第一确定装置43,其用于基于所述流量信号f(t)确定吸气区间T=[t0,t1],其中,所述t0为吸气起点时间,所述t1为吸气终点时间;第二获取装置44,其用于基于所述吸气区间T截取所述鼾声信号集{s(t)}中对应区间的鼾声信号s(t),其中,t=t0,…,t1,并获取所述鼾声信号s(t)的平均功率以及第一判断装置45,其用于将所述平均功率与第一阈值C相比较,判断是否发生鼾声事件。优选地,所述第一获取装置41是由压力传感器以及流量传感器组成的硬件电路装置。
在一个优选例中,所述控制装置4首先调用所述第一获取装置41实时获取用户呼吸的压力信号x(n)以及流量信号f(t),并将所述压力信号x(n)发送给所述第一处理装置42基于离散傅里叶变换进行时域-频域的转换从而获得对应的鼾声信号集{s(t)},在所述第一处理装置42对所述压力信号x(n)进行处理的之前/同时/之后,所述第一获取装置41还将采集到的所述流量信号f(t)发送给所述第一确定装置43,由所述第一确定装置43通过对所述流量信号f(t)对应的特征曲线分析获得所述特征曲线斜率变化最快的时间点,所述流量信号f(t)斜率变化最快的时间点即为所述第一确定装置43需要确定的吸气区间T的吸气起点时间t0,然后,所述第二获取装置44根据所述第一确定装置43确定的吸气区间T在所述第一处理装置42获得的鼾声信号集{s(t)}中提取相应时间段内的鼾声信号s(t)其中t=t0,…,t1进行分析并再次通过离散傅里叶变换将所述鼾声信号s(t)由时域转为频域后计算所述鼾声信号在单位时间内的平均功率最终,所述第一判断装置45接收到所述平均功率后通过将其与预置的第一阈值C进行比较来判断用户当前是否处于打鼾状态,例如,若则判断用户当前处于打鼾状态;若则判断用户当前未处于打鼾状态。
优选地,所述第一处理装置42包括第四处理装置421,其用于基于如下离散傅里叶变换公式对所述压力信号x(n)进行时域到频域的转换,获得所述压力信号x(n)的频谱特性:
其中,所述N为所述压力信号x(n)的变换区间长度;所述X(k)为对频谱X(ejω)在[0,2π]上的N点等间隔采样;所述x(n)为所述X(k)的逆变换;所述WN为复指数函数集;第五获取装置422,其用于基于窗函数法获得FIR滤波器;第六获取装置423,其用于通过所述FIR滤波器对所述压力数据x(n)进行滤波,并基于如下卷积公式获取基于频域的鼾声信号s(n):
其中,所述M为所述FIR滤波器的窗口长度;所述h(i)为单位脉冲响应序列,其中i=0,1,…,M-1;所述x(n)为压力信号,其中n=0,1,…,N-1;以及第五处理装置424,其用于将所述基于频域的鼾声信号s(n)转化为基于时域的鼾声信号集{s(t)}。
在一个优选例中,所述第一处理装置42首先调用所述第四处理装置421对所述压力信号x(n)进行离散傅里叶变换从而获得所述压力信号x(n)的频谱特性,通过观察所述压力信号中有鼾声以及无鼾声时所述压力信号的频谱区别来确定用户当前呼吸中有鼾声以及无鼾声信号之间的临界频率{ωk},然后,所述第五获取装置422基于所述临界频率{ωk}以及单位脉冲响应长度N等特征值设计适合于用户当前呼吸频率的FIR数字滤波器,所述第六获取装置423基于所述FIR数字滤波器对所述压力数据x(n)进行滤波并基于所述卷积公式将过滤获得的鼾声信号s(n)由频域转化为时域从而获得长度为N的随时间变化的有限长序列。
优选地,所述第五获取装置422包括第七获取装置4221,其用于基于如下公式计算获得理想状态下的单位脉冲响应序列hd(n):
其中,所述ω为数字角频率;所述ejw为复变函数;所述Hd(ejω)为理想状态下FIR滤波器的频率响应函数;以及第八获取装置4222,其用于基于窗函数ω(n)对所述理想状态下的单位脉冲响应序列进行截断,并基于如下公式获得本次FIR滤波器的单位脉冲响应序列h(n):
h(n)=hd(n)ω(n)
其中,所述hd(n)为理想状态下的单位脉冲响应序列;所述ω(n)为窗函数,所述窗函数的选择受到阻带最小衰减以及过渡带宽度的限制。进一步地,所述单位脉冲响应序列h(n)的频率响应函数为:
其中,所述N为所述窗函数ω(n)的窗口长度。
在一个优选例中,所述第七获取装置4221采用窗函数法将有限长单位脉冲响应序列h(n)逼近所述理想状态下的单位脉冲响应序列hd(n),并通过所述第八获取装置4222实现对理想状态下FIR数字滤波器单位脉冲响应序列hd(n)的截断,从而获得所述第五获取装置422设计产生的FIR数字滤波器的实际单位脉冲响应序列。
优选地,所述第一确定装置43包括第三处理装置431,其用于对所述流量信号f(t)进行二阶求导获得f″(t);以及第四获取装置432,其用于令f″(t)=0获得吸气时间t’={t0,t1,…,tn},其中,相邻两个吸气时间的间隔tn-tn-1即为所述吸气区间T。具体地,所述第三处理装置431通过对素数流量信号f(t)进行二阶求导来获取所述流量信号f(t)随时间递进产生的曲线斜率变化最快的时间点。更为具体地,所述第四获取装置432令所述f″(t)=0并计算获得所述吸气时间t’={t0,t1,…,tn}中的任一吸气时间后,即将所述吸气时间作为所述吸气起点时间t0,然后由所述吸气起点时间t0为起点做平行线来确定所述吸气区间T。
优选地,所述第二获取装置44包括第三获取装置441,其用于基于如下公式获取所述鼾声信号s(t)对应的能量Es(T):
其中,所述S(f)为频谱密度,其为所述鼾声信号s(t)由时域转化为频域的转化结果;所述f0为与所述吸气起点时间t0对应的频率;所述f1为与所述吸气终点时间t1对应的频率;以及第二处理装置442,其用于基于如下公式计算所述平均功率
其中,所述t0为所述吸气区间T的起点;所述t1为所述吸气区间T的终点。具体地,所述第三获取装置441基于帕塞瓦尔定理计算获得所述能量Es(T)。更为具体地,所述基于时域的鼾声信号s(t)通过离散傅里叶变换公式变化为基于频域的鼾声信号频谱密度S(f)。在一个优选例中,所述第二获取装置44实时将所述第一获取装置41采集到的用户随时间变化的鼾声信号转化为功率值,与正常呼吸时所产生的平均功率相比,用户在打鼾状态下的平均功率更高,所述控制装置4正是通过实时监测用户呼吸产生的平均功率并基于所述第一判断装置45的判断结果来监测用户当前是否进入了打鼾状态。
图8示出根据本发明的一个典型的应用场景的结构示意图,其中所述控制系统与上述图7所示实施例中所述控制装置4相通讯,具体地,在本实施例中,所述控制系统包括传感模块,其用于获取用户呼吸产生的压力信号x(n)以及流量信号f(t);压力信号处理模块,其用于对所述压力信号x(n)进行时域以及频域的转换从而获得用户呼吸产生的鼾声信号集{s(t)};流量信号处理模块,其用于基于所述流量信号f(t)确定吸气区间T=[t0,t1],其中,所述t0为吸气起点时间,所述t1为吸气终点时间;鼾声判断模块,其用于基于所述吸气区间T截取所述鼾声信号集{s(t)}中对应区间的鼾声信号s(t),其中t=t0,…,t1,获取所述鼾声信号s(t)的平均功率并将所述平均功率与第一阈值C相比较以判断是否发生鼾声事件。
在一个应用场景中,所述控制系统设置在所述呼吸机内,其中所述传感模块优选地设置在所述呼吸机的送气管道内,所述传感模块实时将采集到的用户呼吸时产生的压力信号x(n)以及流量信号f(t)分别传送给所述压力信号处理模块以及所述流量信号处理模块,所述压力信号处理模块接收到所述压力信号x(n)后基于离散傅里叶变换对所述压力信号进行处理获得所述压力信号x(n)的频谱特性,通过对所述频谱特性的分析确定用户呼吸中鼾声信号与无鼾声信号之间的临界频率并由此设计与用户呼吸频率相符的FIR数字滤波器,基于所述滤波器对所述压力信号滤波后基于卷积公式获取用户呼吸中基于频域的鼾声信号s(n),然后再基于傅里叶逆变换获得随时间变化的鼾声信号集{s(t)}。进一步地,在所述压力信号处理模块进行上述步骤的之前/同时/之后,所述流量信号处理模块对所述传感模块发送的流量信号f(t)进行二阶求导以获得所述流量信号曲线中斜率变化最快的时间点,进而确定用户呼吸的吸气区间T,所述鼾声判断模块基于所述流量信号处理模块确定的所述吸气区间T在所述压力信号处理模块获得的鼾声信号集{s(t)}中进行截取以获得所述吸气区间T内的鼾声信号s(t),其中t=t0,…,t1,基于帕塞瓦尔定理计算获得所述鼾声信号s(t)对应的能量,最终获得单位时间内用户鼾声信号的平均功率通过与预置在所述鼾声判断模块内的第一阈值C进行比较来判断用户当前是否发生了打鼾事件。
本领域技术人员理解,本实施例所述应用场景中的控制系统优选地对用户呼吸产生的压力信号进行分析,通过离散傅里叶变换将所述采集到的随时间变化的压力信号转化为所述压力信号的频域信号,再通过窗函数法基于用户呼吸频率特性设计专门的FIR数字滤波器对所述压力信号的频域信号进行过滤,获得用户呼吸压力信号中鼾声的频域信号,再对所述鼾声的频域鼾声的频域信号进行傅里叶逆变换获得对应的鼾声的时域信号,另一方面,通过用户呼吸时流量信号确定用户呼吸的吸气区间,从而获得在所述吸气区间内鼾声的时域信号,将所述吸气区间内鼾声的时域信号经离散傅里叶变换为所述吸气区间内鼾声的频域信号后基于帕塞瓦尔定理求得所述吸气区间内的鼾声信号的能量以及单位时间内鼾声信号的平均功率,最终将所述平均功率与预置的第一阈值C进行比较来完成对用户当前是否发生打鼾事件的判断,这是现有技术所不采用的技术方案,通过设置在呼吸机送气管道内的传感模块采集用户呼吸产生的压力信号进行分析,而不单纯依赖于用户呼吸时发出的声学特征,有效排除了外界环境噪音对检测结果的影响,极大地提高了呼吸机对用户鼾声事件的准确识别率,优化了用户体验。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (11)
1.一种基于压力信号特征识别鼾声的控制方法,其用于在用户睡眠过程中快速识别鼾声事件,其特征在于,包括如下步骤:
a.获取用户呼吸产生的压力信号x(n)以及流量信号f(t);
b.将所述压力信号x(n)经时域以及频域转换后获得对应的鼾声信号集{s(t)};
c.基于所述流量信号f(t)确定吸气区间T=[t0,t1],其中,所述t0为吸气起点时间,所述t1为吸气终点时间;
d.基于所述吸气区间T截取所述鼾声信号集{s(t)}中对应区间的鼾声信号s(t),其中,t=t0,...,t1,并获取所述鼾声信号s(t)的平均功率
e.将所述平均功率与第一阈值C相比较,判断是否发生鼾声事件。
2.根据权利要求1所述的控制方法,其特征在于,所述步骤e基于如下公式进行判断:
其中,所述R为判断结果;所述1表示发生鼾声事件;所述0表示未发生鼾声事件。
3.根据权利要求1或2所述的控制方法,其特征在于,所述步骤d包括如下步骤:
d1.基于如下公式获取所述鼾声信号s(t)对应的能量Es(T):
其中,所述S(f)为频谱密度,其为所述鼾声信号s(t)由时域转化为频域的转化结果;所述f0为与所述吸气起点时间t0对应的频率;所述f1为与所述吸气终点时间t1对应的频率;
d2.基于如下公式计算所述平均功率
其中,所述t0为所述吸气区间T的起点;所述t1为所述吸气区间T的终点。
4.根据权利要求3所述的控制方法,其特征在于,所述步骤c包括如下步骤:
c1.对所述流量信号f(t)进行二阶求导获得f″(t);
c2.令f″(t)=0获得吸气时间t’={t0,...,t1},其中,相邻两个吸气时间的间隔t1-t0即为所述吸气区间T。
5.根据权利要求4所述的控制方法,其特征在于,所述步骤b包括如下步骤:
b1.基于如下离散傅里叶变换公式对所述压力信号x(n)进行时域到频域的转换,获得所述压力信号x(n)的频谱特性:
其中,所述N为所述压力信号x(n)的变换区间长度;所述X(k)为对频谱X(ejω)在[0,2π]上的N点等间隔采样;所述x(n)为所述X(k)的逆变换;所述WN为复指数函数集;
b2.基于窗函数法获得FIR滤波器
b3.通过所述FIR滤波器对所述压力数据x(n)进行滤波,并基于如下卷积公式获取基于频域的鼾声信号s(n):
其中,所述M为所述FIR滤波器的窗口长度;所述h(i)为单位脉冲响应序列,其中i=0,1,...,M-1;所述x(n)为压力信号,其中n=0,1,...,N-1;
b4.将所述基于频域的鼾声信号s(n)转化为基于时域的鼾声信号集{s(t)}。
6.根据权利要求5所述的控制方法,其特征在于,所述步骤b2包括如下步骤:
b21.基于如下公式计算获得理想状态下的单位脉冲响应序列hd(n):
其中,所述ω为数字角频率;所述ejw为复变函数;所述Hd(ejω)为理想状态下FIR滤波器的频率响应函数;
b22.基于窗函数ω(n)对所述理想状态下的单位脉冲响应序列进行截断,并基于如下公式获得本次FIR滤波器的单位脉冲响应序列h(n):
h(n)=hd(n)ω(n)
其中,所述hd(n)为理想状态下的单位脉冲响应序列;所述ω(n)为窗函数,所述窗函数的选择受到阻带最小衰减以及过渡带宽度的限制;
相应地,所述单位脉冲响应序列h(n)的频率响应函数为:
其中,所述N为所述窗函数ω(n)的窗口长度。
7.一种基于压力信号特征识别鼾声的控制装置,其用于在用户睡眠过程中快速识别鼾声事件,其特征在于,包括:
第一获取装置,其用于获取用户呼吸产生的压力信号x(n)以及流量信号f(t);
第一处理装置,其用于将所述压力信号x(n)经时域以及频域转换后获得对应的鼾声信号集{s(t)};
第一确定装置,其用于基于所述流量信号f(t)确定吸气区间T=[t0,t1],其中,所述t0为吸气起点时间,所述t1为吸气终点时间;
第二获取装置,其用于基于所述吸气区间T截取所述鼾声信号集{s(t)}中对应区间的鼾声信号s(t),其中,t=t0,...,t1,并获取所述鼾声信号s(t)的平均功率
第一判断装置,其用于将所述平均功率与第一阈值C相比较,判断是否发生鼾声事件。
8.根据权利要求7所述的控制装置,其特征在于,所述第二获取装置包括:
第三获取装置,其用于基于如下公式获取所述鼾声信号s(t)对应的能量Es(T):
其中,所述s(t)为频谱密度,其为所述鼾声信号s(t)由时域转化为频域的转化结果;所述f0为与所述吸气起点时间t0对应的频率;所述f1为与所述吸气终点时间t1对应的频率;
第二处理装置,其用于基于如下公式计算所述平均功率
其中,所述t0为所述吸气区间T的起点;所述t1为所述吸气区间T的终点。
9.根据权利要求7或8所述的控制装置,其特征在于,所述第一确定装置包括:
第三处理装置,其用于对所述流量信号f(t)进行二阶求导获得f″(t);
第四获取装置,其用于令f″(t)=0获得吸气时间t’={t0,...,t1},其中,相邻两个吸气时间的间隔t1-t0即为所述吸气区间T。
10.根据权利要求9所述的控制装置,其特征在于,所述第一处理装置包括:
第四处理装置,其用于基于如下离散傅里叶变换公式对所述压力信号x(n)进行时域到频域的转换,获得所述压力信号x(n)的频谱特性:
其中,所述N为所述压力信号x(n)的变换区间长度;所述X(k)为对频谱X(ejω)在[0,2π]上的N点等间隔采样;所述x(n)为所述X(k)的逆变换;所述WN为复指数函数集;
第五获取装置,其用于基于窗函数法获得FIR滤波器;
第六获取装置,其用于通过所述FIR滤波器对所述压力数据x(n)进行滤波,并基于如下卷积公式获取基于频域的鼾声信号s(n):
其中,所述M为所述FIR滤波器的窗口长度;所述h(i)为单位脉冲响应序列,其中i=0,1,...,M-1;所述x(n)为压力信号,其中n=0,1,...,N-1;
第五处理装置,其用于将所述基于频域的鼾声信号s(n)转化为基于时域的鼾声信号集{s(t)}。
11.根据权利要求10所述的控制装置,其特征在于,所述第五获取装置包括:
第七获取装置,其用于基于如下公式计算获得理想状态下的单位脉冲响应序列hd(n):
第八获取装置,其用于基于窗函数ω(n)对所述理想状态下的单位脉冲响应序列进行截断,并基于如下公式获得本次FIR滤波器的单位脉冲响应序列h(n):
相应地,所述单位脉冲响应序列h(n)的频率响应函数为:
其中,所述N为所述窗函数ω(n)的窗口长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511029232.0A CN105662417B (zh) | 2015-12-31 | 2015-12-31 | 一种基于压力信号特征识别鼾声的控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511029232.0A CN105662417B (zh) | 2015-12-31 | 2015-12-31 | 一种基于压力信号特征识别鼾声的控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105662417A CN105662417A (zh) | 2016-06-15 |
CN105662417B true CN105662417B (zh) | 2018-09-28 |
Family
ID=56298426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511029232.0A Active CN105662417B (zh) | 2015-12-31 | 2015-12-31 | 一种基于压力信号特征识别鼾声的控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105662417B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106691382B (zh) * | 2016-12-26 | 2020-12-15 | 赛博龙科技(北京)有限公司 | 一种基于时频相似性的鼾声检测方法及装置 |
CN107981844A (zh) * | 2017-12-08 | 2018-05-04 | 绵眠(上海)智能科技有限公司 | 一种基于压电薄膜的鼾声识别方法及系统 |
CN109171708B (zh) * | 2018-10-25 | 2021-04-16 | 广东工业大学 | 一种可除颤心律识别装置 |
JP7278566B2 (ja) * | 2018-10-25 | 2023-05-22 | 株式会社デルタツーリング | 生体状態推定装置及び生体状態推定システム |
EP3824934B1 (en) | 2018-10-26 | 2023-05-24 | BMC Medical Co., Ltd. | Humidification assembly |
CN110301890B (zh) * | 2019-05-31 | 2021-09-07 | 华为技术有限公司 | 呼吸暂停监测的方法及装置 |
CN114176568B (zh) * | 2021-12-29 | 2023-01-17 | 深圳融昕医疗科技有限公司 | 基于呼吸压力信号的鼾声检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007236839A (ja) * | 2006-03-13 | 2007-09-20 | Ame O | 耐雑音性いびき音検出装置 |
CN103190911A (zh) * | 2013-04-16 | 2013-07-10 | 南京理工大学 | 基于鼾声共振峰和功率比轨迹的上气道变化监测方法 |
CN103251388A (zh) * | 2013-04-25 | 2013-08-21 | 北京大学深圳研究生院 | 基于智能手机平台的打鼾监测和防治方法及系统 |
CN103735267A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于鼾声筛查osahs的装置 |
CN103961105A (zh) * | 2014-05-22 | 2014-08-06 | 深圳市帝迈生物技术有限公司 | 对打鼾进行识别和强度输出的方法与系统及一种呼吸机 |
-
2015
- 2015-12-31 CN CN201511029232.0A patent/CN105662417B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007236839A (ja) * | 2006-03-13 | 2007-09-20 | Ame O | 耐雑音性いびき音検出装置 |
CN103190911A (zh) * | 2013-04-16 | 2013-07-10 | 南京理工大学 | 基于鼾声共振峰和功率比轨迹的上气道变化监测方法 |
CN103251388A (zh) * | 2013-04-25 | 2013-08-21 | 北京大学深圳研究生院 | 基于智能手机平台的打鼾监测和防治方法及系统 |
CN103735267A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于鼾声筛查osahs的装置 |
CN103961105A (zh) * | 2014-05-22 | 2014-08-06 | 深圳市帝迈生物技术有限公司 | 对打鼾进行识别和强度输出的方法与系统及一种呼吸机 |
Also Published As
Publication number | Publication date |
---|---|
CN105662417A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105662417B (zh) | 一种基于压力信号特征识别鼾声的控制方法及装置 | |
CN108388912B (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
DK2593007T3 (en) | PROPERTY CHARACTERISTICS FOR RESPIRATORY MONITOR | |
CN103169476B (zh) | 一种用于呼吸波形图像识别与预警的装置 | |
CN103841888B (zh) | 使用呼吸模式识别的呼吸暂停和呼吸不足检测 | |
KR101619611B1 (ko) | 마이크로폰을 이용한 호흡률 추정 장치 및 기법 | |
CN108670200A (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
CN104739412B (zh) | 一种对睡眠呼吸暂停进行监测的方法和设备 | |
CN108135486A (zh) | 睡眠呼吸障碍筛查仪 | |
CN105662345B (zh) | 心跳信号处理方法、装置和系统 | |
CN103961105B (zh) | 对打鼾进行识别和强度输出的方法与系统及一种呼吸机 | |
EP2852322A1 (en) | Spirometer system and methods of data analysis | |
JP2008507316A5 (zh) | ||
JP2017512080A5 (ja) | 周期性呼吸を検出するプロセッサにおける方法、周期的呼吸を検出する装置、及びコンピュータ可読記憶媒体 | |
CN106308801B (zh) | 一种利用智能手机检测人体呼吸频率的方法 | |
Zubaydi et al. | MobSpiro: Mobile based spirometry for detecting COPD | |
JP2007525236A (ja) | 呼吸事象検出システムおよび方法 | |
CN103153183A (zh) | 用于诊断阻塞性睡眠呼吸暂停的装置和方法 | |
JP2013541978A5 (zh) | ||
CN109350063B (zh) | 一种适用于慢阻肺监控的呼吸力学参数检测装置及方法 | |
CN108135536A (zh) | 经由参数优化的对呼吸动力学和患者努力的同时估计 | |
JP2628690B2 (ja) | 呼吸数モニタ装置 | |
Yahya et al. | Automatic detection and classification of acoustic breathing cycles | |
CN105854141B (zh) | 一种呼吸触发转换方法及装置 | |
CN106840734B (zh) | 一种呼吸机跟随性能的评估方法、装置以及无创呼吸机 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |