CN105832303A - 一种睡眠监测方法及系统 - Google Patents

Abstract

本发明公开了一种睡眠监测系统及系统，该系统是一种可穿戴、使用简单的基于加速度传感器的老年人睡眠监测与反馈系统，该系统有利于老年人的睡眠质量得到量化，很好地提高了老年人的生活质量。该系统包括加速度传感器、控制模块、语音播放模块、数据存储模块、后台服务器模块和查询模块。本发明有利于提高老年人的生活质量，实现了老年人的睡眠质量能及时反馈给老年人的家人，有利于老年人的家人及时发现老年人的问题。本发明架构清晰、简单，易于实现。

Description

一种睡眠监测方法及系统

技术领域

本发明涉及睡眠监测技术领域，尤其涉及一种睡眠监测方法及系统。

背景技术

随着人们生活水平的提高，越来越多的人都注重生活质量。睡眠作为生活质量的一部分，已受到大家普遍的关注。睡眠质量的下降不仅会影响人们的生活质量，也对人体的身心健康产生消极的影响。研究指出由于睡眠质量较差，人们日间极易产生疲劳感，严重的会伤害人体的一些功能，比如注意力和记忆力会下降，工作效率低下，更严重的会产生身体疾病、交通事故，更易产生抑郁、焦虑等情绪问题。

据科学统计，一方面，我国31.2％的中国人存在着严重的睡眠问题，有失眠经历的高达16.8％，且上升趋势明显，每100个中国人中有22个过了24点还不睡觉。另一方面，我国每晚睡眠不足4小时的成年人，死亡率要高180％，睡眠不足的人群衰老速度是正常人的2.5-3倍，经常睡眠的人发生抑郁的几率是正常人的5倍。

目前市场上很多医疗设备使用脑电波信号作为人体睡眠监测的依据。但是，脑电波信号极其微弱，对设备的精准性要求极高，所以，目前市场上的医用睡眠监测产品成本高，设计比较复杂，体积过大，检测不方便。使用目前市场上的这些医疗设备严重影响用户的正常生活。这些医疗设备只能在一些医院、诊所等健康服务机构使用，不适合个人家庭使用。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于针对上述现有技术的不足，提出了一种睡眠监测系统，该系统是一种可穿戴、使用简单的基于加速度传感器的老年人睡眠监测与反馈系统，该系统有利于老年人的睡眠质量得到量化，很好地提高了老年人的生活质量。

本发明解决其技术问题所采取的技术方案是：一种睡眠监测系统，该系统包括加速度传感器、控制模块、语音播放模块、数据存储模块、后台服务器模块和查询模块。

加速度传感器：是一种能够测量加速力的电子设备，本发明用它判断人的运动情况。可使用加速度传感器ADXL345,该传感器功耗较低，其测量值以二进制补码的形式输出，接口为I²C总线。控制模块通过经过I²C串行总线接口访问加速度传感器的数据，对数据进行处理，就可以得到精度较高的载体运动方向的加速度值。

控制模块：使用Arduino开发板作为控制单元，加速度传感器，语音播放模块作为设备连接在I²C总线上，该模块对采集的加速度值进行预处理并使用SVM分类预测出老年人的睡眠状态。

语音播放模块：采用YT07语音播放模块，该模块可将任意格式的音频文件转换成本发明所需的播放语言，这里本发明主要是播放提醒语言，用于提示老年人睡眠情况，并且可以播放催眠音乐促进老年人的睡眠。

数据存储模块：使用MC9S12UF32数据存储模块，该模块通过串行通信接口SCI接收数据，并将其以FAT文件的形式存储在SD卡中。可以简便地将SD卡中的任意文件进行读写，实现存储数据。使用该模块主要是为了存储老年人的睡眠状态，睡眠时间等数据，方便后期分析处理。

后台服务器模块：建立一个老年人睡眠质量跟踪体系，该模块采用B/S和C/S混合结构，对存储的数据机进行加工处理，通过PC登陆互联网查询以及手机APP查询将老年人的睡眠质量信息直观地反馈给老年人以及亲属。

查询模块：PC登陆互联网查询以及手机APP查询。

本发明的系统包括：1)被检测对象：老年人。2)加速度传感器ADXL345。3)控制模块：Arduino开发板。4)YT07语音播放模块。5)MC9S12UF32数据存储模块。6)采用B/S和C/S混合结构的后台服务器模块。7)采用PC登陆互联网查询以及手机APP查询的查询终端。

本发明还提供了一种睡眠监测方法，该方法包括如下步骤：

步骤1：数据的采集。使用加速度传感器ADXL345获取老年人手臂上的加速度数据，该加速度传感器主要采集X,Y,Z轴三个方向上的原始加速度值。

步骤2：数据的预处理。由于加速度传感器在测量过程中存在误差，本发明要多加速度传感器的数据进行误差校正，滤波，去除重力加速度影响等预处理。为了保留测量的加速度数据中的有用信息，去除其中的噪声，本发明采用频域滤波的方式。为了数据的准确性，必须去除重力的影响。为此，本发明采用三维坐标变换法，将三维空间中的X,Y,Z轴坐标系投影到水平坐标系中，得到水平坐标系上的加速度值，再去除Z轴的起始加速度值g，便得到加速度传感器ADXL345在水平面运动的加速度。

步骤3：特征提取。采用经验模态分解(EMD)算法提取特征。由于IMF分量和解析信号的幅度和频率与数据特征有密切关系，所以IMF分量和解析信号可以作为分类的特征。对X,Y,Z轴三个方向上的加速度值进行基于经验模态分解的特征提取。

步骤4：建立训练样本。输入的向量集为X_t＝[X(1),X(2),...,X(n)]为连续5分钟的加速度传感器在X,Y,Z轴上变化时序，采样周期为60s。输出Y(k+1)是k+1时刻的预测值，其中0代表清醒，1代表睡眠。多次采集数据，构建训练样本集。

步骤5：构建SVM分类预测模型。

步骤6：将特征向量放入构建的SVM分类预测模型，得到老年人一天中的睡眠状态，并根据预测模型得到老年人的睡眠状态得到老年人的作息时间表。

有益效果：

(1)本发明系统提出了一种量化老年人睡眠质量的方式，有利于提高老年人的生活质量。

(2)本发明实现了老年人的睡眠质量能及时反馈给老年人的家人，有利于老年人的家人及时发现老年人的问题。

(3)本发明架构清晰、简单，易于实现。

附图说明

图1系统的结构示意图。

标识说明：1-被检测对象：老年人；2-加速度传感器ADXL345；3-控制模块：Arduino开发板；4-YT07语音播放模块；5-MC9S12UF32数据存储模块；6-采用B/S和C/S混合结构的后台服务器模块；7-采用PC登陆互联网查询以及手机APP查询的查询终端。

图2为本发明采用支持向量机(SVM)进行模型训练的具体方法流程图。

图3为本发明采用支持向量机(SVM)匹配分析老年人睡眠状态的具体方法流程图。

具体的实施方式：

下面结合说明书附图对本发明的技术方案作进一步的详细描述。

如图1所示，本发明的所提出的老年人睡眠监测与管理技术系统，该系统包括：1、被检测对象：老年人。2、加速度传感器ADXL345。3、控制模块：Arduino开发板。4、YT07语音播放模块。5、MC9S12UF32数据存储模块。6、采用B/S和C/S混合结构的后台服务器模块。7、采用PC登陆互联网查询以及手机APP查询的查询终端。

本发明睡眠监测方法的实现具体流程包括：

(1)数据的采集。选用Arduino开发板作为主处理器，加速度传感器ADXL345将测量的数据以二进制补码的形式输出，通过接口总线传输给处理器。使用加速度传感器ADXL345获取老年人手臂上的加速度数据，该加速度传感器主要采集X,Y,Z轴三个方向上的原始加速度值。

(2)数据的预处理。由于加速度传感器在测量过程中存在误差，本发明要多加速度传感器的数据进行误差校正，滤波，去除重力加速度影响等预处理。

在理想状态下，加速度传感器ADXL345在静止状态时，其X,Y,Z轴三个方向上的理想值应该为：a_X＝0,a_Y＝0,a_Z＝g，其中重力加速度g＝9.8m/s²。由于加速度传感器ADXL345静止时有细微的震动，所以会采集到该传感器的加速度值围绕着某个值细微变化的数据。为了保留测量的加速度数据中的有用信息，去除其中的噪声，本发明采用频域滤波的方式。数字滤波表达式为：

$y\left(r\right)=\underset{K=0}{\overset{N-1}{\Σ}}H\left(k\right)X\left(K\right)e^{j2\mathrm{\π}kr/N}$

带通滤波器的频响函数表达式为：

其中Δf是频率分辨率，f_a与f_b分别代表下限截止频率和上限截止频率，X(k)是x(r)的傅里叶变换。由于本发明使用加速度传感器ADXL345采集加速度值的过程中，Z轴的起始加速度值便是g，为了数据的准确性，必须去除重力的影响。为此，本发明采用三维坐标变换法，将三维空间中的X,Y,Z轴坐标系投影到水平坐标系中，得到水平坐标系上的加速度值，再去除Z轴的起始加速度值g，便得到加速度传感器ADXL345在水平面运动的加速度。

(3)特征提取。采用经验模态分解(EMD)算法提取特征。其步骤为:

1)计算原始信号的极大值点，采用三次样条插值法确定信号的上包络线；

2)计算原始信号的极小值点，采用三次样条插值法确定信号的下包络线；

3)求出上下包络线的均值m₁(t)；

4)在原始信号x(t)中去除包络线的均值m₁(t)，得到h₁(t)，若h₁(t)满足以下两个结束条件：1)在整个数据段中，信号的极值点和过零点的数目相等或最多相差一个；2)由极大值点形成的上包络线和极小值点形成的下包络线确定的均值为零，那么视h₁(t)为固态函数(IMF)分量。否则，将h₁(t)作为原始信号重复上述操作，直到满足结束条件为止，此时，得到第一个固态函数(IMF)分量，记为c₁

5)将c₁从原始信号中分离出来得到

r₁＝x(t)-c₁

将r₁作为原始信号重复上述操作得到第二个固态函数(IMF)分量，记为c₂。

循环n次，得到原始信号x(t)的n个固态函数(IMF)。故原始噪信号可以表示为：

式中n为分解级数，r_n为剩余信号项。

6)将分解的进行Hilbert变换，构造IMF分量的解析信号，再得到原始信号x(t)的Hilbert谱：

$H(\mathrm{\ω},t)=\mathrm{Re}\underset{i=1}{\overset{n}{\Σ}}{A}_i{e}^{{\mathrm{j\θ}}_i\left(t\right)}=\mathrm{Re}\underset{i=1}{\overset{n}{\Σ}}{A}_i{e}^{j\∫{\mathrm{\ω}}_i\left(t\right)dt}$

7)由于IMF分量和解析信号的幅度和频率与数据特征有密切关系，所以IMF分量和解析信号可以作为分类的特征。

8)对X,Y,Z轴三个方向上的加速度值进行基于经验模态分解的特征提取。

(4)建立训练样本。输入的向量集为X_t＝[X(1),X(2),...,X(n)]为连续5分钟的加速度传感器在X,Y,Z轴上变化时序，采样周期为60s。输出Y(k+1)是k+1时刻的预测值，其中0代表清醒，1代表睡眠。多次采集数据，构建训练样本集。

(5)构建SVM分类预测模型。训练样本中的核函数选用常见的径向基函数，该核函数中重要的一个参数就是。使用SVM训练样本前，采用交叉验证选择的最佳罚函数参数和核函数参数。这样做的目的主要是将训练集等分为N折，再将其中的N-1折作为训练集，剩下的作为测试集。在这个过程中，每一个训练的样本都会被用来当成测试样本进行验证，所以，采用交叉验证可以确保整个训练样本集被正确分类。该模型中最优分割面的法向量w和分割阈值b由下面两个公式计算得到：

$w=\underset{i=1}{\overset{l}{\Σ}}{a}_i{Y}_i\mathrm{\Φ}\left(X_i\right)$

Y_i(w·Φ(X_i)+b)＝1-ξ_i

其中，a_i是拉格朗日算子；Φ(X_i)是训练样本X_i的非线性映射。该分类预测流程如图2所示。

(6)使用SVM分类预测模型得出老年人的睡眠状态。为了得到老年人的作息时间规律，前期全天候使用该装置采集老年人的加速度时序变化信号，对采集的原始信号预处理，基于经验模态分解进行特征提取，再将特征向量放入上述构建的SVM分类预测模型，得到老年人一天中的睡眠状态。

(7)根据预测模型得到老年人的睡眠状态得到老年人的作息时间表。

(8)老年人睡眠监测。当老年人的作息时间出现明显的差异时，比如晚上晚睡了，系统会自动根据老年人的日常作息表判别出此时老年人占用了休息时间，语音播放会自动播放语音提示。若老年人因为失眠而睡不着，可根据实际需要将语音播放手动切换为催眠音乐。

(9)老年人睡眠管理。老年人的状态数据通过蓝牙将数据传输到后台服务器分析处理，再通过无线网络方式将分析结果传给移动电话、笔记本电脑等终端设备。老人以及亲属可以随时查看作息时间表，还可以看到一段时间内的睡眠总时间以及老年人未能及时进入睡眠状态的时间。

Claims (3)

1.一种睡眠监测系统，其特征在于：所述系统包括加速度传感器、控制模块、语音播放模块、数据存储模块、后台服务器模块和查询模块；

加速度传感器能够测量加速力的电子设备，用于判断人的运动情况，其测量值以二进制补码的形式输出，接口为I²C总线，控制模块通过经过I²C串行总线接口访问加速度传感器的数据，对数据进行处理，得到载体运动方向的加速度值；

控制模块：使用Arduino开发板作为控制单元，加速度传感器，语音播放模块作为设备连接在I²C总线上，所述模块对采集的加速度值进行预处理并使用SVM分类预测出老年人的睡眠状态；

语音播放模块：采用YT07语音播放模块，所述模块将任意格式的音频文件转换成所需的播放语言，用于提示老年人睡眠情况，并且播放催眠音乐促进老年人的睡眠；

数据存储模块：通过串行通信接口SCI接收数据，并将其以FAT文件的形式存储在SD卡中，将SD卡中的任意文件进行读写，实现存储数据；

后台服务器模块：建立一个老年人睡眠质量跟踪体系，所述模块采用B/S和C/S混合结构，对存储的数据机进行加工处理，通过PC登陆互联网查询以及手机APP查询将老年人的睡眠质量信息直观地反馈给老年人以及亲属；

查询模块：PC登陆互联网查询以及手机APP查询。

2.根据权利要求1所述的一种睡眠监测系统，其特征在于：所述系统包括：1)被检测对象：老年人；2)加速度传感器ADXL345；3)控制模块：Arduino开发板；4)YT07语音播放模块；5)MC9S12UF32数据存储模块；6)采用B/S和C/S混合结构的后台服务器模块；7)采用PC登陆互联网查询以及手机APP查询的查询终端。

3.一种睡眠监测系统的实现方法，其特征在于：所述方法包括如下步骤：

步骤1：数据的采集；

使用加速度传感器ADXL345获取老年人手臂上的加速度数据，该加速度传感器主要采集X,Y,Z轴三个方向上的原始加速度值；

步骤2：数据的预处理；

多加速度传感器的数据进行误差校正，滤波，去除重力加速度影响等预处理；为了保留测量的加速度数据中的有用信息，去除其中的噪声，采用频域滤波的方式；去除重力的影响，采用三维坐标变换法，将三维空间中的X,Y,Z轴坐标系投影到水平坐标系中，得到水平坐标系上的加速度值，再去除Z轴的起始加速度值g，便得到加速度传感器ADXL345在水平面运动的加速度；

步骤3：特征提取；

采用经验模态分解算法提取特征；由于IMF分量和解析信号的幅度和频率与数据特征有密切关系，所以IMF分量和解析信号可以作为分类的特征，对X,Y,Z轴三个方向上的加速度值进行基于经验模态分解的特征提取；

步骤4：建立训练样本；

输入的向量集为X_t＝[X(1),X(2),...,X(n)]为连续5分钟的加速度传感器在X,Y,Z轴上变化时序，采样周期为60s，输出Y(k+1)是k+1时刻的预测值，其中0代表清醒，1代表睡眠；多次采集数据，构建训练样本集；

步骤5：构建SVM分类预测模型；

步骤6：将特征向量放入构建的SVM分类预测模型，得到老年人一天中的睡眠状态，并根据预测模型得到老年人的睡眠状态得到老年人的作息时间表。