CN107890339B - 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置 - Google Patents

一种睡眠分期检测方法及可穿戴式睡眠分期检测装置 Download PDF

Info

Publication number
CN107890339B
CN107890339B CN201711096521.1A CN201711096521A CN107890339B CN 107890339 B CN107890339 B CN 107890339B CN 201711096521 A CN201711096521 A CN 201711096521A CN 107890339 B CN107890339 B CN 107890339B
Authority
CN
China
Prior art keywords
heart rate
sequence
sleep
feature extraction
extraction module
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
Application number
CN201711096521.1A
Other languages
English (en)
Other versions
CN107890339A (zh
Inventor
霍铖宇
徐健
卢怡
华强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changshu Institute of Technology
Original Assignee
Changshu Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changshu Institute of Technology filed Critical Changshu Institute of Technology
Priority to CN201711096521.1A priority Critical patent/CN107890339B/zh
Publication of CN107890339A publication Critical patent/CN107890339A/zh
Application granted granted Critical
Publication of CN107890339B publication Critical patent/CN107890339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • 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
    • A61B5/4815—Sleep quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Dentistry (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pulmonology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种睡眠分期检测方法，包括步骤：采集人体心率变异信号和腕动三轴加速度数据；将心率变异信号和三轴加速度数据按时间长度划分，对每个时间长度内的心率变异信号和三轴加速度数据提取若干特征参数；将一个时间长度内的特征参数输入睡眠分期预测模型，得到一个时间长度内的睡眠分期；统计所有时间长度的睡眠分期获得整个睡眠时间内的睡眠分期。本发明还公开了可穿戴式睡眠分期检测装置。本发明融合了人体睡眠过程中的腕动加速度信息和心率变异信息，可提高睡眠分期准确性，增强敏感性。

Description

一种睡眠分期检测方法及可穿戴式睡眠分期检测装置
技术领域
本发明涉及一种睡眠分期方法及分期检测装置，尤其是涉及一种睡眠分期检测方法及可穿戴式睡眠分期检测装置。
背景技术
睡眠是一种重要的生理活动，对于人体的物理和精神方面的自我恢复具有非常关键的作用。近年来，随着社会节奏的加快，人们的工作、生活压力日益加大，睡眠质量下降成为许多人面临的问题，严重影响了身心健康。
对睡眠质量进行评价的基础和前提是睡眠的分期。根据美国睡眠医学学会(American Academy of Sleep Medicine,AASM)发布的规范，睡眠过程具体可以分为醒觉(Wakefulness，W)，非快速眼动期(non-rapid eye movement，NREM)和快速眼动期(rapideye movement，REM)。其中，NREM阶段根据不同脑电特征所体现的睡眠深度又可分为N1，N2，N3三个阶段。在一些研究中，通常将N1和N2阶段统称为浅睡眠(light sleep，LS)，而N3阶段被称为深睡眠(deep sleep，DS)或慢波睡眠(slow wave sleep，SWS)。
准确的睡眠分期对于睡眠质量的评估及睡眠相关疾病的诊断都具有重要的意义。目前国际公认的用于睡眠分期的金标准是以脑电为基础的多导睡眠图(polysomnography，PSG)监测。对PSG监测结果进行睡眠分期，一般以脑电波形为主，结合其他信号进行人工判读，需要很大的工作量，且有赖于判读者的个人经验，往往夹带有主观因素，缺乏一致性客观标准。此外，PSG监测通常需要在医院专门的睡眠实验室中进行，费用高，设备复杂，在病人身上放置的电极和传感器较多，需要专业操作，给病人带来的生理心理负荷大，常常会干扰其正常睡眠。
对于以日常健康监测为目标的普通人群，更适合的睡眠评估监测手段是便携化、低成本、不影响睡眠的非专业级设备，相应的信号来源也以方便采集的非脑电信号为主。目标是提供具有一定准确性和参考价值的睡眠质量检测结果，从而对培养良好的生活习惯或及时发现疾病隐患起到一定的帮助。最近几年逐渐流行起来的可穿戴设备(智能手环、智能手表等)正是实现这一功能的良好载体。
目前，国内外主流的智能手环等可穿戴设备，均配备了MEMS三轴加速度传感器，主要通过对手腕运动信息的检测来实现基本的睡眠-觉醒时间统计、浅睡-深睡时间统计等功能。但是，通过单一的加速度信息对睡眠进行检测和分期，难以获得更高的准确性。
此外，以往研究证实，心率变异性(Heart rate variability，HRV)和人体自主神经的活动密切相关，和睡眠也有着密切的联系，睡眠中HRV呈现出和脑电类似的周期性变化，HRV的信号特征在不同的睡眠期也都有其特点，因此HRV也是获得睡眠信息的重要途径。但是，心率变异性参数主要包括时域、频域和非线性参数，仅有部分参数被证实与睡眠分期有相关性，现有的基于心率变异性的睡眠自动分期方法，与PSG相比较，准确率并不是很高。
发明内容
针对现有技术的不足，本发明的目的是提供一种睡眠分期检测方法，提高睡眠自动分期检测的准确率以获得准确的睡眠分期。本发明的另一个目的是提供可穿戴式睡眠分期检测装置。
本发明技术方案如下：一种睡眠分期检测方法，依次包括以下步骤：
S1、采集人体心率变异信号和腕动三轴加速度数据；
S2、将心率变异信号和三轴加速度数据按时间长度划分，对每个时间长度内的心率变异信号和三轴加速度数据提取若干特征参数，所述特征参数包括对心率变异信号提取总体标准差与差值均方根的比值C1、基于阈值的心率加速变化指数C2和将心率变异信号构建为有限穿越水平可视图后得到的平均度C3以及对三轴加速度数据提取基于三轴加速度幅度均方根值的平均值C4、标准差C5和零点穿越数C6；
S3、将步骤S2获得的一个时间长度内的特征参数输入睡眠分期预测模型，得到一个时间长度内的睡眠分期；所述睡眠分期预测模型是根据所述特征参数与睡眠分期关系预先建立的；
S4、统计所有时间长度的睡眠分期获得整个睡眠时间内的睡眠分期。
进一步的，所述特征参数C2由以下步骤提取：
S221、计算心率变异信号序列RR(n)的一阶差分DRR(n)＝RR(n+1)-RR(n)；
S222、给定阈值T，将序列DRR(n)进行符号化，得到符号序列SDRR(n)，
Figure GDA0002547150350000021
S223、设序列SDRR(n)的长度为N，从n＝1到N-1遍历整个序列，并按顺序记录所有符合SDRR(n)≠SDRR(n+1)条件的n值，组成新的序列SC(m)；
S224、求序列SC(m)的一阶差分序列DSC(m)＝SC(m+1)-SC(m)；
S225、设DSC(m)序列中等于1的点的个数为k，总长度为M，特征参数C2＝k/M；
所述特征参数C3由以下步骤提取：S231、将心率变异信号组成的时间序列中的点定义为网络节点，根据其幅度画出相应高度的直方条，然后判断节点的连接性，若两个节点对应的直方条之间可以画出一条水平的连线，且被位于两者之间的其他直方条截断的次数n≤1，则认为两个节点间存在连接，据此将心率变异信号组成的时间序列映射为一个网络图，所述网络图中各节点的度的平均值为特征参数C3，所述节点的度为该节点所连的边数。
进一步的，所述特征参数C6由以下步骤提取：
S261、计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure GDA0002547150350000031
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；
S262、对当前时间长度内所有S(i)，统计S(i)*S(i+1)<0的次数即为C6。
为了提高睡眠分期准确率，增强敏感性，进一步的，所述特征参数包括将心率变异信号构建为有限穿越水平可视图后得到的度分布熵C7以及基于三轴加速度幅度均方根值的加速度分布熵C8，
所述特征参数C7由以下步骤提取：
S271、对各节点的度分布进行直方图统计，得到不同的度k的分布频率p(k)，度分布熵C7为：
Figure GDA0002547150350000032
所述特征参数C8由以下步骤提取：
S281、计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure GDA0002547150350000033
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；
S282、对S(i)幅度值的分布进行直方图统计，划分区间为N，得到不同的幅度区间内的分布率，设第k个区间的分布率为pS(k)，加速度分布熵C8为：
Figure GDA0002547150350000034
进一步的，所述特征参数包括将心率变异信号构建为有限穿越水平可视图后得到的特征路径长度C9以及基于三轴加速度幅度均方根值的归一化子频带能量C10，
所述特征参数C9由以下步骤提取：
Figure GDA0002547150350000035
V为所构造的网络图的节点集合，N为图中包含的节点数，dij为节点i和j之间的最短路径长度；
所述特征参数C10由以下步骤提取：
S2101、计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure GDA0002547150350000036
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；
S2102、采用Welch算法计算S(i)序列的功率谱密度，并得到0.4Hz～3Hz范围内的相对于总功率的归一化功率值即为C10。
优选的，所述步骤S2将心率变异信号和三轴加速度数据按时间长度划分前包括信号预处理，所述信号预处理包括对心率变异信号，去除由于心搏漏检、误检及异位搏动造成的异常心搏间期，保留窦性心律；对三轴加速度数据进行带通滤波抑制噪声处理。
优选的，所述睡眠分期预测模型基于随机森林算法建立。
本发明的另一个技术方案是，一种可穿戴式睡眠分期检测装置，包括：信号采集模块、信号划分模块和睡眠分期检测模块，所述信号采集模块包括用于采集人体心率变异信号的光电心率检测模块和用于采集腕动三轴加速度数据的三轴加速度检测模块，信号划分模块将一定时间长度内心率变异信号和三轴加速度数据发送给睡眠分期检测模块，所述睡眠分期检测模块包括特征提取模块和基于睡眠分期预测模型的分期结果输出模块，所述特征提取模块包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、第五特征提取模块、第六特征提取模块；所述特征提取模块向分期结果输出模块发送提取的特征参数，
所述第一特征提取模块根据心率变异信号计算总体标准差与差值均方根的比值为特征参数C1；
所述第二特征提取模块根据心率变异信号计算基于阈值的心率加速变化指数为特征参数C2；包括计算心率变异信号序列RR(n)的一阶差分DRR(n)＝RR(n+1)-RR(n)；给定阈值T，将序列DRR(n)进行符号化，得到符号序列SDRR(n)，
Figure GDA0002547150350000041
设序列SDRR(n)的长度为N，从n＝1到N-1遍历整个序列，并按顺序记录所有符合SDRR(n)≠SDRR(n+1)条件的n值，组成新的序列SC(m)；求序列SC(m)的一阶差分序列DSC(m)＝SC(m+1)-SC(m)；设DSC(m)序列中等于1的点的个数为k，总长度为M，C2＝k/M；
所述第三特征提取模块计算心率变异信号构建为有限穿越水平可视图后得到的平均度为特征参数C3；包括将心率变异信号组成的时间序列中的点定义为网络节点，根据其幅度画出相应高度的直方条，然后判断节点的连接性，若两个节点对应的直方条之间可以画出一条水平的连线，且被位于两者之间的其他直方条截断的次数n≤1，则认为两个节点间存在连接，据此将心率变异信号组成的时间序列映射为一个网络图，所述网络图中各节点的度的平均值为C3，所述节点的度为该节点所连的边数；
所述第四特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的平均值为特征参数C4；
所述第五特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的标准差为特征参数C5；
所述第六特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的零点穿越数为特征参数C6；包括计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure GDA0002547150350000051
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；对当前时间长度内所有S(i)，统计S(i)*S(i+1)<0的次数为C6；
所述分期结果输出模块向睡眠分期预测模型输入特征参数，由睡眠分期预测模型输出到睡眠分期结果。
进一步的，所述特征提取模块包括第七特征提取模块和第八特征提取模块，
所述第七特征提取模块计算心率变异信号构建为有限穿越水平可视图后得到的度分布熵C7；包括对各节点的度分布进行直方图统计，得到不同的度k的分布频率p(k)，度分布熵C7为：
Figure GDA0002547150350000052
所述第八特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的加速度分布熵C8；包括计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure GDA0002547150350000053
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；对S(i)幅度值的分布进行直方图统计，划分区间为N，得到不同的幅度区间内的分布率，设第k个区间的分布率为pS(k)，加速度分布熵C8为：
Figure GDA0002547150350000054
进一步的，所述特征提取模块包括第九特征提取模块和第十特征提取模块，
所述第九特征提取模块计算心率变异信号构建为有限穿越水平可视图后得到的特征路径长度C9；
Figure GDA0002547150350000055
V为所构造的网络图的节点集合，N为图中包含的节点数，dij为节点i和j之间的最短路径长度；
所述第十特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的归一化子频带能量C10；包括计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure GDA0002547150350000056
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；采用Welch算法计算S(i)序列的功率谱密度，并得到0.4Hz～3Hz范围内的相对于总功率的归一化功率值即为C10。
进一步的，信号采集模块包括第一显示模块，所述采集的人体心率变异信号和腕动三轴加速度数据由第一显示模块显示，所述睡眠分期检测模块包括第二显示模块，所述睡眠分期结果由第二显示模块显示。
进一步的，所述睡眠分期检测模块包括信号预处理模块，所述信号预处理模块将接收的心率变异信号和三轴加速度数据进行信号预处理并发送给信号划分模块，所述信号预处理包括对心率变异信号，去除由于心搏漏检、误检及异位搏动造成的异常心搏间期，保留窦性心律；对三轴加速度数据进行带通滤波抑制噪声处理。
本发明所提供的技术方案的优点在于：本发明融合了人体睡眠过程中的腕动加速度信息和心率变异信息，提取对应的多个线性和非线性参数进行睡眠分期判断，避免了单种类特征参数判断引起的不稳定性。该方法可有效地提高自动睡眠分期系统准确性和稳定性，计算简单，敏感性强，可应用于日常健康检测中的睡眠质量评估等场景。
附图说明
图1是实施例1可穿戴式睡眠分期检测装置的结构示意图。
图2是实施例1采用的睡眠分期检测方法的流程示意图。
图3是实施例2可穿戴式睡眠分期检测装置的结构示意图。
图4是实施例2采用的睡眠分期检测方法的流程示意图。
图5是实施例3可穿戴式睡眠分期检测装置的结构示意图。
图6是实施例3采用的睡眠分期检测方法的流程示意图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不作为对本发明的限定。
请结合图1、图2所示，实施例1可穿戴式睡眠分期检测装置包括：信号采集模块M01、信号划分模块M02和睡眠分期检测模块M03。其中信号采集模块M01为采集端，包括用于采集人体心率变异信号的光电心率检测模块M04和用于采集腕动三轴加速度数据的三轴加速度检测模块M05。
光电心率检测模块M04采用带环境光抑制功能的完全集成式光度测量芯片ADPD142RG(具备完整的光度测量前端，集成光电传感器、电流源和LED)，采用光电容积脉搏波描记法(photoplethysmography，PPG)获取心搏信息。
三轴加速度检测模块M05使用微功耗三轴数字输出MEMS加速度计ADXL362，可以对X，Y，Z三个方向的加速度进行测量。
信号采集模块M01还包括一个主控制器M06，主控制器M06采用TI公司的低功耗无线微控制器CC2640R2F，支持蓝牙4.2和5.0通信协议。光电心率检测模块M04经内部高精度AD转换后通过I2C接口输出至主控制器M06，并在主控制器M06中对脉搏波的峰点、起始点进行检测，实现脉搏波周期的连续提取，用于表征对应的心搏间期。三轴加速度检测模块M05通过芯片内部的12位高精度ADC直接转换为数字信号，通过SPI接口输出至主控制器M06，采样率设置为100Hz。
主控制器M06包含了无线传输模块，通过该无线传输模块向睡眠检测分析终端发送心率变异信号和三轴加速度数据。
睡眠检测分析终端可采用一台运行Android操作系统的平板电脑，包括了信号划分模块M02和睡眠分期检测模块M03，睡眠分期检测模块M03包括特征提取模块M07和基于睡眠分期预测模型的分期结果输出模块M08，特征提取模块M07包括第一特征提取模块M07a、第二特征提取模块M07b、第三特征提取模块M07c、第四特征提取模块M07d、第五特征提取模块M07e、第六特征提取模块M07f。该睡眠检测分析终端运行相应的睡眠分期检测方法软件进行睡眠分期。
具体的睡眠分期检测方法，依次包括以下步骤：
S1、采集端在整个睡眠过程中以一定的采样率连续采集人体心率变异信号和腕动三轴加速度，并向睡眠检测分析终端发送；
S2、睡眠检测分析终端接收数据将心率变异信号和三轴加速度数据，通过信号划分模块M02按30s时间长度划分，特征提取模块M07对每个时间长度内的心率变异信号和三轴加速度数据提取六个特征参数，包括第一特征提取模块M07a对心率变异信号提取总体标准差与差值均方根的比值，记为特征参数C1、第二特征提取模块M07b提取基于阈值的心率加速变化指数，记为特征参数C2和第三特征提取模块M07c将心率变异信号构建为有限穿越水平可视图后得到的平均度记为特征参数C3、第四特征提取模块M07d、第五特征提取模块M07e、第六特征提取模块M07f对三轴加速度数据提取基于三轴加速度幅度均方根值的平均值C4、标准差C5和零点穿越数C6；
其中，基于心率变异信号的特征参数C1，对其进行计算提取的具体方法为：
S211、计算原始心率变异信号序列RR(n)的总体标准差
Figure GDA0002547150350000071
式中N表示序列的长度，
Figure GDA0002547150350000072
表示序列的平均值。
S212、计算原始心率变异信号序列RR(n)的差值均方根
Figure GDA0002547150350000081
式中N表示序列的长度。
S213、特征参数C1为总体标准差与差值均方根的比值，即
C1＝SDNN/RMSSD (3)
基于心率变异信号的特征参数C2，对其进行计算提取的的具体方法为：
S221、计算原始心率变异信号序列RR(n)的一阶差分
DRR(n)＝RR(n+1)-RR(n) (4)
S222、给定阈值T＝10ms，将序列DRR(n)进行符号化，得到符号序列SDRR(n)，即
Figure GDA0002547150350000082
S223、设序列SDRR(n)的长度为N，从n＝1到N-1遍历整个序列，并按顺序记录所有符合SDRR(n)≠SDRR(n+1)条件的n值，组成新的序列SC(m)
S224、求序列SC(m)的一阶差分序列
DSC(m)＝SC(m+1)-SC(m) (6)
S225、设DSC(m)序列中等于1的点的个数为k，总长度为M，则特征参数C2为：
C2＝k/M (7)
基于心率变异信号的特征参数C3，对其进行计算提取的的具体方法为：
S231、将心率变异信号组成的时间序列中的点定义为网络节点，根据其幅度画出相应高度的直方条，然后判断节点的连接性，若两个节点对应的直方条之间可以画出一条水平的连线，且被位于两者之间的其他直方条截断的次数n≤1，则认为两个节点间存在连接，据此将心率变异信号组成的时间序列映射为一个网络图，网络图中各节点的度的平均值为特征参数C3，节点的度为该节点所连的边数。
基于加速度信号的特征参数C4，对其进行计算提取的具体方法为：
S241、计算当前时间段内各三轴加速度采样点的幅度均方根值
Figure GDA0002547150350000083
式中xi，yi，zi分别为x轴、y轴和z轴方向的加速度值。
S242、计算S(i)的平均值作为特征参数C4
Figure GDA0002547150350000084
式中N表示序列S(i)的长度。
基于加速度信号的特征参数C5，对其进行计算提取的具体方法为：
S251、根据公式(8)计算当前时间段内各三轴加速度采样点的幅度均方根值序列S(i)；
S252、计算S(i)的标准差作为特征参数C5
Figure GDA0002547150350000091
式中N表示序列S(i)的长度。
基于加速度信号的特征参数C6，对其进行计算提取的具体方法为：
S261、根据公式(8)计算当前时间段内各三轴加速度采样点的幅度均方根值序列S(i)；
S262、对当前时间长度内所有S(i)，统计S(i)*S(i+1)<0的次数即为C6。
S3、将步骤S2获得的一个时间长度内的六个特征参数输入分期结果输出模块M08的睡眠分期预测模型，得到一个时间长度内的睡眠分期；睡眠分期预测模型是根据特征参数与睡眠分期关系预先建立的；其中睡眠分期预测模型是采用随机森林算法进行训练得到的。随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。随机森林算法是一种有监督的机器学习算法，基于随机森林算法的睡眠分期预测模型的构建，需要通过训练过程来实现。给定一组已知睡眠分期的训练样例，对各决策树进行训练，从而得到基于加速度及心率变异特征的自动睡眠分期预测模型参数，然后用于对新的未知数据进行自动睡眠分期。
S4、统计所有时间长度的睡眠分期获得整个睡眠时间内的睡眠分期，并最终由平板电脑显示屏显示结果。
请结合图3、图4所示，实施例2可穿戴式睡眠分期检测装置在实施例1的基础上，在采集端增加显示屏作为第一显示模块M09，与主控制器M06连接，显示人体心率变异信号和腕动三轴加速度数据。睡眠检测分析终端的平板电脑显示屏为第二显示模块M10。在睡眠检测分析终端增加信号预处理模块M11，由信号预处理模块M11将预处理后的心率变异信号和三轴加速度数据进行信号发送给信号划分模块M02。睡眠检测分析终端的特征提取模块M07由六个增加为八个。
具体的睡眠分期检测方法与实施例1的不同之处在于：
S2、睡眠检测分析终端的信号预处理模块M11接收数据进行信号预处理，信号预处理包括对心率变异信号，去除由于心搏漏检、误检及异位搏动造成的异常心搏间期，保留窦性心律；对三轴加速度数据进行带通滤波抑制噪声处理。将信号预处理后的心率变异信号和三轴加速度数据，通过信号划分模块M02按30s时间长度划分，特征提取模块M07对每个时间长度内的心率变异信号和三轴加速度数据提取八个特征参数，包括第一特征提取模块M07a对心率变异信号提取总体标准差与差值均方根的比值，记为特征参数C1、第二特征提取模块M07b提取基于阈值的心率加速变化指数，记为特征参数C2和第三特征提取模块M07c心率变异信号构建为有限穿越水平可视图后得到的平均度记为特征参数C3、第四特征提取模块M07d、第五特征提取模块M07e、第六特征提取模块M07f对三轴加速度数据提取基于三轴加速度幅度均方根值的平均值C4、标准差C5和零点穿越数C6；还包括第七特征提取模块M07g将心率变异信号构建为有限穿越水平可视图后得到的度分布熵C7和第八特征提取模块M07h基于三轴加速度幅度均方根值的加速度分布熵C8。
基于心率变异信号的特征参数C7由以下步骤提取：
S271、对各节点的度分布进行直方图统计，得到不同的度k的分布频率p(k)，度分布熵C7为：
Figure GDA0002547150350000101
基于加速度信号的特征参数C8由以下步骤提取：
S281、根据公式(8)计算当前时间段内各三轴加速度采样点的幅度均方根值序列S(i)；
S282、对S(i)幅度值的分布进行直方图统计，划分区间为N，得到不同的幅度区间内的分布率，设第k个区间的分布率为pS(k)，加速度分布熵C8为：
Figure GDA0002547150350000102
S3、将步骤S2获得的一个时间长度内的八个特征参数输入睡眠分期预测模型，得到一个时间长度内的睡眠分期；其余步骤同实施例1，不再赘述。
请结合图5、图6所示，实施例3可穿戴式睡眠分期检测装置在实施例2的基础上，睡眠检测分析终端的特征提取模块M07由八个增加为十个。
具体的睡眠分期检测方法与实施例2的不同之处在于：
S2、睡眠检测分析终端的信号预处理模块M11接收数据进行信号预处理，信号预处理包括对心率变异信号，去除由于心搏漏检、误检及异位搏动造成的异常心搏间期，保留窦性心律；对三轴加速度数据进行带通滤波抑制噪声处理。将信号预处理后的心率变异信号和三轴加速度数据，通过信号划分模块M02按30s时间长度划分，特征提取模块M07对每个时间长度内的心率变异信号和三轴加速度数据提取八个特征参数，包括第一特征提取模块M07a对心率变异信号提取总体标准差与差值均方根的比值，记为特征参数C1、第二特征提取模块M07b提取基于阈值的心率加速变化指数，记为特征参数C2和第三特征提取模块M07c心率变异信号构建为有限穿越水平可视图后得到的平均度记为特征参数C3、第四特征提取模块M07d、第五特征提取模块M07e、第六特征提取模块M07f对三轴加速度数据提取基于三轴加速度幅度均方根值的平均值C4、标准差C5和零点穿越数C6；还包括第七特征提取模块M07g将心率变异信号构建为有限穿越水平可视图后得到的度分布熵C7和第八特征提取模块M07h基于三轴加速度幅度均方根值的加速度分布熵C8；第九特征提取模块M07i将心率变异信号构建为有限穿越水平可视图后得到的特征路径长度C9以及第十特征提取模块M07j基于三轴加速度幅度均方根值的归一化子频带能量C10。
基于心率变异信号的特征参数C9由以下步骤提取：
Figure GDA0002547150350000111
V为所构造的网络图的节点集合，N为图中包含的节点数，dij为节点i和j之间的最短路径长度；
基于加速度信号的特征参数C10由以下步骤提取：
S2101、根据公式(8)计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)；
S2102、采用Welch算法计算S(i)序列的功率谱密度，并得到0.4Hz～3Hz范围内的相对于总功率的归一化功率值即为C10；
S3、将步骤S2获得的一个时间长度内的十个特征参数输入睡眠分期预测模型，得到一个时间长度内的睡眠分期；其余步骤同实施例1，不再赘述。

Claims (11)

1.一种睡眠分期检测方法，其特征在于，依次包括以下步骤：
S1、采集人体心率变异信号和腕动三轴加速度数据；
S2、将心率变异信号和三轴加速度数据按时间长度划分，对每个时间长度内的心率变异信号和三轴加速度数据提取若干特征参数，所述特征参数包括对心率变异信号提取总体标准差与差值均方根的比值C1、基于阈值的心率加速变化指数C2和将心率变异信号构建为有限穿越水平可视图后得到的平均度C3以及对三轴加速度数据提取基于三轴加速度幅度均方根值的平均值C4、标准差C5和零点穿越数C6，所述特征参数C2由以下步骤提取：
S221、计算心率变异信号序列RR(n)的一阶差分DRR(n)＝RR(n+1)-RR(n)；
S222、给定阈值T，将序列DRR(n)进行符号化，得到符号序列SDRR(n)，
Figure FDA0002547150340000011
S223、设序列SDRR(n)的长度为N，从n＝1到N-1遍历整个序列，并按顺序记录所有符合SDRR(n)≠SDRR(n+1)条件的n值，组成新的序列SC(m)；
S224、求序列SC(m)的一阶差分序列DSC(m)＝SC(m+1)-SC(m)；
S225、设DSC(m)序列中等于1的点的个数为k，总长度为M，特征参数C2＝k/M；
所述特征参数C3由以下步骤提取：S231、将心率变异信号组成的时间序列中的点定义为网络节点，根据其幅度画出相应高度的直方条，然后判断节点的连接性，若两个节点对应的直方条之间可以画出一条水平的连线，且被位于两者之间的其他直方条截断的次数n≤1，则认为两个节点间存在连接，据此将心率变异信号组成的时间序列映射为一个网络图，所述网络图中各节点的度的平均值为特征参数C3，所述节点的度为该节点所连的边数；
S3、将步骤S2获得的一个时间长度内的特征参数输入睡眠分期预测模型，得到一个时间长度内的睡眠分期；所述睡眠分期预测模型是根据所述特征参数与睡眠分期关系预先建立的；
S4、统计所有时间长度的睡眠分期获得整个睡眠时间内的睡眠分期。
2.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述特征参数C6由以下步骤提取：
S261、计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure FDA0002547150340000012
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；
S262、对当前时间长度内所有S(i)，统计S(i)*S(i+1)<0的次数即为C6。
3.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述特征参数包括将心率变异信号构建为有限穿越水平可视图后得到的度分布熵C7以及基于三轴加速度幅度均方根值的加速度分布熵C8，
所述特征参数C7由以下步骤提取：
S271、对各节点的度分布进行直方图统计，得到不同的度k的分布频率p(k)，度分布熵C7为：
Figure FDA0002547150340000021
所述特征参数C8由以下步骤提取：
S281、计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure FDA0002547150340000022
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；
S282、对S(i)幅度值的分布进行直方图统计，划分区间为N，得到不同的幅度区间内的分布率，设第k个区间的分布率为pS(k)，加速度分布熵C8为：
Figure FDA0002547150340000023
4.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述特征参数包括将心率变异信号构建为有限穿越水平可视图后得到的特征路径长度C9以及基于三轴加速度幅度均方根值的归一化子频带能量C10，
所述特征参数C9由以下步骤提取：
S291、
Figure FDA0002547150340000024
V为所构造的网络图的节点集合，N为图中包含的节点数，dij为节点i和j之间的最短路径长度；
所述特征参数C10由以下步骤提取：
S2101、计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure FDA0002547150340000025
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；
S2102、采用Welch算法计算S(i)序列的功率谱密度，并得到0.4Hz～3Hz范围内的相对于总功率的归一化功率值即为C10。
5.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述步骤S2、将心率变异信号和三轴加速度数据按时间长度划分前包括信号预处理，所述信号预处理包括对心率变异信号，去除由于心搏漏检、误检及异位搏动造成的异常心搏间期，保留窦性心律；对三轴加速度数据进行带通滤波抑制噪声处理。
6.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述睡眠分期预测模型基于随机森林算法建立。
7.一种可穿戴式睡眠分期检测装置，其特征在于，包括：信号采集模块、信号划分模块和睡眠分期检测模块，所述信号采集模块包括用于采集人体心率变异信号的光电心率检测模块和用于采集腕动三轴加速度数据的三轴加速度检测模块，信号划分模块将一定时间长度内心率变异信号和三轴加速度数据发送给睡眠分期检测模块，所述睡眠分期检测模块包括特征提取模块和基于睡眠分期预测模型的分期结果输出模块，所述特征提取模块包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、第五特征提取模块、第六特征提取模块；所述特征提取模块向分期结果输出模块发送提取的特征参数，
所述第一特征提取模块根据心率变异信号计算总体标准差与差值均方根的比值为特征参数C1；
所述第二特征提取模块根据心率变异信号计算基于阈值的心率加速变化指数为特征参数C2；包括计算心率变异信号序列RR(n)的一阶差分DRR(n)＝RR(n+1)-RR(n)；给定阈值T，将序列DRR(n)进行符号化，得到符号序列SDRR(n)，
Figure FDA0002547150340000031
设序列SDRR(n)的长度为N，从n＝1到N-1遍历整个序列，并按顺序记录所有符合SDRR(n)≠SDRR(n+1)条件的n值，组成新的序列SC(m)；求序列SC(m)的一阶差分序列DSC(m)＝SC(m+1)-SC(m)；设DSC(m)序列中等于1的点的个数为k，总长度为M，C2＝k/M；
所述第三特征提取模块计算心率变异信号构建为有限穿越水平可视图后得到的平均度为特征参数C3；包括将心率变异信号组成的时间序列中的点定义为网络节点，根据其幅度画出相应高度的直方条，然后判断节点的连接性，若两个节点对应的直方条之间可以画出一条水平的连线，且被位于两者之间的其他直方条截断的次数n≤1，则认为两个节点间存在连接，据此将心率变异信号组成的时间序列映射为一个网络图，所述网络图中各节点的度的平均值为C3，所述节点的度为该节点所连的边数；
所述第四特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的平均值为特征参数C4；
所述第五特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的标准差为特征参数C5；
所述第六特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的零点穿越数为特征参数C6；包括计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure FDA0002547150340000041
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；对当前时间长度内所有S(i)，统计S(i)*S(i+1)<0的次数为C6；
所述分期结果输出模块向睡眠分期预测模型输入特征参数，由睡眠分期预测模型输出到睡眠分期结果。
8.根据权利要求7所述的可穿戴式睡眠分期检测装置，其特征在于，所述特征提取模块包括第七特征提取模块和第八特征提取模块，
所述第七特征提取模块计算心率变异信号构建为有限穿越水平可视图后得到的度分布熵C7；包括对各节点的度分布进行直方图统计，得到不同的度k的分布频率p(k)，度分布熵C7为：
Figure FDA0002547150340000042
所述第八特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的加速度分布熵C8；包括计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure FDA0002547150340000043
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；对S(i)幅度值的分布进行直方图统计，划分区间为N，得到不同的幅度区间内的分布率，设第k个区间的分布率为pS(k)，加速度分布熵C8为：
Figure FDA0002547150340000044
9.根据权利要求7所述的可穿戴式睡眠分期检测装置，其特征在于，所述特征提取模块包括第九特征提取模块和第十特征提取模块，
所述第九特征提取模块计算心率变异信号构建为有限穿越水平可视图后得到的特征路径长度C9；
Figure FDA0002547150340000045
V为所构造的网络图的节点集合，N为图中包含的节点数，dij为节点i和j之间的最短路径长度；
所述第十特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的归一化子频带能量C10；包括计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，
Figure FDA0002547150340000046
xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；采用Welch算法计算S(i)序列的功率谱密度，并得到0.4Hz～3Hz范围内的相对于总功率的归一化功率值即为C10。
10.根据权利要求7所述的可穿戴式睡眠分期检测装置，其特征在于，信号采集模块包括第一显示模块，所述采集的人体心率变异信号和腕动三轴加速度数据由第一显示模块显示，所述睡眠分期检测模块包括第二显示模块，所述睡眠分期结果由第二显示模块显示。
11.根据权利要求7所述的可穿戴式睡眠分期检测装置，其特征在于，所述睡眠分期检测模块包括信号预处理模块，所述信号预处理模块将接收的心率变异信号和三轴加速度数据进行信号预处理并发送给信号划分模块，所述信号预处理包括对心率变异信号，去除由于心搏漏检、误检及异位搏动造成的异常心搏间期，保留窦性心律；对三轴加速度数据进行带通滤波抑制噪声处理。
CN201711096521.1A 2017-11-09 2017-11-09 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置 Active CN107890339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711096521.1A CN107890339B (zh) 2017-11-09 2017-11-09 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711096521.1A CN107890339B (zh) 2017-11-09 2017-11-09 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置

Publications (2)

Publication Number Publication Date
CN107890339A CN107890339A (zh) 2018-04-10
CN107890339B true CN107890339B (zh) 2020-09-08

Family

ID=61804773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711096521.1A Active CN107890339B (zh) 2017-11-09 2017-11-09 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置

Country Status (1)

Country Link
CN (1) CN107890339B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960037B (zh) * 2018-04-28 2021-08-06 天津大学 基于邻居可视长度熵的不同生理状态脑电信号识别方法
IT201800008235A1 (it) * 2018-08-29 2020-02-29 De' Longhi Appliances Srl Metodo di attivazione e controllo di un apparato di condizionamento
CN109222950B (zh) * 2018-10-19 2021-08-06 深圳和而泰数据资源与云技术有限公司 数据处理方法及装置
CN110193127B (zh) * 2019-04-23 2023-04-14 平安科技（深圳）有限公司 音乐辅助睡眠的方法、装置、计算机设备及存储介质
CN110710962A (zh) * 2019-11-08 2020-01-21 北京卡路里信息技术有限公司 睡眠状态检测方法及装置
CN111297327B (zh) * 2020-02-20 2023-12-01 京东方科技集团股份有限公司 一种睡眠分析方法、系统、电子设备及存储介质
CN112336319B (zh) * 2020-09-30 2022-09-13 深圳市奋达智能技术有限公司 Hrv检测方法、装置及存储介质
CN115844335A (zh) * 2023-01-29 2023-03-28 广东工业大学 基于特征重叠与广义决策森林的睡眠阶段分期方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102670190A (zh) * 2012-05-21 2012-09-19 南京大学 基于心率变异性非线性特性的充盈性心衰自动诊断方法
CN104720748A (zh) * 2013-12-24 2015-06-24 中国移动通信集团公司 一种睡眠阶段确定方法和系统
WO2016108751A1 (en) * 2014-12-30 2016-07-07 Nitto Denko Corporation Device and method for sleep monitoring
CN105877757A (zh) * 2016-03-30 2016-08-24 哈尔滨理工大学 多传感器集成的人体运动姿态捕获与识别装置
CN105902257A (zh) * 2016-06-27 2016-08-31 安徽华米信息科技有限公司 睡眠状态分析方法及装置、智能可穿戴设备
CN106725382A (zh) * 2016-12-28 2017-05-31 天津众阳科技有限公司 基于动作和hrv测量的睡眠状态判别系统及方法
CN106725383A (zh) * 2016-12-28 2017-05-31 天津众阳科技有限公司 基于动作和心率的睡眠状态判别系统及方法
CN107007263A (zh) * 2017-04-25 2017-08-04 中国科学院计算技术研究所 一种普适化的睡眠质量测评方法和系统
CN107049255A (zh) * 2017-04-13 2017-08-18 海能电子(深圳)有限公司 一种穿戴式智能设备及其睡眠算法
CN107137077A (zh) * 2017-06-14 2017-09-08 西南大学 自主神经恢复检测方法、装置及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016073527A (ja) * 2014-10-08 2016-05-12 セイコーエプソン株式会社 睡眠状態判定装置、睡眠状態判定方法および睡眠管理システム

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102670190A (zh) * 2012-05-21 2012-09-19 南京大学 基于心率变异性非线性特性的充盈性心衰自动诊断方法
CN104720748A (zh) * 2013-12-24 2015-06-24 中国移动通信集团公司 一种睡眠阶段确定方法和系统
WO2016108751A1 (en) * 2014-12-30 2016-07-07 Nitto Denko Corporation Device and method for sleep monitoring
CN105877757A (zh) * 2016-03-30 2016-08-24 哈尔滨理工大学 多传感器集成的人体运动姿态捕获与识别装置
CN105902257A (zh) * 2016-06-27 2016-08-31 安徽华米信息科技有限公司 睡眠状态分析方法及装置、智能可穿戴设备
CN106725382A (zh) * 2016-12-28 2017-05-31 天津众阳科技有限公司 基于动作和hrv测量的睡眠状态判别系统及方法
CN106725383A (zh) * 2016-12-28 2017-05-31 天津众阳科技有限公司 基于动作和心率的睡眠状态判别系统及方法
CN107049255A (zh) * 2017-04-13 2017-08-18 海能电子(深圳)有限公司 一种穿戴式智能设备及其睡眠算法
CN107007263A (zh) * 2017-04-25 2017-08-04 中国科学院计算技术研究所 一种普适化的睡眠质量测评方法和系统
CN107137077A (zh) * 2017-06-14 2017-09-08 西南大学 自主神经恢复检测方法、装置及电子设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Complexity analysis of heart beat time series by threshold based symbolic entropy;Aziz, W.,Arif, M.;《3rd Kuala Lumpur International Conference on Biomedical Engineering 2006》;20070131;第15卷;第369-373页 *
SDNN/RMSSD as a Surrogate for LF/HF: A Revised Investigation;Hui-Min Wang，Sheng-Chieh Huang;《Modelling and Simulation in Engineering》;20121231;第1-9页 *
传感器信息集成在人体运动姿态捕获与识别中的应用研究;苏婷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150715(第7期);第1-83页 *
基于有限穿越水平可视图的短时睡眠心率变异性研究;霍铖宇，等;《物理学报》;20170807;第66卷(第16期);第1-9页 *

Also Published As

Publication number Publication date
CN107890339A (zh) 2018-04-10

Similar Documents

Publication Publication Date Title
CN107890339B (zh) 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置
CN104188639B (zh) 一种动态血压连续监测和实时分析系统
CN113349752B (zh) 一种基于传感融合的可穿戴设备实时心率监测方法
CN107106085A (zh) 用于睡眠监测的设备和方法
TW201019901A (en) Sleep analysis system and analysis method thereof
CN106725382A (zh) 基于动作和hrv测量的睡眠状态判别系统及方法
CN113095302B (zh) 用于心律失常分类的深度模型、利用该模型的方法及装置
CN105982642A (zh) 一种基于体震信号的睡眠检测方法及检测系统
CN112294264A (zh) 一种基于bcg与血氧饱和率的睡眠分期方法
CN110074765A (zh) 一种sahs筛查及睡眠分期的判别方法
Chen et al. Machine learning method for continuous noninvasive blood pressure detection based on random forest
CN102512180A (zh) 血氧测量仪
CN113288168A (zh) 一种智能可穿戴疲劳监测及预警系统
CN111012345A (zh) 眼部疲劳度检测系统及方法
CN108392176A (zh) 一种基于心冲击信号采集的睡眠结构检测方法
CN108742572A (zh) 血压监测装置、方法及系统
CN114145717B (zh) 基于ppg心率特征参数和运动量的睡眠状态分析方法
CN108451494A (zh) 使用瞳孔反应来检测时域心脏参数的方法及系统
CN106175698B (zh) 睡眠状态分析中睡眠周期检测装置
CN106333674B (zh) 睡眠状态分析中睡眠周期检测方法和系统
CN109009005A (zh) 一种可穿戴式中医脉象采集与分析系统
CN109147945A (zh) 中医诊断系统及手环
CN113069091A (zh) 一种ppg信号的脉象分类装置及方法
CN116746900B (zh) 心律失常的识别方法和可穿戴设备
CN109528214A (zh) 一种多功能腕式血氧仪

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant