CN109044279A - 一种鼾声检测方法及相关设备 - Google Patents
一种鼾声检测方法及相关设备 Download PDFInfo
- Publication number
- CN109044279A CN109044279A CN201810948474.7A CN201810948474A CN109044279A CN 109044279 A CN109044279 A CN 109044279A CN 201810948474 A CN201810948474 A CN 201810948474A CN 109044279 A CN109044279 A CN 109044279A
- Authority
- CN
- China
- Prior art keywords
- signal
- point
- signal segment
- snoring
- sound
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种鼾声检测方法及相关设备,包括:获取用户睡眠过程中的生理振动信号;确定所述生理振动信号中是否存在鼾声的起始点和终止点;在所述生理振动信号中存在所述起始点和所述终止点的情况下,确定所述用户在所述睡眠过程中存在打鼾行为。采用本申请实施例,可以降低鼾声检测的复杂度、提高鼾症评估结果的准确性。
Description
技术领域
本申请涉及医疗设备技术领域,尤其涉及一种鼾声检测方法及相关设备。
背景技术
打鼾是一种十分普遍的睡眠现象,人们大多认为打鼾是正常的生理现象,但实际上打鼾不仅影响家人朋友休息,而且威胁着打鼾者本人的健康。频繁的打鼾会造成睡眠呼吸反复暂停、血氧饱和度降低,从而诱发高血压、脑缺氧等一系列心血管疾病。目前,常用的鼾声评估和检测设备时多导睡眠图,该设备价格昂贵、使用复杂,不仅需要专业人士判定测试结果,而且用户需要整晚睡在实验室中,并在身体上连接大量的生理电极,对用户造成的不适感和心理压力使用户无法正常入睡,从而导致测试结果不准确。另一种现有的鼾声检测方法通过麦克风或录音笔采集声音信号,然后用音频信号处理算法识别鼾声特征,该方法的计算量大、易受环境噪音的干扰,导致评估结果的准确性低。
发明内容
本申请实施例提供一种鼾声检测方法及相关设备。可以降低鼾声检测的复杂度、提高鼾症评估结果的准确性。
本申请第一方面提供了一种鼾声检测方法,包括:
获取用户睡眠过程中的生理振动信号;
检测所述生理振动信号是否存在鼾声的起始点和终止点;
在所述生理振动信号中存在所述起始点和所述终止点的情况下,确定所述用户在所述睡眠过程中存在打鼾行为。
其中,所述确定所述生理振动信号中是否存在鼾声的起始点和终止点包括:
从所述生理振动信号中提取信号特征信息;
根据所述信号特征信息,确定所述生理振动信号中是否存在所述起始点和所述终止点。
其中,所述确定所述生理振动信号的信号特征信息包括:
从所述生理振动信号中获取多个信号片段;
确定所述多个信号片段中每个信号片段的所述信号特征信息;
所述根据所述信号特征信息,确定是否存在所述起始点和所述终止点包括:
根据所述每个信号片段的所述信号特征信息,确定所述每个信号片段中是否存在的所述起始点和所述终止点。
其中,所述信号特征信息包括积分平均值;
所述根据所述每个信号片段的所述信号特征信息,确定所述每个信号片段中是否存在所述起始点和所述终止点包括:
若所述每个信号片段的所述积分平均值超过第一阈值,则确定所述每个信号片段的起始时间为所述起始点、或确定所述每个信号片段的终止时间为所述终止点。
其中,所述信号特征信息包括过零点数和积分平均值;
所述根据所述每个信号片段的信号特征信息,确定所述每个信号片段中是否存在所述起始点和所述终止点包括:
若所述每个信号片段的所述积分平均值超过第一阈值、且所述过零点数超过第二阈值,则确定所述每个信号片段的起始时间为所述起始点;或
若所述每个信号片段的所述积分平均值超过所述第一阈值、且所述过零点数不超过所述第二阈值,则确定所述每个信号片段的终止时间为所述终止点。
其中,所述每个信号片段与所述多个信号片段中至少一个其他信号片段部分重合;
所述确定所述每个信号片段的起始时间为所述起始点包括:
从所述至少一个其他信号片段中选取预设数量的目标信号片段;
若所述预设数量的目标信号片段中每个目标信号片段的所述过零点数大于所述第二阈值,则确定所述起始时间为所述起始点。
其中,所述确定所述用户在所述睡眠过程中存在打鼾行为之后,还包括:
根据所述起始点和所述终止点,确定每次鼾声的鼾声时长和鼾声能量中的至少一项;
根据所述鼾声时长和所述鼾声能量中的至少一项,检测所述用户的鼾症的严重程度。
其中,所述根据所述起始点和所述终止点,确定每次鼾声的鼾声时长和鼾声能量中的至少一项包括:
根据所述起始点和所述终止点,确定所述每次鼾声的持续时长;
将所述持续时长作为所述鼾声时长;和/或
将从所述起始点到所述终止点的时间段内的所述生理振动信号的积分平均值作为所述鼾声能量。
其中,所述每个信号片段包含多个采样点;
所述确定所述多个信号片段中每个信号片段的信号特征信息包括:
确定所述多个采样点中的每个采样点是否为向上过零点或向下过零点;
获取所述向上过零点的第一数量和所述向下过零点的第二数量;
将所述第一数量和所述第二数量的和作为所述每个信号片段的所述过零点数。
其中,所述确定所述多个采样点中的每个采样点是否为向上过零点或向下过零点包括:
确定所述多个采样点中与目标采样点相邻的第一采样点、第二采样点、第三采样点和第四采样点,所述目标采集点为所述多个采样点中的任一采样点;
若所述第一采样点的第一采样值小于所述第二采样点的第二采样值、且所述第二采样值小于所述目标采样点的第三采样值、且所述第三采样值小于所述第三采样点的第四采样值、且所述第四采样值小于所述第四采样点的第五采样值、且所述第三采样值大于零、且所述第二采样值小于零、且所述第五采样值大于第三阈值,则确定所述目标采样点为所述向上过零点;或
若所述第一采样值大于所述第二采样值、且所述第二采样值大于所述第三采样值、且所述第三采样值大于所述第四采样值、且所述第四采样值大于所述第五采样值、且所述第三采样值小于零、且所述第二采样值大于零、且所述第五采样值小于第四阈值,则确定所述目标采样点为所述向下过零点。
其中,所述每个信号片段包含多个采样点;
所述确定所述多个信号片段中每个信号片段的信号特征信息包括:
计算所述多个采样点的采样值的平均值作为所述每个信号片段的所述积分平均值。
其中,所述根据所述鼾声时长和所述鼾声能量中的至少一项,确定所述用户的鼾症的严重程度之后,还包括:
向用户终端发送所述鼾声时长和所述鼾声能量中的至少一项,所述鼾声时长和所述鼾声能量用于指示所述用户终端提示所述用户查看鼾声检测结果。
相应地,本申请第二方面提供了一种鼾声检测装置,包括:
获取模块,用于获取用户睡眠过程中的生理振动信号;
确定模块,用于确定所述生理振动信号中是否存在鼾声的起始点和终止点;
确定模块,用于在所述生理振动信号中存在所述起始点和所述终止点的情况下,确定所述用户在所述睡眠过程中存在打鼾行为。
其中,所述确定模块还用于:
从所述生理振动信号中提取信号特征信息;
根据所述信号特征信息,确定所述生理振动信号中是否存在所述起始点和所述终止点。
其中,所述确定模块还用于:
从所述生理振动信号中获取多个信号片段;
确定所述多个信号片段中每个信号片段的所述信号特征信息;
根据所述每个信号片段的所述信号特征信息,确定所述每个信号片段中是否存在所述起始点和所述终止点。
其中,所述信号特征信息包括积分平均值;
所述确定模块还用于:
若所述每个信号片段的所述积分平均值超过第一阈值,则确定所述每个信号片段的起始时间为所述起始点、或确定所述每个信号片段的终止时间为所述终止点。
其中,所述信号特征信息包括过零点数和积分平均值;
所述确定模块还用于:
若所述每个信号片段的所述积分平均值超过第一阈值、且所述过零点数超过第二阈值时,则确定所述每个信号片段的起始时间为所述起始点;或
若所述每个信号片段的所述积分平均值超过所述第一阈值、且所述过零点数不超过所述第二阈值,则确定所述每个信号片段的终止时间为所述终止点。
其中,所述每个信号片段与所述多个信号片段中至少一个其他信号片段部分重合;
所述确定模块还用于:
从所述至少一个其他信号片段中选取预设数量的目标信号片段;
若所述预设数量的目标信号片段中每个目标信号片段的所述过零点数大于所述第二阈值,则确定所述起始时间为所述起始点。
所述装置还包括检测模块,用于:
根据所述起始点和所述终止点,确定所述每次鼾声的鼾声时长和鼾声能量中的至少一项;
根据所述鼾声时长和所述鼾声能量中的至少一项,确定所述用户的鼾症的严重程度。
其中,所述检测模块还用于:
根据所述起始点和所述终止点,确定所述每次鼾声的持续时长;
将所述持续时长作为所述鼾声时长;和/或
将从所述起始点到所述终止点的时间段内的所述生理振动信号的积分平均值作为所述鼾声能量。
其中,所述每个信号片段包含多个采样点;
所述确定模块还用于:
确定所述多个采样点中的每个采样点是否为向上过零点或向下过零点;
获取所述向上过零点的第一数量和所述向下过零点的第二数量;
将所述第一数量和所述第二数量的和作为所述每个信号片段的所述过零点数。
其中,所述确定模块还用于:
确定所述多个采样点中与所述目标采样点相邻的第一采样点、第二采样点、第三采样点和第四采样点,所述目标采集点为所述多个采样点中的任一采样点;
若所述第一采样点的第一采样值小于所述第二采样点的第二采样值、且所述第二采样值小于所述目标采样点的第三采样值、且所述第三采样值小于所述第三采样点的第四采样值、且所述第四采样值小于所述第四采样点的第五采样值、且所述第三采样值大于零、且所述第二采样值小于零、且所述第五采样值大于第三阈值,则确定所述目标采样点为所述向上过零点;或
若所述第一采样值大于所述第二采样值、且所述第二采样值大于所述第三采样值、且所述第三采样值大于所述第四采样值、且所述第四采样值大于所述第五采样值、且所述第三采样值小于零、且所述第二采样值大于零、且所述第五采样值小于第四阈值,则确定所述目标采样点为所述向下过零点。
其中,所述每个信号片段包含多个采样点;
所述确定模块还用于:
计算所述多个采样点的采样值的平均值作为所述每个信号片段的所述积分平均值。
其中,所述装置还包括通信模块,用于:
向用户终端发送所述鼾声时长和所述鼾声能量中的至少一项,所述鼾声时长和所述鼾声能量用于指示所述用户终端提示所述用户查看鼾声检测结果。
相应地,本申请第三方面提供了一种电子设备,包括:处理器、存储器、通信接口和总线;
所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信;
所述存储器存储可执行程序代码;
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行本申请第一方面公开的一种鼾声检测方法。
相应地,本申请提供了一种存储介质,其中,所述存储介质用于存储应用程序,所述应用程序用于在运行时执行本申请第一方面提供的一种鼾声检测方法。
相应地,本申请提供了一种应用程序,其中,所述应用程序用于在运行时执行本申请第一方面提供的一种鼾声检测方法。
实施本申请实施例,首先获取用户睡眠过程中的生理振动信号;接着确定所述生理振动信号中是否存在鼾声的起始点和终止点;然后当所述生理振动信号中存在所述起始点和所述终止点时,确定所述用户在所述睡眠过程中存在打鼾行为,可以降低鼾声检测的复杂度、提高鼾症评估结果的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种鼾声检测方法的流程示意图;
图2是本申请实施例提供的一种提取生理振动信号的方法的示意图;
图3是本申请实施例提供的一种经过带通滤波器前后的生理信号的示意图;
图4是本申请实施例提供的一种鼾声检测结果的示意图;
图5是本申请实施例提供的一种信号特征信息的示意图;
图6是本申请实施例提供的另一种鼾声检测方法的流程示意图;
图7是本申请实施例提供的一种鼾声检测装置的结构示意图;
图8是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参考图1,图1是本申请实施例提供的一种鼾声检测方法的流程示意图。如图所示,本申请实施例中的方法包括:
S101,获取用户睡眠过程中的生理振动信号。
具体实现中,可以在用户睡眠过程中将压电薄膜睡眠带放在用户的胸腔上,以便通过压电传感器获取用户的生理振动信号,并且可以将传感器捕获的信号进行放大。该生理振动信号是打鼾、心跳、呼吸和体动等产生的振动信号混杂在一起形成的信号。
S102,确定所述生理振动信号中是否存在鼾声的起始点和终止点。
需要说明的是,人在睡眠状态下,咽喉肌肉松弛、咽喉部组织塌陷导致呼吸道出现通气不畅或阻塞。当呼吸气流受到阻碍时,引起呼吸道软组织振动,继而发出的呼吸粗鸣声即为鼾声,并且大量的实验证明打鼾的引起的振动信号通常处于20-100HZ赫兹(Hz)所在的频段。
具体实现中,如图2所示,可以首先从采集到生理振动信号中提取预设频率的生理振动信号。提取过程包括:首先去除采集到的生理振动信号中的体动信号,其中,先将采集到的生理振动信号进行分段,再判断每段信号中信号幅值的峰值是否大于第五阈值(如1伏(V)),若该段信号的峰值大于第五阈值,确定该段信号中存在体动信号,则将该段信号删除;接着将去除了体动信号后的信号输入带通滤波器(如巴特沃斯带通滤波器),以便去除其中的心跳和呼吸产生的振动信号。其中,打鼾,心跳,呼吸产生的振动信号分别处于不同的频段,大量的测试证明鼾声的特征频段在20-100Hz之间,因此可以使用带通频段为20-100Hz的巴特沃斯带通滤波提取打鼾产生的生理振动信号。例如,如图3所示,经过带通滤波后,心跳和呼吸产生的振动信号被滤除,从而信号的幅度下降。然后利用陷波器去除该生理振动信号的工频干扰,其中,市电电压的频率为50Hz,它会以电磁波的辐射形式对数据采集造成干扰,这种干扰常被称为工频干扰。50Hz的工频干扰在该生理振动信号的特征频段之内,因此需要利用陷波频率为50Hz的陷波器去除该工频干扰。
然后,确定去除了心跳、体动、呼吸和工频干扰后的所述生理振动信号的信号特征信息,并根据所述信号特征信息,确定该生理振动信号中是否存在所述起始点和所述终止点。具体地,由于鼾声伴随呼吸,一般情况下每次鼾声的持续时间在1秒(s)以内。因此,可以首先从该生理振动信号中获取多个信号片段,其中,每个信号片段的持续时长可以但不限于为0.5s,并且所述每个信号片段与所述多个信号片段中至少一个其他信号片段部分重合。例如,生理振动信号从0s持续到1s,则可以从该生理振动信号中获取0-0.5s的信号片段1、0.1-0.6s的信号片段2、0.2-0.7s的信号片段3、0.3-0.8s的信号片段4、0.4-0.9的信号片段5以及0.5-1s的信号片段6。接着确定所述多个信号片段中每个信号片段的信号特征信息,并根据所述每个信号片段的所述信号特征信息,确定是否存在鼾声起始点和终止点。
其中,信号特征信息可以包括信号片段的积分平均值;若信号片段的所述积分平均值超过第一阈值(如20mv),则确定该信号片段的起始时间为所述起始点、或确定该信号片段的终止时间为所述终止点。
可选的,信号特征信息可以包括过零点数和积分平均值。若信号片段的积分平均值超过第一阈值、且过零点数超过第二阈值,则确定该信号片段的起始时间为鼾声的起始点。其中,当信号片段的积分平均值超过第一阈值(如20mv)时,先将该信号片段的起始时间作为疑似起始点,进一步当确定该信号片段的过零点数超过第二阈值(如10)时,确定该疑似起始点为预选起始点。其中,第一阈值和第二阈值的实际大小与生理振动信号被放大的倍数有关。
考虑噪声也有振荡,但一般持续时间不长。因此,在确定预选起始点之后,再进一步判断后面0.3秒的信号是否都满足条件,若满足,则确定预选起始点为起始点,若不满足,则确定该信号片段为噪声。其中,可以从与该信号片段在时间上重合的至少一个其他信号片段中选取预设数量(如3个)的目标信号片段;然后当所述预设数量的目标信号片段中每个目标信号片段的所述过零点数大于所述第二阈值时,将预选起始点确定为起始点。例如:0-0.5s的信号片段1为预选起始点,与信号片段1在时间上部分重合的信号为0.1-0.6s的信号片段2、0.2-0.7s的信号片段3、0.3-0.8s的信号片段4、0.4-0.9s的信号片段5以及0.5-1s的信号片段5,为了检测后面0.3秒的信号,可以选择信号片段2、信号片段3和信号片段4作为目标信号片段,当信号片段2、信号片段3和信号片段4的过零点数均大于第二阈值时,将信号片段1的起始时间作为鼾声的起始点。
在确定某个信号片段的起始时间为鼾声的起始点之后,继续向后寻找该起始点对应的终止点。例如,若0-0.5s的信号片段1的起始时间0s为一段鼾声的起始点,则接着从0.1-0.6s的信号片段2、0.2-0.7s的信号片段3、0.3-0.8s的信号片段4、0.4-0.9的信号片段5、0.5-1s的信号片段6中寻找对应的终止点。其中,若信号片段的积分平均值超过第一阈值、且过零点数不超过第二阈值,则确定该信号片段的终止时间为终止点。例如,将0.3-0.8s的信号片段4的终止时间0.8作为起始点为0s的鼾声的终止点。例如:如图4所示,在对每个信号片段进行起始点、终止点和噪声的判别之后,可以得到鼾声的检测结果,其中,黑色实线为鼾声的起始点,黑色虚线为鼾声的终止点。
其中,为了得到信号片段的过零点数和积分平均值,如图5所示,可以对模拟信号片段进行采样,将信号片段转换成离散时间信号,所述每个信号片段包含多个采样点,采样之后的每个信号片段可以用序列表示,例如,x[1]、x[2]、...、x[i]、...、x[n],其中,i为采样点的序号,x[i]为采样点i的采样值,n为采样点总数,n=0.5*Fs,Fs为采样率。其中,可以计算所述多个采样点的采样值的平均值作为所述每个信号片段的所述积分平均值。例如,信号片段1表示为x[1]、x[2]、...、x[n],则信号片段1的积分平均值En为
为了增大鼾声特征的区分度,去除刚好过零点的噪声,可以将过零点数取为向上过零点数和向下过零点数的和。首先确定所述多个采样点中的每个采样点是否为向上过零点或向下过零点,接着获取所述向上过零点的第一累积数量和所述向下过零点的第二累积数量;然后将所述第一累积数量和所述第二累积数量的和作为所述每个信号片段的所述过零点数。
具体地,针对目标采样点,先确定所述多个采样点中与该目标采样点相邻的第一采样点、第二采样点、第三采样点和第四采样点,其中,目标采样点可以为任意一个采样点。当所述第一采样点的第一采样值小于所述第二采样点的第二采样值、且所述第二采样值小于所述目标采样点的第三采样值、且所述第三采样值小于所述第三采样点的第四采样值、且所述第四采样值小于所述第四采样点的第五采样值、且所述第三采样值大于零、且所述第二采样值小于零、且所述第五采样值大于第三阈值(记为TH1)时,确定所述目标采样点为所述向上过零点;当所述第一采样值大于所述第二采样值、且所述第二采样值大于所述第三采样值、且所述第三采样值大于所述第四采样值、且所述第四采样值大于所述第五采样值、且所述第三采样值小于零、且所述第二采样值大于零、且所述第五采样值小于第四阈值(记为TH2)时,确定所述目标采样点为所述向下过零点。其中,第三阈值和第四阈值可以为10mv、15mv的任意数,并且第三阈值和第四阈值不相同。
例如:信号片段1为x[1]、x[2]、...、x[i-1]、x[i]、x[i+1]、...x[n],针对采样点i,确定与采样点i相邻的4个采样点为i-2,i-1,i+1,i+2。若x[i-2]<x[i-1]<x[i]<x[i+1]<x[i+2]、且x[i]>0、且x[i-1]<0、且x[i+2]>TH1,则将采样点i确定为向上过零点。若x[i-2]>x[i-1]>x[i]>x[i+1]>x[i+2]、且x[i]<0、且x[i-1]>0、且x[i+2]<TH2,则将采样点i确定为向下过零点。
S103,当所述生理振动信号中存在所述起始点和所述终止点时,确定所述用户在所述睡眠过程中存在打鼾行为。
可选的,可以根据检测到的所述起始点和所述终止点,确定每次鼾声的鼾声时长和鼾声能量中的至少一项。其中,可以首先根据所述起始点和所述终止点,确定所述每次鼾声的持续时长,然后将所述持续时长作为所述鼾声时长。其中,还可以根据每次鼾声的鼾声时长得到多段鼾声的总时长、以及用户在整个睡眠过程中的每段鼾声发生的具体时间段。如图4所示,黑色实线为鼾声起始点、黑色虚线为鼾声终止点,将每条黑色实线和与之最近的黑色虚线之间的持续时长作为每次鼾声的鼾声时长。
可选的,将从所述起始点到所述终止点的时间段内的所述生理振动信号的积分平均值作为每次鼾声的所述鼾声能量。还可以根据每次鼾声的鼾声能量计算每段鼾声的鼾声能量的总和、峰值或平均值。
可选的,可以根据所述鼾声时长和所述鼾声能量中的至少一项,检测所述用户的鼾症的严重程度。其中,鼾声能量可以表示用户睡眠过程中呼吸气流受阻的程度。因此,鼾声时长越长、鼾声能量越大表示用户的鼾症越严重。
在本申请实施例中,首先采用压电薄膜采集用户睡眠过程中的呼吸、心跳、体动和打鼾的共同产生的生理振动信号;接着从该生理振动信号提取预设频段的生理振动信号,该预设频段的生理振动信号是打鼾产生;然后确定该预设频段的生理振动信号中是否存在鼾声的起止点,当该预设频段的生理振动信号中存在鼾声的起止点时,确定用户在睡眠过程中发生了打鼾行为,从而降低了鼾声检测的复杂度、提高了鼾症评估结果的准确性。
请参考图6,图6是本申请实施例提供的另一种鼾声检测方法的流程示意图。如图所示,本申请实施例中的方法包括:
S601,获取用户睡眠过程中的生理振动信号。本步骤与上一实施例中的S101相同,本步骤不再赘述。
S602,确定所述生理振动信号中是否存在鼾声的起始点和终止点。本步骤与上一实施例中的S102相同,本步骤不再赘述。
S603,当所述生理振动信号中存在所述起始点和所述终止点时,确定所述用户在所述睡眠过程中存在打鼾行为。本步骤与上一实施例中的S103相同,本步骤不再赘述。
S604,向用户终端发送所述鼾声时长和所述鼾声能量中的至少一项,其中,所述鼾声时长和所述鼾声能量用于指示所述用户终端提示用户查看鼾声检测结果。
具体实现中,鼾症的严重程度主要表现在打鼾的时长和鼾声能量。其中,鼾声能量可以表示用户睡眠过程中呼吸气流受阻的程度,直观的体现为鼾声的音量大小。因此,为了克服现有技术中需要专业人员才能获得详细的鼾声检测结果、并对鼾症进行评估的缺点。可以但不限于将鼾声时长和鼾声能量发送给用户终端,例如,还可以将整个睡眠过程中鼾声能量的峰值、平均值以及连续打鼾的具体的时间段发送给用户终端。例如,在凌晨01:00到04:00检测到连续的多段鼾声,则可以确定用户在这段时间内在连续打鼾。其中,用户终端可以是手机、个人计算机和平板电脑等。
在本申请实施例中,首先采用压电薄膜采集用户睡眠过程中的呼吸、心跳、体动和打鼾的共同产生的生理振动信号;接着从该生理振动信号提取预设频段的生理振动信号,该预设频段的生理振动信号是打鼾产生;然后确定该预设频段的生理振动信号中是否存在鼾声的起止点,当该预设频段的生理振动信号中存在鼾声的起止点时,确定用户在睡眠过程中发生了打鼾行为,从而降低了鼾声检测的复杂度、提高了鼾症评估结果的准确性。
请参考图7,图7是本申请实施例提供的一种鼾声检测装置的结构示意图。如图所示,本申请实施例中的装置包括:
获取模块701,用于获取用户睡眠过程中的生理振动信号。
具体实现中,可以在用户睡眠过程中将压电薄膜睡眠带放在用户的胸腔,以便通过压电传感器获取用户的生理振动信号,并且可以将传感器捕获的信号进行放大。该生理振动信号是打鼾、心跳、呼吸和体动等产生的振动信号混杂在一起形成的信号。
确定模块702,用于确定所述生理振动信号中是否存在鼾声的起始点和终止点
具体实现中,如图2所示,可以首先从采集到生理振动信号中提取预设频率的生理振动信号。提取过程包括:首先去除采集到的生理振动中的体动信号,其中,可以先将采集到的生理振动进行分段,再判断每段信号中信号幅值的峰值是否大于第五阈值,若该段信号的峰值大于第五阈值,确定该段信号中存在体动信号,则将该段信号删除;接着将去除了体动信号后的信号输入带通滤波器(如巴特沃斯带通滤波器),以便去除其中的心跳和呼吸产生的振动信号。其中,打鼾,心跳,呼吸产生的振动信号分别处于不同的频段,大量的测试证明鼾声的特征频段在20-100Hz之间,因此可以使用带通频段为20-100Hz的巴特沃斯带通滤波提取打鼾产生的生理振动信号。例如,如图3所示,经过带通滤波后,心跳和呼吸产生的振动信号被滤除,从而信号的幅度下降。然后利用陷波器去除该生理振动信号的工频干扰,其中,市电电压的频率为50Hz,它会以电磁波的辐射形式对数据采集造成干扰,这种干扰常被称为工频干扰。50Hz的工频干扰在该生理振动信号的特征频段之内,因此需要利用陷波频率为50Hz的陷波器去除工频干扰。
然后,确定去除了心跳、体动、呼吸和工频干扰后的所述生理振动信号的信号特征信息,并根据所述信号特征信息,确定该生理振动信号中是否存在所述起始点和所述终止点。具体地,由于鼾声伴随呼吸,一般情况下每次鼾声的持续时间在1s以内。因此,可以首先从所述生理振动信号中获取多个信号片段,其中,每个信号片段的持续时长可以但不限于为0.5s,并且所述每个信号片段与所述多个信号片段中至少一个其他信号片段在时间上部分重合,例如,生理振动信号从0s持续到1s,则可以从该生理振动信号中获取0-0.5s的信号片段1、0.1-0.6s的信号片段2、0.2-0.7s的信号片段3、0.3-0.8s的信号片段4、0.4-0.9的信号片段5以及0.5-1s的信号片段6。接着确定所述多个信号片段中每个信号片段的信号特征信息,并根据所述每个信号片段的所述信号特征信息,确定是否存在鼾声起始点和终止点。
其中,信号特征信息可以包括信号片段的积分平均值;若信号片段的所述积分平均值超过第一阈值(如20mv),则确定该信号片段的起始时间为所述起始点、或确定该信号片段的终止时间为所述终止点。
可选的,信号特征信息可以包括信号的过零点数和积分平均值,若信号片段的积分平均值超过第一阈值、且过零点数超过第二阈值,则确定该信号片段的起始时间为鼾声的起始点。其中,当信号片段的积分平均值超过第一阈值(如20mv)时,先将该信号片段的起始时间作为疑似起始点,进一步当确定该信号片段的过零点数超过第二阈值(如10)时,确定该疑似起始点为预选起始点。
考虑噪声也有振荡,但一般持续时间不长。因此,在确定预选起始点之后,再进一步判断后面0.3秒的信号是否都满足条件,若满足,则确定预选起始点为起始点,若不满足,则确定该信号片段为噪声。其中,可以从与该信号片段在时间上重合的至少一个其他信号片段中选取预设数量(如3个)的目标信号片段;然后当所述预设数量的目标信号片段中每个目标信号片段的所述过零点数大于所述第二阈值时,将预选起始点确定为起始点。例如:0-0.5s的信号片段1为预选鼾声起点,与信号片段1在时间上部分重合的信号为0.1-0.6s的信号片段2、0.2-0.7s的信号片段3、0.3-0.8s的信号片段4、0.4-0.9s的信号片段5以及0.5-1s的信号片段5,为了检测后面0.3秒的信号,可以选择信号片段2、信号片段3和信号片段4作为目标信号片段,当信号片段2、信号片段3和信号片段4的过零点数均大于第二阈值时,将信号片段1的起始时间作为鼾声的起始点。
在确定某个信号片段的起始时间为鼾声的起始点之后,继续向后寻找该起始点对应的终止点。例如,若0-0.5s的信号片段1的起始时间0s为一段鼾声的起始点,则接着从0.1-0.6s的信号片段2、0.2-0.7s的信号片段3、0.3-0.8s的信号片段4、0.4-0.9s的信号片段5、0.5-1s的信号片段6中寻找对应的终止点。其中,若信号片段的积分平均值超过第一阈值、且过零点数不超过第二阈值,则确定该信号片段的终止时间为终止点。例如,将0.3-0.8s的信号片段4的终止时间0.8作为起始点为0s的鼾声的终止点。。
其中,为了得到信号片段的过零点数和积分平均值,如图5所示,可以对模拟信号片段进行采样,将信号片段转换成离散时间信号,所述每个信号片段存在多个采样点,采样之后的每个信号片段可以用序列表示,例如,x[1]、x[2]、...、x[i]、...、x[n],其中,i为采样点的序号,x[i]为采样点i的采样值,n为采样点总数,n=0.5*Fs,Fs为采样率。其中,可以计算所述多个采样点的采样值的平均值作为所述每个信号片段的所述积分平均值。
为了增大鼾声特征的区分度,去除刚好过零点的噪声,可以将过零点数取为向上过零点数和向下过零点数的和。首先确定所述多个采样点中的每个采样点是否为向上过零点或向下过零点,接着获取所述向上过零点的第一累积数量和所述向下过零点的第二累积数量;然后将所述第一累积数量和所述第二累积数量的和作为所述每个信号片段的所述过零点数。
具体地,先确定所述多个采样点中与目标采样点相邻的第一采样点、第二采样点、第三采样点和第四采样点,其中,目标采样点可以为任一采样点。若所述第一采样点的第一采样值小于所述第二采样点的第二采样值、且所述第二采样值小于所述目标采样点的第三采样值、且所述第三采样值小于所述第三采样点的第四采样值、且所述第四采样值小于所述第四采样点的第五采样值、且所述第三采样值大于零、且所述第二采样值小于零、且所述第五采样值大于第三阈值(记为TH1),则确定所述目标采样点为所述向上过零点;若所述第一采样值大于所述第二采样值、且所述第二采样值大于所述第三采样值、且所述第三采样值大于所述第四采样值、且所述第四采样值大于所述第五采样值、且所述第三采样值小于零、且所述第二采样值大于零、且所述第五采样值小于第四阈值(记为TH2),则确定所述目标采样点为所述向下过零点。其中,第三阈值和第四阈值可以为10mv、15mv的任意数,并且第三阈值和第四阈值不相同。
确定模块702,还用于在所述生理振动信号中存在所述起始点和所述终止点的情况下,确定所述用户在所述睡眠过程中存在打鼾行为。
可选的,本发明实施例中的装置还包括检测模块,用于根据所述起始点和所述终止点,确定所述每次鼾声的鼾声时长和鼾声能量中的至少一项。具体的,可以根据所述起始点和所述终止点,确定所述每次鼾声的持续时长,如图4所示,黑色实线为鼾声起始点、黑色虚线为鼾声终止点,将每条黑色实线和与之最近的黑色虚线之间的持续时间的时长作为每次鼾声的持续时长。将所述持续时长作为所述鼾声时长。以及将从所述起始点到所述终止点的时间段内的所述生理振动信号的积分平均值作为每次鼾声的所述鼾声能量。还可以根据每次鼾声的发生时间确定用户在整个睡眠过程中的多段鼾声、以及每段鼾声发生的具体时间段,然后根据每次鼾声的鼾声能量计算每个时间段内鼾声能量的总和、峰值或平均值。
可选的,检测模块还用于根据所述鼾声时长和所述鼾声能量中的至少一项,确定所述用户的鼾症的严重程度。其中,鼾声能量可以表示用户睡眠过程中呼吸气流受阻的程度。因此,鼾声时长越长、鼾声能量越大表示用户的鼾症越严重。
可选的,本申请实施例中的装置还包括通信模块,用于向用户终端发送所述鼾声时长和所述鼾声能量中的至少一项,所述鼾声时长和所述鼾声能量用于指示所述用户终端提示所述用户查看鼾声检测结果。其中,用户终端可以是手机、个人计算机和平板电脑等。
在本申请实施例中,采用压电薄膜采集用户睡眠过程中的呼吸、心跳、体动和打鼾的共同产生的生理振动信号;接着从该生理振动信号提取预设频段的生理振动信号,该预设频段的生理振动信号是打鼾产生;然后确定该预设频段的生理振动信号中是否存在鼾声的起止点,当该预设频段的生理振动信号中存在鼾声的起止点时,确定用户在睡眠过程中发生了打鼾行为,可以降低鼾声检测的复杂度、提高鼾症评估结果的准确性。
请参考图8,图8是本申请实施例提出的一种电子设备的结构示意图。如图所示,该电子设备可以包括:至少一个处理器801,例如CPU,至少一个通信接口802,至少一个存储器803,至少一个总线804。其中,总线804用于实现这些组件之间的连接通信。其中,本申请实施例中电子设备的通信接口802是有线发送端口,也可以为无线设备,例如包括天线装置,用于与其他节点设备进行信令或数据的通信。存储器803可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器803可选的还可以是至少一个位于远离前述处理器801的存储装置。存储器803中存储一组程序代码,且处理器801用于调用存储器中存储的程序代码,用于执行以下操作:
获取用户睡眠过程中的生理振动信号;
确定所述生理振动信号中是否存在鼾声的起始点和终止点;
在所述生理振动信号中存在所述起始点和所述终止点的情况下,确定所述用户在所述睡眠过程中存在打鼾行为。
其中,处理器801还用于执行如下操作步骤:
从所述生理振动信号中提取信号特征信息;
根据所述信号特征信息,确定所述生理振动信号中是否存在所述起始点和所述终止点。
其中,处理器801还用于执行如下操作步骤:
从所述生理振动信号中获取多个信号片段;
确定所述多个信号片段中每个信号片段的信号特征信息;
根据所述每个信号片段的所述信号特征信息,确定所述每个信号片段中是否存在所述起始点和所述终止点。
其中,所述信号特征信息包括积分平均值;
处理器801还用于执行如下操作步骤:
若所述每个信号片段的所述积分平均值超过第一阈值,则确定所述每个信号片段的起始时间为所述起始点、或确定所述每个信号片段的终止时间为所述终止点。
其中,所述信号特征信息包括过零点数和积分平均值;
处理器801还用于执行如下操作步骤:
若所述每个信号片段的所述积分平均值超过第一阈值、且所述过零点数超过第二阈值时,则确定所述每个信号片段的起始时间为所述起始点;或
当所述每个信号片段的所述积分平均值超过所述第一阈值、且所述过零点数不超过所述第二阈值时,确定所述每个信号片段的终止时间为所述终止点。
其中,处理器801还用于执行如下操作步骤:
从所述至少一个其他信号片段中选取预设数量的目标信号片段;
若所述预设数量的目标信号片段中每个目标信号片段的所述过零点数大于所述第二阈值,则确定所述起始时间为所述起始点。
其中,处理器801还用于执行如下操作步骤:
根据所述起始点和所述终止点,确定每次鼾声的鼾声时长和鼾声能量中的至少一项;
根据所述鼾声时长和所述鼾声能量中的至少一项,确定所述用户的鼾症的严重程度。
其中,处理器801还用于执行如下操作步骤:
根据所述起始点和所述终止点,确定所述每次鼾声的持续时长;
将所述持续时长作为所述鼾声时长;和/或
将从所述起始点到所述终止点的时间段内的所述生理振动信号的积分平均值作为所述鼾声能量。
其中,所述每个信号片段包含多个采样点;
处理器801还用于执行如下操作步骤:
确定所述多个采样点中的每个采样点是否为向上过零点或向下过零点;
获取所述向上过零点的第一数量和所述向下过零点的第二数量;
将所述第一数量和所述第二数量的和作为所述每个信号片段的所述过零点数。
其中,处理器801还用于执行如下操作步骤:
确定所述多个采样点中与目标采样点相邻的第一采样点、第二采样点、第三采样点和第四采样点,所述目标采集点为所述多个采样点中的任一采样点;
若所述第一采样点的第一采样值小于所述第二采样点的第二采样值、且所述第二采样值小于所述目标采样点的第三采样值、且所述第三采样值小于所述第三采样点的第四采样值、且所述第四采样值小于所述第四采样点的第五采样值、且所述第三采样值大于零、且所述第二采样值小于零、且所述第五采样值大于第三阈值,则确定所述目标采样点为所述向上过零点;或
若所述第一采样值大于所述第二采样值、且所述第二采样值大于所述第三采样值、且所述第三采样值大于所述第四采样值、且所述第四采样值大于所述第五采样值、且所述第三采样值小于零、且所述第二采样值大于零、且所述第五采样值小于第四阈值,则确定所述目标采样点为所述向下过零点。
其中,所述每个信号片段包含多个采样点;
处理器801还用于执行如下操作步骤:
计算所述多个采样点的采样值的平均值作为所述每个信号片段的所述积分平均值。
其中,处理器801还用于执行如下操作步骤:
向用户终端发送所述鼾声时长和所述鼾声能量中的至少一项,所述鼾声时长和所述鼾声能量用于指示所述用户终端提示所述用户查看鼾声检测结果。
其中,处理器801还用于执行如下操作步骤:
向用户终端发送所述鼾声时长和所述鼾声能量中的至少一项,所述鼾声时长和所述鼾声能量用于指示所述用户终端提示所述用户查看鼾声检测结果。
需要说明的是,本申请实施例同时也提供了一种存储介质,该存储介质用于存储应用程序,该应用程序用于在运行时执行图1和图6所示的一种鼾声检测方法中电子设备执行的操作。
需要说明的是,本申请实施例同时也提供了一种应用程序,该应用程序用于在运行时执行图1和图6所示的一种鼾声检测方法中电子设备执行的操作。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种鼾声检测方法,其特征在于,所述方法包括:
获取用户睡眠过程中的生理振动信号;
确定所述生理振动信号中是否存在鼾声的起始点和终止点;
在所述生理振动信号中存在所述起始点和所述终止点的情况下,确定所述用户在所述睡眠过程中存在打鼾行为。
2.如权利要求1所述的方法,其特征在于,所述确定所述生理振动信号中是否存在鼾声的起始点和终止点包括:
从所述生理振动信号中提取信号特征信息;
根据所述信号特征信息,确定所述生理振动信号中是否存在所述起始点和所述终止点。
3.如权利要求2所述的方法,其特征在于,所述从所述生理振动信号中提取信号特征信息包括:
从所述生理振动信号中获取多个信号片段;
确定所述多个信号片段中每个信号片段的所述信号特征信息;
所述根据所述信号特征信息,确定所述生理振动信号中是否存在所述起始点和所述终止点包括:
根据所述每个信号片段的所述信号特征信息,确定所述每个信号片段中是否存在所述起始点和所述终止点。
4.如权利要求3所述的方法,其特征在于,所述信号特征信息包括积分平均值;
所述根据所述每个信号片段的所述信号特征信息,确定所述每个信号片段中是否存在所述起始点和所述终止点包括:
若所述每个信号片段的所述积分平均值超过第一阈值,则确定所述每个信号片段的起始时间为所述起始点;或
若所述每个信号片段的所述积分平均值超过所述第一阈值,则确定所述每个信号片段的终止时间为所述终止点。
5.如权利要求3所述的方法,其特征在于,所述信号特征信息包括过零点数和积分平均值;
所述根据所述每个信号片段的所述信号特征信息,确定所述每个信号片段中是否存在所述起始点和所述终止点包括:
若所述每个信号片段的所述积分平均值超过第一阈值、且所述过零点数超过第二阈值,则确定所述每个信号片段的起始时间为所述起始点;或
若所述每个信号片段的所述积分平均值超过所述第一阈值、且所述过零点数不超过所述第二阈值,则确定所述每个信号片段的终止时间为所述终止点。
6.如权利要求5所述的方法,其特征在于,所述每个信号片段与所述多个信号片段中至少一个其他信号片段部分重合;
所述确定所述每个信号片段的起始时间为所述起始点包括:
从所述至少一个其他信号片段中选取预设数量的目标信号片段;
若所述预设数量的目标信号片段中每个目标信号片段的所述过零点数大于所述第二阈值,则确定所述起始时间为所述起始点。
7.如权利要求6所述的方法,其特征在于,所述每个信号片段包含多个采样点;
所述确定所述多个信号片段中每个信号片段的所述信号特征信息包括:
确定所述多个采样点中与目标采样点相邻的第一采样点、第二采样点、第三采样点和第四采样点,所述目标采集点为所述多个采样点中的任一采样点;
若所述第一采样点的第一采样值小于所述第二采样点的第二采样值、且所述第二采样值小于所述目标采样点的第三采样值、且所述第三采样值小于所述第三采样点的第四采样值、且所述第四采样值小于所述第四采样点的第五采样值、且所述第三采样值大于零、且所述第二采样值小于零、且所述第五采样值大于第三阈值,则确定所述目标采样点为向上过零点;或
若所述第一采样值大于所述第二采样值、且所述第二采样值大于所述第三采样值、且所述第三采样值大于所述第四采样值、且所述第四采样值大于所述第五采样值、且所述第三采样值小于零、且所述第二采样值大于零、且所述第五采样值小于第四阈值,则确定所述目标采样点为向下过零点;
统计所述向上过零点的第一累积数量、以及所述向下过零点的第二累积数量;
将所述第一累积数量和所述第二累积数量的和作为所述过零点数。
8.如权利要求1-7任一项所述的方法,其特征在于,所述确定所述用户在所述睡眠过程中存在打鼾行为之后,还包括:
根据所述起始点和所述终止点,确定每次鼾声的鼾声时长和鼾声能量中的至少一项;
根据所述鼾声时长和所述鼾声能量中的至少一项,确定所述用户的鼾症的严重程度。
9.一种鼾声检测装置,其特征在于,所述装置包括:
获取模块,用于获取用户睡眠过程中的生理振动信号;
确定模块,用于确定所述生理振动信号中是否存在鼾声的起始点和终止点;
所述确定模块,还用于在所述生理振动信号中存在所述起始点和所述终止点的情况下,确定所述用户在所述睡眠过程中存在打鼾行为。
10.如权利要求9所述的装置,其特征在于,所述确定模块还用于:
从所述生理振动信号中获取多个信号片段;
确定所述多个信号片段中每个信号片段的信号特征信息;
根据所述每个信号片段的所述信号特征信息,确定所述每个信号片段中是否存在所述起始点和所述终止点。
11.如权利要求10所述的装置,其特征在于,所述信号特征信息包括积分平均值;
所述确定模块还用于:
若所述每个信号片段的所述积分平均值超过第一阈值,则确定所述每个信号片段的起始时间为所述起始点;或
若所述每个信号片段的所述积分平均值超过所述第一阈值,则确定所述每个信号片段的终止时间为所述终止点。
12.如权利要求10所述的装置,其特征在于,所述信号特征信息包括过零点数和积分平均值;
所述确定模块还用于:
若所述每个信号片段的所述积分平均值超过第一阈值、且所述过零点数超过第二阈值,则确定所述每个信号片段的起始时间为所述起始点;或
若所述每个信号片段的所述积分平均值超过所述第一阈值、且所述过零点数不超过所述第二阈值,则确定所述每个信号片段的终止时间为所述终止点。
13.如权利要求12所述的装置,其特征在于,所述每个信号片段与所述多个信号片段中至少一个其他信号片段部分重合;
所述确定模块还用于:
从所述至少一个其他信号片段中选取预设数量的目标信号片段;
若所述预设数量的目标信号片段中每个目标信号片段的所述过零点数大于所述第二阈值,则确定所述起始时间为所述起始点。
14.一种电子设备,其特征在于,包括:处理器、存储器、通信接口和总线;
所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信;
所述存储器存储可执行程序代码;
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行如权利要求1-8任一项所述的鼾声检测方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-8任一项所述的鼾声检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810948474.7A CN109044279A (zh) | 2018-08-20 | 2018-08-20 | 一种鼾声检测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810948474.7A CN109044279A (zh) | 2018-08-20 | 2018-08-20 | 一种鼾声检测方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109044279A true CN109044279A (zh) | 2018-12-21 |
Family
ID=64687438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810948474.7A Pending CN109044279A (zh) | 2018-08-20 | 2018-08-20 | 一种鼾声检测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109044279A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113925464A (zh) * | 2021-10-19 | 2022-01-14 | 麒盛科技股份有限公司 | 一种基于移动设备检测睡眠呼吸暂停的方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103705333A (zh) * | 2013-08-30 | 2014-04-09 | 李峰 | 一种智能止鼾方法及装置 |
US20140276227A1 (en) * | 2013-03-14 | 2014-09-18 | Aliphcom | Sleep management implementing a wearable data-capable device for snoring-related conditions and other sleep disturbances |
CN104688229A (zh) * | 2015-01-28 | 2015-06-10 | 中国人民解放军理工大学 | 一种基于鼾声信号的睡眠呼吸监测方法 |
CN106419865A (zh) * | 2015-08-07 | 2017-02-22 | 上海宽带技术及应用工程研究中心 | 基于振动传感器的睡眠呼吸暂停综合症的判断方法 |
CN106539560A (zh) * | 2016-11-25 | 2017-03-29 | 美的集团股份有限公司 | 鼾声检测方法、鼾声检测系统、止鼾系统和止鼾枕 |
CN107518872A (zh) * | 2016-06-20 | 2017-12-29 | 深圳市量子慧智科技有限公司 | 一种基于压电传感器的打鼾监测器及监测方法 |
CN107898432A (zh) * | 2017-10-17 | 2018-04-13 | 深圳和而泰智能控制股份有限公司 | 鼾声检测方法、装置、设备及介质 |
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 |
CN108210153A (zh) * | 2018-01-25 | 2018-06-29 | 九江学院 | 一种智能止鼾装置及方法 |
-
2018
- 2018-08-20 CN CN201810948474.7A patent/CN109044279A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140276227A1 (en) * | 2013-03-14 | 2014-09-18 | Aliphcom | Sleep management implementing a wearable data-capable device for snoring-related conditions and other sleep disturbances |
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 |
CN103705333A (zh) * | 2013-08-30 | 2014-04-09 | 李峰 | 一种智能止鼾方法及装置 |
CN104688229A (zh) * | 2015-01-28 | 2015-06-10 | 中国人民解放军理工大学 | 一种基于鼾声信号的睡眠呼吸监测方法 |
CN106419865A (zh) * | 2015-08-07 | 2017-02-22 | 上海宽带技术及应用工程研究中心 | 基于振动传感器的睡眠呼吸暂停综合症的判断方法 |
CN107518872A (zh) * | 2016-06-20 | 2017-12-29 | 深圳市量子慧智科技有限公司 | 一种基于压电传感器的打鼾监测器及监测方法 |
CN106539560A (zh) * | 2016-11-25 | 2017-03-29 | 美的集团股份有限公司 | 鼾声检测方法、鼾声检测系统、止鼾系统和止鼾枕 |
CN107898432A (zh) * | 2017-10-17 | 2018-04-13 | 深圳和而泰智能控制股份有限公司 | 鼾声检测方法、装置、设备及介质 |
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 |
CN108210153A (zh) * | 2018-01-25 | 2018-06-29 | 九江学院 | 一种智能止鼾装置及方法 |
Non-Patent Citations (1)
Title |
---|
张雪英,贾海蓉: "《语音与音频编码》", 28 February 2011 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113925464A (zh) * | 2021-10-19 | 2022-01-14 | 麒盛科技股份有限公司 | 一种基于移动设备检测睡眠呼吸暂停的方法 |
CN113925464B (zh) * | 2021-10-19 | 2024-06-04 | 麒盛科技股份有限公司 | 一种基于移动设备检测睡眠呼吸暂停的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11324420B2 (en) | Detection of sleep apnea using respiratory signals | |
CN102138796B (zh) | 基于鼾声分析的睡眠监测阻塞定位仪 | |
US8781753B2 (en) | System and method for evaluating physiological parameter data | |
US9357953B2 (en) | System and method for diagnosing sleep apnea | |
CN110051380B (zh) | 对人体状态进行连续实时监测的系统和方法 | |
CN104305961B (zh) | 肠鸣音监测识别系统 | |
CN105658142B (zh) | 咽下推测装置 | |
CN104257353A (zh) | 一种睡眠呼吸暂停综合症检测系统 | |
JP2013518607A (ja) | 携帯型モニタリングのための生理学的信号の品質を分類する方法およびシステム | |
CN104720808B (zh) | 一种检测人体睡眠呼吸的方法和装置 | |
WO2013177300A1 (en) | Spirometer system and methods of data analysis | |
CN202069591U (zh) | 基于鼾声分析的睡眠监测阻塞定位仪 | |
US20140330095A1 (en) | System and methods for estimating respiratory airflow | |
CA2799094A1 (en) | System and methods of acoustical screening for obstructive sleep apnea during wakefulness | |
Doheny et al. | Estimation of respiratory rate and exhale duration using audio signals recorded by smartphone microphones | |
WO2024066502A1 (zh) | 呼吸监测方法及装置 | |
CN109044279A (zh) | 一种鼾声检测方法及相关设备 | |
Schmidt et al. | Noise and the detection of coronary artery disease with an electronic stethoscope | |
CN107569212B (zh) | 一种基于心率检测呼吸睡眠暂停综合征的设备和系统 | |
Walker et al. | Towards automated ingestion detection: Swallow sounds | |
CN116649890A (zh) | 基于薄膜压电传感器的床垫式无负荷睡眠监测系统 | |
CN107348945A (zh) | 一种非录音的说梦话打呼噜监测系统及方法 | |
Guul et al. | Portable prescreening system for sleep apnea | |
US20230389862A1 (en) | Systems and methods for sleep state tracking | |
CN109222939A (zh) | 一种基于多源数据信息融合的穿戴设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |