CN109171656A - 一种不宁腿综合症的早期检测方法 - Google Patents
一种不宁腿综合症的早期检测方法 Download PDFInfo
- Publication number
- CN109171656A CN109171656A CN201811092778.4A CN201811092778A CN109171656A CN 109171656 A CN109171656 A CN 109171656A CN 201811092778 A CN201811092778 A CN 201811092778A CN 109171656 A CN109171656 A CN 109171656A
- Authority
- CN
- China
- Prior art keywords
- signal sequence
- movement
- lower limb
- detection unit
- acceleration
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 137
- 208000011580 syndromic disease Diseases 0.000 title abstract 3
- 230000001133 acceleration Effects 0.000 claims abstract description 139
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 68
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 62
- 230000007958 sleep Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 28
- 208000024891 symptom Diseases 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 230000005484 gravity Effects 0.000 claims abstract description 11
- 208000005793 Restless legs syndrome Diseases 0.000 claims description 30
- 230000037007 arousal Effects 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 12
- 210000003414 extremity Anatomy 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 210000001364 upper extremity Anatomy 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 abstract 1
- 230000004622 sleep time Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 208000012661 Dyskinesia Diseases 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 208000005392 Spasm Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 208000007101 Muscle Cramp Diseases 0.000 description 1
- 208000003251 Pruritus Diseases 0.000 description 1
- 206010042008 Stereotypy Diseases 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007803 itching Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000004620 sleep latency Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6891—Furniture
-
- 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
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6892—Mats
-
- 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
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
一种不宁腿综合症的早期检测方法，在床板背面设置至少一个检测单元对受试者在睡眠过程中的下肢运动进行实时检测，三轴加速度传感器采集受试者下肢体动信号传送给系统控制与信号处理模块进行预处理，将三轴加速度信号合成为一维合加速度信号，再通过滑窗操作，从中截取长度为2秒的一维合加速度信号序列，去除该序列中的初始状态的重力加速度，计算一维合加速度信号序列的平均振动能量，若该能量大于所设定阈值，则认为该信号序列对应的2秒时段内发生下肢体动，将其发生时间通过通讯模块传输至上位机，在上位机程序中计算下肢体动的在定义睡眠时段内的发生频率，通过对照诊断指标，判断此睡眠时段内下肢体动是否属于不宁腿综合症早期症状。
Description
技术领域
本发明涉及睡眠运动障碍疾病的临床检测方法，尤其涉及一种不宁腿综合症的早期检测方法，检测过程中，检测设备不与被检测者接触，可用于智能家居、体感网、疾病预防与诊断等领域。
背景技术
睡眠体动障碍是一大类睡眠疾病，其中，夜间腿痉挛和不宁腿综合症是发病率较高的两类睡眠运动障碍疾病。不宁腿综合症患者同时出现睡眠潜伏期延长、夜间觉醒次数增多和睡眠效率下降等症状，严重危害睡眠质量。不宁腿综合症的临床表现为下肢出现难以名状的不适感，类似痒、虫爬感，少数有疼痛和肌肉痉挛，患者会出现强烈的活动下肢的愿望。80％的患者同时伴有周期性肢动，即在睡眠过程中出现肢体不自主运动，呈周期性反复的刻板动作。根据国际不宁腿综合症强化治疗组于2003年提出的诊断标准，只要在睡眠期间检测到下肢出现不自觉周期性肢动，则认为符合不宁腿综合症的临床表现。
目前采用的多导睡眠监测、视频监测和贴身佩戴传感器等方法都或多或少给使用者带来心理、生理上的压力，直接影响了使用者的睡眠质量。因此，设计一种在生理与心理层面上都不妨碍患者睡眠，并能够对患者睡眠过程中的下肢运动进行实时检测，从而设计一种不宁腿综合症的早期诊断设备是十分必要的。
发明内容
本发明的目的是提供一种不宁腿综合症的早期诊断设备，该设备在运行时，能够识别睡眠期间的周期性下肢体动，且使用者不会感觉到设备的运行。
实现本发明目的所采用的技术方案如下：一种不宁腿综合症的早期检测方法，其特征在于，设置安装在床板背面的至少一个检测单元对受试者在睡眠过程中的下肢运动次数和时间分布进行实时检测，检测单元包括与床板背面安装固定的基座和电路部分，采用一个检测单元时，该检测单元定义为主检测单元，主检测单元的固定位置与人体下肢区对应，主检测单元的电路部分包括加速度传感器模块、系统控制与信号处理模块、通讯模块和电源模块，加速度传感器模块与系统控制与信号处理模块双向交互连接，系统控制与信号处理模块与通讯模块双向交互连接，电源模块向各模块供电；在系统预定义的睡眠时段内，加速度传感器模块中的三轴加速度传感器采集受试者下肢体动信号，将采集到的下肢体动信号传送给系统控制与信号处理模块，系统控制与信号处理模块对采集到的下肢体动信号进行预处理，首先将三轴加速度信号合成为一维合加速度信号，再通过滑窗操作，从一维合加速度信号中截取长度为2秒的一维合加速度信号序列，然后去除该序列中的初始状态的重力加速度，计算去除重力加速度后的一维合加速度信号序列的平均振动能量，若该能量大于所设定阈值，则认为该信号序列对应的2秒时段内发生下肢体动，将对应的下肢体动发生时间通过通讯模块传输至上位机，最后，系统在上位机程序中计算下肢体动的在定义睡眠时段内的发生频率，即单位时间内发生的下肢体动次数，通过对照单检测单元的诊断指标，来判断此睡眠时段内下肢体动是否属于不宁腿综合症早期症状，判断结果经通讯模块传送给上位机，系统控制与信号处理模块也通过通讯模块接收上位机发送的控制、同步命令，包括修改预定义的睡眠时段或经由上位机自定义控制而随时开启、结束一个睡眠时段。
所述系统控制与信号处理模块对三轴加速度传感器采集到的下肢体动信号进行预处理及有效下肢体动识别的具体步骤如下：
1)首先用公式(1)将三轴加速度信号进行合成，得到一维合加速度信号：
其中,a代表一维合加速度，ax代表一维合加速度中x轴加速度分量，ay代表一维合加速度中y轴加速度分量，az代表一维合加速度中z轴加速度分量；
2)设置宽为2s的矩形窗对上述一维合加速度信号进行滑窗截取，设采样率为H次/秒，H≥50，则得到一个长度为2H的一维合加速度信号序列，为了消除硬件设备初始状态差异的影响，去除一维合加速度序列中的重力加速度，采用一维合加速度信号序列的平均值近似估计重力加速度，使用公式(2)去除该一维合加速度信号序列均值，实现原始一维合加速度信号序列的中心化处理：
其中，an代表原始一维合加速度信号序列中第n个数据；代表中心化一维合加速度信号序列中第n个数据；
3)为提高系统效率，只对包含有效动作的一维合加速度信号序列进行分类识别，采用公式(3)计算中心化一维合加速度信号序列平均能量：
其中，代表中心化一维合加速度信号序列的平均能量；
4)采用阈值法确定有效运动时段，当某中心化一维合加速度信号序列能量超过预设阈值时，判定该信号序列对应时间段为有效运动时间段；阈值设置方法：在安装好检测单元后，首先采集一组空床信号进行系统校准，系统使用上述方法进行数据预处理，并计算空床中心化一维合加速度信号序列的平均能量，阈值被设置为该能量的3倍，用于有效体动判断；
5)单检测单元的检测指标为：以下肢体动频率评估周期性肢动指数，即每小时下肢活动次数，大于5次认为符合不宁腿综合症早期症状，其中，轻度症状5-24次，中度症状25-49次，重度症状≥50次；
6)主检测单元通过通讯模块将处理后的预定义或自定义的睡眠时段内每次运动时间段的中心化一维合加速度信号序列及其对应时间传至上位机实现睡眠体动数据的收集和存储，并计算系统定义各睡眠时段内体动发生频率，如果最终检测到的下肢体动发生频率符合单检测单元诊断指标的不宁腿综合症症状，在整晚检测完成后，在手机上检测报警。
所述检测单元除一个主检测单元外，还设置两个从检测单元，主检测单元安装在与人体上半身对应位置，两个从检测单元分别安装在与人体下肢对应位置，从检测单元的电路部分包括与主检测单元相同的加速度传感器模块、通讯模块和电源模块，在预定义或自定义的睡眠时段内，从检测单元依据主检测单元发送的同步指令、控制命令，实时采集人体运动的加速度信号，主检测单元除了自身加速度传感器模块采集信号之外，还接收两个从检测单元带有时间同步信息的三轴加速度数据，三个检测单元加速度传感器采样率相同，主检测单元系统控制与信号处理模块首先对1个主检测单元和2个从检测单元的三通道时间同步数据分别进行预处理，方法步骤同单个检测单元，再将三通道时间同步的中心化一维合加速度信号序列按照系统预定义的三个检测单元之间的固定顺序进行拼接，三个检测单元的三轴加速度传感器采样率均为H次/秒，H≥50，则得到长度为6H的拼接后的中心化一维合加速度信号序列，并使用公式(4)计算该信号序列的平均能量：
其中，代表该拼接后的中心化一维合加速度信号序列的平均能量；代表拼接后的中心化一维合加速度信号序列中第n个数据，若计算得该信号序列平均能量大于设定阈值，则认为该信号序列包含有效运动，阈值设定方法：首先计算空床时期的拼接后中心化一维合加速度信号序列的平均能量，再将阈值设定为该平均能量的2.5倍，然后将包含有效运动的拼接后的中心化一维合加速度信号序列和该序列对应的时间数据通过通讯模块传输至上位机，在上位机中基于深度学习来进一步分类识别睡眠中的具体7种体动类型：下肢活动、上肢活动、坐起、躺下、翻身、离床和其它，然后，记录各类型体动发生时间，并分别计算在系统定义各睡眠时段内各类动作的发生频率，最后，系统通过对照多检测单元诊断指标，来判断此睡眠时段内睡眠体动是否属于不宁腿综合症早期症状，在手机上进行检测报警。
多检测单元检测指标为：以“下肢活动”类发生频率评估周期性肢动指数，即每小时下肢活动次数，大于5次认为符合不宁腿综合症早期症状，其中，轻度：5-24次，中度：25-49次，重度：≥50次；以“上肢活动”、“翻身”和“其它”3种类型活动总发生频率评估伴随下肢体动的微觉醒指数，即每小时轻度觉醒次数，轻度：5-20次，中度：20-39次，重度：≥40次；以“坐起”、“躺下”和“离床”3种类型活动总发生频率评估伴随下肢体动的完全觉醒指数，即每晚完全觉醒次数，轻度：≤1次，中度：2-3次，重度：>3次。
所述深度学习基于python的Keras框架构建神经网络，选择了全连接前馈网络作为基础结构，整个网络分为三层：输入层、隐层和输出层，分别包含600、300和7个神经元，此外，在训练中加入Dropout层以抑制过拟合倾向。
本发明的优点及其显著效果：
1)与佩戴在人体上的睡眠中人体运动检测方法相比，本发明提出的睡眠中人体运动检测方法在使用时不与人体接触，亦不被使用者看到，不会对使用者产生任何生理与心理上的负担，完全做到了使用者感觉不到自身运动被检测。
2)与基于视频的睡眠中人体运动检测方法相比，本发明提出的睡眠中人体运动检测装置不对使用者隐私带来影响，亦不会对使用者产生任何心理负担。
3)与放置在床上、枕头内的睡眠中人体运动检测方法相比，本发明提出的睡眠中人体运动检测装置与床的位置相对固定，不存在更换床上用品时增加额外步骤。此外，本发明提出的检测装置在使用时不出现在使用者的视野中，也不会对使用者产生心理负担。
附图说明
图1是主检测单元电路框图；
图2是从检测单元电路框图；
图3是检测单元安装示意图；
图4是使用单个主检测单元检测睡眠体动的安装示意图；
图5是使用3个检测单元识别不宁腿综合症早期临床症状安装示意图；
图6是神经网络结构图。
具体实施方式
如图3，将床体分为睡眠区与置物区，睡眠区指床垫上方睡眠区域，置物区指床垫下方的睡眠体动检测单元安装区域。
如图1，主检测单元电路部分包含加速度传感器模块、系统控制与信号处理模块、通讯模块以及电源模块，电路部分制成PCB板。主检测单元的通讯模块完成与上位机的通讯。主检测单元与上位机的通讯内容包含：根据上位机不同的要求，将主检测单元获得或经由主检测单元处理后的各种数据发送给上位机；接收上位机发送的控制、同步命令。
如图2，每个从检测单元电路部分包含加速度传感器模块、通讯模块以及电源模块，电路部分制成PCB板。从检测单元依据主检测单元发送的同步指令、控制命令，在正常睡眠时段或主检测单元自定义的睡眠时段，实时采集人体运动的加速度信号，并将带有时间同步信号的加速度数据发送回主检测单元。
本发明可以采用单个主检测单元独立检测模式，也可以采用多个检测单元联合检测模式。
实施例1，采用单个主检测单元独立检测模式时，主检测单元的加速度传感器模块在特定的睡眠时段内进行实时加速度信号采集，并将采集到的数据传给控制与信号处理模块。主检测单元的控制与信号处理模块可经通讯模块接收上位机的控制命令，修改睡眠时段的预定义，也可经由上位机自定义控制而随时开启、结束一个睡眠时段。在系统预定义的睡眠时段内，主检测单元加速度传感器模块采集到下肢体动信号后，系统控制与信号处理模块对信号进行预处理：首先将三轴加速度信号合成为一维合加速度信号序列；然后去除初始状态的重力加速度后，通过滑窗操作，计算长度为2秒的信号序列平均振动能量，若某段能量大于设定阈值，则认为该2秒段内发生下肢体动，将体动发生时间通过通讯模块传输至上位机；最后，系统在上位机程序中计算下肢体动的在定义睡眠时段内的发生频率(单位时间内发生的下肢体动次数)，再通过对照单检测单元的诊断指标，来判断此睡眠时段内下肢体动是否属于不宁腿综合症早期症状。单检测单元的诊断指标：以下肢体动频率评估周期性肢动指数(每小时下肢活动次数)——大于5次认为符合不宁腿综合症早期症状：轻度：5-24次，中度：25-49次，重度：≥50次。加速度传感器模块采用三轴加速度传感器，系统控制与信号处理模块采用430单片机芯片，该芯片内置蓝牙协议，即检测单元采用无线方式与上位机通讯，电源模块采用3.7V锂电池。电路部分制成PCB板，其尺寸为20x 50mm。
如图4所示，主检测单元安装在床板背面。设床头到床尾的两边为长边L，其余两边为短边M。受试者平躺于床上时(俯视图，下同)受试者右侧床头角为坐标原点，x轴沿床短边从受试者右侧至左侧指向正方向；y轴沿床长边从床头至床尾指向正方向，则主检测单元在床板背面分布的位置坐标为：(0.5M,0.7L)。
在预定义或自定义的睡眠时段内，主检测单元的系统控制与信号处理模块对自身加速度传感器模块采集到的人体运动信号进行处理。垂直于床板向上为传感器z轴正方向；水平面内，平行于床短边自原点起左侧向为传感器x轴正方向，平行于床长边自原点起向床尾为传感器y轴正方向，采样率设置H次/秒，H≥50。
与呼吸和心跳不同，人体运动采集到的信号特征明显，传感器采集到的加速度信号能量明显大于静止状态。本系统利用该特点进行有效体动判断。设置宽为2s的矩形窗对信号进行滑窗截取。首先用公式(1)将三轴加速度信号进行合成，得到一维合加速度信号：
其中,a代表合加速度，ax代表x轴加速度，ay代表y轴加速度，az代表z轴加速度。
再设置宽为2s的矩形窗对上述一维合加速度信号进行滑窗截取,以采样率设置H＝50(50Hz)为例，得到一个长度为100的一维合加速度信号序列。为了消除硬件设备初始状态差异的影响，去除合加速度中的重力加速度。在该系统中，使用上述得到的一维合加速度信号序列的平均值近似估计重力加速度，使用公式(2)去除该一维合加速度信号序列均值，实现原始一维合加速度信号序列的中心化处理：
其中，an代表原始一维合加速度信号序列中第n个数据；代表中心化一维合加速度信号序列中第n个数据。
然后，为提高系统效率，只对包含有效动作的和合加速度信号序列进行分类识别，采用公式(3)计算中心化一维合加速度信号序列平均能量：
其中，代表该中心化一维合加速度信号序列的平均能量；和公式(2)中意义相同。最后，系统采用阈值法确定有效运动片段，当信号片段能量超过预设阈值时，可判定该时间段为运动时间段。
阈值设置方法：在安装好设备后，首先采集一组空床信号进行系统校准。系统使用上述方法进行数据预处理，并计算空床信号序列的能量。阈值被设置为空床信号能量的3倍，用于有效体动判断。
主检测单元通过通讯模块将处理后的预定义或自定义的睡眠时段内每次运动时间段的信号序列及其对应时间传至上位机实现睡眠体动数据的收集和存储，并计算特定睡眠时段内体动发生频率。如果最终检测到的下肢体动发生频率符合单检测单元诊断指标的不宁腿综合症症状，在整晚检测完成后，在手机上进行诊断报警。
实施例2，采用多个检测单元联合检测模式时，1个主检测单元和2个从检测单元联合工作。主检测单元的通讯模块分别完成与上位机的通讯，以及与从检测单元的通讯。主检测单元与上位机的通讯内容包含：根据上位机不同的要求，将主检测单元获得或经由主检测单元处理后的各种数据发送给上位机；接收上位机发送的控制、同步命令。主检测单元与从检测单元的通讯内容包含：接收从检测单元发送的有时间同步信号的加速度数据；发送同步指令、控制指令给从检测单元。主检测单元的加速度传感器模块在特定的睡眠时段内进行实时加速度信号采集，并将采集到的数据传给控制与信号处理模块。主检测单元的控制与信号处理模块可经通讯模块接收上位机的控制命令，修改睡眠时段的预定义，也可经由上位机自定义控制而随时开启、结束一个睡眠时段。在系统定义的特定睡眠时段内，主检测单元加速度传感器模块采集到信号或者接收到从检测单元发送的加速度信号后，系统控制与信号处理模块首先对三通道时间同步数据分别进行预处理，方法同具体实施例1；再将三通道同步数据片段按照“主、从1、从2”的一个固定顺序进行拼接(该固定顺序是预设的，也可为：“主、从2、从1”、“从2、主、从1”、“从2、从1、主”、“从1、主、从2”或“从1、从2、主”)，以采样率设置H＝50(50Hz)为例，得到长度为300的一维中心化合速度信号序列，并按照公式(4)计算该信号序列的平均能量：
其中，代表该拼接后的中心化一维合加速度信号序列的平均能量；代表拼接后的中心化一维合加速度信号序列中第n个数据。若该能量大于设定阈值(空床平均能量的2.5倍)，则认为该信号序列包含有效运动信息；然后将该拼接后的一维中心化合速度信号序列和其对应的时间数据通过通讯模块传输至上位机。在上位机中，基于深度学习来进一步分类识别睡眠中的具体7种体动类型：下肢活动、上肢活动、坐起、躺下、翻身、离床和其它；然后，记录各类型体动发生时间，并分别计算在特定睡眠时段内各类动作的发生频率；最后，系统通过对照多检测单元诊断指标，来判断此睡眠时段内睡眠体动是否属于不宁腿综合症早期症状。多检测单元诊断指标：以“下肢活动”类发生频率评估周期性肢动指数，即每小时下肢活动次数，轻度：5-24次，中度：25-49次，重度：≥50次；以“上肢活动”、“翻身”和“其它”3种类型活动总发生频率评估伴随下肢体动的微觉醒指数，即每小时轻度觉醒次数，轻度：5-20次，中度：20-39次，重度：≥40次；以“坐起”、“躺下”和“离床”3种类型活动总发生频率评估伴随下肢体动的完全觉醒指数，即每晚完全觉醒次数，轻度：≤1次，中度：2-3次，重度：>3次。在预定义或自定义的睡眠时段内，主检测单元除了自身加速度传感器模块采集信号之外，还接收2个从检测单元带有同步信号的数据。
上位机算法采用结合了自身位置和从检测单元位置信息为先验知识的检测方法，基于深度学习识别睡眠中的人体运动是否为单纯的下肢运动。本系统深度学习基于现有技术python的Keras框架构建神经网络，选择了全连接前馈网络作为基础结构，整个网络分为三层：输入层、隐层和输出层，分别包含600、300和7个神经元，此外，在训练中加入Dropout层以抑制过拟合倾向。神经网络结构如图6所示。最后，记录各类型体动发生时间，并分别计算在特定睡眠时段内各类动作的发生频率；系统通过对照多检测单元诊断指标，来判断此睡眠时段内睡眠体动是否属于不宁腿综合症早期症状，并进行早期诊断报警，具体方式与实施例1相同。
如图5所示，为识别睡眠中人体运动的类型，3个检测单元安装于床板背面。设床头到床尾的两边为长边L，其余两边为短边M。受试者平躺于床上时，受试者右侧床头角为坐标原点；x轴沿床短边从受试者右侧至左侧指向正方向；y轴沿床长边从床头至床尾指向正方向。则主检测单元在床板背面分布的位置坐标为：(0.5M,0.3L)；2个从检测单元在床板背面分布的位置坐标分别为：(0.3M,0.7L)、(0.7M,0.7L)。
Claims (5)
1.一种不宁腿综合症的早期检测方法，其特征在于，设置安装在床板背面的至少一个检测单元对受试者在睡眠过程中的下肢运动次数和时间分布进行实时检测，检测单元包括与床板背面安装固定的基座和电路部分，采用一个检测单元时，该检测单元定义为主检测单元，主检测单元的固定位置与人体下肢区对应，主检测单元的电路部分包括加速度传感器模块、系统控制与信号处理模块、通讯模块和电源模块，加速度传感器模块与系统控制与信号处理模块双向交互连接，系统控制与信号处理模块与通讯模块双向交互连接，电源模块向各模块供电；在系统预定义的睡眠时段内，加速度传感器模块中的三轴加速度传感器采集受试者下肢体动信号，将采集到的下肢体动信号传送给系统控制与信号处理模块，系统控制与信号处理模块对采集到的下肢体动信号进行预处理，首先将三轴加速度信号合成为一维合加速度信号，再通过滑窗操作，从一维合加速度信号中截取长度为2秒的一维合加速度信号序列，然后去除该序列中的初始状态的重力加速度，计算去除重力加速度后的一维合加速度信号序列的平均振动能量，若该能量大于所设定阈值，则认为该信号序列对应的2秒时段内发生下肢体动，将对应的下肢体动发生时间通过通讯模块传输至上位机，最后，系统在上位机程序中计算下肢体动的在定义睡眠时段内的发生频率，即单位时间内发生的下肢体动次数，通过对照单检测单元的诊断指标，来判断此睡眠时段内下肢体动是否属于不宁腿综合症早期症状，判断结果经通讯模块传送给上位机，系统控制与信号处理模块也通过通讯模块接收上位机发送的控制、同步命令，包括修改预定义的睡眠时段或经由上位机自定义控制而随时开启、结束一个睡眠时段。
2.根据权利要求1所述的不宁腿综合症的早期检测方法，其特征在于，所述系统控制与信号处理模块对三轴加速度传感器采集到的下肢体动信号进行预处理及有效下肢体动识别的具体步骤如下：
1)首先用公式(1)将三轴加速度信号进行合成，得到一维合加速度信号：
其中,a代表一维合加速度，ax代表一维合加速度中x轴加速度分量，ay代表一维合加速度中y轴加速度分量，az代表一维合加速度中z轴加速度分量；
2)设置宽为2s的矩形窗对上述一维合加速度信号进行滑窗截取，设采样率为H次/秒，H≥50，得到一个长度为2H的一维合加速度信号序列，为了消除硬件设备初始状态差异的影响，去除一维合加速度序列中的重力加速度，采用一维合加速度信号序列的平均值近似估计重力加速度，使用公式(2)去除该一维合加速度信号序列的平均值，实现原始一维合加速度信号序列的中心化处理：
其中，an代表原始一维合加速度信号序列中第n个数据；代表中心化一维合加速度信号序列中第n个数据；
3)为提高系统效率，只对包含有效动作的一维合加速度信号序列进行分类识别，采用公式(3)计算中心化一维合加速度信号序列平均能量：
其中，代表中心化一维合加速度信号序列的平均能量；
4)采用阈值法确定有效运动时段，当某中心化一维合加速度信号序列能量超过预设阈值时，判定该信号序列对应时间段为有效运动时间段；阈值设置方法：在安装好检测单元后，首先采集一组空床信号进行系统校准，系统使用上述方法进行数据预处理，并计算空床中心化一维合加速度信号序列的平均能量，阈值被设置为该能量的3倍，用于有效体动判断；
5)单检测单元的检测指标为：以下肢体动频率评估周期性肢动指数，即每小时下肢活动次数，大于5次认为符合不宁腿综合症早期症状，其中，轻度症状5-24次，中度症状25-49次，重度症状≥50次；
6)主检测单元通过通讯模块将处理后的预定义或自定义的睡眠时段内每次运动时间段的中心化一维合加速度信号序列及其对应时间传至上位机实现睡眠体动数据的收集和存储，并计算系统定义各睡眠时段内体动发生频率，如果最终检测到的下肢体动发生频率符合单检测单元诊断指标的不宁腿综合症症状，在整晚检测完成后，在手机上检测报警。
3.根据权利要求1或2所述的不宁腿综合症的早期检测方法，其特征在于，所述检测单元除一个主检测单元外，还设置两个从检测单元，主检测单元安装在与人体上半身对应位置，两个从检测单元分别安装在与人体下肢对应位置，从检测单元的电路部分包括与主检测单元相同的加速度传感器模块、通讯模块和电源模块，在预定义或自定义的睡眠时段内，从检测单元依据主检测单元发送的同步指令、控制命令，实时采集人体运动的加速度信号，主检测单元除了自身加速度传感器模块采集信号之外，还接收两个从检测单元带有时间同步信息的三轴加速度数据，三个检测单元加速度传感器采样率相同，主检测单元系统控制与信号处理模块首先对1个主检测单元和2个从检测单元的三通道时间同步数据分别进行预处理，方法步骤同单个检测单元工作模式，再将三通道时间同步的中心化一维合加速度信号序列按照系统预定义的三个检测单元之间的固定顺序进行拼接，三个检测单元的三轴加速度传感器采样率均为H次/秒，H≥50，则得到长度为6H的拼接后的中心化一维合加速度信号序列；并使用公式(4)计算该信号序列的平均能量：
其中，代表该拼接后的中心化一维合加速度信号序列的平均能量；代表拼接后的中心化一维合加速度信号序列中第n个数据，若计算得该信号序列平均能量大于设定阈值，则认为该信号序列包含有效运动，阈值设定方法：首先计算空床时期的拼接后中心化一维合加速度信号序列的平均能量，再将阈值设定为该平均能量的2.5倍，然后将包含有效运动的拼接后的中心化一维合加速度信号序列和该序列对应的时间数据通过通讯模块传输至上位机，在上位机中基于深度学习来进一步分类识别睡眠中的具体7种体动类型：下肢活动、上肢活动、坐起、躺下、翻身、离床和其它，然后，记录各类型体动发生时间，并分别计算在系统定义各睡眠时段内各类动作的发生频率，最后，系统通过对照多检测单元诊断指标，来判断此睡眠时段内睡眠体动是否属于不宁腿综合症早期症状，在手机上进行检测报警。
4.根据权利要求3所述的不宁腿综合症的早期检测方法，其特征在于，多检测单元检测指标为：以“下肢活动”类发生频率评估周期性肢动指数，即每小时下肢活动次数，大于5次认为符合不宁腿综合症早期症状，其中，轻度：5-24次，中度：25-49次，重度：≥50次；以“上肢活动”、“翻身”和“其它”3种类型活动总发生频率评估伴随下肢体动的微觉醒指数，即每小时轻度觉醒次数，轻度：5-20次，中度：20-39次，重度：≥40次；以“坐起”、“躺下”和“离床”3种类型活动总发生频率评估伴随下肢体动的完全觉醒指数，即每晚完全觉醒次数，轻度：≤1次，中度：2-3次，重度：>3次。
5.根据权利要求3所述的不宁腿综合症的早期检测方法，其特征在于，所述深度学习基于python的Keras框架构建神经网络，选择了全连接前馈网络作为基础结构，整个网络分为三层：输入层、隐层和输出层，分别包含600、300和7个神经元，此外，在训练中加入Dropout层以抑制过拟合倾向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811092778.4A CN109171656B (zh) | 2018-09-19 | 2018-09-19 | 一种不宁腿综合症的早期检测设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811092778.4A CN109171656B (zh) | 2018-09-19 | 2018-09-19 | 一种不宁腿综合症的早期检测设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109171656A true CN109171656A (zh) | 2019-01-11 |
| CN109171656B CN109171656B (zh) | 2021-09-03 |
Family
ID=64908363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811092778.4A Active CN109171656B (zh) | 2018-09-19 | 2018-09-19 | 一种不宁腿综合症的早期检测设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109171656B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111345802A (zh) * | 2020-03-16 | 2020-06-30 | 南京润楠医疗电子研究院有限公司 | 一种基于心冲击信号获取双人心跳频率的装置及方法 |
| CN112611883A (zh) * | 2020-12-04 | 2021-04-06 | 北京融智世纪节能技术服务有限公司 | 一种转速信号同步测量方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000007494A2 (en) * | 1998-08-05 | 2000-02-17 | Dilorenzo Daniel J | Apparatus and method for closed-loop intracranial stimulation for optimal control of neurological disease |
| CN103020636A (zh) * | 2012-11-16 | 2013-04-03 | 哈尔滨工程大学 | 一种基于三维人体运动能耗仪的上下楼动作识别的方法 |
| WO2015073368A1 (en) * | 2013-11-12 | 2015-05-21 | Highland Instruments, Inc. | Analysis suite |
| CN105361888A (zh) * | 2014-08-14 | 2016-03-02 | 株式会社东芝 | 活动量计以及睡眠苏醒状态记录系统 |
| CN105852875A (zh) * | 2016-05-10 | 2016-08-17 | 大连理工大学 | 一种智能警告抖腿器 |
| TWI623299B (zh) * | 2017-03-21 | 2018-05-11 | Measurement and evaluation system for sleep abnormal operation and method thereof |
-
2018
- 2018-09-19 CN CN201811092778.4A patent/CN109171656B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000007494A2 (en) * | 1998-08-05 | 2000-02-17 | Dilorenzo Daniel J | Apparatus and method for closed-loop intracranial stimulation for optimal control of neurological disease |
| CN103020636A (zh) * | 2012-11-16 | 2013-04-03 | 哈尔滨工程大学 | 一种基于三维人体运动能耗仪的上下楼动作识别的方法 |
| WO2015073368A1 (en) * | 2013-11-12 | 2015-05-21 | Highland Instruments, Inc. | Analysis suite |
| CN105361888A (zh) * | 2014-08-14 | 2016-03-02 | 株式会社东芝 | 活动量计以及睡眠苏醒状态记录系统 |
| CN105852875A (zh) * | 2016-05-10 | 2016-08-17 | 大连理工大学 | 一种智能警告抖腿器 |
| TWI623299B (zh) * | 2017-03-21 | 2018-05-11 | Measurement and evaluation system for sleep abnormal operation and method thereof |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111345802A (zh) * | 2020-03-16 | 2020-06-30 | 南京润楠医疗电子研究院有限公司 | 一种基于心冲击信号获取双人心跳频率的装置及方法 |
| CN112611883A (zh) * | 2020-12-04 | 2021-04-06 | 北京融智世纪节能技术服务有限公司 | 一种转速信号同步测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109171656B (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104545844B (zh) | 一种基于4g移动通讯技术的多参数睡眠监测与智能诊断系统及其使用方法 | |
| CN103717125B (zh) | 用于确定人的睡眠和睡眠阶段的系统和方法 | |
| US20090121826A1 (en) | Apparatus and method of managing quality of sleep | |
| CN106163391A (zh) | 用于多相睡眠管理的系统、其操作方法、用于睡眠分析的装置、对当前睡眠相进行分类的方法以及所述系统和所述装置在多相睡眠管理中的用途 | |
| CN105051799A (zh) | 用于检测跌倒的方法和跌倒检测器 | |
| CN103961109A (zh) | 基于加速度信号和角速度信号的人体姿态检测装置 | |
| CA2887142A1 (en) | Determining physiological characteristics from sensor signals including motion artifacts | |
| CN110706816B (zh) | 一种基于人工智能进行睡眠环境调控的方法及设备 | |
| KR20140082308A (ko) | 침대에서의 수면상태에 따른 무구속 심박변이도 획득 및 숙면판단 장치 및 방법 | |
| CN109847168B (zh) | 可穿戴式疲劳检测及干预系统 | |
| KR101857572B1 (ko) | 스마트 베개 | |
| KR20200002251A (ko) | 생체 신호를 모니터링하는 방법, 장치 및 컴퓨터 프로그램 | |
| CN109171656B (zh) | 一种不宁腿综合症的早期检测设备 | |
| Nizam et al. | A study on human fall detection systems: Daily activity classification and sensing techniques | |
| CN110051337A (zh) | 一种离床状态智能监测床垫及监测方法 | |
| Guettari et al. | Design and first evaluation of a sleep characterization monitoring system using a remote contactless sensor | |
| CN110584626A (zh) | 一种头戴式鼾声监测装置及止鼾方法 | |
| CN111685769A (zh) | 外骨骼功能检测系统 | |
| CN206063138U (zh) | 自然状态夜间突发健康危急报警云监控系统 | |
| CN112911989A (zh) | 移动监护测量方法、移动监护设备、系统和存储介质 | |
| CN113749644B (zh) | 可对人体腰椎运动进行监测及自主姿态矫正的智能服装 | |
| Diao et al. | Unobtrusive smart mat system for sleep posture recognition | |
| US11291406B2 (en) | System for determining a set of at least one cardio-respiratory descriptor of an individual during sleep | |
| Xie et al. | ART: adaptive and real-time fall detection using COTS smart watch | |
| Gong et al. | Design and implementation of wearable dynamic electrocardiograph real-time monitoring terminal |
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 |