CN109328034B - 用于确定对象的睡眠阶段的确定系统和方法 - Google Patents

用于确定对象的睡眠阶段的确定系统和方法 Download PDF

Info

Publication number
CN109328034B
CN109328034B CN201780039715.XA CN201780039715A CN109328034B CN 109328034 B CN109328034 B CN 109328034B CN 201780039715 A CN201780039715 A CN 201780039715A CN 109328034 B CN109328034 B CN 109328034B
Authority
CN
China
Prior art keywords
sleep stage
subject
unit
sleep
cardiopulmonary
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.)
Expired - Fee Related
Application number
CN201780039715.XA
Other languages
English (en)
Other versions
CN109328034A (zh
Inventor
P·M·费雷拉多斯桑托斯达丰塞卡
C·阿韦泽多
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN109328034A publication Critical patent/CN109328034A/zh
Application granted granted Critical
Publication of CN109328034B publication Critical patent/CN109328034B/zh
Expired - Fee Related 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
    • A61B5/02—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
    • A61B5/103—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
    • A61B5/1102—Ballistocardiography
    • 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
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/681—Wristwatch-type devices
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • 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
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • 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
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • 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
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Abstract

本发明涉及一种用于确定对象的睡眠阶段的确定系统、对应的确定方法和计算机程序。所述确定系统包括：心肺信号提供单元(10)、体动记录数据提供单元(20)、用于基于心肺信号来确定睡眠阶段的第一睡眠阶段确定单元(30)以及用于基于体动记录数据来确定睡眠阶段的第二睡眠阶段确定单元(40)。第一睡眠阶段确定单元(30)确定对象的入睡潜伏期(SOL)。所述对象的睡眠阶段是直到SOL使用第一睡眠阶段确定单元(30)来确定的，并且是在SOL之后使用第二睡眠阶段确定单元(40)来确定的。所述确定系统和对应的方法允许对所述对象的睡眠阶段的更可靠的确定，具体改善了对所述对象的SOL的确定。

Description

用于确定对象的睡眠阶段的确定系统和方法
技术领域
本发明涉及一种用于确定对象的睡眠阶段的确定系统。具体地，本发明涉及一种用于确定对象的睡眠阶段的确定系统、确定方法和计算机程序。本发明适用于基于对象的身体移动和心肺活动来检测睡眠和清醒时段以及入睡潜伏期。然而，应当理解，本发明还适用于其他领域，并且本发明不必限制于上文所提到的应用。
背景技术
自动睡眠阶段分类允许对对象的实时睡眠分阶段和远程监测。从睡眠阶段导出的感兴趣参数之一被称为入睡潜伏期(SOL)，入睡潜伏期是在对睡眠顺应性的评估中以及在对睡眠障碍(诸如失眠和生理节律障碍)的评估中的指示器。SOL基本上测量在当对象希望睡觉时的时刻直到当对象最终入睡时的时刻之间逝去的时间量。
已知的是，通过对清醒和睡眠的时段进行分类，并且然后例如确定SOL为特定标准被确定之前例如直到被分类为睡眠的三个相继时期的首次出现的时间量来确定SOL。
体动记录设备被用于基于对象的身体移动来检测清醒和睡眠的时段。尽管这些身体移动指示睡眠期间的苏醒的短时段，因为这些与身体移动一起发生，但是在夜晚开始的时候，特别是对于确定SOL，这并不总是有效的。由于对象(特别是经受长SOL的对象)尝试尽可能安静地躺着，基于体动记录的SOL估计低估了SOL。
WO 2010/140117 A1公开了一种用于对睡眠问题的存在/严重性以及其确切性质的自动评价的方法。所述评价是基于关于睡眠模式的定性信息、失眠相关的因素和日间结果以及关于由传感器测量到的睡眠模式的定量信息。多个传感器提供了包含睡眠活动数据的传感器系统信号，其中，所述睡眠活动数据至少包括心率数据、呼吸速率数据和患者身体移动数据。
D.Mack等人在IEEE，第4319-4322页(2009)上的文章“Sleep Assessment using aPassive Ballistocardiography-Based System:Preliminary Validation”公开了一种用于无创地分析生理信号的系统，所述系统使用被放置在床上的弹性垫来记录与心脏和呼吸功能相关联的微小移动(即，心冲击描记)，在睡眠与清醒时段之间进行区别的过程中，将所述微小移动与体动记录进行比较。
L.Meltzer等人在Sleep Breath，第1415-1423页(2015)上的文章“Comparison ofactigraphy immobility rules with polysomnographic sleep onset latency inchildren and adolescents”根据对儿童和青少年中的入睡潜伏期的测量来评估不同的不动标准，以根据对睡眠-清醒模式的估计来确定体动记录的有效性。
发明内容
因此，本发明的目的是提供一种确定系统和确定方法，其允许对对象的睡眠阶段的更可靠的确定，具体地，其改善了对所述对象的SOL的确定。
在本发明的第一方面中，提供了一种用于确定对象的睡眠阶段的确定系统。所述确定系统包括：心肺信号提供单元，其用于提供所述对象的心肺信号；体动记录数据提供单元，其用于提供所述对象的体动记录数据；第一睡眠阶段确定单元，其用于基于所述对象的所述心肺信号来确定所述对象的所述睡眠阶段；第二睡眠阶段确定单元，其用于基于所述对象的所述体动记录数据来确定所述对象的所述睡眠阶段；以及确定控制单元，其用于确定所述第一睡眠阶段确定单元和所述第二睡眠阶段确定单元中的一个用于确定所述对象的所述睡眠阶段。所述第一睡眠阶段确定单元被配置为确定所述对象的SOL。所述确定控制单元被配置为：直到(up to)所述SOL使用所述第一睡眠阶段确定单元来确定所述对象的所述睡眠阶段，并且在所述SOL之后使用所述第二睡眠阶段确定单元来确定所述对象的所述睡眠阶段。
由于所述第一睡眠阶段确定单元被配置为确定所述对象的SOL，其中，所述第一睡眠阶段确定单元被配置为基于心肺信号来确定睡眠阶段，在基于体动记录的SOL估计的情况下发生的对SOL的低估能够被改善。此外，由于借助于所述确定控制单元的所述确定系统被配置为使用所述第二睡眠阶段确定单元来确定在SOL之后的所述对象的睡眠阶段，能够利用被配置用于基于体动记录数来确定所述对象的睡眠阶段的所述第二睡眠阶段确定单元的优点。相应地，根据本发明的所述确定系统改善了对SOL的确定，同时，维持了诸如在整个夜晚期间的针对所述对象的睡眠阶段确定的准确度。
优选地，对象的睡眠阶段能够是在对象的睡眠与清醒状态之间的区别。进一步优选地，对象的睡眠状态能够在多个睡眠阶段中被进一步区分，诸如，如在本领域中已知的阶段1至阶段4和REM(快速眼动)。然而，也设想到了其他睡眠阶段分类。
所述心肺信号提供单元能够是心肺信号已经被存储在其中的存储单元，其中，所述心肺信号提供单元能够适于提供所存储的心肺信号。然而，所述心肺信号提供单元也能够是用于接收来自心肺信号测量单元(诸如心肺传感器)的心肺信号并且用于提供接收到的心肺信号的接收单元。此外，所述心肺信号提供单元能够是心肺信号测量单元自身，其中，所述心肺信号提供单元提供测量到的心肺信号。
类似地，所述体动记录数据提供单元能够是体动记录数据已经被存储在其中的存储单元，其中，所述体动记录数据提供单元能够适于提供所存储的体动记录数据。然而，所述体动记录数据提供单元也能够是用于接收来自体动记录测量单元的体动记录数据并且用于提供接收到的体动记录数据的接收单元。此外，所述体动记录数据提供单元能够是体动记录测量单元自身，其中，所述体动记录数据信号提供单元提供测量到的体动记录数据。
优选地，所述心肺信号和所述体动记录数据是同步信号，并且对应于相同的时间段。进一步优选地，所述心肺信号和所述体动记录数据对应于对象意图睡觉的阶段的至少部分，更优选对应于对象意图睡觉的整个晚上。所述心肺信号和所述体动记录信号优选包括时间的指示器，其中，例如，并且在不被限制的情况下，若干秒到若干分钟的信号的时间段或时期能够基于时间的指示器分别根据所述心肺信号和所述体动记录信号来确定。
优选地，所述第一睡眠阶段确定单元和/或所述第二睡眠阶段确定单元被配置为确定针对所述心肺信号和/或所述体动记录信号的特定时期的睡眠阶段。进一步优选地，所述第一睡眠阶段确定单元和/或所述第二睡眠阶段确定单元被配置为：将所述心肺信号和/或所述体动记录数据分成多个时期，并且确定针对各自时期的所述对象的睡眠阶段。
时期优选具有在1秒与5分钟之间、更优选在10秒与1分钟之间、并且最优选为大约或恰好30秒的持续时间。然而，在其他实施例中，设想到了针对时期的其他持续时间。
优选地，SOL被所述第一睡眠阶段确定单元确定为在特定标准被确定之前(例如，直到被所述第一睡眠阶段确定单元分类为预定义数量的相继时期的首次出现)的时间量。优选地，被分类为睡眠的相继时期的预定义数量被设置为3，其中，在其他实施例中，更高或更低的数量是有利地可能的。
在一个实施例中，所述第一睡眠阶段确定单元、所述第二睡眠阶段确定单元和所述确定控制单元能够被提供在一个或多个处理器中，所述一个或多个处理器被布置在相同或不同的物理阶段设备中。更精确地，在一个实施例中，所述第一睡眠阶段确定单元、所述第二睡眠阶段确定单元和所述确定控制单元能够与所述心肺信号提供单元和所述体动记录信号提供单元一起作为所述确定系统被提供在单个设备中，或者在不同的实施例中，被分布在多个设备上。
在一个实施例中，所述第一睡眠阶段确定单元和所述第二睡眠阶段确定单元适于以本领域中众所周知的有线或无线方式与所述心肺信号提供单元和/或所述体动记录信号提供单元通信。在一个实施例中，所述第一睡眠阶段确定单元、所述第二睡眠阶段确定单元和所述确定控制单元中的一个、多个或全部被提供在服务器处，所述服务器被布置用于通过适合的通信手段(例如，经由互联网)与所述确定系统的其余部分通信。
在所述确定系统的实施例中，所述第一睡眠阶段确定单元被配置为不考虑所述体动记录数据。
由于所述第一睡眠确定单元被配置为不考虑活动数据，并且由于所述第一睡眠阶段确定单元被配置为确定对象的SOL，因此为了确定SOL，构成所述体动记录数据的基础的身体移动被明确地避免。相应地，即使针对示出高SOL并且当尝试入睡时尝试尽可能平静地躺着的对象，SOL确定的准确度也能够被改善。换言之，在该实施例中，所述第一睡眠阶段确定单元的确定不依赖于体动记录数据。
在所述确定系统的实施例中，所述第二睡眠阶段确定单元被配置为基于所述对象的所述体动记录数据并且基于所述对象的所述心肺信号来确定所述对象的睡眠阶段。
所述第二睡眠阶段确定单元能够如在该实施例中基于所述体动记录数据并且基于所述心肺信号、或者甚至在另一实施例中基于所述体动记录数据、所述心肺信号和另外的数据来确定所述对象的睡眠阶段。由于所述对象的睡眠阶段是使用所述第二睡眠阶段确定单元在SOL之后来确定的，即，在所述对象已经入睡时，心肺信号和体动记录数据的组合能够提供具有高度准确度的睡眠阶段确定。
在所述确定系统的实施例中，所述心肺信号提供单元被配置为提供心脏信号和/或呼吸信号。
所述心肺信号提供单元因此能够提供仅心脏信号、仅呼吸信号、或者心脏信号和呼吸信号两者。心脏信号是在其中能检测所述对象的诸如心跳等的心脏特征的信号。呼吸信号是在其中能检测呼吸系统的诸如呼吸速率和幅度的特征的信号。已知的是，单个信号能够包括心脏特征和呼吸特征两者，使得单个信号能够是心脏信号和呼吸信号两者。然而，在其他实施例中，所述心肺信号提供单元被配置为提供分别指示心脏特征或呼吸特征的单独的心脏信号和单独的呼吸信号。
在所述确定系统的实施例中，所述心肺信号提供单元包括心肺信号测量单元，所述心肺信号测量单元包括以下中的至少一项：心电图(ECG)传感器、光体积描记(PPG)传感器、心冲击描记(BCG)传感器、呼吸感应体积描记(RIP)传感器、热敏电阻套管传感器和多普勒雷达传感器。
由于在该实施例中所述心肺信号提供单元包括心肺测量单元，因此所述心肺信号提供单元能够测量并且直接提供所述对象的心肺信号。
ECG传感器是已知的，并且通常被安装在对象的胸部上。ECG传感器包括被布置用于检测对象的皮肤上的源于心脏的电活动的电变化的电极。已知PPG传感器包括用于照亮对象的身体的部分的一个或多个光源以及用于检测来自对象的身体的光的一个或若干个检测器，其中，所述心肺测量单元优选适于基于PPG(基于检测到的光)来确定心肺信号。在优选实施例中，所述PPG传感器能安装在对象的腕部或指尖上。BCG传感器不与对象接触，但是例如包括被安装在对象在睡眠期间躺在其上的床垫的顶部上或下方的负载或压力传感器。
优选地，使用PPG传感器和/或BCG传感器测量到的心肺信号提供心脏特征和呼吸特征两者。
多普勒雷达传感器能够被远离对象地提供，例如，被安装在屋顶上或者被提供在床附近的床头柜上，并且被布置用于根据从传感器发射并且从对象反射回到传感器的雷达波的频率变化来导出所述对象的运动速度。
RIP传感器优选包括被放置在对象的胸部上的绝缘电线线圈(诸如正弦形状的电线线圈)，其中，呼吸信息是根据在呼吸期间的线圈的自感和其振荡的频率的变化来推导出的。
备选地或额外地，心肺信号也能够借助于呼吸气流使用热敏电阻套管传感器来测量。优选地，所述套管传感器被放置在所述对象的鼻子和/或嘴上。
在实施例中，所述心肺信号测量单元被配置为提供所述心肺信号和所述体动记录数据。在该实施例中，所述信号测量单元优选包括BCG传感器或多普勒雷达传感器。优选地，由于由所述心肺信号测量单元提供的所述心肺信号还能够包括指示所述对象的身体运动的特征，即体动记录数据，所述体动记录数据提供单元能够优选被配置为基于所述心肺信号来提供体动记录数据。
尽管ECG传感器、PPG传感器、BCG传感器、RIP传感器、热敏电阻套管传感器和多普勒雷达传感器被提供作为针对被包括在所述心肺信号测量单元中的传感器的优选范例，但是在其他范例中，其他形式的传感器也能够被有利地包括在所述心肺信号测量单元中。
在所述确定系统的实施例中，所述体动记录数据提供单元包括体动记录测量单元，所述体动记录测量单元包括能附接到所述对象的身体的加速度计。
不管加速度计被附接到的对象的身体部分如何，能附接到身体的加速度计直接测量加速度并且因此测量身体的运动，并且提供测量到的体动记录数据信号。
额外地或备选地，所述体动记录测量单元也能够包括被配置为确定所述对象的身体的至少部分的加速度和/或运动的BCG传感器、多普勒雷达传感器或PPG传感器。优选地，所述体动记录测量单元和所述心肺信号测量单元能够依赖于相同的传感器。然而，在其他实施例中，也能够提供针对所述体动记录测量单元和所述心肺信号测量单元的单独的传感器。
在所述确定系统的实施例中，所述体动记录测量单元是腕戴式设备。
对象习惯于佩戴腕戴式设备，并且腕戴式设备对所述对象几乎没有妨碍。这是特别有利的，因为突兀的测量单元会妨碍对象睡觉，然而，这与感兴趣的主题相抵触。
在实施例中，所述确定系统还包括心肺信号特征提取单元，其用于从所述心肺信号中提取以下中的至少一项：i)一个或多个心脏特征、ii)一个或多个呼吸特征和iii)一个或多个心肺耦合特征。所述第一睡眠阶段确定单元和所述第二睡眠阶段确定单元中的至少一个被配置为基于所提取的以下中的一项或多项来确定所述对象的所述睡眠阶段：i)一个或多个心脏特征、ii)一个或多个呼吸特征和iii)一个或多个心肺耦合特征。
由于优选由所述心肺信号特征提取单元所提取的特征对于睡眠和清醒或者更一般地对所述对象的睡眠阶段是有区别性的，因此由所述第一睡眠阶段确定单元和/或所述第二睡眠阶段确定单元对睡眠阶段的确定能够被改善。
在所述确定系统的实施例中，所述心肺信号特征提取单元被配置为提取以下中的至少一项：基于心跳的心脏特征，诸如基于心电图信号的R-R间期或者根据PPG信号检测到的跳动的R-R间期；基于呼吸速率或呼吸幅度的呼吸特征；以及基于心脏系统与呼吸系统之间的耦合的心肺耦合特征，诸如包括心跳与呼吸相位之间的相位同步。
在该实施例中，所述心肺信号特征提取单元优选提取对于所述对象的不同睡眠阶段具有区别性的特定心脏特征、呼吸特征和/或心肺耦合特征。尽管基于心跳的心脏特征、基于呼吸速率或呼吸幅度的呼吸特征和基于耦合的心肺耦合特征被提供作为心脏特征、呼吸特征和心肺耦合特征的范例，但是技术人员也设想到了其他适合的区别性特征。
在所述确定系统的实施例中，所述第一睡眠阶段确定单元包括第一睡眠阶段分类子单元。所述第一睡眠阶段分类子单元被配置为基于由所述心肺信号特征提取单元提取的以下中的至少一项对所述对象的所述睡眠阶段进行分类：i)一个或多个心脏特征、ii)一个或多个呼吸特征和iii)一个或多个心肺耦合特征。所述第二睡眠阶段确定单元包括第二睡眠阶段分类子单元。所述第二睡眠阶段分类子单元被配置为基于所述体动记录数据并且任选地基于由所述心肺信号特征提取单元提取的以下中的至少一项对所述对象的所述睡眠阶段进行分类：i)一个或多个心脏特征、ii)一个或多个呼吸特征和iii)一个或多个心肺耦合特征。
由于所述第一睡眠阶段确定单元包括第一睡眠阶段分类子单元，因此所述对象的睡眠阶段能够基于所提取的一个或多个特征来进行分类。所提取的一个或多个特征例如能够在针对所述第一睡眠阶段分类子单元和所述第二睡眠阶段分类子单元的训练阶段期间被确定。在其他实施例中，所提取的一个或多个特征也能够被预先确定和/或由对象来提供。针对所述第一睡眠阶段分类子单元的所述组特征优选不同于针对所述第二睡眠阶段分类子单元的所述组特征。
在实施例中，针对所述第一睡眠阶段分类子单元和/或所述第二睡眠阶段分类子单元的所述组特征是利用从文献中获知的特征选择算法中的任何一种特征选择算法来确定的，例如，在Hall,Mark A.1999.在The University of Waikato上的“Correlation-Based Feature Selection for Machine Learning.”一文中示出的相关特征选择。然而，在其他实施例中，所述组特征也能够通过不同的算法或者手动地确定。
优选地，所述第一睡眠阶段分类子单元和/或所述第二睡眠阶段分类子单元是文献中描述的分类器，诸如针对每个时期或时间段的贝叶斯线性判别分类器。这种分类器例如在Devot,S.,R.Dratwa,和E.Naujokat.Sleep/wake detection based oncardiorespiratory signals and actigraphy.In:Proc.2010Annu.Int.Conf.IEEEEng.Med.Biol.Soc.,2010中进行了讨论。然而，本领域技术人员也设想到了本领域中已知的其他分类器。
在实施例中，所述确定系统还包括训练单元，所述训练单元用于训练所述第一睡眠阶段分类子单元和所述第二睡眠阶段分类子单元。所述训练单元包括：心肺训练信号提供子单元，其用于提供心脏训练信号和呼吸训练信号中的至少一项作为心肺训练信号；体动记录训练数据提供子单元，其用于提供体动记录训练数据；参考注释提供子单元，其用于提供与所述心肺训练信号和所述体动记录训练数据相对应的睡眠阶段作为参考数据。所述心肺信号特征提取单元被配置为从所述心肺训练信号中提取一个或多个心脏特征和一个或多个呼吸特征中的至少一项。所述训练单元被配置为基于所提取的心脏特征和呼吸特征以及所述参考数据来训练所述第一睡眠阶段分类子单元，并且其中，所述训练单元被配置为基于所述体动记录训练数据和所述参考数据来训练所述第二睡眠阶段分类子单元。
优选地，所述参考数据包括所述心脏训练信号、所述呼吸训练信号和/或所述体动记录训练数据与之相关的在时段期间的所述对象的真实睡眠阶段。例如，参考数据包括基本真值注释，诸如由专家提供的睡眠和清醒时期以及SOL。
有利地，所述训练单元产生以下结果：所述第一睡眠阶段分类子单元和所述第二睡眠阶段分类子单元被训练为提供针对不同分类器的经优化的模型。换言之，由于被实施在所述第一睡眠阶段分类子单元中的分类器包括心脏特征和/或呼吸特征的列表，因此该分类器被所述训练单元优化用于确定SOL。此外，由于被实施在所述第二睡眠阶段分类子单元中的分类器包括体动记录数据并且在体动记录训练数据上进行训练，该分类器被所述训练单元优化用于确定在SOL之后的睡眠阶段。
在所述确定系统的实施例中，所述训练单元被配置为基于所提取的心脏特征和呼吸特征、所述体动记录训练数据以及所述参考数据来训练所述第二睡眠阶段分类子单元。
由于在该实施例中所述第二睡眠阶段分类子单元实施包括所提取的心脏特征和呼吸特征以及所述体动记录训练数据的分类器的模型，能够针对在SOL后的时段来改善对所述对象的睡眠阶段的确定。
在所述确定系统的实施例中，所述训练单元被配置为基于仅对应于第一时间段的所述数据的子部分来训练所述第一睡眠阶段分类子单元。
优选地，对应于第一时间段的所述数据的子部分对应于在所述对象开始想要入睡之后的头一分钟。优选地，所述第一时间段具有超过大多数对象的SOL的持续时间。在一个实例中，所述第一时间段包括大约90分钟的长度。然而，在其他实施例中，与所述第一时间段不同的、即更长或更短的时间段可能是有利地。
由于所述第一睡眠阶段分类子单元是使用包含SOL的数据的子部分来训练的，因此所述第一睡眠阶段分类子单元被进一步优化用于确定SOL，因为减少了不包括SOL的训练数据量。因此，减少了具有较不适合的时间段、即不包含SOL的时段的训练。
在另一实施例中，所述训练单元被配置为基于仅对应于第二时间段的数据的子部分来训练所述第二睡眠阶段分类子单元。优选地，所述第二时间段对应于在所述第一时间段已经逝去之后剩余的其余时间段。由此，所述第二睡眠阶段分类子单元是针对所述对象睡觉期间的时段来优化的。然而，在其他实施例中，所述第一时间段和所述第二时间段也能够在一定程度上交叠，其中，优选地，仅所述第一时间段包含对应于SOL的时间。
在所述确定系统的实施例中，所述确定系统被配置为在确定要在SOL后清醒一时间段的对象睡眠阶段之后使用所述第一睡眠阶段确定单元来确定对象的睡眠阶段。在该实施例中，当所述确定系统确定对象在已经睡着特定时间段之后、即在SOL之后苏醒时，所述第一睡眠阶段确定单元被选择为再次确定所述对象的睡眠阶段。进一步优选地，所述确定系统能够被配置为在新的入睡潜伏期、即对象再一次入睡被确定之后使用所述第二睡眠阶段确定单元进一步确定所述对象的睡眠阶段。进一步优选地，在所述对象的睡眠阶段被确定为从清醒改变为睡眠时，该过程能够被重复许多次，并且反之亦然。
在本发明的另外的方面中，提供了一种用于确定对象的睡眠阶段的确定方法。所述确定方法包括：提供所述对象的心肺信号；提供所述对象的体动记录数据；使用第一睡眠阶段确定单元基于所述对象的所述心肺信号来确定所述对象的所述睡眠阶段；并且使用第二睡眠阶段确定单元基于至少所述对象的所述体动记录数据来确定所述对象的所述睡眠阶段。所述第一睡眠阶段确定单元被配置为确定所述对象的SOL。所述对象的所述睡眠阶段直到所述SOL是使用所述第一睡眠阶段确定单元来确定的，并且在所述SOL之后是使用所述第二睡眠阶段确定单元来确定的。
在本发明的另外的方面中，提供了一种用于确定对象的睡眠阶段的计算机程序。所述计算机程序包括程序代码模块，当所述计算机程序在根据权利要求1所述的确定系统上被运行时，所述程序代码模块用于使所述确定系统执行根据权利要求1所述的确定方法。
应当理解，根据权利要求1的主题的用于确定对象的睡眠阶段的确定系统、根据权利要求14的主题的用于确定对象的睡眠阶段的确定系统以及根据权利要求15的主题的用于确定对象的睡眠阶段的计算机程序具有具体如在从属权利要求中所定义的相似的和/或相同的优选实施例。
应当理解，本发明的优选实施例也能够是从属权利要求或以上实施例与独立权利要求的任意组合。
参考下文所述的实施例，本发明的这些方面和其他方面将是显而易见的并得以阐明。
附图说明
在以下附图中：
图1示意性并且示范性示出了用于确定对象的睡眠阶段的确定系统的实施例，
图2示意性并且示范性示出了用于确定对象的睡眠阶段的确定方法的实施例，
图3示出了示意性并且示范性图示用于训练确定系统的训练方法的框图，
图4示出了示意性并且示范性图示了分类过程的框图，
图5示意性并且示范性图示了利用根据现有技术的确定系统来确定SOL的确定结果，并且
图6示意性并且示范性图示了利用根据本发明的确定系统来确定SOL的确定结果。
具体实施方式
图1示意性并且示范性示出了用于确定对象的睡眠阶段的确定系统1的实施例。确定系统1包括心肺信号提供单元10、体动记录数据提供单元20、第一睡眠阶段确定单元30、第二睡眠阶段确定单元40、心肺信号特征提取单元50、训练单元60和确定控制单元70。
心肺信号提供单元10被配置为向第一睡眠阶段确定单元30并且在该范例中还向心肺信号特征提取单元50和第二睡眠阶段确定单元40提供所述对象的心肺信号。所述心肺信号指示所述对象的心脏活动和/或呼吸活动。
在该范例中，心肺信号提供单元10包括用于测量心脏活动和呼吸活动的传感器。例如，心脏活动能够利用通常被安装在所述对象的胸部上的ECG传感器、利用例如被安装在所述对象的腕部或指尖上的PPG传感器、或者借助于BCG传感器(例如利用被安装在床垫的顶部上或下方的负载或压力传感器)来测量。此外，在该范例中，呼吸活动是利用通常被安装在被穿戴在胸部或腹部周围的束带上的RIP传感器、或者利用也指示心脏活动的BCG传感器来测量。另外的范例将是被安装在例如床头柜上的多普勒雷达传感器。在不依赖于测量指示呼吸努力的呼吸运动的另外的范例中，为了测量呼吸活动，心肺信号提供单元10包括用于测量呼吸流量的传感器，诸如，例如能安装在对象的鼻子和/或嘴上的热敏电阻套管传感器。
体动记录数据提供单元20向第二睡眠阶段确定单元40提供所述对象的体动记录数据。体动记录数据提供单元20不向第一睡眠阶段确定单元30提供体动记录数据，因为第一睡眠阶段确定单元30不考虑体动记录数据，即，不依赖于体动记录数据。体动记录仪一般测量整体身体移动，并且通常利用被安装在身体上加速度计(例如，使用腕戴式设备)或者利用对象所躺的床上的也提供指示呼吸活动等的传感器(例如，压力传感器、多普勒雷达传感器)来确定。
第一睡眠阶段确定单元30被配置为仅基于所述对象的心肺信号来确定对象的睡眠阶段。第二睡眠阶段确定单元40被配置为基于所述对象的体动记录数据并且在该范例中还基于所述心肺信号来确定所述对象的睡眠阶段。对所述心肺信息的使用改善了睡眠/清醒估计的准确度，但是，然而，由于用于睡眠/清醒确定的睡眠/清醒分类器仍然利用身体移动(即，体动记录)或者尽管也有心肺活动，SOL仍然被低估。出于该原因，不依赖于体动记录数据(即，对象的身体移动)的第一睡眠阶段确定单元30被配置为确定所述对象的SOL。确定控制单元70被配置用于确定第一睡眠阶段确定单元30和第二睡眠阶段确定单元40中的一个用于确定所述对象的睡眠阶段，更精确地直到SOL时间使用第一睡眠阶段确定单元10来确定所述对象的睡眠阶段，并且在SOL之后使用第二睡眠阶段确定单元40来确定所述对象的睡眠阶段。
心肺信号特征提取单元50被配置为从所述心肺信号中提取一个或多个心脏特征和一个或多个呼吸特征中的至少一项。已经示出了若干心脏特征，例如，如在Fonseca、Pedro、Xi Long、Mustafa Radha、Reinder Haakma、Ronald M Aarts和
Figure BDA0001921834140000131
2015.“Sleep Stage Classification with ECG and Respiratory Effort.”(IOPPhysiological Measurement 36:2027–40)中所公布的，以区别睡眠和清醒或者一般不同的睡眠阶段。若干心脏特征基于在根据ECG计算的R-R间期内计算的统计结果或者基于在根据PPG信号检测到的跳动。特征能够被计算，诸如每个时期、即时间段的间期的数量，并且表示在该时期中的平均心率。另外的特征例如包括第n个百分位数、标准偏差和间期长度的范围。其他特征能够描述由在多个频带内计算的功率谱密度(PSD)分析得到的特性。在一个范例中，PSD分析是在三个不同的频带(甚低频(VLF)(0,005–0,04Hz)、低频(LF)(0,04–0,15Hz)和高频(HF)(0,15–0,45Hz))内并且从高频带中的模数和极相来执行。然而，在其他范例中，其他频带和/或其他数学方法也是可行的。其他测量捕获不同时间尺度内的信号的规律性，例如，去趋势波动分析(DFA)能够被用于识别信号中的更长期的相关性，并且对熵进行采样以量化在给定时间段内的信号的自相似性。一些特征对于睡眠阶段检测能够是特别相关的，其中，其他能够特别用于清醒检测。
同样地，若干呼吸特征能够区别睡眠和清醒或者一般不同的睡眠阶段。呼吸速率和幅度被关联到不同的睡眠阶段。具体地，若干时期内的呼吸速率的变化能够帮助区别清醒、非快速眼动(NREM)睡眠和快速眼动(REM)睡眠。呼吸努力幅度的不同性质能够在深度睡眠期间比在其他阶段中是更规律的，并且也能够帮助区别NREM和REM。此外，使用动态扭曲的自相似性测量能够用于检测清醒状态。
除了心脏和呼吸活动被单独地分析之外，心肺耦合特征描述了心脏与呼吸自主系统之间的耦合的强度，并且这种关联的强度取决于睡眠阶段。描述心肺耦合的特征包括来自ECG的RR间期或者来自PPG的跳动与在多个呼吸周期期间来自RIP或来自PPG的呼吸相位测量之间的相位同步。
由心肺信号特征提取单元50并且在第二睡眠阶段确定单元40的情况下还由体动记录数据提供单元20提供的两组特征将被用于对信号的不同时段中(诸如在夜晚的不同时段期间)的睡眠阶段进行分类。更精确地，第一组将直到SOL被使用，而第二组将在SOL之后被使用。
在该方面中，第一睡眠阶段确定单元30包括第一睡眠阶段分类子单元32，并且第二睡眠阶段确定单元40包括第二睡眠阶段分类子单元42。第一睡眠阶段分类子单元32和第二睡眠阶段分类子单元42被配置为基于相应组特征对所述对象的睡眠阶段进行分类，所述相应组特征能够被手动地确定，或者更通常地，利用特征选择算法来确定，诸如在Hall,Mark A.1999.“Correlation-Based Feature Selection for Machine Learning.”(TheUniversity of Waikato)中描述的相关特征选择。
被提供有相应特征组，第一睡眠阶段分类子单元32和第二睡眠阶段分类子单元42能够分别利用心肺信号和体动记录数据的特有时段的范例数据来进行训练。例如，贝叶斯线性判别分类器能够被用于这些时段中的每个时段，其中，不同的分类器能够被用在其他范例中。
为了训练第一睡眠阶段分类子单元32和第二睡眠阶段分类子单元42，训练单元60包括心肺训练信号提供子单元62、体动记录训练数据提供子单元64和参考注释提供子单元66，所述心肺训练信号提供子单元62提供心脏训练信号和呼吸训练信号中的至少一项，所述体动记录训练数据提供子单元64提供体动记录训练数据，所述参考注释提供子单元66提供与所述呼吸训练信号和所述体动记录训练数据相对应的睡眠阶段作为参考数据。参考数据提供针对特定时期的睡眠阶段的正确分类，如例如由专家注释的。示范性训练过程将在下文参考图3来示范性地描述。随后的分类过程将在下文参考图4来示范性地描述。
图2示意性并且示范性示出了用于确定对象的睡眠阶段的确定方法100的实施例。确定方法100包括提供110对象的心肺信号的步骤、提供120对象的体动记录数据的步骤、使用如在图1中所图示的第一睡眠阶段确定单元30基于所述对象的所述心肺信号来确定130所述对象的睡眠阶段的步骤。最后，确定方法100包括使用第二睡眠阶段确定单元40基于至少所述对象的所述体动记录数据来确定140所述对象的睡眠阶段的步骤。确定方法100能够被实施在如在图1中示范性示出的确定系统1上。在确定方法100中，第一睡眠阶段确定单元30被配置为确定对象的SOL，其中，确定方法100直到SOL使用第一睡眠阶段确定单元30来确定130所述对象的睡眠阶段，并且在SOL之后使用第二睡眠阶段确定单元50来确定140的所述对象的睡眠阶段。
图3示出了示意性并且示范性图示了用于训练确定系统1的训练方法的框图。训练方法300包括由第一分类器320和第二分类器330产生的训练子过程310。第一分类器320例如能够被实施在第一睡眠阶段分类子单元32中，而第二分类器330例如能够被实施在第二睡眠阶段分类子单元42中。针对第一分类器320的模型包括在训练期间使用的心脏和/或呼吸特征的列表(参见下文)，并且针对第二分类器330的模型包括所使用的体动记录和任选地心脏和/或呼吸特征。
在训练子过程310的第一步骤312中，提供了具有睡眠记录(包括心脏信号和/或呼吸信号)以及体动记录数据和参考真值注释的训练数据集。参考真值注释例如是由例如专家注释的睡眠阶段的正确确定，并且包括每个时期的睡眠和清醒阶段以及SOL。心脏信号例如是ECG信号、PPG信号等。呼吸信号包括呼吸努力、呼吸流量等。该数据例如由心肺训练信号提供子单元62、体动记录训练数据提供子单元64和参考注释提供子单元66来提供。
接下来，在步骤340中，心脏和/或呼吸特征是例如借助于心肺信号特征提取单元50来提取的。
方法流被分成两条路径，在左侧路径中，在步骤315中，记录被修剪到头一小时30分钟。另一条路径，在步骤317中，整个记录被覆盖。左侧路径指示针对第一睡眠阶段确定单元20的训练，而右侧路径定义针对第二睡眠阶段确定单元40的训练方法。在该范例中，在步骤315中，头一小时30分钟被修剪，其中，在其他范例中，也能够修剪记录的其他时间段，诸如更长或更短的时段。
在步骤315中的修剪后，在步骤316中，第一分类器是利用心脏和/或呼吸特征来训练的。该训练不包括体动记录数据或特征。由此，减少了对SOL的预期偏置和低估。
在步骤318中，基于在步骤317中接收到的整个记录，第二分类器被训练，包括体动记录数据。任选地，心脏和/或呼吸特征也被包括在该步骤中的训练中。
如上文所指示的，由步骤316中的训练得到的模型在步骤320中被提供用于第一睡眠阶段分类子单元32，并且由步骤318中的训练产生的第二模型在步骤313中被提供给第二睡眠阶段分类子单元42。
第一分类器320和第二分类器330中的特征组是不同的。避免在第一分类器320中使用体动记录数据识别SOL之前的时段增加了尤其针对具有长SOL的对象的准确度。由于在入睡之后、在睡眠期间发生的移动(即，能在体动记录数据中确定的)是不由自主的，体动记录在入睡后的时段期间对检测苏醒是有价值的，并且因此，其被包括在第二分类器330中。第一分类器320也能够被应用于夜晚期间的长清醒的时段，其类似于SOL之前的时段，并且能够被编址，在不包括体动记录数据的情况下具有增加的准确度。
图4示出了示意性并且示范性图示分类过程400的框图，所述分类过程400包括分类主子过程410，并且接收如从图3的训练过程300导出的第一分类器320和第二分类器330、以及包括心脏信号和/或呼吸信号以及体动记录数据的新记录406。新记录406例如由确定系统1的心肺信号提供单元10和体动记录数据提供单元20来提供。输入在步骤412中被进一步处理，其中，提取针对第一分类器320的心脏和/或呼吸特征。与其并行地，在步骤414中，提取针对第二分类器330的体动记录和任选地心脏和/或呼吸特征。
在步骤412中的提取后，第一分类器320被用于在步骤416中检测SOL。
接下来，基于步骤416中的SOL检测和在步骤414中提取的特征，第二分类器330在步骤418中被用于对睡眠/清醒和任选地在SOL已经被检测到之后的睡眠阶段进行分类。在一个范例中，分类过程400由确定系统1执行。
图5和图6示意性并且示范性图示了图5中的使用根据现有技术的确定系统并且利用图6中的根据本发明的确定系统1确定的SOL的曲线图200。在该范例中，图5和图6的曲线图200是所谓的Bland-Altman曲线图。
在两个曲线图200中，在水平轴202上例如以分钟为单位示出了估计的SOL与参考真值SOL之间的平均值。在垂直轴204上，例如也以分钟为单位指示了估计的SOL与参考(即正确)SOL之间的差。曲线图中的每个圆圈表示SOL估计。线206指示0差线，即该线上的SOL估计没有误差，并且估计的SOL对应于参考SOL。线208指示所有估计的SOL的平均差，并且线210指示由线208表示的平均值附近的标准偏差的两倍。两条线210也被称为95％协议限制，因为95％的点被包括在两条线210之间。能够看到SOL一般是低估的，因为由于上文的布局的原因，平均值208位于图5和图6中的两个范例中的0零值206之下。
图5示出了对于大SOL的非常高的误差，其对于利用参考符号220指示的箭头附近的区域。
比较图5和图6，能够看到根据本发明的在第一时段内依赖于体动记录数据用于SOL的确定系统1的显著改善。首先，平均值208更靠近零误差线206。这意味着，根据本发明的确定系统1显著减少了对SOL的低估。此外，线210更靠近均值208，其实质上意味着减小了标准偏差。特别可见的是，针对具有大SOL(诸如由箭头230指示的区域中的SOL)的对象，估计的SOL与参考SOL之间的差能够被显著地减小。相应地，根据本发明的确定系统1产生了优于使用体动记录数据用于确定SOL的已知确定系统的总体改善，其中，改善在大SOL(诸如大于20分钟)的区域中是特别的并且最显著的。
尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示范性的，而非限制性的。本发明不限于所公开的实施例。本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解和实现对所公开的实施例的其他变型。例如，尽管已经描述了第一睡眠阶段确定单元和第二睡眠阶段确定单元，但是也可以使用多于两个睡眠阶段确定单元，其中，所述确定控制单元根据可定义标准在多于两个睡眠阶段确定单元之中做出决定。
在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。
单个单元或其他设备可以实现在权利要求中记载的若干项的功能。尽管某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。
由一个或若干单元或设备执行的程序(像使用第一睡眠阶段确定单元基于对象的心肺信号确定对象的睡眠阶段和使用第二睡眠阶段确定单元基于至少对象的体动记录数据确定对象的睡眠阶段等)能够由任何其他数量的单元或设备来执行。这些程序和/或用于确定对象的睡眠阶段的确定系统根据用于确定对象的睡眠阶段的确定方法的控制能够被实施为计算机程序的程序代码模块和/或为专用硬件。
计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由互联网或其他有线或无线的电信系统。
权利要求中的任何附图标记都不应当被解释为对范围的限制。
本发明因此涉及用于确定对象的睡眠阶段的确定系统、对应的确定方法和计算机程序。所述确定系统包括心肺信号提供单元10、体动记录数据提供单元20、用于基于心肺信号来确定睡眠阶段的第一睡眠阶段确定单元30、以及用于基于体动记录数据来确定睡眠阶段的第二睡眠阶段确定单元40。第一睡眠阶段确定单元30确定对象的SOL。所述对象的睡眠阶段直到SOL是使用第一睡眠阶段确定单元30来确定的，并且在SOL之后是使用第二睡眠阶段确定单元40来确定的。所述确定系统和对应的方法允许对所述对象的睡眠阶段的更可靠的确定，具体改善了对所述对象的SOL的确定。

Claims (16)

1.一种用于确定对象的睡眠阶段的确定系统，其中，所述确定系统包括：
心肺信号提供单元(10)，其用于提供所述对象的心肺信号，
体动记录数据提供单元(20)，其用于提供所述对象的体动记录数据，
第一睡眠阶段确定单元(30)，其用于基于所述对象的所述心肺信号来确定所述对象的所述睡眠阶段，
第二睡眠阶段确定单元(40)，其用于基于所述对象的所述体动记录数据来确定所述对象的所述睡眠阶段，以及
确定控制单元(70)，其用于确定所述第一睡眠阶段确定单元(30)和所述第二睡眠阶段确定单元(40)中的一个用于确定所述对象的所述睡眠阶段，
其中，所述第一睡眠阶段确定单元(30)被配置为确定所述对象的入睡潜伏期，并且
其中，所述确定控制单元(70)被配置为：在所述入睡潜伏期结束之前使用所述第一睡眠阶段确定单元(30)来确定所述对象的所述睡眠阶段，并且在所述入睡潜伏期之后使用所述第二睡眠阶段确定单元(40)来确定所述对象的所述睡眠阶段。
2.根据权利要求1所述的确定系统，其中，所述第一睡眠阶段确定单元(30)被配置为不考虑所述体动记录数据。
3.根据权利要求1或2所述的确定系统，其中，所述第二睡眠阶段确定单元(40)被配置为基于所述对象的所述体动记录数据并且基于所述对象的所述心肺信号来确定所述对象的所述睡眠阶段。
4.根据权利要求1或2所述的确定系统，其中，所述心肺信号提供单元(10)被配置为提供心脏信号和/或呼吸信号。
5.根据权利要求1或2所述的确定系统，其中，所述心肺信号提供单元(10)包括心肺信号测量单元，所述心肺信号测量单元包括以下中的至少一项：心电图传感器、光体积描记传感器、心冲击描记传感器和多普勒雷达传感器。
6.根据权利要求1或2所述的确定系统，其中，所述体动记录数据提供单元(20)包括体动记录测量单元，所述体动记录测量单元包括能附接到所述对象的身体的加速度计。
7.根据权利要求6所述的确定系统，其中，所述体动记录测量单元是腕戴式设备。
8.根据权利要求1或2所述的确定系统，还包括心肺信号特征提取单元(50)，所述心肺信号特征提取单元用于从所述心肺信号中提取以下中的至少一项：i)一个或多个心脏特征、ii)一个或多个呼吸特征和iii)一个或多个心肺耦合特征，其中，所述第一睡眠阶段确定单元(30)和所述第二睡眠阶段确定单元(40)中的至少一个被配置为基于所提取的以下项中的一项或多项来确定所述对象的所述睡眠阶段：i)一个或多个心脏特征、ii)一个或多个呼吸特征和iii)一个或多个心肺耦合特征。
9.根据权利要求8所述的确定系统，其中，所述心肺信号特征提取单元(50)被配置为提取以下中的至少一项：
基于心跳的心脏特征，
基于呼吸速率或呼吸幅度的呼吸特征，以及
基于心脏系统与呼吸系统之间的耦合的心肺耦合特征。
10.根据权利要求9所述的确定系统，其中，所述心脏特征基于根据心电图信号计算的R-R间期或者基于从光体积描记信号中检测到的跳动，并且
所述心肺耦合特征包括心跳与呼吸相位之间的相位同步。
11.根据权利要求8所述的确定系统，其中，所述第一睡眠阶段确定单元(30)包括第一睡眠阶段分类子单元(32)，其中，所述第一睡眠阶段分类子单元(32)被配置为基于由所述心肺信号特征提取单元提取的以下中的至少一项对所述对象的所述睡眠阶段进行分类：i)一个或多个心脏特征、ii)一个或多个呼吸特征和iii)一个或多个心肺耦合特征，并且其中，所述第二睡眠阶段确定单元(40)包括第二睡眠阶段分类子单元(42)，其中，所述第二睡眠阶段分类子单元(42)被配置为基于所述体动记录数据并且任选地基于由所述心肺信号特征提取单元提取的以下中的至少一项对所述对象的所述睡眠阶段进行分类：i)一个或多个心脏特征、ii)一个或多个呼吸特征和iii)一个或多个心肺耦合特征。
12.根据权利要求11所述的确定系统，还包括训练单元(60)，所述训练单元用于训练所述第一睡眠阶段分类子单元(32)和所述第二睡眠阶段分类子单元(42)，其中，所述训练单元(60)包括：
心肺训练信号提供子单元(62)，其用于提供心脏训练信号和呼吸训练信号中的至少一项作为心肺训练信号，
体动记录训练数据提供子单元(64)，其用于提供体动记录训练数据，
参考注释提供子单元(66)，其用于提供与所述心肺训练信号和所述体动记录训练数据相对应的睡眠阶段作为参考数据，
其中，所述心肺信号特征提取单元(50)被配置为从所述心肺训练信号中提取以下中的至少一项：i)一个或多个心脏特征和ii)一个或多个呼吸特征，
其中，所述训练单元(60)被配置为基于所提取的心脏特征和呼吸特征以及所述参考数据来训练所述第一睡眠阶段分类子单元(32)，并且其中，所述训练单元(60)被配置为基于所述体动记录训练数据和所述参考数据来训练所述第二睡眠阶段分类子单元(42)。
13.根据权利要求12所述的确定系统，其中，所述训练单元(60)被配置为基于所提取的心脏特征和呼吸特征、所述体动记录训练数据以及所述参考数据来训练所述第二睡眠阶段分类子单元(42)。
14.根据权利要求12或13所述的确定系统，其中，所述训练单元(60)被配置为基于仅对应于第一时间段的数据的子部分来训练所述第一睡眠阶段分类子单元(32)。
15.一种用于确定对象的睡眠阶段的确定方法，其中，所述确定方法(100)包括：
提供(110)所述对象的心肺信号，
提供(120)所述对象的体动记录数据，
使用第一睡眠阶段确定单元(30)基于所述对象的所述心肺信号来确定(130)所述对象的所述睡眠阶段，并且
使用第二睡眠阶段确定单元(40)基于至少所述对象的所述体动记录数据来确定(140)所述对象的所述睡眠阶段，
其中，所述第一睡眠阶段确定单元(30)确定所述对象的入睡潜伏期，并且
其中，所述对象的所述睡眠阶段在所述入睡潜伏期结束之前是使用所述第一睡眠阶段确定单元(30)来确定的并且在所述入睡潜伏期之后是使用所述第二睡眠阶段确定单元(40)来确定的。
16.一种存储有用于确定对象的睡眠阶段的计算机程序的计算机可读介质，所述计算机程序包括程序代码模块，当所述计算机程序在根据权利要求1所述的确定系统(1)上被运行时，所述程序代码模块用于使所述确定系统(1)执行根据权利要求15所述的确定方法(100)。
CN201780039715.XA 2016-06-27 2017-06-17 用于确定对象的睡眠阶段的确定系统和方法 Expired - Fee Related CN109328034B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16176468 2016-06-27
EP16176468.3 2016-06-27
PCT/EP2017/064856 WO2018001758A1 (en) 2016-06-27 2017-06-17 Determination system and method for determining a sleep stage of a subject

Publications (2)

Publication Number Publication Date
CN109328034A CN109328034A (zh) 2019-02-12
CN109328034B true CN109328034B (zh) 2020-04-14

Family

ID=56292496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780039715.XA Expired - Fee Related CN109328034B (zh) 2016-06-27 2017-06-17 用于确定对象的睡眠阶段的确定系统和方法

Country Status (7)

Country Link
US (1) US10624574B2 (zh)
EP (1) EP3454743B1 (zh)
JP (1) JP6894451B2 (zh)
CN (1) CN109328034B (zh)
BR (1) BR112018076941A2 (zh)
RU (1) RU2704787C1 (zh)
WO (1) WO2018001758A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11207021B2 (en) 2016-09-06 2021-12-28 Fitbit, Inc Methods and systems for labeling sleep states
US11896386B2 (en) * 2017-06-02 2024-02-13 Nox Medical Ehf Coherence-based method, apparatus, and system for identifying corresponding signals of a physiological study
DE102019107666A1 (de) * 2019-03-26 2020-10-01 Universitätsmedizin Der Johannes Gutenberg-Universität Mainz Verfahren zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien
US20220322999A1 (en) * 2019-09-05 2022-10-13 Emory University Systems and Methods for Detecting Sleep Activity
CN112294263B (zh) * 2020-10-27 2022-07-29 杭州云睡吧健康管理有限公司 一种基于脑波频率的非稳定睡眠状态评估方法模型
CN114521878A (zh) * 2020-11-23 2022-05-24 华为技术有限公司 睡眠评估方法、电子设备及存储介质
WO2023025770A1 (en) * 2021-08-26 2023-03-02 Pprs Sas Sleep stage determining system
CN114159024B (zh) * 2021-11-17 2023-10-31 青岛海信日立空调系统有限公司 一种睡眠分期方法及装置
DE102023106192A1 (de) * 2022-03-22 2023-09-28 Löwenstein Medical Technology S.A. Schlaf-/ Wacherkennung
CN114947754A (zh) * 2022-06-30 2022-08-30 北京京东拓先科技有限公司 用于确定睡眠数据的方法和装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7460899B2 (en) * 2003-04-23 2008-12-02 Quiescent, Inc. Apparatus and method for monitoring heart rate variability
US7578793B2 (en) 2004-11-22 2009-08-25 Widemed Ltd. Sleep staging based on cardio-respiratory signals
EP3616611B1 (en) 2006-06-01 2020-12-30 ResMed Sensor Technologies Limited Apparatus, system, and method for monitoring physiological signs
JP5073371B2 (ja) * 2007-06-06 2012-11-14 株式会社タニタ 睡眠評価装置
WO2009144598A1 (en) * 2008-04-14 2009-12-03 Itamar Medical Ltd. Non-invasive method and apparatus for determining light- sleep and deep-sleep stages
WO2009128000A1 (en) 2008-04-16 2009-10-22 Philips Intellectual Property & Standards Gmbh Method and system for sleep/wake condition estimation
JP4680289B2 (ja) * 2008-10-17 2011-05-11 株式会社タニタ 睡眠評価装置及び睡眠評価方法
RU2568354C2 (ru) * 2009-06-04 2015-11-20 Конинклейке Филипс Электроникс, Н.В. Способ и система обеспечения поведенческой терапии для лечения бессонницы
EP2524647A1 (en) * 2011-05-18 2012-11-21 Alain Gilles Muzet System and method for determining sleep stages of a person
JP5430034B2 (ja) * 2011-10-14 2014-02-26 株式会社タニタ 睡眠評価処理システム及び睡眠評価装置
US8948832B2 (en) * 2012-06-22 2015-02-03 Fitbit, Inc. Wearable heart rate monitor
CA2883852A1 (en) * 2012-09-04 2014-03-13 Whoop, Inc. Systems, devices and methods for continuous heart rate monitoring and interpretation
KR102091167B1 (ko) * 2012-09-19 2020-03-20 레스메드 센서 테크놀로지스 리미티드 수면 스테이지를 결정하는 시스템 및 방법
RU2522400C1 (ru) 2013-04-05 2014-07-10 Общество С Ограниченной Ответственностью "Хилби" Способ определения фазы сна человека, благоприятной для пробуждения
US10524661B2 (en) 2013-06-12 2020-01-07 Proactive Live, Inc. Sleep monitoring and stimulation
CN104720746B (zh) 2013-12-20 2017-06-20 中国移动通信集团公司 一种睡眠阶段确定方法和系统
US9655559B2 (en) 2014-01-03 2017-05-23 Vital Connect, Inc. Automated sleep staging using wearable sensors
WO2016096518A1 (en) * 2014-12-16 2016-06-23 Koninklijke Philips N.V. Baby sleep monitor
JP6720178B2 (ja) 2014-12-18 2020-07-08 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 心肺睡眠段階分類のためのシステム及び方法

Also Published As

Publication number Publication date
WO2018001758A1 (en) 2018-01-04
JP2019522534A (ja) 2019-08-15
US20190183414A1 (en) 2019-06-20
EP3454743A1 (en) 2019-03-20
EP3454743B1 (en) 2019-08-21
CN109328034A (zh) 2019-02-12
BR112018076941A2 (pt) 2019-04-02
JP6894451B2 (ja) 2021-06-30
RU2704787C1 (ru) 2019-10-30
US10624574B2 (en) 2020-04-21

Similar Documents

Publication Publication Date Title
CN109328034B (zh) 用于确定对象的睡眠阶段的确定系统和方法
JP6721156B2 (ja) 生体情報分析装置、システム、及び、プログラム
JP6516846B2 (ja) 睡眠監視のデバイス及び方法
CN111246798B (zh) 呼吸紊乱的自动检测
US10492720B2 (en) System and method for determining sleep stage
EP3334337B1 (en) Monitoring of sleep phenomena
CN105142515B (zh) 测定有利于唤醒的人类睡眠阶段的方法
US8568330B2 (en) Composite human physiological stress index based on heart beat and sleep and/or activity history data including actigraphy
EP2265173B1 (en) Method and system for sleep/wake condition estimation
ES2802130T3 (es) Sistema y método para determinar el sueño y las fases de sueño de una persona
JP6208372B2 (ja) うつ状態判別方法、及びうつ状態判定装置
US20160038061A1 (en) Method for detecting falls and a fall detector
KR20170109554A (ko) 대상자의 정신 상태를 도출하기 위한 방법 및 장치
JP6813837B2 (ja) 活動リズム判定方法および活動リズム判定装置
JP6784368B2 (ja) うつ状態判別方法及びうつ状態判定装置
EP3485803B1 (en) Wearable device capable of recognizing sleep stage and recognition method thereof
US20200093422A1 (en) Sleep stage classification system
JP7301275B2 (ja) 睡眠状態推定システム
EP4029437A1 (en) Blood pressure estimation
WO2023025770A1 (en) Sleep stage determining system

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200414