CN109567752B - 睡眠觉醒状态的判断方法、装置、睡眠监测仪和存储介质 - Google Patents

睡眠觉醒状态的判断方法、装置、睡眠监测仪和存储介质 Download PDF

Info

Publication number
CN109567752B
CN109567752B CN201811377963.8A CN201811377963A CN109567752B CN 109567752 B CN109567752 B CN 109567752B CN 201811377963 A CN201811377963 A CN 201811377963A CN 109567752 B CN109567752 B CN 109567752B
Authority
CN
China
Prior art keywords
arousal
probability
sleep
acceleration signal
preset time
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
CN201811377963.8A
Other languages
English (en)
Other versions
CN109567752A (zh
Inventor
周文丽
彭振峰
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.)
Resvent Medical Technology Co Ltd
Original Assignee
Resvent Medical Technology Co Ltd
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 Resvent Medical Technology Co Ltd filed Critical Resvent Medical Technology Co Ltd
Priority to CN201811377963.8A priority Critical patent/CN109567752B/zh
Publication of CN109567752A publication Critical patent/CN109567752A/zh
Application granted granted Critical
Publication of CN109567752B publication Critical patent/CN109567752B/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
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Anesthesiology (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种睡眠觉醒状态的判断方法、装置、睡眠监测仪和存储介质。该方法包括：获取预设时段i的至少一个原始加速度信号χ原，其中i为大于0的自然数；对所述原始加速度信号进行预处理，得到加速度信号χ；确定所述加速度信号的觉醒概率f(χ)；根据所述觉醒概率，计算所述预设时段i的预设时段i觉醒概率总值P(i)；根据所述预设时段i觉醒概率总值判断所述预设时段i的睡眠觉醒状态。上述方法考虑了睡眠状态下的异常，设定不同的加速度信号对应不同的觉醒概率，统计出预设时段i内的预设时段i觉醒概率总值，根据所述预设时段i觉醒概率总值和所述觉醒监测门限来确定所述预设时段i为睡眠状态还是觉醒状态，进一步提高了状态判断结果的准确性。

Description

睡眠觉醒状态的判断方法、装置、睡眠监测仪和存储介质
技术领域
本发明涉及医疗器械领域，尤其涉及一种睡眠觉醒状态的判断方法、装置、睡眠监测仪和存储介质。
背景技术
现有技术主要采用活动测量仪来进行睡眠觉醒状态的判断，活动测量仪的主要测量元件为加速度传感器，其通过加速度传感器获得的加速度数据来计算活动次数，再通过活动次数与阈值的比较来判断睡眠觉醒状态。在实现通过加速度来计算活动次数的过程中，活动测量仪通常将运动产生的加速度信号转换成相应的电压信号V，再设置基线电压V_baseline，通过将V与V_baseline进行不同方面的比较来获得活动值，主要有以下三种技术方案：
1)零交叉模式(Zero-crossingMode，ZCM)：每当V与V_baseline产生一个交点，记录一次活动值，一般每次活动都有两个交点，会产生两个相应的活动值，最后统计预定时间间隔内的总活动值大小。
2)超阈值时间计算模式(TimeAboveThreshold，TAT)：根据V>V_baseline或V<V_baseline的时间长短来产生相应大小的活动值，每间隔一段时间统计一次此时段内的总活动值。
3)比例积分模式(ProportionalIntegratingMode，PIM)：分别对V>V_baseline和V<V_baseline部分进行积分，取积分绝对值获得两部分的面积，每隔一段时间统计一次总的绝对积分值，来获得对应大小的活动值。
在现有的ZCM、TAT、PIM技术中，主要存在以下问题：
1)在ZCM和TAT技术中，由于小幅度运动和大幅度运动均存在V在V_baseline上下波动的趋势，如果只是在V与V_baseline产生交点或者统计两交点之间的时间来记录活动值，相当于一段时间内记录的活动值大小只取决于活动的频率，忽略了活动幅度的大小对睡眠觉醒状态判断的影响。
2)对于PIM技术，采用积分的方法来计算活动值，考虑了运动频率和幅度两因素对活动值计算的影响，但由于人在睡眠状态下也可能产生例如翻身之类的大幅度动作，在一段时间内产生较大的V值，如果只是通过积分的方式计算此段时间内的面积，则会产生较大的积分值，从而判断出此段时间为觉醒状态，降低了判断的准确性。
发明内容
为了解决现有技术中存在的技术问题，本发明提供了一种睡眠觉醒状态的判断方法、装置睡眠监测仪和存储介质，可以提高睡眠觉醒状态判断的准确性。
一种睡眠觉醒状态的判断方法，包括：
获取预设时段i的至少一个原始加速度信号χ原，其中i为大于0的自然数；
对所述原始加速度信号进行预处理，得到加速度信号χ；
确定所述加速度信号的觉醒概率f(χ)；
根据所述觉醒概率，计算所述预设时段i的预设时段i觉醒概率总值P(i)；
根据所述预设时段i觉醒概率总值判断所述预设时段i的睡眠觉醒状态。
在一些实施例中，所述对所述原始加速度信号进行预处理，得到加速度信号包括：
对所述原始加速度信号进行幅值截断处理，当|χ原|＞A时，χ处＝A×signχ原；当|χ原|≤A时，χ处＝χ原，得到处理后加速度信号χ处，其中A为χ原的幅值截断门限，且A>0；对所述处理后加速度信号进行带通滤波处理，得到所述加速度信号χ。
在一些实施例中，所述确定所述加速度信号的觉醒概率包括：
当0≤χ≤A时，0＜f(χ)≤M；
当-A≤χ＜0时，0＜f(χ)≤N；
当χ＝a时，f(χ)＝M；
当χ＝-a时，f(χ)＝N，
其中，M为当加速度信号χ为a时对应的最大觉醒概率，N为当加速度信号χ为-a时对应的最大觉醒概率。
在一些实施例中，所述确定所述加速度信号的觉醒概率包括：
当0≤χ≤A时，
Figure BDA0001871245210000021
当-A≤χ＜0时，
Figure BDA0001871245210000022
当χ＝±a时，
Figure BDA0001871245210000023
其中a和σ为常数。
在一些实施例中，所述根据所述觉醒概率，计算所述预设时段i的预设时段i觉醒概率总值P(i)包括：
Figure BDA0001871245210000024
其中χj为预设时段i内的第j个采样点对应的加速度信号，f(χj)为预设时段i内该第j个采样点的加速度信号对应的觉醒概率，J为预设时段i内采样点的个数。在一些实施例中，所述根据所述预设时段i觉醒概率总值判断所述预设时段i的睡眠觉醒状态包括：
按照如下公式计算所述预设时段i的前W个时段的觉醒概率总值、所述预设时段i觉醒概率总值和所述预设时段i的后V个时段的觉醒概率总值之和，得到所述预设时段i的预设时段i睡眠觉醒监测值D(i):
Figure BDA0001871245210000031
其中，W和V分别为大于或者等于1的自然数，pii为所述预设时段i的前W个时段的觉醒概率总值的权重、c为所述预设时段i觉醒概率总值的权重，qiii为所述预设时段i的后V个时段的觉醒概率总值的权重；
当所述预设时段i睡眠觉醒监测值D(i)≥Thres时，所述预设时段i为觉醒状态，当所述预设时段i睡眠觉醒监测值D(i)＜Thres时，所述预设时段i为睡眠状态，其中Thres为预设的觉醒监测门限。
在一些实施例中，所述W＝4，所述V＝2。
在一些实施例中，所述预设时段i内的任一时刻点或者任一加速度采样点的睡眠觉醒状态与所述预设时段i的睡眠觉醒状态相同。
一种睡眠觉醒状态的判断装置，包括：
获取单元，用于获取预设时段i的至少一个原始加速度信号χ原，其中i大于0；
预处理单元，用于对所述原始加速度信号进行预处理，得到加速度信号χ；
确定单元，用于确定所述加速度信号的觉醒概率f(χ)；
计算单元，用于根据所述觉醒概率，计算所述预设时段i的预设时段i觉醒概率总值P(i)；判断单元，用于根据所述预设时段i觉醒概率总值判断所述预设时段i的睡眠觉醒状态。在一些实施例中，所述预处理单元包括：
第一预处理模块，用于对所述原始加速度信号进行幅值截断处理，当|χ原|＞A时，
χ处＝A×signχ原；当|χ原|≤A时，χ处＝χ原，得到处理后加速度信号χ处，其中A为χ原的幅值截断门限，且A>0；
第二预处理模块，用于对所述处理后加速度信号进行带通滤波处理，得到所述加速度信号χ。在一些实施例中，所述确定单元还用于：
当0≤χ≤A时，0＜f(χ)≤M；
当-A≤χ＜0时，0＜f(χ)≤N；
当χ＝a时，f(χ)＝M；
当χ＝-a时，f(χ)＝N，
其中，M为当加速度信号χ为a时对应的最大觉醒概率，N为当加速度信号χ为-a时对应的最大觉醒概率。
在一些实施例中，所述确定单元还用于：
当0≤χ≤A时，
Figure BDA0001871245210000041
当-A≤χ＜0时，
Figure BDA0001871245210000042
当χ＝±a时，
Figure BDA0001871245210000043
其中a和σ为常数。
在一些实施例中，所述计算单元用于根据如下公式计算P(i)：
Figure BDA0001871245210000044
其中χj为预设时段i内的第j个采样点对应的加速度信号，f(χj)为预设时段i内该第j个采样点的加速度信号对应的觉醒概率，J为预设时间段i内采样点的个数。在一些实施例中，所述判断单元包括：
计算模块，用于按照如下公式计算所述预设时段i的前W个时段的觉醒概率总值、所述预设时段i觉醒概率总值和所述预设时段i的后V个时段的觉醒概率总值之和，得到所述预设时段i的预设时段i睡眠觉醒监测值D(i):
Figure BDA0001871245210000045
其中，W和V分别为大于或者等于1的自然数，pii为所述预设时段i的前W个时段的觉醒概率总值的权重、c为所述预设时段i觉醒概率总值的权重，qiii为所述预设时段i的后V个时段的觉醒概率总值的权重；
判断模块，用于当所述预设时段i睡眠觉醒监测值D(i)≥Thres时，判断所述预设时段i为觉醒状态，当所述预设时段i睡眠觉醒监测值D(i)＜Thres时，判断所述预设时段i为睡眠状态，其中Thres为预设的觉醒监测门限。
一种睡眠监测仪，包括上述所述的睡眠觉醒状态判断装置。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，使得所述处理器执行上述所述方法的步骤。
本发明实施例提供的一种睡眠觉醒状态的判断方法、装置、睡眠监测仪和存储介质，首先对所述原始加速度信号进行预处理，排除无效信号和干扰信号对判断结果的影响；结合实际的睡眠状况，考虑了睡眠状态下的异常，设定不同的加速度信号对应不同的觉醒概率，统计出预设时段i内的预设时段i觉醒概率总值，根据所述预设时段i觉醒概率总值和所述觉醒监测门限来确定所述预设时段i为睡眠状态还是觉醒状态，进一步提高了状态判断结果的准确性。
附图说明
图1为一个实施例的睡眠觉醒状态的判断方法的流程图；
图2为一个实施例的PDF曲线，该曲线中自变量χ为加速度信号，因变量f(χ)为加速度信号对应的觉醒概率；
图3为一个实施例的睡眠觉醒状态的判断装置的结构方框图；
图4为一个实施例的计算机设备的内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
睡眠觉醒状态包括睡眠状态和觉醒状态。原始加速度信号χ原可以通过用户佩戴内置有加速度传感器的睡眠监测仪进行监测和采集。睡眠觉醒状态判断装置获取睡眠监测仪将采集的原始加速度信号χ原，该睡眠觉醒状态判断装置可以是内置于该睡眠监测仪中，也可以是独立于该睡眠监测仪的。该睡眠觉醒状态判断装置执行本发明所述的睡眠觉醒状态判断方法包括的流程步骤。
如图1所示，在一实施例中一种睡眠觉醒状态的判断方法，包括以下步骤：
步骤S1，获取预设时段i的至少一个原始加速度信号χ原，其中i为大于0的自然数。
具体地，原始加速度信号χ原表征用户睡着时的运动程度。预设时段可以为1秒，也可以为其他时长，当预设时段为1秒时，预设时段i为第i秒，i为大于0的自然数，预设时段i内有可能采集到不止一个原始加速度信号，获取预设时段i内采集到的至少一个原始加速度信号。
步骤S2，对所述原始加速度信号进行预处理，得到加速度信号χ。
具体地，由于睡眠监测仪是在用户睡着时采集信息，而在此时段内，病人可能会发生翻身、肢体突然大幅度运动等情况，因此通常会产生赋值异常的尖峰信号，影响判断精度，因此需要去除这些尖峰信号，比如可以采用幅值截断技术进行截断处理；除了尖峰信号外，还会有各种干扰信号，为了防止干扰信号影响睡眠觉醒状态判断结果，需要对截断处理后的信号数据进行滤波处理。
步骤S3，确定所述加速度信号的觉醒概率f(χ)。
具体地，用户在睡眠觉醒状态下可能会发生突然翻身等异常大幅度动作，设定每个加速度信号均具有一定的觉醒概率，此觉醒概率并不随着加速度的增大而线性增大，而是呈现一定的非线性规律，由于很难确定的表明每个加速度信号对应的精确的觉醒概率，因此可以采用一种近似的概率密度函数来表征觉醒概率相对于加速度信号的变化趋势，根据所述加速度信号和概率密度函数来确定所述加速度信号的觉醒概率。
步骤S4，根据所述觉醒概率，计算所述预设时段i的预设时段i觉醒概率总值P(i)。
具体地，
Figure BDA0001871245210000061
其中χj为预设时段i内的第j个采样点对应的加速度信号，f(χj)为预设时段i内该第j个采样点的加速度信号对应的觉醒概率，J为预设时间段i内采样点的个数。
步骤S5，根据所述预设时段i觉醒概率总值判断所述预设时段i的睡眠觉醒状态。
具体地，可以预设觉醒监测门限Thres，根据所述预设时段i觉醒概率总值和所述觉醒监测门限来确定所述预设时段i为睡眠状态还是觉醒状态。
上述实施例中对所述原始加速度信号进行预处理，排除无效信号和干扰信号对判断结果的影响；结合实际的睡眠状况，考虑了睡眠状态下的异常，设定不同的加速度信号对应不同的觉醒概率，统计出预设时段i内的预设时段i觉醒概率总值，根据所述预设时段i觉醒概率总值和所述觉醒监测门限来确定所述预设时段i为睡眠状态还是觉醒状态，进一步提高了状态判断结果的准确性。
在一些实施例中，步骤S2对所述原始加速度信号进行预处理，得到加速度信号χ，包括：步骤S21，对所述原始加速度信号进行幅值截断处理，当|χ原|＞A时，χ处＝A×signχ原；当|χ原|≤A时，χ处＝χ原，得到处理后加速度信号χ处，其中A为χ原的幅值截断门限，且A>0。
具体地，由于睡眠监测仪是在用户睡着时采集信息，而在此时段内，病人可能会发生翻身、肢体突然大幅度运动等情况，因此通常会产生赋值异常的尖峰信号，影响判断精度，因此需要去除这些尖峰信号，采用幅值截断技术对所述原始加速度信号进行幅值截断处理，当|χ原|＞A时，χ处＝A×signχ原；当|χ原|≤A时，χ处＝χ原，得到处理后加速度信号χ处，其中A为χ原的幅值截断门限，且A>0。此幅值截断门限A可根据用户在不同睡眠时段的原始加速度信号峰值做自适应调整，例如：对于正常睡眠觉醒状态下运动幅度较大的用户，可在各个时段都设置较大幅值截断门限；而对于正常睡眠觉醒状态下运动幅度较小的用户，可适当降低幅值截断门限。各个预设时段i的幅值截断门限A是相同的，幅值截断门限A可以根据各个预设时段i的原始加速度信号峰值的均值来设定。
步骤S22，对所述处理后加速度信号进行带通滤波处理，得到所述加速度信号χ。
具体地，除了尖峰信号外，还会有各种干扰信号，为了防止干扰信号影响睡眠觉醒状态判断结果，需要对截断处理得到的处理后加速度信号χ处采用带通滤波器进行滤波处理，以滤除通频带以外的高频信号和低频信号，获得带限频带内的有用的加速度信号χ。对处理后加速度信号χ处进行滤波处理的通频带的上限和下限可以根据实际情况进行设定。
本实施例中，通过对原始加速度信号进行预处理，可以排除异常信号和干扰信号的影响，提高睡眠觉醒状态判断的准确性。
在一些实施例中，步骤S3确定所述加速度信号的觉醒概率f(χ)，具体为：当0≤χ≤A时，0＜f(χ)≤M；当-A≤χ＜0时，0＜f(χ)≤N；当χ＝a时，f(χ)＝M；当χ＝-a时，f(χ)＝N，其中，M为当加速度信号χ为a时对应的最大觉醒概率，N为当加速度信号χ为-a时对应的最大觉醒概率。
具体地，用户在睡眠觉醒状态下可能会发生突然翻身等异常大幅度动作，设定每个加速度信号均具有一定的觉醒概率，此觉醒概率并不随着加速度的增大而线性增大，而是呈现一定的非线性规律，由于很难确定的表明每个加速度信号对应的精确的觉醒概率，因此可以采用如下关系式来表征觉醒概率相对于加速度信号的变化趋势，当0≤χ≤A时，0＜f(χ)≤M；当-A≤χ＜0时，0＜f(χ)≤N；当χ＝a时，f(χ)＝M；当χ＝-a时，f(χ)＝N，其中，A为χ原的幅值截断门限，且A>0，M为当加速度信号χ为a时对应的最大觉醒概率，N为当加速度信号χ为-a时对应的最大觉醒概率。以上关系式表明当加速度信号χ为a时对应的最大觉醒概率为M，当加速度信号χ为-a时对应的最大觉醒概率为N，这样更符合实际睡眠情况，因为只有当加速度信号χ等于某个合理值时，其处于觉醒状态的概率最大，当绝对加速度信号χ相对较大时，可能属于睡眠觉醒状态的异常情况，应设置较低的觉醒概率；当绝对加速度信号χ很小近似为0时，也可能存在觉醒状态下的低幅度高频率运动，因此也需设置一定的觉醒概率。
在一些实施例中，步骤S3确定所述加速度信号的觉醒概率f(χ)，包括：当0≤χ≤A时，
Figure BDA0001871245210000081
当-A≤χ＜0时，
Figure BDA0001871245210000082
当χ＝±a时，
Figure BDA0001871245210000083
其中a和σ为常数。
具体地，由于用户在睡眠觉醒状态下可能会发生突然翻身等异常大幅度动作，设定每个加速度信号均具有一定的觉醒概率，此觉醒概率并不随着加速度的增大而线性增大，而是呈现一定的非线性规律，由于很难确定的表明每个加速度信号对应的精确的觉醒概率，因此可以采用如图2所示的一种近似的概率密度函数(Probability DensityFunction，PDF)曲线来表征觉醒概率相对于加速度的变化趋势，此曲线对应的表达式如下：当0≤χ≤A时，
Figure BDA0001871245210000084
当-A≤χ＜0时，
Figure BDA0001871245210000085
在此PDF曲线中，χ≥0的部分服从均值为a，方差为σ的正态分布，χ＜0的部分服从均值为-a，方差为σ的正态分布，其中A为χ原的幅值截断门限，且A>0，此表达式表明当加速度χ＝a或χ＝-a时，其对应最大的觉醒概率，即：
Figure BDA0001871245210000086
其中a和σ可以通过已知的加速度信号和觉醒概率输入PDF表达式中进行训练而得到。该关于χ和f(χ)的曲线更符合实际睡眠情况，因为只有当加速度信号χ等于某个合理值时，其处于觉醒状态的概率最大，当绝对加速度信号χ相对较大时，可能属于睡眠觉醒状态的异常情况，应设置较低的觉醒概率；当绝对加速度信号χ很小近似为0时，也可能存在觉醒状态下的低幅度高频率运动，因此也需设置一定的觉醒概率。
在一些实施例中，步骤S4，根据所述觉醒概率，计算所述预设时段i的预设时段i觉醒概率总值P(i)包括：
Figure BDA0001871245210000091
其中χj为预设时段i内的第j个采样点对应的加速度信号，f(χj)为预设时段i内该第j个采样点的加速度信号对应的觉醒概率，J为预设时段i内采样点的个数。
具体地，所述预设时段i的预设时段i觉醒概率总值P(i)为该预设时段i内所有采样点对应的觉醒概率的加和，本实施例中，预设时段i内的采样点个数为J。
在一些实施例中，步骤S5，根据所述预设时段i觉醒概率总值判断所述预设时段i的睡眠觉醒状态，包括：
步骤S51，按照如下公式计算所述预设时段i的前W个时段的觉醒概率总值、所述预设时段i觉醒概率总值和所述预设时段i的后V个时段的觉醒概率总值之和，得到所述预设时段i的预设时段i睡眠觉醒监测值D(i):
Figure BDA0001871245210000092
其中，W和V分别为大于或者等于1的自然数，pii为所述预设时段i的前W个时段的觉醒概率总值的权重、c为所述预设时段i觉醒概率总值的权重，qiii为所述预设时段i的后V个时段的觉醒概率总值的权重。
具体地，由于用户睡眠状态和觉醒状态之间的转换频率相对较低，因此，如果在预设时段i测得的觉醒概率总值很高，但是在该预设时段i的前几个时段的觉醒概率总值和该预设时段i的后几个时段的觉醒概率总值都相对较低，则该预设时段i有可能也为睡眠状态，只是存在睡眠中的异常动作，当采用回归统计分析时，可综合获得对应该预设时段i的较低的预设时段i睡眠觉醒监测值D(i)，从而判断为睡眠状态，确保判断的准确性。获取预设时段i睡眠觉醒监测值D(i)的线性回归方程式如下：
Figure BDA0001871245210000093
其中，W和V分别为大于或者等于1的自然数，pii为所述预设时段i的前W个时段的觉醒概率总值的权重、c为所述预设时段i觉醒概率总值的权重，qiii为所述预设时段i的后V个时段的觉醒概率总值的权重。
进一步地，设置W为4，V为2，则
D(i)＝p4P(i-4)+p3P(i-3)+p2P(i-2)+p1P(i-1)+cP(i)+q1P(i+1)+q2P(i+2)，其中p4、p3、p2、p1、c、q1和q2分别为对应时段觉醒概率总值的权重。
步骤S52，当所述预设时段i睡眠觉醒监测值D(i)≥Thres时，所述预设时段i为觉醒状态，当所述预设时段i睡眠觉醒监测值D(i)＜Thres时，所述预设时段i为睡眠状态，其中Thres为预设的觉醒监测门限。
具体地，Thres为预设的觉醒监测门限，首先根据PDF函数得到过去一段时间的加速度信号的觉醒概率，将该加速度信号的觉醒概率与用户该过去一段时间的真实睡眠觉醒状态(通过睡眠监测仪等判断出来的)下的加速度信号觉醒概率进行比较来设定该觉醒监测门限。当所述预设时段i睡眠觉醒监测值D(i)≥Thres时，所述预设时段i为觉醒状态，当所述预设时段i睡眠觉醒监测值D(i)＜Thres时，所述预设时段i为睡眠状态。
在一些实施例中，所述预设时段i内的任一时刻点或者任一加速度采样点的睡眠觉醒状态与所述预设时段i的睡眠觉醒状态相同。进一步地，设定该预设时段i为1秒，则该1秒内任一时刻点或者任一加速度采样点的睡眠觉醒状态与该1秒的睡眠觉醒状态相同。
本发明的实施例中，首先采用自适应幅值截断技术和信号滤波技术，最大程度地排除无效信号和干扰信号对判断结果的影响；其次结合实际的睡眠状况，考虑了睡眠状态下的异常，将不同的加速度信号对应到不同的觉醒概率，统计出预设时段i内的预设时段i觉醒概率总值，再采用线性回归分析，综合记忆时段和未来时段觉醒概率值对该预设时段i觉醒概率总值的影响，进一步提高了状态判断结果的准确性。
如图3所示，一种睡眠觉醒状态的判断装置，包括：
获取单元，用于获取预设时段i的至少一个原始加速度信号χ原，其中i大于0；
预处理单元，用于对所述原始加速度信号进行预处理，得到加速度信号χ；
确定单元，用于确定所述加速度信号的觉醒概率f(χ)；
计算单元，用于根据所述觉醒概率，计算所述预设时段i的预设时段i觉醒概率总值P(i)；判断单元，用于根据所述预设时段i觉醒概率总值判断所述预设时段i的睡眠觉醒状态。
在一些实施例中，所述预处理单元包括：
第一预处理模块，用于对所述原始加速度信号进行幅值截断处理，当|χ原|＞A时，
χ处＝A×signχ原；当|χ原|≤A时，χ处＝χ原，得到处理后加速度信号χ处，其中A为χ原的幅值截断门限，且A>0；
第二预处理模块，用于对所述处理后加速度信号进行带通滤波处理，得到所述加速度信号χ。在一些实施例中，所述确定单元还用于：
当0≤χ≤A时，0＜f(χ)≤M；
当-A≤χ＜0时，0＜f(χ)≤N；
当χ＝a时，f(χ)＝M；
当χ＝-a时，f(χ)＝N，
其中，M为当加速度信号χ为a时对应的最大觉醒概率，N为当加速度信号χ为-a时对应的最大觉醒概率。
在一些实施例中，所述确定单元还用于：
当0≤χ≤A时，
Figure BDA0001871245210000111
当-A≤χ＜0时，
Figure BDA0001871245210000112
当χ＝±a时，
Figure BDA0001871245210000113
其中a和σ为常数。
在一些实施例中，所述判断单元包括：
计算模块，用于按照如下公式计算所述预设时段i的前W个时段的觉醒概率总值、所述预设时段i觉醒概率总值和所述预设时段i的后V个时段的觉醒概率总值之和，得到所述预设时段i的预设时段i睡眠觉醒监测值D(i):
Figure BDA0001871245210000114
其中，W和V分别为大于或者等于1的自然数，pii为所述预设时段i的前W个时段的觉醒概率总值的权重、c为所述预设时段i觉醒概率总值的权重，qiii为所述预设时段i的后V个时段的觉醒概率总值的权重；
判断模块，用于当所述预设时段i睡眠觉醒监测值D(i)≥Thres时，判断所述预设时段i为觉醒状态，当所述预设时段i睡眠觉醒监测值D(i)＜Thres时，判断所述预设时段i为睡眠状态，其中Thres为预设的觉醒监测门限。
以上各装置项的实施例的具体实施方式请见上述方法项实施例的具体描述，在此不再赘述。一个实施例中，一种睡眠监测仪，包括上述实施例中所述的睡眠觉醒状态判断装置。
如图4所示，为一个实施例中计算机设备的内部结构示意图，该计算机设备通过系统连接总线连接处理器、非易失性存储介质、内存储器和网络接口。其中，该计算机设备的非易失性存储介质可存储操作系统和计算机可读指令，该计算机可读指令被执行时，可使得处理器执行一种睡眠觉醒状态的判断方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该内存储器中可储存有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种睡眠觉醒状态的判断方法。计算机设备的网络接口用于进行网络通信。该计算机设备可以是服务器，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。计算机设备也可以是终端，终端的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。触摸层和显示屏构成触控屏。
在一个实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括计算机程序(指令)的存储设备，上述程序(指令)可由计算机设备的处理器执行以完成本发明各个实施例所示的睡眠觉醒状态的判断方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (4)

1.一种睡眠觉醒状态的判断方法，其特征在于，包括：
获取预设时段i的至少一个原始加速度信号χ原，其中i为大于0的自然数；
对所述原始加速度信号进行预处理，得到加速度信号χ，具体包括：对所述原始加速度信号进行幅值截断处理，当|χ原|＞A时，χ处＝A×signχ原；当|χ原|≤A时，χ处＝χ原，得到处理后加速度信号χ处，其中A为χ原的幅值截断门限，且A>0；对所述处理后加速度信号进行带通滤波处理，得到所述加速度信号χ；
确定所述加速度信号χ的觉醒概率f(χ)，具体包括：
当0≤χ≤A时，0＜f(χ)≤M；
当-A≤χ＜0时，0＜f(χ)≤N；
当χ＝a时，f(χ)＝M；
当χ＝-a时，f(χ)＝N，
其中，M为当加速度信号χ为a时对应的最大觉醒概率，N为当加速度信号χ为-a时对应的最大觉醒概率，或者
当0≤χ≤A时，
Figure FDA0003429924300000011
当-A≤χ＜0时，
Figure FDA0003429924300000012
当χ＝±a时，
Figure FDA0003429924300000013
其中a和σ为常数；
根据所述觉醒概率，计算所述预设时段i的预设时段i觉醒概率总值P(i)；
根据所述预设时段i觉醒概率总值判断所述预设时段i的睡眠觉醒状态，
其中，按照如下公式计算所述预设时段i的前W个时段的觉醒概率总值、所述预设时段i觉醒概率总值和所述预设时段i的后V个时段的觉醒概率总值之和，得到所述预设时段i的预设时段i睡眠觉醒监测值D(i):
Figure FDA0003429924300000021
其中，W和V分别为大于或者等于1的自然数，pii为所述预设时段i的前W个时段的觉醒概率总值的权重、c为所述预设时段i觉醒概率总值的权重，qiii为所述预设时段i的后V个时段的觉醒概率总值的权重；当所述预设时段i睡眠觉醒监测值D(i)≥Thres时，所述预设时段i为觉醒状态，当所述预设时段i睡眠觉醒监测值D(i)＜Thres时，所述预设时段i为睡眠状态，其中Thres为预设的觉醒监测门限。
2.一种睡眠觉醒状态的判断装置，其特征在于，包括：
获取单元，用于获取预设时段i的至少一个原始加速度信号χ原，其中i大于0；
预处理单元，用于对所述原始加速度信号进行预处理，得到加速度信号χ，所述预处理单元对所述原始加速度信号进行幅值截断处理，当|χ原|＞A时，χ处＝A×signχ原；当|χ原|≤A时，χ处＝χ原，得到处理后加速度信号χ处，其中A为χ原的幅值截断门限，且A>0；并对所述处理后加速度信号进行带通滤波处理，得到所述加速度信号χ；
确定单元，用于确定所述加速度信号的觉醒概率f(χ)，具体包括：
当0≤χ≤A时，0＜f(χ)≤M；
当-A≤χ＜0时，0＜f(χ)≤N；
当χ＝a时，f(χ)＝M；
当χ＝-a时，f(χ)＝N，
其中，M为当加速度信号χ为a时对应的最大觉醒概率，N为当加速度信号χ为-a时对应的最大觉醒概率，或者
当0≤χ≤A时，
Figure FDA0003429924300000022
当-A≤χ＜0时，
Figure FDA0003429924300000023
当χ＝±a时，
Figure FDA0003429924300000024
其中a和σ为常数；
计算单元，用于根据所述觉醒概率，计算所述预设时段i的预设时段i觉醒概率总值P(i)；
判断单元，用于根据所述预设时段i觉醒概率总值判断所述预设时段i的睡眠觉醒状态，
其中，所述判断单元按照如下公式计算所述预设时段i的前W个时段的觉醒概率总值、所述预设时段i觉醒概率总值和所述预设时段i的后V个时段的觉醒概率总值之和，得到所述预设时段i的预设时段i睡眠觉醒监测值D(i):
Figure FDA0003429924300000031
其中，W和V分别为大于或者等于1的自然数，pii为所述预设时段i的前W个时段的觉醒概率总值的权重、c为所述预设时段i觉醒概率总值的权重，qiii为所述预设时段i的后V个时段的觉醒概率总值的权重；并在所述预设时段i睡眠觉醒监测值D(i)≥Thres时，判断所述预设时段i为觉醒状态，在所述预设时段i睡眠觉醒监测值D(i)＜Thres时，判断所述预设时段i为睡眠状态，其中Thres为预设的觉醒监测门限。
3.一种睡眠监测仪，其特征在于，包括权利要求2所述的睡眠觉醒状态的判断装置。
4.一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上存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，使得所述处理器执行权利要求1所述方法的步骤。
CN201811377963.8A 2018-11-19 2018-11-19 睡眠觉醒状态的判断方法、装置、睡眠监测仪和存储介质 Active CN109567752B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811377963.8A CN109567752B (zh) 2018-11-19 2018-11-19 睡眠觉醒状态的判断方法、装置、睡眠监测仪和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811377963.8A CN109567752B (zh) 2018-11-19 2018-11-19 睡眠觉醒状态的判断方法、装置、睡眠监测仪和存储介质

Publications (2)

Publication Number Publication Date
CN109567752A CN109567752A (zh) 2019-04-05
CN109567752B true CN109567752B (zh) 2022-04-22

Family

ID=65922892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811377963.8A Active CN109567752B (zh) 2018-11-19 2018-11-19 睡眠觉醒状态的判断方法、装置、睡眠监测仪和存储介质

Country Status (1)

Country Link
CN (1) CN109567752B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090150699A1 (en) * 2007-11-29 2009-06-11 Electronics And Telecommunications Research Institute Sleep scheduling method based on moving directions of target in sensor network
WO2009128000A1 (en) * 2008-04-16 2009-10-22 Philips Intellectual Property & Standards Gmbh Method and system for sleep/wake condition estimation
US20110230790A1 (en) * 2010-03-16 2011-09-22 Valeriy Kozlov Method and system for sleep monitoring, regulation and planning
JP5652764B2 (ja) * 2011-02-09 2015-01-14 公立大学法人首都大学東京 睡眠状態判定装置及び睡眠状態判定プログラム
CN102626538B (zh) * 2012-03-30 2015-05-13 北京品驰医疗设备有限公司 基于睡眠检测的集成式闭环脑深部刺激器
CN204246115U (zh) * 2014-07-15 2015-04-08 北京博实联创科技有限公司 一种生理信息采集和处理装置
JP6518570B2 (ja) * 2015-10-29 2019-05-22 日本電信電話株式会社 睡眠段階推定装置、方法およびプログラム
CN105816153A (zh) * 2016-03-13 2016-08-03 北京工业大学 一种睡眠监测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《基于体动信号的睡眠、觉醒识别方法研究》;张莉莉等;《医疗卫生装备》;20110430;第32卷(第4期);第34、39页 *
《基于条件概率的短时睡眠状态实时估计》;王蓓等;《北京生物医学工程》;20150831;第34卷(第4期);第383-388页 *
《基于腕动信息的睡眠监测仪的研究》;范志祥;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20090615(第6期);C030-52 *

Also Published As

Publication number Publication date
CN109567752A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109464130B (zh) 睡眠辅助方法、系统及可读存储介质
RU2672684C2 (ru) Сенсорные стимулы для повышения точности оценки определения стадий сна
CN110193127B (zh) 音乐辅助睡眠的方法、装置、计算机设备及存储介质
US11678840B2 (en) Mediation of traumatic brain injury
US20180008191A1 (en) Pain management wearable device
CN110741443A (zh) 用于促进用户的睡眠改善的系统和方法
WO2021051944A1 (zh) 自动推送助眠乐曲方法、装置、计算机设备及存储介质
CN110706816A (zh) 一种基于人工智能进行睡眠环境调控的方法及设备
KR102256313B1 (ko) 뇌전도 신호 기반 멀티 주파수 대역 계수를 이용한 특징추출 및 확률모델과 기계학습에 의한 간질 발작파 자동 검출 방법 및 장치
JPWO2019216378A1 (ja) 演算装置、検知装置、演算方法、及び、コンピュータプログラム
JP2004089267A (ja) 睡眠深度推定装置及びこれを具えた布団
CN109091112B (zh) 呼吸暂停事件类型的判断装置
CN113677270B (zh) 基于额叶脑活动监测传感器的信息增强深度睡眠
CN116339509A (zh) 一种智能终端设备的控制方法及控制装置
TWI633871B (zh) 聽力診斷裝置與聽力資訊偵測方法
CN117379021A (zh) 基于智能穿戴设备的老年人健康指标监测系统
CN110179436B (zh) 一种鼾声取样方法及终端设备
CN111839847A (zh) 肌电假肢控制方法、装置、电子设备和计算机可读介质
CN109567752B (zh) 睡眠觉醒状态的判断方法、装置、睡眠监测仪和存储介质
CN117064344B (zh) 一种多模态刺激的吞咽障碍治疗方法及其系统
US20190021633A1 (en) Detecting respiratory rates in audio using an adaptive low-pass filter
JP7211441B2 (ja) 覚醒度推定装置、覚醒度推定方法、及びプログラム
CN114595723A (zh) 体征信号的质量评估方法、装置、电子设备和存储介质
WO2021230775A1 (ru) Способ определения фазы сна в длительной записи ээг
JP2022021716A (ja) 診断支援システム、診断支援方法、及び診断支援プログラム

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