CN109688901B - 睡眠监测 - Google Patents
睡眠监测 Download PDFInfo
- Publication number
- CN109688901B CN109688901B CN201780053893.8A CN201780053893A CN109688901B CN 109688901 B CN109688901 B CN 109688901B CN 201780053893 A CN201780053893 A CN 201780053893A CN 109688901 B CN109688901 B CN 109688901B
- Authority
- CN
- China
- Prior art keywords
- sleep
- concentration
- subject
- sensor
- monitored
- 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
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 243
- 238000012544 monitoring process Methods 0.000 title claims abstract description 111
- 238000009434 installation Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 54
- 238000009423 ventilation Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 11
- 230000000737 periodic effect Effects 0.000 claims description 10
- 206010062519 Poor quality sleep Diseases 0.000 claims description 7
- 230000008667 sleep stage Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 20
- 238000011156 evaluation Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000001953 sensory effect Effects 0.000 description 10
- 238000013500 data storage Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000035790 physiological processes and functions Effects 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000004620 sleep latency Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 101000746263 Conus leopardus Conotoxin Lp5.1 Proteins 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/083—Measuring rate of metabolism by using breath test, e.g. measuring rate of oxygen consumption
- A61B5/0836—Measuring rate of CO2 production
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7239—Details of waveform analysis using differentiation including higher order derivatives
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Anesthesiology (AREA)
- Emergency Medicine (AREA)
- Obesity (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种用于监测一对对象的睡眠的睡眠监测系统(10),包括用于安装在空间(1)内的不同睡眠区域中的一对CO2传感器(21、21’),以及通信地耦合到该对CO2传感器的处理器(31)。针对特定睡眠区域中的每个CO2传感器,处理器适于:从由所述特定睡眠区域中的CO2传感器产生的传感器数据监测(203)CO2浓度,以检测所述睡眠区域中对象的存在;在检测到(205)所述存在时,记录(207)所监测的CO2浓度;在检测到所述存在时,确定(303)所述CO2传感器之间的串扰的程度;以及从在所述存在期间所记录的CO2浓度导出针对所述对象的睡眠模式信息,睡眠模式信息作为所确定的串扰的程度的函数,其中睡眠模式信息至少包括对象清醒的指示和对象入睡的指示。
Description
技术领域
本发明涉及一种用于监测一对对象的睡眠的睡眠监测系统。
本发明还涉及一种监测一对对象的睡眠的方法。
本发明又涉及一种便于监测一对对象的睡眠的计算机程序产品。
背景技术
US2015173671A1公开了一种生理监测的方法和系统。方法包括以下步骤:利用定位在第一对象中或定位在第一对象附近并且被配置成提供第一信号的第一传感器测量与第一对象有关的量,利用定位在第二对象中或定位在第二对象附近并且被配置成提供第二信号的第二传感器测量与第二对象有关的量,以及分析第一信号和第二信号以及第一信号和第二信号的相互关系,以便确定与第一对象和/或第二对象有关的至少一个事件。
EP2976994A2公开了一种用于监测和辅助用户睡眠的睡眠辅助系统。系统包括:适于定位在用户的床附近的床边设备,床边设备可选地包括扬声器、光源、麦克风、光传感器、温度传感器、控制单元、空气质量传感器、显示单位、用户界面。系统还包括定位在用户的床中的第一感测单元,第一感测单元包括一个或多个传感器,该一个或多个传感器适于至少感测由躺在床上的用户施加的压力和压力的改变。附加传感器设备与用户的身体接触,并且耦合到该床边设备。系统被配置成将从第一感测单元和附加传感器设备获得的数据相关联。
睡眠是我们生活的重要部分。它确保我们的身体休息以及可以修复,从而是长期健康的关键。因此,人们(即对象)适当地睡眠是重要的。没有适当的睡眠,慢性健康问题可能出现。出于这个原因,已经提出很多解决方案来帮助对象对睡眠的监测,例如诊断睡眠障碍或者通过在对象睡眠的有限空间中创建环境来改善睡眠过程以提高对象的睡眠质量。
例如,CN203101953A公开了一种设备,该设备包括用于检测对象的脑电波的脑电波检测装置,以及被布置成分析这些脑电波以检测各个睡眠阶段的控制器,该设备被布置成控制空调、加湿器和/或照明控制器以响应于检测到的睡眠阶段来改善对象的睡眠。
该设备的缺点是它需要与试图睡眠的对象进行身体接触。类似的方案,例如其中压力传感器等被安装在对象试图睡眠的床垫上的解决方案,在一定程度上面临同样的问题或者可能面临精确度问题。这样的身体接触可能会让用户感觉不舒服,并且因此导致被监测的对象的睡眠中断。因此,需要一种能够以更不易察觉的方式监测睡眠的睡眠监测系统。特别地,需要一种能够以不易察觉的方式准确地监测一对对象(例如,共享一张床的两人)的睡眠的睡眠监测系统。
发明内容
本发明设法提供一种不需要与睡眠的一对对象物理接触来获得准确的睡眠信息的睡眠监测系统。
本发明还设法提供一种不需要与睡眠的一对对象物理接触来获得准确的睡眠信息的监测一对对象的睡眠的方法。
本发明又设法提供一种便于在计算设备上实施该方法的计算机程序产品。
根据一个方面,提供了一种用于监测一对对象的睡眠的睡眠监测系统,包括用于安装在空间内的不同睡眠区域中的一对CO2传感器和通信地耦合到该一对CO2传感器的处理器,其中针对特定睡眠区域中的每个CO2传感器,处理器适于:从由所述特定睡眠区域中的CO2传感器产生的传感器数据监测CO2浓度,以检测所述睡眠区域中对象的存在;在检测到所述存在时,记录所监测的CO2浓度;在检测到所述存在时,确定所述CO2传感器之间的串扰的程度;以及从在所述存在期间所记录的CO2浓度导出针对所述对象的睡眠模式信息,该睡眠模式信息作为所确定的串扰的程度的函数,其中睡眠模式信息至少包括对象清醒的指示和对象入睡的指示。
本发明基于这样的认识:可以使用一对CO2传感器以不易察觉的方式确定一对对象(即共享诸如卧室的一对个体)的睡眠,每个CO2传感器专用于对象中的一个。已经发现,这样的CO2传感器可以便于准确地确定每个个体的睡眠数据,例如,睡眠效率数据,特别是当量化CO2传感器之间的串扰时。特别地,已经发现,如果共享空间的通风(例如,通过打开一个或多个门或窗)不足,则不能忽略CO2传感器之间的串扰。因此,本发明的实施例设法确定共享空间的通风程度,以便确定是否必须确定这些CO2传感器之间的串扰,以便利用这些传感器获得空间中的各个个体的准确睡眠数据。
为此,睡眠监测系统可以适于接收用户信息,例如来自形成睡眠监测系统的一部分的用户界面或来自通信地耦合到睡眠监测系统的用户设备(诸如,智能电话、平板电脑等)的例如指示共享空间的通风程度的用户指令。这样的用户信息例如可以包括已经打开共享空间的哪些门或窗的指示,以便睡眠监测系统可以从提供的用户信息估计共享空间的通风程度,以便确定相应的CO2传感器的CO2传感器数据是否需要校正这些传感器之间的串扰。这样的估计可以基于睡眠监测系统的历史校准数据,例如当一个或多个对象存在时,通过打开门或窗并且监测空间内的CO2水平的发展,来确定共享空间的每个门或每个窗的通风效率。
备选地,处理器可以适于确定所监测的CO2浓度中的最小CO2浓度和最大CO2浓度,并且如果最小CO2浓度和最大CO2浓度之间的差低于定义的阈值,则在导出所述对象的睡眠模式时忽略所述串扰。这具有以下优点:睡眠监测系统可以自动确定是否需要考虑CO2传感器之间的串扰,从而避免了对用户干预的需要。
为了确定对象在空间中的睡眠效率,处理器可以适于通过以下方式从所记录的CO2浓度来导出针对所述对象的睡眠模式信息:当所记录的CO2浓度的增加速率大于第一阈值时,标识对象是清醒的;当所记录的CO2浓度的增加速率在第一阈值和第二阈值之间时,标识对象的浅睡眠阶段;当所记录的CO2浓度的增加速率低于第二阈值时,标识对象的深睡眠阶段。例如,处理器可以适于通过睡眠监测系统的原位校准来确定第一阈值。通过以这样的方式评估由相应的CO2传感器提供的CO2浓度信息,可以准确地确定利用特定的CO2传感器监测的对象的睡眠效率。
为此,针对特定睡眠区域中的每个CO2传感器,处理器可以适于,在检测到所述存在时,开始一时间段,在该时间段期间监测CO2浓度以用于睡眠评估目的;在检测到所述对象离开所述特定睡眠区域时,终止所述时间段;以及确定在所述时间段内至少一个CO2浓度的改变速率。例如,处理器可以适于仅在该时间段期间存储利用CO2传感器捕获的CO2数据,因为仅该数据与确定睡在共享空间中的一个或多个对象的睡眠效率有关。
在一些实施例中,睡眠监测系统可以包括适于检测共享空间内的一个或多个对象的存在的一个或多个附加传感器,例如,运动检测传感器、光学传感器、温度传感器等。备选地,处理器可以适于通过检测所述特定区域中的CO2浓度的增加超过另一个第一阈值来检测所述存在;以及通过检测CO2浓度的降低超过另一个第二阈值来检测所述对象离开所述特定睡眠区域,这具有不需要附加传感器的优点,从而降低了睡眠监测系统的成本。
在实施例中,针对每个CO2传感器,处理器适于周期性地采样所述特定睡眠区域中的CO2浓度;以及基于在记录所述CO2浓度期间所获取的周期性CO2浓度样本,通过线性拟合导出所记录的CO2浓度中的至少一个CO2浓度的改变速率。例如,这可以由处理器通过平均多个CO2测量来在一时间点周期性采样CO2浓度,多个CO2测量是在与所述时间点相关联的时间段中、利用所述特定睡眠区域中的CO2传感器的CO2测量,所述时间段至多是周期性采样的采样周期的一半。
在实施例中,线性拟合可以用于确定睡眠监测系统的CO2传感器之间的串扰。在这样的场景下,针对每个所记录的监测的CO2浓度,处理器还可以适于:确定实际监测的CO2浓度与所述线性拟合之间的差函数;以及基于所记录的监测的CO2浓度的差函数与其他所记录的监测的CO2浓度的平均差函数和比例因子的乘积之间的差,确定对所记录的监测的CO2浓度的串扰贡献,所述比例因子取决于所述空间的体积和所述空间的通风速率中的至少一个。
处理器还可以适于在检测到所述睡眠区域中的一个中的对象的存在时,从由两个CO2传感器产生的传感器数据监测CO2浓度。
根据另一方面,提供了一种用于监测空间内不同睡眠区域中的一对对象的睡眠的方法,每个睡眠区域包括CO2传感器,针对每个CO2传感器,方法包括:从由所述特定睡眠区域中的CO2传感器产生的传感器数据监测CO2浓度,以检测所述睡眠区域中对象的存在;在检测到所述存在时,记录所监测的CO2浓度;在检测到所述存在时,确定所述CO2传感器之间的串扰的程度;以及从在所述存在期间所记录的CO2浓度导出针对所述对象的睡眠模式信息,该睡眠模式信息作为所确定的串扰的程度的函数,其中睡眠模式信息至少包括对象清醒的指示和对象入睡的指示。这样的方法可以用于通过在必要时把CO2传感器之间的串扰因子化来以不引人注意的方式准确地确定共享相同空间的两个人的睡眠模式信息。
方法还可以包括:针对特定区域中的每个CO2传感器,在检测到所述存在时(优选地通过检测到所述特定区域中的所述CO2浓度的增加超过另一个第一阈值),开始一时间段,在所述时间段期间监测所述CO2浓度以用于睡眠评估目的;在检测到所述存在离开所述特定区域时(优选地通过检测到所述CO2浓度的降低超过另一个第二阈值),终止所述时间段;以及确定在所述时间段期间至少一个CO2浓度的改变速率。这有助于在空间被该一对对象(或由对象中的一个)占据时,主动地监测空间中的CO2浓度,从而提高该方法的效率。
在实施例中,方法还包括:周期性地采样所述特定区域中的CO2浓度,优选地通过平均多个CO2测量,多个CO2测量是在与所述时间点相关联的时间段中、利用所述特定区域中的CO2传感器的CO2测量,所述时间段至多是周期性采样的采样周期的一半;以及基于在记录所述CO2浓度期间所获取的周期性CO2浓度样本,通过线性拟合导出所记录的CO2浓度中的至少一个CO2浓度的改变速率。方法可以使用这样的线性拟合来估计CO2传感器之间的串扰的程度。在示例实施例中,针对每个所记录的CO2浓度,方法还包括:确定实际监测的CO2浓度与所述线性拟合之间的差函数;以及基于所记录的监测的CO2浓度的差函数与其他所记录的监测的CO2浓度的平均差函数和比例因子的乘积之间的差,确定对所记录的监测的CO2浓度的串扰贡献,所述比例因子取决于所述空间的体积和所述空间的通风速率中的至少一个。
根据又一方面,提供了一种包括计算机可读存储介质的计算机程序产品,该计算机可读存储介质具有与其一起实施的计算机可读程序指令,当在根据本发明的任何实施例的睡眠监测系统的处理器上被执行时,该计算机可读程序指令使处理器实施根据本发明任何实施例的方法。
附图说明
参考附图,通过非限制性示例更详细地描述本发明的实施例,其中:
图1示意性地描绘了根据实施例的睡眠监测系统;
图2示意性地描绘了被部署在用于睡眠的空间中的根据实施例的睡眠监测系统;
图3是根据实施例的睡眠监测方法的流程图;
图4是根据实施例的睡眠监测方法的一方面的流程图;
图5是描绘与不同的清醒状态相关联的通常的人的换气量的图表;
图6是描绘在有人活跃的房间测量的室内CO2水平的图表;
图7是描绘在人清醒但休息的房间测量的室内CO2水平的图表;
图8是描绘在人入睡的房间测量的室内CO2水平的图表;
图9是由根据实施例的睡眠监测系统的一对CO2传感器监测的两个晚上的CO2发展的图表;
图10是描绘应用于利用根据实施例的睡眠监测系统的CO2传感器捕获的CO2数据上的线性拟合方法的图表;
图11是描绘实际监测的CO2浓度与应用于利用根据实施例的睡眠监测系统的CO2传感器捕获的CO2数据上的线性拟合之间的差的图表;
图12是描绘实际监测的CO2浓度与应用于利用根据实施例的睡眠监测系统的CO2传感器捕获的CO2数据上的线性拟合之间的平均差的图表;以及
图13是描绘利用根据实施例的睡眠监测系统的CO2传感器获得的经串扰校正的CO2监测数据与利用可穿戴睡眠监测设备(Philips Actiwatch)获得的睡眠模式数据之间的比较的图表。
具体实施方式
应当理解的是,附图仅是示意性的,并且未按比例绘制。还应当理解,贯穿附图使用相同的附图标记来表示相同或相似部分。
图1示意性地描绘了根据实施例的睡眠监测系统10。睡眠监测系统10适于监测如图2中示意性描绘的受限空间1(诸如卧室,其中睡眠监测系统10的一对CO2传感器21、21’被定位成使得每个CO2传感器21、21’在待监测的对象的检测范围(Sp)内,例如,在该对象的1m范围内)中的一对对象的睡眠。例如,CO2传感器21、21’可以分别被定位在空间1内的(双人)床7的两侧,以便每个传感器被定位成检测睡在床的那一侧的对象(人)的CO2排放。可以以任何合适的方式定位CO2传感器21、21’,例如附接到床7的床头板、桩、床架。传感器21、21’之间的距离优选地至少是检测范围Sp并且优选地大于该检测范围以限制CO2传感器21、21’之间的串扰量。应当远离空间1的通风口3、5(例如,门或窗)定位每个CO2传感器21、21’,由于直接暴露于这样的通风,可能导致由该CO2传感器21、21’提供的CO2读数的准确性变差。例如,每个CO2传感器可以被定位在距这样的通风口大于检测范围Sp的距离处,以避免来自这样的通风的干扰。
CO2传感器21、21’可以是独立的传感器,或者可以被集成在一个或多个传感器设备(未示出)中。例如,每个CO2传感器可以被集成在单独的传感器设备中,或者两个CO2传感器21、21’可以被集成在相同的传感器设备中。这样的传感器设备20还可以包括一个或多个另外的传感器(未示出),其可以包括光传感器、声音传感器(例如麦克风)、用户输入传感器(例如用户界面)等。这样的传感器设备可以是独立的设备,例如,可以被定位在待监测的对象附近的传感器盒等。例如,传感器设备的尺寸可以设计成使得它可以被夹到床7或以其他方式被固定到一个或多个对象睡眠的床7(例如,床的床头板),以便在CO2扩散到传感器设备所定位的受限空间1内(例如,一个或多个对象睡眠的卧室)的空气的总体积之前,可以利用传感器设备准确地监测由一个或多个对象的CO2呼出引起的CO2浓度的改变。
在备选实施例中,这样的传感器设备可以形成适于改变受限空间内的大气状况的装置的一部分,这将在下面更详细地说明。例如,这样的装置可以适于调节受限空间中的大气(空气)中的纯净度、湿度、温度和气味水平中的至少一个。这样的功能例如可以被包括在空气净化装置、空调装置、空气加湿装置、气味释放装置或包括一个或多个上述功能的任何装置中。
睡眠监测系统10通常包括具有处理器31的计算设备30。如在图1中所示,计算设备30可以是与CO2传感器21、21’(例如,当被集成到一个或多个传感器设备中时)分离的设备。例如,计算设备30可以是任何合适的计算设备,诸如,个人计算机(例如台式计算机或膝上型计算机)、平板计算机、个人数字助理、移动通信设备(诸如智能手机)、可穿戴智能设备(诸如智能手表)等。计算设备30可以与CO2传感器21、21’一起(例如,与包括CO2传感器21、21’的一个或多个传感器设备一起)形成组件。在这样的组件中,计算设备30可以是分立的实体,或者可以形成适于改变受限空间内的大气状况的装置的一部分,即,这样的装置可以包括处理器31。处理器31可以是任何合适的处理器,例如通用处理器或专用处理器。计算设备30还可以包括通信地耦合到处理器31的数据存储设备33。
计算设备30被布置成与CO2传感器21、21’通信,以获得一个或多个对象所在的受限空间1中的CO2水平。CO2传感器21、21’和另外的传感器(如果存在)可以在相应的通信链路25、25’上(或在共享的通信链路上)通信地耦合到计算设备30,以便处理器31可以从这样的传感器接收传感器读数。这样的通信链路可以是有线通信链路(例如,在传感器是计算设备30的组成部分的情况下)或者可以是无线通信链路(例如,在传感器位于与计算设备30不同的设备中(例如,在如之前所解释的分离的传感器设备中)的情况下)。为此,在这样的无线通信链路上通信地耦合的相应的设备可以包括无线收发器(未示出)。这些设备可以使用任何合适的无线通信协议(例如,蓝牙、Wi-Fi、移动通信协议(诸如2G、3G、4G或5G)、合适的近场通信(NFC)协议或专有协议)通过它们相应的无线收发器彼此通信。在这样的无线通信的情况下,相应的设备可以彼此直接通信,或者可以通过诸如无线网桥、路由器、集线器等的中间设备彼此通信。可以预期这些相应的设备之间的有线通信或无线通信的任何合适的实施例。
处理器31还可以通信地耦合到数据存储设备33(这里示出为形成计算设备30的一部分)。这样的数据存储设备可以是用于存储数字数据的任何合适的设备,例如,随机存取存储器、高速缓冲存储器、闪存存储器、固态存储设备、诸如硬盘的磁存储设备、光存储设备等。备选地,数据存储设备33可以与计算设备30分离,例如,处理器31在诸如LAN或因特网的网络上可访问的网络存储设备或云存储设备。处理器31可以将从连接的CO2传感器21、21’接收的传感器数据存储在数据存储设备中,以便收集和存储所获得的在受限空间中的对象的历史睡眠信息,例如以分析这些对象的睡眠效率,如将在下面更详细地解释的。
计算设备30还包括受控于处理器31的感觉输出设备35。这样的感觉输出设备可以是能够产生能被人类感官中的一个检测到的输出的任何设备。例如,感觉输出设备35可以适于产生可见或可听的输出。处理器31可以适于生成指示利用处理器31所确定的对象的睡眠效率的控制信号,该控制信号触发感觉输出设备35以产生指示特定对象的所确定的睡眠效率的感觉输出。例如,感觉输出设备35可以包括适于显示这样的对象的所确定的睡眠效率(或睡眠效率历史)的显示器。
实施例中的睡眠监测系统10实施睡眠监测方法200,在图3中描绘睡眠监测方法200的流程图。方法200在201开始,例如,通过接通睡眠监测系统10,之后方法200进行到203,其中利用CO2传感器21、21’监测空间1中的CO2水平。这样的CO2传感器优选地具有优于100ppm的灵敏度,并且更优选地具有优于10ppm的绝对精度。优选地,将睡眠监测系统10配置成以每小时至少10个样本的采样率(SR)来采样空间1中的CO2水平,更优选地,每小时至少50个样本。每个采样的CO2水平(即CO2浓度)可以是基于利用CO2传感器21、21’进行的多个CO2测量,其中采样值是多个CO2测量的平均值。这样的平均降低了采样值被噪声破坏的风险,因为这样的噪声通常在这样的平均技术中被平均。
周期性地评估采样数据以用于确定睡在空间1中的一个或多个对象的睡眠效率。这样的周期可以是预定义的,例如,每天一次,在一天的设置时间处或者响应于检测到对象醒来,或者可以由提供给睡眠监测系统10的用户命令(例如,使用任何合适的用户界面,例如,形成睡眠监测系统10的一部分的用户界面,或通信地耦合到睡眠监测系统10的用户界面(诸如移动通信设备(诸如智能电话、平板电脑、个人计算机、膝上型计算机等)的用户界面))触发。在评估模式中,处理器31评估利用CO2传感器21、21’和/或附加传感器(诸如,如之前解释的任何合适的对象存在检测传感器)收集的原始数据,以确定对象在哪个点处已进入空间1,如由205所指示的。例如,通过检测空间1内的CO2水平的突然增加,可以利用CO2传感器21、21’检测这样的存在,因为这样的突然增加指示在空间1内的对象呼出CO2。在实施例中,处理器31适于通过检查利用CO2传感器21、21’确定的在时间t处的实际CO2水平是否大于在时间t0处的参考CO2水平和比例因子FTF的乘积来确定这样的对象的存在:
CO2(t)>FTF*CO2(t0) (1)
比例因子FTF可以凭经验确定,并且通常被选择为使得以高准确性确定对象的存在,即,使存在的检测中的假阳性或假阴性的风险最小化。例如,FTF的典型值是1.3,尽管其他值同样可以适用,如本领域技术人员将容易理解的,FTF的合适的值取决于许多因素,例如,空间1的体积和空间1中的通风水平。也可以通过从经过几个时间间隔(例如,几个晚上)测量的CO2时间发展“学习”来改进或调整比例因子FTF的值。
在确定空间1内存在对象时(例如通过确定等式(1)为真或通过利用存在检测器检测到对象),方法200进行到207,其中处理器31开始对利用CO2传感器21、21’收集的数据的评估时间段,如本领域技术人员将容易理解的,这可以涉及对利用相应的CO2传感器21、21’收集的数据进行单独评估,以便确定睡在空间1中的对象的个体睡眠效率数据。在209中,处理器31通过利用计算设备30收集的传感器数据来确定感兴趣的对象是否仍然存在于空间1中。对象从空间1的离开可以利用存在检测器(如果睡眠监测系统10中设置该检测器)或者利用CO2传感器21、21’通过检查利用CO2传感器21、21’确定的在时间t1处的实际CO2水平是否大于在t1之前的定义的时间段处的时间t(例如t=t1-15min)处的参考CO2水平和另外的比例因子STF的乘积来进行检测:
CO2(t1)>STF*CO2(t) (2)
比例因子STF可以凭经验确定,并且通常被选择为使得以高准确性确定对象从空间1的离开,即,离开检测中的假阳性或假阴性的风险被最小化。例如,STF的典型值是0.9,尽管其他值同样可以适用,如本领域技术人员将容易理解的,STF的合适的值取决于许多因素,例如,空间1的体积和空间1中的通风水平。也可以通过从经过几个时间间隔(例如,几个晚上)测量的CO2时间发展“学习”来改进或调整比例因子STF的值。
在确定对象从空间1离开时,方法200进行到睡眠效率监测方法300,其中评估时间段的终点被设置为t1并且对在评估时间段期间收集的CO2数据进行评估以导出在时间段t-t1上的对象的睡眠效率,如将在下面进一步详细解释的。此时,方法200可以返回到203以继续评估利用计算设备30收集的数据,例如,以便检测可以对其执行睡眠效率评估的数据中的另外的评估时间段,或者此时,方法200可以在213中终止。
睡眠效率监测方法300开始于301,例如,通过方法200从评估209进入睡眠效率监测方法300,之后睡眠效率监测方法300进行到303,其中根据需要,针对传感器之间的串扰执行评估来校正利用相应的CO2传感器21、21’收集的CO2数据。在实施例中,这涉及评估空间1的通风条件,因为已经发现这样的空间的充分通风可以将CO2传感器21、21’之间的串扰抑制到可以忽略的程度。在实施例中,睡眠监测系统10适于根据由用户通过睡眠监测系统10的用户界面或与睡眠监测系统10(无线)通信的分离的设备的用户界面(如之前所解释的)提供的用户信息来确定空间1的通风状况。
例如,这样的用户信息可以提供门3或窗5中的哪一个已经打开的指示,睡眠监测系统10可以基于该指示确定是否可以忽略CO2传感器21、21’之间的串扰。睡眠监测系统10(即处理器31)可以基于历史校准数据(其中在门3和窗5中的一个或多个打开的情况下,利用CO2传感器21、21’收集空间1内的CO2水平(在存在定义数量的对象的情况下))进行这样的确定,以确定在这样的限定的通风条件下,空间1的通风是否足以抑制CO2传感器21、21’之间的串扰。可以通过确定(例如,在上述评估时间段内的)最大CO2水平MAX(CO2(t))和最小CO2水平MIN(CO2(t))之间的差Δp来确定这样的串扰变得不可忽略的指示:
Δp=MAX(CO2(t))-MIN(CO2(t)) (3)
并确定该差是否低于定义的阈值T(例如150ppm)。在该差低于定义的阈值T的情况下,方法300进行到305,其中空间1中的每个对象的睡眠效率评估是基于与该对象相关联的CO2传感器21、21’收集的未校正的CO2数据,即,是基于使用该传感器收集的孤立的CO2数据,而不将该数据与其他CO2传感器的串扰因子化。
借助于图5更详细地解释这样的睡眠效率评估方法的示例实施例,其提供了检测不同清醒状态(即,对象清醒或睡眠之间的区别)的能力的概念的证据。图5描绘了标识三个睡眠阶段的图表。阶段I为清醒,阶段II为转变到睡眠状态,以及阶段III为睡眠状态,其中X轴显示时间(以分钟为单位),并且Y轴显示对象的换气量(以l/min为单位)。因此,该图表清楚地描绘了当对象从清醒状态进入睡眠状态时换气(呼吸)量的明显减少。因此,从清醒状态到睡眠状态排出的CO2量也因此减少。在单位时间段内受监测的对象排出的CO2的监测的量可以用作对象是清醒还是入睡的指示。例如,如果在这样的单位时间段内排出的CO2量超过定义的阈值,则可以认为这指示对象清醒,而如果在这样的单位时间段内排出的CO2量低于该定义的阈值,则可以认为这指示对象入睡。
由图6至图8进一步证明了使用对CO2水平的监测来监测对象睡眠的可行性,其中在相同的受限空间(即,具有29.25m3恒定体积的空间,具有气密密封的窗和门以最小化受限空间中CO2的损失)内在一时间段上利用CO2传感器来监测在运动(图6)、休息(图7)和睡眠(图8)期间对象排出的CO2水平。在运动期间,监测的CO2水平转化为16.5ppm/min的CO2增加速率。在休息状态下(即,对象清醒但休息),监测的CO2水平转化为3.0ppm/min的CO2增加速率,而在对象的睡眠状态下,监测的CO2水平转化为1.6ppm/min的CO2增加速率。
如将立即理解的,这些CO2增加速率的绝对值取决于若干因素,诸如受限空间的体积、被监测的对象的体重和/或肺容量、受限空间中的CO2损失率等。然而,图6至图8中的数据清楚地证明,对于特定对象,在被监测的对象的各种生理状态之间,在受限空间中CO2水平升高的速率存在明显差异。因此,清楚地证明,通过确定CO2水平的增加速率并将该速率与定义的阈值进行比较,可以确定被监测的对象的生理状态(例如,对象是清醒还入睡)。
此外,众所周知的,与处于深睡眠状态的人相比,处于浅睡眠状态的人每单位时间产生更高的换气(呼吸)量,从而也可以通过监测受限空间中CO2水平的增加速率并将受限空间中确定的CO2水平的增加速率与另外定义的阈值进行比较来区分被监测的对象的浅睡眠和深睡眠,其中当受限空间中确定的CO2水平的增加速率高于另外定义的阈值时,检测到浅睡眠,并且当受限空间中确定的CO2水平的增加速率低于另外定义的阈值时,检测到深睡眠。
在实施例中,睡眠监测系统10可以被配置成根据表1(阈值1高于阈值2)确定被监测的对象的特定生理状态:
表1
状态 | 阈值1 | 阈值2 |
清醒 | 高于 | 高于 |
浅睡眠 | 低于 | 高于 |
深睡眠 | 低于 | 低于 |
如前所述,阈值1和阈值2的绝对值将取决于多个因素,诸如受限空间的体积、被监测的对象的体重和/或肺容量、受限制空间中的CO2损失率等。在实施例中,可以通过系统的校准来获得待由睡眠监测系统10应用的相应的阈值。这可以以任何合适的方式实现。例如,至少睡眠监测系统10的CO2传感器21、21’可以放置在受限空间内并用于在对象在受限空间1内睡眠的一时间段(例如,晚上期间)上监测对象。可以评估利用CO2传感器21、21’收集的数据以标识受限空间内CO2水平的增加速率的典型改变,该典型改变将指示对象的生理状态的变化,例如从清醒状态转变为浅睡眠状态或从浅睡眠状态转变为深睡眠状态。因此,可以在收集的数据中容易地标识各种生理状态,使得可以从收集的数据容易地导出与这些各种生理状态(之间的转变)相关联的阈值1和阈值2的可适用值。为了提高如此提取的阈值的准确性,校准期间的数据收集可以被重复多次,例如,经过多个晚上。睡眠监测系统10可以具有可以由用户激活的校准模式。例如,睡眠监测系统10可以包括用户界面(例如,该用户界面在配置有app等以与计算设备30通信的分离的设备上,或者在计算设备30本身上),这允许用户例如在将CO2传感器21、21’安装在一位置(即要监测的对象打算睡在其中的空间1内的睡眠区域)附近(例如,床7的不同侧)之后激活校准模式。
在实施例中,睡眠监测系统10适于确定由与其相关联的CO2传感器21、21’监测的特定对象的睡眠效率。睡眠效率SE可以被定义为如下:
ΔTtotal是对象试图睡眠的总时间,而ΔTsleep是对象实际睡眠的总时间。ΔTtotal可以被定义为第一时间段,该第一时间段由对象试图睡眠的指示开始并且以对象起床的指示终止。对象起床的指示通常跟随对象已经入睡的指示,尽管这不是严格必须的;例如,在对象根本无法入睡的场景下,将不会获得对象入睡的这样的指示。
可以以多种方式确定总时间ΔTtotal。例如,可以通过用另外的传感器收集对象试图睡眠的指示来确定该时间段的起点。例如,这可以是用于检测对象进入床的压力传感器,该压力传感器例如可以附接到枕头或床垫等。然而,如果对象在试图睡眠之前先进行放松活动(例如阅读或看电视),则这样的指示可能不太准确。备选地,另外的传感器可以是检测受限空间中的光水平的改变的光传感器。以这样的方式,如果对象关闭受限空间内的灯(诸如床头灯或TV),则这可以被解释为对象试图进入睡眠的指示,并且这样的指示可能是准确的指示,时间段ΔTtotal的确定可以从该准确的指示开始。类似地,诸如麦克风的声音传感器可以用于此目的,因为可以通过受限空间内的噪声水平的降低来检测用户关闭TV或停止阅读。在又一实施例中,对象可以在睡眠监测系统10的用户输入传感器上(例如,在用户界面上)提供用户输入,以提供对象开始试图睡眠的特别准确的指示。可以以类似的方式确定时间段ΔTtotal的终点,通过检测警报响起、通过对象开灯、通过利用CO2传感器21、21’来确定对象排出的CO2的速率的增加等。
ΔTsleep可以被定义为第二时间段,该第二时间段以对象入睡的指示开始,并且以对象清醒的指示终止,对象清醒的指示跟随对象入睡的指示。在中断的睡眠模式的情况下,对象可能经历多个时间段,对象在该多个时间段期间入睡。在这样的场景下,可以通过将确定对象在该期间入睡的所有时间段相加来获得对象入睡的总时间段ΔTsleep。
根据前述内容将理解,可以使用利用CO2传感器21、21’收集的CO2传感器数据来确定总时间ΔTsleep。例如,CO2传感器21、21’可以周期性地采样对象试图睡眠的受限空间1中的CO2水平,该周期性的数据可以用于确定总时间ΔTsleep。例如,可以通过计算周期性的数据中的数据点的数量来确定总时间ΔTsleep,在该周期性的数据中,CO2水平的增加速率相对于之前捕获的数据点低于阈值1。根据收集的传感器数据来确定ΔTsleep的其他合适方式对于本领域技术人员来说是显而易见的。
可以针对被监测的对象暂时离开床(例如,上厕所等)的场景中的因素进一步改进睡眠监测系统10。为此,睡眠监测系统10例如可以被配置成如果确定对象在定义的时间段内返回床则继续确定时间段ΔTtotal。这可以以任何合适的方式确定,例如,如之前所解释的,使用由CO2传感器21、21’和/或一个或多个另外的传感器提供的传感器数据。其他改进方法对于本领域技术人员将是显而易见的。在实施例中,睡眠监测系统10还适于计算被监测的对象的睡眠潜伏期(SOL)。睡眠潜伏期可以被定义为对象试图入睡的时间点与对象实际入睡的时间点之间的时间段。可以如之前所解释的那样确定对象试图入睡的时间点并且可以确定对象实际入睡的时间点。
在实施例中,睡眠监测系统10可以适于在感觉输出设备35上提供计算的睡眠效率SE的指示,可选地包括睡眠潜伏期SOL的指示,使得可以使被监测的对象知道他或她的睡眠效率。为此,感觉输出设备35可以被包括在便携式计算设备30中(例如,平板设备,或诸如智能电话的移动通信设备,或可穿戴设备(例如,在睡眠期间可以由被监测的对象佩戴的智能手表等))。这具有另外的优点,即,如果CO2传感器21、21’(例如,一个或多个传感器设备的一部分)与计算设备30分离,则可以在CO2传感器21、21’和计算设备30之间部署近程无线通信(例如,NFC或蓝牙),这在能量效率方面会是有益的。
睡眠监测系统10可以适于建立睡眠效率的历史,以允许评估要监测的对象的睡眠历史。例如,处理器31可以适于将睡眠监测数据和/或从睡眠监测数据计算的睡眠效率存储在数据存储设备33中。睡眠监测系统10可以包括显示器作为感觉输出设备35,在该感觉输出设备35上可以显示存储在数据存储设备33中的睡眠历史。以这样的方式,可以显示和评估被监测的对象的睡眠效率的历史,这可以提供对被监测的对象的典型睡眠行为的有价值的见解。例如,这样的见解可以用于确定被监测的对象的某些生理症状是否可以由被监测对象在一段时间上的睡眠效率来解释,或者是否可以从所收集的数据中导出某些模式,例如,工作日和周末之间睡眠效率的差异,这可能指示潜在的与压力相关的因素。
现在,返回图4,如果在303中判定利用CO2传感器21、21’收集的数据可能包括传感器之间的不可忽略的串扰(例如,因为空间1中的通风不足),则方法300进行到307,其中针对利用每个CO2传感器21、21’收集的数据集内的评估时间段,应用线性拟合程序以将这样的评估时间段划分为多个线性段,每个线性段具有特定的斜率。借助于示出两个图表的图9更详细地解释这一点,每个图表对应于不同的日期(即,相接的两天的两个晚上),并且其中描绘了在这些时间段期间利用CO2传感器21、21’收集的数据(图9中的实线)。图9中的虚线指示所选择的将执行分析的时间间隔(状态信号值=1)。信号值从0到1或从1到0(垂直虚线)的转变指示检测到的CO2水平的改变,CO2水平的改变指示评估时间段的开始(即,检测到的CO2水平的突然上升)和结束(检测到的CO2水平的突然减少),如上面更详细解释的。
针对每个评估时间段,应用如在图10中所描绘的线性拟合。如可以在图10中看到的,如上面所解释的,利用CO2传感器21、21’以采样率SR收集的数据401被分成如由方块指示的恒定持续时间的多个时间间隔。每个这样的时间间隔由起点ts和终点te定义,起点ts是数据401的(平均的)数据样本中的一个,终点te是数据401的(平均的)数据样本中的另一个,其中将起点和终点定义成使得每个时间间隔包围数据401的N个中间数据样本。每个时间间隔可以具有相同的持续时间,尽管这不是严格必需的。每个时间间隔优选地具有至少两倍于利用CO2传感器21、21’收集多个数据点的时间段的持续时间,以用于如之前所解释的数据平均目的,并且更优选地至少是该时间段的四倍。针对每个时间间隔,时间间隔的斜率S可以被确定为:
S(ts)=(CO2(te)-CO2(tx))/(te-ts) (5)
在等式5中,CO2(te)和CO2(ts)是利用CO2传感器确定的CO2水平,分别在该时间间隔的终点和起点产生数据401。以这样的方式,可以获得由线性化时间间隔组成的线性拟合曲线403,其中每个时间间隔具有根据等式5确定的斜率。
接下来,方法300进行到309,其中确定利用特定CO2传感器21、21’收集的实际数据401与其线性拟合曲线403之间的差。图11描绘了其中该差函数被可视化的图表。这样的差函数Diff可以由等式6表示:
Diffk(t)=CO2k(t)-(CO2k(ts)+S(ts)*(t-ts)) (6)
在等式6中,Diffk(t)是针对CO2传感器k,在时间点t确定的CO2水平之间的差异,CO2k(ts)是在该时间间隔的起点ts处利用CO2传感器k确定的CO2水平,以及S(ts)是利用等式5确定的该时间间隔的斜率。
如本领域技术人员将容易理解的,这些差值已经与睡在空间1中的对象的睡眠活动相关。但是,为了个体化该数据,需要标识对每个数据集的串扰贡献。为此,针对每个CO2传感器21、21’导出修改的活动信号mAC,其包括从用于另一个CO2传感器的差函数Diff获得的信息。为此目的,方法300进行到311,其中确定另一个CO2传感器(这里标记为k’)的平均差函数[Ave(Diffk’(t))]。该差函数[Ave(Diffk’(t))]的目的是改进对于贡献的解耦,该贡献是指第二个人对由用于确定第一个人的睡眠活动的传感器21产生的CO2信号的贡献。这是通过利用更接近第二个人的传感器21’的信息来完成的。但是由于传感器21’的CO2信号还包括另一个(第一个)人的贡献的事实,需要特定的措施来解耦这些信号。
由于传感器21’与第一个人的距离较大,由于第一个人的贡献引起的传感器21’的CO2信号的信号幅度以及信号改变的陡度较小。因此,CO2传感器k’的差的平均值[Diffk’(t)]与加权因子β一起用于校正。将Diffk’(t)和β的乘积加到差函数Diffk(t)中:
mACk=Diffk(t)+β*Ave(Diffk’(t)) (7)
如上面所解释的,优选地以大于平均周期的时间常数τ来执行差函数Diffk(t)和Diffk’(t)的平均,以获得如之前所解释的数据401中的平均的采样点(tave)。τ应当是该平均周期的1.5倍以上,并且优选地位于该平均周期的4-6倍之间。图12中给出了传感器21’的这样的平均的信号Ave(Diffk’(t))的示例;所使用的时间常数为τ=5*tave。
在等式(7)中,β是量化CO2传感器21、21’之间的串扰量的比例因子。比例因子β的典型值在0.2到0.8的范围内,并且在示例实施例中,β=0.5。该比例因子可以凭经验确定,并且可以将空间1中的实际通风条件因子化;例如,与其中一些通风将CO2传感器21、21’之间的串扰减少的情况相比,在没有通风的情况下,可以应用较高的比例因子β。
接下来,方法300进行到313,其中基于利用等式7获得的对应的CO2传感器21、21’的mAC信号来执行空间1中的每个对象的睡眠效率评估。可以根据之前在方法300的步骤305中详细描述的评估方法来评估每个mAC信号。备选地或附加地,可以通过将阈值TH应用于该信号的数据以便补偿对应的CO2传感器的灵敏度上的噪声和波动(例如由于与该传感器相关联的对象在床7中翻转,使得较少的CO2可以被导向对应的CO2传感器),来进一步分析每个mAC信号。在该实施例中,对象在他或她停留在空间1期间的活动时间TAC可以如下计算:
TAC,k=t(mACk-THk>0)/(tend-tstart) (8)
在等式8中,tstart和tend分别是评估时间段的开始时间和结束时间。
可以基于mACk的最小值来确定阈值THk。例如,该最小值的绝对值乘以比例因子γ可以用于定义THk:
THk=γ*Abs[Min(ACk(t)] (9)
比例因子γ可以凭经验确定并且应当大于0.5。在优选的实施例中,γ的值约为1.5。然而,为了提高睡眠评估过程的准确性,THk的值可以具有定义的下限,如果γ变得小于该下限,则使用该下限代替γ。例如,THk的下限可以定义为15ppm。备选地,该下限可以定义为20ppm*Q/V,其中Q是通风速率,并且V是空间1的体积。该下限的其他合适的定义对于本领域技术人员来说是显而易见的。
利用根据实施例的睡眠监测系统10证明了概念的证据,其中将利用CO2传感器21、21’捕获的两个对象的CO2排放与利用由每个对象穿着的校准的可穿戴睡眠监测设备(Philips Actiwatch)获得的睡眠活动数据进行比较。图13描绘了CO2传感器21、21’中的一个的mAC信号(上面的信号)和从该CO2传感器监测的对象获得的Actiwatch信号(下面的信号)。应用于mAC信号的阈值TH由标记为TH的块箭头指示。表2列出了针对三个不同的日期的利用CO2传感器21、21’(分别标记为TAC,1和TAC,2)和Actiwatch(分别标记为AW1和AW2)确定的TAC值。
表2
T<sub>AC,1</sub> | AW1 | T<sub>AC,2</sub> | AW2 | t<sub>end</sub>-t<sub>start</sub> | |
日期1 | 0.22 | 0.28 | 0.28 | 0.30 | 3.5h |
日期2 | 0.26 | 0.27 | 0.34 | 0.34 | 7.25h |
日期3 | 0.34 | 0.35 | 0.27 | 0.27 | 7.0h |
如从图13和表2两者中可以看出的,在利用睡眠监测系统10收集的数据和Actiwatch数据之间存在极好的相关性,特别是针对在较长周期上收集的数据。这清楚地证明了在存在CO2传感器21、21’之间的串扰的情况下,睡眠监测系统10准确地监测个体睡眠活动的能力。
此时,应当注意,如对于本领域技术人员显而易见的,可以进一步增强上述睡眠评估方法。例如,睡眠监测系统10可以包括另外的传感器(诸如绝对湿度传感器,湿度信息可以用于减少利用CO2传感器21、21’收集的数据上的噪声)。类似地,在通风的空间1的情况下,室外的CO2水平的波动可能影响这样的噪声水平。睡眠监测系统10可以适于获得实际的室外CO2水平(例如,从提供这样的水平的远程因特网服务),以便相应地校正利用CO2传感器21、21’收集的数据。
本发明的方面可以被实施成用于监测对象的睡眠的睡眠监测系统10和方法100。本发明的方面可以采取在一个或多个计算机可读介质中实施的计算机程序产品的形式,该计算机可读介质具有在其上实施的计算机可读程序代码。该代码通常实施计算机可读程序指令,以用于当在这样的睡眠监测系统10的处理器31上执行时,实施睡眠监测方法100。
可以使用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是例如但不限于电子、磁、光、电磁、红外或半导体系统、装置或设备,或者前述的任何合适的组合。可以在任何合适的网络连接上访问这样的系统、装置或设备;例如,系统、装置或设备可以通过网络访问以用于在网络上检索计算机可读程序代码。这样的网络可以例如是因特网、移动通信网络等。计算机可读存储介质的更多具体的示例(非详尽列表)可以包括以下内容:具有一条或多条导电的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光存储设备、磁存储设备或任何上述的适当组合。在本申请的上下文中,计算机可读存储介质可以是任何有形介质,其可以包含或存储由指令执行系统、装置或设备使用或与其结合使用的程序。
计算机可读信号介质可以包括其中包含计算机可读程序代码的传播的数据信号,例如,在基带中或作为载波的一部分。这样的传播信号可以采用多种形式中的任何一种,包括但不限于电磁、光学或其任何合适的组合。计算机可读信号介质可以是不是计算机可读存储介质并且可以通信、传播或传输程序以供指令执行系统、装置或设备使用或与其结合使用的任何计算机可读介质。计算机可读介质上实施的程序代码可以使用任何适当的介质传输,包括但不限于无线、有线、光纤电缆、RF等,或者前述的任何合适的组合。
可以以一种或多种编程语言(包括面向对象的编程语言(诸如Java、Smalltalk、C++等)和常规的程序编程语言(诸如“C”编程语言或类似的编程语言))的任何组合来编写用于通过在处理器31上执行来执行本发明的方法的计算机程序代码。程序代码可以作为独立的软件包(例如,应用)完全在处理器31上执行,或者可以部分在处理器31上执行,部分在远程服务器上执行。在后一种情况下,远程服务器可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到睡眠监测系统10,或者可以例如通过互联网使用互联网服务提供商连接到外部计算机。
上面参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的方面。将理解,流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机程序指令来实施,以在睡眠监测系统10的处理器31上全部或部分地执行,使得指令创建用于实施流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机程序指令还可以存储在可以引导睡眠监测系统10以特定方式运行的计算机可读介质中。
可以将计算机程序指令加载到处理器31上以使在处理器31上执行一系列操作步骤,以产生计算机实施的过程,使得在处理器31上执行的指令提供用于实现功能的过程/在流程图和/或框图块中指定的动作。计算机程序产品可以形成睡眠监测系统10的一部分,例如,可以被安装在睡眠监测系统10上。
应当注意,上述实施例说明而非限制本发明,并且本领域技术人员将能够在不脱离所附权利要求的范围的情况下设计许多备选的实施例。在权利要求中,括号内的任何附图标记不应当被解释为限制权利要求。“包括”一词不排除权利要求中列出的元件或步骤之外的元件或步骤的存在。元件前面的词语“一”或“一个”不排除存在多个这样的元件。可以通过包括几个不同元件的硬件来实施本发明。在列举了几种装置的设备权利要求中,可以由相同的硬件项目来实施这些装置中的几个。某些措施被记载在相互不同的从属权利要求中的这一事实并不指示不能有利地使用这些措施的组合。
Claims (15)
1.一种用于监测一对对象的睡眠的睡眠监测系统(10),包括一对CO2传感器(21、21’),用于安装在空间(1)内的不同睡眠区域中并且被定位成检测由对象排放的CO2;以及通信地耦合到所述一对CO2传感器的处理器(31),其中针对特定睡眠区域中的每个CO2传感器,所述处理器适于:
从由所述特定睡眠区域中的所述CO2传感器产生的传感器数据监测(203)CO2浓度,以检测所述睡眠区域中所述对象的存在;
在检测(205)到所述存在时,记录(207)所监测的CO2浓度;
在检测到所述存在时,确定(303)所述CO2传感器之间的串扰的程度;以及
从在所述存在期间所记录的CO2浓度导出(305、313)针对所述对象的睡眠模式信息,所述睡眠模式信息是作为所确定的串扰的程度的函数,其中所述睡眠模式信息至少包括所述对象清醒的指示以及所述对象入睡的指示。
2.根据权利要求1所述的睡眠监测系统(10),其中所述处理器(31)适于确定所监测的CO2浓度中的最小CO2浓度和最大CO2浓度,并且如果所述最小CO2浓度与所述最大CO2浓度之间的差低于定义的阈值,则在导出针对所述对象的所述睡眠模式时忽略所述串扰。
3.根据权利要求1或2所述的睡眠监测系统(10),其中所述处理器(31)适于响应于指示所述空间的通风程度的用户指令,而在导出针对所述对象的所述睡眠模式时估计所述串扰。
4.根据权利要求1至2中任一项所述的睡眠监测系统(10),其中所述处理器(31)适于通过以下方式从所记录的CO2浓度来导出(305、313)针对所述对象的睡眠模式信息:
当所记录的CO2浓度的增加速率大于第一阈值时,标识所述对象是清醒的;
当所记录的CO2浓度的增加速率在所述第一阈值和第二阈值之间时,标识所述对象的浅睡眠阶段;以及
当所记录的CO2浓度的增加速率低于所述第二阈值时,标识所述对象的深睡眠阶段。
5.根据权利要求1至2中任一项所述的睡眠监测系统(10),其中针对特定睡眠区域中的每个CO2传感器(21、21’),所述处理器(31)适于:
在检测(205)到所述存在时,开始(207)一时间段,在所述时间段期间监测所述CO2浓度以用于睡眠评估目的;
在检测(209)到所述对象离开所述特定睡眠区域时,终止所述时间段;以及
确定在所述时间段期间至少一个CO2浓度的改变速率。
6.根据权利要求5所述的睡眠监测系统(10),其中所述处理器(31)适于:
通过检测所述特定睡眠区域中的所述CO2浓度的增加超过另一个第一阈值来检测(205)所述存在;以及
通过检测所述CO2浓度的降低超过另一个第二阈值来检测(209)所述对象离开所述特定睡眠区域。
7.根据权利要求1至2和6中任一项所述的睡眠监测系统(10),其中针对每个CO2传感器(21、21’),所述处理器(31)适于:
周期性地采样所述特定睡眠区域中的所述CO2浓度;以及
基于在记录所述CO2浓度期间所获取的所述周期性CO2浓度样本,通过线性拟合导出(307)所记录的CO2浓度中的所述至少一个CO2浓度的改变速率。
8.根据权利要求7所述的睡眠监测系统(10),其中所述处理器(31)适于通过平均多个CO2测量来在一时间点周期性采样所述CO2浓度,所述多个CO2测量是在与所述时间点相关联的时间段中、利用所述特定睡眠区域中的所述CO2传感器(21、21’)的CO2测量,所述时间段至多是所述周期性采样的采样周期的一半。
9.根据权利要求7所述的睡眠监测系统(10),其中针对每个所记录的监测的CO2浓度,所述处理器(31)还适于:
确定(309)实际监测的CO2浓度与所述线性拟合之间的差函数;以及
基于所记录的监测的CO2浓度的所述差函数与其他所记录的监测的CO2浓度的平均差函数和比例因子的乘积之间的差,来确定(311)对所记录的监测的CO2浓度的串扰贡献,所述比例因子取决于所述空间的体积和所述空间的通风速率中的至少一个。
10.根据权利要求1至2、6和8至9中任一项所述的睡眠监测系统(10),其中所述处理器(31)适于在检测到所述睡眠区域中的一个睡眠区域中的对象的所述存在时,从由两个CO2传感器(21、21’)产生的传感器数据监测CO2浓度。
11.一种用于监测空间(1)内的不同睡眠区域中的一对对象的睡眠的方法(200),每个睡眠区域包括被定位成检测由对象排放的CO2的CO2传感器(21、21’),针对特定睡眠区域中的每个CO2传感器,所述方法包括:
从由所述特定睡眠区域中的所述CO2传感器产生的传感器数据监测(203)CO2浓度,以检测(205)所述睡眠区域中所述对象的存在;
在检测到所述存在时,记录(207)所监测的CO2浓度;
在检测到所述存在时,确定(303)所述CO2传感器之间的串扰的程度;以及
从在所述存在期间所记录的CO2浓度导出(305、313)针对所述存在的睡眠模式信息,所述睡眠模式信息是作为所确定的串扰的程度的函数,其中所述睡眠模式信息至少包括所述对象清醒的指示以及所述对象入睡的指示。
12.根据权利要求11所述的方法(200),对于所述特定睡眠区域中的每个CO2传感器(21、21’),还包括:
在优选地通过检测到所述特定睡眠区域中的所述CO2浓度的增加超过另一个第一阈值而检测(205)到所述存在时,开始一时间段,在所述时间段期间监测所述CO2浓度以用于睡眠评估目的;
在优选地通过检测到所述CO2浓度的降低超过另一个第二阈值而检测(209)到所述存在离开所述特定睡眠区域时,终止所述时间段;以及
确定(307)在所述时间段期间至少一个CO2浓度的改变速率。
13.根据权利要求12所述的方法(200),还包括:
优选地通过平均多个CO2测量来周期性地采样所述特定睡眠区域中的所述CO2浓度,所述多个CO2测量是在与时间点相关联的时间段中、利用所述特定睡眠区域中的所述CO2传感器(21、21’)的CO2测量,所述时间段至多是所述周期性采样的采样周期的一半;以及
基于在记录所述CO2浓度期间所获取的所述周期性CO2浓度样本,通过线性拟合导出(307)所记录的CO2浓度中的所述至少一个CO2浓度的改变速率。
14.根据权利要求13所述的方法(200),针对每个所记录的CO2浓度,还包括:
确定(309)实际监测的CO2浓度与所述线性拟合之间的差函数;以及
基于所记录的监测的CO2浓度的所述差函数与其他所记录的监测的CO2浓度的平均差函数和比例因子的乘积之间的差,来确定(311)对所记录的监测的CO2浓度的串扰贡献,所述比例因子取决于所述空间的体积和所述空间的通风速率中的至少一个。
15.一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读程序指令,当在权利要求1至10中任一项的睡眠监测系统(10)的处理器(31)上被执行时,所述计算机可读程序指令使所述处理器实施权利要求11至14中任一项所述的方法(200)。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNPCT/CN2016/000596 | 2016-11-02 | ||
CN2016000596 | 2016-11-02 | ||
EP17154976.9 | 2017-02-07 | ||
EP17154976.9A EP3357412A1 (en) | 2017-02-07 | 2017-02-07 | Sleep monitoring |
PCT/EP2017/077041 WO2018082959A1 (en) | 2016-11-02 | 2017-10-24 | Sleep monitoring |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109688901A CN109688901A (zh) | 2019-04-26 |
CN109688901B true CN109688901B (zh) | 2021-08-10 |
Family
ID=60262900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780053893.8A Active CN109688901B (zh) | 2016-11-02 | 2017-10-24 | 睡眠监测 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10517526B2 (zh) |
EP (1) | EP3478158B1 (zh) |
JP (1) | JP6609087B1 (zh) |
CN (1) | CN109688901B (zh) |
WO (1) | WO2018082959A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111511429B (zh) * | 2017-12-20 | 2023-11-07 | 皇家飞利浦有限公司 | 用于与呼吸辅助设备一起使用的控制单元 |
US11925473B2 (en) * | 2020-12-10 | 2024-03-12 | Whoop, Inc. | Detecting sleep intention |
CN114151914B (zh) * | 2021-11-18 | 2023-03-21 | 宁波奥克斯电气股份有限公司 | 空调睡眠模式控制方法、装置及空调器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050124864A1 (en) * | 2003-10-27 | 2005-06-09 | Mack David C. | System and process for non-invasive collection and analysis of physiological signals |
CN102665546A (zh) * | 2009-07-16 | 2012-09-12 | 雷斯梅德有限公司 | 睡眠状况的检测 |
CN102985127A (zh) * | 2010-05-14 | 2013-03-20 | 皇家飞利浦电子股份有限公司 | 基于对呼吸提示的响应性检测受试者的入睡的系统和方法 |
US20150173671A1 (en) * | 2013-12-19 | 2015-06-25 | Beddit Oy | Physiological Monitoring Method and System |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2007256872B2 (en) * | 2006-06-01 | 2013-03-14 | Resmed Sensor Technologies Limited | Apparatus, system, and method for monitoring physiological signs |
US20080077020A1 (en) * | 2006-09-22 | 2008-03-27 | Bam Labs, Inc. | Method and apparatus for monitoring vital signs remotely |
US8193941B2 (en) * | 2009-05-06 | 2012-06-05 | Empire Technology Development Llc | Snoring treatment |
EP2584966B1 (en) * | 2010-06-23 | 2021-05-26 | Oridion Medical 1987 Ltd. | Method and system for sleep disturbance analysis |
US9572528B1 (en) * | 2012-08-06 | 2017-02-21 | Los Angeles Biomedical Research Insitute at Harbor-UCLA Medical Center | Monitor for SIDS research and prevention |
CN203101953U (zh) | 2013-01-07 | 2013-07-31 | 广东美的制冷设备有限公司 | 家电设备 |
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 |
US9999744B2 (en) * | 2013-06-21 | 2018-06-19 | Fitbit, Inc. | Monitoring device and cognitive behavior therapy |
US10441212B2 (en) * | 2014-04-11 | 2019-10-15 | Withings | Method to determine positions and states of an activity monitoring device |
US10278638B2 (en) * | 2014-07-21 | 2019-05-07 | Withings | System and method to monitor and assist individual's sleep |
CN107835659A (zh) | 2015-07-09 | 2018-03-23 | 皇家飞利浦有限公司 | 确定代谢参数 |
WO2017194450A1 (en) | 2016-05-09 | 2017-11-16 | Koninklijke Philips N.V. | Sleep monitoring |
-
2017
- 2017-10-24 EP EP17794277.8A patent/EP3478158B1/en active Active
- 2017-10-24 US US16/321,754 patent/US10517526B2/en active Active
- 2017-10-24 WO PCT/EP2017/077041 patent/WO2018082959A1/en unknown
- 2017-10-24 JP JP2019522309A patent/JP6609087B1/ja active Active
- 2017-10-24 CN CN201780053893.8A patent/CN109688901B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050124864A1 (en) * | 2003-10-27 | 2005-06-09 | Mack David C. | System and process for non-invasive collection and analysis of physiological signals |
CN102665546A (zh) * | 2009-07-16 | 2012-09-12 | 雷斯梅德有限公司 | 睡眠状况的检测 |
CN102985127A (zh) * | 2010-05-14 | 2013-03-20 | 皇家飞利浦电子股份有限公司 | 基于对呼吸提示的响应性检测受试者的入睡的系统和方法 |
US20150173671A1 (en) * | 2013-12-19 | 2015-06-25 | Beddit Oy | Physiological Monitoring Method and System |
Also Published As
Publication number | Publication date |
---|---|
CN109688901A (zh) | 2019-04-26 |
US20190246974A1 (en) | 2019-08-15 |
JP2020500051A (ja) | 2020-01-09 |
EP3478158B1 (en) | 2019-12-11 |
WO2018082959A1 (en) | 2018-05-11 |
US10517526B2 (en) | 2019-12-31 |
JP6609087B1 (ja) | 2019-11-20 |
EP3478158A1 (en) | 2019-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107920753B (zh) | 睡眠监控 | |
CN109688901B (zh) | 睡眠监测 | |
JP5427350B2 (ja) | 傾向予測装置及び傾向予測システム | |
JP4935931B2 (ja) | 無呼吸検出プログラムおよび無呼吸検出装置 | |
JP5233342B2 (ja) | 睡眠時無呼吸検出プログラム、睡眠時無呼吸検出装置および睡眠時無呼吸検出方法 | |
US20200000369A1 (en) | Unobtrusive health analysis | |
US20180192914A1 (en) | Determining metabolic parameters | |
JP2020071621A (ja) | 監視方法、プログラム及び情報処理装置 | |
JP2008125595A (ja) | 生体情報検出装置、睡眠環境制御システムおよび生体情報検出方法 | |
CN109419493B (zh) | 身体状况预测方法、身体状况预测装置和身体状况预测程序 | |
JP2019076689A (ja) | 体調予測方法、体調予測装置及び体調予測プログラム | |
CN110603601B (zh) | 夜间哮喘监测 | |
KR20110032605A (ko) | 근거리 통신 망에서 주변 기기 제어 장치 및 방법 | |
KR101220104B1 (ko) | 수면상황 감지 시스템 및 방법 | |
EP3357412A1 (en) | Sleep monitoring | |
JP2008242687A (ja) | 睡眠判定方法および睡眠見守りシステム | |
JP6944402B2 (ja) | 在不在判定方法、プログラム、センサ処理システム、及びセンサシステム | |
JP2021082201A (ja) | 在室の有無を判定する方法、プログラム、判定システム | |
EP3401817A1 (en) | Nocturnal asthma monitoring | |
US20230022001A1 (en) | Non-invasive method and system for characterising and certifying cognitive activities | |
US20230337953A1 (en) | Incontinence detection | |
JP2007260127A (ja) | 呼吸測定器、並びに、睡眠状態判定システム | |
JP2024016831A (ja) | 換気評価装置及び換気評価方法 |
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 |