CN109843163A - 用于标记睡眠状态的方法和系统 - Google Patents
用于标记睡眠状态的方法和系统 Download PDFInfo
- Publication number
- CN109843163A CN109843163A CN201780063092.XA CN201780063092A CN109843163A CN 109843163 A CN109843163 A CN 109843163A CN 201780063092 A CN201780063092 A CN 201780063092A CN 109843163 A CN109843163 A CN 109843163A
- Authority
- CN
- China
- Prior art keywords
- sleep
- time
- period
- data
- sleep stage
- 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
- 238000000034 method Methods 0.000 title abstract description 45
- 230000003287 optical effect Effects 0.000 claims abstract description 29
- 230000008667 sleep stage Effects 0.000 claims description 409
- 230000007958 sleep Effects 0.000 claims description 266
- 230000002612 cardiopulmonary effect Effects 0.000 claims description 101
- 230000033001 locomotion Effects 0.000 claims description 98
- 238000000605 extraction Methods 0.000 claims description 26
- 230000036387 respiratory rate Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000009825 accumulation Methods 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 20
- 210000000707 wrist Anatomy 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 16
- 230000005059 dormancy Effects 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 230000004424 eye movement Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003137 locomotive effect Effects 0.000 claims description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 69
- 238000013139 quantization Methods 0.000 description 47
- 108091092195 Intron Proteins 0.000 description 39
- 238000004458 analytical method Methods 0.000 description 23
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 21
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 19
- 238000003066 decision tree Methods 0.000 description 14
- 238000000354 decomposition reaction Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 239000000284 extract Substances 0.000 description 12
- 230000004048 modification Effects 0.000 description 12
- 238000012986 modification Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 230000033228 biological regulation Effects 0.000 description 9
- 230000002708 enhancing effect Effects 0.000 description 9
- 230000001734 parasympathetic effect Effects 0.000 description 9
- 230000029058 respiratory gaseous exchange Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 239000008280 blood Substances 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 8
- 238000012806 monitoring device Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 210000000653 nervous system Anatomy 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 241001669679 Eleotris Species 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 210000003169 central nervous system Anatomy 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013144 data compression Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 230000008701 parasympathetic activation Effects 0.000 description 3
- 230000005622 photoelectricity Effects 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000004301 Sinus Arrhythmia Diseases 0.000 description 2
- 208000022249 Sleep-Wake Transition disease Diseases 0.000 description 2
- 210000000467 autonomic pathway Anatomy 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008452 non REM sleep Effects 0.000 description 2
- 230000001766 physiological effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000000718 qrs complex Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000002889 sympathetic effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 108091081062 Repeated sequence (DNA) Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- OIPILFWXSMYKGL-UHFFFAOYSA-N acetylcholine Chemical compound CC(=O)OCC[N+](C)(C)C OIPILFWXSMYKGL-UHFFFAOYSA-N 0.000 description 1
- 229960004373 acetylcholine Drugs 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004380 ashing Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000004620 sleep latency Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000008700 sympathetic activation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000003639 vasoconstrictive effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening 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
- 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
- A61B5/024—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
- A61B5/02—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
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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
- A61B5/103—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
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1114—Tracking parts of the body
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种能够基于来自移动传感器和/或光学传感器的传感器数据直接或间接地估计用户的睡眠状态的系统、计算机可读存储介质和方法。
Description
相关申请的交叉引用
根据35 U.S.C.§119(e),本申请要求2016年9月6日提交、名称为“METHODS ANDSYSTEMS FOR LABELING SLEEP STATES”的美国临时专利申请No.62/384,188和2017年2月21日提交、名称为“METHODS AND SYSTEMS FOR LABELING SLEEP STATES”的美国专利申请No.15/438,643的优先权的权益,上述两件申请在此通过引用全部并入本文。
技术领域
本公开内容涉及可穿戴设备。特别地,本文描述的示例设备能够基于来自移动传感器和/或光学传感器的传感器数据直接或间接地估计用户的睡眠状态。
背景技术
在传统的睡眠阶段评分中,专家分析睡眠者大脑活动的读数。这个过程是高度手动的过程,其涉及评分员的专业性。因此,由于方法的误差或差异,睡眠阶段得分可能因评分者而不同以及因睡眠者而不同。此外,这种睡眠阶段评分需要专门的装备,诸如脑电图(EEG)系统,这使得其难以在实验室环境外部进行。
发明内容
在附图和以下描述中阐述了本说明书中描述的主题的一个或多个实现的细节。根据说明书、附图和权利要求,其他特征、方面和优点将变得明显。
在一些实现中,提供了一种睡眠监测系统,该睡眠监测系统包括待由用户佩戴的可穿戴电子设备,该可穿戴电子设备包括:一个或多个运动传感器的集合,用以生成表示可穿戴电子设备在第一时间窗口内的运动的运动数据;以及一个或多个光学传感器的集合,用以生成由可穿戴电子设备在第一时间窗口内检测到的心肺脉冲相关数据。这样的实现还可以包括:一个或多个处理器的集合,被配置为从运动传感器的集合和一个或多个光学传感器的集合接收数据;以及非暂时性机器可读存储介质,该非暂时性机器可读存储介质可操作地耦接到一个或多个处理器的集合并且具有存储在其中的指令,该指令在被执行时使得一个或多个处理器的集合:从覆盖第一时间窗口的运动数据中提取移动特征;从覆盖第一时间窗口的心肺脉冲相关数据中提取脉冲数据特征;以及使用移动特征和脉冲数据特征来使分类器用指示选自多个睡眠阶段的第一睡眠阶段的标识符来标记与第一时间窗口相关联的时间段。
在一些附加实现中,多个睡眠阶段可以包括从睡眠阶段诸如清醒睡眠阶段、伪象/脱腕睡眠阶段、浅睡眠阶段、深睡眠阶段、以及随机眼动(REM)睡眠阶段中抽取的两个或更多个睡眠阶段。
在一些附加或替代性实现中,一个或多个光学传感器的集合可以包括光电容积描记图传感器,一个或多个运动传感器的集合可以包括加速度计;或者一个或多个光学传感器的集合可以包括光电容积描记图传感器并且一个或多个运动传感器的集合可以包括加速度计。
在一些附加或替代性实现中,第一时间窗口和时间段可以是相同的持续时间并且具有相同的起点和终点。
在一些附加或替代性实现中,移动特征和脉冲数据特征共同地可以包括一个或多个特征,诸如:从运动数据中提取的累积移动指数;在处于第一时间窗口内的第一时间与处于第一时间窗口之前的在累积移动指数最后一次超过第一阈值量时的第二时间之间的第一经过时间;在处于第一时间窗口内的第三时间与处于第一时间窗口之后的在累积移动指数首次超过第二阈值量时的第四时间之间的第二经过时间;在处于第一时间窗口内的第五时间与处于第一时间窗口之外的在累积移动指数首次超过第三阈值量时的最近时间之间的第三经过时间;在第一时间窗口之前自累积移动指数最后一次超过第四阈值量以来的时间窗口的第一数量;在所述第一时间窗口之后直到累积移动指数首次超过第五阈值量时的时间窗口的第二数量;通过样本熵评估的心肺脉冲相关数据中的跳动间间隔的变异性;通过样本熵评估的心肺脉冲相关数据的变异性;跳动间间隔的连续差的均方根;心肺脉冲相关数据的连续差的均方根;跳动间间隔在0.04Hz至0.15Hz的频率范围内的低频谱功率;心肺脉冲相关数据在0.04Hz至0.15Hz的频率范围内的低频谱功率;跳动间间隔在0.15Hz至0.4Hz的频率范围内的高频谱功率;心肺脉冲相关数据在0.15Hz至0.4Hz的频率范围内的高频谱功率;心肺脉冲相关数据的包络的变异性;跳动间间隔的包络的变异性;从心肺脉冲相关数据中提取的去趋势呼吸率的变异性;从心肺脉冲相关数据或从跳动间间隔提取的心率的百分位数间跨距;从心肺脉冲相关数据或从跳动间间隔提取的归一化去趋势心率;以及心肺脉冲相关数据中的一个或多个脉冲形状中的每个脉冲形状与心肺脉冲相关数据中的前一脉冲形状的互相关(其中,脉冲形状在互相关之前被归一化到共同的持续时间)。
在一些附加或替代性实现中,移动特征和脉冲数据特征共同地可以包括下述中的至少一种:自最后一次移动以来的时间、直到下一次移动的时间、距最近移动的时间、使用样本熵评估的从心肺脉冲相关数据中提取的跳动间间隔的变异性、从心肺脉冲相关数据中提取的去趋势呼吸率的变异性、以及心肺脉冲相关数据中的一个或多个脉冲形状中的每个脉冲形状与心肺脉冲相关数据中的前一脉冲形状的互相关(其中,脉冲形状在所述互相关之前被归一化到共同的持续时间)。
在一些附加或替代性实现中,使分类器标记时间段的指令可以包括下述指令:所述指令在被执行时使一个或多个处理器的集合将移动特征和脉冲数据特征传输到执行分类器的服务器系统,并且一个或多个处理器的集合中的一个或多个处理器中的至少一些处理器可以是服务器系统的一部分。
在一些附加或替代性实现中,使分类器标记时间段的指令可以包括下述指令:所述指令在被执行时使一个或多个处理器的集合执行分类器诸如例如最近邻分类器、随机森林分类器和线性判别分类器。
在一些附加或替代性实现中,分类器可以使用从针对睡眠研究对象群体收集的基准运动数据和基准心肺脉冲相关数据中提取的移动特征和脉冲数据特征进行训练。
在一些附加或替代性实现中,指令还可以使一个或多个处理器的集合在一个或多个处理器被使得生成脉冲数据特征之前填充心肺脉冲相关数据中的缺失数据点。
在一些附加或替代性实现中,指令还可以使一个或多个处理器的集合基于多个连续时间段的标签来改变与第一时间窗口相关联的时间段的标签,以满足模式约束,所述多个连续时间段包括与第一时间窗口相关联的时间段。
在一些附加实现中,当用指示清醒睡眠阶段的指示符标记时间段并且用指示深睡眠阶段的指示符标记与该时间段邻近的时间段时,可以满足模式约束。在这样的实现中,用于时间段的标签可以从指示清醒睡眠阶段的指示符改变为指示深睡眠阶段的指示符。
在一些附加或替代性实现中,指令还可以使一个或多个处理器的集合:获得与时间段相关联的置信度数字,每个置信度数字用于多个睡眠阶段中的一个不同的睡眠阶段;以及用指示多个睡眠阶段中针对该时间段具有最高置信度数字的睡眠阶段的标识符标记时间段。
在一些实现中,可以提供一种方法,该方法包括:接收从可穿戴电子设备中的一个或多个光学传感器的集合获得的在第一时间窗口内的心肺脉冲相关数据;接收从可穿戴电子设备中的一个或多个运动传感器的集合获得的在第一时间窗口内的运动数据,该运动数据包括可穿戴电子设备所经历的移动的量化或从其得出的数据中的至少一种;以及使用运动数据和心肺脉冲相关数据,以用指示选自多个睡眠阶段的第一睡眠阶段的指示符标记与第一时间窗口相关联的时间段。
在一些附加实现中,该方法还可以包括从覆盖第一时间窗口的运动数据中提取移动特征;从覆盖第一时间窗口的心肺脉冲相关数据中提取脉冲数据特征;以及使用移动特征和脉冲数据特征来使分类器从多个睡眠阶段中选择第一睡眠阶段。
在一些附加或替代性实现中,分类器可以是最近邻分类器、随机森林分类器或线性判别分类器。
在一些附加或替代性实现中,该方法还可以包括在提取脉冲数据特征之前填充心肺脉冲相关数据中的缺失数据点。
在一些附加或替代性实现中,该方法还可以包括使用从针对睡眠研究对象群体收集的基准运动数据和基准心肺脉冲相关数据中提取的移动特征和脉冲数据特征来训练分类器。
在一些附加或替代性实现中,移动特征和脉冲数据特征共同地可以包括一个或多个特征,诸如:从运动数据中提取的累积移动指数;在处于第一时间窗口内的第一时间与处于第一时间窗口之前的在累积移动指数最后一次超过第一阈值量时的第二时间之间的第一经过时间;在处于第一时间窗口内的第三时间与处于第一时间窗口之后的在累积移动指数首次超过第二阈值量时的第四时间之间的第二经过时间;在处于第一时间窗口内的第五时间与处于第一时间窗口之外的在累积移动指数首次超过第三阈值量时的最近时间之间的第三经过时间;在第一时间窗口之前自累积移动指数最后一次超过第四阈值量以来的时间窗口的第一数量;在第一时间窗口之后直到累积移动指数首次超过第五阈值量时的时间窗口的第二数量;通过样本熵评估的心肺脉冲相关数据中的跳动间间隔的变异性;通过样本熵评估的心肺脉冲相关数据的变异性;;跳动间间隔的均方根偏差;心肺脉冲相关数据的均方根偏差;跳动间间隔的低频谱功率;跳动间间隔的高频谱功率;心肺脉冲相关数据的低频谱功率;心肺脉冲相关数据的高频谱功率;心肺脉冲相关数据的包络的变异性;跳动间间隔的包络的变异性;从心肺脉冲相关数据中提取的去趋势呼吸率的变异性;从心肺脉冲相关数据或从跳动间间隔提取的心率的百分位数跨距;从心肺脉冲相关数据或从跳动间间隔提取的归一化去趋势心率;以及心肺脉冲相关数据中的一个或多个脉冲形状中的每个脉冲形状与心肺脉冲相关数据中的前一脉冲形状的互相关(其中,脉冲形状可以在互相关之前被归一化到共同的持续时间)。
在一些附加或替代性实现中,第一时间窗口和时间段可以是相同的持续时间并且具有相同的起点和终点。
在一些附加或替代性实现中,多个睡眠阶段可以包括从睡眠阶段诸如清醒睡眠阶段、伪象/脱腕睡眠阶段、浅睡眠阶段、深睡眠阶段、以及随机眼动(REM)睡眠阶段中抽取的两个或更多个睡眠阶段。
在一些附加或替代性实现中,时间段可以是多个时间段中的一个,每个时间段标记有指示选自多个睡眠阶段的对应睡眠阶段的指示符,并且该方法还可以包括:检测到第一睡眠阶段使与多个时间段中的每个时间段对应的睡眠阶段与睡眠阶段规则匹配,睡眠阶段规则指示为无效的系列睡眠阶段;响应于检测到第一睡眠阶段使与多个时间段中的每个时间段对应的睡眠阶段与睡眠阶段规则匹配,根据更新规则用第二睡眠阶段更换第一睡眠阶段。
在一些附加或替代性实现中,更新规则可以根据多个睡眠阶段的多数规则分析来执行以选择第二睡眠阶段。
在一些附加或替代性实现中,标记的时间段可以是多个标记的时间段的一部分,并且该方法还可以包括针对在多个标记的时间段中使用的每种类型的标签生成对睡眠时间的持续时间的估计。
在一些实现中,可以提供一种装置,该装置包括:通信接口;一个或多个处理器;以及存储器。一个或多个处理器可以与存储器和通信接口通信地连接,并且存储器可以具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时使一个或多个处理器:接收第一用户的睡眠阶段数据,睡眠阶段数据包括指示与第一用户的第一睡眠时段相关联的时间间隔的数据和指示对于每个时间间隔与该时间间隔相关联的睡眠阶段的数据,其中,与每个时间间隔相关联的睡眠阶段选自预定的具有不同睡眠阶段的集合;以及生成第一图形用户界面部件,该第一图形用户界面部件指示在第一睡眠时段的每个睡眠阶段中花费的总时间的相对百分位数分解。
在一些附加实现中,预定的具有不同睡眠阶段的集合可以包括从睡眠阶段诸如伪象或脱腕睡眠阶段、清醒睡眠阶段、随机眼动(REM)睡眠阶段、浅睡眠阶段或深睡眠阶段中抽取的一个或多个睡眠阶段。
在一些附加或替代性实现,存储器还可以具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时还使一个或多个处理器:接收有代表性的个人睡眠阶段数据,该有代表性的个人睡眠阶段数据指示针对第一用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的相对百分位数分解;以及修改第一图形用户界面部件,以除了第一睡眠时段的每个睡眠阶段中花费的总时间的相对百分位数分解之外还指示针对第一用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的相对百分位数分解。
在一些附加或替代性实现中,有代表性的个人睡眠阶段数据——指示针对第一用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的相对百分位数分解——可以是针对第一用户的多个睡眠时段在每个睡眠阶段中花费的总时间的平均值的相对百分位数分解。
在一些附加或替代性实现中,第一用户的多个睡眠时段可以包括跨至少一下述时间间隔的多个睡眠时段,所述时间间隔诸如例如在生成第一图形用户界面部件的时间之前的一周、在生成第一图形用户界面部件的时间之前的四周、在生成第一图形用户界面部件的时间之前的15天、或者在生成第一图形用户界面部件之前的30天。
在一些附加或替代性实现中,存储器还可以具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时还使一个或多个处理器:接收有代表性的同类群体睡眠阶段数据,该有代表性的同类群体睡眠阶段数据指示针对多个用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的同类群体相对百分位数;以及修改第一图形用户界面部件,以除了第一睡眠时段的每个睡眠阶段中花费的总时间的相对百分位数分解之外还指示针对多个用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的相对百分位数分解。
在一些附加或替代性实现中,针对多个用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的同类群体相对百分位数分解可以包括与每个睡眠阶段相关联的百分位数范围。
在一些附加或替代性实现中,多个用户可以是第一年龄范围内的用户,并且可以是与第一用户相同的性别,并且第一用户可以在第一年龄范围内。
在一些实现中,可以提供一种装置,该装置包括通信接口、一个或多个处理器以及存储器。一个或多个处理器可以与存储器和通信接口通信地连接,并且存储器可以具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时使一个或多个处理器:接收第一用户的睡眠阶段数据,该睡眠阶段数据包括指示与第一用户的第一睡眠时段相关联的时间间隔的数据和指示对于每个时间间隔与该时间间隔相关联的睡眠阶段的数据,其中与每个时间间隔相关联的睡眠阶段可以选自预定的具有不同睡眠阶段的集合;生成第一图形用户界面部件,该第一图形用户界面部件包括显示时间间隔的睡眠图;接收第一用户输入;以及响应于接收到第一用户输入,修改第一图形用户界面以突出与预定的具有不同睡眠阶段的集合的第一睡眠阶段相关联的时间间隔,并提供基于第一用户的与第一睡眠阶段有关的睡眠阶段数据而定制的文本内容。
在一些附加实现中,预定的具有不同睡眠阶段的集合可以包括伪象或脱腕睡眠阶段、清醒睡眠阶段、随机眼动(REM)睡眠阶段、浅睡眠阶段、或深睡眠阶段中的至少一种。
在一些附加或替代性实现中,基于第一用户的与第一睡眠阶段有关的睡眠阶段数据而定制的文本内容可以包括文本诸如指示在睡眠时段期间第一用户处于第一睡眠阶段的间隔的数目的文本和/或指示基于在睡眠时段期间在第一睡眠阶段中花费的总时间量相对于在睡眠时段期间在预定的具有不同睡眠阶段的集合的所有睡眠阶段中花费的总时间量的百分位数量的文本。
在一些附加或替代性实现中,存储器还可以具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时使一个或多个处理器:接收多个用户输入,该多个用户输入包括第一用户输入;响应于接收到每个用户输入,修改第一图形用户界面以突出与预定的具有不同睡眠阶段的集合中的一个不同的睡眠阶段相关联的时间间隔,并提供基于第一用户的与该睡眠阶段有关的睡眠阶段数据而定制的文本内容。
在一些附加或替代性实现中,睡眠图可以包括:具有针对预定的具有不同睡眠阶段的集合中的每个睡眠阶段指示的不同海拔的竖向轴和表示时间的水平轴;水平段,每个水平段对应于一个不同的时间间隔,并且位于与对应的时间间隔的睡眠阶段对应的海拔。在这样的实现中,存储器还可以具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时使一个或多个处理器通过下述方式突出与第一睡眠阶段相关联的时间间隔:所述方式为用与下述区域不同的图形外观来标记水平轴与位于与第一睡眠阶段相关联的海拔处的水平段之间的区域,所述的下述区域为在水平轴和位于与预定的具有不同睡眠阶段的集合中不同于第一睡眠阶段的睡眠阶段相关联的海拔处的水平段之间的区域。
在一些附加或替代性实现中,存储器还可以具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时使一个或多个处理器生成第二图形用户界面部件,该第二图形用户界面部件指示在第一睡眠时段的每个睡眠阶段中所花费的总时间的相对百分位数分解。
在一些附加或替代性实现中,预定的具有不同睡眠阶段的集合可以包括一个或多个睡眠阶段,诸如伪象或脱腕睡眠阶段、清醒睡眠阶段、随机眼动(REM)睡眠阶段、浅睡眠阶段或深睡眠阶段。
在一些附加或替代性实现中,存储器还可以具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时还使一个或多个处理器:接收有代表性的个人睡眠阶段数据,该有代表性的个人睡眠阶段数据指示针对第一用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的相对百分位数分解;以及修改第二图形用户界面部件,以除了在第一睡眠时段的每个睡眠阶段中花费的总时间的相对百分位数分解之外还指示针对第一用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的相对百分位数分解。
在一些附加或替代性实现中,有代表性的个人睡眠阶段数据——指示针对第一用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的相对百分位数分解——可以是针对第一用户的多个睡眠时段在每个睡眠阶段中花费的总时间的平均值的相对百分位数分解。
在一些附加或替代性实现中,第一用户的多个睡眠时段可以包括跨至少一下述时间间隔的多个睡眠时段,所述时间间隔诸如:在生成第二图形用户界面部件的时间之前的一周、在生成第二图形用户界面部件的时间之前的四周、在生成第二图形用户界面部件的时间之前的15天、或者在生成第二图形用户界面部件的时间之前的30天。
在一些附加或替代性实现中,存储器还可以具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时还使一个或多个处理器:接收有代表性的同类群体睡眠阶段数据,该有代表性的同类群体睡眠阶段数据指示针对多个用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的同类群体相对百分位数分解;以及修改第二图形用户界面部件,以除了在第一睡眠时段的每个睡眠阶段中花费的总时间的相对百分位数分解之外还指示针对多个用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的同类群体相对百分位数分解。
在一些附加或替代性实现中,针对多个用户的多个睡眠时段在每个睡眠阶段中花费的总时间的有代表性的同类群体相对百分位数分解可以包括与每个睡眠阶段相关联的百分位数范围。
在一些附加或替代性实现中,多个用户可以是第一年龄范围内的用户,并且可以是与第一用户相同的性别,并且第一用户可以在第一年龄范围内。
在一些实现中,可以提供一种装置,该装置包括通信接口、一个或多个处理器以及存储器。在这样的实现中,一个或多个处理器可以与存储器和通信接口通信地连接,并且存储器可以具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时使一个或多个处理器:接收第一用户的睡眠阶段数据,该睡眠阶段数据包括指示与第一用户的第一睡眠时段相关联的时间间隔的数据和指示对于每个时间间隔与该时间间隔相关联的睡眠阶段的数据(其中与每个时间间隔相关联的睡眠阶段可以选自预定的具有不同睡眠阶段的集合);识别多个特显(display,特印、醒目地排印、特排、重显)时间间隔,每个特显时间间隔与一组不同的睡眠阶段中的一个睡眠阶段相关联(其中多个特显时间间隔中与一组不同的睡眠阶段中的清醒睡眠阶段相关联的每个特显时间间隔可以与同清醒睡眠阶段相关联并且具有大于第一阈值量的持续时间的一个不同时间间隔扩伸及同时间(coextensive,共同延展的、伸及同时间的、扩及同空间的),并且多个特显时间间隔中与一组不同的睡眠阶段中不同于清醒睡眠阶段的睡眠阶段相关联的每个特显时间间隔也可以与和该睡眠阶段相关联的一个不同的时间间隔扩伸及同时间,或跨所述时间间隔中的一个或多个连续时间间隔,该一个或多个连续时间间隔中的每一个连续时间间隔a)与该睡眠阶段相关联或b)与清醒睡眠阶段相关联并且具有小于或等于阈值量的持续时间);以及基于特显时间间隔和不同的睡眠阶段显示睡眠图。
在一些附加实现中,存储器还可以具有存储在其中的下述计算机可执行指令,该计算机可执行指令在被执行时还使一个或多个处理器:通过显示表示每个特显时间间隔的第一图形元素来显示睡眠图。在这样的实现中,每个第一图形元素可以具有:沿水平方向延伸的尺寸,该尺寸与由该第一图形元素表示的特显时间间隔的持续时间成比例;基于由该第一图形元素表示的特显时间间隔的开始时间的水平位置;以及基于与该特显时间间隔相关联的睡眠阶段的竖向位置。
在一些附加或替代性实现中,存储器还可以具有存储在其中的下述计算机可执行指令,该计算机可执行指令在被执行时还使得一个或多个处理器使一个或多个第二图形元素显示在睡眠图上,一个或多个第二图形元素中的每一个图形元素表示与清醒睡眠阶段相关联并且具有小于或等于阈值量的持续时间的一个或多个时间间隔中的一个不同的时间间隔。
在一些附加或替代性实现中,存储器还可以具有存储在其中的下述计算机可执行指令,该计算机可执行指令在被执行时还使得一个或多个处理器使第二图形元素显示在睡眠图上处于与表示与清醒睡眠阶段相关联的特显时间间隔的第一图形元素相同的海拔处。
在一些附加或替代性实现中,存储器还可以具有存储在其中的下述计算机可执行指令,该计算机可执行指令在被执行时还使得一个或多个处理器使竖向延伸线显示在睡眠图上,每个竖向延伸线跨在每一个第二图形元素的一端与第一图形元素中在与第二图形元素的那一端相同的水平位置上延伸的一个对应第一图像元素之间。在这样的实现中,竖向延伸线可以具有与用于将第一图形元素连接在一起的竖向线不同的格式。
在一些实现中,可以提供一种装置,该装置包括:被配置为佩戴在人体上的壳体;位于壳体内并且被配置为生成心血管行为的时变数据的心率传感器;一个或多个处理器;以及存储器。在这样的实现中,一个或多个处理器可以与心率传感器和存储器通信地连接,并且存储器可以具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时使一个或多个处理器:a)以第一采样率从心率传感器获得数据,b)从数据中提取一系列跳动间间隔,c)确定与跳动间间隔序列中的跳动间间隔的值相关联的参考值,d)确定参考值与跳动间间隔序列中的每个跳动间间隔的值之间的差,以产生对应的经调整的跳动间间隔值,以及e)将基于经调整的跳动间间隔值的跳动间间隔信息与参考值相关联地存储在存储器中。
在一些附加实现中,该装置还可以包括无线通信接口,并且存储器可以具有存储在其中的其他计算机可执行指令,该其他计算机可执行指令在被执行时还使一个或多个处理器:针对多个时间段执行a)至e)并使无线通信接口:传输关于多个时间段中的每个时间段的跳动间间隔序列的跳动间间隔信息,并传输对于多个时间段中的每个时间段的跳动间间隔序列与该时间段的跳动间间隔信息相关联的参考值。
在一些附加或替代性实现中,参考值可以在跳动间间隔序列中的跳动间间隔的最小值/最大值范围内。在一些其他附加或替代性实现中,参考值可以是跳动间间隔序列中的跳动间间隔的算术平均值、跳动间间隔序列中的跳动间间隔的中值、跳动间间隔序列中的跳动间间隔的众数、或者跳动间间隔序列中的跳动间间隔的中心趋势的量度。
在一些附加或替代性实现中,存储器可以具有存储在其中的其他计算机可执行指令,该其他计算机可执行指令在被执行时还使一个或多个处理器在将基于经调整的跳动间间隔值的跳动间间隔信息储存在存储器之前量化跳动间间隔值。在这样的实现中,与从数据中提取的跳动间间隔序列中的跳动间间隔的唯一值的数量相比,量化可以基于经调整的跳动间间隔值来减少跳动间间隔信息中的唯一值的数量。
在一些附加或替代性实现中,参考值可以是算术平均值、中值或众数,并且存储器可以具有存储在其中的其他计算机可执行指令,该其他计算机可执行指令在被执行时还使一个或多个处理器根据第一量化步长量化在参考值的第一阈值内的经调整的跳动间间隔值,并根据大于第一量化步长的第二量化步长量化在参考值的第一阈值之外的经调整的跳动间间隔值。
在一些附加或替代性实现中,第一阈值可以基于预定的固定值。在一些其他附加或替代性实现中,存储器可以具有存储在其中的其他计算机可执行指令,该其他计算机可执行指令在被执行时还使一个或多个处理器基于跳动间间隔序列中的跳动间值来确定第一阈值,并将第一阈值与跳动间间隔信息相关联地存储在存储器中。
在一些附加或替代性实现中,存储器可以具有存储在其中的其他计算机可执行指令,该其他计算机可执行指令在被执行时还使一个或多个处理器在将基于经调整的跳动间间隔值的跳动间间隔信息储存在存储器中之前量化跳动间间隔值和经调整的跳动间间隔值中的至少一种。在这样的实现中,与从数据中提取的跳动间间隔序列中的跳动间间隔的唯一值的数量相比,量化可以基于经调整的跳动间间隔值来减少跳动间间隔信息中的唯一值的数量。
在一些附加或替代性实现中,参考值可以是算术平均值、中值或众数,并且存储器可以具有存储在其中的其他计算机可执行指令,该其他计算机可执行指令在被执行时还使一个或多个处理器:针对在参考值的第一阈值内的跳动间间隔值或者经调整的跳动间间隔值,根据第一量化步长量化该跳动间间隔值和经调整的跳动间间隔值中的至少一种,并且针对在参考值的第一阈值之外的跳动间间隔值或经调整的跳动间间隔值,根据大于第一量化步长的第二量化步长量化该跳动间间隔值和经调整的跳动间间隔值中的至少一种。
在一些附加或替代性实现中,第一阈值可以基于预定的固定值。在一些其他附加或替代性的这样的实现中,存储器可以具有存储在其中的其他计算机可执行指令,该其他计算机可执行指令在被执行时还使一个或多个处理器:基于跳动间间隔序列中的跳动间值来确定第一阈值,并将第一阈值与跳动间间隔信息相关联地存储在存储器中。
在一些附加或替代性实现中,第一采样率可以是25Hz或更高,并且存储器可以具有存储在其中的其他计算机可执行指令,该其他计算机可执行指令在被执行时还使一个或多个处理器:将跳动间间隔值临时存储为11比特或更高的值、将量化前的经调整的跳动间值临时存储为9比特或更低的值、以及将经调整的跳动间值存储为6比特或更低的值。
在一些实现中,可以提供一种方法,该方法包括:a)以第一采样率从心率传感器获得数据,b)从数据中提取跳动间间隔序列,c)确定与跳动间间隔序列中的跳动间间隔的值相关联的参考值,d)确定参考值与跳动间间隔序列中的每个跳动间间隔的值之间的差,以产生对应的经调整的跳动间间隔值,以及e)将基于经调整的跳动间间隔值的跳动间间隔信息与参考值相关联地存储在计算机可读存储器中。
在一些附加实现中,该方法还可以包括针对多个时间段执行a)到e)并使无线通信接口:传输关于多个时间段中的每个时间段的跳动间间隔序列的跳动间间隔信息,并传输对于多个时间段中的每个时间段的跳动间间隔序列与该时间段的跳动间间隔信息相关联的参考值。
在一些附加或替代性实现中,参考值可以在跳动间间隔序列中的跳动间间隔的最小值/最大值范围内。在一些附加或替代性实现中,参考值可以是跳动间间隔序列中的跳动间间隔的算术平均值、中值或众数。在一些附加或替代性实现中,参考值可以是跳动间间隔序列中的跳动间间隔的众数。在一些附加或替代性实现中,参考值可以是跳动间间隔序列中的跳动间间隔的集中趋势的量度。
在一些附加或替代性实现中,该方法还可以包括在将基于经调整的跳动间间隔值的跳动间间隔信息储存在存储器中之前量化跳动间间隔值和经调整的跳动间间隔值中的至少一种。在这样的实现中,与从数据中提取的跳动间间隔序列中的跳动间间隔的唯一值的数量相比,量化可以基于经调整的跳动间间隔值来减少跳动间间隔信息中的唯一值的数量。在一些附加的这样的实现中,参考值可以是跳动间间隔序列中的跳动间间隔的算术平均值、中值或众数,并且量化可以包括针对在参考值的第一阈值内的跳动间间隔值或者经调整的跳动间间隔值根据第一量化步长量化该跳动间间隔值和经调整的跳动间间隔值中的至少一种,并且针对在参考值的第一阈值之外的跳动间间隔值或经调整的跳动间间隔值根据大于第一量化步长的第二量化步长量化该跳动间间隔值和经调整的跳动间间隔值中的至少一种。在一些附加的这样的实现中,第一阈值可以基于预定的固定值,而在一些其他的这样的实现中,该方法还可以包括基于跳动间间隔序列中的跳动间值来确定第一阈值,并将第一阈值与跳动间间隔信息相关联地储存在存储器中。
在一些附加或替代性实现中,第一采样率可以是25Hz或更高,并且该方法还可以包括将跳动间间隔值临时存储为11比特或更高的值、将量化前的经调整的跳动间值临时存储为9比特或更低的值、以及将经调整的跳动间值存储为6比特或更低的值。
在一些实现中,可以提供睡眠监测系统,该睡眠监测系统包括待由用户佩戴的可穿戴电子设备。该可穿戴电子设备可以包括:一个或多个运动传感器,用以生成表示可穿戴电子设备的运动的运动数据;以及一个或多个光学传感器,用以生成表示用户的循环系统特征的心肺脉冲相关数据。可穿戴电子设备还可以包括被配置为从一个或多个运动传感器和一个或多个光学传感器接收数据的一个或多个处理器以及非暂时性机器可读存储介质,该非暂时性机器可读存储介质可操作地耦接到一个或多个处理器并具有存储在其中的计算机可执行指令,该计算机可执行指令在被执行时使一个或多个处理器针对多个时间段中的每个时间段:从针对与该时间段相关联的一个或多个第一时间窗口的运动数据中提取一个或多个移动特征(其中每一个第一时间窗口可以与一个或多个移动特征中的不同移动特征相关联);从针对与该时间段相关联的一个或多个第二时间窗口的心肺脉冲相关数据中提取一个或多个脉冲数据特征,每一个第二时间窗口与一个或多个脉冲数据特征中的不同脉冲数据特征相关联;以及基于从针对与该时间段相关联的一个或多个第一时间窗口的运动数据中提取的一个或多个移动特征和从针对与该时间段相关联的一个或多个第二时间窗口的心肺脉冲相关数据中提取的一个或多个脉冲数据特征,用选自多个潜在睡眠阶段的睡眠阶段分类对该时间段进行分类。
在一些附加实现中,一个或多个处理器可以位于可穿戴电子设备中。
在一些附加或替代性实现中,可穿戴电子设备还可以包括被配置为将运动数据和心肺脉冲相关数据传送到一个或多个处理器的通信接口,并且一个或多个处理器可以位于远离可穿戴电子设备的位置。
在一些附加或替代性实现中,一个或多个处理器可以位于选自由下述组成的组的便携式电子设备中:智能手机、平板计算机和膝上型计算机。
在一些附加或替代性实现中,一个或多个处理器可以位于一个或多个服务器中。
在一些附加或替代性实现中,第一时间窗口、第二时间窗口、或者第一时间窗口和第二时间窗口中的至少两个时间窗口可以具有相同的起点和相同的终点,并且因此可以具有相同的持续时间。
在一些附加或替代性实现中,第一时间窗口、第二时间窗口、或者第一时间窗口和第二时间窗口中的至少两个时间窗口可以具有与和它们相关联的时间段相同的起点和相同的终点,并且因此可以具有与该时间段相同的持续时间。
在一些附加或替代性实现中,非暂时性机器可读存储介质还可以在其中存储有计算机可执行指令,该计算机可执行指令在被执行时使一个或多个处理器将一个或多个后分类规则应用于多个时间段,其中每个后分类规则比较两个或更多个时间段的睡眠阶段分类,并且响应于一个或多个后分类规则改变多个时间段中的一个或多个时间段的睡眠阶段分类中的一个或多个睡眠阶段分类。
在一些附加或替代性实现中,多个潜在睡眠阶段分类可以至少包括清醒分类和深睡眠分类,并且一个或多个后分类规则可以包括下述后分类规则:所述后分类规则使得对于具有深睡眠分类的邻近时间段的清醒分类的时间段将该具有清醒分类的时间段的阶段分类从清醒分类改变为深睡眠分类。
在一些附加或替代性实现中,非暂时性机器可读存储介质还可以在其中存储有下述计算机可执行指令,该计算机可执行指令在被执行时使一个或多个处理器:在对每个时间段进行分类时,对于每个时间段基于从针对与该时间段相关联的一个或多个第一时间窗口的运动数据中提取的一个或多个移动特征以及从针对与该时间段相关联的一个或多个第二时间窗口的心肺脉冲相关数据中提取的一个或多个脉冲数据特征确定每个潜在睡眠阶段分类的置信度数字,并用与针对该时间段具有最高置信度数字的潜在睡眠阶段分类对应的睡眠阶段分类对该时间段进行分类。
在一些附加或替代性实现中,一个或多个光学传感器可以包括光电容积描记图传感器,一个或多个运动传感器可以包括加速度计,或者一个或多个光学传感器可以包括光电容积描记图传感器并且一个或多个运动传感器包括加速度计。
在一些附加或替代性实现中,每个时间段的一个或多个移动特征和一个或多个脉冲数据特征共同地可以包括一个或多个特征,诸如:从运动数据中提取的累积移动指数;在处于该时间段内的第一时间与处于该时间段之前的在累积移动指数最后一次超过第一阈值量时的第二时间之间的第一经过时间;在处于该时间段内的第三时间与处于该时间段之后的在累积移动指标首次超过第二阈值量时的第四时间之间的第二经过时间;在处于该时间段内的第五时间与处于该时间段之外的在累积移动指数首次超过第三阈值量时的最近时间之间的第三经过时间;在该时间段之前自累积移动指数最后一次超过第四阈值量以来的时间窗口的第一数量;在该时间段之后直到累积移动指数首次超过第五阈值量时的时间窗口的第二数量;与该时间段相关联的一个或多个第二时间窗口中之一的平均心率;与该时间段相关联的一个或多个第二时间窗口中之一的平均心率的标准偏差;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的平均峰到峰值;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的平均谷到谷值;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的峰到峰值的标准偏差;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的谷到谷值的标准偏差;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的第90百分位数峰到峰值和第10百分位数谷到谷值之间的差;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的第90百分位数谷到谷值与第10百分位数谷到谷值之间的差;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的低频带中的功率(其中低频带可以在0.04Hz至0.15Hz之间);与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的高频带中的功率(其中高频带可以在0.15Hz至0.4Hz之间);与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的低频带中的功率和与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的高频带中的功率的比率(其中低频带可以在0.04Hz至0.15Hz之间并且高频带可以在0.15Hz至0.4Hz之间);与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的低频带中的总功率与同该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的总功率的百分比(其中高频带可以在0.04Hz至0.15Hz之间);与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的高频带中的总功率与同该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的总功率的百分比(其中高频带可以在0.15Hz至0.4Hz之间);与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的包络的标准偏差;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的基于DC值的估计呼吸率;或者与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据中的脉冲形状的变异性。
在一些附加或替代性实现中,每个时间段的一个或多个脉冲数据特征可以包括诸如下述的一个或多个脉冲数据特征:与该时间相关联的一个或多个第二时间窗口中之一的平均心率;与该时间段相关联的一个或多个第二时间窗口中之一的平均心率的标准偏差;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的平均峰到峰值;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的平均谷到谷值;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的峰到峰值的标准偏差;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的谷到谷值的标准偏差;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的第90百分位数峰到峰值与第10百分位数峰到峰值之间的差;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的第90百分位数谷到谷值与第10百分位数谷到谷值之间的差;与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的低频带中的功率(其中低频带可以在0.04Hz至0.15Hz之间);与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的高频带中的功率(其中高频带可以在0.15Hz至0.4Hz之间);与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的低频带中的功率和与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的高频带中的功率的比率(其中低频带可以在0.04Hz至0.15Hz之间并且高频带可以在0.15Hz至0.4Hz之间);与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的低频带中的总功率与同该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的总功率的百分比(其中高频带可以在0.04Hz至0.15Hz之间);或者与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的高频带中的总功率与同该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的心率变异性分析的总功率的百分比(其中高频带可以在0.15Hz至0.4Hz之间),其中在提取那些一个或多个脉冲数据特征之前,可以对睡眠时段的时间段的心肺脉冲相关数据进行归一化,并且可以对心肺脉冲相关数据进行归一化,使得睡眠时段的针对总计时间段的平均峰到峰值或者谷到谷值等于预定值。在一些附加的这样的实现中,预定值可以是1。
在一些附加或替代性实现中,每个时间段的一个或多个移动特征可以包括诸如下述的一个或多个移动特征:从该时间段的运动数据中提取的累积移动指数;在处于该时间段内的第一时间与处于该时间段之前的在累积移动指数最后一次超过第一阈值量时的第二时间之间的第一经过时间;在处于该时间段内的第三时间与处于该时间段之后的在累积移动指数首次超过第二阈值量时的第四时间之间的第二经过时间;在处于该时间段内的第五时间与处于该时间段之外的在累积移动指数首次超过第三阈值量时的最近时间之间的第三经过时间;在该时间段之前自累积移动指数最后一次超过第四阈值量以来的时间窗口的第一数量;在该时间段之后直到累积移动指数首次超过第五阈值量时的时间窗口的第二数量。在这样的实现中,一个或多个脉冲数据特征可以包括诸如下述的一个或多个脉冲数据特征:针对与该时间段相关联的一个或多个第二时间窗口中之一的通过样本熵评估的心肺脉冲相关数据中的跳动间间隔的变异性;针对与该时间段相关联的一个或多个第二时间窗口中之一的通过样本熵评估的心肺脉冲相关数据的变异性;针对与该时间段相关联的一个或多个第二时间窗口中之一的跳动间间隔的均方根偏差;针对与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的均方根偏差;针对与该时间段相关联的一个或多个第二时间窗口中之一的跳动间间隔的低频谱功率;针对与该时间段相关联的一个或多个第二时间窗口中之一的跳动间间隔的低频谱功率;针对与该时间段相关联的一个或多个第二时间窗口中之一的跳动间间隔的高频谱功率;针对与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的高频谱功率;针对与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据的包络的变异性;针对与该时间段相关联的一个或多个第二时间窗口中之一的跳动间间隔的包络的变异性;从针对与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据中提取的去趋势呼吸率的变异性;从针对与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据提取的或从针对与该时间段相关联的一个或多个第二时间窗口中之一的跳动间间隔提取的心率的百分位数跨距;从针对与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据提取的或从针对与该时间段相关联的一个或多个第二时间窗口中之一的跳动间间隔提取的归一化去趋势心率;或者针对与该时间段相关联的一个或多个第二时间窗口中之一的心肺脉冲相关数据中的一个或多个脉冲形状中的每个脉冲形状与心肺脉冲相关数据中的前一脉冲形状的互相关,其中,脉冲形状可以在互相关之前被归一化到共同的持续时间。
在一些附加或替代性实现中,一个或多个移动特征可以包括下述中的至少一种:自最后一次移动以来的时间、直到下一次移动的时间和/或距最近一次移动的时间,并且一个或多个脉冲数据特征可以包括下述中的至少一种:使用样本熵评估的跳动间序列的变异性、从心肺脉冲相关数据提取的去趋势呼吸率的变异性和/或脉搏率信号的互相关。
在一些附加或替代性实现中,使一个或多个处理器对每个时间段进行分类的计算机可执行指令可以包括下述指令:所述指令在被执行时使一个或多个处理器将一个或多个移动特征和一个或多个脉冲数据特征传输到服务器系统,该服务器系统执行对每个时间段生成睡眠阶段分类的分类器,并将该睡眠阶段分类提供给一个或多个处理器。
在一些附加或替代性实现中,计算机可执行指令还可以在被执行时:在使一个或多个处理器从针对一个或多个第一时间窗口的运动数据中提取一个或多个脉冲数据特征之前,使一个或多个处理器填充心肺脉冲相关数据中的缺失数据点。
参考附图和下面的详细描述进一步详细描述这些和其他实现。
附图说明
在附图的图中,通过示例而非限制的方式示出了本公开,其中除非另有指示,否则相同的附图标记指示相似的元件。
图1描绘了用于睡眠分类器训练技术的高级流程图。
图2示出了用于实现各种示例实施方式的睡眠监测平台的示例。
图3描绘了可以在睡眠监测平台诸如图2所示的睡眠监测平台中使用的各种部件的更详细的框图。
图4描绘了用于在本文所讨论的技术和系统中使用的可以用于在睡眠时段期间收集脉冲相关数据和运动数据的可穿戴设备的等距视图。
图5是描绘根据示例实施方式的可以包括在处理系统中的各种模块的框图。
图6描绘了示例光电容积描记图(PPG)信号。
图7描绘了示例跳动间间隔持续时间随时间的曲线图。
图8描绘了示例PPG信号曲线图和信号包络。
图9描绘了具有所示的心率相关的分量和呼吸率分量的示例PPG信号图。
图10描绘了用于对时间段的睡眠阶段进行分类的技术的流程图。
图11是随机森林决策树分类器的概念性示例。
图12是可以用于在时间段的睡眠阶段分类已经最初由分类器分配之后如果需要的话更新该时间段的睡眠阶段分类的技术的流程图。
图13描绘了可以用于呈现睡眠时段的睡眠阶段数据的图形用户界面的示例。
图14描绘了与呈现汇总数据相关联的技术的流程图。
图15描绘了用于呈现睡眠阶段数据的另一种技术的流程图。
图16至图19描绘了图13的GUI,但是进行了修改,使得通过将剩余的百分位数分解灰化或淡出来在每个图中强调与不同睡眠阶段相关联的百分位数分解。
图20描绘了可以用于提供关于人的睡眠时段的各个方面的信息的更全面的用户界面。
图21描绘了用于显示允许将睡眠阶段数据与历史睡眠阶段数据进行比较的GUI的技术的流程图。
图22描绘了图20的用户界面,除了它已被修改为包括百分位数分解式的比较数据。
图23描绘了用于显示允许将睡眠阶段数据与同类群体睡眠阶段数据进行比较的GUI的技术的流程图。
图24描绘了图20的用户界面,除了已经进一步修改以包括百分位数分解式的比较数据。
图25描绘了对于一些时间间隔显示双睡眠阶段指示的睡眠图。
图26描绘了用于提供增强的睡眠图显示诸如图25中所描绘的增强的睡眠图显示的一种技术的流程图。
图27描绘了用于产生增强的睡眠图的另一种技术。
图28描绘了用于压缩跳动间间隔数据的技术的流程图。
图29描绘了用于压缩跳动间间隔数据的另一种技术的流程图。
具体实施方式
概述
在睡眠期间,人可能经历多种不同的睡眠状态或阶段,其可以以多种不同的方式进行分类。在实际实践中,可以将针对人的睡眠的睡眠时段(session,一段时间、区段、工作段)划分为多个间隔,这样的间隔通常被称为“时期”,并且可以评估每个这样的间隔以确定人在该间隔期间所处的睡眠状态或阶段。例如,美国睡眠医学会指南定义了四类睡眠:W、N1-N2、N3和随机眼动(REM),其可以被视为分别对应于觉醒(或清醒)、浅睡眠(其可以包括N1和N2两者)、深睡眠和REM睡眠。其他方法可以包括更少或更多数量的睡眠阶段。例如,可以使用“伪象/脱腕”睡眠阶段来对数据指示可穿戴设备未被佩戴或来自可穿戴设备的数据不能分类为“正常”睡眠阶段的时间段进行分类。替代性地,可以以其他方式处理数据指示可穿戴设备未被佩戴或来自可穿戴设备的数据不能分类为“正常”睡眠阶段的时间段。例如,这些时间段可以简单地被视为数据记录中的间隙,可以被分配为“内插”睡眠阶段(例如,紧接在具有缺失的睡眠阶段数据的时间段之前、紧接在具有缺失的睡眠阶段数据的时间段之后或者包括具有缺失的睡眠阶段数据的时间段的多个时间段的平均睡眠阶段),或者可以被分配为“通配”睡眠阶段(例如,它们可以被视为等同于多个不同的睡眠阶段)。
本文讨论的是用于基于来自可穿戴电子设备诸如具有例如心率传感器和运动传感器的可穿戴生物计量监测设备的数据来对对象的睡眠状态或阶段进行分类的各种技术和系统,而不是基于利用专家对EEG设备的输出的解释的较传统的系统。如本文所使用的,“可穿戴”生物计量监测设备是被设计用于穿戴起来舒适且不引人注意的设备,诸如腕戴设备,像Fitbit Charge HR、Fitbit Surge、Fitbit Blaze等。以必须粘附到人体上的不同位置并且然后与某种形式的外部处理系统连接的电极网为特征的设备诸如EEG系统和心电图系统并不是不引人注目的,并且通常不被认为是舒适的,并且因此不被认为是“可穿戴的”生物计量监测设备,如本文所用的术语。
在本文讨论的系统中,针对睡眠时段的给定时间间隔的各种数据驱动特征可以从所获得的与该时间间隔相关联的光学心率传感器数据和/或加速度计传感器数据得出。然后可以将这些特征提供给分类器,该分类器基于数据驱动特征中的一个或多个数据驱动特征的值将该时间间隔分类为睡眠的若干类别或阶段中之一。可以基于在例如使用较传统的技术对其进行分类的睡眠时段期间收集的类似数据驱动特征的值来训练分类器,上述较传统的技术诸如为由可能常常被称为“多导睡眠描记技术员”或“多导睡眠描记技师”的专业睡眠评分员使用较精细的器械进行手动评分。因此,例如,可以通过可穿戴生物计量监测设备和由一个或多个睡眠评分员使用的较复杂的仪器来监测处于睡眠期间的小型睡眠者群体,以评估睡眠时段期间的间隔或时期并将其分类为各种睡眠阶段。因此,在这种训练期间收集的每个时间间隔或时期可能与下述相关联:a)已经由一个或多个训练有素的睡眠评分员分配给它的睡眠阶段;以及b)由可穿戴生物计量监测设备在与该时间间隔或时期相关联的时间段期间收集的一组数据驱动特征。
然后,在这样的训练睡眠时段期间由可穿戴生物计量监测系统收集的数据驱动特征连同由睡眠评分员提供的睡眠阶段分类可以用于训练分类器,使得分类器可以仅基于来自可穿戴生物计量监测设备的数据对睡眠时段期间的间隔或时期进行分类。这种分类可以包括例如基于分类器如何对时间间隔进行分类来用指示睡眠阶段分类的指示符标记该时间间隔。因此,经训练的分类器可以用于对更大的睡眠者群体的睡眠进行分类,其仅使用可穿戴生物计量监测设备来监测他们的睡眠,而不需要较深入的睡眠监测装备或在睡眠评分方面受过训练的个体的直接参与。在一些实施方式中,可以对这种分类器提供的分类进行后处理,以解决潜在的分类伪象。例如,如果睡眠时段期间的一系列时期或间隔表现出在“已评分的”睡眠时段期间很少(如果有过的话)见到的分类模式,那么可以根据一个或多个启发式规则或其他规则对这些时期或间隔中的一个或多个进行再分类。
可能存在可以在分类器中使用的非常大量的数据驱动特征。在训练过程期间,可以从分类器中消除这些数据驱动特征中的一些或许多,因为它们可能以微不足道或影响较小的方式贡献分类器的准确性。图1描绘了用于从可以用来训练分类器的一组特征中修剪出不太有用的特征的一种技术的高级流程图。
在框102中,可以选择考虑用于分类器的特征的全局集。在某些情况下,这些特征的数量可能相对高,例如,数百个特征。在框104中,可以使用训练数据集例如从所收集的与已知分类相关联的数据中提取的特征来训练分类器。作为分类器训练的一部分,训练中涉及的每个特征都可以与特征在分类确定中的重要性的加权因数或其他量词相关联。在框106中,可以针对特征的全局集中的每个特征获得加权因数(或重要性的其他量词),然后可以在框108中通过其加权因数(或重要性的其他量词)对特征进行排序。然后可以从特征的全局集中移除具有最低加权因数或重要性的其他量词的一个或多个特征(在一些情况下,可能存在多个具有最低加权因数的特征,因此可以移除多个特征)。可以保留具有最低加权因数或重要性的其他量词的特征的排名以供稍后参考。在框112中,可以确定全局集中是否剩余任何特征—如果是,则该技术可以返回到框104,并且可以针对较少的一组特征重复框104到110的操作。最终,所有特征都将从全局集中移除,并在从全局集中移除时为其分配排名。从实际角度来看,一旦全局集中只留下一个特征,则可以跳过使用该最后一个特征训练分类器以及从全局集中正式移除该最后一个特征,并且可以直接分配给该剩余特征排名第一的位置。如果在框112中确定全局集中没有留下特征(或者,替代地,已经按照框110中的操作或等效物为所有特征分配了排名),则该技术可以进行到框114,其中,特征可以通过其相关联的排名(例如,如框110中所确定的)来进行排序。在框116中,可以基于具有高于所选阈值的排名来选择特征的子集。然后可以在框118中使用所选择的特征的子集来再训练分类器。该技术允许修剪出以无关紧要的方式有助于分类的特征,从而允许在不会以负面方式显著影响分类准确性的情况下保持高的分类速度和计算效率。可以例如在关于scikit-learn的文档中找到用于训练、验证和测试各种类型的分类器的各种工具,scikit-learn是为Python编程语言开发的模块(http://scikit-learn.sourceforge.net)。
然后,可以对已经分类的睡眠时段的间隔或时期进行概括并经由图形用户界面以各种有用和信息性方式呈现给用户。
在一些实施方式中,可以以特定方式压缩并存储上面讨论的数据驱动特征,以减少为了存储或传输这样的数据驱动特征可能需要的存储器或带宽。
下面通过示例的方式进一步详细描述了本文所讨论的概念的这些和其他实施方式。
示例睡眠监测平台或系统
图2示出了用于实现各种示例实施方式的睡眠监测平台200的示例。在一些实施方式中,睡眠监测平台200包括可穿戴设备202、辅助设备204、网络206和后端系统208。睡眠监测平台200的部件可以直接连接或通过网络206连接,该网络可以是任何合适的网络。在各种实施方式中,网络206的一个或多个部分可以包括自组织网络、内联网、外联网、虚拟专用网络(VPN)、局域网(LAN)、无线LAN(WLAN)、广域网络(WAN)、无线WAN(WWAN)、城域网(MAN)、互联网的一部分、公共交换电话网络(PSTN)的一部分、蜂窝电话网络、或任何其他类型的网络、或两种或多种此类网络的组合。
尽管图2示出了可穿戴设备202、辅助设备204、网络206和后端系统208的布置的特定示例,但是可以设想可穿戴设备202、辅助设备204、网络206和后端系统208的任何合适的布置或配置。
可穿戴设备202可以是被配置为附接到佩戴者身体的可穿戴设备,诸如腕戴式带、手表、手指夹、耳夹、胸带、踝带或任何其他合适的设备。
辅助设备204可以是任何合适的计算设备,诸如智能电话、个人数字助理、移动电话、个人计算机、膝上型计算机、计算平板电脑或适于与可穿戴设备204或后端系统208中的一者或多者连接的任何其他设备。
可穿戴设备202可以经由网络206或经由第三方系统直接访问辅助设备204或后端系统208。例如,可穿戴设备204可以经由辅助设备204访问后端系统208。
后端系统208可以包括可以为一个或多个用户托管和处理传感器数据的网络可寻址计算系统(或多个系统),例如一个或多个服务器。后端系统208可以生成、存储、接收和传输与睡眠相关的数据,诸如,例如,睡眠持续时间、就寝时间、觉醒时间、不安时间、睡眠状态(例如,睡眠阶段、不安等)、或任何其他与睡眠相关的统计数据。后端系统208可以由睡眠监测平台200的其他部件直接访问或经由网络206访问。用户202可以使用可穿戴设备204来访问辅助设备204和/或后端系统208、向其发送数据和/或从其接收数据。
图3描绘了可以在睡眠监测平台诸如图2中所示的睡眠监测平台中使用的各种部件的更详细的框图。在图3中,示出了可穿戴设备302、辅助设备304和后端系统308。可穿戴设备302,在本文中也可以称为“可穿戴生物计量监测设备”、“可穿戴生物计量跟踪设备”或仅“生物计量跟踪设备”或“生物计量监测设备”,可以包括一个或多个处理器302a、存储器302b和通信接口302c。通信接口302c可以例如包括无线通信系统,诸如蓝牙接口,以用于与其他部件诸如辅助设备304无线地通信。存储器302b可以存储用于控制一个或多个处理器302a执行本文所讨论的各种功能的计算机可执行指令,包括例如用于使一个或多个处理器302a从一个或多个运动传感器310获得运动数据和从一个或多个光学传感器312获得脉冲相关数据的指令。
辅助设备304,可以如本文所讨论的是蜂窝电话、智能电话、膝上型电脑或其他设备,可以类似地包括一个或多个处理器304a、存储器304b和通信接口304c。辅助设备304还可以包括显示器304d(可穿戴设备302以及后端系统308也可以包括显示器,但是辅助设备304可能是用户可以通过其与由可穿戴设备302收集的数据进行交互的最可能的设备,因此,由于该通过其可以发生这种交互的途径而明确地指示显示器304d)。存储器304b可以存储用于控制一个或多个处理器304a执行本文所讨论的各种功能并且经由通信接口304c发送和接收例如去往或来自可穿戴设备302和后端系统308中任一者或两者的数据或指令。
后端设备308,其可以例如是一个或多个服务器或其他后端处理系统,可以包括一个或多个处理器308a、存储器308b和通信接口308c。存储器308b可以存储用于控制一个或多个处理器308a提供本文描述的各种功能的计算机可执行指令。
图4描绘了用于在本文所讨论的技术和系统中使用的可以用于在睡眠时段期间收集脉冲相关数据和运动数据的可穿戴设备——在这种情况下,是Fitbit Charge 2TM——的等距视图。可穿戴设备402可以包括壳体418,该壳体连接到带414,该带可以紧固在一起以将可穿戴设备402附接到人的腕部。壳体418可以包括窗口416,该窗口允许光学传感器412测量佩戴者的脉冲相关的生理现象。如早前所讨论的,除了一个或多个光学传感器412和一个或多个运动传感器410之外,可穿戴设备402还可以包括一个或多个处理器402a、存储器402b和通信接口402c。存储器402b可以存储用于控制一个或多个处理器从一个或多个运动传感器410获得运动数据、从一个或多个光学传感器412获得脉冲相关数据、以及然后将这些数据传输到睡眠监测平台中的其他设备的计算机可执行指令。一个或多个光学传感器可以例如包括一个或多个光源和放置成邻近人的皮肤的一个或多个光电探测器。光源和光电探测器通常被布置成使得来自光源的光不能直接到达光电探测器。然而,当这样的光学传感器放置成邻近人的皮肤时,来自光源的光可以扩散到人的肉体中,然后从人的肉体离开射回来,使得光电探测器可以检测到它。从人的肉体射出的这种光的量可能根据心率而变化,因为肉体中存在的血液的量根据心率而变化,而从人的肉体射出的光的量又根据所存在的血液的量而变化。取决于所使用的光的波长,可以获得人的循环系统的不同测量。例如,绿光特别适合于测量心率,而红光和红外光的组合特别适合于测量血氧水平。
图5是描绘根据示例实施方式的可以包括在处理系统500中的各种模块的框图。要理解的是,可以以例如可穿戴设备、服务器计算机、客户端计算机、个人计算机、膝上型计算机、移动电话、个人数字助理、和其他处理系统、或它们的组合的形式部署处理系统500。例如,在一种实施方式中,处理系统500可以具体化为图2中所描绘的睡眠监测平台200的后端系统208。在替代实施方式中,处理系统500可以具体化为睡眠监测平台200的可穿戴设备202。作为另一示例,处理系统500可以具体化为图2中所描绘的睡眠监测平台200的后端系统208与可穿戴设备202或辅助设备204的组合,或者可穿戴设备202、辅助设备204和后端系统208的组合。参考图5,在各种实施方式中,处理系统500可以用于实现计算机程序、逻辑、应用、方法、过程或软件以标记睡眠状态,并提供其他功能,如下面更详细地描述的。
如图5所示,处理系统500可以包括一个或多个运动传感器的集合502、一个或多个光学传感器的集合504、特征生成模块506、睡眠阶段分类器模块508和规则引擎510。上述一个或多个运动传感器的集合502可以是被配置为生成表征可穿戴设备202所经历的移动的运动数据的模块。在一些情况下,上述一个或多个运动传感器的集合502可以是一个或多个加速度计,例如,三轴加速度计,并且运动数据可以是表征可穿戴设备202所经历的加速度的数据,包括由于重力引起的加速度。运动传感器的其他示例包括陀螺仪或磁力计。在一些情况下,可以对运动数据进行预处理或后处理以移除噪声或以其他方式促进对可穿戴设备所经历的移动的表征。
从运动传感器获得的数据通常可以采取一个或多个时间序列的形式,其表示沿着一个或多个轴线的加速度或其他运动相关参数(例如,相对于地球磁场的旋转或移动)。可以对这些数据进行预处理或后处理,以便在特征提取之前移除伪象,填充缺失的数据点(例如,经由插值),消除或减少噪声等。在一些实现中,一些后处理实际上可以是下面更详细讨论的特征提取过程的一部分。例如,运动数据可以被量化为给定时间段内的移动测量或移动指数。因此,如本文所使用的,移动测量或指数可以指对一时间段内的移动的一些量化。移动测量可以沿单个轴线或多个轴线(例如,X轴、Y轴和/或Z轴对移动进行量化。在2015年9月18日提交的美国专利申请No.14/859,192中更详细地描述了移动测量的示例,上述申请通过引用在此并入本文。
上述一个或多个光学传感器的集合504可以是被配置为生成心率数据的模块,例如,一个或多个光学传感器504可以用作可穿戴设备202的心率传感器。心率数据可以在本文中被称为“脉冲相关数据”,因为它表征由人的循环系统中的脉动行为驱动的生理现象。
作为示例而非限制,上述一个或多个光学传感器的集合可以是一个或多个光电容积描记(photoplethysmographic,光电体积描记、光电容积脉搏波)传感器的集合,该光电容积描记传感器产生脉冲相关数据的一个或多个时间序列数据。脉冲相关数据可以采取被检测的光的波形的形式,该波形响应于由于可穿戴设备的佩戴者的心跳而在该佩戴者的皮肤内脉动的血量而变化。类似于在操作302处生成的运动数据,可以对脉冲相关数据进行预处理或后处理以移除噪声或伪象、平滑数据、或在其他方面以某些方式增强数据。例如,在一些情况下,可以对脉冲相关数进行预处理以移除噪声或运动伪象。附加地或替代性地,在一些情况下,可以对脉冲相关数据进行后处理以提取脉冲间间隔、光学数据幅度数据或其某种组合,例如,作为下面更详细讨论的特征提取过程的一部分。
特征提取&睡眠阶段分类器
特征生成模块506可以是被配置为使一个或多个处理器根据针对与特定时间段相关联的给定的一个或多个时间窗口的运动数据和脉冲相关数据得出一个或多个数据驱动特征的集合的模块,例如,存储在非暂时性机器可读介质诸如磁盘驱动器上的计算机可执行指令。这种特征的示例可以包括从运动数据中提取的累积移动指标、自从运动数据中提取的显著移动之后经过的时间、到从运动数据中提取的下一次显著移动的时间、到从运动数据中提取的最近的显著移动的时间、通过样本熵评估的从脉冲相关数据中提取的跳动间间隔的变异性或脉冲相关数据的幅度的变异性、脉冲相关数据的均方根偏差、跳动间间隔的均方根、从脉冲相关数据中提取的跳动间间隔的或脉冲相关数据的低频谱功率或谱功率密度、从脉冲相关数据中提取的跳动间间隔的或脉冲相关数据的高频谱功率或谱功率密度、脉冲相关数据的包络的变异性、跳动间间隔的包络的变异性、从脉冲相关数据中提取的去趋势呼吸率的变异性、从脉冲相关数据或从跳动间间隔中提取的心率的百分位数间跨距(spread,差距、扩展、利差)、从脉冲相关数据或从跳动间间隔中提取的归一化去趋势心率、以及脉冲相关数据中的一个或多个脉冲形状中的每个脉冲形状与脉冲相关数据中的前一脉冲形状的互相关(在这种情况下,脉冲形状可以在互相关之前被归一化到共同的持续时间)。附加地或替代性地,也可以以类似的方式从脉冲相关数据(或运动数据)的幅度中提取类似的特征,例如,代替一系列的跳动间间隔,可以分析一系列幅度并且从中提取特征。例如,该系列中的每个幅度可能对应于单独心跳脉冲的幅度度量。例如,在一些实施方式中,心跳期间PPG信号中的峰值幅度可以用作用于特征提取目的的幅度度量。替代性地,心跳期间PPG信号中的平均幅度可以用作用于特征提取目的的幅度度量。下面更详细地讨论可以从运动数据和脉冲相关数据提取的特征的各种具体示例。
例如,可以通过对在给定时间窗口内来自一个或多个加速度计或其他运动传感器的指示移动的加速度信号或其他信号(其可以可选地在积分之前被平滑和/或校正)进行积分来获得累积移动指数,以获得与加速度计信号相关联的区域—然后可以将该区域映射到运动索引,例如,如果积分信号小于第一阈值,则累积移动指数可以是0;如果积分信号大于或等于第一阈值但小于第二阈值,则累积移动指数可以为1;如果积分信号大于或等于第二阈值但小于第三阈值,则累积移动指数可以是2,依此类推。针对时期的积分信号可以称为“活动计数”。由运动传感器在该时间段期间产生的计数总数可以用于获得对对象的活跃程度的测量。例如,人越活跃,将检测到更多的移动和加速度,这可能增加由运动传感器在该时间段期间产生的总计数。在某种意义上,多个时间段的总计数可以与针对那些时间段的积分信号成比例。在另一实施方式中,可以通过评估在其期间运动数据的幅度高于预设阈值的时期的百分比来确定另一累积移动指数。存在多种方式,其中可以使用由运动传感器在一时间段内产生的计数。例如,可以通过计算加速度信号在正向方向上与预定阈值交叉的次数来获得基于30秒时期的加速度信号的活动计数。替代性地,可以通过计算所讨论的信号在一时期中与x轴交叉即零交叉的次数来评估计数。这些仅是活动计数可以被生成并用于产生累积移动指数的方式的示例中的一些示例,并且要理解的是,本公开内容不限于仅这些示例。
如果使用多轴加速度计,则用于生成运动特征的加速度可以是多个轴的绝对组合幅度,例如总加速度幅度,而不是多个分量幅度。
然后,累积移动指数可以例如被用作用于确定是否已经发生显著移动的基准。例如,可以从运动数据中提取的一个特征是自累积移动达到或超过特定值的上一个时间窗口或时间段以来已经过了多久时间,这样的时间是指绝对时间或者就各累积移动指数针对其被计算的时间窗口或时间段的数量而言的。例如,如果时间窗口或时间段具有3或更大的累积移动指数,则认为该时间窗口或时间段具有显著移动,然后可以通过确定在被提取特征的时间段与发生了其累积移动指数大于或等于3的上一时间段或时间窗口之间经过了多长时间或者替代性地经过了多少时间段来评估自上一显著移动以来的时间量。同样的技术也可以是前瞻性的,例如,在当前正在被确定或提取特征的时间段或时间窗口与具有大于或等于3的累积移动指数的下一个时间窗口或时间段之间的时间段或时间窗口的数量。可以执行这样的分析,因为可以在已经收集从中提取了特征的数据之后很好地执行特征提取,从而允许基于来自所讨论的时间段或时间窗口的数据和/或基于来自在针对其确定了特征的时间窗口或时间段之前和之后的时间段或时间窗口的数据来对时间段或时间窗口提取特征。
也可以从脉冲相关数据中提取许多特征;从脉冲相关数据中提取的特征在本文中可以称为“脉冲数据特征”。典型的光电容积描记(PPG)信号,诸如可以由光学心率传感器诸如本文所讨论的那些光学心率传感器输出的,可以提供指示心率的周期性信号。PPG信号通常是由光学心率传感器测量的电压,并反映通过传感器下方的组织中的血管的血液的体积变化。随着心脏跳动,血管中的血液的体积随着每次跳动而变化。因此,在原始PPG信号中看到的峰值/谷值模式反映了人的潜在心跳。通过检测PPG信号的峰值(或者替代性地谷值),可以确定人的心脏活动。图6描绘了这种PPG信号。通常分析这样的信号以确定在给定间隔内信号中出现多少峰值,例如,如果在1分钟间隔内出现70个峰值,那么这指示心率为每分钟70次跳动;这是从脉冲相关数据提取的特征的一个示例。峰值计数算法可以用于确定峰值的位置,例如,可以分析数据以在指定的时间窗口内找到最大值或最小值。例如,可以在每次PPG信号超过某个水平然后随后降至另一个水平以下之间定义时间窗口—该时间窗口内的最大值可以被识别为“峰值”。也可以检查所识别的峰值以确保它们是“生理学上合理的”,即它们没有相距太远或靠得太近以至于它们在生理上是不可能的。存在许多用于识别峰值的技术,并且本公开内容不限于任何特定的这种技术。
可以提取的另一个特征是一系列跳动间间隔,即每个相邻峰值对之间的时间;跳动间间隔也可以称为“PP间隔”。对于上下文,从光电容积描记图得到的这些PP间隔可以被认为等同于“RR间隔”,其是心电图中QRS复合波之间的时间。QRS复合波是用于指在典型心电图中看到的三种特定和连续信号行为的组合的专用术语。PP间隔和RR间隔之间的唯一微小差异是在脉冲传送时间(PTT)稍有调制时,这可能在很小程度上发生。然而,对于良好的近似,PP间隔序列等同于RR间隔序列,因此可以用作心电图测量的替代。在图6中,指示了四个跳动间间隔620,尽管每对相邻峰值都具有其自己的相关联的跳动间间隔。因此,例如,如果一分钟内有70次心跳,那么在该1分钟的时期内可能有69个跳动间间隔。跳动间间隔可以是另一个特征源。例如,可以使用多种不同技术中的任何技术来评估给定时间段或时间窗口的跳动间间隔的变化,以便获得该时间段或时间窗口的各种特征。图7描绘了跳动间间隔持续时间随时间的曲线图;可以看出,该示例时间段内的跳动间间隔持续时间从0.92秒到1.09秒不等。
对PP间隔的主要影响因素是副交感神经系统(其的激活(activation,活动、作用、活化)趋向于使心率减缓并因此延长PPG脉冲),以及交感神经系统(其的激活趋向于使心脏加速和缩短PP间隔),它们共同构成了自主神经系统。副交感神经系统和交感神经系统可以在稍微不同的时间标度上运行(具体地说,副交感神经系统可以在非常短的时间标度上运行并且在副交感神经系统被激活后对下一个心跳产生影响,而交感系统通过乙酰胆碱介导并且在由交感神经系统的激活引发的心率变化见效之前需要多次心跳)。捕获这种差异的一种方式是使用称为心率变异性(HRV)分析的技术获取PP间隔序列的谱密度。谱的较高频率例如0.15Hz至0.4Hz的分量可以反映副交感神经激活,因为它们对应于短时间标度,而较低频率例如0.04Hz至0.15Hz的分量可以反映副交感神经系统效应和交感神经系统效应。因此,HF频带中的功率可以归因于副交感神经激活,并且LF频带中的功率可以归因于交感神经系统激活和副交感神经系统激活的混合。
该技术的一个方面是人的睡眠阶段反映在他们的交感神经系统和副交感神经系统的激活程度上。因此,HRV参数可以反映关于睡眠阶段的信息,该信息可以由分类器用于在不同的潜在睡眠阶段之间进行区分。
如前面所提及的,可以从脉冲相关数据中提取至少两种一般类别的信息。首先,如上面所讨论的,可以通过识别RR间隔(RR间隔以秒为单位进行测量并且是PPG信号的连续峰值之间的时间)来提取与心率变异性(HRV)相关的特征。HRV可以根据睡眠阶段而变化,例如,在深睡眠中心率减慢,并且呼吸性窦性心律不齐的程度将增加(呼吸性窦性心律不齐是在整个呼吸循环中出现的心率上的自然发生的变化)。可以例如通过测量心率和测量HRV参数的高频分量来定量测量这些生理效应,该高频分量例如在0.15Hz至0.4Hz的频率范围内。
其次,可以提取PPG AC幅度的包络和形状的变化。如前所述,从人的皮肤扩散地反射出来并由PPG传感器检测到的光量随着人的脉搏或心率适时变化;这种信号的时变方面称为“AC”分量,并且这种信号的“恒定”部分称为“DC”分量。AC幅度可以通过从信号的总幅度中减去DC分量来确定,并且通常被口语地称为“PPG幅度”。PPG幅度由光学传感器下面的组织中的血液的体积确定,该血液的体积又由组织中动脉的顺应性确定。这种动脉顺应性受交感神经系统和副交感神经系统的主动控制,该交感神经系统和副交感神经系统最终受自主神经系统的控制,因此PPG的幅度反映了中枢神经系统(CNS)的活动,而该中枢神经系统又与睡眠阶段相关联。通常,没有血管的副交感神经系统激活(除了在一些特殊位置),但血管的交感神经激活确实发生并具有使血管收缩的效应。这可以在光电容积描记图信号中看到,如图8所示,其中具有在图中所示的大约60秒内对PPG信号的幅度的调制。该调制的量和变异性与睡眠阶段相关联,因此可以提供与分类器一起使用的有用特征。在图8中,已经通过计算大约5秒的窗口内的信号的均方根功率来提取信号功率的包络,并将其显示为虚线(基础PPG信号是实黑线)。存在多种替代方式来计算信号的包络,例如,采用信号的Hilbert变换,或者使用峰值采样保持方法,然后是低通滤波。无论方法如何,原始PPG信号然后可以产生称为PPGE的新信号,其中PPGE表示PPG包络。然后可以针对每个时期从PPGE信号中提取特征,诸如PPGE信号的标准偏差。
下面讨论可以从脉冲相关数据中提取的特征的各种示例,然而这不是详尽的讨论,并且也可以提取附加特征用于分类器。在一些实施方式中,样本熵可以用于评估跳动间间隔的变异性,以提供可能潜在地被分类器用于对给定时间段或时间间隔的睡眠阶段进行分类的另一特征。
可以使用的另一脉冲数据特征是脉冲相关数据或跳动间间隔的均方根偏差。可以用于分类目的的另外的脉冲数据特征是对于正在针对其确定特征的时间段或时间窗口的一系列跳动间间隔的谱功率。可以将谱功率确定在一频率范围内,例如,在低频范围内(例如,出于心率数据分析的目的,0.04Hz至0.15Hz可以被认为是“低”频率)或在高频率范围内(例如,出于心率数据分析的目的,0.15Hz至0.4Hz可以被认为是“高”频率)。因此,可以通过在跨0.15Hz至0.4Hz之间的频率范围内对跳动间间隔的谱功率密度进行积分来确定跳动间间隔的高频谱功率。
脉冲数据特征的其他示例包括基于呼吸相关现象的特征。例如,PPG信号可以包含主导的周期性元素,该主导的周期性元素可归因于心率相关的生理现象和呼吸相关的现象。因此,例如,如果PPG信号在60Hz至90Hz域中表现出大的频率分量,则该频率分量可能指示心率,并且这种分量的周期性可以用于确定跳动间间隔。然而,相同的PPG信号也可以具有在6Hz至15Hz的范围内更多的大频率分量,其可以指示呼吸率。因此,PPG信号可以用于估计心率相关的参数和呼吸率相关的参数两者。
例如,图9描绘了在大约六十秒的时间窗口内来自PPG传感器的脉冲相关数据。可以看出,存在较高频率的心率信号(实心黑线),其位于较低频率的呼吸率信号(虚线)之上;在该示例中,该间隔内的心率是每分钟62次跳动,而呼吸率是每分钟13次呼吸。呼吸率(以及从中提取的特征)可以用作睡眠阶段分类器的有用判别式,因为呼吸率的变异性和绝对值可以与睡眠阶段相关。在深睡眠中,呼吸率非常稳定并且几乎不变(例如,可以保持在每分钟0.5次呼吸内)。相反,在REM睡眠中,呼吸率可以变化很大。因此,呼吸率的变异性可以证明是用于睡眠阶段分类器的有价值的特征。
可以由特征提取器确定或提取的其他特征可以包括例如各种参数的百分位数间跨距。例如,在给定时间段或时间窗口期间第10百分位数跳动间间隔持续时间和第90百分位数跳动间间隔持续时间之间的跨距可以用作特征。可以提取的另一个特征是一系列数据脉冲中的光学脉冲率信号形状之间的互相关量,即,在一系列脉冲形状中每个脉冲形状与前一脉冲形状相比的相似程度的量化。在确定这样的特征时,特征提取器可以首先将每个脉冲形状标准化以具有相同的持续时间,以允许基于形状的更准确的相关性。
返回到处理系统500,分类器模块508可以是被配置为基于从运动数据和心率数据得出的一个或多个特征对具有给定睡眠状态的时间段进行分类或以其他方式标记的模块。例如,分类器模块508可以将若干分类器技术中的任何一种应用于给定时间段或时间窗口的特征,以便确定该时间段或时间窗口的睡眠阶段分类。可以使用的示例分类器技术可以包括例如最近邻分类器、随机森林分类器、支持向量机、决策树、神经网络和线性判别分类器。例如,在Jacques Wainer的“Comparison of 14different families ofclassification algorithms on 115binary datasets”(Computing Institute,University of Campinas,Campinas,SP,13083-852,Brazil,June 6,2016)中标识和讨论的各种分类器可以在本公开内容的背景下用作分类器。本发明人已经发现,如前面所讨论的,可以使用从运动和脉冲相关数据提取的特征来训练这样的分类器,该运动和脉冲相关数据是在处于使用专门装备并对所评估的每个时间间隔进行深入分析的专业或训练有素的睡眠评分员的监察下进行的睡眠时段期间收集的—这种数据在这里可以称为“基准”运动数据和/或脉冲相关数据。因此,例如,从在已经由睡眠评分员分配为“深睡眠”的睡眠阶段的时间段或时间窗口期间收集的运动和脉冲相关数据中提取的特征可以用于训练分类器以将“深睡眠”分类分配给具有与在这种训练期间开发的分类器的标准匹配的特征的时间窗口或时间段。最初使用交叉验证技术诸如k重交叉验证和留一交叉验证在基准数据上构建和测试分类器。
图10描绘了用于对时间段例如30秒或60秒的时期(时期可以选择成具有任何期望的持续时间,然而30秒的时期是常用的)的睡眠阶段进行分类的技术的流程图。在框1002中,可以例如从加速度计或其他运动传感器获得针对给定时间段的运动数据。在框1004中,可以从针对与该时间段相关联的时间窗口的运动数据中提取针对该时间段的移动特征。对于一些特征,时间窗口可以是与时间段扩伸及同时间的,即与时间段相同,但是对于其他特征,时间窗口可以大于时间段并且可以与时间段重叠或不重叠。例如,在许多情况下,“直到最后的显著移动的时间”特征可能涉及来自跨多个时间段的时间窗口的运动数据。在这种情况下,可以针对时间窗口内的所有时间段获得框1002中所要获得的运动数据。例如,如关于上面讨论的移动特征所阐述的,或者使用其他技术,可以确定所提取的移动特征。然后,该技术可以进行到框1006,其中,可以确定是否要关于正在针对其提取特征的时间段确定其他移动特征。如果是,则该技术可以返回到框1004,其中可以提取另一个移动特征。如果已经提取了所有移动特征,则该技术可以从框1006进行到框1014。
在框1008中,该技术还可以包括针对所讨论的时间段从心率传感器获得脉冲相关数据。在框1010中,可以从针对与时间段相关联的时间窗口的脉冲相关数据中提取针对该时间段的脉冲数据特征。与移动特征的提取一样,所讨论的时间窗口可以是与时间段扩伸及同时间的,或者对于一些脉冲数据特征可以跨多个时间段,并且可以或可以不与正在针对其提取特征的时间段重叠。例如,可以使用针对时间窗口的脉冲相关数据来确定针对时间段的心率变异性(HRV),该时间窗口包括所讨论的时间段以及紧接在该时间段之前的两个时间段和紧接在该时间段之后的两个时间段,即五个时间段。因此,如果框1010中的时间窗口跨多个时间段,则可以针对多个时间段获得框1008中所要获得的脉冲相关数据。一旦在框1010中已经获得了脉冲数据特征,例如,诸如本文前面所讨论的,该技术就可以进行到框1012,其中可以确定是否需要其他脉冲数据特征。如果在框1012中确定需要其他脉冲数据特征,则该技术可以返回到框1010以进行进一步的脉冲数据特征提取。如果在框1012中确定不需要其他脉冲数据特征,则该技术可以进行到框1014。
要理解的是,操作1002和1008可以基本上并行地执行。这可能是其中一个或多个运动传感器的集合和一个或多个光学传感器的集合在同一时间段期间起作用以产生表征该时间段的传感器数据(例如,运动数据和脉冲相关数据)的情况。要理解的是,在一些情况下,微处理器可以交错或执行时间片执行对(例如,如果嵌入式操作系统正在微处理器上执行则使用线程,或者如果传感器数据处理在裸金属上执行则使用一系列中断处理程序)由一个或多个运动传感器的集合502和一个或多个光学传感器的集合504生成的样本的处理。因此,在一些情况下,尽管传感器可以同时起作用,但(单核或多核实施方式中的)微处理器可以交错执行对传感器数据的处理。对传感器数据的这种处理可以包括将样本存储在对应的数据结构中、清理信号、将数据转换成不同的格式(例如,将数据编码成相对较小的数据表示)、或任何其他合适的过程。还要理解的是,关于本文呈现的技术所讨论的其他操作也可以同样彼此并行地执行,例如,可以同时针对多个不同特征执行特征提取。
框1006和1012中对是否需要提取其他特征的确定可以在情境的基础上进行,或者基于认为哪些特征是必要的预定定义进行,以便执行分类。例如,随机森林分类器可以将某些特征与决策树的每个分支处的特定标准进行比较,以确定哪些特征要与下一分支中的标准进行比较。取决于在分类器中采用的分支,可能不需要某些特征来达到最终确定—可以仅针对给定时间段确定在分类确定中使用的分类器的分支节点中所需的特征。结果,如果需要,可以在根据需要的基础上执行特征提取,以避免不必要的特征提取,这可以节省CPU资源和功率。替代性地,可以存在预定的一组运动和脉冲数据特征,其可以针对由分类器分类的每个时间段来确定。
在分类器使用所提取的特征进行分类期间可能遇到的一个挑战是一些特征可能在人与人之间表现出显著的变化,例如,平均心率可能在群体内变化很大。这可能使分类器难以提供准确的结果。为了解决这种变异性,可以对所提取的特征中的一些特征进行归一化(在训练期间和分类期间)。特别地,这些特征可以包括从心率相关数据中提取的特征例如心率、心率在时期上的标准偏差、PP间隔或跳动间间隔在时期上的平均值、PP间隔或跳动间间隔在时期上的标准偏差、PP间隔或跳动间间隔在时期期间的第90百分位数值与第10百分位数值之间的差、在时期和一些附加的邻近时期上执行的HRV分析的低频和/或高频频带中的功率、针对时期的低频功率与高频功率之比、低频功率和/或高频功率关于总HRV功率的百分比。为了对这些特征进行归一化,可以对PP间隔或跳动间间隔进行归一化或定标,使得在被分析的整个睡眠时段中,平均PP间隔或跳动间间隔具有与用于训练分类器的其他睡眠时段的平均PP间隔或跳动间间隔相同的值(同样适用于用来训练分类器的睡眠时段的数据)。因此,例如,可以对PP间隔或跳动间间隔进行归一化,使得针对给定睡眠时段的平均PP间隔值等于1。通过对跳动间间隔序列进行归一化,基于标准化的跳动间间隔序列提取的其他特征也将被标准化。
一旦已经在框1004和1010中提取了足够的移动和脉冲数据特征,就可以在框1014中将这些特征传递给分类器。分类器1014可以针对时间段从移动特征和脉冲数据特征的池中选择各种特征,并将它们与各种标准进行比较,以便在框1016中针对该时间段分配睡眠阶段分类。图11是决策树分类器的概念性示例,其中从一组特征{X1,X2,X3,X4,...XN-1和XN,}中选择的不同特征被评估处于分支决策树的不同水平上,以确定接下来要采取哪些分支,并最终确定要分配哪个睡眠阶段分类。
如前面所讨论的,可以使用经验数据“训练”分类器诸如决策树。例如,可以通过使一组标记数据可用来训练睡眠阶段分类器,将时期标记为Wake、Light、Deep或REM(或者期望的任何睡眠阶段,例如,可以存在不同的标签或附加标签,诸如伪象和/或脱腕标签)。每个时期可以具有一组与其相关联的属性值或特征(标记为X1,X2,X3等)。可以通过基于对其中一个特征的属性值测试将源组标签分割成子集来“训练”决策树。例如,如果一个人从1000个经标记的时期开始,则可以确定使用规则X1>0.4将初始的一组经标记的时期划分为一个分支中具有250个时期的子集,而另一个分支中具有750个时期,但是250的组包含大多数深睡眠时期。这意味着规则X1>0.4通常可以用于识别深睡眠时期。阈值的选择(在该示例中为0.4)可以通过最大化用于在该示例性分割中对深时期与非深时期进行分类的决策规则的总体准确度来进行优化。然后可以将250个时期的子集进一步细化为更准确的分类(例如,X6>0.2识别包含大多数深睡眠时期的250个时期的子集中的大多数浅睡眠时期。可以以称为递归分区的递归方式对每个得出的子集重复该过程。在训练期间对树中的任何分裂处使用哪个特征的选择可以随机进行,并且可以选择对阈值的选择以最大化所选子集的分类准确度。因此,可以通过所选择的特征分区的多个随机迭代来到达最优决策树(在这种情况下,特征分区可以被认为是涉及特定特征或属性以及阈值的逻辑测试)。当进一步递归导致分类精度没有改进(或改进低于所需的最小改进量)时,可以停止递归分区。一旦已经识别出提供相对于训练数据集(在以上示例中为1000个经标记的时期)的期望程度的分类准确度的特征分区,则可以使用采用相同特征分区的决策树来根据其他数据集对时期的睡眠阶段进行分类。
决策树是有效的分类器,但是可能遭受“过度训练”,其中它们提供的规则过度依赖于用于限定它们的训练数据。构建在决策树上的分类器技术称为随机森林分类器。如上所述,通过随机生成多个决策树来形成随机森林分类器。然后可以组合这些决策树以使用多数表决等形成总体加权的一组决策。
简单决策树分类器或随机森林分类器可以由可穿戴设备执行,或者在一些实施方式中,可以由辅助设备或后端系统执行。在后一种情况下,所提取的特征可以从可穿戴设备传输到辅助设备或后端系统,或者从辅助设备传输到后端系统。
对于已按上述训练了随机森林分类器的系统,用于在分类器中使用的可以提供良好分类性能的一组示例特征可以包括:自上一个高于预设阈值的移动以来所经过的时间(例如,自具有高于预设阈值的移动指数的最后时期以来的时间)、直到下一个高于相似或不同的预设阈值的移动的时间(例如,直到下一个具有高于该预设阈值的移动指数的时期的时间)、呼吸衍生谱的极低频分量、连续RR间隔(或跳动间间隔)的自相关、RR间隔(或跳动间间隔)的连续差的峰度、当前呼吸率与关于一小时窗口计算的呼吸率之间的差、以及心率和/或RR间隔(或者跳动间间隔)的第90百分位数。
例如,可以通过首先过滤由PPG传感器收集的脉冲相关数据来得出呼吸衍生谱的极低频分量,例如,使用被配置为使发生在通常与呼吸行为相关联的频率处的数据通过的带通滤波器进行所述过滤;然后可以从得到的带通信号中获得呼吸衍生谱。这种谱的极低频分量可以在0.015Hz至0.04Hz范围内。
可以通过采用针对所讨论的时期的经加索引的一系列跳动间间隔(或RR间隔)并且然后采用该间隔序列的自相关来获得连续RR间隔(或跳动间间隔)的自相关。
可以通过采用系列的峰度来获得RR间隔(或跳动间间隔)的连续差的峰度,所述系列的峰度通过采用系列中的每对邻近的跳动间间隔的持续时间差而形成。
可以通过对所讨论的时期采用呼吸率(例如,如使用带通滤波器确定的)并且然后从其中减去一小时时期内的平均呼吸率来确定当前呼吸率与关于一小时窗口计算的呼吸率之间的差。也可以使用除一小时之外的时间段,例如55分钟、65分钟等。
可以通过确定针对所讨论的时期的心率和/或RR间隔(或跳动间间隔)中的90%都低于其的心率和/或跳动间间隔,来确定心率和/或RR间隔(或跳动间间隔)的第90百分位数。
在一些实施方式中,分类器可以针对给定间隔输出每个睡眠阶段的置信度分数,并且分类器可以将具有最高值置信度分数的睡眠阶段分配给该给定间隔。例如,在线性判别分类器的情况下,在特征空间中类由超平面分隔。这些超平面限定了类边界,并且数据点到这些边界的距离确定了置信度分数。例如,与远离边界并且很好地进入一个特定类区域的数据点相比,非常接近边界的数据点可能被分类成不太可靠。
在框1018中,可以确定正在分析的睡眠时段是否结束,即,是否已经对睡眠时段内的所有时间段进行了分类。如果不是,则该技术可以进行到框1022,其中可以在返回到框1002和1008之前选择要分类的下一个时间段。如果睡眠时段的所有时间段都已被分类,则该技术可以在框1020结束。
规则引擎510可以是被配置为根据一组睡眠阶段规则分析和更新由分类器分配给时间段的睡眠阶段分类的模块,该睡眠阶段规则在本文中也可以称为“更新规则”或“后分类规则”。睡眠阶段规则可以包括限定睡眠阶段的模式的数据或逻辑,所限定的睡眠阶段的模式是可准许的,或者替代地或另外地,是被允许或禁止的睡眠阶段过渡,例如,睡眠阶段模式约束。这样的规则可能是有用的,因为在每个时期的基础上对时期或时间段进行分类的分类器可能没有完全考虑数据的时间结构。特别地,对于人类睡眠而言,某些睡眠阶段的模式比其他模式更可能,例如,从深睡眠阶段直接进入清醒睡眠阶段是不常见的——更常见的是从深睡眠阶段过渡到浅睡眠阶段。在与深睡眠阶段相关联的时期序列的中间具有与REM睡眠阶段相关联的孤立时期也是不常见的。为了考虑这些场景,规则引擎510可以实现校正非常不可能的睡眠阶段序列的规则。
例如,规则引擎510可以使用睡眠阶段规则来将睡眠阶段模式从针对三个连续时间段的DWD(深-清醒-深)校正为DDD(深-深-深),因为睡眠阶段规则可以指定睡眠状态W可以被禁止过渡到睡眠状态D。在另一个示例中,规则引擎可以校正与深睡眠阶段相关联的一连串多个连续时期被与REM睡眠阶段相关联的一个或多个时期中断的模式。另一个示例是使用生理上正常行为的知识来校正行为模式。作为具体示例,在正常的夜间睡眠中,REM将处于深睡眠之前在生理上是不太可能的,因此规则引擎可以惩罚在检测到深睡眠之前的时段中检测到REM的概率。例如,如果一个或多个时期被分类为与REM睡眠阶段相关联,但是在被分类为与“REM睡眠阶段”相关联的时期之前没有被分类为与“深睡眠阶段”相关联的时期(或少于给定数量的时期或给定的连续数量的时期),则可以将所讨论的时期从与REM睡眠阶段相关联改变为某些其他睡眠阶段,例如,邻近的非REM睡眠阶段时期的睡眠阶段。
睡眠阶段规则的另一个示例是多数规则分析。在多数规则分析中,一系列多个时间间隔的中间时间间隔的睡眠阶段可以被改变为该系列多个时间间隔的主要睡眠阶段。其他基于生理学的规则可以是基于时间的。例如,REM睡眠不太可能在睡眠开始不久之后,因此一个睡眠阶段规则可以是在从睡眠时段开始起的给定时间间隔内的时期可能不被准许与REM睡眠阶段相关联。这样的时间间隔可以基于实际持续时间或基于若干时期—例如,如果规则是在睡眠的前42分钟中,不准许REM睡眠阶段,那么睡眠时段的前84个时期中的被分类为REM睡眠阶段的任何30秒时期都可以使其睡眠阶段分类改变到例如邻近非REM睡眠阶段时期的睡眠阶段。
图12是可以用于在针对时间段的睡眠阶段分类已经最初由分类器分配之后如果需要的话更新该时间段的睡眠阶段分类的技术的流程图。该技术可以在框1202中开始,其中可以获得针对给定时间段的睡眠阶段。在框1204中,可以获得分配给紧接在给定时间段之前、紧接在给定时间段之后或既紧接在给定时间段之前又紧接在给定时间段之后的其他连续时间段的睡眠阶段分类。可以在框1206中确定这些多个时间段的睡眠阶段分类的结果模式,然后在框1208中将其与和后分类规则相关联的一个或多个标准进行比较。例如,给定的后分类规则可以是在位于睡眠阶段分类全部相同但与给定时间段的睡眠阶段分类不同的至少3个时间段的相连块之前或之后的任何时间段应该被重新分类为具有与该相连的邻近块中的时间段的睡眠阶段分类相同的睡眠阶段分类。如果满足在框1208中评估的后分类规则的条件或标准,则该技术可以进行到框1210,其中可以根据后分类规则更新给定时间段的睡眠阶段分类,之后进行到框1212,其中可以判定是否还有应经历后分类规则的其他时间段。如果在框1208中确定不满足后分类规则,则该技术可以进行到框1212。如果在框1212中确定其他时间段将要经历后分类规则,那么该技术可以返回到框1202以分析另外的时间段。如果在框1212中确定没有其他时间段需要后分类规则测试,则该技术可以进行到框1214,其中该技术可以结束。
将理解的是,图10和图12的方法可以使用前面讨论的睡眠监测平台来实现,例如,参考图2或图3描述的睡眠监测平台。例如,具有运动传感器和光学心率传感器的可穿戴设备例如诸如可穿戴设备202可以用于获得运动和脉冲相关数据。可穿戴设备202还可以执行特征提取中的一些或全部,并且在一些情况下,还可以执行上面讨论的分类功能,以及提供用于运行后分类规则的平台。例如,后端系统208可以将分类器的参数和分类器限定提供给可穿戴设备202;这可以包括分类器在分类期间使用的由分类器在训练期间学习的标准。可以在后端系统处完成训练,然后可以将得到的经训练的分类器分发给可穿戴设备202以由可穿戴设备202使用。替代性地,可以在辅助设备202诸如辅助设备204中或甚至在后端系统208处执行特征提取和/或分类中的一些或全部。
作为另一示例,处理系统500可以包括除了图5中所示的模块之外的更少、更多或不同的模块。例如,在替换实施方式中,可以将分类器模块508和规则引擎510组合成一个模块。在另一个实施方式中,分类器模块508可以与规则引擎510分离并且与该规则引擎被并行地执行或处理。
要理解的是,基于从一组运动传感器和光学传感器得出的特征来用睡眠状态标记时间段提供了相对有用的技术来监测可穿戴设备的用户的睡眠。情况就是这样,因为这种传感器通常是低功率的并且通过例如可以绑在用户的手腕上(例如,以手表或带的形式)的可穿戴设备提供相对舒适的跟踪。
用户界面
一旦使用睡眠监测平台及其分类器表征了人的睡眠时段,就可以将针对睡眠时段的结果数据集分解成各种格式或进行分析并呈现给人们以便帮助他们更好地了解他们的睡眠模式。例如,从睡眠监测平台输出的结果数据集可以包括所讨论的睡眠时段的开始时间、以及所讨论的睡眠时段的结束时间、以及已经在整个睡眠时段中由睡眠阶段分类器分配各种睡眠阶段的各种间隔的开始和停止时间。替代性地,可以将睡眠时段分解成标准化格式,例如,分成30秒长的间隔(如前所述,其可以被称为“时期”),并且数据集可以简单地列出睡眠阶段从一个值改变为另一个值的时期数(以及睡眠阶段的新值是什么)。然后可以分析该数据以产生关于所讨论的睡眠时段的各种元统计信息,例如,通过计算深睡眠时期的数量,可以确定该人的总的深睡眠时间。睡眠时段中的睡眠阶段的百分位数分解是另一个——在每个睡眠阶段花费的总时间量可以除以在所有睡眠阶段(包括“清醒”睡眠阶段)中花费的总时间量来产生这种百分位数分解。在另一个示例中,通过测量从睡眠时段记录的开始到被分类为具有浅睡眠阶段的第一时期或时间段的时间,可以确定“睡眠开始的时间”或“入眠时间”元统计信息。然后可以经由GUI将这些元统计信息呈现给用户(这种元统计信息呈现的一些示例包括在本文的示例GUI中)。
图13描绘了可以用于呈现睡眠时段的睡眠阶段数据的图形用户界面的示例。在图13中,呈现了在睡眠时段期间跟踪的各睡眠阶段中的每个睡眠阶段花费的时间的百分位数分解1324。在该示例中,所使用的分类器将每个间隔或时期分类为四个睡眠阶段中之一:清醒、REM、浅和深。要理解的是,本文所使用的术语“睡眠阶段”可以用于指“清醒”睡眠阶段等以及指人实际上睡着的睡眠阶段。百分位分解1324可以提供在被回顾的睡眠时段期间人的整体睡眠行为的高级概述或快照。
图14描绘了与这种汇总数据相关联的技术的流程图。在框1402中,可以获得针对与睡眠时段相关联的多个时间段的睡眠阶段分类。在框1404中,可以确定在睡眠时段期间在每个睡眠阶段中花费的总时间量,然后将该总时间量除以在所有不同睡眠阶段中花费的总时间量,以确定在睡眠时段期间在每个睡眠阶段中花费的总时间的百分位数分解。在框1406中,可以呈现标明每个睡眠阶段分类和指示在睡眠时段期间在每个睡眠阶段中花费的时间量的百分位数分解的信息的GUI部件。例如,这样的GUI部件可以包括文本分解,例如,“4%清醒”、“22%REM”、“56%浅”和“18%深”和/或图形表示,例如,竖向或水平定向的直方图或饼图。该技术可以在框1408中结束。
可以通过睡眠图1326来提供睡眠数据的更详细的呈现,该睡眠图是一种时间线,其中与特定睡眠阶段对应的时间线期间的时间间隔用处于不同海拔的跨那些时间间隔(相对于水平轴)的水平线或区段1332指示,每个海拔对应于时间间隔被分类成的睡眠阶段中的一个不同的睡眠阶段。在睡眠图1326中,被分配“清醒”睡眠阶段的时间间隔绘制在最高海拔处,被分配“REM”睡眠阶段的时间间隔绘制在下一个最高海拔处,被分配“浅”睡眠阶段的时间间隔绘制在下一个最高海拔处,并且被分配“深”睡眠阶段的时间间隔绘制在最低海拔处。虽然睡眠图在本领域中是已知的,但是本文讨论的睡眠图的各种变化表示可以如何利用睡眠图以便向寻求监测其睡眠的人提供更有效和有意义的反馈的改进。
图13的GUI还包括文本内容1328,该文本内容可以是基于在被呈现的信息的类型或基于在被呈现的睡眠时段数据的一个或多个方面而选择的内容。在图13中,文本内容简单地解释了在典型的睡眠期间各睡眠阶段的发展,这可以对不熟悉睡眠监测的主题的人提供信息。用户界面特征或输入1332可以允许人滚动或翻阅图13的GUI的多个不同版本,如下面更详细地讨论的。
图15描绘了用于呈现睡眠阶段数据的另一种技术的流程图。在框1502中,可以获得针对睡眠时段的时间间隔的睡眠阶段数据。如本文前面所讨论的,根据分类器,每个时间间隔可以与特定睡眠阶段相关联。在框1504中,可以呈现包括睡眠图的GUI部件,其指示所获得的时间间隔及其相关联的睡眠阶段。该GUI部件可以例如类似于图13中的睡眠图1326。
在框1506中,可以确定是否已经例如经由图13的GUI的用户输入区域1330接收到输入,该输入指示对睡眠图中表示的睡眠阶段中的一个特定睡眠阶段的选择。如果在框1506中确定用户已经选择了睡眠阶段中的一个特定睡眠阶段,则该技术可以进行到框1508,其中可以修改GUI部件即睡眠图以强调或突出睡眠图的与所选睡眠阶段对应的部分。例如,可以加粗睡眠图的表示与所选睡眠阶段相关联的时间间隔的水平延伸的元素,使其产生亮度或颜色冲击,和/或呈现比初始睡眠图中更鲜艳的颜色。替代性地或另外地,可以不再对睡眠图的表示与其他睡眠阶段相关联的时间间隔的水平延伸的元素加以强调,例如通过使它们的颜色弱化、以减小的颜色强度显示它们、使它们淡出、或者甚至完全隐藏它们。因此,可以使得睡眠图的被突出时间间隔具有与睡眠图的其他时间间隔不同的图形外观。
在框1510中,可以更新或改变针对经修改的GUI显示的文本内容,以包括已经基于在回顾的睡眠时段的所选睡眠阶段定制的信息和/或与在回顾的睡眠时段的所选睡眠阶段相关联的实际数据。在下面关于图16至图19更深入地讨论可以在框1508和1510中执行的修改的示例。在GUI已经被修改之后,该技术可以返回到框1506以进一步监测是否接收到指示对不同的特定睡眠阶段的选择的输入。
如果在框1506中确定未进行对睡眠阶段中的特定睡眠阶段的选择,则该技术可以进行到框1512,其中可以做出另一个关于是否已经接收到指示对所有睡眠阶段的选择的输入的确定。如果在框1514中确定已经接收到指示对所有睡眠阶段的选择的输入,则该技术可以返回到框1504。如果在框1514中确定未接收到指示对所有睡眠阶段的选择的输入,则GUI可以保持在它当前所处的任何状态,并且该技术可以返回到框1506。这种技术可以允许使用GUI呈现汇总睡眠阶段数据,但是也可以允许用户在不集中于任何特定的睡眠阶段数据的汇总输出和集中于睡眠阶段中的一个特定睡眠阶段的更具体的汇总输出之间切换。以下是集中于特定睡眠阶段的GUI的示例。
例如,在图13的底部可以看到五个圆圈——每个圆圈可以对应于所描绘的GUI的不同版本。图NN中描绘的第一版本可以呈现所讨论的整个睡眠时段的汇总信息。然而,GUI的其余四个版本可以各自集中于与不同睡眠阶段相关联的数据。
例如,图16描绘了图13的GUI,但是进行了修改,使得与“清醒”睡眠阶段例如在该示例睡眠图中的最顶部睡眠阶段相关联的百分位数分解1324通过将与其他睡眠阶段相关联的剩余的百分位数分解1324灰化或淡出而被强调。此外,可以以相同的方式强调和/或用附加指示符增强睡眠图1326以强调“清醒”睡眠阶段间隔。例如,在图OO中,睡眠图1326的与除了“清醒”阶段之外的睡眠阶段相关联的部分被灰化或淡出,类似于那些睡眠阶段的百分位数分解1324。相反,睡眠图1326的与“清醒”睡眠阶段相关联的部分可以以其正常颜色调色板呈现,或甚至用新颜色或格式强调。特别地,在一些实施方式中,跨指示与清醒睡眠阶段相关联的时间段的水平段1332的宽度的竖向条1334可以被添加到睡眠图1326,以允许回顾数据的人更容易地辨别在睡眠图1326的底部处的时间线上时间间隔在哪里停止和开始。这些竖向条1334可以跨在睡眠图1326的水平段1332和水平轴之间。因此,与针对睡眠图的其他时间间隔的水平段之下或之上的区域相比,由竖向条标记的区域可以提供不同的图形外观,从而进一步突出与所选睡眠阶段相关联的时间间隔。
除了对百分位数分解1324和睡眠图1326的改变之外,还可以基于已经针对睡眠时段收集的睡眠阶段数据来改变文本内容1328。例如,在图16中,通过总结其中人醒着的时间间隔的数量来定制文本内容,例如,在该情况下,三个时间间隔。替代性地,在清醒睡眠阶段中花费的总持续时间可以以文本内容或者与用于清醒睡眠阶段的睡眠阶段数据相关联或由其驱动的一些其他数量呈现。除了可以在文本内容1328中呈现的基于数量的信息之外,文本内容1328还可以包括其他类型的定制信息。例如,可以根据人在清醒阶段花费的时间的频率和/或持续时间提供解释性文本,该解释性文本为人提供关于他们的清醒阶段的睡眠阶段数据是否是“正常”的一些见解。在该特定示例中,使用该设备的人确信在睡眠时段期间该人处于“清醒”的时间间隔的数量是这种间隔的正常量。
图17描绘了图13的用户界面,但是进行了修改,以强调已被分类为与REM睡眠阶段相关联的间隔或时期。例如,已经添加竖向条1334以将与REM睡眠阶段相关联的水平段1332连接到水平轴。此外,用于剩余睡眠阶段的水平条已经被灰化或淡出。文本内容1330也已被改变以显示与REM睡眠阶段和人的REM睡眠阶段数据有关的信息。在该示例中,文本内容概括人在REM睡眠阶段中花费的睡眠时段的百分比。为了给出该数字的背景,文本内容1330可以包括关于普通人在REM睡眠阶段花费的典型时间百分比的信息。例如,可以选择这种典型的百分比,以便与用户特别有关。例如,如果用户的年龄和/或性别是已知的,则可以从更相关的个体群体中获取呈现给用户的REM睡眠阶段中花费的典型时间百分比,例如,可以基于类似人群的典型睡眠行为给用户呈现平均REM睡眠阶段百分比的范围。除了这样的比较信息之外,文本内容1330还可以包括与REM睡眠阶段相关的生理信息。例如,文本内容1330可以包括向用户告知REM睡眠的生理特征是什么的信息,诸如升高的心率、生动的梦、更快的呼吸、增加的移动等。
图18描绘了图13的用户界面,但是进行了修改,以强调已被分类为与浅睡眠阶段相关联的间隔或时期。与图17中所示的修改后的界面一样,文本内容1330已经被修改以显示在感兴趣的睡眠阶段中花费的睡眠时段的百分比,在该情况下为浅睡眠阶段中花费的睡眠时段的百分比。
图19描绘了图13的用户界面,但是进行了修改,以强调已被分类为与深睡眠阶段相关联的间隔或时期。与前面修改的用户界面一样,该用户界面具有已经基于用户的实际睡眠数据定制的文本内容,例如在深睡眠阶段中花费的睡眠时段的百分比的指示,以及关于深睡眠的生理影响和对大多数人来说多少深睡眠是典型的的信息。
用户可以使用用户输入1330通过向左或向右滑动来在汇总屏幕(参见图13)和特定于睡眠阶段的经修改的用户界面(参见图16至图19)中的任何用户界面之间导航。当然,也可以使用其他输入系统来在不同的用户界面或其修改之间导航。
图20描绘了可以用于提供关于人的睡眠时段的各个方面的信息的更全面的用户界面。图20中的用户界面被设计用于与移动电话或具有纵向模式显示器的其他设备一起使用。用户界面可能在显示器内不是完全可见的,并且可以根据需要被配置为向上或向下滑动,以使用户界面的不同部分可见。当然,其他布局也是可能的,包括可能不需要用户界面的部分显示的布局。
在图20中描绘的用户界面中,可以显示与前面讨论的睡眠图1326类似的睡眠图2026。还可以提供在睡眠时段中睡眠的总时间的汇总2036;如在这里的情况那样,该汇总2036可以排除在清醒睡眠阶段中花费的时间。可以提供用户输入区域2030以允许用户在不同用户界面之间导航或者修改当前用户界面以显示不同的比较数据,如将关于后面的附图所解释的。在这种情况下,用户输入区域2030包括三个用户可选择的选项:昨夜、30天平均值和基准。稍后将更详细地解释这些。
图20的用户界面还可以包括百分位数分解2024,其类似于前面关于图13至图19所讨论的。进一步的睡眠时段数据诸如睡眠时段中睡眠的开始和结束可以在睡眠时段时间表部分2038中显示。要理解的是,可以基于人何时真正地入睡以及之后人何时持久地(至少在白天)醒来来评估睡眠时段的一些报告的特征,诸如睡眠时段的持续时间、睡眠的开始、睡眠的结束等,而睡眠时段的其他方面可以包括在入睡前发生的活动。例如,当检测到人正例如通过采用平卧试图入睡时(其可以通过例如可穿戴设备中的运动传感器来感测,或者可以从一天中的时间推断或者甚至由用户例如通过按下可穿戴设备上的特定按钮或向与可穿戴设备通信的辅助设备提供输入来明确传达,可以开始睡眠时段。睡眠时段的“开始”与人何时真正入睡之间的时间段可以包括在其期间人处于“清醒”睡眠阶段的间隔。
用户界面还可以可选地包括描绘心率随时间变化的图形元素,诸如心率显示2040。在该示例中,心率显示2040覆盖在睡眠图2026的再现上以允许用户观察心率和睡眠阶段之间的相关性(在该示例中,2026和2040所示的睡眠图是不同的,但是要理解的是,这仅用于说明目的;在实际实践中,睡眠图可以基于相同的数据集,并且在这种情况下将是相同的)。心率显示2040可以可选地例如通过包括指向每个这样的最大值或最小值的位置的指示符来突出显示在睡眠时段期间经历的峰值心率2044和最低心率2046,这样的指示符可能具有指示那些最大值/最小值的实际值的文本信息。
可以根据下面关于图21讨论的技术来修改GUI诸如图20中所示的,以便将睡眠时段睡眠阶段数据与用户的历史睡眠阶段数据进行比较。在图21中,框2102、2104和2106可以对应于与上面关于图14讨论的框1402、1404和1406中的操作类似的操作。例如,框2106可以使GUI部件的显示诸如百分位数分解2024被显示。在框2108中,可以确定是否已经接收到用户输入,该用户输入指示用户希望修改GUI以显示睡眠时段睡眠阶段数据与该用户的历史睡眠阶段数据的比较。如果在框2108中确定未接收到指示希望修改GUI的用户输入,则该技术可以在框2118结束。替代性地,框2108可以在框2106的呈现GUI部件期间周期性地重复,以便随着时间的推移监测这些潜在的用户输入。
如果在框2108中确定已经接收到指示希望修改GUI的用户输入,则该技术可以进行到框2110,其中可以获得用户的多个附加睡眠时段的睡眠阶段分类;该信息可以被称为“有代表性的个人睡眠阶段数据”。这可以类似于在框2102中执行的操作,除了代替作为框2102的焦点的睡眠时段的多个先前的睡眠时段之外。例如,多个先前的睡眠时段的数目可以跨呈现GUI时的时间之前的1周、呈现GUI时的时间之前的4周、呈现GUI时的时间之前的15天或呈现GUI时的时间之前的30天的时间段。替代性地,可以关于记录所讨论的睡眠时段的时间(而不是当呈现该睡眠时段的数据的GUI被呈现时)来评估这样的时间间隔。
在框2112中,可以例如通过将对于每个睡眠时段在每个睡眠阶段中花费的总时间量除以该睡眠时段的总持续时间来确定对于每个附加睡眠时段在每个睡眠阶段中花费的总时间的相对百分位数分解。在框2114中,可以确定在框2110中获得的所有附加睡眠时段中的每个睡眠阶段的相对百分位数分解的平均值以产生睡眠阶段的有代表性的相对百分位数分解。替代性地,在框2110中获得的所有附加睡眠时段中在每个睡眠阶段中花费的总时间量可以除以所有那些附加睡眠时段的总持续时间,以便获取有代表性的相对百分位数分解。在框2116中,可以修改GUI部件例如百分位数分解2024以标明每个睡眠阶段分类和指示框2102的睡眠时段的每个睡眠阶段的百分位数分解的信息以及指示睡眠阶段的有代表性的相对百分位数分解的信息。可以呈现该信息,使得可以容易地将所讨论的睡眠时段的睡眠阶段百分位数分解与对应的有代表性的相对百分位数分解进行比较。
例如,图22描绘了图20的用户界面,除了它已经响应于用户选择用户输入区域2030中的“30天平均值”被修改为包括百分位数分解2024中的比较数据。响应于该选择,已经将有代表性的相对百分位数分解2042添加到百分位数分解显示2024。在这种情况下,这些有代表性的相对百分位数分解2042是该人在先前30天内的睡眠时段的平均百分比分解。这允许用户容易地看到前一晚的睡眠与最近的睡眠时段相比是否是异常的。例如,如果与近来的睡眠时段相比,人醒来时感到非常疲倦,那么这样的比较可以允许他们快速地看到与更大群体的近来睡眠时段相比,他们在最近的睡眠时段中在特定的睡眠阶段花费了更多(或更少)的时间量。
还可以根据下面关于图23讨论的技术来修改GUI诸如图20中所示的,以便将睡眠时段睡眠阶段数据与多个用户的睡眠阶段数据进行比较;如下面更详细地讨论的,可以基于与用户相关联的用户的同类群体来选择多个用户的睡眠阶段数据。在图23中,框2302、2304和2306可以对应于与上面关于图14讨论的框1402、1404和1406中的操作类似的操作。例如,框2306可以使GUI部件的显示诸如百分位数分解2024被显示。在框2308中,可以确定是否已经接收到用户输入,该用户输入指示用户希望修改GUI以显示睡眠时段睡眠阶段数据与多个用户的睡眠阶段数据的比较。如果在框2308中确定未接收到指示希望修改GUI的用户输入,则该技术可以在框2320结束。替代性地,框2308可以在框2306的呈现GUI部件期间周期性地重复,以便随着时间的推移监测这些潜在的用户输入。
如果在框2308中确定已经接收到指示希望修改GUI的用户输入,则该技术可以进行到框2310,其中可以选择多个用户。这样的用户可以选择成匹配一个或多个同类群体标准,该一个或多个同类群体标准匹配(或在预定范围内)正在回顾他们的睡眠阶段数据的用户的各种同类群体参数。例如,如果所讨论的用户是42岁的男性,则可以选择是男性并且年龄在40到45岁之间的多个用户。要理解的是,在一些实施方式中,可以不管同类群体细节来选择多个用户。还要理解,可以基于任何数量的潜在同类群体参数来选择多个用户,该潜在同类群体参数包括例如近似的位置纬度、时区、年龄、性别、工作时间表、健康水平、平均每日活动水平等。一旦选择了合适的多个用户,该技术可以进行到框2312,其中可以获得与多个用户的多个附加睡眠时段相关联的多个时间段的睡眠阶段分类。这可以类似于在框2302中执行的操作,除了多个用户的多个先前的睡眠时段代替为框2302的焦点的睡眠时段之外。
在框23142中,可以例如通过将对于每个睡眠时段在每个睡眠阶段中花费的总时间量除以该睡眠时段的总持续时间来确定对于每个附加睡眠时段在每个睡眠阶段中花费的总时间的相对百分位数分解。在框2316中,可以确定在框2312中获得的所有附加睡眠时段中的每个睡眠阶段的相对百分位数分解的平均值以产生睡眠阶段的有代表性的同类群体相对百分位数分解。替代性地,在框2312中获得的所有附加睡眠时段中在每个睡眠阶段花费的总时间量可以除以所有那些附加睡眠时段的总持续时间,以便获取同类群体相对百分位数分解。在框2318中,可以修改GUI部件例如百分位数分解2024以标明每个睡眠阶段分类和指示来自框2302的睡眠时段的每个睡眠阶段的百分位数分解的信息以及指示睡眠阶段的同类群体相对百分位数分解的信息。可以呈现该信息,使得可以容易地将所讨论的睡眠时段的睡眠阶段百分位数分解与对应的同类群体相对百分位数分解进行比较。
例如,图24描绘了图20的用户界面,除了它已经被进一步修改以包括百分位数分解2024中的比较数据,该比较数据指示可能来自更大的用户群体的有代表性的同类群体相对百分位数分解范围2042'。可以基于来自其他用户的数据来确定这种有代表性的同类群体相对百分位数分解,并且可以对其进行过滤或下选,以便更加紧密地调和于用户的同类群体。例如,如果用户是女性并且20多岁,则可以基于来自20至29岁年龄范围内的其他女性用户的数据来确定有代表性的同类群体相对百分位数分解。相反,如果用户是男性并且60多岁,则所呈现的有代表性的同类群体相对百分位数分解可以用于60岁以上的男性。
要理解的是,有代表性的相对百分位数分解或有代表性的同类群体相对百分位数分解可以表示为如图22所示的单个值,或者表示为如图24所示的范围。
在一些实施方式中,可以修改包括在上面讨论的GUI的部分中的睡眠图显示,以提供就观看者而言的增强的可读性和理解。图25描绘了针对一些时间间隔显示双睡眠阶段指示的睡眠图。特别地,被分类为与“清醒”睡眠阶段相关联的时间间隔除了被显示为与“清醒”睡眠阶段相关联的时间间隔之外,如果持续时间足够短,还可以被显示为与一个或两个邻近时间间隔的非清醒睡眠阶段相关联。在这样的实施方式中,处于“清醒”睡眠阶段的时间间隔的显示可以关于处于非清醒睡眠阶段的相同时间间隔的显示被减弱或以其他方式不强调。这可能证明对用户有用,因为它可以帮助使睡眠图不得杂乱,其甚至在呈现完全正常的睡眠数据时也可以包括与“清醒”睡眠阶段相关联的大量非常短持续时间的间隔。在某种意义上,这是实现如本文前面所讨论的后分类规则的另一种方式,除了即使在对时间间隔再分类之后仍保留所讨论的时间间隔的原始睡眠阶段分类。在图25中,实的粗黑线表示用户的睡眠时段的睡眠图。各第一图形元素2550例如水平线段或沿水平轴延伸的其他图形元素可以用于指示对应于各种睡眠阶段的特显时间间隔(下面将关于图26更详细地进行讨论)。浅灰色的第二图形元素2552指示与清醒睡眠阶段相关联但是小于第一阈值持续时间的时间间隔,例如,小于或等于3分钟——这些时间间隔仍显示为与“清醒”睡眠阶段(由于位于对应于“清醒”睡眠阶段的海拔)相关联,但是与特显时间间隔相比以不强调的方式显示。在一些实施方式中,第二图形元素2552可以通过竖向延伸线2554连接到第一图形元素2550,该竖向延伸线可以是虚线或点线(或者另外以不同的格式),以防止它们与在主要睡眠图显示中使用的连接每对邻近第一图形元素2550的实竖向线混淆。
图26描绘了用于提供这种增强的睡眠图显示的一种技术的流程图。在框2602中,可以获得针对睡眠时段的时间间隔的睡眠阶段数据。睡眠阶段数据可以指示与每个这样的时间间隔相关联的睡眠阶段。在框2604中,可以识别特显时间间隔,每个特显时间间隔可以与睡眠阶段中之一相关联并且可以跨睡眠阶段数据的时间间隔中的一个或多个。与“清醒”睡眠阶段相关联的特显时间间隔可以各自与同“清醒”睡眠阶段相关联的对应时间间隔扩伸及同时间,并且具有比指定的第一阈值量长的持续时间。与非清醒睡眠阶段相关联的特显时间间隔可以各自与下述一个或多个连续时间间隔扩伸及同时间,该一个或多个连续时间间隔各自a)与特显时间间隔同其相关联的睡眠阶段相关联或者b)与“清醒”睡眠阶段相关联并且小于或等于第一阈值量。要理解的是,在各种实现中,被分类为与“伪象”或“脱腕”睡眠阶段相关联的时间间隔可以在这样的增强的睡眠图中被处理为与“清醒”睡眠阶段(诸如由图25中的项目2552表示的“清醒”睡眠阶段)相关联的间隔,或者在其他实现中,被处理为与非清醒睡眠阶段中之一相关联的间隔。在后一种情况下,至少为了显示增强的睡眠图的目的,这些伪象或脱腕睡眠阶段间隔可以被再分类为具有非清醒睡眠阶段中的一个,例如邻近间隔的非清醒睡眠阶段。在一些实现中,至少为了显示增强的睡眠图的目的,伪象或脱腕睡眠阶段间隔可以被再分类为具有邻近时间间隔的睡眠阶段(清醒或非清醒)。在更进一步的实现中,伪象和/或脱腕睡眠阶段可以在增强的睡眠图中具有它们自己的标高,以允许它们与可能呈现的其他睡眠阶段区分开。在这种情况下,可以以类似于用于描绘“清醒”睡眠间隔的方式描绘伪象和/或脱腕睡眠阶段,例如利用减弱的或不强调的指示符以及利用将那些以非强调方式显示为连续的睡眠间隔归类起来的睡眠间隔(如所描绘的增强的睡眠图示例中的非清醒睡眠阶段间隔所做的那样)。替代性地,可以以与非清醒的睡眠间隔相同的方式描绘伪象和/或脱腕睡眠阶段。
要理解的是,本文使用的措辞“一个或多个连续时间间隔”不仅包括存在多个时间间隔的实例,而且还包括存在单个时间间隔(并且因此在技术上没有其他时间间隔被认为是与该单个时间间隔“连续”)的实例。换句话说,措辞“一个或多个连续时间间隔”应理解为表示“单个时间间隔或者两个或更多个连续时间间隔”。类似地,如果在本文中使用的话,措辞“对于一个或多个<项目>中的每个<项目>”,应被理解为包括单个项目组和多个项目组两者,即,在用于编程语言的意义上使用措辞“对于......每个”,以指代所涉及的任何项目群体中的每个项目。例如,如果所涉及的项目群体是单个项目,则“每个”将仅指代该单个项目(尽管“每个”的字典定义经常定义该术语指代“两个或更多个事物中的每一个事物”)并且不意味着必须有这些项目中的至少两个。
例如,如果指定的阈值是3分钟,并且分析了下表中列出的一系列10个时间间隔,则可以将第一特显时间间隔“A”定义为包括间隔1,持续时间为4分钟,并且可能与“清醒”睡眠阶段相关联。第二特显时间间隔“B”可以被定义为包括间隔2至6,因为时间间隔2、4和6都与“浅”睡眠阶段相关联并且仅通过都与“清醒”睡眠阶段相关联并具有小于第一阈值的持续时间的时间间隔3和5彼此分开。第三特显时间间隔“C”可以被定义为包括时间间隔7,其与“清醒”睡眠阶段相关联并且具有大于第一阈值的持续时间;第三特显时间间隔“C”与“清醒”睡眠阶段相关联。最后,第四特显时间间隔“D”可以被定义为包括时间间隔8至10。时间间隔8和10与“浅”睡眠阶段相关联,并且由具有小于第一阈值的持续时间并且与“清醒”睡眠阶段相关联的时间间隔9分开。
在框2606中,可以使得在显示器上生成睡眠图。睡眠图可以显示对应于如图25所示的特显时间间隔的水平延伸的图形元素。在一些实施方式中,水平延伸的图形元素中的每一个都可以通过竖向线或竖板连接到相邻的水平延伸的图形元素。除了对应于特显时间间隔的图形元素之外,睡眠图还可以显示与具有“清醒”睡眠阶段且小于第一阈值的持续时间的时间间隔对应的水平延伸的图形元素。与用于表示特显时间间隔的图形元素相比,可以以不太明显的方式例如较浅的颜色或淡出显示这些附加图形元素。
图27描绘了用于产生增强的睡眠图的另一种技术。框2702至框2706对应于框2602至框2606,并且可以参考上面对于框2602至框2606的讨论以获得这些操作的细节。然而,在图27的技术中,表示与“清醒”睡眠阶段相关联并且具有小于第一阈值的持续时间的时间间隔的图形元素可以具有竖向延伸线,该竖向延伸线跨在这些图形元素的端部与表示特显时间间隔且位于表示时间间隔的图形元素的这些端部的直接下方(或上方,如果睡眠图具有位于其他睡眠阶段下方的“清醒”睡眠阶段)的图形元素的端部之间。
如从上面的讨论中容易变得明显的,人的睡眠时段的睡眠阶段数据诸如在睡眠时段期间当人处于特定睡眠阶段时的每个时间间隔,可以使用多种图形用户界面呈现给用户。虽然已经使用被格式化以在辅助设备像智能电话上显示的示例描述了所讨论的用户界面,但是这样的用户界面也可以被布置用于在计算机显示器上显示,或者在一些实施方式中,在可穿戴设备的显示器上显示(如果可穿戴设备包括显示器)。在一些实施方式中,在用户界面中使用的各种图形元素可以彼此分离并且显示在不同的用户界面显示页面上,例如,如果用户界面呈现在可穿戴设备上,则可以存在显示百分位数分解诸如图20中的百分位数分解2024的一个用户界面显示页面,以及显示睡眠图诸如睡眠图2026的另一个用户界面显示页面。在这种情况下,用户可以在两个页面之间导航,但是用户界面可能未配置为在同一用户界面显示页面上显示这两个元素。然而,如前面所讨论的,在其他实施方式中,这些元素可以呈现在同一用户界面显示页面上,并且用户界面显示页面可以是可滚动的,使得在任何一个时间仅一部分可见。
如本文前面所讨论的,用于定制和填充本文所讨论的用户界面的数据和处理可以在各种不同的位置处发生。通常,这种数据处理的起点将始终是可穿戴设备,因为它是传感器数据的来源,分类器将在睡眠时段期间使用该传感器数据对时间间隔进行分类。然而,一旦收集到这样的传感器数据,则可以在各种不同位置中的任何位置例如通过可穿戴设备、通过辅助设备、通过后端系统等执行剩余的处理。例如,可穿戴设备可以执行数据收集和特征提取中的一些或全部,辅助设备或后端系统可以提供分类器功能,并且辅助设备可以呈现图形用户界面并执行与其相关联的各种操作。其他置换也是可能的。
数据压缩
从用于分类器的脉冲相关数据中提取的许多特征可以基于要被分类的每个时间间隔的跳动间间隔持续时间。在许多实施方式中,这些跳动间间隔持续时间必须在可穿戴设备中存储一段时间,以便稍后分析跳动间间隔持续时间以进一步提取脉冲数据特征。这种稍后的分析可以由可穿戴设备执行,但替代性地可以由辅助设备或后端系统执行。无论如何,可穿戴设备可能需要存储大量的跳动间间隔持续时间信息。这可能在这些设备中呈现存储和数据传输复杂性,因为它们可能具有有限的存储器和/或通信带宽。此外,如果可穿戴设备以未压缩的形式传输跳动间间隔信息,则电池寿命可能受到负面影响。为了解决这些问题,一些实施方式可以在存储和/或传输之前将一个或多个数据压缩技术应用于跳动间间隔数据,如下面更详细地讨论的。虽然下面讨论的技术是关于压缩跳动间间隔信息而呈现的,但是这些相同的技术通常也可以应用于基于来自可穿戴设备的传感器数据生成的任何时间序列数据,诸如运动数据、呼吸率数据等。
图28描绘了用于压缩跳动间间隔数据的技术的流程图。在框2802中,可以针对时间段以第一采样率获得来自心率传感器的时变数据。例如,第一采样率可以是大约1kHz左右,然而其他采样率也是可能的。在框2804中,可以分析时变数据以例如通过识别时变数据中的峰值并测量每对相邻峰值之间的距离来识别跳动间间隔。然后可以将得到的跳动间间隔值存储为跳动间间隔序列。可以假设跳动间间隔受限于下述范围——典型的人静息心率(通常在睡眠监测期间观察到的)在每分钟60至100次跳动之间,然而在一些运动员中可以观察到由于其高峰身体状况引起的低至每分钟40次跳动的心率。因此,当提取跳动间间隔序列时,针对典型对象可以预期的跳动间间隔通常可以在1.5秒至0.6秒之间。然而,为了捕获异常值或非典型地减慢的心率,可能希望存储最高达2秒的跳动间间隔持续时间。在这样的假设下,并且使用1kHz采样率,跳动间间隔持续时间可以以其原始形式表示为11比特值(1kHz采样率下2秒=2000个计数≈2048比特=211)。要理解的是,也可以使用较低的采样率,例如,由于心跳信号的带限性质,可以以合理的置信度将低至100Hz或甚至25Hz的采样率内插到较高的计数分辨率——该内插计数值然后可以是被存储的值,作为对来自传感器的原始信号计数的补充或代替来自传感器的原始信号计数。因此,存储原始跳动间间隔序列可能需要保留大量11比特存储器块,这可能消耗有限的存储器资源(特别是如果存储一个或多个睡眠时段期间的每个时间间隔的跳动间间隔序列——这将需要为每个睡眠时段期间发生的每个心跳存储11比特值;平均睡眠时段可能具有大约30,000个这样的数据点)。此外,如上所述,由于传输的数据的大小,将这样的数据传输到辅助设备可能对电池电荷耗尽有显著贡献。
为了减小跳动间间隔序列的存储器和/或传输覆盖区,可以在框2806中分析跳动间间隔序列数据,以便确定与所讨论的时间段的跳动间间隔值相关联的参考值。可以以多种方式确定参考值,然而也许最有用的方法是使用平均跳动间间隔值作为参考值,即该时间段的跳动间间隔值的算术平均值。其他可能性包括集中趋势的其他量度(除算术平均值之外),诸如中间跳动间间隔值或跳动间间隔值的众数,或者一般而言,最小和最大跳动间间隔值之间的任何值。然而,平均值也许是最容易计算的,并且如在稍后讨论的示例中将看到的,与其他类型的参考值相比提供了一些附加的益处。
一旦已经确定了时间段的参考值,则可以确定时间段中的每个跳动间间隔值与参考值之间的差异并用于创建新的一系列经调整的跳动间间隔值。因此,例如,如果参考值是1秒(或1000个计数)并且示例跳动间间隔的长度是1.042秒(或1042个计数),则它们之间的差异将是0.042秒(或42个计数)。下面提供了一系列五个跳动间间隔的示例表——可以看出,经调整的跳动间间隔值需要小得多的比特大小以便被存储或传输。
在框2810中,可以存储该时间段的经调整的跳动间间隔序列以及该时间段的参考值,以供稍后参考。附加地或替代性地,在框2812中,可以将相同的信息传输到远程设备,例如辅助设备,以供远程设备存储和/或分析。然后,该技术可返回到框2802,以处理附加的时间段。
图28的技术通常允许跳动间间隔序列的无损(或接近无损)压缩,因为人的心率通常具有有限的变异性,例如,心率通常将不会波动超过关于人的平均心率的某一水平。例如,人的心率可能波动多达他们的平均心率的±30%,但超出该范围的波动可能很少甚至不存在。因此,原始跳动间间隔序列可以包括前导比特值,实际上,由于跳动间间隔值的波动范围有限,这些前导比特值几乎不会波动。然而,对于被存储的每个跳动间间隔值,将重复这些前导比特值。实际上,参考值从存储的数据中移除该重复元素,并且允许将其与经调整的跳动间间隔值分开地存储一次。经调整的跳动间间隔值可以稍后通过将它们增加参考值而被变换回其原始值。在一些实施方式中,经调整的跳动间间隔序列可以被存储为具有预定比特大小的表示,例如9比特表示。在这种情况下,超过可用的预定比特大小的经调整的跳动间间隔可以被限制在由预定比特大小支持的最大值或最小值。例如,如果使用9比特表示,则这可以允许经调整的跳动间间隔在-256和+255之间;如果遇到为260的经调整的跳动间间隔值,那么它可以简单地存储为9比特表示准许的最大值,即255。在这种情况下,当使用参考值将经调整的跳动间间隔变换回实际的跳动间间隔值时,由于这种截断,在边远数据中将存在一些分辨率损失。然而,这种损失可能是最小的,并且对存储的跳动间间隔序列的总体有用性没有显著影响。
可以使用图28的技术来显著减少与处理跳动间间隔序列相关联的数据存储或传输需求——例如,11比特表示可以由9比特表示替换,这是数据存储或传输效率上的近20%的改善。
参考图29讨论了用于压缩跳动间间隔数据的另一种技术,该图是这种技术的流程图。在图29中,框2902至框2908对应于图28的框2802至框2808,并且这些框的较早描述同样适用于参考图29。然而,在框2908中确定参考值(其在该技术中被计算为被压缩的时间段的跳动间间隔值的平均值)与每个跳动间间隔值之间的差之后,该技术可以进行到框2910,其中可以选择经调整的跳动间间隔中之一,之后进行到框2912,其中可以确定所选择的经调整的跳动间间隔值是否在第一阈值范围内。例如,第一阈值范围可以是-96至+95毫秒(跨192个计数),并且经调整的-96计数至+95计数的跳动间间隔值可以被认为是在第一阈值范围内。如果在框2912中确定所选择的经调整的跳动间间隔值在第一阈值范围内,则该技术可以进行到框2914,其中可以根据第一量化步长例如4毫秒来量化所选择的经调整的跳动间间隔值。在这种量化中,可以根据量化步长将跳动间间隔映射到“容器(bin,接收器、接收区间、箱)”,以便减少数据集中的离散值的数量。例如,如果量化步长是4毫秒(或者,在该示例中,4个计数),则根据该量化步长量化的数据的范围可以被再分为每个具有与量化步长相称的大小的容器。因此,如果要根据量化步长4来量化范围从1至20的值,则这将会将值1至4映射到容器1,值5至8映射到容器2,值9至12映射到容器3等。在该示例中,量化步长4将电势值的范围减小了75%。如果在框2912中确定所选择的经调整的跳动间间隔值不在第一阈值范围内,则该技术可以改为进行到框2916,其中可以根据比第一量化步长大的第二量化步长例如20毫秒量化所选择的经调整的跳动间间隔值。由于人的心率的跳动间间隔值通常表现出高斯分布,因此这具有保持大部分跳动间间隔值的分辨率的效果,其将聚集在平均值/参考值附近。可以以更粗略的分辨率量化异常值跳动间间隔值,然而与以更精细分辨率量化的跳动间间隔值相比,这些间隔值将少得多。
对于具有被量化的经调整的跳动间间隔值的每个时间段,阈值范围可以被设置为固定范围,或者可以基于被量化的经调整的跳动间间隔值来动态地调整。例如,在一些实施方式中,相同的固定范围可以用作针对其量化了经调整的跳动间间隔值的每个时间段的阈值范围。然而,在其他实施方式中,可以基于被量化的经调整的跳动间间隔的值,针对每个时间段重新确定阈值范围。例如,可以针对每个时间段重新设置阈值范围,使得经调整的跳动间间隔值的给定百分比(或至少给定百分比)例如至少80%落入阈值范围内。在一些这样的实施方式中,可以调整量化步长以总体上保持相同的量化容器总数并且在阈值范围内/不在阈值范围内。
在框2918中,可以确定在需要量化的当前时间段中是否还存在另外的跳动间间隔值——如果是,则该技术返回到框2910,并且可以量化跳动间间隔值系列中的新跳动间间隔值。如果不是,则该技术可以进行到框2920和/或2922,其中可以与关联于该时间段的参考值相关联地存储或传输针对被分析的时间段的所量化的经调整的跳动间间隔值。然后,该技术可返回到框2902以处理另一时间段。由于上面讨论的量化方案,可以进一步减小用于表示跳动间间隔值的比特值。例如,如果使用前面讨论的4ms/20ms和-96至+95计数的第一阈值范围示例量化方案,结合通过使用参考值(参见框2906和框2908)实现的从11比特值到9比特值的转换,则9比特值可以进一步减小到例如6比特值。这是因为在经量化的数据中可能只有共64个量化级别——在量化步长为4ms的情况下为48个量化级别以及在量化步长为20ms的情况下为16个量化级别。
要理解的是,可以根据需要使用附加量化级别,以便提供三、四或N级量化方案——每个量化级别可以与不同阈值范围相关联。还要理解的是,可以始终使用单个量化级别,然而这样的实施方式可能无法提供几乎同样多的数据压缩(或者,如果它们这样做,则由于对大量数据应用大的量化步长,所以被压缩的数据的质量可能会显著降低)。
还要理解的是,虽然在上面讨论的这个示例中量化在确定经调整的跳动间间隔值之后发生,但是还可以例如在框2906的操作之前对未经调整的跳动间间隔值执行量化。在这样的实施方式中,量化可以仅是单步量化,因为多步量化技术的第一阈值范围以参考值为中心,直到框2906之后才适用于数据。
可以看出,上述技术可以引起比特成本降低近50%以存储跳动间间隔值序列,这可以显著降低数据存储和传输资源成本。
结论
从以上讨论中可以明显看出,本文讨论的技术、系统和装置可以用于促进使用可穿戴设备的睡眠阶段跟踪。本文讨论的技术可以作为方法实践,或者可以以存储在一个或多个存储器设备上用于控制一个或多个处理器执行本文所讨论的技术的计算机可读指令的形式体现。这样的存储器设备可以是装置或系统的一个或多个部分,例如可穿戴设备、辅助设备和/或后端系统的一部分,或者可以是独立的存储器设备例如可以与计算设备连接以便将这些指令复制到计算设备或使用计算设备执行来自独立的存储器设备的指令的磁盘或闪速存储器设备。
重要的是,本文讨论的概念不限于本文讨论的任何单个方面或实现,也不限于这些方面和/或实现的任何组合和/或置换。此外,本发明的每个方面和/或其实现可以单独使用或与其他方面和/或其实现中的一个或多个结合使用。为简洁起见,这里将不再单独讨论和/或说明这些置换和组合中的许多。
Claims (15)
1.一种睡眠监测系统,包括:
待由用户佩戴的可穿戴电子设备,所述可穿戴电子设备包括:
一个或多个运动传感器的集合,用以生成表示所述可穿戴电子设备在第一时间窗口内的运动的运动数据,以及
一个或多个光学传感器的集合,用以生成由所述可穿戴电子设备在所述第一时间窗口内检测到的心肺脉冲相关数据;
一个或多个处理器的集合,被配置为从所述运动传感器的集合和所述一个或多个光学传感器的集合接收数据;以及
非暂时性机器可读存储介质,可操作地耦接到所述一个或多个处理器的集合并且具有存储在其中的指令,所述指令在被执行时使所述一个或多个处理器的集合:
从覆盖所述第一时间窗口的所述运动数据中提取移动特征;
从覆盖所述第一时间窗口的所述心肺脉冲相关数据中提取脉冲数据特征;以及
使用所述移动特征和所述脉冲数据特征来使分类器用指示选自多个睡眠阶段的第一睡眠阶段的标识符标记与所述第一时间窗口相关联的时间段。
2.根据权利要求1所述的睡眠监测系统,其中,所述多个睡眠阶段包括选自由下述组成的组的两个或更多个睡眠阶段:清醒睡眠阶段、伪象/脱腕睡眠阶段、浅睡眠阶段、深睡眠阶段、以及随机眼动(REM)睡眠阶段。
3.根据权利要求1所述的睡眠监测系统,其中,所述一个或多个光学传感器的集合包括光电容积描记图传感器,所述一个或多个运动传感器的集合包括加速度计,或者,所述一个或多个光学传感器的集合包括光电容积描记图传感器并且所述一个或多个运动传感器的集合包括加速度计。
4.根据权利要求1所述的睡眠监测系统,其中,所述第一时间窗口和所述时间段是相同的持续时间并且具有相同的起点和终点。
5.根据权利要求1所述的睡眠监测系统,其中,所述移动特征和所述脉冲数据特征共同包括选自由下述组成的组的一个或多个特征:
从所述运动数据中提取的累积移动指数;
在处于所述第一时间窗口内的第一时间与处于所述第一时间窗口之前的在所述累积移动指数最后一次超过第一阈值量时的第二时间之间的第一经过时间;
在处于所述第一时间窗口内的第三时间与处于所述第一时间窗口之后的在所述累积移动指数首次超过第二阈值量时的第四时间之间的第二经过时间;
在处于所述第一时间窗口内的第五时间与处于所述第一时间窗口之外的在所述累积移动指数首次超过第三阈值量时的最近时间之间的第三经过时间;
在所述第一时间窗口之前自所述累积移动指数最后一次超过第四阈值量以来的时间窗口的第一数量;
在所述第一时间窗口之后直到所述累积移动指数首次超过第五阈值量时的时间窗口的第二数量;
通过样本熵评估的所述心肺脉冲相关数据中的跳动间间隔的变异性;
通过样本熵评估的所述心肺脉冲相关数据的变异性;
所述跳动间间隔的连续差的均方根;
所述心肺脉冲相关数据的连续差的均方根;
所述跳动间间隔在0.04Hz至0.15Hz的频率范围内的低频谱功率;
所述心肺脉冲相关数据在0.04Hz至0.15Hz的频率范围内的低频谱功率;
所述跳动间间隔在0.15Hz至0.4Hz的频率范围内的高频谱功率;
所述心肺脉冲相关数据在0.15Hz至0.4Hz的频率范围内的高频谱功率;
所述心肺脉冲相关数据的包络的变异性;
所述跳动间间隔的包络的变异性;
从所述心肺脉冲相关数据中提取的去趋势呼吸率的变异性;
从所述心肺脉冲相关数据或从所述跳动间间隔提取的心率的百分位数间跨距;
从所述心肺脉冲相关数据或从所述跳动间间隔提取的归一化去趋势心率;以及
所述心肺脉冲相关数据中的一个或多个脉冲形状中的每个脉冲形状与所述心肺脉冲相关数据中的前一脉冲形状的互相关,其中,所述脉冲形状在所述互相关之前被归一化到共同的持续时间。
6.根据权利要求1所述的睡眠监测系统,其中,所述移动特征和所述脉冲数据特征共同包括下述中的至少一种:自最后一次移动以来的时间;直到下一次移动的时间;距最近移动的时间;使用样本熵评估的从所述心肺脉冲相关数据中提取的跳动间间隔的变异性;从所述心肺脉冲相关数据中提取的去趋势呼吸率的变异性;以及所述心肺脉冲相关数据中的一个或多个脉冲形状中的每个脉冲形状与所述心肺脉冲相关数据中的前一脉冲形状的互相关,其中,所述脉冲形状在所述互相关之前被归一化到共同的持续时间。
7.根据权利要求1所述的睡眠监测系统,其中,使所述分类器标记所述时间段的指令包括下述指令:所述指令在被执行时使所述一个或多个处理器的集合将所述移动特征和所述脉冲数据特征传输到执行所述分类器的服务器系统,其中,所述一个或多个处理器的集合中的一个或多个处理器中的至少一些处理器是所述服务器系统的一部分。
8.根据权利要求1所述的睡眠监测系统,其中,使所述分类器标记所述时间段的指令包括下述指令:所述指令在被执行时使所述一个或多个处理器的集合执行选自由最近邻分类器、随机森林分类器和线性判别分类器组成的组的分类器。
9.根据权利要求8所述的睡眠监测系统,其中,所述分类器使用从针对睡眠研究对象群体收集的基准运动数据和基准心肺脉冲相关数据中提取的移动特征和脉冲数据特征进行训练。
10.根据权利要求1所述的睡眠监测系统,其中,所述指令还使所述一个或多个处理器的集合在所述一个或多个处理器被使得生成所述脉冲数据特征之前填充所述心肺脉冲相关数据中的缺失数据点。
11.根据权利要求1所述的睡眠监测系统,其中,所述指令还使所述一个或多个处理器的集合基于多个连续时间段的标签来改变与所述第一时间窗口相关联的所述时间段的标签,以满足模式约束,所述多个连续时间段包括与所述第一时间窗口相关联的所述时间段。
12.根据权利要求11所述的睡眠监测系统,其中,所述模式约束在用指示清醒睡眠阶段的指示符标记所述时间段并且用指示深睡眠阶段的指示符标记与所述时间段邻近的时间段时被满足,并且其中,用于所述时间段的标签从指示所述清醒睡眠阶段的指示符改变为指示所述深睡眠阶段的指示符。
13.根据权利要求1所述的睡眠监测系统,其中,所述指令还使所述一个或多个处理器的集合:
获得与时间段相关联的置信度数字,每个置信度数字用于所述多个睡眠阶段中的一个不同的睡眠阶段;以及
用指示所述多个睡眠阶段中针对所述时间段具有最高置信度数字的睡眠阶段的标识符标记所述时间段。
14.一种装置,包括:
通信接口;
一个或多个处理器;以及
存储器,其中:
所述一个或多个处理器与所述存储器和所述通信接口通信地连接,并且
所述存储器具有存储在其中的计算机可执行指令,所述计算机可执行指令在被执行时使所述一个或多个处理器:
接收用于第一用户的睡眠阶段数据,所述睡眠阶段数据包括指示与所述第一用户的第一睡眠时段相关联的时间间隔的数据和指示对于每个时间间隔与该时间间隔相关联的睡眠阶段的数据,其中,与每个时间间隔相关联的所述睡眠阶段选自预定的具有不同睡眠阶段的集合;以及
生成第一图形用户界面部件,所述第一图形用户界面部件指示在所述第一睡眠时段的每个睡眠阶段中花费的总时间的相对百分位数分解。
15.根据权利要求14所述的装置,其中,所述预定的具有不同睡眠阶段的集合包括:伪象或脱腕睡眠阶段、清醒睡眠阶段、随机眼动(REM)睡眠阶段、浅睡眠阶段和深睡眠阶段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210965945.1A CN115349826A (zh) | 2016-09-06 | 2017-09-06 | 用于标记睡眠状态的方法和系统 |
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662384188P | 2016-09-06 | 2016-09-06 | |
US62/384,188 | 2016-09-06 | ||
US15/438,643 US11207021B2 (en) | 2016-09-06 | 2017-02-21 | Methods and systems for labeling sleep states |
US15/438,643 | 2017-02-21 | ||
PCT/US2017/050344 WO2018048951A2 (en) | 2016-09-06 | 2017-09-06 | Methods and systems for labeling sleep states |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210965945.1A Division CN115349826A (zh) | 2016-09-06 | 2017-09-06 | 用于标记睡眠状态的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109843163A true CN109843163A (zh) | 2019-06-04 |
CN109843163B CN109843163B (zh) | 2022-08-19 |
Family
ID=61282229
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780063092.XA Active CN109843163B (zh) | 2016-09-06 | 2017-09-06 | 用于标记睡眠状态的方法和系统 |
CN202210965945.1A Pending CN115349826A (zh) | 2016-09-06 | 2017-09-06 | 用于标记睡眠状态的方法和系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210965945.1A Pending CN115349826A (zh) | 2016-09-06 | 2017-09-06 | 用于标记睡眠状态的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11207021B2 (zh) |
EP (1) | EP3509482A2 (zh) |
CN (2) | CN109843163B (zh) |
CA (1) | CA3035795A1 (zh) |
WO (1) | WO2018048951A2 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110623652A (zh) * | 2019-09-17 | 2019-12-31 | 华为技术有限公司 | 数据显示方法及电子设备 |
CN114860320A (zh) * | 2021-01-20 | 2022-08-05 | 西部数据技术公司 | 数据存储设备提早转变到低功率模式 |
Families Citing this family (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160019360A1 (en) | 2013-12-04 | 2016-01-21 | Apple Inc. | Wellness aggregator |
US9808185B2 (en) | 2014-09-23 | 2017-11-07 | Fitbit, Inc. | Movement measure generation in a wearable electronic device |
ES2953946T3 (es) | 2014-10-31 | 2023-11-17 | Irhythm Tech Inc | Sistema de monitorización fisiológica |
US11444710B2 (en) * | 2015-07-17 | 2022-09-13 | Origin Wireless, Inc. | Method, apparatus, and system for processing and presenting life log based on a wireless signal |
KR102342825B1 (ko) * | 2015-12-08 | 2021-12-23 | 삼성전자주식회사 | 전자 장치, 그의 신호 처리 방법, 생체 신호 측정 시스템 및 비일시적 컴퓨터 판독가능 기록매체 |
AU2017252643B2 (en) | 2016-04-19 | 2022-04-14 | Inspire Medical Systems, Inc. | Accelerometer-based sensing for sleep disordered breathing (SDB) care |
US11642077B2 (en) | 2016-04-29 | 2023-05-09 | Fitbit, Inc. | Sleep monitoring system with optional alarm functionality |
US10325514B2 (en) | 2016-06-02 | 2019-06-18 | Fitbit, Inc. | Systems and techniques for tracking sleep consistency and sleep goals |
US11207021B2 (en) | 2016-09-06 | 2021-12-28 | Fitbit, Inc | Methods and systems for labeling sleep states |
US10111615B2 (en) | 2017-03-11 | 2018-10-30 | Fitbit, Inc. | Sleep scoring based on physiological information |
US20190053754A1 (en) | 2017-08-18 | 2019-02-21 | Fitbit, Inc. | Automated detection of breathing disturbances |
USD895613S1 (en) | 2018-01-29 | 2020-09-08 | Fitbit, Inc. | Smart watch with health monitor sensor |
US11185281B2 (en) * | 2018-02-20 | 2021-11-30 | Koninklijke Philips N.V. | System and method for delivering sensory stimulation to a user based on a sleep architecture model |
DK180246B1 (en) | 2018-03-12 | 2020-09-11 | Apple Inc | User interfaces for health monitoring |
GB2572412B (en) * | 2018-03-29 | 2021-03-10 | 270 Vision Ltd | Sensor apparatus |
USD887405S1 (en) | 2018-04-25 | 2020-06-16 | Fitbit, Inc. | Body of smart watch with health monitor sensor |
IT201800005089A1 (it) * | 2018-05-04 | 2019-11-04 | Cardiac activity measurement system and method thereof. | |
DK179992B1 (en) | 2018-05-07 | 2020-01-14 | Apple Inc. | DISPLAY OF USER INTERFACES ASSOCIATED WITH PHYSICAL ACTIVITIES |
US11317833B2 (en) | 2018-05-07 | 2022-05-03 | Apple Inc. | Displaying user interfaces associated with physical activities |
EP3790449B1 (en) * | 2018-05-10 | 2021-12-22 | Koninklijke Philips N.V. | System for enhancing sensory stimulation delivered to a user using neural networks |
WO2020018940A1 (en) * | 2018-07-20 | 2020-01-23 | The Trustees Of Dartmouth College | Token-based authentication for digital devices |
WO2020043855A1 (en) * | 2018-08-29 | 2020-03-05 | Sleep Advice Technologies S.R.L. | Photoplethysmography based detection of transitions between awake, drowsiness, and sleep phases of a subject |
WO2020097618A1 (en) * | 2018-11-09 | 2020-05-14 | The Regents Of The University Of Colorado, A Body Corporate | Deep brain stimulation using artificial neural networks |
US11997455B2 (en) * | 2019-02-11 | 2024-05-28 | Koko Home, Inc. | System and method for processing multi-directional signals and feedback to a user to improve sleep |
US11971503B2 (en) | 2019-02-19 | 2024-04-30 | Koko Home, Inc. | System and method for determining user activities using multiple sources |
US10810850B2 (en) | 2019-02-19 | 2020-10-20 | Koko Home, Inc. | System and method for state identity of a user and initiating feedback using multiple sources |
EP3939502A4 (en) * | 2019-03-11 | 2022-11-30 | Kyocera Corporation | SLEEP ESTIMATING SYSTEM, SLEEP ESTIMATING DEVICE AND SLEEP ESTIMATING METHOD |
DK201970532A1 (en) | 2019-05-06 | 2021-05-03 | Apple Inc | Activity trends and workouts |
US20200367811A1 (en) * | 2019-05-21 | 2020-11-26 | Firstbeat Analytics Oy | Method and apparatus for detecting a sleep state |
US11234077B2 (en) | 2019-06-01 | 2022-01-25 | Apple Inc. | User interfaces for managing audio exposure |
US11209957B2 (en) | 2019-06-01 | 2021-12-28 | Apple Inc. | User interfaces for cycle tracking |
US11228835B2 (en) | 2019-06-01 | 2022-01-18 | Apple Inc. | User interfaces for managing audio exposure |
US11152100B2 (en) | 2019-06-01 | 2021-10-19 | Apple Inc. | Health application user interfaces |
US12002588B2 (en) | 2019-07-17 | 2024-06-04 | Apple Inc. | Health event logging and coaching user interfaces |
JP2022542581A (ja) | 2019-07-25 | 2022-10-05 | インスパイア・メディカル・システムズ・インコーポレイテッド | 検知された姿勢情報に基づいて植込み型医療デバイスを操作するためのシステムおよび方法 |
CN114286975A (zh) | 2019-09-09 | 2022-04-05 | 苹果公司 | 调查研究用户界面 |
US20210085256A1 (en) * | 2019-09-19 | 2021-03-25 | Casio Computer Co., Ltd. | Training device, training method, identification device, identification method, and recording medium |
KR102563372B1 (ko) | 2020-02-12 | 2023-08-03 | 아이리듬 테크놀로지스, 아이엔씨 | 비-침습적 심장 모니터 및 기록된 심장 데이터를 사용하여 환자의 생리학적 특성을 추론하는 방법 |
DK181037B1 (en) | 2020-06-02 | 2022-10-10 | Apple Inc | User interfaces for health applications |
JP2023536981A (ja) | 2020-08-06 | 2023-08-30 | アイリズム・テクノロジーズ・インコーポレイテッド | 接着剤式生理学的モニタリング装置 |
JP2023536982A (ja) | 2020-08-06 | 2023-08-30 | アイリズム・テクノロジーズ・インコーポレイテッド | 生理学的モニタリング装置の電気部品 |
US11698710B2 (en) | 2020-08-31 | 2023-07-11 | Apple Inc. | User interfaces for logging user activities |
US20220202359A1 (en) * | 2020-12-30 | 2022-06-30 | Itamar Medical, Ltd. | System and method for arrhythmia detection during an at home sleep test |
CN112842266B (zh) * | 2020-12-31 | 2024-05-14 | 湖南正申科技有限公司 | 一种基于人体监测睡眠数据的睡眠分期阶段识别方法 |
CN112914589B (zh) * | 2021-03-02 | 2023-04-18 | 钦州市第二人民医院 | 一种多导睡眠监测无线网帽装置及监测方法 |
US20220287629A1 (en) * | 2021-03-15 | 2022-09-15 | Cognitive Systems Corp. | Generating and Displaying Metrics of Interest Based on Motion Data |
US20220375591A1 (en) * | 2021-05-21 | 2022-11-24 | Oura Health Oy | Automatic sleep staging classification with circadian rhythm adjustment |
AU2022275748A1 (en) * | 2021-05-21 | 2023-12-14 | Oura Health Oy | Automatic sleep staging classification with circadian rhythm adjustment |
CN113672083B (zh) * | 2021-07-30 | 2022-09-23 | 荣耀终端有限公司 | 监测作息时刻的方法和装置 |
WO2023025770A1 (en) * | 2021-08-26 | 2023-03-02 | Pprs Sas | Sleep stage determining system |
WO2023069102A1 (en) * | 2021-10-21 | 2023-04-27 | Google Llc | Methods and systems for improving measurement of sleep data by classifying users based on sleeper type |
CN114666436A (zh) * | 2022-02-16 | 2022-06-24 | 深圳市爱都科技有限公司 | 一种睡眠管理方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006048852A1 (en) * | 2004-11-02 | 2006-05-11 | University College Dublin - National University Ofireland, Dublin | A sleep monitoring system |
US20110124979A1 (en) * | 2007-08-21 | 2011-05-26 | Conor Heneghan | Method and system for monitoring sleep |
US20140049627A1 (en) * | 2012-08-14 | 2014-02-20 | Good Sleep, Llc | Systems And Methods For Sleep Monitoring |
CN103717125A (zh) * | 2011-05-18 | 2014-04-09 | V视股份有限公司 | 用于确定人的睡眠和睡眠阶段的系统和方法 |
US20150112158A1 (en) * | 2013-10-23 | 2015-04-23 | Quanttus, Inc. | Health Metrics |
US20150190086A1 (en) * | 2014-01-03 | 2015-07-09 | Vital Connect, Inc. | Automated sleep staging using wearable sensors |
CN105446480A (zh) * | 2014-09-23 | 2016-03-30 | 飞比特公司 | 可穿戴电子装置中的移动量度产生 |
WO2016108751A1 (en) * | 2014-12-30 | 2016-07-07 | Nitto Denko Corporation | Device and method for sleep monitoring |
WO2016206921A1 (en) * | 2015-06-25 | 2016-12-29 | Koninklijke Philips N.V. | Device and method for monitoring a physiological state of a subject |
Family Cites Families (98)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4836219A (en) | 1987-07-08 | 1989-06-06 | President & Fellows Of Harvard College | Electronic sleep monitor headgear |
EP0476138B1 (en) | 1990-03-09 | 1997-11-19 | Matsushita Electric Industrial Co., Ltd. | Sleep detecting device |
US5902250A (en) | 1997-03-31 | 1999-05-11 | President And Fellows Of Harvard College | Home-based system and method for monitoring sleep state and assessing cardiorespiratory risk |
EP2363061A1 (en) | 2000-06-16 | 2011-09-07 | BodyMedia, Inc. | System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability |
US7689437B1 (en) | 2000-06-16 | 2010-03-30 | Bodymedia, Inc. | System for monitoring health, wellness and fitness |
BR0111918B1 (pt) | 2000-06-23 | 2010-11-30 | aparelho para monitorar e reportar informação fisiológica humana. | |
US7025729B2 (en) * | 2001-09-14 | 2006-04-11 | Biancamed Limited | Apparatus for detecting sleep apnea using electrocardiogram signals |
US7020508B2 (en) | 2002-08-22 | 2006-03-28 | Bodymedia, Inc. | Apparatus for detecting human physiological and contextual information |
US6878121B2 (en) | 2002-11-01 | 2005-04-12 | David T. Krausman | Sleep scoring apparatus and method |
US7189204B2 (en) | 2002-12-04 | 2007-03-13 | Cardiac Pacemakers, Inc. | Sleep detection using an adjustable threshold |
IL155955A0 (en) * | 2003-05-15 | 2003-12-23 | Widemed Ltd | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal |
US8002553B2 (en) | 2003-08-18 | 2011-08-23 | Cardiac Pacemakers, Inc. | Sleep quality data collection and evaluation |
US8606356B2 (en) | 2003-09-18 | 2013-12-10 | Cardiac Pacemakers, Inc. | Autonomic arousal detection system and method |
US8192376B2 (en) | 2003-08-18 | 2012-06-05 | Cardiac Pacemakers, Inc. | Sleep state classification |
WO2005027720A2 (en) * | 2003-09-12 | 2005-03-31 | Bodymedia, Inc. | Method and apparatus for measuring heart related parameters |
US6964641B2 (en) | 2003-12-24 | 2005-11-15 | Medtronic, Inc. | Implantable medical device with sleep disordered breathing monitoring |
US8690751B2 (en) | 2003-12-31 | 2014-04-08 | Raphael Auphan | Sleep and environment control method and system |
US7306567B2 (en) | 2004-01-09 | 2007-12-11 | Loree Iv Leonor F | Easy wake wrist watch |
US8942779B2 (en) | 2004-02-05 | 2015-01-27 | Early Sense Ltd. | Monitoring a condition of a subject |
US7248915B2 (en) | 2004-02-26 | 2007-07-24 | Nokia Corporation | Natural alarm clock |
US20050209512A1 (en) | 2004-03-16 | 2005-09-22 | Heruth Kenneth T | Detecting sleep |
US7491181B2 (en) | 2004-03-16 | 2009-02-17 | Medtronic, Inc. | Collecting activity and sleep quality information via a medical device |
KR100786703B1 (ko) | 2004-07-24 | 2007-12-21 | 삼성전자주식회사 | 가속도 센서를 이용한 운동량 측정장치 및 방법 |
US7578793B2 (en) | 2004-11-22 | 2009-08-25 | Widemed Ltd. | Sleep staging based on cardio-respiratory signals |
US8376964B2 (en) | 2005-02-17 | 2013-02-19 | Seoul National University Industry Foundation | Apparatus for analyzing a sleep structure according to non-constrained weight detection |
JP4595651B2 (ja) | 2005-04-25 | 2010-12-08 | 株式会社デンソー | 生体センサ、睡眠情報処理方法、及び睡眠情報処理装置 |
US7473233B2 (en) | 2005-06-07 | 2009-01-06 | Streetime Technologies, Llc | Automated system and method for determining drug testing |
US8200320B2 (en) | 2006-03-03 | 2012-06-12 | PhysioWave, Inc. | Integrated physiologic monitoring systems and methods |
WO2007117402A2 (en) | 2006-04-01 | 2007-10-18 | U.S. Government As Represented By The Secretary Of The Army | Human biovibrations method |
US7558622B2 (en) | 2006-05-24 | 2009-07-07 | Bao Tran | Mesh network stroke monitoring appliance |
US8684900B2 (en) | 2006-05-16 | 2014-04-01 | Bao Tran | Health monitoring appliance |
CA2654095C (en) * | 2006-06-01 | 2015-12-22 | Biancamed Ltd. | Apparatus, system, and method for monitoring physiological signs |
US7653508B1 (en) | 2006-12-22 | 2010-01-26 | Dp Technologies, Inc. | Human activity monitoring device |
JP5073371B2 (ja) | 2007-06-06 | 2012-11-14 | 株式会社タニタ | 睡眠評価装置 |
US8112281B2 (en) | 2007-12-19 | 2012-02-07 | Enbiomedic | Accelerometer-based control of wearable audio recorders |
US8826575B2 (en) | 2008-02-27 | 2014-09-09 | Robert Ufer | Self calibrating weapon shot counter |
US20120142443A1 (en) | 2008-03-17 | 2012-06-07 | Chris Savarese | Golf club apparatuses and methods |
US10667715B2 (en) | 2008-08-20 | 2020-06-02 | Sensible Medical Innovations Ltd. | Methods and devices of cardiac tissue monitoring and analysis |
US20100099954A1 (en) | 2008-10-22 | 2010-04-22 | Zeo, Inc. | Data-driven sleep coaching system |
US7980470B2 (en) | 2008-10-23 | 2011-07-19 | Symbol Technologies, Inc. | Adaptive power management in imaging systems |
TW201019901A (en) | 2008-11-17 | 2010-06-01 | Univ Nat Yang Ming | Sleep analysis system and analysis method thereof |
US8487771B2 (en) | 2009-05-21 | 2013-07-16 | Silverplus, Inc. | Personal health management device |
GB2471902A (en) | 2009-07-17 | 2011-01-19 | Sharp Kk | Sleep management system which correlates sleep and performance data |
DK2543027T3 (en) | 2009-12-31 | 2016-10-24 | Nightbalance B V | Sleep position monitoring system |
US20110230790A1 (en) | 2010-03-16 | 2011-09-22 | Valeriy Kozlov | Method and system for sleep monitoring, regulation and planning |
US10010253B2 (en) * | 2010-03-17 | 2018-07-03 | Hypnocore Ltd. | Sleep analysis based on inter beat interval |
US9167991B2 (en) * | 2010-09-30 | 2015-10-27 | Fitbit, Inc. | Portable monitoring devices and methods of operating same |
US9188460B2 (en) | 2010-09-30 | 2015-11-17 | Fitbit, Inc. | Methods, systems and devices for generating real-time activity data updates to display devices |
US8812259B2 (en) | 2010-09-30 | 2014-08-19 | Fitbit, Inc. | Alarm setting and interfacing with gesture contact interfacing controls |
US9310909B2 (en) | 2010-09-30 | 2016-04-12 | Fitbit, Inc. | Methods, systems and devices for physical contact activated display and navigation |
EP2460464A1 (en) * | 2010-12-03 | 2012-06-06 | Koninklijke Philips Electronics N.V. | Sleep disturbance monitoring apparatus |
US8948861B2 (en) | 2011-03-31 | 2015-02-03 | Toyota Motor Engineering & Manufacturing North America, Inc. | Methods and systems for determining optimum wake time |
JP2012226564A (ja) | 2011-04-20 | 2012-11-15 | Sony Corp | 情報処理装置、情報処理方法、およびプログラム |
EP2718079A2 (en) | 2011-06-10 | 2014-04-16 | Aliphcom | Determinative processes for wearable devices |
US20130002435A1 (en) | 2011-06-10 | 2013-01-03 | Aliphcom | Sleep management method and apparatus for a wellness application using data from a data-capable band |
US20120316455A1 (en) | 2011-06-10 | 2012-12-13 | Aliphcom | Wearable device and platform for sensory input |
AU2012267525A1 (en) | 2011-06-10 | 2013-04-11 | Aliphcom | Motion profile templates and movement languages for wearable devices |
US8793522B2 (en) | 2011-06-11 | 2014-07-29 | Aliphcom | Power management in a data-capable strapband |
US9192326B2 (en) | 2011-07-13 | 2015-11-24 | Dp Technologies, Inc. | Sleep monitoring system |
WO2013103994A2 (en) | 2012-01-08 | 2013-07-11 | Oppenheimer Steven Charles | System and method for item self-assessment as being extant or displaced |
JP5870706B2 (ja) | 2012-01-20 | 2016-03-01 | オムロンヘルスケア株式会社 | 睡眠表示プログラム、睡眠表示方法及び睡眠表示装置 |
US11633150B2 (en) * | 2012-05-31 | 2023-04-25 | Ben Gurion University Of The Negev Research And Development Authority | Apparatus and method for diagnosing sleep quality |
US9597014B2 (en) | 2012-06-22 | 2017-03-21 | Fitbit, Inc. | GPS accuracy refinement using external sensors |
US20140180595A1 (en) | 2012-12-26 | 2014-06-26 | Fitbit, Inc. | Device state dependent user interface management |
US9005129B2 (en) * | 2012-06-22 | 2015-04-14 | Fitbit, Inc. | Wearable heart rate monitor |
WO2014039567A1 (en) * | 2012-09-04 | 2014-03-13 | Bobo Analytics, Inc. | Systems, devices and methods for continuous heart rate monitoring and interpretation |
US10492720B2 (en) * | 2012-09-19 | 2019-12-03 | Resmed Sensor Technologies Limited | System and method for determining sleep stage |
NZ725344A (en) | 2012-09-19 | 2018-04-27 | Resmed Sensor Tech Ltd | System and method for determining sleep stage |
US8827906B2 (en) | 2013-01-15 | 2014-09-09 | Fitbit, Inc. | Methods, systems and devices for measuring fingertip heart rate |
CN108903920A (zh) | 2013-01-15 | 2018-11-30 | 飞比特公司 | 便携式生物计量监测装置及其操作方法 |
US10194834B2 (en) | 2013-01-16 | 2019-02-05 | Vital Connect, Inc. | Detection of sleep apnea using respiratory signals |
US9298197B2 (en) | 2013-04-19 | 2016-03-29 | Google Inc. | Automated adjustment of an HVAC schedule for resource conservation |
US20140364770A1 (en) | 2013-06-06 | 2014-12-11 | Motorola Mobility Llc | Accelerometer-based sleep analysis |
JP6698521B2 (ja) * | 2013-07-08 | 2020-05-27 | レスメッド センサー テクノロジーズ リミテッド | 睡眠管理の方法及びシステム |
US9606721B2 (en) | 2013-07-22 | 2017-03-28 | Lg Electronics Inc. | Mobile terminal and control method thereof |
US9554747B2 (en) | 2013-08-26 | 2017-01-31 | EveryFit, Inc. | Power efficient system and method for measuring physical activity in resource constrained devices |
NZ630770A (en) | 2013-10-09 | 2016-03-31 | Resmed Sensor Technologies Ltd | Fatigue monitoring and management system |
EP3060118A4 (en) * | 2013-10-24 | 2017-07-19 | Breathevision Ltd. | Motion monitor |
US20160051184A1 (en) | 2013-10-24 | 2016-02-25 | JayBird LLC | System and method for providing sleep recommendations using earbuds with biometric sensors |
JP5877459B2 (ja) * | 2013-10-29 | 2016-03-08 | 石橋 晃 | 睡眠時無意識体動情報活用システム及び方法並びに就寝状況検知システム及び方法 |
US11298075B2 (en) | 2013-12-19 | 2022-04-12 | Apple Inc. | Physiological monitoring method and system |
US10980473B2 (en) | 2014-01-02 | 2021-04-20 | Intel Corporation | Identifying and characterizing nocturnal motion and stages of sleep |
EP3110606B1 (en) | 2014-02-24 | 2021-09-15 | Sony Group Corporation | Smart wearable devices and methods for automatically configuring capabilities with biology and environment capture sensors |
CN103823562B (zh) | 2014-02-28 | 2017-07-11 | 惠州Tcl移动通信有限公司 | 自动提醒用户睡觉的方法、系统及可穿戴设备 |
US20150355612A1 (en) | 2014-06-05 | 2015-12-10 | Morphy Inc. | Methods and systems for controlling home appliances based on human biological signals |
EP3160337B1 (en) | 2014-06-30 | 2022-04-06 | Scint B.V. | Body worn measurement device |
US10238222B2 (en) | 2014-09-05 | 2019-03-26 | Raj Rao | Electronically controllable pillow |
US10702207B2 (en) * | 2014-12-11 | 2020-07-07 | Koninklijke Philips N.V. | System and method for determining spectral boundaries for sleep stage classification |
WO2016097947A1 (en) * | 2014-12-18 | 2016-06-23 | Koninklijke Philips N.V. | System and method for slow wave sleep detection |
JP6485037B2 (ja) | 2014-12-25 | 2019-03-20 | オムロン株式会社 | 睡眠改善システム及びこのシステムを用いた睡眠改善方法 |
KR102422115B1 (ko) | 2015-02-12 | 2022-07-18 | 삼성전자주식회사 | 수면 정보를 입력하는 전자 장치 및 그 제어 방법 |
US10690763B2 (en) * | 2015-04-20 | 2020-06-23 | Resmed Sensor Technologies Limited | Detection and identification of a human from characteristic signals |
US10321871B2 (en) * | 2015-08-28 | 2019-06-18 | Awarables Inc. | Determining sleep stages and sleep events using sensor data |
WO2017136352A1 (en) * | 2016-02-01 | 2017-08-10 | Verily Life Sciences Llc | Machine learnt model to detect rem sleep periods using a spectral analysis of heart rate and motion |
US10470719B2 (en) * | 2016-02-01 | 2019-11-12 | Verily Life Sciences Llc | Machine learnt model to detect REM sleep periods using a spectral analysis of heart rate and motion |
US10325514B2 (en) | 2016-06-02 | 2019-06-18 | Fitbit, Inc. | Systems and techniques for tracking sleep consistency and sleep goals |
JP6894451B2 (ja) * | 2016-06-27 | 2021-06-30 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 被検者の睡眠段階を判定するための判定システム及び方法 |
US11207021B2 (en) | 2016-09-06 | 2021-12-28 | Fitbit, Inc | Methods and systems for labeling sleep states |
-
2017
- 2017-02-21 US US15/438,643 patent/US11207021B2/en active Active
- 2017-09-06 CN CN201780063092.XA patent/CN109843163B/zh active Active
- 2017-09-06 CA CA3035795A patent/CA3035795A1/en active Pending
- 2017-09-06 CN CN202210965945.1A patent/CN115349826A/zh active Pending
- 2017-09-06 EP EP17771633.9A patent/EP3509482A2/en active Pending
- 2017-09-06 WO PCT/US2017/050344 patent/WO2018048951A2/en unknown
-
2022
- 2022-03-09 US US17/690,369 patent/US11877861B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006048852A1 (en) * | 2004-11-02 | 2006-05-11 | University College Dublin - National University Ofireland, Dublin | A sleep monitoring system |
US20110124979A1 (en) * | 2007-08-21 | 2011-05-26 | Conor Heneghan | Method and system for monitoring sleep |
CN103717125A (zh) * | 2011-05-18 | 2014-04-09 | V视股份有限公司 | 用于确定人的睡眠和睡眠阶段的系统和方法 |
US20140049627A1 (en) * | 2012-08-14 | 2014-02-20 | Good Sleep, Llc | Systems And Methods For Sleep Monitoring |
US20150112158A1 (en) * | 2013-10-23 | 2015-04-23 | Quanttus, Inc. | Health Metrics |
US20150190086A1 (en) * | 2014-01-03 | 2015-07-09 | Vital Connect, Inc. | Automated sleep staging using wearable sensors |
CN105446480A (zh) * | 2014-09-23 | 2016-03-30 | 飞比特公司 | 可穿戴电子装置中的移动量度产生 |
WO2016108751A1 (en) * | 2014-12-30 | 2016-07-07 | Nitto Denko Corporation | Device and method for sleep monitoring |
WO2016206921A1 (en) * | 2015-06-25 | 2016-12-29 | Koninklijke Philips N.V. | Device and method for monitoring a physiological state of a subject |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110623652A (zh) * | 2019-09-17 | 2019-12-31 | 华为技术有限公司 | 数据显示方法及电子设备 |
CN114860320A (zh) * | 2021-01-20 | 2022-08-05 | 西部数据技术公司 | 数据存储设备提早转变到低功率模式 |
CN114860320B (zh) * | 2021-01-20 | 2024-05-24 | 西部数据技术公司 | 数据存储设备提早转变到低功率模式 |
Also Published As
Publication number | Publication date |
---|---|
US11877861B2 (en) | 2024-01-23 |
US20220265208A1 (en) | 2022-08-25 |
CN109843163B (zh) | 2022-08-19 |
US20180064388A1 (en) | 2018-03-08 |
CA3035795A1 (en) | 2018-03-15 |
US11207021B2 (en) | 2021-12-28 |
CN115349826A (zh) | 2022-11-18 |
EP3509482A2 (en) | 2019-07-17 |
WO2018048951A3 (en) | 2018-04-19 |
WO2018048951A2 (en) | 2018-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109843163A (zh) | 用于标记睡眠状态的方法和系统 | |
US11986323B2 (en) | Applied data quality metrics for physiological measurements | |
Bobade et al. | Stress detection with machine learning and deep learning using multimodal physiological data | |
US11889994B2 (en) | Menstrual cycle tracking | |
CN109620262B (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
CN111246798B (zh) | 呼吸紊乱的自动检测 | |
US11311201B2 (en) | Feature selection for cardiac arrhythmia classification and screening | |
US9596997B1 (en) | Probability-based usage of multiple estimators of a physiological signal | |
US20150245777A1 (en) | Detection of emotional states | |
CN107850940A (zh) | 情感评估 | |
CN107708528A (zh) | 用于监测对象的生理状态的设备和方法 | |
CN108596043A (zh) | 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法 | |
CN111067503A (zh) | 一种基于心率变异性的睡眠分期方法 | |
US20220370757A1 (en) | Personalized sleep wellness score for treatment and/or evaluation of sleep conditions | |
WO2022026686A1 (en) | Pulse shape analysis | |
Rescio et al. | Ambient and wearable system for workers’ stress evaluation | |
KR102470148B1 (ko) | 멀티모달 센서 데이터를 이용하여 수면 관련행위 패턴을 분석하는 시스템, 컴퓨팅 디바이스 및 방법 | |
CN210494064U (zh) | 一种动态心电、呼吸和运动监测设备 | |
CN111568423B (zh) | 用户呼吸的共振频率估计值的量测方法及装置 | |
Dai | Smart Sensing and Clinical Predictions with Wearables: From Physiological Signals to Mental Health | |
Zhu | Emotion Detection System Using Electrodermal Activity Signals from Wearable Devices with Deep Learning Techniques | |
Ederli et al. | Sleep-Wake Classification using Recurrence Plots from Smartwatch Accelerometer Data | |
Tiwari et al. | Diagnosis of sleep disorders in optimized time slot based machine learning techniques on EEG energy level patterns | |
Johnson | Utilizing Image Segmentation for the Extraction of Heart Rate Variability in the Pursuit of Updating Mental Health Therapeutic Validity Processes | |
Nasrabadi | Biomedical parameter measurements using video processing |
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 | ||
CB02 | Change of applicant information |
Address after: California, USA Applicant after: Feibit Co.,Ltd. Address before: California, USA Applicant before: FITBIT, Inc. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |