CN110074765A - 一种sahs筛查及睡眠分期的判别方法 - Google Patents
一种sahs筛查及睡眠分期的判别方法 Download PDFInfo
- Publication number
- CN110074765A CN110074765A CN201910356682.2A CN201910356682A CN110074765A CN 110074765 A CN110074765 A CN 110074765A CN 201910356682 A CN201910356682 A CN 201910356682A CN 110074765 A CN110074765 A CN 110074765A
- Authority
- CN
- China
- Prior art keywords
- signal
- sahs
- breathing
- discrimination
- 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.)
- Pending
Links
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/087—Measuring breath flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Anesthesiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种SAHS筛查及睡眠分期的判别方法,该方法主要针对睡眠呼吸障碍疾病,通过低生理负荷、导联数较少的生理信号传感器,进行包含呼吸,心功能变异等多维度与睡眠呼吸障碍相关的生理病理信息挖掘,为低生理负荷的SAHS筛查提供了一种新的方法,具有一定的临床实际应用意义。
Description
技术领域
本发明涉及睡眠状态识别领域,更具体地,涉及一种SAHS筛查及睡眠分期的判别方法。
背景技术
目前SAHS诊断的金标准为多导睡眠监测技术(PSG),它包含了大量生理病理信息,但PSG监测具有生理负荷高、设备检查环境要求高、检查和分析技术复杂、人力资源消耗大和费用相对昂贵的特点,使得大部分患者无法得到及时有效的治疗。
简易筛查呼吸事件的生理信号为血氧信号,但血氧信号筛查存在灵敏度高特异性低的特点,而加入呼吸信号将会提高呼吸事件筛查的准确率。除此以外,光电容积脉搏波具有丰富的生理信息,加入脉搏信号一方面可以提高对睡眠分期判别的准确率,另一方面可以反映自主神经系统的活动情况,为临床诊断心血管疾病提供重要生理指标。
发明内容
本发明提供一种新的SAHS筛查及睡眠分期的判别方法。
为了达到上述技术效果,本发明的技术方案如下:
一种SAHS筛查及睡眠分期的判别方法,包括以下步骤:
S1:采集呼吸、血氧、脉搏信号,并通过蓝牙传输至上位机;
S2:对采集的三种信号数据预处理,构建呼吸、血氧、脉搏数据集;
S3:对三种信号数据集进行划分,提取特征值;
S4:通过构建和训练机器学习模型实现SAHS的智能筛查及睡眠分期的判别。
进一步地,在步骤S1中,通过热敏传感检测呼吸信号,经过放大滤波电路和谷峰值检测提取平均值电路得到呼吸的模拟信号,经过比较放大电路去除工频干扰等,经过单稳态触发电路得到呼吸的数字信号,传至单片机,单片机实现数模转换,经过蓝牙传输模块传至PC端显示。
进一步地,在步骤S1中,通过光电模拟传感器采集血氧脉搏信号,特定波长的光束经由光敏二极管发送至皮肤表面,并经过透射或反射的方式传至光电接收器,探测器将检测到的变化的光强度转换为电信号传至单片机,最终得到光电容积脉搏波及血氧信号。
进一步地,在步骤S2中,将采集到的三种信号在PC端显示,进行滤波预处理后,构建呼吸、血氧、脉搏数据集。
进一步地,在步骤S3中,在区分病人和正常人2种类型中,将数据集划分为60秒一个时间片段,在区分Weak期、REM期、N1期、N2期、N3期5类睡眠状态中,将数据级划分为30秒一个时间片段,针对于每一个时间片段,进行特征值的提取。
进一步地,在步骤S3中,对呼吸信号提取的特征有,吸气及呼气的流速最大值、呼吸周期及其方差、吸气及呼气的时间均值及其比值、潮气量、功率谱密度、呼吸信号在0.01-0.5Hz之间的能量TP、呼吸信号在0.15-0.5Hz之间的能量HF、呼吸信号在0.05-0.15Hz之间的能量LF、呼吸信号在0.01-0.05Hz之间的能量VLF、VLF和LF之间的比值、VLF和HF之间的比值、LF和HF之间的比值,共16个特征值。
进一步地,在步骤S3中,对血氧信号提取的特征有血氧饱和度最低值、最大氧减值、最大氧减值对应时间、氧减速度、最长氧减时间,共5个特征值。
进一步地,在步骤S3中,对脉搏信号提取的时域特征有主波上升及下降时间及其比值、主波及重搏波的高度及其比值、K值7个特征值;用“dmey”小波进行六层小波分解,小波特征有各频带功率、总功率、各频带平均功率、总平均功率、各频段能量占比、小波熵21个特征值;针对脉率变异性的特征值有脉率均值、脉率标准差、样本熵值、全频总功率值、极低频功率值、低频功率值、高频功率值、低频与高频的比值8个特征值,共36个特征值。
进一步地,在步骤S4中,从多导睡眠仪导出已经由睡眠医生和技师标注过有无异常呼吸事件及不同睡眠期的呼吸、血氧及脉搏信号,在预处理后提取三种信号的特征值,再经过归一化消除个体差异,并通过Fisher Scoring及Pearson Correlation算法筛选出最优的特征向量集;对于不同睡眠期数据不均衡的问题,采用Smote过采样均衡数据集;将特征向量以五折交叉验证的方法划分训练集和测试集,选取支持向量机、BP神经网络、决策树、随机森林四类分类器,在训练集上进行模型训练,在测试集上输出结果,选取最优的机器学习模型。
进一步地,在步骤S4中,在步骤S4中,对提取到的呼吸、血氧、脉搏信号的特征值,选取最优特征组,利用最优的机器学习模型进行异常呼吸的识别,从而区分SAHS病人和正常人;对识别出来的SAHS病人组与正常人组,同样分别选取最优特征组利用最优的机器学习模型进行睡眠分期的判别,从而实现级联分类。
与现有技术相比,本发明技术方案的有益效果是:
本发明主要针对睡眠呼吸障碍疾病,通过低生理负荷、导联数较少的生理信号传感器,进行包含呼吸,心功能变异等多维度与睡眠呼吸障碍相关的生理病理信息挖掘,为低生理负荷的SAHS筛查提供了一种新的方法,具有一定的临床实际应用意义。
附图说明
图1为本发明的流程图;
图2为呼吸信号采集的流程图;
图3为机器学习模型训练的流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种SAHS筛查及睡眠分期的判别方法,包括以下步骤:
S1:采集呼吸、血氧、脉搏信号,并通过蓝牙传输至上位机;
S2:对采集的三种信号数据预处理,构建呼吸、血氧、脉搏数据集;
S3:对三种信号数据集进行划分,提取特征值;
S4:通过构建和训练机器学习模型实现SAHS的智能筛查及睡眠分期的判别。
进一步地,在步骤S1中,通过热敏传感检测呼吸信号,经过放大滤波电路和谷峰值检测提取平均值电路得到呼吸的模拟信号,经过比较放大电路去除工频干扰等,经过单稳态触发电路得到呼吸的数字信号,传至单片机,单片机实现数模转换,经过蓝牙传输模块传至PC端显示。
在步骤S1中,通过光电模拟传感器采集血氧脉搏信号,特定波长的光束经由光敏二极管发送至皮肤表面,并经过透射或反射的方式传至光电接收器,探测器将检测到的变化的光强度转换为电信号传至单片机,最终得到光电容积脉搏波及血氧信号。
在步骤S2中,将采集到的三种信号在PC端显示,进行滤波预处理后,构建呼吸、血氧、脉搏数据集。
在步骤S3中,在区分病人和正常人2种类型中,将数据集划分为60秒一个时间片段,在区分Weak期、REM期、N1期、N2期、N3期5类睡眠状态中,将数据级划分为30秒一个时间片段,针对于每一个时间片段,进行特征值的提取;对呼吸信号提取的特征有,吸气及呼气的流速最大值、呼吸周期及其方差、吸气及呼气的时间均值及其比值、潮气量、功率谱密度、呼吸信号在0.01-0.5Hz之间的能量TP、呼吸信号在0.15-0.5Hz之间的能量HF、呼吸信号在0.05-0.15Hz之间的能量LF、呼吸信号在0.01-0.05Hz之间的能量VLF、VLF和LF之间的比值、VLF和HF之间的比值、LF和HF之间的比值,共16个特征值;对血氧信号提取的特征有血氧饱和度最低值、最大氧减值、最大氧减值对应时间、氧减速度、最长氧减时间,共5个特征值;对脉搏信号提取的时域特征有主波上升及下降时间及其比值、主波及重搏波的高度及其比值、K值7个特征值;用“dmey”小波进行六层小波分解,小波特征有各频带功率、总功率、各频带平均功率、总平均功率、各频段能量占比、小波熵21个特征值;针对脉率变异性的特征值有脉率均值、脉率标准差、样本熵值、全频总功率值、极低频功率值、低频功率值、高频功率值、低频与高频的比值8个特征值,共36个特征值。
在步骤S4中,从多导睡眠仪导出已经由睡眠医生和技师标注过有无异常呼吸事件及不同睡眠期的呼吸、血氧及脉搏信号,在预处理后提取三种信号的特征值,再经过归一化消除个体差异,并通过Fisher Scoring及Pearson Correlation算法筛选出最优的特征向量集;对于不同睡眠期数据不均衡的问题,采用Smote过采样均衡数据集;将特征向量以五折交叉验证的方法划分训练集和测试集,选取支持向量机、BP神经网络、决策树、随机森林四类分类器,在训练集上进行模型训练,在测试集上输出结果,选取最优的机器学习模型;对提取到的呼吸、血氧、脉搏信号的特征值,选取最优特征组,利用最优的机器学习模型进行异常呼吸的识别,从而区分SAHS病人和正常人;对识别出来的SAHS病人组与正常人组,同样分别选取最优特征组利用最优的机器学习模型进行睡眠分期的判别,从而实现级联分类。
实施例2
如图1所示,一种SAHS筛查及睡眠分期的判别方法,包括以下步骤:
(1)通过热敏传感检测呼吸信号,经过放大滤波电路和谷峰值检测提取平均值电路得到呼吸的模拟信号,经过比较放大电路去除工频干扰等,经过单稳态触发电路得到呼吸的数字信号,传至单片机。单片机实现数模转换,经过蓝牙传输模块传至PC端显示,如图2所示;
(2)通过光电模拟传感器采集血氧脉搏信号,一定波长的光束经由光敏二极管发送至皮肤表面,并经过透射或反射的方式传至光电接收器,探测器将检测到的变化的光强度转换为电信号传至单片机,最终可得到光电容积脉搏波及血氧信号;
(3)将采集到的三种信号在PC端显示,进行滤波预处理后,构建呼吸、血氧、脉搏数据集;
(4)对呼吸信号提取的特征有吸气及呼气的流速最大值、呼吸周期及其方差、吸气及呼气的时间均值及其比值、潮气量、功率谱密度、呼吸信号在0.01-0.5Hz之间的能量TP、呼吸信号在0.15-0.5Hz之间的能量HF、呼吸信号在0.05-0.15Hz之间的能量LF、呼吸信号在0.01-0.05Hz之间的能量VLF、VLF和LF之间的比值、VLF和HF之间的比值、LF和HF之间的比值,共16个特征值;
(5)对血氧信号提取的特征有血氧饱和度最低值、最大氧减值、最大氧减值对应时间、氧减速度、最长氧减时间,共5个特征值;
(6)对脉搏信号提取的时域特征有主波上升及下降时间及其比值、主波及重搏波的高度及其比值、K值7个特征值;用“dmey”小波进行六层小波分解,小波特征有各频带功率、总功率、各频带平均功率、总平均功率、各频段能量占比、小波熵21个特征值;针对脉率变异性的特征值有脉率均值、脉率标准差、样本熵值、全频总功率值、极低频功率值、低频功率值、高频功率值、低频与高频的比值8个特征值,共36个特征值;
(7)从多导睡眠仪(PSG)导出已经由睡眠医生和技师标注过有无异常呼吸事件及不同睡眠期的呼吸、血氧及脉搏信号,在预处理后提取三种信号的特征值,再经过归一化消除个体差异,并通过Fisher Scoring及Pearson Correlation算法筛选出最优的特征向量集。对于不同睡眠期数据不均衡的问题,采用Smote过采样均衡数据集。将特征向量以五折交叉验证的方法划分训练集和测试集,选取支持向量机、BP神经网络、决策树、随机森林四类分类器,在训练集上进行模型训练,在测试集上输出结果,选取最优的机器学习模型,如图3所示。
(8)对提取到的呼吸、血氧、脉搏信号的特征值,选取最优特征组,利用最优的机器学习模型进行异常呼吸的识别,从而区分SAHS病人和正常人;对识别出来的SAHS病人组与正常人组,同样分别选取最优特征组利用最优的机器学习模型进行睡眠分期的判别,从而实现级联分类。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种SAHS筛查及睡眠分期的判别方法,其特征在于,包括以下步骤:
S1:采集呼吸、血氧、脉搏信号,并通过蓝牙传输至上位机;
S2:对采集的三种信号数据预处理,构建呼吸、血氧、脉搏数据集;
S3:对三种信号数据集进行划分,提取特征值;
S4:通过构建和训练机器学习模型实现SAHS的智能筛查及睡眠分期的判别。
2.根据权利要求1所述的SAHS筛查及睡眠分期的判别方法,其特征在于,在步骤S1中,通过热敏传感检测呼吸信号,经过放大滤波电路和谷峰值检测提取平均值电路得到呼吸的模拟信号,经过比较放大电路去除工频干扰等,经过单稳态触发电路得到呼吸的数字信号,传至单片机,单片机实现数模转换,经过蓝牙传输模块传至PC端显示。
3.根据权利要求2所述的SAHS筛查及睡眠分期的判别方法,其特征在于,在步骤S1中,通过光电模拟传感器采集血氧脉搏信号,特定波长的光束经由光敏二极管发送至皮肤表面,并经过透射或反射的方式传至光电接收器,探测器将检测到的变化的光强度转换为电信号传至单片机,最终得到光电容积脉搏波及血氧信号。
4.根据权利要求3所述的SAHS筛查及睡眠分期的判别方法,其特征在于,在步骤S2中,将采集到的三种信号在PC端显示,进行滤波预处理后,构建呼吸、血氧、脉搏数据集。
5.根据权利要求4所述的SAHS筛查及睡眠分期的判别方法,其特征在于,在步骤S3中,在区分病人和正常人2种类型中,将数据集划分为60秒一个时间片段,在区分Weak期、REM期、N1期、N2期、N3期5类睡眠状态中,将数据级划分为30秒一个时间片段,针对于每一个时间片段,进行特征值的提取。
6.根据权利要求5所述的SAHS筛查及睡眠分期的判别方法,其特征在于,在步骤S3中,对呼吸信号提取的特征有,吸气及呼气的流速最大值、呼吸周期及其方差、吸气及呼气的时间均值及其比值、潮气量、功率谱密度、呼吸信号在0.01-0.5Hz之间的能量TP、呼吸信号在0.15-0.5Hz之间的能量HF、呼吸信号在0.05-0.15Hz之间的能量LF、呼吸信号在0.01-0.05Hz之间的能量VLF、VLF和LF之间的比值、VLF和HF之间的比值、LF和HF之间的比值,共16个特征值。
7.根据权利要求6所述的SAHS筛查及睡眠分期的判别方法,其特征在于,在步骤S3中,对血氧信号提取的特征有血氧饱和度最低值、最大氧减值、最大氧减值对应时间、氧减速度、最长氧减时间,共5个特征值。
8.根据权利要求7所述的SAHS筛查及睡眠分期的判别方法,其特征在于,在步骤S3中,对脉搏信号提取的时域特征有主波上升及下降时间及其比值、主波及重搏波的高度及其比值、K值7个特征值;用“dmey”小波进行六层小波分解,小波特征有各频带功率、总功率、各频带平均功率、总平均功率、各频段能量占比、小波熵21个特征值;针对脉率变异性的特征值有脉率均值、脉率标准差、样本熵值、全频总功率值、极低频功率值、低频功率值、高频功率值、低频与高频的比值8个特征值,共36个特征值。
9.根据权利要求8所述的SAHS筛查及睡眠分期的判别方法,其特征在于,在步骤S4中,从多导睡眠仪导出已经由睡眠医生和技师标注过有无异常呼吸事件及不同睡眠期的呼吸、血氧及脉搏信号,在预处理后提取三种信号的特征值,再经过归一化消除个体差异,并通过Fisher Scoring及Pearson Correlation算法筛选出最优的特征向量集;对于不同睡眠期数据不均衡的问题,采用Smote过采样均衡数据集;将特征向量以五折交叉验证的方法划分训练集和测试集,选取支持向量机、BP神经网络、决策树、随机森林四类分类器,在训练集上进行模型训练,在测试集上输出结果,选取最优的机器学习模型。
10.根据权利要求8所述的SAHS筛查及睡眠分期的判别方法,其特征在于,在步骤S4中,对提取到的呼吸、血氧、脉搏信号的特征值,选取最优特征组,利用最优的机器学习模型进行异常呼吸的识别,从而区分SAHS病人和正常人;对识别出来的SAHS病人组与正常人组,同样分别选取最优特征组利用最优的机器学习模型进行睡眠分期的判别,从而实现级联分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910356682.2A CN110074765A (zh) | 2019-04-29 | 2019-04-29 | 一种sahs筛查及睡眠分期的判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910356682.2A CN110074765A (zh) | 2019-04-29 | 2019-04-29 | 一种sahs筛查及睡眠分期的判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110074765A true CN110074765A (zh) | 2019-08-02 |
Family
ID=67417807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910356682.2A Pending CN110074765A (zh) | 2019-04-29 | 2019-04-29 | 一种sahs筛查及睡眠分期的判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110074765A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111067503A (zh) * | 2019-12-31 | 2020-04-28 | 深圳安视睿信息技术股份有限公司 | 一种基于心率变异性的睡眠分期方法 |
CN111227793A (zh) * | 2020-01-10 | 2020-06-05 | 京东方科技集团股份有限公司 | 呼吸暂停的识别方法、系统、电子设备及存储介质 |
CN111436904A (zh) * | 2020-03-17 | 2020-07-24 | 平安国际智慧城市科技股份有限公司 | 智能化睡眠分期方法、装置及计算机可读存储介质 |
CN111466877A (zh) * | 2020-03-31 | 2020-07-31 | 上海蠡图信息科技有限公司 | 一种基于lstm网络的氧减状态预测方法 |
CN112842279A (zh) * | 2021-03-01 | 2021-05-28 | 中山大学 | 一种基于多维度特征参数的睡眠质量评估方法及装置 |
CN113116344A (zh) * | 2020-01-16 | 2021-07-16 | 华为技术有限公司 | 基于电子设备的血氧监测方法、介质及系统 |
WO2021187307A1 (ja) * | 2020-03-17 | 2021-09-23 | データソリューションズ株式会社 | 生体異常検出装置、生体異常検出方法、及び、プログラム |
CN113520343A (zh) * | 2020-04-17 | 2021-10-22 | 华为技术有限公司 | 睡眠风险预测方法、装置和终端设备 |
CN115137312A (zh) * | 2022-08-31 | 2022-10-04 | 首都医科大学附属北京同仁医院 | 睡眠质量评估方法、装置及穿戴设备 |
CN116584962A (zh) * | 2022-11-25 | 2023-08-15 | 四川大学华西医院 | 一种基于胃肠电信号的睡眠障碍预测系统及其构建方法 |
-
2019
- 2019-04-29 CN CN201910356682.2A patent/CN110074765A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111067503A (zh) * | 2019-12-31 | 2020-04-28 | 深圳安视睿信息技术股份有限公司 | 一种基于心率变异性的睡眠分期方法 |
CN111227793A (zh) * | 2020-01-10 | 2020-06-05 | 京东方科技集团股份有限公司 | 呼吸暂停的识别方法、系统、电子设备及存储介质 |
CN113116344A (zh) * | 2020-01-16 | 2021-07-16 | 华为技术有限公司 | 基于电子设备的血氧监测方法、介质及系统 |
CN113116344B (zh) * | 2020-01-16 | 2022-12-27 | 华为技术有限公司 | 基于电子设备的血氧监测方法、介质及系统 |
CN111436904B (zh) * | 2020-03-17 | 2022-11-15 | 深圳赛安特技术服务有限公司 | 智能化睡眠分期方法、装置及计算机可读存储介质 |
CN111436904A (zh) * | 2020-03-17 | 2020-07-24 | 平安国际智慧城市科技股份有限公司 | 智能化睡眠分期方法、装置及计算机可读存储介质 |
JP7455191B2 (ja) | 2020-03-17 | 2024-03-25 | データソリューションズ株式会社 | 生体異常検出装置、生体異常検出方法、及び、プログラム |
WO2021184641A1 (zh) * | 2020-03-17 | 2021-09-23 | 平安国际智慧城市科技股份有限公司 | 智能化睡眠分期方法、装置、电子设备及计算机可读存储介质 |
WO2021187307A1 (ja) * | 2020-03-17 | 2021-09-23 | データソリューションズ株式会社 | 生体異常検出装置、生体異常検出方法、及び、プログラム |
CN111466877A (zh) * | 2020-03-31 | 2020-07-31 | 上海蠡图信息科技有限公司 | 一种基于lstm网络的氧减状态预测方法 |
CN111466877B (zh) * | 2020-03-31 | 2023-12-01 | 上海蠡图信息科技有限公司 | 一种基于lstm网络的氧减状态预测方法 |
CN113520343A (zh) * | 2020-04-17 | 2021-10-22 | 华为技术有限公司 | 睡眠风险预测方法、装置和终端设备 |
CN112842279B (zh) * | 2021-03-01 | 2022-03-08 | 中山大学 | 一种基于多维度特征参数的睡眠质量评估方法及装置 |
CN112842279A (zh) * | 2021-03-01 | 2021-05-28 | 中山大学 | 一种基于多维度特征参数的睡眠质量评估方法及装置 |
CN115137312A (zh) * | 2022-08-31 | 2022-10-04 | 首都医科大学附属北京同仁医院 | 睡眠质量评估方法、装置及穿戴设备 |
CN116584962A (zh) * | 2022-11-25 | 2023-08-15 | 四川大学华西医院 | 一种基于胃肠电信号的睡眠障碍预测系统及其构建方法 |
CN116584962B (zh) * | 2022-11-25 | 2023-11-21 | 四川大学华西医院 | 一种基于胃肠电信号的睡眠障碍预测系统及其构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110074765A (zh) | 一种sahs筛查及睡眠分期的判别方法 | |
CN101732050B (zh) | 一种基于光电容积波的呼吸率监测方法 | |
CN109106350A (zh) | 低生理负荷的睡眠呼吸暂停低通气综合征初步筛查方法 | |
CN104757975B (zh) | 使用血氧饱和度信号辨别潮式呼吸模式 | |
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 | |
CN106264475B (zh) | 单一光电传感器睡眠呼吸多生理参数监测方法及装置 | |
CN108056769A (zh) | 一种生命体征信号分析处理方法、装置和生命体征监测设备 | |
CN107890339B (zh) | 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置 | |
CN114010171B (zh) | 一种基于心跳数据的分类器设置方法 | |
CN107920766A (zh) | 睡眠现象监测 | |
CN103584872A (zh) | 一种基于多生理参数融合的心理压力评估方法 | |
CN108095708A (zh) | 一种基于混合传感的生理监测及分析方法、系统 | |
CN109328034A (zh) | 用于确定对象的睡眠阶段的确定系统和方法 | |
CN104173046A (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
Jaafar et al. | Estimation of breathing rate and heart rate from photoplethysmogram | |
CN112057087B (zh) | 精神分裂症高风险人群自主神经功能数据处理方法及装置 | |
CN109549644A (zh) | 一种基于脑电采集的人格特征匹配系统 | |
CN109363658A (zh) | 一种基于光干涉原理的呼吸与心跳信号提取方法 | |
CN106175754A (zh) | 睡眠状态分析中清醒状态检测装置 | |
CN115191961A (zh) | 心肺健康检测方法及装置、可穿戴设备、存储介质 | |
CN111317446B (zh) | 基于人体肌肉表面电信号的睡眠结构自动分析方法 | |
CN106901689A (zh) | 基于实物交互的认知和运动功能检测系统及数据处理方法 | |
WO2020160058A1 (en) | Systems and methods for computationally efficient non-invasive blood quality measurement | |
CN108392176A (zh) | 一种基于心冲击信号采集的睡眠结构检测方法 | |
CN114246593A (zh) | 一种融合脑电、眼电、心率的疲劳检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |
|
RJ01 | Rejection of invention patent application after publication |