CN110301890B - 呼吸暂停监测的方法及装置 - Google Patents

呼吸暂停监测的方法及装置 Download PDF

Info

Publication number
CN110301890B
CN110301890B CN201910471804.2A CN201910471804A CN110301890B CN 110301890 B CN110301890 B CN 110301890B CN 201910471804 A CN201910471804 A CN 201910471804A CN 110301890 B CN110301890 B CN 110301890B
Authority
CN
China
Prior art keywords
sound
user
apnea
users
sleep
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910471804.2A
Other languages
English (en)
Other versions
CN110301890A (zh
Inventor
黄晓萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201910471804.2A priority Critical patent/CN110301890B/zh
Publication of CN110301890A publication Critical patent/CN110301890A/zh
Priority to EP20812876.9A priority patent/EP3954278A4/en
Priority to PCT/CN2020/092597 priority patent/WO2020238954A1/zh
Priority to US17/615,387 priority patent/US20220225930A1/en
Application granted granted Critical
Publication of CN110301890B publication Critical patent/CN110301890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/04—Constructional details of apparatus
    • A61B2560/0475—Special features of memory means, e.g. removable memory cards
    • 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
    • A61B2562/0204—Acoustic sensors
    • 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
    • A61B2562/04—Arrangements of multiple sensors of the same type
    • A61B2562/046—Arrangements of multiple sensors of the same type in a matrix array
    • 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

Abstract

本申请提供了一种呼吸暂停监测的方法及装置，涉及医疗监测领域。该呼吸暂停监测的方法包括：通过第一终端采集至少一个用户的第一声音，其中，利用第一终端配置的多麦克风阵列的指向性波束形成确定不同波束覆盖范围内用户对应的第一声音或者通过声纹识别算法区分不同用户的第一声音；根据所述第一声音获取所述第一声音对应的功率谱密度；当所述功率谱密度低于第一阈值时，确定所述用户发生呼吸暂停。根据本申请提供的呼吸暂停监测的方法，可以在无需用户佩戴的条件下，实现一个或者多个用户的呼吸暂停监测，操作简单灵活，提升用户的监测体验。

Description

呼吸暂停监测的方法及装置
技术领域
本申请涉及医疗监测领域，更具体地涉及一种呼吸暂停监测的方法及装置。
背景技术
随着现在社会压力增大、体重超重以及生活不规律等因素的影响，20％以上的人群都存在睡眠呼吸暂停或者低通气的症状。在日常生活中，由于患有睡眠呼吸障碍的用户不易自主察觉发生呼吸暂停的时间和轻重程度，因而可能会导致该症状无法得到及时的治疗和改善，从而给用户健康带来极大的威胁。
目前，可以利用多种睡眠呼吸监测仪器监测睡眠过程，从而帮助用户获知在睡眠过程中是否存在呼吸暂停障碍。通常采用的睡眠呼吸监测方法有，利用多导睡眠监测(polysomnography，PSG)诊断阻塞性睡眠呼吸暂停，通过家用睡眠呼吸暂停筛查仪监测用户的阻塞性睡眠呼吸暂停症状或者利用血氧仪监测用户睡眠时的血氧变化，辅助监测用户的呼吸暂停状况。但是，目前采用的仪器均需用户佩戴，舒适性差，抑或需要在医院进行监测，且获取报告的时间长。
发明内容
本申请实施例提供一种呼吸暂停监测的方法及装置，以解决睡眠呼吸监测过程中需要仪器佩戴造成的舒适性差，且无法实现多人同时进行睡眠呼吸监测的问题。
第一方面，提供了一种呼吸暂停监测的方法，包括：通过第一终端的多麦克风阵列采集至少一个用户的第一声音，其中，每个所述用户位于所述多麦克风阵列的不同波束覆盖范围；根据所述第一声音获取所述第一声音对应的功率谱密度；当所述功率谱密度低于第一阈值时，确定所述用户发生呼吸暂停。
应理解，多麦克风阵列通过设置可以具有指向性波束形成，当用户分别位于使该多麦克风阵列的指向性波束的覆盖范围内时，麦克风可以采集到该用户第一声音的良好的音频信号，以便于后续采用该音频信号进行用户睡眠呼吸暂停状况分析。
结合第一方面，在第一方面的某些实现方式中，所述通过第一终端的多麦克风阵列采集至少一个用户的第一声音，包括：根据所述第一终端和所述用户的位置，设置所述多麦克风阵列的拾音参数，使得所述多麦克风阵列的不同波束覆盖不同的所述用户；所述多麦克风阵列分别采集不同波束覆盖范围的所述用户的第一声音。
根据本申请实施例提供的呼吸暂停监测的方法，通过第一终端的多麦克风阵列对位于不同多麦克风的指向性波束覆盖范围内的用户进行第一声音采集，可以根据用户所在波束覆盖范围以及第一声音来源对应的波束确区分不同用户的第一声音，进而根据不同用户的第一声音确定用户的呼吸暂停状况。
结合第一方面，在第一方面的某些实现方式中，所述根据所述第一声音获取所述第一声音对应的功率谱密度，包括：根据所述第一声音获取所述第一声音的时域信号；将所述时域信号通过傅里叶变换获取所述第一声音的功率频谱密度。
应理解，第一终端的麦克风可以根据采集的第一声音获取该第一声音的时域信号，为了便于直观分析该第一声音的音频信号，可以通过傅里叶变换将该时域信号转换为功率频谱密度。
结合第一方面，在第一方面的某些实现方式中，所述方法还包括：预先采集所述用户所处环境的环境噪声，并确定所述环境噪声的频率带宽；根据所述环境噪声的频率带宽，过滤所述环境噪声。
根据本申请实施例提供的呼吸暂停监测的方法，通过过滤被监测用户所在环境的环境噪声，可以更好地获得用户的睡眠声音，其中，该睡眠声音可以为呼吸音或者鼾声，以降低环境噪声对用户睡眠声音分析过程中的干扰。
结合第一方面，在第一方面的某些实现方式中，所述方法还包括：通过声纹识别算法，确定不同所述用户分别对应的第一声音。
应理解，当同时对多用户进行睡眠呼吸暂停监测时，可以通过声纹识别算法更准确地区分不同用户的第一声音，以便于后续针对不同用户的睡眠呼吸暂停状况进行分析。
结合第一方面，在第一方面的某些实现方式中，所述方法还包括：确定所述用户的睡眠时长；根据所述用户睡眠过程中发生所述呼吸暂停的次数和所述睡眠时长确定所述用户的呼吸紊乱AHI指数。
根据本申请实施例提供的呼吸暂停监测的方法，通过根据用户一次完整睡眠过程中发生呼吸暂停的次数和睡眠时长确定该用户的AHI指数，从而更直观、更准确地判断该用户的呼吸暂停轻重程度。
第二方面，提供了一种呼吸暂停监测的方法，包括：通过第一终端采集多个用户的第一声音；根据声纹识别算法确定不同所述用户分别对应的第一声音；根据所述第一声音获取所述第一声音对应的功率频谱密度；当所述功率谱密度低于第一阈值时，确定所述用户发生呼吸暂停。
根据本申请实施例提供的呼吸暂停监测的方法，当同时对多用户进行睡眠呼吸暂停监测时，可以通过声纹识别算法更准确地区分不同用户的第一声音，从而更准确地针对不同用户的睡眠呼吸暂停状况进行分析。
结合第二方面，在第二方面的某些实现方式中，所述第一终端具有多麦克风阵列；所述通过第一终端采集多个用户的第一声音，包括：通过第一终端的多麦克风阵列采集多个用户的第一声音，其中，每个所述用户位于所述多麦克风阵列的不同波束覆盖范围。
应理解，多麦克风阵列通过设置可以具有指向性波束形成，当用户分别位于使该多麦克风阵列的指向性波束的覆盖范围内时，麦克风可以采集到该用户第一声音的良好的音频信号，以便于后续采用该音频信号进行用户睡眠呼吸暂停状况分析。
结合第二方面，在第二方面的某些实现方式中，所述通过第一终端的多麦克风阵列采集多个用户的第一声音，包括：根据所述第一终端和所述用户的位置，设置所述多麦克风阵列的拾音参数，使得所述多麦克风阵列的不同波束覆盖不同的所述用户；所述多麦克风阵列分别采集不同波束覆盖范围的所述用户的第一声音。
根据本申请实施例提供的呼吸暂停监测的方法，通过第一终端的多麦克风阵列对位于不同多麦克风的指向性波束覆盖范围内的用户进行第一声音采集，可以根据用户所在波束以及第一声音来源对应的波束确区分不同用户的第一声音，进而根据不同用户的声音确定用户的呼吸暂停状况。通过本实施例的方法，无需用户佩戴监测仪器，即可实现一个用户或者多个用户的睡眠呼吸暂停监测。
结合第二方面，在第二方面的某些实现方式中，所述根据所述第一声音获取所述第一声音对应的功率频谱密度，包括：根据所述第一声音获取所述第一声音的时域信号；将所述时域信号通过傅里叶变换获取所述第一声音的功率频谱密度。
应理解，麦克风可以根据采集的第一声音获取该第一声音的时域信号，为了便于直观分析该第一声音的音频信号，可以通过傅里叶变换将该时域信号转换为功率频谱密度。
结合第二方面，在第二方面的某些实现方式中，所述方法还包括：确定所述用户的睡眠时长；根据所述用户睡眠过程中发生所述呼吸暂停的次数和所述睡眠时长确定所述用户的AHI指数。
根据本申请实施例提供的呼吸暂停监测的方法，通过过滤被监测用户所在环境的环境噪声，可以更好地获得用户的睡眠声音，其中，该睡眠声音可以为呼吸音或者鼾声，以降低环境噪声对用户睡眠声音分析过程中的干扰。
第三方面，提供了一种呼吸暂停检测的装置，包括：声音采集单元，用于采集至少一个用户的第一声音；数据处理单元，用于根据所述第一声音获取所述第一声音的功率谱密度；所述数据处理单元，还用于当所述功率谱密度低于第一阈值时，确定所述用户发生呼吸暂停。
结合第三方面，在第三方面的某些实现方式中，所述根据所述第一声音获取所述第一声音的功率谱密度，包括：根据所述第一声音获取所述第一声音的时域信号；将所述时域信号通过傅里叶变换获取所述第一声音的功率频谱密度。
结合第三方面，在第三方面的某些实现方式中，所述声音采集单元，还用于预先采集所述用户所处环境的环境噪声；所述数据处理单元，用于确定所述环境噪声的频率带宽，并根据所述环境噪声的频率带宽，过滤所述环境噪声。
结合第三方面，在第三方面的某些实现方式中，所述数据处理单元，还用于通过声纹识别算法，确定不同所述用户分别对应的第一声音。
结合第三方面，在第三方面的某些实现方式中，所述数据处理单元，还用于确定所述用户的睡眠时长，并根据所述用户睡眠过程中发生所述呼吸暂停的次数和所述睡眠时长确定所述用户的AHI指数。
第四方面，提供了一种呼吸暂停监测的装置，包括至少一个麦克风和处理器，其中，所述装置用于执行如第一方面和第二方面中任一实现方式所述的方法。
根据本申请实施例提供的呼吸暂停监测的方法及装置，通过利用多麦克风阵列的指向性多波束形成或者声纹识别区分不同用户的声音信息，能够同时监测多个用户的呼吸暂停状况，且用户不需佩戴仪器，不会对睡眠造成影响。
附图说明
图1为本申请提供的呼吸暂停监测方法一种可能的应用场景。
图2为本申请实施例提供的一种呼吸暂停监测的方法的示意性流程图。
图3为本申请实施例提供的另一种呼吸暂停监测的方法的示意性流程图。
图4为本申请实施例提供的又一种呼吸暂停监测的方法的示意性流程图。
图5为本申请实施例提供的又一种呼吸暂停监测的方法的示意性流程图。
图6为本申请实施例提供的一种呼吸暂停监测装置的示意性结构图。
图7为本申请实施例提供的另一种呼吸暂停监测装置的示意性结构图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行描述。
阻塞性睡眠呼吸暂停综合征(obstructive sleep apnea hypopnea syndrome，OSAHS)，一般是指成人每晚正常睡眠时间(如7小时)下，口、鼻气流停止流通达10秒或更长时间的次数超过30次以上。目前，传统的阻塞性睡眠呼吸暂停的筛查诊断的方法有多导睡眠检测PSG或者利用家用睡眠呼吸暂停筛查仪、血氧仪等仪器进行监测。以下对目前采用的用户睡眠监测方法进行简单介绍。
1、利用多导睡眠监测PSG诊断阻塞性睡眠呼吸暂停。
PSG是诊断睡眠呼吸暂停综合征的“金标准”，其在监测阻塞性睡眠呼吸暂停的同时，也能对许多睡眠相关性疾病进行鉴别。其监测过程主要是，在检查时，医生在被检查者身上粘贴一些电极，并连接到仪器上，通过检测用户的口鼻气流、鼾声、胸腹式运动，判断是否有呼吸暂停或者通气不足的情况发生。此外，PSG还可以进一步获取呼吸暂停的最长时间和平均时间，从而区分中枢型、阻塞型或者混合型呼吸暂停。由于PSG进行用户的阻塞性睡眠暂停监测时，需要使用特定的PSG仪器，并且监测繁琐，进行检测的地点环境限制性太强，并且给用户造成较差的睡眠体验，难以实现在日常生活中的便捷监测。
2、利用家用睡眠呼吸暂停筛查仪监测用户睡眠。
针对PSG的复杂性及使用的不便捷性，目前还存在一种保留了PSG核心监测能力，但在结构上做了小型化的家用便携睡眠呼吸暂停筛查仪。该家用睡眠呼吸暂停筛查仪监测用户是否出现呼吸暂停的原理与PSG类似。由于其也需要用户佩戴，同样会造成用户体验较差，此外也可能无法达到用同一台仪器同时监测多人的效果。
3、血氧仪辅助筛查睡眠呼吸暂停。
由于用户发生阻塞性呼吸暂停时，会导致血氧下降，因此，可以通过对用户睡眠时的血氧进行监测，实现辅助筛查睡眠呼吸暂停综合征的目的。但是，在实际应用过程中，由于血氧下降可能是多种原因造成的，例如心衰，该血氧仪辅助监测的方法无法准确识别造成血氧下降的原因，因而，导致监测结果误差较大。
针对目前对用户阻塞性睡眠呼吸暂停综合征的监测方法中的不足，本申请实施例提供了一种不需用户佩戴，且能通过一台装置同时监测多人睡眠的方法。以下结合附图对本申请提供的睡眠监测方法进行介绍。
图1示出了本申请提供的呼吸暂停监测方法一种可能的应用场景。
首先，应理解，麦克风可以具有全向拾音响应，也即麦克风可以响应来自四面八方的声音。而多个麦克风组合成的多麦克风阵列则可以形成定向响应或者波束场型。经过设计，麦克风阵列可以对来自一个或多个特定方向的声音更加敏感，能够在该特定方向上采集更好的声音信号。
而本申请实施例提供的睡眠监测的方法，利用多麦克风阵列的波束形成技术采集位于不同位置的用户的睡眠声音的音频信号，不需用户佩戴仪器即可实现同时对多个用户的睡眠过程进行监测，进而判断该多个用户是否存在阻塞性睡眠暂停或者阻塞性睡眠暂停的轻重程度。其中，睡眠声音例如可以是用户睡眠过程中的呼吸声、鼾声等。此外，多麦克风阵列可以是现有设备中已有的多麦克风阵列，也即可以利用配置有多麦克风阵列的现有终端设备对多用户进行睡眠声音的采集，该终端设备例如可以是手机或者录音笔等。
图2示出了本申请实施例提供的一种呼吸暂停监测的方法的示意性流程图。该方法包括以下步骤：
S210，采集至少一个用户的第一声音。
其中，可以采用配置有麦克风的第一终端对被监测用户的第一声音进行采集，其中，该第一终端例如可以是配置有单个麦克风或者多个麦克风阵列的手机或者其他录音设备等；第一声音为用户睡眠过程中的睡眠声音，例如可以是用户睡眠过程中的呼吸声、鼾声等。
应理解，本申请实施例提供的呼吸暂停监测的方法可以用于同时监测多个用户的睡眠呼吸状况，因此，当采集有多个用户的睡眠声音时，为实现后续分别对每个用户的睡眠呼吸暂停状况进行分析，需要识别不同用户所对应的睡眠声音。其中，本申请实施例主要采取两种方式区分不同用户的睡眠声音：其一，利用配置有多麦克风阵列的第一终端采集多个用户的第一声音，根据多麦克风阵列具有的指向性波束形成采集位于不同波束范围内的用户的第一声音，再根据第一声音的来源和用户位置确定用户与第一声音之间的对应关系；其二，通过第一终端采集多个用户的第一声音后，根据声纹识别算法，确定不同用户的第一声音。
作为一个示例，利用配置有多麦克风阵列的第一设备录制至少一个用户的第一声音。应理解，通过设定麦克风阵列的拾音参数，例如拾音方向、拾音夹角宽度等，结合第一设备和用户的位置，可以使用于处于多麦克风阵列的波束覆盖范围内。此外，通过对麦克风阵列单元的信号进行相位调整，使得各单元经过相位调整后的信号叠加，得到用户指定方向的主瓣信号，从而使得第一设备准确的采集位于不同位置的用户的第一声音。
应理解，当同时监测多个用户的睡眠呼吸过程时，由于不同用户分别位于多麦克风阵列不同波束的覆盖范围，因此，可以根据采集到的第一声音的来源所对应的波束覆盖范围确定第一声音与用户之间的对应关系。也即，当采集到多个用户的多个第一声音时，可以根据该多个用户所处的波束覆盖范围和该多个第一声音的来源所对应的波束，确定各个用户所对应的第一声音，以便于后续针对不同用户的第一声音分别分析其呼吸暂停情况。
可选地，配置有多麦克风阵列的第一设备可以是具有多麦克风阵列的手机、录音笔或者其他终端设备，本申请对此并不限定。
作为另一个示例，当通过第一设备采集用户的第一声音之后，通过声纹识别算法确定不同用户的第一声音。应理解，声纹(voiceprint)是用电声学仪器显示的携带言语信息的声波频谱。由于人在发声时发声器官在尺寸、形态方面差异很大，因此，任何两个人的声纹图谱均不相同，一般情况下，可以通过声纹信息区分不同的人或者判断采集到的声音是否属于同一个人的声音。本实施例通过声纹识别的方式确定用户对应的第一声音的过程例如可以为：在对被监测用户进行正式的睡眠呼吸监测过程中，采集各个用户的第一声音，获取不同用户声音的短时语音谱；根据短时语音谱提取声纹特征；通过声纹识别模型以及用户的声纹特征确定该第一声音对应的用户。其中，声纹识别模型可以现有的模型，例如可以是高斯混合模型(Gaussian mixture model，GMM)、支持向量机(support vectormachine，SVM)模型、信道模型、单位向量(identity vector，i-vector)模型等。
其中，以GMM模型为例，对声纹识别过程进行进一步介绍。
应理解，不同人的声音的差异主要体现在短时语音谱的差异，而短时语音谱的差异可以通过其具有的概率密度函数来衡量。GMM模型可以将空间分布的概率密度用多个高斯概率密度函数的加权和来拟合，拟合后的高斯概率密度函数可以平滑地逼近任意形状的概率密度函数，并且为一个易于处理的参数模型。在具体表示上，该参数模型可以是将GMM模型的每个高斯分量的均值向量排列在一起组成一个超向量作为某一个发声者的模型。
示例性的，本实施例涉及的声纹识别模型可以是基于梅尔频率倒谱系数(Melfrequency cepstrum coefficient，MFCC)的GMM模型。通过GMM模型进行声纹识别的过程可以是：(1)GMM模型训练。在GMM训练过程中，可以采集多个语音信号、对多个语音信号进行预处理后提取该语音信号的特征参数，其中，该语音特征参数例如可以是MFCC；以语音信号的特征参数为样本训练GMM模型。(2)声纹辨识过程：根据采集到的第一声音获取该第一声音的特征参数，并将该第一声音的特征参数与已建立的GMM模型进行比较，根据GMM的识别正确率确定该第一声音对应的用户。
应理解，本申请实施例中采用的声纹识别过程还可以参见现有的其他流程，而并不仅限于上文提到的声纹识别方式。
应理解，在实际利用录制用户的睡眠声音的过程中，不可避免的会有环境噪声，因此，为了在后续分析过程中能获取准确、良好的睡眠声音信号，需要将环境噪声消除。
示例性的，本申请实施例中对环境噪声消除或降低的过程可以是：在正式对用户的睡眠声音信号进行采集之前，先对用户所处环境的环境噪声进行采集，获得该环境噪声声波对应的相位、频率、振幅等，在后续对用户失眠监测的声音录制过程中，多麦克风产生一个与预先录制的环境噪声声波相位相反，频率和振幅相同的声波，使其与环境噪声干涉，以实现相位抵消，从而消除环境噪声；或者，根据预先录制的环境噪声的频率带宽，对滤波器的过滤频率带宽进行设置，使得在录制过程中，滤波器可以将换将噪声过滤。其中，过滤环境噪声的方式还可以是现有的其他方式，并申请对此并不限定。
应理解，通过麦克风录制用户睡眠过程中的第一声音，进而分析用户的睡眠呼吸暂停情况，使得用户在不需佩戴监测仪器的情况下，即可对睡眠呼吸暂停进行监测，提高了用户在监测过程中的舒适性。
步骤S220，根据第一声音获取该第一声音对应的功率频谱密度。
一般而言，通过麦克风获取的声音信号为时域信号，为了更加直观的分析用户的声音信号，将该时域信号转换为频域信号。具体地，将获取的不同用户的睡眠声音的时域信号通过傅里叶变换获得其对应的功率谱，也即功率谱密度。其中，傅里叶变换过程所采用的公式为：
Figure BDA0002081028620000061
其中，ω为频率，t为时间，e-iωt为复变函数，f(t)可以为第一声音的时域信号，F(ω)可以为经傅里叶变换后的频域信号。
S230，当该功率谱密度低于第一阈值时，确定用户发生呼吸暂停。
其中，当用户睡眠声音的功率谱密度低于第一阈值时，确定该用户发生呼吸暂停。
应理解，第一阈值可以为根据用户的正常呼吸情况设置的值。示例性的，第一阈值的获得过程可以是：根据用户的正常呼吸状态(如刚入睡未发生呼吸暂停的呼吸状态)下的睡眠声音的时频信号进行时频变换，获得该状态下呼吸声的频谱，并对连续多次(如5至10次)的呼吸频谱峰值取平均值，再取该平均值的30％至50％作为第一阈值，用于后续判断用户是否存在呼吸暂停以及呼吸暂停的轻重程度。此外，第一阈值可以根据临床测试数据，参考PSG标准精度，做优化调整，以达到最佳敏感性和特异性。
可选地，当用户睡眠声音的功率谱密度低于第一阈值的时长达到第二阈值时，确定该用户发生一次呼吸暂停，其中，第二阈值例如可以为10s。
可选地，根据不同用户的第一声音的功率频谱密度低于第一阈值的次数，确定该用户的呼吸紊乱(apnea-hypopnea index，AHI)指数。具体地，可以根据该第一声音的功率谱密度低于第一阈值的次数以及用户的睡眠时长，确定该用户的AHI指数。
可选地，在监测用户睡眠时，可以记录用户的睡眠时间，例如，该睡眠时间可以是用户一整晚的睡眠时长。
作为一个示例，根据用户呼吸音的功率谱密度和/或鼾声的功率谱密度以及用户的睡眠时间确定该用户的AHI指数。示例性的，当用户的呼吸音功率谱密度或者鼾声的功率谱密度低于第一阈值，且低于第一阈值的时长达到第二阈值时，记为一次呼吸暂停，在用户整个睡眠过程中，记录其发生呼吸暂停的总次数(记为k)，并根据其整个睡眠时长(记为t)计算睡眠呼吸紊乱系数，其中AHI＝k/t；或者，记录每单位时间内，用户睡眠声音的功率谱密度低于第一阈值，且低于第一阈值的时间长度达到第二阈值的次数。
其中，根据用户的AHI指数判断该用户发生呼吸暂停的轻重程度。示例性的，当AHI处于小于或者等于5的范围内时，判定该用户睡眠正常，也即不认为存在呼吸暂停情况；当AHI的值属于5至15的范围内时，认为该用户具有轻度的睡眠呼吸暂停状况；当AHI的值属于15至30的范围内时，认为该用户具有中度的睡眠呼吸暂停状况；当AHI处于大于或等于30的范围内时，认为该用户具有重度的睡眠呼吸暂停状况。
根据本申请提供的呼吸暂停监测的方法，通过利用多麦克风阵列的指向性多波束形成或者声纹识别区分不同用户的声音信息，能够同时监测多个用户的呼吸暂停状况，且用户不需佩戴仪器，不会对睡眠造成影响。
以下结合附图对本申请的呼吸暂停监测的方法进行具体介绍。
图3示出了本申请实施例提供的一种呼吸暂停监测的方法的示意性流程图。包括以下步骤：
S310，利用多麦克风阵列的指向性波束形成，采集处于不同位置的用户的第一声音。
其中，可以采用配置有麦克风的第一终端对被监测用户的第一声音进行采集，该第一终端例如可以是配置有单个麦克风或者多个麦克风阵列的手机或者其他录音设备等；第一声音为用户睡眠过程中的睡眠声音，例如可以是用户睡眠过程中的呼吸声、鼾声等。
其中，被监测的多个用户可以分别位于该多麦克风阵列的指向性波束的覆盖范围内。
可选地，在对用户睡眠呼吸进行监测之前，采用手动或者其他方式开启第一设备的睡眠呼吸暂停监测功能。
可选地，当第一终端采集多个用户的第一声音后，还可以通过声纹识别算法对不同用户的第一声音进行识别，以便更准确地区分不同用户的第一声音。
作为一个示例，利用配置有多麦克风阵列的第一设备录制至少一个用户的第一声音的过程可以包括：通过设定麦克风阵列的拾音参数，例如拾音方向、拾音夹角宽度等，结合第一设备和用户的位置，可以使用于处于多麦克风阵列的波束覆盖范围内；此外，通过对麦克风阵列单元的信号进行相位调整，使得各单元经过相位调整后的信号叠加，得到用户指定方向的主瓣信号，从而使得第一设备准确的采集位于不同位置的用户的第一声音。
应理解，当同时监测多个用户的睡眠呼吸过程时，由于不同用户分别位于多麦克风阵列不同波束的覆盖范围，因此，可以根据采集到的第一声音的来源所对应的波束覆盖范围确定第一声音与用户之间的对应关系。也即，当采集到多个用户的多个第一声音时，可以根据该多个用户所处的波束覆盖范围和该多个第一声音的来源所对应的波束，确定各个用户所对应的第一声音，以便于后续针对不同用户的第一声音分别分析其呼吸暂停情况。
应理解，在实际利用录制用户的睡眠声音的过程中，不可避免的会有环境噪声，因此，为了在后续分析过程中能获取准确、良好的睡眠声音信号，需要将环境噪声消除或降低。
示例性的，本申请实施例中对环境噪声消除或降低的过程可以是：在正式对用户的睡眠声音信号进行采集之前，先对用户所处环境的环境噪声进行采集，获得该环境噪声声波对应的相位、频率、振幅等，在后续对用户失眠监测的声音录制过程中，多麦克风产生一个与预先录制的环境噪声声波相位相反，频率和振幅相同的声波，使其与环境噪声干涉，以实现相位抵消，从而消除环境噪声；或者，根据预先录制的环境噪声的频率带宽，对滤波器的过滤频率带宽进行设置，使得在录制过程中，滤波器可以将换将噪声过滤。其中，过滤环境噪声的方式还可以是现有的其他方式，并申请对此并不限定。
应理解，通过麦克风录制用户睡眠过程中的第一声音，进而分析用户的睡眠呼吸暂停情况，使得用户在不需佩戴监测仪器的情况下，即可对睡眠呼吸暂停进行监测，提高了用户在监测过程中的舒适性。
S320，根据用户的第一声音获取该第一声音的功率谱密度。
其中，多麦克风阵列可以根据采集的第一声音获取该第一声音的时域信号。
可选地，利用傅里叶变换可以将时域上的信号转换为频域上的功率谱密度。其中，具体转换过程可以参见步骤S220，为避免重复，此处不再赘述。
S330，当该功率谱密度低于第一阈值时，确定用户发生呼吸暂停。
其中，当用户睡眠声音的功率谱密度低于第一阈值时，确定该用户发生呼吸暂停。
应理解，第一阈值可以是根据用户的正常呼吸情况设置的值。示例性的，第一阈值的获得过程可以是：根据用户的正常呼吸状态(如刚入睡未发生呼吸暂停的呼吸状态)下的睡眠声音的时频信号进行时频变换，获得该状态下呼吸声的频谱，并对连续多次(如5至10次)的呼吸频谱峰值取平均值，再取该平均值的30％至50％作为第一阈值，用于后续判断用户是否存在呼吸暂停以及呼吸暂停的轻重程度。此外，第一阈值可以根据临床测试数据，参考PSG标准精度，做优化调整，以达到最佳敏感性和特异性。
可选地，当用户睡眠声音的功率谱密度低于第一阈值的时长达到第二阈值时，确定该用户发生一次呼吸暂停，其中，第二阈值例如可以为10s或者15s等。
可选地，根据不同用户的第一声音的功率频谱密度低于第一阈值的次数，确定该用户的呼吸紊乱AHI指数。
可选地，根据不同用户的第一声音的功率频谱密度，确定该用户的呼吸紊乱AHI指数。具体地，可以根据该第一声音的功率谱密度低于第一阈值的次数以及用户的睡眠时长，确定该用户的AHI指数。
可选地，在监测用户睡眠时，可以记录用户的睡眠时间，例如，该睡眠时间可以是用户一整晚的睡眠时长。
作为一个示例，当用户的呼吸音功率谱密度或者鼾声的功率谱密度低于第一阈值，且低于第一阈值的时间长度达到第二阈值时，记为一次呼吸暂停，在用户整个睡眠过程中，记录其发生呼吸暂停的总次数(记为k)，并根据其整个睡眠时长(记为t)计算睡眠呼吸紊乱系数，其中AHI＝k/t；或者，记录每单位时间内，用户睡眠声音的功率谱密度低于第一阈值，且低于第一阈值的时间长度达到第二阈值的次数。
应理解，当获取用户的AHI指数后，可以根据该AHI指数判断用户的呼吸暂停程度。例如，当AHI处于小于或者等于5的范围内时，判定该用户睡眠正常，也即不认为存在呼吸暂停情况；当AHI的值属于5至15的范围内时，认为该用户具有轻度的睡眠呼吸暂停状况；当AHI的值属于15至30的范围内时，认为该用户具有中度的睡眠呼吸暂停状况；当AHI处于大于或等于30的范围内时，认为该用户具有重度的睡眠呼吸暂停状况。
根据本申请实施例提供的呼吸暂停的方法，通过多麦克风阵列采集用户的睡眠声音，能够实现非接触式地对多个用户进行睡眠呼吸暂停监测以及风险评估。
图4示出了本申请实施例提供的另一种呼吸暂停监测的方法的示意性流程图。包括以下步骤：
S410，通过第一终端采集多个用户的第一声音。
可选地，第一终端可以是手机、录音笔等，也可以是配置有单个或者多个麦克风的其他终端设备。
可选地，通过该第一设备中的麦克风录制用户的第一声音，其中，第一声音为用户睡眠过程中的呼吸音、鼾声等。
可选地，该第一终端中的麦克风可以根据采集到的第一声音获取该第一声音的时域信号。
应理解，在实际利用录制用户的睡眠声音的过程中，不可避免的会有环境噪声，因此，为了在后续分析过程中能获取准确、良好的睡眠声音信号，需要将环境噪声消除或降低。
示例性的，本申请实施例中对环境噪声消除或降低的过程可以是：在正式对用户的睡眠声音信号进行采集之前，先对用户所处环境的环境噪声进行采集，获得该环境噪声声波对应的相位、频率、振幅等，在后续对用户失眠监测的声音录制过程中，多麦克风产生一个与预先录制的环境噪声声波相位相反，频率和振幅相同的声波，使其与环境噪声干涉，以实现相位抵消，从而消除环境噪声；或者，根据预先录制的环境噪声的频率带宽，对滤波器的过滤频率带宽进行设置，使得在录制过程中，滤波器可以将换将噪声过滤。其中，过滤环境噪声的方式还可以是现有的其他方式，并申请对此并不限定。
应理解，通过麦克风录制用户睡眠过程中的第一声音，进而分析用户的睡眠呼吸暂停情况，使得用户在不需佩戴监测仪器的情况下，即可对睡眠呼吸暂停进行监测，提高了用户在监测过程中的舒适性。
S420，根据声纹识别算法确定用户对应的第一声音。
可选地，在采集用户睡眠过程中的第一声音之前，也即预处理阶段，预先采集用户未发生睡眠呼吸暂停时的呼吸音或者鼾声，例如，可以在用户入睡前期阶段，肌肉还未处于充分松弛状态，未出现睡眠呼吸暂停时，采集用户一段的呼吸音和/或鼾声。
可选地，提取用户第一声音的声音特征，并建立不同用户的声纹模型。
可选地，根据正式监测过程中获取的第一声音以及不同用户的声纹模型，确定不同用户的第一声音。
作为一个示例，当通过第一设备采集用户的第一声音之后，通过声纹识别算法确定不同用户的第一声音。应理解，声纹(voiceprint)是用电声学仪器显示的携带言语信息的声波频谱。由于人在发声时发声器官在尺寸、形态方面差异很大，因此，任何两个人的声纹图谱均不相同，一般情况下，可以通过声纹信息区分不同的人或者判断采集到的声音是否属于同一个人的声音。本实施例通过声纹识别的方式确定用户对应的第一声音的过程例如可以为：在对被监测用户进行正式的睡眠呼吸监测之前，预先采集各个用户的第一声音，例如，呼吸声和/或鼾声，并提取不同用户的第一声音的特征，例如，获取不同用户声音的短时语音谱；根据不同用户的第一声音的特征建立的声纹识别模型；采集用户睡眠过程中的第一声音，并根据已建立的声纹识别模型确定不同用户的第一声音。
示例性的，建立用户声纹识别的模型的过程例如可以是：根据用户第一声音的特征，如短时语音谱获取其对应的概率密度函数，并建立高斯混合模型(Gaussian mixturemodel，GMM)将空间分布的概率密度用多个高斯概率密度函数的加权和来拟合，使得该高斯混合模型可以平滑地逼近任意形状的概率密度函数，得到易于处理的参数模型。具体地，根据短时语音谱的概率密度函数获得的参数模型将高斯混合模型的每个高斯分量的均值向量排列在一起组成一个超向量作为某一用户的模型。根据不同用户对应的特定的参数模型，可以确定不同用户对应的第一声音。其中，通过声纹识别建立不同用户参数模型的过程可以参见现有流程，此处不再赘述。
S430，根据第一声音获取该第一声音对应的功率谱密度。
可选地，根据麦克风获取的时域信号进行傅里叶变换，以获得不同用户的第一声音的功率谱密度。
S440，当该功率谱密度低于第一阈值时，确定用户发生呼吸暂停。
其中，当用户睡眠声音的功率谱密度低于第一阈值时，确定该用户发生呼吸暂停。
应理解，第一阈值可以是根据用户的正常呼吸情况设置的值。示例性的，第一阈值的获得过程可以是：根据用户的正常呼吸状态(如刚入睡未发生呼吸暂停的呼吸状态)下的睡眠声音的时频信号进行时频变换，获得该状态下呼吸声的频谱，并对连续多次(如5至10次)的呼吸频谱峰值取平均值，再取该平均值的30％至50％作为第一阈值，用于后续判断用户是否存在呼吸暂停以及呼吸暂停的轻重程度。此外，第一阈值可以根据临床测试数据，参考PSG标准精度，做优化调整，以达到最佳敏感性和特异性。
可选地，当用户睡眠声音的功率谱密度低于第一阈值的时长达到第二阈值时，确定该用户发生呼吸暂停，其中，第二阈值例如可以为10s或者15s等。
可选地，根据不同用户的第一声音的功率频谱密度低于第一阈值的次数，确定该用户的呼吸紊乱AHI指数。具体地，根据用户发生呼吸暂停的次数以及用户的睡眠时长，确定用户的AHI指数，该AHI指数可以直观地反映出用户睡眠呼吸暂停的轻重程度。
作为一个示例，当用户的呼吸音功率谱密度或者鼾声的功率谱密度低于第一阈值，且低于第一阈值的时间长度达到第二阈值时，记为一次呼吸暂停，在用户整个睡眠过程中，记录其发生呼吸暂停的总次数(记为k)，并根据其整个睡眠时长(记为t)计算睡眠呼吸紊乱系数，其中AHI＝k/t；或者，记录每单位时间内，用户睡眠声音的功率谱密度低于第一阈值，且低于第一阈值的时间长度达到第二阈值的次数。
其中根据AHI指数的值确定用户睡眠呼吸暂停状况的方式可以参见步骤S330，为避免重复，此处不再赘述。
根据本申请实施例提供的呼吸暂停的方法，通过麦克风采集不同用户的第一声音，并利用声纹识别算法区分不同用户对应的睡眠声音，能够实现非接触式地对多个用户进行睡眠呼吸暂停监测以及风险评估。
图5示出了本申请实施例提供的一种呼吸暂停监测的方法的示意性流程图。
其中，本申请实施例的呼吸暂停监测方法还可以包括以下步骤。
S510，当确定用户发生呼吸暂停时，第一设备向第二设备发送唤醒消息。
其中，当确定用户发生呼吸暂停或者发生呼吸暂停达到一定时长时，对用户进行唤醒。
可选地，第二设备可以是用户周边的智能设备，例如，智能音箱、智能灯、智能穿戴设备、智能手机等，或者也可以是用户的紧急联系人智能设备，如智能手机等。
可选地，当监测到用户发生呼吸暂停的时长达到第三阈值时，第一设备向第二设备发送唤醒消息，其中，第三阈值例如可以是20s。
S520，第二设备通过震动、声音、灯光等方式，唤醒发生呼吸暂停的用户。
其中，当第二设备接收到第一设备的唤醒消息时，可以利用不同方式唤醒用户，例如，通过震动、声音、灯光等方式，唤醒发生呼吸暂停的用户。
示例性的，当通过第一设备监测到用户发生呼吸暂停的时长达到第三阈值时，第一设备可以向用户周边的联动设备，例如智能音箱、智能灯、智能穿戴设备、智能手机等发送唤醒消息，使得周边智能设备通过震动、声音、灯光等相应的方式及时唤醒用户。其中，第三阈值例如可以是20s或者参考医生建议设置的其他值，本申请对此并不限定。
图6示出了本申请实施例提供的一种睡眠呼吸暂停监测的装置。该装置600包括声音采集单元610和数据处理单元620。
其中，声音采集单元610，用于采集至少一个用户的第一声音。
可选地，数据处理单元620，用于根据所述第一声音获取所述第一声音的功率谱密度。
可选地，数据处理单元620，还可以用于根据所述功率频谱密度确定所述用户的AHI指数。
图7示出了本申请实施例提供的另一种睡眠呼吸暂停监测的装置。该装置700包括至少一个麦克风710处理器720。
可选地，麦克风710，用于采集至少一个用户的第一声音。
可选地，处理器720，用于根据所述第一声音获取所述第一声音的功率谱密度。
可选地，处理器720，还可以用于根据所述功率频谱密度确定所述用户的AHI指数。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种呼吸暂停监测的装置，其特征在于，包括：
声音采集单元，包括多麦克风阵列，用于采集多个用户的第一声音，包括：根据所述呼吸暂停监测的装置和所述多个用户的位置，设置所述多麦克风阵列的拾音参数，使得所述多麦克风阵列的不同波束覆盖不同的所述用户，其中，每个所述用户位于所述多麦克风阵列的不同波束覆盖范围，所述多麦克风阵列分别采集不同波束覆盖范围的所述用户的第一声音；
数据处理单元，用于根据所述第一声音的来源和所述多个用户的位置确定不同所述用户分别对应的第一声音；
所述数据处理单元，还用于根据所述第一声音获取所述第一声音的功率谱密度；
所述数据处理单元，还用于当所述功率谱密度低于第一阈值时，确定所述用户发生呼吸暂停。
2.根据权利要求1所述的装置，其特征在于，所述根据所述第一声音获取所述第一声音的功率谱密度，包括：
根据所述第一声音获取所述第一声音的时域信号；
将所述时域信号通过傅里叶变换获取所述第一声音的功率谱密度。
3.根据权利要求1或2所述的装置，其特征在于，所述声音采集单元，还用于预先采集所述用户所处环境的环境噪声；
所述数据处理单元，用于确定所述环境噪声的频率带宽，并根据所述环境噪声的频率带宽，过滤所述环境噪声。
4.根据权利要求3所述的装置，其特征在于，所述数据处理单元，还用于确定所述用户的睡眠时长，并根据所述用户睡眠过程中发生所述呼吸暂停的次数和所述睡眠时长确定所述用户的呼吸紊乱AHI指数。
5.一种呼吸暂停监测的装置，其特征在于，包括至少一个麦克风和处理器，其中，所述装置用于执行呼吸暂停监测的方法，包括：
通过呼吸暂停监测的装置采集多个用户的第一声音，包括：根据所述呼吸暂停监测的装置和所述多个用户的位置，设置多麦克风阵列的拾音参数，使得所述多麦克风阵列的不同波束覆盖不同的所述用户，其中，每个所述用户位于所述多麦克风阵列的不同波束覆盖范围，所述多麦克风阵列分别采集不同波束覆盖范围的所述用户的第一声音；
根据所述第一声音的来源和所述多个用户的位置确定不同所述用户分别对应的第一声音；
根据所述第一声音获取所述第一声音对应的功率谱密度；
当所述功率谱密度低于第一阈值时，确定所述用户发生呼吸暂停。
6.根据权利要求5所述的装置，其特征在于，所述根据所述第一声音获取所述第一声音对应的功率谱密度，包括：
根据所述第一声音获取所述第一声音的时域信号；
将所述时域信号通过傅里叶变换获取所述第一声音的功率谱密度。
7.根据权利要 求5所述的装置，其特征在于，所述呼吸暂停监测的方法还包括：
确定所述用户的睡眠时长；
根据所述用户睡眠过程中发生所述呼吸暂停的次数和所述睡眠时长确定所述用户的AHI指数。
CN201910471804.2A 2019-05-31 2019-05-31 呼吸暂停监测的方法及装置 Active CN110301890B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201910471804.2A CN110301890B (zh) 2019-05-31 2019-05-31 呼吸暂停监测的方法及装置
EP20812876.9A EP3954278A4 (en) 2019-05-31 2020-05-27 METHOD AND DEVICE FOR MONITORING APNEA
PCT/CN2020/092597 WO2020238954A1 (zh) 2019-05-31 2020-05-27 呼吸暂停监测的方法及装置
US17/615,387 US20220225930A1 (en) 2019-05-31 2020-05-27 Apnea monitoring method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910471804.2A CN110301890B (zh) 2019-05-31 2019-05-31 呼吸暂停监测的方法及装置

Publications (2)

Publication Number Publication Date
CN110301890A CN110301890A (zh) 2019-10-08
CN110301890B true CN110301890B (zh) 2021-09-07

Family

ID=68075191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910471804.2A Active CN110301890B (zh) 2019-05-31 2019-05-31 呼吸暂停监测的方法及装置

Country Status (4)

Country Link
US (1) US20220225930A1 (zh)
EP (1) EP3954278A4 (zh)
CN (1) CN110301890B (zh)
WO (1) WO2020238954A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110301890B (zh) * 2019-05-31 2021-09-07 华为技术有限公司 呼吸暂停监测的方法及装置
JP7405660B2 (ja) * 2020-03-19 2023-12-26 Ｌｉｎｅヤフー株式会社 出力装置、出力方法及び出力プログラム
CN113440127B (zh) * 2020-03-25 2022-10-18 华为技术有限公司 呼吸数据的采集方法、装置和电子设备
CN111507010A (zh) * 2020-04-23 2020-08-07 苏州聚分享电子商贸有限公司 一种ai人工智能检测口气的数据模型
CN111795477A (zh) * 2020-07-16 2020-10-20 珠海格力电器股份有限公司 电器遥控器、睡眠质量监控系统及方法
CN115120197A (zh) * 2022-06-17 2022-09-30 歌尔股份有限公司 监测睡眠时呼吸状况的方法和装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106073722A (zh) * 2016-08-30 2016-11-09 孟玲 用于监测睡眠呼吸暂停综合症的健康分析系统

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6142952A (en) * 1997-10-29 2000-11-07 The Board Of Regents, The University Of Texas System Method and apparatus for detection and diagnosis of airway obstruction degree
EP1067867A1 (en) * 1998-04-08 2001-01-17 Karmel Medical Acoustic Technologies Ltd. Determination of apnea type
US6882971B2 (en) * 2002-07-18 2005-04-19 General Instrument Corporation Method and apparatus for improving listener differentiation of talkers during a conference call
CN201639751U (zh) * 2010-03-11 2010-11-17 成都丹玛尼科技有限公司 基于多麦克风阵列的定向定距语音采集系统
US9844336B2 (en) * 2010-08-26 2017-12-19 Ben Gurion University Of The Negev Research And Development Authority Apparatus and method for diagnosing obstructive sleep apnea
JP5878926B2 (ja) * 2010-10-01 2016-03-08 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 閉塞性睡眠時無呼吸を診断するための装置及び方法
CN102429662B (zh) * 2011-11-10 2014-04-09 大连理工大学 家庭环境中睡眠呼吸暂停综合征的筛查系统
WO2013185041A1 (en) * 2012-06-07 2013-12-12 Clarkson Univeristy Portable monitoring device for breath detection
BR112015013907A2 (pt) * 2012-12-17 2017-07-11 Koninklijke Philips Nv aparelho eletrônico, método para gerar informações de classificação de áudio e informações de movimento da cabeça e mídia legível por computador não temporária
CN104378570A (zh) * 2014-09-28 2015-02-25 小米科技有限责任公司 录音方法及装置
CN105662417B (zh) * 2015-12-31 2018-09-28 沈阳迈思医疗科技有限公司 一种基于压力信号特征识别鼾声的控制方法及装置
KR20170097519A (ko) * 2016-02-18 2017-08-28 삼성전자주식회사 음성 처리 방법 및 장치
CN105962894B (zh) * 2016-04-25 2018-10-23 东北大学 一种基于鼾声的睡眠打鼾时头部姿态实时识别装置及方法
US20180206762A1 (en) * 2017-01-25 2018-07-26 Intel Corporation Sleep apnea therapy enhancement method and apparatus
CN112190249A (zh) * 2017-03-07 2021-01-08 南京工业职业技术大学 一种呼吸暂停检测系统的检测方法
CN109300475A (zh) * 2017-07-25 2019-02-01 中国电信股份有限公司 麦克风阵列拾音方法和装置
CN108419168A (zh) * 2018-01-19 2018-08-17 广东小天才科技有限公司 拾音设备的指向性拾音方法、装置、拾音设备及存储介质
CN108392186B (zh) * 2018-04-19 2021-04-13 广西万云科技有限公司 一种非接触式睡眠呼吸暂停症检测方法及系统
CN108962272A (zh) * 2018-06-21 2018-12-07 湖南优浪语音科技有限公司 拾音方法和系统
CN109805895A (zh) * 2019-02-18 2019-05-28 杭州电子科技大学 智能卧室睡眠监测系统
CN110301890B (zh) * 2019-05-31 2021-09-07 华为技术有限公司 呼吸暂停监测的方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106073722A (zh) * 2016-08-30 2016-11-09 孟玲 用于监测睡眠呼吸暂停综合症的健康分析系统

Also Published As

Publication number Publication date
US20220225930A1 (en) 2022-07-21
EP3954278A4 (en) 2022-06-15
CN110301890A (zh) 2019-10-08
WO2020238954A1 (zh) 2020-12-03
EP3954278A1 (en) 2022-02-16

Similar Documents

Publication Publication Date Title
CN110301890B (zh) 呼吸暂停监测的方法及装置
US10278639B2 (en) Method and system for sleep detection
EP3367908B1 (en) Programmable electronic stethoscope devices, algorithms, systems, and methods
Jin et al. Adventitious sounds identification and extraction using temporal–spectral dominance-based features
CA2836196C (en) Breathing disorder identification, characterization and diagnosis methods, devices and systems
JP5153770B2 (ja) いびき検知及び確認のためのシステム及び方法
US7559903B2 (en) Breathing sound analysis for detection of sleep apnea/popnea events
US11712198B2 (en) Estimation of sleep quality parameters from whole night audio analysis
US9844336B2 (en) Apparatus and method for diagnosing obstructive sleep apnea
Almazaydeh et al. Apnea detection based on respiratory signal classification
US20130144190A1 (en) Sleep apnea detection system
KR102068484B1 (ko) 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법
Patil et al. The physiological microphone (PMIC): A competitive alternative for speaker assessment in stress detection and speaker verification
JP2001505085A (ja) フォノニューモグラフ・システム
US10004452B2 (en) System and methods for estimating respiratory airflow
Dafna et al. Sleep-quality assessment from full night audio recordings of sleep apnea patients
Ghulam Nabi et al. Wheeze sound analysis using computer-based techniques: A systematic review
CN111613210A (zh) 一种各类呼吸暂停综合征的分类检测系统
EP4167835A1 (en) Systems and methods for screening obstructive sleep apnea during wakefulness using anthropometric information and tracheal breathing sounds
Kuo et al. Development of automatic wheeze detection algorithm for children with asthma
Fang et al. Monitoring of sleep breathing states based on audio sensor utilizing mel-scale features in home healthcare
Dafna et al. Automatic detection of snoring events using Gaussian mixture models
US20210315517A1 (en) Biomarkers of inflammation in neurophysiological systems
Xin et al. A bone-conduction transducer-based detection system for sleep apnea screening in the family units
Xu et al. Hearing heartbeat from voice: Towards next generation voice-user interfaces with cardiac sensing functions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant