CN110584611A - 一种节能效果好的睡眠监测系统 - Google Patents

一种节能效果好的睡眠监测系统 Download PDF

Info

Publication number
CN110584611A
CN110584611A CN201910904706.3A CN201910904706A CN110584611A CN 110584611 A CN110584611 A CN 110584611A CN 201910904706 A CN201910904706 A CN 201910904706A CN 110584611 A CN110584611 A CN 110584611A
Authority
CN
China
Prior art keywords
value
threshold
equal
num
user
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
Application number
CN201910904706.3A
Other languages
English (en)
Inventor
李建军
段韩路
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.)
Xilinmen Furniture Co Ltd
Original Assignee
Xilinmen Furniture 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 Xilinmen Furniture Co Ltd filed Critical Xilinmen Furniture Co Ltd
Priority to CN201910904706.3A priority Critical patent/CN110584611A/zh
Publication of CN110584611A publication Critical patent/CN110584611A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
    • 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
    • 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
    • A61B5/68—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
    • A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种节能效果好的睡眠监测系统。现有睡眠监测系统的能耗较高，导致运行时长较短，影响使用体验。本发明包括处理器和基础数据采集器。处理器通过基础数据采集器以变频采集方式获得单帧数据包，并依次计算获得用户的实时睡眠状态，处理器根据用户所处睡眠状态对基础数据采集器的工作状态参数进行调节，以使系统对用户的各睡眠状态进行监测时具有差异化能耗。将基础数据采集器的工作状态参数与用户的实时睡眠状态相关联，既能通过降低部分时段的运行功耗来延长系统运行时长，确保系统运行稳定性，还通过减少充电维护频率来提升使用体验，又能提升监测精度。

Description

一种节能效果好的睡眠监测系统
技术领域
本发明涉及卧具领域，具体涉及一种睡眠监测系统。
背景技术
目前，多导睡眠监测是睡眠医学中的一项重要新技术，被称为诊断睡眠障碍疾病的“金标准”。但是由于使用多导睡眠监测仪进行监测时监测的参数较多，需要在用户的头部和身体上设置较多的传感器，所以，在监测的过程中用户存在监测环境不适、多导联粘贴敏感、传感器易于脱落等情况，导致使用体验差和影响监测精度的问题。为此，现有市面上出现了便携式的睡眠监测系统，用于克服多导睡眠监测仪导联多、携带不方便的缺点，为了提升携带便利性和穿戴舒适性，便携式的睡眠监测系统通常采用自带电池的结构，且通过无线方式与外界输送信号，但这种结构的睡眠监测系统存在以下缺陷：一方面，为了提升便携性和穿戴舒适性，便携式睡眠监测系统对自身体积和重量均具有上限要求，导致自带电池的电量较小，另一方面，为了确保睡眠监测精度，睡眠监测系统会在用户的整个睡眠过程中以恒定的频率采集单帧数据包，并通过处理器获得用户的实时睡眠状态，导致单位时间内能耗较高，由此导致便携式睡眠监测系统的单次充电后可运行时间缩短，既会导致便携式睡眠监测系统在用户睡眠过程中因电源耗尽而发生停止运行的情况，还增加了充电维护频率，用户容易因忘记充电维护而发生无法使用的情况，影响使用体验。
发明内容
为了解决现有技术的不足，本发明提供一种节能效果好的睡眠监测系统，将基础数据采集器的工作状态参数与用户的实际睡眠状态相关联，既有效通过降低工作状态参数来减小能耗，延长系统工作时间，还确保睡眠监测数据准确性，提升使用体验。
本发明通过以下方式实现：一种节能效果好的睡眠监测系统，所述系统包括基础数据采集器和处理器。基础数据采集器通过便携式穿戴设备获取基础数据；处理器接收来自基础数据采集器的数据并通过计算获得用户睡眠状态。在运行时，所述处理器通过基础数据采集器以变频采集方式获得单帧数据包，并依次计算获得用户的实时睡眠状态，处理器根据用户所处睡眠状态对基础数据采集器的工作状态参数进行调节，以使系统对用户的各睡眠状态进行监测时具有差异化能耗。将基础数据采集器的工作状态参数与用户的实时睡眠状态相关联，当用户处于较平稳且不易变化的睡眠状态时，通过降低基础数据处理器的工作状态参数以及减少处理器计算工作量来降低能耗，当用户处于活跃且易变化的睡眠状态时，通过提升基础数据处理器的工作状态参数来采集更细化全面的数据，提升监测准确性，由此，既能通过降低部分时段的运行功耗来延长系统运行时长，有效降低系统在运行过程中因电源耗尽而发生停机的情况，确保系统运行稳定性，还通过减少充电维护频率来提升使用体验，又能在部分时段通过提升基础数据采集器工作状态参数来提升监测精度。
作为优选，所述睡眠状态包括清醒期、浅睡期、轻睡期、深睡期以及快速眼动期，所述基础数据采集器的工作状态参数包括采集时长B、采集频率C以及相邻单帧数据包的起始采集点间时长A。在用户的整个睡眠过程中：
清醒期的时长较短，且脑电信号活跃，所以需要提升采集时长的覆盖比例并提升采集频率，当用户处于清醒期时，A＝B，25S≤A≤35S，450samples/s≤C≤550samples/s；采集时长的覆盖比例为参数B与参数A间的比值，在清醒期内，采集时长完整覆盖相邻单帧数据包的起始采集点间时长，使得基础数据采集器进行不间断地连续采集，并以此获得预设时长和采集频率的单帧数据包。
浅睡期的时长较短，且脑电信号较为活跃，所以需要提升采集时长的覆盖比例并适当提升采集频率，当用户处于浅睡期时，A＝B，25S≤A≤35S，200samples/s≤C≤300samples/s。
轻睡期的时长较长，且脑电信号较为活跃，所以采集时长的覆盖比例和采集频率适中即可，当用户处于轻睡期时，55S≤A≤65S，5S≤B≤15S，200samples/s≤C≤300samples/s。
深睡期的时长较长，且脑电信号较平稳，所以可以降低采集时长的覆盖比例并降低采集频率，当用户处于深睡期时，55S≤A≤65S，25S≤B≤35S，150samples/s≤C≤250samples/s。
快速眼动期的时长较长，且脑电信号活跃，所以对采集时长的覆盖比例进行适中设置并提升采集频率，当用户处于快速眼动期时，55S≤A≤65S，25S≤B≤35S，450samples/s≤C≤550samples/s。
通过上述设置，既提升系统在各睡眠装置的监测准确性，还通过减小采集时长的覆盖比例和采集频率来减小能耗，进而延长系统运行时长，提升使用体验。
作为优选，所述系统运行后，通过以下步骤获得用户睡眠状态：
第一步，所述处理器根据处理上一单帧数据包获得的睡眠状态来调节基础数据采集器的工作状态参数，以此获得实时的单帧数据包。
第二步，处理器对单帧数据包进行滤波处理，并依次获得频率分别为8～12Hz、18～30Hz、0.5～3Hz、4～7Hz以及40～50Hz的Alpha波波形图、Beta波波形图、Delta波波形图、Theta波波形图以及SEEG波波形图；
第三步：对各波形图内采集点的数值进行统计，并依次经过取绝对值处理、数据平滑处理后通过累加计算获得一级特征值参数组和辅助特征值参数组，所述一级特征值参数组包括：Alpha值、Beta值、Delta值、Theta值以及SEEG值，所述辅助特征值参数组包括Num-ARI值、Num-LCZ值、Num-Delta值、Num-Theta值以及Num-EOG；
第四步：通过一级特征值参数组计算获得二级特征值参数组，所述二级特征值参数组包括：AVS值、BVS值、TVA值、TVB值以及TVS值；
第五步，以第三步和第四步中获得的参数为基础，利用决策树对用户睡眠状态进行归类，以使用户睡眠状态被归类为清醒期、浅睡期、轻睡期、深睡期或快速眼动期，为处理器调节基础数据采集器的工作状态参数提供依据。
通过基础数据采集器采集限定种类的基础数据，并以此为基础通过处理器计算获得一级特征值参数组、辅助特征值参数组和二级特征值参数组，并对处于入睡潜伏期用户的细分睡眠状态进行判定和分类，为后续助眠操作提供参考依据。此系统具有使用基础数据种类少、计算和分类过程简单的特点，既通过减少基础数据采集种类来简化基础数据采集器的结构，方便用户穿戴使用，提升数据准确性，还通过简化计算和分类的过程来降低对处理器的要求，提升运算速度，降低硬件成本，确保硬件运行稳定性，提升使用体验。
作为优选，处理器通过决策树对用户睡眠状态进行归类，所述决策树上设定至少五个节点，具体地：
在第一节点，设定阀值Num-ARI-Threshold，当Num-ARI＞Num-ARI-Threshold时，该单帧数据包被判定为人工伪迹，并通过处理器向外输出处理上一单帧数据包时获得的睡眠状态，否则，转入第二节点；
在第二节点，设定阀值AVS-Threshold，当AVS＞AVS-Threshold时，转入第五节点，处理器判定用户处于清醒期或快速眼动期，否则，转入第三节点，处理器判定用户处于浅睡期、轻睡期或深睡期；
在第三节点，设定阀值TVS-Threshold和Num-Theta-Threshold，当TVS＞TVS-Threshold，且Num-Theta>Num-Theta-Threshold时，处理器判定用户处于浅睡期，否则，转入第四节点，处理器判定用户处于轻睡期或深睡期；
在第四节点，设定阈值Num-Delta-Threshold，当Num-Delta≥Num-Delta-Threshold时，处理器判定用户处于深睡期，否则，处理器判定用户处于轻睡期；
在第五节点，设定阈值TVA-Threshold和Num-EOG-Threshold，当TVA>TVA-Threshold，且Num-EOG>Num-EOG-Threshold时，处理器判定用户处于快速眼动期，否则，处理器判定用户处于清醒期。
在决策树的各个节点上使用不同的参数作为判断依据，且选用的参数能对用户睡眠状态进行有效区分，并最终通过对实时的单帧数据包进行分析后获得用户的实时睡眠状态，既有效简化判断过程，提升判断效率，还确保分类准确性，为后续研究和控制助眠设备运行提供数据支持。人工伪迹是指是影响电生理信号的干扰信号，包括生理伪迹和设备伪迹。
作为优选，在同一节点处，存在可替换且独立实现睡眠状态分类的数据，具体地：在第一节点处，设定阀值Num-LCZ-Threshold，当者Num-LCZ＞Num-LCZ-Threshold时，该单帧数据包被判定为人工伪迹，并通过处理器向外输出处理上一单帧数据包时获得的睡眠状态，否则，转入第二节点；或者，在第二节点处，设定阀值BVS-Threshold，当BVS＞BVS-Threshold时，转入第五节点，否则，转入第三节点；或者，在第五节点，设定阈值TVB-Threshold和Num-EOG-Threshold，当TVB＞TVB-Threshold，且Num-EOG＞Num-EOG-Threshold时，处理器判定用户处于快速眼动期，否则，处理器判定用户处于清醒期。决策树中部分节点的判断条件可替换，替换后，既能通过多种途径对监测结果进行验证，提升判断准确性，还提供多种判断方式可供选择。
作为优选，通过以下步骤获得所述一级特征值参数组：
首选，依次分别对Alpha波波形图、Beta波波形图、Theta波波形图以及SEEG波波形图内各采集点对应的数值进行取绝对值处理，并获得数据组Xm；
之后，对数据组Xm进行数据平滑处理并获得过渡数据组Ym，过渡数据组的数据长度为m，1≤m≤n-0.5*C，其中，0.5*C为数据平滑处理的长度，n为所述基础数据采集器在形成单帧数据包时进行的数据采集次数，n＝C*B；
最后，对过渡数据组Ym进行累加计算并依次获得所述Alpha值、Beta值、Theta值以及SEEG值。
基础数据采集器在采集基础数据时，用户会因各种因素出现明显超出变化范围的跳动数值，导致波形图瞬时变化较大，虽然不会对用户睡眠状态产生影响，但会影响处理器判断用户睡眠状态，对连续0.5*C个数据进行累加平均处理，有效减小单个跳动数值对处理器判断用户睡眠状态的影响。此外，数据组Xm是对各数据及其后0.5*C个数据进行累加并平均处理，使得过渡数据组Ym的数据数量m会减少至n-0.5*C个。
由于参数B和参数C均为基础数据采集器的工作状态参数，会随着用户的睡眠状态发生变化，所以，参数n和参数m也会随之变化，当用户的睡眠状态发生变化时，对应的单帧数据包内的采集点数量也会存在差异性，导致处理器的计算工作量也会存在差异化，通过减小处理器的计算工作量来减小能耗，进而延长系统运行时长。在系统运行时，处理器的计算量会根据单帧数据包内的采集点数量进行调整，确保各单帧数据包能在对应的参数A时长限定范围内计算完成并向外输送。
作为优选，一级特征值参数组内的Alpha值、Beta值、Theta值以及SEEG值通过除以对应的参数m来分别获得Mean-Alpha值、Mean-Beta值、Mean-Theta值以及Mean-SEEG值，进而计算获得AVS值、BVS值、TVA值、TVB值以及TVS值，其中，AVS＝Mean-Alpha/Mean-SEEG，BVS＝Mean-Beta/Mean-SEEG，TVA＝Mean-Theta/Mean-Alpha，TVB＝Mean-Theta/Mean-Beta，TVS＝Mean-Theta/Mean-SEEG。通过累加平均来获得上述参数，有效减小跳动参数对用户睡眠状态判断准确性的影响。
作为优选，对各波形图设定对应的最大阀值和最小阀值，并以此形成数据波动范围，对各波形图超出数据波动范围的采集点个数进行累加统计，并形成Num-ARI值，参数Num-ARI值是对超出预设范围的跳动数值的数量进行统计。
作为优选，对各波形图中曲线穿越x轴的次数进行累加统计，并形成Num-LCZ值，波形图中曲线穿越x轴的次数与波形频率有关，参数Num-LCZ值是对波形频率进行统计。
作为优选，对Delta波波形图中Delta波出现的时长进行统计，以此获得Num-Delta值，用于体现Delta波的强弱。
作为优选，对Theta波波形图中Theta波出现的时长进行统计，以此获得Num-Theta值，用于体现Theta波的强弱。
作为优选，设定眼动阀值，从SEEG波波形图中获得眼电脉冲信号，对眼电脉冲信号中振幅超出眼动阀值的次数进行统计，并以此获得Num-EOG值，通过以下步骤获得眼动脉冲信号：
首先，将SEEG波波形图的各采集点数值统计形成数量为n的基础数值组；
之后，从基础数值组内依次提取X个窗口数值组，窗口数值组包括L个沿基础数值组顺序截取的基础数值，其中，X＝n-L+1，L＜n且L为奇数；
再后，对各窗口数值组内的L个基础数值进行自小到大排序，并将第(L+1)/2个的基础数值设置为该窗口数值组的平滑数值；
再后，将各窗口数值组内获得的平滑数值组成平滑数值组，平滑数值组内包含X个平滑数值；
最后，基础数值组中部的X个数值分别减去所述平滑数值组中对应顺序的数值后形成X个差值，所述差值组成所述眼电脉冲信号。
对SEEG波波形图进行中值滤波操纵，由于中值滤波对脉冲或噪声有较好的滤除作用，特别是在滤除尖峰的同时，能够保护信号的边缘，使之不被模糊。这些优良特性是线性滤波方法所不具有的。此外，中值滤波的算法比较简单，也易于用硬件实现。
作为优选，所述基础数据采集器为眼镜，所述眼镜包括镜架和镜腿，所述电信号采集组件包括设于镜架中部的鼻梁参考电极以及设于镜架两端的左前颞电极和右前颞电极分置。在使用时，当眼镜穿戴到位后，所述左前颞电极、右前颞电极以及鼻梁参考电极分别同步抵触在待监测工位上，确保基础数据采集器能持续精确地采集数据，并向处理器定期发送单帧数据包。
作为优选，所述基础数据采集器为眼罩，眼罩包括罩体和绑带，所述电信号采集组件包括设于罩体中部的额极参考电极以及设于罩体两端的左额极电极和右额极电极。眼罩既能起到遮挡光线的作用，还能为使用者提供舒适感受。
本发明的有益效果：将基础数据采集器的工作状态参数与用户的实时睡眠状态相关联，当用户处于较平稳且不易变化的睡眠状态时，通过降低基础数据处理器的工作状态参数以及减少处理器计算工作量来降低能耗，当用户处于活跃且易变化的睡眠状态时，通过提升基础数据处理器的工作状态参数来采集更细化全面的数据，提升监测准确性，由此，既能通过降低部分时段的运行功耗来延长系统运行时长，有效降低系统在运行过程中因电源耗尽而发生停机的情况，确保系统运行稳定性，还通过减少充电维护频率来提升使用体验，又能在部分时段通过提升基础数据采集器工作状态参数来提升监测精度。
附图说明
图1为所述眼镜结构示意图；
图2为所述决策树结构示意图；
图3为所述眼罩结构示意图；
图中：1、眼镜，2、镜架，3、镜腿，4、左前颞电极，5、右前颞电极，6、鼻梁参考电极，7、眼罩，8、左额极电极，9、右额极电极，10、额极参考电极。
具体实施方式
下面结合说明书附图和具体实施方式对本发明的实质性特点作进一步的说明。
实施例一：
本实施例提供一种节能效果好的睡眠监测系统。
一种节能效果好的睡眠监测系统，包括基础数据采集器和处理器。基础数据采集器通过便携式穿戴设备获取基础数据；处理器接收来自基础数据采集器的数据并通过计算获得用户睡眠状态。在运行时，所述处理器通过基础数据采集器以变频采集方式获得单帧数据包，并依次计算获得用户的实时睡眠状态，处理器根据用户所处睡眠状态对基础数据采集器的工作状态参数进行调节，以使系统对用户的各睡眠状态进行监测时具有差异化能耗。
将基础数据采集器的工作状态参数会根据处理上一单帧数据包获得的用户实时睡眠状态进行对应调整，既能通过降低部分时段的运行功耗来延长系统运行时长，有效降低系统在运行过程中因电源耗尽而发生停机的情况，确保系统运行稳定性，还通过减少充电维护频率来提升使用体验，又能在部分时段通过提升基础数据采集器工作状态参数来提升监测精度。
在本实施例中，基础数据采集器为带数据收集组件的眼镜1(如图1所示)，所述眼镜1包括镜架2以及设于镜架2两端的镜腿3，所述数据收集组件包括分置在所述镜架2两端的左前颞电极4、右前颞电极5以及设于镜架2中部鼻梁参考电极6，眼镜1被穿戴到位后，所述左前颞电极4、右前颞电极5以及鼻梁参考电极6分别抵触在待监测工位上。所述眼镜1通过与用户体表贴合的左前颞电极4、右前颞电极5以及鼻梁参考电极6采集相关基础数据，并向处理器输送。具体地，所述左前颞电极4、右前颞电极5以及鼻梁参考电极6分别与近左前颞、近右前颞及鼻梁贴合，形成一种简单测量脑电活动的单导联采集器。基础数据采集器对Alpha波、Beta波、Theta波、Delta波以及SEEG波进行采集，其中，所述Alpha波、Beta波、Theta波、Delta波为脑电波，所述SEEG波为肌电波。
在本实施例中，所述系统在运行时，通过以下步骤实现：
第一步，所述处理器根据处理上一单帧数据包获得的睡眠状态来调节基础数据采集器的工作状态参数，以此获得实时的单帧数据包。
具体地，所述基础数据采集器的工作状态参数包括采集时长B、采集频率C以及相邻单帧数据包的起始采集点间时长A。当系统开始运行时，设定与用户处于请清醒期时基础数据采集器的工作状态参数为初始参数，通过获得第一组单帧数据包来对用户实时的睡眠状态进行监测，进而为基础数据采集器在后续运行时的工作状态参数进行调整。在系统开启时，基础数据采集器以与处于清醒期时对应的工作状态参数进行运行，通过连续高频率地采集数据来确保系统监测准确性，满足用户处于任一睡眠状态时的监测要求。
具体地，所述睡眠状态包括清醒期、浅睡期、轻睡期、深睡期以及快速眼动期，通过调节参数A、B、C来与各睡眠状态进行匹配设置。通过调节参数A来调整单帧数据包代表区段的时长，当参数A增加时，单位时间内基础数据采集器的启动次数变少，使得各单帧数据包代表的单位监测时段越长，系统能耗更低，反之，单位时间内基础数据采集器的启动次数变多，系统能耗更高；通过调节参数B来调整单帧数据包的采集时长，当参数B增加时，各单位监测时段内被监测的时间越长，越趋近于不间断监测，提升监测精度，反之，各单位监测时段内被监测的时间越短，系统能耗更低；通过调节参数C来调节基础数据采集器在单位时间内的采集次数，当参数C增大时，单位时间内采集的次数越多，形成的波形图更细腻准确，提升监测精度，反之，单位时间内采集的次数越少，能耗更低。在实施时：
当用户处于清醒期时，A＝B，25S≤A≤35S，450samples/s≤C≤550samples/s；
当用户处于浅睡期时，A＝B，25S≤A≤35S，200samples/s≤C≤300samples/s；
当用户处于轻睡期时，55S≤A≤65S，5S≤B≤15S，200samples/s≤C≤300samples/s；
当用户处于深睡期时，55S≤A≤65S，25S≤B≤35S，150samples/s≤C≤250samples/s；
当用户处于快速眼动期时，55S≤A≤65S，25S≤B≤35S，450samples/s≤C≤550samples/s。
此外，基础数据采集器采集次数与形成的数据数量对应，单次连续采集完成后所得的数据形成一个单帧数据包，当单帧数据包内的数据数量越多时，用于绘制形成波形图的数据点也越多，使得波形图绘制越精确，使得绘制的波形图越趋于真实电波的图形，为处理器提供更准确的数据。由于基础数据采集器的工作状态参数会与用户的睡眠状态进行同步变化，使得各单帧数据包内的数据量以及处理器在用户处于不同睡眠状态时的计算量会出现差异，导致能耗会出现波动，通过合理设置各睡眠状态的工作状态参数来兼具监测准确性和运行时长。
第二步，处理器对单帧数据包进行滤波处理，并依次获得频率分别为8～12Hz、18～30Hz、0.5～3Hz、4～7Hz以及40～50Hz的Alpha波波形图、Beta波波形图、Delta波波形图、Theta波波形图以及SEEG波波形图。
具体地，所述基础数据采集器的数据采集频率为C，所述基础数据采集器在形成单帧数据包时进行的数据采集次数为n，例如，当C＝250samples/s且B＝10s时，n＝C*B＝250samples/s*10s＝2500次，当参数n为非整数时，通过四舍五入方式取整。基础数据采集器每次采集到的单帧数据包为综合数据，利用滤波器对综合数据进行滤波分解并获得具有差异化频率的Alpha波波形图、Beta波波形图、Delta波波形图、Theta波波形图以及SEEG波波形图。在同一单帧数据包内，各波形图均有n个基点沿时间顺序串联形成。优选使用8阶巴特沃斯滤波器、切比雪夫滤波器或者4阶巴特沃斯滤波器对单帧数据包进行去噪提取特定频率段中的脑电信号。
第三步：对各波形图内采集点的数值进行统计，并依次经过取绝对值处理、数据平滑处理后通过累加计算获得一级特征值参数组和辅助特征值参数组，所述一级特征值参数组包括：Alpha值、Beta值、Delta值、Theta值以及SEEG值，所述辅助特征值参数组包括Num-ARI值、Num-LCZ值、Num-Delta值、Num-Theta值以及Num-EOG。
具体地，通过以下步骤获得所述一级特征值参数组：
首选，依次分别对Alpha波波形图、Beta波波形图、Theta波波形图以及SEEG波波形图内各采集点对应的数值进行取绝对值处理，并获得数据组Xm；
之后，对数据组Xm进行数据平滑处理并获得过渡数据组Ym，过渡数据组的数据长度为m，1≤m≤n-0.5*C，其中，0.5*C为数据平滑处理的长度，n为所述基础数据采集器在形成单帧数据包时进行的数据采集次数，n＝C*B；
最后，对过渡数据组Ym进行累加计算并依次获得所述Alpha值、Beta值、Theta值以及SEEG值。
由同一单帧数据包获得Alpha波波形图、Beta波波形图、Theta波波形图以及SEEG波波形图中的采集点数量相同。将n个基点连接形成，所以通过各波形图对应的n个基点来计算获得对应的Alpha值、Beta值、Theta值以及SEEG值。在实际操作中，以Alpha波波形图为例，假设Alpha波波形图包括2500个基点，在计算时，首先，对2500个基点的数值进行绝对值处理，以此获得包括2500个数据的数据组Xm；之后，对数据组Xm进行数据平滑处理并获得过渡数据组Ym，在处理时，数据平滑处理的长度为0.5*C，过渡数据组的数据长度为m，m＝n-0.5*C＝2375，由于在对数据组Xm中第2376个数据进行计算时，其后数据数量已不足125个，所以过渡数据组Ym的数据长度为2375个；最后，对过渡数据组Ym中的2375个数值进行累加计算并获得所述Alpha值。以此类推来获得Beta值、Theta值以及SEEG值。当数据平滑处理的长度0.5*C为非整数时，通过四舍五入方式取整。
具体地，对各波形图设定对应的最大阀值和最小阀值，并以此形成数据波动范围，对各波形图超出数据波动范围的采集点个数进行累加统计，并形成Num-ARI值。
具体地，对各波形图中曲线穿越x轴的次数进行累加统计，并形成Num-LCZ值。
具体地，在用户的整个睡眠过程中，Theta波和Delta波会因用户睡眠状态不同而出现个别缺失的情况，当基础数据采集器无法采集到信号时，该波形此刻对应的基点数值为0，导致无法形成对应的波形图，进而方便计算对应的辅助特征值参数。对Delta波波形图中Delta波出现的时长进行统计，以此获得Num-Delta值。对Theta波波形图中Theta波出现的时长进行统计，以此获得Num-Theta值。
具体地，设定眼动阀值，从SEEG波波形图中获得眼电脉冲信号，对眼电脉冲信号中振幅超出眼动阀值的次数进行统计，并以此获得Num-EOG值，通过以下步骤获得眼动脉冲信号，以单帧数据包内包含2500个采集点为例：
首先，将SEEG波波形图的各采集点数值统计形成数量为n的基础数值组，当单帧数据包内包含2500个采集点时，则n＝2500，并以此形成包含2500个数值的基础数值组；
之后，从基础数值组内依次提取X个窗口数值组，窗口数值组包括L个沿基础数值组顺序截取的基础数值，其中，X＝n-L+1，L＜n且L为奇数，对2500个数值进行依次排序，假定窗口数值组包含的数值个数L＝125个，计算可得窗口数值组的数量为X＝2500-125+1＝2376，则将基础数值组中编号为第1至第125的基础数值归为第1组窗口数值组，将基础数值组中编号为第2至第126的基础数值归为第2组窗口数值组，以此类推，将基础数值组中编号为第2376至第2500的基础数值归为第2376组窗口数值组；
再后，对各窗口数值组内的L个基础数值进行自小到大排序，并将第(L+1)/2个的基础数值设置为该窗口数值组的平滑数值，假设L＝125，则将第63个基础数值设定为该窗口数值组的平滑数值。具体地，将第1组窗口数值组内的125个基础数值以从小到大方式重新排列，并将第63个基础设置设定为第1组窗口数值组的平滑数值，以此类推，分别获得2376组窗口数值组的平滑数值；
再后，将各窗口数值组内获得的平滑数值组成平滑数值组，平滑数值组内包含X个平滑数值，将获得的2376个平滑数值的统计入平滑数值组；
最后，基础数值组中部的X个数值分别减去所述平滑数值组中对应顺序的数值后形成X个差值，所述差值组成所述眼电脉冲信号，基础数值组中部的X个数值是指位于基础数值组中段的X个数值，假设基础数值组包含2500个基础数值，且X＝2376，则截取的方式是分别去除基础数值组中自前向后的62个基础数值以及自后向前的62个基础数值，由此获得包含2376个基础数值的基础数值组。将基础数值组中的2376个基础数值依次分别减去平滑数值组中对应编号的数值，以此获得包含2376个差值的眼电脉冲信号。
第四步：通过一级特征值参数组计算获得二级特征值参数组，所述二级特征值参数组包括：AVS值、BVS值、TVA值、TVB值以及TVS值。
具体地，一级特征值参数组内的Alpha值、Beta值、Theta值以及SEEG值通过除以对应的参数m来分别获得Mean-Alpha值、Mean-Beta值、Mean-Theta值以及Mean-SEEG值，进而计算获得AVS值、BVS值、TVA值、TVB值以及TVS值。Mean-Alpha值、Mean-Beta值、Mean-Theta值以及Mean-SEEG值为对应单帧数据包内各波形基点数值的平均值。
具体地，AVS＝Mean-Alpha/Mean-SEEG，用于表示单帧数据包内Alpha波信号在总脑波信号SEEG中的幅值占比情况，当参数AVS值越大时，说明Alpha波信号在总脑波信号SEEG中幅值占比比较大，反之，当参数AVS值越小时，说明Alpha波信号在总脑波信号SEEG中幅值占比比较小。
具体地，BVS＝Mean-Beta/Mean-SEEG，用于表示单帧数据包内Beta波信号在总脑波信号SEEG中的幅值占比情况，当参数BVS值越大时，说明Beta波信号在总脑波信号SEEG中幅值占比比较大，反之，当参数BVS值越小时，说明Beta波信号在总脑波信号SEEG中幅值占比比较小。
具体地，TVA＝Mean-Theta/Mean-Alpha，用于表示单帧数据包内Theta波信号与Alpha波信号间的强弱对比，当参数TVA值越大时，说明Theta波信号强于Alpha波信号，反之，当参数TVA值越小时，说明Theta波信号弱于Alpha波信号。
具体地，TVB＝Mean-Theta/Mean-Beta，用于表示单帧数据包内Theta波信号与Beta波信号间的强弱对比，当参数TVB值越大时，说明Theta波信号强于Beta波信号，反之，当参数TVB值越小时，说明Theta波信号弱于Beta波信号。
具体地，TVS＝Mean-Theta/Mean-SEEG，用于表示单帧数据包内Theta波信号在总脑波信号SEEG中的幅值占比情况，当参数TVS值越大时，说明Theta波信号在总脑波信号SEEG中幅值占比比较大，反之，当参数TVS值越小时，说明Theta波信号在总脑波信号SEEG中幅值占比比较小。
第五步，以第三步和第四步中获得的参数为基础，利用决策树对用户睡眠状态进行归类，以使用户睡眠状态被归类为清醒期、浅睡期、轻睡期、深睡期或快速眼动期，为处理器调节基础数据采集器的工作状态参数提供依据。
具体地，处理器通过决策树对用户睡眠状态进行归类，所述决策树上设定至少五个节点，如图2所示，具体地：
在第一节点，设定阀值Num-ARI-Threshold，当Num-ARI＞Num-ARI-Threshold时，该单帧数据包被判定为人工伪迹，并通过处理器向外输出处理上一单帧数据包时获得的睡眠状态，否则，转入第二节点。当人工伪迹出现时，基础数据会出现超出正常范围的跳动，通过对参数Num-ARI值与对应阈值Num-ARI-Threshold间大小比较来判定是否产生人工伪迹，具体地，当Num-ARI＞Num-ARI-Threshold时，该单帧数据包被判定为人工伪迹，该单帧数据包作废，并向外输送上一单帧数据包时获得的睡眠状态，反之，则说明书此刻不存在人工伪迹，可以进行进一步分析。
在第二节点，设定阀值AVS-Threshold，当AVS＞AVS-Threshold时，转入第五节点，处理器判定用户处于清醒期或快速眼动期，否则，转入第三节点，处理器判定用户处于浅睡期、轻睡期或深睡期。当用户处于快速眼动期或清醒期时，大脑思维活跃且主要发出Alpha波和Beta波；当用户处于浅睡期时，大脑主要发出Theta波；当用户处于轻睡期时，大脑主要发出K－复合波以及持续数秒且频率在11～16Hz之间的spindle波；当用户处于深睡期时，大脑主要发出Delta波。因此，可通过Alpha波和Beta波在总脑波信号中的幅值占比情况区分该单帧数据包的睡眠状态处于浅睡期、轻睡期或深睡期中，还是处于清醒期或快速眼动期中。K－复合波包括sigma波和Delta波。spindle波为睡眠纺锤波。当AVS＞AVS-Threshold时，说明Alpha波信号在该单帧数据包中幅值占比情况更强，说明用户的大脑思维活跃且处于于快速眼动期或清醒期。反之，说明Alpha波信号在该单帧数据包中幅值占比情况更弱，说明用户大脑思维不活跃且睡眠状态处于浅睡期、轻睡期或深睡期中。
在第三节点，设定阀值TVS-Threshold和Num-Theta-Threshold，当TVS＞TVS-Threshold，且Num-Theta>Num-Theta-Threshold时，处理器判定用户处于浅睡期，否则，转入第四节点，处理器判定用户处于轻睡期或深睡期。当用户处于浅睡期时，大脑主要发出Theta波，当用户处于轻睡期时，大脑主要发出K－复合波以及持续数秒且频率在11～16Hz之间的spindle波；当用户处于深睡期时，大脑主要发出Delta波。因此，可以通过Theta波信号在该单帧数据包中幅值占比情况来区分用户是处于浅睡期，还是轻睡期或深睡期中，所以，当TVS＞TVS-Threshold，且Num-Theta>Num-Theta-Threshold时，此时Theta波信号更强，说明用户大脑思维不活跃且睡眠状态处于浅睡期，反之，说明用户的大脑思维活跃且睡眠状态处于轻睡期或深睡期中。
在第四节点，设定阈值Num-Delta-Threshold，当Num-Delta≥Num-Delta-Threshold时，处理器判定用户处于深睡期，否则，处理器判定用户处于轻睡期。当用户处于轻睡期时，大脑主要发出K－复合波以及持续数秒且频率在11～16Hz之间的spindle波，当用户处于深睡期时，大脑主要发出Delta波。因此，可以通过Delta波出现的时长统计情况来区分用户是处于深睡期，还是轻睡期。
在第五节点，设定阈值TVA-Threshold和Num-EOG-Threshold，当TVA>TVA-Threshold，且Num-EOG>Num-EOG-Threshold时，处理器判定用户处于快速眼动期，否则，处理器判定用户处于清醒期。当用户处于清醒期时，大脑思维活跃且主要发出Alpha波和Beta波，当用户处于快速眼动期时，这一阶段最明显的变化是出现快速且不规则的眼球运动，并且脑波状态类似于清醒放松时的状态，主要体现为包括Alpha波、Beta波和Theta波的混合波。因此，当TVA>TVA-Threshold,且Num-EOG>Num-EOG-Threshold时，处理器判定用户大脑思维处于含有Theta波成分，且出现不规则的眼球运动的快速眼动期。反正，说明用户大脑思维处于清醒期。
可以理解地，参数A与各睡眠状态对应的取值范围可以根据需要进行调节，只要符合30s≤A≤90s的要求即可。
可以理解地，参数B与各睡眠状态对应的取值范围可以根据需要进行调节，只要符合B≤A且5s≤B≤90s的要求即可。
可以理解地，参数C与各睡眠状态对应的取值范围可以根据需要进行调节，只要符合200samples/s≤C≤1000samples/s的要求即可。
实施例二：
相较于实施例一，本实施例提供另一种决策树结构。
在第一节点处，设定阀值Num-LCZ-Threshold，当者Num-LCZ＞Num-LCZ-Threshold时，该单帧数据包被判定为人工伪迹，并通过处理器向外输出处理上一单帧数据包时获得的睡眠状态，否则，转入第二节点。当人工伪迹出现时，各波形图中波形穿越x轴的次数会出现明显增加，通过对参数Num-LCZ值与对应阈值Num-LCZ-Threshold间大小比较来判定是否产生人工伪迹，具体地，当Num-LCZ＞Num-LCZ-Threshold时，该单帧数据包被判定为人工伪迹，该单帧数据包作废，并向外输送上一单帧数据包时获得的睡眠状态，反之，则说明书此刻不存在人工伪迹，可以进行进一步分析。并继续下一帧睡眠监测。
实施例三：
相较于实施例一，本实施例提供另一种决策树结构。
在第二节点处，设定阀值BVS-Threshold，当BVS＞BVS-Threshold时，转入第五节点，否则，转入第三节点。当BVS＞BVS-Threshold时，说明Beta波信号在该单帧数据包中幅值占比情况更强，说明用户的大脑思维活跃且处于于快速眼动期或清醒期。反之，说明Beta波信号在该单帧数据包中幅值占比情况更弱，说明用户大脑思维不活跃且睡眠状态处于浅睡期、轻睡期或深睡期中。
实施例四：
相较于实施例一，本实施例提供另一种决策树结构。
在第五节点，设定阈值TVB-Threshold和Num-EOG-Threshold，当TVB>TVB-Threshold，且Num-EOG>Num-EOG-Threshold时，处理器判定用户处于快速眼动期，否则，处理器判定用户处于清醒期。当用户处于清醒期时，大脑思维活跃且主要发出Alpha波和Beta波，当用户处于快速眼动期时，这一阶段最明显的变化是出现快速且不规则的眼球运动，并且脑波状态类似于处于清醒期时的状态，主要体现为脑电波出现包括Alpha波、Beta波和Theta波的混合波。因此，当TVB>TVB-Threshold，且Num-EOG>Num-EOG-Threshold时，处理器判定用户大脑思维处于含有Theta波成分，说明用户处于眼球快速运动的快速眼动期，反之，说明用户大脑思维处于清醒期。
实施例五：
相较于实施例一，本实施例提供另一种基础数据采集器结构。
如图3所示，所述基础数据采集器为眼罩7，眼罩7包括罩体和绑带，所述电信号采集组件包括设于罩体中部的额极参考电极10以及设于罩体两端的左额极电极8和右额极电极9。
在使用时，眼罩7通过绑带固定在预设工位，使得罩体与使用者额部贴合。所述眼罩7通过与用户体表贴合的左额极电极8、右额极电极9以及额极参考电极10采集相关基础数据，并向处理器输送。具体地，所述左额极电极8、右额极电极9以及额极参考电极10分别与左额极、右额极及额极参考贴合，形成一种简单测量脑电活动的单导联采集器。
本实施例所述入睡潜伏期细化分类系统用装置的其它特征均与实施例一一致，不再赘述。

Claims (10)

1.一种节能效果好的睡眠监测系统，其特征在于，所述系统包括：
基础数据采集器，通过便携式穿戴设备获取基础数据；
处理器，接收来自基础数据采集器的数据并通过计算获得用户睡眠状态；
所述处理器通过基础数据采集器以变频采集方式获得单帧数据包，并依次计算获得用户的实时睡眠状态，处理器根据用户所处睡眠状态对基础数据采集器的工作状态参数进行调节，以使系统对用户的各睡眠状态进行监测时具有差异化能耗。
2.根据权利要求1所述的一种节能效果好的睡眠监测系统，其特征在于，所述睡眠状态包括清醒期、浅睡期、轻睡期、深睡期以及快速眼动期，所述基础数据采集器的工作状态参数包括采集时长B、采集频率C以及相邻单帧数据包的起始采集点间时长A：
当用户处于清醒期时，A＝B，25S≤A≤35S，450samples/s≤C≤550samples/s；
当用户处于浅睡期时，A＝B，25S≤A≤35S，200samples/s≤C≤300samples/s；
当用户处于轻睡期时，55S≤A≤65S，5S≤B≤15S，200samples/s≤C≤300samples/s；
当用户处于深睡期时，55S≤A≤65S，25S≤B≤35S，150samples/s≤C≤250samples/s；
当用户处于快速眼动期时，55S≤A≤65S，25S≤B≤35S，450samples/s≤C≤550samples/s。
3.根据权利要求2所述的一种节能效果好的睡眠监测系统，其特征在于，所述系统运行后，通过以下步骤获得用户睡眠状态：
第一步，所述处理器根据处理上一单帧数据包获得的睡眠状态来调节基础数据采集器的工作状态参数，以此获得实时的单帧数据包。
第二步，处理器对单帧数据包进行滤波处理，并依次获得频率分别为8～12Hz、18～30Hz、0.5～3Hz、4～7Hz以及40～50Hz的Alpha波波形图、Beta波波形图、Delta波波形图、Theta波波形图以及SEEG波波形图；
第三步：对各波形图内采集点的数值进行统计，并依次经过取绝对值处理、数据平滑处理后通过累加计算获得一级特征值参数组和辅助特征值参数组，所述一级特征值参数组包括：Alpha值、Beta值、Delta值、Theta值以及SEEG值，所述辅助特征值参数组包括Num-ARI值、Num-LCZ值、Num-Delta值、Num-Theta值以及Num-EOG；
第四步：通过一级特征值参数组计算获得二级特征值参数组，所述二级特征值参数组包括：AVS值、BVS值、TVA值、TVB值以及TVS值；
第五步，以第三步和第四步中获得的参数为基础，利用决策树对用户睡眠状态进行归类，以使用户睡眠状态被归类为清醒期、浅睡期、轻睡期、深睡期或快速眼动期，为处理器调节基础数据采集器的工作状态参数提供依据。
4.根据权利要求3所述的一种节能效果好的睡眠监测系统，其特征在于，处理器通过决策树对用户睡眠状态进行归类，所述决策树上设定至少五个节点，具体地：
在第一节点，设定阀值Num-ARI-Threshold，当Num-ARI＞Num-ARI-Threshold时，该单帧数据包被判定为人工伪迹，并通过处理器向外输出处理上一单帧数据包时获得的睡眠状态，否则，转入第二节点；
在第二节点，设定阀值AVS-Threshold，当AVS＞AVS-Threshold时，转入第五节点，处理器判定用户处于清醒期或快速眼动期，否则，转入第三节点，处理器判定用户处于浅睡期、轻睡期或深睡期；
在第三节点，设定阀值TVS-Threshold和Num-Theta-Threshold，当TVS＞TVS-Threshold，且Num-Theta>Num-Theta-Threshold时，处理器判定用户处于浅睡期，否则，转入第四节点，处理器判定用户处于轻睡期或深睡期；
在第四节点，设定阈值Num-Delta-Threshold，当Num-Delta≥Num-Delta-Threshold时，处理器判定用户处于深睡期，否则，处理器判定用户处于轻睡期；
在第五节点，设定阈值TVA-Threshold和Num-EOG-Threshold，当TVA>TVA-Threshold，且Num-EOG>Num-EOG-Threshold时，处理器判定用户处于快速眼动期，否则，处理器判定用户处于清醒期。
5.根据权利要求4所述的一种节能效果好的睡眠监测系统，其特征在于，在第一节点处，设定阀值Num-LCZ-Threshold，当者Num-LCZ＞Num-LCZ-Threshold时，该单帧数据包被判定为人工伪迹，并通过处理器向外输出处理上一单帧数据包时获得的睡眠状态，否则，转入第二节点；或者，在第二节点处，设定阀值BVS-Threshold，当BVS＞BVS-Threshold时，转入第五节点，否则，转入第三节点；或者，在第五节点，设定阈值TVB-Threshold和Num-EOG-Threshold，当TVB>TVB-Threshold，且Num-EOG>Num-EOG-Threshold时，处理器判定用户处于快速眼动期，否则，处理器判定用户处于清醒期。
6.根据权利要求3-5任一项所述的一种节能效果好的睡眠监测系统，其特征在于，通过以下步骤获得所述一级特征值参数组：
首选，依次分别对Alpha波波形图、Beta波波形图、Theta波波形图以及SEEG波波形图内各采集点对应的数值进行取绝对值处理，并获得数据组Xm；
之后，对数据组Xm进行数据平滑处理并获得过渡数据组Ym，过渡数据组的数据长度为m，1≤m≤n-0.5*C，其中，0.5*C为数据平滑处理的长度，n为所述基础数据采集器在形成单帧数据包时进行的数据采集次数，n＝C*B；
最后，对过渡数据组Ym进行累加计算并依次获得所述Alpha值、Beta值、Theta值以及SEEG值。
7.根据权利要求6所述的一种节能效果好的睡眠监测系统，其特征在于，一级特征值参数组内的Alpha值、Beta值、Theta值以及SEEG值通过除以对应的参数m来分别获得Mean-Alpha值、Mean-Beta值、Mean-Theta值以及Mean-SEEG值，进而计算获得AVS值、BVS值、TVA值、TVB值以及TVS值，其中，
AVS＝Mean-Alpha/Mean-SEEG，
BVS＝Mean-Beta/Mean-SEEG，
TVA＝Mean-Theta/Mean-Alpha，
TVB＝Mean-Theta/Mean-Beta，
TVS＝Mean-Theta/Mean-SEEG。
8.根据权利要求3-5任一项所述的一种节能效果好的睡眠监测系统，其特征在于，对各波形图设定对应的最大阀值和最小阀值，并以此形成数据波动范围，对各波形图超出数据波动范围的采集点个数进行累加统计，并形成Num-ARI值；或者，对各波形图中曲线穿越x轴的次数进行累加统计，并形成Num-LCZ值；或者，对Delta波波形图中Delta波出现的时长进行统计，以此获得Num-Delta值；或者，对Theta波波形图中Theta波出现的时长进行统计，以此获得Num-Theta值。
9.根据权利要求3-5任一项所述的一种节能效果好的睡眠监测系统，其特征在于，设定眼动阀值，从SEEG波波形图中获得眼电脉冲信号，对眼电脉冲信号中振幅超出眼动阀值的次数进行统计，并以此获得Num-EOG值，通过以下步骤获得眼动脉冲信号：
首先，将SEEG波波形图的各采集点数值统计形成数量为n的基础数值组；
之后，从基础数值组内依次提取X个窗口数值组，窗口数值组包括L个沿基础数值组顺序截取的基础数值，其中，X＝n-L+1，L＜n且L为奇数；
再后，对各窗口数值组内的L个基础数值进行自小到大排序，并将第(L+1)/2个的基础数值设置为该窗口数值组的平滑数值；
再后，将各窗口数值组内获得的平滑数值组成平滑数值组，平滑数值组内包含X个平滑数值；
最后，基础数值组中部的X个数值分别减去所述平滑数值组中对应顺序的数值后形成X个差值，所述差值组成所述眼电脉冲信号。
10.根据权利要求1-5任一项所述的一种节能效果好的睡眠监测系统，其特征在于，所述基础数据采集器为眼镜(1)，所述眼镜(1)包括镜架(2)和镜腿(3)，所述电信号采集组件包括设于镜架(2)中部的鼻梁参考电极(6)以及设于镜架(2)两端的左前颞电极(4)和右前颞电极(5)分置；或者，所述基础数据采集器为眼罩(7)，眼罩(7)包括罩体和绑带，所述电信号采集组件包括设于罩体中部的额极参考电极(10)以及设于罩体两端的左额极电极(8)和右额极电极(9)。
CN201910904706.3A 2019-09-24 2019-09-24 一种节能效果好的睡眠监测系统 Pending CN110584611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910904706.3A CN110584611A (zh) 2019-09-24 2019-09-24 一种节能效果好的睡眠监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910904706.3A CN110584611A (zh) 2019-09-24 2019-09-24 一种节能效果好的睡眠监测系统

Publications (1)

Publication Number Publication Date
CN110584611A true CN110584611A (zh) 2019-12-20

Family

ID=68863054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910904706.3A Pending CN110584611A (zh) 2019-09-24 2019-09-24 一种节能效果好的睡眠监测系统

Country Status (1)

Country Link
CN (1) CN110584611A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112494192A (zh) * 2020-12-24 2021-03-16 喜临门家具股份有限公司 一种护脊系统
CN112842267A (zh) * 2020-12-31 2021-05-28 深圳联达技术实业有限公司 一种睡眠监测枕的智能管理系统
CN113397566A (zh) * 2021-07-29 2021-09-17 杭州云睡吧健康管理有限公司 一种睡眠环境数据库建立方法与使用方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1886766A (zh) * 2003-12-01 2006-12-27 Ems专利股份公司 用于减小电池供电装置中电力消耗的方法和装置
CN102641554A (zh) * 2011-02-22 2012-08-22 苏州景昱医疗器械有限公司 具有体外睡眠检测装置的反馈式神经电刺激系统及方法
CN103654771A (zh) * 2012-08-29 2014-03-26 联想(北京)有限公司 脑电波检测装置及其电源管理方法
US20150374310A1 (en) * 2014-06-26 2015-12-31 Salutron, Inc. Intelligent Sampling Of Heart Rate
CN105496363A (zh) * 2015-12-15 2016-04-20 浙江神灯生物科技有限公司 基于检测睡眠脑电信号对睡眠阶段进行分类的方法
CN107708528A (zh) * 2015-06-25 2018-02-16 皇家飞利浦有限公司 用于监测对象的生理状态的设备和方法
US20180100749A1 (en) * 2011-02-09 2018-04-12 Texas Instruments Incorporated System of power-saving in mems sensor applications
WO2018098719A1 (zh) * 2016-11-30 2018-06-07 华为技术有限公司 一种睡眠监测方法、装置及终端
US10154460B1 (en) * 2015-02-17 2018-12-11 Halo Wearables LLC Power management for wearable devices

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1886766A (zh) * 2003-12-01 2006-12-27 Ems专利股份公司 用于减小电池供电装置中电力消耗的方法和装置
US20180100749A1 (en) * 2011-02-09 2018-04-12 Texas Instruments Incorporated System of power-saving in mems sensor applications
CN102641554A (zh) * 2011-02-22 2012-08-22 苏州景昱医疗器械有限公司 具有体外睡眠检测装置的反馈式神经电刺激系统及方法
CN103654771A (zh) * 2012-08-29 2014-03-26 联想(北京)有限公司 脑电波检测装置及其电源管理方法
US20150374310A1 (en) * 2014-06-26 2015-12-31 Salutron, Inc. Intelligent Sampling Of Heart Rate
US10154460B1 (en) * 2015-02-17 2018-12-11 Halo Wearables LLC Power management for wearable devices
CN107708528A (zh) * 2015-06-25 2018-02-16 皇家飞利浦有限公司 用于监测对象的生理状态的设备和方法
CN105496363A (zh) * 2015-12-15 2016-04-20 浙江神灯生物科技有限公司 基于检测睡眠脑电信号对睡眠阶段进行分类的方法
WO2018098719A1 (zh) * 2016-11-30 2018-06-07 华为技术有限公司 一种睡眠监测方法、装置及终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李峰等: "《睡方安眠保健：睡眠养生12讲》", 31 March 2017 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112494192A (zh) * 2020-12-24 2021-03-16 喜临门家具股份有限公司 一种护脊系统
CN112494192B (zh) * 2020-12-24 2023-11-07 喜临门家具股份有限公司 一种护脊系统
CN112842267A (zh) * 2020-12-31 2021-05-28 深圳联达技术实业有限公司 一种睡眠监测枕的智能管理系统
CN113397566A (zh) * 2021-07-29 2021-09-17 杭州云睡吧健康管理有限公司 一种睡眠环境数据库建立方法与使用方法
CN113397566B (zh) * 2021-07-29 2022-06-10 杭州云睡吧健康管理有限公司 一种睡眠环境数据库建立方法与使用方法

Similar Documents

Publication Publication Date Title
CN110584611A (zh) 一种节能效果好的睡眠监测系统
CN106730812A (zh) 一种基于多生理参数情绪量估的游戏调控系统及调控方法
CN105797270B (zh) 一种辅助睡眠的智能系统及方法
CN103372258B (zh) 失眠治疗仪
US20170007173A1 (en) System for polyphasic sleep management, method of its operation, device for sleep analysis, method of current sleep phase classification and use of the system and the device in polyphasic sleep management
CN110584666A (zh) 一种入睡潜伏期细化分类系统
CN106345034A (zh) 基于脑电采集终端的用于认知情绪调节的装置
CN106236079A (zh) 用于脑电与眼电复合检测的睡眠监测眼罩及睡眠监测方法
CN104546285A (zh) 眼罩、睡眠监测装置及方法
CN104720808B (zh) 一种检测人体睡眠呼吸的方法和装置
CN108852304A (zh) 基于脑电信号的睡眠质量分析装置及方法
CN105942974A (zh) 一种基于低频脑电的睡眠分析方法及系统
WO2018053968A1 (zh) 睡眠状态分析中去除眼电伪迹的设备
CN107582032A (zh) 一种睡眠管理系统及睡眠管理方法
CN110585551A (zh) 一种基于睡眠分期的灯光唤醒控制系统
CN110585554B (zh) 一种助眠音乐控制系统
CN110433384A (zh) 一种睡眠音乐系统
CN109363669A (zh) 眼罩和计算机可读存储介质
CN112568887A (zh) 一种确定用户状态的方法及相关装置
CN209951222U (zh) 眨眼监测器和眼戴设备
CN106333674B (zh) 睡眠状态分析中睡眠周期检测方法和系统
CN114246593A (zh) 一种融合脑电、眼电、心率的疲劳检测方法及系统
CN208769776U (zh) 可拆卸式动物情绪脑电检测分析装置
CN208274568U (zh) 可穿戴设备和可穿戴装置
CN110585552A (zh) 一种基于睡眠分期的唤醒控制系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220