CN110584666A - 一种入睡潜伏期细化分类系统 - Google Patents

一种入睡潜伏期细化分类系统 Download PDF

Info

Publication number
CN110584666A
CN110584666A CN201910905322.3A CN201910905322A CN110584666A CN 110584666 A CN110584666 A CN 110584666A CN 201910905322 A CN201910905322 A CN 201910905322A CN 110584666 A CN110584666 A CN 110584666A
Authority
CN
China
Prior art keywords
value
threshold
sleep
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.)
Withdrawn
Application number
CN201910905322.3A
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 CN201910905322.3A priority Critical patent/CN110584666A/zh
Publication of CN110584666A publication Critical patent/CN110584666A/zh
Withdrawn legal-status Critical Current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)
  • Signal Processing (AREA)
  • Psychiatry (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

本发明涉及一种入睡潜伏期细化分类系统。现有入睡潜伏期细化分类系统计算过程复杂且分类精度较低。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采集用户的基础数据，并通过计算获得用户处于入睡潜伏期时的细分睡眠状态，既能为后续助眠设备提供运行依据，还简化系统结构，提升计算效率和运行能耗，又提升穿戴舒适性，提升使用体验。

Description

一种入睡潜伏期细化分类系统
技术领域
本发明涉及睡眠领域，具体涉及一种入睡潜伏期细化分类系统。
背景技术
睡眠质量的好坏直接影响着人们的健康甚至寿命，而越来越多的人因为生活节奏加快而存在睡眠障碍问题。医学研究表明，偶尔失眠会造成第二天疲倦和动作不协调，长期失眠则会带来注意力不能集中、记忆出现障碍和工作力不从心等后果。具体地，失眠的表现症状为难以入眠，为了提升入眠质量和效率，通过专业助眠检测设备采集脑电生物电信号，再通过不同的分析方法提取脑电生物电信号的各种特征参数，最后利用分类算法对睡眠的各个阶段进行睡眠状态识别，进而通过特定的刺激方式提升助眠质量，那么如何辨别入睡潜伏期的各阶段状态成为实施该方法的重点。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，需要使用较多的传感器，而且这些传感器多数贴在用户的头部和躯干上，所以在监测的过程中存在监测环境不适、多导联粘贴敏感、传感器易于脱落等缺点，虽然便携式睡眠监测仪克服了多导睡眠监测仪导联少、携带方便等缺点，但是由于其供电要求高、价格贵、对电极点位的精确要求以及操作步骤繁多等因素，导致普通消费者无法方便使用，进而影响在民用市场上推广应用。
发明内容
为了解决现有技术的不足，本发明提供一种入睡潜伏期细化分类系统，处理器通过基础数据采集器采集数据并精确辨别入睡潜伏期的各阶段状态，既能为后续助眠设备提供运行依据，还简化系统结构，提升计算效率和运行能耗，又提升穿戴舒适性，提升使用体验。
本发明通过以下方式实现：一种入睡潜伏期细化分类系统，处理器通过基础数据采集器采集用户的基础数据，并通过计算获得用户处于入睡潜伏期时的细分睡眠状态，包括以下步骤：
第一步，通过基础数据采集器获得基础数据，在采集过程中，所述基础数据采集器通过间隔采集方式获得基础数据，单次连续采集的基础数据形成单帧数据包；
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、4～7Hz以及40～50Hz的Alpha波波形图、Beta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、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-Alpha值、Num-Beta值、 Num-Theta值以及Num-EOG值；
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AVB值、AVS值、BVS值、TVA值、TVB值以及TVS值；
第五步，通过第三步和第四步中获得的辅助特征值参数组和二级特征值参数对处于入睡潜伏期用户的睡眠状态进行细化分类，以使用户睡眠状态被归类为清醒活跃状态、注意力转移状态或清醒安静状态。
通过基础数据采集器采集限定种类的基础数据，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六个节点对睡眠状态进行分类，具体地：
在第一节点处，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；
在第二节点处，设定阀值AVS-Threshold，当AVS＞AVS-Threshold时，处理器判定用户处于入睡潜伏期或快速眼动期，转入第五节点，否则，处理器判定用户处于浅睡期、轻睡期或深睡期，转入第三节点；
在第三节点处，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，转入第四节点，否则，处理器判定用户处于轻睡期或深睡期，系统停止工作，并将该单帧数据包记录为入睡帧数据包；
在第四节点处，当处理器将至少连续3个单帧数据包归类为浅睡期时，系统停止运行，并将第一个被归类为浅睡期的单帧数据包记录为入睡帧数据包，否则，切换至第一节点并对下一单帧数据包进行处理；
在第五节点处，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，系统停止工作，并将该单帧数据包记录为入睡帧数据包，否则，处理器判定用户处于入睡潜伏期，转入第六节点；
在第六节点，设定阈值AVB-Threshold、Num-Alpha-Threshold以及 Num-Beta-Threshold，
当AVB<AVB-Threshold且Num-Beta>Num-Beta-Threshold时，处理器判定用户处于清醒活跃状态，当AVB>AVB-Threshold且 Num-Alpha>Num-Alpha-Threshold时，处理器判定用户处于清醒安静状态，否则，处理器判定用户处于注意力转移状态。
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，既有效简化判断过程，提升判断效率，还确保分类准确性。
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，处理器判定用户处于入睡潜伏期或快速眼动期，转入第五节点，否则，处理器判定用户处于浅睡期、轻睡期或深睡期，转入第三节点；或者，在第五节点处，设定阈值TVB-Threshold和Num-EOG-Threshold，当TVB>TVA-Threshold，且 Num-EOG>Num-EOG-Threshold时，处理器判定用户处于快速眼动期，系统停止工作，并将该单帧数据包记录为入睡帧数据包，否则，处理器判定用户处于入睡潜伏期，转入第六节点。通过替换判断条件来对判断结构进行验证，既提供多种判断方式可供选择，还有效提升判断准确性。
作为优选，相邻所述单帧数据包的采集时间间隔为A，30s≤A≤60s，形成单帧数据包所需的单次连续采集时间为B，B≤A，且5s≤B≤60s，所述基础数据采集器的数据采集频率为C，200samples/s≤C≤1000samples/s，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，n＝C*B。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，再通过滤波器分别获得Alpha波波形图、Beta波波形图、Theta波波形图以及SEEG波波形图。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。当C＜200samples/s时，绘制的波形图会因数据点数量较少，影响波形图绘制精度；当C＞1000samples/s时，对绘制精度提升有限，但对硬件要求较高，同时会引入更多的高频干扰，性较比较低。
作为优选，通过以下步骤获得所述一级特征值参数组：
首先，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；
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。
作为优选，一级特征值参数组内各参数通过除以参数m来获得对应的 Mean-Alpha值、Mean-Beta值、Mean-Theta值以及Mean-SEEG值，再计算获得 AVB值、AVS值、BVS值、TVA值、TVB值以及TVS值，其中， AVB＝Mean-Alpha/Mean-Beta，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Alpha波波形图中Alpha波出现的时长进行统计，以此获得Num-Alpha值，用于体现Alpha波的强弱。
作为优选，对Beta波波形图中Beta波出现的时长进行统计，以此获得 Num-Beta值，用于体现Beta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。
作为优选，一种入睡潜伏期细化分类系统用装置，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，基础数据采集器上设有电信号采集组件；处理器，接收来自基础数据采集器的数据并通过计算用户处于入睡潜伏期时的细分睡眠状态。所述基础数据采集器和处理器均设置在同一设备上，既简化结构，有效减小系统体积，方便携带和使用。
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检测工位上，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：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。
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。
如图1所示的一种入睡潜伏期细化分类系统，处理器通过基础数据采集器采集用户的基础数据，并通过计算获得用户处于入睡潜伏期时的细分睡眠状态，并为实施助眠设备运行提供参考依据。
在本实施例中，实施所述方法所用设备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，基础数据采集器上设有电信号采集组件；处理器，接收来自基础数据采集器的数据并通过计算用户处于入睡潜伏期时的细分睡眠状态。
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，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分别抵触在待检测工位上。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波以及SEEG波进行采集，其中，所述Alpha波、Beta 波、Theta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，通过基础数据采集器获得基础数据，在采集过程中，所述基础数据采集器通过间隔采集方式获得基础数据，单次连续采集的基础数据形成单帧数据包。
具体地，相邻所述单帧数据包的采集时间间隔为A，A＝30s，形成单帧数据包所需的单次连续采集时间为B，B＝10s。具体地，将用户的整个睡眠过程划分为30s一段的间隔时段，并在每个间隔时段内进行10s的数据采集操作，并以此形成单帧数据包。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。
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、4～7Hz以及40～50Hz的Alpha波波形图、Beta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，C＝250samples/s，优选为，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为n， 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、 Theta波波形图以及SEEG波波形图。每个波形图均有2500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、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-Alpha值、Num-Beta值、 Num-Theta值以及Num-EOG值。
具体地，通过以下步骤获得所述一级特征值参数组：
首先，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；
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。
由于Alpha波波形图、Beta波波形图、Theta波波形图以及SEEG波波形图均由2500个基点连接形成，所以通过各波形图对应的2500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，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，Alpha波、Beta波、Theta波以及EEG 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Alpha波波形图中Alpha波出现的时长进行统计，以此获得Num-Alpha值。对Beta波波形图中Beta波出现的时长进行统计，以此获得Num-Beta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AVB值、AVS值、BVS值、TVA值、TVB值以及TVS值。
具体地，一级特征值参数组内各参数通过除以参数m来获得对应的Mean-Alpha值、Mean-Beta值、Mean-Theta值以及Mean-SEEG值，再计算获得AVB值、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值为单帧数据包内各波形基点数值的平均值，例如，Mean-Alpha值为Alpha值除以参数m＝2375获得，以此类推获得Mean-Beta值、Mean-Theta值以及Mean-SEEG值。
具体地，AVB＝Mean-Alpha/Mean-Beta，用于表示单帧数据包内Alpha波信号与Beta波信号间的强弱对比，当参数AVB值越大时，说明Alpha波信号强于 Beta波信号，反之，当参数AVB值越小时，说明Alpha波信号弱于Beta波信号。
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EEG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，通过第三步和第四步中获得的辅助特征值参数组和二级特征值参数对处于入睡潜伏期用户的睡眠状态进行细化分类，以使用户睡眠状态被归类为清醒活跃状态、注意力转移状态或清醒安静状态。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六个节点对睡眠状态进行分类(如图2所示)，具体地：
在第一节点处，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；
具体地，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。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。
在第二节点处，设定阀值AVS-Threshold，当AVS＞AVS-Threshold时，处理器判定用户处于入睡潜伏期或快速眼动期，转入第五节点，否则，处理器判定用户处于浅睡期、轻睡期或深睡期，转入第三节点；
具体地，当用户处于快速眼动状态或清醒状态时，大脑思维活跃且主要发出alpha波和beta波，当用户处于浅睡状态时，大脑主要发出theta波，当用户处于轻睡时，大脑主要发出K－复合波和频率在11～16Hz之间持续数秒的spindle 波，当用户处于深睡时，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睡眠状态为快速眼动期或清醒期，还是浅睡期、轻睡期或深睡期。当AVS＞AVS-Threshold，说明alpha 波信号或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REM状态或清醒状态。反之，说明alpha波信号和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处于浅睡状态、轻睡状态或更深层次的睡眠状态。K－复合波包括sigma波和delta波。spindle 波为睡眠纺锤波。
在第三节点处，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，转入第四节点，否则，处理器判定用户处于轻睡期或深睡期，系统停止工作，并将该单帧数据包记录为入睡帧数据包；
具体地，当用户处于浅睡状态时，大脑主要发出theta波，当用户处于轻睡时，大脑主要发出K－复合波和频率在11～16Hz之间，持续数秒的spindle波，当用户处于深睡时，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状态，还是轻睡状态或深睡状态，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处于浅睡状态，反之，说明用户的大脑思维活跃且处于更深层次的轻睡或深睡状态。用于科研目的的MSLT 的入睡标准为：连续出现3帧浅睡期睡眠时，入睡从第一个浅睡期睡眠帧记录开始；出现1帧浅睡期以外的任何睡眠期时，包括轻睡期、深睡期和做梦期，入睡从该记录帧开始。因此，当TVS＞TVS-Threshold，且Num-Theta> Num-Theta-Threshold时，转入T4节点继续统计浅睡期连续出现的次数，否则，处理器判定用户睡眠状态处于轻睡状态或深睡状态，结束睡眠检测，并记录该单帧数据包为入睡帧数据包。MSLT为多次小睡潜伏时间检查。
在第四节点处，当处理器将至少连续3个单帧数据包归类为浅睡期时，系统停止运行，并将第一个被归类为浅睡期的单帧数据包记录为入睡帧数据包，否则，切换至第一节点并对下一单帧数据包进行处理；
具体地，因此，当之前连续2帧睡眠分期状态为浅睡期时，则结束睡眠检测，入睡帧数据包从连续3帧中的第1个浅睡期开始确定，否则，继续对下一单帧数据包进行检测。
在第五节点处，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，系统停止工作，并将该单帧数据包记录为入睡帧数据包，否则，处理器判定用户处于入睡潜伏期，转入第六节点；
具体地，当用户处于清醒状态时，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、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alpha、beta和 theta的混合波。因此，当TVA>TVA-Threshold，且Num-EOG>Num-EOG-Threshold 时，或者，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，且出现不规则的眼球运动的REM 状态，结束睡眠检测，并记录该单帧数据包为入睡帧数据包。反之，说明用户大脑思维处于清醒状态,转入T6节点进一步分析处理。
在第六节点，设定阈值AVB-Threshold、Num-Alpha-Threshold以及 Num-Beta-Threshold，当AVB<AVB-Threshold且Num-Beta>Num-Beta-Threshold 时，处理器判定用户处于清醒活跃状态，当AVB>AVB-Threshold且 Num-Alpha>Num-Alpha-Threshold时，处理器判定用户处于清醒安静状态，否则，处理器判定用户处于注意力转移状态。
具体地，当用户清醒且思维活跃的时候，大脑发出频率18～30Hz之间的beta 波；当用户清醒且放松的时候，大脑发出频率在8～12Hz之间的alpha波。因此，当AVB<AVB-Threshold，且Num-Beta>Num-Beta-Threshold时，说明Alpha波信号弱于Beta波信号，用户处于大脑思维活跃的清醒活跃状态。当 AVB>AVB-Threshold，且Num-Alpha>Num-Alpha-Threshold时，说明Alpha波信号强于Beta波信号，用户处于大脑思维安静的清醒安静状态。否则，说明Alpha 波信号和Beta波信号幅值占比情况相差不大，用户处于Alpha和Beta占比情况相差不大的混合状态，即用户处于注意力转移状态。
可以理解地，参数A还可以为35s、40s、50s、60s等，只要符合30s≤A≤ 60s的要求即可。
可以理解地，参数B还可以为5s、7s、11s、20s、30s等，只要符合B≤A 且5s≤B≤60s的要求即可。
可以理解地，参数C还可以为200samples/s、300samples/s、500samples/s、1000samples/s等，只要符合200samples/s≤C≤1000samples/s的要求即可。
可以理解地，参数m还可以为1、10、500等，只要符合1≤m≤n-0.5*C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。
在实际操作中，在第一节点处，设定阀值Num-LCZ-Threshold，当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。并继续下一帧睡眠检测。
本实施例所述入睡潜伏期细化分类系统的其它特征均与实施例一一致，不再赘述。
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，处理器判定用户处于入睡潜伏期或快速眼动期，转入第五节点，否则，处理器判定用户处于浅睡期、轻睡期或深睡期，转入第三节点。当BVS＞BVS-Threshold 时，说明alpha波信号或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REM状态或清醒状态。反之，说明alpha波信号和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处于浅睡状态、轻睡状态或更深层次的睡眠状态。
本实施例所述入睡潜伏期细化分类系统的其它特征均与实施例一一致，不再赘述。
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。
设定阈值TVB-Threshold和Num-EOG-Threshold，当TVB>TVA-Threshold，且Num-EOG>Num-EOG-Threshold时，处理器判定用户处于快速眼动期，系统停止工作，并将该单帧数据包记录为入睡帧数据包，否则，处理器判定用户处于入睡潜伏期，转入第六节点。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，且出现不规则的眼球运动的REM状态，结束睡眠检测，并记录该单帧数据包为入睡帧数据包。反之，说明用户大脑思维处于清醒状态，转入T6节点进一步分析处理。
本实施例所述入睡潜伏期细化分类系统的其它特征均与实施例一一致，不再赘述。
实施例五：
相较于实施例一，本实施例提供另一种入睡潜伏期细化分类系统用装置。
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和效果均与实施例一一致，不再赘述。

Claims (10)

1.一种入睡潜伏期细化分类系统，其特征在于，处理器通过基础数据采集器采集用户的基础数据，并通过计算获得用户处于入睡潜伏期时的细分睡眠状态，包括以下步骤：
第一步，通过基础数据采集器获得基础数据，在采集过程中，所述基础数据采集器通过间隔采集方式获得基础数据，单次连续采集的基础数据形成单帧数据包；
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、4～7Hz以及40～50Hz的Alpha波波形图、Beta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、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-Alpha值、Num-Beta值、Num-Theta值以及Num-EOG值；
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AVB值、AVS值、BVS值、TVA值、TVB值以及TVS值；
第五步，通过第三步和第四步中获得的辅助特征值参数组和二级特征值参数对处于入睡潜伏期用户的睡眠状态进行细化分类，以使用户睡眠状态被归类为清醒活跃状态、注意力转移状态或清醒安静状态。
2.根据权利要求1所述的一种入睡潜伏期细化分类系统，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六个节点对睡眠状态进行分类，具体地：
在第一节点处，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；
在第二节点处，设定阀值AVS-Threshold，当AVS＞AVS-Threshold时，处理器判定用户处于入睡潜伏期或快速眼动期，转入第五节点，否则，处理器判定用户处于浅睡期、轻睡期或深睡期，转入第三节点；
在第三节点处，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，转入第四节点，否则，处理器判定用户处于轻睡期或深睡期，系统停止工作，并将该单帧数据包记录为入睡帧数据包；
在第四节点处，当处理器将至少连续3个单帧数据包归类为浅睡期时，系统停止运行，并将第一个被归类为浅睡期的单帧数据包记录为入睡帧数据包，否则，切换至第一节点并对下一单帧数据包进行处理；
在第五节点处，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，系统停止工作，并将该单帧数据包记录为入睡帧数据包，否则，处理器判定用户处于入睡潜伏期，转入第六节点；
在第六节点，设定阈值AVB-Threshold、Num-Alpha-Threshold以及Num-Beta-Threshold，
当AVB<AVB-Threshold且Num-Beta>Num-Beta-Threshold时，处理器判定用户处于清醒活跃状态，
当AVB>AVB-Threshold且Num-Alpha>Num-Alpha-Threshold时，处理器判定用户处于清醒安静状态，
否则，处理器判定用户处于注意力转移状态。
3.根据权利要求2所述的一种入睡潜伏期细化分类系统，其特征在于，在第一节点处，设定阀值Num-LCZ-Threshold，当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，处理器判定用户处于入睡潜伏期或快速眼动期，转入第五节点，否则，处理器判定用户处于浅睡期、轻睡期或深睡期，转入第三节点；或者，设定阈值TVB-Threshold和Num-EOG-Threshold，当TVB>TVA-Threshold，且Num-EOG>Num-EOG-Threshold时，处理器判定用户处于快速眼动期，系统停止工作，并将该单帧数据包记录为入睡帧数据包，否则，处理器判定用户处于入睡潜伏期，转入第六节点。
4.根据权利要求2或3所述的一种入睡潜伏期细化分类系统，其特征在于，相邻所述单帧数据包的采集时间间隔为A，30s≤A≤60s，形成单帧数据包所需的单次连续采集时间为B，B≤A，且5s≤B≤60s，所述基础数据采集器的数据采集频率为C，200samples/s≤C≤1000samples/s，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，n＝C*B。
5.根据权利要求4所述的一种入睡潜伏期细化分类系统，其特征在于，通过以下步骤获得所述一级特征值参数组：
首先，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；
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。
6.根据权利要求5所述的一种入睡潜伏期细化分类系统，其特征在于，一级特征值参数组内各参数通过除以参数m来获得对应的Mean-Alpha值、Mean-Beta值、Mean-Theta值以及Mean-SEEG值，再计算获得AVB值、AVS值、BVS值、TVA值、TVB值以及TVS值，其中，
AVB＝Mean-Alpha/Mean-Beta，
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。
7.根据权利要求5所述的一种入睡潜伏期细化分类系统，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Alpha波波形图中Alpha波出现的时长进行统计，以此获得Num-Alpha值；或者，对Beta波波形图中Beta波出现的时长进行统计，以此获得Num-Beta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。
8.根据权利要求5所述的一种入睡潜伏期细化分类系统，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。
9.根据权利要求1所述的一种入睡潜伏期细化分类系统，其特征在于，包括，
基础数据采集器，通过便携式穿戴设备获取基础数据，基础数据采集器上设有电信号采集组件；
处理器，接收来自基础数据采集器的数据并通过计算用户处于入睡潜伏期时的细分睡眠状态。
10.根据权利要求9所述的一种入睡潜伏期细化分类系统，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)。
CN201910905322.3A 2019-09-24 2019-09-24 一种入睡潜伏期细化分类系统 Withdrawn CN110584666A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910905322.3A CN110584666A (zh) 2019-09-24 2019-09-24 一种入睡潜伏期细化分类系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910905322.3A CN110584666A (zh) 2019-09-24 2019-09-24 一种入睡潜伏期细化分类系统

Publications (1)

Publication Number Publication Date
CN110584666A true CN110584666A (zh) 2019-12-20

Family

ID=68862935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910905322.3A Withdrawn CN110584666A (zh) 2019-09-24 2019-09-24 一种入睡潜伏期细化分类系统

Country Status (1)

Country Link
CN (1) CN110584666A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112294263A (zh) * 2020-10-27 2021-02-02 杭州云睡吧健康管理有限公司 一种基于脑波频率的非稳定睡眠状态评估模型
WO2022105830A1 (zh) * 2020-11-23 2022-05-27 华为技术有限公司 睡眠评估方法、电子设备及存储介质
CN114569075A (zh) * 2022-02-28 2022-06-03 浙江柔灵科技有限公司 基于能量判断的实时入睡点检测方法、系统及助眠装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112294263A (zh) * 2020-10-27 2021-02-02 杭州云睡吧健康管理有限公司 一种基于脑波频率的非稳定睡眠状态评估模型
WO2022105830A1 (zh) * 2020-11-23 2022-05-27 华为技术有限公司 睡眠评估方法、电子设备及存储介质
CN114569075A (zh) * 2022-02-28 2022-06-03 浙江柔灵科技有限公司 基于能量判断的实时入睡点检测方法、系统及助眠装置

Similar Documents

Publication Publication Date Title
CN110765920B (zh) 基于卷积神经网络的运动想象分类方法
Nakamura et al. Automatic sleep monitoring using ear-EEG
CN110584666A (zh) 一种入睡潜伏期细化分类系统
CN104706318B (zh) 一种睡眠分析方法及装置
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
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
EP1934677A1 (en) Method and system for detecting and classifying facial muscle movements
CN110584611A (zh) 一种节能效果好的睡眠监测系统
CN106175754B (zh) 睡眠状态分析中清醒状态检测装置
CN106236083A (zh) 睡眠状态分析中去除眼电伪迹的设备
CN105942974A (zh) 一种基于低频脑电的睡眠分析方法及系统
CN110037696A (zh) 基于眼电开关的脑电生物反馈系统
CN108852304A (zh) 基于脑电信号的睡眠质量分析装置及方法
CN106510702B (zh) 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法
CN107890339A (zh) 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置
CN103405225B (zh) 一种获取疼感评测指标的方法、装置及设备
CN104720808A (zh) 一种检测人体睡眠呼吸的方法和装置
CN109893093A (zh) 一种隐式注视脑机接口的意识状态检测系统
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
CN106175698B (zh) 睡眠状态分析中睡眠周期检测装置
CN106333678B (zh) 脑电信号中检测睡眠状态下脑电波的方法和系统
CN112998711A (zh) 一种基于可穿戴装置的情绪识别系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191220