CN111358435A - 一种提高深度神经网络精度的数据增强方法 - Google Patents
一种提高深度神经网络精度的数据增强方法 Download PDFInfo
- Publication number
- CN111358435A CN111358435A CN202010173359.4A CN202010173359A CN111358435A CN 111358435 A CN111358435 A CN 111358435A CN 202010173359 A CN202010173359 A CN 202010173359A CN 111358435 A CN111358435 A CN 111358435A
- Authority
- CN
- China
- Prior art keywords
- wave
- data
- cardiac
- respiratory
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- A61B5/4809—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
- A61B5/68—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
- A61B5/683—Means for maintaining contact with the body
- A61B5/6835—Supports or holders, e.g., articulated arms
-
- 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
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6892—Mats
-
- 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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Anesthesiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种提高深度神经网络精度的数据增强方法,包括收集真实的数据,收集的数据包括床垫无人、床垫有人且有体动、床垫上有人没有体动有呼吸波和心动冲击波、呼吸暂停,对该数据进行睡眠检测分析;根据睡眠检测分析得出两点结论;增强心动波、呼吸波数据;将收集的心动波、呼吸波数据与增强心动波、呼吸波产生的数据进行随机混合,之后进行标注、训练、测试,本发明在设计了一种原始睡眠生理参数的增强方法,有效的提高了深度神经网络的精度、泛化能力、鲁棒性。
Description
技术领域
本发明涉及医疗领域,具体是一种提高深度神经网络精度的数据增强方法。
背景技术
睡眠的作用有补充人体的能量,增强自身抵抗力,促进人体的正常生长发育,使人体得到充分的休息等,睡眠对于保护人的心理健康与维护人的正常心理活动极其重要,然而居民睡眠质量却不容乐观,3月21日为“世界睡眠日”,中国睡眠研究会日前发布了《2017中国青年睡眠现状报告》,本次调查范围纳入了10岁至45岁的人群,共调查了近6万人。从整体的睡眠状况来看,76%的受访者表示入睡困难,其中超过13%的人甚至感觉处在痛苦状态,只有24%的受访者表示睡眠整体状况不错。由此可见睡眠问题已经不仅仅是个人健康问题更是重大的社会问题,需要建立一套科学的从监测到管理再到改善的机制,目前的方法是通过多导睡眠监测(PSG)记录患者睡眠时的脑电、心电、肌电、眼电、胸腹呼吸、鼾声、口鼻气流和热敏、血氧饱和度、体位等睡眠呼吸参数。进而了解入睡潜伏期,觉醒次数和时间,两种睡眠时相和各期睡眠比例,觉醒时间和睡眠总时间等,从而评估和诊断失眠,并发现某些失眠的病因,如脑部病变,抑郁症,睡眠呼吸障碍,肢体异常活动等。通过整晚记录以上数据后,经睡眠技师分析后,可对OSAHS进行诊断,并知道其睡眠质量、睡眠时间、睡眠效率、呼吸暂停次数和低氧程度,最后综合判断其轻重程度。多导睡眠监测(PSG)的方法虽然全面的监测了睡眠生理参数,但脱离了真实的睡眠场景,多导睡眠监测的过程中患者身上绑满了各种传感器导致严重的不适和心理压力从而影响了睡眠生理参数的准确度。
基于多导睡眠监测(PSG)方法的缺点本发明设计了一款睡眠监测设备,并且利用了深度神经网络强大的学习表征能力提高了睡眠生理参数监测的准确性,一般而言,比较成功的深度神经网络需要大量的参数,许许多多的神经网路的参数都是数以百万计,而使得这些参数可以正确工作则需要大量的数据进行训练,而实际情况是很难收集到大量的数据,少量的数据集上训练深度神经网络带来诸多的问题,如过拟合、模型缺少鲁棒性、模型缺少泛化能力等。数据增强是一种丰富数据分布、扩展训练数据集的方法广泛的应用在各种模型的训练中,图像识别领域的图片翻转、图片旋转、图片缩放、图片剪裁、图片平移、添加噪声都是数据增强的方法。
本发明设计了一种原始睡眠生理参数的增强方法,有效的提高了深度神经网络的精度、泛化能力、鲁棒性。
发明内容
本发明的目的在于提供一种提高深度神经网络精度的数据增强方法,以解决现有技术中的问题。
为实现上述目的,本发明提供如下技术方案:
一种提高深度神经网络精度的数据增强方法,所述该方法内部硬件包括压电薄膜传感器、仪表放大器、24位模数转换器件和数字信号处理器、数字滤波器,其中,压电薄膜传感器、仪表放大器、24位模数转换器件、数字信号处理器、数字滤波器依次电连接,压电薄膜传感器植入在床垫内部,用于实时的感应人体睡眠过程中的体动、呼吸时的胸腔扩张收缩。
一种提高深度神经网络精度的数据增强方法,其特征在于:
S1:通过睡眠监测设备收集真实的数据,收集的数据包括床垫无人、床垫有人且有体动、床垫上有人没有体动有呼吸波和心动冲击波、呼吸暂停,对该数据进行睡眠检测即呼吸波、心动波的分析;
S2:根据睡眠检测分析得出两点结论;
S3:增强心动波、呼吸波数据;
S4:将S1中收集的心动波、呼吸波数据与S3中增强心动波、呼吸波产生的数据进行随机混合,之后进行标注、训练、测试。
根据采用上述技术方案:所述步骤S2,根据睡眠检测分析得出两点结论包括各种类型的心动波必然存在上升沿下降沿,并且上升沿的时间小于下降沿的时间,心动波是不太规则的周期波形和不同生理特征的人、不同的睡姿、不同软硬的床垫等因素导致心动波有不同形状。
根据采用上述技术方案:所述步骤S1,通过睡眠监测设备收集真实的数据,收集的数据包括床垫无人、床垫有人且有体动、床垫上有人没有体动有呼吸波和心动冲击波、呼吸暂停,对该数据进行睡眠检测即呼吸波、心动波的分析,还包括以下步骤:
A1:利用压电薄膜传感器实时的感应人体睡眠过程中的体动、呼吸时的胸腔扩张收缩即呼吸波、心动波;
A2:利用仪表放大器接受来自压电薄膜传感器的输出信号进行放大;
A3:利用24位模数转换器件将仪表放大器输出的模拟信号转换成数字信号;
A4:利用数字信号处理器读取24位模数转换器件里面转换的数字信号进行下一步的处理。
根据采用上述技术方案:所述步骤A4,利用数字信号处理器将读取24位模数转换器件里面转换的数字信号进行下一步的处理中,还包括以下步骤:
B1:利用数字信号处理器读取24位模数转换器件的转化结果;
B2:利用数字滤波器对24位模数转换器件转换的数字信号进行数字滤波;
B3:对滤波后的数据利用深度神经网络对滤波后的数据进行分类识别。
通过采用上述技术方案:所述步骤S3中,增强心动波、呼吸波数据,还包括以下步骤:
所述呼吸波和心动波都是多种因素作用下形成的较为复杂的近似周期波形,即为周期函数,依照傅里叶变换的原理可以用一些简单的波形去逼近呼吸波、心动波;
所述设定呼吸波为y1(t),其中,呼吸波是由基波和谐波线性组成得到的,设定呼吸波内部基波为g(t),谐波为fn(t),谐波的数量为k,基波的比例系数为α,谐波的比例系数是β,根据公式:
计算得出,能够生成丰富的呼吸波数据以满足深度神经网络训练的需要;
所述设定心动波为y2(t),其中,心动波是由基波和谐波线性组成得到的,设定心动波内部基波为u(t),谐波为Vn(t),谐波的数量为k,基波的比例系数为α,谐波的比例系数是β,根据公式:
计算得出,能够生成丰富的心动波数据以满足深度神经网络训练的需要。
与现有技术相比,本发明的有益效果是:本发明进行收集真实的数据,收集的数据包括床垫无人、床垫有人且有体动、床垫上有人没有体动有呼吸波和心动冲击波、呼吸暂停,对该数据进行睡眠检测分析;根据睡眠检测分析得出两点结论,两点结论包括各种类型的心动波必然存在上升沿下降沿,并且上升沿的时间小于下降沿的时间,心动波是不太规则的周期波形和不同生理特征的人、不同的睡姿、不同软硬的床垫等因素导致心动波有不同形状;根据收集的真实数据,生成基本的心动波、呼吸波;增强心动波、呼吸波数据;将收集的心动波、呼吸波数据与增强心动波、呼吸波产生的数据进行随机混合,之后进行标注、训练、测试;
本发明设计的睡眠检测设备将传感器植入到床垫里面,对于被测者来说是隐形的避免了多导睡眠监测方法的缺点。传感器植入到床垫里面给了被测者极大的自由度,本申请设计了一种原始睡眠生理参数的增强方法,有效的提高了深度神经网络的精度、泛化能力、鲁棒性。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明。
图1为本发明一种提高深度神经网络精度的数据增强方法的步骤示意图;
图2为本发明一种提高深度神经网络精度的数据增强方法的步骤S1的具体步骤示意图;
图3为本发明一种提高深度神经网络精度的数据增强方法的步骤A4的具体步骤示意图;
图4为本发明一种提高深度神经网络精度的数据增强方法的实施过程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1~4,本发明实施例中,一种提高深度神经网络精度的数据增强方法,所述该方法内部硬件包括压电薄膜传感器、仪表放大器、24位模数转换器件和数字信号处理器、数字滤波器,其中,压电薄膜传感器、仪表放大器、24位模数转换器件、数字信号处理器、数字滤波器依次电连接,压电薄膜传感器植入在床垫内部,用于实时的感应人体睡眠过程中的体动、呼吸时的胸腔扩张收缩。
一种提高深度神经网络精度的数据增强方法,其特征在于:
S1:收集真实的数据,收集的数据包括床垫无人、床垫有人且有体动、床垫上有人没有体动有呼吸波和心动冲击波、呼吸暂停四种类别,对该数据进行睡眠检测分析;类别一代表床垫上无人特点是能量值小产生的机理是设备本身电气噪声和传感器周围的机械、电气等的震动,这种数据可以重复的收集,满足训练深度神经网络需要的数据量成本不高。类别二床垫上有人且有肢体或躯干的运动,特点是能量值很高,这种数据也可以重复收集,满足训练算法需要的数据量成本也不高。类别三床垫上有人没有体动有呼吸波和心动冲击波,心动冲击波叠加在呼吸波之上,呼吸波能量占主导,这类数据的收集成本比较高原因有三:其一必须在睡觉的过程中收集;其二必须覆盖各种睡姿各种不同的床垫;其三必须覆盖不同的人群。类别四是呼吸暂停,呼吸暂停是一种生理现象,这种情况下既没有体动又没有呼吸波只有心动冲击波,这样的数据收集难度高原因很多,比如不同的人群、不同的心率、不同的床垫、不同的睡姿等。精准的识别这四类情况对后续的算法至关重要。
S2:根据睡眠检测分析得出两点结论;
S3:增强心动波、呼吸波数据;
S4:将S1中收集的心动波、呼吸波数据与S3中增强心动波、呼吸波产生的数据进行随机混合,之后进行标注、训练、测试。
其中,增强心动波、呼吸波数据,具体增强过程在在matlab环境中运行如下:
T=10*(1/50);
fs=10000;%控制基波的频率
t=0:1/fs:T-1/fs;
A=sawtooth(2*pi*50*t);%产生基波,基波为锯齿波
B=normrnd(0,1,1,length(A));%产生正态分布
V1=50;%谐波一频率参数
V2=100;%谐波二频率参数
V3=150;%谐波三频带参数
C=smooth(B,V1)';
D=smooth(B,V2)';%函数smooth平滑函数作用类似与FIR
E=smooth(B,V3)';
K1=20000;%基波的比例系数
K2=5000;
K3=2000;%谐波的比例系数
K4=1000;
y1=K1*A+K2*C+K3*D+K4*E;%合成的呼吸波,合成呼吸波有3个谐波
通过不断调整以上参数,改变基波的类型就可以生成丰富多样的呼吸波、心动波。
根据采用上述技术方案:所述步骤S2,根据睡眠检测分析得出两点结论包括各种类型的心动波必然存在上升沿下降沿,并且上升沿的时间小于下降沿的时间,心动冲击波产生机理:心脏有收缩和舒张两个过程,收缩时间比舒张时间短心动波是不太规则的周期波形和不同生理特征的人、不同的睡姿、不同软硬的床垫等因素导致心动波有不同形状。
根据采用上述技术方案:所述步骤S1,通过睡眠监测设备收集真实的数据,收集的数据包括床垫无人、床垫有人且有体动、床垫上有人没有体动有呼吸波和心动冲击波、呼吸暂停,对该数据进行睡眠检测即呼吸波、心动波的分析,还包括以下步骤:
A1:利用压电薄膜传感器实时的感应人体睡眠过程中的体动、呼吸时的胸腔扩张收缩即呼吸波、心动波;
A2:利用仪表放大器接受来自压电薄膜传感器的输出信号进行放大;
A3:利用24位模数转换器件将仪表放大器输出的模拟信号转换成数字信号;
A4:利用数字信号处理器读取24位模数转换器件里面转换的数字信号进行下一步的处理。
根据采用上述技术方案:所述步骤A4,利用数字信号处理器将读取24位模数转换器件里面转换的数字信号进行下一步的处理中,还包括以下步骤:
B1:利用数字信号处理器读取24位模数转换器件的转化结果;
B2:利用数字滤波器对24位模数转换器件转换的数字信号进行数字滤波;
B3:对滤波后的数据利用深度神经网络对滤波后的数据进行分类识别。
通过采用上述技术方案:所述步骤S3中,增强心动波、呼吸波数据,还包括以下步骤:
所述设定呼吸波为y1(t),其中,呼吸波是由基波和谐波线性组成得到的,设定呼吸波内部基波为g(t),谐波为fn(t),谐波的数量为k,基波的比例系数为α,谐波的比例系数是β,根据公式:
通过对呼吸波原理分析得出呼吸波的共同点是各种类型的呼吸波必然存在上升沿下降沿,并且上升沿的时间大于下降沿的时间,呼吸波之间的差异是由不同生理特征的人、不同的睡姿、不同软硬的床垫等因素导致的,那么组成呼吸波的基波g(t)要满足呼吸波共性的约束即上升沿时间长下降沿时间短的周期波形,满足这样的约束的函数就可以作为基波;
不同生理特征的人、不同的睡姿、不同软硬的床垫等因素对于呼吸波来说是随机因素,依照中心极限定理大量相互独立随机变量的均值经适当标准化后依分布收敛于正态分布,那么对谐波fn(t)做出正态分布的假设显然是合理的,对正态分布加以频带的约束就可以产生k个不同频段的正态分布,通过上述计算得出能够生成丰富的呼吸波数据以满足深度神经网络训练的需要;
所述设定心动波为y2(t),其中,心动波是由基波和谐波线性组成得到的,设定心动波内部基波为u(t),谐波为Vn(t),谐波的数量为k,基波的比例系数为α,谐波的比例系数是β,根据公式:
通过对心动冲击波原理分析得出心动冲击波的共同点是各种类型的心动冲击波必然存在上升沿下降沿,并且上升沿的时间小于下降沿的时间,心动冲击波之间的差异是由不同生理特征的人、不同的睡姿、不同软硬的床垫等因素导致的,那么组成心动冲击波的基波u(t)要满足心动冲击波共性的约束即上升沿时间短下降沿时间长的周期波形,满足这样的约束的函数就可以作为基波。
不同生理特征的人、不同的睡姿、不同软硬的床垫等因素对于心动冲击波来说是随机因素,依照中心极限定理大量相互独立随机变量的均值经适当标准化后依分布收敛于正态分布,那么对谐波Vn(t)做出正态分布的假设显然是合理的,对正态分布加以频带的约束就可以产生k个不同频段的正态分布。
通过上述公式计算得出能够生成丰富的心动波数据以满足深度神经网络训练的需要。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (6)
1.一种提高深度神经网络精度的数据增强方法,其特征在于:所述该方法内部硬件包括压电薄膜传感器、仪表放大器、24位模数转换器件和数字信号处理器、数字滤波器,其中,压电薄膜传感器、仪表放大器、24位模数转换器件、数字信号处理器、数字滤波器依次电连接,压电薄膜传感器植入在床垫内部,用于实时的感应人体睡眠过程中的体动、呼吸时的胸腔扩张收缩。
2.根据权利要求1所述的一种提高深度神经网络精度的数据增强方法,其特征在于:
S1:通过睡眠监测设备收集真实的数据,收集的数据包括床垫无人、床垫有人且有体动、床垫上有人没有体动有呼吸波和心动冲击波、呼吸暂停,对该数据进行睡眠检测即呼吸波、心动波的分析;
S2:根据睡眠检测分析得出两点结论;
S3:增强心动波、呼吸波数据;
S4:将S1中收集的心动波、呼吸波数据与S3中增强心动波、呼吸波产生的数据进行随机混合,之后进行标注、训练、测试。
3.根据权利要求2所述的一种提高深度神经网络精度的数据增强方法,其特征在于:所述步骤S2,根据睡眠检测分析得出两点结论包括各种类型的呼吸波存在上升沿长下降沿短的周期波形,不同的睡姿、不同生理的人、不同的床垫使得呼吸波之间产生差异;心动波的共同特点是上升沿短下降沿长的周期波形,不同的睡姿、不同生理的人、不同的床垫使得心动冲击波之间产生差异。
4.根据权利要求2所述的一种提高深度神经网络精度的数据增强方法,其特征在于:所述步骤S1,通过睡眠监测设备收集真实的数据,收集的数据包括床垫无人、床垫有人且有体动、床垫上有人没有体动有呼吸波和心动冲击波、呼吸暂停,对该数据进行睡眠检测即呼吸波、心动波的分析,还包括以下步骤:
A1:利用压电薄膜传感器实时的感应人体睡眠过程中的体动、呼吸时的胸腔扩张收缩即呼吸波、心动波;
A2:利用仪表放大器接受来自压电薄膜传感器的输出信号进行放大;
A3:利用24位模数转换器件将仪表放大器输出的模拟信号转换成数字信号;
A4:利用数字信号处理器读取24位模数转换器件里面转换的数字信号进行下一步的处理。
5.根据权利要求4所述的一种提高深度神经网络精度的数据增强方法,其特征在于:所述步骤A4,利用数字信号处理器将读取24位模数转换器件里面转换的数字信号进行下一步的处理中,还包括以下步骤:
B1:利用数字信号处理器读取24位模数转换器件的转化结果;
B2:利用数字滤波器对24位模数转换器件转换的数字信号进行数字滤波;
B3:对滤波后的数据利用深度神经网络对滤波后的数据进行分类识别。
6.根据权利要求2所述的一种提高深度神经网络精度的数据增强方法,其特征在于:所述步骤S3中,增强心动波、呼吸波数据,还包括以下步骤:
所述呼吸波和心动波都是多种因素作用下形成的较为复杂的近似周期波形,即为周期函数,依照傅里叶变换的原理可以用一些简单的波形去逼近呼吸波、心动波;
设定呼吸波为y1(t),其中,呼吸波是由基波和谐波线性组成得到的,设定呼吸波内部基波为g(t),谐波为fn(t),谐波的数量为k,基波的比例系数为α,谐波的比例系数是β,根据公式:
计算得出,能够生成丰富的呼吸波数据以满足深度神经网络训练的需要;
所述设定心动波为y2(t),其中,心动波是由基波和谐波线性组成得到的,设定心动波内部基波为u(t),谐波为Vn(t),谐波的数量为k,基波的比例系数为α,谐波的比例系数是β,根据公式:
计算得出,能够生成丰富的心动波数据以满足深度神经网络训练的需要。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173359.4A CN111358435B (zh) | 2020-03-13 | 2020-03-13 | 一种提高深度神经网络精度的数据增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173359.4A CN111358435B (zh) | 2020-03-13 | 2020-03-13 | 一种提高深度神经网络精度的数据增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111358435A true CN111358435A (zh) | 2020-07-03 |
CN111358435B CN111358435B (zh) | 2023-02-28 |
Family
ID=71199922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010173359.4A Active CN111358435B (zh) | 2020-03-13 | 2020-03-13 | 一种提高深度神经网络精度的数据增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111358435B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114027669A (zh) * | 2021-12-10 | 2022-02-11 | 珠海格力电器股份有限公司 | 床垫受力调整方法、装置、床垫及存储介质 |
CN114052693A (zh) * | 2021-10-26 | 2022-02-18 | 珠海脉动时代健康科技有限公司 | 心率分析方法、装置及设备 |
CN114052692A (zh) * | 2021-10-26 | 2022-02-18 | 珠海脉动时代健康科技有限公司 | 基于毫米波雷达的心率分析方法及设备 |
CN114391807A (zh) * | 2021-12-17 | 2022-04-26 | 珠海脉动时代健康科技有限公司 | 睡眠呼吸障碍分析方法、装置、设备及可读介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1175892A (zh) * | 1995-11-01 | 1998-03-11 | 精工爱普生株式会社 | 用于测量生理状态的装置 |
CN1494874A (zh) * | 2002-09-24 | 2004-05-12 | GEҽҩϵͳ����Ƽ���˾ | 利用分段线性调频波形增强超声波对比成像的方法和设备 |
US20070248233A1 (en) * | 2006-04-22 | 2007-10-25 | Iroquois Holding Company | Method and apparatus for dynamically adjusting the spectral content of an audio signal |
CN105342563A (zh) * | 2009-07-16 | 2016-02-24 | 瑞思迈有限公司 | 睡眠状况的检测 |
CN105982642A (zh) * | 2015-02-04 | 2016-10-05 | 上海宽带技术及应用工程研究中心 | 一种基于体震信号的睡眠检测方法及检测系统 |
WO2017118127A1 (zh) * | 2016-01-05 | 2017-07-13 | 深圳和而泰智能控制股份有限公司 | 一种心跳信号处理方法、装置和系统 |
CN107981846A (zh) * | 2018-01-02 | 2018-05-04 | 湖北心源科技有限公司 | 非接触式多参数睡眠采集分析系统 |
CN208573730U (zh) * | 2017-12-12 | 2019-03-05 | 深圳和而泰智能控制股份有限公司 | 睡眠状态检测装置和睡眠状态评估系统 |
KR20190035361A (ko) * | 2017-09-26 | 2019-04-03 | (주)코랄디자인 | 스마트 폰 앱 기반의 수면 모니터링 시스템 및 그 방법 |
US20190150772A1 (en) * | 2017-11-20 | 2019-05-23 | Kinpo Electronics, Inc. | Wearable device capable of detecting sleep apnea event and detection method thereof |
CN208957406U (zh) * | 2018-01-08 | 2019-06-11 | 珠海泰莱笙科技有限公司 | 一种辅助睡眠床垫 |
CN110141226A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
-
2020
- 2020-03-13 CN CN202010173359.4A patent/CN111358435B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1175892A (zh) * | 1995-11-01 | 1998-03-11 | 精工爱普生株式会社 | 用于测量生理状态的装置 |
CN1494874A (zh) * | 2002-09-24 | 2004-05-12 | GEҽҩϵͳ����Ƽ���˾ | 利用分段线性调频波形增强超声波对比成像的方法和设备 |
US20070248233A1 (en) * | 2006-04-22 | 2007-10-25 | Iroquois Holding Company | Method and apparatus for dynamically adjusting the spectral content of an audio signal |
CN105342563A (zh) * | 2009-07-16 | 2016-02-24 | 瑞思迈有限公司 | 睡眠状况的检测 |
CN105982642A (zh) * | 2015-02-04 | 2016-10-05 | 上海宽带技术及应用工程研究中心 | 一种基于体震信号的睡眠检测方法及检测系统 |
WO2017118127A1 (zh) * | 2016-01-05 | 2017-07-13 | 深圳和而泰智能控制股份有限公司 | 一种心跳信号处理方法、装置和系统 |
KR20190035361A (ko) * | 2017-09-26 | 2019-04-03 | (주)코랄디자인 | 스마트 폰 앱 기반의 수면 모니터링 시스템 및 그 방법 |
US20190150772A1 (en) * | 2017-11-20 | 2019-05-23 | Kinpo Electronics, Inc. | Wearable device capable of detecting sleep apnea event and detection method thereof |
CN208573730U (zh) * | 2017-12-12 | 2019-03-05 | 深圳和而泰智能控制股份有限公司 | 睡眠状态检测装置和睡眠状态评估系统 |
CN107981846A (zh) * | 2018-01-02 | 2018-05-04 | 湖北心源科技有限公司 | 非接触式多参数睡眠采集分析系统 |
CN208957406U (zh) * | 2018-01-08 | 2019-06-11 | 珠海泰莱笙科技有限公司 | 一种辅助睡眠床垫 |
CN110141226A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
PATANAIK, AMIYA: "An end-to-end framework for real-time automatic sleep stage classification", 《SLEEP》 * |
刘佳: "基于IoT的多功能睡眠监测系统设计", 《物联网技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114052693A (zh) * | 2021-10-26 | 2022-02-18 | 珠海脉动时代健康科技有限公司 | 心率分析方法、装置及设备 |
CN114052692A (zh) * | 2021-10-26 | 2022-02-18 | 珠海脉动时代健康科技有限公司 | 基于毫米波雷达的心率分析方法及设备 |
CN114052693B (zh) * | 2021-10-26 | 2023-08-08 | 珠海脉动时代健康科技有限公司 | 心率分析方法、装置及设备 |
CN114052692B (zh) * | 2021-10-26 | 2024-01-16 | 珠海脉动时代健康科技有限公司 | 基于毫米波雷达的心率分析方法及设备 |
CN114027669A (zh) * | 2021-12-10 | 2022-02-11 | 珠海格力电器股份有限公司 | 床垫受力调整方法、装置、床垫及存储介质 |
CN114027669B (zh) * | 2021-12-10 | 2023-05-12 | 珠海格力电器股份有限公司 | 床垫受力调整方法、装置、床垫及存储介质 |
CN114391807A (zh) * | 2021-12-17 | 2022-04-26 | 珠海脉动时代健康科技有限公司 | 睡眠呼吸障碍分析方法、装置、设备及可读介质 |
CN114391807B (zh) * | 2021-12-17 | 2023-12-19 | 珠海脉动时代健康科技有限公司 | 睡眠呼吸障碍分析方法、装置、设备及可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111358435B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111358435B (zh) | 一种提高深度神经网络精度的数据增强方法 | |
CN108388912B (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
Hwang et al. | Nocturnal awakening and sleep efficiency estimation using unobtrusively measured ballistocardiogram | |
JP5628147B2 (ja) | 睡眠/覚醒状態評価方法及びシステム | |
Dudik et al. | Dysphagia screening: Contributions of cervical auscultation signals and modern signal-processing techniques | |
US7862515B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
Kurihara et al. | Sleep-stage decision algorithm by using heartbeat and body-movement signals | |
CN108670200A (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
CN109770892A (zh) | 一种基于心电信号的睡眠分期方法 | |
CN103584872A (zh) | 一种基于多生理参数融合的心理压力评估方法 | |
CN106073714A (zh) | 一种睡眠质量的识别方法和系统 | |
CN114391807B (zh) | 睡眠呼吸障碍分析方法、装置、设备及可读介质 | |
Heyat et al. | Bruxism detection using single‐channel C4‐A1 on human sleep S2 stage recording | |
Guerrero-Mora et al. | Sleep-wake detection based on respiratory signal acquired through a pressure bed sensor | |
Hwang et al. | Sleep/wake estimation using only anterior tibialis electromyography data | |
Li et al. | Unobtrusive monitoring of cardiorespiratory signals during sleep based on PVDF sensor and singular spectrum analysis | |
Abedi et al. | Investigating the effect of traditional Persian music on ECG signals in young women using wavelet transform and neural networks | |
Kok et al. | Assessing the feasibility of acoustic based seizure detection | |
Sisodia et al. | Sleep order detection model using support vector machines and features extracted from brain ECG signals | |
Potdar et al. | Removal of Heart Sound from Lung Sound using LabVIEW 8.6 | |
Thanuja et al. | Real time sleep apnea monitor using ECG | |
Smoleń et al. | Sleep evaluation device for home-care | |
Gumery et al. | An adaptive detector of genioglossus EMG reflex using Berkner transform for time latency measurement in OSA pathophysiological studies | |
CN117690585B (zh) | 一种基于生物反馈的睡眠障碍治疗系统及方法 | |
Merin et al. | Investigating the Accuracy of Sleep Stage Classification in Pediatrics: A Comprehensive Review |
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 |