CN111481189A - 睡眠评估方法及装置 - Google Patents

Abstract

本发明实施例提供一种睡眠评估方法及装置。所述方法应用于一睡眠监测设备，所述睡眠监测设备上设置有用于采集被监测对象的睡眠质量的原始信号的采集设备，所述方法包括：获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差；根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表；根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数。本发明实施例解决了现有技术中，PSG存在费时、费力以及专业门槛高等诸多限制的问题。

Description

睡眠评估方法及装置

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种睡眠评估方法及装置。

背景技术

随着人们对睡眠的日益关注，睡眠医学已经成为临床医学中的新的热点。现代医学的研究表明，人体多种疾病的病因，特别是心脑血管疾病，与病人的睡眠质量紧密相关，比如睡眠呼吸暂停综合症(Sleep Apnea Hypopnea Syndrome，SAS)，包括中枢型SAS、阻塞型SAS以及二者兼有的混合型SAS。具体地，患有SAS的患者通常在睡眠过程中因上气道阻塞或塌陷而反复发生呼吸气流下降或停止，阻止氧气进入肺部使得体内的二氧化碳等废气不能排除出，导致人体缺氧及血液中二氧化碳含量增加，从而使人体各系统及器管受损，产生一系列症状和相关疾病，甚至威胁生命。医学上定义SAS，是指睡眠中在有通气努力的情况下，呼吸气流停止10s(秒)以上，每小时发作5次以上，并伴有动脉氧饱和度(OxygenSaturation，SaO2)下降超过4％。目前，已知的SAS潜在危险包括使患者患高血压、中风、猝死、糖尿病、心律失常以及心脑血管疾病的可能性增加，甚至发生车祸及工作相关事故的可能性也会大大增加。

睡眠的客观监测是睡眠医学和睡眠相关研究的基本条件。传统的多导睡眠监测(Polysomnography，PSG)是监测SAS的主要方法。PSG虽然是一种标准的睡眠监测技术，但是需要在受检者连接和绑缚诸多装置和仪器，方法复杂，受检者受到较多约束，导致目前PSG存在费时、费力以及专业门槛高等诸多限制。

发明内容

本发明实施例提供一种睡眠评估方法及装置，用以解决现有技术中，PSG存在费时、费力以及专业门槛高等诸多限制的问题。

一方面，本发明实施例提供一种睡眠评估方法，所述方法应用于一睡眠监测设备，所述睡眠监测设备上设置有用于采集被监测对象的睡眠质量的原始信号的采集设备，所述方法包括：

获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；所述睡眠状态包括清醒、浅睡、深睡及快速眼球运动REM，所述体征参数至少包括心率呼吸以及体动参数；

根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差；

根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表；

根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数。

一方面，本发明实施例提供一种睡眠评估装置，所述装置应用于一睡眠监测设备，所述睡眠监测设备上设置有用于采集被监测对象的睡眠质量的原始信号的采集设备，所述装置包括：

原始信号获取模块，用于获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；所述睡眠状态包括清醒、浅睡、深睡及快速眼球运动REM，所述体征参数至少包括心率呼吸以及体动参数；

方差计算模块，用于根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差；

映射表确定模块，用于根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表；

监测确定模块，用于根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数。

另一方面，本发明实施例还提供了一种电子设备，包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述睡眠评估方法中的步骤。

再一方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述睡眠评估方法中的步骤。

本发明实施例提供的睡眠评估方法及装置，通过在睡眠监测设备上设置采集设备，并获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差；根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表；最终根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数，通过一种非接触、无扰式的监测方式监测得到所述监测次数，监测过程简单、便捷；实现实时监测用户心率、呼吸和体动等睡眠参数，后续可基于上述睡眠参数分析用户的睡眠分期状态，并基于所述监测次数实现睡眠的客观监测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的睡眠评估方法的流程示意图；

图2为本发明实施例的第一示例的示意图；

图3为本发明实施例的第三示例的流程示意图；

图4为本发明实施例提供的睡眠评估装置的结构示意图；

图5为本发明实施例的第四示例的原始信号示意图；

图6为本发明实施例的第四示例的包络示意图；

图7为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。

应理解，说明书通篇中提到的“实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。

在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。

图1示出了本发明实施例提供的一种睡眠评估方法的流程示意图。

如图1所示，本发明实施例提供的睡眠评估方法，应用于一睡眠监测设备，所述睡眠监测设备上设置有用于采集被监测对象的睡眠质量的原始信号的采集设备，其中，睡眠监测设备优选为床垫或沙发垫等，可实现在被监测对象处于睡眠状态下，采集监测参数。

作为第一示例，睡眠监测设备的示意图如图2所示，图2中，1为采集设备；2为监测线路；3为信号线，用于传输信号；4为处理器，用于执行算法处理等；睡眠监测设备表面设有多路监测线路2，每个监测线路2上设置有多个采集设备1。采集设备1可以为可采集振动信号的传感器，优选为压电陶瓷传感器，压电陶瓷传感器的主要工作原理是正压电效应，用于测量、感知动态或准静态的应力。当被监测对象位于睡眠监测设备上时，其呼吸、心率以及体动等产生振动的参数均可通过压电陶瓷传感器测量到振动，因此产生原始信号。

其中，所述方法具体包括以下步骤：

步骤101，获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；所述睡眠状态包括清醒、浅睡、深睡及快速眼球运动REM，所述体征参数至少包括心率呼吸以及体动参数。

其中，原始信号即采集设备采集的原始振动信号，对原始信号进行预处理，得到被监测对象的睡眠状态及体征参数，睡眠状态及体征参数可统称为睡眠参数，且所述体征参数至少包括心率呼吸参数以及体动参数。心率呼吸参数至少包括被监测对象在睡眠状态下的心率参数以及呼吸参数，由于二者被采集设备所感应的形式均为振动信号，因此，可用原始信号表征心率、呼吸复合的状态；而原始信号通常是杂乱、无规则的，无法直观地体现出心率呼吸复合参数，因此需要对原始信号进行预处理，得到睡眠状态参数及体征参数。

所述睡眠状态包括清醒、浅睡、深睡及快速眼球运动(Rapid Eyes Movement，REM)期，可选地，睡眠状态还包括离床、清醒等各状态，本发明实施例中将清醒、浅睡、深睡和REM标记为一个完整的睡眠周期，一个睡眠周期通常持续时长在60-90分钟左右，而一个被监测对象的合理的夜间睡眠由3-5个睡眠周期组成。

步骤102，根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差。

其中，评估窗口即预设的采样粒度。为了提高计算精度，将睡眠参数的采样精度设置地较高，以获得数量较多的采样点；在评估窗口内，对原始信号进行包络提取，且每预设数目个连续的采样点中分别选取一个极大值和一个极小值；按照上述方式，得到监测周期内多个极大值和极小值，并分别计算极大值方差、极小值方差；

并根据极大值方差与极小值方差，计算归一化方差。

步骤103，根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表。

其中，根据极大值方差与极小值方差之间的数值关系，选择与归一化方差对应的预设映射表；不同的数值关系对应不同的预设映射表。

预设映射表为归一化方差与等效呼吸事件的监测次数的对应关系，预设映射表为采用大数据的方式，对大量的被监测对象进行睡眠监测得到的，并采用深度学习的方式对预设映射表进行优化，提高其精度。

步骤104，根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数。

其中，根据选定的预设映射表，得到归一化方差对应的等效呼吸事件的监测次数，为被监测对象在每个评估窗口内的等效呼吸事件次数，后续可根据等效呼吸事件的监测次数作为中间参数确定被监测对象是否有SAS症状，或作为中间参数预测被监测对象患SAS的风险程度。

本发明上述实施例中，通过在睡眠监测设备上设置采集设备，并获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差；根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表；最终根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数，通过一种非接触、无扰式的监测方式监测得到所述监测次数，监测过程简单、便捷；实现实时监测用户心率、呼吸和体动等睡眠参数，后续可基于上述睡眠参数分析用户的睡眠分期状态，并基于所述监测次数实现睡眠的客观监测；本发明实施例解决了现有技术中，PSG存在费时、费力以及专业门槛高等诸多限制的问题。

可选地，本发明上述实施例中，步骤101包括：

第一步，对原始信号进行预处理得到所述被监测对象的包括心率呼吸以及体动的体征参数；

第二步，根据所述体征参数，确定当前评估窗口内的睡眠状态。

通常情况下，每个睡眠周期存在多个睡眠状态，随着睡眠时相的改变，机体内也发生着相应的生理变化，如心率、呼吸、消化液分泌、肌紧张度以及体温等。比如，在REM期，人体的感觉功能比在非快速眼动睡眠(NON-REM，NREM)期时进一步减退，肌肉更加松弛，呼吸稍快且不规律，体温、心率较前阶段升高；心率在后半夜较高，身体部分肌肉群可以出现轻微的抽动。在NREM期，呼吸比较浅、慢而均匀，心率较慢，血压下降，全身肌肉松弛，但肌肉仍然保持一定的紧张度。

而睡眠监测设备通过感知人体睡眠状态下的微弱振动信号，提供一种非接触、无扰式的心率、呼吸值、体动、在床离床等生命体征的监测方法。依据人体睡眠过程中的生理特征，并且基于采集设备准确获取心率，呼吸，体动及在床、离床(睡眠监测设备为床垫时)等信息之后，从而构建被监测对象的睡眠分期状态。

具体地，在上述第一步中，在每个预设的评估窗口内，获取所述采集设备采集的原始信号，其中，预设的评估窗口为3-5分钟。

并且对原始信号进行初步分析，至少区分得到呼吸信号、心率信号以及体动信号；对于不同信号对应的造成的采集设备震动状态明显不同，因此可区分出原始信号对应的不同信号类型。

在第二步中，根据原始信号中不同信号类型的具体数值，与预先通过深度学习的方式获得的不同睡眠状态下的每个信号类型对应的参数范围，确定与当前评估窗口内对应的睡眠状态，即定量判断当前所处的睡眠状态。

具体地，整个睡眠周期对应不同的睡眠时段(即睡眠状态)，对于心率、呼吸波动比较大而且有一定数量体动的时段，通常判定为用户觉醒期。而夜间离床之后的再次卧床初期，被监测对象通常不会马上进入深睡阶段，则当前时段属于觉醒和浅睡之间的过渡阶段。只有当心率和呼吸都比较平稳，而且基本没有体动发生时，为深睡阶段；此外，REM阶段又称入梦阶段，只有入睡一段时间后，当心率和呼吸有较大波动且体动几乎为零的时段，通常就是做梦期。

上述第二步中，对每个评估窗口所述的睡眠状态进行区分之后，筛选预设睡眠状态下的评估窗口内的原始信号，预设睡眠状态可以包括浅睡、深睡以及REM状态。

此处原始信号不再区分不同的信号类型，而将不同信号类型的原始信号作为一个参数，即心率呼吸复合参数进行参数处理。由于预设睡眠状态均为不同的睡眠期间，而睡眠期间被监测对象的体动相对于呼吸、心率数据非常少，因此，极少的体动信号不会影响心率、呼吸参数。

进一步地，上述第二步包括：

根据每个所述体征参数的数值，确定当前评估窗口内的睡眠状态；其中，针对每个所述体征参数的信号类型，每个睡眠状态对应不同的数值范围。

具体地，根据预设的幅度范围与信号类型的对应关系，确定与所述原始信号对应的信号类型，所述信号类型包括呼吸信号、心率信号以及体动信号；根据每个所述信号类型的数值，确定当前评估窗口所属的睡眠状态；其中，针对每个所述体征参数的不同信号类型，每个睡眠状态对应不同的数值范围。

其中，每个信号类型对应不同的幅度范围，通过深度学习的方式预先获得该幅度范围，在评估窗口内，每采集到一个原始信号，即可根据预设范围确定该原始信号对应的信号类型，将该评估窗口内的每个信号类型的信号取均值处理，得到每个信号类型的均值。

再根据每个所述信号类型的数值，定量判断睡眠状态，包括计算评估窗内的心率/呼吸值波动程度，并结合体动次数范围等，确定当前评估窗口所属的睡眠状态；针对每个所述体征参数的不同信号类型，每个睡眠状态对应不同的数值范围，该数值范围也可通过深度学习的方式预先设定。

进一步地，上述第一步包括：

根据采集的原始信号，计算心率呼吸参数以及体动参数。

在第一步中，筛选预设睡眠状态下的评估窗口内的原始信号，预设睡眠状态可以包括浅睡、深睡以及REM状态。

由于预设睡眠状态均为不同的睡眠期间，而睡眠期间被监测对象的体动相对于呼吸、心率数据非常少，因此，极少的体动信号不会影响心率、呼吸参数，此处原始信号不再区分不同的信号类型，而将不同信号类型的原始信号作为一个参数，即心率呼吸参数进行参数处理。

可选地，本发明实施例中，步骤102包括：

在每个评估窗口内，对所述原始信号进行采样得到第一预设数目的采样点，生成所述采样点形成的波形图；作为第四示例，原始信号图如图5所示，而进行包括提取后的图如图6所示；

确定所述波形图的形成的包络的极大值以及极小值；

计算得到极大值方差、极小值方差；

根据所述极大值方差、极小值方差，计算得到所述极大值方差与极小值方差的归一化方差。

其中，在每个评估窗口内，采样得到第一预设数目的采样点并根据采样点生成波形图，确定所述波形图的形成的包络的极大值以及极小值。

具体地，以心率呼吸复合信号的采样精度为0.01秒，评估窗口为3分钟为例，每秒采样100个点，则3分钟采样点数目为18000；依据呼吸频率及预设包络计算方法，在每300个(3秒)或500个(5秒)采样点中选取以正值极大，得到极大值；再选取一个负值极小得到极小值，然后将极大值(极小值)分别构成两个数组，就形成了呼气和吸气对应的包络变化。

根据上述两个数值，分别计算得到极大值方差、极小值方差；具体地，可以每三分钟计算一次包络信号的方差，三分钟共有60个极大值方差和极小值方差(还可以预先进行去直流处理)，分别计算极大值方差、极小值方差和归一化方差。

其中，计算3分钟包络信号的归一化方差时，可以呼气与吸气分别处理，合并判决。考虑到等效呼吸事件时方差越大，对应的包络起伏次数越多，峰谷特征越明显，可分别等效为1-5次等效呼吸事件；对于方差低于预设门限的，可以折算成最低值0.1次。

此外，后续为了判定SAS用户是阻塞型还是中枢型主导型时，可以依据计算3分钟包络方差来判断，若包络方差大于预设门限时，即呼吸心率复合波形低于一定振幅的波谷持续时长，如果时长超过10秒，判断为中枢型，否则为阻塞型；并继续统计整个睡眠周期内中枢型SAS和阻塞性SAS的占比情况。

可选地，本发明实施例中，步骤103包括：

确定当前评估窗口内的所述极大值方差的第一均值，以及所述极小值方差的第二均值；

确定所述第一均值与第二均值之间的数值关系；其中，所述数值关系为所述第一均值除以所述第二均值所得的倍数关系；

根据所述数值关系，确定与所述归一化方差对应的预设映射表。

其中，步骤102中，确定极大值方差与极小值方差之后，对于每个评估窗口内的多个极大值方差或极小值方差分别取均值处理，取均值即累加取方差平均值，分别确定极大值方差的第一均值(即极大值包络幅度平均值)、所述极小值方差的第二均值(即极小值包络幅度平均值)；

再根据第一均值与第二均值之间的数值关系(倍数关系)，确定与该数值关系对应的预设映射表，预设映射表为归一化方差与目标时间的监测次数之间的映射关系；确定预设映射表之后，再确定与归一化方差对应的等效呼吸事件的监测次数。

作为第二示例，以下表1为当所述倍数关系小于2时的预设映射表，即极大值包络幅度平均值与极小值包络幅度平均值相当的情况。

表1：

以下表2为当所述倍数关系大于或等于2时的预设映射表。

表2：

可选地，本发明实施例中，所述方法还包括：

统计在预设睡眠状态下，连续第一预设时长内，发生等效呼吸事件的监测次数低于一预设数值的情况的次数。

其中，当所述等效呼吸事件的监测次数低于一预设数值，表明被监测对象发生目标时间，即呼吸暂停事件，计算每小时的呼吸暂停事件次数，每小时的呼吸暂停事件次数即睡眠呼吸暂停低通气或通气不足(Apnea-Hypopnea Index，AHI)指数；通常情况下，如果AHI在0-5次之间，则该用户患SAS的风险较低；如果AHI在6-10之间，该用户判定为轻度OSA风险；如果AHI在11-30次之间，该用户判定为中度SAS风险；如果AHI大于30次，该用户患SAS的风险极高。

可选地，本发明实施例中，所述睡眠监测设备设置有至少两路监测线路，所述采集设备设置于所述监测线路上；

所述获取所述采集设备采集的原始信号的步骤，包括：

监测到体动信号对应的原始信号时，确定所述体动信号所属的目标监测线路；

获取所述目标监测线路的所述采集设备采集的原始信号。

具体地，参见图2，睡眠监测设备表面设有多路监测线路2，每个监测线路2上设置有多个采集设备1；在采集信号时，监测到体动信号对应的原始信号的线路为目标监测线路，由于被监测对象可能位于睡眠监测设备表面任意位置，设置多路监测线路，便于选择最佳线路，对任意位置进行监测。

确定目标监测电路之后，获取所述目标监测线路的所述采集设备采集的信号，作为原始信号。

作为第三示例，选择线路并获取原始信号的过程如图3所示，主要包括以下过程：

信号采集、放大、AD采样、选择最佳信号线路、信号处理、输出原始信号。

其中，AD采样即模数采样；信号处理可以包括滤波、平滑窗能量统计、信号平滑等过程。对于心率信号，在信号平滑之后还包括跳间隔提取及心率计算；对于呼吸信号，在信号平滑之后还包括呼吸峰值间隔计算及呼吸值计算。

本发明上述实施例中，通过在睡眠监测设备上设置采集设备，并获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差；根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表；最终根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数，通过一种非接触、无扰式的监测方式监测得到所述监测次数，监测过程简单、便捷；实现实时监测用户心率、呼吸和体动等睡眠参数，后续可基于上述睡眠参数分析用户的睡眠分期状态，并基于所述监测次数实现睡眠的客观监测。

以上介绍了本发明实施例提供的睡眠评估方法，下面将结合附图介绍本发明实施例提供的睡眠评估装置。

参见图4，本发明实施例提供了一种睡眠评估装置，应用于一睡眠监测设备，所述睡眠监测设备上设置有用于采集被监测对象的睡眠质量的原始信号的采集设备，所述装置包括：

原始信号获取模块401，用于获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；所述睡眠状态包括清醒、浅睡、深睡及快速眼球运动REM，所述体征参数至少包括心率呼吸以及体动参数。

其中，原始信号即采集设备采集的原始振动信号，对原始信号进行预处理，得到被监测对象的睡眠状态及体征参数，睡眠状态及体征参数可统称为睡眠参数，且所述体征参数至少包括心率呼吸以及体动参数。心率呼吸参数至少包括被监测对象在睡眠状态下的心率参数以及呼吸参数，由于二者被采集设备所感应的形式均为振动信号，因此，可用原始信号表征心率、呼吸复合的状态；而原始信号通常是杂乱、无规则的，无法直观地体现出心率呼吸复合参数，因此需要对原始信号进行预处理，得到睡眠状态及体征参数。

所述睡眠状态包括清醒、浅睡、深睡及快速眼球运动(Rapid Eyes Movement，REM)期，可选地，睡眠状态还包括离床、清醒等各状态，本发明实施例中将清醒、浅睡、深睡和REM标记为一个完整的睡眠周期，一个睡眠周期通常持续时长在60-90分钟左右，而一个被监测对象的合理的夜间睡眠由3-5个睡眠周期组成。

方差计算模块402，用于根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差。

其中，为了提高计算精度，将睡眠参数的采样精度设置地较高，以获得数量较多的采样点；在评估窗口内，对原始信号进行包络提取，且每预设数目个连续的采样点中分别选取一个极大值和一个极小值；按照上述方式，得到监测周期内多个极大值和极小值，并分别计算极大值方差、极小值方差；

并根据极大值方差与极小值方差，计算归一化方差。

映射表确定模块403，用于根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表。

其中，根据极大值方差与极小值方差之间的数值关系，选择与归一化方差对应的预设映射表；不同的数值关系对应不同的预设映射表。

预设映射表为归一化方差与等效呼吸事件的监测次数的对应关系，预设映射表为采用大数据的方式，对大量的被监测对象进行睡眠监测得到的，并采用深度学习的方式对预设映射表进行优化，提高其精度。

监测确定模块404，用于根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数。

其中，根据选定的预设映射表，得到归一化方差对应的等效呼吸事件的监测次数，为被监测对象在每个评估窗口内的等效呼吸事件次数，后续可根据等效呼吸事件的监测次数作为中间参数确定被监测对象是否有SAS症状，或作为中间参数预测被监测对象患SAS的风险程度。

可选地，本发明实施例中，所述原始信号获取模块401包括：

信号获取子模块，用于对原始信号进行预处理得到所述被监测对象的包括心率呼吸以及体动的体征参数；

状态确定子模块，用于根据所述体征参数，确定当前评估窗口内的睡眠状态。

可选地，本发明实施例中，所述信号获取子模块用于：

根据采集的原始信号，计算心率呼吸参数以及体动参数。

可选地，本发明实施例中，所述状态确定子模块用于：

根据每个所述体征参数的数值，确定当前评估窗口内的睡眠状态；其中，针对每个所述体征参数的信号类型，每个睡眠状态对应不同的数值范围。

可选地，本发明实施例中，所述方差计算模块402包括：

采样子模块，用于在每个评估窗口内，对所述原始信号进行采样得到第一预设数目的采样点，生成所述采样点形成的波形图；

确定子模块，用于确定所述波形图的形成的包络的极大值以及极小值；

第一计算子模块，用于计算得到极大值方差、极小值方差；

第二计算子模块，用于根据所述极大值方差、极小值方差，计算得到所述极大值方差与极小值方差的归一化方差。

可选地，本发明实施例中，所述映射表确定模块403包括：

第一确定子模块，用于确定当前评估窗口内的所述极大值方差的第一均值，以及所述极小值方差的第二均值；

第二确定子模块，用于确定所述第一均值与第二均值之间的数值关系；其中，所述数值关系为所述第一均值除以所述第二均值所得的倍数关系；

第三确定子模块，用于根据所述数值关系，确定与所述归一化方差对应的预设映射表。

可选地，本发明实施例中，所述装置还包括：

统计模块，用于统计在预设睡眠状态下，连续第一预设时长内，发生等效呼吸事件的监测次数低于一预设数值的情况的次数。

本发明上述实施例中，在睡眠监测设备上设置采集设备，并通过原始信号获取模块401获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；方差计算模块402根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差；映射表确定模块403根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表；最终监测确定模块404根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数，通过一种非接触、无扰式的监测方式监测得到所述监测次数，监测过程简单、便捷；实现实时监测用户心率、呼吸和体动等睡眠参数，后续可基于上述睡眠参数分析用户的睡眠分期状态，并基于所述监测次数实现睡眠的客观监测；本发明实施例解决了现有技术中，PSG存在费时、费力以及专业门槛高等诸多限制的问题。

图7示出了本发明又一实施例提供的一种电子设备的结构示意图。

如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行如下方法：

获取采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；所述睡眠状态包括清醒、浅睡、深睡及快速眼球运动REM，所述体征参数至少包括心率呼吸以及体动参数；

根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差；

根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表；

根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数。

此外，上述的存储器730中的逻辑指令可以通过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。

本发明又一实施例提供的一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质上存储有计算机程序，所述程序被处理器执行时实现如本发明上述实施例中提供的方法中的步骤，本实施不再赘述。

基于这样的理解，本发明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)执行本发明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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种睡眠评估方法，应用于一睡眠监测设备，其特征在于，所述睡眠监测设备上设置有用于采集被监测对象的睡眠质量的原始信号的采集设备，所述方法包括：

获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；所述睡眠状态包括清醒、浅睡、深睡及快速眼球运动REM，所述体征参数至少包括心率呼吸以及体动参数；

根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差；

根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表；

根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数。

2.根据权利要求1所述的方法，其特征在于，所述获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数的步骤，包括：

对原始信号进行预处理得到所述被监测对象的包括心率呼吸以及体动的体征参数；

根据所述体征参数，确定当前评估窗口内的睡眠状态。

3.根据权利要求2所述的方法，其特征在于，所述对原始信号进行预处理得到所述被监测对象的包括心率呼吸以及体动的体征参数的步骤，包括：

根据采集的原始信号，计算心率呼吸参数以及体动参数。

4.根据权利要求2所述的方法，其特征在于，所述根据所述体征参数，确定当前评估窗口内的睡眠状态的步骤，包括：

根据每个所述体征参数的数值，确定当前评估窗口内的睡眠状态；其中，针对每个所述体征参数的信号类型，每个睡眠状态对应不同的数值范围。

5.根据权利要求1所述的方法，其特征在于，所述根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差的步骤，包括：

在每个评估窗口内，对所述原始信号进行采样得到第一预设数目的采样点，生成所述采样点形成的波形图；

确定所述波形图的形成的包络的极大值以及极小值；

计算得到极大值方差、极小值方差；

根据所述极大值方差、极小值方差，计算得到所述极大值方差与极小值方差的归一化方差。

6.根据权利要求1所述的方法，其特征在于，所述根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表的步骤，包括：

确定当前评估窗口内的所述极大值方差的第一均值，以及所述极小值方差的第二均值；

确定所述第一均值与第二均值之间的数值关系；其中，所述数值关系为所述第一均值除以所述第二均值所得的倍数关系；

根据所述数值关系，确定与所述归一化方差对应的预设映射表。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

统计在预设睡眠状态下，连续第一预设时长内，发生等效呼吸事件的监测次数低于一预设数值的情况的次数。

8.一种睡眠评估装置，应用于一睡眠监测设备，其特征在于，所述睡眠监测设备上设置有用于采集被监测对象的睡眠质量的原始信号的采集设备，所述装置包括：

原始信号获取模块，用于获取所述采集设备采集的原始信号，对所述原始信号进行预处理得到所述被监测对象的睡眠状态及体征参数；所述睡眠状态包括清醒、浅睡、深睡及快速眼球运动REM，所述体征参数至少包括心率呼吸以及体动参数；

方差计算模块，用于根据睡眠状态对评估窗口内的所述原始信号进行包络提取，并计算所述评估窗口内的极大值方差、极小值方差，以及所述极大值方差与极小值方差的归一化方差；

映射表确定模块，用于根据所述极大值方差与极小值方差，确定与所述归一化方差对应的预设映射表；

监测确定模块，用于根据所述预设映射表，得到与所述归一化方差对应的等效呼吸事件的监测次数。

9.一种电子设备，其特征在于，包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的睡眠评估方法中的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于：所述程序被处理器执行时实现如权利要求1至7中任一项所述的睡眠评估方法中的步骤。

Images