CN111588391A - 一种基于用户睡眠特征的精神状态确定方法及系统 - Google Patents

Abstract

本公开提供了一种基于用户睡眠特征的精神状态确定方法及系统，该方法包括：获取数据采集设备采集的用户的原始睡眠信号；根据原始睡眠信号确定用户的睡眠特征；根据睡眠特征，确定用户的当前精神状态。本公开通过对用户原始睡眠信号的采集获取，根据原始睡眠信号所反映出用户的睡眠特征，作为精神状态的客观判断依据，方便用户了解自身精神状态。

Description

一种基于用户睡眠特征的精神状态确定方法及系统

技术领域

本公开涉及医疗教育和培训领域，特别涉及一种基于用户睡眠特征的精神状态确定方法及系统。

背景技术

现今社会中越来越多的人会因工作压力或生活压力导致患有一定程度的精神疾病，而患有精神疾病人群的临床表现除了性格变化、行为异常、情绪不稳定之外，最常见的就是睡眠障碍，最主要的表现就是失眠，精神疾病引起的失眠常表现为：睡眠潜伏期延长、入睡困难、夜间易醒、睡眠总时间减少、睡眠效率减低等。

失眠常见于下列精神障碍：心境障碍、焦虑障碍、恐惧症、创伤性应激障碍、精神病性障碍、进食障碍、酒精中毒、躯体化障碍、人格障碍等。另外在精神疾病的治疗过程中，精神科药物也可以导致突然发生失眠，或使已经存在的失眠加重。

但是在精神疾病的治疗过程中，患者对于自身睡眠情况的反馈通常比较主观，并且在睡醒后基本无法判定自身的睡眠质量或睡眠状态的变化，更无法判断自身精神状态的变化，不利于患者了解自身情况。

发明内容

本公开实施例的目的在于提供一种基于用户睡眠特征的精神状态确定方法及系统，用以解决现有技术中患者无法判定自身的睡眠质量或睡眠状态的变化，也无法判断自身精神状态的变化，不利于患者了解自身情况。

本公开的实施例采用如下技术方案：一种基于用户睡眠特征的精神状态确定方法，包括：获取数据采集设备采集的用户的原始睡眠信号；根据所述原始睡眠信号确定用户的睡眠特征；根据所述睡眠特征，确定所述用户的当前精神状态。

进一步，所述原始睡眠信号至少包括以下之一：呼吸信号、心率信号、体动信号。

进一步，所述根据所述原始睡眠信号确定用户的睡眠特征，包括至少确定以下之一的睡眠特征：根据所述呼吸信号确定用户的呼吸波的幅度、呼吸波的波形面积、呼气时间以及吸气时间中的至少一种；根据所述心率信号确定用户预设时长内的心跳次数和/或心率变异性；根据所述体动信号确定用户的体动幅度和/或体动次数。

进一步，所述根据所述用户的睡眠特征，确定所述用户的当前精神状态，包括：基于所述睡眠特征，以及所述用户的初始精神状态和服用药物信息，确定所述用户的当前精神状态。

本公开实施例还提供一种基于用户睡眠特征的精神状态确定系统，至少包括：数据采集设备，用于采集用户的原始睡眠信号；处理器，用于获取所述原始睡眠信号，根据所述原始睡眠信号确定用户的睡眠特征，并根据所述睡眠特征，确定所述用户的当前精神状态。

进一步，所述数据采集设备至少包括：雷达，用于获取用户的呼吸信号、心率信号、体动信号中的至少一种。

进一步，所述数据采集设备还包括：睡眠压力带，用于获取用户的所述呼吸信号和/或所述体动信号；和/或，血氧指套，用于获取用户的脉搏信号和/或血氧信号。

进一步，所述处理器，具体用于：根据所述呼吸信号确定用户的呼吸波的幅度、呼吸波的波形面积、呼气时间以及吸气时间中的至少一种；根据所述心率信号确定用户预设时长内的心跳次数和/或心率变异性；根据所述体动信号确定用户的体动幅度和/或体动次数。

进一步，其特征在于，还包括：用户终端，用于记录用户的初始精神状态和服用药物信息。

进一步，所述处理器，具体用于：基于所述睡眠特征，以及所述用户的初始精神状态和所述服用药物信息，确定所述用户的当前精神状态。

进一步，所述用户端，还用于：获取并显示用户的当前精神状态；将所述用户的当前精神状态保存为所述用户的初始精神状态。

本公开实施例的有益效果在于：通过对用户原始睡眠信号的采集获取，根据原始睡眠信号所反映出用户的睡眠特征，作为精神状态的客观判断依据，方便用户直观了解自身精神状态。

附图说明

为了更清楚地说明本公开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简单地介绍，显而易见地，下面描述中的附图仅仅是本公开中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出本公开第一实施例中基于用户睡眠特征的精神状态确定方法的流程图；

图2示出本公开第一实施例中设备连接示意图；

图3示出本公开第二实施例中基于用户睡眠特征的精神状态确定系统的结构示意图；

图4示出本公开第二实施例中基于用户睡眠特征的精神状态确定系统的另一种结构示意图。

具体实施方式

此处参考附图描述本公开的各种方案以及特征。

应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。

包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。

通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本公开的这些和其它特性将会变得显而易见。

还应当理解，尽管已经参照一些具体实例对本公开进行了描述，但本领域技术人员能够确定地实现本公开的很多其它等效形式，它们具有如权利要求的特征并因此都位于借此所限定的保护范围内。

当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。

此后参照附图描述本公开的具体实施例；然而，应当理解，所申请的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。

本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。

现今社会中越来越多的人会因工作压力或生活压力导致患有一定程度的精神疾病，而患有精神疾病人群的临床表现除了性格变化、行为异常、情绪不稳定之外，最常见的就是睡眠障碍，最主要的表现就是失眠，但是在精神疾病的治疗过程中，患者对于自身睡眠情况的反馈通常比较主观，并且在睡醒后基本无法判定自身的睡眠质量或睡眠状态的变化，更无法判断自身精神状态的变化，不利于患者了解自身情况。

为了解决上述问题，本公开第一实施例提出了一种基于用户睡眠特征的精神状态确定方法，其可以通过任意一种具有数据处理能力的设备进行实现，如手机、平板电脑、计算机、服务器、云端处理器等终端设备，其实现精神状态确定方法的流程图如图1所示，主要包括步骤S1至S3：

S1，获取数据采集设备采集的用户的原始睡眠信号。

本实施例中以使用手机作为执行精神状态确定方法的设备为例，可通过与数据采集设备进行通信来获取用户在睡眠过程中由数据采集设备采集到的原始睡眠信号，其中，数据采集设备包括但不限于以下设备：智能穿戴设备(智能手表、智能手环、智能头环等)、睡眠压力带、雷达、血氧指套等，通过上述设备中的一种或几种，在用户的睡眠过程中获取用户的如下原始睡眠信号的至少之一：呼吸信号、心率信号、体动信号，在数据采集设备更多样的情况下，原始睡眠信号还可以包括脉搏信号和血氧信号；每种数据采集设备可能采集到的原始睡眠信号不同，在实际使用时可基于用户的不同需求选择一种或多种数据设备使用。

S2，根据原始睡眠信号确定用户的睡眠特征。

用户的睡眠质量会在睡眠过程中通过呼吸、心率、体动等一种或几种指标反馈出来，数据采集设备所采集到的呼吸信号、心率信号和体动信号，即为用户在本次睡眠过程中呼吸、心跳和体动的情况的反馈。手机在获取到上述原始睡眠信号后，对原始睡眠信号进行分析以确定用户本次睡眠的睡眠特征，该睡眠特征即可直观地反映出用户本次睡眠的睡眠质量，也可作为医生在判断用户睡眠情况和精神情况的重要数据参考。

根据原始睡眠信号的类型不同，其对应得到的睡眠特征也不同。具体地，在原始睡眠信号中包括呼吸信号时，可以根据呼吸信号确定用户呼吸波的幅度、呼吸波的波形面积、呼气时间、吸气时间中的至少一种，通过上述与呼吸相关的睡眠特征，即可反映出用户在睡眠过程中的呼吸情况，进而可进一步判断用户在睡眠过程中呼吸是否平稳、是否曾经出现呼吸障碍等问题；在原始睡眠信号中包括心率信号时，可以根据心率信号确定用户在一固定时间段内的心跳次数的变化，以及心率变异性，通过上述与心率相关的睡眠特征，即可以反映出用户在睡眠过程中的心率变化、入睡情况等问题；在原始睡眠信号中包括体动信号时，可以根据体动信号确定用户在睡眠过程中的体动幅度或体动次数，并依此反映用户睡眠状态是否稳定，是否有翻身、起夜等情况频繁出现。

进一步地，原始睡眠信号还可以包括脉搏信号和血氧信号。在原始睡眠信号中包括脉搏信号时，可以根据脉搏信号确定用户的脉率、脉搏波的幅值、脉搏波的波形面积、脉搏波的上升时间以及脉搏波的下降时间中的至少一种，通过上述与脉搏相关的睡眠特征，即可反映出用户在睡眠过程中的心跳情况，进而可进一步判断用户在睡眠过程中是否出现心跳过快或过缓、是否存在心跳骤停等问题，还可以进一步结合呼吸相关的睡眠特征，确定脉率与呼吸频率之间的关系是否正常；在原始睡眠信号中包括血氧信号时，可以根据血氧信号确定用户的血氧饱和度，以反映用户在睡眠过程中是否出现缺氧等情况发生。

进一步地，还可通过呼吸信号、心率信号、体动信号、脉搏信号、血氧信号等确定出用户在睡眠中不同睡眠阶段所持续的时长，例如浅睡期时长、深睡期时长、快速眼动期时长等，并使用上述不同睡眠阶段的时长作为用户的睡眠特征以进一步反应用户的睡眠质量。

S3，根据睡眠特征，确定用户的当前精神状态。

上述睡眠特征即可直观地反映出用户的睡眠情况，结合用户的性别、年龄、身体健康状况等因素，即可确定出用户当前的精神状态，例如当用户的睡眠特征反映出用户的呼吸、心率、体动情况都正常时，即可确定用户睡眠质量较好，结合睡眠情况与精神疾病之间的影响因素，即可判定用户当前精神状态较好，或者精神疾病的严重程度有好转等，若用户存在失眠，或在睡眠过程中出现呼吸障碍、心率变异性较高或体动频繁幅度较大等情况，即可判定用户睡眠质量较差，反映出用户精神疾病程度较为严重，或精神状态较差。

进一步地，用户的身体健康状况可以为用户当前所患有的精神疾病，如抑郁症、精神分裂症、躁狂症等，还可以包括用户当前所患有精神疾病的严重程度，如中度抑郁、轻度躁狂等，每一种不同的精神疾病可能会用户的睡眠产生不同的影响，例如抑郁症和躁狂症患者通常伴有较为严重的失眠，而精神分裂患者可能出现较为严重的嗜睡情况；而同一种病症的不同严重程度也会对睡眠产生不同的影响，例如精神分裂症前期患者主要以失眠为主，其特征为昼夜睡眠节律紊乱，白天睡眠增多，或者以嗜睡、失眠交替出现；而精神分类症后期患者睡眠增加、睡眠效率也增加，不会出现明显的睡眠情况，易出现呼吸暂停综合征。因此需要在判定用户精神状态时考虑用户的身体健康状况，使睡眠特征反馈出的用户的精神状态更加准确。同时，用户的年龄、性别也均会对睡眠特征产生一定影响，例如相较于男士的脉率，女士的脉率会更快；相较于青年人的各个睡眠阶段时长，老年人的各个睡眠阶段时长会更短等，因此也需要同时考虑用户的性别和年龄以实现更准确的精神状态确定。

具体地，在根据睡眠特征，确定用户的当前精神状态时，可以选用相应年龄、性别和所患疾病的分类模型进行确定，其中，分类模型可以通过临床采集大量精神疾病患者的睡眠数据，可以建立有效的睡眠数据库，并且追踪患者各个发病阶段的睡眠情况，并依此建立模型，在一个新用户初次使用时，可以选择符合该用户年龄、性别和所患疾病的分类模型进行使用，在后期可通过该用户自身的睡眠情况和精神状态的不断变化，对使用的分类模型进行更新，使其更符合该用户自身情况，提升模型分析结果的准确性。

用户的当前精神状态可以通过分值来进行表示，即分类模型基于用户的睡眠特征，输出一个分值。例如，用户在睡眠过程中使用雷达作为数据采集设备采集睡眠过程中的呼吸信号，那么基于用户在睡眠过程中的呼吸信号，即可以确定用户呼吸波的幅度、呼吸波的波形面积等与呼吸相关的睡眠特征，再根据呼吸波幅度的具体数值，与其对应的阈值或正常取值范围进行比较，当该幅度值小于(或大于)一阈值或处于正常取值范围内时，即可为该呼吸波幅度赋予对应的分值；当基于多个睡眠特征进行分析时，可根据每个睡眠特征和其相应的阈值或取值范围进行相应分值的确定，再根据每种睡眠特征所对应的分值所占的权重确定一个总分值即可。

上述分值即表示用户当前的精神状态，确定分值时所使用的睡眠特征越多，该分值越能代表用户的实际精神状态，例如分值为89分即表示用户当前精神状态良好，或精神疾病严重程度有所减轻，分值50分则表示用户当前精神状态一般，或精神疾病严重程度没有减轻或有所加重；或者，也可以对各个睡眠特征的具体数值进行等级划分，并根据每项睡眠特征的不同等级确定出一个最终等级，通过不同的最终等级来表示用户当前的精神状态，例如一级代表用户精神状态较好，二级代表用户精神状态一般、三级代表用户精神状态较差、四级代表用户精神状态非常差等，当然，在实际使用时也可选用其他表示方式，本实施例在此不进行限制。

在实际使用时，还可以在睡眠特征的基础上，结合用户的初始精神状态和服用药物信息来确定用户的当前精神状态，其中，用户的初始精神状态可以为上一次评估后的用户的精神状态，其可以是一个分数或一个等级，在本次评估确定时，以上一次的分数或等级作为基准进行调整；而精神疾病患者在治疗过程中会使用的抗精神疾病的药物通常都会对睡眠有所影响，例如精神分裂症患者通常会使用带有镇静作用的抗精神药物，这种药物会改变患者的睡眠结构，增加深睡眠时间，而断续或停止使用抗精神药物后会导致一段时间的失眠，因此，在确定用户精神状态时，还需要考虑用户当前所服用的药物对睡眠特征的影响，进而得出更准确的精神状态分析结果。

例如，用户的初始精神状态为50分，表示其上一次评估的精神状态一般，并且用户同时在服用抗精神药物A，那么即使本次评价的分值为90分，但是由于上一次评价结果一般，并且药物A会增加用户的深睡眠时间，所以在评估本次精神状态时，需要在90分的基础上相应去掉药物A对用户睡眠的影响程度，假设药物A对用户睡眠的影响程度可能为20分，那么基于用户本次睡眠状况所得到的分值应该为90-20＝70分，再结合初始精神状态的50分，可以通过计算平均值方式，确定出本次实际精神状态的分值为60分，当然实际使用时也可以通过其他计算方式确定实际精神状态的分值，并且各种精神类药物对每个人的影响程度都是不同的，也需要结合用户的病情对药物的影响程度进行考量，本实施例仅仅给出了一种示例情况，并不限制本公开中各个药物对分值的影响情况和分值的计算方式。

进一步地，在实际使用时，上述确定用户的睡眠特征以及确定用户的当前精神状态的过程可以由数据采集设备实现，例如带有雷达的睡眠监测仪、智能穿戴设备等均可以实现上述步骤，并在分析完成后于设备上直接显示分析结果供用户查看；或者，如图2所示，数据采集设备、云端服务器以及用户个人的电子设备之间可以通过有线或无线网络实现数据传输，当数据采集设备采集原始睡眠信号后，可通过网络将原始睡眠信号上传至云端服务器进行分析处理，云端服务器将处理分析结果反馈至用户的个人电子设备供用户进行查看，或者将处理分析结果反馈至数据采集设备，数据采集设备通过语音或显示的方式进行展示。用户的个人电子设备可以为手机、平板电脑或计算机中的任意一种或多种，图2中则以手机为例进行了示意。

当下精神科医生只能通过和患者咨询、参考患者精神自测表来评估患者的治疗效果，本实施例通过对患者原始睡眠信号的采集获取，根据原始睡眠信号所反映出患者的睡眠特征，作为精神状态的客观判断依据，方便患者了解自身精神状态，同时可以作为准确的数据信息为医生提供进一步诊断的依据和治疗评估标准，从而方便医生调整患者治疗方案和药物剂量，实现个性化治疗，以避免传统固定化剂量治疗引发的副作用和并发症。

本公开的第二实施例公开了一种基于用户睡眠特征的精神状态确定系统，其结构示意图如图3所示，主要包括数据采集设备10以及处理器20，其中，数据采集设备10用于采集用户的原始睡眠信号，处理器20则用于获取原始睡眠信号，根据原始睡眠信号确定用户的睡眠特征，并根据睡眠特征，确定用户的当前精神状态，即处理器20主要执行本公开第一实施例中的基于用户睡眠特征的精神状态确定方法，其实际可以是手机、平板电脑、计算机、服务器、云处理器等终端设备中的任意一种，也可以是具有数据处理功能的数据采集设备本身。数据采集设备10和处理器20之间可以通过有线或无线的方式进行通信，以实现数据传输。

具体地，数据采集设备10主要包括雷达，或者具有雷达功能的监测设备，主要用于获取用户的呼吸信号、心率信号、体动信号中的至少一种。具体地，雷达则主要使用UWB(Ultra Wide Band)超宽带雷达，利用其高的脉冲宽度以及脉冲重复频率，以携带丰富的多路径雷达波信号，通过接收器收取的涵盖幅度、相位、延迟时间等信息可以有效的提取出能直接反映睡眠状态的呼吸波形以及心率波形，即可作为呼吸信号和心率信号实时发送给处理器20，并且通过接收到的雷达波信号与发送的雷达波信号之间的差异，形成体动信号以判断用户的体动情况。在实际使用时，可以将雷达或带有雷达功能的监测设备放置在用户床头或卧室内，并保证雷达扫描的区域覆盖用户的寝具，并在扫描范围内尽可能减少其他物体(如衣物、家具)的遮挡，以免影响雷达波信号的传输。经过雷达对用户睡眠过程中原始睡眠信号的获取，通过处理器20对原始睡眠信号进行分析，即可确定出用户的相应睡眠特征，进而确定用户的精神状态，处理器20可以以睡眠分析报告的形式将用户的精神状态确定结果进行输出，并具体在报告中以分值或等级的形式进行呈现，方便用户直观地确定自身睡眠情况和精神状态，也可以作为医生的辅助诊断信息。

进一步，为了提升用户精神状态分析的准确性，在使用雷达的基础上，用户还可以选用睡眠压力带或者血氧指套来作为辅助设备一同使用，睡眠压力带主要用于获取用户的呼吸信号和/或体动信号，血氧指套则主要用于获取用户的脉搏信号和/或血氧信号。其中，睡眠压力带运用压电传感技术提取用户的呼吸波，只要将其放置在用户的床垫下方，即可在用户睡眠时，根据用户呼吸产生的压力变化，直接准确地测量出用户在睡眠过程中的呼吸波形，即可作为呼吸信号实时发送至处理器20中，若用户在睡眠过程中出现翻身、起夜、转头等动作时，睡眠压力带会检测到相应的压力变化，生成体动信号发送至处理器20。血氧指套则主要通过光电二极管获取的脉搏波信号，可以有效的提取出来脉搏波形图，该图的幅值信息可以推导出血氧信号，作为原始睡眠信号传输至处理器20即可。在雷达获取原始睡眠信号的基础上，结合睡眠压力带可以进一步提升呼吸信号、体动信号的准确性，再结合血氧指套即可以获取用户的脉搏和血氧情况，进一步提升用户睡眠状况的判断结果的准确性，为用户精神状态的分析提供了更多样的数据支持。

根据原始睡眠信号的类型不同，其对应得到的睡眠特征也不同。具体地，在原始睡眠信号中包括呼吸信号时，处理器20可以根据呼吸信号确定用户呼吸波的幅度、呼吸波的波形面积、呼气时间、吸气时间中的至少一种，通过上述与呼吸相关的睡眠特征，即可反映出用户在睡眠过程中的呼吸情况，进而可进一步判断用户在睡眠过程中呼吸是否平稳、是否曾经出现呼吸障碍等问题；在原始睡眠信号中包括心率信号时，可以根据心率信号确定用户在一固定时间段内的心跳次数的变化，以及心率变异性，处理器20通过上述与心率相关的睡眠特征，即可以反映出用户在睡眠过程中的心率变化、入睡情况等问题；在原始睡眠信号中包括体动信号时，处理器20可以根据体动信号确定用户在睡眠过程中的体动幅度或体动次数，并依此反映用户睡眠状态是否稳定，是否有翻身、起夜等情况频繁出现。

进一步地，在用户同时使用雷达以及血氧指套时，原始睡眠信号中还可以包括脉搏信号，处理器20可以根据脉搏信号确定用户的脉率、脉搏波的幅值、脉搏波的波形面积、脉搏波的上升时间以及脉搏波的下降时间中的至少一种，通过上述与脉搏相关的睡眠特征，即可反映出用户在睡眠过程中的心跳情况，进而可进一步判断用户在睡眠过程中是否出现心跳过快或过缓、是否存在心跳骤停等问题，还可以进一步结合呼吸相关的睡眠特征，确定脉率与呼吸频率之间的关系是否正常；同时，原始睡眠信号中还可以包括血氧信号，处理器20可以根据血氧信号确定用户的血氧饱和度，以反映用户在睡眠过程中是否出现缺氧等情况发生。

与此同时，处理器20还可通过呼吸信号、心率信号、体动信号、脉搏信号、血氧信号等确定出用户在睡眠中不同睡眠阶段所持续的时长，例如浅睡期时长、深睡期时长、快速眼动期时长等，并使用上述不同睡眠阶段的时长作为用户的睡眠特征以进一步反应用户的睡眠质量。

进一步地，UWB超宽带雷达的在工作时向用户所在的位置不断发出雷达波信号，发出的雷达波信号经过人体或物体吸收反射后，被UWB超宽带雷达的接收机获取并发送至处理器20，处理器20基于获取的雷达波信号的波长、幅度、相位、时间延迟等变化，经过滤波、放大等预处理后，在不同的探测时间t时，基于UWB测量值的变化量可用于推断静态传播环境中移动的人或物体，例如用户的呼吸情况、心率情况、翻身情况、起夜情况等。其主要基于如下公式进行确定：

其中，t为时间；N(t)为接收器接收到的多路径雷达波信号；a_i(t)为第i个信号的振幅增益；τ为延迟时间；τ_i(t)为第i个信号的延迟时间；δ为狄拉克脉冲函数；h(t,τ)则代表在t时间，τ延迟情况下的雷达波载波信号。

在处理器20根据血氧指套获取的血氧信号确定用户的血氧饱和度时，可根据朗伯比尔定律(Beer-Lambert Low)，基于光被吸收的量与光程中产生光吸收分子数目之间的关系，计算出用户血液内血氧饱和度的含量，具体使用公式如下：

E＝log(Io)-log(I)＝kLC； (2)

E(D1)-E(D2)＝k(L1-L2)C； (3)

其中，I为出射光强，Io为入射光强，k为摩尔吸收系数，L为光程，即吸收层厚度(通常皮肤组织的厚度不超过2cm)，L1为入射光光程，L2为反射光光程，D1为发射光光源的具体坐标信息，D2为反射光的接收器的具体坐标信息，C为溶液浓度(即血液中氧合血红蛋白浓度)。根据公式(2)，胆红素浓度与光程L、吸光系数和光强有关，由于脉搏周期中血管中血液流量发生周期性变化，根据光被吸收的量与光程中产生光吸收分子数目之间的关系即可以直接计算出血氧饱和度含量C。

上述睡眠特征即可直观地反映出用户的睡眠情况，结合用户的性别、年龄、身体健康状况等因素，处理器20即可确定出用户当前的精神状态，例如当用户的睡眠特征反映出用户的呼吸、心率、体动情况都正常时，即可确定用户睡眠质量较好，结合睡眠情况与精神疾病之间的影响因素，即可判定用户当前精神状态较好，或者精神疾病的严重程度有好转等，若用户存在失眠，或在睡眠过程中出现呼吸障碍、心率变异性较高或体动频繁幅度较大等情况，即可判定用户睡眠质量较差，反映出用户精神疾病程度较为严重，或精神状态较差。

进一步地，用户的身体健康状况可以为用户当前所患有的精神疾病，如抑郁症、精神分裂症、躁狂症等，还可以包括用户当前所患有精神疾病的严重程度，如中度抑郁、轻度躁狂等，每一种不同的精神疾病可能会用户的睡眠产生不同的影响，例如抑郁症和躁狂症患者通常伴有较为严重的失眠，而精神分裂患者可能出现较为严重的嗜睡情况；而同一种病症的不同严重程度也会对睡眠产生不同的影响，例如精神分裂症前期患者主要以失眠为主，其特征为昼夜睡眠节律紊乱，白天睡眠增多，或者以嗜睡、失眠交替出现；而精神分类症后期患者睡眠增加、睡眠效率也增加，不会出现明显的睡眠情况，易出现呼吸暂停综合征。因此需要在处理器20判定用户精神状态时考虑用户的身体健康状况，使睡眠特征反馈出的用户的精神状态更加准确。同时，用户的年龄、性别也均会对睡眠特征产生一定影响，例如相较于男士的脉率，女士的脉率会更快；相较于青年人的各个睡眠阶段时长，老年人的各个睡眠阶段时长会更短等，因此也需要同时考虑用户的性别和年龄以实现更准确的精神状态确定。

具体地，在处理器20根据睡眠特征，确定用户的当前精神状态时，可以选用相应年龄、性别和所患疾病的分类模型进行确定，其中，分类模型可以通过临床采集大量精神疾病患者的睡眠数据，可以建立有效的睡眠数据库，并且追踪患者各个发病阶段的睡眠情况，并依此建立模型，在一个新用户初次使用时，可以选择符合该用户年龄、性别和所患疾病的分类模型进行使用，在后期可通过该用户自身的睡眠情况和精神状态的不断变化，对使用的分类模型进行更新，使其更符合该用户自身情况，提升模型分析结果的准确性。

用户的当前精神状态可以通过分值来进行表示，即处理器20基于用户的睡眠特征，输出一个分值。例如，用户在睡眠过程中使用雷达作为数据采集设备10采集睡眠过程中的呼吸信号，那么基于用户在睡眠过程中的呼吸信号，处理器20即可以确定用户呼吸波的幅度、呼吸波的波形面积等与呼吸相关的睡眠特征，再根据呼吸波幅度的具体数值，与其对应的阈值或正常取值范围进行比较，当该幅度值小于(或大于)一阈值或处于正常取值范围内时，即可为该呼吸波幅度赋予对应的分值；当基于多个睡眠特征进行分析时，可根据每个睡眠特征和其相应的阈值或取值范围进行相应分值的确定，再根据每种睡眠特征所对应的分值所占的权重确定一个总分值即可。

上述分值即表示用户当前的精神状态，确定分值时所使用的睡眠特征越多，该分值越能代表用户的实际精神状态，例如分值为89分即表示用户当前精神状态良好，或精神疾病严重程度有所减轻，分值50分则表示用户当前精神状态一般，或精神疾病严重程度没有减轻或有所加重；或者，也可以对各个睡眠特征的具体数值进行等级划分，并根据每项睡眠特征的不同等级确定出一个最终等级，通过不同的最终等级来表示用户当前的精神状态，例如一级代表用户精神状态较好，二级代表用户精神状态一般、三级代表用户精神状态较差、四级代表用户精神状态非常差等，当然，在实际使用时也可选用其他表示方式，本实施例在此不进行限制。

在一些实施例中，基于用户睡眠特征的精神状态确定系统还可以包括用户终端30，如用户使用的手机、平板电脑等设备，用于记录用户的初始精神状态和服用药物信息，此时精神状态确定系统的结构示意图如图4所示，用户终端30可以通过有线或无线的方式与处理器20进行通信，在某些情况下，用户终端30也可以作为处理器20使用，只要能满足相应的数据处理功能即可。在实际使用时，处理器20可以在睡眠特征的基础上，结合用户的初始精神状态和服用药物信息来确定用户的当前精神状态，其中，用户的初始精神状态可以为上一次评估后的用户的精神状态，其可以是一个分数或一个等级，在本次评估确定时，以上一次的分数或等级作为基准进行调整；而精神疾病患者在治疗过程中会使用的抗精神疾病的药物通常都会对睡眠有所影响，例如精神分裂症患者通常会使用带有镇静作用的抗精神药物，这种药物会改变患者的睡眠结构，增加深睡眠时间，而断续或停止使用抗精神药物后会导致一段时间的失眠，因此，在确定用户精神状态时，还需要考虑用户当前所服用的药物对睡眠特征的影响，进而得出更准确的精神状态分析结果。

在本次评估确定后，处理器20所得出的当前精神状态可以发送至用户终端30，供用户查看自身精神状态，并且用户终端30可将当前精神状态保存为用户的初始精神状态，即使用本次确定的精神状态的分值或等级替换初始精神状态的分值或等级，以作为下一次评估的新的基准分值或等级，实现用户精神状态的实时更新，保证其准确性。当然在实际使用时，若数据采集设备10同样具有显示功能，处理器20也可以将分析得出的当前精神状态发送至数据采集设备10供用户进行查看；处理器20实际也可为数据采集设备10中的处理器，即由数据采集设备10本身进行数据分析和分析结果的输出，并由数据采集设备10本身呈现或者发送至用户中断30进行呈现。

当下精神科医生只能通过和患者咨询、参考患者精神自测表来评估患者的治疗效果，本实施例通过对患者原始睡眠信号的采集获取，根据原始睡眠信号所反映出患者的睡眠特征，作为精神状态的客观判断依据，方便患者了解自身精神状态，同时可以作为准确的数据信息为医生提供进一步诊断的依据和治疗评估标准，从而方便医生调整患者治疗方案和药物剂量，实现个性化治疗，以避免传统固定化剂量治疗引发的副作用和并发症。

以上对本公开多个实施例进行了详细说明，但本公开不限于这些具体的实施例，本领域技术人员在本公开构思的基础上，能够做出多种变型和修改实施例，这些变型和修改都应落入本公开所要求保护的范围之内。

Claims (11)

1.一种基于用户睡眠特征的精神状态确定方法，其特征在于，包括：

获取数据采集设备采集的用户的原始睡眠信号；

根据所述原始睡眠信号确定用户的睡眠特征；

根据所述睡眠特征，确定所述用户的当前精神状态。

2.根据权利要求1所述的精神状态确定方法，其特征在于，所述原始睡眠信号至少包括以下之一：呼吸信号、心率信号、体动信号。

3.根据权利要求2所述的精神状态确定方法，其特征在于，所述根据所述原始睡眠信号确定用户的睡眠特征，包括至少确定以下之一的睡眠特征：

根据所述呼吸信号确定用户的呼吸波的幅度、呼吸波的波形面积、呼气时间以及吸气时间中的至少一种；

根据所述心率信号确定用户预设时长内的心跳次数和/或心率变异性；

根据所述体动信号确定用户的体动幅度和/或体动次数。

4.根据权利要求1至3中任一项所述的精神状态确定方法，其特征在于，所述根据所述用户的睡眠特征，确定所述用户的当前精神状态，包括：

基于所述睡眠特征，以及所述用户的初始精神状态和服用药物信息，确定所述用户的当前精神状态。

5.一种基于用户睡眠特征的精神状态确定系统，其特征在于，至少包括：

数据采集设备，用于采集用户的原始睡眠信号；

处理器，用于获取所述原始睡眠信号，根据所述原始睡眠信号确定用户的睡眠特征，并根据所述睡眠特征，确定所述用户的当前精神状态。

6.根据权利要求5所述的精神状态确定系统，其特征在于，所述数据采集设备至少包括：

雷达，用于获取用户的呼吸信号、心率信号、体动信号中的至少一种。

7.根据权利要求6所述的精神状态确定系统，其特征在于，所述数据采集设备还包括：

睡眠压力带，用于获取用户的所述呼吸信号和/或所述体动信号；和/或，

血氧指套，用于获取用户的脉搏信号和/或血氧信号。

8.根据权利要求7所述的精神状态确定系统，其特征在于，所述处理器，具体用于：

根据所述呼吸信号确定用户的呼吸波的幅度、呼吸波的波形面积、呼气时间以及吸气时间中的至少一种；

根据所述心率信号确定用户预设时长内的心跳次数和/或心率变异性；

根据所述体动信号确定用户的体动幅度和/或体动次数。

9.根据权利要求5至8中任一项所述的精神状态确定系统，其特征在于，还包括：

用户终端，用于记录用户的初始精神状态和服用药物信息。

10.根据权利要求9所述的精神状态确定系统，其特征在于，所述处理器，具体用于：

基于所述睡眠特征，以及所述用户的初始精神状态和所述服用药物信息，确定所述用户的当前精神状态。

11.根据权利要求9所述的精神状态确定系统，其特征在于，所述用户端，还用于：

获取并显示用户的当前精神状态；

将所述用户的当前精神状态保存为所述用户的初始精神状态。

Images