CN111639693A - 一种用于睡姿监测的系统及方法 - Google Patents
一种用于睡姿监测的系统及方法 Download PDFInfo
- Publication number
- CN111639693A CN111639693A CN202010448320.9A CN202010448320A CN111639693A CN 111639693 A CN111639693 A CN 111639693A CN 202010448320 A CN202010448320 A CN 202010448320A CN 111639693 A CN111639693 A CN 111639693A
- Authority
- CN
- China
- Prior art keywords
- sleep
- function
- optimized
- bat
- parameter
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- A61B5/4815—Sleep quality
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种用于睡姿监测的系统及方法,系统包括分别与可穿戴设备、终端连接的上位机,可穿戴设备包括MCU微控制器以及分别与其连接的九轴运动传感器模块、SD存储卡和WIFI通信模块,所述九轴运动传感器模块包括加速度计、陀螺仪、磁力计;方法包括:S101,对采集的睡眠波动信号进行滤波;S102,通过阈值特征值提取所述睡眠波动信号中的特征值;S103,采用训练好的基于蝙蝠算法优化的最小二乘支持向量机对所述特征值进行分类识别;S104,展示识别的睡姿结果。
Description
技术领域
本发明涉及物联网技术的睡姿监测技术领域,尤其是涉及了一种用于睡姿监测的系统及方法。
背景技术
睡眠是维持人类生命的必要活动,良好睡眠是维系身心健康的重要保证,睡眠质量的评估以及睡眠障碍的预防、诊断和治疗都离不开睡眠监测系统的设计和开发。阻塞型睡眠呼吸暂停低通气综合症(Obstruvtive Sleep Apnea/Hypopnea Syndrome,OSAHS)会在睡眠过程中多次出现呼吸暂停或低通气,从而导致严重睡眠障碍,严重时甚至会导致窒息性猝死。据调查表明,国内20岁及30岁以上人群的OSAHS患病概率在3.7~5.1%左右,而在60岁以上的老年群体中则达到29.2~32.5%左右。医学上检测OSAHS的黄金标准是多导睡眠仪(Polysomnography,PSG)监测包括口、鼻呼吸气流、胸腹呼吸运动、心电图(Electrocardiogram,ECG)、脑电图(Electroencephalogram,EEG)、眼电图(Electro-Oculogram,EOG)、下颌肌电图(Electromyography,EMG)、鼾声、体位、血氧饱和度等10多个生理参数。由于监测的生理参数十分全面,具有绝对的权威性,但PSG价格昂贵,并且检查需要检查者在病床上实时监测一整晚,过多的导联电路本身已影响了睡眠,外加不适应睡眠环境等心理压力,从而会在一定程度上影响诊断结果的准确性,严重制约了睡眠监测的普及与家用。
发明内容
为解决现有技术的不足,实现准确监测的同时降低成本、减少电路导联、提高佩戴舒适度的目的,本发明采用如下的技术方案:
一种用于睡姿监测的系统,包括分别与可穿戴设备、终端连接的上位机,所述上位机包括处理器,适于实现各指令,以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行:
1)对所述可穿戴设备采集的睡眠波动信号进行滤波;
2)通过阈值特征值提取所述睡眠波动信号中的特征值;
3)采用训练好的基于蝙蝠算法模块优化的最小二乘支持向量机对所述特征值进行分类识别;通过蝙蝠算法模块对最小二乘支持向量机的最重要的参数进行优化,有助于提高最小二乘支持向量机在训练时的精确度,从而提高训练后分类识别的准确率;
4)将识别出的睡姿结果发送至终端展示。
所述最小二乘支持向量机执行优化函数:
yi[(w·K(xi))+b0]=1-ξi; i=1,2,…,n (2)
s.t.ξi=0 (3)
w和b0分别是回归函数的权向量和偏移量,C是正则化参数,ξi是误差,选择误差的平方作为损失函数,K(xi)表示引入的非线性映射函数,xi是输入样本,即所述特征值,yi是输入样本的标签,即所述睡姿,运用拉朗日法优化求解,所述优化函数转为:
di是拉格朗日因子,所述最小二乘支持向量机采用高斯径向基核函数,通过蝙蝠算法模块(Bat Algorithm,BA)优化核函数的参数σ和所述正则化参数C。σ和C是最小二乘支持向量机最重要的优化参数,对该优化参数本身的优化,可以提高最小二乘支持向量机训练时的精确度。
所述蝙蝠算法模块执行如下:
t时刻,第i只蝙蝠在位置zi以速度vi随机飞行,寻找最优解z*,zi即需要优化的参数,z*即优化后的参数,fi是该蝙蝠个体所发出的脉冲频率,即优化函数,且fi∈[fmin,fmax],β∈[0,1]是均匀分布的随机向量;
对于当前的局部搜索区域,新的局部解znew使用随机游走方式生成,随机选取个体按下式(6)进行最优解扰动:
znew=z*+εAt (6)
ε是[-1,1]上的随机数值,At是在时刻t所有蝙蝠个体的平均响度,当发现猎物时,蝙蝠个体则降低脉冲响度和增加脉冲频度,在BA算法中,响度Ai和脉冲频度ri按下式(7)进行更新:
是初始脉冲频度。γ是发射脉冲频度增加的系数,w是脉冲响度衰减系数,两者都为常数,其中,0<w<1,γ>0。由此可见,γ和w对算法模块性能影响很大,通过训练时反复调整参数γ和w的值,平衡算法的寻优精度和收敛速度,从而提高分类识别的准确率。
所述可穿戴设备包括MCU微控制器以及分别与其连接的九轴运动传感器模块、SD存储卡和WIFI通信模块。SD存储卡可以备份整晚的睡姿波动信息,通过WIFI通信模块统一上传上位机。
所述九轴运动传感器模块包括加速度计、陀螺仪、磁力计。通过加速度计、陀螺仪、磁力计的配合,更精准的采集睡姿波动信息。
所述滤波使用FIR滤波器实现低通滤波。提高后续分类识别的准确率。
所述特征值包括加速度信号幅度矢量、加速度幅度域、姿态角。通过加速度信号幅度矢量、加速度幅度域、姿态角相结合,有助于最小二乘支持向量机更准确的进行分类识别。
一种用于睡姿监测的方法,包括如下步骤:
S101,对采集的睡眠波动信号进行滤波;
S102,通过阈值特征值提取所述睡眠波动信号中的特征值;
S103,采用训练好的基于蝙蝠算法优化的最小二乘支持向量机对所述特征值进行分类识别;通过蝙蝠算法对最小二乘支持向量机的最重要的参数进行优化,有助于提高最小二乘支持向量机在训练时的精确度,从而提高训练后分类识别的准确率;
S104,展示识别的睡姿结果。
所述最小二乘支持向量机的优化函数:
yi[(w·K(xi))+b0]=1-ξi; i=1,2,…,n (2)
s.t.ξi=0 (3)
w和b0分别是回归函数的权向量和偏移量,C是正则化参数,ξi是误差,选择误差的平方作为损失函数,K(xi)表示引入的非线性映射函数,xi是输入样本,即所述特征值,yi是输入样本的标签,即所述睡姿,运用拉朗日法优化求解,所述优化函数转为:
di是拉格朗日因子,所述最小二乘支持向量机采用高斯径向基核函数,通过蝙蝠算法模块优化核函数的参数σ和所述正则化参数C。σ和C是最小二乘支持向量机最重要的优化参数,对该优化参数本身的优化,可以提高最小二乘支持向量机训练时的精确度。
所述蝙蝠算法如下:
t时刻,第i只蝙蝠在位置zi以速度vi随机飞行,寻找最优解z*,zi即需要优化的参数,z*即优化后的参数,fi是该蝙蝠个体所发出的脉冲频率,即优化函数,且fi∈[fmin,fmax],β∈[0,1]是均匀分布的随机向量;
对于当前的局部搜索区域,新的局部解znew使用随机游走方式生成,随机选取个体按下式(6)进行最优解扰动:
znew=z*+εAt (6)
ε是[-1,1]上的随机数值,At是在时刻t所有蝙蝠个体的平均响度,当发现猎物时,蝙蝠个体则降低脉冲响度和增加脉冲频度,在BA算法中,响度Ai和脉冲频度ri按下式(7)进行更新:
是初始脉冲频度,γ是发射脉冲频度增加的系数,w是脉冲响度衰减系数,两者都为常数,其中,0<w<1,γ>0。由此可见,γ和w对算法模块性能影响很大,通过训练时反复调整参数γ和w的值,平衡算法的寻优精度和收敛速度,从而提高分类识别的准确率。
本发明的优势和有益效果在于:
采用非干预式生理睡眠参数监测,从人体系统的角度认识和刻画睡眠障碍患者的情况,围绕生理信号的记录和生理信息的挖掘,缩减了信号的导联,使传感器佩戴更舒适,通过改进的数据分析方法对睡眠障碍患者进行早期筛查和辅助诊断,提供了一个便携式可传代设备及轻量化、普适性的跟踪监测方案,且省时、省力、节省成本及易于临床推广。
附图说明
图1是本发明的系统结构示意图。
图2是本发明的方法流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图1所示,一种用于睡姿监测的系统,包括分别与可穿戴设备、终端连接的上位机,可穿戴设备放置人体背部位置,用于睡眠波动状态的采集,其包括MCU微控制器以及分别与其连接的九轴运动传感器模块、SD存储卡和WIFI通信模块,MCU微控制器通过SPI(Serial Peripheral Interface,串行外设接口)分别与九轴运动传感器模块、SD存储卡连接,WIFI通信模块通过USB接口与MCU微控制器连接,SD存储卡可以备份整晚的睡姿波动信息,通过WIFI通信模块统一上传上位机,上位机完成睡眠波动信号的滤波和识别,并输出一整晚的仰卧、左侧卧、右侧卧、俯卧四种不同睡姿的次数和时间长度,同时建立用户人员的健康数据档案,分析睡姿数据是否异常,以监测的睡姿数据为基础,进行后续睡眠障碍的体位性治疗,改善呼吸暂停患者的症状。所述九轴运动传感器模块包括3轴加速度计、3轴陀螺仪、3轴磁传感器,在睡眠过程中,3轴加速度计、3轴陀螺仪、3轴磁传感器的数值都发生变化,通过三者的配合,确定身体与床面构成的角度来表示,右侧卧时的角度为正,平躺时的身体角度为0°,向右翻转时的角度变化为正,向左翻转时身体的角度变化为负,从而更精准的采集睡姿波动信息。终端可以是手机、平板、显示设备等。
如图2所示,所述上位机采用如下用于睡姿监测的方法:
S101,对采集的睡眠波动信号进行滤波;所述滤波使用FIR滤波器实现低通滤波;提高后续分类识别的准确率;
S102,通过阈值特征值提取所述睡眠波动信号中的特征值;所述特征值包括加速度信号幅度矢量、加速度幅度域、姿态角;通过加速度信号幅度矢量、加速度幅度域、姿态角相结合,有助于最小二乘支持向量机更准确的进行分类识别;
S103,采用训练好的基于蝙蝠算法优化的最小二乘支持向量机对所述特征值进行分类识别;通过蝙蝠算法对最小二乘支持向量机的最重要的参数进行优化,有助于提高最小二乘支持向量机在训练时的精确度,从而提高训练后分类识别的准确率;
S104,展示识别的睡姿结果。
所述最小二乘支持向量机选择误差的平方作为损失函数,同时将约束条件变为等式,最优问题转化为:
yi[(w·K(xi))+b0]=1-ξi; i=1,2,…,n (2)
s.t.ξi=0 (3)
w和b0分别是回归函数的权向量和偏移量,C是正则化参数,ξi是误差,K(xi)表示引入的非线性映射函数,xi是输入样本,即所述特征值,yi是输入样本的标签,即所述睡姿,运用拉朗日法优化求解,所述优化函数转为:
di是拉格朗日因子,所述最小二乘支持向量机常用的核函数有线性核函数,多项式核函数,高斯径向基核函数和Sigmoid核函数等,本申请采用高斯径向基核函数,通过蝙蝠算法模块优化核函数的参数σ和所述正则化参数C。σ和C是最小二乘支持向量机最重要的优化参数,对该优化参数本身的优化,可以提高最小二乘支持向量机训练时的精确度。
所述蝙蝠算法如下:
t时刻,第i只蝙蝠在位置zi以速度vi随机飞行,寻找最优解z*,zi即需要优化的参数,z*即优化后的参数,fi是该蝙蝠个体所发出的脉冲频率,即优化函数,且fi∈[fmin,fmax],β∈[0,1]是均匀分布的随机向量;
对于当前的局部搜索区域,新的局部解znew使用随机游走方式生成,随机选取个体按下式(6)进行最优解扰动:
znew=z*+εAt (6)
ε是[-1,1]上的随机数值,At是在时刻t所有蝙蝠个体的平均响度,当发现猎物时,蝙蝠个体则降低脉冲响度和增加脉冲频度,在BA算法中,响度Ai和脉冲频度ri按下式(7)进行更新:
是初始脉冲频度,γ是发射脉冲频度增加的系数,w是脉冲响度衰减系数,两者都为常数,其中,0<w<1,γ>0。由此可见,γ和w对算法模块性能影响很大,通过训练时反复调整参数γ和w的值,平衡算法的寻优精度和收敛速度,从而提高分类识别的准确率。
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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部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实施例技术方案的范围。
Claims (10)
1.一种用于睡姿监测的系统,包括分别与可穿戴设备、终端连接的上位机,其特征在于,所述上位机包括处理器,适于实现各指令,以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行:
1)对所述可穿戴设备采集的睡眠波动信号进行滤波;
2)通过阈值特征值提取所述睡眠波动信号中的特征值;
3)采用训练好的基于蝙蝠算法模块优化的最小二乘支持向量机对所述特征值进行分类识别;
4)将识别出的睡姿结果发送至终端展示。
3.如权利要求1所述的一种用于睡姿监测的系统,其特征在于所述蝙蝠算法模块执行如下:
t时刻,第i只蝙蝠在位置zi以速度vi随机飞行,寻找最优解z*,zi即需要优化的参数,z*即优化后的参数,fi是该蝙蝠个体所发出的脉冲频率,即优化函数,且fi∈[fmin,fmax],β∈[0,1]是均匀分布的随机向量;
对于当前的局部搜索区域,新的局部解znew使用随机游走方式生成,随机选取个体按下式(6)进行最优解扰动:
znew=z*+εAt (6)
ε是[-1,1]上的随机数值,At是在时刻t所有蝙蝠个体的平均响度,响度Ai和脉冲频度ri按下式(7)进行更新:
ri 0是初始脉冲频度,γ是发射脉冲频度增加的系数,w是脉冲响度衰减系数,两者都为常数,其中,0<w<1,γ>0。
4.如权利要求1所述的一种用于睡姿监测的系统,其特征在于所述可穿戴设备包括MCU微控制器以及分别与其连接的九轴运动传感器模块、SD存储卡和WIFI通信模块。
5.如权利要求4所述的一种用于睡姿监测的系统,其特征在于所述九轴运动传感器模块包括加速度计、陀螺仪、磁力计。
6.如权利要求1所述的一种用于睡姿监测的系统,其特征在于所述滤波使用FIR滤波器实现低通滤波。
7.如权利要求1所述的一种用于睡姿监测的系统,其特征在于所述特征值包括加速度信号幅度矢量、加速度幅度域、姿态角。
8.一种用于睡姿监测的方法,其特征在于,包括如下步骤:
S101,对采集的睡眠波动信号进行滤波;
S102,通过阈值特征值提取所述睡眠波动信号中的特征值;
S103,采用训练好的基于蝙蝠算法优化的最小二乘支持向量机对所述特征值进行分类识别;
S104,展示识别的睡姿结果。
10.如权利要求8所述的一种用于睡姿监测的方法,其特征在于所述蝙蝠算法如下:
t时刻,第i只蝙蝠在位置zi以速度vi随机飞行,寻找最优解z*,zi即需要优化的参数,z*即优化后的参数,fi是该蝙蝠个体所发出的脉冲频率,即优化函数,且fi∈[fmin,fmax],β∈[0,1]是均匀分布的随机向量;
对于当前的局部搜索区域,新的局部解znew使用随机游走方式生成,随机选取个体按下式(6)进行最优解扰动:
znew=z*+εAt (6)
ε是[-1,1]上的随机数值,At是在时刻t所有蝙蝠个体的平均响度,响度Ai和脉冲频度ri按下式(7)进行更新:
ri 0是初始脉冲频度,γ是发射脉冲频度增加的系数,w是脉冲响度衰减系数,两者都为常数,其中,0<w<1,γ>0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448320.9A CN111639693A (zh) | 2020-05-25 | 2020-05-25 | 一种用于睡姿监测的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448320.9A CN111639693A (zh) | 2020-05-25 | 2020-05-25 | 一种用于睡姿监测的系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639693A true CN111639693A (zh) | 2020-09-08 |
Family
ID=72332224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010448320.9A Pending CN111639693A (zh) | 2020-05-25 | 2020-05-25 | 一种用于睡姿监测的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639693A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469084A (zh) * | 2021-07-07 | 2021-10-01 | 西安电子科技大学 | 基于对比生成对抗网络的高光谱图像分类方法 |
CN113888838A (zh) * | 2021-11-08 | 2022-01-04 | 深圳作为科技有限公司 | 一种睡姿监测告警方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107647850A (zh) * | 2017-11-14 | 2018-02-02 | 张安斌 | 穿戴式打鼾监测设备 |
CN108765951A (zh) * | 2018-06-11 | 2018-11-06 | 广东工业大学 | 基于蝙蝠算法支持向量机的高速公路交通状态识别方法 |
CN109171655A (zh) * | 2018-09-19 | 2019-01-11 | 北京工业大学 | 一种基于重力加速度的睡眠呼吸及睡姿的检测方法 |
CN109242157A (zh) * | 2018-08-17 | 2019-01-18 | 华北电力大学 | 一种改进的输电工程造价智能预测方法 |
CN109480782A (zh) * | 2018-11-16 | 2019-03-19 | 深圳和而泰数据资源与云技术有限公司 | 一种睡眠状态检测方法、装置及设备 |
CN110850988A (zh) * | 2019-12-02 | 2020-02-28 | 合肥工业大学 | 一种防干扰抬腕亮屏的系统及方法 |
-
2020
- 2020-05-25 CN CN202010448320.9A patent/CN111639693A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107647850A (zh) * | 2017-11-14 | 2018-02-02 | 张安斌 | 穿戴式打鼾监测设备 |
CN108765951A (zh) * | 2018-06-11 | 2018-11-06 | 广东工业大学 | 基于蝙蝠算法支持向量机的高速公路交通状态识别方法 |
CN109242157A (zh) * | 2018-08-17 | 2019-01-18 | 华北电力大学 | 一种改进的输电工程造价智能预测方法 |
CN109171655A (zh) * | 2018-09-19 | 2019-01-11 | 北京工业大学 | 一种基于重力加速度的睡眠呼吸及睡姿的检测方法 |
CN109480782A (zh) * | 2018-11-16 | 2019-03-19 | 深圳和而泰数据资源与云技术有限公司 | 一种睡眠状态检测方法、装置及设备 |
CN110850988A (zh) * | 2019-12-02 | 2020-02-28 | 合肥工业大学 | 一种防干扰抬腕亮屏的系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469084A (zh) * | 2021-07-07 | 2021-10-01 | 西安电子科技大学 | 基于对比生成对抗网络的高光谱图像分类方法 |
CN113888838A (zh) * | 2021-11-08 | 2022-01-04 | 深圳作为科技有限公司 | 一种睡姿监测告警方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190029587A1 (en) | Multicomponent Brain-based Electromagnetic Biosignal Detection System | |
CN103717125B (zh) | 用于确定人的睡眠和睡眠阶段的系统和方法 | |
CN104834946B (zh) | 一种非接触式睡眠监测方法及系统 | |
CN110612057B (zh) | 用于检测中风的系统和方法 | |
WO2020187109A1 (zh) | 一种用户睡眠检测方法及系统 | |
CN113633260B (zh) | 多导睡眠监测方法、监测仪、计算机设备及可读存储介质 | |
KR102100120B1 (ko) | 생체 신호를 모니터링하는 방법, 장치 및 컴퓨터 프로그램 | |
WO2018120643A1 (zh) | 生理监测结果的反馈方法及装置 | |
Yüzer et al. | A novel wearable real-time sleep apnea detection system based on the acceleration sensor | |
WO2010068588A2 (en) | Integrated instrumentation system and method for assessing feeding readiness and competence in preterm infants | |
CN111639693A (zh) | 一种用于睡姿监测的系统及方法 | |
WO2016168979A1 (zh) | 一种生命体征分析方法与系统 | |
Hwang et al. | Sleep period time estimation based on electrodermal activity | |
WO2020133536A1 (zh) | 一种睡眠状态判断的方法及装置 | |
Karlen et al. | Improving actigraph sleep/wake classification with cardio-respiratory signals | |
CN110477887A (zh) | 一种非入侵式长程呼吸暂停综合征的监测装置 | |
US11291406B2 (en) | System for determining a set of at least one cardio-respiratory descriptor of an individual during sleep | |
CN208769759U (zh) | 基于心电、呼吸、体位信号的睡眠质量评估系统 | |
Gong et al. | Design and implementation of wearable dynamic electrocardiograph real-time monitoring terminal | |
CN109171656B (zh) | 一种不宁腿综合症的早期检测设备 | |
CN206080518U (zh) | 一种可穿戴式呼吸监护系统 | |
Zhang et al. | A feasibility study on smart mattresses to improve sleep quality | |
TWI777650B (zh) | 基於心跳間隔下降率分組之呼吸暫停與不足事件偵測方法 | |
CN116649890A (zh) | 基于薄膜压电传感器的床垫式无负荷睡眠监测系统 | |
CN208822746U (zh) | 一种非录音的说梦话打呼噜监测系统 |
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 |