CN111803038B - 监测睡眠呼吸暂停事件的方法、系统、终端及存储介质 - Google Patents

Abstract

本申请适用于生命特征识别技术领域，提供了一种监测睡眠呼吸暂停事件的方法、系统、终端及存储介质，其中，一种监测睡眠呼吸暂停事件的方法，通过根据监测得到的心冲图信号和胸腹部的呼吸信号分析出被监测对象的心率与呼吸率的变化，并基于心率和呼吸率对血氧浓度信号进行优化，减少信号干扰，基于优化后的血氧浓度信号来分析睡眠呼吸暂停事件，能够更准确分析出被监测对象在睡眠过程中有没有存在睡眠呼吸暂停事件，能够有效地去除心衰等其他问题导致的血氧浓度的下降，能够准确地识别出睡眠呼吸暂停事件，提高监测的准确度。

Description

监测睡眠呼吸暂停事件的方法、系统、终端及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种睡眠呼吸暂停事件监测方法、系统、终端设备及计算机可读存储介质。

背景技术

阻塞性睡眠呼吸暂停综合症（obstructive sleep apnea hypopnea syndrome，OSAHS），是睡眠呼吸暂停中的最常见形式。阻塞性睡眠呼吸暂停综合症的患者，以及患有呼吸系统疾病、心脏疾病的人群，需要长期监测自己睡眠时的呼吸和心跳状况，而目前医院里采用的多为利用多导睡眠图仪（Polysomnography，PSG）对患者的睡眠呼吸暂停事件进行监测。使用多导睡眠图仪进行监测时，由于需要监测的参数众多，因此需要采用很多传感器来采集参数，而大量的电极连接在人体上，会影响患者正常的休息。

为了减少对患者的正常休息的影响，目前可以通过血氧仪来筛查睡眠呼吸暂停。由于用户发生阻塞性呼吸暂停时，会导致血氧下降，因此可以通过对用户睡眠过程中的血氧浓度进行监测，实现辅助筛查睡眠呼吸暂停综合征的目的。然而血氧浓度的下降还可能是心衰等其他原因造成的。而目前的通过血氧仪辅助监测睡眠呼吸暂停事件的方法无法准确识别造成血氧下降的原因，因此会导致监测结果误差较大。

由此可见，目前通过血氧仪辅助监测睡眠呼吸暂停事件的过程中存在监测结果误差大的问题。

发明内容

有鉴于此，本申请实施例提供了一种睡眠呼吸暂停事件监测方法、系统、终端设备及计算机可读存储介质，以解决现有技术中通过血氧仪辅助监测睡眠呼吸暂停事件的过程中存在监测结果误差大的问题。

本申请实施例的第一方面提供了一种睡眠呼吸暂停事件监测方法，包括：

获取被监测对象的第一生命体征信息和第二生命体征信息；所述第一生命体征信息包括心冲击图信号和胸腹部的呼吸信号，所述第二生命体征信息包括血氧浓度信息；

根据所述第一生命体征信息获取所述被监测对象的呼吸率和心率；

根据所述被监测对象的呼吸率和心率对所述第二生命体征信息按照预设规则进行优化；

若优化后的第二生命体征信息满足预设条件，则确定被监测对象在监测过程存在睡眠呼吸暂停事件。

在第一方面的一种可能的实现方式中，所述根据所述第一生命体征信息获取所述被监测对象的呼吸率和心率，包括：

从所述心冲击图信号中提取J波与J波的间期信号；

对所述间期信号进行插值重采样；

计算所述间期信号和所述呼吸信号的互功率谱密度、相干性系数以及耦合谱；将耦合谱分为高频曲线和低频曲线，

根据低频曲线确定被监测对象的呼吸率；

根据高频曲线确定被监测对象的心率。

在第一方面的一种可能的实现方式中，所述根据所述被监测对象的呼吸率和心率对所述第二生命体征信息按照预设规则进行优化，包括：

对所述第二生命体征信息进行预处理，得到血氧浓度曲线；

基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线。

在第一方面的一种可能的实现方式中，所述基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线，包括：

获取同一监测时间段的血氧浓度值、呼吸率值以及心率值；

根据所述血氧浓度值、呼吸率值以及心率值计算得到血氧心率参数、血氧呼吸参数以及心率呼吸参数；

根据所述血氧心率参数、所述血氧呼吸参数以及所述心率呼吸参数确定监测时间段内的血氧浓度值是否有效；

将无效的血氧浓度值从所述血氧浓度曲线中删除，得到有效血氧浓度曲线。

在第一方面的一种可能的实现方式中，所述根据所述血氧心率参数、所述血氧呼吸参数以及所述心率呼吸参数确定监测时间段内的血氧浓度值是否有效，包括：

判断所述血氧呼吸参数是否大于第一预设阈值；

若所述血氧呼吸参数小于或等于第一预设阈值，则确定所述监测时间段内的血氧浓度值无效；

若所述血氧呼吸参数大于所述第一预设阈值，则判断所述血氧心率参数是否大于第二预设阈值；

若所述血氧心率参数大于所述第二预设阈值，则确定所述监测时间段内的血氧浓度值有效；

若所述血氧心率参数小于或等于所述第二预设阈值，则判断所述心率呼吸参数是否大于第三预设阈值；

若所述心率呼吸参数大于所述第三预设阈值，则确定所述监测时间段内的血氧浓度值有效；若所述心率呼吸参数小于或等于所述第三预设阈值，则确定所述监测时间段内的血氧浓度值无效。

在第一方面的一种可能的实现方式中，所述根据所述血氧浓度值、呼吸率值以及心率值计算得到血氧心率参数、血氧呼吸参数以及心率呼吸参数，包括：

基于血氧浓度值和心率值计算血氧心率参数；

基于心率值和呼吸率值至计算心率呼吸参数；

基于血氧浓度值和呼吸率值计算血氧呼吸参数。

在第一方面的第一种可能的实现方式中，基于血氧浓度值和心率值计算血氧心率参数的计算公式为：

；

其中，ρ_OH为血氧心率参数，O为血氧浓度值；H为心率值；cov(O,H)是指血氧浓度值O与心率值H的互相关函数，D(O)是指血氧浓度值O的自相关函数，D(H)是指心率值H的自相关函数；

；

其中，T是指互相关函数的自变量，O(t)是指在t时刻的血氧浓度值，H(t+τ)是指在t+τ时刻的心率值，τ是指血氧浓度值的取值时刻和心率值的取值时刻之间的取值时间差；

基于心率值和呼吸率值至计算心率呼吸参数的计算公式为：

；

其中，ρ_HR为心率呼吸参数，H为心率值，R为呼吸率值，cov(H,R)是指心率值H与呼吸率值R的互相关函数，D(H)是指心率值H的自相关函数，D(R)是指呼吸率值R的自相关函数；

；

其中，T是指互相关函数的自变量，H(t)是指在t时刻的心率值，R(t+τ)是指在t+τ时刻的呼吸率值，τ是指心率值的取值时刻与呼吸率值的取值时刻的取值时间差；

基于血氧浓度值和呼吸率值计算血氧呼吸参数的计算公式为：

；

其中，ρ_OR为血氧呼吸参数，O为血氧浓度值，R为呼吸率值，cov(O,R)是指血氧浓度值O与呼吸率值R的互相关函数；D(O)是指血氧浓度值O的自相关函数，D(R)是指呼吸率值R的自相关函数；

；

其中，T是指互相关函数的自变量，O(t)是指在t时刻的血氧浓度值，R(t+τ)是指在t+τ时刻的呼吸率值，τ是指血氧浓度值的取值时刻与呼吸率值的取值时刻的取值时间差。

本申请实施例的第二方面提供了一种监测终端，包括：第一获取单元、第二获取单元、优化单元和判别单元；

所述第一获取单元用于获取被监测对象的第一生命体征信息和第二生命体征信息；

所述第二获取单元用于根据所述第一生命体征信息获取所述被监测对象的呼吸率和心率；

所述优化单元用于根据所述被监测对象的呼吸率和心率对所述第二生命体征信息按照预设规则进行优化；

所述判别单元用于若优化后的第二生命体征信息满足预设条件，则确定被监测对象在监测过程存在睡眠呼吸暂停事件。

本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在终端设备上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面提供的监测睡眠呼吸暂停事件的方法的各步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方案提供的监测睡眠呼吸暂停事件的方法的各步骤。

实施本申请实施例提供的一种监测睡眠呼吸暂停事件的方法、系统、终端设备及计算机可读存储介质具有以下有益效果：

本申请实施例提供的一种监测睡眠呼吸暂停事件的方法，通过根据监测得到的心冲图信号和胸腹部的呼吸信号分析出被监测对象的心率与呼吸率的变化，并基于心率和呼吸率对血氧浓度信号进行优化，减少信号干扰，基于优化后的血氧浓度信号来分析睡眠呼吸暂停事件，能够更准确分析出被监测对象在睡眠过程中有没有存在睡眠呼吸暂停事件，能够有效地去除心衰等其他问题导致的血氧浓度的下降，能够准确地识别出睡眠呼吸暂停事件，提高监测的准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请实施例提供的监测睡眠呼吸暂停事件的方法的适用场景示意图；

图2是本申请实施例提供的一种监测睡眠呼吸暂停事件的方法的实现流程图；

图3是本申请实施例提供的一种监测终端的结构框图；

图4是本申请实施例提供的一种终端设备的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例所涉及的监测睡眠呼吸暂停事件的方法，可以由控制设备或终端（以下称“移动终端”）执行。

本申请实施例涉及的一种监测睡眠呼吸暂停事件的方法，应用于智慧医疗场景中，从而推动智慧城市的建设。

请参阅图1，如图1所示的一种监测睡醒呼吸暂停事件的方法所适用于的应用场景的示意图，包括第一信号采集设备10、第二信号采集设备20和监测终端30。监测终端30可分别与第一信号采集设备10以及第二信号采集设备进行通信。

在本申请实施例中，上述第一信号采集设备10用于采集第一生命体征信号，上述第二信号采集设备20用于采集第二生命体征信号。

在具体应用中，上述第一生命体征信号可以包括被监测对象的心冲击图信号和胸腹部的呼吸信号。上述第一信号采集设备10可以包括心冲击图信号（BCG）传感器来，通过上述心冲击图信号传感器来获取上述心冲击图信号和胸腹部的呼吸信号。上述心冲击图信号传感器可以采用六轴加速度计、三轴加速度计、单轴加速度计、压电薄膜传感器等非接触式传感器。

在具体应用中，可以将上述心冲击图信号传感器摆放于床具上（可设置于床面上，亦可紧贴于床面下，在此不加以限制）并放置在接近被监测对象的胸腔位置，无需接触被监测对象，就能进行无感监测。

在具体应用中，上述第二生命体征信号可以包括血氧浓度信号。上述第二生命体征信号可以包括血氧传感器。通过血氧传感器向被监测对象的半透明部位（如手指或手腕内侧等部位）分别发送可见光和红外光，然后基于血液中血红蛋白和氧合血红蛋白对红外光和红光的吸收比率不同，来测量动脉血的血氧饱和度。具体的，上述血氧传感器可以是光电传感器。

在本申请实施例中，上述光电传感器可以集成在可穿戴设备上，即该第二信号采集设备可以是可穿戴设备，用户可以将集成了光电传感器的可穿戴设备佩戴在手指或手腕内侧等部位来实现被监测对象的血氧浓度信号的采集。

作为示例而非限定，当第二信号采集设备为可穿戴设备时，该可穿戴设备还可以是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，如智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。

在本申请实施例，上述监测终端30可以是手机、平板电脑、可穿戴设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personaldigital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。

示例性的，上述终端设备可以是蜂窝电话、无绳电话、会话启动协议(SessionInitiation Protocol，SIP)电话、无线本地环路(Wireless Local Loop，WLL)站、个人数字处理(Personal Digital Assistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备、无线调制解调器卡、电视机顶盒(set top box，STB)、用户驻地设备(customer premise equipment，CPE)和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G网络中的移动终端或者未来演进的公共陆地移动网络(PublicLand Mobile Network，PLMN)网络中的移动终端等。

在实际应用中，上述监测终端30还可以是具有计算资源的服务器设备，通过服务器设备对第一信号采集设备采集到的第一生命体征信号和第二信号采集设备采集到的第二生命体征信号进行处理，然后根据处理后的第二生命体征信号来确定监测过程是否存在睡眠呼吸暂停事件。上述监测终端30还可以是云服务器，上述云服务器分别与第一信号采集设备10、第二信号采集设备20通过无线通信方式进行通信，以此来获取第一信号采集设备10采集到的第一生命体征信号和第二信号采集设备20采集到的第二生命体征信号。

请参阅图2，图2示出了本申请实施例提供的一种监测睡眠呼吸暂停事件的方法的实现流程图。在本申请实施例中，上述监测睡眠呼吸暂停事件的方法的执行主体是上述监测终端，上述监测睡眠呼吸暂停事件的方法主要包括S11至S14，详述如下：

S11：获取被监测对象的第一生命体征信息和第二生命体征信息。

在本申请实施例中，上述第一生命体征信息可以包括心冲击图信号和胸腹部的呼吸信号，所述第二生命体征信息可以包括血氧浓度信息。需要说明的是，上述第一生命体征信息还可以是其他能够用于确定被监测对象的心率和呼吸率的其他生命体征信息，如脉搏信息等。上述第二生命体征信息还可以是其他能够用于分析睡眠呼吸暂停事件的其他生命体征信息，例如鼻息信息等，在此不加以限制。

在本申请实施例中，监测终端可以从与其通信连接的第一信号采集设备获取到第一信号采集设备采集到的第一生命体征信息。示例性的，监测终端通过第一信号采集设备的心冲击图信号（BCG）传感器采集被监测对象的心冲击图信号和胸腹部的呼吸信号。上述心冲击图信号传感器可以采用六轴加速度计、三轴加速度计、单轴加速度计、压电薄膜传感器等非接触式传感器。将心冲击图信号（BCG）传感器放置在床上或集成在床体/床垫内部进行信号采集，不与人体直接接触，能够便于信息采集；且采集过程不受睡眠中人体运动影响，能够提高采集精度。

监测终端可以从与其通信连接的第二信号采集设备获取到第二信号采集设备采集到的第二生命体征信息。示例性的，监测终端通过第二信号采集设备的血氧传感器采集被监测对象的血氧浓度信息。

具体地，在采集心冲击图信号和胸腹部的呼吸信号时，可以设置采集心冲击图信号和胸腹部的呼吸信号的频率范围，持续监测该频率区间内的信号，可以有效地降低运算量并提高抗干扰能力。

S12：根据所述第一生命体征信息获取所述被监测对象的呼吸率和心率。

在本申请实施例中，上述第一生命体征信号包括心冲击图信号和胸腹部的呼吸信号。从所述心冲击图信号中提取J波与J波的间期信号并对间期信号进行插值重采样，以使得间期信号的采样率与胸腹部的呼吸信号的采样率一致。然后计算所述间期信号和所述呼吸信号的互功率谱密度、相干性系数以及耦合谱；将耦合谱分为高频曲线和低频曲线，然后根据低频曲线确定被监测对象的呼吸率，根据高频曲线确定被监测对象的心率。

在本申请的一种实施例中，上述S12可以包括以下步骤：

从所述心冲击图信号中提取J波与J波的间期信号；

对所述间期信号进行插值重采样，调整所述间期信号的采样率和所述胸腹部的呼吸信号的采样率，使二者保持一致；

计算所述间期信号和所述呼吸信号的互功率谱密度密度、相干性系数以及耦合谱；将耦合谱分为高频曲线和低频曲线，

根据低频曲线确定被监测对象的呼吸率；

根据高频曲线确定被监测对象的心率。

在具体应用中，将从心冲击图信号中提取的间期信号进行插值重采样，就能够调整间期信号的采样率与呼吸信号的采样率一致，以便后续耦合谱的计算提供相同采样率基础。插值重采样是指通过插值法对间期信号进行重采样，重采样是指根据一类象元的信息内插出另一类象元信息的过程，在本申请实施例中，上述插值重采样是指通过插值法将间期信号的采样率插出呼吸率的采样率，进而使得间期信号的采样率与呼吸信号的采样率一致，具体的重采样方法是本领域的常规手段，在此不再加以赘述。

在具体应用中，将间期信号定义为x(t)、将呼吸信号定义为y(t)，则互功率谱密度为Sxy、相干性系数为Cxy以及耦合谱为CSxy。其中，互功率谱密度是指x(t)和y(t)的互相关函数的傅里叶变换，相干性系数是指相干函数的系数，可用来描述两个信号在各频率处的相关程度。耦合谱等于互功率谱密度的平方与相干性系数相乘，即：CSxy(ω)＝Cxy(ω)*[Sxy(ω)]²；其中，CSxy的数值范围是[-1 ,1]。

基于频率范围将耦合谱分为高频曲线和低频曲线，高频曲线定义为HF(t)、低频曲线定义为LF(t)。作为本申请的一种实施例，高频曲线HF(t)的频率范围是(0.1至1.0Hz)，低频曲线LF(t)的频率范围是(0.01至0.1Hz)。

将低频曲线通过傅里叶变换（FFT变换）计算出胸腹部的呼吸信号的频率，即被监测对象的呼吸率。再通过计数J波与J波的波峰来计算心率，就能够确定出被监测对象的心率和呼吸率。

需要说明的是，心电图J点是指心电图QRS波与ST段开始的连接点，是心室除极的QRS终末突然转化为ST段的转折点，它标志着心室除极结束和心室复极开始。当心电图J点从基线明显偏移后，形成一定的幅度，持续一定的时间，并呈圆顶状或驼峰形态时，就被称为J波或Osborn波。

S13：根据所述被监测对象的呼吸率和心率对所述第二生命体征信息按照预设规则进行优化。

在本申请实施例中，通过利用被监测对象的呼吸率和心率对采集到的血氧浓度信号对应的血氧浓度曲线按照预设规则进行优化，就能够得到用于判别被监测对象在被监测过程中是否存在睡眠呼吸暂停事件。

需要说明的是，上述预设规则可以根据心率和呼吸率对第二生命体征信息的影响来进行设置，在本申请实施例中，可以根据心率和呼吸率对血氧浓度信号的影响来设定预设规则。

在本申请的一种实施例中，上述S13可以包括以下步骤：

对所述第二生命体征信息进行预处理，得到血氧浓度曲线；

基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线。

在具体应用中，对采集到的血氧浓度信号进行AD转换和光谱分析后就能够得出对应的血氧浓度曲线。通过获取同一监测时间段内的呼吸率和心率，然后基于呼吸率和心率对该监测时间段内的血氧浓度曲线进行优化，以判断出该监测时间段内的血氧浓度信号是否可作为睡眠呼吸暂停事件的依据，将不能作为睡眠呼吸暂停事件的血氧浓度曲线段从血氧浓度曲线中删除，进而得到有效血氧浓度曲线。

在具体应用中，所述基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线，包括：

获取同一监测时间段的血氧浓度值O、呼吸率值R以及心率值H。根据所述血氧浓度值O、呼吸率值R以及心率值H计算得到血氧心率参数ρ_OH、血氧呼吸参数ρ_OR以及心率呼吸参数ρ_HR。

预设规则可以是：判断所述血氧呼吸参数ρ_OR是否大于第一预设阈值Th₁；若血氧呼吸参数ρ_OR大于第一预设阈值Th₁，则进一步判断所述血氧心率参数ρ_OH是否大于第二预设阈值Th₂，若血氧呼吸参数ρ_OR小于或等于第一预设阈值Th₁，则判定该监测时间段内的血氧浓度值无效；若所述血氧心率参数ρ_OH大于第二预设阈值Th₂，则确定该监测时间段内的血氧浓度值有效；若所述血氧心率参数ρ_OH小于或等于第二预设阈值Th₂，则进一步判断所述心率呼吸参数ρ_HR是否大于第三预设阈值Th₃；若所述心率呼吸参数ρ_HR大于第三预设阈值Th₃，则判定该监测时间段内的血氧浓度值有效；若所述心率呼吸参数ρ_HR小于或等于第三预设阈值Th₃，则判定该监测时间段内的血氧浓度值无效。

将无效的血氧浓度值删除，保留有效的血氧浓度值，就能够得到优化后的血氧浓度曲线。

需要说明的是，上述第一预设阈值Th₁、第二预设阈值Th₂以及第三预设阈值Th₃可以根据实际需要进行设置，例如：0<Th_1,2,3<1，在本实施例中，可设置为0.5。

还需要说明的是，血氧心率参数ρ_OH是基于血氧浓度值O和心率值H计算得到的，计算公式如下：

；

其中，ρ_OH为血氧心率参数，O为血氧浓度值；H为心率值；cov(O,H)是指血氧浓度值O与心率值H的互相关函数，D(O)是指血氧浓度值O的自相关函数，D(H)是指心率值H的自相关函数；

；

其中，T是指互相关函数的自变量，O(t)是指在t时刻的血氧浓度值，H(t+τ)是指在t+τ时刻的心率值，τ是指血氧浓度值的取值时刻和心率值的取值时刻之间的取值时间差。

需要说明的是，互相关函数的自变量T可以根据实际应用场景进行设置，在此不加以限制。

同理，血氧呼吸参数ρ_OR是基于血氧浓度值O和呼吸率值R计算得到的，计算公式如下：

；

其中，ρ_OR为血氧呼吸参数，O为血氧浓度值，R为呼吸率值，cov(O,R)是指血氧浓度值O与呼吸率值R的互相关函数；D(O)是指血氧浓度值O的自相关函数，D(R)是指呼吸率值R的自相关函数；

；

其中，T是指互相关函数的自变量，O(t)是指在t时刻的血氧浓度值，R(t+τ)是指在t+τ时刻的呼吸率值，τ是指血氧浓度值的取值时刻与呼吸率值的取值时刻的取值时间差。

需要说明的是，互相关函数的自变量T可以根据实际应用场景进行设置，在此不加以限制。

同理，心率呼吸参数ρ_HR是基于心率值H和呼吸率值R计算得到的，计算公式如下：

；

其中，ρ_HR为心率呼吸参数，H为心率值，R为呼吸率值，cov(H,R)是指心率值H与呼吸率值R的互相关函数，D(H)是指心率值H的自相关函数，D(R)是指呼吸率值R的自相关函数；

；

其中，T是指互相关函数的自变量，H(t)是指在t时刻的心率值，R(t+τ)是指在t+τ时刻的呼吸率值，τ是指心率值的取值时刻与呼吸率值的取值时刻的取值时间差。

需要说明的是，互相关函数的自变量T可以根据实际应用场景进行设置，在此不加以限制。

为了更直观的表示，请参阅表1，表1是根据心率呼吸参数ρ_HR、血氧呼吸参数ρ_OR、血氧心率参数ρ_OH对于各自阈值Th₁、Th₂、 Th₃的关系形成的逻辑判断查找表，其中，0表示“否”，1表示“是”。

S14：若优化后的第二生命体征信息满足预设条件，则确定被监测对象在监测过程存在睡眠呼吸暂停事件。

在具体应用中，由于优化后的第二生命体征信息已经将干扰因素进行排除，因此能够用来分析被监测对象在监测过程中是否存在睡眠呼吸暂停事件。在本申请实施例中，上述优化后的第二生命体征信息即有效血氧浓度曲线，基于有效血氧浓度曲线计算氧减饱和度指数（ODI），并判断氧减饱和度指数（ODI）是否不小于判断阈值，若氧减饱和度指数（ODI）不小于判断阈值，则确定优化后的第二生命体征信息满足预设条件。在实际应用中，上述判断阈值可设置为5。需要说明的是，基于有效血氧浓度曲线计算氧减饱和度指数是本领域常用的手段，在此不再加以赘述。

以上可以看出，本实施例提供的一种监测睡眠呼吸暂停事件的方法，通过根据监测得到的心冲图信号和胸腹部的呼吸信号分析出被监测对象的心率与呼吸率的变化，并基于心率和呼吸率对血氧浓度信号进行优化，减少信号干扰，基于优化后的血氧浓度信号来分析睡眠呼吸暂停事件，能够更准确分析出被监测对象在睡眠过程中有没有存在睡眠呼吸暂停事件，能够有效地去除心衰等其他问题导致的血氧浓度的下降，能够准确地识别出睡眠呼吸暂停事件，提高监测的准确度。

在本申请的所有实施例中，将所述被监测对象的第一生命体征信息、第二生命体征信息以及优化后的第二生命体征信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该所述被监测对象的第一生命体征信息、第二生命体征信息以及优化后的第二生命体征信息，以便查证所述被监测对象的第一生命体征信息、第二生命体征信息以及优化后的第二生命体征信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

请参阅图3，图3是本申请实施例提供的一种监测终端的结构框图。本实施例中该移动终端包括的各单元用于执行图2对应的实施例中的各步骤。具体请参阅图2以及图2所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图3，监测终端30包括：第一获取单元31、第二获取单元32、优化单元33以及判别单元34，其中：

第一获取单元31用于获取被监测对象的第一生命体征信息和第二生命体征信息；所述第一生命体征信息包括心冲击图信号和胸腹部的呼吸信号，所述第二生命体征信息包括血氧浓度信息；

第二获取单元32用于根据所述第一生命体征信息获取所述被监测对象的呼吸率和心率；

优化单元33用于根据所述被监测对象的呼吸率和心率对所述第二生命体征信息按照预设规则进行优化；

判别单元34用于若优化后的第二生命体征信息满足预设条件，则确定被监测对象在监测过程存在睡眠呼吸暂停事件。

作为本申请一实施例，上述第二获取单元32主要用于从所述心冲击图信号中提取J波与J波的间期信号；对所述间期信号进行插值重采样；计算所述间期信号和所述呼吸信号的互功率谱密度、相干性系数以及耦合谱；将耦合谱分为高频曲线和低频曲线，根据低频曲线确定被监测对象的呼吸率；根据高频曲线确定被监测对象的心率。

作为本申请一实施例，上述优化单元33主要用于对所述第二生命体征信息进行预处理，得到血氧浓度曲线；基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线。

其中，基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线，包括：获取同一监测时间段的血氧浓度值、呼吸率值以及心率值；根据所述血氧浓度值、呼吸率值以及心率值计算得到血氧心率参数、血氧呼吸参数以及心率呼吸参数；根据所述血氧心率参数、所述血氧呼吸参数以及所述心率呼吸参数确定监测时间段内的血氧浓度值是否有效；将无效的血氧浓度值从所述血氧浓度曲线中删除，得到有效血氧浓度曲线。

应当理解的是，图3示出的监测终端的结构框图中，各单元用于执行图2对应的实施例中的各步骤，而对于图2对应的实施例中的各步骤已在上述实施例中进行详细解释，具体请参阅图2以及图2所对应的实施例中的相关描述，此处不再赘述。

图4是本申请另一实施例提供的一种终端设备的结构框图。如图4所示，该实施例的终端设备40包括：处理器41、存储器42以及存储在所述存储器42中并可在所述处理器41上运行的计算机程序43，例如上述各个监测睡眠呼吸暂停事件的方法的程序。处理器41执行所述计算机程序73时实现上述各个监测睡眠呼吸暂停事件的方法各实施例中的步骤，例如图3所示的S31至S34。或者，所述处理器41执行所述计算机程序43时实现上述图3对应的实施例中各单元的功能，例如，图3所示的单元31至34的功能，具体请参阅图3对应的实施例中的相关描述，此处不赘述。

示例性的，所述计算机程序43可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器42中，并由所述处理器41执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序43在所述终端设备40中的执行过程。例如，所述计算机程序43可以被分割成第一获取单元、第二获取单元、优化单元以及判别单元，各单元具体功能如上所述。

所述转台设备可包括，但不仅限于，处理器41、存储器42。本领域技术人员可以理解，图4仅仅是终端设备40的示例，并不构成对终端设备40的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述转台设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器41可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器42可以是所述终端设备40的内部存储单元，例如终端设备40的硬盘或内存。所述存储器42也可以是所述终端设备40的外部存储设备，例如所述终端设备40上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器42还可以既包括所述终端设备40的内部存储单元也包括外部存储设备。所述存储器42用于存储所述计算机程序以及所述转台设备所需的其他程序和数据。所述存储器42还可以用于暂时地存储已经输出或者将要输出的数据。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种睡眠呼吸暂停事件监测系统，其特征在于，包括：第一信号采集设备、第二信号采集设备以及监测终端；

所述第一信号采集设备用于采集被监测对象的第一生命体征信息；

所述第二信号采集设备用于采集被监测对象的第二生命体征信息；

所述监测终端包括第一获取单元、第二获取单元、优化单元和判别单元；

所述第一获取单元用于获取被监测对象的第一生命体征信息和第二生命体征信息；

所述第二获取单元用于根据所述第一生命体征信息获取所述被监测对象的呼吸率和心率；

所述优化单元用于根据所述被监测对象的呼吸率和心率对所述第二生命体征信息进行优化；

所述判别单元用于若优化后的第二生命体征信息满足预设条件，则确定被监测对象在监测过程存在睡眠呼吸暂停事件；

所述优化单元具体用于对所述第二生命体征信息进行预处理，得到血氧浓度曲线；

基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线；

所述基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线，包括：

获取同一监测时间段的血氧浓度值、呼吸率值以及心率值；

根据所述血氧浓度值、呼吸率值以及心率值计算得到血氧心率参数、血氧呼吸参数以及心率呼吸参数；其中，基于血氧浓度值和心率值计算血氧心率参数；基于心率值和呼吸率值至计算心率呼吸参数；基于血氧浓度值和呼吸率值计算血氧呼吸参数；

根据所述血氧心率参数、所述血氧呼吸参数以及所述心率呼吸参数确定监测时间段内的血氧浓度值是否有效；

将无效的血氧浓度值从所述血氧浓度曲线中删除，得到有效血氧浓度曲线。

2.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如以下步骤：

获取第一信号采集设备采集得到的被监测对象的第一生命体征信息和第二信号采集设备采集得到的第二生命体征信息；

根据所述第一生命体征信息获取所述被监测对象的呼吸率和心率；

根据所述被监测对象的呼吸率和心率对所述第二生命体征信息进行优化；

若优化后的第二生命体征信息满足预设条件，则确定被监测对象在监测过程存在睡眠呼吸暂停事件；

所述第二生命体征信息包括血氧浓度信息，所述根据所述被监测对象的呼吸率和心率对所述第二生命体征信息进行优化，包括：

对所述第二生命体征信息进行预处理，得到血氧浓度曲线；

基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线；

所述基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线，包括：

获取同一监测时间段的血氧浓度值、呼吸率值以及心率值；

根据所述血氧浓度值、呼吸率值以及心率值计算得到血氧心率参数、血氧呼吸参数以及心率呼吸参数；其中，基于血氧浓度值和心率值计算血氧心率参数；基于心率值和呼吸率值至计算心率呼吸参数；基于血氧浓度值和呼吸率值计算血氧呼吸参数；

根据所述血氧心率参数、所述血氧呼吸参数以及所述心率呼吸参数确定监测时间段内的血氧浓度值是否有效；

将无效的血氧浓度值从所述血氧浓度曲线中删除，得到有效血氧浓度曲线。

3.根据权利要求2所述的终端设备，其特征在于，所述第一生命体征信息包括心冲击图信号和胸腹部的呼吸信号，所述根据所述第一生命体征信息获取所述被监测对象的呼吸率和心率，包括：

从所述心冲击图信号中提取J波与J波的间期信号；

对所述间期信号进行插值重采样；

计算所述间期信号和所述呼吸信号的互功率谱密度、相干性系数以及耦合谱；将耦合谱分为高频曲线和低频曲线，

根据低频曲线确定被监测对象的呼吸率；

根据高频曲线确定被监测对象的心率。

4.根据权利要求2所述的终端设备，其特征在于，所述根据所述血氧心率参数、所述血氧呼吸参数以及所述心率呼吸参数确定监测时间段内的血氧浓度值是否有效，包括：

判断所述血氧呼吸参数是否大于第一预设阈值；

若所述血氧呼吸参数小于或等于第一预设阈值，则确定所述监测时间段内的血氧浓度值无效；

若所述血氧呼吸参数大于所述第一预设阈值，则判断所述血氧心率参数是否大于第二预设阈值；

若所述血氧心率参数大于所述第二预设阈值，则确定所述监测时间段内的血氧浓度值有效；

若所述血氧心率参数小于或等于所述第二预设阈值，则判断所述心率呼吸参数是否大于第三预设阈值；

若所述心率呼吸参数大于所述第三预设阈值，则确定所述监测时间段内的血氧浓度值有效；若所述心率呼吸参数小于或等于所述第三预设阈值，则确定所述监测时间段内的血氧浓度值无效。

5.根据权利要求2所述的终端设备，其特征在于，基于血氧浓度值和心率值计算血氧心率参数的计算公式为：

；

其中，ρ_OH为血氧心率参数，O为血氧浓度值；H为心率值；cov(O,H)是指血氧浓度值O与心率值H的互相关函数，D(O)是指血氧浓度值O的自相关函数，D(H)是指心率值H的自相关函数；

；

其中，T是指互相关函数的自变量，O(t)是指在t时刻的血氧浓度值，H(t+τ)是指在t+τ时刻的心率值，τ是指血氧浓度值的取值时刻和心率值的取值时刻之间的取值时间差；

基于心率值和呼吸率值至计算心率呼吸参数的计算公式为：

；

其中，ρ_HR为心率呼吸参数，H为心率值，R为呼吸率值，cov(H,R)是指心率值H与呼吸率值R的互相关函数，D(H)是指心率值H的自相关函数，D(R)是指呼吸率值R的自相关函数；

；

其中，T是指互相关函数的自变量，H(t)是指在t时刻的心率值，R(t+τ)是指在t+τ时刻的呼吸率值，τ是指心率值的取值时刻与呼吸率值的取值时刻的取值时间差；

基于血氧浓度值和呼吸率值计算血氧呼吸参数的计算公式为：

；

其中，ρ_OR为血氧呼吸参数，O为血氧浓度值，R为呼吸率值，cov(O,R)是指血氧浓度值O与呼吸率值R的互相关函数；D(O)是指血氧浓度值O的自相关函数，D(R)是指呼吸率值R的自相关函数；

；

其中，T是指互相关函数的自变量，O(t)是指在t时刻的血氧浓度值，R(t+τ)是指在t+τ时刻的呼吸率值，τ是指血氧浓度值的取值时刻与呼吸率值的取值时刻的取值时间差。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：

获取第一信号采集设备采集得到的被监测对象的第一生命体征信息和第二信号采集设备采集得到的第二生命体征信息；

根据所述第一生命体征信息获取所述被监测对象的呼吸率和心率；

根据所述被监测对象的呼吸率和心率对所述第二生命体征信息进行优化；

若优化后的第二生命体征信息满足预设条件，则确定被监测对象在监测过程存在睡眠呼吸暂停事件；

所述第二生命体征信息包括血氧浓度信息，所述根据所述被监测对象的呼吸率和心率对所述第二生命体征信息进行优化，包括：

对所述第二生命体征信息进行预处理，得到血氧浓度曲线；

基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线；

所述基于所述被监测对象的呼吸和心率对血氧浓度曲线进行优化，得到有效血氧浓度曲线，包括：

获取同一监测时间段的血氧浓度值、呼吸率值以及心率值；

根据所述血氧浓度值、呼吸率值以及心率值计算得到血氧心率参数、血氧呼吸参数以及心率呼吸参数；其中，基于血氧浓度值和心率值计算血氧心率参数；基于心率值和呼吸率值至计算心率呼吸参数；基于血氧浓度值和呼吸率值计算血氧呼吸参数；

根据所述血氧心率参数、所述血氧呼吸参数以及所述心率呼吸参数确定监测时间段内的血氧浓度值是否有效；

将无效的血氧浓度值从所述血氧浓度曲线中删除，得到有效血氧浓度曲线。

7.根据权利要求6所述的计算机可读存储介质，其特征在于，所述第一生命体征信息包括心冲击图信号和胸腹部的呼吸信号，所述根据所述第一生命体征信息获取所述被监测对象的呼吸率和心率，包括：

从所述心冲击图信号中提取J波与J波的间期信号；

对所述间期信号进行插值重采样；

计算所述间期信号和所述呼吸信号的互功率谱密度、相干性系数以及耦合谱；将耦合谱分为高频曲线和低频曲线，

根据低频曲线确定被监测对象的呼吸率；

根据高频曲线确定被监测对象的心率。

8.根据权利要求6所述的计算机可读存储介质，其特征在于，所述根据所述血氧心率参数、所述血氧呼吸参数以及所述心率呼吸参数确定监测时间段内的血氧浓度值是否有效，包括：

判断所述血氧呼吸参数是否大于第一预设阈值；

若所述血氧呼吸参数小于或等于第一预设阈值，则确定所述监测时间段内的血氧浓度值无效；

若所述血氧呼吸参数大于所述第一预设阈值，则判断所述血氧心率参数是否大于第二预设阈值；

若所述血氧心率参数大于所述第二预设阈值，则确定所述监测时间段内的血氧浓度值有效；

若所述血氧心率参数小于或等于所述第二预设阈值，则判断所述心率呼吸参数是否大于第三预设阈值；

若所述心率呼吸参数大于所述第三预设阈值，则确定所述监测时间段内的血氧浓度值有效；若所述心率呼吸参数小于或等于所述第三预设阈值，则确定所述监测时间段内的血氧浓度值无效。

9.根据权利要求6所述的计算机可读存储介质，其特征在于，基于血氧浓度值和心率值计算血氧心率参数的计算公式为：

；

其中，ρ_OH为血氧心率参数，O为血氧浓度值；H为心率值；cov(O,H)是指血氧浓度值O与心率值H的互相关函数，D(O)是指血氧浓度值O的自相关函数，D(H)是指心率值H的自相关函数；

；

其中，T是指互相关函数的自变量，O(t)是指在t时刻的血氧浓度值，H(t+τ)是指在t+τ时刻的心率值，τ是指血氧浓度值的取值时刻和心率值的取值时刻之间的取值时间差；

基于心率值和呼吸率值至计算心率呼吸参数的计算公式为：

；

其中，ρ_HR为心率呼吸参数，H为心率值，R为呼吸率值，cov(H,R)是指心率值H与呼吸率值R的互相关函数，D(H)是指心率值H的自相关函数，D(R)是指呼吸率值R的自相关函数；

；

其中，T是指互相关函数的自变量，H(t)是指在t时刻的心率值，R(t+τ)是指在t+τ时刻的呼吸率值，τ是指心率值的取值时刻与呼吸率值的取值时刻的取值时间差；

基于血氧浓度值和呼吸率值计算血氧呼吸参数的计算公式为：

；

其中，ρ_OR为血氧呼吸参数，O为血氧浓度值，R为呼吸率值，cov(O,R)是指血氧浓度值O与呼吸率值R的互相关函数；D(O)是指血氧浓度值O的自相关函数，D(R)是指呼吸率值R的自相关函数；

；

其中，T是指互相关函数的自变量，O(t)是指在t时刻的血氧浓度值，R(t+τ)是指在t+τ时刻的呼吸率值，τ是指血氧浓度值的取值时刻与呼吸率值的取值时刻的取值时间差。

Images