CN111887830A - 睡眠监测方法、装置、设备及可读存储介质 - Google Patents

睡眠监测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN111887830A
CN111887830A CN202010947012.0A CN202010947012A CN111887830A CN 111887830 A CN111887830 A CN 111887830A CN 202010947012 A CN202010947012 A CN 202010947012A CN 111887830 A CN111887830 A CN 111887830A
Authority
CN
China
Prior art keywords
sleep
monitored person
judgment threshold
monitoring
acceleration signal
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
Application number
CN202010947012.0A
Other languages
English (en)
Other versions
CN111887830B (zh
Inventor
石用伍
谢泉
石用德
罗姣莲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Provincial Peoples Hospital
Original Assignee
Guizhou Provincial Peoples Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Provincial Peoples Hospital filed Critical Guizhou Provincial Peoples Hospital
Priority to CN202010947012.0A priority Critical patent/CN111887830B/zh
Publication of CN111887830A publication Critical patent/CN111887830A/zh
Application granted granted Critical
Publication of CN111887830B publication Critical patent/CN111887830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • 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)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Anesthesiology (AREA)
  • Pulmonology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种睡眠监测方法、装置、设备及可读存储介质，方法包括在确定被监测者佩戴着睡眠检测设备后，利用预先训练得到的睡眠场景识别模型，对加速度信号进行分析得到睡眠场景；然后根据预设的睡眠场景与各类阈值的对应关系，查询得到与睡眠场景识别模型输出的睡眠场景对应的各类阈值；最后根据加速度信号和与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值，对被监测者进行睡眠监测。本发明考虑不同睡眠场景下被监测者的运动变量存在的差异，为不同的睡眠场景设置对应的各类阈值，并依据睡眠场景对应的各类阈值对被监测者进行睡眠监测，提高了监测结果的准确性。

Description

睡眠监测方法、装置、设备及可读存储介质
技术领域
本发明涉及睡眠监测技术领域，更具体地说，涉及睡眠监测方法、装置、设备及可读存储介质。
背景技术
传统的睡眠质量检测是通过多导睡眠仪来实现的。多导睡眠仪通过采集心电信号、脑电信号、眼电信号、肌电信号、胸腹呼吸运动信号、口鼻气流信号、鼾声信号、血氧饱和度、体动信号、体位信号和肢体运动信号进行融合分析。这些信号的采集需要的设备成本较高，用户的体验较差，甚至影响使用者的睡眠质量；因此，多导睡眠仪只使用在特定场所，如医院、护理中心和某些研究试验室。
目前，智能手环等可穿戴设备中的睡眠监测功能，大多是基于加速度传感器检测运动变量来实现的。发明人发现现有的可穿戴设备进行睡眠监测时，依据的阈值都是固定值，并没有考虑不同睡眠场景下被监测者运动量的差异，导致最后的检测结果准确性较低。例如床上睡觉、列车卧铺上睡觉、轮船卧铺上睡觉、公交上睡觉、飞机上睡觉、沙滩上睡觉、吊床上睡觉、趴在桌子上睡觉、斜靠着床头睡觉、躺卧着睡觉、坐在床上睡觉、坐在轮椅上睡觉、站着背靠墙睡觉、婴幼儿在父母的怀抱里睡觉、婴幼儿在摇篮里睡觉等不同的睡眠场景下，被监测者的运动变量是存在较大差异的，因此，使用相同的阈值进行判断，会导致监测结果准确性较低。
发明内容
有鉴于此，本发明提出睡眠监测方法、装置、设备及可读存储介质，欲提高睡眠监测结果的准确性。
为了实现上述目的，现提出的方案如下：
第一方面，提供一种睡眠监测方法，包括：
获取加速度传感器输出的加速度信号，以及脉搏传感器输出的脉搏信号；
根据所述脉搏信号，判断被监测者是否佩戴着睡眠检测设备，若是，则将所述加速度信号输入到预先训练得到的睡眠场景识别模型，得到所述睡眠场景识别模型输出的睡眠场景；
根据预设的睡眠场景与各类阈值的对应关系，查询得到与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值；
根据所述加速度信号，和所述与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值，对所述被监测者进行睡眠监测。
优选的，在将所述加速度信号输入到预先训练得到的睡眠场景识别模型之前，还包括：
对所述加速度信号进行零均值标准化处理。
优选的，根据所述脉搏信号，判断被监测者是否佩戴着睡眠检测设备，具体包括：
通过比对预设的一段时间内所述脉搏信号的最大值和最小值之间的差值，与预设的幅度阈值的大小关系，确定所述被监测者是否佩戴着睡眠监测设备。
优选的，根据所述脉搏信号，判断被监测者是否佩戴着睡眠检测设备，具体包括：
根据所述脉冲信号是否呈周期性变化，确定所述被监测者是否佩戴着睡眠监测设备。
优选的，所述各类阈值包括第一静止判断阈值、第二静止判断阈值、第一剧烈运动判断阈值、第二剧烈运动判断阈值、深睡判断阈值和运动判断阈值；
根据所述加速度信号和所述与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值，对所述被监测者进行睡眠监测，具体包括：
在所述加速度信号与重力加速度的差值的绝对值小于第一静止判断阈值，和/或，所述加速度信号的方差小于第二静止判断阈值时，确定所述被监测者处于静止状态；
在所述加速度信号与重力加速度的差值的绝对值不小于第一静止判断阈值且小于第一剧烈运动判断阈值，和/或，所述加速度信号的方差不小于第二静止判断阈值且小于第二剧烈运动判断阈值时，确定所述被监测者处于微运动状态；
在所述加速度信号与重力加速度的差值的绝对值不小于第一剧烈运动判断阈值，和/或，所述加速度信号的方差不小于第二剧烈运动判断阈值时，确定所述被监测者处于剧烈运动状态；
在所述被监测者处于静止状态的持续时间大于深睡判断阈值后，确定所述被监测者处于深睡状态；
在一段监测时间内，若所述被监测者处于剧烈运动状态的占比大于运动判断阈值，则确定所述被监测者处于运动状态；
在一段监测时间内，若所述被监测者处于剧烈运动状态的占比不大于运动判断阈值，且所述被监测者在所述一段监测时间内的其它时间均处于微运动状态，则确定所述被监测者处于清醒状态；
在一段监测时间内，若所述被监测者处于剧烈运动状态的占比大于零且不大于运动判断阈值，以及所述被监测者在所述一段监测时间内的其它时间均处于静止状态，确定所述被监测者处于浅睡状态；
在一段监测时间内，若所述被监测者处于剧烈运动状态的占比大于零且不大于运动判断阈值，以及所述被监测者在所述一段监测时间内的其它时间处于静止状态和微运动状态，确定所述被监测者处于浅睡状态。
第二方面，提供一种睡眠监测装置，包括：
信号获取单元，用于获取加速度传感器输出的加速度信号，以及脉搏传感器输出的脉搏信号；
佩戴检测单元，用于根据所述脉搏信号，判断被监测者是否佩戴着睡眠检测设备，若是，则执行睡眠场景识别单元；
所述睡眠场景识别单元，用于将所述加速度信号输入到预先训练得到的睡眠场景识别模型，得到所述睡眠场景识别模型输出的睡眠场景；
阈值查询单元，用于根据预设的睡眠场景与各类阈值的对应关系，查询得到与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值；
睡眠检测单元，用于根据所述加速度信号，和所述与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值，对所述被监测者进行睡眠监测。
优选的，所述睡眠监测装置，还包括：
标准化处理单元，用于在所述睡眠场景识别单元将所述加速度信号输入到预先训练得到的睡眠场景识别模型之前，对所述加速度信号进行零均值标准化处理。
优选的，所述佩戴检测单元，具体用于：
通过比对预设的一段时间内所述脉搏信号的最大值和最小值之间的差值，与预设的幅度阈值的大小关系，确定所述被监测者是否佩戴着睡眠监测设备。
优选的，所述佩戴检测单元，具体用于：
根据所述脉冲信号是否呈周期性变化，确定所述被监测者是否佩戴着睡眠监测设备。
优选的，所述各类阈值包括第一静止判断阈值、第二静止判断阈值、第一剧烈运动判断阈值、第二剧烈运动判断阈值、深睡判断阈值和运动判断阈值；
所述睡眠检测单元，具体包括：
静止状态检测子单元，用于在所述加速度信号与重力加速度的差值的绝对值小于第一静止判断阈值，和/或，所述加速度信号的方差小于第二静止判断阈值时，确定所述被监测者处于静止状态；
微运动状态检测子单元，用于在所述加速度信号与重力加速度的差值的绝对值不小于第一静止判断阈值且小于第一剧烈运动判断阈值，和/或，所述加速度信号的方差不小于第二静止判断阈值且小于第二剧烈运动判断阈值时，确定所述被监测者处于微运动状态；
剧烈运动状态检测子单元，用于在所述加速度信号与重力加速度的差值的绝对值不小于第一剧烈运动判断阈值，和/或，所述加速度信号的方差不小于第二剧烈运动判断阈值时，确定所述被监测者处于剧烈运动状态；
深睡状态检测子单元，用于在所述被监测者处于静止状态的持续时间大于深睡判断阈值后，确定所述被监测者处于深睡状态；
运动状态检测子单元，用于在一段监测时间内，若所述被监测者处于剧烈运动状态的占比大于运动判断阈值，则确定所述被监测者处于运动状态；
清醒状态检测子单元，用于在一段监测时间内，若所述被监测者处于剧烈运动状态的占比不大于运动判断阈值，且所述被监测者在所述一段监测时间内的其它时间均处于微运动状态，则确定所述被监测者处于清醒状态；
第一浅睡状态检测子单元，用于在一段监测时间内，若所述被监测者处于剧烈运动状态的占比大于零且不大于运动判断阈值，以及所述被监测者在所述一段监测时间内的其它时间均处于静止状态，确定所述被监测者处于浅睡状态；
第二浅睡状态检测子单元，用于在一段监测时间内，若所述被监测者处于剧烈运动状态的占比大于零且不大于运动判断阈值，以及所述被监测者在所述一段监测时间内的其它时间处于静止状态和微运动状态，确定所述被监测者处于浅睡状态。
第三方面，提供一种可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时，实现如第一方面中任意一种所述的睡眠监测方法的各个步骤。
第四方面，提供一种睡眠监测设备，包括：加速度传感器、脉搏传感器、存储器和处理器；
所述加速度传感器，用于采集加速度信号；
所述脉搏传感器，用于采集脉搏信号；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如第一方面中任意一种所述的睡眠监测方法的各个步骤。
与现有技术相比，本发明的技术方案具有以下优点：
上述技术方案提供的一种睡眠监测方法、装置、设备及可读存储介质，方法包括在确定被监测者佩戴着睡眠检测设备后，利用预先训练得到的睡眠场景识别模型，对加速度信号进行分析得到睡眠场景；然后根据预设的睡眠场景与各类阈值的对应关系，查询得到与睡眠场景识别模型输出的睡眠场景对应的各类阈值；最后根据加速度信号和与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值，对被监测者进行睡眠监测。本发明考虑不同睡眠场景下被监测者的运动变量存在的差异，为不同的睡眠场景设置对应的各类阈值，并依据睡眠场景对应的各类阈值对被监测者进行睡眠监测，提高了监测结果的准确性。
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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种睡眠监测方法的流程图；
图2为本发明实施例提供的一种睡眠监测装置的示意图；
图3为本发明实施例提供的一种睡眠监测设备的示意图。
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。
参见图1，为本实施例提供的一种睡眠监测方法，该方法可以包括以下步骤：
S11：获取加速度传感器输出的加速度信号，以及脉搏传感器输出的脉搏信号。
加速度传感器具体可以为三轴加速度传感器；三轴加速度传感器能够独立测量空间三个方向的加速度分量。脉搏传感器具体可以为压电式脉搏传感器；压电式脉搏传感器检测动脉搏动时产生的压力变化，将之转换成电信号输出。
S12：根据脉搏信号，判断被监测者是否佩戴着睡眠检测设备，若是，则将加速度信号输入到预先训练得到的睡眠场景识别模型，得到睡眠场景识别模型输出的睡眠场景。
在一些具体实施例中，通过比对预设的一段时间内脉搏信号的最大值和最小值之间的差值，与预设的幅度阈值的大小关系，确定被监测者是否佩戴着睡眠监测设备。例如，在两秒内脉搏信号的最大值与最小值之间的差值，大于预设的幅度阈值，则确定被监测者佩戴着睡眠监测设备。
还可以根据脉冲信号是否呈周期性变化，确定被监测者是否佩戴着睡眠监测设备。在脉冲信号呈周期性变化时，确定被监测者佩戴着睡眠监测设备。为了提高判断的精度，还可以在预设的一段时间内脉搏信号的最大值和最小值之间的差值大于预设的幅度阈值的大小关系，且脉冲信号呈周期性变化时，才确定被监测者佩戴着睡眠监测设备。若被监测者没有佩戴着睡眠监测设备，则可以不进行后续睡眠场景的识别。
睡眠场景识别模型具体为深度学习模型。预先训练睡眠场景识别模型过程与训练其它深度学习模型的过程一致。预先采集各个不同睡眠场景下各个状态的加速度信号。将固定时间长度的加速度信号作为一个训练样本。固定时间长度具体可以为1分钟。与睡眠场景识别模型的训练样本相对应的，在将加速度信号输入到预先训练得到的睡眠场景识别模型时，也是将与训练样本的固定时间长度相同的时间长度的加速度信号输入到预先训练得到的睡眠场景识别模型。
计算所有样本数据的加速度信号的平均值和标准差。对于三轴加速度传感器，所有样本数据的加速度信号的平均值和标准差分别用[μ1；μ2；μ3]和[σ1；σ2；σ3]表示。其中μ1为X轴加速度分量的平均值，μ2为Y轴加速度分量的平均值，μ3为Z轴加速度分量的平均值；σ1为X轴加速度分量的标准差，σ2为Y轴加速度分量的标准差，σ3为Z轴加速度分量的标准差。利用[μ1；μ2；μ3]和[σ1；σ2；σ3]对加速度信号进行零值标准化处理。在一些具体实施里中，在训练在睡眠场景识别模型时，利用零值标准化处理后的加速度信号进行训练；将加速度信号输入到预先训练得到的睡眠场景识别模型之前，还包括：对加速度信号进行零均值标准化处理，将处理之后的加速度信号输入到预先训练得到的睡眠场景识别模型。零均值标准化处理后的加速度信号服从正态分布。
例如，固定时间长度的加速度信号用[x1,…,xn；y1,…,yn；z1,…,zn]表示，零均值标准化处理后得到的加速度信号用
Figure BDA0002675633940000071
表示，其中xk为固定时间长度中第k次采集到的X轴加速度分量，yk为固定时间长度中第k次采集到的Y轴加速度分量，zk为固定时间长度中第k次采集到的Z轴加速度分量，
Figure BDA0002675633940000072
为对固定时间长度中第k次采集到的X轴加速度分量进行零均值标准化处理后得到的加速度信号，
Figure BDA0002675633940000073
为对固定时间长度中第k次采集到的Y轴加速度分量进行零均值标准化处理后得到的加速度信号，
Figure BDA0002675633940000081
为对固定时间长度中第k次采集到的Z轴加速度分量进行零均值标准化处理后得到的加速度信号。
S13：根据预设的睡眠场景与各类阈值的对应关系，查询得到与睡眠场景识别模型输出的睡眠场景对应的各类阈值。
预先对各类睡眠场景的加速度信号进行分析，确定不同睡眠场景与各类阈值的对应关系。睡眠场景包括但不限于正常躺在床上、列车卧铺上、轮船卧铺上、公交车上、飞机上、沙滩上、吊床上、桌子上、斜靠着床头、坐在床上、坐在轮椅上、站着背靠墙、婴幼儿在父母的怀抱里、婴幼儿在摇篮里等。
S14：根据加速度信号和与睡眠场景识别模型输出的睡眠场景对应的各类阈值，对被监测者进行睡眠监测。
上述实施例提供的睡眠监测方法，考虑了不同睡眠场景下被监测者的运动变量存在的差异，为不同的睡眠场景设置对应的各类阈值，并依据睡眠场景对应的各类阈值对被监测者进行睡眠监测，提高了监测结果的准确性。
在一些具体实施例中，各类阈值包括第一静止判断阈值、第二静止判断阈值、第一剧烈运动判断阈值、第二剧烈运动判断阈值、深睡判断阈值和运动判断阈值。根据加速度信号和与睡眠场景识别模型输出的睡眠场景对应的各类阈值，对被监测者进行睡眠监测的过程，即步骤S14具体包括以下内容：
在加速度信号与重力加速度的差值的绝对值小于第一静止判断阈值，和/或，加速度信号的方差小于第二静止判断阈值时，确定被监测者处于静止状态；需要说明的是，加速度信号与重力加速度的差值为三轴加速度传感器输出的三个方向的加速度分量的合加速度与重力加速度的差值；
在加速度信号与重力加速度的差值的绝对值不小于第一静止判断阈值且小于第一剧烈运动判断阈值，和/或，加速度信号的方差不小于第二静止判断阈值且小于第二剧烈运动判断阈值时，确定被监测者处于微运动状态；
在加速度信号与重力加速度的差值的绝对值不小于第一剧烈运动判断阈值，和/或，加速度信号的方差不小于第二剧烈运动判断阈值时，确定被监测者处于剧烈运动状态；
在被监测者处于静止状态的持续时间大于深睡判断阈值后，确定被监测者处于深睡状态；
在一段监测时间内，若被监测者处于剧烈运动状态的占比大于运动判断阈值，则确定被监测者处于运动状态；
在一段监测时间内，若被监测者处于剧烈运动状态的占比不大于运动判断阈值，且被监测者在所述一段监测时间内的其它时间均处于微运动状态，则确定被监测者处于清醒状态；
在一段监测时间内，若被监测者处于剧烈运动状态的占比大于零且不大于运动判断阈值，以及被监测者在所述一段监测时间内的其它时间均处于静止状态，确定被监测者处于浅睡状态；
在一段监测时间内，若被监测者处于剧烈运动状态的占比大于零且不大于运动判断阈值，以及被监测者在所述一段监测时间内的其它时间处于静止状态和微运动状态，确定被监测者处于浅睡状态。
上述一段监测时间具体可以和深睡判断阈值相等。例如，一段监测时间具体可以和深睡判断阈值均为5分钟，第一静止判断阈值为0.1g，第二静止判断阈值为0.01，第一剧烈运动判断阈值为0.5g，第二剧烈运动判断阈值为0.1，运动判断阈值为20％；各个阈值取值如上述情况时，根据加速度信号和与睡眠场景识别模型输出的睡眠场景对应的各类阈值，对被监测者进行睡眠监测的过程，具体包括以下内容：
在加速度信号与重力加速度的差值的绝对值小于0.1g，和/或，加速度信号的方差小于0.01时，确定被监测者处于静止状态；
在加速度信号与重力加速度的差值的绝对值不小于0.1g且小于0.5g，和/或，加速度信号的方差不小于0.01且小于0.1时，确定被监测者处于微运动状态；
在加速度信号与重力加速度的差值的绝对值不小于0.5g，和/或，加速度信号的方差不小于0.1时，确定被监测者处于剧烈运动状态；
在被监测者处于静止状态的持续时间大于5分钟后，确定被监测者处于深睡状态；
在5分钟内，若被监测者处于剧烈运动状态的占比大于20％，则确定被监测者处于运动状态；
在5分钟内，若被监测者处于剧烈运动状态的占比不大于20％，且被监测者在该5分钟内的其它时间均处于微运动状态，则确定被监测者处于清醒状态；
在5分钟内，若被监测者处于剧烈运动状态的占比大于零且不大于20％，以及被监测者在该5分钟内的其它时间均处于静止状态，确定被监测者处于浅睡状态；
在5分钟内，若被监测者处于剧烈运动状态的占比大于零且不大于20％，以及被监测者在该5分钟内的其它时间所处的状态包括静止状态和微运动状态，确定被监测者处于浅睡状态。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
参见图2，为本实施例提供的一种睡眠监测装置，该睡眠装置包括：信号获取单元21、佩戴检测单元22、睡眠场景识别单元23、阈值查询单元24和睡眠检测单元25。
信号获取单元21，用于获取加速度传感器输出的加速度信号，以及脉搏传感器输出的脉搏信号。
佩戴检测单元22，用于根据脉搏信号，判断被监测者是否佩戴着睡眠检测设备，若是，则执行睡眠场景识别单元23。
睡眠场景识别单元23，用于将加速度信号输入到预先训练得到的睡眠场景识别模型，得到睡眠场景识别模型输出的睡眠场景。
阈值查询单元24，用于根据预设的睡眠场景与各类阈值的对应关系，查询得到与睡眠场景识别模型输出的睡眠场景对应的各类阈值。
睡眠检测单元25，用于根据加速度信号和与睡眠场景识别模型输出的睡眠场景对应的各类阈值，对被监测者进行睡眠监测。
在一些具体实施例中，睡眠监测装置，还包括：标准化处理单元，用于在睡眠场景识别单元23将加速度信号输入到预先训练得到的睡眠场景识别模型之前，对加速度信号进行零均值标准化处理。
在一些具体实施例中，佩戴检测单元22，具体用于：通过比对预设的一段时间内所述脉搏信号的最大值和最小值之间的差值，与预设的幅度阈值的大小关系，确定被监测者是否佩戴着睡眠监测设备。
在一些具体实施例中，佩戴检测单元22，具体用于：根据脉冲信号是否呈周期性变化，确定被监测者是否佩戴着睡眠监测设备。
在一些具体实施例中，各类阈值包括第一静止判断阈值、第二静止判断阈值、第一剧烈运动判断阈值、第二剧烈运动判断阈值、深睡判断阈值和运动判断阈值；睡眠检测单元25，具体包括：静止状态检测子单元、微运动状态检测子单元、剧烈运动状态检测子单元、深睡状态检测子单元、运动状态检测子单元、清醒状态检测子单元、第一浅睡状态检测子单元和第二浅睡状态检测子单元。
静止状态检测子单元，用于在加速度信号与重力加速度的差值的绝对值小于第一静止判断阈值，和/或，加速度信号的方差小于第二静止判断阈值时，确定被监测者处于静止状态。
微运动状态检测子单元，用于在加速度信号与重力加速度的差值的绝对值不小于第一静止判断阈值且小于第一剧烈运动判断阈值，和/或，加速度信号的方差不小于第二静止判断阈值且小于第二剧烈运动判断阈值时，确定被监测者处于微运动状态。
剧烈运动状态检测子单元，用于在加速度信号与重力加速度的差值的绝对值不小于第一剧烈运动判断阈值，和/或，加速度信号的方差不小于第二剧烈运动判断阈值时，确定被监测者处于剧烈运动状态。
深睡状态检测子单元，用于在被监测者处于静止状态的持续时间大于深睡判断阈值后，确定被监测者处于深睡状态。
运动状态检测子单元，用于在一段监测时间内，若被监测者处于剧烈运动状态的占比大于运动判断阈值，则确定被监测者处于运动状态。
清醒状态检测子单元，用于在一段监测时间内，若被监测者处于剧烈运动状态的占比不大于运动判断阈值，且被监测者在所述一段监测时间内的其它时间均处于微运动状态，则确定被监测者处于清醒状态。
第一浅睡状态检测子单元，用于在一段监测时间内，若被监测者处于剧烈运动状态的占比大于零且不大于运动判断阈值，以及被监测者在一段监测时间内的其它时间均处于静止状态，确定被监测者处于浅睡状态。
第二浅睡状态检测子单元，用于在一段监测时间内，若被监测者处于剧烈运动状态的占比大于零且不大于运动判断阈值，以及被监测者在一段监测时间内的其它时间处于静止状态和微运动状态，确定被监测者处于浅睡状态。
参见图3，为本实施例提供的一种睡眠监测设备，该睡眠监测设备的硬件结构包括：至少一个处理器31，至少一个通信接口32，至少一个存储器33、至少一个通信总线34、至少一个加速度传感器(未示出)和至少一个脉搏传感器(未示出)。且处理器31、通信接口32、存储器33通过通信总线34完成相互间的通信。
加速度传感器，用于采集加速度信号。脉搏传感器，用于采集脉搏信号。
处理器31在一些实施例中可以是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本发明实施例的一个或多个集成电路等。
通信接口32可以包括标准的有线接口和/或无线接口。用于与加速度传感器之间建立通信连接；以及还用于与脉搏传感器之间建立通信连接。
存储器33包括至少一种类型的可读存储介质。可读存储介质可以为如闪存、硬盘、多媒体卡、卡型存储器等NVM(non-volatile memory，非易失性存储器)。可读存储介质还可以是高速RAM(randomaccess memory，随机存取存储器)存储器。
其中，存储器33存储有计算机程序，处理器31可调用存储器33存储的计算机程序，所述计算机程序用于：
获取加速度传感器输出的加速度信号，以及脉搏传感器输出的脉搏信号；
根据所述脉搏信号，判断被监测者是否佩戴着睡眠检测设备，若是，则将所述加速度信号输入到预先训练得到的睡眠场景识别模型，得到所述睡眠场景识别模型输出的睡眠场景；
根据预设的睡眠场景与各类阈值的对应关系，查询得到与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值；
根据所述加速度信号，和所述与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值，对所述被监测者进行睡眠监测。
所述程序的细化功能和扩展功能可参照上文描述。
图3仅示出了具有组件31～34的睡眠监测设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，该睡眠监测设备还可以包括显示器，显示器也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight-Emitting Diode，有机发光二极管)显示器等。显示器用于显示可视化的用户界面。
可选地，该睡眠监测设备还包括触摸传感器。触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外，触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且，触摸传感器不仅包括接触式的触摸传感器，也可包括接近式的触摸传感器等。此外，触摸传感器可以为单个传感器，也可以为例如阵列布置的多个传感器。
此外，该睡眠监测设备的显示器的面积可以与触摸传感器的面积相同，也可以不同。可选地，将显示器与触摸传感器层叠设置，以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。
本发明实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
获取加速度传感器输出的加速度信号，以及脉搏传感器输出的脉搏信号；
根据所述脉搏信号，判断被监测者是否佩戴着睡眠检测设备，若是，则将所述加速度信号输入到预先训练得到的睡眠场景识别模型，得到所述睡眠场景识别模型输出的睡眠场景；
根据预设的睡眠场景与各类阈值的对应关系，查询得到与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值；
根据所述加速度信号，和所述与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值，对所述被监测者进行睡眠监测。
所述程序的细化功能和扩展功能可参照上文描述。
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。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劳动的情况下，即可以理解并实施。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可，且本说明书中各实施例中记载的特征可以相互替换或者组合。
对本发明所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种睡眠监测方法，其特征在于，包括：
获取加速度传感器输出的加速度信号，以及脉搏传感器输出的脉搏信号；
根据所述脉搏信号，判断被监测者是否佩戴着睡眠检测设备，若是，则将所述加速度信号输入到预先训练得到的睡眠场景识别模型，得到所述睡眠场景识别模型输出的睡眠场景；
根据预设的睡眠场景与各类阈值的对应关系，查询得到与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值；
根据所述加速度信号，和所述与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值，对所述被监测者进行睡眠监测。
2.根据权利要求1所述的睡眠监测方法，其特征在于，在将所述加速度信号输入到预先训练得到的睡眠场景识别模型之前，还包括：
对所述加速度信号进行零均值标准化处理。
3.根据权利要求1所述的睡眠监测方法，其特征在于，根据所述脉搏信号，判断被监测者是否佩戴着睡眠检测设备，具体包括：
通过比对预设的一段时间内所述脉搏信号的最大值和最小值之间的差值，与预设的幅度阈值的大小关系，确定所述被监测者是否佩戴着睡眠监测设备。
4.根据权利要求1所述的睡眠监测方法，其特征在于，根据所述脉搏信号，判断被监测者是否佩戴着睡眠检测设备，具体包括：
根据所述脉冲信号是否呈周期性变化，确定所述被监测者是否佩戴着睡眠监测设备。
5.根据权利要求1所述的睡眠监测方法，其特征在于，所述各类阈值包括第一静止判断阈值、第二静止判断阈值、第一剧烈运动判断阈值、第二剧烈运动判断阈值、深睡判断阈值和运动判断阈值；
根据所述加速度信号和所述与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值，对所述被监测者进行睡眠监测，具体包括：
在所述加速度信号与重力加速度的差值的绝对值小于第一静止判断阈值，和/或，所述加速度信号的方差小于第二静止判断阈值时，确定所述被监测者处于静止状态；
在所述加速度信号与重力加速度的差值的绝对值不小于第一静止判断阈值且小于第一剧烈运动判断阈值，和/或，所述加速度信号的方差不小于第二静止判断阈值且小于第二剧烈运动判断阈值时，确定所述被监测者处于微运动状态；
在所述加速度信号与重力加速度的差值的绝对值不小于第一剧烈运动判断阈值，和/或，所述加速度信号的方差不小于第二剧烈运动判断阈值时，确定所述被监测者处于剧烈运动状态；
在所述被监测者处于静止状态的持续时间大于深睡判断阈值后，确定所述被监测者处于深睡状态；
在一段监测时间内，若所述被监测者处于剧烈运动状态的占比大于运动判断阈值，则确定所述被监测者处于运动状态；
在一段监测时间内，若所述被监测者处于剧烈运动状态的占比不大于运动判断阈值，且所述被监测者在所述一段监测时间内的其它时间均处于微运动状态，则确定所述被监测者处于清醒状态；
在一段监测时间内，若所述被监测者处于剧烈运动状态的占比大于零且不大于运动判断阈值，以及所述被监测者在所述一段监测时间内的其它时间均处于静止状态，确定所述被监测者处于浅睡状态；
在一段监测时间内，若所述被监测者处于剧烈运动状态的占比大于零且不大于运动判断阈值，以及所述被监测者在所述一段监测时间内的其它时间处于静止状态和微运动状态，确定所述被监测者处于浅睡状态。
6.一种睡眠监测装置，其特征在于，包括：
信号获取单元，用于获取加速度传感器输出的加速度信号，以及脉搏传感器输出的脉搏信号；
佩戴检测单元，用于根据所述脉搏信号，判断被监测者是否佩戴着睡眠检测设备，若是，则执行睡眠场景识别单元；
所述睡眠场景识别单元，用于将所述加速度信号输入到预先训练得到的睡眠场景识别模型，得到所述睡眠场景识别模型输出的睡眠场景；
阈值查询单元，用于根据预设的睡眠场景与各类阈值的对应关系，查询得到与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值；
睡眠检测单元，用于根据所述加速度信号，和所述与所述睡眠场景识别模型输出的睡眠场景对应的各类阈值，对所述被监测者进行睡眠监测。
7.根据权利要求6所述的睡眠监测装置，其特征在于，还包括：
标准化处理单元，用于在所述睡眠场景识别单元将所述加速度信号输入到预先训练得到的睡眠场景识别模型之前，对所述加速度信号进行零均值标准化处理。
8.根据权利要求6所述的睡眠监测装置，其特征在于，所述佩戴检测单元，具体用于：
通过比对预设的一段时间内所述脉搏信号的最大值和最小值之间的差值，与预设的幅度阈值的大小关系，确定所述被监测者是否佩戴着睡眠监测设备。
9.一种可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时，实现如权利要求1～5中任一项所述的睡眠监测方法的各个步骤。
10.一种睡眠监测设备，其特征在于，包括：加速度传感器、脉搏传感器、存储器和处理器；
所述加速度传感器，用于采集加速度信号；
所述脉搏传感器，用于采集脉搏信号；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1～5中任一项所述的睡眠监测方法的各个步骤。
CN202010947012.0A 2020-09-10 2020-09-10 睡眠监测方法、装置、设备及可读存储介质 Active CN111887830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010947012.0A CN111887830B (zh) 2020-09-10 2020-09-10 睡眠监测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010947012.0A CN111887830B (zh) 2020-09-10 2020-09-10 睡眠监测方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111887830A true CN111887830A (zh) 2020-11-06
CN111887830B CN111887830B (zh) 2023-03-10

Family

ID=73226074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010947012.0A Active CN111887830B (zh) 2020-09-10 2020-09-10 睡眠监测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111887830B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112568873A (zh) * 2021-02-25 2021-03-30 南京畅享医疗科技有限公司 一种实时睡眠监测记录与分析方法
CN113271535A (zh) * 2021-05-18 2021-08-17 东莞市小精灵教育软件有限公司 设备状态检测方法及装置、轨迹打点方法及智能设备

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03258246A (ja) * 1990-03-09 1991-11-18 Matsushita Electric Ind Co Ltd 入眠判定装置および在床判定装置
JP2004254827A (ja) * 2003-02-25 2004-09-16 Matsushita Electric Ind Co Ltd 睡眠状態判定装置
WO2009079977A2 (de) * 2007-12-21 2009-07-02 Guy Leonard Kouemou Verfahren und vorrichtung zur schlafmedizinischen vorabdiagnose und therapie-begleitung
US20100041966A1 (en) * 2008-08-14 2010-02-18 National Taiwan University Sleep assistant system and method thereof
JP2014004091A (ja) * 2012-06-22 2014-01-16 Toyota Motor Corp 睡眠制御装置
CN103767710A (zh) * 2013-12-31 2014-05-07 歌尔声学股份有限公司 人体运动状态监视方法和装置
CN104095615A (zh) * 2014-07-17 2014-10-15 上海翰临电子科技有限公司 一种人体睡眠监测方法及监测系统
JP2014233488A (ja) * 2013-06-03 2014-12-15 アイシン精機株式会社 睡眠状態判定装置
CN104257387A (zh) * 2014-09-23 2015-01-07 京东方科技集团股份有限公司 睡眠唤醒系统及方法
CN104739412A (zh) * 2013-12-29 2015-07-01 中国移动通信集团公司 一种对睡眠呼吸暂停进行监测的方法和设备
CN104935727A (zh) * 2015-04-24 2015-09-23 广东小天才科技有限公司 一种智能穿戴设备接听电话的方法及装置
JP2015178011A (ja) * 2015-06-09 2015-10-08 セイコーエプソン株式会社 睡眠評価装置およびプログラム
CN104983408A (zh) * 2015-08-04 2015-10-21 福建工程学院 一种意外昏迷诊断方法及系统
US20160367184A1 (en) * 2013-09-06 2016-12-22 Somnology, Inc. System and method for sleep disorder diagnosis and treatment
CN106419841A (zh) * 2016-09-13 2017-02-22 深圳市迈迪加科技发展有限公司 睡眠评估方法、装置及系统
CN107007263A (zh) * 2017-04-25 2017-08-04 中国科学院计算技术研究所 一种普适化的睡眠质量测评方法和系统
CN108806191A (zh) * 2018-07-20 2018-11-13 上海擎感智能科技有限公司 基于睡眠数据的疲劳驾驶监测方法、系统、车载终端
CN109260566A (zh) * 2018-09-12 2019-01-25 深圳众赢时代科技有限公司 使用投影技术增强睡眠技术
CN109568760A (zh) * 2017-09-29 2019-04-05 中国移动通信有限公司研究院 一种睡眠环境调节方法及系统
CN110051347A (zh) * 2019-03-15 2019-07-26 华为技术有限公司 一种用户睡眠检测方法及系统
CN110313901A (zh) * 2019-07-10 2019-10-11 莫雨潜 一种睡眠监控方法、装置及电子设备
CN110811558A (zh) * 2019-11-18 2020-02-21 郑州大学 基于深度学习的睡眠觉醒分析方法
KR20200044432A (ko) * 2018-10-19 2020-04-29 주식회사 엘지유플러스 수면 서비스 제공 시스템 및 그의 수면 서비스 제공 방법
WO2020168448A1 (zh) * 2019-02-18 2020-08-27 深圳市欢太科技有限公司 睡眠预测方法、装置、存储介质及电子设备

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03258246A (ja) * 1990-03-09 1991-11-18 Matsushita Electric Ind Co Ltd 入眠判定装置および在床判定装置
JP2004254827A (ja) * 2003-02-25 2004-09-16 Matsushita Electric Ind Co Ltd 睡眠状態判定装置
WO2009079977A2 (de) * 2007-12-21 2009-07-02 Guy Leonard Kouemou Verfahren und vorrichtung zur schlafmedizinischen vorabdiagnose und therapie-begleitung
US20100041966A1 (en) * 2008-08-14 2010-02-18 National Taiwan University Sleep assistant system and method thereof
JP2014004091A (ja) * 2012-06-22 2014-01-16 Toyota Motor Corp 睡眠制御装置
JP2014233488A (ja) * 2013-06-03 2014-12-15 アイシン精機株式会社 睡眠状態判定装置
US20160367184A1 (en) * 2013-09-06 2016-12-22 Somnology, Inc. System and method for sleep disorder diagnosis and treatment
CN104739412A (zh) * 2013-12-29 2015-07-01 中国移动通信集团公司 一种对睡眠呼吸暂停进行监测的方法和设备
CN103767710A (zh) * 2013-12-31 2014-05-07 歌尔声学股份有限公司 人体运动状态监视方法和装置
CN104095615A (zh) * 2014-07-17 2014-10-15 上海翰临电子科技有限公司 一种人体睡眠监测方法及监测系统
CN104257387A (zh) * 2014-09-23 2015-01-07 京东方科技集团股份有限公司 睡眠唤醒系统及方法
CN104935727A (zh) * 2015-04-24 2015-09-23 广东小天才科技有限公司 一种智能穿戴设备接听电话的方法及装置
JP2015178011A (ja) * 2015-06-09 2015-10-08 セイコーエプソン株式会社 睡眠評価装置およびプログラム
CN104983408A (zh) * 2015-08-04 2015-10-21 福建工程学院 一种意外昏迷诊断方法及系统
CN106419841A (zh) * 2016-09-13 2017-02-22 深圳市迈迪加科技发展有限公司 睡眠评估方法、装置及系统
CN107007263A (zh) * 2017-04-25 2017-08-04 中国科学院计算技术研究所 一种普适化的睡眠质量测评方法和系统
CN109568760A (zh) * 2017-09-29 2019-04-05 中国移动通信有限公司研究院 一种睡眠环境调节方法及系统
CN108806191A (zh) * 2018-07-20 2018-11-13 上海擎感智能科技有限公司 基于睡眠数据的疲劳驾驶监测方法、系统、车载终端
CN109260566A (zh) * 2018-09-12 2019-01-25 深圳众赢时代科技有限公司 使用投影技术增强睡眠技术
KR20200044432A (ko) * 2018-10-19 2020-04-29 주식회사 엘지유플러스 수면 서비스 제공 시스템 및 그의 수면 서비스 제공 방법
WO2020168448A1 (zh) * 2019-02-18 2020-08-27 深圳市欢太科技有限公司 睡眠预测方法、装置、存储介质及电子设备
CN110051347A (zh) * 2019-03-15 2019-07-26 华为技术有限公司 一种用户睡眠检测方法及系统
CN110313901A (zh) * 2019-07-10 2019-10-11 莫雨潜 一种睡眠监控方法、装置及电子设备
CN110811558A (zh) * 2019-11-18 2020-02-21 郑州大学 基于深度学习的睡眠觉醒分析方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112568873A (zh) * 2021-02-25 2021-03-30 南京畅享医疗科技有限公司 一种实时睡眠监测记录与分析方法
CN112568873B (zh) * 2021-02-25 2021-06-08 南京畅享医疗科技有限公司 一种实时睡眠监测记录与分析方法
CN113271535A (zh) * 2021-05-18 2021-08-17 东莞市小精灵教育软件有限公司 设备状态检测方法及装置、轨迹打点方法及智能设备

Also Published As

Publication number Publication date
CN111887830B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
Awais et al. Physical activity classification for elderly people in free-living conditions
JP6516846B2 (ja) 睡眠監視のデバイス及び方法
Parkka et al. Activity classification using realistic data from wearable sensors
EP2698112B1 (en) Real-time stress determination of an individual
JP6190466B2 (ja) 生体信号測定器及び接触状態推定方法
US10768196B2 (en) Determine wearing position of a wearable device
CN111887830B (zh) 睡眠监测方法、装置、设备及可读存储介质
KR20150061231A (ko) 웨어러블 디바이스 및 그 제어 방법
CN106030246B (zh) 用于对对象的周期性运动的循环数目进行计数的设备、方法和系统
CN108095694B (zh) 可穿戴设备的状态监测方法、装置及可穿戴设备
CN208573730U (zh) 睡眠状态检测装置和睡眠状态评估系统
Adaskevicius Method for recognition of the physical activity of human being using a wearable accelerometer
JP6518056B2 (ja) 睡眠状態判定装置、睡眠状態判定方法及びプログラム
Zhao et al. Gesture-enabled remote control for healthcare
EP3485803B1 (en) Wearable device capable of recognizing sleep stage and recognition method thereof
WO2023061565A1 (en) Apparatus, system and method for determining whether a person is asleep
Masinelli et al. Self-aware machine learning for multimodal workload monitoring during manual labor on edge wearable sensors
US10980446B2 (en) Apparatus and method for determining a sedentary state of a subject
Mani et al. Evaluation of a Combined Conductive Fabric-Based Suspender System and Machine Learning Approach for Human Activity Recognition
JP2017073076A (ja) 行動判定装置及び行動判定方法
Suzuki et al. Stress and drowsiness evaluation BBased on earbud-type photoplethysmographic sensor
Biswas et al. Body area sensing networks for remote health monitoring
Dinh et al. A wearable device for physical activity monitoring with built-in heart rate variability
Kukharenko et al. Picking a human fall detection algorithm for wrist-worn electronic device
Sahani et al. Posture Detection and Correction System using IOT: A Survey

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