CN111956197B - 睡眠状态检测方法和装置、电子设备及存储介质 - Google Patents
睡眠状态检测方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111956197B CN111956197B CN202010988540.0A CN202010988540A CN111956197B CN 111956197 B CN111956197 B CN 111956197B CN 202010988540 A CN202010988540 A CN 202010988540A CN 111956197 B CN111956197 B CN 111956197B
- Authority
- CN
- China
- Prior art keywords
- acceleration
- heart rate
- signal
- characteristic
- rate variability
- 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.)
- Active
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 230000001133 acceleration Effects 0.000 claims abstract description 119
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000008667 sleep stage Effects 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 46
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000000284 resting effect Effects 0.000 claims description 4
- 230000003860 sleep quality Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000004622 sleep time Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000036387 respiratory rate Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 4
- 230000004461 rapid eye movement Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 208000031872 Body Remains Diseases 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001734 parasympathetic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
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
- A61B5/02—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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Abstract
本申请实施例提供的睡眠状态检测方法和装置、电子设备及存储介质,涉及睡眠状态检测技术领域。睡眠状态检测方法应用于电子设备,睡眠状态检测方法包括:首先,获取当前用户的加速度信号和光电容积脉搏波信号;其次,对加速度信号和光电容积脉搏波信号分别进行特征处理,得到加速度信号对应的加速度特征和光电容积脉搏波信号对应的光电容积脉搏波特征;然后,对加速度特征和光电容积脉搏波特征进行睡眠阶段计算,得到当前用户对应的睡眠阶段结果。上述方法通过加速度信号和光电容积脉搏波信号完成睡眠状态检测,从而提高睡眠状态检测的效率,避免了现有技术中需要大量信息,导致的睡眠状态检测的效率低的问题。
Description
技术领域
本申请涉及睡眠状态检测技术领域,具体而言,涉及一种睡眠状态检测方法和装置、电子设备及存储介质。
背景技术
现有技术中通过多导睡眠描记图(PSG)进行睡眠评估,PSG需要记录脑电波、血氧、心率、呼吸率、眼动程度、肌肉信号等大量信息。这导致PSG的实施非常复杂且成本很高,需要被监测的个体在专业的睡眠机构度过至少一个晚上,并且由于PSG需要在监测对象身体放置很多电极和装置,会对监测对象的睡眠造成不适当的影响,从而存在着睡眠状态检测的效率低的问题。
发明内容
有鉴于此,本申请的目的在于提供一种睡眠状态检测方法和装置、电子设备及存储介质,以改善现有技术中存在的问题。
为实现上述目的,本申请实施例采用如下技术方案:
一种睡眠状态检测方法,应用于电子设备,所述睡眠状态检测方法包括:
获取当前用户的加速度信号和光电容积脉搏波信号;
对所述加速度信号和光电容积脉搏波信号分别进行特征处理,得到所述加速度信号对应的加速度特征和所述光电容积脉搏波信号对应的光电容积脉搏波特征;
对所述加速度特征和光电容积脉搏波特征进行睡眠阶段计算,得到当前用户对应的睡眠阶段结果。
在本申请实施例较佳的选择中,所述对所述加速度特征和光电容积脉搏波特征进行睡眠阶段计算,得到当前用户对应的睡眠阶段结果的步骤,包括:
对所述光电容积脉搏波特征进行心率变异性计算,得到心率变异性时域特征和心率变异性频域特征;
对所述心率变异性时域特征和心率变异性频域特征进行呼吸率计算,得到呼吸率特征;
对所述加速度特征、心率变异性时域特征、心率变异性频域特征和呼吸率特征进行分类计算,得到睡眠阶段结果。
在本申请实施例较佳的选择中,所述对所述光电容积脉搏波特征进行心率变异性计算,得到心率变异性时域特征和心率变异性频域特征的步骤,包括:
对所述光电容积脉搏波特征进行异常去除处理,得到波峰间隔序列;
对所述波峰间隔序列进行重采样处理,得到心率变异性时域特征和心率变异性频域特征。
在本申请实施例较佳的选择中,所述对所述心率变异性时域特征和心率变异性频域特征进行呼吸率计算,得到呼吸率特征的步骤,包括:
对所述心率变异性时域特征和心率变异性频域特征进行计算,得到呼吸率;
对所述呼吸率进行中值滤波处理,得到呼吸率特征。
在本申请实施例较佳的选择中,所述对所述加速度信号和光电容积脉搏波信号分别进行特征处理,得到所述加速度信号对应的加速度特征和所述光电容积脉搏波信号对应的光电容积脉搏波特征的步骤,包括:
对所述加速度信号进行预处理,对预处理后的加速度信号进行特征提取处理,得到加速度特征;
对所述光电容积脉搏波信号进行预处理,对预处理后的光电容积脉搏波信号进行特征提取处理,得到光电容积脉搏波特征。
在本申请实施例较佳的选择中,所述睡眠状态检测方法还包括:
对所述加速度特征进行时间点计算,得到入睡时间点和起床时间点;
对所述入睡时间点、起床时间点和睡眠阶段结果进行评分计算,得到睡眠质量评分。
在本申请实施例较佳的选择中,所述对所述加速度特征进行时间点计算,得到入睡时间点和起床时间点的步骤,包括:
获取当前用户的佩戴信息;
对所述加速度特征和佩戴信息进行匹配处理,得到入睡时间点和起床时间点。
本申请实施例还提供了一种睡眠状态检测装置,应用于电子设备,所述睡眠状态检测装置包括:
信号获取模块,用于获取当前用户的加速度信号和光电容积脉搏波信号;
信号处理模块,用于对所述加速度信号和光电容积脉搏波信号分别进行特征处理,得到所述加速度信号对应的加速度特征和所述光电容积脉搏波信号对应的光电容积脉搏波特征;
特征计算模块,用于对所述加速度特征和光电容积脉搏波特征进行睡眠阶段计算,得到当前用户对应的睡眠阶段结果。
本申请实施例还提供了一种电子设备,包括存储器和处理器,所述处理器用于执行所述存储器中存储的可执行的计算机程序,以实现上述的睡眠状态检测方法。
本申请实施例还提供了一种存储介质,其上存储有计算机程序,该程序被执行时实现上述睡眠状态检测方法的步骤。
本申请实施例提供的睡眠状态检测方法和装置、电子设备及存储介质,通过对当前用户的加速度信号和光电容积脉搏波信号进行特征处理得到的加速度特征和光电容积脉搏波特征进行计算,得到睡眠阶段结果,以通过加速度信号和光电容积脉搏波信号完成睡眠状态检测,从而提高睡眠状态检测的效率,避免了现有技术中需要大量信息,导致的睡眠状态检测的效率低的问题。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的睡眠状态检测系统的结构框图。
图2为本申请实施例提供的电子设备的结构框图。
图3为本申请实施例提供的睡眠状态检测方法的流程示意图。
图4为本申请实施例提供的睡眠状态检测方法的另一流程示意图。
图5为本申请实施例提供的睡眠状态检测方法的另一流程示意图。
图6为本申请实施例提供的睡眠状态检测方法的另一流程示意图。
图7为本申请实施例提供的睡眠状态检测方法的另一流程示意图。
图8为本申请实施例提供的睡眠状态检测方法的另一流程示意图。
图9为本申请实施例提供的睡眠状态检测方法的另一流程示意图。
图10为本申请实施例提供的睡眠状态检测装置的结构框图。
图标:10-睡眠状态检测系统;100-电子设备;110-网络端口;120-第一处理器;130-通信总线;140-第一存储介质;150-接口;200-加速度传感器;300-光电容积脉搏波传感器;400-红外传感器;1000-睡眠状态检测装置;1010-信号获取模块;1020-信号处理模块;1030-特征计算模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行详细地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等,或其任意组合。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
图1是根据本申请的一些实施例的可以实现本申请思想的睡眠状态检测系统10的示例性硬件和软件组件的示意图。该睡眠状态检测系统可以包括电子设备100、加速度传感器200、光电容积脉搏波传感器300和红外传感器400。
其中,电子设备100和加速度传感器200通信连接,以获取加速度传感器200发送的加速度(Acceleration,ACC)信号;电子设备100和光电容积脉搏波传感器300通信连接,以获取光电容积脉搏波传感器300发送的光电容积脉搏波(PhotoPlethysmoGraphy,PPG)信号;电子设备100和红外传感器400通信连接,以获取红外传感器400发送的佩戴信息。
需要说明的是,加速度传感器200、光电容积脉搏波传感器300与红外传感器400可以是和电子设备100不同的设备,也可以是电子设备100的一部分。
图2示出根据本申请的一些实施例的可以实现本申请思想的电子设备100的示例性硬件和软件组件的示意图。电子设备100可以包括连接到网络的网络端口110、用于执行程序指令的一个或多个第一处理器120、通信总线130和不同形式的第一存储介质140,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,电子设备100还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质或其任意组合中的程序指令,根据这些程序指令可以实现本申请的方法。电子设备100还可以包括与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口150。
在一些实施例中,第一处理器120可以处理与睡眠状态检测有关的信息和/或数据,以执行本申请中描述的一个或多个功能。在一些实施例中,第一处理器120可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,第一处理器120可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、专用指令集处理器(Application SpecificInstruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital SignalProcessor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)或微处理器等,或其任意组合。
电子设备100中的第一处理器120可以是通用计算机或设定用途的计算机,两者都可以用于实现本申请的方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
为了便于说明,在电子设备100中仅描述了一个处理器。然而,应当注意,本申请中的电子设备100还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备100的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一个处理器执行步骤A,第二个处理器执行步骤B,或者第一个处理器和第二个处理器共同执行步骤A和B。
网络可以用于信息和/或数据的交换。在一些实施例中,电子设备100中的一个或多个组件可以向其他组件发送信息和/或数据。例如,电子设备100可以经由网络获取信号。仅作为示例,网络可以包括无线网络、远程通信网络、内联网、因特网、局域网(Local AreaNetwork,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local AreaNetworks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide AreaNetwork,WAN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。
在一些实施例中,网络可以包括一个或多个网络接入点。例如,网络可以包括有线或无线网络接入点,例如基站和/或网络交换节点,电子设备100的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
结合图3,本申请实施例还提供了一种睡眠状态检测方法,其可以被应用于上图2所示的电子设备100,睡眠状态检测方法可以包括:
步骤S310,获取当前用户的加速度信号和光电容积脉搏波信号。
详细地,可以通过通信连接的加速度传感器200获取加速度信号,通过通信连接的光电容积脉搏波传感器300获取光电容积脉搏波信号。
步骤S320,对加速度信号和光电容积脉搏波信号分别进行特征处理,得到加速度信号对应的加速度特征和光电容积脉搏波信号对应的光电容积脉搏波特征。
详细地,通过步骤S310获取加速度信号和光电容积脉搏波信号之后,可以对加速度信号和光电容积脉搏波信号进行特征处理,得到加速度特征和光电容积脉搏波特征。
步骤S330,对加速度特征和光电容积脉搏波特征进行睡眠阶段计算,得到当前用户对应的睡眠阶段结果。
详细地,通过步骤S320得到加速度特征和光电容积脉搏波特征之后,可以对加速度特征和光电容积脉搏波特征进行睡眠阶段计算,得到睡眠阶段结果。
上述方法通过对当前用户的加速度信号和光电容积脉搏波信号进行特征处理得到的加速度特征和光电容积脉搏波特征进行计算,得到睡眠阶段结果,以通过加速度信号和光电容积脉搏波信号完成睡眠状态检测,从而提高睡眠状态检测的效率,避免了现有技术中需要大量信息,导致的睡眠状态检测的效率低的问题。
对于步骤S320,需要说明的是,进行特征处理的步骤不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,步骤S320可以包括进行预处理的步骤。因此,在图3的基础上,图4为本申请实施例提供的另一种睡眠状态检测方法的流程示意图,参见图4,步骤S320可以包括:
步骤S321,对加速度信号进行预处理,对预处理后的加速度信号进行特征提取处理,得到加速度特征。
详细地,可以对ACC信号进行一阶滞后滤波处理,公式如下:
F[n]=a·F[n-1]+(1-a)·R[n];
其中,F[n]表示第n个ACC信号滤波后的值,F[n-1]表示第n-1个ACC信号滤波后的值,R[n]表示第n个ACC信号的原始值,a表示权重。需要说明的是,权重a的具体数值不受限制,可以根据实际应用需求进行设置,通过调节a来确定F[n]偏向于F[n-1]还是R[n]。
在对ACC信号进行预处理之后,可以从预处理后的ACC信号中提取ACC秒级特征,进而得到分钟级特征。ACC秒级特征的名称、定义和计算公式可以参照表1所示。
表1.ACC秒级特征
其中,N表示一秒内ACC信号总点数,n表示第n个ACC信号点,F[n]表示第n个ACC信号滤波后的值,F[n+1]表示第n+1个ACC信号滤波后的值,F[0]表示第0个ACC信号滤波后的值。
进一步地,ACC分钟级特征的名称和定义可以参照表2所示。
表2.ACC分钟级特征
步骤S322,对光电容积脉搏波信号进行预处理,对预处理后的光电容积脉搏波信号进行特征提取处理,得到光电容积脉搏波特征。
详细地,可以使用三阶巴特沃斯带通滤波器对PPG信号进行预处理,以去除PPG信号的直流分量、低频趋势以及高频噪声。其中,使用巴特沃斯滤波器是因为它在通带和阻带内的频率响应均最平坦,可以有效去除噪声并维持有效信号,考虑到滤波的性能和计算的复杂度之间的平衡,滤波器的阶数选为三阶。对于PPG信号来说,其对睡眠状态检测有效的信息主要存在于0.5Hz-5Hz的范围内,滤波器带通频率的选择应在此范围附近。
在对PPG信号进行预处理之后,可以从预处理后的PPG信号中提取PPG特征。具体地,首先查找预处理后的PPG信号中的极大值,即此点比它相邻两个点的值都大。然后,判断这个极大值是否为相邻N个点中的最大值,若为相邻N个点中的最大值,则为有效波峰点;若不为相邻N个点中的最大值,则为无效波峰点。对于N的选择,可根据PPG信号采样频率和经验确定,这种波峰检测方法不会漏识别波峰点,抗干扰能力强。
对于步骤S330,需要说明的是,进行睡眠阶段计算的具体步骤不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,步骤S330可以包括进行心率变异性计算的步骤。因此,在图3的基础上,图5为本申请实施例提供的另一种睡眠状态检测方法的流程示意图,参见图5,步骤S330可以包括:
步骤S331,对光电容积脉搏波特征进行心率变异性计算,得到心率变异性时域特征和心率变异性频域特征。
步骤S332,对心率变异性时域特征和心率变异性频域特征进行呼吸率计算,得到呼吸率特征。
步骤S333,对加速度特征、心率变异性时域特征、心率变异性频域特征和呼吸率特征进行分类计算,得到睡眠阶段结果。
对于步骤S331,需要说明的是,进行心率变异性计算的具体步骤不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,步骤S331可以包括进行异常去除处理的步骤。因此,在图5的基础上,图6为本申请实施例提供的另一种睡眠状态检测方法的流程示意图,参见图6,步骤S331可以包括:
步骤S3311,对光电容积脉搏波特征进行异常去除处理,得到波峰间隔序列。
详细地,通过步骤S322得到有效波峰点之后,可以根据相邻两个有效波峰点的时间间隔得到波峰间隔,去除超出正常范围(0.3s-2s)的异常点,可以得到一分钟的波峰间隔序列(PPI)。
步骤S3312,对波峰间隔序列进行重采样处理,得到心率变异性时域特征和心率变异性频域特征。
详细地,重采样是把非均匀采样的PPI,使用三次样条插值的方式,重新采样至4Hz,为提取频域特征做准备。心率变异性(Heart rate variablity,HRV)是指窦性心律一定时间内周期改变的现象,是反映交感和副交感神经张力及其平衡的重要指标。心率变异性时域特征可以包括RMSSD(全程相邻NN间期之差的均方根值)和SDNN(全部NN间期的标准差)。RMSSD的计算公式可以如下所示:
其中,N表示PPI总点数,i表示第i个PPI点,PPIi表示i个PPI点的值,PPIi+1表示i+1个PPI点的值。
SDNN的计算公式可以如下所示:
其中,N表示PPI总点数,i表示第i个PPI点,PPIi表示i个PPI点的值,PPIMEAN代表PPI序列的平均值。
心率变异性频域特征可以包括HRV低频功率和HRV高频功率,HRV低频功率表示PPI序列功率谱0.04Hz-0.15Hz功率之和,HRV高频功率表示PPI序列功率谱0.15Hz-0.4Hz功率之和。
对于步骤S332,需要说明的是,进行呼吸率计算的具体步骤不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,步骤S332可以包括进行中值滤波处理的步骤。因此,在图5的基础上,图7为本申请实施例提供的另一种睡眠状态检测方法的流程示意图,参见图7,步骤S332可以包括:
步骤S3321,对心率变异性时域特征和心率变异性频域特征进行计算,得到呼吸率。
详细地,可以通过心率变异性时域特征和心率变异性频域特征得到PPI波峰平均间隔和HRV功率极值频率,PPI波峰平均间隔表示PPI序列相邻波峰的时间间隔平均值,HRV功率极值频率表示PPI功率谱在0.04Hz-0.4Hz范围内最大值对应频率。
步骤S3322,对呼吸率进行中值滤波处理,得到呼吸率特征。
详细地,通过步骤S3321得到呼吸率之后,还需要对呼吸率进行中值滤波处理,得到呼吸率特征。呼吸率特征包括呼吸率波动和呼吸率不稳定次数,呼吸率波动表示一定窗口内相邻分钟呼吸率差分绝对值之和,呼吸率波动的计算公式可以如下所示:
其中,RR表示呼吸率,N表示窗口长度(例如,可设为5),n表示第n分钟。
呼吸率不稳定次数表示呼吸率超过正常范围或呼吸率波动超过阈值(例如,可设为5),正常成年人睡眠中的呼吸率范围可以为10-20次/分钟,可以根据呼吸率不稳定次数对呼吸质量进行评分。
对于步骤S333,需要说明的是,可以通过机器学习分类器对ACC分钟级特征(包括活动秒数和连续静止分钟数)、HRV时域特征、HRV频域特征、呼吸率特征(包括呼吸率波动)进行分类计算,得到用户一分钟的睡眠阶段结果。
其中,机器学习分类器可以包括,但不限于贝叶斯、SVM、决策树、随机森林分类器,本申请实施例可以使用决策树分类器。
睡眠阶段包括清醒、快速眼动(REM)、浅度睡眠、深度睡眠四个阶段。
清醒阶段主要依靠活动秒数来进行判断,当活动秒数大于阈值(例如,可设为20)时,则这一分钟为清醒阶段。
在REM阶段,人体肌肉松弛处于静止状态,同时呼吸变得急促波动变大。当连续静止分钟数大于阈值(例如,可在1-5范围取值),呼吸率波动大于阈值(例如,可设为3),RMSSD小于阈值(例如,可在40-60范围取值),RMSSD和SDNN的比值小于阈值(例如,可在20-30范围取值),HRV低频和高频功率比值大于阈值(例如,可在0.8-1范围取值)时,这一分钟为REM阶段。
在进入深度睡眠阶段前,人体会保持静止一段时间。在深度睡眠阶段中,人体会保持静止并呼吸平稳。当连续静止分钟数大于阈值(例如,可在10-20范围取值),呼吸率波动小于阈值(例如,可设为3)时,这一分钟为深度睡眠阶段。
若不属于上述三种睡眠阶段,则这一分钟为浅度睡眠阶段。
在步骤S330之后,本申请实施例还可以包括对睡眠阶段结果进行评分的步骤。因此,在图3的基础上,图8为本申请实施例提供的另一种睡眠状态检测方法的流程示意图,参见图8,睡眠状态检测方法还可以包括:
步骤S340,对加速度特征进行时间点计算,得到入睡时间点和起床时间点。
步骤S350,对入睡时间点、起床时间点和睡眠阶段结果进行评分计算,得到睡眠质量评分。
对于步骤S340,需要说明的是,进行时间点计算的具体步骤不受限制,可以根据实际应用需求进行设置。例如,在一种可以替代的示例中,不厚S340可以包括进行匹配处理的步骤。因此,在图8的基础上,图9为本申请实施例提供的另一种睡眠状态检测方法的流程示意图,参见图9,步骤S340可以包括:
步骤S341,获取当前用户的佩戴信息。
详细地,可以通过通信连接的红外传感器400获取加速度信号。
步骤S342,对加速度特征和佩戴信息进行匹配处理,得到入睡时间点和起床时间点。
详细地,可以根据ACC秒级特征包括的变化之和判断用户是否处于静止状态,可以根据佩戴信息判断用户是否为未佩戴情况。在变化之和小于某阈值(例如,可设为6)时认为用户处于静止状态,在变化之和大于某阈值(例如,可设为10)时认为用户处于高动量运动状态,阈值可根据ACC传感器的型号而改变。
首先,对当前时间点进行判断是否为可疑入睡点,可疑入睡点的定义为非未配戴情况静止30分钟以上,即为可疑入睡点。然后,对可疑入睡点进行判断是否为真实入睡时间点,确认入睡需要三小时内未出现未配戴情况或者连续高动量情况,则此时可疑入睡点为真实入睡时间点。
并且,可以对当前时间点进行判断是否为可疑起床点,可疑起床点的定义为出现未配戴情况或者连续高动量运动状态且超过第一阈值时间,即为可疑起床点。对可疑起床点进行判断是否为真实起床时间点,确认起床需要出现未配戴情况或者连续高动量运动状态超过第二阈值时间。其中,第二阈值时间大于第一阈值时间,对于未佩戴情况,可设置相对较短的第二阈值时间,如30s;对于高动量运动状态,第二阈值时间可以设置为30min-60min,降低误识别的概率。
对于步骤S350,需要说明的是,当用户进行了一次大于三小时的睡眠时,可以根据入睡时间点、起床时间点和睡眠阶段结果得到当前用户的睡眠信息,对睡眠信息进行评分计算,得到睡眠质量评分。睡眠信息的名称和定义如表3所示。
表3.睡眠信息
结合图10,本申请实施例还提供了一种睡眠状态检测装置1000,该睡眠状态检测装置1000实现的功能对应上述方法执行的步骤。该睡眠状态检测装置1000可以理解为上述电子设备100的处理器,也可以理解为独立于上述电子设备100或处理器之外的在电子设备100控制下实现本申请功能的组件。其中,睡眠状态检测装置1000可以包括信号获取模块1010、信号处理模块1020和特征计算模块1030。
信号获取模块1010,用于获取当前用户的加速度信号和光电容积脉搏波信号。在本申请实施例中,信号获取模块1010可以用于执行图3所示的步骤S310,关于信号获取模块1010的相关内容可以参照前文对步骤S310的具体描述。
信号处理模块1020,用于对加速度信号和光电容积脉搏波信号分别进行特征处理,得到加速度信号对应的加速度特征和光电容积脉搏波信号对应的光电容积脉搏波特征。在本申请实施例中,信号处理模块1020可以用于执行图3所示的步骤S320,关于信号处理模块1020的相关内容可以参照前文对步骤S320的具体描述。
特征计算模块1030,用于对加速度特征和光电容积脉搏波特征进行睡眠阶段计算,得到当前用户对应的睡眠阶段结果。在本申请实施例中,特征计算模块1030可以用于执行图3所示的步骤S330,关于特征计算模块1030的相关内容可以参照前文对步骤S330的具体描述。
此外,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述睡眠状态检测方法的步骤。
本申请实施例所提供的睡眠状态检测方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行上述方法实施例中的睡眠状态检测方法的步骤,具体可参见上述方法实施例,在此不再赘述。
综上所述,本申请实施例提供的睡眠状态检测方法和装置、电子设备及存储介质,通过对当前用户的加速度信号和光电容积脉搏波信号进行特征处理得到的加速度特征和光电容积脉搏波特征进行计算,得到睡眠阶段结果,以通过加速度信号和光电容积脉搏波信号完成睡眠状态检测,从而提高睡眠状态检测的效率,避免了现有技术中需要大量信息,导致的睡眠状态检测的效率低的问题。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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。基于这样的理解,本申请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)执行本申请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 Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种睡眠状态检测方法,其特征在于,应用于电子设备,所述睡眠状态检测方法包括:
获取当前用户的加速度信号和光电容积脉搏波信号;
对所述加速度信号和光电容积脉搏波信号分别进行特征处理,得到所述加速度信号对应的加速度特征和所述光电容积脉搏波信号对应的光电容积脉搏波特征;
对所述光电容积脉搏波特征进行心率变异性计算,得到心率变异性时域特征和心率变异性频域特征;
对所述心率变异性时域特征和心率变异性频域特征进行呼吸率计算,得到呼吸率特征;
对所述加速度特征、心率变异性时域特征、心率变异性频域特征和呼吸率特征进行分类计算,得到睡眠阶段结果,包括:
通过机器学习分类器对加速度分钟级特征、心率变异性时域特征、心率变异性频域特征和呼吸率特征进行分类计算,得到一分钟的睡眠阶段结果;
其中,所述加速度分钟级特征包括不稳定点数、总差分之和、活动秒数以及连续静止分钟数;
所述不稳定点数为该所述一分钟所有秒级不稳定点数之和;
所述总差分之和为该所述一分钟所有秒级总差分之和的和;
所述活动秒数为加速度秒级特征超出阈值的秒数,所述加速度秒级特征包括秒级不稳定点数、秒级总差分之和以及变化之和,所述秒级不稳定点数为与该一秒所述加速度信号平均值相差超过阈值的点的个数,所述秒级总差分之和为所述一秒内所述加速度信号三轴相邻点的差分的绝对值的和,所述变化之和为所述一秒内所述加速度信号和该所述一秒第一个点的差分绝对值的和;
在所述一分钟所述活动秒数为零的情况下,所述连续静止分钟数加一,反之则归零。
2.如权利要求1所述的睡眠状态检测方法,其特征在于,所述对所述光电容积脉搏波特征进行心率变异性计算,得到心率变异性时域特征和心率变异性频域特征的步骤,包括:
对所述光电容积脉搏波特征进行异常去除处理,得到波峰间隔序列;
对所述波峰间隔序列进行重采样处理,得到心率变异性时域特征和心率变异性频域特征。
3.如权利要求1所述的睡眠状态检测方法,其特征在于,所述对所述心率变异性时域特征和心率变异性频域特征进行呼吸率计算,得到呼吸率特征的步骤,包括:
对所述心率变异性时域特征和心率变异性频域特征进行计算,得到呼吸率;
对所述呼吸率进行中值滤波处理,得到呼吸率特征。
4.如权利要求1所述的睡眠状态检测方法,其特征在于,所述对所述加速度信号和光电容积脉搏波信号分别进行特征处理,得到所述加速度信号对应的加速度特征和所述光电容积脉搏波信号对应的光电容积脉搏波特征的步骤,包括:
对所述加速度信号进行预处理,对预处理后的加速度信号进行特征提取处理,得到加速度特征;
对所述光电容积脉搏波信号进行预处理,对预处理后的光电容积脉搏波信号进行特征提取处理,得到光电容积脉搏波特征。
5.如权利要求1-4任意一项所述的睡眠状态检测方法,其特征在于,所述睡眠状态检测方法还包括:
对所述加速度特征进行时间点计算,得到入睡时间点和起床时间点;
对所述入睡时间点、起床时间点和睡眠阶段结果进行评分计算,得到睡眠质量评分。
6.如权利要求5所述的睡眠状态检测方法,其特征在于,所述对所述加速度特征进行时间点计算,得到入睡时间点和起床时间点的步骤,包括:
获取当前用户的佩戴信息;
对所述加速度特征和佩戴信息进行匹配处理,得到入睡时间点和起床时间点。
7.一种睡眠状态检测装置,其特征在于,应用于电子设备,所述睡眠状态检测装置包括:
信号获取模块,用于获取当前用户的加速度信号和光电容积脉搏波信号;
信号处理模块,用于对所述加速度信号和光电容积脉搏波信号分别进行特征处理,得到所述加速度信号对应的加速度特征和所述光电容积脉搏波信号对应的光电容积脉搏波特征;
特征计算模块,用于对所述光电容积脉搏波特征进行心率变异性计算,得到心率变异性时域特征和心率变异性频域特征;
对所述心率变异性时域特征和心率变异性频域特征进行呼吸率计算,得到呼吸率特征;
对所述加速度特征、心率变异性时域特征、心率变异性频域特征和呼吸率特征进行分类计算,得到睡眠阶段结果,包括:
通过机器学习分类器对加速度分钟级特征、心率变异性时域特征、心率变异性频域特征和呼吸率特征进行分类计算,得到一分钟的睡眠阶段结果;
其中,所述加速度分钟级特征包括不稳定点数、总差分之和、活动秒数以及连续静止分钟数;
所述不稳定点数为该所述一分钟所有秒级不稳定点数之和;
所述总差分之和为该所述一分钟所有秒级总差分之和的和;
所述活动秒数为加速度秒级特征超出阈值的秒数,所述加速度秒级特征包括秒级不稳定点数、总差分之和以及变化之和,所述秒级不稳定点数为与该一秒所述加速度信号平均值相差超过阈值的点的个数,所述总差分之和为所述一秒内所述加速度信号三轴相邻点的差分的绝对值的和,所述变化之和为所述一秒内所述加速度信号和该所述一秒第一个点的差分绝对值的和;
在所述一分钟所述活动秒数为零的情况下,所述连续静止分钟数加一,反之则归零。
8.一种电子设备,其特征在于,包括存储器和处理器,所述处理器用于执行所述存储器中存储的可执行的计算机程序,以实现权利要求1-6任意一项所述的睡眠状态检测方法。
9.一种存储介质,其特征在于,其上存储有计算机程序,该程序被执行时实现权利要求1-6任意一项所述睡眠状态检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010988540.0A CN111956197B (zh) | 2020-09-18 | 2020-09-18 | 睡眠状态检测方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010988540.0A CN111956197B (zh) | 2020-09-18 | 2020-09-18 | 睡眠状态检测方法和装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111956197A CN111956197A (zh) | 2020-11-20 |
CN111956197B true CN111956197B (zh) | 2022-12-30 |
Family
ID=73387358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010988540.0A Active CN111956197B (zh) | 2020-09-18 | 2020-09-18 | 睡眠状态检测方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111956197B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112535464A (zh) * | 2020-12-21 | 2021-03-23 | 安徽华米智能科技有限公司 | 基于pai的状态评估方法、装置、设备和存储介质 |
CN114532992B (zh) * | 2022-03-23 | 2024-04-02 | 深圳市爱都科技有限公司 | 小睡状态检测方法、装置、系统及计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107106085A (zh) * | 2014-12-30 | 2017-08-29 | 日东电工株式会社 | 用于睡眠监测的设备和方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10492720B2 (en) * | 2012-09-19 | 2019-12-03 | Resmed Sensor Technologies Limited | System and method for determining sleep stage |
US10028669B2 (en) * | 2014-04-02 | 2018-07-24 | Massachusetts Institute Of Technology | Methods and apparatus for physiological measurement using color band photoplethysmographic sensor |
FI126600B (en) * | 2015-08-10 | 2017-03-15 | Murata Manufacturing Co | Detection of sleep phenomena using ballistocardiography |
JP6439729B2 (ja) * | 2016-03-24 | 2018-12-19 | トヨタ自動車株式会社 | 睡眠状態推定装置 |
CN106725382A (zh) * | 2016-12-28 | 2017-05-31 | 天津众阳科技有限公司 | 基于动作和hrv测量的睡眠状态判别系统及方法 |
CN106859649A (zh) * | 2017-01-16 | 2017-06-20 | 深圳中科汇康技术有限公司 | 呼吸率检测方法及装置 |
EP3378380A1 (en) * | 2017-03-22 | 2018-09-26 | Koninklijke Philips N.V. | Sleep stage classification system |
JP6829880B2 (ja) * | 2017-03-27 | 2021-02-17 | 公立大学法人名古屋市立大学 | 入眠評価システム、プログラムおよび記憶媒体 |
-
2020
- 2020-09-18 CN CN202010988540.0A patent/CN111956197B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107106085A (zh) * | 2014-12-30 | 2017-08-29 | 日东电工株式会社 | 用于睡眠监测的设备和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111956197A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Venkatesan et al. | ECG signal preprocessing and SVM classifier-based abnormality detection in remote healthcare applications | |
CN111956197B (zh) | 睡眠状态检测方法和装置、电子设备及存储介质 | |
KR102313552B1 (ko) | 수면 모니터링을 위한 장치 및 방법 | |
JP2013524865A5 (zh) | ||
EP3073901A1 (en) | Sleep monitoring device | |
KR20100132592A (ko) | 감성인식장치의 개인별 최적화시스템 및 그 최적화 방법 | |
WO2016104498A1 (ja) | 眠気推定装置及び眠気推定プログラム | |
Ke et al. | Drowsiness detection system using heartbeat rate in android-based handheld devices | |
CN112617747A (zh) | 状态推定装置、状态推定方法以及存储介质 | |
CN113440122B (zh) | 一种基于生命体征的情绪波动监测识别大数据预警系统 | |
Ranganathan et al. | Evaluation of ECG Signals for mental stress assessment using fuzzy technique | |
CN115486833B (zh) | 呼吸状态检测方法、装置、计算机设备以及存储介质 | |
Nath et al. | Towards self-supervised learning of ecg signal representation for the classification of acute stress types | |
Hermawan et al. | An integrated sleep stage classification device based on electrocardiograph signal | |
US20220401037A1 (en) | Ml-based anomaly detection and descriptive root-cause analysis for biodata | |
CN115120236A (zh) | 情绪识别方法、装置、可穿戴设备及存储介质 | |
JP6922790B2 (ja) | 疲労度推定装置およびプログラム | |
Monteiro et al. | Deep learning on automatic fall detection | |
US20230397890A1 (en) | Fatigue level estimation apparatus, fatigue level estimation method, and computer-readable recording medium | |
Vaz et al. | An Automatic method for motion artifacts detection in photoplethysmographic signals referenced with electrocardiography data | |
Shao et al. | A Photoplethysmograph Signal Preprocess Method Based on Wavelet Transform | |
CN116304643B (zh) | 脑力负荷检测及模型训练方法、装置、设备及存储介质 | |
TWI829575B (zh) | 生理特徵偵測方法、使用該方法之電子裝置以及伺服器 | |
CN116841401B (zh) | 基于鼠标的健康监测方法、监测单元、鼠标及存储介质 | |
JP7327417B2 (ja) | 状態推定装置、状態推定方法、及びプログラム |
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 |