CN112739259B - 基于光电容积描记术检测受试者在清醒、困倦和睡眠阶段之间的转变 - Google Patents

基于光电容积描记术检测受试者在清醒、困倦和睡眠阶段之间的转变 Download PDF

Info

Publication number
CN112739259B
CN112739259B CN201980057110.2A CN201980057110A CN112739259B CN 112739259 B CN112739259 B CN 112739259B CN 201980057110 A CN201980057110 A CN 201980057110A CN 112739259 B CN112739259 B CN 112739259B
Authority
CN
China
Prior art keywords
ppg
phase
subject
sleep
processing system
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
Application number
CN201980057110.2A
Other languages
English (en)
Other versions
CN112739259A (zh
Inventor
萨拉·葛罗波
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.)
Sleep Consulting Technology Co ltd
Original Assignee
Sleep Consulting Technology Co ltd
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 Sleep Consulting Technology Co ltd filed Critical Sleep Consulting Technology Co ltd
Publication of CN112739259A publication Critical patent/CN112739259A/zh
Application granted granted Critical
Publication of CN112739259B publication Critical patent/CN112739259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/024—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
    • A61B5/02—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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Developmental Disabilities (AREA)
  • Fuzzy Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Computer Networks & Wireless Communication (AREA)

Abstract

一种智能系统，包括用于输出PPG信号的接触式或非接触式PPG传感器；以及电子处理系统，其与PPG传感器通信，以从其中获取PPG信号，并在时域和频域中的一个或两个中分析PPG信号，以基于对分析的输出实时预测受试者的清醒和睡眠阶段之间的转变，所述受试者佩戴配备有接触式PPG传感器的智能可佩戴系统，或者由非接触式PPG传感器远程监控。

Description

基于光电容积描记术检测受试者在清醒、困倦和睡眠阶段之 间的转变
相关申请的交叉引用
本专利申请要求2018年8月29日提交的欧洲专利申请18191543.0和18191547.1以及2019年3月4日提交的欧洲专利申请19160639.1的优先权，其全部内容通过引用结合于此。
技术领域
本发明涉及对受试者的清醒(awake，W)、困倦(drowsiness，D)和睡眠(sleep，S)阶段的自动和自适应检测，以及对清醒、困倦和睡眠阶段之间转变的预测。
背景技术
众所周知，对个人不同行为阶段(W，D，S)的无创性识别是一个关系到现代生活的一些主要领域的问题，例如交通和工作环境中的公共健康和安全，在社会经济方面具有重要的后果，并对研究和发展领域具有重要的推动作用。
在公共卫生方面，通常一个成年受试者每天平均花费大约1/3的时间睡觉，睡眠医学最近才被纳入为医学的一个专业。它的发展是基于越来越多的关于睡眠生理学、昼夜生物学和睡眠障碍病理生理学的知识。尽管这个医学分支还很年轻，但国际睡眠障碍分类(international classification of sleep disorders，ICSD)已经确定了50多种不同的睡眠障碍。睡眠障碍的影响是广泛的，影响患者的身体、心理和经济。白天过度嗜睡(excessive daytime sleepiness，EDS)已被证明是第二大睡眠障碍组。高达40％的工业国家成年人口经历入睡或白天困倦的问题，这些问题被认为不仅是由于被归类为睡眠病理的睡眠模式紊乱，而且是由于非常常见且可能与环境相关的条件，例如睡眠缺乏状态、身体或精神压力、饮酒、安眠药假设以及个人执行重复动作的任何背景。所有这些条件在某些情况下也可能通过相互加强而重叠。
因此，困倦是瞌睡的同义词，瞌睡简单指由可能影响任何人，甚至健康的年轻人的广泛条件导致的入睡倾向，从而由于受试者的注意力水平和意识程度逐渐降低，导致人身伤害、残疾和工作表现不佳。困倦是清醒和睡眠两种生理状态之间的转变过程。
目前，睡眠医学为研究人类睡眠障碍和识别人类主要行为状态(特别是W、D和S阶段)而进行的测试的黄金标准是多导睡眠描记仪(polysomnography，PSG)。这是一种极其复杂的仪器检查，包括在患者身上应用许多传感器(从最小10个到超过30个)，这些传感器与身体的外部和内部各部分直接接触，例如皮肤、头皮、鼻腔、食管腔。通过这组传感器，多导睡眠描记仪能够连续数小时(通常为一夜)记录患者的主要生理功能，如脑电活动(brainelectrical activity，EEG)、心肺活动、身体运动、眼球运动、肌肉张力、食管内压等。
图1A和1B分别示出了在患者身上的PSG组装和在个人计算机上记录信号的显示。
PSG对患者来说是一种有效但要求很高的检查，需要高度专业的技术人员来组装参与研究的受试者身上的仪器，还需要具有睡眠医学特定技能的医生来分析和解释记录的数据。此外，PSG非常昂贵，并受限于研究中心可用床位数量和可以读取和评估数据的专家数量。
在交通和工作环境方面，困倦严重损害了人们驾驶或完成活动的能力，因为他们发现很难保持对任务的注意力。这在道路上是有害的风险，更普遍地，在工业活动中也是有害的风险(例如，在生产工厂工作、控制机器人、操作焊接机等)。据报道，35％-45％的交通事故是由困倦驾驶(即在瞌睡或疲劳时驾驶)引起的。2009年，美国国家睡眠基金会(national sleep foundation，NSF)报告称，54％的成年司机在驾驶车辆时感到困倦，其中28％的人实际上睡着了。
根据来自美国国家公路交通安全管理局(national highway traffic safetyadministration，NHTSA)的信息，每年约有100,000起由驾驶员困倦或疲劳引起的撞车事故，这些事故造成超过1500人死亡，71,000人受伤。在欧洲，驾驶员疲劳每年导致大约6000人死亡，并且许多研究声称，15％-20％的交通事故主要是由驾驶员疲劳引起的。
精神疲劳和瞌睡事故不仅存在于普通道路交通中，也存在于航空和铁路运输部门以及受试者使用或控制危险机械的工业部门。与正常的民用领域相比，这些行业的事故会导致更糟糕的结果，甚至像切尔诺贝利那样的灾难。
因此，越来越多的研发和更多的研究集中在处理上述社会问题的自动系统和方法的设计上。
针对驾驶困倦的识别，目前相关研究采用了下述措施：
-基于车辆的措施：车道位置的偏离、方向盘的移动、加速踏板上的压力等被持续监控，并且任何超过特定阈值的变化都表明驾驶员困倦的可能性显著增加；
-驾驶员行为措施：包括打哈欠、闭眼、眨眼、头部姿势等行为由摄像头监控，如果检测到这些困倦症状中的任何一种，则警告驾驶员；以及
-生理措施：许多调查和研究被开展以通过对如下各信号的分析来确定所研究的驾驶员的困倦和一些生理数据之间的关系：针对心率变异性的心电图(electrocardiogram，ECG)、针对脑电活动的脑电图(electroencephalogram，EEG)针对肌肉活动的肌电图(electromyogram，EMG)、针对眼球运动的眼电图(electrooculogram，EoG)。
由于下述的一些基本限制，通过使用所有这些措施检测驾驶员困倦的可靠性和准确性被认为是不足够的：
-基于车辆的措施和驾驶员行为措施在非常有限的条件下才有效，因为它们过于依赖外部因素，如道路的几何特征、道路标记、气候和照明条件。此外，它们容易受到诸如驾驶员面部位置和眼镜佩戴等视觉障碍的影响。此外，皮肤的颜色和胡须的存在会影响面部轮廓和特征的重建，包括眼睛和嘴的位置/运动；以及
-目前研究的生理措施存在其所使用的大多数传感器具有侵入性问题。此外，许多研究已经确定，所有这些措施都是较差的预测指标，因为它们只有在司机开始入睡后才会明显有效，这对于预防行为来说太晚了。
发明内容
本发明的目的是提供一种简单的、自动的、自适应的、实时的和性价比高的电子处理系统，该系统能够通过接触式和非接触式技术自动检测并预测受试者的清醒(W)、困倦(D)和睡眠(S)阶段之间的转变。
根据本发明，提供了一种电子处理系统，一种模块化可组合电子系统，以及其一种软件，如所附权利要求所述。
简而言之，本发明涵盖两个主要项目：
a)一种创新方法，该方法可以自动检测和预测受试者在W，D和S阶段之间的转变。
该方法依靠于对主要由光电容积描记术(PhotoPlethysmoGraphy，PPG)技术提取的生理特征的深度分析，并且包括情感阶段的实时评估的附加贡献。这种方法依赖于睡眠医学学科的相关背景，特别是“催眠度(somnificity)”概念，它强烈地启发了这样一种多因素分析。
该方法采用非常灵活和创新的方法，将时域分析与频域分析相结合。因此，尽管测量的生理信号的质量通常较低，但它能够提取一组稳健的参数。
该方法包括对受试者生理参数的个体自校准的学习和自适应控制。该过程是完全自动化的，对用户是透明的，并随着时间的推移而演变，从而不断调整参数，以提供最准确的预测能力。
该预测方法还考虑了受试者的额外背景特征，例如身体运动和温度，从而导致非常稳健和自动化的分析。
b)一种模块化和可组合的智能系统，以下称为网络物理系统(cyber physicalsystem，CPS)，它依赖于一组非常简化的生理参数，例如血压、血管体积变化等，通过PPG技术，能够无创地确定受试者的W、D和S阶段。
模块化可组合CPS可支持接触式技术(如可佩戴式)和非接触式技术。这种本质上简单方法主要基于PPG技术，并通过详尽和准确的临床分析得到验证，并且所述方法的主要优点是可以在一系列智能系统上实时运行专有算法，以精确确定和预测困倦。因此，受试者困倦为相关因素的广泛应用可被成功采纳。
图2总结了所提出的基于通过PPG技术提取的多因素的创新方法：从由多个传感器提取的多个特征到通过PPG技术提取的多个因素。
附图说明
图1A和1B分别示出了在患者身上的多导睡眠描记仪的组件和在个人计算机上显示的所记录的信号。
图2总结了基于通过PPG技术提取的多因素的本发明的基本思想。
图3示出了光衰减在不同组织的变化。
图4示出了一种PPG波形。
图5示出了典型PPG波形的特征参数，其中收缩期峰值的幅值用x表示，舒张期峰值的幅值用y表示。
图6示出了两个连续PPG波形。
图7示出了在PPG波形上由△T表示的量(左)，以及典型的PPG波形和相关的△T(右)。
图8示出了(a)原始指尖容积描记术图，(b)容积描记术图的一阶导数波(左)，以及(b)容积描记术图的二阶导数波(右)。
图9示出了从观察到的非线性数据重建阶段的概念方案。
图10示出了PPG透射(左)和反射(右)模式。
图11示出了PPG信号(AC和DC分量)在清醒和睡眠阶段的趋势。
图12示出了在PPG波形分析中使用的量Tpp、Tfp、Tdn和A。
图13示出了在PPG波形上计算的最大峰值_95％(MaxPeaks_95perc)量和离群值(outlier)。
图14示出了从PPG导出的FFT分析：清醒和睡眠阶段信号特征。
图15示出了W阶段到S阶段转变时FFT的变化。
图16示出了相对幅值和相邻频率上的滑动窗口。
图17示出了清醒状态时PPG波形的频率分析。
图18示出了在入睡状态期间PPG波形的频率分析。
图19示出了轻度睡眠状态下PPG波形的频率分析。
图20示出了轻睡眠状态下PPG波形的时域分析。
图21示出了试验期间(清醒，入睡，轻度睡眠)的频率定位。
图22示出了PPG信号的基于FFT的功率谱密度(power spectrum density，PSD)。
图23示出了本发明学习和预测阶段的状态图。
图24示出了WDS转换模式和依赖性。
图25示出了根据本发明的网络物理系统(cyber physical system，CPS)的框图。
图26示出了智能可佩戴标签(a)、智能可佩戴网关(b)、智能接触式困倦观察器(c)和智能非接触式困倦观察器形式的系统模块性。
具体实施方式
现在将参照附图详细描述本发明，以便使得技术人员对其实施和使用。对所描述的实施例的各种修改对于本领域技术人员来说将是显而易见的，并且所描述的一般原理可以应用于其他实施例和应用，然而不脱离由所附权利要求限定的本发明的保护范围。因此，本发明不应被视为限于这里描述和说明的实施例，而是应被允许与这里描述和要求保护的特征一致的最广泛的保护范围。
除非另有定义，此处使用的所有技术和科学术语具有本发明所属领域的普通技术人员通常理解的相同含义。如有冲突，以本说明书(包括所提供的定义)为准。此外，提供示例仅供说明用途，而不应被理解为限制。
具体而言，附图中包括的以及下面描述的框图不应被理解为结构特征的表示，即结构限制，而是必须被理解为功能特征的表示，即由所获得的效果(即功能限制)定义的设备的固有属性，其可以以不同的方式实现，以便保护其功能(操作能力)。
为了便于理解这里描述的实施例，将参考一些特定的实施例，并且将使用特定的语言来描述它们。此处所用术语仅供描述特定实施例使用，不应视为限制本发明的保护范围。
光电容积描记术(PhotoPlethysmoGraphy，PPG)技术是一种无创性光学技术，用于检测皮肤下组织床中由于循环系统的脉动性质而引起的微血管血液体积变化。
PPG对心血管系统评估、生命体征监测、血氧检测的广泛应用具有重要意义，并已成为用于麻醉期间的监测的法定国际标准。
因此，测得的PPG波形包括脉动(通常称为“AC”)生理波形，其反映了每次心跳时血液体积的心脏同步变化，该变化在大得多的缓慢变化的准静态(quasi-static，“DC”)基线上叠加。图3示出了光衰减在不同组织的变化。
DC分量包含关于呼吸、静脉流量、交感神经系统活动和体温调节的有价值的信息。
如图4所示，PPG波形指示四个相关点，分别为舒张点，收缩点，重搏切迹和重搏波。
脉搏血氧仪已经成为最常用的氧饱和度(SpO2)的无创测量方法。氧饱和度被定义为基于血红蛋白和脱氧血红蛋白的检测，对血液中溶解氧量的测量。脉搏血氧仪分析从充氧动脉血的脉动增加体积的两个波长的光吸收(AC/DC)，并计算吸收率。
积极的研究工作表明，PPG技术的巨大效用远远超出了氧饱和度和心率的测定。未来趋势受到现代数字信号处理的严重影响，这使得可以对这种无处不在的波形进行重新检查。
解锁这种波形潜力的关键是充分利用具有足够精度和分辨率的原始信号，结合新的分析方法，可能的话利用现代人工智能和数据科学技术提供的能力。
尽管PPG信号的形态看起来类似于动脉压脉冲，但波形轮廓却不一样。如图5所示，通过观察PPG波形的细节，可以获得大量关于被分析对象健康状况的有用信息。
幅值分析：一种更有用的PPG特征是波形幅值。在非常广泛的心输出量范围内，PPG信号的幅值与血管扩张性成正比。特别地，收缩幅值(x)是由测量部位周围的动脉血流引起的血容量脉动变化的指标。如果血管顺应性低，例如在交感神经紧张度增加的发作期间，脉搏血氧计波形幅值也较低。随着血管舒张，脉搏血氧计波形幅值增加。有人认为，收缩幅值可能是比脉搏到达时间更适合的估计连续血压的量度。
节律分析：由于PPG波形形态与动脉血压波形相关，PPG波形可以是检测和诊断心律失常的有效工具。正如预期的那样，在每一次室性早搏后，都会有一个补偿暂停，这给了心室更多的时间来充盈。因此，下一次正常心跳与搏出量的增加有关。这反映在动脉血压的升高上。据认为，同样的机制导致了补偿暂停后脉搏血氧计幅值大小的增加。脉搏血氧计幅值的逐拍变化通常是患者出现不规则心律的第一个迹象。
脉搏分析：对PPG波形的特定时间间隔和区域的分析和测量为受试者健康状况提供了额外详细信息。
如图6所示，两个连续收缩期峰值的距离被称为峰-峰间隔，其被用于在PPG信号中检测心率。
此外，PPG波形的开始和结束之间的距离将被称为脉搏间隔。脉搏间隔通常在舒张期峰值比收缩期峰值更清晰且易被检测时代替峰-峰间隔。有人认为，脉搏间隔与其收缩幅值的比例可以帮助了解一个人的心血管系统的特性。已经证明，PPG的心率变异性(heartrate variability，HRV)和ECG信号高度相关：因此，PPG信号可以用作HRV的替代测量。
增强压力(augmentation pressure)是波反射对收缩动脉压的贡献的量度，它是通过测量从外围到中心的反射波而获得的。弹性动脉顺应性降低导致“反射波”提前返回，反射波在收缩期而不是舒张期到达，导致收缩压不成比例地升高和脉动压增加，从而导致负荷后左心室增大，舒张血压降低和冠状动脉灌注受损。
增强指数(augmentation index，AI)的定义如下：AI＝y/x
如图5所示，y是末期收缩峰值的高度，x是脉搏中的早期收缩峰值。波形的收缩分量主要来自沿左心室到手指的直接路径传输的前向压力波。舒张分量主要来自沿主动脉传输到下体小动脉的压力波，然后该压力波作为反射波沿主动脉反射回来，然后传播到手指。
上肢为直接传输的压力波和反射波提供了一个共同的管道，因此对它们的相对时间影响很小。如图7所示，在左侧，收缩期和舒张期峰值之间的时间延迟△T，或在没有第二个峰值情况下的拐点，与压力波从锁骨下动脉根部到明显反射部位，然后回到锁骨下动脉的过渡时间有关。该路径长度可以被认为与受试者身高h成正比。
因此，与大动脉僵硬度相关的PPG轮廓指数(SI)定义为SI＝h/△T。
如图7所示，在右侧，随着年龄增大，由于大动脉僵硬度增加以及主动脉和大动脉中压力波的脉搏波速度增加，收缩压和舒张压峰值之间的时间延迟减小。因此，已经证明了SI随着年龄的增长而增加。
数学分析提供了一种更精良的参数识别，以及从PPG波形中提取额外特征。例如，一阶导数主要用来更好的识别舒张点。由于容积描记术图的二阶导数显示了手指血液的加速，因此其也被称作加速度容积描记术图。
图8示出了原始的手指容积描记术图(a)，容积描记术图的一阶导数(b-左侧)，以及容积描记术图的二阶导数(b-右侧)。
自主和副交感神经/交感神经系统活动：自主神经系统(autonomic nervoussystem，ANS)的行为可以通过PPG的频域分析来研究。特别是LF带(0.04-0.15赫兹)(其包括周期在7-25秒之间的节律，受3-9拍每分钟的呼吸影响)以及HF或呼吸带(0.15-0.40赫兹)(其受9-24拍每分钟的呼吸影响)可从PPG中提取。像HRV一样，HF分量是副交感神经活动的指标，LF/HF的比是交感神经活动的指标。
单点监测和将PPG传感器直接应用于皮肤的需要限制了脉搏血氧仪在灌注映射(perfusion mapping)和愈合评估情况下或需要自由运动时的适用性。
此外，为了获得高质量的信号，传统的PPG传感器需要牢固地附着在皮肤上。快速数码相机在临床成像监测和诊断系统中的引入，以及基于超短程雷达技术(如1-3米)的非常先进的解决方案、减少身体限制的愿望，和可能来自灌注成像和映射可能带来的新见解，激发了传统PPG技术向成像PPG(Imaging PPG，IPPG)的演变。
IPPG是一种非接触式方法，可以通过外周血液灌注测量来检测心脏产生的脉搏波。自创立以来，IPPG吸引了大量公众兴趣，并提供了改善个人保健的机会。
因此，需要一种IPPG技术来从任意大小和位置的多个位置同时提供详细的空间信息，从而允许生理参数的推导和映射，并最终促进洞察，否则难以或甚至不可能从单点测量获得。
为了清楚起见，安装在车辆内部镜附近的IPPG传感器可以同时分析和预测驾驶员的WDS转变和靠近他/她的乘客的健康状况。
特别地，精神压力包括“由倾向于改变现有平衡的因素引起的身体或精神紧张”：因此，它似乎是对意外变化的自然反应，也可以被视为一个防御过程，以保护一个人免受可能伤害或对待情绪健康。压力指的是ANS的一种生物状态，它允许对需求或未知状况作出反应。所有与压力相关的生理反应均被控制在ANS中。ANS被划分为交感神经系统(sympathetic nervous system，SNS)和副交感神经系统(parasympathetic nervoussystem，PNS)，SNS控制紧急情况或未知情况下激活的活动，PNS控制能量的休息和恢复功能。
目前有几种技术和方法可用于监测与压力和情绪状态相关的生物变化。
用于检测人类慢性压力的最常见生物信号之一是皮肤电活动。人的皮肤可以被建模成电导体：事实上，在认知、情感或身体压力源的情况下，皮肤腺体会产生离子汗。
特别地，皮肤电反射(Galvanic Skin Reflection)是皮肤电导率(skinconductivity，SC)的一个指标，因为电导率在外部或内部刺激的存在下线性增加。
肌肉张力是外部刺激的一个常见指标，因此可以通过肌电图(electromyogram，EMG)使用基于肌肉活动的信号来评估情绪变化。EMG使用肌肉表皮层上的电极在肌肉纤维收缩时检测电活动，是一种创伤性很大的技术。
测量压力和情绪变化的一种相对较新的技术是使用先进的视觉系统：例如，高光谱成像方法将氧饱和度和温度通过接触传感器与面部运动和眼睛瞳孔的变化结合起来，以检测情绪变化。
最后，心血管活动指的是任何涉及心脏和血管的测量：这些生物信号提供了关于不同身体和心理状况的广泛范围的信息。心血管活动可以通过ECG以创伤性方式进行测量。
重要的是要注意，以前测量压力和情绪变化的技术要么是侵入性的，要么实施起来非常复杂。
事实上，使用PPG技术可以非常精确地并且以创伤性较小的方式测量流入外周血管的血液量。
在评估ANS的活动时，通常会选择广泛使用的几个特征，所述几个特征可以在时域中从PPG导出，例如：
1.平均NN是正常心跳间隔的平均时间。低值表示心率升高，这可能表明兴奋、身体活动和咖啡摄入。较高的NN值通常表示休息。
2.SDNN是心跳间隔时间的标准偏差，可用于估计生理压力。
3.RMSSD是心跳连续差值的均方根，被用来预测感知到的精神压力。
4.SDSD是连续差值的标准偏差。
5.NN50是相互差值超过50ms(NNSO)的相邻NN间隔的数量，且需要2分钟时期(epoch)。比例项pNN50是NN50除以NN总数。百分比高表示心率变异性的复杂性，与良好的心理和生理状态相关。
通过更复杂的处理，例如混沌吸引子和最大李亚普诺夫指数(Lyapunovexponent)，可以从PPG中提取额外的指标。
非线性时间分析的第一步是从PPG数据重建相位空间，相位空间是一个可以观察到混沌的抽象数学空间。重建的相位可以描述如下：
v(t)＝[X(t)，Y(t+T)，Z(t+(d-1)T]
特别地，v(t)是维度状态向量，X、Y、Z是原始数据，d是嵌入维度的数量，T是时间延迟。合适的时间延迟T和嵌入维度d对重建吸引子很重要。
由于吸引子从PPG中导出，因此吸引子的相对大小反应了PPG幅值。如果外围血流减少，吸引子大小也减小。吸引子的形状由轨迹形成，并且描述了与混沌状态相关联的PPG波的不稳定性。如果混沌程度增加，混沌吸引子就趋向于非常不规则的形状。
图2示出了从观察到的非线性数据重建相位的概念方案。
动态系统的李亚普诺夫指数是表征相邻轨迹分离速率的量。对于初始分离向量的不同方向，分离速率可以不同。因此，有一个李亚普诺夫指数谱，其数量与相位空间的维数相等。通常将最大的一个作为最大李亚普诺夫指数(Maximal Lyapunov Exponent，MLE)，因为其确定了动态系统的可预测性概念。定量地显示了混沌程度的MLE从吸引子中提取。特别是，MLE是用罗森斯坦算法计算的：这种方法直接遵从最大MLE的定义，并且是准确的，因为它利用了所有可用的数据。罗森斯坦算法快速、易于实施，并且对以下量的变化具有鲁棒性：嵌入维数、数据集大小、重建延迟和噪声等级。
MLE的增加意味着混乱程度的不规则性增加了。一般来说，当健康的人有精神压力并试图克服一些困难时，混乱的程度就会增加。
因此，PPG可以作为定量评价精神压力的最有效的方法之一。值得注意的是，时域和频域的组合看起来是实现关于压力的可靠指示的最合适的方法。
几年前，引入了“催眠度”这个术语来描述不同姿势和活动对睡眠倾向的影响。
特别是，任何特定姿势、活动和情况的催眠度都是对其促进或阻碍大多数人开始睡眠的能力的衡量。其不是个人或其睡眠障碍的特征。
一个人重复从事同一项活动时(以相同的姿势、在一天的同一时间等)的通常睡眠倾向在那种情况下可以称为情境睡眠倾向(Situational Sleep Propensity，SSP)。当我们测量一个人在一组环境下的睡眠倾向时，例如，通过他们在睡眠实验室中一天中每隔两个小时入睡所需的时间(多重睡眠潜伏期测试)，我们只测量了他们的SSP中的一个。这通常与在不同环境下测量的他们的睡眠倾向大相径庭，例如，在保持清醒测试中，他们需要多长时间才能入睡。一个人在一种情况下的SSP通常与他们在不同情况下的SSP适度相关。
特别地，入睡事件的时间范围当然也受到情绪阶段和压力水平的影响。即使在相同的边界条件(例如姿势、位置、一天中的时间)和行为条件(例如疲劳程度、一般健康状况)下，受试者是否存在任何精神压力也会直接影响睡眠的开始。
所提出方法的一个方面是对情境睡眠倾向进行非常全面的分析，如前所述，考虑通过PPG技术提取的多种行为因素，并在多个领域(如时间和频率)对其进行分析。
特别地，所提出的W-D-S检测和预测方法是基于一些基础物理和医学观察：
1.PPG波形的特征在于清醒阶段的不规则趋势和睡眠阶段期间的规则趋势，而在困倦阶段，PPG波形逐渐趋向于规则趋势。这种现象既可以在频率值方面观察到，也可以在幅值方面观察到，如下有更详细的描述；
2.心率在清醒阶段和睡眠阶段之间变化；
3.在PPG技术中，在每个测量脉冲上传递的能量可以被认为是基本恒定的，因为光源由恒定的驱动电流驱动。该陈述独立于接触PPG技术(例如，如图10所示的PPG透射(左)和反射(右)模式)。同样的原理也适用于IPPG技术，因为无论是短程雷达(RADAR)还是等效技术都会产生一个恒定的波束用于生理分析。
在前一部分中，已经描述了与受试者健康状况有关的几个相关参数。这些参数可以主要通过时域分析来提取，并且可以提供关于W-D-S阶段的非常有用的信息。
然而，必须强调的是，PPG波形的质量通常较低，并且容易因手腕运动和外部光线引起的噪声而产生伪影(artefact)。因此，要从PPG获得非常详细的信息并不容易，除非应用相当强的滤波来消除噪声。在对成本敏感的嵌入式系统上实现非常有选择性的实时过滤也很困难。因此，重滤波不仅去除了噪声，还去除了PPG信号中包含的有用信息。鉴于这些原因，基于时间的算法可能不会特别精确并难以校准。
用于W-D-S阶段的检测/预测的PPG特征使用背后的基本原理如下。W-D-S阶段不仅从行为和认知的角度彼此不同，而且从心血管、呼吸和自主的角度也不同。清醒状态的特征是交感神经活动增加和/或副交感神经活动减少，而极度放松状态和睡眠状态的特征是副交感神经活动增加和/或交感神经活动减少。因此，由于PPG信号是与自主神经系统相关的生物医学变量，它可以以简单和无创的方式提供个体生理状态(W，D，S)的直接信息。
事实上，最近的研究表明，在PSG记录中观察到的PPG波形的幅值变化与大脑皮层的激活有关。这些激活是，例如睡眠呼吸事件后发生的短暂唤醒(觉醒)时期的特征。这表明PPG波的变化可以被认为是清醒皮层活动的标志。
此外，PPG对清醒状态下典型的身体运动很敏感，这种运动会导致波形的显著变化。PPG波形对身体运动的敏感性是该信号的一个众所周知的特征，并且通常被认为是其限制之一，因为它产生“噪声”以干扰对波形的分析和从波形中正确提取某些信息，例如首先是氧饱和度和心率值。然而，与此同时，对由运动引起的波的长期不规则性的观察提供了关于受试者行为状态的信息，并且它暗示了清醒阶段。
因此，PPG波形的特征是在清醒阶段不规则的倾向和在睡眠阶段规则的趋势。在图11中，在相当详细的窗口周期(上侧)还是在大的窗口尺度(下侧)中均示出了在清醒和睡眠阶段的PPG波形(AC和DC分量)的趋势。
特别地，图11所示的PPG波形描述了受试者在睡觉前10分钟和睡觉后10分钟的行为。
困倦状态是W和S之间的转变过程，发生在睡眠阶段之前。入睡发作并不是立刻发生的，在达到稳定状态之前可能会出现失眠的一些波动，这一事实使情况更加复杂。
在困倦阶段，PPG波形逐渐趋于规则趋势。
这一基本结论是睡眠医学领域的专家在很长一段时间内进行的准确而详尽的临床观察的结果。
睡眠医学的医生专家根据美国睡眠医学学会(American Academy of SleepMedicine，AASM)的睡眠评分建议，对不同的行为阶段进行了分析。对下述状态进行评分：
a)非REM 1-2-3和REM睡眠阶段
b)睡眠中的运动
c)清醒状态
此外，为了更好地定义清醒阶段和睡眠阶段之间的转变，清醒阶段被进一步区分为活动、安静和闭眼安静。
已经建立了一个专有数据库，包括通过PSG方法获得的高分辨率生理数据，这代表了睡眠研究的黄金标准被建立。该数据库包括与表中报告的行为状态所有转变相关的时期(以小时、分钟和秒表示)。这样的表格已经用于检测/预测算法的开发和验证。
值得一提的是关于睡眠相关呼吸障碍的活动，在这些活动中，观察一些生理参数(例如，从睡眠到清醒阶段)以识别呼吸暂停引起的突然唤醒事件非常重要。
因此，睡眠和清醒阶段之间的生理参数有不同的特征，特别是在PPG波形趋势方面。
当观察集中在W阶段和S阶段之间的转变时，也是如此。
因此，由医生根据AASM的建议执行的视觉评估将识别在W和S阶段之间的转变阶段中的PPG波形的一些相关特征，例如：
a)波形频率和幅值变量显著减小
b)运动伪影频率显著降低
图12示出了一些基于时间PPG波形分析中使用的有效量：
1.Tpp：脉搏相邻峰值之间的时间
2.Tfp：脉搏相邻谷值和峰值之间的时间
3.Tdn：脉搏相邻重搏切迹之间的时间
4.A：脉冲的峰到峰的幅值
重要的是要注意上述由医生视觉识别的生理参数的减少，应被认为是所分析受试者的相关变化，并且不是绝对指标。因此，可以定义每个受试者特有的并根据他/她的健康状况随时间变化的合适的“特征窗口”(signature windows)，并使用所述“特征窗口”检测从W到S阶段的转变。
因此，可以处理数量非常有限的、仅通过PPG技术提取的生理参数，这些参数包括检测困倦状态(更一般地说，W-D-S转变)所需的并且具有高精度的所有特征。
这种经过临床验证的科学方法，可以识别出一种具有鲁棒性的方法来检测W-D-S阶段。
到目前为止，大多数科学活动都集中在不同睡眠阶段的检测上，但没有考虑仅基于PPG技术的W-S阶段转换。
对于时域分析，它集中在最大峰值上，以搜寻规律性变化。它要么基于一般峰值行为，要么基于连续峰值之间的差异，根据临床医生对描述W-D-S转变的相关生理值数据集执行的实验活动。
下述时域上的代表特征被识别：
最大峰值_95％：其是峰值幅值的最大值和其95％百分数之间差值的绝对值。
最大峰值_95％＝|最大值(峰值)-95％(峰值)|
离群值：其是以峰值平均值为中心+/-10％范围之外峰值的百分比。
图13示出了在PPG波形中搜寻连续峰值并计算最大峰值_95％和离群值。
此外，计算下述由欧洲心脏病学会特别工作组(the Task Force of theEuropean Society of Cardiology)和北美起搏与电生理学会(the North AmericanSociety of Pacing and Electrophysiology)定义的，并在上文描述的参数(校准测量时间段是2-5分钟之间)。
1.平均NN：正常心跳之间的平均时间，以毫秒计
2.SDNN：心跳间隔时间的标准偏差，以毫秒计
3.RMSSD：心跳连续差值的均方根，以毫秒计
4.SDSD：连续差值的标准偏差，以毫秒计
5.NN50：相互差值多于50ms的相邻NN间隔的数量
利用罗森斯坦算法的最大李亚普诺夫指数目前可在MATLAB库函数中获取，且SW代码可以根据所选的CPS平台进行定制。
关于频域分析，由于临床医生对测量结果的评估不太直观，因此在PPG技术中很少使用。此外，由于缺乏处理能力和嵌入式存储器，在上一代生物医学便携式系统上实现实时频率分析并不容易。
PPG技术提供了时域的连续波形。这样的波形可以用无限多个正弦波的和通过如下傅立叶变换来描述，这些正弦波具有定义的频率和振幅：
通过傅里叶变换，任何物理信号都可以分解成许多离散的频率，或者一个连续范围内的频谱。从信号x(t)的频谱开始，可以计算能谱密度和功率谱。
PPG波形的频率分析提供了波形在基频和主谐波方面的频谱内容的细节。
特别地，已经清楚地证明了心率和通过快速傅立叶变换(FFT)获得的基本PPG频率之间的精确相关性。通过将傅立叶变换应用于PPG波形，可以计算频谱分布。
图14示出了清醒阶段(上侧)和睡眠阶段(下侧)的频谱分布。
在W阶段，PPG波形在频率和振幅两方面都是高度可变的，而在S阶段，则趋向于更加规则。在频域方面，在W阶段，存在大范围的谐波；此外，主频率(例如基波和一次谐波)具有相当的幅值。相反，在S阶段，基频相对于其他谐波明显显示出更高的相对幅值，所述其他谐波则不太明显。
另一个重要的考虑因素是还与谱频率的偏移有关，在从W阶段到S阶段的转换过程中，谱频率向更低频率范围偏移。值得注意的是能量在两阶段之间传播的方式；特别地，在睡眠阶段观察到一种能量重新分布，好像更多的能量集中在基频中。
与W阶段相比，基频的偏移可以用S阶段心率的降低来解释。
图15中示出了FFT从W到S阶段的变化，特别是从较高频率(W)向较低频率(S)的频率偏移，以及基频和其他谐波之间相对幅值的差值。
因此，由于前述观察，可以检测清醒和睡眠阶段。特别地，在相邻频率和相对幅值上的一组滑动窗口将提供关于受试者行为阶段的动态指示(见图16)。
以下提供了先前考虑的实验证据，这些证据来自专有数据库。特别地，在受控条件下，通过生物医学装置对一定量的受试者进行记录，该记录被认为具有统计学意义，持续约10小时。测试在个体清醒时开始，持续一整夜。然后入睡和睡眠阶段也被记录(包括唤醒时期)。图17、18和19示出了在PPG波形的频域中分析健康状况良好的年轻人的结果，该分析在30秒的滑动窗口上进行，并且被睡眠医学专家分类为清醒、入睡和轻度睡眠阶段。
为了清楚起见，在图20中报告了时域中处于轻睡眠阶段的PPG数据的表示，而在图21中仅示出了基频的频率定位。
值得提及的是，ANS的活动和睡眠阶段之间的相关性。
非REM(rapid eyes movement，快速眼球运动)阶段的特征是副交感神经系统的高活性，而REM和清醒状态的特征是交感神经系统的高活性。
用PPG技术提取的生理参数用于监测交感神经和副交感神经系统的活动：这样的精确研究是在频域中进行的。
特别地，基于快速傅里叶变换的PPG的功率谱密度(Power Spectrum Density，PSD)可以被计算，并在图22中示出。它可以细分为两个频率范围：
1)低频率范围(0,04÷0,15赫兹)；
2)高频率范围(0,15÷0,4赫兹)。
在低频率范围内的最大值定义为LF，而在高频率范围内的最大值定义为HF。
在自主神经系统的活动和HF、LF参数之间存在重要的关联。
a)当交感神经系统的活动增强时，LF的值随时间增长。
b)当副交感神经系统的活动增强时，HF的值随时间增长。
因此，LF和HF的比值，称为λ，可以由下式计算：
由于自主神经系统和λ之间的关系，睡眠阶段可以研究如下：
a)在清醒状态期间，λ的值增加。
b)在入睡状态期间，λ的值减小。
通过分析λ随时间的行为(例如通过其导数分析)，可以在受试者失去他/她的注意力之前准确地识别睡眠阶段并安全地预测睡眠开始。
所提出的实时、多因素和多域分析是多个因素的协同组合，所述多个因素用PPG技术提取，并在频域或时域中计算。
特别地，在频域中计算基频和一次谐波、相对幅值窗口以及λ，而在时域中计算附加波形特征，例如最大峰值_95％和离群值，情感阶段指数(例如平均NN、SDNN、RMSSD、SDSD和NN50)，以及利用罗森斯坦算法的最大李亚普诺夫指数。
值得一提的是，时域中的分析依赖于前面描述的基本医学观察：事实上，PPG波形的特征是在清醒阶段期间的不规则趋势和在睡眠阶段期间的规则趋势，而在困倦阶段中，PPG波形逐渐趋于规则趋势。在此观察的基础上，计算上述特征来进行：1)情感状态的评估(如焦虑、放松等)，2)预测从W到S的转变。
特别地，峰到峰的变化被同时从持续时间和幅值方面实时分析。因此，在W状态期间观察到PPG(t)信号在时间和幅值上的相关变化，而在S状态期间观察到PPG(t)信号在时间和幅值上的几乎稳定的状态条件。例如，对PPG(t)信号在时间和幅值上的这些变化的导数的分析是受试者趋向于困倦状态的行为趋势的可靠指标。在学习过程中，计算PPG(t)信号在时间和幅值上的峰间变化的参考值，从而精确地识别W和S阶段。
重要的是强调这种时域和频域的结合分析极大地提高了行为状态转变的预测精确性，即使PPG信号质量不高。
到目前为止上文所描述的全面分析通过进一步的环境细节，相对于受试者的实际身体位置和总体健康状况，进行补充和证实，所述细节例如：
a)3轴手腕加速和陀螺仪；
b)环境光水平；
c)手腕上测量的湿度和温度(用于PPG传感器校准)。
手腕上的多轴加速度提供了关于受试者运动的信息：从一侧支持去除伪影，从另一侧通知：受试者很可能是清醒着的。将关于温度、湿度和环境光水平的信息用于PPG传感器校准。
该方法依赖于学习技术以预测从W到S阶段的转变。下述学习和自适应控制矩阵(Learning and Adaptive control Matrix，LAM)包括频率(frequency，F)和相对幅值(relative amplitudes，RA)，其被定义为：
# 基波 一次谐波 二次谐波 三次谐波 四次谐波
1 ff(#1)＝(F,RA) f1(#1)＝(F,RA) f2(#1)＝(F,RA) f3(#1)＝(F,RA) f4(#1)＝(F,RA)
2 ff(#2)＝(F,RA) f1(#2)＝(F,RA) f2(#2)＝(F,RA) f3(#2)＝(F,RA) f4(#2)＝(F,RA)
.. .. .. .. .. ..
k ff(#k)＝(F,RA) f1(#k)＝(F,RA) f2(#k)＝(F,RA) f3(#k)＝(F,RA) f4(#k)＝(F,RA)
特别地，(F，RA)的最大和最小值均被记录，因此识别相关生理参数的合理范围。特别地，关注最小值，其将心率限制向预测算法设置。该矩阵有助于拒绝可能由受虚假噪声影响的测量结果产生的值，这些值超出了合理范围，不能代表任何真实的生理值。自适应控制基于这种矩阵，该矩阵随时间持续更新。因此，新测量基于之前存储的参数等。
所提出的方法由两个主要阶段组成：
1.学习阶段：该操作阶段旨在训练并学习受试者的合理生理范围。学习阶段在受试者睡眠时及完全清醒时均被操作。通过PPG技术以及身体环境值(如3轴手腕加速度和陀螺仪)提取多种因素来识别患者清醒的特征。矩阵的对值(F，RA)被计算并存储。此外，处理身体环境数据以识别患者姿势(行走、非行走)，并将所述数据与基于时间的PPG分析的输出相关联以识别可定义患者何时完全清醒的生理状况。值得注意的是，检测和预测的算法实时运行，但是关于从D阶段到S阶段转变的警告动作被禁用。然而，该系统能够检测一些生理参数的不规则性(例如，HRV；HR的突然降低；BP的突然下降，等)。因此，该系统可以自动将患者健康的潜在风险状况通知远程呼叫中心。学习阶段执行如下：
a.作为初始设置，在大约8小时的持续时间内，第一次向受试者提供可佩戴CPS。初始设置阶段的持续时间(Tset-up)是可校准的。
b.按需求(On-demand)，在初始设置后，每次受试者在可佩戴CPS上激活学习阶段。在这种情况下，需求学习阶段持续10分钟。“需求”阶段的持续时间(Ton-demand)是可校准的。
2.预测阶段，在该阶段获取身体环境数据和PPG数据来识别即将发生的困倦状态。处理加速度计和陀螺仪数据来识别受试者何时在休息(例如没有行走/跑步)，同时，根据基于频率和基于时间的分析来处理PPG数据。基于处理输出和学习阶段，当受试者进入困倦状态时，该方法产生警告指示。
上述操作阶段通过图23所示状态图来调节。
支持W-D-S阶段的检测和预测方法实现的有意义因素的范围已在前文描述。生理参数列表并不详尽，可随着时间进行丰富。该方法是灵活的，并且在CPS上足够的处理能力的情况下将能够集成进一步的细节。
该方法的先决条件是可获得详尽的(例如，健康受试者的性别、年龄和体重)和统计上有意义的专有数据库，其中填入了高质量的原始生理参数。由于有了该数据库，可以开发出图24所示的“WDS转换模型”，并训练神经网络或类似的认知结构，还定义了一组对开始学习阶段有用的默认值。
WDS转换模型描述了行为状态，并通过D阶段连接W到S阶段。将从PPG信号中提取的多个因素(例如，基频、谐波和相对幅值，λ，λ′，λ'TH)，包括与情感状态和受试者身体环境相关的输入在内，提供给WDS模型。
实施的起点是指学习过程。CPS首先通过自动测量频率(f)和相对幅值(RA)数值对来创建学习和自适应控制矩阵(Learning And Adaptive Control Matrix，LAM)。该操作将在操作的第一时间通过在一个大的测量周期内识别数值对的频率极值而运行，所述周期可能包括睡眠阶段(例如，整夜)。这个过程对受试者是完全透明的，受试者只负责激活学习模式。
然后，该过程可以在第一次初始化的稍后以及接下来几天内重复，并且LAM将被更新为更精细的值，以更好地描述频率极值。由于这些值与HR密切相关，因此这些值准确地识别了受试者在清醒和睡眠两个截然不同的阶段的状态。
通过回溯时间历史，从S阶段到W阶段，可以通过上述对PPG信号趋势的分析来识别D阶段。最重要的是，还可以测量W、D、S阶段之间的平均时间。
如下所示，这些值馈入WDS-TT(转换时间)矩阵，该矩阵在运行期间不断更新，从而提高了这种测量的置信度。
# WD-TT DS-TT
1 WDTT1 DSTT1
2 WDTT2 DSTT2
.. .. ..
k WDTTk DSTTk
通过这些值，还可以在频域(SW-F)和相对幅值域(SW-RA)定义滑动窗口的开始位置。
一旦受试者开启了“预测”模式，窗口就开始基于LAM和WDS-TT矩阵在操作期间追踪频率和相对幅值的运动。这种机制能够跟踪PPG信号从W到S阶段的演变。如图15所示，该系统通过滑动窗口的相对运动识别受试者何时向D阶段移动。基于WDS矩阵，CPS可以预测受试者可能进入S阶段的时间。
该方法的基本功能描述了受试者在最理想情况下的状态，未考虑其他因素。
然后，数个额外参数的实时并存分析将支持更精确和可靠的预测过程。
实际上，前述情绪阶段的分析可以显著影响预测过程。
受试者疲劳状况不变时，压力状况可以改变受试者注意力水平，因此延长向D阶段转变的时间。由于该原因，创立并持续更新如下所示的情感阶段矩阵(emotional phasesmatrix)，其包括平均NN、SDNN、RMSSD、SDSD以及NN50。
对维度状态向量v(t)、混沌吸引子和最大李亚普诺夫指数来说也是如此。如果这些数值超过一组定义的阈值，则向前移动困倦预测界限(horizon)。
# 平均NN SDNN RMSSD SDSD NN50
1 AVN1 SDNN1 RMSSD1 SDSD1 NN501
2 AVN2 SDNN2 RMSSD2 SDSD2 NN502
.. .. ..
k AVNk SDNNk RMSSDk SDSDk NN50k
以下所示的身体环境矩阵(Body Context Matrix，BCM)中存储了与受试者实际身体位置和总体健康状况相关的环境细节，如3轴手腕加速度，环境光水平，手腕上测量的湿度和温度。
# 手腕加速度 环境光水平 湿度 温度
1 WA(x,y,z)1 ALL1 HUM1 TEMP1
2 WA(x,y,z)2 ALL2 HUM2 TEMP2
.. .. ..
k WA(x,y,z)k ALLk HUMk TEMPk
与湿度相关的信息对情感阶段分析也有用。BCM中可获得的其他信息可以用于：
a)去除由于手腕明显运动产生的伪影，其显著影响PPG测量；
b)当患者感冒或相似情况下的PPG校准(如温度)；
c)睡眠状态的证实(例如，如果受试者手腕在所定义的待校准的一段时间内保持运动，受试者很可能未在睡眠，反之亦然)。
学习阶段用于识别受试者清醒时的生理特征，由如下计算的值λ'TH定义。
在时域中，需要识别信号峰以导出受试者状态。通过每秒识别函数最大值(峰值)来执行。一旦在每个时间间隙(例如1秒，待校准)识别了函数的最大值，就可以将离群值计算为偏离平均值(在10分钟内计算)的量大于10％的峰值的数量：
当基于时间的PPG分析指示受试者完全清醒时，执行以下任务：
-在60秒持续时间内采样PPG信号，采样频率为20Hz，以获得PPG(t)信号；
-计算PPG(t)的FFT来提供功率谱密度PSD(f)；
-在PSD(f)中选择了两点：
-LF是在0.04Hz<＝f<0.15Hz范围内PSD(f)的最大值，
-HF是在0.15Hz<＝f<＝0.4Hz范围内PSD(f)的最大值，
-计算λ＝LF/HF的值。
上述过程在10分钟内重复(待校准)，获取集合Λ＝{λ0,λ1,…,λ9}；然后计算差值集合Λ’＝{λ’1,λ’2,…λ’9}，其中λ’i＝λi-1-λi。计算的值λ'TH是值Λ’乘以适当的常数λk得到的平均值，该常数在学习阶段进行调整(根据特定受试者进行个性化设置)。在初始设置期间，每次基于时间的PPG分析以及加速度计/陀螺仪数据表明受试者清醒时，在8小时(待校准)的时间跨度内重复该过程。在需求学习过程中，每次激活所述阶段时都会重复该过程。
因此，预测阶段分析PPG信号以识别困倦状态，如下：
-PPG信号采样持续60秒(待校准)，采样频率为20Hz(待校准)，从而获得PPG(t)信号；
-计算PPG(t)的FFT以提供功率谱密度PSD(f)；
-通过分析PSD(f)选择两点：
-LF是在0.04Hz<＝f<0.15Hz范围内PSD(f)的最大值，
-HF是在0.15Hz<＝f<＝0.4Hz范围内PSD(f)的最大值，
-计算λ＝LF/HF的值。
上述过程在10分钟(待校准，如上文)内重复，以获取集合Λ＝{λ0,λ1,…,λ9}；然后计算差值集合Λ’＝{λ’1,λ’2,…λ’9}，其中λ’i＝λi-1-λi。
在计算了两个集合Λ和Λ’之后，计算Λ’中λ’i>λ'TH的次数D。
受试者的行为被定义如下：
如果D＝＝5，那么受试者正显示即将发生困倦状态的信号；
如果D>5，在受试者进入困倦状态时产生一个警告。
如前所述，对受试者情绪阶段的评估可能会影响预测的时间界限。
因此，可以在D值的基础上应用一个常数ESk，该常数是在特定受试者身上校准的运行时间，并且来源于专有数据库支持的先前分析，从而得到：
DES＝D+ESk
基本上，它推迟了由预测方法指示的可能发生瞌睡的时间界限。
本发明由CPS实现，CPS的框图如图25所示，其中CPS作为一个整体用附图标记1表示。
可以理解的是，CPS是基于模块化和可组合的HW架构以及最先进的半导体技术，以覆盖广泛的可能的应用，只要与受试者的注意力水平相关(例如，驾驶车辆、控制机器人、在生产制造厂工作等)。
模块化和可组合HW架构同时涵盖了接触式(例如，可佩戴式CPS)和非接触式(例如，RADAR技术)应用。事实上，用附图标记2表示的PPG监视器模块可以是传统的接触式传感器，也可以是非接触式PPG传感器。在这两种情况下，所提出的CPS能够从由PPG监视器模块输出的PPG信号中提取相关特征，并在以附图标记3表示的嵌入式低功率微控制器(microcontroller，MCU)上执行前述实时分析。
为了考虑到这些年来的技术演变，特别关注了CPS的“连通性”，其中：
-全球导航卫星系统(Global Navigation Satellite System，GNSS)接收器(由数字4表示)旨在支持任何卫星导航系统技术，提供具有全球覆盖范围的自主地理空间定位。其包括例如GPS、GLONASS、伽利略、北斗以及其他区域系统；
-无线通信模块(由数字5表示)意味着包括能够通过无线短程通信链路(例如，BLE、无线网络(WiFi)、紫蜂(ZigBee)等)或无线远程通信链路(例如2.5G、3G、4G、LTE、5G、LPWAN、NB-IoT、LoRa等)交换数据的任何调制解调器；以及
-微B-USB(由数字6表示)，被用作将漫游设备互连到PC和电源的通用标准，但是根据技术的演变，多年来可以集成任何其他合适的接口。
CPS 1通过一个可充电电池自供电(由数字7表示)，并使用低功率技术，以保证一个良好的持续时间。
显示器(由参考数字8表示)是可选的，因为存在潜在的低成本应用，例如下面描述的“智能可佩戴标签”，其在没有显示器的情况下工作。
CPS 1能够通过专用调制解调器和相关的天线子系统在无线通信链路上传输测量数据。根据具体的实现要求，CPS 1可以采用短程无线电通信，例如蓝牙低能量(BluetoothLow Energy，BLE)、无线网络、紫蜂等，或远程无线电通信，包括例如2.5G、3G、4G、LTE、SG、NB-IoT、LoRa等。
当使用短程通信时，测量数据由CPS 1传输到网关设备，例如个人移动设备、智能手机、平板电脑、接入点等。然后，网关设备将接收到的数据转发到专用的远程存储和处理IT平台。
当使用远程通信时，测量数据由CPS 1直接传输到专用的远程存储和处理IT平台。
由于GNSS接收器4能够支持任何卫星定位技术，定位也可以由CPS 1测量。
CPS 1的模块化在图26中示出。
首先，“智能可佩戴标签”(a)可以集成在医疗弯道中，并可成功用于受试者的远程/家庭健康监控。智能可佩戴标签通过漫游设备与用户通信，因为该标签没有任何用户界面。然后，测量数据可以传输到远程数据中心，同时可以实时管理警报。智能可佩戴标签与漫游设备交互，然后与云通信。这种配置有一些潜在优势：
a)由于缺乏用户接口，因此为节省成本的解决方案
b)可重复利用
c)相对于难以清洁的标准可佩戴解决方案而言，是更简单的解决方案。
然后，CPS集成了用户界面(如显示器和触摸按钮)，并且可以更容易地用作独立设备。CPS与漫游设备交互，然后与云通信，并且它有两个不同的版本，以解决不同的用户需求和目标成本。
第一个版本(b)通过短程通信将测量数据传输到任何设备，从而充当“智能可佩戴网关”。
替代地，“智能接触式困倦观察器”(c)支持远程通信，然后测量数据由CPS直接传输到专用的远程存储和处理IT平台。
最后，“智能非接触式困倦观察器”(d)提供了类似的功能，可在(c)上获得，但依赖于非接触式PPG技术。值得一提的是，在这种特定情况下，CPS并不意味着是可佩戴系统，而是可以靠近受试者放置(例如靠近床、轮椅)，从而从非接触式PPG传感器获取PPG细节。潜在的应用案例与公共卫生系统、医院有关，在这些场景中可以完全无创和可靠的方式检测受试者(特别是对于老年人)的状况，并自动通知专业人员任何不规则的情况。
提议的智能可佩戴系统在以下方面具有创新性：
a)使用唯一的PPG技术，在接触和非接触操作模式下，从这种测量中提取有限的一组丰富的生理特征，以识别W-D-S行为阶段和它们之间的转变。
b)使用PPG技术识别在进入睡眠阶段(即困倦阶段)之前的典型阶段中心脏循环活动的变化。
c)基于PPG波形趋势变化的清醒(W)、困倦(D)和睡眠(S)阶段的特征：在清醒阶段呈不规则，在睡眠阶段呈规则，在入睡阶段呈规则趋势。
d)在困倦阶段，如果与清醒阶段相比，PPG波形逐渐趋向于规则的趋势：这个基本结论是睡眠医学领域的专家进行的准确和详尽的临床观察的结果。
e)识别PPG波形的信号特征和特征窗口，以检测W-D-S转变。
f)通过使用佩戴式(即接触式)设备或利用PPG技术的非接触式智能设备对心肺信号进行分析，并与其他系统进行无线通信，从而采用少创性、更简单的方法来精确检测W-D-S阶段。
g)使用CPS，在其中运行基于PPG技术的检测和预测算法；将旨在监测受试者的健康状态和/或预测困倦(D)阶段的结果在选项(a)和(b)的情况下无线发送到选定的漫游设备(例如，智能手机、平板电脑)，或者在选项(c)的情况下直接发送到云。然后可以激活进一步的动作，例如：
1)与紧急呼叫中心的操作员交互；
2)与选定的漫游设备进行交互，以便开始旨在重新吸引受试者注意力的活动；
3)与车辆信息娱乐系统交互；
4)提供若干触觉反馈(例如，声音、振动)；
h)在频域和时域中提取特征，目的是捕获PPG趋势的代表性模式和特征；
i)自校准程序和误差验证技术应用于PPG信号，以解决不同领域的广泛范围的应用；
j)该方法将能够向受试者提供若干反馈(例如，声音、振动、自动呼叫紧急中心)，以便从即将到来的困倦状态中获得他/她的全部注意力；
k)引入基于从PPG波形提取的不同生理参数的组合的多因素分析，连同受试者的情绪阶段和背景细节；
l)引入基于对所采集的生理参数的时域和频域分析的组合的多域方法；
m)即使在通常发生的生理参数的低质量和噪声测量的情况下，多因素和多域方法也可提供有意义信息；
n)由于其固有的鲁棒性，多因素和多域方法可以成功地自动化；
o)包括学习和自适应控制，该控制是完全自动化的，对用户透明，并且随着时间的推移而演变，用于受试者的生理参数的个体自校准；
p)实时运行并连续调整控制参数，以提供最准确的预测能力；
q)使用接触式PPG和非接触式PPG技术来运行；
r)可以利用在不同的应用领域中，在这些应用领域中，涉及W-D-S阶段的识别，特别是D阶段；
s)定义灵活的模块化网络物理系统架构，以便在整个生命周期内适应不同的算法(如检测、预测)。

Claims (11)

1.一种电子处理系统(3)，所述电子处理系统被设计成，基于光电容积描记术PPG技术以及通过接触或非接触式光电容积描记术PPG传感器(2)测量的受试者的相关生理参数，实时检测受试者的清醒W、困倦D和睡眠S阶段中的一个或多个，和/或预测受试者至少在清醒W阶段和困倦D阶段或睡眠S阶段之间的转变；
所述电子处理系统(3)被编程为：
从接触或非接触式PPG传感器(2)获取PPG信号；
在时域和频域之一或两者中分析PPG信号波形；并
执行至少以下之一：
基于所述分析的输出来检测受试者清醒W、困倦D和睡眠S阶段中的一个或多个，以及
基于所述分析的输出来预测受试者至少在清醒W阶段和困倦D阶段或睡眠S阶段之间的转变，
其特征在于，所述的电子处理系统(3)进一步被编程为通过下述在频率阈中分析所述PPG信号波形：
计算所述PPG信号波形的功率谱密度PSD；
计算所述PSD在其较低频率范围内的最大幅值和所述PSD在其较高频率范围内的最大幅值；
计算所计算的最大幅值之间的比值λ；
并且其特征在于，所述的电子处理系统(3)进一步被编程为基于所计算比值λ随时间的行为来预测受试者睡眠S的开始；
所述的电子处理系统(3)进一步被编程为:
通过重复一定的时间段来计算一组比值λ：
计算所述PSD在其较低频率范围的最大幅值和所述PSD在其较高频率范围内的最大幅值；以及
计算所计算的最大幅值之间的比值λ；
计算一组差值比值λ′，其中所述差值比值λ′是基于两个时间上连续的比值λ之间的差值来计算的；
计算与阈值比值λ'TH满足预定关系的差值比值λ′在一组差值比值λ′中的出现次数，所述阈值比值λ'TH表示受试者的清醒生理特征；以及
基于所计算的出现次数预测受试者睡眠的开始。
2.根据权利要求1所述的电子处理系统(3)，进一步被编程为通过下述在时域中分析所述PPG信号：
搜寻所述PPG信号波形中的连续峰值；
基于找到的所述连续峰值计算一个或多个量；以及
基于所计算的量来预测受试者至少在清醒W阶段和困倦D阶段或睡眠S阶段之间的转变。
3.根据权利要求2所述的电子处理系统(3)，其中所计算的量包括：
峰值幅值的最大值及给定百分比之间的差值的绝对值；以及
以峰值平均值为中心的给定范围之外的峰值的百分比。
4.根据权利要求2所述的电子处理系统(3)，进一步被编程为基于所述PPG信号波形和受试者情感阶段和压力水平的指示来计算额外的量；
所述额外的量包括以下一种或多种：
正常心跳之间的平均时间NN，
心跳之间的时间的标准偏差SDNN，
心跳连续差值的均方根RMSSD，
连续差值的标准偏差SDSD，
相差大于一定时间段的相邻正常心跳间隔数量NN50，
混沌吸引子和最大李亚普诺夫指数MLE。
5.根据权利要求2所述的电子处理系统(3)，进一步被编程为：
基于所述PPG信号波形计算额外身体环境量，
处理所述身体环境量以识别受试者的姿势；以及
将所述身体环境量与所述PPG信号波形的基于时间的分析的输出相关联，以识别定义受试者何时醒来的受试者生理状况。
6.根据权利要求1所述的电子处理系统(3)，进一步被编程为基于所述一组差值比值λ′中的差值比值λ′计算受试者的清醒生理特征，特别是作为所述差值比值λ′乘以在学习阶段期间调谐的且受试者特有的适当常数λk的平均值。
7.根据权利要求1所述的电子处理系统(3)，进一步被编程为基于通过困倦D阶段描述清醒W阶段和睡眠S阶段之间的转变的转换模型来预测受试者睡眠的开始，所述预测基于通过基于频率的分析从所述PPG信号波形提取的多个量；
所述转换模型包括学习和自适应控制矩阵LAM，所述学习和自适应控制矩阵LAM包含所述PPG信号频谱中基频及其一个或多个谐波的频率F和相对幅值RA组成的对；
所述学习和自适应控制矩阵LAM中的所述频率F和相对幅值RA组成的对表示受试者在清醒W阶段和睡眠S阶段期间的合理生理范围。
8.根据权利要求7所述的电子处理系统(3)，进一步被编程为通过学习技术来构建所述转换模型，所述学习技术包括：
学习阶段，所述学习阶段是指在清醒W阶段和睡眠S阶段期间训练和学习受试者合理的生理范围，在此期间受试者的清醒生理特征和所述学习和自适应控制矩阵LAM中的频率F和相对幅值RA组成的对被计算和存储；以及
预测阶段，在所述预测阶段，即将进入的困倦状态被基于所述转换模型以及加速度仪和陀螺仪数据处理的输出来预测，所述困倦状态表示受试者何时处于非活动状态。
9.根据权利要求8所述的电子处理系统(3)，进一步被编程为执行所述学习阶段：
作为所述电子处理系统的初始设置，持续一定的时间；以及
按需求，在所述初始设置之后。
10.一种模块化可组合电子系统(1)，包括：
接触式或非接触式光电容积描记术PPG传感器(2)，用于输出光电容积描记术PPG信号；以及
权利要求1所述的电子处理系统(3)，其与所述PPG传感器(2)通信以从所述PPG传感器(2)接收所述PPG信号波形。
11.一种非暂时性计算机可读存储介质，包含计算机指令，当通过电子处理系统(3)执行时，所述计算机指令使所述电子处理系统(3)按权利要求1所述编程。
CN201980057110.2A 2018-08-29 2019-08-29 基于光电容积描记术检测受试者在清醒、困倦和睡眠阶段之间的转变 Active CN112739259B (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
EP18191547.1 2018-08-29
EP18191547 2018-08-29
EP18191543 2018-08-29
EP18191543.0 2018-08-29
EP19160639 2019-03-04
EP19160639.1 2019-03-04
PCT/EP2019/073148 WO2020043855A1 (en) 2018-08-29 2019-08-29 Photoplethysmography based detection of transitions between awake, drowsiness, and sleep phases of a subject

Publications (2)

Publication Number Publication Date
CN112739259A CN112739259A (zh) 2021-04-30
CN112739259B true CN112739259B (zh) 2024-06-04

Family

ID=67847703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980057110.2A Active CN112739259B (zh) 2018-08-29 2019-08-29 基于光电容积描记术检测受试者在清醒、困倦和睡眠阶段之间的转变

Country Status (4)

Country Link
US (1) US20220015654A1 (zh)
EP (1) EP3843623B1 (zh)
CN (1) CN112739259B (zh)
WO (1) WO2020043855A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10342444B2 (en) * 2010-06-08 2019-07-09 Alivecor, Inc. Mobile ECG sensor apparatus
CA3157362A1 (en) 2019-10-15 2021-04-22 Imperative Care, Inc. Systems and methods for multivariate stroke detection
TWI833097B (zh) * 2020-08-04 2024-02-21 臺北醫學大學 判定疲憊指數之方法和設備
FR3113368B1 (fr) * 2020-08-17 2022-12-09 Fipsico Procede et systeme de detection de la somnolence d’un individu
FR3113370B1 (fr) * 2020-08-17 2022-10-21 Fipsico Procede et systeme de detection de la somnolence d’un individu
CN113327406B (zh) * 2021-03-19 2024-02-23 河南省安信科技发展有限公司 基于ppg分析技术预防考试发挥失常的监测系统
CN113925021B (zh) * 2021-10-12 2023-03-03 中国人民解放军军事科学院军事医学研究院 一种动物睡眠节律调控试验方法
WO2024062439A1 (en) 2022-09-22 2024-03-28 Sleep Advice Technologies S.R.L. Real-time sleep prediction based on statistical analysis off a reduced set of biometric data
WO2024062441A1 (en) 2022-09-22 2024-03-28 Sleep Advice Technologies S.R.L. Real-time sleep monitoring and prediction in automotive safety critical applications
CN115840890B (zh) * 2023-02-24 2023-05-19 北京科技大学 一种基于非接触生理信号的情绪识别方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2687154A1 (en) * 2012-07-20 2014-01-22 CSEM Centre Suisse d'Electronique et de Microtechnique SA Portable device and method for determining a sleep-related parameter of a user
CN104812300A (zh) * 2012-09-19 2015-07-29 瑞思迈传感器技术有限公司 用于确定睡眠阶段的系统和方法
KR101601895B1 (ko) * 2014-08-29 2016-03-22 연세대학교 원주산학협력단 산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법
CN105943015A (zh) * 2016-06-04 2016-09-21 浙江大学 一种主动降噪的穿戴式心率变异性监测设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1685798B1 (en) * 2003-10-23 2011-03-02 Delta Tooling Co., Ltd. Fatigue degree measuring device, fatigue detection device, and computer program
EP2185063B1 (en) * 2007-08-21 2017-11-08 University College Dublin, National University of Ireland Dublin Method and system for monitoring sleepiness
EP2524647A1 (en) * 2011-05-18 2012-11-21 Alain Gilles Muzet System and method for determining sleep stages of a person
TWI552719B (zh) * 2014-12-23 2016-10-11 原相科技股份有限公司 三維生理偵測系統及其運作方法
US9955925B2 (en) * 2015-12-18 2018-05-01 Microsoft Technology Licensing, Llc Drowsiness onset detection
US11207021B2 (en) * 2016-09-06 2021-12-28 Fitbit, Inc Methods and systems for labeling sleep states

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2687154A1 (en) * 2012-07-20 2014-01-22 CSEM Centre Suisse d'Electronique et de Microtechnique SA Portable device and method for determining a sleep-related parameter of a user
CN104812300A (zh) * 2012-09-19 2015-07-29 瑞思迈传感器技术有限公司 用于确定睡眠阶段的系统和方法
KR101601895B1 (ko) * 2014-08-29 2016-03-22 연세대학교 원주산학협력단 산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법
CN105943015A (zh) * 2016-06-04 2016-09-21 浙江大学 一种主动降噪的穿戴式心率变异性监测设备

Also Published As

Publication number Publication date
EP3843623A1 (en) 2021-07-07
WO2020043855A1 (en) 2020-03-05
CN112739259A (zh) 2021-04-30
EP3843623B1 (en) 2022-01-12
US20220015654A1 (en) 2022-01-20

Similar Documents

Publication Publication Date Title
CN112739259B (zh) 基于光电容积描记术检测受试者在清醒、困倦和睡眠阶段之间的转变
Balters et al. Capturing emotion reactivity through physiology measurement as a foundation for affective engineering in engineering design science and engineering practices
Biswas et al. Heart rate estimation from wrist-worn photoplethysmography: A review
US20240090833A1 (en) Smart watch
CN108697390B (zh) 睡眠状态测定装置、相位相干性计算装置及压力状态测定装置
US9107586B2 (en) Fitness monitoring
CN113347916A (zh) 用于多变量卒中检测的系统和方法
CN108882867A (zh) 生物体信息分析装置、系统以及程序
US9615781B2 (en) Systems and methods for monitoring depth of consciousness
US20110319724A1 (en) Methods and systems for non-invasive, internal hemorrhage detection
CA2747057A1 (en) Method and apparatus for determining heart rate variability using wavelet transformation
EP2007277A2 (en) Method and apparatus for analysis of psychiatric and physical conditions
WO2015135886A1 (de) System zur bestimmung von vitalparametern
Tiwari et al. Movement artifact-robust mental workload assessment during physical activity using multi-sensor fusion
US10827972B1 (en) Sleep staging using an in-ear photoplethysmography (PPG)
Ahmed et al. PPG signal morphology-based method for distinguishing stress and non-stress conditions
Uribe et al. Physiological signals fusion oriented to diagnosis-A review
Gupta et al. Overview of the effect of physiological stress on different biological signals
Cheng et al. An intelligent sleep quality detection system based on wearable device
Azam et al. Photoplethysmography based detection of social stress
Centonze A Novel Approach For Blood Pressure Prediction Using Machine Learning Techniques
Castellanos et al. Recap on bio-sensorial stress detection methods and technology
Ishaque Heart-rate Variability Analysis for Stress Assessment in a Video-Game Setup
홍승혁 Drowsiness Detection Based on Unconstrained Measurement of Biosignals
Poli Measurement and processing of multimodal physiological signals in response to external stimuli by wearable devices and evaluation of parameters influencing data acquisition

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