CN112741943B - 一种带睡眠稳定性决策原则数据库的助眠系统 - Google Patents
一种带睡眠稳定性决策原则数据库的助眠系统 Download PDFInfo
- Publication number
- CN112741943B CN112741943B CN201911036406.4A CN201911036406A CN112741943B CN 112741943 B CN112741943 B CN 112741943B CN 201911036406 A CN201911036406 A CN 201911036406A CN 112741943 B CN112741943 B CN 112741943B
- Authority
- CN
- China
- Prior art keywords
- sleep
- data
- primary
- state
- stable
- 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
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
-
- 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
-
- 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
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
- A61M21/02—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis for inducing sleep or relaxation, e.g. by direct nerve stimulation, hypnosis, analgesia
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Anesthesiology (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Pulmonology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Pain & Pain Management (AREA)
- Acoustics & Sound (AREA)
- Psychology (AREA)
- Hematology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种带睡眠稳定性决策原则数据库的助眠系统。现有助眠系统无法准确判定用户的实际睡眠状态,影响助眠设备使用体验。本发明包括基础数据采集器、睡眠稳定性决策原则数据库、处理器以及助眠设备。通过预先建立睡眠稳定性决策原则数据库来为不同目标群体提供差异化的决策原则,既能利用简化的检测设备来与睡眠稳定性决策原则数据库内的各组数据进行对比,有效简化检测设备,提升使用便利性,还能利用预存在睡眠稳定性决策原则数据库内的决策原则来提升判断准确性,确保系统准确判断用户睡眠状态,进而为助眠设备运行状态提供参考,以确保助眠设备运行与用户睡眠状态匹配,提升助眠效果。
Description
技术领域
本发明涉及睡眠领域,具体涉及一种助眠系统。
背景技术
睡眠是人一生重要的生理活动,人的一生大约有三分之一的时间是在睡眠中度过的。优质的睡眠可以保证人体拥有良好的生理和心理健康。但是,近年来,越来越多的人由于工作、学习和生活中的压力而遭受着失眠带来的痛苦,急需得到治疗。世界卫生组织在2019年3月21日公布研究报告显示,全球大约有20亿人经历过至少一次失眠。与此同时,全球也大约有21%的人存在着不同程度的睡眠问题,而且这些问题还会影响生活状态,引发更多问题。
改善睡眠问题的前提是了解睡眠的情况。在睡眠监测中,最常使用的多功能睡眠记录仪(PSG)具有功能强大、监测准确率高的特点,但是PSG存在着价格昂贵、体积庞大、佩戴不舒适的问题,因此不适合家用。
当前市场针对此已出现一系列便捷、非穿戴式的睡眠监测设备,包括传感带、监护仪、雷达等等。然而在兼顾舒适性的同时,该类产品同样牺牲了一定的准确性。部分设备的监测模式相对比较简单,它主要将佩戴者有没有运动作为睡眠状态的判断依据,当设备佩戴者躺在床上不动的时候,设备就会判定这个人已经睡着,但事实并非如此。通过这种形式得出的数据无疑是不准确的,设备明显是高估了佩戴者的睡眠状态,这对于佩戴者也没有实际的帮助。
现在,不少设备的睡眠监测都不再单纯以运动作为评判标准,它们还会结合呼吸、心率等数据来判断佩戴者的睡眠状态,这比原有模式更合理,但仍不可避免的存在一系列缺陷,例如基础生理数据信号采集误差较大,睡眠状态评估算法效度也较低等问题。通常,将睡眠过程分成清醒期、浅睡N1期、浅睡N2 期、深睡期以及快速眼动期但就目前为止,但现有技术缺乏针对各个睡眠分期进行不同的助眠干预,所以无需对睡眠过程进行过度细分。事实上,当前市面普遍的助眠干预主要分为两类,一类是在用户未进入睡眠状态或是未进入稳定睡眠状态时通过外部干预帮助用户尽快进入睡眠的助眠过程,另一类是在用户从睡眠状态转为清醒状态的过程中通过外部干预加速起床的唤醒过程。在实施过程中,现有设备或方法很难利用简易设备精确判断人们在睡眠和清醒间的转换时机,影响助眠和唤醒的效果,进而影响助眠或唤醒效果,影响使用体验。
发明内容
为了解决现有技术的不足,本发明提供一种带睡眠稳定性决策原则数据库的助眠系统,通过预先设置睡眠稳定性决策原则数据库来为判断用户睡眠状态提供决策原则,进而有效简化检测设备,提升使用便利性和可靠性。
本发明通过以下方式实现:一种带睡眠稳定性决策原则数据库的助眠系统,其特征在于,包括基础数据采集器、睡眠稳定性决策原则数据库、处理器以及助眠设备。
基础数据采集器,通过便携式设备获取用户的基础数据;
睡眠稳定性决策原则数据库,存储有多组与各目标群体逐一对应的基础信息、睡眠状态临界值以及助眠数据包,各组目标群体间具有差异的基础信息;
处理器,根据用户的基础信息在睡眠稳定性决策原则数据库内获得对应的助眠数据包,并通过接收来自基础数据采集器的基础数据与助眠数据包对比并获知与用户匹配的决策原则,以此控制助眠设备进行启停切换和工作状态调节;
助眠设备,接收来自处理器的控制信号,并对用户产生对应的助眠刺激。
所述系统在运行时,通过以下步骤实现:
首先,处理器接收基础信息并与睡眠稳定性决策原则数据库内各目标群体的基础信息进行对比,以此将用户归类至对应的目标群体中,并获得对应的决策原则;
之后,基础数据采集器采集用户的基础数据,并向处理器传输;
最后,处理器将实时收到的基础数据与决策原则进行对比,以此推断用户的实际睡眠状态,为控制助眠设备提供依据。
通过预先建立睡眠稳定性决策原则数据库来为不同目标群体提供差异化的决策原则,既能利用简化的检测设备来与睡眠稳定性决策原则数据库内的各组数据进行对比,有效简化检测设备,提升使用便利性,还能利用预存在睡眠稳定性决策原则数据库内的决策原则来提升判断准确性,确保系统准确判断用户睡眠状态,进而为助眠设备运行状态提供参考,以确保助眠设备运行与用户睡眠状态匹配,提升助眠效果。
作为优选,在构建所述睡眠稳定性决策原则数据库时,各组目标群体包括至少一个检测样本,对同一目标群体内的检测样本进行依次编号为1至i,并通过以下方式获得基础信息以及对应的睡眠状态临界值:
第一步,采集各检测样本的基础信息,并以此对检测样本进行目标群体归类;
第二步,对同一目标群体内的各检测样本分别进行睡眠监测,以此获得该检测样本的睡眠时长Ti以及单帧时长为t的原始数据包,各检测样本对应的原始数据包数量为j’i,j’i=Ti/t,各原始数据包包含脑电数据EEG、肌电数据EMG、眼电数据EOG、心率数据HR、呼吸频率数据RESP以及体动数据BM;
第三步,对各原始数据包内的心率数据HR、呼吸频率数据RESP以及体动数据BM进行取均值处理,以此获得与该原始数据包对应的MHR-j’-i、MRESP-j’-i以及MBM-j’-i;
第四步,设定心率均值范围,对MHR-j’-i超出心率均值范围的原始数据包进行剔除操作,设定呼吸频率均值范围,对MRESP-’-i超出呼吸频率均值范围的原始数据包进行剔除操作,以此获得数量为j、与该检测样本对应且包含MHR-j-、 MRESP-j-i以及MBM-j-的单帧数据包,进而获得该目标群体内的单帧数据包总量为
第五步,根据脑电数据EEG、肌电数据EMG、眼电数据EOG、心率数据HR将对应检测样本的整个睡眠过程划分为清醒期、浅睡N1期、浅睡N2期、深睡期以及快速眼动期,并对各单帧数据包进行睡眠分期分类,以使各单帧数据包获得睡眠分期属性;
第六步,对各单帧数据包进行睡眠稳定性划分,并对各单帧数据包赋予预设睡眠状态值SStj-i,具体地:将具有清醒期和浅睡N1期属性的单帧数据包划分为非稳定性数据包,SStj-i=1,其具有的实际睡眠状态为实际非稳定状态;将具有浅睡N2期、深睡期以及快速眼动期的单帧数据包划分为稳定性数据包, SStj-i=2,其具有的实际睡眠状态为实际稳定状态;
第七步,对同一目标群体的心率、呼吸频率以及体动分别进行初级敏感相关系数计算,并利用初级敏感相关系数rb计算获得初级显著性系数Arb,将初级显著性系数Arb与设定的初级显著性阀值A’rb比较,进而从心率、呼吸频率以及体动中获得初级敏感因素,其中,b为敏感因素标记,b=1时,代表心率数据, b=2时,代表呼吸频率数据,b=3时,代表体动数据;
第八步,通过初级敏感因素以及各单帧数据包内数据来计算与各初级敏感因素对应的权重因子βb,并对获得的权重因子βb进行显著性检验,以此获得高级敏感因素,进而利用高级敏感因素以及与其对应的权重因子计算获得与各单帧数据包逐一对应的实际睡眠状态值SSt’j-i;
第九步,利用实际睡眠状态值SSt’j-i来获得睡眠状态临界值SSt’cu;
第十步,利用睡眠状态临界值SSt’cut-off形成控制助眠设备用决策原则。
睡眠稳定性决策原则数据库为预先统一构建,且使用于绝大部分用户,通过预先构建睡眠稳定性决策原则数据库来为后续使用的用户提供标准参考,既有效简化检测流程,通过简化检测设备以及检测数据的种类来提升使用便利性,还简化计算流程,无需对用户的生理数据进行繁琐的决策原则计算,降低对处理器的性能要求,进而降低系统生产成本和运行成本。
作为优选,各单帧数据包内包含t个瞬时的心率数据、呼吸频率数据以及体动数据,通过将心率数据累加并除以t后获得MHR-j’-i,通过将呼吸频率数据累加并除以t后获得MRESP-j’-i,通过将体动数据累加并除以t后获得MBM-j’-i。通过分别对心率数据、呼吸频率数据以及体动数据进行累加平均来消除个别数据出现较大偏差的情况,有效消除人工伪迹或者异常波动对数据处理的影响,提升数据计算准确性。
作为优选,心率均值范围的上限为100次/分钟,下限为50次/分钟,呼吸频率范围的上限为20次/分钟。通过设置心率均值范围和呼吸频率范围来消除异常数据,进而确保获得的MHR-j’-i、MRESP-j’-i以及MBM-j’-i的准确性。
作为优选,通过以下公式计算获得rb,
通过公式对各敏感因素的显著性进行验证,由此获得与各敏感因素相关的初级敏感相关系数rb,进而初步判断该敏感因素是否为影响用户入眠的敏感因素。通过设定差异化的参数b来区分具体的敏感因素:当b为1时,代表与心率数据相关的参数;当b为2时,代表与呼吸频率数据相关的参数;当b为3时,代表与体动数据相关的参数。
作为优选,设定初级显著性阀值A’rb,通过以下公式计算获得Arb,当Arb>A’rb时,参数b代表的敏感因素成为初级敏感因素,当 Arb≤A’rb时,设定对应的βb=0。通过公式计算获得与各初级敏感相关系数rb相关的显著性参数Arb,再通过设定初级显著性阀值A’rb来判断对应的敏感因素与用户入眠状态相关联。当Arb≤A’rb时,设定对应的βb=0,则对应的敏感因素与用户入眠相关性较弱,进而将该敏感因素排除。
作为优选,在进行第八步时,通过以下步骤实现:
首先,各单帧数据包内包含SStj-i、MHR-j-i、MRESP-j-i以及MBM-j-i,当b=1 时,βb为βHR,当b=2时,βb为βRESP,当b=3时,βb为βBM,将总数为ND的单帧数据包分别代入公式:
SStj-i=MHR-j-*βHR+MRESP-j-i*βRESP+MBM-j-i*βBM+E,以此计算获得βHR、βRESP、βBM以及参数E,参数E为修正值;
之后,通过以下公式对权重因子的显著性进行检验:
通过设定高级显著性阀值A,βb,当Aβb≥A’βb时,参数b代表的敏感因素成为高级敏感因素,当Aβb<A’βb时,设定对应的βb=0;
最后,利用MHR-j-、MRESP-j-i、MBM-j-、参数E以及与各敏感因素对应的βb来计算获得实际睡眠状态值SSt’j-i,SSt’j-i=MHR-j-*βHR+MRESP-j-i* βRESP+MBM-j-*βBM+E。
将该目标群体中各个检测对象的各单帧数据包带入公式,以此计算获得与各敏感因素对应的权重因子βb以及修正值E,进而通过反向带入获得实际睡眠状态值SStj,-i,为单帧数据包排序提供依据。
作为优选,通过以下步骤获得睡眠状态临界值:
第一步,ND个单帧数据包以各自对应的SSt’j-i值为依据进行由小至大的顺序排列,并形成编号为1-ND且由小到大排列的SSt’v数组,1≤v≤ND;
第二步,设定SSt’1为衡量预设睡眠状态的二分阀值,将所述单帧数据包归类至预设稳定状态和预设非稳定状态,以此形成第1组状态合集;
第三步,重复第二步并依次以编号为2至ND的SSt’v为衡量预设睡眠状态的二分阀值,将所述单帧数据包归类至预设稳定状态和预设非稳定状态,以此形成第2至ND组的状态合集;
第四步,依次对第1至ND组状态合集内各单帧数据包对应的预设睡眠状态与其实际睡眠状态进行比较:
对预设睡眠状态为预设稳定状态且实际睡眠状态为实际稳定状态的单帧数据包进行统计,获得数量为NTPv;
对预设睡眠状态为预设非稳定状态且实际睡眠状态为实际稳定状态的单帧数据包进行统计,获得数量为NFNv;
对预设睡眠状态为预设稳定状态且实际睡眠状态为实际非稳定状态的单帧数据包进行统计,获得数量为NFPv;
对预设睡眠状态为预设非稳定状态且实际睡眠状态为实际非稳定状态的单帧数据包进行统计,获得数量为NTNv;
第五步,将ND个约登指数中具有最大数值的YIv设定为YImax,将与YImax对应的SSt’v设定为睡眠状态临界值SSt’cut-off。
通过依次对各单帧数据包包含的预设睡眠状态和实际睡眠状态进行对比、计算,以此获得与各单帧数据包对应的约登指数,对比获得具有最大约登指数 YImax的单帧数据包作为临界数据包,临界数据包对应的SSt’v作为SSt’cut-o,用于形成划分以及稳定集合和以及非稳定集合的依据。
作为优选,对βHR、βRESP、βBM进行自大到小排列,并将对应的敏感因素依次设定为一级敏感因素、二级敏感因素以及三级敏感因素,通过以下步骤获得决策原则:
第一步,利用决策树对单帧数据包进行分类:
在第一节点,根据SSt’cut-o将单帧数据包划分为一级稳定集合以及一级非稳定集合,将一级稳定集合输送至第二节点,将一级非稳定集合输送至第五节点;
在第二节点,利用基尼系数筛选一级稳定阀值,具体地:
首先,提取一级稳定集合内各单帧数据包的一级敏感因素数据并形成一级敏感数据组,对一级敏感数据组内的各参数进行从小至大排列,并被依次编辑为Mb-x,0<x<ND;
之后,将数据组内第一组Mb-1作为一级预设稳定阀值,并获得与第1组对应的基尼系数Gini(K,Mb-x),其中,K 为一级敏感数据组,x1为一级敏感因素数据大于一级预设阀值的单帧数据包数量,x2一级敏感因素数据大于一级预设阀值且实际睡眠状态为实际稳定状态的单帧数据包数量,x3为一级敏感因素数据大于一级预设阀值且实际睡眠状态为实际非稳定状态的单帧数据包数量,同理,以此分别获得与第2至x组逐一对应的基尼系数Gini(K,Mb-x);
最后,对x个基尼系数Gini(K,Mb-x)进行比较,并将具有最小基尼系数的一级预设稳定阀值设定为一级稳定阀值,将一级敏感因素设定为第一敏感因素,将位于一级稳定集合内且一级敏感因素数据小于一级稳定阀值的单帧数据包汇总并形成输入第三节点的二级稳稳集合,将剩余单帧数据包汇总并形成输入第四节点的二级稳非集合;
在第三节点,利用基尼系数筛选二级稳稳阀值,具体地:
首先,分别提取二级稳稳集合内各单帧数据包的二级敏感因素数据和三级敏感因素数据并分别形成二甲级数据组和二乙级数据组,对二甲级数据组和二乙级数据组内的各参数分别进行从小至大排列,并被依次编辑为Mb-y和Mb-z,参数y和参数z均等于二级稳稳集合内的单帧数据包数量;
之后,将二甲级数据组内第一组Mb-1作为二级预设稳稳阀值,并获得与第 1组对应的基尼系数Gini(K,Mb-y),其中,K为二甲级数据组,y1为二级敏感因素数据大于二级预设稳稳阀值的单帧数据包数量,y2二级敏感因素数据大于二级预设稳稳阀值且实际睡眠状态为实际稳定状态的单帧数据包数量,y3为二级敏感因素数据大于二级预设稳稳阀值且实际睡眠状态为实际非稳定状态的单帧数据包数量,同理,以此获得分别与第2 至y组逐一对应的基尼系数Gini(K,Mb-y);
再后,将二乙级数据组内第一组Mb-1作为三级预设稳稳阀值,并获得与第 1组对应的基尼系数Gini(K,Mb-z),其中,K为二乙级数据组,z1为三级敏感因素数据大于三级预设稳稳阀值的单帧数据包数量,z2三级敏感因素数据大于三级预设稳稳阀值且实际睡眠状态为实际稳定状态的单帧数据包数量,z3为三级敏感因素数据大于三级预设稳稳阀值且实际睡眠状态为实际非稳定状态的单帧数据包数量,同理,以此获得分别与第2至z 组逐一对应的基尼系数Gini(K,Mb-z);
最后,对基尼系数Gini(K,Mb-y)和(K,Mb-z)同时进行比较,并将具有最小基尼系数的二级预设稳稳阀值或三级预设稳稳阀值设定为二级稳稳阀值,并将与二级稳稳阀值对应的敏感因素设定为第二敏感因素;
在第四节点,以第三节点中的计算方式对二级稳非集合进行基尼系数计算,筛选获得二级稳非阀值;
在第五节点,以第二节点中的计算方式对一级非稳定集合进行基尼系数计算,筛选获得一级非稳定阀值,并将位于一级非稳定集合内且一级敏感因素数据小于一级非稳定阀值的单帧数据包汇总并形成输入第六节点的二级非稳集合,将剩余单帧数据包汇总并形成输入第七节点的二级非非集合;
在第六节点,以第三节点中的计算方式对二级非稳集合进行基尼系数计算,筛选获得二级非稳阀值;
在第七节点,以第三节点中的计算方式对二级非非集合进行基尼系数计算,筛选获得二级非非阀值;
第二步,对第二至七节点的可靠性进行判定,以此获得与各阀值对应的决策原则:
首先,对第二节点内的一级稳定集合进行处理,一级稳定集合内的单帧数据包数量为W,其中,实际睡眠状态为实际稳定状态的单帧数据包数量为W1,实际睡眠状态为实际非稳定状态的单帧数据包数量为W2,设定可靠系数Q,当Q≥0.3时,与一级稳定集合对应的一级稳定阀值为可使用状态,当Q≤0.3时,所述一级稳定阀值处于不可用状态;
其次,以上述计算方式计算获得与第三至第七节点分别对应的可靠系数Q,并分别判定一级非稳定阀值、二级稳稳阀值、二级稳非阀值、二级非稳阀值以及二级非非阀值的可靠性进行判定;
最后,获得用于评判用户睡眠状态的决策原则:
当与一级稳定集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级稳定阀值时,用户此时处于的睡眠稳定状态;
当与一级稳定集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级稳定阀值时,用户此时处于的睡眠非稳定状态;
当与一级非稳定集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级非稳定阀值时,用户此时处于的睡眠稳定状态;
当与一级非稳定集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级非稳定阀值时,用户此时处于的睡眠非稳定状态;
当与二级稳稳集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级稳定阀值且第二敏感因素数据小于二级稳稳阀值时,用户此时处于的睡眠稳定状态;
当与二级稳稳集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级稳定阀值且第二敏感因素数据大于二级稳稳阀值时,用户此时处于的睡眠非稳定状态;
当与二级稳非集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级稳定阀值且第二敏感因素数据小于二级稳非阀值时,用户此时处于的睡眠稳定状态;
当与二级稳非集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级稳定阀值且第二敏感因素数据大于二级稳非阀值时,用户此时处于的睡眠非稳定状态;
当与二级非稳集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级非稳定阀值且第二敏感因素数据小于二级非稳阀值时,用户此时处于的睡眠稳定状态;
当与二级非稳集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级非稳定阀值且第二敏感因素数据大于二级非稳阀值时,用户此时处于的睡眠非稳定状态;
当与二级非非集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级非稳定阀值且第二敏感因素数据小于二级非非阀值时,用户此时处于的睡眠稳定状态;
当与二级非非集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级非稳定阀值且第二敏感因素数据大于二级非非阀值时,用户此时处于的睡眠非稳定状态。
10.根据权利要求1-9任一项所述的一种带睡眠稳定性决策原则数据库的助眠系统,其特征在于,所述助眠设备包括光照调节设备、温度调节设备、湿度调节设备、音乐播放设备、气味调节设备、按摩设备、睡姿调节设备中的一种或多种,处理器通过获取与用户对应的决策原则来控制助眠设备运行。
通过在各节点计算对应数据组的基尼系数Gini(K,Mb-z),依次获得对应的阀值,此外,通过对各节点内各单帧数据包的实际睡眠状态进行统计计算,既用于判定该节点获得的阀值是否可靠,还用于判断阀值使用方向,进而确定该阀值与睡眠稳定状态或睡眠非稳定状态间的关系,由此形成数目不超过节点数量的决策原则。
本发明的突出有益效果:通过预先建立睡眠稳定性决策原则数据库来为不同目标群体提供差异化的决策原则,既能利用简化的检测设备来与睡眠稳定性决策原则数据库内的各组数据进行对比,有效简化检测设备,提升使用便利性,还能利用预存在睡眠稳定性决策原则数据库内的决策原则来提升判断准确性,确保系统准确判断用户睡眠状态,进而为助眠设备运行状态提供参考,以确保助眠设备运行与用户睡眠状态匹配,提升助眠效果。
附图说明
图1为决策树结构示意图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明的实质性特点作进一步的说明。
一种带睡眠稳定性决策原则数据库的助眠系统,包括基础数据采集器、处理器、睡眠稳定性决策原则数据库以及助眠设备。基础数据采集器,通过便携式设备获取用户的基础数据;睡眠稳定性决策原则数据库,存储有多组与各目标群体逐一对应的基础信息、睡眠状态临界值以及助眠数据包,各组目标群体间具有差异的基础信息;处理器,根据用户的基础信息在睡眠稳定性决策原则数据库内获得对应的助眠数据包,并通过接收来自基础数据采集器的基础数据与助眠数据包对比并获知与用户匹配的决策原则,以此控制助眠设备进行启停切换和工作状态调节;助眠设备,接收来自处理器的控制信号,并对用户产生对应的助眠刺激。通过预先建立睡眠稳定性决策原则数据库来为不同目标群体提供差异化的决策原则,既能利用简化的检测设备来与睡眠稳定性决策原则数据库内的各组数据进行对比,有效简化检测设备,提升使用便利性,还能利用预存在睡眠稳定性决策原则数据库内的决策原则来提升判断准确性,确保系统准确判断用户睡眠状态,进而为助眠设备运行状态提供参考,以确保助眠设备运行与用户睡眠状态匹配,提升助眠效果。
所述系统通过以下步骤实现运行:
首先,处理器接收基础信息并与睡眠稳定性决策原则数据库内各目标群体的基础信息进行对比,以此将用户归类至对应的目标群体中,并获得对应的决策原则。
具体地,所述睡眠稳定性决策原则数据库内预存有多组目标群体的基础信息,处理器通过接收用户的基础信息并与睡眠稳定性决策原则数据库内各组目标群体的基础信息进行对比,以此将用户归类至具体的目标群体中,以此获得该目标群体的决策原则。
之后,基础数据采集器采集用户的基础数据,并向处理器传输。
具体地,系统通过基础数据采集器采集用户的基础数据,基础数据包括心率数据、呼吸频率数据以及体动数据,通过减少数据数量并选择较易采集的种类来简化基础数据采集器的结构,既降低设备成本,还有效提升采集准确性。基础数据采集器在处理器控制下采集基础数据并形成单帧数据包,处理器接收所述单帧数据包。
最后,处理器将实时收到的基础数据与决策原则进行对比,以此推断用户的实际睡眠状态,为控制助眠设备提供依据。
具体地,所述决策原则包括涉及的敏感因素种类、阀值以及判定方向,例如决策原则为“当用户实时的呼吸频率小于10次/分钟时,用户此时处于的睡眠稳定状态”,则处理器会从实时的单帧数据包内提取呼吸频率数据,并与决策原则进行对比,当用户的呼吸频率小于10次/分钟时,则判定用户处于睡眠稳定状态,当用户的呼吸频率大于10次/分钟时,则判定用户处于睡眠非稳定状态,并以此为依据,控制助眠装置的运行状态。
具体地,所述助眠设备包括光照调节设备、温度调节设备、湿度调节设备、音乐播放设备、气味调节设备、按摩设备、睡姿调节设备中的一种或多种,处理器通过获取与用户对应的决策原则来控制助眠设备运行。在运行时,处理器判定用户的睡眠状态并控制助眠设备的运行状态。例如,音乐播放设备,当用户处于睡眠非稳定状态时,音乐播放设备播放助眠类音乐,当用户处于睡眠稳定状态时,音乐播放设备停止运行。
在实际操作中,所述基础信息包括性别信息、年龄信息、身高信息、体重信息、睡眠时间信息以及职业信息中的一种或多种,具体地,对各类基础信息进行分段划分来确定多个目标群体,使得使用者通过易于获得的基础信息被归类至对应的目标群体中,进而提升用户与决策原则间的对应准确性。
在本实施例中,睡眠稳定性决策原则数据库内存储有多组目标群体的基础信息以及对应的决策原则,各组目标群体间具有差异的基础信息。睡眠稳定性决策原则数据库能根据用户所在的目标群体组别来获取对应的决策原则,为控制助眠设备在合适的时机进行启停切换以及工作状态调节操作提供参考依据。
在实际操作中,所述睡眠稳定性决策原则数据库会被预先建立,通过以下步骤获得与该目标群体对应的决策原则:
第一步,采集各检测样本的基础信息,并以此对检测样本进行目标群体归类。
具体地,通过对较大数量的检测样本进行检测和归类,以此形成完整覆盖各基础信息各段落的多组目标群体。各组目标群体包括至少一个检测样本,对同一目标群体内的检测样本进行依次编号为1至i,各组目标群体具有差异化的基础数据信息,并由此统计各组目标群体对应的决策原则。具体地,所述基础数据信息包括性别信息、年龄信息、身高信息、体重信息、睡眠时间信息以及职业信息中的一种或多种,通过上述各类信息进行差异化区间划分并形成具有差异化基础数据信息的目标群体。各组目标群体对应的基础数据信息间至少具有一个基础数据差异,对各类基础数据信息参数进行分段划分来确定多个目标群体,使得使用者通过易于获得的基础数据被归类至对应的目标群体中。例如可以将身高为160cm-170cm以及身高为170cm-180cm且其余基础数据相同的人群划分为两个目标群体,通过提升目标群体划分精细度来提升睡眠稳定性决策原则数据库的准确性。
具体地,所述基础数据信息的采集应该根据种类来选用不同的采集方式,例如身高信息采用尺量的方式获得,体重信息采用称重的方式获得,性别信息、年龄信息、睡眠时间信息以及职业信息等通过问询的方式获得。
第二步,对同一目标群体内的各检测样本分别进行睡眠监测,以此获得该检测样本的睡眠时长Ti以及单帧时长为t的原始数据包,各检测样本对应的原始数据包数量为j’i,j’i=Ti/t,各原始数据包包含脑电数据EEG、肌电数据EMG、眼电数据EOG、心率数据HR、呼吸频率数据RESP以及体动数据BM。
具体地,基础数据采集器以间隔采集方式获得原始数据包,原始数据包的采集时间为t,t=30s,各基础数据均以秒为单位被记录,所以,各原始数据包包含30个心率数据HR、30个呼吸频率数据RESP以及30个体动数据BM。
具体地,由于基础数据采集器会在检测样本睡眠过程中进行全程检测,所以,j’i是指各检测样本在其睡眠全程中获得的原始数据包个数。
第三步,对各原始数据包内的心率数据HR、呼吸频率数据RESP以及体动数据BM进行取均值处理,以此获得与该原始数据包对应的MHR-j’-i、MRES’-i以及MBM-j’-i。
具体地,各单帧数据包内包含t个瞬时的心率数据、呼吸频率数据以及体动数据,通过将心率数据累加并除以t后获得MHR-j’-i,通过将呼吸频率数据累加并除以t后获得MRESP-’-j,通过将体动数据累加并除以t后获得MBM-,-i。通过累加平均计算来消除个别数据因检测失效或外界因素影响而出现的较大偏离,有效提升数据准确性。
第四步,设定心率均值范围,对MHR-j’-i超出心率均值范围的原始数据包进行剔除操作,设定呼吸频率均值范围,对MRESP-j’-j超出呼吸频率均值范围的原始数据包进行剔除操作,以此获得数量为j、与该检测样本对应且包含MHR-j-i、 MRESP-j-i以及MBM-j-i的单帧数据包,进而获得该目标群体内的单帧数据包总量为
具体地,心率均值范围的上限为100次/分钟,下限为50次/分钟,呼吸频率范围的上限为20次/分钟。当原始数据包中的任一数据超出设定的范围时,该原始数据包就被处理器剔除,并将剩余的原始数据包设定为有效的单帧数据包,进一步提升数据准确性,防止因个别数据偏差较大而发生影响计算结果的情况,确保计算获得的决策原则与目标群体睡眠状态的对应性。在实际操作中, MHR-j-是指编号为i的检测样本的第j个单帧数据包的心率数据,MRESP-j-i是指编号为i的检测样本的第j个单帧数据包的呼吸频率数据,MBM-j-是指编号为i的检测样本的第j个单帧数据包的体动数据,以此表示目标群体内各检测样本中各单帧数据包的各生理数据。
具体地,由于各检测样本的睡眠时长存在差异性,各检测样本的原始数据包数量不一样,剔除的原始数据包数量不一样,导致各检测样本的单帧数据包也不一样,通过公式来统计计算该目标群体内的所有检测样本的单帧数据包总和,便于后续针对该目标群体的数据进行整体统计。
第五步,根据脑电数据EEG、肌电数据EMG、眼电数据EOG、心率数据HR将对应检测样本的整个睡眠过程划分为清醒期、浅睡N1期、浅睡N2期、深睡期以及快速眼动期,并对各单帧数据包进行睡眠分期分类,以使各单帧数据包获得睡眠分期属性。
具体地,通过脑电数据EEG、肌电数据EMG、眼电数据EOG、心率数据HR推断用户的睡眠分期为现有技术。根据用户处于不同睡眠分期时脑电数据EEG、肌电数据EMG、眼电数据EOG的差异化特征来进行睡眠分期划分,为后续运用提供参考依据。
第六步,对各单帧数据包进行睡眠稳定性划分,并对各单帧数据包赋予预设睡眠状态值SStj-i,具体地:将具有清醒期和浅睡N1期属性的单帧数据包划分为非稳定性数据包,SStj-i=1,其具有的实际睡眠状态为实际非稳定状态;将具有浅睡N2期、深睡期以及快速眼动期的单帧数据包划分为稳定性数据包, SStj-i=2,其具有的实际睡眠状态为实际稳定状态。
具体地,通过对清醒期、浅睡N1期、浅睡N2期、深睡期以及快速眼动期进行分类来将各单帧数据包划分为实际睡眠稳定状态以及实际睡眠非稳定状态,以此赋予各单帧数据包实际睡眠状态的属性,便于后期统一运用。由于脑电数据EEG、肌电数据EMG以及眼电数据EOG与心率数据HR、呼吸频率数据RESP以及体动数据BM存在关联性,所以,通过检测心率数据HR、呼吸频率数据RESP 以及体动数据BM来间接判定用户的睡眠分期,进而获得用户的睡眠稳定性状态。
第七步,对同一目标群体的心率、呼吸频率以及体动分别进行初级敏感相关系数计算,并利用初级敏感相关系数rb计算获得初级显著性系数Arb,将初级显著性系数Arb与设定的初级显著性阀值A’rb比较,进而从心率、呼吸频率以及体动中获得初级敏感因素。具体地,通过以下步骤进行:
最后,通过对rb进行初级显著性检验来判定与其对应的敏感因素是否能成为初级敏感因素,在检验时,当Arb>A’rb时,参数b代表的敏感因素成为初级敏感因素,并进入后续验证程序,当Arb≤A’rb时,设定对应的βb=0,表示该敏感因素被剔除,且不会进入后续验证程序。
第八步,通过初级敏感因素以及各单帧数据包内数据来计算与各初级敏感因素对应的权重因子βb,并对获得的权重因子βb进行显著性检验,以此获得高级敏感因素,进而利用高级敏感因素以及与其对应的权重因子计算获得与各单帧数据包逐一对应的实际睡眠状态值SSt’j-i,具体地,通过以下步骤实现:
首先,各单帧数据包内包含SStj-i、MHR-j-i、MRESP-j-i以及MBM-j-i,当b=1 时,βb为βHR,当b=2时,βb为βRESP,当b=3时,βb为βBM,将总数为ND的单帧数据包分别代入公式:
SStj-i=MHR-j-i*βHR+MRESP-j-i*βRESP+MBM-j-*βBM+E,以此计算获得βHR、βRESP、βBM以及参数E,参数E为修正值;
具体地,将各单帧数据包对应的SStj-i、MHR-j-i、MRESP-j-i以及MBM-j-i带入上述公式,并以此获得包含ND个方程式的四元多次方程,进而计算获得与该目标群体对应的βHR、βRESP、βBM以及参数E,为后续计算提供依据;
之后,通过以下公式对权重因子的显著性进行检验:
通过设定高级显著性阀值A’βb,当Aβb≥A’βb时,参数b代表的敏感因素成为高级敏感因素,当Aβb<A’βb时,设定对应的βb=0;
通过对权重因子进行高级显著性检验,进一步提升敏感因素与用户睡眠状态的关联性,起到进一步筛选敏感因素的作用;
最后,利用MHR-j-、MRESP-j-i、MBM-j-、参数E以及与各敏感因素对应的βb来计算获得实际睡眠状态值SSt’j-i,SSt’j-i=MHR-j-i*βHR+MRESP-j-i* βRESP+MBM-j-*βBM+E。将与各单帧数据包的MHR-j-、MRESP-j-i、MBM-j-以及计算获得的参数E以及与各敏感因素对应的βb代入上述公式,以此获得与各单帧数据包对应的实际睡眠状态值SSt’j-i,其中,将进行初级显著性检验和高级显著性检验时被剔除的敏感因素的对应βb设定为0,以此将该敏感因素从上述公式中剔除,有效提升实际睡眠状态值SSt’j-i的准确性;实际睡眠状态值SSt’j-i是指编号为i的检测样本的第j组单帧数据包的实际睡眠状态值。
第九步,利用实际睡眠状态值SSt’j-i来获得睡眠状态临界值SSt’cut-off,具体地,通过以下步骤获得睡眠状态临界值:
首先,ND个单帧数据包以各自对应的SSt’j-i值为依据进行由小至大的顺序排列,并形成编号为1-ND且由小到大排列的SSt’v数组,1≤v≤ND;
具体地,v=ND,对该目标群体内所有检测样本的单帧数据包进行混编,并为计算与该目标群体对应的睡眠状态临界值提供依据。
其次,设定SSt’1为衡量预设睡眠状态的二分阀值,将所述单帧数据包归类至预设稳定状态和预设非稳定状态,以此形成第1组状态合集;
具体地,将编号为1的单帧数据包对应的实际睡眠状态值设定为SSt’1,并以此为阀值对各单帧数据包进行二分归类,在归类时,当SSt’j-i≥SSt’1时,该单帧数据包被设定为预设稳定状态,当SSt’j-i<SSt’1时,该单帧数据包被设定为预设非稳定状态,由于SSt’1为所有SSt’j-i值中最小的,所以,以SSt’1作为二分阀值时,第1组状态合集包括ND个预设稳定状态以及0个非稳定状态。
之后,重复上述针对SSt’1的操作,并依次以编号为2至ND的SSt’v为衡量预设睡眠状态的二分阀值,将所述单帧数据包归类至预设稳定状态和预设非稳定状态,以此形成第2至ND组的状态合集;
具体地,依次将编号为2至ND的SSt’v作为衡量预设睡眠状态的二分阀值,并以此获得第2至ND组的状态合集,由于各单帧数据包以SSt’j-i值大小为依据进行顺序排列,可以预见,第2组状态合计包括ND-1个预设稳定状态以及1个非稳定状态,第ND组状态合计包括0个预设稳定状态以及ND个非稳定状态。
再后,依次对第1至ND组状态合集内各单帧数据包对应的预设睡眠状态与其实际睡眠状态进行比较:
对预设睡眠状态为预设稳定状态且实际睡眠状态为实际稳定状态的单帧数据包进行统计,获得数量为NTP;
对预设睡眠状态为预设非稳定状态且实际睡眠状态为实际稳定状态的单帧数据包进行统计,获得数量为NFNv;
对预设睡眠状态为预设稳定状态且实际睡眠状态为实际非稳定状态的单帧数据包进行统计,获得数量为NFPv;
对预设睡眠状态为预设非稳定状态且实际睡眠状态为实际非稳定状态的单帧数据包进行统计,获得数量为NTNv;
具体地,利用各组状态合集内的数据来计算对应的约登指数YIv,在对单组状态合集进行计算时,对各单帧数据包对应的预设睡眠状态和实际睡眠状态进行匹配对比,以此统计获得与各组状态合集对应的NTPv值、NFNv值、NFPv值以及NTNv值,进而计算获得与各组状态合集对应的约登指数YIv。
最后,将ND个约登指数中具有最大数值的YIv设定为YImax,将与YImax对应的SSt’v设定为睡眠状态临界值SSt’cut-off。
具体地,对获得的ND个约登指数进行比较并获得数值最大的YImax,将与 YImax对应的SSt’v设定为睡眠状态临界值SSt’cut-off,为后续推演决策原则提供依据。
第十步,利用睡眠状态临界值SSt’cut-o形成控制助眠设备用决策原则,对βHR、βRESP、βBM进行自大到小排列,并将对应的敏感因素依次设定为一级敏感因素、二级敏感因素以及三级敏感因素,并通过以下步骤获得决策原则:
第一步,利用决策树对单帧数据包进行分类,所述决策树包括七个节点(如图1所示),具体地:
在第一节点,根据SSt’cut-off将单帧数据包划分为一级稳定集合以及一级非稳定集合,将一级稳定集合输送至第二节点,将一级非稳定集合输送至第五节点;所述单帧数据包通过与自身对应的SSt’j-i与作为阀值的SSt’cut-off比较,并被被分别划分至一级稳定集合和一级非稳定集合中。
在第二节点,对来自第一节点的一级稳定集合内各单帧数据包进行基尼系数计算,以此筛选一级稳定阀值,具体地:
首先,提取一级稳定集合内各单帧数据包的一级敏感因素数据并形成一级敏感数据组,对一级敏感数据组内的各参数进行从小至大排列,并被依次编辑为Mb-x,0<x<ND;
之后,将数据组内第一组Mb-1作为一级预设稳定阀值,并获得与第1组对应的基尼系数Gini(K,Mb-x),其中,K 为一级敏感数据组,x1为一级敏感因素数据大于一级预设阀值的单帧数据包数量,x2一级敏感因素数据大于一级预设阀值且实际睡眠状态为实际稳定状态的单帧数据包数量,x3为一级敏感因素数据大于一级预设阀值且实际睡眠状态为实际非稳定状态的单帧数据包数量,同理,以此分别获得与第2至x组逐一对应的基尼系数Gini(K,Mb-x);
最后,对x个基尼系数Gini(K,Mb-x)进行比较,并将具有最小基尼系数的一级预设稳定阀值设定为一级稳定阀值,将一级敏感因素设定为第一敏感因素,将位于一级稳定集合内且一级敏感因素数据小于一级稳定阀值的单帧数据包汇总并形成输入第三节点的二级稳稳集合,将剩余单帧数据包汇总并形成输入第四节点的二级稳非集合。
在第三节点,对来自第二节点的二级稳稳集合内各单帧数据包进行基尼系数计算,以此筛选二级稳稳阀值,具体地:
首先,分别提取二级稳稳集合内各单帧数据包的二级敏感因素数据和三级敏感因素数据并分别形成二甲级数据组和二乙级数据组,对二甲级数据组和二乙级数据组内的各参数分别进行从小至大排列,并被依次编辑为Mb-y和Mb-z,参数y和参数z均等于二级稳稳集合内的单帧数据包数量;
之后,将二甲级数据组内第一组Mb-1作为二级预设稳稳阀值,并获得与第 1组对应的基尼系数Gini(K,Mb-y),其中,K为二甲级数据组,y1为二级敏感因素数据大于二级预设稳稳阀值的单帧数据包数量,y2二级敏感因素数据大于二级预设稳稳阀值且实际睡眠状态为实际稳定状态的单帧数据包数量,y3为二级敏感因素数据大于二级预设稳稳阀值且实际睡眠状态为实际非稳定状态的单帧数据包数量,同理,以此获得分别与第2 至y组逐一对应的基尼系数Gini(K,Mb-y);
再后,将二乙级数据组内第一组Mb-1作为三级预设稳稳阀值,并获得与第 1组对应的基尼系数Gini(K,Mb-z),其中,K为二乙级数据组,z1为三级敏感因素数据大于三级预设稳稳阀值的单帧数据包数量,z2三级敏感因素数据大于三级预设稳稳阀值且实际睡眠状态为实际稳定状态的单帧数据包数量,z3为三级敏感因素数据大于三级预设稳稳阀值且实际睡眠状态为实际非稳定状态的单帧数据包数量,同理,以此获得分别与第2至z 组逐一对应的基尼系数Gini(K,Mb-z);
最后,对基尼系数Gini(K,Mb-y)和(K,Mb-z)同时进行比较,并将具有最小基尼系数的二级预设稳稳阀值或三级预设稳稳阀值设定为二级稳稳阀值,并将与二级稳稳阀值对应的敏感因素设定为第二敏感因素。
在第四节点,以第三节点中的计算方式对来自第二节点的二级稳非集合内各单帧数据包进行基尼系数计算,以此筛选获得二级稳非阀值以及对应的第二敏感因素,在此过程中,参数K以二级稳非集合为范围,分别获得与二级敏感因素对应的参数y1、y2以及y3以及与三级敏感因素对应的参数z1、z2以及z3。同理,在第六节点和第七节点均以此类推。
在第五节点,以第二节点中的计算方式对来自第一节点的一级非稳定集合内各单帧数据包进行基尼系数计算,筛选获得一级非稳定阀值,并将位于一级非稳定集合内且一级敏感因素数据小于一级非稳定阀值的单帧数据包汇总并形成输入第六节点的二级非稳集合,将剩余单帧数据包汇总并形成输入第七节点的二级非非集合,参数K以一级非稳定集合为范围,并以此获得对应参数x1、x2以及x3。
在第六节点,以第三节点中的计算方式对来自第五节点的二级非稳集合内各单帧数据包进行基尼系数计算,筛选获得二级非稳阀值以及对应的第二敏感因素。
在第七节点,以第三节点中的计算方式对来自第五节点的二级非非集合内各单帧数据包进行基尼系数计算,筛选获得二级非非阀值以及对应的第二敏感因素。
具体地,通过计算基尼系数的方式获得与各节点对应的阀值以及具体的敏感因素,为后续筛选决策原则提供依据。
第二步,对第二至七节点的可靠性进行判定,以此获得与各阀值对应的决策原则:
首先,对第二节点内的一级稳定集合进行处理,一级稳定集合内的单帧数据包数量为W,其中,实际睡眠状态为实际稳定状态的单帧数据包数量为W1,实际睡眠状态为实际非稳定状态的单帧数据包数量为W2,设定可靠系数Q,当Q≥0.3时,与一级稳定集合对应的一级稳定阀值为可使用状态,可以作为决策原则内的阀值使用,当Q≤0.3时,所述一级稳定阀值处于不可用状态,该节点获得的阀值会被剔除;
具体地,设定可靠性阀值为0.3,可靠性阀值可以根据需要进行设定,当可靠性阀值越大时,说明对应集合内预设睡眠状态与实际睡眠状态间的相符程度越高,可靠性越好,但最终获得的决策原则数量越少,反之,当可靠性阀值越小时,可靠性越差,但最后获得的决策原则数量越多。
其次,以上述计算方式计算获得与第三至第七节点分别对应的可靠系数Q,并分别判定一级非稳定阀值、二级稳稳阀值、二级稳非阀值、二级非稳阀值以及二级非非阀值的可靠性进行判定;分别对剩余各节点的可靠性系数进行验证,依次确定一级非稳定阀值、二级稳稳阀值、二级稳非阀值、二级非稳阀值以及二级非非阀值的可靠性,进而判断是否能被用于为决策原则。
最后,获得用于评判用户睡眠状态的决策原则。在第二节点或第五节点中,当对应的可靠系数Q符合要求时,则根据W1和W2间大小关系来判定决策方向,根据该节点获得的对应阀值来形成决策阀值,具体地:
当与一级稳定集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级稳定阀值时,用户此时处于的睡眠稳定状态;
当与一级稳定集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级稳定阀值时,用户此时处于的睡眠非稳定状态;
当与一级非稳定集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级非稳定阀值时,用户此时处于的睡眠稳定状态;
当与一级非稳定集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级非稳定阀值时,用户此时处于的睡眠非稳定状态;
在第三节点、第四节点、第六节点以及第七节点中,当对用的可靠性系数Q 符合要求时,则根据W1和W2间大小关系来判定决策方向,根据该节点获得的对应阀值来形成决策阀值,同时,还需要满足与该节点对应的上层节点的决策原则,具体地:
当与二级稳稳集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级稳定阀值且第二敏感因素数据小于二级稳稳阀值时,用户此时处于的睡眠稳定状态;
当与二级稳稳集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级稳定阀值且第二敏感因素数据大于二级稳稳阀值时,用户此时处于的睡眠非稳定状态;
当与二级稳非集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级稳定阀值且第二敏感因素数据小于二级稳非阀值时,用户此时处于的睡眠稳定状态;
当与二级稳非集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级稳定阀值且第二敏感因素数据大于二级稳非阀值时,用户此时处于的睡眠非稳定状态;
当与二级非稳集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级非稳定阀值且第二敏感因素数据小于二级非稳阀值时,用户此时处于的睡眠稳定状态;
当与二级非稳集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级非稳定阀值且第二敏感因素数据大于二级非稳阀值时,用户此时处于的睡眠非稳定状态;
当与二级非非集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级非稳定阀值且第二敏感因素数据小于二级非非阀值时,用户此时处于的睡眠稳定状态;
当与二级非非集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级非稳定阀值且第二敏感因素数据大于二级非非阀值时,用户此时处于的睡眠非稳定状态。
在实际操作中,各节点形成的决策原则会因为可靠性较差而无法被采用,所以,各目标群体对应的决策原则数量会出现差异,且各决策原则内的阀值以及决策方向均会存在差异性,均应视为本发明的具体实施例。
在实际操作中,所述敏感因素会因初级显著性检验和高级显著性检验不通过而被剔除,使得敏感因素的数量可能为零个、一个、两个或三个。当最终的敏感因素为两个时,二级敏感因素形成第二敏感因素;当最终的敏感因素为一个时,不进行第三节点、第四节点、第六节点以及第七节点的计算;当最终的敏感因素为零个时,系统无法获得决策原则。通常,通过合理设置定初级显著性阀值A’rb和高级显著性阀值A’βb进行控制,既确保敏感因素筛选准确性,还优选剩余至少两个以上的敏感性因素,提升系统使用普遍性。
Claims (9)
1.一种带睡眠稳定性决策原则数据库的助眠系统,其特征在于,包括:
基础数据采集器,通过便携式设备获取用户的基础数据;
睡眠稳定性决策原则数据库,存储有多组与各目标群体逐一对应的基础信息、睡眠状态临界值以及助眠数据包,各组目标群体间具有差异的基础信息;
处理器,根据用户的基础信息在睡眠稳定性决策原则数据库内获得对应的助眠数据包,并通过接收来自基础数据采集器的基础数据与助眠数据包对比并获知与用户匹配的决策原则,以此控制助眠设备进行启停切换和工作状态调节;
助眠设备,接收来自处理器的控制信号,并对用户产生对应的助眠刺激;
在构建所述睡眠稳定性决策原则数据库时,各组目标群体包括至少一个检测样本,对同一目标群体内的检测样本进行依次编号为1至i,并通过以下方式获得基础信息以及对应的睡眠状态临界值:
第一步,采集各检测样本的基础信息,并以此对检测样本进行目标群体归类;
第二步,对同一目标群体内的各检测样本分别进行睡眠监测,以此获得该检测样本的睡眠时长Ti以及单帧时长为t的原始数据包,各检测样本对应的原始数据包数量为j’i,j’i=Ti/t,各原始数据包包含脑电数据EEG、肌电数据EMG、眼电数据EOG、心率数据HR、呼吸频率数据RESP以及体动数据BM;
第三步,对各原始数据包内的心率数据HR、呼吸频率数据RESP以及体动数据BM进行取均值处理,以此获得与该原始数据包对应的MHR-j’-i、MRESP-j’-i以及MBM-j’-i;
第四步,设定心率均值范围,对MHR-j’-i超出心率均值范围的原始数据包进行剔除操作,设定呼吸频率均值范围,对MRESP-j’-i超出呼吸频率均值范围的原始数据包进行剔除操作,以此获得数量为j、与该检测样本对应且包含MHR-j-i、MRESP-j-i以及MBM-j-i的单帧数据包,进而获得该目标群体内的单帧数据包总量为
第五步,根据脑电数据EEG、肌电数据EMG、眼电数据EOG、心率数据HR将对应检测样本的整个睡眠过程划分为清醒期、浅睡N1期、浅睡N2期、深睡期以及快速眼动期,并对各单帧数据包进行睡眠分期分类,以使各单帧数据包获得睡眠分期属性;
第六步,对各单帧数据包进行睡眠稳定性划分,并对各单帧数据包赋予预设睡眠状态值SStj-i,具体地:将具有清醒期和浅睡N1期属性的单帧数据包划分为非稳定性数据包,SStj-i=1,其具有的实际睡眠状态为实际非稳定状态;将具有浅睡N2期、深睡期以及快速眼动期的单帧数据包划分为稳定性数据包,SStj-i=2,其具有的实际睡眠状态为实际稳定状态;
第七步,对同一目标群体的心率、呼吸频率以及体动分别进行初级敏感相关系数计算,并利用初级敏感相关系数rb计算获得初级显著性系数Arb,将初级显著性系数Arb与设定的初级显著性阀值A’rb比较,进而从心率、呼吸频率以及体动中获得初级敏感因素,其中,b为敏感因素标记,b=1时,代表心率数据,b=2时,代表呼吸频率数据,b=3时,代表体动数据;
第八步,通过初级敏感因素以及各单帧数据包内数据来计算与各初级敏感因素对应的权重因子βb,并对获得的权重因子βb进行显著性检验,以此获得高级敏感因素,进而利用高级敏感因素以及与其对应的权重因子计算获得与各单帧数据包逐一对应的实际睡眠状态值SSt’j-i;
第九步,利用实际睡眠状态值SSt’j-i来获得睡眠状态临界值SSt’cut-off;
第十步,利用睡眠状态临界值SSt’cut-off形成控制助眠设备用决策原则。
2.根据权利要求1所述的一种带睡眠稳定性决策原则数据库的助眠系统,其特征在于,所述系统在运行时,通过以下步骤实现:
首先,处理器接收基础信息并与睡眠稳定性决策原则数据库内各目标群体的基础信息进行对比,以此将用户归类至对应的目标群体中,并获得对应的决策原则;
之后,基础数据采集器采集用户的基础数据,并向处理器传输;
最后,处理器将实时收到的基础数据与决策原则进行对比,以此推断用户的实际睡眠状态,为控制助眠设备提供依据。
3.根据权利要求2所述的一种带睡眠稳定性决策原则数据库的助眠系统,其特征在于,各单帧数据包内包含t个瞬时的心率数据、呼吸频率数据以及体动数据,通过将心率数据累加并除以t后获得MHR-j’-i,通过将呼吸频率数据累加并除以t后获得MRESP-j’-i,通过将体动数据累加并除以t后获得MBM-j’-j;或者,心率均值范围的上限为100次/分钟,下限为50次/分钟;或者,呼吸频率范围的上限为20次/分钟。
6.根据权利要求2所述的一种带睡眠稳定性决策原则数据库的助眠系统,其特征在于,在进行第八步时,通过以下步骤实现:
首先,各单帧数据包内包含SStj-i、MHR-j-i、MRESP-j-i以及MBM-j-i,当b=1时,βb为βHR,当b=2时,βb为βRESP,当b=3时,βb为βBM,将总数为ND的单帧数据包分别代入公式:
SStj-i=MHR-j-i*βHR+MRESP-j-i*βRESP+MBM-j-i*βBM+E,以此计算获得βHR、βRESP、βBM以及参数E,参数E为修正值;
之后,通过以下公式对权重因子的显著性进行检验:
通过设定高级显著性阀值A’βb,当Aβb≥A’βb时,参数b代表的敏感因素成为高级敏感因素,当Aβb<A’βb时,设定对应的βb=0;
最后,利用MHR-j-i、MRESP-j-i、MBM-j-i、参数E以及与各敏感因素对应的βb来计算获得实际睡眠状态值SSt’j-i,SSt’j-i=MHR-j-i*βHR+MRESP-j-i*βRESP+MBM-j-i*βBM+E。
7.根据权利要求2所述的一种带睡眠稳定性决策原则数据库的助眠系统,其特征在于,通过以下步骤获得睡眠状态临界值:
第一步,ND个单帧数据包以各自对应的SSt’j-i值为依据进行由小至大的顺序排列,并形成编号为1-ND且由小到大排列的SSt’v数组,1≤v≤ND;
第二步,设定SSt’1为衡量预设睡眠状态的二分阀值,将所述单帧数据包归类至预设稳定状态和预设非稳定状态,以此形成第1组状态合集;
第三步,重复第二步并依次以编号为2至ND的SSt’v为衡量预设睡眠状态的二分阀值,将所述单帧数据包归类至预设稳定状态和预设非稳定状态,以此形成第2至ND组的状态合集;
第四步,依次对第1至ND组状态合集内各单帧数据包对应的预设睡眠状态与其实际睡眠状态进行比较:
对预设睡眠状态为预设稳定状态且实际睡眠状态为实际稳定状态的单帧数据包进行统计,获得数量为NTPv;
对预设睡眠状态为预设非稳定状态且实际睡眠状态为实际稳定状态的单帧数据包进行统计,获得数量为NFNv;
对预设睡眠状态为预设稳定状态且实际睡眠状态为实际非稳定状态的单帧数据包进行统计,获得数量为NFPv;
对预设睡眠状态为预设非稳定状态且实际睡眠状态为实际非稳定状态的单帧数据包进行统计,获得数量为NTNv;
第五步,将ND个约登指数中具有最大数值的YIv设定为YImax,将与YImax对应的SSt’v设定为睡眠状态临界值SSt’cut-off。
8.根据权利要求2所述的一种带睡眠稳定性决策原则数据库的助眠系统,其特征在于,对βHR、βRESP、βBM进行自大到小排列,并将对应的敏感因素依次设定为一级敏感因素、二级敏感因素以及三级敏感因素,通过以下步骤获得决策原则:
第一步,利用决策树对单帧数据包进行分类:
在第一节点,根据SSt’cut-off将单帧数据包划分为一级稳定集合以及一级非稳定集合,将一级稳定集合输送至第二节点,将一级非稳定集合输送至第五节点;
在第二节点,利用基尼系数筛选一级稳定阀值,具体地:
首先,提取一级稳定集合内各单帧数据包的一级敏感因素数据并形成一级敏感数据组,对一级敏感数据组内的各参数进行从小至大排列,并被依次编辑为Mb-x,0<x<ND;
之后,将数据组内第一组Mb-1作为一级预设稳定阀值,并获得与第1组对应的基尼系数Gini(K,Mb-x), 其中,K为一级敏感数据组,x1为一级敏感因素数据大于一级预设阀值的单帧数据包数量,x2一级敏感因素数据大于一级预设阀值且实际睡眠状态为实际稳定状态的单帧数据包数量,x3为一级敏感因素数据大于一级预设阀值且实际睡眠状态为实际非稳定状态的单帧数据包数量,同理,以此分别获得与第2至x组逐一对应的基尼系数Gini(K,Mb-x);
最后,对x个基尼系数Gini(K,Mb-x)进行比较,并将具有最小基尼系数的一级预设稳定阀值设定为一级稳定阀值,将一级敏感因素设定为第一敏感因素,将位于一级稳定集合内且一级敏感因素数据小于一级稳定阀值的单帧数据包汇总并形成输入第三节点的二级稳稳集合,将剩余单帧数据包汇总并形成输入第四节点的二级稳非集合;
在第三节点,利用基尼系数筛选二级稳稳阀值,具体地:
首先,分别提取二级稳稳集合内各单帧数据包的二级敏感因素数据和三级敏感因素数据并分别形成二甲级数据组和二乙级数据组,对二甲级数据组和二乙级数据组内的各参数分别进行从小至大排列,并被依次编辑为Mb-y和Mb-z,参数y和参数z均等于二级稳稳集合内的单帧数据包数量;
之后,将二甲级数据组内第一组Mb-1作为二级预设稳稳阀值,并获得与第1组对应的基尼系数Gini(K,Mb-y), 其中,K为二甲级数据组,y1为二级敏感因素数据大于二级预设稳稳阀值的单帧数据包数量,y2二级敏感因素数据大于二级预设稳稳阀值且实际睡眠状态为实际稳定状态的单帧数据包数量,y3为二级敏感因素数据大于二级预设稳稳阀值且实际睡眠状态为实际非稳定状态的单帧数据包数量,同理,以此获得分别与第2至y组逐一对应的基尼系数Gini(K,Mb-y);
再后,将二乙级数据组内第一组Mb-1作为三级预设稳稳阀值,并获得与第1组对应的基尼系数Gini(K,Mb-z), 其中,K为二乙级数据组,z1为三级敏感因素数据大于三级预设稳稳阀值的单帧数据包数量,z2三级敏感因素数据大于三级预设稳稳阀值且实际睡眠状态为实际稳定状态的单帧数据包数量,z3为三级敏感因素数据大于三级预设稳稳阀值且实际睡眠状态为实际非稳定状态的单帧数据包数量,同理,以此获得分别与第2至z组逐一对应的基尼系数Gini(K,Mb-z);
最后,对基尼系数Gini(K,Mb-y)和(K,Mb-z)同时进行比较,并将具有最小基尼系数的二级预设稳稳阀值或三级预设稳稳阀值设定为二级稳稳阀值,并将与二级稳稳阀值对应的敏感因素设定为第二敏感因素;
在第四节点,以第三节点中的计算方式对二级稳非集合进行基尼系数计算,筛选获得二级稳非阀值;
在第五节点,以第二节点中的计算方式对一级非稳定集合进行基尼系数计算,筛选获得一级非稳定阀值,并将位于一级非稳定集合内且一级敏感因素数据小于一级非稳定阀值的单帧数据包汇总并形成输入第六节点的二级非稳集合,将剩余单帧数据包汇总并形成输入第七节点的二级非非集合;
在第六节点,以第三节点中的计算方式对二级非稳集合进行基尼系数计算,筛选获得二级非稳阀值;
在第七节点,以第三节点中的计算方式对二级非非集合进行基尼系数计算,筛选获得二级非非阀值;
第二步,对第二至七节点的可靠性进行判定,以此获得与各阀值对应的决策原则:
首先,对第二节点内的一级稳定集合进行处理,一级稳定集合内的单帧数据包数量为W,其中,实际睡眠状态为实际稳定状态的单帧数据包数量为W1,实际睡眠状态为实际非稳定状态的单帧数据包数量为W2,设定可靠系数Q,当Q≥0.3时,与一级稳定集合对应的一级稳定阀值为可使用状态,当Q≤0.3时,所述一级稳定阀值处于不可用状态;
其次,以上述计算方式计算获得与第三至第七节点分别对应的可靠系数Q,并分别判定一级非稳定阀值、二级稳稳阀值、二级稳非阀值、二级非稳阀值以及二级非非阀值的可靠性进行判定;
最后,获得用于评判用户睡眠状态的决策原则:
当与一级稳定集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级稳定阀值时,用户此时处于的睡眠稳定状态;
当与一级稳定集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级稳定阀值时,用户此时处于的睡眠非稳定状态;
当与一级非稳定集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级非稳定阀值时,用户此时处于的睡眠稳定状态;
当与一级非稳定集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级非稳定阀值时,用户此时处于的睡眠非稳定状态;
当与二级稳稳集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级稳定阀值且第二敏感因素数据小于二级稳稳阀值时,用户此时处于的睡眠稳定状态;
当与二级稳稳集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级稳定阀值且第二敏感因素数据大于二级稳稳阀值时,用户此时处于的睡眠非稳定状态;
当与二级稳非集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级稳定阀值且第二敏感因素数据小于二级稳非阀值时,用户此时处于的睡眠稳定状态;
当与二级稳非集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级稳定阀值且第二敏感因素数据大于二级稳非阀值时,用户此时处于的睡眠非稳定状态;
当与二级非稳集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级非稳定阀值且第二敏感因素数据小于二级非稳阀值时,用户此时处于的睡眠稳定状态;
当与二级非稳集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级非稳定阀值且第二敏感因素数据大于二级非稳阀值时,用户此时处于的睡眠非稳定状态;
当与二级非非集合对应的Q≥0.3且W1>W2时,则获得决策原则:用户实时的第一敏感因素数据小于一级非稳定阀值且第二敏感因素数据小于二级非非阀值时,用户此时处于的睡眠稳定状态;
当与二级非非集合对应的Q≥0.3且W1<W2时,则获得决策原则:用户实时的第一敏感因素数据大于一级非稳定阀值且第二敏感因素数据大于二级非非阀值时,用户此时处于的睡眠非稳定状态。
9.根据权利要求1-8任一项所述的一种带睡眠稳定性决策原则数据库的助眠系统,其特征在于,所述助眠设备包括光照调节设备、温度调节设备、湿度调节设备、音乐播放设备、气味调节设备、按摩设备、睡姿调节设备中的一种或多种,处理器通过获取与用户对应的决策原则来控制助眠设备运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911036406.4A CN112741943B (zh) | 2019-10-29 | 2019-10-29 | 一种带睡眠稳定性决策原则数据库的助眠系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911036406.4A CN112741943B (zh) | 2019-10-29 | 2019-10-29 | 一种带睡眠稳定性决策原则数据库的助眠系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112741943A CN112741943A (zh) | 2021-05-04 |
CN112741943B true CN112741943B (zh) | 2021-12-14 |
Family
ID=75641109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911036406.4A Active CN112741943B (zh) | 2019-10-29 | 2019-10-29 | 一种带睡眠稳定性决策原则数据库的助眠系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112741943B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115153454B (zh) * | 2022-09-07 | 2023-03-17 | 深圳市心流科技有限公司 | 一种助眠刺激控制方法、装置、助眠设备及存储介质 |
CN116705247B (zh) * | 2023-08-07 | 2024-04-02 | 安徽星辰智跃科技有限责任公司 | 基于局部分解的睡眠可持续性检测调节方法、系统和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104720766A (zh) * | 2013-12-23 | 2015-06-24 | 上海华博信息服务有限公司 | 一种可实时监测人体体征的睡眠舱 |
CN105342606A (zh) * | 2015-12-15 | 2016-02-24 | 重庆海坤医用仪器有限公司 | 通过中枢神经调节治疗睡眠障碍的方法 |
CN106667435A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 睡眠监测智能传感床垫 |
-
2019
- 2019-10-29 CN CN201911036406.4A patent/CN112741943B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112741943A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10278639B2 (en) | Method and system for sleep detection | |
Trost et al. | Artificial neural networks to predict activity type and energy expenditure in youth | |
JP6247393B2 (ja) | 睡眠モニタリングデバイス、睡眠モニタリングシステム、睡眠モニタリング方法及び対応するコンピュータプログラム | |
CN104757975B (zh) | 使用血氧饱和度信号辨别潮式呼吸模式 | |
US9357953B2 (en) | System and method for diagnosing sleep apnea | |
KR101851690B1 (ko) | 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 장치 및 방법 | |
CN108388912A (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
CN112741943B (zh) | 一种带睡眠稳定性决策原则数据库的助眠系统 | |
CN110706816B (zh) | 一种基于人工智能进行睡眠环境调控的方法及设备 | |
CN107887032A (zh) | 一种数据处理方法及装置 | |
CN108922626B (zh) | 一种体征参数评价方法 | |
CN107590358A (zh) | 运动指导方法和装置 | |
CN112842279B (zh) | 一种基于多维度特征参数的睡眠质量评估方法及装置 | |
Kristiansen et al. | Data mining for patient friendly apnea detection | |
CN114068042A (zh) | 一种基于佩戴式智能终端的健康管理平台及管理方法 | |
CN109044275A (zh) | 基于模糊推论系统的非侵入感测睡眠质量分析系统与方法 | |
CN117690585B (zh) | 一种基于生物反馈的睡眠障碍治疗系统及方法 | |
Gao et al. | Obstructive sleep apnea syndrome detection based on ballistocardiogram via machine learning approach | |
CN111312293A (zh) | 一种基于深度学习对呼吸暂停症患者的识别方法及系统 | |
CN114145717A (zh) | 基于ppg心率特征参数和运动量的睡眠状态分析方法 | |
CN112295077B (zh) | 一种敏感因素数据库的构建方法及使用其的助眠系统 | |
Kazemi et al. | Frequency analysis of capnogram signals to differentiate asthmatic and non-asthmatic conditions using radial basis function neural networks | |
CN106473703A (zh) | 睡眠状态分类器的训练方法和系统 | |
CN116211256A (zh) | 一种非接触式的睡眠呼吸信号获取方法和装置 | |
CN112294263B (zh) | 一种基于脑波频率的非稳定睡眠状态评估方法模型 |
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 |