CN112890777A - 一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质 - Google Patents
一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112890777A CN112890777A CN202110090970.5A CN202110090970A CN112890777A CN 112890777 A CN112890777 A CN 112890777A CN 202110090970 A CN202110090970 A CN 202110090970A CN 112890777 A CN112890777 A CN 112890777A
- Authority
- CN
- China
- Prior art keywords
- signal
- heart rate
- coupling
- respiration
- frequency
- 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.)
- Pending
Links
- 230000008878 coupling Effects 0.000 title claims abstract description 129
- 238000010168 coupling process Methods 0.000 title claims abstract description 129
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 129
- 230000002612 cardiopulmonary effect Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 75
- 238000001914 filtration Methods 0.000 claims abstract description 55
- 238000006243 chemical reaction Methods 0.000 claims abstract description 27
- 238000009499 grossing Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 18
- 230000000241 respiratory effect Effects 0.000 claims abstract description 16
- 230000006698 induction Effects 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000008667 sleep stage Effects 0.000 claims description 7
- 230000004461 rapid eye movement Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 206010062519 Poor quality sleep Diseases 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 claims description 3
- 238000004904 shortening Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000011282 treatment Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 241001669679 Eleotris Species 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011269 treatment regimen Methods 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
- A61B5/48—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
- A61B5/02—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
-
- 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
-
- 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
- A61B5/4809—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Anesthesiology (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质，涉及睡眠监测的领域。包括基于压电感应信号，获得初始心率信号和初始呼吸信号；对初始心率信号和初始呼吸信号分别进行滤波平滑处理，获得心率波形信号和呼吸波形信号；对心率波形信号和呼吸波形信号进行波形时域转化获得时域心率信号和时域呼吸信号；获取检测周期的时域心率信号和时域呼吸信号进行傅里叶变化，计算得频域心率信号和频域呼吸信号；从频域心率信号获取心率特征、从频域呼吸信号获取呼吸特征；基于心肺耦合算法，由心率特征和呼吸特征计算获取心肺耦合特征；由心肺耦合特征，输出判断的睡眠状态分期。本申请具有实现对个人的睡眠状态分期监测的效果。
Description
技术领域
本申请涉及睡眠监测的领域，尤其是涉及一种基于心肺耦合的睡眠状态分期、装置及计算机可读存储介质。
背景技术
睡眠是人最重要的生理活动之一，睡眠质量的好坏直接或间接地影响人体的健康发展，由于快节奏的生活、压力以及不良的生活习惯等，使更多的人患有睡眠疾病，因此，对睡眠开展监测和评估就显得十分重要。
目前睡眠状态分期监测分期较为常用的方式，是提取脑电信号中的特征，并通过脑电信号中的特征进行睡眠状态分期判断分期。但是脑电的采集需要的仪器较为精密，计算方式也较为复杂，不利于应用于日常睡眠的检测。
针对上述中的相关技术，发明人认为日常的睡眠状态分期监测具有重要意义,因此市场上急需能在家庭环境中应用的睡眠状态分期监测方法。
发明内容
为了实现在家庭环境中对个人的睡眠状态分期监测，本申请提供一种基于心肺耦合的睡眠状态分期、装置及计算机可读存储介质。
第一方面，本申请提供一种基于心肺耦合的睡眠状态分期方法，采用如下的技术方案：
一种基于心肺耦合的睡眠状态分期方法，包括
基于压电感应信号，获得初始心率信号和初始呼吸信号；
基于滤波平滑处理策略，对初始心率信号和初始呼吸信号分别进行滤波平滑处理，获得心率波形信号和呼吸波形信号；
基于波形时域转化策略，对心率波形信号和呼吸波形信号进行波形时域转化，获得时域心率信号和时域呼吸信号；
基于傅里叶变化策略，获取检测周期的时域心率信号和时域呼吸信号进行傅里叶变化，计算得频域心率信号和频域呼吸信号；
基于频域特征提取策略，从频域心率信号获取心率特征、从频域呼吸信号获取呼吸特征；
基于心肺耦合算法，由心率特征和呼吸特征计算获取心肺耦合特征；
基于睡眠判断算法，由心肺耦合特征，输出判断的睡眠状态分期。
通过采用上述技术方案，获取心率信号和呼吸信号的初始信号，在信号滤波、时域转化、频域转化、特征提取、心肺耦合和睡眠判断一系列流程后，最后获得睡眠状态分期的数据。心率信号和呼吸信号相比于脑电信号更容易获取，可以通过薄膜传感带转化获得，对睡眠环境要求少，且佩戴具有舒适性。而上述通过信号滤波、时域转化、频域转化的过程，就能将原本难以分析的波形信号转化为易于分析的频域信号；而从频域信号中通过特征提取、心肺耦合和睡眠判断，能够通过数值的判断实现对睡眠分期状态进行判断。因此该方式也更适应于计算机的自主学习，综上采用本申请的技术方案，能够在家庭环境中对个人的睡眠状态分期监测，同时也能够通过机器学习不断优化睡眠状态分期的效果。
优选的，所述波形时域转化策略包括：
从波形信号提取峰值,获得峰值信号；
以单位时间依次统计峰值信号，构建单位时间的条状图；
在条状图中的每一单位时间中生成特征点，依次连接的特征点，获得时域信号。
通过采用上述技术方案，波形信号中有波峰和波谷，相邻的波峰之间的时长就是波形信号的间期；例如若波形信号为心率波形信号时，则相邻的波峰之间的时长就是心跳间期；若波形信号为呼吸波形信号时，则相邻的波峰之间的时长就是呼吸间期。因此通过统计每出现一次波峰信号就等于完成了一次间期。而通过在单位时间依次统计峰值信号，就能获得在一个单位时间内，产生的心跳或呼吸次数。就能获得一个呼吸次数和时间相关的条状图。而从条状图中选取好特征点后，通过连线的方式，就能得到连续不中断的时域信号，即能够获取心跳次数和时间相关的时域心率信号和获取呼吸次数和时间呼吸的时域呼吸信号。
优选的，所述心肺耦合特征包括高频耦合能量值、低频耦合能量值和极低频耦合能量值；所述睡眠判断算法与高频耦合最大能量值、低频耦合最大能量值和极低频耦合最大能量值相关。
通过采用上述技术方案，高频耦合能量值、低频耦合能量值和极低频耦合能量值；高频耦合最大能量值、低频耦合最大能量值和极低频耦合最大能量值经过机器学习后和睡眠状态分期的相关性较大；因此通过上述的心肺耦合特征能够提升机器学习的效率。
优选的，所述睡眠判断算法相关的高频耦合最大能量值、低频耦合最大能量值和极低频耦合最大能量值基于心肺耦合算法获取心肺耦合特征中的高频耦合能量值、低频耦合能量值和极低频耦合能量值输出值判断是否更新。
通过采用上述技术方案，通过在机器学习的过程中不断更新高频耦合最大能量值、低频耦合最大能量值和极低频耦合最大能量值，能够进一步提升机器学习的准确性。
优选的，所述滤波平滑处理策略至少包括：
将初始信号通过多阶低通滤波器进行低通滤波，获得初滤波信号；
将初滤波信号通过多阶高通滤波器进行高通滤波，获得深滤波信号；
深滤波信号进行信号平滑处理，获得波形信号。
通过采用上述技术方案，在多阶的低通滤波和高通滤波后，能够把初始信号中带有的杂波大部分去除，而通过平滑处理进一步减少波形上的噪声或者失真。
优选的，所述多阶低通滤波器至少为四阶低通滤波器，所述多阶低通滤波器的截止滤波频率为30赫兹；所述多阶高通滤波器至少为四阶高通滤波器，所述多阶高通滤波器的截止滤波频率为4赫兹。
通过采用上述技术方案，采用四阶的高通和低通滤波器，能够较好的平衡滤波成本和滤波效果；而将截止频率设置在4至30赫兹，能够获取特征数据较好的心肺耦合特征。
优选的，所述检测周期基于输出的所述睡眠状态分期在预设的周期时长范围中调节。
通过采用上述技术方案，通过调整检测周期，能够实现对频域信息的时长进行调节，而越长的时长所需的算力越小越减少电耗，而越短的时长所需的算力越大获取的测试结果越准确。
优选的，心肺耦合的睡眠状态分期方法，其特征在于：所述睡眠状态分期包括快速眼动期、浅睡眠期和深睡眠期；当输出的所述睡眠状态分期为快速眼动期时，在预设的周期时长范围中缩短检测周期的时长；当输出的所述睡眠状态分期为深睡眠期时，在预设的周期时长范围中增长检测周期的时长。
通过采用上述技术方案，在深睡眠期下，一般睡眠情况不会产生变化，增长检测周期的时长在减少电耗且对判断准确影响较小；而在快速眼动期，随时可能产生睡眠分期的变化，因此通过缩短检测周期的时长，提升准确效果。
第二方面，本申请提供一种基于心肺耦合的睡眠状态分期装置，采用如下的技术方案：
一种基于心肺耦合的睡眠状态分期装置，其特征在于，包括：
感应模块，其基于压电感应信号，获得初始心率信号和初始呼吸信号；
滤波模块，其基于滤波平滑处理策略，对初始心率信号和初始呼吸信号分别进行滤波平滑处理，获得心率波形信号和呼吸波形信号；
时域转化模块，其基于波形时域转化策略，对心率波形信号和呼吸波形信号进行波形时域转化，获得时域心率信号和时域呼吸信号；
频域转化模块，其基于傅里叶变化策略，获取检测周期的时域心率信号和时域呼吸信号进行傅里叶变化，计算得频域心率信号和频域呼吸信号；
特征提取模块，其基于频域特征提取策略，从频域心率信号获取心率特征、从频域呼吸信号获取呼吸特征；
心肺耦合模块，其基于心肺耦合算法，由心率特征和呼吸特征计算获取心肺耦合特征；
睡眠判断模块，其基于睡眠判断算法，由心肺耦合特征，输出判断的睡眠状态分期。
第三方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述的基于心肺耦合的睡眠状态分期方法。
综上所述，本申请包括以下至少一种有益技术效果：
1.能够在家庭环境中对个人的睡眠状态分期监测；
2.能够通过机器学习不断优化睡眠状态分期的效果。
附图说明
图1是基于心肺耦合的睡眠状态分期方法的流程图。
图2是心肺耦合的睡眠状态分期方法中的滤波平滑处理策略的流程图。
图3是心肺耦合的睡眠状态分期方法中的波形时域转化策略的流程图。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
在睡眠过程中，根据脑电图的不同特征，将睡眠分为两种状态：非眼球快速运动睡眠和眼球快速运动睡眠，而非眼球快速运动睡眠根据睡眠程度的不同又能够被分为浅睡眠和深睡眠。
本申请实施例公开一种基于心肺耦合的睡眠状态分期方法。参照图1，包括：
S10、基于压电感应信号，获得初始心率信号和初始呼吸信号；
具体的，压电感应信号通过压电薄膜传感带采集获取，压电薄膜传感带一般铺设于睡眠人员身体下方靠近心脏的位置，使得压电薄膜能够获取到睡眠人员的压力信号。而本方案中由于需要获取初始心率信号和初始呼吸信号，至少设置两条压电薄膜传感器。两条压电薄膜传感器连接数据采集电路，而采集电路根据呼吸信号频率慢压力变化大，和心率信号频率快压力变化小的特征，区分呼吸信号和心率信号，以分别获取初始心率信号和初始呼吸信号。
S20、基于滤波平滑处理策略，对初始心率信号和初始呼吸信号分别进行滤波平滑处理，获得心率波形信号和呼吸波形信号；
具体的，获取的初始心率信号和初始呼吸信号中一般具有较多噪声，因此需要通过滤波平滑处理策略去除。
参照图2，滤波平滑处理策略包括：
S201、将初始信号通过多阶低通滤波器进行低通滤波，获得初滤波信号；
S202、将初滤波信号通过多阶高通滤波器进行高通滤波，获得深滤波信号；
S203、深滤波信号进行信号平滑处理，获得波形信号。
将初始心率信号通过滤波平滑处理策略处理，则输出心率波形信号；将初始呼吸信号通过滤波平滑处理策略处理，则输出心率波形信号。在多阶的低通滤波和高通滤波后，能够把初始信号中带有的杂波大部分去除，而通过平滑处理进一步减少波形上的噪声或者失真。
具体的，多阶低通滤波器至少为四阶低通滤波器，多阶低通滤波器的截止滤波频率为30赫兹；多阶高通滤波器至少为四阶高通滤波器，多阶高通滤波器的截止滤波频率为4赫兹。因此获取频率设置在4至30赫兹，能够获取特征数据较好的心肺耦合特征。
S30、基于波形时域转化策略，对心率波形信号和呼吸波形信号进行波形时域转化，获得时域心率信号和时域呼吸信号；
具体的，参照图3，波形时域转化策略包括：
S301、从波形信号提取峰值,获得峰值信号；
波形信号中有波峰和波谷，相邻的波峰之间的时长就是波形信号的间期；例如若波形信号为心率波形信号时，则相邻的波峰之间的时长就是心跳间期；若波形信号为呼吸波形信号时，则相邻的波峰之间的时长就是呼吸间期。因此通过统计每出现一次波峰信号就等于完成了一次间期。
S302、以单位时间依次统计峰值信号，构建单位时间的条状图；
通过在单位时间依次统计峰值信号，就能获得在一个单位时间内，产生的心跳或呼吸次数。获得一个呼吸次数和时间相关的条状图。
单位时间的时长可以实际需求进行调节，单位时长优选可采用1至15秒。以保证单位时间内具有一定数据量。假设单位时长为5秒，则获取0至5秒中出现的波峰数量构成宽度是5秒，长度是波峰数量的条状数据，同理之后依次获取5至10秒、10至15秒、15至20秒以此类推的条状数据。
S303、在条状图中的每一单位时间中生成特征点，依次连接的特征点，获得时域信号。
条状图中的特征点中间时间点，以上述的单位时长为5秒为例，则选取中间时间的第2.5秒作为特征点的水平坐标，获取条状数据长度作为特征点的竖直坐标。而从条状图中选取好特征点后，通过依次连线的方式，就能得到连续不中断的时域信号，即能够获取心跳次数和时间相关的时域心率信号和获取呼吸次数和时间呼吸的时域呼吸信号。
S40、基于傅里叶变化策略，获取检测周期的时域心率信号和时域呼吸信号进行傅里叶变化，计算得频域心率信号和频域呼吸信号；
检测周期是判断睡眠状态分期的基本单位，检测周期时长一般选用30至180秒。通过检测周期内的时域数据进行傅里叶变化，就能获得对应的频域数据。即输入时域心率信号则能够输出频域心率信号，输入时域呼吸信号就能够获得频域呼吸信号。
S50、基于频域特征提取策略，从频域心率信号获取心率特征、从频域呼吸信号获取呼吸特征；
心率特征包括高频心率能量值、低频心率能量值和极低频心率能量值，呼吸特征包括高频呼吸能量值、低频呼吸能量值和极低频呼吸能量值。其中，极低频为4至5赫兹，低频为5至10赫兹，高频为10至30赫兹。
S60、基于心肺耦合算法，由心率特征和呼吸特征计算获取心肺耦合特征；
将获取的心率特征和呼吸特征耦合，计算获得高频耦合能量值、低频耦合能量值和极低频耦合能量值。即高频心率能量值和高频呼吸能量值耦合获得高频耦合能量值，低频心率能量值和低频呼吸能量值耦合获得低频耦合能量值，极低频心率能量值和极低频呼吸能量值耦合极低频耦合能量值。
S70、基于睡眠判断算法，由心肺耦合特征，输出判断的睡眠状态分期。
其中睡眠判断算法为机器学习算法。其中睡眠判断算法的机器学习输入值包括高频耦合能量值、低频耦合能量值和极低频耦合能量值，睡眠判断算法的判断阈值和高频耦合最大能量值、低频耦合最大能量值和极低频耦合最大能量值。睡眠判断算法输出的睡眠状态分期包括快速眼动期、浅睡眠期和深睡眠期。
高频耦合能量值、低频耦合能量值和极低频耦合能量值；高频耦合最大能量值、低频耦合最大能量值和极低频耦合最大能量值经过机器学习后和睡眠状态分期的相关性较大；上述的心肺耦合特征能够提升机器学习的效率。
而为了提升睡眠判断算法的精确性，睡眠判断算法相关的高频耦合最大能量值、低频耦合最大能量值和极低频耦合最大能量值基于心肺耦合算法获取心肺耦合特征中的高频耦合能量值、低频耦合能量值和极低频耦合能量值输出值判断是否更新。当高频耦合能量值、低频耦合能量值和极低频耦合能量值输出多次大于高频耦合最大能量值、低频耦合最大能量值和极低频耦合最大能量值，可对高频耦合最大能量值、低频耦合最大能量值和极低频耦合最大能量值。
在另一种实施例中：
检测周期基于输出的所述睡眠状态分期在预设的周期时长范围中调节。
具体的，当输出的所述睡眠状态分期为快速眼动期时，在预设的周期时长范围中缩短检测周期的时长；当输出的睡眠状态分期为深睡眠期时，在预设的周期时长范围中增长检测周期的时长。假设周期时长的周期时长范围为30至180秒，当周期时长小于180秒的情况下，在输出的睡眠状态分期为深睡眠期时，会增加周期时长，例如增加1至2秒；而在输出的睡眠状态分期为快速眼动期时，会缩短周期时长，例如缩短1至2秒。
综上，本方法中，心率信号和呼吸信号相比于脑电信号更容易获取，可以通过手环等穿戴设备转化获得，对睡眠环境要求少，且佩戴具有舒适性。而上述通过信号滤波、时域转化、频域转化的过程，就能将原本难以分析的波形信号转化为易于分析的频域信号；而从频域信号中通过特征提取、心肺耦合和睡眠判断，能够通过数值的判断实现对睡眠分期状态进行判断。因此该方式也更适应于计算机的自主学习，综上采用本申请的技术方案，能够在家庭环境中对个人的睡眠状态分期监测，同时也能够通过机器学习不断优化睡眠状态分期的效果。
本申请提供一种基于心肺耦合的睡眠状态分期装置，包括：
感应模块，其基于压电感应信号，获得初始心率信号和初始呼吸信号；
滤波模块，其基于滤波平滑处理策略，对初始心率信号和初始呼吸信号分别进行滤波平滑处理，获得心率波形信号和呼吸波形信号；
时域转化模块，其基于波形时域转化策略，对心率波形信号和呼吸波形信号进行波形时域转化，获得时域心率信号和时域呼吸信号；
频域转化模块，其基于傅里叶变化策略，获取检测周期的时域心率信号和时域呼吸信号进行傅里叶变化，计算得频域心率信号和频域呼吸信号；
特征提取模块，其基于频域特征提取策略，从频域心率信号获取心率特征、从频域呼吸信号获取呼吸特征；
心肺耦合模块，其基于心肺耦合算法，由心率特征和呼吸特征计算获取心肺耦合特征；
睡眠判断模块，其基于睡眠判断算法，由心肺耦合特征，输出判断的睡眠状态分期。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种基于心肺耦合的睡眠状态分期方法，其特征在于：包括：
基于压电感应信号，获得初始心率信号和初始呼吸信号；
基于滤波平滑处理策略，对初始心率信号和初始呼吸信号分别进行滤波平滑处理，获得心率波形信号和呼吸波形信号；
基于波形时域转化策略，对心率波形信号和呼吸波形信号进行波形时域转化，获得时域心率信号和时域呼吸信号；
基于傅里叶变化策略，获取检测周期的时域心率信号和时域呼吸信号进行傅里叶变化，计算得频域心率信号和频域呼吸信号；
基于频域特征提取策略，从频域心率信号获取心率特征、从频域呼吸信号获取呼吸特征；
基于心肺耦合算法，由心率特征和呼吸特征计算获取心肺耦合特征；
基于睡眠判断算法，由心肺耦合特征，输出判断的睡眠状态分期。
2.根据权利要求1所述的基于心肺耦合的睡眠状态分期方法，其特征在于：所述波形时域转化策略包括：
从波形信号提取峰值,获得峰值信号；
以单位时间依次统计峰值信号，构建单位时间的条状图；
在条状图中的每一单位时间中生成特征点，依次连接的特征点，获得时域信号。
3.根据权利要求1所述的基于心肺耦合的睡眠状态分期方法，其特征在于：所述心肺耦合特征包括高频耦合能量值、低频耦合能量值和极低频耦合能量值；所述睡眠判断算法与高频耦合最大能量值、低频耦合最大能量值和极低频耦合最大能量值相关。
4.根据权利要求3所述的基于心肺耦合的睡眠状态分期方法，其特征在于：所述睡眠判断算法相关的高频耦合最大能量值、低频耦合最大能量值和极低频耦合最大能量值基于心肺耦合算法获取心肺耦合特征中的高频耦合能量值、低频耦合能量值和极低频耦合能量值输出值判断是否更新。
5.根据权利要求1所述的基于心肺耦合的睡眠状态分期方法，其特征在于：所述滤波平滑处理策略至少包括：
将初始信号通过多阶低通滤波器进行低通滤波，获得初滤波信号；
将初滤波信号通过多阶高通滤波器进行高通滤波，获得深滤波信号；
深滤波信号进行信号平滑处理，获得波形信号。
6.根据权利要求5所述的基于心肺耦合的睡眠状态分期方法，其特征在于：所述多阶低通滤波器至少为四阶低通滤波器，所述多阶低通滤波器的截止滤波频率为30赫兹；所述多阶高通滤波器至少为四阶高通滤波器，所述多阶高通滤波器的截止滤波频率为4赫兹。
7.根据权利要求1所述的基于心肺耦合的睡眠状态分期方法，其特征在于：所述检测周期基于输出的所述睡眠状态分期在预设的周期时长范围中调节。
8.根据权利要求7所述的基于心肺耦合的睡眠状态分期方法，其特征在于：所述睡眠状态分期包括快速眼动期、浅睡眠期和深睡眠期；当输出的所述睡眠状态分期为快速眼动期时，在预设的周期时长范围中缩短检测周期的时长；当输出的所述睡眠状态分期为深睡眠期时，在预设的周期时长范围中增长检测周期的时长。
9.一种基于心肺耦合的睡眠状态分期装置，其特征在于，包括：
感应模块，其基于压电感应信号，获得初始心率信号和初始呼吸信号；
滤波模块，其基于滤波平滑处理策略，对初始心率信号和初始呼吸信号分别进行滤波平滑处理，获得心率波形信号和呼吸波形信号；
时域转化模块，其基于波形时域转化策略，对心率波形信号和呼吸波形信号进行波形时域转化，获得时域心率信号和时域呼吸信号；
频域转化模块，其基于傅里叶变化策略，获取检测周期的时域心率信号和时域呼吸信号进行傅里叶变化，计算得频域心率信号和频域呼吸信号；
特征提取模块，其基于频域特征提取策略，从频域心率信号获取心率特征、从频域呼吸信号获取呼吸特征；
心肺耦合模块，其基于心肺耦合算法，由心率特征和呼吸特征计算获取心肺耦合特征；
睡眠判断模块，其基于睡眠判断算法，由心肺耦合特征，输出判断的睡眠状态分期。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的基于心肺耦合的睡眠状态分期方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110090970.5A CN112890777A (zh) | 2021-01-22 | 2021-01-22 | 一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110090970.5A CN112890777A (zh) | 2021-01-22 | 2021-01-22 | 一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112890777A true CN112890777A (zh) | 2021-06-04 |
Family
ID=76117070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110090970.5A Pending CN112890777A (zh) | 2021-01-22 | 2021-01-22 | 一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112890777A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113974576A (zh) * | 2021-12-23 | 2022-01-28 | 北京航空航天大学杭州创新研究院 | 一种基于心磁图的睡眠质量监测系统及监测方法 |
| CN114376564A (zh) * | 2021-12-29 | 2022-04-22 | 华南理工大学 | 一种基于心冲击信号的睡眠分期方法、系统、装置及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001008915A (ja) * | 1999-06-28 | 2001-01-16 | Tohoku Techno Arch Co Ltd | 脳波データ収集装置 |
| CN105476620A (zh) * | 2014-10-01 | 2016-04-13 | 精工爱普生株式会社 | 活动状态信息检测装置及其控制方法 |
| CN106725325A (zh) * | 2016-12-27 | 2017-05-31 | 广州碧德电子科技有限公司 | 睡眠质量分析方法及分析装置 |
| WO2018098719A1 (zh) * | 2016-11-30 | 2018-06-07 | 华为技术有限公司 | 一种睡眠监测方法、装置及终端 |
| CN109222961A (zh) * | 2018-11-09 | 2019-01-18 | 中科数字健康科学研究院（南京）有限公司 | 一种便携式睡眠监测系统及相关睡眠监测方法 |
| CN208573730U (zh) * | 2017-12-12 | 2019-03-05 | 深圳和而泰智能控制股份有限公司 | 睡眠状态检测装置和睡眠状态评估系统 |
| CN110710955A (zh) * | 2019-09-20 | 2020-01-21 | 四川远邦益安科技有限公司 | 睡眠过程中健康指标的监测方法 |
| US20200146619A1 (en) * | 2017-07-10 | 2020-05-14 | Koninklijke Philips N.V. | Method and system for monitoring sleep quality |
| CN111407262A (zh) * | 2019-04-26 | 2020-07-14 | 北京海思瑞格科技有限公司 | 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置 |
-
2021
- 2021-01-22 CN CN202110090970.5A patent/CN112890777A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001008915A (ja) * | 1999-06-28 | 2001-01-16 | Tohoku Techno Arch Co Ltd | 脳波データ収集装置 |
| CN105476620A (zh) * | 2014-10-01 | 2016-04-13 | 精工爱普生株式会社 | 活动状态信息检测装置及其控制方法 |
| WO2018098719A1 (zh) * | 2016-11-30 | 2018-06-07 | 华为技术有限公司 | 一种睡眠监测方法、装置及终端 |
| CN108430309A (zh) * | 2016-11-30 | 2018-08-21 | 华为技术有限公司 | 一种睡眠监测方法、装置及终端 |
| CN106725325A (zh) * | 2016-12-27 | 2017-05-31 | 广州碧德电子科技有限公司 | 睡眠质量分析方法及分析装置 |
| US20200146619A1 (en) * | 2017-07-10 | 2020-05-14 | Koninklijke Philips N.V. | Method and system for monitoring sleep quality |
| CN208573730U (zh) * | 2017-12-12 | 2019-03-05 | 深圳和而泰智能控制股份有限公司 | 睡眠状态检测装置和睡眠状态评估系统 |
| CN109222961A (zh) * | 2018-11-09 | 2019-01-18 | 中科数字健康科学研究院（南京）有限公司 | 一种便携式睡眠监测系统及相关睡眠监测方法 |
| CN111407262A (zh) * | 2019-04-26 | 2020-07-14 | 北京海思瑞格科技有限公司 | 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置 |
| CN110710955A (zh) * | 2019-09-20 | 2020-01-21 | 四川远邦益安科技有限公司 | 睡眠过程中健康指标的监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 柴晓珂: "《心肺耦合分析研究》", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113974576A (zh) * | 2021-12-23 | 2022-01-28 | 北京航空航天大学杭州创新研究院 | 一种基于心磁图的睡眠质量监测系统及监测方法 |
| CN114376564A (zh) * | 2021-12-29 | 2022-04-22 | 华南理工大学 | 一种基于心冲击信号的睡眠分期方法、系统、装置及介质 |
| CN114376564B (zh) * | 2021-12-29 | 2024-04-02 | 华南理工大学 | 一种基于心冲击信号的睡眠分期方法、系统、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
| Karam et al. | Real-time classification of bladder events for effective diagnosis and treatment of urinary incontinence | |
| AU2016202374B2 (en) | System and method for characterizing circulatory blood flow | |
| Gilaberte et al. | Heart and respiratory rate detection on a bathroom scale based on the ballistocardiogram and the continuous wavelet transform | |
| CN113317794B (zh) | 一种生命体征分析方法与系统 | |
| CN109219391A (zh) | 用于确定对象血压的设备和方法 | |
| CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
| CN112890777A (zh) | 一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质 | |
| CN115422976B (zh) | 一种基于人工网络的心肺耦合关系分析方法及监测系统 | |
| Roy et al. | On-device reliability assessment and prediction of missing photoplethysmographic data using deep neural networks | |
| KR20190011026A (ko) | 혈압 측정 장치 및 방법 | |
| KR20220123376A (ko) | 심혈관 파라미터를 결정하기 위한 방법 및 시스템 | |
| He et al. | A new approach for daily life Blood-Pressure estimation using smart watch | |
| Calisto et al. | A new approach for investigating intracranial pressure signal: filtering and morphological features extraction from continuous recording | |
| CN117235585B (zh) | 一种可联机的血透信息管理系统 | |
| CN106333674B (zh) | 睡眠状态分析中睡眠周期检测方法和系统 | |
| KR20190103626A (ko) | 소동물용 휴대용 심전도 전극 및 심전도 측정 시스템 | |
| CN114929102A (zh) | 使用电阻抗测量评估血流动力学 | |
| JP2015047452A (ja) | 脳波信号を解析評価する方法、脳波信号解析評価装置及び脳波信号を解析評価するためのプログラム | |
| Lee et al. | Intelligent Stethoscope System and Diagnosis Platform With Synchronized Heart Sound and Electrocardiogram Signals | |
| CN113288103A (zh) | 一种无创心排量监测系统与方法 | |
| CN114403831B (zh) | 一种ppg波形脉冲提取方法及装置 | |
| Chaurasia et al. | Development of a Low Cost Heart Rate Monitoring and Transmission System using PPG Signal Processing for Wearable Devices | |
| TW201328666A (zh) | 依據歷史資料判斷睡眠階段之系統及其方法 | |
| Lee et al. | Peak detection of ECG signal using wavelet transform and radial basis functions |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |
|
| RJ01 | Rejection of invention patent application after publication |