CN113143570B - 多传感器融合反馈调整的止鼾枕 - Google Patents

Abstract

本发明提出一种多传感器融合反馈调整的止鼾枕，其特征在于，包括：止鼾枕本体、布设在止鼾枕本体上的分布式压力传感器、布设在止鼾枕本体内的多个带有气泵的气囊，以及控制器、心电脉搏波传感器、声音传感器和设置在每个气囊内的气压传感器；所述分布式压力传感器、心电脉搏波传感器、声音传感器、气压传感器和气泵的驱动结构分别连接控制器。其对使用者的睡眠干扰小，使用体验佳。所提取的特征值对鼾声的辨别准确，通过分布式压力传感器网络能识别人体体位信息，对于气压的检测保证了使用的安全性。能在使用者无感知中调整睡眠体位，保证睡眠质量。

Description

多传感器融合反馈调整的止鼾枕

技术领域

本发明属于智能化床上用品、医疗器械技术领域，尤其涉及一种多传感器融合反馈调整的止鼾枕。

背景技术

打鼾是指睡眠中因上呼吸道狭窄使悬雍垂(腭垂)发生振动而发出的鼾声，打鼾同时也是睡眠呼吸暂停综合征的主要症状。目前国内外对于打鼾症状的改善方式主要分为三种：介入式仪器、非介入式仪器和药物以及手术治疗。其中非介入式仪器对使用者的影响较小，对睡眠质量影响较小。对于睡眠呼吸暂停综合征经典的治疗方式有传统的睡眠呼吸障碍的诊断金标准Polysomnography(PSG)，其价格昂贵，在诊断的过程中需要专门的睡眠呼吸监测人员将很多导线连接到病人的体表，给病人带来很大不便以及身体上的不适感，此外人工判读也需要花费时间及高成本，使其应用受到一定的限制。

研究表明改变睡眠时的体位能有效缓解打鼾的症状，从睡眠的角度来说，侧身睡眠可以有效减轻因为软腭、悬雍垂及舌体受到重力的作用导致的后垂引起的咽腔狭窄，从而有效减轻睡眠打鼾及呼吸暂停，改善机体缺氧，从而逐渐缓解症状。

发明内容

针对现有技术的空白，本发明提出了一种多传感器融合反馈调整的止鼾枕的方案，是融合分布式多精度多量程压力传感器、心电脉搏波传感器和语音等多传感器融合反馈调整的止鼾枕。并采用改进的递归小脑模型神经网络对分布式多精度多量程压力信号进行体位识别以及基于语音信号和心电脉搏信号的鼾声识别，实现反馈控制系统以调整使用者睡眠体位。

其融合分布式多精度压力传感器、心电脉搏波传感器和声音等多传感器，主要包括枕头和枕垫、分布式压力传感器、心电脉搏波传感器和声音信号的采集模块、信号处理模块、驱动及控制模块等。在枕头的表面和枕垫中分布着不同精度和量程的压力传感器网络，可以自适应的采集不同的压力信号；信号处理模块用于鼾声的自动识别以及通过分布式压力信号判断实时体位和控制气囊的充放气；通过处理模块发出的控制信号调整气囊的充放气来调整枕头各气囊的气压以调整使用者体位缓解使用者打鼾的症状。

本发明同时还公开了与止鼾枕配套的基于心率变异率、血氧饱和度以及声音信号的鼾声识别方法以及基于分别式多精度多量程压力传感器的实时体位识别方法。通过光电容积脉搏波测量提取心率变异率和血氧饱和度的特征参数，通过对声音的预处理，提取声音的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)、共振峰频率、基音周期特征参数。基于以上特征参数运用改进的递归小脑神经网络智能算法进行学习，得到鼾声自动识别模型。

分布式多精度压力传感器网络可获取压力信号，对压力信号进行降维等预处理后通过改进的递归小脑神经网络智能算法进行学习，可获取被测试者睡眠体位变化信息。根据数据的动态变化，并融合心电脉搏信号和鼾声等作为实时非线性反馈控制系统的参数，调整枕头不同区域的气压以调整使用者的体位，缓解打鼾症状。

本发明具体采用以下技术方案：

一种多传感器融合反馈调整的止鼾枕，其特征在于，包括：止鼾枕本体、布设在止鼾枕本体上的分布式压力传感器、布设在止鼾枕本体内的多个带有气泵的气囊，以及控制器、心电脉搏波传感器、声音传感器和设置在每个气囊内的气压传感器；

所述分布式压力传感器、心电脉搏波传感器、声音传感器、气压传感器和气泵的驱动结构分别连接控制器。

进一步地，所述止鼾枕本体包括枕体及从枕体上延伸出的枕垫，所述分布式压力传感器包括不同精度和量程的压力传感器，分布于枕体和枕垫上。

进一步地，所述分布式压力传感器、心电脉搏波传感器、声音传感器、气压传感器和气泵的驱动结构分别通过线路直连或通过无线连接的方式连接控制器；所述控制器连接上位机。

进一步地，通过分布式压力传感器网络获取人体体位信息，根据数据的动态变化，提取使用者睡眠体位变化信息；并融合心电脉搏信号和鼾声作为实时非线性反馈控制系统的参数，调整枕头不同区域的气压，从而调整使用者的睡眠体位，以缓解打鼾症状。

进一步地，其控制方法包括以下步骤：

步骤S1：控制器采集声音信号、分布式压力传感器信号和心电脉搏波信号；

步骤S2：控制器由语音信号提取声音信号特征参数，采用改进的递归小脑神经网络模型进行鼾声识别；

步骤S3：在有鼾声的情况下，通过改进的递归小脑神经网络对分布式压力传感器信号进行体位识别，由控制器做出控制决策，发送相应的控制信号控制气阀的开关，由气泵向气囊进行充放气改变各气囊的气压；并在充放气的过程中由气压传感器实时检测气囊内的压力值并结合鼾声和心电脉搏信号作为反馈参数，对枕头内部气囊的气压实施非线性控制，以此调整使用者的睡眠体位；

步骤S4：当控制器通过压力信号判断出使用者的睡姿已经变为侧卧时，或已停止打鼾时，停止调整气囊气压，并回到步骤S2。

进一步地，由心电脉搏波信号提取心率变异率及血氧饱和度特征参数，当检测到心率变异率及血氧饱和度有异常时向使用者发出警告。

进一步地，所述改进的递归小脑神经网络模型具有以下模糊推理规则：

R^λ：如果x₁是r_1k，x₂是r_2k，......，x_m是r_mk，则y_j＝w_kj，k＝1,2,...,n；

其中x_i是第i个输入值，r_ik是第i个输入、第k层的模糊集，w_kj是后续部分的输出权重。m是输入维度，n是每个输入维度的层数，即模糊规则的个数；

所述改进的递归小脑神经网络模型包括：输入层、联想记忆层、接收域层、权值记忆层以及输出层；

所述输入层的输入数据为分布式压力信号，输出层的输出结果为体位的识别结果；

所述联想记忆层的隶属度函数采用高斯型小波函数，所述高斯型小波函数是采用高斯函数的一阶导数作为小波函数；所述高斯型小波函数计算公式如下所示：

其中x_ik是输入到联想记忆层的信号，b_ik和a_ik分别是小波函数的平移和扩张参数；

其中x_ik可以被表示为：

x_ik(t)＝x_i(t)+w_ikr_ik(t-1) (2)

其中，t是数据的时间序列，w_ik是这个递归单元的权重，其值代表的是上一时刻的输出结果对这一刻的影响，r_ik(t-1)代表的上一时刻的输出结果，r_ik为联想记忆层输出结果；

改进的递归小脑神经网络模型输出层激活函数采用softmax函数：

其中，z_j为第j个节点的输出值，即输入到第j个输出层的值，C为输出层的个数，即分类的类别个数；通过softmax函数把多分类的输出值转换为范围在[0，1]和为1的概率分布；

输入层到输出层之间的表达式为：

其中I_i为输入特征向量，m为特征向量维数；w_ik和w_kj分别是输入层与联想记忆层之间以及感受层与输出层之间的权值；n表征的是对输入向量特征的分辨率；o为输出层分类的个数。

进一步地，在步骤S2中，对声音信号的进行预处理，包括预加重、分帧处理和加窗处理，截取规定的长度后再进行端点检测；提取声音信号的特征，包括：声音的梅尔频率倒谱系数、共振峰频率、基音周期特征参数；再通过改进的递归小脑神经网络分析使用者是否打鼾。

进一步地，对于梅尔频率倒谱系数：对声音信号通过快速傅里叶变换转变为频域数据；计算每帧信号的谱线能量；计算通过Mel滤波器的能量；取对数后再进行离散余弦变换之后获得，并通过求取矩阵的特征值进行降维；

对于共振峰频率：通过声音信号的线性预测得到预测系数，经过快速傅里叶变换求得功率谱响应曲线，对于所求得功率谱响应曲线的每个峰值用抛物线内插法计算出共振峰频率值；

对于基音周期：对声音信号通过快速傅里叶变换得到倒频谱，取其模值和对数进而求得基音周期。

进一步地，对压力信号进行降维预处理，通过改进的递归小脑神经网络进行训练，得到的体位识别神经网络模型用于对使用者的体位进行识别；

对心电脉搏波信号由处理器提取心率变异率及血氧饱和度特征，结合声音信号的特征参数进行整合标记，通过改进的递归小脑神经网络进行训练得到鼾声识别神经网络模型；所述鼾声识别神经网络模型，将输入调整为语音信号及心电脉搏信号的特征参数，输出调整为鼾声识别的结果，鼾声分类共两类，即有鼾声和无鼾声；

在步骤S3中，通过体位识别神经网络模型对使用者的体位进行识别，通过鼾声识别神经网络模型进行是否打鼾的识别。

同理，步骤S2中，也可以替换为通过鼾声识别神经网络模型进行是否打鼾的识别。

相较于现有技术，本发明及其优选方案提供的非介入式的(治疗)枕头，对使用者的睡眠干扰小，使用体验佳。所提取的特征值对鼾声的辨别准确，通过分布式压力传感器网络能识别人体体位信息，对于气压的检测保证了使用的安全性。能在使用者无感知中调整睡眠体位，保证睡眠质量。

附图说明

下面结合附图和具体实施方式对本发明进一步详细的说明：

图1为本发明实施例系统止鼾枕本体结构的侧视图和俯视图；

图2为本发明实施例原理示意图；

图3为本发明实施例控制流程示意图；

图4为本发明实施例改进的递归小脑模型神经网络模型结构示意图。

具体实施方式

为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：

本实施例装置通过心电脉搏波信号提取心率变异率和血氧饱和度的特征参数，融合声音信号的特征参数进行鼾声的识别，通过分布式多精度压力传感器信号进行体位识别和呼吸检测。通过体位信息的动态变化，并结合鼾声和心电脉搏波信号等作为实时非线性控制反馈参数调整枕头中各气囊的气压，调整使用者的体位有效缓解打鼾症状。

图1为装置的侧视图和俯视图，为了对使用者进行自适应的压力采集，在枕头和枕头的表面采用分布式多精度和多量程的压力传感器(图中不同形状的小图案代表不同精度和量程的压力传感器，图中压力传感器共四种精度和量程)。由于分布式多精度和量程的压力传感器对不同压力敏感度的差异，因此可自适应分析使用者的体位和呼吸状态。对微小压力变化敏感的压力传感器(图中枕垫中菱形所代表的传感器)可以识别使用者的呼吸状态，并通过蓝牙将数据发送给使用者作为参考。

装置的框图如图2所示，主要包括：微处理器，蓝牙通讯模块，驱动及控制器，气囊，声音传感器，气阀，气泵，分布式多精度多量程压力传感器，气体压力传感器器，心电脉搏波传感器；微处理器还通过蓝牙模块连接PC或移动终端用于反馈数据。

图3为控制流程图，处理器采集声音信号、分布式多精度压力传感器信号和心电脉搏波信号。由心电脉搏波信号提取心率变异率及血氧饱和度特征参数，当检测到心率变异率及血氧饱和度有异常时向使用者发出声音警告。处理器由声音信号提取声音数据特征参数，采用改进的递归小脑神经网络模型进行鼾声识别。如果有鼾声的情况下，通过改进的递归小脑神经网络对分布式多精度压力传感器信号进行体位识别，由处理器做出控制决策，发送相应的控制信号控制气阀的开关，由气泵向气囊进行充放气改变各气囊的气压，调整使用者的体位，如使用者由仰卧变为侧卧。在充放气的过程中由气压采集器实时检测气囊内的压力值并结合鼾声和心电脉搏信号作为反馈参数，对枕头内部气囊的气压实施非线性控制，以此调整使用者的体位。当处理器通过压力信号判断出使用者的睡姿已经变为侧卧时，或者已停止打鼾时停止调整气囊气压。蓝牙通讯模块还可以将使用者的心率变异率、血氧饱和度及鼾声信息等发送至使用者的手机或计算机，以便使用者查看。

本实施例通过分布式多精度多量程压力传感器网络获取使用者体位信息，根据数据的动态变化，提取被测试者睡眠体位变化信息，并作为实时非线性反馈控制系统的参数。

在枕体和枕垫上分布排列着多精度和量程的压力传感器，由于分布式压力传感器数据较多，本实施例首先对压力信号进行降维等预处理，通过改进的递归小脑神经网络智能算法进行训练，得到的神经网络模型实时的对使用者的体位进行识别。

基于改进的递归小脑模型神经网络对分布式压力信号的体位识别模型的建立：

递归小脑神经网络是基于神经生理学出的一种快速、泛化能力强、局部逼近的神经网络。为了加快递归小脑模型神经网络的全局收敛速度和提高网络泛化性，以小波函数作为隶属度函数和增加模糊逻辑的方法来改进递归小脑模型神经网络。本实施例将改进的递归小脑模型神经网络用于分类预测。

该神经网络具有以下模糊推理规则：

R^λ：如果x₁是r_1k，x₂是r_2k，......，x_m是r_mk，则y_j＝w_kj，k＝1,2,...,n

其中x_i是第i个输入值，r_ik是第i个输入、第k层的模糊集，w_kj是后续部分的输出权重。m是输入维度，n是每个输入维度的层数，即模糊规则的个数。

本实施例采用的改进的递归小脑模型神经网络的模型结构如图4所示，包括输入层、联想记忆层、接收域层、权值记忆层以及输出层。其中输入层的输入数据为分布式压力信号，输出层的输出结果为体位的识别结果。

本实施例中联想记忆层的隶属度函数采用高斯型小波函数，具体地是采用高斯函数的一阶导数作为小波函数。高斯型小波函数计算公式如下所示：

其中x_ik是输入到联想记忆层的信号，b_ik和a_ik分别是小波函数的平移和扩张参数。

其中x_ik可以被表示为：

x_ik(t)＝x_i(t)+w_ikr_ik(t-1) (2)

其中，t是数据的时间序列，w_ik是这个递归单元的权重，其值代表的是上一时刻的输出结果对这一刻的影响，r_ik(t-1)代表的上一时刻的输出结果，r_ik为联想记忆层输出结果。

改进的递归小脑神经网络模型输出层激活函数采用softmax函数：

其中z_j为第j个节点的输出值，即输入到第j个输出层的值，C为输出层的个数，即分类的类别个数。通过softmax函数把多分类的输出值转换为范围在[0，1]和为1的概率分布。

输入层到输出层之间的表达式为：

其中I_i为输入特征向量，m为特征向量维数；w_ik和w_kj分别是输入层与联想记忆层之间以及感受层与输出层之间的权值。n表征的是对输入向量特征的分辨率。o为输出层分类的个数，即体位的分类个数。

对声音信号的进行预处理，包括预加重、分帧处理和加窗处理，截取规定的长度后再进行端点检测。提取声音信号的特征包括声音的梅尔频率倒谱系数(Mel FrequencyCepstrum Coefficient，MFCC)、共振峰频率、基音周期特征参数。再通过改进的递归小脑神经网络智能算法分析使用者是否打鼾。

声音信号特征参数提取：对于MFCC通过快速傅里叶变换转变为频域数据；计算每帧信号的谱线能量；计算通过Mel滤波器的能量；取对数后再进行离散余弦变换可以得到MFCC。最后通过求取矩阵的特征值进行降维。对于共振峰频率通过声音信号的线性预测得到预测系数，经过快速傅里叶变换求得功率谱响应曲线，对于所求得功率谱响应曲线的每个峰值用抛物线内插法计算出更精确的共振峰频率值。对于基音周期通过快速傅里叶变换得到倒频谱，取其模值和对数进而求得基音周期。

鼾声神经网络模型的训练：将通过心电脉搏波传感器采集到心电脉搏波信号并由处理器提取心率变异率及血氧饱和度特征结合上述的声音特征参数进行整合标记，通过改进的递归小脑神经网络进行训练得到鼾声识别的神经网络模型。该神经网络模型的建立与体位识别网络模型的建立一致，将输入调整为声音信号及心电脉搏信号的特征参数，输出调整为鼾声识别的结果，鼾声分类共两类即有鼾声和无鼾声。

鼾声识别过程：由安装在枕头内部的声音传感器以及佩戴式的心电脉搏波传感器采集信号。由处理模块提取使用者的心率变异率和血氧饱和度特征以及声音信号特征。将声音的特征参数、心率变异率及血氧饱和度特征参数作为训练好的神经网络模型的输入进行识别。

专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的多传感器融合反馈调整的止鼾枕，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (1)

1.一种多传感器融合反馈调整的止鼾枕，其特征在于，包括：止鼾枕本体、布设在止鼾枕本体上的分布式压力传感器、布设在止鼾枕本体内的多个带有气泵的气囊，以及控制器、心电脉搏波传感器、声音传感器和设置在每个气囊内的气压传感器；

所述分布式压力传感器、心电脉搏波传感器、声音传感器、气压传感器和气泵的驱动结构分别连接控制器；

所述止鼾枕本体包括枕体及从枕体上延伸出的枕垫，所述分布式压力传感器包括不同精度和量程的压力传感器，分布于枕体和枕垫上；

所述分布式压力传感器、心电脉搏波传感器、声音传感器、气压传感器和气泵的驱动结构分别通过线路直连或通过无线连接的方式连接控制器；所述控制器连接上位机；

通过分布式压力传感器网络获取人体体位信息，根据数据的动态变化，提取使用者睡眠体位变化信息；并融合心电脉搏信号和鼾声作为实时非线性反馈控制系统的参数，调整枕头不同区域的气压，从而调整使用者的睡眠体位，以缓解打鼾症状；

其控制方法包括以下步骤：

步骤S1：控制器采集声音信号、分布式压力传感器信号和心电脉搏波信号；

步骤S2：控制器由语音信号提取声音信号特征参数，采用改进的递归小脑神经网络模型进行鼾声识别；

步骤S3：在有鼾声的情况下，通过改进的递归小脑神经网络对分布式压力传感器信号进行体位识别，由控制器做出控制决策，发送相应的控制信号控制气阀的开关，由气泵向气囊进行充放气改变各气囊的气压；并在充放气的过程中由气压传感器实时检测气囊内的压力值并结合鼾声和心电脉搏信号作为反馈参数，对枕头内部气囊的气压实施非线性控制，以此调整使用者的睡眠体位；

步骤S4：当控制器通过压力信号判断出使用者的睡姿已经变为侧卧时，或已停止打鼾时，停止调整气囊气压，并回到步骤S2；

由心电脉搏波信号提取心率变异率及血氧饱和度特征参数，当检测到心率变异率及血氧饱和度有异常时向使用者发出警告；

所述改进的递归小脑神经网络模型具有以下模糊推理规则：

R^λ：如果x₁是r_1k，x₂是r_2k，......，x_m是r_mk，则y_j＝w_kj，k＝1,2,...,n；

其中x_i是第i个输入值，r_ik是第i个输入、第k层的模糊集，w_kj是后续部分的输出权重；m是输入维度，n是每个输入维度的层数，即模糊规则的个数；

所述改进的递归小脑神经网络模型包括：输入层、联想记忆层、接收域层、权值记忆层以及输出层；

所述输入层的输入数据为分布式压力信号，输出层的输出结果为体位的识别结果；

所述联想记忆层的隶属度函数采用高斯型小波函数，所述高斯型小波函数是采用高斯函数的一阶导数作为小波函数；所述高斯型小波函数计算公式如下所示：

其中x_ik是输入到联想记忆层的信号，b_ik和a_ik分别是小波函数的平移和扩张参数；

其中x_ik被表示为：

x_ik(t)＝x_i(t)+w_ikr_ik(t-1)(2)

其中，t是数据的时间序列，w_ik是这个递归单元的权重，其值代表的是上一时刻的输出结果对这一刻的影响，r_ik(t-1)代表的上一时刻的输出结果，r_ik为联想记忆层输出结果；

改进的递归小脑神经网络模型输出层激活函数采用softmax函数：

其中，z_j为第j个节点的输出值，即输入到第j个输出层的值，C为输出层的个数，即分类的类别个数；通过softmax函数把多分类的输出值转换为范围在[0，1]和为1的概率分布；

输入层到输出层之间的表达式为：

其中I_i为输入特征向量，m为特征向量维数；w_ik和w_kj分别是输入层与联想记忆层之间以及感受层与输出层之间的权值；n表征的是对输入向量特征的分辨率；o为输出层分类的个数；

在步骤S2中，对声音信号的进行预处理，包括预加重、分帧处理和加窗处理，截取规定的长度后再进行端点检测；提取声音信号的特征，包括：声音的梅尔频率倒谱系数、共振峰频率、基音周期特征参数；再通过改进的递归小脑神经网络分析使用者是否打鼾；

对于梅尔频率倒谱系数：对声音信号通过快速傅里叶变换转变为频域数据；计算每帧信号的谱线能量；计算通过Mel滤波器的能量；取对数后再进行离散余弦变换之后获得，并通过求取矩阵的特征值进行降维；

对于共振峰频率：通过声音信号的线性预测得到预测系数，经过快速傅里叶变换求得功率谱响应曲线，对于所求得功率谱响应曲线的每个峰值用抛物线内插法计算出共振峰频率值；

对于基音周期：对声音信号通过快速傅里叶变换得到倒频谱，取其模值和对数进而求得基音周期；

对压力信号进行降维预处理，通过改进的递归小脑神经网络进行训练，得到的体位识别神经网络模型用于对使用者的体位进行识别；

对心电脉搏波信号由处理器提取心率变异率及血氧饱和度特征，结合声音信号的特征参数进行整合标记，通过改进的递归小脑神经网络进行训练得到鼾声识别神经网络模型；所述鼾声识别神经网络模型，将输入调整为语音信号及心电脉搏信号的特征参数，输出调整为鼾声识别的结果，鼾声分类共两类，即有鼾声和无鼾声；

在步骤S3中，通过体位识别神经网络模型对使用者的体位进行识别，通过鼾声识别神经网络模型进行是否打鼾的识别。