CN113506626B - 基于可穿戴设备的睡眠特征数据评估处理方法及系统 - Google Patents

基于可穿戴设备的睡眠特征数据评估处理方法及系统 Download PDF

Info

Publication number
CN113506626B
CN113506626B CN202111034463.6A CN202111034463A CN113506626B CN 113506626 B CN113506626 B CN 113506626B CN 202111034463 A CN202111034463 A CN 202111034463A CN 113506626 B CN113506626 B CN 113506626B
Authority
CN
China
Prior art keywords
sleep
data
time sequence
segment
heart rate
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
CN202111034463.6A
Other languages
English (en)
Other versions
CN113506626A (zh
Inventor
王海涛
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.)
Nantong Jiadi Sporting Goods Co ltd
Original Assignee
Nantong Jiadi Sporting Goods 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 Nantong Jiadi Sporting Goods Co ltd filed Critical Nantong Jiadi Sporting Goods Co ltd
Priority to CN202111034463.6A priority Critical patent/CN113506626B/zh
Publication of CN113506626A publication Critical patent/CN113506626A/zh
Application granted granted Critical
Publication of CN113506626B publication Critical patent/CN113506626B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4815—Sleep quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Anesthesiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于可穿戴设备的睡眠特征数据评估处理方法及系统，该方法包括获取人睡眠状态下的心率缺失数据；每个心率数据缺失片段均对应一段腕动数据；根据腕动数据段分析出相对应的呼吸数据段时序序列段；获得时序序列段对应的平均呼吸比和呼吸周期变化紊乱度；根据上述两个特征值分析出心率缺失数据段的睡眠阶段分段信息和睡眠过渡段；利用确定出的确定睡眠阶段分段信息在历史睡眠心率参考数据中获取与该睡眠阶段信息对应的历史心率数据段，将历史心率数据段补入到缺失段心率数据段中，根据补全的心率数据段对睡眠质量进行评估；当历史参考数据不存在时，则根据睡眠过渡段信息直接对睡眠质量进行评估；该方法具有抗干扰性强和准确度高的优点。

Description

基于可穿戴设备的睡眠特征数据评估处理方法及系统
技术领域
本发明涉及电数字数据处理技术领域，具体涉及一种基于可穿戴设备的睡眠特征数据评估处理方法及系统。
背景技术
可穿戴检测设备在生理指标测量准确度上存在不足的问题，基于此问题，现有技术利用自带传感器测得多项睡眠生理指标对睡眠质量进行评估，或利用客观事实逻辑对传感器获得的多项数据进行相互验证，正确判断出睡眠状态或睡眠周期，然后基于普遍睡眠分期理论对睡眠质量进行评估。该方式虽然基于多种数据提高了睡眠状态或睡眠周期判断的准确度，但是该方式中可穿戴检测设备的数据必须通过依赖接触的方式获取，具体当人在睡眠过程中常常由于体动或者不规范佩戴而导致可穿戴检测设备不能很好的接触人体，出现人体各项生理指标异常，甚至某项生理指标直接无法检测到或缺失，从而使得睡眠状态或睡眠周期出现判断错误，导致睡眠特征数据产生大的误差。
发明内容
为了克服上述现有技术的缺点，本发明的目的是提供一种具有抗干扰性强和准确度高的基于可穿戴设备的睡眠特征数据评估处理方法及系统，基于缺失数据与时序关系构建数据补全机制，利用该机制进行缺失数据补全，提高睡眠质量评估的准确度。
为达到上述目的，本发明采用以下技术方案，
一种基于可穿戴设备的睡眠特征数据评估处理方法，具体包括以下步骤：
获取人睡眠状态下的心率缺失数据，所述心率缺失数据包括若干个心率数据缺失片段；
每个所述心率数据缺失片段均对应一段采集到的腕动数据；根据该段腕动数据获得该段腕动数据相对应的呼吸数据段；
将每段呼吸数据段进行时序上的窗口滑动采样，获取每次采样时窗口内连续的呼吸数据段组成的时序序列段，计算出每次采样时窗口内时序序列段对应的平均呼吸比和呼吸周期变化紊乱度；
将时序序列段对应的平均呼吸比和呼吸周期变化紊乱度作为坐标点，将该坐标点对应的时序序列段标记在二维坐标系中；
对二维坐标系中的坐标点进行模糊聚类，获取模糊聚类中心，利用医学睡眠先验规则分析模糊聚类中心处于的睡眠阶段类别，将模糊聚类中心以外的坐标点利用隶属度分析出睡眠过渡段的坐标点；
将属于睡眠过渡段的坐标点对应的时序序列段在时间上进行时序排列，根据时序排列结果计算出窗口采样效果，根据窗口采样效果判断出最优窗口长度；
根据最优窗口长度获取属于睡眠过渡段的坐标点对应的时序序列段在时序上的排列，根据排列结果确定睡眠阶段分段信息；
利用确定出的睡眠阶段分段信息在历史睡眠心率参考数据获取与该睡眠阶段分段信息对应的历史心率数据段，将历史心率数据段补入到缺失段心率数据段中，根据补全的心率数据段对睡眠质量进行评估；
当历史睡眠心率参考数据不存在时，则根据获得的睡眠过渡段信息以及各过渡段中心位置进行睡眠阶段的分割，计算出各睡眠阶段的时长，根据各睡眠阶段的时长直接进行睡眠质量评估。
进一步地，所述窗口滑动采样的具体步骤如下：
将L个相邻呼吸数据段对应的时序序列段的长度作为为窗口长度L，L为无单位的自然数，且取值范围为大于一个呼吸数据段对应的时序序列段，小于整个时序序列段的一半；
将窗口在时序上移动的长度为s个相邻呼吸数据段对应的时序序列段的长度作为窗口移动步长s，s为无单位的自然数；获取连续窗口的采样后数据。
进一步地，所述时序序列段对应的平均呼吸比具体获取步骤如下：
所述心率缺失数据相对应的呼吸数据段时序序列的表达式为：
Figure 100002_DEST_PATH_IMAGE002
式中：
Figure 100002_DEST_PATH_IMAGE004
为从第一个缺失时刻开始，到最后一个缺失时刻结束这中间整个心率缺失数据相对应呼吸数据段的时序序列；
Figure 100002_DEST_PATH_IMAGE006
为缺失时间段，即每一次呼吸的时间间隔；其中
Figure 100002_DEST_PATH_IMAGE008
表示从起始缺失时间段开始的各个缺失小时间段的次序；
根据
Figure 569911DEST_PATH_IMAGE006
得到呼吸比的表达式，该表达式为：
Figure 100002_DEST_PATH_IMAGE010
式中：
Figure 100002_DEST_PATH_IMAGE012
为呼吸比，
Figure 100002_DEST_PATH_IMAGE014
为吸气时长，即手环正向加速度的持续时长，
Figure 100002_DEST_PATH_IMAGE016
；
通过
Figure 424603DEST_PATH_IMAGE012
获得窗口内时序序列段对应的平均呼吸比，其表达式为：
Figure 100002_DEST_PATH_IMAGE018
=
Figure 100002_DEST_PATH_IMAGE020
式中：
Figure 100002_DEST_PATH_IMAGE022
为
Figure 890219DEST_PATH_IMAGE008
中的某一个次序数，
Figure 100002_DEST_PATH_IMAGE024
为常数。
进一步地，所述窗口内时序序列对应的呼吸周期变化紊乱度的表达式为：
Figure 100002_DEST_PATH_IMAGE026
式中：
Figure 100002_DEST_PATH_IMAGE028
为呼吸周期变化紊乱度，
Figure 181786DEST_PATH_IMAGE024
为常数，
Figure 936115DEST_PATH_IMAGE022
为
Figure 532182DEST_PATH_IMAGE008
中的某一个次序数。
进一步地，所述二维坐标系的建立具体步骤如下：
通过时序序列段对应的平均呼吸比与呼吸周期变化紊乱度之间的无关性，将呼吸周期变化紊乱度作为横轴，平均呼吸比作为纵轴建立二维直角坐标系；
将每个不同长度采样窗口获得的时序序列段对应的坐标点在二维坐标系中标记并进行时间戳标记。
进一步地，获取所述最优窗口长度的方法是：
睡眠阶段类别的判别：对二维坐标系中的坐标点进行模糊聚类，获取模糊聚类中心，利用医学睡眠先验规则判别出聚类中心个数及其每个聚类中心属于的睡眠阶段类别；
睡眠阶段分段信息的划分：将聚类好的二维坐标点进行时间戳标记，对每个二维坐标点提取出最大的两个睡眠阶段类别隶属度，将两个睡眠阶段类别隶属度之差小于设定阈值的二维坐标点标记为此两个睡眠阶段类别的疑似边界数据即睡眠过渡段；
窗口采样效果的获取：提取上述两个睡眠阶段类别所有疑似边界数据的时间戳，并在时序上进行排序；
对于不同睡眠阶段类别间的疑似边界数据进行时间戳时序排序；
将排序好的时间戳进行时序分布聚类，获得窗口采样效果，根据窗口采样效果评价出最优窗口长度，该窗口采样效果的表达式为：
Figure 100002_DEST_PATH_IMAGE030
式中：
Figure 100002_DEST_PATH_IMAGE032
为窗口采样效果，
Figure 100002_DEST_PATH_IMAGE034
为每个类的时序聚类中心，
Figure DEST_PATH_IMAGE036
为过渡阶段的时序长度，该长度为将每一时序聚类中心作为过渡阶段中心时刻，
Figure DEST_PATH_IMAGE038
为时序长度与各相邻类时序中心间距，
Figure DEST_PATH_IMAGE040
表示各时序间距的平均长度，
Figure DEST_PATH_IMAGE042
代表不同的时序中心。
一种基于可穿戴设备的睡眠特征数据评估处理系统，
包括心率数据采集模块、睡眠阶段分段信息和睡眠过渡段分析模块以及睡眠质量评估模块；
所述心率数据采集模块用于获取人睡眠状态下的心率缺失数据，所述心率缺失数据包括若干个心率数据缺失片段；
所述睡眠阶段分段信息和睡眠过渡段分析模块用于每个所述心率数据缺失片段均对应一段采集到的腕动数据；根据该段腕动数据获得该段腕动数据相对应的呼吸数据段；
将每段呼吸数据段进行时序上的窗口滑动采样，获取每次采样时窗口内连续的呼吸数据段组成的时序序列段，计算出每次采样时窗口内的时序序列段对应的平均呼吸比和呼吸周期变化紊乱度；
将时序序列段对应的平均呼吸比和呼吸周期变化紊乱度作为坐标点，将该坐标点对应的时序序列段标记在二维坐标系；
对二维坐标系中的坐标点进行模糊聚类，获取模糊聚中心，利用医学睡眠先验规则分析模糊聚中心处于的睡眠阶段，将模糊聚中心意外的坐标点利用隶属度分析出货睡眠过渡段的坐标点；睡眠过渡段为两个相邻睡眠阶段的过渡时间段；
将属于睡眠过渡段的坐标点对应的时序序列段在时间上进行时序排列，根据时序排列结果计算出窗口采样效果，根据窗口采样效果判断出最优窗口长度；
根据最优窗口长度获取属于睡眠过渡段的坐标点对应的时序序列段在时序上的排列，根据排列结果确定睡眠阶段分段信息；
所述睡眠质量评估模块用于利用确定出的确定睡眠阶段分段信息在历史睡眠心率参考数据获取与该睡眠阶段分段信息对应的历史心率数据段，将历史心率数据段补入到缺失段心率数据段中，根据补全的心率数据段对睡眠质量评估数据；当历史睡眠心率参考数据不存在时，则根据获得的睡眠过渡段信息以及各过渡段中心位置进行睡眠阶段的分割，计算出各睡眠阶段的时长，根据各睡眠阶段的时长直接获取睡眠质量评估数据。
本发明的有益效果是：
1.该方法对于因腕动而产生的抗干扰性强，整个睡眠质量评估系统鲁棒性较强；
2.该方法将腕动特征数据加入算法，基于多元化的时序数据进行睡眠质量的周期评估，使评估结果更加精确。
附图说明
图1是本发明方法的流程框图；
图2是本发明方法中缺失的心率时序数据与因呼吸引起的腕动数据时序对比示意图；
图3是本发明方法中窗口采样的示意图；
图4是本发明方法中睡眠阶段分段信息示意图；
图5是本发明系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
实施例1
本实施例的应用场景为：手环未紧贴手腕佩戴，通过手环采集数据进行睡眠质量评估，此时，当佩戴较松使手环上的光电元件与手腕皮肤贴合性不好时，由于因体颤与呼吸而产生的轻微腕动对手环光电检测元件的检测效果出现误差，造成最终生成的心率数据时序图像存在时断时续的缺失。
如图1所示，基于上述问题，本实施例提供一种基于可穿戴设备的睡眠特征数据评估处理方法，具体包括以下步骤：
首先获取腕动数据：手环通过加速度传感器采集到因体颤引起的腕动数据和因呼吸引起的腕动数据。基于先验知识可知手环心率检测数据产生时断时续缺失的原因由体颤和呼吸引起的，此处仅考虑因呼吸引起的腕动数据，因此将由体颤引起的腕动数据进行筛除。具体筛除方法如下：
将因体颤引起的腕动数据和因呼吸引起的腕动数据进行去噪处理，由于体颤数据为短时的尖峰，进行去尖峰处理，记录每个体颤的时刻。将体颤对应的心率缺失数据用呼吸引起的腕动数据进行补全。此处的补全指的是无需补全数据具体值，只是补全是否缺失即如果左右有数据但因体颤缺失则填补为有数据。排除缺失段中由体颤腕动引起的缺失只保留因呼吸腕动引起的心率缺失数据。
其次，获取心率缺失数据：手环通过反射光电元件测得人睡眠状态下的心率缺失数据，心率缺失数据包括若干个心率数据缺失片段。
每个心率数据缺失片段均对应一段采集到的腕动数据；根据该段腕动数据获得该段腕动数据相对应的呼吸数据段。
参照图2，获取窗口滑动采样：将每段呼吸数据段进行时序上的窗口滑动采样，窗口滑动采样的具体步骤如下：
将L个相邻呼吸数据段对应的时序序列段的长度定义为窗口长度L，L为无单位的自然数，且取值范围为大于一个呼吸数据段对应的时序序列段，小于整个时序序列段的一半，本实施例选择L=4。
将窗口在时序上移动的长度为s个相邻呼吸数据段对应的时序序列段的长度定义为窗口移动步长s，s为无单位的自然数；获取连续窗口的采样后数据。
根据连续窗口采样，获取每一个窗口内连续的
Figure DEST_PATH_IMAGE044
组成的时序序列，计算出每一个窗口内的时序序列段相对应的平均呼吸比和呼吸周期变化紊乱度。
参照图3，获取滑动窗口内时序序列段对应的平均呼吸比；具体步骤如下：
将测得含有缺失心率时序数据与呼吸引起的腕动数据进行时序对比，获得心率缺失数据相对应的呼吸数据段的时序序列。
将图3中从第一个缺失时刻开始，最后一个缺失时刻结束，此中间整个心率缺失数据相对应的呼吸数据段记为
Figure DEST_PATH_IMAGE046
；该
Figure 914621DEST_PATH_IMAGE046
由若干个小缺失时间段组成，以每一次呼吸的时间间隔定义为小时间段
Figure DEST_PATH_IMAGE048
，则
Figure 813307DEST_PATH_IMAGE046
的表达式为：
Figure DEST_PATH_IMAGE050
；
式中：
Figure 412522DEST_PATH_IMAGE008
表示从起始缺失时间段开始的各个缺失小时间段的次序。
基于先验知识，不同睡眠期人体呼吸的呼吸比不同，具体不同为REM期大于深睡期大于浅睡期。而呼吸周期变化紊乱度为，在浅睡期逐渐降低到深睡眠期，然后降到最低并逐渐平稳，而REM期存在呼吸紊乱是的呼吸周期变化紊乱度出现较大波动。因此本实施例将呼吸比和呼吸周期变化紊乱度作为判别心率数据缺失段睡眠周期从属的指标。
呼吸比的定义及获取方法如下：
参照图3，将腕动数据在正上方上的加速度持续时长定义为吸气时长，理由是当手腕被吸气带动产生非自主运动时，运动方向为腹腔或胸腔膨胀方向，此时情况为若产生心率缺失则佩戴手一定在身体上方，因呼吸产生的脉动使其随着呼吸与手环光电模块接触时断时续，因此手环正向即向上靠近光电模块的方向为吸气带动手腕皮肤向上靠拢的加速度方向。
因此吸气时长即为手环正向加速度的持续时长
Figure DEST_PATH_IMAGE052
，则呼气时长为
Figure 156487DEST_PATH_IMAGE016
。由此，定义出呼吸比，其表达式为：
Figure DEST_PATH_IMAGE054
。
由呼吸比定义出采样窗口内时序序列段对应的平均呼吸比，其表达式为：
Figure 534379DEST_PATH_IMAGE018
=
Figure 728600DEST_PATH_IMAGE020
；
式中，
Figure 191943DEST_PATH_IMAGE022
为
Figure 5178DEST_PATH_IMAGE008
中的某一个次序数，
Figure 237576DEST_PATH_IMAGE024
为常数，该时序序列段中含有
Figure 9223DEST_PATH_IMAGE024
个呼吸周期
Figure 818916DEST_PATH_IMAGE044
。
获取该采样窗口内时序序列段对应的呼吸周期变化紊乱度，其表达式为：
Figure DEST_PATH_IMAGE056
；
式中：
Figure 170263DEST_PATH_IMAGE028
为呼吸周期变化紊乱度，
Figure 257168DEST_PATH_IMAGE024
为常数，
Figure 199716DEST_PATH_IMAGE022
为
Figure 496705DEST_PATH_IMAGE008
中的某一个次序数。
对于与缺失心率数据段相邻的未缺失数据段，因为其前后均有腕动影响，未缺失数据的数据准确性不能保证，甚至失真，所以未缺失数据段的作用仅表示数据存在与否即表征手腕与手环光电传感器的接触。
因此，表征任意一段长度的缺失数据均可采用上述
Figure 651743DEST_PATH_IMAGE018
和
Figure 858733DEST_PATH_IMAGE028
的计算公式获得。
将获得的每一个窗口内时序序列段对应的平均呼吸比和呼吸周期变化紊乱度在建立好的二维坐标系中标记。二维坐标系的建立具体步骤如下：
通过
Figure 972183DEST_PATH_IMAGE018
和
Figure 631834DEST_PATH_IMAGE028
之间的无关性，将
Figure 216661DEST_PATH_IMAGE028
作为横轴，
Figure 12579DEST_PATH_IMAGE018
作为纵轴建立二维直角坐标系。
由于量纲不同，
Figure 31351DEST_PATH_IMAGE018
为0到1的数，而
Figure 443878DEST_PATH_IMAGE028
为表示呼吸周期序列紊乱度的一个指标，并不在0到1之间。因此，将
Figure 206297DEST_PATH_IMAGE028
进行归一化，对手环历史数据以及其他呼吸数据的周期紊乱度进行统计，确定
Figure 246934DEST_PATH_IMAGE028
的分布区间，对
Figure 171028DEST_PATH_IMAGE028
进行归一化，获得归一化系数
Figure DEST_PATH_IMAGE058
。此步骤为现有技术不再赘述。
将每个不同长度的采样窗口获得的
Figure 805272DEST_PATH_IMAGE018
和
Figure 105803DEST_PATH_IMAGE028
作为坐标点，将该坐标点对应的时序序列段标记在二维坐标系中，并进行时间戳标记，其中时间戳为采样窗口起始与终点对应的总时序段上的时间序列标号，表现形式为
Figure DEST_PATH_IMAGE060
。
基于REM睡眠阶段、浅睡眠阶段以及深度睡眠阶段在上述坐标系中分布原则的先验知识，分两步进行睡眠阶段类别的判别，获取最优窗口长度。应遵循的分布原则具体如下：
REM睡眠阶段在两个坐标轴方向上均处于最高水平。
深度睡眠阶段与浅睡眠阶段在
Figure 947DEST_PATH_IMAGE028
值上相对分布情况应为深度睡眠低水平，浅睡眠高水平。
深度睡眠阶段与浅睡眠阶段在
Figure 95942DEST_PATH_IMAGE018
值上相对分布情况应为深度睡眠高水平，浅睡眠低水平。
REM睡眠阶段在
Figure 483061DEST_PATH_IMAGE028
值上与深度睡眠的区别较大，在
Figure 587283DEST_PATH_IMAGE018
值上与浅睡眠的区别较大。
睡眠阶段类别判别的具体步骤如下：
对坐标系中的数据进行模糊聚类。类别数定为3获得聚类的中心
Figure DEST_PATH_IMAGE062
。分别对应浅睡，深睡，REM。对该三个聚类中心进行分类程度的评价。
对获得的聚类中心
Figure 71354DEST_PATH_IMAGE062
进行两个坐标轴方向的顺序的判别：
Figure 602829DEST_PATH_IMAGE018
值上的大小顺序
Figure DEST_PATH_IMAGE064
。
Figure 946086DEST_PATH_IMAGE028
值上的大小顺序
Figure DEST_PATH_IMAGE066
。
基于以上规则结合睡眠阶段的循环特性来判别聚类中心属于哪一个类别睡眠阶段。
由此获得缺失数据时序在两个维度上的第一次聚类结果，基于先验知识将第一聚类结果进行如下操作：
将聚类好的二维坐标点进行时序标签统计，同一数据而言，对于三个聚类中心的隶属度仅会对其中之二有较大水平，这是由于睡眠阶段决定的，在睡眠时序上的点在
Figure 211589DEST_PATH_IMAGE018
值与
Figure 956691DEST_PATH_IMAGE028
值的水平上不会出现对三种睡眠阶段的隶属度平均分布。
对每个坐标点提取该坐标点最大的两个隶属度，由于隶属度为归一化的数据，当其两类之差小于10%时，此处的百分数可自行定义，标记为疑似边界数据即为睡眠过渡段。
例如：某坐标点对深睡与浅睡期隶属度相差小于10%则认为其为疑似深睡与浅睡的睡眠阶段边界数据即为深睡与浅睡的睡眠过渡段。当其两类之差大于10%时，选择该坐标点隶属度最大的类作为该坐标点类别标签，比如深睡睡眠阶段类别的隶属度大，则直接确定该数据为深睡睡眠阶段类别。
提取上述两个类别所有疑似边界数据的时间戳，将提取到的时间戳在时序上进行排序；对于不同类别间的疑似边界数据均通过上述步骤进行时间戳时序排序。即对于深睡与浅睡的边界数据都提取出来在时序上进行排序，以此类推。
参照图4，获取窗口采样效果：将排序好的同类疑似边界数据进行时序分布聚类，得到每个类的时序聚类中心
Figure 924647DEST_PATH_IMAGE034
，将每一时序聚类中心作为过渡阶段中心时刻，对所有的聚类中心持续时长即其在时序上最早的类内点与最晚的类内点之间的时间长度作为此过渡阶段的时序长度
Figure 755200DEST_PATH_IMAGE036
。以时序长度与各相邻类时序中心间距
Figure 325858DEST_PATH_IMAGE038
，来评价窗口采样效果，其中，i1,i2代表不同的时序中心。
该窗口采样效果的表达式为：
Figure DEST_PATH_IMAGE068
；
式中：
Figure 659888DEST_PATH_IMAGE032
为窗口采样效果，
Figure 798745DEST_PATH_IMAGE040
表示各时序间距的平均长度。
对所有的窗口长度L进行从小到大的遍历，进行上述操作，以最终的
Figure 116594DEST_PATH_IMAGE032
来评价最优窗口长度，
Figure 225364DEST_PATH_IMAGE032
越大越L越优。
确定出睡眠阶段分段信息：根据最优窗口长度获取属于睡眠过渡段的坐标点对应的时序序列段在时序上的排列，根据排列结果确定睡眠阶段分段信息。
利用确定出的确定睡眠阶段分段信息在历史睡眠心率参考数据获取与该睡眠阶段分段信息对应的历史心率数据段，将历史心率数据段补入到缺失段心率数据段中，根据补全的心率数据段对睡眠质量评估数据。
当历史睡眠心率参考数据不存在时，则根据获得的睡眠过渡段信息以及各过渡段中心位置进行睡眠阶段的分割，计算出各睡眠阶段的时长，根据各睡眠阶段的时长直接获取睡眠质量评估数据。
综上所述，通过本实施例具有对于因腕动而产生的抗干扰性强，使整个睡眠质量评估系统鲁棒性较强；同时将腕动特征数据加入算法，基于多元化的时序数据进行睡眠质量的周期评估，使评估结果更加精确。
实施例2
如图5所示，一种基于可穿戴设备的睡眠特征数据评估处理系统，包括心率数据采集模块、睡眠阶段分段信息和睡眠过渡段分析模块以及睡眠质量评估模块；
心率数据采集模块用于获取人睡眠状态下的心率缺失数据，所述心率缺失数据包括若干个心率数据缺失片段。
睡眠阶段分段信息和睡眠过渡段分析模块呼吸数据段分析单元、窗口滑动采样单元、坐标点标记单元、睡眠过渡段数据提取单元、最优窗口长度判断单元以及睡眠阶段分段信息确定单元。
呼吸数据段分析单元用于每个心率数据缺失片段均对应一段采集到的腕动数据；根据该段腕动数据分析出该段腕动数据相对应的呼吸数据段。
窗口滑动采样单元用于将每段呼吸数据段进行时序上的窗口滑动采样，获取每次采样时窗口内连续的呼吸数据段组成的时序序列段，计算出每次采样时窗口内的时序序列段对应的平均呼吸比和呼吸周期变化紊乱度。
坐标点标记单元用于将获得每次采样时窗口内的时序序列段对应的平均呼吸比和呼吸周期变化紊乱度作为坐标点，将该坐标点对应的时序序列段在建立好的二维坐标系中进行标记。
睡眠过渡段数据提取单元用于对二维坐标系中的坐标点进行模糊聚类，获取模糊聚类中心，利用医学睡眠先验规则分析模糊聚类中心处于的睡眠阶段类别，将模糊聚类中心以外的坐标点利用隶属度分析出睡眠过渡段的坐标点。
最优窗口长度判断单元将属于睡眠过渡段的坐标点对应的时序序列段在时间上进行时序排列，根据时序排列结果计算出窗口采样效果，根据窗口采样效果判断出最优窗口长度。
睡眠阶段分段信息确定单元用于根据最优窗口长度获取属于睡眠过渡段的坐标点对应的时序序列段在时序上的排列，根据排列结果确定睡眠阶段分段信息。
睡眠质量评估模块包括历史数据库判断单元、数据补全单元以及睡眠质量评估单元。
历史数据库判断单元用于判断历史睡眠心率参考数据是否存在。
当历史睡眠心率参考数据存在时，通过数据补全单元利用确定出的睡眠阶段分段信息在历史睡眠心率参考数据获取与该睡眠阶段分段信息对应的历史心率数据段，将历史心率数据段补入到缺失段心率数据段中，根据补全的心率数据段对睡眠质量进行评估。
当历史睡眠心率参考数据不存在时，则通过睡眠评估单元则根据获得的睡眠过渡段信息以及各过渡段中心位置进行睡眠阶段的分割，计算出各睡眠阶段的时长，根据各睡眠阶段的时长直接进行睡眠质量评估。
以上实施例仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (7)

1.一种基于可穿戴设备的睡眠特征数据评估处理方法，其特征在于，具体包括以下步骤：
获取人睡眠状态下的心率缺失数据，所述心率缺失数据包括若干个心率数据缺失片段；
每个所述心率数据缺失片段均对应一段采集到的腕动数据；根据该段腕动数据获得该段腕动数据相对应的呼吸数据段；
将每段呼吸数据段进行时序上的窗口滑动采样，获取每次采样时窗口内连续的呼吸数据段组成的时序序列段，计算出每次采样时窗口内时序序列段对应的平均呼吸比和呼吸周期变化紊乱度；
将时序序列段对应的平均呼吸比和呼吸周期变化紊乱度作为坐标点，将该坐标点对应的时序序列段标记在二维坐标系中；
对二维坐标系中的坐标点进行模糊聚类，获取模糊聚类中心，利用医学睡眠先验规则分析模糊聚类中心处于的睡眠阶段类别，将模糊聚类中心以外的坐标点利用隶属度分析出睡眠过渡段的坐标点；
将属于睡眠过渡段的坐标点对应的时序序列段在时间上进行时序排列，根据时序排列结果计算出窗口采样效果，根据窗口采样效果判断出最优窗口长度；
根据最优窗口长度获取属于睡眠过渡段的坐标点对应的时序序列段在时序上的排列，根据排列结果确定睡眠阶段分段信息；
利用确定出的睡眠阶段分段信息在历史睡眠心率参考数据获取与该睡眠阶段分段信息对应的历史心率数据段，将历史心率数据段补入到缺失段心率数据段中，根据补全的心率数据段对睡眠质量进行评估；
当历史睡眠心率参考数据不存在时，则根据获得的睡眠过渡段信息以及各过渡段中心位置进行睡眠阶段的分割，计算出各睡眠阶段的时长，根据各睡眠阶段的时长直接进行睡眠质量评估。
2.根据权利要求1所述的基于可穿戴设备的睡眠特征数据评估处理方法，其特征在于，所述窗口滑动采样的具体步骤如下：
将L个相邻呼吸数据段对应的时序序列段的长度作为窗口长度L，L为无单位的自然数，且取值范围为大于一个呼吸数据段对应的时序序列段，小于整个时序序列段的一半；
将窗口在时序上移动的长度为s个相邻呼吸数据段对应的时序序列段的长度作为窗口移动步长s，s为无单位的自然数；获取连续窗口的采样后数据。
3.根据权利要求1所述的基于可穿戴设备的睡眠特征数据评估处理方法，其特征在于，所述时序序列段对应的平均呼吸比具体获取步骤如下：
所述心率缺失数据相对应的呼吸数据段时序序列的表达式为：
Figure DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE004
为从第一个缺失时刻开始，到最后一个缺失时刻结束这中间整个心率缺失数据相对应呼吸数据段的时序序列；
Figure DEST_PATH_IMAGE006
为缺失时间段，即每一次呼吸的时间间隔；其中i表示从起始缺失时间段开始的各个缺失小时间段的次序；
根据
Figure 121548DEST_PATH_IMAGE006
得到呼吸比的表达式，该表达式为：
Figure DEST_PATH_IMAGE008
式中：
Figure DEST_PATH_IMAGE010
为呼吸比，
Figure DEST_PATH_IMAGE012
为吸气时长，即手环正向加速度的持续时长，
Figure DEST_PATH_IMAGE014
；
通过
Figure 884361DEST_PATH_IMAGE010
获得窗口内时序序列段对应的平均呼吸比，其表达式为：
Figure DEST_PATH_IMAGE016
式中：p为i中的某一个次序数，l为常数。
4.根据权利要求3所述的基于可穿戴设备的睡眠特征数据评估处理方法，其特征在于，所述窗口内时序序列对应的呼吸周期变化紊乱度的表达式为：
Figure DEST_PATH_IMAGE018
式中：
Figure DEST_PATH_IMAGE020
为呼吸周期变化紊乱度，l为常数，p为i中的某一个次序数。
5.根据权利要求1所述的基于可穿戴设备的睡眠特征数据评估处理方法，其特征在于，所述二维坐标系的建立具体步骤如下：
通过时序序列段对应的平均呼吸比与呼吸周期变化紊乱度之间的无关性，将呼吸周期变化紊乱度作为横轴，平均呼吸比作为纵轴建立二维直角坐标系；
将每个不同长度采样窗口获得的时序序列段对应的坐标点在二维坐标系中标记并进行时间戳标记。
6.根据权利要求1所述的基于可穿戴设备的睡眠特征数据评估处理方法，其特征在于，获取所述最优窗口长度的方法是：
睡眠阶段类别的判别：对二维坐标系中的坐标点进行模糊聚类，获取模糊聚类中心，利用医学睡眠先验规则判别出聚类中心个数及其每个聚类中心属于的睡眠阶段类别；
睡眠阶段分段信息的划分：将聚类好的二维坐标点进行时间戳标记，对每个二维坐标点提取出最大的两个睡眠阶段类别隶属度，将两个睡眠阶段类别隶属度之差小于设定阈值的二维坐标点标记为此两个睡眠阶段类别的疑似边界数据即睡眠过渡段；
窗口采样效果的获取：提取上述两个睡眠阶段类别所有疑似边界数据的时间戳，并在时序上进行排序；
对于不同睡眠阶段类别间的疑似边界数据进行时间戳时序排序；
将排序好的时间戳进行时序分布聚类，获得窗口采样效果，根据窗口采样效果评价出最优窗口长度，该窗口采样效果的表达式为：
Figure DEST_PATH_IMAGE022
式中：
Figure DEST_PATH_IMAGE024
为窗口采样效果，
Figure DEST_PATH_IMAGE026
为每个类的时序聚类中心，
Figure DEST_PATH_IMAGE028
为过渡阶段的时序长度，该长度为将每一时序聚类中心作为过渡阶段中心时刻，
Figure DEST_PATH_IMAGE030
为时序长度与各相邻类时序中心间距，
Figure DEST_PATH_IMAGE032
表示各时序间距的平均长度，
Figure DEST_PATH_IMAGE034
代表不同的时序中心。
7.一种基于可穿戴设备的睡眠特征数据评估处理系统，其特征在于，包括心率数据采集模块、睡眠阶段分段信息和睡眠过渡段分析模块以及睡眠质量评估模块；
所述心率数据采集模块用于获取人睡眠状态下的心率缺失数据，所述心率缺失数据包括若干个心率数据缺失片段；
所述睡眠阶段分段信息和睡眠过渡段分析模块用于每个所述心率数据缺失片段均对应一段采集到的腕动数据；根据该段腕动数据获得该段腕动数据相对应的呼吸数据段；
将每段呼吸数据段进行时序上的窗口滑动采样，获取每次采样时窗口内连续的呼吸数据段组成的时序序列段，计算出每次采样时窗口内的时序序列段对应的平均呼吸比和呼吸周期变化紊乱度；
将时序序列段对应的平均呼吸比和呼吸周期变化紊乱度作为坐标点，将该坐标点对应的时序序列段标记在二维坐标系；
对二维坐标系中的坐标点进行模糊聚类，获取模糊聚中心，利用医学睡眠先验规则分析模糊聚中心处于的睡眠阶段，将模糊聚中心意外的坐标点利用隶属度分析出货睡眠过渡段的坐标点；
将属于睡眠过渡段的坐标点对应的时序序列段在时间上进行时序排列，根据时序排列结果计算出窗口采样效果，根据窗口采样效果判断出最优窗口长度；
根据最优窗口长度获取属于睡眠过渡段的坐标点对应的时序序列段在时序上的排列，根据排列结果确定睡眠阶段分段信息；
所述睡眠质量评估模块用于利用确定出的确定睡眠阶段分段信息在历史睡眠心率参考数据获取与该睡眠阶段分段信息对应的历史心率数据段，将历史心率数据段补入到缺失段心率数据段中，根据补全的心率数据段对睡眠质量评估数据；当历史睡眠心率参考数据不存在时，则根据获得的睡眠过渡段信息以及各过渡段中心位置进行睡眠阶段的分割，计算出各睡眠阶段的时长，根据各睡眠阶段的时长直接获取睡眠质量评估数据。
CN202111034463.6A 2021-09-03 2021-09-03 基于可穿戴设备的睡眠特征数据评估处理方法及系统 Active CN113506626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111034463.6A CN113506626B (zh) 2021-09-03 2021-09-03 基于可穿戴设备的睡眠特征数据评估处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111034463.6A CN113506626B (zh) 2021-09-03 2021-09-03 基于可穿戴设备的睡眠特征数据评估处理方法及系统

Publications (2)

Publication Number Publication Date
CN113506626A CN113506626A (zh) 2021-10-15
CN113506626B true CN113506626B (zh) 2021-12-10

Family

ID=78016292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111034463.6A Active CN113506626B (zh) 2021-09-03 2021-09-03 基于可穿戴设备的睡眠特征数据评估处理方法及系统

Country Status (1)

Country Link
CN (1) CN113506626B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115910351B (zh) * 2023-03-03 2023-07-07 安徽星辰智跃科技有限责任公司 一种睡眠周期性检测量化及辅助干预的方法、系统和装置
CN115862877B (zh) * 2023-03-03 2023-05-05 安徽星辰智跃科技有限责任公司 睡眠可持续性检测量化及辅助干预的方法、系统和装置
CN115995282B (zh) * 2023-03-23 2023-06-02 山东纬横数据科技有限公司 一种基于知识图谱的呼气流量数据处理系统
CN117807401B (zh) * 2024-02-28 2024-05-14 深圳市阿龙电子有限公司 基于数据分析的智能穿戴设备的数据处理方法
CN117860208B (zh) * 2024-03-13 2024-09-03 四川骏逸富顿科技有限公司 睡眠数据处理方法、装置、电子设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60335899D1 (de) * 2002-09-19 2011-03-10 Univ Ramot Verfahren, gerät und system zur charakterisierung von schlaf
EP2524647A1 (en) * 2011-05-18 2012-11-21 Alain Gilles Muzet System and method for determining sleep stages of a person
US9754471B2 (en) * 2012-11-02 2017-09-05 Koninklijke Philips N.V. Electronic switch for controlling a device in dependency on a sleep stage
CN104720746B (zh) * 2013-12-20 2017-06-20 中国移动通信集团公司 一种睡眠阶段确定方法和系统
CN110234279B (zh) * 2016-12-28 2022-09-20 皇家飞利浦有限公司 表征睡眠呼吸障碍的方法
CN110491468A (zh) * 2019-07-18 2019-11-22 广州柏颐信息科技有限公司 一种睡眠质量报告的处理方法和系统

Also Published As

Publication number Publication date
CN113506626A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN113506626B (zh) 基于可穿戴设备的睡眠特征数据评估处理方法及系统
CN116705337B (zh) 一种健康数据采集及智能分析方法
CN108392211B (zh) 一种基于多信息融合的疲劳检测方法
CN101815465B (zh) 从心电图得出的呼吸暂停/呼吸减弱指数
US8660971B2 (en) System and method for detecting respiratory insufficiency in the breathing of a subject
CN108597601A (zh) 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法
GB2488316A (en) Method for determining respiration rate from uncorrupted signal segments
CN114358194A (zh) 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法
CN112464738B (zh) 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法
US11540748B2 (en) Method and system for gait detection of a person
CN116226691A (zh) 用于手势姿态感知的智能戒指数据处理方法
CN111297403A (zh) 一种尘肺群体快速精准筛查及早期预警方法
CN116269355B (zh) 一种基于人物姿态识别的安全监测系统
WO2019175277A1 (en) System and method for processing multiple signals
CN116211256B (zh) 一种非接触式的睡眠呼吸信号获取方法和装置
CN115474901A (zh) 基于无线射频信号的非接触式起居状态监测方法及系统
Yan et al. Automatic obstructive sleep apnea detection based on respiratory parameters in physiological signals
CN110647870B (zh) 一种基于滑动窗计算静息态fMRI数据近似熵的方法
CN110110574A (zh) 心理压力参数的获取方法和标注方法
Kalogiannis et al. Geriatric group analysis by clustering non-linearly embedded multi-sensor data
Koley et al. Automated detection of apnea and hypopnea events
KR101483218B1 (ko) 활동 진단 장치
CN111012306B (zh) 基于双神经网络的睡眠呼吸声检测方法及系统
CN113729640B (zh) 一种穿戴式吞咽行为识别方法及系统
CN117524469A (zh) 基于智能监测的睡眠数据分析方法及装置

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