CN113520343A - 睡眠风险预测方法、装置和终端设备 - Google Patents

睡眠风险预测方法、装置和终端设备 Download PDF

Info

Publication number
CN113520343A
CN113520343A CN202010306323.9A CN202010306323A CN113520343A CN 113520343 A CN113520343 A CN 113520343A CN 202010306323 A CN202010306323 A CN 202010306323A CN 113520343 A CN113520343 A CN 113520343A
Authority
CN
China
Prior art keywords
user
sleep apnea
risk
detected
sleep
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
Application number
CN202010306323.9A
Other languages
English (en)
Inventor
张慧
李靖
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202010306323.9A priority Critical patent/CN113520343A/zh
Priority to PCT/CN2021/081009 priority patent/WO2021208656A1/zh
Publication of CN113520343A publication Critical patent/CN113520343A/zh
Pending legal-status Critical Current

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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • 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
    • A61B5/02—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
    • A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • 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
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • 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
    • 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
    • A61B5/7235—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A61B7/04—Electric stethoscopes

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Optics & Photonics (AREA)
  • Pulmonology (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Acoustics & Sound (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请适用于信息技术领域，提供了一种睡眠风险预测方法、装置和终端设备，所述方法包括：采集待检测用户在睡眠过程中的多种生理数据；分别提取所述多种生理数据中每种生理数据的特征信息；将提取的所述特征信息输入预设的分类器，获得所述分类器输出的睡眠风险预测信息；其中，所述分类器通过多个样本用户的样本生理数据进行训练获得。上述方法，通过对待检测用户患有各种亚型的睡眠呼吸暂停综合征的风险进行预测，可以实现个性化的睡眠质量监控、睡眠呼吸暂停风险评估。

Description

睡眠风险预测方法、装置和终端设备
技术领域
本申请属于信息技术领域，尤其涉及一种睡眠风险预测方法、装置和终端设备。
背景技术
睡眠呼吸暂停综合征(Sleep Apnea Syndrome，SAS)是一种常见的睡眠障碍慢性疾病。据世界卫生组织(World Health Organization，WHO)报道，全球有1-10％的人群受睡眠呼吸暂停的影响，其中在中国30-60岁的人群中，超过4％的男性和2％的女性受睡眠呼吸暂停的影响。睡眠呼吸暂停的发病率随着年龄的增加而增加，在55-60岁的人群中达到顶峰。
根据发病原理的不同，可以将睡眠呼吸暂停综合征分为阻塞型、中枢型和混合型三种不同的亚型，不同亚型的病因及危害也不同。其中，阻塞型睡眠呼吸暂停是由于喉咙附近的软组织松弛造成上呼吸道阻塞、呼吸道收窄引起的睡眠时呼吸暂停；中枢型呼吸暂停是由于呼吸中枢曾受到中风及创伤等损害而受到障碍，不能正常传达的呼吸的指令引起睡眠呼吸技能失调；混合型睡眠呼吸暂停是混合以上原因所造成的睡眠疾病。
由于睡眠呼吸暂停的发生发展是一个慢性渐进的过程，及早地对睡眠过程中可能存在的风险进行预测，有助于提高患者的生活质量，预防各种并发症的发生。
发明内容
本申请实施例提供了一种睡眠风险预测方法、装置和终端设备，可以解决现有技术中无法简单、快速地对睡眠风险进行预测的问题。
第一方面，本申请实施例提供了一种睡眠呼吸暂停综合征的识别方法，包括：
采集待检测用户在睡眠过程中的多种生理数据；
分别提取所述多种生理数据中每种生理数据的特征信息；
将提取的所述特征信息输入预设的分类器，获得所述分类器输出的睡眠风险预测信息；其中，所述分类器通过多个样本用户的样本生理数据进行训练获得。
通过穿戴设备采集用户的生理数据，并从中提取相应的特征信息，可以将上述特征信息输入预先训练得到的分类器中，预测待检测用户在睡眠过程中是否出现某种睡眠风险，以及出现各种风险的概率大小。本实施例可以简单、快速地对用户的睡眠质量进行监测，对睡眠呼吸暂停的潜在患者进行风险预测，提醒用户及时就医，防止睡眠呼吸暂停的进一步发展与其他并发症的发生。
在第一方面的一种可能的实现方式中，待检测用户睡眠过程中的多种生理数据至少包括脉搏波数据、血氧数据和/或声音数据。
在第一方面的一种可能的实现方式中，可以从脉搏波数据中提取待检测用户的光电容积描记特征信息，如心率变异性特征信息、呼吸波特征信息和光电容积描记波形特征信息等等；可以从血氧数据中提取待检测用户的血氧特征信息，如氧减指数和低血氧累积时间等等；可以从声音数据中提取待检测用户的声音特征信息，如梅尔频率倒谱系数和傅里叶频谱特征信息等等。
在第一方面的一种可能的实现方式中，预设的分类器可以包括二分类器。因此，可以将提取出的特征信息输入二分类器，通过接收二分类器输出的针对上述特征信息的识别结果，可以判定该用户在睡眠过程中是否出现睡眠呼吸暂停事件。如果二分类器的识别结果为出现睡眠呼吸暂停事件，则可以根据采集到的待检测用户的声音数据，对待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险做进一步的预测。
在第一方面的一种可能的实现方式中，在根据待检测用户的声音数据，对待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险做进一步的预测时，可以首先确定待识别的睡眠呼吸暂停事件的持续时间，即确定一次呼吸暂停事件的持续时间。如果在该持续时间内，待检测用户的声音数据中包括间断鼾声，则可以预测该用户的睡眠风险为阻塞型睡眠呼吸暂停综合征风险；如果在持续时间内，上述声音数据中未包括鼾声，则可以预测该用户的睡眠风险为中枢型睡眠呼吸暂停综合征风险；如果在持续时间内，根据声音数据预测出睡眠风险同时包括阻塞型睡眠呼吸暂停综合征风险和中枢型睡眠呼吸暂停综合征风险，则可以预测该用户的睡眠风险为混合型睡眠呼吸暂停综合征风险。
在第一方面的一种可能的实现方式中，确定待识别的睡眠呼吸暂停事件的持续时间可以根据血氧数据中出现一次连续的低血氧累积时间来确定，从而将一次连续的低血氧累积时间作为待识别的睡眠呼吸暂停事件的持续时间。
在第一方面的一种可能的实现方式中，上述预设的分类器还可以包括四分类器。因此，可以将提取出的特征信息输入该四分类器中，通过接收四分类器输出的针对特征信息的识别结果，直接根据识别结果，预测用户出现各种亚型的睡眠呼吸暂停综合征的风险。上述四分类器的识别结果可以包括未出现睡眠呼吸暂停事件、出现阻塞型睡眠呼吸暂停事件、出现中枢型睡眠呼吸暂停事件或出现混合型睡眠呼吸暂停事件。
第二方面，本申请实施例提供了一种睡眠风险预测装置，包括：
采集模块，用于采集待检测用户在睡眠过程中的多种生理数据；
提取模块，用于分别提取所述多种生理数据中每种生理数据的特征信息；
预测模块，用于将提取的所述特征信息输入预设的分类器，获得所述分类器输出的睡眠风险预测信息；其中，所述分类器通过多个样本用户的样本生理数据进行训练获得。
在第二方面的一种可能的实现方式中，多种生理数据至少包括脉搏波数据、血氧数据和/或声音数据。
在第二方面的一种可能的实现方式中，所述提取模块具体可以包括如下子模块：
光电容积描记特征信息提取子模块，用于从所述脉搏波数据中提取所述待检测用户的光电容积描记特征信息，所述光电容积描记特征信息包括心率变异性特征信息、呼吸波特征信息和光电容积描记波形特征信息中的至少一种；和/或，
血氧特征信息提取子模块，用于从所述血氧数据中提取所述待检测用户的血氧特征信息，所述血氧特征信息包括氧减指数和低血氧累积时间中的至少一种；和/或，
声音特征信息提取子模块，用于从所述声音数据中提取所述待检测用户的声音特征信息，所述声音特征信息包括梅尔频率倒谱系数和傅里叶频谱特征信息中的至少一种。
在第二方面的一种可能的实现方式中，所述分类器可以包括二分类器；所述预测模块具体可以包括如下子模块：
第一输入子模块，用于将提取的所述特征信息输入所述二分类器；
第一接收子模块，用于接收所述二分类器输出的针对所述特征信息的识别结果，所述二分类器的识别结果包括出现睡眠呼吸暂停事件，或未出现睡眠呼吸暂停事件；
第一预测子模块，用于若所述识别结果为出现睡眠呼吸暂停事件，则根据所述待检测用户的声音数据，对所述待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险进行预测。
在第二方面的一种可能的实现方式中，所述第一预测子模块具体可以包括如下单元：
确定单元，用于确定待识别的睡眠呼吸暂停事件的持续时间；
第一预测单元，用于若在所述持续时间内，所述待检测用户的声音数据中包括间断鼾声，则预测所述待检测用户的睡眠风险为阻塞型睡眠呼吸暂停综合征风险；
第二预测单元，用于若在所述持续时间内，所述待检测用户的声音数据中未包括鼾声，则预测所述待检测用户的睡眠风险为中枢型睡眠呼吸暂停综合征风险；
第三预测单元，用于若在所述持续时间内，根据所述待检测用户的声音数据预测所述睡眠风险同时包括所述阻塞型睡眠呼吸暂停综合征风险和所述中枢型睡眠呼吸暂停综合征风险，则预测所述待检测用户的睡眠风险为混合型睡眠呼吸暂停综合征风险。
在第二方面的一种可能的实现方式中，所述确定单元具体可以包括如下子单元：
确定子单元，用于确定所述血氧数据中出现一次连续的低血氧累积时间，将所述一次连续的低血氧累积时间作为待识别的睡眠呼吸暂停事件的持续时间。
在第二方面的一种可能的实现方式中，所述分类器还可以包括四分类器；所述预测模块还可以包括如下子模块：
第二输入子模块，用于将所述特征信息输入所述四分类器；
第二接收子模块，用于接收所述四分类器输出的针对所述特征信息的识别结果，所述四分类器的识别结果包括未出现睡眠呼吸暂停事件、出现阻塞型睡眠呼吸暂停事件、出现中枢型睡眠呼吸暂停事件或出现混合型睡眠呼吸暂停事件；
第二预测子模块，用于根据所述识别结果，对所述待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险进行预测。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的睡眠风险预测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被终端设备的处理器执行时实现上述第一方面任一项所述的睡眠风险预测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当所述计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的睡眠风险预测方法。
与现有技术相比，本申请实施例包括以下有益效果：
本申请实施例，可以通过穿戴设备采集用户的心率、心率变异性、血氧以及声音中的鼾声信息等多种生理数据来对用户出现睡眠呼吸暂停事件及其亚型进行预测，给出睡眠呼吸暂停事件的量化指标，有助于提高睡眠呼吸暂停事件预测的准确性。其次，本实施例通过对睡眠呼吸暂停综合征的具体亚型进行分类，可以实现个性化的睡眠质量监控、睡眠呼吸暂停风险评估。第三，本实施例采用穿戴设备检测用户睡眠质量，具有低成本、无创性、操作简单的优点，能够智能监测用户和提醒用户的睡眠呼吸质量，帮助用户更好的调整睡眠。由于穿戴设备的便携性，用户可以随时随地长时间佩戴，可以及时及早地对睡眠呼吸暂停的潜在患者进行风险预测，提醒用户及时就医，防止睡眠呼吸暂停的进一步发展与其他并发症的发生。本实施例不仅提高了睡眠呼吸暂停预测的准确率，还可以对睡眠呼吸暂停的具体亚型进行预测，有助于提高患者的生活质量，预防各种并发症的发生。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的睡眠风险预测方法的原理示意图；
图2是本申请另一实施例提供的睡眠风险预测方法的原理示意图；
图3是本申请一实施例提供的睡眠风险预测方法的示意性步骤流程图；
图4是本申请另一实施例提供的睡眠风险预测方法的示意性步骤流程图；
图5是本申请一实施例提供的睡眠风险预测装置的结构框图；
图6是本申请另一实施例提供的睡眠风险预测装置的结构框图；
图7是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
睡眠呼吸暂停综合征是一种有潜在致死性的睡眠呼吸疾病,及早合理地对睡眠呼吸暂停综合征进行诊断和治疗，可明显提高患者的生活质量，预防各种并发症的发生，提高患者的生存率。但是，由于患者通常无法知道自己患有睡眠呼吸暂停综合征，需要由枕边人得知，而当今社会独居越来越多，出现睡眠呼吸暂停综合征的风险极其容易被忽视；其次，由于目前还没有相关技术可持续、预防性地检测睡眠呼吸暂停风险，在现有医疗资源短缺的情况下，若要做到广泛的监控也不现实。
现有技术中，临床上通常采用多导睡眠仪对睡眠呼吸暂停进行检测，它是国际公认的诊断睡眠呼吸暂停综合征的金标准。多导睡眠仪是通过夜间连续的检测呼吸、动脉血氧饱和度、脑电图、心率、鼾声等指标，了解被检测者有无呼吸暂停、呼吸暂停的类型、暂停的次数、暂停的时间、发生暂停时最低动脉血氧值及对身体健康影响的程度。但是，作为临床监测设备，多导睡眠仪设备复杂、电极多，价格昂贵，需要专业医护人员进行操作和结果解读；其次，多导睡眠仪重量和体积大，便携性及舒适度差，在使用时被检测者有束缚感，不利于患者睡眠，不适用于长期佩戴和连续监测，无法应用于大范围筛查。
目前，也有一些简化的睡眠呼吸暂停综合征检测方案，通过不同位置的传感器获取数据，来诊断被检测者是否患有睡眠呼吸暂停综合征。例如，通过置于床垫的压力传感器，检测胸部的位移和压力的变化；通过置于口鼻的红外吸收传感器检测口鼻间空气的二氧化碳(CO2)变化；通过置于头部50-150厘米(cm)处的麦克风监测鼾声的变化；通过指尖光电容积脉搏波监测心率、血氧饱和度的变化。但是，上述检测方案也存在诸多缺陷。包括，通过床垫压力传感器的检测方案很容易受睡眠体位的影响，通过置于口鼻的红外传感器检测方案不美观，通过麦克风监测鼾声的方案不准确、易受噪声的干扰，通过指尖的指尖光电容积脉搏波检测方案会长时间压迫指尖、使被检测者不舒服。最主要的是，此类检测方案使用参数单一，准确度低，也无法根据检测结果对睡眠呼吸暂停综合征的亚型进行分类。
因此，为了解决上述问题，提出了本申请实施例的核心构思在于，通过穿戴设备监测用户的心率(Heart rate)、心率变异性(Heart rate variability，HRV)、血氧(Bloodoxygen)以及声音中的鼾声信息等多种生理参数，对睡眠呼吸暂停事件及其亚型进行预测，给出睡眠呼吸暂停事件的量化指标，提高睡眠呼吸暂停事件预测的准确性，并通过对睡眠呼吸暂停综合征的亚型进行分类，实现个性化睡眠质量监控、睡眠呼吸暂停风险预测。
如图1所示，是本申请一实施例提供的睡眠风险预测方法的原理示意图。按照图1所示，在预测出现各种亚型的睡眠呼吸暂停综合征的风险时，可以首先利用穿戴设备等检测用户的脉搏波、血氧、声音等生理数据，并从这些数据中提取出相应的光电容积描记(Photoplethysmograph，PPG)特征信息、血氧特征信息以及声音特征信息等。然后，可以根据提取出的特征信息和预设的多参数融合分类器预测该用户在睡眠过程中发生睡眠呼吸暂停事件的风险。若确认有睡眠呼吸暂停事件发生，则可以通过声音数据进一步预测用户出现睡眠呼吸暂停的具体亚型的风险。若在睡眠呼吸暂停事件发生过程中，该用户出现间断的鼾声，则可以判定用户存在阻塞型睡眠呼吸暂停风险；若无鼾声则可以判定用户存在中枢型睡眠呼吸暂停风险；若在一次睡眠呼吸暂停过程中，先出现中枢型睡眠呼吸暂停后出现阻塞型睡眠呼吸暂停，则可以将本次事件判定为用户存在混合型睡眠呼吸暂停风险。
如图2所示，是本申请另一实施例提供的睡眠风险预测方法的原理示意图。按照图2所示，在预测出现各种亚型的睡眠呼吸暂停综合征的风险时，也可以首先利用穿戴设备等检测用户的脉搏波、血氧、声音等生理数据，并从这些数据中提取出相应的PPG特征信息、血氧特征信息以及声音特征信息等。然后，可以根据提取出的特征信息和预设的多参数融合分类器直接预测睡眠呼吸暂停的具体亚型。即图2中分类器的分类结果包括无睡眠呼吸暂停事件发生、出现阻塞型睡眠呼吸暂停事件、出现中枢性睡眠呼吸暂停事件和出现混合型睡眠呼吸暂停事件四种分类。
需要说明的是，上述穿戴设备包括但不限于手表、手环等设备。上述PPG特征可以包括HRV特征、呼吸波特征、PPG波形特征等；血氧特征可以包括氧减指数、低血氧累积时间等特征；声音特征可以包括梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)，即通过梅尔公式实现频谱的非线性梅尔变换特征、梅尔频谱取对数(LogMel)、傅里叶频谱等特征。
下面结合具体的实施例，对本申请的睡眠风险预测方法进行介绍。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。还应当理解，在本申请实施例中，“一个或多个”是指一个、两个或两个以上；“和/或”，描述关联对象的关联关系，表示可以存在三种关系；例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
参照图3，示出了本申请一实施例提供的睡眠风险预测方法的示意性步骤流程图，作为示例而非限定，该方法可以应用于终端设备中，该方法具体可以包括如下步骤：
S301、采集待检测用户在睡眠过程中的多种生理数据；
需要说明的是，本方法可以应用于终端设备中，上述终端设备可以是智能手表、智能手环等穿戴设备；或者，该终端设备也可以是其他具备对用户的生理数据进行采集和处理功能的智能设备，本实施例对终端设备的具体类型不作限定。
以终端设备为智能手环为例，用户在佩戴智能手环后，可以通过手环中集成的多种传感器，采集用户的生理数据，包括用户在睡眠状态下的各类生理数据。如脉搏波数据、血氧数据、声音数据等等，本实施例对可采集的生理数据的具体类型不作限定。
S302、分别提取所述多种生理数据中每种生理数据的特征信息；
在本申请实施例中，针对不同的生理数据，可以根据其特点，从中提取出可用于进行后续数据分析、处理的特征信息。通过相应的特征信息，分析出待检测用户在睡眠过程中是否出现呼吸暂停事件，以及该时间的具体亚型。
例如，对于脉搏波数据，可以从中提取出待检测用户的PPG特征信息，上述PPG特征信息可以包括HRV特征信息、呼吸波特征信息以及PPG波形特征信息等特征信息中的一种或多种。
对于血氧数据，可以从中提取出相应的血氧特征信息，如氧减指数、低血氧累积时间等等。
而对于声音数据，也可以从中提取出相应的声音特征信息，如梅尔频率倒谱系数、梅尔频谱取对数、傅里叶频谱等特征信息。
当然，上述说明仅为本实施例的一种示例，根据实际需要，针对不同的生理数据，可以分别采集多种不同的特征信息，本实施例对如何从采集的生理数据中提取相应的特征信息，以及提取何种特征信息，不作限定。
S303、将提取的所述特征信息输入预设的分类器，获得所述分类器输出的睡眠风险预测信息；其中，所述分类器通过多个样本用户的样本生理数据进行训练获得。
在本申请实施例中，预设的分类器可以是基于有监督的机器学习模型训练得到的。即，通过采集多个样本用户的生理数据，并基于这些生理数据进行模型训练，获得相应的多参数融合分类器。
在具体实现中，可以对样本用户的睡眠过程进行监测，并采集每个样本用户睡眠中的各种生理数据，同时监测每个样本用户是否出现呼吸暂停事件。然后，从采集到的生理数据中提取出相应的特征信息，将出现呼吸暂停事件和未出现呼吸暂停事件的样本用户各自的特征信息，分别输入各个分类器中进行模型训练，便可获得能够输出二分类结果的多参数融合分类器，上述二分类结果包括出现呼吸暂停事件或未出现呼吸暂停事件。
需要说明的是，在进行分类器训练时，可以采用多个分类器分别进行，从中选出训练效果最佳的分类器作为最终用于穿戴设备中识别睡眠呼吸暂停综合征的目标分类器。
由于二分类的分类器输出结果仅包括是否出现呼吸暂停事件，因此，对于出现了呼吸暂停事件的待检测用户，则可以采用其他数据，进一步预测该用户出现各种亚型的睡眠呼吸暂停综合征的风险。例如，可以根据生理数据中的声音数据，来预测出现睡眠呼吸暂停综合征的具体亚型的概率大小。
在具体实现中，若待检测用户在一次睡眠呼吸暂停事件过程中出现了间断的鼾声，则可以认为本次事件可能是由于阻塞型睡眠呼吸暂停产生的，因此可预测该用户在睡眠过程中出现阻塞型睡眠呼吸暂停的风险较大；若无鼾声，则可以认为本次事件是由于中枢型睡眠呼吸暂停产生的，因此可预测该用户在睡眠过程中出现中枢型睡眠呼吸暂停的风险较大；若在一次呼吸暂停过程中，先出现中枢型呼吸暂停，后出现阻塞型呼吸暂停，则可预测用户可能存在混合型睡眠呼吸暂停风险。
当然，在采集样本用户的生理数据时，也可以根据监测结果直接对样本用户的呼吸暂停综合征所属的具体亚型进行标记，从而在后续的分类器训练时，训练得到一个四分类的分类器，上述四分类的分类器的识别结果可以包括未出现睡眠呼吸暂停事件、出现阻塞型睡眠呼吸暂停事件、出现中枢型睡眠呼吸暂停事件或出现混合型睡眠呼吸暂停事件。
因此，在采集到待检测用户的多种生理数据，并提取出每种生理数据的特征信息后，可以将上述特征信息输入训练得到的四分类器，通过接收该四分类器输出的针对特征信息的识别结果，从而可以根据识别结果，直接预测待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险。
在本申请实施例中，可以通过穿戴设备采集用户的心率、心率变异性、血氧以及声音中的鼾声信息等多种生理数据来对用户出现睡眠呼吸暂停事件及其亚型进行预测，给出睡眠呼吸暂停事件的量化指标，有助于提高睡眠呼吸暂停事件预测的准确性。其次，本实施例通过对睡眠呼吸暂停综合征的具体亚型进行分类，可以实现个性化的睡眠质量监控、睡眠呼吸暂停风险评估。第三，本实施例采用穿戴设备检测用户睡眠质量，具有低成本、无创性、操作简单的优点，能够智能监测用户和提醒用户的睡眠呼吸质量，帮助用户更好的调整睡眠。由于穿戴设备的便携性，用户可以随时随地长时间佩戴，可以及时及早地对睡眠呼吸暂停的潜在患者进行风险预测，提醒用户及时就医，防止睡眠呼吸暂停的进一步发展与其他并发症的发生。本实施例不仅提高了睡眠呼吸暂停预测的准确率，还可以对睡眠呼吸暂停的具体亚型进行预测，有助于提高患者的生活质量，预防各种并发症的发生。
参照图4，示出了本申请另一实施例提供的睡眠风险预测方法的示意性步骤流程图，该方法具体可以包括如下步骤：
S401、采集待检测用户在睡眠过程中的多种生理数据，分别提取所述多种生理数据中每种生理数据的特征信息；
需要说明的是，本实施例中的S401与前一实施例中S301-302类似，可以相互参阅，本实施例对此不再赘述。
S402、将提取的所述特征信息输入所述二分类器，接收所述二分类器输出的针对所述特征信息的识别结果，所述二分类器的识别结果包括出现睡眠呼吸暂停事件；
在本申请实施例中，对于提取出的待检测用户的各种生理数据的特征信息，可以将这些特征信息输入预设的多参数融合分类器中，获取相应的分类结果。
本实施例中的多参数融合分类器可以是一种二分类器，即该两分类器的分类结果包括两种。
在具体实现中，可以通过采集多个样本用户的生理数据进行有监督的模型训练，从而获得可以输出是否出现睡眠呼吸暂停事件的二分类器。
在本申请实施例中，在将待检测用户的特征信息输入上述二分类器后，可以获得相应的分类结果。即，在待检测用户的睡眠过程中出现了睡眠呼吸暂停事件，或者未出现睡眠呼吸暂停事件。
对于出现了睡眠呼吸暂停事件的待检测用户，可以根据该用户的声音数据，进一步对该用户出现各种亚型的睡眠呼吸暂停综合征的风险进行预测。
S403、确定待识别的睡眠呼吸暂停事件的持续时间；
在本申请实施例中，对于呼吸暂停综合征具体亚型进行预测，可以基于一次呼吸暂停事件来进行。即，在出现一次呼吸暂停事件的过程中，预测该事件属于某种具体亚型的概率大小。
因此，上述待识别的睡眠呼吸暂停事件的持续时间可以是指出现一次呼吸暂停事件的持续时间。
在本申请实施例中，可以通过确定血氧数据中出现一次连续的低血氧累积时间，然后将一次连续的低血氧累积时间作为待识别的睡眠呼吸暂停事件的持续时间。
通常，出现一次呼吸暂停事件时，常常伴随着低血氧等生理状况的发生。因此，可以将一次低血氧累积时间作为发生一次呼吸暂停事件的判断标准。
当然，在低血氧时，还可能产生氧减指数降低等生理状况。因此，也可以结合低血氧累积时间和氧减指数两个指标来判断是否发生一次呼吸暂停事件，本实施例对此不作限定。
S404、若在所述持续时间内，所述待检测用户的声音数据中包括间断鼾声，则预测所述待检测用户的睡眠风险为阻塞型睡眠呼吸暂停综合征风险；
在本申请实施例中，如果在一次呼吸暂停事件过程中检测到用户出现间断的鼾声，则可以认为该用户出现阻塞型睡眠呼吸暂停综合征的风险较大。
S405、若在所述持续时间内，所述待检测用户的声音数据中未包括鼾声，则预测所述待检测用户的睡眠风险为中枢型睡眠呼吸暂停综合征风险；
如果在一次呼吸暂停事件过程中未检测到用户出现间断的鼾声，则可以认为该用户出现中枢型睡眠呼吸暂停综合征的风险较大。
S406、若在所述持续时间内，根据所述待检测用户的声音数据预测所述睡眠风险同时包括所述阻塞型睡眠呼吸暂停综合征风险和所述中枢型睡眠呼吸暂停综合征风险，则预测所述待检测用户的睡眠风险为混合型睡眠呼吸暂停综合征风险。
如果在一次呼吸暂停事件过程中的部分时间段内检测到用户出现间断的鼾声，而在另一时间段内未检测到鼾声，则可以认为该用户在一次呼吸暂停事件中同时出现阻塞型睡眠呼吸暂停和中枢型睡眠呼吸暂停的风险较大。对于此类情况，可以预测该用户的睡眠呼吸暂停综合征风险为混合型睡眠呼吸暂停综合征风险。
在本申请实施例中，通过穿戴设备采集用户在睡眠过程中的生理数据，并基于二分类器检测该用户是否出现呼吸暂停事件，若出现了呼吸暂停事件，则可以根据生理数据中的声音数据，预测用户出现各种亚型的型睡眠呼吸暂停综合征的风险大小。本实施例基于穿戴设备采集的生理数据实现呼吸暂停综合征亚型的风险预测，操作简单、方便，有助于及时及早地发现睡眠呼吸暂停的潜在患者，实现个性化的睡眠质量监控。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
参照图5，示出了本申请一实施例提供的睡眠风险预测装置的结构框图，该装置可以应用于智能手表、智能手环等穿戴设备中，也可以应用于具备对用户的生理数据进行采集和处理功能的其他终端设备中，该装置可以包括信号获取单元、信号处理单元、其他模块等。
上述信号获取单元可以集成心率检测模块、血氧检测模块、鼾声检测模块、睡眠及信号检测模块等等。其中，心率检测模块可以用于检测心率、心率变异性等信息，相关传感器可以包括但不限于PPG传感器、心电图(Electrocardiogram，ECG)传感器等；血氧检测模块可以用于获取检测血氧相关的信号，相关传感器可以包括但不限于红外和红光PPG传感器；鼾声检测模块可以用于检测声音信号，提取鼾声信息，相关传感器可以包括但不限于麦克风；睡眠和信号质量检测模块可以用于检测用户的出入睡时间、用户动作幅度判断，辅助对计算的血氧数据进行矫正，以及对血氧和睡眠呼吸暂停预测结果的准确度进行预测，相关传感器可以包括但不限于加速度(Acceleration，ACC)传感器、陀螺仪等。
上述中央处理单元可以为控制单元，用于接收并处理其他模块传入的数据和指令，计算心率、心率变异性、血氧、鼾声信息相关特征，并通过预置的模型对出现各种亚型的睡眠呼吸暂停的风险进行预测。
上述其他模块可以包括显示模块、通知模块、通讯模块等。
对应于上文实施例所述的睡眠风险预测方法，图6示出了本申请另一实施例提供的睡眠风险预测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该装置可以应用于穿戴设备等终端设备中，具体可以包括如下模块：
采集模块601，用于采集待检测用户在睡眠过程中的多种生理数据；
提取模块602，用于分别提取所述多种生理数据中每种生理数据的特征信息；
预测模块603，用于将提取的所述特征信息输入预设的分类器，获得所述分类器输出的睡眠风险预测信息；其中，所述分类器通过多个样本用户的样本生理数据进行训练获得。
在本申请实施例中，所述多种生理数据至少包括脉搏波数据、血氧数据和/或声音数据。
在本申请实施例中，所述提取模块602具体可以包括如下子模块：
光电容积描记特征信息提取子模块，用于从所述脉搏波数据中提取所述待检测用户的光电容积描记特征信息，所述光电容积描记特征信息包括心率变异性特征信息、呼吸波特征信息和光电容积描记波形特征信息中的至少一种；和/或，
血氧特征信息提取子模块，用于从所述血氧数据中提取所述待检测用户的血氧特征信息，所述血氧特征信息包括氧减指数和低血氧累积时间中的至少一种；和/或，
声音特征信息提取子模块，用于从所述声音数据中提取所述待检测用户的声音特征信息，所述声音特征信息包括梅尔频率倒谱系数和傅里叶频谱特征信息中的至少一种。
在本申请实施例中，所述分类器可以包括二分类器；所述预测模块603具体可以包括如下子模块：
第一输入子模块，用于将提取的所述特征信息输入所述二分类器；
第一接收子模块，用于接收所述二分类器输出的针对所述特征信息的识别结果，所述二分类器的识别结果包括出现睡眠呼吸暂停事件，或未出现睡眠呼吸暂停事件；
第一预测子模块，用于若所述识别结果为出现睡眠呼吸暂停事件，则根据所述待检测用户的声音数据，对所述待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险进行预测。
在本申请实施例中，所述第一预测子模块具体可以包括如下单元：
确定单元，用于确定待识别的睡眠呼吸暂停事件的持续时间；
第一预测单元，用于若在所述持续时间内，所述待检测用户的声音数据中包括间断鼾声，则预测所述待检测用户的睡眠风险为阻塞型睡眠呼吸暂停综合征风险；
第二预测单元，用于若在所述持续时间内，所述待检测用户的声音数据中未包括鼾声，则预测所述待检测用户的睡眠风险为中枢型睡眠呼吸暂停综合征风险；
第三预测单元，用于若在所述持续时间内，根据所述待检测用户的声音数据预测所述睡眠风险同时包括所述阻塞型睡眠呼吸暂停综合征风险和所述中枢型睡眠呼吸暂停综合征风险，则预测所述待检测用户的睡眠风险为混合型睡眠呼吸暂停综合征风险。
在本申请实施例中，所述确定单元具体可以包括如下子单元：
确定子单元，用于确定所述血氧数据中出现一次连续的低血氧累积时间，将所述一次连续的低血氧累积时间作为待识别的睡眠呼吸暂停事件的持续时间。
在本申请实施例中，所述分类器还可以包括四分类器；所述预测模块603还可以包括如下子模块：
第二输入子模块，用于将所述特征信息输入所述四分类器；
第二接收子模块，用于接收所述四分类器输出的针对所述特征信息的识别结果，所述四分类器的识别结果包括未出现睡眠呼吸暂停事件、出现阻塞型睡眠呼吸暂停事件、出现中枢型睡眠呼吸暂停事件或出现混合型睡眠呼吸暂停事件；
第二预测子模块，用于根据所述识别结果，对所述待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险进行预测。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见方法实施例部分的说明即可。
参照图7，示出了本申请一实施例的一种终端设备的示意图。如图7所示，本实施例的终端设备700包括：处理器710、存储器720以及存储在所述存储器720中并可在所述处理器710上运行的计算机程序721。所述处理器710执行所述计算机程序721时实现上述睡眠风险预测方法各个实施例中的步骤，例如图3所示的步骤S301至S303。或者，所述处理器710执行所述计算机程序721时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至603的功能。
示例性的，所述计算机程序721可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器720中，并由所述处理器710执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段可以用于描述所述计算机程序721在所述终端设备700中的执行过程。例如，所述计算机程序721可以被分割成采集模块、提取模块和预测模块，各模块具体功能如下：
采集模块，用于采集待检测用户在睡眠过程中的多种生理数据；
提取模块，用于分别提取所述多种生理数据中每种生理数据的特征信息；
预测模块，用于将提取的所述特征信息输入预设的分类器，获得所述分类器输出的睡眠风险预测信息；其中，所述分类器通过多个样本用户的样本生理数据进行训练获得。
所述终端设备700可以是智能手表、智能手环等计算设备。所述终端设备700可包括，但不仅限于，处理器710、存储器720。本领域技术人员可以理解，图7仅仅是终端设备700的一种示例，并不构成对终端设备700的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备700还可以包括输入输出设备、网络接入设备、总线等。
所述处理器710可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器720可以是所述终端设备700的内部存储单元，例如终端设备700的硬盘或内存。所述存储器720也可以是所述终端设备700的外部存储设备，例如所述终端设备700上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等等。进一步地，所述存储器720还可以既包括所述终端设备700的内部存储单元也包括外部存储设备。所述存储器720用于存储所述计算机程序721以及所述终端设备700所需的其他程序和数据。所述存储器720还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可以实现前述睡眠风险预测方法。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的睡眠风险预测方法、装置和终端设备，可以通过其他的方式实现。例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到睡眠风险预测装置或终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制。尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (13)

1.一种睡眠风险预测方法，其特征在于，包括：
采集待检测用户在睡眠过程中的多种生理数据；
分别提取所述多种生理数据中每种生理数据的特征信息；
将提取的所述特征信息输入预设的分类器，获得所述分类器输出的睡眠风险预测信息；其中，所述分类器通过多个样本用户的样本生理数据进行训练获得。
2.根据权利要求1所述的方法，其特征在于，所述多种生理数据至少包括脉搏波数据、血氧数据，和/或，声音数据。
3.根据权利要求2所述的方法，其特征在于，所述分别提取所述多种生理数据中每种生理数据的特征信息，包括：
从所述脉搏波数据中提取所述待检测用户的光电容积描记特征信息，所述光电容积描记特征信息包括心率变异性特征信息、呼吸波特征信息和光电容积描记波形特征信息中的至少一种；和/或，
从所述血氧数据中提取所述待检测用户的血氧特征信息，所述血氧特征信息包括氧减指数和低血氧累积时间中的至少一种；和/或，
从所述声音数据中提取所述待检测用户的声音特征信息，所述声音特征信息包括梅尔频率倒谱系数和傅里叶频谱特征信息中的至少一种。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述分类器包括二分类器；所述将提取的所述特征信息输入预设的分类器，获得所述分类器输出的睡眠风险预测信息，包括：
将提取的所述特征信息输入所述二分类器；
接收所述二分类器输出的针对所述特征信息的识别结果，所述二分类器的识别结果包括出现睡眠呼吸暂停事件，或未出现睡眠呼吸暂停事件；
若所述识别结果为出现睡眠呼吸暂停事件，则根据所述待检测用户的声音数据，对所述待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险进行预测。
5.根据权利要求4所述的方法，其特征在于，所述根据所述待检测用户的声音数据，对所述待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险进行预测，包括：
确定待识别的睡眠呼吸暂停事件的持续时间；
若在所述持续时间内，所述待检测用户的声音数据中包括间断鼾声，则预测所述待检测用户的睡眠风险为阻塞型睡眠呼吸暂停综合征风险；
若在所述持续时间内，所述待检测用户的声音数据中未包括鼾声，则预测所述待检测用户的睡眠风险为中枢型睡眠呼吸暂停综合征风险；
若在所述持续时间内，根据所述待检测用户的声音数据预测所述睡眠风险同时包括所述阻塞型睡眠呼吸暂停综合征风险和所述中枢型睡眠呼吸暂停综合征风险，则预测所述待检测用户的睡眠风险为混合型睡眠呼吸暂停综合征风险。
6.根据权利要求5所述的方法，其特征在于，所述确定待识别的睡眠呼吸暂停事件的持续时间，包括：
确定所述血氧数据中出现一次连续的低血氧累积时间，将所述一次连续的低血氧累积时间作为待识别的睡眠呼吸暂停事件的持续时间。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述分类器包括四分类器；所述将提取的所述特征信息输入预设的分类器，获得所述分类器输出的睡眠风险预测信息，包括：
将提取的所述特征信息输入所述四分类器；
接收所述四分类器输出的针对所述特征信息的识别结果，所述四分类器的识别结果包括未出现睡眠呼吸暂停事件、出现阻塞型睡眠呼吸暂停事件、出现中枢型睡眠呼吸暂停事件或出现混合型睡眠呼吸暂停事件；
根据所述识别结果，对所述待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险进行预测。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如下步骤：
采集待检测用户在睡眠过程中的多种生理数据；
分别提取所述多种生理数据中每种生理数据的特征信息；
将提取的所述特征信息输入预设的分类器，获得所述分类器输出的睡眠风险预测信息；其中，所述分类器通过多个样本用户的样本生理数据进行训练获得。
9.根据权利要求8所述的终端设备，其特征在于，所述多种生理数据至少包括脉搏波数据、血氧数据，和/或，声音数据，所述处理器执行所述计算机程序时还实现如下步骤：
从所述脉搏波数据中提取所述待检测用户的光电容积描记特征信息，所述光电容积描记特征信息包括心率变异性特征信息、呼吸波特征信息和光电容积描记波形特征信息中的至少一种；和/或，
从所述血氧数据中提取所述待检测用户的血氧特征信息，所述血氧特征信息包括氧减指数和低血氧累积时间中的至少一种；和/或，
从所述声音数据中提取所述待检测用户的声音特征信息，所述声音特征信息包括梅尔频率倒谱系数和傅里叶频谱特征信息中的至少一种。
10.根据权利要求8或9所述的终端设备，其特征在于，所述分类器包括二分类器；所述处理器执行所述计算机程序时还实现如下步骤：
将提取的所述特征信息输入所述二分类器；
接收所述二分类器输出的针对所述特征信息的识别结果，所述二分类器的识别结果包括出现睡眠呼吸暂停事件，或未出现睡眠呼吸暂停事件；
若所述识别结果为出现睡眠呼吸暂停事件，则根据所述待检测用户的声音数据，对所述待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险进行预测。
11.根据权利要求10所述的终端设备，其特征在于，所述根据所述待检测用户的声音数据，对所述待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险进行预测，包括：
确定待识别的睡眠呼吸暂停事件的持续时间；
若在所述持续时间内，所述待检测用户的声音数据中包括间断鼾声，则预测所述待检测用户的睡眠风险为阻塞型睡眠呼吸暂停综合征风险；
若在所述持续时间内，所述待检测用户的声音数据中未包括鼾声，则预测所述待检测用户的睡眠风险为中枢型睡眠呼吸暂停综合征风险；
若在所述持续时间内，根据所述待检测用户的声音数据预测所述睡眠风险同时包括所述阻塞型睡眠呼吸暂停综合征风险和所述中枢型睡眠呼吸暂停综合征风险，则预测所述待检测用户的睡眠风险为混合型睡眠呼吸暂停综合征风险。
12.根据权利要求8或9所述的终端设备，其特征在于，所述分类器包括四分类器；所述处理器执行所述计算机程序时还实现如下步骤：
将提取的所述特征信息输入所述四分类器；
接收所述四分类器输出的针对所述特征信息的识别结果，所述四分类器的识别结果包括未出现睡眠呼吸暂停事件、出现阻塞型睡眠呼吸暂停事件、出现中枢型睡眠呼吸暂停事件或出现混合型睡眠呼吸暂停事件；
根据所述识别结果，对所述待检测用户出现各种亚型的睡眠呼吸暂停综合征的风险进行预测。
13.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的睡眠风险预测方法。
CN202010306323.9A 2020-04-17 2020-04-17 睡眠风险预测方法、装置和终端设备 Pending CN113520343A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010306323.9A CN113520343A (zh) 2020-04-17 2020-04-17 睡眠风险预测方法、装置和终端设备
PCT/CN2021/081009 WO2021208656A1 (zh) 2020-04-17 2021-03-16 睡眠风险预测方法、装置和终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010306323.9A CN113520343A (zh) 2020-04-17 2020-04-17 睡眠风险预测方法、装置和终端设备

Publications (1)

Publication Number Publication Date
CN113520343A true CN113520343A (zh) 2021-10-22

Family

ID=78084149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010306323.9A Pending CN113520343A (zh) 2020-04-17 2020-04-17 睡眠风险预测方法、装置和终端设备

Country Status (2)

Country Link
CN (1) CN113520343A (zh)
WO (1) WO2021208656A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117747100A (zh) * 2023-12-11 2024-03-22 南方医科大学南方医院 一种预测阻塞性睡眠呼吸暂停发生风险的系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114869241B (zh) * 2022-07-11 2022-09-23 西南交通大学 睡眠呼吸事件预测方法、装置、设备及可读存储介质
CN115956884B (zh) * 2023-02-14 2023-06-06 浙江强脑科技有限公司 一种睡眠状态和睡眠分期的监测方法、装置及终端设备
CN117238478A (zh) * 2023-06-27 2023-12-15 开滦总医院 基于睡眠监测的脑卒中风险预警模型生成方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7435221B1 (en) * 2004-11-24 2008-10-14 Pacesetter, Inc. System and method for detecting abnormal respiration based on intracardiac electrogram signals using a pattern recognition device
US20080319277A1 (en) * 2005-06-13 2008-12-25 Braebon Medical Corporation Sleep disorder monitoring and diagnostic system
US20120071741A1 (en) * 2010-09-21 2012-03-22 Zahra Moussavi Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals
CN103687540A (zh) * 2011-05-17 2014-03-26 大学健康网络 使用记录的呼吸音振幅谱图和音高升降曲线诊断osa/csa
CN104688239A (zh) * 2015-03-26 2015-06-10 北京怡和嘉业医疗科技有限公司 睡眠呼吸事件的种类的确定方法及系统
CN106037661A (zh) * 2016-06-30 2016-10-26 成都天奥电子股份有限公司 一种睡眠监测表及其实现方法
CN107174260A (zh) * 2017-06-29 2017-09-19 叶子钰 健康手环
CN107348961A (zh) * 2017-08-30 2017-11-17 上海市共进医疗科技有限公司 一种对睡眠呼吸暂停判定及干预的装置及方法
CN107874765A (zh) * 2017-11-06 2018-04-06 成都菲斯普科技有限公司 具有自补偿功能的医疗手环及自补偿方法
US20180116606A1 (en) * 2016-10-27 2018-05-03 Samsung Electronics Co., Ltd. System and method for snoring detection using low power motion sensor
CN108309239A (zh) * 2018-02-01 2018-07-24 深圳市禹欣鑫电子有限公司 基于脑电和呼吸的睡眠呼吸暂停智能可穿戴监测设备
CN108463166A (zh) * 2015-08-20 2018-08-28 塞雷尼姆有限公司 儿童阻塞性睡眠呼吸暂停症的诊断系统和方法
US20180279947A1 (en) * 2017-03-30 2018-10-04 Sunil Kumar Ummat Wearable device with integrated sensors
CN208002803U (zh) * 2017-12-20 2018-10-26 成都思众康科技有限公司 一种抑制动态干扰的便携式血氧表
CN109106350A (zh) * 2018-09-20 2019-01-01 中山大学 低生理负荷的睡眠呼吸暂停低通气综合征初步筛查方法
CN110074765A (zh) * 2019-04-29 2019-08-02 中山大学 一种sahs筛查及睡眠分期的判别方法
WO2019170734A1 (en) * 2018-03-07 2019-09-12 Koninklijke Philips N.V. Sleep apnea detection system and method
CN209391946U (zh) * 2018-01-30 2019-09-17 深圳源动创新科技有限公司 手腕式血氧检测装置
CN110338797A (zh) * 2019-08-12 2019-10-18 苏州小蓝医疗科技有限公司 一种基于鼾声和血氧的中频止鼾仪数据处理方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60136387D1 (de) * 2000-12-29 2008-12-11 Ares Medical Inc Risikobewertung von schlafapnoe
CN104257368A (zh) * 2014-10-13 2015-01-07 天津工业大学 一种睡眠监测及筛查阻塞性睡眠呼吸暂停综合症的装置
WO2017135899A1 (en) * 2016-02-03 2017-08-10 Nanyang Technological University Methods for detecting a sleep disorder and sleep disorder detection devices

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7435221B1 (en) * 2004-11-24 2008-10-14 Pacesetter, Inc. System and method for detecting abnormal respiration based on intracardiac electrogram signals using a pattern recognition device
US20080319277A1 (en) * 2005-06-13 2008-12-25 Braebon Medical Corporation Sleep disorder monitoring and diagnostic system
US20120071741A1 (en) * 2010-09-21 2012-03-22 Zahra Moussavi Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals
CN103687540A (zh) * 2011-05-17 2014-03-26 大学健康网络 使用记录的呼吸音振幅谱图和音高升降曲线诊断osa/csa
CN104688239A (zh) * 2015-03-26 2015-06-10 北京怡和嘉业医疗科技有限公司 睡眠呼吸事件的种类的确定方法及系统
CN108463166A (zh) * 2015-08-20 2018-08-28 塞雷尼姆有限公司 儿童阻塞性睡眠呼吸暂停症的诊断系统和方法
CN106037661A (zh) * 2016-06-30 2016-10-26 成都天奥电子股份有限公司 一种睡眠监测表及其实现方法
US20180116606A1 (en) * 2016-10-27 2018-05-03 Samsung Electronics Co., Ltd. System and method for snoring detection using low power motion sensor
US20180279947A1 (en) * 2017-03-30 2018-10-04 Sunil Kumar Ummat Wearable device with integrated sensors
CN107174260A (zh) * 2017-06-29 2017-09-19 叶子钰 健康手环
CN107348961A (zh) * 2017-08-30 2017-11-17 上海市共进医疗科技有限公司 一种对睡眠呼吸暂停判定及干预的装置及方法
CN107874765A (zh) * 2017-11-06 2018-04-06 成都菲斯普科技有限公司 具有自补偿功能的医疗手环及自补偿方法
CN208002803U (zh) * 2017-12-20 2018-10-26 成都思众康科技有限公司 一种抑制动态干扰的便携式血氧表
CN209391946U (zh) * 2018-01-30 2019-09-17 深圳源动创新科技有限公司 手腕式血氧检测装置
CN108309239A (zh) * 2018-02-01 2018-07-24 深圳市禹欣鑫电子有限公司 基于脑电和呼吸的睡眠呼吸暂停智能可穿戴监测设备
WO2019170734A1 (en) * 2018-03-07 2019-09-12 Koninklijke Philips N.V. Sleep apnea detection system and method
CN109106350A (zh) * 2018-09-20 2019-01-01 中山大学 低生理负荷的睡眠呼吸暂停低通气综合征初步筛查方法
CN110074765A (zh) * 2019-04-29 2019-08-02 中山大学 一种sahs筛查及睡眠分期的判别方法
CN110338797A (zh) * 2019-08-12 2019-10-18 苏州小蓝医疗科技有限公司 一种基于鼾声和血氧的中频止鼾仪数据处理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117747100A (zh) * 2023-12-11 2024-03-22 南方医科大学南方医院 一种预测阻塞性睡眠呼吸暂停发生风险的系统
CN117747100B (zh) * 2023-12-11 2024-05-14 南方医科大学南方医院 一种预测阻塞性睡眠呼吸暂停发生风险的系统

Also Published As

Publication number Publication date
WO2021208656A1 (zh) 2021-10-21

Similar Documents

Publication Publication Date Title
US11033221B2 (en) Method and device for swallowing impairment detection
JP5961235B2 (ja) 睡眠／覚醒状態評価方法及びシステム
JP6199330B2 (ja) 酸素測定信号を用いるチェーンストークス呼吸パターンの識別
CN113520343A (zh) 睡眠风险预测方法、装置和终端设备
US8403848B2 (en) Assessment of sleep quality and sleep disordered breathing based on cardiopulmonary coupling
CN108388912A (zh) 基于多传感器特征优化算法的睡眠分期方法
US20210022670A1 (en) Systems and methods for diagnosing sleep
CN108670200A (zh) 一种基于深度学习的睡眠鼾声分类检测方法及系统
CN104257353A (zh) 一种睡眠呼吸暂停综合症检测系统
CN102172328A (zh) 从呼吸信号中检测和区别呼吸模式的方法
US10004452B2 (en) System and methods for estimating respiratory airflow
CN107887032A (zh) 一种数据处理方法及装置
Castillo-Escario et al. Entropy analysis of acoustic signals recorded with a smartphone for detecting apneas and hypopneas: A comparison with a commercial system for home sleep apnea diagnosis
JP2021517008A (ja) 睡眠時無呼吸検出システム及び方法
Doheny et al. Estimation of respiratory rate and exhale duration using audio signals recorded by smartphone microphones
CN105266764B (zh) 一种中医宗气测评装置
JP7222973B2 (ja) 嚥下障害分類モデルの信号品質を判定するための方法及びデバイス
Guul et al. Portable prescreening system for sleep apnea
CN113143263B (zh) 一种用于构建睡眠呼吸暂停判别最优模型的系统
KR102645586B1 (ko) 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법
US20240008765A1 (en) Establishing method of sleep apnea assessment program, sleep apnea assessment system, and sleep apnea assessment method
AU2013221962B2 (en) Discrimination of Cheyne-Stokes Breathing Patterns by Use of Oximetry Signals
WO2022268931A1 (en) Remote monitoring of respiration
WO2023214957A1 (en) Machine learning models for estimating physiological biomarkers
WO2023214956A1 (en) Systems, devices, and methods for biomarker detection and tracking

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211022