CN114098645B - 一种睡眠分期方法及装置 - Google Patents

一种睡眠分期方法及装置 Download PDF

Info

Publication number
CN114098645B
CN114098645B CN202111412143.XA CN202111412143A CN114098645B CN 114098645 B CN114098645 B CN 114098645B CN 202111412143 A CN202111412143 A CN 202111412143A CN 114098645 B CN114098645 B CN 114098645B
Authority
CN
China
Prior art keywords
heartbeat
human body
target human
respiratory
signal
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
CN202111412143.XA
Other languages
English (en)
Other versions
CN114098645A (zh
Inventor
杨晓波
慕安臻
孙铁军
崔国龙
步雨晴
张博
刘宏
罗皓蓝
张佳舒
郭世盛
殷豪杰
孔令讲
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.)
Qingdao Hisense Hitachi Air Conditioning System Co Ltd
Original Assignee
Qingdao Hisense Hitachi Air Conditioning System 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 Qingdao Hisense Hitachi Air Conditioning System Co Ltd filed Critical Qingdao Hisense Hitachi Air Conditioning System Co Ltd
Priority to CN202111412143.XA priority Critical patent/CN114098645B/zh
Publication of CN114098645A publication Critical patent/CN114098645A/zh
Application granted granted Critical
Publication of CN114098645B publication Critical patent/CN114098645B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • 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
    • A61B5/72—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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请实施例提供了一种睡眠分期方法及装置，涉及雷达应用技术领域，可用于提升非接触式睡眠分期方法的精确度。该方法包括：获取雷达设备对目标人体进行探测而得到的多个回波信号；根据多个回波信号，获取目标人体的体动特征、呼吸特征以及心跳特征；其中，体动特征用于反映目标人体的体动情况；呼吸特征包括呼吸时域特征和呼吸频域特征；心跳特征包括心跳时域特征和心跳频域特征；将目标人体的体动特征、呼吸特征以及心跳特征输入至睡眠分期模型，得到目标人体当前所处的睡眠阶段，睡眠阶段包括清醒期、浅睡期、深睡期或者快速眼动期。

Description

一种睡眠分期方法及装置
技术领域
本申请涉及雷达应用技术领域，尤其涉及一种睡眠分期方法及装置。
背景技术
随着人们生活节奏普遍加快，生活方式改变，睡眠质量低已成为当今的普遍现象。科学研究发现，低质睡眠会影响人体的机体免疫以及神经体统，对人体的身心健康危害甚大。因此，人们对于睡眠问题越来越重视。改善睡眠质量的第一步就是睡眠质量监测，为提高睡眠监测的普遍性，很多适合日常使用的睡眠监测产品被开发出来。
现有的睡眠质量监测及评估的方式主要是接触式测量，比如基于可穿戴式设备(智能手表、智能手环等)进行睡眠质量监测的方式，其监测成本较低，需要佩戴在被检测者身上，通过设备与皮肤的接触，检测其心跳呼吸频率，从而判断睡眠质量。此类产品往往需要整晚佩戴，影响用户的睡眠舒适度。
发明内容
本申请实施例提供一种睡眠分期方法及装置，可用于提升非接触式睡眠分期方法的精确度。
第一方面，本申请实施例提供一种睡眠分期方法，该方法包括：获取雷达设备对目标人体进行探测而得到的多个回波信号；根据多个回波信号，获取目标人体的体动特征、呼吸特征以及心跳特征；其中，体动特征用于反映目标人体的体动情况；呼吸特征包括呼吸时域特征和呼吸频域特征，呼吸时域特征用于在时域维度上反映目标人体的呼吸情况，呼吸频域特征用于在频域维度上反映目标人体的呼吸情况；心跳特征包括心跳时域特征和心跳频域特征，心跳时域特征用于在时域维度上反映目标人体的心跳情况，心跳频域特征用于在频域维度上反映目标人体的心跳情况；将目标人体的体动特征、呼吸特征以及心跳特征输入至睡眠分期模型，得到目标人体当前所处的睡眠阶段，睡眠阶段包括清醒期、浅睡期、深睡期或者快速眼动期。
不同于现有技术中一般只采用呼吸频率等呼吸时域特征与心跳频率等心跳时域特征作为睡眠情况的判断依据，本申请提供的睡眠分期方法可以根据目标人体的回波信号，提取出目标人体的体动特征、呼吸时域特征、呼吸频域特征、心跳时域特征以及心跳频域特征，并以此来确定目标人体的睡眠阶段。也即，本申请的技术方案从回波信号中提取出更多能够反映人体睡眠情况的信息，并根据这些信息以确定人体所处的睡眠阶段，从而使得最终的确定结果更加准确。
第二方面，提供一种睡眠分期装置，该装置包括获取单元与处理单元；获取单元用于获取雷达设备对目标人体进行探测而得到的多个回波信号；处理单元用于根据所述多个回波信号，获取所述目标人体的体动特征、呼吸特征以及心跳特征；其中，所述体动特征用于反映所述目标人体的体动情况；所述呼吸特征包括呼吸时域特征和呼吸频域特征，所述呼吸时域特征用于在时域维度上反映所述目标人体的呼吸情况，所述呼吸频域特征用于在频域维度上反映所述目标人体的呼吸情况；所述心跳特征包括心跳时域特征和心跳频域特征，所述心跳时域特征用于在时域维度上反映所述目标人体的心跳情况，所述心跳频域特征用于在频域维度上反映所述目标人体的心跳情况；处理单元还用于将所述目标人体的体动特征、呼吸特征以及心跳特征输入至睡眠分期模型，得到所述目标人体当前所处的睡眠阶段，所述睡眠阶段包括清醒期、浅睡期、深睡期或者快速眼动期。
第三方面，提供一种睡眠分期装置，该装置包括：至少一个处理器和至少一个储存器；至少一个存储器中存储有计算机指令，当计算机指令被睡眠分期装置执行时，使得睡眠分期装置执行上述第一方面提供的睡眠分期方法。
第四方面，提供一种计算机可读存储介质，该计算机可读存储介质包括计算机指令，当所述计算机指令在计算机上运行时，使得该计算机执行上述第一方面提供的睡眠分期方法。
第五方面，提供一种包含计算机指令的计算机程序产品，当该计算机指令在计算机上运行时，使得计算机执行上述第一方面提供的睡眠分期方法。
上述第二方面至第五方面中任一种可能的方案所带来的技术效果可参加第一方面中对应的有益效果分析，在此不再赘述。
附图说明
图1为本申请实施例提供的一种雷达设备的应用场景示意图；
图2为本申请实施例提供的一种睡眠分期方法的流程图；
图3为本申请实施例提供的一种体动特征的确定方法的流程图；
图4为本申请实施例提供的一种呼吸特征的确定方法的流程图；
图5为本申请实施例提供的一种呼吸信号的示意图；
图6为本申请实施例提供的一种心跳特征的确定方法的流程图；
图7为本申请实施例提供的一种心跳信号的示意图；
图8为本申请实施例提供的一种睡眠分期装置的组成示意图；
图9为本申请实施例提供的一种睡眠分期装置的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
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。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。另外，在对管线进行描述时，本申请中所用“相连”、“连接”则具有进行导通的意义。具体意义需结合上下文进行理解。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
为了便于理解，首先对本发明实施例涉及到的一些术语或技术的基本概念进行简单的介绍和说明。
1、脉冲压缩(linear frequency modulation continuous wave，LFMCW)
雷达通常会在发射端发射大时宽、带宽信号，以提高雷达信号的速度测量精度和速度分辨力，而在雷达的接收端，将宽脉冲信号压缩为窄脉冲信号，可以提高雷达对目标的距离分辨精度和距离分辨力。
脉冲压缩即是指将宽脉冲信号的回波信号进行处理以获得窄脉冲的过程，从而处理后的信号既保持了窄脉冲的高距离分辨力，又能获得宽脉冲的强检测能力。
2、动目标显示(moving target indication，MTI)
动目标显示技术，是最早用于杂波抑制的技术之一。其基于活动目标与杂波的多普勒效应在频谱上存在的差异，采用阻带滤波抑制杂波频谱，从而从杂波背景中提取出检测目标的回波，是雷达总体技术的一种。
3、快速傅里叶变换(fast fourier transform，FFT)
快速傅里叶变换即利用计算机计算离散傅里叶变换(DFT)的高效、快速计算方法的统称，简称FFT。FFT的基本思想是把原始的N点序列，依次分解成一系列的短序列。FFT是一种时频分析方法，可以将时域信号转化为频域信号，得到频率信息。
4、支持向量机(support vector machine，SVM)
支持向量机是是一类按照监督学习方式对数据进行二元分类的广义线性分类器。它是一种二分类模型，其基本模型是定义在特征空间上的间隔最大的线性分类器，还可以通过核方法(kernel method)进行非线性分类，是常见的核学习方法之一。SVM的学习策略包括间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。
5、深度睡眠
睡眠对于大脑健康是极为重要的。成年人一般需要有7至9个小时的高质量睡眠。如果睡眠的时间不足或质量不高，那么大脑的疲劳就难以恢复，可能影响大脑功能，严重的甚至危害生命。
深度睡眠是整个睡眠过程的一部分，也被称为“黄金睡眠”，正常情况下约占整个睡眠时间的25％。在人体处于深度睡眠的状态下，大脑皮层细胞处于充分休息状态，这对于消除疲劳、恢复精力、免疫抗病等都有至关重要的作用。因此，在一次完整的睡眠过程中，深度睡眠的时长是评价其睡眠质量的重要指标。
6、快速眼动期(rapid eye movement，REM)
快速动眼期是动物睡眠的一个阶段，又称快速动眼睡眠。REM睡眠在生理学上面与其他的睡眠阶段极为不同，因此除了REM以外的睡眠阶段被统称为非REM睡眠(NREM)。在一个睡眠周期中，会出现REM睡眠和非REM睡眠的交替。
在REM睡眠阶段，人的眼球会快速移动，同时身体肌肉放松。此时大脑的神经元的活动与清醒的时候相同，呈现快速、低电压去同步化的脑电波。但是，机体会偏离平衡态，呼吸、体温调节和循环系统都会有大幅波动，这样的情形在其他的睡眠阶段或者清醒时不会出现。
以上是对本申请实施例中涉及到的技术术语的介绍，以下不再赘述。
如背景技术所述，现有的基于可穿戴式接触式睡眠监测设备往往需要整晚佩戴，对于部分用户而言很难习惯，降低用户的睡眠舒适度。
有鉴于此，本申请提供一种睡眠分期方法，该方法包括：获取雷达设备对目标人体进行探测而得到的多个回波信号；根据多个回波信号，获取目标人体的体动特征、呼吸特征以及心跳特征；其中，体动特征用于反映目标人体的体动情况；呼吸特征包括呼吸时域特征和呼吸频域特征，呼吸时域特征用于在时域维度上反映目标人体的呼吸情况，呼吸频域特征用于在频域维度上反映目标人体的呼吸情况；心跳特征包括心跳时域特征和心跳频域特征，心跳时域特征用于在时域维度上反映目标人体的心跳情况，心跳频域特征用于在频域维度上反映目标人体的心跳情况；将目标人体的体动特征、呼吸特征以及心跳特征输入至睡眠分期模型，得到目标人体当前所处的睡眠阶段，睡眠阶段包括清醒期、浅睡期、深睡期或者快速眼动期。
不同于现有技术中一般只采用呼吸频率等呼吸时域特征与心跳频率等心跳时域特征作为睡眠情况的判断依据，本申请提供的睡眠分期方法可以根据目标人体的回波信号，提取出目标人体的体动特征、呼吸时域特征、呼吸频域特征、心跳时域特征以及心跳频域特征，并以此来确定目标人体的睡眠阶段。也即，本申请的技术方案从回波信号中提取出更多能够反映人体睡眠情况的信息，并根据这些信息以确定人体所处的睡眠阶段，从而使得最终的确定结果更加准确。。
在本申请实施例中，雷达设备是利用电磁波进行目标探测的电子设备，例如：毫米波雷达、微波雷达、超宽带雷达等。
其中，毫米波是指30～300GHz频域(波长为1～10mm)的电磁波。毫米波的波长介于厘米波和光波之间，因此毫米波兼有微波制导和光电制导的优点。毫米波具有极宽的带宽，能够缓解频域资源紧张的问题；毫米波的波束窄，能够更为清晰地观察目标物体的细节。如此，本申请的一些实施例采用毫米波进行体动检测，有效的提升了雷达设备的抗干扰能力、分辨能力和测量精度。
示例性的，雷达设备可以由雷达发射机、雷达接收机和天线组成。
雷达发射机，是为雷达设备提供大功率射频信号的无线电装置，能够产生载波受调制的大功率射频信号，即电磁波。按调制方式，发射机可分为连续波发射机和脉冲发射机两类。发射机由一级射频振荡器和脉冲调制器组成。
雷达接收机，是雷达设备中进行变频、滤波、放大和解调的装置。通过适当的滤波将天线接收到的微弱高频信号从伴随的噪声和干扰中选择出来，并经过放大和检波后，用于目标检测、显示或其它雷达信号处理。
天线，是雷达设备中用来发射或接收电磁波并决定其探测方向的装置。在发射时，将能量集中辐射到需要照射的方向；在接收时，接收探测方向的回波，并分辨出目标的方位和/或仰角。
雷达设备测量距离的原理为，雷达设备通过测量发射电磁波与接收电磁波之间的时间差，可以得到目标物体的距离。
雷达设备测量方位的原理为，雷达设备根据天线的方位波束和仰角波束来测量距离和仰角，进而得到目标物体的方位。
此外，在实际使用中，需要根据具体使用目的来部署雷达设备。例如需要对位于室内的人员进行睡眠分期监测时，可以将雷达设备部署于合理的位置及角度，以使得人员的睡眠位置在雷达设备的检测空间内。
示例性的，如图1所示，在本申请实施例中，雷达设备可以部署在家居设备(例如空调)上，以使得雷达设备的探测空间包括卧室的床体。从而，雷达设备通过对其探测空间内进行探测，可以得到位于卧室的床体上的目标人体的回波信号，在目标人体处于睡眠状态时，雷达设备即可实时检测目标人体的睡眠情况。具体的，雷达设备可以通过发射天线向监测区域内发射电磁波，并通过接收天线接收回波信号，并将回波信号送至接收机进行信号处理。在经过变频、滤波、放大或解调等处理后，接收机提取出动态目标(也即上述目标人体)的相关信息，通过对目标人体的相关信息进行特征分析，得到目标人体的睡眠分期结果。
下面将结合附图对本实施例的实施方式进行详细描述。
如图2所示，为本申请实施例提供一种睡眠分期方法，该方法包括以下步骤：
S101、睡眠分期装置获取雷达设备对目标人体进行探测而得到的多个回波信号。
其中，上述睡眠分期装置可以为雷达设备；或者，睡眠分期装置可以为其它具有数据处理能力的设备，该设备与雷达设备连接；或者，睡眠分期装置可以为配置雷达设备的家居设备，例如配置雷达设备的空调等。为了便于理解，下文中以睡眠分期装置为雷达设备为例进行说明。
此外，雷达设备通常以预设频率周期性发射电磁波，并获取目标人体反射的回波信号。从而，睡眠分期装置可以获取雷达设备在一段时间内以预设工作频率对目标人体进行多次探测而得到的多个回波信号。
可选的，在睡眠分期装置获取雷达设备对目标人体进行探测得到的多个回波信号之后，可以对获取到的多帧回波信号进行预处理。
具体的，睡眠分期装置在获取雷达设备对目标人体进行探测得到的多个回波信号之后，首先对回波信号进行脉冲压缩，得到窄脉冲信号，以便于对回波信号进行后续处理。进一步地，睡眠分期装置利用动目标显示技术对窄脉冲信号进行处理，以消除杂波信号的干扰和影响，得到信噪比较高的目标人体的回波信号。
需要说明的是，受实际睡眠环境的影响，睡眠分期装置获取雷达设备对目标人体进行探测得到的回波信号中可能包括大量床、衣橱、沙发等室内摆设而产生的杂波信号，这些杂波信号和目标人体产生的回波信号杂糅在一起，会对后续分析目标人体产生的回波信号产生干扰。因此，睡眠分期装置可以首先对得到的回波信号进行预处理，去除获取到的背景中的静止目标生成的杂波信号。
示例性的，利用动目标显示技术的处理公式可以如公式(1)所示：
SBMTI(t)＝SB(t)-SB(t-Tr) (1)
其中，SB(t)表示雷达设备采集到的回波信号；SBMTI(t)表示雷达数据中的目标人体的回波信号；SB(t-Tr)表示雷达设备采集到的杂波信号。
需要说明的是，受实际睡眠环境的影响，睡眠分期装置获取雷达设备对目标人体进行探测得到的回波信号中可能包括大量床、衣橱、沙发等室内摆设而产生的杂波信号，这些杂波信号和目标人体产生的回波信号杂糅在一起，会对后续分析目标人体产生的回波信号产生干扰。因此，睡眠分期装置可以首先对得到的回波信号进行预处理，去除获取到的背景中的静止目标生成的杂波信号。
在一些实施例中，在执行下述步骤S102之前，睡眠分期装置可以根据获取到的雷达设备对目标人体进行探测得到的多帧回波信号，确定目标人体是否处于当前检测空间内。
进一步地，在目标人体处于当前检测空间的情况下，睡眠分期装置可以开始对目标人体进行睡眠检测，执行下述步骤S102。在目标人体未处于当前检测空间的情况下，睡眠分期装置可以不执行睡眠检测步骤，如此，可以减少不必要的处理过程，以减轻睡眠分期装置的运算负担。
S102、睡眠分期装置根据多个回波信号，获取目标人体的体动特征、呼吸特征以及心跳特征。
其中，上述体动特征用于反映目标人体的体动情况。
上述呼吸特征包括呼吸时域特征和呼吸频域特征，呼吸时域特征用于在时域维度上反映目标人体的呼吸情况，呼吸频域特征用于在频域维度上反映目标人体的呼吸情况。
上述心跳特征包括心跳时域特征和心跳频域特征，心跳时域特征用于在时域维度上反映目标人体的心跳情况，心跳频域特征用于在频域维度上反映目标人体的心跳情况。
S103、睡眠分期装置将目标人体的体动特征、呼吸特征以及心跳特征输入至睡眠分期模型，得到目标人体当前所处的睡眠阶段。
其中，上述睡眠阶段包括清醒期、浅睡期、深睡期或者快速眼动期。
可选的，上述睡眠分期模型可以为基于支持向量机(support vector machine，SVM)的睡眠分期模型。
示例性的，睡眠分期装置可以根据预设核函数通过训练样本集对上述睡眠分期模型进行训练，得到基于支持向量机的睡眠分期模型
其中，上述训练样本集可以为目标人体的历史睡眠数据，历史睡眠数据包括目标人体的各个睡眠阶段的体动特征、呼吸特征以及心跳特征。
可选的，睡眠分期装置可以对多个不同目标进行整晚睡眠的睡眠数据采集，并建立数据库。其中，该数据库包括多个不同目标进行整晚睡眠的睡眠数据。从而，睡眠分期装置可以从该数据库中提取出目标人体的历史睡眠数据。
可选的，在将目标人体的体动特征、呼吸特征以及心跳特征输入至睡眠分期模型之前，睡眠分期装置可以获取到的目标人体的体动特征、呼吸特征以及心跳特征进行归一化处理。也即，睡眠分期装置在提取出目标人体的体动特征、呼吸特征以及心跳特征之后，为了消除特征在量纲上的差异，可以对特征值进行数据规格化处理，将其变换为[0,1]的区间的数值。
在一些实施例中，睡眠分期装置可以以预设处理频率对目标人体进行实时睡眠分期。其中，预设处理频率可以为30秒、1分钟或其他合理的时长。
进一步地，在目标人体结束整晚的睡眠时，睡眠分期装置可以根据各个时间段对应的睡眠阶段，生成此次睡眠的分期曲线图，并根据该分期曲线图生成睡眠质量报告。
不同于现有技术中一般只采用呼吸频率等呼吸时域特征与心跳频率等心跳时域特征作为睡眠情况的判断依据，本申请提供的睡眠分期方法可以根据目标人体的回波信号，提取出目标人体的体动特征、呼吸时域特征、呼吸频域特征、心跳时域特征以及心跳频域特征，并以此来确定目标人体的睡眠阶段。也即，本申请的技术方案从回波信号中提取出更多能够反映人体睡眠情况的信息，并根据这些信息以确定人体所处的睡眠阶段，从而使得最终的确定结果更加准确。
在一些实施例中，上述体动特征可以包括目标人体在第一时长内的体动次数。如图3所示，本申请实施例提供一种体动次数的确定方法，该方法包括：
S201、睡眠分期装置对所述第一时长内的各个回波信号进行处理，得到各个回波信号对应的体动指数。
可选的，睡眠分期装置可以根据多个回波信号，提取出目标人体的距离变化信息。
示例性的，雷达设备可以根据以下公式(2)来确定目标人体与雷达设备之间的一维距离像：
TR(m，k)表示第m个脉冲信号在k处的幅值，Wu为一个预设的窗函数，S(n-u，m)表示第m个脉冲信号的第n-u个采样点的数据。
可选的，睡眠分期装置可以对预处理后的回波信号进行二维FFT计算，结合上述目标人体的距离变化信息，得到距离多普勒图。并根据距离多普勒图中各个点的幅度值，确定幅度值的平均值与幅度值的最大值。进而根据幅度值平均值以及幅度值的最大值，确定回波信号对应的体动指数。
其中，睡眠分期装置对获取到的回波信号进行预处理可参考上述步骤S101中预处理的相关描述，此处不再赘述。
示例性的，睡眠分期装置可以获取预处理后的回波信号，分别对每个脉冲进行快速傅里叶变换(Fast Fourier Transform，FFT)，得到距离向的FFT结果，然后对一个回波数据的多个脉冲进行多普勒向的FFT，合并后可以得到该回波信号对应的距离多普勒图。
从而，睡眠分期装置可以在距离多普勒图中确定各个点的幅度值，并计算各个幅度值的平均值与幅度值的最大值。
进一步地，睡眠分期装置可以根据以下公式(3)计算体动指数：
M＝mean(2dfft)/max(2dfft) (3)
其中，M表示一个回波信号对应的目标人体的体动指数，mean(2dfft)表示该回波信号的距离多普勒图中确定各个点幅度值的平均值，max(2dfft)表示该回波信号的距离多普勒图中确定各个点的幅度值的最大值。
S202、睡眠分期装置将各个回波信号的体动指数与预设阈值进行比较，确定大于预设阈值的体动指数的个数。
其中，上述预设阈值为睡眠分期装置根据目标人体发生体动的历史睡眠数据预设的体动指数。
由于一个回波信号的体动指数可以反映目标人体在该回波信号对应的探测时间内的体动幅度。从而，睡眠分期装置可以将各个回波信号的体动指数与预设阈值进行比较，在体动指数大于预设阈值时，睡眠分期装置可以确定目标人体在该回波信号对应的探测时间内发生了一次体动。
S203、睡眠分期装置将所述大于预设阈值的体动指数的个数确定为所述目标人体在所述第一时长内的体动次数。
基于上述实施例，可以根据目标人体在第一时长内的回波信号，计算第一时长内的多个体动指数，并根据得到的多个体动指数确定体动次数，这样可以较为准确地判断目标人体的体动情况。
可选的，如图4所示，本申请实施例提供一种呼吸特征的确定方法，该方法包括：
S301、睡眠分期装置根据雷达设备对目标人体进行探测而得到的多个回波信号，提取出目标人体的呼吸信号。
其中，睡眠分期装置可以通过呼吸信号滤波器将低频信号滤除，得到目标人体的呼吸信号。
由于人体的呼吸信号的一般情况下的频率范围为0.13-0.4Hz，则上述滤波器的呼吸的低频截止频率应低于0.13Hz，例如0.1Hz；高频截止频率设计可以在0.4Hz至0.8Hz之间，例如0.7Hz。
S302、睡眠分期装置根据目标人体的呼吸信号，确定呼吸时域特征。
其中，呼吸时域特征包括以下一项或者多项：呼吸频率、呼吸频率的方差、第一呼吸特征参数或者第二呼吸特征参数。
示例性的，目标人体的呼吸信号的时域波形图可以如图5中的(a)所示。进而，睡眠分期装置可以根据图5中的(a)所示的呼吸信号的时域波形图，确定目标人体的呼吸时域特征。
下面具体说明呼吸时域特征中的每个参数的具体确定方式。
(1)呼吸频率
在本申请实施例中，上述呼吸频率可以用于反映目标人体在第一时间段内的平均呼吸次数。第一时间段可以为1分钟、30秒或其他合理的数值。
示例性的，由于时域波形图的峰值即为呼吸信号的频率值，从而睡眠分期装置可以在如图5中的(a)所示的呼吸信号的时域波形图进行寻峰操作，进而根据时域波形图的峰值以及每相邻两个峰值之间的时间间隔，确定目标人体的呼吸频率。
(2)第二呼吸特征参数
上述第二呼吸特征参数可以反映在一段时间内目标人体的呼吸信号的峰值变化情况。
示例性的，在确定呼吸信号的时域波形图的多个峰值之后，睡眠分期装置可以进一步以下公式(4)确定第二呼吸特征参数：
其中，Ri+1表示呼吸信号在第三时长内的时域波形的第i+1个峰值，Ri表示呼吸信号在第三时长内的时域波形的第i个峰值，T表示所述第二呼吸特征参数，m为上述呼吸信号在第三时长内的时域波形的波峰个数。
(3)呼吸频率的方差
呼吸频率的方差可以用于反映目标人体在一段时间内(例如10分钟、20分钟等)的呼吸起伏情况。呼吸频率的方差越小，表明目标人体的呼吸越平缓；呼吸频率的方差越大，表明目标人体的呼吸起伏越大。
应理解，在一般情况下人体处于不同的睡眠时期，其呼吸的起伏情况也不相同。例如，人体在深睡期呼吸平缓，在快速眼动期呼吸起伏较大。因此，睡眠分期装置可以确定呼吸频率的方差，并以此作为睡眠分期的依据之一。
示例性的，睡眠分期装置可以获取N个相邻的第三时间段对应的N个呼吸频率，并计算获取到的多个呼吸频率的方差。其中，N可以取10、20等合理的正整数。
其中，呼吸频率的方差可以根据以下公式(5)计算，
S2为第二预设时长对应的呼吸频率的方差，N为睡眠分期装置获取到的第二预设时长中的呼吸频率的个数，x(n)表示第二预设时长中的第n个呼吸频率。
(4)第一呼吸特征参数
第一呼吸特征参数用于反映目标人体在第二时长内前半段时间的呼吸次数和后半段时间的呼吸次数之间的差值。例如，第二时长可以为1分钟。
需要说明的是，由于第一呼吸特征参数用于反映目标人体在第二时长内前半段时间的呼吸次数和后半段时间的呼吸次数之间的差值，第一特征参数可以更加精准地反映目标人体在第二时长内的呼吸起伏情况。由于快速眼动期的呼吸起伏情况不同于其他睡眠阶段，但目标人体处于快速眼动期以及浅睡期的呼吸起伏都比较大，因此，处呼吸频率的方差之外，睡眠分期装置还可以确定第一呼吸特征参数，以进一步区分出目标人体的快速眼动期。
在一些实施例中，睡眠分期装置可以提取第三时长中各个时间点对应呼吸频率，并将第三时长划分为K个第二时长，进而根据第三时长中的多个呼吸频率，计算K个第二时长中各个第二时长的前半段时间的呼吸次数，以及各个第二时长的后半段时间的呼吸次数。如此，综合第三时长K个第二时长的呼吸情况，可以减小单个呼吸频率的误差数值对第一呼吸特征参数的影响，进而可以更加准确地确定第一呼吸特征参数。
示例性的，第一呼吸特征参数可以根据以下公式(6)确定：
其中，表示第三时长中第K个第二时长内的前半段时间的呼吸次数，表示第三时长中第K个第二时长内的后半段时间的呼吸次数，R1表示所述第一呼吸特征参数，q为正整数。示例性的，第二时长可以为1分钟，q可以取2，则第三时长为5分钟。
S303、睡眠分期装置根据目标人体的呼吸信号，确定呼吸频域特征。
其中，上述呼吸频域特征具体用于指示所述目标人体的呼吸信号在不同频段上的能量之间的比值。
示例性的，睡眠分期装置可以进一步根据目标人体的呼吸信号，确定如图5中的(b)所示的呼吸信号的频谱图。进而，睡眠分期装置可以根据图5中的(b)所示的呼吸信号的频谱图，确定目标人体的呼吸频域特征。
可选的，呼吸频域特征包括以下一项或者多项：呼吸信号在第一频段上的能量与呼吸信号在第二频段上的能量之间的比值、呼吸信号在第一频段上的能量与呼吸信号在第三频段上的能量之间的比值、或者，呼吸信号在第二频段上的能量与呼吸信号在第三频段上的能量之间的比值。其中，第一频段小于第二频段，第二频段小于第三频段。
示例性的，第一频段可以为0.01Hz-0.05Hz之间的呼吸信号的极低频频段，第二频段可以为0.05Hz-0.15Hz之间的呼吸信号的低频频段，第三频段可以为0.15Hz-0.5Hz之间的呼吸信号的高频频段。
从而，睡眠分期装置可以根据图6所示的呼吸信号的频谱图，确定呼吸信号在0.01Hz-0.05Hz之间的极低频能量、在0.05Hz-0.15Hz之间低频能量，以及在0.15Hz-0.5Hz之间的高频能量。进一步的，睡眠分期装置可以确定极低频能量与低频能量之间的比值，极低频能量与高频能量之间的比值，以及低频能量与高频能量之间的比值。
在一些实施例中，如图6所示，本申请实施例提供一种心跳特征的确定方法，该方法包括：
S401、睡眠分期装置根据雷达设备对目标人体进行探测而得到的多个回波信号，提取出目标人体的心跳信号。
由于人体的心跳信号在正常情况下的频率范围为0.83-3.3Hz，低频段包含有用信息多，因此，可以根据心跳信号的频率范围为0.83-3.3Hz设置心跳信号滤波器，通过该心跳信号滤波器将其余信号滤除，得到目标人体的心跳信号。
S402、睡眠分期装置根据目标人体的心跳信号，确定心跳时域特征。
其中，心跳时域特征包括以下一项或者多项：心跳频率、心跳频率的方差、第一心跳特征参数或者第二心跳特征参数。
示例性的，目标人体的心跳信号的时域波形图可以如图7中的(a)所示。进而，睡眠分期装置可以根据如图7中的(a)所示的心跳信号的时域波形图，确定目标人体的心跳时域特征。
下面具体说明心跳时域特征中的每个参数的具体确定方式。
(5)心跳频率
在本申请实施例中，上述心跳频率可以用于反映目标人体在第一时间段内的平均心跳次数。第一时间段可以为1分钟、30秒或其他合理的数值。
示例性的，由于心跳信号的时域波形图的峰值即为心跳信号的频率值，从而睡眠分期装置可以在如图7中的(a)所示的心跳信号的时域波形图进行寻峰操作，进而根据时域波形图的峰值以及每相邻两个峰值之间的时间间隔，确定目标人体的心跳频率。
示例性的，上述时域波形图的峰值即为心跳信号的频率值，从而睡眠分期装置可以在如图7中的(a)所示的心跳信号的时域波形图进行寻峰操作，进而根据时域波形图的峰值以及每相邻两个峰值之间的时间间隔，确定目标人体的心跳频率。
(6)第二心跳特征参数
上述第二心跳特征参数可以反映在一段时间内目标人体的呼吸信号的峰值变化情况。
示例性的，在确定呼吸信号的时域波形图的多个峰值之后，睡眠分期装置可以进一步以下公式(7)确定第二呼吸特征参数：
其中，Gi+1表示心跳信号在第三时长内的时域波形的第i+1个峰值，Gi表示心跳信号在第三时长内的时域波形的第i个峰值，F表示所述第二心跳特征参数，a为上述心跳信号在第三时长内的时域波形的波峰个数。
(7)心跳频率的方差
心跳频率的方差可以用于反映目标人体在一段时间内(例如10分钟、20分钟等)的心跳起伏情况。心跳频率的方差越小，表明目标人体的心跳越平缓；心跳频率的方差越大，表明目标人体的心跳起伏越大。
应理解，在一般情况下人体处于不同的睡眠时期，其心跳的起伏情况也不相同。例如，人体在深睡期心跳平缓，在快速眼动期心跳起伏较大。因此，睡眠分期装置可以确定心跳频率的方差，并以此作为睡眠分期的依据之一。
示例性的，睡眠分期装置可以获取M个相邻的第三时间段对应的M个心跳频率，并计算获取到的多个心跳频率的方差。其中，M可以取10、20等合理的正整数。
其中，心跳频率的方差可以根据以下公式(8)计算：
Z2为第二预设时长对应的心跳频率的方差，M为睡眠分期装置获取到的第二预设时长中的心跳频率的个数，y(m)表示第二预设时长中的第m个心跳频率。
(8)第一心跳特征参数
第一心跳特征参数用于反映目标人体在第二时长内前半段时间的心跳次数和后半段时间的心跳次数之间的差值。
在一些实施例中，睡眠分期装置可以提取第三时长中各个时间点对应心跳频率，并将第三时长划分为K个第二时长，进而根据第三时长中的多个心跳频率，计算K个第二时长中各个第二时长的前半段时间的心跳次数，以及各个第二时长的后半段时间的心跳次数。如此，综合第三时长K个第二时长的心跳情况，可以减小单个心跳频率的误差数值对第一心跳特征参数的影响，进而可以更加准确地确定第一心跳特征参数。
示例性的，第一心跳特征参数可以根据以下公式(9)计算：
其中，表示第三时长中第K个第二时长内的前半段时间的心跳次数，表示第三时长中第K个第二时长内的后半段时间的心跳次数，Rem(s)表示所述第一心跳特征参数，p为正整数。示例性的，第二时长可以为1分钟，p可以取2，则第三时长为5分钟。
S403、睡眠分期装置根据目标人体的心跳信号，确定心跳频域特征。
其中，上述心跳频域特征具体用于指示所述目标人体的心跳信号在不同频段上的能量之间的比值。
示例性的，睡眠分期装置可以进一步根据目标人体的心跳信号，确定如图7中的(b)所示的心跳信号的频谱图。进而，睡眠分期装置可以根据图7中的(b)所示的心跳信号的频谱图，确定目标人体的心跳频域特征。
可选的，心跳频域特征包括以下一项或者多项：心跳信号在第四频段上的能量与心跳信号在第五频段上的能量之间的比值、心跳信号在第四频段上的能量与心跳信号在第六频段上的能量之间的比值、或者，心跳信号在第五频段上的能量与心跳信号在第六频段上的能量之间的比值。其中，第四频段小于第五频段，第五频段小于第六频段。
示例性的，第四频段可以为0Hz-0.04Hz之间的心跳信号的极低频频段，第五频段可以为0.04Hz-0.15Hz之间的心跳信号的低频频段，第六频段可以为0.15Hz-0.4Hz之间的心跳信号的高频频段。其中，第四频段、第五频段、以及第六频段可以根据目标人体的睡眠时的心跳情况设定。
从而，睡眠分期装置可以根据图7中的(b)所示的心跳信号的频谱图，确定心跳信号在0Hz-0.04Hz之间的极低频能量、在0.04Hz-0.15Hz之间低频能量，以及在0.15Hz-0.4Hz之间的高频能量。进一步的，睡眠分期装置可以确定极低频能量与低频能量之间的比值，极低频能量与高频能量之间的比值，以及低频能量与高频能量之间的比值。
基于上述实施例，睡眠分期装置可以确定呼吸信号的时域特征以及频域特征，其可以多角度地反映目标人体的呼吸特征。
上述主要从方法的角度对本申请提供的方案进行了介绍。可以理解的是，睡眠分期装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的算法步骤，本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，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发明的范围。
本申请可以根据上述方法示例对睡眠分期装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请中对模块的划分是示意性的，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。
图8示出本申请实施例提供的一种睡眠分期装置的组成示意图。如图8所示，该睡眠分期装置1000包括获取单元1001和处理单元1002。
获取单元1001，用于获取雷达设备对目标人体进行探测而得到的多个回波信号。
处理单元1002，用于获取到的根据多个回波信号，获取目标人体的体动特征、呼吸特征以及心跳特征；其中，该体动特征用于反映目标人体的体动情况；呼吸特征包括呼吸时域特征和呼吸频域特征，呼吸时域特征用于在时域维度上反映目标人体的呼吸情况，呼吸频域特征用于在频域维度上反映目标人体的呼吸情况；心跳特征包括心跳时域特征和心跳频域特征，心跳时域特征用于在时域维度上反映目标人体的心跳情况，心跳频域特征用于在频域维度上反映目标人体的心跳情况；
处理单元1002，还用于将目标人体的体动特征、呼吸特征以及心跳特征输入至睡眠分期模型，得到目标人体当前所处的睡眠阶段，睡眠阶段包括清醒期、浅睡期、深睡期或者快速眼动期。
在一些实施例中，处理单元1002，具体用于：对第一时长内的各个回波信号进行处理，得到各个回波信号对应的体动指数；将各个回波信号的体动指数与预设阈值进行比较，确定大于预设阈值的体动指数的个数；将大于预设阈值的体动指数的个数确定为目标人体在第一时长内的体动次数。
在一些实施例中，处理单元1002，具体用于：对回波信号进行预处理，获取预处理后的回波信号；对预处理后的回波信号进行二维FFT计算，得到距离多普勒图；根据距离多普勒图中各个点的幅度值，确定幅度值的平均值；根据距离多普勒图中各个点的幅度值，确定幅度值的最大值；根据幅度值平均值以及幅度值的最大值，确定回波信号对应的体动指数。
在一些实施例中，呼吸时域特征包括以下一项或者多项：呼吸频率、呼吸频率的方差、第一呼吸特征参数或者第二呼吸特征参数；其中，第一呼吸特征参数用于反映目标人体在第二时长内前半段时间的呼吸次数和后半段时间的呼吸次数之间的差值；第二呼吸特征参数用于反映在第三时长内目标人体的呼吸信号的峰值变化情况。
在一些实施例中，第一呼吸特征参数满足以下关系：
其中，表示第三时长中第K个第二时长内的前半段时间的呼吸次数，表示第三时长中第K个第二时长内的后半段时间的呼吸次数，Rem(K)表示第一呼吸特征参数，q为整数。
在一些实施例中，第二呼吸特征参数满足以下关系：
其中，Ri+1表示呼吸信号在第三时长内的时域波形的第i+1个峰值，Ri表示呼吸信号在第三时长内的时域波形的第i个峰值，T表示第二呼吸特征参数。
在一些实施例中，呼吸频域特征具体用于指示目标人体的呼吸信号在不同频段上的能量之间的比值。
在一些实施例中，呼吸频域特征包括以下一项或者多项：呼吸信号在第一频段上的能量与呼吸信号在第二频段上的能量之间的比值；呼吸信号在第一频段上的能量与呼吸信号在第三频段上的能量之间的比值；或者，呼吸信号在第二频段上的能量与呼吸信号在第三频段上的能量之间的比值；其中，第一频段小于第二频段，第二频段小于第三频段。
在一些实施例中，心跳时域特征包括以下一项或者多项：心跳频率、心跳频率的方差、第一心跳特征参数或者第二心跳特征参数；其中，第一心跳特征参数用于反映目标人体在第二时长内前半段时间的心跳次数和后半段时间的心跳次数之间的差值；第二心跳特征参数用于反映在第三时长内目标人体的心跳信号的峰值变化情况。
在一些实施例中，心跳频域特征具体用于指示目标人体的心跳信号在不同频段上的能量之间的比值。
在一些实施例中，心跳频域特征包括以下一项或者多项：心跳信号在第四频段上的能量与心跳信号在第五频段上的能量之间的比值；心跳信号在第四频段上的能量与心跳信号在第六频段上的能量之间的比值；或者，心跳信号在第五频段上的能量与心跳信号在第六频段上的能量之间的比值；其中，第四频段小于第五频段，第五频段小于第六频段。
图8中的单元也可以称为模块，例如，处理单元可以称为处理模块。另外，在图8所示的实施例中，各个单元的名称也可以不是图中所示的名称，例如，获取单元也可以称为通信单元。
图8中的各个单元如果以软件功能模块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，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。存储计算机软件产品的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例还提供一种睡眠分期装置的硬件结构示意图，如图9所示，该睡眠分期装置2000包括处理器2001，可选的，还包括与处理器2001连接的存储器2002和收发器2003。处理器2001、存储器2002和收发器2003通过总线2004连接。
处理器2001可以是中央处理器(central processing unit，CPU)，通用处理器网络处理器(network processor，NP)、数字信号处理器(digital signal processing，DSP)、微处理器、微控制器、可编程逻辑器件(programmable logic device，PLD)或它们的任意组合。处理器2001还可以是其它任意具有处理功能的装置，例如电路、器件或软件模块。处理器2001也可以包括多个CPU，并且处理器2001可以是一个单核(single-CPU)处理器，也可以是多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路或用于处理数据(例如计算机程序指令)的处理核。
存储器2002可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，本申请实施例对此不作任何限制。存储器2002可以是独立存在，也可以和处理器2001集成在一起。其中，存储器2002中可以包含计算机程序代码。处理器2001用于执行存储器2002中存储的计算机程序代码，从而实现本申请实施例提供的方法。
收发器2003可以用于与其他设备或通信网络通信(如以太网，无线接入网(radioaccess network，RAN)，无线局域网(wireless local area networks，WLAN)等)。收发器2003可以是模块、电路、收发器或者任何能够实现通信的装置。
总线2004可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。所述总线2004可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
本申请实施例还提供了一种计算机可读存储介质，包括计算机执行指令，当其在计算机上运行时，使得计算机执行上述实施例提供的任意一种方法。
本申请实施例还提供了一种包含计算机执行指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的任意一种方法。
本申请实施例还提供了一种芯片，包括：处理器和接口，处理器通过接口与存储器耦合，当处理器执行存储器中的计算机程序或计算机执行指令时，使得上述实施例提供的任意一种方法被执行。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机执行指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本申请实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机执行指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机执行指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种睡眠分期方法，其特征在于，所述方法包括：
获取雷达设备对目标人体进行探测而得到的多个回波信号；
根据所述多个回波信号，获取所述目标人体的体动特征、呼吸特征以及心跳特征；其中，所述体动特征用于反映所述目标人体的体动情况；所述呼吸特征包括呼吸时域特征和呼吸频域特征，所述呼吸时域特征用于在时域维度上反映所述目标人体的呼吸情况，所述呼吸频域特征用于在频域维度上反映所述目标人体的呼吸情况；所述心跳特征包括心跳时域特征和心跳频域特征，所述心跳时域特征用于在时域维度上反映所述目标人体的心跳情况，所述心跳频域特征用于在频域维度上反映所述目标人体的心跳情况；
将所述目标人体的体动特征、呼吸特征以及心跳特征输入至睡眠分期模型，得到所述目标人体当前所处的睡眠阶段，所述睡眠阶段包括清醒期、浅睡期、深睡期或者快速眼动期；
其中，所述目标人体的体动特征包括所述目标人体在第一时长内的体动次数；所述目标人体的体动次数根据以下方式确定：
对所述第一时长内的各个回波信号进行处理，得到各个回波信号对应的体动指数；
将各个回波信号的体动指数与预设阈值进行比较，确定大于预设阈值的体动指数的个数；
将所述大于预设阈值的体动指数的个数确定为所述目标人体在所述第一时长内的体动次数；
一个回波信号对应的体动指数根据以下方式确定：
对所述回波信号进行预处理，获取预处理后的回波信号；
对所述预处理后的回波信号进行二维快速傅里叶变换计算，得到距离多普勒图；
根据所述距离多普勒图中各个点的幅度值，确定幅度值的平均值；
根据所述距离多普勒图中各个点的幅度值，确定幅度值的最大值；
根据所述幅度值平均值以及所述幅度值的最大值，确定所述回波信号对应的体动指数；所述体动指数基于以下公式确定：
M＝mean(2dfft)/max(2dfft)
所述M为一个回波信号对应的目标人体的体动指数，所述mean(2dfft)为所述回波信号的距离多普勒图中各个点的幅度值的平均值，所述max(2dfft)为所述回波信号的距离多普勒图中各个点的幅度值的最大值。
2.根据权利要求1所述的方法，其特征在于，所述呼吸时域特征包括以下一项或者多项：
呼吸频率、呼吸频率的方差、第一呼吸特征参数或者第二呼吸特征参数；其中，所述第一呼吸特征参数用于反映所述目标人体在第二时长内前半段时间的呼吸次数和后半段时间的呼吸次数之间的差值；所述第二呼吸特征参数用于反映在第三时长内所述目标人体的呼吸信号的峰值变化情况。
3.根据权利要求2所述的方法，其特征在于，所述第一呼吸特征参数满足以下关系：
其中，表示第三时长中第K个第二时长内的前半段时间的呼吸次数，表示第三时长中第K个第二时长内的后半段时间的呼吸次数，Rem(K)表示所述第一呼吸特征参数，q为整数。
4.根据权利要求2或3所述的方法，其特征在于，所述第二呼吸特征参数满足以下关系：
其中，Ri+1表示呼吸信号在第三时长内的时域波形的第i+1个峰值，Ri表示呼吸信号在第三时长内的时域波形的第i个峰值，T表示所述第二呼吸特征参数。
5.根据权利要求1所述的方法，其特征在于，所述呼吸频域特征具体用于指示所述目标人体的呼吸信号在不同频段上的能量之间的比值。
6.根据权利要求5所述的方法，其特征在于，所述呼吸频域特征包括以下一项或者多项：
所述呼吸信号在第一频段上的能量与所述呼吸信号在第二频段上的能量之间的比值；
所述呼吸信号在第一频段上的能量与所述呼吸信号在第三频段上的能量之间的比值；或者，
所述呼吸信号在第二频段上的能量与所述呼吸信号在第三频段上的能量之间的比值；
其中，所述第一频段小于所述第二频段，所述第二频段小于所述第三频段。
7.根据权利要求1所述的方法，其特征在于，所述心跳时域特征包括以下一项或者多项：
心跳频率、心跳频率的方差、第一心跳特征参数或者第二心跳特征参数；其中，所述第一心跳特征参数用于反映所述目标人体在第二时长内前半段时间的心跳次数和后半段时间的心跳次数之间的差值；所述第二心跳特征参数用于反映在第三时长内所述目标人体的心跳信号的峰值变化情况。
8.根据权利要求1所述的方法，其特征在于，所述心跳频域特征具体用于指示所述目标人体的心跳信号在不同频段上的能量之间的比值。
9.根据权利要求8所述的方法，其特征在于，所述心跳频域特征包括以下一项或者多项：
所述心跳信号在第四频段上的能量与所述心跳信号在第五频段上的能量之间的比值；
所述心跳信号在第四频段上的能量与所述心跳信号在第六频段上的能量之间的比值；或者，
所述心跳信号在第五频段上的能量与所述心跳信号在第六频段上的能量之间的比值；
其中，所述第四频段小于所述第五频段，所述第五频段小于所述第六频段。
10.一种睡眠分期装置，其特征在于，所述睡眠分期装置包括至少一个处理器和至少一个储存器，所述至少一个存储器中存储有计算机指令，当所述计算机指令被所述睡眠分期装置执行时，使得所述睡眠分期装置执行权利要求1至9中任一项所述的方法。
CN202111412143.XA 2021-11-25 2021-11-25 一种睡眠分期方法及装置 Active CN114098645B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111412143.XA CN114098645B (zh) 2021-11-25 2021-11-25 一种睡眠分期方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111412143.XA CN114098645B (zh) 2021-11-25 2021-11-25 一种睡眠分期方法及装置

Publications (2)

Publication Number Publication Date
CN114098645A CN114098645A (zh) 2022-03-01
CN114098645B true CN114098645B (zh) 2023-11-07

Family

ID=80373013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111412143.XA Active CN114098645B (zh) 2021-11-25 2021-11-25 一种睡眠分期方法及装置

Country Status (1)

Country Link
CN (1) CN114098645B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118490182B (zh) * 2024-07-19 2024-09-10 北京清雷科技有限公司 基于雷达信号的睡眠分期方法及设备

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104267394A (zh) * 2014-10-07 2015-01-07 电子科技大学 高分辨率人体目标运动特征检测方法
JP2015097636A (ja) * 2013-11-19 2015-05-28 公立大学法人首都大学東京 睡眠段階判定装置、睡眠段階判定プログラムおよび睡眠段階判定方法
CN105559754A (zh) * 2015-12-29 2016-05-11 西北工业大学 一种基于心率与呼吸信号的睡眠呼吸障碍检测方法和装置
JP2016107095A (ja) * 2014-12-05 2016-06-20 公立大学法人首都大学東京 睡眠段階判定装置、睡眠段階判定方法、及び睡眠段階判定プログラム、並びにストレス度判定方法
CN106108844A (zh) * 2016-06-17 2016-11-16 美的集团股份有限公司 一种确定睡眠阶段的方法和装置
CN106419865A (zh) * 2015-08-07 2017-02-22 上海宽带技术及应用工程研究中心 基于振动传感器的睡眠呼吸暂停综合症的判断方法
CN106936526A (zh) * 2017-03-30 2017-07-07 西北工业大学 一种基于信道状态信息的非接触式睡眠分期装置及方法
JP2017169726A (ja) * 2016-03-23 2017-09-28 カシオ計算機株式会社 測定装置、測定方法、及び測定プログラム
CN107307846A (zh) * 2016-04-27 2017-11-03 南京理工大学 非接触式睡眠分期方法
CN108388912A (zh) * 2018-02-08 2018-08-10 南京理工大学 基于多传感器特征优化算法的睡眠分期方法
CN109770892A (zh) * 2019-02-01 2019-05-21 中国科学院电子学研究所 一种基于心电信号的睡眠分期方法
JP2019136526A (ja) * 2019-04-19 2019-08-22 パラマウントベッド株式会社 睡眠状態判定装置及び睡眠状態判定方法
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
CN111657870A (zh) * 2020-07-02 2020-09-15 杭州电子科技大学 一种基于d-s证据理论的呼吸暂停判决系统
CN112155560A (zh) * 2020-10-15 2021-01-01 国微集团(深圳)有限公司 基于实时心冲击信号的呼吸暂停检测方法及系统
CN112433207A (zh) * 2020-11-06 2021-03-02 浙江理工大学 基于双通道卷积神经网络的人体身份识别方法
CN112611097A (zh) * 2020-11-30 2021-04-06 青岛海信日立空调系统有限公司 一种空调器和控制方法
CN112656371A (zh) * 2020-12-12 2021-04-16 深圳市苏仁智能科技有限公司 一种基于心率呼吸信号的人体睡眠体征检测方法及系统

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015097636A (ja) * 2013-11-19 2015-05-28 公立大学法人首都大学東京 睡眠段階判定装置、睡眠段階判定プログラムおよび睡眠段階判定方法
CN104267394A (zh) * 2014-10-07 2015-01-07 电子科技大学 高分辨率人体目标运动特征检测方法
JP2016107095A (ja) * 2014-12-05 2016-06-20 公立大学法人首都大学東京 睡眠段階判定装置、睡眠段階判定方法、及び睡眠段階判定プログラム、並びにストレス度判定方法
CN106419865A (zh) * 2015-08-07 2017-02-22 上海宽带技术及应用工程研究中心 基于振动传感器的睡眠呼吸暂停综合症的判断方法
CN105559754A (zh) * 2015-12-29 2016-05-11 西北工业大学 一种基于心率与呼吸信号的睡眠呼吸障碍检测方法和装置
JP2017169726A (ja) * 2016-03-23 2017-09-28 カシオ計算機株式会社 測定装置、測定方法、及び測定プログラム
CN107307846A (zh) * 2016-04-27 2017-11-03 南京理工大学 非接触式睡眠分期方法
CN106108844A (zh) * 2016-06-17 2016-11-16 美的集团股份有限公司 一种确定睡眠阶段的方法和装置
CN106936526A (zh) * 2017-03-30 2017-07-07 西北工业大学 一种基于信道状态信息的非接触式睡眠分期装置及方法
CN108388912A (zh) * 2018-02-08 2018-08-10 南京理工大学 基于多传感器特征优化算法的睡眠分期方法
CN109770892A (zh) * 2019-02-01 2019-05-21 中国科学院电子学研究所 一种基于心电信号的睡眠分期方法
JP2019136526A (ja) * 2019-04-19 2019-08-22 パラマウントベッド株式会社 睡眠状態判定装置及び睡眠状態判定方法
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
CN111657870A (zh) * 2020-07-02 2020-09-15 杭州电子科技大学 一种基于d-s证据理论的呼吸暂停判决系统
CN112155560A (zh) * 2020-10-15 2021-01-01 国微集团(深圳)有限公司 基于实时心冲击信号的呼吸暂停检测方法及系统
CN112433207A (zh) * 2020-11-06 2021-03-02 浙江理工大学 基于双通道卷积神经网络的人体身份识别方法
CN112611097A (zh) * 2020-11-30 2021-04-06 青岛海信日立空调系统有限公司 一种空调器和控制方法
CN112656371A (zh) * 2020-12-12 2021-04-16 深圳市苏仁智能科技有限公司 一种基于心率呼吸信号的人体睡眠体征检测方法及系统

Also Published As

Publication number Publication date
CN114098645A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN111481184B (zh) 基于毫米波雷达技术的多目标呼吸心率监测方法与系统
CN112998701A (zh) 基于毫米波雷达的生命体征检测与身份识别系统和方法
US12102420B2 (en) Direct RF signal processing for heart-rate monitoring using UWB impulse radar
Cho et al. Detection of heart rate through a wall using UWB impulse radar
CN111142102B (zh) 一种呼吸数据计算方法以及相关设备
CN109009124B (zh) 基于超宽带雷达的呼吸频率测量及目标定位方法
CN106999072B (zh) 利用倒频谱平滑化和基于质量的动态信道选择的多信道心冲击描记器
CN112998689B (zh) 非接触式多人实时呼吸状况评估系统、设备和存储介质
Liu et al. Human biometric signals monitoring based on wifi channel state information using deep learning
WO2019080728A1 (zh) 一种基于WiFi信号的心率异常检测方法
CN114305355B (zh) 基于毫米波雷达的呼吸心跳检测方法、系统及装置
CN114098645B (zh) 一种睡眠分期方法及装置
KR20180088019A (ko) 레이더를 이용한 생체 신호 측정 방법 및 장치
CN115736854A (zh) 一种基于毫米波雷达的呼吸心跳监测系统
CN117530666B (zh) 呼吸异常识别模型训练方法、呼吸异常识别方法及设备
Lopes et al. Equivalent pipeline processing for IR-UWB and FMCW radar comparison in vital signs monitoring applications
CN114159024B (zh) 一种睡眠分期方法及装置
CN111685760B (zh) 一种基于雷达测量的人体呼吸频率计算方法
CN106913335B (zh) 一种呼吸暂停检测系统
Chen et al. A Novel Scheme for Suppression of Human Motion Effects in Non-Contact Heart Rate Detection
CN215820931U (zh) 一种基于毫米波雷达的生命体征检测与身份识别系统
CN116725507A (zh) 基于拟合匹配滤波与Double-CZT的雷达高精度心率检测方法
CN110946555A (zh) 一种呼吸骤停检测报警系统
CN113288078B (zh) 睡眠质量监测方法、装置及系统
CN115040091A (zh) 基于vmd算法的毫米波雷达生命信号提取方法

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