CN114224320A - 自适应多通道信号融合的鼾声检测方法、设备及系统 - Google Patents

自适应多通道信号融合的鼾声检测方法、设备及系统 Download PDF

Info

Publication number
CN114224320A
CN114224320A CN202111678913.5A CN202111678913A CN114224320A CN 114224320 A CN114224320 A CN 114224320A CN 202111678913 A CN202111678913 A CN 202111678913A CN 114224320 A CN114224320 A CN 114224320A
Authority
CN
China
Prior art keywords
signal
detection
snore
test
detection 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.)
Granted
Application number
CN202111678913.5A
Other languages
English (en)
Other versions
CN114224320B (zh
Inventor
潘海洋
祝荣荣
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.)
Resvent Medical Technology Co Ltd
Original Assignee
Resvent Medical Technology 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 Resvent Medical Technology Co Ltd filed Critical Resvent Medical Technology Co Ltd
Priority to CN202111678913.5A priority Critical patent/CN114224320B/zh
Publication of CN114224320A publication Critical patent/CN114224320A/zh
Application granted granted Critical
Publication of CN114224320B publication Critical patent/CN114224320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0826—Detecting or evaluating apnoea events
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis

Landscapes

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

Abstract

本申请提供一种自适应多通道信号融合的鼾声检测方法，该方法包括：获取第一检测信号和第二检测信号，将第一检测信号和第二检测信号分别划分为若干信号区段，对该两个信号的每个区段进行鼾声检测得到每个信号区段中鼾声的起始时间和终点时间，选取同一呼吸周期内同时检测到鼾声持续时间重叠的信号区段，根据重叠的信号区段计算出该两个信号能量，计算该两个能量与总能量的占比得到第一占比和第二占比，根据第一占比和第二占比确定信号的当前融合因子，根据当前融合因子对该两个信号进行融合计算得到融合信号，利用规则对融合信号进行鼾声检测得到鼾声检测结果。本申请利用融合信号进行检测，从而提高了信号检测精度。

Description

自适应多通道信号融合的鼾声检测方法、设备及系统
技术领域
本申请涉及互联网医疗技术领域，尤其涉及一种自适应多通道信号融合的鼾声检测方法、设备及系统。
背景技术
鼾声检测往往基于口鼻气流信号和第二检测信号进行检测。口鼻气流信号和第二检测信号一般是分别通过压力传感器和麦克风获取。然而，麦克风采集的第二检测信号容易受到其他非鼾声噪声，或者其他人的鼾声的影响，导致鼾声检测准确度不高；压力传感器获取的口鼻气流信号容易受到口鼻气管运动伪差的影响，导致鼾声的误检测。
发明内容
有鉴于此，实有必要提供一种可提高精准度的自适应多通道信号融合的鼾声检测方法、设备及系统。
第一方面，本申请实施例提供一种自适应多通道信号融合的鼾声检测方法，所述自适应多通道信号融合的鼾声检测方法包括：获取第一检测信号和第二检测信号，所述第一检测信号包括呼吸数据；所述第二检测信号包括声音数据；对所述第一检测信号进行呼吸检测得到每个呼吸周期的开始时间和结束时间；根据每个呼吸周期的开始时间和结束时间将所述第一检测信号和第二检测信号分别划分为若干第一检测信号区段和若干第二检测信号区段；对个若干第一检测信号区段和第二检测信号区段进行归一化处理得到第一标准化检测信号和第二标准化检测信号；对第一标准化检测信号和第二标准化检测信号进行鼾声检测得到每一第一检测信号区段和每一第二检测信号区段中鼾声持续时间的起始时间和终点时间；选取同一呼吸周期内出现鼾声持续时间的第一检测信号区段和第二检测信号区段重叠的区间得到检测区段；分别计算所述检测区段的第一检测信号的能量和第二检测信号的能量得到相应的第一检测信号能量和第二检测信号能量；分别计算第一检测信号能量和第二检测信号能量在检测总能量的占比得到第一检测占比和第二检测占比，所述检测总能量为第一检测信号能量和第二检测信号能量之和；根据所述第一检测占比和所述第二检测占比确定当前第一目标融合因子和当前第二目标融合因子；根据所述当前第一目标融合因子和当前第二目标融合因子对所述第一标准化检测信号和第二标准化检测信号进行融合计算得到融合信号；利用预设规则对融合信号进行鼾声检测得到鼾声检测结果。
第二方面，本申请实施例提供一种自适应多通道信号融合的鼾声检测设备，自适应多通道信号融合的鼾声检测设备包括存储器和处理器。存储器用于存储计算机程序指令；处理器，用于执行所述计算机程序指令以实现上述自适应多通道信号融合的鼾声检测方法。
第三方面，本申请实施例还提供一种自适应多通道信号融合的鼾声检测系统。所述自适应多通道信号融合的鼾声检测设备包括信号采集设备以及自适应多通道信号融合的鼾声检测设备，所述自适应多通道信号融合的鼾声检测设备与所述信号采集设备通信连接，用于接收来自所述信号采集设备的第一检测信号和第二检测信号。
上述自适应多通道信号融合的鼾声检测方法、设备及系统，可以对第一检测信号和第二检测信号进行多通道信号融合，并在融合后的信号基础上再进行鼾声检测，可以避免每个通道的噪声干扰问题，提升了检测精度，从而较大程度地解决了基于单通道信号的鼾声检测方法由于信号源干扰问题而导致检测精度不高的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，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示出的结构获得其他的附图。
图1a为本申请实施例提供的自适应多通道信号融合的鼾声检测方法的流程图。
图1b为本申请实施例提供的自适应多通道信号融合的鼾声检测方法的流程图
图2为本申请实施例提供的自适应多通道信号融合的鼾声检测方法的自适应多通道信号融合的鼾声检测系统。
图3为本申请实施例提供的自适应多通道信号融合的鼾声检测方法中获取第一检测信号和第二检测信号的示意图。
图4为本申请实施例提供的自适应多通道信号融合的鼾声检测方法的进行归一化处理后的第一检测信号和第二检测信号效果图。
图5a为本申请实施例提供的自适应多通道信号融合的鼾声检测方法的对第一检测信号和第二检测信号进行滤波降噪处理后的信号效果图。
图5b为本申请实施例提供的经积分平滑处理后的效果图。
图6为本申请实施例提供的自适应多通道信号融合的鼾声检测方法的更新当前第一目标融合因子和当前第二目标融合因子的示意图。
图7a为为本申请实施例提供的自适应多通道信号融合的鼾声检测方法的第二流程图。
图7b为本申请实施例提供的自适应多通道信号融合的鼾声检测方法的第二流程图。
图8为本申请实施例提供的鼾声检测设备的内部结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的规划对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，换句话说，描述的实施例根据除了这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，还可以包含其他内容，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于只清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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多个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
请结合参看图1a、图1b、图2、图3、图4、图5a和图5b，图1为本申请实施例提供的一种自适应多通道信号融合的鼾声检测方法的流程示意图。图2为应用自适应多通道信号融合的鼾声检测方法的自适应多通道信号融合的鼾声检测系统1000。所述自适应多通道信号融合的鼾声检测方法由鼾声检测设备100执行。其中，鼾声检测设备100与睡眠信号采集设备200通信连接，用于接收睡眠信号采集设备200传送的与鼾声相关的睡眠信号进行检测。其中，鼾声相关的信号包括呼吸数据和声音数据。其中，呼吸数据由压力传感器感测得到。声音数据由麦克风采集得到。图3为本申请实施例提供的自适应多通道信号融合的鼾声检测方法中获取第一检测信号和第二检测信号的示意图，图4为本申请实施例提供的自适应多通道信号融合的鼾声检测方法的进行归一化处理后的第一检测信号和第二检测信号效果图，图5a为本申请实施例提供的自适应多通道信号融合的鼾声检测方法的对第一检测信号和第二检测信号进行滤波降噪处理后的信号效果图，图5b为本申请实施例提供的经积分平滑处理后的效果图。自适应多通道信号融合的鼾声检测方法具体包括步骤S102-S122。
步骤S102，获取第一检测信号和第二检测信号。如图3所示，在本实例中，第一检测信号S01包括呼吸数据。第二检测信号S02包括声音数据。第一检测信号S01由压力传感器感测目标人体的口鼻气流得到。第二检测信号S02由麦克风采集目标人体的周围声音得到，其中，第一检测信号S01和第二检测信号S02由压力传感器和麦克风同步采集得到。可以理解地，压力传感器和麦克风也可以不同步采集，鼾声检测设备100需将采集到的信号截取时间重叠的部分作为第一检测信号S01和第二检测信号S02。也就是说，第一检测信号S01和第二检测信号S02是指时间同步的信号，如此可以确保多通道的检测信号之间同步。
步骤S104，对第一检测信号进行呼吸检测得到每个呼吸周期的开始时间和结束时间。具体地，每个呼吸周期可以利用现有的呼吸周期检测算法得到，例如，流量阈值、流量图形等即可，在此不再进行详细描述。
步骤S106，根据每个呼吸周期的开始时间和结束时间将第一检测信号和第二检测信号分别划分为若干第一检测信号区段和若干第二检测信号区段。具体地，例如，一个呼吸周期的开始时间T1，结束时间为T2，则在第一检测信号S01和第二检测信号S02划分出T1-T2区间的信号作为一个第一检测信号区和一个第二检测信号区，其他区段划分同理，不再赘述。
步骤S108，对若干第一检测信号区段和第二检测信号区段进行归一化处理得到第一标准化检测信号和第二标准化检测信号。在本实施例中，第一标准化检测信号和第二标准化检测信号为能量归一化处理得到，进行归一化处理后的第一检测信号和第二检测信号效果图，如图4所示。在一些可行的实施例中也可以采用幅度归一化处理得到。可以理解地，经过步骤S108，第一检测信号和第二检测信号按照统一的标准进行缩放，使得第一检测信号和第二检测信号具有统一的量纲，从而作为融合的基础。具体地，对若干第一检测信号区段和第二检测信号区段进行归一化处理得到第一标准化检测信号和第二标准化检测信号具体采用下面公式(1)转换得到，其中公式(1)如下：
Figure BDA0003453359070000061
Figure BDA0003453359070000062
其中，Ex(i)表示在i时刻第一标准化检测信号；Ey(i)表示在i时刻第二标准化检测信号；x(i)表示在i时刻第一检测信号的幅度；x(i)2表示在i时刻第一检测信号的能量。y(i)表示在i时刻第二检测信号的幅度；y(i)2表示在i时刻第二检测信号的能量。n表示该检测信号区段内时刻总数；x(k)表示在k时刻第一检测信号的幅度，x(k)2表示在k时刻第二检测信号的能量；y(k)表示在k时刻第二检测信号的幅度；y(k)2表示在k时刻第二检测信号的能量。
在一些可行的实施例中，在进行归一化处理之前，还对第一检测信号和第二检测进行滤波降噪处理。例如，可以采用带通滤波器进行处理，可以得到特定频段的第一检测信号和第二检测信号，也就是特定频段的呼吸信息和特定频段的声音信号。在本实施例中，可以采用20～300Hz的第一检测信号和150Hz～300Hz的第二检测信号。对第一检测信号和第二检测信号进行滤波降噪处理后的信号效果图，如图5a所示。
在一些可行的实施例中，还可以对第一标准化检测信号和第二标准化检测信号进行积分平滑处理。在本实施例中，可以采用公式(2)对一标准化检测信号和第二标准化检测信号进行积分平滑处理，其中，公式(2)表示如下：
Figure BDA0003453359070000063
Figure BDA0003453359070000064
具体地，avgEx(i)表示第一标准化检测信号在i时刻的平滑值。avgEy(i)表示第二标准化检测信号在i时刻的平滑值。w表示时间窗。i表示i时刻，k表示从0到w的取值。比如信号是以1000Hz采样(即1秒钟采样1000次)，1个采样点就是1ms，用200ms的时间窗w进行积分，avgEx(i)＝1/200*(Ex(i+0)+Ex(i+1)+...+Ex(i+200))，k就是[0,1,2,...,200]。经积分平滑处理后的效果图，如图5b所示。
步骤S110，对第一标准化检测信号和第二标准化检测信号进行鼾声检测得到每一第一检测信号区段和每一第二检测信号区段中鼾声持续时间的起始时间和终点时间。具体地，在本实施例中，对第一标准化检测信号和第二标准化检测信号进行鼾声检测得到每一第一检测信号区段和每一第二检测信号区段中鼾声持续时间的起始时间和终点时间采用的是预设规则进行检测。在本实施中，预设规则为：当所述信号连续增大且大于预设高门限值时，则判断为鼾声的起点；当检测到鼾声起点后，若所述信号连续减少且小于预设低门限值时，则判断为鼾声的结束。可以理解地，检测每一第一检测信号区段和每一第二检测信号区段中鼾声持续时间的起始时间和终点时间具体为：当一个第一检测信号区段的第一检测信号连续增大且大于预设高门限值时，则判断为鼾声的起点；当一个第一检测信号区段检测到鼾声起点后，若第一检测信号连续减少且小于预设低门限值时，则判断为鼾声的结束。第二检测信号的鼾声检测方法与第一检测鼾声检测方法相同，在此不再赘述。
步骤S112，选取同一呼吸周期内出现鼾声持续时间的第一检测信号区段和第二检测信号区段重叠的区间得到检测区段。具体地，在同一个呼吸周期中的，若一个第一检测区段和相应的第二检测区段中的鼾声持续时间有重合的区间则选择作为检测区段。例如，当在同一呼吸周期中，一个第一检测信号区段和相应的第二检测信号区段的区间为(t1-t2)；其中，第一检测信号区段中鼾声持续时间的区间(t3-t4)，第二检测信号区段中鼾声持续时间为区间(t5-t6)，则鼾声重叠的区间为(t5-t4)，也就是检测区段(t5-t4)。其中，t1<t3<t5<t4<t6<t2。
步骤S114，分别计算检测区段的第一检测信号的能量和第二检测信号的能量得到相应的第一检测信号能量和第二检测信号能量。具体地，即是计算检测区段对应的第一检测信号的能量和第二检测信号的能量。在本实施例中，按照公式(3)计算出第一检测信号能量和第二检测信号能量。公式(3)表示如下：
Figure BDA0003453359070000081
Figure BDA0003453359070000082
其中，ExCoef表示第一检测信号的能量；EyCoef表示第二检测信号能量；Ex(k)表示K时刻的第一检测信号能量；Ey(k)表示K时刻的第二检测信号能量，t5-t4表示检测区段。
步骤S116，分别计算第一检测信号能量和第二检测信号能量在检测总能量的占比得到第一检测占比和第二检测占比，所述检测总能量为第一检测信号能量和第二检测信号能量之和。具体地，第一检测占比和第二检测占比表示如下：
Figure BDA0003453359070000083
Figure BDA0003453359070000084
其中，xCoef表示第一检测占比，yCoef表示第二检测占比，ExCoef表示第一检测信号的能量；EyCoef表示第二检测信号能量，ExCoef+EyCoef表示检测总能量。举例来说，若第一检测信号能量数值为0.6，第二检测信号的能量数值为0.3，则总能量为0.9。则第一占比为0.6/0.9＝0.667，第二占比为0.3/0.9＝0.333。
步骤S118，根据第一检测占比和第二检测占比确定当前第一目标融合因子和当前第二目标融合因子。具体地，可以将第一检测占比和第二检测占比直接确定为当前第一目标融合因子和当前第二目标融合因子。也可以将第一检测占比和第一初始融合因子的平均值作为当前第一目标融合因子；或者将第二检测占比和第二初始融合因子的平均值作为当前第二目标融合因子。其中，第一初始融合因子和第二初始融合因子为在检测鼾声之前对目标人体进行多次测试得到。第一初始融合因子和第二初始融合因子的计算法方法将在下文详细描述。
步骤S120，根据当前第一目标融合因子和当前第二目标融合因子对第一标准化检测信号和第二标准化检测信号进行融合计算得到融合信号。具体地，融合信号根据公式(4)得到。该过程用公式(4)表达为E＝xCoef×Ex(i)+yCoef×Ey(i)。其中，E表示融合信号，xCoef表示当前第一目标融合因子，yCoef表示当前第二目标融合因子。Ex(i)表示第一检测信号在第i时刻的能量。Ey(i)表示第二检测信号在第i时刻的能量。
步骤S122，利用预设规则对融合信号进行鼾声检测得到鼾声检测结果。其中，预设规则参看步骤S110中的描述，在此不再赘述。在一些可行的实施例中，在对融合信号进行鼾声检测之前还对融合信号进行积分平滑处理，从而对融合信号进行增强处理，检测结果更将准确。其中，对融合信号进行积分平滑处理可以参看步骤S108部分的描述，在此不再赘述。
上述实施例中，可以将第一检测信号和第二检测信号，即多通道信号进行融合再重新进行鼾声检测，可以降低单一通道信号的噪声对检测结果的影响，提高了检测精度。
请结合参看图6其为本申请实施例提供的自适应多通道信号融合的鼾声检测方法的更新当前第一目标融合因子和当前第二目标融合因子的示意图。在一些可行的实施例中，自适应多通道信号融合的鼾声检测方法还包括步骤S60，更新当前第一目标融合因子和当前第二目标融合因子。其中，更新当前第一目标融合因子和当前第二目标融合因子具体包括步骤S602-S604。
步骤S602，将当前第一目标融合因子和第一初始融合因子进行加权计算得到结果更新所述第一初始融合因子。
步骤S604，将第二检测信号的当前目标融合因子和第二初始融合因子进行加权计算得到结果对第二初始融合因子更新。在本实施中，还可以实时更新第一初始融合因子和第二初始融合因子，从而可以得到接近当前人体状况的第一初始融合因子和第二初始融合因子，得出的检测结果更加精准。
请结合参看图7，其为本申请第二实施例提供的自适应多通道信号融合的鼾声检测方法的流程示意图。第二实施例的自适应多通道信号融合的鼾声检测方法与第一实施例的自适应多通道信号融合的鼾声检测方法不同之处在于：还包括了步骤S70：计算第一初始融合因子和第二初始融合因子，步骤S70具体包括步骤S702-S724。
步骤S702，获取第一测试信号和第二测试信号，所述第一测试信号包括呼吸数据，所述第二测试信号包括声音数据，所述第一测试信号和第二测试信号、第一检测信号、第二检测信号皆是针对同一人体进行采集得到；所述第一测试信号和所述第二测试信号同步采集得到；所述第一检测信号和所述第二检测信号同步采集得到；所述第一测试信号和所述第二测试信号、与所述第一检测信号和所述第二检测信号在不同时间段采集得到。
步骤S704，对第一测试信号进行呼吸检测得到每个呼吸周期的开始时间和结束时间。
步骤S706，根据每个测试呼吸周期的开始时间和结束时间将第一测试信号和第二测试信号分别划分为若干第一测试信号区段和若干第二测试信号区段。
步骤S708，对若干第一测试信号区段和若干第二测试信号区段进行归一化处理得到第一标准化测试信号和第二标准化测试信号。
步骤S710，对第一标准化测试信号和第二标准化测试信号进行鼾声检测得到每个第一测试信号区段和每个第二测试信号区段中鼾声的起始时间和终点时间。
步骤S712，选取同一测试呼吸周期内鼾声持续时间在第一测试信号区段和第二测试信号区段中的重叠区间得到测试区段。
步骤S714，分别计算测试区段的第一测试信号的能量和第二测试信号的能量得到第一测试信号能量和第二测试信号能量。
步骤S716，分别计算第一测试信号能量和第二测试信号能量在总测试能量中的占比得到第一测试占比和第二测试占比。
步骤S718，测试次数自增，所述测试次数默认值为0。
步骤S720，当测试次数为0时，第一测试占比和第二测试占比分别设置为当前第一校准因子和当前第二校准因子。
步骤S722，当测试次数大于0小于预测次数时，将第一测试占比与当前第一校准因子的平均值、以及第二测试占比和当前第二校准因子的平均值分别更新当前第一校准因子和当前第二校准因子。
步骤S724，当测试次数达到预测次数，将第一测试占比与当前第一校准因子的平均值、以及第二测试占比和当前第二校准因子的平均值分别作为第一初始融合因子和第二初始融合因子。
请结合参看图8，其为本申请实施例提供的执行所述自适应多通道信号融合的鼾声检测方法的自适应多通道信号融合的鼾声检测设备的内部结构示意图。鼾声检测鼾声检测设备10包括计算机可读存储介质11、处理器12以及总线13。其中，计算机可读存储介质11至少包括一种类型的可读存储介质，该可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。计算机可读存储介质11在一些实施例中可以是鼾声检测设备10的内部存储单元，例如鼾声检测设备10的硬盘。计算机可读存储介质11在另一些实施例中也可以是的外部鼾声检测设备10存储设备，例如鼾声检测设备10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。进一步地，计算机可读存储介质11还可以既包括鼾声检测设备10的内部存储单元也包括外部存储设备。计算机可读存储介质11不仅可以用于存储安装于鼾声检测设备10的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
总线13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。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8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。
进一步地，鼾声检测鼾声检测设备10还可以包括显示组件14。显示组件14可以是发光二极管(Light Emitting Diode，LED)显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示组件14也可以适当的称为显示装置或显示单元，用于显示在鼾声检测设备10中处理的信息以及用于显示可视化的用户界面。
进一步地，鼾声检测设备10还可以包括通信组件15。通信组件15可选地可以包括有线通信组件和/或无线通信组件，如WI-FI通信组件、蓝牙通信组件等，通常用于在鼾声检测设备10与其他智能控制设备之间建立通信连接。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行计算机可读存储介质11中存储的程序代码或处理数据。具体地，处理器12执行处理程序以控制鼾声检测设备10执行所述自适应多通道信号融合的鼾声检测方法。可以理解地，图8仅示出了具有组件11-15以及实现所述自适应多通道信号融合的鼾声检测方法的鼾声检测设备10，本领域技术人员可以理解的是，图8示出的结构并不构成对鼾声检测设备10的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
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，倘且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。
以上所列举的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属于本申请所涵盖的范围。

Claims (10)

1.一种自适应多通道信号融合的鼾声检测方法，其特征在于，所述自适应多通道信号融合的鼾声检测方法包括：
获取第一检测信号和第二检测信号，所述第一检测信号包括呼吸数据；所述第二检测信号包括声音数据；
对所述第一检测信号进行呼吸检测得到每个呼吸周期的开始时间和结束时间；
根据每个呼吸周期的开始时间和结束时间将所述第一检测信号和第二检测信号分别划分为若干第一检测信号区段和若干第二检测信号区段；
对若干第一检测信号区段和第二检测信号区段进行归一化处理得到第一标准化检测信号和第二标准化检测信号；
对第一标准化检测信号和第二标准化检测信号进行鼾声检测得到每一第一检测信号区段和每一第二检测信号区段中鼾声持续时间的起始时间和终点时间；
选取同一呼吸周期内出现鼾声持续时间的第一检测信号区段和第二检测信号区段重叠的区间得到检测区段；
分别计算所述检测区段的第一检测信号的能量和第二检测信号的能量得到相应的第一检测信号能量和第二检测信号能量；
分别计算第一检测信号能量和第二检测信号能量在检测总能量的占比得到第一检测占比和第二检测占比，所述检测总能量为第一检测信号能量和第二检测信号能量之和；
根据所述第一检测占比和所述第二检测占比确定当前第一目标融合因子和当前第二目标融合因子；
根据所述当前第一目标融合因子和当前第二目标融合因子对所述第一标准化检测信号和第二标准化检测信号进行融合计算得到融合信号；
利用预设规则对融合信号进行鼾声检测得到鼾声检测结果。
2.如权利要求1所述的自适应多通道信号融合的鼾声检测方法，其特征在于：根据所述第一检测占比和所述第二检测占比确定当前第一目标融合因子和当前第二目标融合因子具体包括：
计算所述第一检测占比和第一初始融合因子的均值得到所述当前第一目标融合因子；
计算所述第二检测占比和第二初始融合因子的均值得到所述当前第二目标融合因子。
3.如权利要求2所述的自适应多通道信号融合的鼾声检测方法，其特征在于：自适应多通道信号融合的鼾声检测方法还包括：利用当前第一目标融合因子和当前第二目标融合因子更新所述第一初始融合因子和第二初始融合因子，其中：更新所述第一初始融合因子和第二初始融合因子具体包括：
将当前第一目标融合因子和所述第一初始融合因子进行加权计算得到结果更新所述第一初始融合因子；
将第二检测信号的当前目标融合因子和第二初始融合因子进行加权计算得到结果对所述第二初始融合因子更新。
4.如权利要求2所述的自适应多通道信号融合的鼾声检测方法，其特征在于：所述自适应多通道信号融合的鼾声检测方法还包括计算所述第一初始融合因子和第二检测信号的所述初始融合因子具体包括：
获取第一测试信号和第二测试信号，所述第一测试信号包括呼吸数据，所述第二测试信号包括声音数据，所述第一测试信号和第二测试信号、第一检测信号、第二检测信号皆是针对同一人体进行采集得到；所述第一测试信号和所述第二测试信号同步采集得到；所述第一检测信号和所述第二检测信号同步采集得到；所述第一测试信号和所述第二测试信号、与所述第一检测信号和所述第二检测信号在不同时间段采集得到；
对所述第一测试信号进行呼吸检测得到每个呼吸周期的开始时间和结束时间；
根据每个测试呼吸周期的开始时间和结束时间将所述第一测试信号和第二测试信号分别划分为若干第一测试信号区段和若干第二测试信号区段；
对若干第一测试信号区段和若干第二测试信号区段进行归一化处理得到第一标准化测试信号和第二标准化测试信号；
对第一标准化测试信号和第二标准化测试信号进行鼾声检测得到每个第一测试信号区段和每个第二测试信号区段中鼾声的起始时间和终点时间；
选取同一测试呼吸周期内鼾声持续时间在第一测试信号区段和第二测试信号区段中的重叠区间得到测试区段；
分别计算测试区段的第一测试信号的能量和第二测试信号的能量得到第一测试信号能量和第二测试信号能量；
分别计算第一测试信号能量和第二测试信号能量在总测试能量中的占比得到第一测试占比和第二测试占比；
测试次数自增，所述测试次数默认值为0；
当所述测试次数为0时，所述第一测试占比和所述第二测试占比分别设置为当前第一校准因子和当前第二校准因子；
当所述测试次数大于0小于预测次数时，将所述第一测试占比与当前第一校准因子的平均值、以及所述第二测试占比和所述当前第二校准因子的平均值分别更新当前第一校准因子和当前第二校准因子；
当所述测试次数达到预测次数，将所述第一测试占比与当前第一校准因子的平均值、以及所述第二测试占比和所述当前第二校准因子的平均值分别作为第一初始融合因子和第二初始融合因子。
5.如权利要求4所述的自适应多通道信号融合的鼾声检测方法，其特征在于：对第一标准化测试信号和第二标准化测试信号进行鼾声检测得到每个第一测试信号区段和每个第二测试信号区段中鼾声的起始时间和终点时间具体为：利用所述预设规则为对第一标准化测试信号和第二标准化测试信号进行鼾声检测得到每个第一测试信号区段和每个第二测试信号区段中鼾声的起始时间和终点时间。
6.如权利要求1所述的自适应多通道信号融合的鼾声检测方法，其特征在于：对第一标准化测试信号和第二标准化测试信号进行鼾声检测得到每个第一测试信号区段和每个第二测试信号区段中鼾声的起始时间和终点时间具体为：利用所述预设规则为对第一标准化测试信号和第二标准化测试信号进行鼾声检测得到每个第一测试信号区段和每个第二测试信号区段中鼾声的起始时间和终点时间。
7.如权利要求1、4或者6所述的自适应多通道信号融合的鼾声检测方法，其特征在于：所述预设规则为：
当所述信号连续增大且大于预设高门限值时，则判断为鼾声的起点；
当检测到鼾声起点后，若所述信号连续减少且小于预设低门限值时，则判断为鼾声的结束。
8.如权利要求1所述的自适应多通道信号融合的鼾声检测方法，在利用预设规则对融合信号进行鼾声检测得到鼾声检测结果之前，所述自适应多通道信号融合的鼾声检测方法还包括：对所述融合信号以预设窗口宽度进行积分平滑处理得到平滑融合信号；利用预设规则对融合信号进行鼾声检测得到鼾声检测结果具体为：利用预设规则对所述平滑融合信号进行鼾声检测得到鼾声检测结果。
9.一种自适应多通道信号融合的鼾声检测设备，其特征在于，所述自适应多通道信号融合的鼾声检测设备包括：
存储器；用于存储计算机程序指令；
处理器，用于执行所述计算机程序指令以实现如权利1～8项所述的自适应多通道信号融合的鼾声检测方法。
10.一种自适应多通道信号融合的鼾声检测系统，其特征在于，所述自适应多通道信号融合的鼾声检测系统包括：
信号采集设备，用于至少采集第一检测信号和第二检测信号；以及
如权利要求9所述的自适应多通道信号融合的鼾声检测设备，所述自适应多通道信号融合的鼾声检测设备与所述信号采集设备通信连接，用于接收来自所述信号采集设备的第一检测信号和第二检测信号。
CN202111678913.5A 2021-12-31 2021-12-31 自适应多通道信号融合的鼾声检测方法、设备及系统 Active CN114224320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111678913.5A CN114224320B (zh) 2021-12-31 2021-12-31 自适应多通道信号融合的鼾声检测方法、设备及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111678913.5A CN114224320B (zh) 2021-12-31 2021-12-31 自适应多通道信号融合的鼾声检测方法、设备及系统

Publications (2)

Publication Number Publication Date
CN114224320A true CN114224320A (zh) 2022-03-25
CN114224320B CN114224320B (zh) 2023-01-17

Family

ID=80745485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111678913.5A Active CN114224320B (zh) 2021-12-31 2021-12-31 自适应多通道信号融合的鼾声检测方法、设备及系统

Country Status (1)

Country Link
CN (1) CN114224320B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007076582A1 (en) * 2006-01-06 2007-07-12 Resmed Ltd Computer controlled cpap system with snore detection
EP2216063A2 (de) * 2009-02-05 2010-08-11 Weinmann Geräte für Medizin GmbH & Co. KG Automatische Komplikationskontrolle
EP2348993A1 (en) * 2008-11-17 2011-08-03 Toronto Rehabilitation Institute Method and apparatus for monitoring breathing cycle by frequency analysis of an acoustic data stream
CN103690168A (zh) * 2013-12-31 2014-04-02 中国科学院深圳先进技术研究院 阻塞型睡眠呼吸暂停综合征检测方法及系统
CN103735267A (zh) * 2014-01-02 2014-04-23 上海大学 一种基于鼾声筛查osahs的装置
US20140276227A1 (en) * 2013-03-14 2014-09-18 Aliphcom Sleep management implementing a wearable data-capable device for snoring-related conditions and other sleep disturbances
WO2014210453A2 (en) * 2013-06-27 2014-12-31 Theranova, Llc Sensing foley catheter
US20150105632A1 (en) * 2013-10-11 2015-04-16 Xhale, Inc. Fusion of data from multiple sources for non-invasive detection of respiratory parameters
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
CN108416367A (zh) * 2018-02-08 2018-08-17 南京理工大学 基于多传感器数据决策级融合的睡眠分期方法
EP3412326A1 (en) * 2004-02-11 2018-12-12 ResMed Limited Session-by-session adjustment of a device for treating sleep disordered breathing
CN109045429A (zh) * 2018-08-23 2018-12-21 深圳融昕医疗科技有限公司 孕妇通气控制方法、装置、呼吸机、系统及存储介质
CN109497949A (zh) * 2018-12-12 2019-03-22 深圳融昕医疗科技有限公司 呼吸暂停类型的检测方法、装置、呼吸机和存储介质
EP3492945A1 (en) * 2017-12-01 2019-06-05 Origin Wireless, Inc. Method, apparatus, and system for periodic motion detection and monitoring
CN111938650A (zh) * 2020-07-03 2020-11-17 上海诺斯清生物科技有限公司 监测睡眠时呼吸暂停的方法及装置
CN113288065A (zh) * 2021-06-03 2021-08-24 北京好医生云医院管理技术有限公司 一种基于鼾声的实时呼吸暂停及低通气预测方法
JP2021171290A (ja) * 2020-04-24 2021-11-01 ヘルスセンシング株式会社 鼾検出方法、鼾検出装置及び寝具

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3412326A1 (en) * 2004-02-11 2018-12-12 ResMed Limited Session-by-session adjustment of a device for treating sleep disordered breathing
WO2007076582A1 (en) * 2006-01-06 2007-07-12 Resmed Ltd Computer controlled cpap system with snore detection
EP2348993A1 (en) * 2008-11-17 2011-08-03 Toronto Rehabilitation Institute Method and apparatus for monitoring breathing cycle by frequency analysis of an acoustic data stream
EP2216063A2 (de) * 2009-02-05 2010-08-11 Weinmann Geräte für Medizin GmbH & Co. KG Automatische Komplikationskontrolle
US20140276227A1 (en) * 2013-03-14 2014-09-18 Aliphcom Sleep management implementing a wearable data-capable device for snoring-related conditions and other sleep disturbances
WO2014210453A2 (en) * 2013-06-27 2014-12-31 Theranova, Llc Sensing foley catheter
US20150105632A1 (en) * 2013-10-11 2015-04-16 Xhale, Inc. Fusion of data from multiple sources for non-invasive detection of respiratory parameters
CN103690168A (zh) * 2013-12-31 2014-04-02 中国科学院深圳先进技术研究院 阻塞型睡眠呼吸暂停综合征检测方法及系统
CN103735267A (zh) * 2014-01-02 2014-04-23 上海大学 一种基于鼾声筛查osahs的装置
EP3492945A1 (en) * 2017-12-01 2019-06-05 Origin Wireless, Inc. Method, apparatus, and system for periodic motion detection and monitoring
EP3492946A1 (en) * 2017-12-01 2019-06-05 Origin Wireless, Inc. Method, apparatus, and system for object tracking and navigation
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
CN108416367A (zh) * 2018-02-08 2018-08-17 南京理工大学 基于多传感器数据决策级融合的睡眠分期方法
CN109045429A (zh) * 2018-08-23 2018-12-21 深圳融昕医疗科技有限公司 孕妇通气控制方法、装置、呼吸机、系统及存储介质
CN109497949A (zh) * 2018-12-12 2019-03-22 深圳融昕医疗科技有限公司 呼吸暂停类型的检测方法、装置、呼吸机和存储介质
JP2021171290A (ja) * 2020-04-24 2021-11-01 ヘルスセンシング株式会社 鼾検出方法、鼾検出装置及び寝具
CN111938650A (zh) * 2020-07-03 2020-11-17 上海诺斯清生物科技有限公司 监测睡眠时呼吸暂停的方法及装置
CN113288065A (zh) * 2021-06-03 2021-08-24 北京好医生云医院管理技术有限公司 一种基于鼾声的实时呼吸暂停及低通气预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GRITTI, F: "Automatic Detection of Snore Events from Full Night Audio Recordings", 《5TH EUROPEAN CONFERENCE OF THE INTERNATIONAL FEDERATION FOR MEDICAL AND BIOLOGICAL ENGINEERING》 *
张怡: "基于麦克风阵列的鼾声来源分类方法研究", 《中国优秀硕士学位论文全文数据库》 *
朱小贝: "基于鼾声与血氧饱和度的睡眠呼吸状态监测方法研究", 《中国优秀硕士学位论文全文数据库》 *

Also Published As

Publication number Publication date
CN114224320B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
KR20180081356A (ko) 지문 이미지의 왜곡을 처리하는 방법 및 장치
US20140149325A1 (en) System monitor and method of system monitoring
WO2020194497A1 (ja) 情報処理装置、個人識別装置、情報処理方法及び記憶媒体
CN110461215B (zh) 使用便携式设备确定健康标志
EP3868293A1 (en) System and method for monitoring pathological breathing patterns
CN110472481B (zh) 一种睡姿检测方法、装置及设备
CN111919242B (zh) 用于处理多个信号的系统和方法
CN109864705B (zh) 对脉搏波进行滤波的方法、装置和计算机设备
CN107767874B (zh) 一种婴儿啼哭声识别提示方法及系统
WO2021051944A1 (zh) 自动推送助眠乐曲方法、装置、计算机设备及存储介质
KR102035860B1 (ko) 연속 제스처 인식 시스템
EP3318179B1 (en) Method for measuring respiration rate and heart rate using dual camera of smartphone
US20120029298A1 (en) Linear classification method for determining acoustic physiological signal quality and device for use therein
CN114224320B (zh) 自适应多通道信号融合的鼾声检测方法、设备及系统
KR20190058289A (ko) 적응형 저역 통과 필터를 사용하여 오디오에서 호흡 속도를 검출하는 기법
CN114176567B (zh) 计算机可读存储介质及终端
CN114176568B (zh) 基于呼吸压力信号的鼾声检测方法
CN112914506A (zh) 睡眠质量检测方法、装置和计算机可读存储介质
CN115670397B (zh) 一种ppg伪迹识别方法、装置、存储介质及电子设备
JP2018517493A (ja) スタンドアロンの圧迫メーターを用いずにｃｐｒ胸部圧迫の状態を検出する方法と装置
CN109922854B (zh) 用于机械通气内的控制和诊断的成像系统和方法
US11313962B2 (en) Presence/absence detection method, non-transitory storage medium, sensor processing system, and sensor system
CN113095153A (zh) 基于深度残差网络的移动终端人类情境识别方法
JPWO2020090763A1 (ja) 処理装置、システム、処理方法、およびプログラム
CN114176528B (zh) 心动干扰识别方法及计算机可读存储介质

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