CN114388122A - 参数融合处理方法、装置、可穿戴设备及存储介质 - Google Patents
参数融合处理方法、装置、可穿戴设备及存储介质 Download PDFInfo
- Publication number
- CN114388122A CN114388122A CN202110837860.0A CN202110837860A CN114388122A CN 114388122 A CN114388122 A CN 114388122A CN 202110837860 A CN202110837860 A CN 202110837860A CN 114388122 A CN114388122 A CN 114388122A
- Authority
- CN
- China
- Prior art keywords
- parameter
- ahi
- sahs
- snore
- time window
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本申请实施例公开了一种参数融合处理方法、装置、可穿戴设备及存储介质,属于智能穿戴技术领域,能够实现快速预测用户的SAHS风险。该方法包括:获取睡眠时间段内用户的N种生理参数,N为大于或等于2的整数;确定该N种生理参数中的每种生理参数对应的第一AHI,以得到N个第一AHI;对该N个第一AHI进行融合处理,得到融合AHI;其中,该融合AHI用于指示该用户的SAHS风险;该N种生理参数包括以下至少两项:血氧参数、心率变异性参数、呼吸频率参数、鼾声参数。
Description
技术领域
本申请涉及智能穿戴技术领域,尤其涉及一种参数融合处理方法、装置、可穿戴设备及存储介质。
背景技术
睡眠呼吸暂停低通气综合征(Sleep Apnea Hypopnea Syndrome,SAHS)是指因各种原因导致睡眠状态下反复出现呼吸暂停和/或低通气的睡眠呼吸疾病。SAHS可引起反复发作的夜间低氧和高碳酸血症,可导致高血压,冠心病,糖尿病和脑血管疾病等并发症,甚至出现夜间猝死。也就是说,SAHS是一种有潜在致死性的睡眠呼吸疾病,及时、有效地对SAHS进行预测具有非常重大的意义。
因此,亟需一种可以快速预测SAHS风险的方法。
发明内容
本申请实施例提供了一种参数融合处理方法、装置、可穿戴设备及存储介质,可以实现快速预测用户的SAHS风险。
本申请实施例的第一方面,提供一种参数融合处理方法,应用于可穿戴设备,该方法包括:获取睡眠时间段内用户的N种生理参数,N为大于或等于2的整数;确定该N种生理参数中的每种生理参数对应的第一呼吸暂停低通气指数(sleep-related apnea-hypopneaindex,AHI),以得到N个第一AHI;对该N个第一AHI进行融合处理,得到融合AHI;其中,该融合AHI用于指示该用户的SAHS风险;该N种生理参数包括以下至少两项:血氧参数、心率变异性参数、呼吸频率参数、鼾声参数。
本申请实施例的第二方面,提供一种参数融合处理装置,该装置包括:获取模块、确定模块和融合处理模块;该获取模块,用于获取睡眠时间段内用户的N种生理参数,N为大于或等于2的整数;该确定模块,用于确定该获取模块获取的该N种生理参数中的每种生理参数对应的第一AHI,以得到N个第一AHI;该融合处理模块,用于对该确定模块确定的该N个第一AHI进行融合处理,得到融合AHI;其中,该融合AHI用于指示该用户的SAHS风险;该N种生理参数包括以下至少两项:血氧参数、心率变异性参数、呼吸频率参数、鼾声参数。
本申请实施例的第三方面,提供一种可穿戴设备,该可穿戴设备包括处理器、存储器及存储在该存储器上并可在该处理器上运行的程序或指令,该程序或指令被该处理器执行时实现如第一方面所述的参数融合处理方法的步骤。
本申请实施例的第四方面,提供一种可读存储介质,该可读存储介质上存储程序或指令,该程序或指令被处理器执行时实现如第一方面所述的参数融合处理方法的步骤。
本申请实施例的第五方面,提供了一种芯片,该芯片包括处理器和通信接口,该通信接口和该处理器耦合,该处理器用于运行程序或指令,实现如第一方面所述的参数融合处理方法。
本申请实施例中,可以通过获取睡眠时间段内用户的N种生理参数,N为大于或等于2的整数;确定该N种生理参数中的每种生理参数对应的第一AHI,以得到N个第一AHI;对该N个第一AHI进行融合处理,得到融合AHI;其中,该融合AHI用于指示该用户的睡眠呼吸暂停低通气综合征SAHS风险;该N种生理参数包括以下至少两项:血氧参数、心率变异性参数、呼吸频率参数、鼾声参数。本方案中,根据N种生理参数得到每种生理参数对应的第一AHI,然后对N个第一AHI进行融合得到融合AHI,融合AHI用于指示用户的SAHS风险,因此不仅可以通过N种生理参数快速预测用户的SAHS风险,而且通过融合AHI可以更准确地预测用户的SAHS风险。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例和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,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种多导睡眠仪诊断SAHS需获取用户参数的示意图;
图2为本申请实施例提供的一种参数融合处理方法的应用场景示意图;
图3A为本申请实施例提供的参数融合处理方法的流程示意图之一;
图3B为本申请实施例提供的参数融合处理方法的流程示意图之二;
图3C为本申请实施例提供的一种综合4种生理参数共同确定呼吸异常事件的示意图;
图3D为本申请实施例提供的参数融合处理方法的流程示意图之三;
图3E为本申请实施例提供的参数融合处理方法的流程示意图之四;
图4为本申请实施例提供的一种根据血氧参数确定呼吸异常事件的示意图;
图5为本申请实施例提供的一种根据呼吸频率参数确定呼吸异常事件的示意图;
图6A为本申请实施例提供的根据鼾声参数确定呼吸异常事件的示意图之一;
图6B为本申请实施例提供的根据鼾声参数确定呼吸异常事件的示意图之二;
图7为本申请实施例提供的参数融合处理方法的流程示意图之五;
图8为本申请实施例提供的一种参数融合处理装置的结构框图;
图9为本申请实施例提供的一种可穿戴设备的硬件结构示意图。
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地描述,显然,所描述的实施例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中的术语“第一”、“第二”等是用于区别类似的对象,而不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,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面首先对本发明的权利要求书和说明书中涉及的一些名词或者术语进行解释说明。
SAHS:临床上定义,每晚睡眠过程中呼吸暂停反复发作30次以上或睡眠呼吸暂停低通气指数(AHI)≥5次/小时,即为SAHS。
AHI:是指每小时睡眠时间内呼吸暂停次数和低通气的次数之和。
光电容积描记(photo plethysmo graph,PPG)传感器能够以光学的方式取得的器官体积描记图,一般通过LED照射皮肤并测量光吸收的变化量来实现脉搏波的测量。
加速度传感器(acceleration transducer,ACC)是一种能够测量加速度的传感器。通常由质量块、阻尼器、弹性元件、敏感元件和适调电路等部分组成。传感器在加速过程中,通过对质量块的惯性的测量,利用牛顿第二定律获得加速度值。例如,ACC传感器可以包括陀螺仪传感器和/或加速度计传感器。
麦克风(microphone,MIC)传感器是将声音信号转换为电信号的能量转换器件。
目前,临床上确诊SAHS的金标准为多导睡眠图诊断。然而,如图1所示,在专门的睡眠监测室里通过多导睡眠仪同时监测脑电、眼电、肌电(下颌肌电和下肢肌电)、心电、鼻气流、鼻热敏、胸带、腹带、鼾声和视频监控等,需要专门的技术人员整夜观察导联是否脱落,并对所有信号进行人工标注,才能获得多导睡眠图。因此,获得多导睡眠图的整个过程工作量大且成本高,不适合大规模诊断SAHS。图2为本申请实施例示出的一种参数融合处理方法的应用场景的示意图。如图2所示,用户佩戴可穿戴设备,且用户处于睡眠状态,可以通过可穿戴设备获取用户处于睡眠状态下的N种生理参数,然后通过本申请实施例提供的参数融合处理方法,对N种生理参数进行处理,从而可以实现快速预测用户的SAHS风险。
本发明实施例中的可穿戴设备可以为智能手表、智能手环、智能脚环、智能眼镜之类的可穿戴设备。可选的,该可穿戴设备可以为腕带设备,如,智能手表、智能手环、智能脚环等。
本申请实施例提供的参数融合处理方法的执行主体可以为上述的可穿戴设备,也可以为该可穿戴设备中能够实现该参数融合处理方法的功能模块和/或功能实体,具体的可以根据实际使用需求确定,本申请实施例不作限定。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的参数融合处理方法进行详细地说明。
如图3A所示,本申请实施例提供一种参数融合处理方法,下面以执行主体为可穿戴设备为例,对本申请实施例提供的参数融合处理方法进行示例性的说明。该方法可以包括下述的步骤300至步骤302。
300、可穿戴设备获取睡眠时间段内用户的N种生理参数。
其中,该N种生理参数包括以下至少两项:血氧参数、心率变异性参数、呼吸频率参数、鼾声参数。N为大于或等于2的整数。
可以理解,该N种生理参数可以包括血氧参数、心率变异性参数、呼吸频率参数、鼾声参数中的任意两项、任意三项或四项;该N种生理参数还可以包括其他生理参数,具体可以根据实际使用情况确定该N种生理参数,本申请实施例不做限定。
其中,睡眠时间段内,用户处于睡眠状态。
301、可穿戴设备确定该N种生理参数中的每种生理参数对应的第一AHI,以得到N个第一AHI。
302、可穿戴设备对该N个第一AHI进行融合处理,得到融合AHI。
其中,融合AHI用于指示该用户的SAHS风险。
可以理解,可穿戴设备先获取每种生理参数对应的信号,然后对每种生理参数对应的信号进行处理,得到每种生理参数,再然后根据每种生理参数确定每种生理参数中的呼吸异常事件,统计每种生理参数的呼吸异常事件次数,计算每种生理参数的呼吸异常事件次数与睡眠时间段的时长的比值,得到每种生理参数对应的第一AHI,最后通过对N个第一AHI进行融合处理,得到融合AHI,根据融合AHI可以预测用户的SAHS风险。
需要说明的是,本申请实施例中,将呼吸暂停事件和低通气事件统称为呼吸异常事件,本申请实施例中,不区分呼吸异常事件是呼吸暂停事件,还是低通气事件。
在一种可选的实施方式中,上述步骤302,具体可以通过下述步骤302a和302b实现。
302a、可穿戴设备根据该每种生理参数的目标信息,确定该每种生理参数对应的第一AHI的融合权重。
其中,该目标信息包括以下至少一项:该每种生理参数对应的信号质量,该每种生理参数对应的第一AHI。
可选地,可穿戴设备可以根据该每种生理参数对应的信号质量,确定该每种生理参数对应的第一AHI的融合权重。
可选地,本申请实施例中,信号质量可以根据以下至少一项确定:生理参数对应的原始信号的质量、生理参数的异常数据比例。信号质量还可以根据其他信息确定,本申请实施例不做限定。
可以理解,信号质量可以根据生理参数对应的原始信号的质量确定,也可以根据生理参数的异常数据比例确定,还可以根据生理参数对应的原始信号的质量和生理参数的异常数据比例确定,本申请实施例不做限定。
其中,生理参数对应的原始信号的质量,可以为可穿戴设备获取(采集的或从其他设备获取的)的原始信号的质量,与采集信号的仪器的性能、用户的个体差异性(用户的肤色,血液浓度等)等相关,可穿戴设备在获取原始信号时,即可以获取原始信号每个单位时间点的质量,然后对原始信号每个单位时间点的质量中的部分或全部进行处理(例如加权求平均值处理)得到原始信号的质量。
其中,生理参数的异常数据比例,可以为生理参数中的异常数据(不可能存在的数据),例如,异常波动数据(例如血氧参数中的正常波动是连续变化的,如果有突然的波动是异常波动)、异常缺失数据(如果有超过一定时长的数据缺失,属于异常数据缺失)等,与用户佩戴可穿戴设备的状态、用户睡姿等相关,例如,以通过可穿戴设备的PPG传感器采集原始信号为例,用户挤压可穿戴设备,导致采集到的PPG信号出现异常数据。
可选地,本申请实施例中,信号质量可以是信号的质量等级,例如,信号质量分优、良、中、差四个等级;信号质量也可以是数值,例如信号质量为质量评分。
可选地,若信号质量是质量等级,每个质量等级对应一个预设权重,则可穿戴设备可以将一种生理参数的质量等级对应的预设权重,确定该种生理参数的融合权重。
可选地,若信号质量是数值,则可穿戴设备可以将信号质量确定为对应的生理参数的融合权重。
可选地,可穿戴设备还可以将信号质量进行一定地运算处理(例如加预设值,乘预设倍数等)之后得到的值确定为对应的生理参数的融合权重。
可选地,可穿戴设备也可以根据该每种生理参数对应的第一AHI,确定该每种生理参数对应的第一AHI的融合权重。
示例性地,第一AHI与融合权重之间存在对应关系,例如,第一AHI在不同AHI范围时,对应不同的融合权重;第一AHI与融合权重存在函数关系;还可以是其他的对应关系,本申请实施例不做限定。可穿戴设备可以根据该每种生理参数对应的第一AHI,以及第一AHI与融合权重之间的对应关系,确定该每种生理参数对应的第一AHI的融合权重。
可选地,可穿戴设备可以根据该每种生理参数对应的信号质量和该每种生理参数对应的第一AHI,确定该每种生理参数对应的第一AHI的融合权重。
可以理解,即结合该每种生理参数对应的信号质量与融合权重的关系(具体可以参见上述相关描述,此处不再赘述),以及该每种生理参数对应的第一AHI与融合权重的关系(具体可以参见上述相关描述,此处不再赘述),共同确定该每种生理参数对应的第一AHI的融合权重。
可选地,可以先根据每种生理参数对应的信号质量,确定一个中间融合权重,然后再根据每种生理参数对应的第一AHI,对中间融合权重进行调整,得到每种生理参数对应的第一AHI的(最终的)融合权重。
其中,确定中间融合权重的方法可以参考上述对根据每种生理参数对应的信号质量,确定每种生理参数对应的第一AHI的融合权重的相关描述,此处不再赘述。
其中,对中间融合权重进行调整可以参考但不限于以下示例的描述,具体可以根据实际使用需求确定。
示例1,N为2,一种情况,两种生理参数对应的第一AHI均在同一区间,则可以不调整中间融合权重(即将中间融合权重确定为最终的融合权重),或者将中间融合权重乘以同一个系数A(作为最终的融合权重);另一种情况,若两种生理参数对应的第一AHI在不同区间,则可以对两种生理参数中较小的第一AHI的中间融合权重乘以较大的系数(作为最终的融合权重),另一种生理参数的第一AHI的中间融合权重乘以较小的系数(作为最终的融合权重),或者,对两种生理参数中较小的第一AHI的中间融合权重乘以较小的系数(作为最终的融合权重),另一种生理参数的第一AHI的中间融合权重乘以较大的系数(作为最终的融合权重)。
示例2,N为3,一种情况,三种生理参数中的两种生理参数对应的第一AHI在同一区间,则将在同一个区间的该两个第一AHI的中间融合权重分别乘以较大的系数(作为最终的融合权重),将另一种生理参数的第一AHI的中间融合权重乘以较小的系数(作为最终的融合权重);另一种情况,三种生理参数对应的第一AHI在不同区间,则根据每种生理参数对应的第一AHI的大小顺序,将对应的中间融合权重依次乘以相应的系数(作为最终的融合权重),其中,相应的系数可以为越大的第一AHI的中间融合权重的系数越大,或者越大的第一AHI的中间融合权重的系数越小。
302b、可穿戴设备根据该每种生理参数对应的第一AHI的融合权重,对该N个第一AHI进行加权融合,得到该融合AHI。
示例性地,可以通过融合公式计算融合AHI。融合公式为:
AHI0=(AHI1×L1+AHI2×L2+……+AHIn×Ln)/(L1+L2+……+Ln)
其中,AHI0为融合AHI,AHI1、AHI2……和AHIn分别为每种生理参数对应的第一AHI,L1、L2……和Ln分别为每种生理参数对应的融合权重。
本申请实施例中,根据目标信息确定该每种生理参数对应的第一AHI的融合权重,然后根据每种生理参数对应的第一AHI的融合权重,对N个第一AHI进行加权融合,得到融合AHI,可以提高用户的SAHS风险的预测的可靠性。
在一种可选的实施方式中,上述步骤302a具体可以通过下述步骤302a1至步骤302a2实现。
302a1、可穿戴设备根据该每种生理参数的该目标信息,确定该每种生理参数的可信度。
本申请实施例中,可信度是指根据目标信息确定的生理参数的可信赖程度。
可以理解,可穿戴设备可以根据每种生理参数对应的信号质量,确定该每种生理参数的可信度;也可以根据每种生理参数对应的第一AHI,确定该每种生理参数的可信度;还可以根据每种生理参数对应的信号质量和每种生理参数对应的第一AHI,确定该每种生理参数的可信度。
本申请实施例中,信号质量与可信度之间存在对应关系,例如,信号质量在不同的区间范围时,对应不同的可信度;或者,信号质量和可信度之间存在函数关系,还可以是其他的对应关系,本申请实施例不做限定。可穿戴设备可以根据每种生理参数对应的信号质量,确定该每种生理参数的可信度。
本申请实施例中,第一AHI与可信度之间存在对应关系,例如,第一AHI在不同AHI范围时,对应不同的可信度;第一AHI与可信度存在函数关系;还可以是其他的对应关系,本申请实施例不做限定。可穿戴设备可以根据该每种生理参数对应的第一AHI,以及第一AHI与可信度之间的对应关系,确定该每种参数的可信度。
当可穿戴设备根据每种生理参数对应的信号质量和每种生理参数对应的第一AHI,确定该每种生理参数的可信度时,可以先根据每种生理参数对应的信号质量,确定一个可信度,根据每种生理参数对应的第一AHI确定一个可信度,然后对两个可信度进行处理(求和,求平均值等),得到最终的该每种生理参数的可信度。
302a2、可穿戴设备根据该每种生理参数的可信度,确定该每种生理参数对应的第一AHI的融合权重。
可选地,可穿戴设备可以将每种生理参数的可信度,确定为每种生理参数对应的第一AHI的融合权重。
可选地,对该每种生理参数的可信度进行归一化处理,可以得到该每种生理参数对应的第一AHI的融合权重。即,将该每种生理参数的可信度与N种生理参数的可信度之和的比值,确定为该每种生理参数对应的第一AHI的融合权重。
需要说明的是,本申请实施例中,通过对该每种生理参数的可信度进行归一化处理,得到的每个第一AHI对应的融合权重的和为1,则上述融合公式可以修改为:AHI0=(AHI1×L1+AHI2×L2+……+AHIn×Ln)。而本申请实施例中,也可以不对该每种生理参数的可信度进行归一化处理,也就是说,直接将每种生理参数的可信度作为对应的第一AHI的融合权重,此种情况下,得到的每个第一AHI对应的融合权重的和不为1,则融合公式为AHI0=(AHI1×L1+AHI2×L2+……+AHIn×Ln)/(L1+L2+……+Ln)。
可选地,可信度与融合权重之间存在对应关系,例如,可信度在不同可信度范围时,对应不同的融合权重;可信度与融合权重存在函数关系;还可以是其他的对应关系,本申请实施例不做限定。
本申请实施例中,引入了可信度这个中间变量,先根据目标信息确定可信度,再根据可信度确定融合权重。进一步细化了获取融合权重的过程。本申请实施例中,结合可信度确定每种生理参数对应的第一AHI的融合权重,可以更好地对N个第一AHI进行融合,可以更好地提高用户的SAHS风险的预测的可靠性。
在一种可选的实施方式中,结合图3A,如图3B所示,上述步骤302具体可以通过下述步骤302c至步骤302d实现。
302c、可穿戴设备对该N个第一AHI进行第一融合处理,得到第二AHI。
302d、可穿戴设备对第二AHI和目标AHI进行第二融合处理,得到该融合AHI。
其中,该目标AHI包括以下至少一项:该N个第一AHI,第三AHI。
其中,第三AHI是根据该N种生理参数共同确定的一个AHI。本申请实施例中,第三AHI是从事件层面综合N种生理参数共同确定得AHI。
其中,第一AHI是从个体层面上单独根据一种生理参数确定的AHI。
其中,第二AHI是从个体层面上对多个第一AHI进行融合得到的AHI。
其中,对第一融合处理的描述可以参考上述步骤302a至步骤302b中对该N个第一AHI进行加权融合的相关描述,此处不再赘述。
可选地,第二融合处理也可以是获取每个AHI的融合权重,根据每个AHI的融合权重,对第二AHI和目标AHI进行加权融合。其中,该每个AHI的融合权重可以是预设的,也可以是根据某种规则计算的,本申请实施例不做限定。
示例性地,每个AHI的融合权重可以相同,也就是说,对第二AHI和目标AHI进行加权融合即求第二AHI和目标AHI的平均值。
在一种可选的实施方式中,上述步骤302d具体可以通过下述步骤302d1至步骤302d3中的任一项实现。
302d1、可穿戴设备对第二AHI和该N个第一AHI进行第二融合处理,得到该融合AHI。
本申请实施例中,对第二AHI和N个第一AHI进行融合,可以进一步降低因用户基础疾病对个别生理参数的干扰(一些基础疾病也会引起某种参数表现出与呼吸异常事件相同的特征,从而可能会误判发生呼吸异常事件),从而降低个别生理参数对用户的SAHS风险等级预测的干扰。
302d2、可穿戴设备对第二AHI和第三AHI进行第二融合处理,得到该融合AHI。
本申请实施例中,对从个体层面得到的第二AHI,以及从事件层面得到的第三AHI进行融合,可以结合不同层面得到的AHI获得更准确地融合AHI,进而可以提高用户的SAHS风险的预测的可靠性。
302d3、可穿戴设备对第二AHI、该N个第一AHI和第三AHI进行第二融合处理,得到该融合AHI。
本申请实施例中,从个体层面得到单独第一AHI、从个体层面得到的融合第二AHI,以及从事件层面得到的第三AHI进行融合,不仅可以进一步降低因用户基础疾病对个别生理参数的干扰,而且对从不同层面获得的AHI进行融合,可以获得更准确地融合AHI,进而可以提高用户的SAHS风险的预测的可靠性。
本申请实施例中,提供了将不同方式获得的AHI进行融合,得到融合AHI的方法,从而可以获得更准确地融合AHI,进而可以提高用户的SAHS风险的预测的可靠性。而且,本申请实施例中提供了多种融合方案,各种融合方案从不同角度、不同层面尽可能避免因用户基础疾病对个别生理参数的干扰,进而避免因用户基础疾病对用户的SAHS风险等级预测的干扰。
在一种可选的实施方式中,在上述步骤302之前,本申请实施例提供的参数融合处理方法还可以包括下述的步骤3001至步骤3003。
3001、可穿戴设备根据该每种生理参数,确定在所述睡眠时间段内各种生理参数对应的目标时间段。
其中,所述目标时间段为发生呼吸异常事件的时间段。比如,血氧参数对应的目标时间段为根据血氧参数确定出的用户发生呼吸异常事件的时间段,心率变异性参数对应的目标时间段为根据心率变异性参数确定出的用户发生呼吸异常事件的时间段,呼吸频率参数对应的目标时间段为根据呼吸频率参数确定出的用户发生呼吸异常事件的时间段,鼾声参数对应的目标时间段为根据鼾声参数确定出的用户发生呼吸异常事件的时间段。
3002、根据该各种生理参数对应的目标时间段,通过沿着该睡眠时间段的时间轴移动的滑动时间窗,在该睡眠时间段内确定至少一个目标时间窗。
其中,该滑动时间窗每次移动的步长为第一时长。
可以理解,一个目标时间窗即为一次呼吸异常事件,目标时间窗的个数,即为根据N种生理参数共同确定的呼吸异常事件的次数。
3003、可穿戴设备计算该目标时间窗的个数与该睡眠时间段的时长的比值,得到第三AHI。
其中,该目标时间窗满足以下条件:该目标时间窗的长度等于该滑动时间窗的长度,该目标时间窗对应的时间段内存在至少M种生理参数均发生呼吸异常事件;
其中,该至少M种参数为该N种生理参数中的参数,M为大于或等于2的整数。
本申请实施例中,以下将时间窗的长度简称为窗长,滑动时间窗的窗长是N种生理参数中的每种生理参数的基本时间窗的窗长的最小公倍数。滑动时间窗,即为时间样本选择窗。
其中,滑动时间窗的窗长可以根据实际使用需求确定,本申请实施例不做限定。例如,滑动时间窗的窗长可以为1分钟。
其中,第一时长为滑动时间窗的移动步长,可以根据实际使用需求确定,本申请实施例不做限定。
本申请实施例中,结合多种参数共同确定是否发生呼吸异常事件,且进一步确定一个第三AHI,可以使获得的AHI更准确,可以提高SAHS风险预测的可靠性。
可选地,该目标时间窗还满足以下条件中的至少一项:每个该目标时间窗的起始点与上一个目标时间窗的起始点的差值大于或等于第二时长;在一个该目标时间窗内,若该至少M种参数包括血氧参数,则血氧时间窗的起始点与其他时间窗的终止点的差值大于或等于第三时长;其中,第二时长大于第一时长,该血氧时间窗为根据该血氧参数确定发生呼吸异常事件的时间段,该其他时间窗为根据除血氧参数外的其他生理参数确定发生呼吸异常事件的时间段。
可以理解,其他时间窗可以包括以下至少一项:心率变异性时间窗、呼吸频率参数时间窗、鼾声时间窗。例如,若一个目标时间窗中包括血氧时间窗和心率变异性时间窗,则血氧时间窗的起始点与心率变异性时间窗的终止点的差值大于或等于第三时长;若一个目标时间窗中包括血氧时间窗、呼吸频率参数时间窗和鼾声时间窗,则血氧时间窗的起始点与呼吸频率参数时间窗的终止点的差值大于或等于第三时长,且血氧时间窗的起始点与鼾声时间窗的终止点的差值也大于或等于第三时长。
其中,第二时长为前后两个目标时间窗的最小保护间隔,用于避免重复认定呼吸异常事件,第二时长可以根据实际使用需求确定,本申请实施例不做限定。例如,第二时长可以为25秒钟。
本申请实施例中,通过在目标时间窗的补充条件中设置前后两个目标时间窗的起始点的间隔大于滑动时间窗每次移动的步长(第二时长大于第一时长),可以避免同一生理参数的(发生呼吸异常事件)同一目标时间段使得滑动时间窗依次经过的两个时间窗均被确定为目标时间窗(由于前后两个目标时间窗的起始点的间隔大于滑动时间窗每次移动的步长,因此滑动时间窗依次经过的两个时间窗中只有一个为目标时间窗),以致重复认定呼吸异常事件,进而可以避免第三AHI的值大于用户实际的AHI。而且,结合设置滑动时间窗每次移动的步长大于或等于第一时长,以及前后两个目标时间窗的起始点的间隔大于或等于第二时长,不仅可以保证不会重复认定呼吸异常事件,而且可以保证不会漏掉某一次呼吸异常事件,如此可以保证第三AHI的准确性。
其中,因为血氧参数(相比于其他生理参数)表现出发生呼吸异常事件的时间与实际发生呼吸异常事件的时间存在延迟,也可以说,血氧参数表现出发生呼吸异常事件的时间,相比于其他参数表现出发生呼吸异常事件的时间存在延迟,因此在包括血氧时间窗的目标时间窗中,血氧时间窗晚于其他时间窗。第三时长可以根据实际使用需求确定,本申请实施例不做限定。例如,第三时长可以为20秒钟。
本申请实施例中,通过在目标时间窗的补充条件中设置血氧时间窗的起始点与其他时间窗的终止点的差值大于或等于第三时长,可以避免将只包括血氧时间窗和任一种其他生理参数时间窗,且血氧时间窗的起始点与该任一种其他生理参数时间窗的终止点的差值小于第三时长(例如血氧时间窗早于该任一种其他生理参数时间窗的时间窗,确定为目标时间窗),进而可以避免第三AHI的值大于用户实际的AHI。如此可以保证第三AHI的准确性。
综上,通过上述目标时间窗的补充条件,可以使是否发生呼吸异常事件的判断更准确,进而可以使得到的第三AHI更贴合实际,可以提高SAHS风险预测的可靠性。
可以理解,在确定第三AHI之前,需要先确定N种生理参数中每种生理参数在睡眠时间段中发生呼吸异常事件的位置(时间段),然后在时间轴上用不同的标记,标记每种生理参数发生异常事件的位置。然后通过滑动时间窗在该时间轴上滑动来选择时间样本,然后根据每个时间样本中,呼吸异常事件对应的参数的种类确定该时间样本是否真正发生呼吸异常事件。假设一个时间样本中呼吸异常事件对应的参数的种类为至少两种时,认为在该时间样本中发生呼吸异常事件;一个时间样本中呼吸异常事件对应的参数的种类少于两种时,认为在该时间样本中未发生呼吸异常事件。
其中,对每种生理参数的获取,以及对每种生理参数在睡眠时间段中发生呼吸异常事件的位置的确定,可以参考下述实施例中的相关描述,此处不再赘述。
示例性地,如图3C所示,为一种根据综合四种生理参数确定呼吸异常事件的示意图,其中,标记“31”指示的为时间轴,时间轴上的正方形标识指示在该位置心率变异性参数指示发生呼吸异常事件,时间轴上的圆形标识指示在该位置血氧参数指示发生呼吸异常事件,时间轴上的心形标识指示在该位置呼吸频率参数指示发生呼吸异常事件,时间轴上的闪电标识指示在该位置鼾声参数指示发生呼吸异常事件,标记“32”指示该位置心率变异性参数、呼吸频率参数和鼾声参数同时指示发生呼吸异常事件,标记“33”指示该位置呼吸频率参数和鼾声参数同时指示发生呼吸异常事件,图中加粗实线框指示滑动时间窗所在的每个时间段,可以看出滑动时间窗的窗长为T0(例如可以为1分钟)。在滑动时间窗所在的第一个时间段中,心率变异性参数指示发生呼吸异常事件,血氧参数指示发生呼吸异常事件,因此第一个滑动时间窗段满足上述目标时间窗的判断规则,是一个目标时间窗。由于第一个滑动时间窗为目标时间窗,因此滑动时间窗所在的第二个时间段的起始点与第一个时间段的起始点的差值为t0+t1(其中,t1为保护时间间隔,例如,t0可以为10s,t1可以为20s,t0+t1为上述的第二时长);在第二个时间段内虽然血氧参数指示发生呼吸异常事件,鼾声参数指示发生呼吸异常事件,但是由于血氧参数指示发生呼吸异常事件会有时间偏移(大概为20s左右),因此血氧参数指示发生呼吸异常事件,应该在其他生理参数指示发生呼吸异常事件之后,因此第二个时间段不满足上述目标时间窗的判断规则,不是目标时间窗。因为第二个时间段不是目标时间窗,因此滑动时间窗所在的第三个时间段的起始点与第二个时间段的起始点的差值为t0(t0为上述第一时长)。第三个时间段不满足上述目标时间窗的判断规则,不是目标时间窗;滑动时间窗所在的第四个时间段的起始点与第三个时间段的起始点的差值为t0。以此类推,此处不予赘述。
本申请实施例中,根据上述确定第三AHI的方法,可以快速确定第三AHI,流程简单,便于实现。
可选地,第三AHI还可以通过AHI学习模型获得,AHI学习模型可以为根据大量该N种生理参数的样本数据训练得到的。将该N种生理参数输入AHI学习模型,输出第三AHI,具体可以参考相关技术,本申请实施例不做限定。
可以理解,AHI和SAHS风险等级存在对应关系,可选地,AHI处于不同的风险范围时,对应不同的SAHS风险等级;可选地,AHI和SAHS概率存在函数关系,SAHS概率在不同的概率范围时,对应不同的SAHS风险等级;AHI和SAHS风险等级还可以存在其他对应关系,本申请实施例不做限定。
在一种可选的实施方式中,结合图3A,如图3D所示,在上述步骤302之后,本申请实施例提供的参数融合处理方法还可以包括下述的步骤303。
303、若该融合AHI处于第一风险范围,则可穿戴设备确定该用户的SAHS风险为第一SAHS风险等级。
其中,第一SAHS风险等级与第一风险范围对应。
可以理解,融合AHI在不同的风险范围时,对应不同的SAHS风险等级。
示例性地,AHI的数值大于或等于0,且小于5时,SAHS风险等级为正常;AHI的数值大于或等于5,且小于15时,SAHS风险等级为低风险;AHI的数值大于或等于15,且小于30时,SAHS风险等级为中风险;AHI的数值大于或等于30时,SAHS风险等级为高风险。
本申请实施例中,根据融合AHI所处的风险范围,确定该用户的SAHS风险等级的方法,可以快速得到用户的SAHS风险等级。
在一种可选的实施方式中,结合图3D,如图3E所示,在上述步骤303之后,本申请实施例提供的参数融合处理方法还可以包括下述的步骤304。
304、可穿戴设备根据第一SAHS风险等级和目标SAHS风险等级,确定该用户的最终SAHS风险等级。
其中,该目标SAHS风险等级包括以下至少一项:至少两个第二SAHS风险等级,第三SAHS风险等级,第四SAHS风险等级。
可以理解,目标SAHS风险等级包括至少两个第二SAHS风险等级,第三SAHS风险等级,第四SAHS风险等级中的任意一项、任意两项或三项。
其中,每个第二SAHS风险等级为根据一种生理参数对应的第一AHI所在的风险范围确定的。
本申请实施例中,对根据该每种生理参数对应的第一AHI所在的风险范围确定每个第二SAHS风险等级的描述可以参考上述步骤303对根据融合AHI确定第一SAHS风险等级的相关描述,此处不予赘述。
其中,第三SAHS风险等级为根据第三AHI所在的风险范围确定的,第三AHI为根据该N种生理参数共同确定的一个AHI。
本申请实施例中,对根据第三AHI所在的风险范围确定第三SAHS风险等级的描述可以参考上述步骤303对根据融合AHI确定第一SAHS风险等级的相关描述,此处不予赘述。
本申请实施例中,对第三AHI的描述可以参考上述步骤302d中对第三AHI的相关描述,此处不再赘述。
其中,第四SAHS风险等级为根据该睡眠时间段内的鼾声参数的时频域特征通过鼾声SAHS风险预测模型确定的。
可以理解,鼾声SAHS风险预测模型是根据大量鼾声参数的时频域特征样本数据训练得到的,其中大量鼾声参数的时频域特征样本数据可以包括不同SAHS等级病人的样本数据和正常人的样本数据。
可以理解,对睡眠时间段内的鼾声参数进行时域特征提取(时域特征提取方法可以参考相关技术,本申请实施例不做限定),得到睡眠时间段内的鼾声参数的时域特征;对睡眠时间段内的鼾声参数进行频域特征提取(频域特征提取方法可以参考相关技术,本申请实施例不做限定),得到睡眠时间段内的鼾声参数的频域特征;从而得到睡眠时间段内的鼾声参数的时频域特征,将睡眠时间段内的鼾声参数的时频域特征输入鼾声SAHS风险预测模型,输出第四SAHS风险等级。
其中,如何获取鼾声参数可以参考下述实施例中步骤320至步骤321中对获取鼾声参数的相关描述,此处不予赘述。
可以理解,可穿戴设备可以根据第一SAHS风险等级和目标SAHS风险等级,以及风险等级确定策略,确定最终SAHS风险等级。
可选地,风险等级确定策略可以包括根据比重确定,例如第一SAHS风险等级和目标SAHS风险等级中比重较大的为最终SAHS风险等级。
示例性地,第一SAHS风险等级和目标SAHS风险等级包括三个SAHS风险等级,其中,一个为中风险等级,两个为高风险等级,则最终SAHS风险等级为高风险等级。
可选地,风险等级确定策略可以包括:在比重相同时,将较低的SAHS风险等级确定为最终SAHS风险等级。
示例性地,第一SAHS风险等级和目标SAHS风险等级包括四个SAHS风险等级,其中,两个为中风险等级,两个为高风险等级,则最终SAHS风险等级为中风险等级。
其中,风险等级确定策略还可以包括其他策略,本申请实施例不做限定。
示例性地,上述步骤304可以为:可穿戴设备根据第一SAHS风险等级和至少两个第二SAHS风险等级,确定该用户的最终SAHS风险等级。
示例性地,上述步骤304也可以为:可穿戴设备根据第一SAHS风险等级、至少两个第二SAHS风险等级和第三SAHS风险等级,确定该用户的最终SAHS风险等级。
示例性地,上述步骤304也可以为:可穿戴设备根据第一SAHS风险等级、至少两个第二SAHS风险等级、第三SAHS风险等级和第四SAHS风险等级,确定该用户的最终SAHS风险等级。
本申请实施例中,结合多种方法得到的SAHS风险等级,共同确定最终SAHS风险等级,可以很好地提高用户的SAHS风险的预测的可靠性。
在一种可选的实施方式中,该N种生理参数包括:血氧参数。本申请实施例提供的参数融合处理方法的上述步骤301可以包括下述的步骤305至步骤306。
305、可穿戴设备将该血氧参数对应的第一时间窗的个数,确定为该血氧参数对应的呼吸异常事件次数。
306、可穿戴设备计算该血氧参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该血氧参数对应的第一AHI。
其中,第一时间窗为发生呼吸异常事件的时间段。第一时间窗具体为根据血氧参数确定出的用户发生呼吸异常事件的时间段。
第一时间窗满足以下条件:第一时间窗的长度大于或等于第一窗长阈值;第一时间窗内的平均血氧值,相比第二时间窗的平均血氧值的下降幅度大于或等于血氧下降阈值。
其中,第二时间窗为未发生呼吸异常事件,且为第一时间窗之前的,与第一时间窗间隔第一预设时长的时间段。
其中,第一窗长阈值可以根据实际使用需求确定,本申请实施例不做限定,例如第一窗长阈值为10秒钟。
可以理解,第一时间窗内的平均血氧值,相比第二时间窗的平均血氧值的下降幅度为:血氧差值与第二时间窗的平均血氧值的比值。其中,血氧差值为:第二时间窗的平均血氧值与第一时间窗内的平均血氧值的差值。血氧下降阈值可以根据实际使用需求确定,本申请实施例中不做限定。例如,血氧下降阈值可以为4%。
其中,第一预设时长通常为血氧值相比第二时间窗的平均血氧值下降,但下降幅度小于血氧下降阈值的时间段的时长,第一预设时长可以根据实际使用情况确定,本申请实施例不做限定。通常第一预设时长大于0。
示例性地,如图4所示,为根据血氧参数确定呼吸异常事件的示意图,其中标记“41”指示的为一个第一时间窗,标记“42”指示的为该一个第一时间窗内的平均血氧值,标记“43”指示的为与该一个第一时间窗对应的第二时间窗,标记“44”指示的为第二时间窗内的平均血氧值,T1为该一个第一时间窗的窗长,T1大于或等于第一窗长阈值,t2为第一预设时长,Q0为该一个第一时间窗内的平均血氧值相比第二时间窗的平均血氧值的下降幅度,Q0大于或等于血氧下降阈值。
可以理解,可穿戴设备先确定该血氧参数中的每个第一时间窗(即每个发生呼吸异常事件的时间段),然后统计第一时间窗的个数,然后第一时间窗的个数除以睡眠时间段的时长,即为该血氧参数对应的第一AHI。
本申请实施例中,根据上述步骤305至步骤306,处理过程简单,可以提高获取该血氧参数对应的第一AHI的效率。
可选地,本申请实施例中,还可以通过血氧学习模型确定该血氧参数对应的第一AHI,该血氧学习模型为根据大量血氧参数样本训练得到的,具体训练过程,以及对大量血氧参数样本的描述可以参考相关技术,本申请实施例不做限定。可以理解,将该血氧参数输入血氧学习模型,输出该血氧参数对应的第一AHI。
在一种可选的实施方式中,可穿戴设备获取睡眠时间段内用户的N种生理参数,包括可穿戴设备获取睡眠时间段内用户的血氧参数,则本申请实施例提供的参数融合处理方法的上述步骤300可以包括下述的步骤307至步骤308。
307、可穿戴设备通过该可穿戴设备中的PPG传感器采集用户在该睡眠时间段内,与该血氧参数对应的红光PPG信号和红外光PPG信号。
可以理解,可穿戴设备采集到该血氧参数对应的红光PPG信号和红外光PPG信号之后,可以先对红光PPG信号和红外光PPG信号分别进行预处理,例如通过信号滤波和增强去除基线漂移和噪声,以提升PPG信号质量。具体可以参考相关技术,本申请实施例不做限定。
可选地,可穿戴设备还可以从其他设备(用户佩戴的具有PPG传感器的设备)获取该血氧参数对应的红光PPG信号和红外光PPG信号。
308、可穿戴设备根据该红光PPG信号的直流(Direct Current,DC)信号和交流(Alternating Current,AC)信号,以及该红外光PPG信号的DC信号和AC信号,计算该血氧参数。
可以理解,可穿戴设备可以根据血氧计算公式,计算得到该血氧参数。血氧计算公式为:
Rvalue≈(ACred/DCred)/(ACIR/DCIR)
其中,Rvalue为血氧参数,ACred为红光PPG信号的AC信号,DCred为红光PPG信号的DC信号,ACIR为红外光PPG信号的AC信号,DCIR为红外光PPG信号的DC信号。
本申请实施例中,通过可穿戴设备可以快速采集该血氧参数对应的红光PPG信号和红外光PPG信号,并通过血氧计算公式可以快速得到该血氧参数。而且可穿戴设备方便用户长期佩戴持续监测风险,不会影响用户睡眠状态。
可选地,可穿戴设备还可以通过其他方法获得该血氧参数,具体参考相关技术,本申请实施例不做限定。
在一种可选的实施方式中,该N种生理参数包括:心率变异性参数。本申请实施例提供的参数融合处理方法的上述步骤301还可以包括下述的步骤309至步骤310。
309、可穿戴设备通过心率变异性学习模型,对该心率变异性参数进行分析,得到该心率变异性参数对应的呼吸异常事件次数。
310、可穿戴设备计算该心率变异性参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该心率变异性参数对应的第一AHI。
可以理解,心率变异性学习模型是根据大量心率变异性参数样本数据训练得到的,具体训练过程以及对大量心率变异性参数样本数据的描述可以参考相关技术,本申请实施例不做限定。将心率变异性参数输入心率变异性学习模型,输出该心率变异性参数对应的呼吸异常事件次数。
可以理解,心率变异性参数包括时域特征参数和频域特征参数,其中,时域特征参数包括:全部正常心跳间距之标准差(Standard Deviation of Normal to Normal,SDNN),心电图中任意相邻正常心跳时间间隔,差距超过50毫秒的数目(Number of pairs ofadjacent NN intervals differing by more than 50 ms in the entire recording,NN50);频域特征参数包括:高频功率,低频功率,超低频功率,低频与高频功率的比值等。心率变异性参数还可以包括其他的时域特征参数和频域特征参数,本申请实施例不做限定。
可选地,可穿戴设备还可以通过其他方法得到该心率变异性参数对应的第一AHI,本申请实施例不做限定。
本申请实施例中,通过心率变异性学习模型,可以快速确定该心率变异性参数对应的呼吸异常事件次数。
在一种可选的实施方式中,可穿戴设备获取睡眠时间段内用户的N种生理参数,包括可穿戴设备获取睡眠时间段内用户的心率变异性参数,则本申请实施例提供的参数融合处理方法的上述步骤300还可以包括下述的步骤311至步骤312。
311、可穿戴设备通过该可穿戴设备中的PPG传感器采集用户在该睡眠时间段内,与该心率变异性参数对应的第一PPG信号。
可以理解,可穿戴设备采集到该心率变异性参数对应的第一PPG信号之后,可以先对第一PPG信号进行预处理,例如通过信号滤波技术和信号增强技术去除基线漂移和噪声,以提升第一PPG信号的质量。具体可以参考相关技术,本申请实施例不做限定。
可选地,由于绿光抗干扰能力更强,因此,第一PPG信号可以为绿光PPG信号。第一PPG信号也可以为其他色光PPG信号,本申请实施例不做限定。
312、可穿戴设备根据第一PPG信号的脉搏波峰间隔,确定该心率变异性参数。
可以理解,可穿戴设备可以根据波峰识别技术确定第一PPG信号的各个脉搏波峰,然后确定任意相邻脉搏波峰的脉搏波峰间隔,对脉搏波峰间隔进行时域特征提取得到时域特征参数,然后对脉搏波峰间隔进行快速傅里叶变换得到频域特征参数,以得到心率变异性参数。具体可以参考相关技术,本申请实施例不做限定。
其中,快速傅里叶变换(Fast Fourier Transform,FFT)是一种用较低的时间复杂度实现傅里叶变换的方法,该方法可以实现时域到频域的基础变换。
本申请实施例中,通过可穿戴设备可以快速采集该心率变异性参数对应的第一PPG信号,并通过第一PPG信号的脉搏波峰间隔可以快速得到该心率变异性参数。而且可穿戴设备方便用户长期佩戴持续监测风险,不会影响用户睡眠状态。
在一种可选的实施方式中,该N种生理参数包括:呼吸频率参数。本申请实施例提供的参数融合处理方法的上述步骤301还可以包括下述的步骤313至步骤314。
313、可穿戴设备将该呼吸频率参数对应的第三时间窗的个数,确定为该呼吸频率参数对应的呼吸异常事件次数。
314、可穿戴设备计算该呼吸频率参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该呼吸频率参数对应的第一AHI。
其中,第三时间窗为发生呼吸异常事件的时间段。第三时间窗具体为根据呼吸频率参数确定出的用户发生呼吸异常事件的时间段。
第三时间窗满足以下条件:第三时间窗的长度大于或等于第二窗长阈值;第三时间窗内的平均呼吸频率,相比第四时间窗内的平均呼吸频率下降幅度大于或等于呼吸频率下降阈值。
其中,第四时间窗为未发生呼吸异常事件,且为第三时间窗之前的,与第三时间窗间隔第二预设时长的时间段。
其中,第二窗长阈值可以根据实际使用需求确定,本申请实施例不做限定。
可以理解,第三时间窗内的平均呼吸频率,相比第四时间窗内的平均呼吸频率下降幅度为:呼吸频率差值与第四时间窗内的平均呼吸频率的比值。其中,呼吸频率差值为:第四时间窗内的平均呼吸频率与第三时间窗内的平均呼吸频率的差值。呼吸频率下降阈值可以根据实际使用需求确定,本申请实施例中不做限定。例如,呼吸频率下降阈值可以为40%。
可选地,第三时间窗内的平均呼吸频率可能为0,也就是说呼吸中断。
其中,第二预设时长通常为呼吸频率相比第四时间窗内的平均呼吸频率下降,但下降幅度小于呼吸频率下降阈值的时间段的时长,第二预设时长可以根据实际使用情况确定,本申请实施例不做限定。由于呼吸频率可以突变,通常第二预设时为0。
示例性地,如图5所示,为根据呼吸频率参数确定呼吸异常事件的示意图,其中标记“51”指示的为一个第三时间窗,标记“52”指示的为该一个第三时间窗内的平均呼吸频率,标记“53”指示的为与该一个第三时间窗对应的第四时间窗,标记“54”指示的为第四时间窗内的平均呼吸频率,T2为该一个第三时间窗的窗长,T2大于或等于第二窗长阈值,t3为第二预设时长,Q1为该一个第三时间窗内的平均呼吸频率相比第四时间窗的平均呼吸频率的下降幅度,Q1大于或等于呼吸频率下降阈值。可以看出在第三时间窗的起始点,呼吸频率骤降,因此第三时间窗为发生呼吸异常事件的时间段。
可以理解,可穿戴设备先确定该呼吸频率参数中的每个第三时间窗(即每个发生呼吸异常事件的时间段),然后统计第三时间窗的个数,然后第三时间窗的个数除以睡眠时间段的时长,即为该呼吸频率参数对应的第一AHI。
本申请实施例中,根据上述步骤313至步骤314,处理过程简单,可以提高确定该呼吸频率参数对应的第一AHI的效率。
可选地,本申请实施例中,还可以通过呼吸频率学习模型确定该呼吸频率参数对应的第一AHI,该呼吸频率学习模型为根据大量呼吸频率参数样本数据训练得到的,具体训练过程,以及对大量呼吸频率参数样本数据的描述可以参考相关技术,本申请实施例不做限定。可以理解,将该呼吸频率参数输入呼吸频率学习模型,输出该呼吸频率参数对应的第一AHI。
在一种可选的实施方式中,可穿戴设备获取睡眠时间段内用户的N种生理参数,包括可穿戴设备获取睡眠时间段内用户的呼吸频率参数,则本申请实施例提供的参数融合处理方法的上述步骤300还可以包括下述的步骤315至步骤317。
315、可穿戴设备通过该可穿戴设备中的光电容积描记PPG传感器采集用户在该睡眠时间段内,与该呼吸频率参数对应的第二PPG信号。
可以理解,可穿戴设备采集到该呼吸频率参数对应的第二PPG信号之后,可以先对第二PPG信号进行预处理,例如通过信号滤波技术和信号增强技术去除基线漂移和噪声,以提升第二PPG信号的质量。具体可以参考相关技术,本申请实施例不做限定。
可选地,由于绿光抗干扰能力更强,因此,第二PPG信号可以为绿光PPG信号。第二PPG信号也可以为其他色光PPG信号,本申请实施例不做限定。
其中,第二PPG信号与第一PPG信号可以相同,也可以不相同,本申请实施例不做限定。
316、可穿戴设备根据第二PPG信号的脉搏波峰包络线提取呼吸波信号。
317、可穿戴设备根据该呼吸波信号,计算该呼吸频率参数。
可以理解,人的呼吸信号会反应在脉搏波波峰高度上,因此可穿戴设备可以根据波峰识别技术确定第二PPG信号的各个脉搏波峰,然后对各个脉搏波峰处理,得到脉搏波峰包络线(将每个脉搏波波峰的顶点依次相连,形成脉搏波峰包络线),然后根据脉搏波峰包络线提取呼吸波信号,从频域可以获得呼吸波信号对应的呼吸频率参数。具体可以参考相关技术,本申请实施例不做限定。
本申请实施例中,通过可穿戴设备可以快速采集该呼吸频率参数对应的第二PPG信号,并通过第二PPG信号的脉搏波峰包络线提取呼吸波信号,然后根据呼吸波计算呼吸频率参数,因此可以快速得到该呼吸频率参数。而且可穿戴设备方便用户长期佩戴持续监测风险,不会影响用户睡眠状态。
在一种可选的实施方式中,该N种生理参数包括:鼾声参数。本申请实施例提供的参数融合处理方法的上述步骤301还可以包括下述的步骤318至步骤319。
318、可穿戴设备将该鼾声参数中目标鼾声的个数,确定为该鼾声参数对应的呼吸异常事件次数。
319、可穿戴设备计算该鼾声参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该鼾声参数对应的第一AHI。
其中,该目标鼾声满足以下条件:与上一个鼾声的鼾声间隔大于或等于第一间隔阈值,且小于或等于第二间隔阈值;该目标鼾声的分贝小于下一个鼾声的分贝,且与该下一个鼾声的分贝的差值的绝对值大于或等于分贝阈值(满足该条件说明鼾声中断并导致后续更高分贝的鼾声),第二间隔阈值大于第一间隔阈值。或者,该目标鼾声满足以下条件:与上一个鼾声的鼾声间隔大于或等于第三间隔阈值,第三间隔阈值大于或等于第二间隔阈值(满足该条件说明鼾声中断并导致觉醒)。
其中,第一间隔阈值,第二间隔阈值、第三间隔阈值可以根据实际使用需求确定,本申请实施例不做限定。
示例性地,第一间隔阈值为用户平均鼾声时长的6倍,通常平均鼾声时长为2秒钟,则第一间隔阈值为12秒钟,第二间隔阈值为用户平均鼾声时长的13倍,通常平均鼾声时长为2秒钟,则第二间隔阈值为26秒钟。第三间隔阈值通常可以为1分钟。
其中,分贝阈值可以根据实际使用需求确定,本申请实施例不做限定。
可以理解,可穿戴设备先确定该鼾声参数中的每个目标鼾声(即每个发生呼吸异常事件的时间段),然后统计目标鼾声的个数,然后目标鼾声的个数除以睡眠时间段的时长,即为该鼾声参数对应的第一AHI。
示例性地,如图6A所示,为一种根据鼾声参数确定呼吸异常事件的示意图,其中,包括睡眠时间段内的一部分鼾声参数,其中标记“61”指示的为一个目标鼾声,该鼾声与上一个鼾声的鼾声间隔T3大于第一间隔阈值,且小于第二间隔阈值,该鼾声的分贝与下一个鼾声的分贝的差值的绝对值P0大于分贝阈值。
示例性地,如图6B所示,为另一种根据鼾声参数确定呼吸异常事件的示意图,其中,包括睡眠时间段内的一部分鼾声参数,其中标记“62”指示的为一个目标鼾声,该鼾声与上一个鼾声的鼾声间隔T4大于第三间隔阈值。
本申请实施例中,根据上述步骤318至步骤319,处理过程简单,可以提高确定该鼾声参数对应的第一AHI的效率。
可选地,本申请实施例中,还可以通过鼾声学习模型确定该鼾声参数对应的第一AHI,该鼾声学习模型为根据大量鼾声参数样本数据训练得到的,具体训练过程,以及对大量鼾声参数样本数据的描述可以参考相关技术,本申请实施例不做限定。可以理解,将该鼾声参数输入鼾声学习模型,输出该鼾声参数对应的第一AHI。此时鼾声参数可以为睡眠时间段内的鼾声的时频域特征。
在一种可选的实施方式中,可穿戴设备获取睡眠时间段内用户的N种生理参数,包括可穿戴设备获取睡眠时间段内用户的鼾声参数,则本申请实施例提供的参数融合处理方法的上述步骤318还可以包括下述的步骤320至步骤321。
320、可穿戴设备获取该睡眠时间段内用户的音频信号。
321、可穿戴设备基于鼾声预测模型,对该音频信号进行鼾声预测,得到该鼾声参数。
可以理解,获取音频信号之后,可以先对音频信号进行带通滤波,然后计算每一帧的短时能量并设定阈值,如果高于阈值则判断为有声段,根据间隔合并有声段并提取相邻有声段、有声段前后和有声段内部的时频域特征,并通过模型预测是否为鼾声,以得到睡眠时间段内的鼾声参数。
可以理解,鼾声预测模型是根据大量的鼾声音频信号样本数据训练得到的,具体训练过程,以及对大量的鼾声音频信号样本数据的描述可以参考相关技术,本申请实施例不做限定。可以理解,将该鼾声音频信号输入鼾声预测模型,输出该鼾声参数。
本申请实施例中,通过鼾声预测模型对音频信号进行鼾声预测,可以快速得到该鼾声参数。
在一种可选的实施方式中,上述步骤320具体可以通过下述步骤320a或步骤320b实现。
320a、可穿戴设备通过该可穿戴设备中的MIC传感器采集该音频信号。
本申请实施例中,通过该可穿戴设备中的MIC传感器采集该音频信号,可以更方便快速地获得音频信号。
320b、可穿戴设备从其他设备接收该音频信号。
示例性地,其他设备可以为包括录音设备的手机等。
本申请实施例中,从其他设备接收该音频信号,可以获取信号质量更好的音频信号,从而可以获得准确度更好的鼾声参数。
在一种可选的实施方式中,在上述步骤300之前,本申请实施例提供的参数融合处理方法还可以包括下述的步骤322至步骤324。
322、可穿戴设备在该睡眠时间段之前,通过该可穿戴设备的PPG传感器监测第三PPG信号。
323、可穿戴设备根据第三PPG信号的脉搏波峰间隔,确定第三PPG信号对应的实时心率变异性参数。
对上述步骤322至步骤323的描述可以参考对上述步骤311至步骤312的相关描述,此处不再赘述。
324、可穿戴设备通过睡眠学习模型,对该实时心率变异性参数进行分析,确定用户进入睡眠状态。
可以理解,睡眠学习模型是根据大量心率变异性参数样本数据训练得到的,具体训练过程以及对大量心率变异性参数样本数据的描述可以参考相关技术,本申请实施例不做限定。将心率变异性参数输入睡眠学习模型,输出用户是否进入睡眠状态。若用户未进入睡眠状态,则再次执行上述步骤322至步骤324。若用户进入睡眠状态,则执行上述步骤307、步骤311、步骤315和步骤320中的至少一项。
本申请实施例,通过实时心率变异性参数判断用户的心率是否稳定,如果在一定时间内,用户的心率稳定(变化很小,几乎不变),则确定用户进入睡眠状态。
本申请实施例中,通过上述步骤322至步骤324可以快速准确地确定用户是否进入睡眠状态。
在一种可选的实施方式中,在上述步骤322之前,本申请实施例提供的参数融合处理方法还可以包括下述的步骤325,上述步骤322具体可以通过下述步骤322a实现。
325、可穿戴设备通过该可穿戴设备的加速度传感器,监测用户的加速度信号。
322a、若在目标时长内,该加速度信号的变化小于或等于加速度变化阈值,则可穿戴设备监测第三PPG信号。
其中,加速度变化阈值可以根据实际使用需求确定,本申请实施例不做限定。
可以理解,可穿戴设备可以先通过加速度传感器检测到初始加速度信号,并对检测到的初始加速度信号进行预处理之后,得到加速度信号。可穿戴设备实时获取加速度信号的变化,若在目标时长内加速度信号比较稳定,加速度信号的变化很小,则确定用户可能进入睡眠状态,此时可以监测第三PPG信号,进一步确定用户是否入睡。
示例性地,可以通过睡眠算法检测用户是否进入睡眠状态。具体睡眠算法可以参考相关技术,本申请实施例不做限定。
本申请实施例中,先根据加速度信号确定用户是否可能入睡,再根据用户的心率变异性参数进一步确定用户是否进入睡眠状态,相对持续根据用户的心率变异性参数确定用户是否进入睡眠状态,过程简单,效率高,而且可以节约能耗。
可选地,在上述步骤302之后,本申请实施例提供的参数融合处理方法还可以包括下述的步骤326。
326、若目标次数大于或等于次数阈值,则可穿戴设备输出SAHS预警。
其中,该目标次数为预定时长内用户的SAHS风险大于或等于预设等级的次数。
其中,次数阈值可以根据实际使用需求确定,预定时长可以根据实际使用需求确定,预设等级可以根据实际使用情况确定,本申请实施例不做限定。
可选的,SAHS预警可以通过提示消息的形式输出。
本申请实施例中,该SAHS预警包括以下至少一种形式:
(1)语音形式的SAHS预警,例如,输出类似于“您长期处于SAHS中高风险,建议前往医院做进一步的检查”的语音信息。
(2)以震动形式输出SAHS预警,例如,通过可穿戴设备中的马达,启动可穿戴设备震动,以提示用户前往医院做进一步的检查。
(3)以画面显示的形式输出SAHS预警,例如,可以通过可穿戴设备的显示屏显示SAHS预警,提示用户前往医院做进一步的检查。进一步的,还可以在显示屏中显示预定时长内,用户每次睡眠的SAHS风险等级,以供可穿戴设备的用户了解自身的SAHS风险。
进一步的,本申请实施例中,输出SAHS预警可以是发送SAHS预警的通知信息给目标设备,该目标设备是与可穿戴设备关联的设备。
例如,针对儿童或者老年人群体,可以将这类用户的可穿戴设备与其家人的手机或电脑等设备相关联,在可穿戴设备检测到这类用户出现预定时长内,用户的SAHS风险大于或等于预设等级的次数大于或等于次数阈值时,可以向目标设备输出SAHS预警。这样可以使得儿童或者老年人群体的家人及时了解这类可穿戴设备用户当前的SAHS风险,关注可穿戴设备的用户,避免出现意外情况。
本申请实施例中,通过SAHS预警可以很好地通知用户,使用户及时去医院检查,因此可以达到SAHS初筛的效果。
如图7所示,为本申请实施例提供的一种可穿戴设备预测用户SAHS风险的流程示意图。其中,以可穿戴设备为腕带设备,以N种生理参数包括血氧参数、心率变异性参数、呼吸频率参数和鼾声参数为例进行示例性说明。具体过程包括:
701、腕带设备检测用户是否入睡。
示例性地,用户佩戴腕带设备后,腕带设备通过ACC传感器检测用户的加速度信号,判断用户是否可能入睡,若检测到用户可能入睡,再通过PPG传感器采集绿光PPG信号,然后基于绿光PPG信号,获取用户的心率变异性参数,然后根据心率变异性参数确定用户是否真实入睡。若检测到用户入睡,则执行下述步骤702和步骤709,否则继续执行步骤701。
702、腕带设备通过PPG传感器采集睡眠时间段内用户的红光PPG信号、红外光PPG信号和绿光PPG信号。
703、腕带设备对红光PPG信号和红外光PPG信号处理,得到血氧参数。
704、腕带设备基于血氧参数,确定用户的血氧参数对应的第一AHI。
腕带设备根据血氧参数的一次下降波动的下降幅度,可以判断单次呼吸异常事件,统计睡眠时间段内的呼吸异常事件的次数,根据呼吸异常事件的次数,计算血氧参数对应的第一AHI。
AHI等于呼吸异常事件次数与睡眠时间段的时长的比值。
705、腕带设备对绿光PPG信号处理,得到用户的心率变异性参数。
706、腕带设备基于心率变异性参数,确定用户的心率变异性参数对应的第一AHI。
腕带设备根据心率变异性学习模型,可以确定呼吸异常事件的次数,根据呼吸异常事件的次数,计算心率变异性参数对应的第一AHI。
707、腕带设备对绿光PPG信号处理,得到用户的呼吸频率参数。
708、腕带设备基于呼吸频率参数,确定用户的呼吸频率参数对应的第一AHI。
腕带设备根据呼吸频率参数的一次下降波动的下降幅度,可以判断单次呼吸异常事件,统计睡眠时间段内的呼吸异常事件的次数,根据呼吸异常事件的次数,计算呼吸频率参数对应的第一AHI。
709、腕带设备启动鼾声检测,采集睡眠时间段内用户的音频信号。
710、腕带设备对音频信号进行处理,得到鼾声参数。
711、腕带设备基于鼾声参数,确定用户的鼾声参数对应的第一AHI。
腕带设备根据鼾声参数的鼾声间隔和鼾声的分贝变化,可以判断单次呼吸异常事件,统计睡眠时间段内的呼吸异常事件的次数,根据呼吸异常事件的次数,计算鼾声参数对应的第一AHI。
712、腕带设备基于鼾声参数,判断用户的第一SAHS风险等级。
腕带设备根据睡眠时间段内的鼾声参数的时频域特征汇总分析,可以确定第一SAHS风险等级。
713、腕带设备对四个第一AHI进行融合处理,得到第二AHI。
四个第一AHI包括:血氧参数对应的第一AHI、心率变异性参数对应的第一AHI、呼吸频率参数对应的第一AHI和鼾声参数对应的第一AHI进行融合处理,得到第二AHI。
714、腕带设备综合血氧参数、心率变异性参数、呼吸频率参数和鼾声参数,确定用户的第三AHI。
对于同一滑动时间窗内的血氧参数、心率变异性参数、呼吸频率参数和鼾声参数,综合判断是否发生呼吸异常事件,汇总事件次数并计算得到第三AHI。
715、腕带设备对四个第一AHI、第二AHI和第三AHI中的至少两项进行融合处理,得到融合AHI。
716、腕带设备根据融合AHI,确定用户的第二SAHS风险等级。
根据融合AHI的值所在的风险范围,确定用户的SAHS第二风险等级。
717、腕带设备根据第一SAHS风险等级和第二SAHS风险等级,确定用户的最终SAHS风险等级。
如果用户持续佩戴腕带设备,且一定时间(例如一周)内持续处于SAHS中高风险,建议用户前往医院做进一步的检查。
具体过程可以参考上述步骤301至步骤325的相关描述,此处不再赘述。
本申请实施例中,可穿戴设备通过PPG传感器、MIC传感器可以获取用户多模态数据,然后对多模态数据(N种生理参数)进行处理,从不同维度,确定用户的AHI,并对不同维度的AHI进行融合,互相验证,得到最终的融合AHI,对用户的SAHS风险等级进行预测,而且,用户还可以对不同维度的AHI分别对用户的SAHS风险等级进行预测,然后再综合得到的各SAHS风险等级,得到最终的SAHS风险等级,如此可以使对用户的SAHS风险的预测的准确度更高。用户佩戴可穿戴设备简单方便,不会像多导睡眠仪复杂的电极和佩戴状态一样影响用户睡眠,而且也无需医生手动标注数据,因此,可穿戴设备方便用户长期佩戴持续监测风险,是实现初筛SAHS的良好载体。
图8为本申请实施例示出的一种参数融合处理装置的结构框图,该参数融合处理装置可以为上述实施例中的可穿戴设备,也可以为上述可穿戴设备中的功能模块和/或功能实体,本申请实施例不做限定。如图8所示,包括:获取模块801、确定模块802和融合处理模块803;该获取模块801,用于获取睡眠时间段内用户的N种生理参数,N为大于或等于2的整数;该确定模块802,用于确定该获取模块801获取的该N种生理参数中的每种生理参数对应的第一AHI,以得到N个第一AHI;该融合处理模块803,用于对该确定模块802确定的该N个第一AHI进行融合处理,得到融合AHI;其中,该融合AHI用于指示该用户的睡眠呼吸暂停低通气综合征SAHS风险;该N种生理参数包括以下至少两项:血氧参数、心率变异性参数、呼吸频率参数、鼾声参数。
可选地,该融合处理模块803,具体用于根据该每种生理参数的目标信息,确定该每种生理参数对应的第一AHI的融合权重;根据该每种生理参数对应的第一AHI的融合权重,对该N个第一AHI进行加权融合,得到该融合AHI。
其中,该目标信息包括以下至少一项:该每种生理参数对应的信号质量,该每种生理参数对应的第一AHI。
可选地,该融合处理模块803,具体用于根据该每种生理参数的该目标信息,确定该每种生理参数的可信度;根据该每种生理参数的可信度,确定该每种生理参数对应的第一AHI的融合权重。
可选地,该融合处理模块803,具体用于对该N个第一AHI进行第一融合处理,得到第二AHI;对第二AHI和目标AHI进行第二融合处理,得到该融合AHI;其中,该目标AHI包括以下至少一项:该N个第一AHI,第三AHI;其中,第三AHI是根据该N种生理参数共同确定的一个AHI。
可选地,该确定模块802,还用于在该融合处理模块803对该N个第一AHI进行融合处理,得到融合AHI之后,若该融合AHI处于第一风险范围,则确定该用户的SAHS风险为第一SAHS风险等级,第一SAHS风险等级与第一风险范围对应。
可选地,该确定模块802,还用于在若该融合AHI处于第一风险范围,则确定该用户的SAHS风险为第一SAHS风险等级之后,根据第一SAHS风险等级和目标SAHS风险等级,确定该用户的最终SAHS风险等级;其中,该目标SAHS风险等级包括以下至少一项:至少两个第二SAHS风险等级,第三SAHS风险等级,第四SAHS风险等级;其中,每个第二SAHS风险等级为根据一种生理参数对应的第一AHI所在的风险范围确定的;第三SAHS风险等级为根据第三AHI所在的风险范围确定的,第三AHI为根据该N种生理参数共同确定的一个AHI;第四SAHS风险等级为根据该睡眠时间段内的鼾声参数的时频域特征通过鼾声SAHS风险预测模型确定的。
可选地,该确定模块802,还用于在对该N个第一AHI进行融合处理,得到融合AHI之前,根据该每种生理参数,确定在该睡眠时间段内各种生理参数对应的目标时间段,该目标时间段为发生呼吸异常事件的时间段;根据该各种生理参数对应的目标时间段,通过沿着该睡眠时间段的时间轴移动的滑动时间窗,在该睡眠时间段内确定至少一个目标时间窗,该滑动时间窗每次移动的步长为第一时长;计算该目标时间窗的个数与该睡眠时间段的时长的比值,得到第三AHI;其中,该目标时间窗满足以下条件:该目标时间窗的长度等于该滑动时间窗的长度,该目标时间窗对应的时间段内存在至少M种生理参数均发生呼吸异常事件;其中,该至少M种参数为该N种生理参数中的参数,M为大于或等于2的整数。
可选地,该目标时间窗还满足以下条件中的至少一项:每个该目标时间窗的起始点与上一个目标时间窗的起始点的差值大于或等于第二时长;在一个该目标时间窗内,若该至少M种参数包括血氧参数,则血氧时间窗的起始点与其他时间窗的终止点的差值大于或等于第三时长;其中,第二时长大于第一时长,该血氧时间窗为根据该血氧参数确定发生呼吸异常事件的时间段,该其他时间窗为根据除血氧参数外的其他生理参数确定发生呼吸异常事件的时间段。
可选地,该N种生理参数包括:血氧参数;该确定模块802,具体用于将该血氧参数对应的第一时间窗的个数,确定为该血氧参数对应的呼吸异常事件次数;计算该血氧参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该血氧参数对应的第一AHI;其中,第一时间窗为发生呼吸异常事件的时间段;第一时间窗满足以下条件:第一时间窗的长度大于或等于第一窗长阈值;第一时间窗内的平均血氧值,相比第二时间窗的平均血氧值的下降幅度大于或等于血氧下降阈值;其中,第二时间窗为未发生呼吸异常事件,且为第一时间窗之前的,与第一时间窗间隔第一预设时长的时间段。
可选地,该获取模块801,具体用于通过该可穿戴设备中的光电容积描记PPG传感器采集用户在该睡眠时间段内,与该血氧参数对应的红光PPG信号和红外光PPG信号;根据该红光PPG信号的直流DC信号和交流AC信号,以及该红外光PPG信号的DC信号和AC信号,计算该血氧参数。
可选地,该N种生理参数包括:心率变异性参数;该确定模块802,具体用于通过心率变异性学习模型,对该心率变异性参数进行分析,得到该心率变异性参数对应的呼吸异常事件次数;计算该心率变异性参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该心率变异性参数对应的第一AHI。
可选地,该获取模块801,具体用于通过该可穿戴设备中的光电容积描记PPG传感器采集用户在该睡眠时间段内,与该心率变异性参数对应的第一PPG信号;根据第一PPG信号的脉搏波峰间隔,确定该心率变异性参数。
可选地,该N种生理参数包括:呼吸频率参数;该确定模块802,具体用于将该呼吸频率参数对应的第三时间窗的个数,确定为该呼吸频率参数对应的呼吸异常事件次数;计算该呼吸频率参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该呼吸频率参数对应的第一AHI;其中,第三时间窗为发生呼吸异常事件的时间段;第三时间窗满足以下条件:第三时间窗的长度大于或等于第二窗长阈值;第三时间窗内的平均呼吸频率,相比第四时间窗内的平均呼吸频率下降幅度大于或等于呼吸频率下降阈值;其中,第四时间窗为未发生呼吸异常事件,且为第三时间窗之前的,与第三时间窗间隔第二预设时长的时间段。
可选地,该获取模块801;具体用于通过该可穿戴设备中的光电容积描记PPG传感器采集用户在该睡眠时间段内,与该呼吸频率参数对应的第二PPG信号;根据第二PPG信号的脉搏波峰包络线提取呼吸波信号;根据该呼吸波信号,计算该呼吸频率参数。
可选地,该N种生理参数包括:鼾声参数;该确定模块802,具体用于将该鼾声参数中目标鼾声的个数,确定为该鼾声参数对应的呼吸异常事件次数;计算该鼾声参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该鼾声参数对应的第一AHI;其中,该目标鼾声满足以下条件:与上一个鼾声的鼾声间隔大于或等于第一间隔阈值,且小于或等于第二间隔阈值;该目标鼾声的分贝小于下一个鼾声的分贝,且与该下一个鼾声的分贝的差值的绝对值大于或等于分贝阈值;或者,该目标鼾声满足以下条件:与上一个鼾声的鼾声间隔大于或等于第三间隔阈值;其中,第二间隔阈值大于第一间隔阈值,第三间隔阈值大于或等于第二间隔阈值。
可选地,该获取模块801,具体用于通过该可穿戴设备中的麦克风MIC传感器采集该睡眠时间段内用户的音频信号;基于鼾声预测模型,对该音频信号进行鼾声预测,得到该鼾声参数。
可选地,该参数融合处理装置还包括:监测模块;该监测模块,用于在该获取模块801获取睡眠时间段内用户的N种生理参数之前,在该睡眠时间段之前,通过该可穿戴设备的PPG传感器监测第三PPG信号;该确定模块802,还用于根据第三PPG信号的脉搏波峰间隔,确定第三PPG信号对应的实时心率变异性参数;以及通过睡眠学习模型,对该实时心率变异性参数进行分析,确定用户进入睡眠状态。
可选地,该监测模块,还用于在通过该可穿戴设备的PPG传感器监测第三PPG信号之前,通过该可穿戴设备的加速度传感器,监测用户的加速度信号;该监测模块,具体用于若该加速度信号在目标时长内的变化小于或等于加速度变化阈值,则监测第三PPG信号。
可选地,该参数融合处理装置还包括:输出模块,用于在融合处理模块803对该N个第一AHI进行融合处理,得到融合AHI之后,若目标次数大于或等于次数阈值,则输出SAHS预警;其中,该目标次数为预定时长内用户的SAHS风险大于或等于预设等级的次数。
本申请实施例中,各模块可以实现上述方法实施例提供的参数融合处理方法,且能达到相同的技术效果,为避免重复,这里不再赘述。
如图9所示,为一种可穿戴设备的硬件结构示意图,该可穿戴设备可以包括:射频(radio frequency,RF)电路910、存储器920、输入单元930、显示单元940、传感器950(可以包括加速度计951、PPG传感器952以及压力传感器953)、音频电路960、无线保真(wirelessfidelity,WiFi)模块970、处理器980、以及电源990等部件。其中,射频电路910包括接收器911和发送器912。本领域技术人员可以理解,图9中示出的可穿戴设备结构并不构成对可穿戴设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
RF电路910可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器980处理;另外,将设计上行的数据发送给基站。通常,RF电路910包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(low noiseamplifier,LNA)、双工器等。此外,RF电路910还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(globalsystem of mobile communication,GSM)、通用分组无线服务(general packet radioservice,GPRS)、码分多址(code division multiple access,CDMA)、宽带码分多址(wideband code division multiple access,WCDMA)、长期演进(long term evolution,LTE)、电子邮件、短消息服务(short messaging service,SMS)等。
存储器920可用于存储软件程序以及模块,处理器980通过运行存储在存储器920的软件程序以及模块,从而执行可穿戴设备的各种功能应用以及数据处理。存储器920可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据可穿戴设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器920可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元930可用于接收输入的数字或字符信息,以及产生与可穿戴设备的用户设置以及功能控制有关的键信号输入。具体地,输入单元930可包括触控面板931以及其他输入设备932。触控面板931,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板931上或在触控面板931附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板931可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器980,并能接收处理器980发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板931。除了触控面板931,输入单元930还可以包括其他输入设备932。具体地,其他输入设备932可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元940可用于显示由用户输入的信息或提供给用户的信息以及可穿戴设备的各种菜单。显示单元940可包括显示面板941,可选的,可以采用液晶显示器(liquidcrystal display,LCD)、有机发光二极管(organic light-Emitting diode,OLED)等形式来配置显示面板941。进一步的,触控面板931可覆盖显示面板941,当触控面板931检测到在其上或附近的触摸操作后,传送给处理器980以确定触摸事件的类型,随后处理器980根据触摸事件的类型在显示面板941上提供相应的视觉输出。虽然在图9中,触控面板931与显示面板941是作为两个独立的部件来实现可穿戴设备的输入和输入功能,但是在某些实施例中,可以将触控面板931与显示面板941集成而实现可穿戴设备的输入和输出功能。
可穿戴设备还可包括传感器950,该传感器950可以包括ACC传感器951、PPG传感器952。该传感器950中还可以包括光传感器、运动传感器以及其他传感器等。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板941的亮度,接近传感器可在可穿戴设备移动到耳边时,关闭显示面板941和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别可穿戴设备姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于可穿戴设备还可配置的陀螺仪、压力计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路960、扬声器961,传声器962可提供用户与可穿戴设备之间的音频接口。音频电路960可将接收到的音频数据转换后的电信号,传输到扬声器961,由扬声器961转换为声音信号输出;另一方面,传声器962将收集的声音信号转换为电信号,由音频电路960接收后转换为音频数据,再将音频数据输出处理器980处理后,经RF电路910以发送给比如另一可穿戴设备,或者将音频数据输出至存储器920以便进一步处理。可知传声器962即为本申请实施例中的MIC传感器。
WiFi属于短距离无线传输技术,可穿戴设备通过WiFi模块970可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图9示出了WiFi模块970,但是可以理解的是,其并不属于可穿戴设备的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器980是可穿戴设备的控制中心,利用各种接口和线路连接整个可穿戴设备的各个部分,通过运行或执行存储在存储器920内的软件程序和/或模块,以及调用存储在存储器920内的数据,执行可穿戴设备的各种功能和处理数据,从而对可穿戴设备进行整体监控。可选的,处理器980可包括一个或多个处理单元;优选的,处理器980可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器980中。
可穿戴设备还包括给各个部件供电的电源990(比如电池),优选的,电源可以通过电源管理系统与处理器980逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。尽管未示出,可穿戴设备还可以包括摄像头、蓝牙模块等,在此不再赘述。
本申请实施例中,处理器980,用于获取睡眠时间段内用户的N种生理参数,N为大于或等于2的整数;确定该N种生理参数中的每种生理参数对应的第一AHI,以得到N个第一AHI;对该N个第一AHI进行融合处理,得到融合AHI;其中,该融合AHI用于指示该用户的睡眠呼吸暂停低通气综合征SAHS风险;该N种生理参数包括以下至少两项:血氧参数、心率变异性参数、呼吸频率参数、鼾声参数。
可选地,处理器980,具体用于根据该每种生理参数的目标信息,确定该每种生理参数对应的第一AHI的融合权重;根据该每种生理参数对应的第一AHI的融合权重,对该N个第一AHI进行加权融合,得到该融合AHI;其中,该目标信息包括以下至少一项:该每种生理参数对应的信号质量,该每种生理参数对应的第一AHI。
可选地,处理器980,具体用于根据该每种生理参数的该目标信息,确定该每种生理参数的可信度;根据该每种生理参数的可信度,确定该每种生理参数对应的第一AHI的融合权重。
可选地,处理器980,具体用于对该N个第一AHI进行第一融合处理,得到第二AHI;对第二AHI和目标AHI进行第二融合处理,得到该融合AHI;其中,该目标AHI包括以下至少一项:该N个第一AHI,第三AHI;其中,第三AHI是根据该N种生理参数共同确定的一个AHI。
可选地,处理器980,还用于在对该N个第一AHI进行融合处理,得到融合AHI之后,若该融合AHI处于第一风险范围,则确定该用户的SAHS风险为第一SAHS风险等级,第一SAHS风险等级与第一风险范围对应。
可选地,处理器980,还用于在若该融合AHI处于第一风险范围,则确定该用户的SAHS风险为第一SAHS风险等级之后,根据第一SAHS风险等级和目标SAHS风险等级,确定该用户的最终SAHS风险等级;其中,该目标SAHS风险等级包括以下至少一项:至少两个第二SAHS风险等级,第三SAHS风险等级,第四SAHS风险等级;其中,每个第二SAHS风险等级为根据一种生理参数对应的第一AHI所在的风险范围确定的;第三SAHS风险等级为根据第三AHI所在的风险范围确定的,第三AHI为根据该N种生理参数共同确定的一个AHI;第四SAHS风险等级为根据该睡眠时间段内的鼾声参数的时频域特征通过鼾声SAHS风险预测模型确定的。
可选地,处理器980,还用于在对该N个第一AHI进行融合处理,得到融合AHI之前,根据该每种生理参数,确定在该睡眠时间段内各种生理参数对应的目标时间段,该目标时间段为发生呼吸异常事件的时间段;根据该各种生理参数对应的该目标时间段,通过沿着该睡眠时间段的时间轴移动的滑动时间窗,在该睡眠时间段内确定至少一个目标时间窗,该滑动时间窗每次移动的步长为第一时长;计算该目标时间窗的个数与该睡眠时间段的时长的比值,得到第三AHI;其中,该目标时间窗满足以下条件:该目标时间窗的长度等于该滑动时间窗的长度,该目标时间窗对应的时间段内存在至少M种生理参数均发生呼吸异常事件;其中,该至少M种参数为该N种生理参数中的参数,M为大于或等于2的整数。
可选地,该目标时间窗还满足以下条件中的至少一项:每个该目标时间窗的起始点与上一个目标时间窗的起始点的差值大于或等于第二时长;在一个该目标时间窗内,若该至少M种参数包括血氧参数,则血氧时间窗的起始点与其他时间窗的终止点的差值大于或等于第三时长;其中,第二时长大于第一时长,该血氧时间窗为根据该血氧参数确定发生呼吸异常事件的时间段,该其他时间窗为根据除血氧参数外的其他生理参数确定发生呼吸异常事件的时间段。
可选地,该N种生理参数包括:血氧参数;处理器980,具体用于将该血氧参数对应的第一时间窗的个数,确定为该血氧参数对应的呼吸异常事件次数;计算该血氧参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该血氧参数对应的第一AHI;其中,第一时间窗为发生呼吸异常事件的时间段;第一时间窗满足以下条件:第一时间窗的长度大于或等于第一窗长阈值;第一时间窗内的平均血氧值,相比第二时间窗的平均血氧值的下降幅度大于或等于血氧下降阈值;其中,第二时间窗为未发生呼吸异常事件,且为第一时间窗之前的,与第一时间窗间隔第一预设时长的时间段。
可选地,处理器980,具体用于通过该可穿戴设备中的光电容积描记PPG传感器采集用户在该睡眠时间段内,与该血氧参数对应的红光PPG信号和红外光PPG信号;根据该红光PPG信号的直流DC信号和交流AC信号,以及该红外光PPG信号的DC信号和AC信号,计算该血氧参数。
可选地,该N种生理参数包括:心率变异性参数;处理器980,具体用于通过心率变异性学习模型,对该心率变异性参数进行分析,得到该心率变异性参数对应的呼吸异常事件次数;计算该心率变异性参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该心率变异性参数对应的第一AHI。
可选地,处理器980,具体用于通过该可穿戴设备中的光电容积描记PPG传感器采集用户在该睡眠时间段内,与该心率变异性参数对应的第一PPG信号;根据第一PPG信号的脉搏波峰间隔,确定该心率变异性参数。
可选地,该N种生理参数包括:呼吸频率参数;处理器980,具体用于将该呼吸频率参数对应的第三时间窗的个数,确定为该呼吸频率参数对应的呼吸异常事件次数;计算该呼吸频率参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该呼吸频率参数对应的第一AHI;其中,第三时间窗为发生呼吸异常事件的时间段;第三时间窗满足以下条件:第三时间窗的长度大于或等于第二窗长阈值;第三时间窗内的平均呼吸频率,相比第四时间窗内的平均呼吸频率下降幅度大于或等于呼吸频率下降阈值;其中,第四时间窗为未发生呼吸异常事件,且为第三时间窗之前的,与第三时间窗间隔第二预设时长的时间段。
可选地,处理器980,具体用于通过该可穿戴设备中的光电容积描记PPG传感器采集用户在该睡眠时间段内,与该呼吸频率参数对应的第二PPG信号;根据第二PPG信号的脉搏波峰包络线提取呼吸波信号;根据该呼吸波信号,计算该呼吸频率参数。
可选地,该N种生理参数包括:鼾声参数;处理器980,具体用于将该鼾声参数中目标鼾声的个数,确定为该鼾声参数对应的呼吸异常事件次数;计算该鼾声参数对应的呼吸异常事件次数与该睡眠时间段的时长的比值,得到该鼾声参数对应的第一AHI;其中,该目标鼾声满足以下条件:与上一个鼾声的鼾声间隔大于或等于第一间隔阈值,且小于或等于第二间隔阈值;该目标鼾声的分贝小于下一个鼾声的分贝,且与该下一个鼾声的分贝的差值的绝对值大于或等于分贝阈值;或者,该目标鼾声满足以下条件:与上一个鼾声的鼾声间隔大于或等于第三间隔阈值;其中,第二间隔阈值大于第一间隔阈值,第三间隔阈值大于或等于第二间隔阈值。
可选地,处理器980,具体用于通过该可穿戴设备中的麦克风MIC传感器采集该睡眠时间段内用户的音频信号;基于鼾声预测模型,对该音频信号进行鼾声预测,得到该鼾声参数。
可选地,处理器980,还用于在获取睡眠时间段内用户的N种生理参数之前,在该睡眠时间段之前,通过该可穿戴设备的PPG传感器监测第三PPG信号;根据第三PPG信号的脉搏波峰间隔,确定第三PPG信号对应的实时心率变异性参数;通过睡眠学习模型,对该实时心率变异性参数进行分析,确定用户进入睡眠状态。
可选地,处理器980,还用于在通过该可穿戴设备的PPG传感器监测第三PPG信号之前,通过该可穿戴设备的加速度传感器,监测用户的加速度信号;处理器980,具体用于若该加速度信号在目标时长内的变化小于或等于加速度变化阈值,则监测第三PPG信号。
处理器980,还用于在对该N个第一AHI进行融合处理,得到融合AHI之后,若目标次数大于或等于次数阈值,则输出SAHS预警;其中,该目标次数为预定时长内用户的SAHS风险大于或等于预设等级的次数。
本实施例中各种实现方式具有的有益效果具体可以参见上述参数融合处理方法实施例中相应实现方式所具有的有益效果,为避免重复,此处不再赘述。
本申请实施例还提供一种可穿戴设备,该可穿戴设备可以包括:处理器,存储器以及存储在存储器上并可在处理器上运行的程序或指令,该程序或指令被处理器执行时可以实现上述方法实施例提供的参数融合处理方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例提供一种可读存储介质,该可读存储介质上存储程序或指令,该程序或指令被处理器执行时实现上述方法实施例提供的参数融合处理方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种计算机程序产品,其中,该计算机程序产品包括计算机指令,当该计算机程序产品在处理器上运行时,使得处理器执行该计算机指令,实现上述方法实施例提供的参数融合处理方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述参数融合处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置,服务器和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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。
Claims (22)
1.一种参数融合处理方法,其特征在于,应用于可穿戴设备,所述方法包括:
获取睡眠时间段内用户的N种生理参数,N为大于或等于2的整数;
确定所述N种生理参数中的每种生理参数对应的第一呼吸暂停低通气指数AHI,以得到N个第一AHI;
对所述N个第一AHI进行融合处理,得到融合AHI;
其中,所述融合AHI用于指示所述用户的睡眠呼吸暂停低通气综合征SAHS风险;所述N种生理参数包括以下至少两项:血氧参数、心率变异性参数、呼吸频率参数、鼾声参数。
2.根据权利要求1所述的方法,其特征在于,所述对所述N个第一AHI进行融合处理,得到融合AHI,包括:
根据所述每种生理参数的目标信息,确定所述每种生理参数对应的第一AHI的融合权重;
根据所述每种生理参数对应的第一AHI的融合权重,对所述N个第一AHI进行加权融合,得到所述融合AHI;
其中,所述目标信息包括以下至少一项:所述每种生理参数对应的信号质量,所述每种生理参数对应的第一AHI。
3.根据权利要求2所述的方法,其特征在于,所述根据所述每种生理参数的目标信息,确定所述每种生理参数对应的第一AHI的融合权重,包括:
根据所述每种生理参数的所述目标信息,确定所述每种生理参数的可信度;
根据所述每种生理参数的可信度,确定所述每种生理参数对应的第一AHI的融合权重。
4.根据权利要求1所述的方法,其特征在于,所述对所述N个第一AHI进行融合处理,得到融合AHI,包括:
对所述N个第一AHI进行第一融合处理,得到第二AHI;
对所述第二AHI和目标AHI进行第二融合处理,得到所述融合AHI;
其中,所述目标AHI包括以下至少一项:
所述N个第一AHI,第三AHI;
其中,所述第三AHI是根据所述N种生理参数共同确定的一个AHI。
5.根据权利要求1所述的方法,其特征在于,所述对所述N个第一AHI进行融合处理,得到融合AHI之后,所述方法还包括:
若所述融合AHI处于第一风险范围,则确定所述用户的SAHS风险为第一SAHS风险等级,所述第一SAHS风险等级与所述第一风险范围对应。
6.根据权利要求5所述的方法,其特征在于,所述若所述融合AHI处于第一风险范围,则确定所述用户的SAHS风险为第一SAHS风险等级之后,所述方法还包括:
根据所述第一SAHS风险等级和目标SAHS风险等级,确定所述用户的最终SAHS风险等级;
其中,所述目标SAHS风险等级包括以下至少一项:
至少两个第二SAHS风险等级,第三SAHS风险等级,第四SAHS风险等级;
其中,每个第二SAHS风险等级为根据一种生理参数对应的第一AHI所在的风险范围确定的;
所述第三SAHS风险等级为根据第三AHI所在的风险范围确定的,所述第三AHI为根据所述N种生理参数共同确定的一个AHI;
所述第四SAHS风险等级为根据所述睡眠时间段内的鼾声参数的时频域特征通过鼾声SAHS风险预测模型确定的。
7.根据权利要求4或6所述的方法,其特征在于,所述对所述N个第一AHI进行融合处理,得到融合AHI之前,所述方法还包括:
根据所述每种生理参数,确定在所述睡眠时间段内各种生理参数对应的目标时间段,所述目标时间段为发生呼吸异常事件的时间段;
根据所述各种生理参数对应的目标时间段,通过沿着所述睡眠时间段的时间轴移动的滑动时间窗,在所述睡眠时间段内确定至少一个目标时间窗,所述滑动时间窗每次移动的步长为第一时长;
计算所述目标时间窗的个数与所述睡眠时间段的时长的比值,得到所述第三AHI;
其中,所述目标时间窗满足以下条件:所述目标时间窗的长度等于所述滑动时间窗的长度,所述目标时间窗对应的时间段内存在至少M种生理参数均发生呼吸异常事件;
其中,所述至少M种参数为所述N种生理参数中的参数,M为大于或等于2的整数。
8.根据权利要求7所述的方法,其特征在于,所述目标时间窗还满足以下条件中的至少一项:
每个所述目标时间窗的起始点与上一个目标时间窗的起始点的差值大于或等于第二时长;
在一个所述目标时间窗内,若所述至少M种参数包括血氧参数,则血氧时间窗的起始点与其他时间窗的终止点的差值大于或等于第三时长;
其中,所述第二时长大于所述第一时长,所述血氧时间窗为根据所述血氧参数确定发生呼吸异常事件的时间段,所述其他时间窗为根据除血氧参数外的其他生理参数确定发生呼吸异常事件的时间段。
9.根据权利要求1至6中任一项所述的方法,其特征在于,所述N种生理参数包括:所述血氧参数;
所述确定所述N种生理参数中的每种生理参数对应的第一AHI,以得到N个第一AHI,包括:
将所述血氧参数对应的第一时间窗的个数,确定为所述血氧参数对应的呼吸异常事件次数;
计算所述血氧参数对应的呼吸异常事件次数与所述睡眠时间段的时长的比值,得到所述血氧参数对应的第一AHI;
其中,所述第一时间窗为发生呼吸异常事件的时间段;
所述第一时间窗满足以下条件:
所述第一时间窗的长度大于或等于第一窗长阈值;所述第一时间窗内的平均血氧值,相比第二时间窗的平均血氧值的下降幅度大于或等于血氧下降阈值;
其中,所述第二时间窗为未发生呼吸异常事件,且为所述第一时间窗之前的,与所述第一时间窗间隔第一预设时长的时间段。
10.根据权利要求9所述的方法,其特征在于,所述获取睡眠时间段内用户的N种生理参数,包括:
通过所述可穿戴设备中的光电容积描记PPG传感器采集用户在所述睡眠时间段内,与所述血氧参数对应的红光PPG信号和红外光PPG信号;
根据所述红光PPG信号的直流DC信号和交流AC信号,以及所述红外光PPG信号的DC信号和AC信号,计算所述血氧参数。
11.根据权利要求1至6中任一项所述的方法,其特征在于,所述N种生理参数包括:所述心率变异性参数;
所述确定所述N种生理参数中的每种生理参数对应的第一AHI,以得到N个第一AHI,包括:
通过心率变异性学习模型,对所述心率变异性参数进行分析,得到所述心率变异性参数对应的呼吸异常事件次数;
计算所述心率变异性参数对应的呼吸异常事件次数与所述睡眠时间段的时长的比值,得到所述心率变异性参数对应的第一AHI。
12.根据权利要求11所述的方法,其特征在于,所述获取睡眠时间段内用户的N种生理参数,包括:
通过所述可穿戴设备中的光电容积描记PPG传感器采集用户在所述睡眠时间段内,与所述心率变异性参数对应的第一PPG信号;
根据所述第一PPG信号的脉搏波峰间隔,确定所述心率变异性参数。
13.根据权利要求1至6中任一项所述的方法,其特征在于,所述N种生理参数包括:所述呼吸频率参数;
所述确定所述N种生理参数中的每种生理参数对应的第一呼吸暂停低通气指数AHI,以得到N个第一AHI,包括:
将所述呼吸频率参数对应的第三时间窗的个数,确定为所述呼吸频率参数对应的呼吸异常事件次数;
计算所述呼吸频率参数对应的呼吸异常事件次数与所述睡眠时间段的时长的比值,得到所述呼吸频率参数对应的第一AHI;
其中,所述第三时间窗为发生呼吸异常事件的时间段;
所述第三时间窗满足以下条件:
所述第三时间窗的长度大于或等于第二窗长阈值;所述第三时间窗内的平均呼吸频率,相比第四时间窗内的平均呼吸频率下降幅度大于或等于呼吸频率下降阈值;
其中,所述第四时间窗为未发生呼吸异常事件,且为所述第三时间窗之前的,与所述第三时间窗间隔第二预设时长的时间段。
14.根据权利要求13所述的方法,其特征在于,所述获取睡眠时间段内用户的N种生理参数,包括:
通过所述可穿戴设备中的光电容积描记PPG传感器采集用户在所述睡眠时间段内,与所述呼吸频率参数对应的第二PPG信号;
根据所述第二PPG信号的脉搏波峰包络线提取呼吸波信号;
根据所述呼吸波信号,计算所述呼吸频率参数。
15.根据权利要求1至6中任一项所述的方法,其特征在于,所述N种生理参数包括:所述鼾声参数;
所述确定所述N种生理参数中的每种生理参数对应的第一呼吸暂停低通气指数AHI,以得到N个第一AHI,包括:
将所述鼾声参数中目标鼾声的个数,确定为所述鼾声参数对应的呼吸异常事件次数;
计算所述鼾声参数对应的呼吸异常事件次数与所述睡眠时间段的时长的比值,得到所述鼾声参数对应的第一AHI;
其中,所述目标鼾声满足以下条件:与上一个鼾声的鼾声间隔大于或等于第一间隔阈值,且小于或等于第二间隔阈值;所述目标鼾声的分贝小于下一个鼾声的分贝,且与所述下一个鼾声的分贝的差值的绝对值大于或等于分贝阈值;
或者,所述目标鼾声满足以下条件:与上一个鼾声的鼾声间隔大于或等于第三间隔阈值;
其中,所述第二间隔阈值大于所述第一间隔阈值,所述第三间隔阈值大于或等于所述第二间隔阈值。
16.根据权利要求15所述的方法,其特征在于,所述获取睡眠时间段内用户的N种生理参数,包括:
通过所述可穿戴设备中的麦克风MIC传感器采集所述睡眠时间段内用户的音频信号;
基于鼾声预测模型,对所述音频信号进行鼾声预测,得到所述鼾声参数。
17.根据权利要求1至6中任一项所述的方法,其特征在于,所述获取睡眠时间段内用户的N种生理参数之前,所述方法还包括:
在所述睡眠时间段之前,通过所述可穿戴设备的PPG传感器监测第三PPG信号;
根据所述第三PPG信号的脉搏波峰间隔,确定所述第三PPG信号对应的实时心率变异性参数;
通过睡眠学习模型,对所述实时心率变异性参数进行分析,确定用户进入睡眠状态。
18.根据权利要求17所述的方法,其特征在于,所述通过所述可穿戴设备的PPG传感器监测第三PPG信号之前,所述方法还包括:
通过所述可穿戴设备的加速度传感器,监测用户的加速度信号;
所述通过所述可穿戴设备的PPG传感器监测第三PPG信号,包括:
若在目标时长内,所述加速度信号的变化小于或等于加速度变化阈值,则监测所述第三PPG信号。
19.根据权利要求1至6中任一项所述的方法,其特征在于,所述对所述N个第一AHI进行融合处理,得到融合AHI之后,所述方法还包括:
若目标次数大于或等于次数阈值,则输出SAHS预警;
其中,所述目标次数为预定时长内用户的SAHS风险大于或等于预设等级的次数。
20.一种参数融合处理装置,其特征在于,所述装置包括:获取模块、确定模块和融合处理模块;
所述获取模块,用于获取睡眠时间段内用户的N种生理参数,N为大于或等于2的整数;
所述确定模块,用于确定所述获取模块获取的所述N种生理参数中的每种生理参数对应的第一呼吸暂停低通气指数AHI,以得到N个第一AHI;
所述融合处理模块,用于对所述确定模块确定的所述N个第一AHI进行融合处理,得到融合AHI;
其中,所述融合AHI用于指示所述用户的睡眠呼吸暂停低通气综合征SAHS风险;所述N种生理参数包括以下至少两项:血氧参数、心率变异性参数、呼吸频率参数、鼾声参数。
21.一种可穿戴设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至19中任一项所述的参数融合处理方法的步骤。
22.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至19中任一项所述的参数融合处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837860.0A CN114388122A (zh) | 2021-07-23 | 2021-07-23 | 参数融合处理方法、装置、可穿戴设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837860.0A CN114388122A (zh) | 2021-07-23 | 2021-07-23 | 参数融合处理方法、装置、可穿戴设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114388122A true CN114388122A (zh) | 2022-04-22 |
Family
ID=81194808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837860.0A Pending CN114388122A (zh) | 2021-07-23 | 2021-07-23 | 参数融合处理方法、装置、可穿戴设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114388122A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115132364A (zh) * | 2022-08-25 | 2022-09-30 | 首都医科大学附属北京同仁医院 | 一种近视风险确定方法、装置、存储介质及可穿戴设备 |
-
2021
- 2021-07-23 CN CN202110837860.0A patent/CN114388122A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115132364A (zh) * | 2022-08-25 | 2022-09-30 | 首都医科大学附属北京同仁医院 | 一种近视风险确定方法、装置、存储介质及可穿戴设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230277075A1 (en) | Photoplethysmography-Based Pulse Wave Analysis Using a Wearable Device | |
US11678838B2 (en) | Automated detection of breathing disturbances | |
US7621871B2 (en) | Systems and methods for monitoring and evaluating individual performance | |
RU2584459C2 (ru) | Жестовое управление для отслеживания показателей жизнедеятельности | |
US20140088373A1 (en) | System and method for determining sleep stage | |
US20130030258A1 (en) | Copd exacerbation prediction system and method | |
CN107260142A (zh) | 利用惯性频率减少生理指标误差 | |
TWI610657B (zh) | 藉由心跳相關訊號評估個人心臟健康之穿戴式裝置及其訊號處理方法 | |
US20190029539A1 (en) | Physical sign detecting earphone and physical sign detecting method | |
WO2015112740A2 (en) | Methods and systems for snore detection and correction | |
US20180279953A1 (en) | Wearable Blood Pressure Measurement Systems | |
CN114388122A (zh) | 参数融合处理方法、装置、可穿戴设备及存储介质 | |
US20170280222A1 (en) | Real-Time Multivariable Biometric Analysis and Display System and Method | |
KR20130015476A (ko) | 디지털 문진표 생성 장치 및 방법 | |
WO2017167630A1 (en) | System and method for detecting a breathing pattern | |
CN105809444A (zh) | 一种高安全性的支付系统及方法 | |
CN105809442A (zh) | 一种高安全性的支付系统及方法 | |
KR20170017648A (ko) | 휴식 심박동 측정 방법 | |
WO2023185122A1 (zh) | 一种检测心律的方法和电子设备 | |
US20160174893A1 (en) | Apparatus and method for nighttime distress event monitoring | |
US20220167931A1 (en) | Wearable detection & treating device | |
JP6716888B2 (ja) | 呼吸解析装置、呼吸解析方法及びプログラム | |
WO2019000742A1 (zh) | 可穿戴设备的检测方法及可穿戴设备 | |
JP2024513847A (ja) | ウェアラブルベースの生理学的データからの妊娠関連合併症の識別と予測 | |
SE2050540A1 (en) | Asthma warning / prevention system and device |
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 |