CN114569075A - 基于能量判断的实时入睡点检测方法、系统及助眠装置 - Google Patents

基于能量判断的实时入睡点检测方法、系统及助眠装置 Download PDF

Info

Publication number
CN114569075A
CN114569075A CN202210189991.7A CN202210189991A CN114569075A CN 114569075 A CN114569075 A CN 114569075A CN 202210189991 A CN202210189991 A CN 202210189991A CN 114569075 A CN114569075 A CN 114569075A
Authority
CN
China
Prior art keywords
ratio
sleep
theta
time
alpha
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210189991.7A
Other languages
English (en)
Inventor
曹琪琪
刘冰
万力
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.)
Zhejiang Rouling Technology Co ltd
Original Assignee
Zhejiang Rouling 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 Zhejiang Rouling Technology Co ltd filed Critical Zhejiang Rouling Technology Co ltd
Priority to CN202210189991.7A priority Critical patent/CN114569075A/zh
Publication of CN114569075A publication Critical patent/CN114569075A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • A61B5/7235—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M21/02—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis for inducing sleep or relaxation, e.g. by direct nerve stimulation, hypnosis, analgesia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/08—Other bio-electrical signals
    • A61M2230/10—Electroencephalographic signals

Landscapes

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

Abstract

本发明提出了一种基于能量判断的实时入睡点检测方法、系统及助眠装置。方法包括：通过电极采集用户前额叶的实时脑电信号；进行滤波和降采样处理，并进行人工伪迹判断；若为非人工伪迹，则以滑动窗处理脑电信号，基于快速傅里叶变换结果计算相对功率比，分别进行Theta频段和Alpha频段的带通滤波和慢波滤波，基于预设最佳能量阈值参数和预设持续时间参数判断用户是否入睡。本发明的方案能准确识别出入睡点，具有较高的实时性、准确性和可靠性，便于和一些睡眠干预手段结合起来，帮助用户更快的入睡，获得质量更高的睡眠。

Description

基于能量判断的实时入睡点检测方法、系统及助眠装置
技术领域
本发明涉及睡眠检测领域，特别涉及一种基于能量判断的实时入睡点检测方法、系统及助眠装置。
背景技术
人的一生大概会有三分之一的时间花在睡眠上面，睡眠最主要的功能是维持、调节身体重要系统的平衡。睡眠质量不佳、睡眠不足会影响身体各方面的机能，从而影响工作和生活。
而入睡点和入睡耗时是判断睡眠质量的一个重要标准，因此入睡点检测的技术十分重要。实时且精准的入睡点判断，能够和一些睡眠闭环干预手段结合起来，辅助一些音乐、粉红噪音、香薰等助眠手段帮助人更快的入睡，获得更高的睡眠质量。入睡点检测对检测的实时性和准确性要求较高，因而现有的入睡点检测方案极少，且存在种种弊端。
例如，现有技术中存在一种方案，以心率、呼吸以及三轴加速度的信息综合判断入睡点。然而，该方案并非实时检测技术，入睡判断的时间窗口以20分钟为单位，检测时间窗口过长，检测结果容易引起延迟误判。因而检测的实时性和准确性都无法满足入睡点检测的要求。
因此，急需一种实时性和准确性高的入睡点检测方案来解决上述问题。
发明内容
有鉴于此，本发明提出了一种基于能量判断的实时入睡点检测方法、系统及助眠装置，具体方案如下：
一种基于能量判断的实时入睡点检测方法，包括如下：
采集用户前额叶在预设时长的实时脑电信号；
对所述实时脑电信号进行滤波和降采样处理，得到第一脑电信号，并对所述第一脑电信号进行人工伪迹判断；
若所述第一脑电信号为非人工伪迹，则以预设时间单位、预设重叠率的滑动窗处理所述第一脑电信号，基于快速傅里叶变换结果计算相对功率比，得到第一theta比率和第一alpha比率；
对所述第一theta比率进行Theta频段的带通滤波和慢波滤波，得到第二theta比率，对所述第一alpha比率进行Alpha频段的带通滤波和慢波滤波，得到第二alpha比率；
处理所述第二theta比率和所述第二alpha比率，并基于预设最佳能量阈值参数和预设持续时间参数判断用户是否入睡。
在一个具体实施例中，“处理所述第二theta比率和所述第二alpha比率，并基于预设最佳能量阈值参数和预设持续时间参数判断用户是否入睡”具体包括：
计算所述第二theta比率和所述第二alpha比率之间的能量差值；
记录所述能量差值大于预设最佳能量阈值参数的持续时间；
若所述持续时间超过预设持续时间参数，则判定用户已经入睡。
在一个具体实施例中，所述最佳能量阈值参数和所述预设持续时间参数的获取过程包括：
获取大量用户的睡眠数据，所述睡眠数据包括入睡前数据和入睡后数据；
对所述睡眠数据进行滤波，滤除人工伪迹，得到第一睡眠数据；
以预设时间单位、预设重叠率的滑动窗处理所述第一睡眠数据，基于快速傅里叶变换结果计算相对功率比，得到第一theta测试比率和第一alpha测试比率；
对所述第一theta测试比率进行Theta频段的带通滤波和慢波滤波，得到一系列的第二theta测试比率，对所述第一alpha测试比率进行Alpha频段的带通滤波和慢波滤波，得到一系列的第二alpha测试比率；
采用预设的迭代算法，在所述第二theta测试比率和所述第二alpha测试比率中，迭代找到最佳能量阈值参数和预设持续时间参数。
在一个具体实施例中，所述滑动窗以3s为时间单位、50％的重叠率处理数据；
和/或，所述预设时长为30s。
在一个具体实施例中，所述第一脑电信号的获取过程包括：
对所述实时脑电信号进行带通滤波和陷波滤波，并降采样到100Hz，得到所述第一脑电信号。
在一个具体实施例中，若所述持续时间未超过预设持续时间参数，则继续采集用户前额叶在预设时长的实时脑电信号，直至判定用户入睡；
若所述第一脑电信号为人工伪迹，则继续采集用户前额叶在预设时长的实时脑电信号，直至判定用户入睡。
一种基于能量判断的实时入睡点检测系统，包括：
采集单元，用于采集用户前额叶在预设时长的实时脑电信号；
预处理单元：用于对所述实时脑电信号进行滤波和降采样处理，得到第一脑电信号，并对所述第一脑电信号进行人工伪迹判断；
滑动窗单元：若所述第一脑电信号为非人工伪迹，则以预设时间单位、预设重叠率的滑动窗处理所述第一脑电信号，基于快速傅里叶变换结果计算相对功率比，得到第一theta比率和第一alpha比率；
慢波滤波单元，用于对所述第一theta比率进行Theta频段的带通滤波和慢波滤波，得到第二theta比率，对所述第一alpha比率进行Alpha频段的带通滤波和慢波滤波，得到第二alpha比率；
入睡判断单元，用于处理所述第二theta比率和所述第二alpha比率，并基于预设最佳能量阈值参数和预设持续时间参数判断用户是否入睡。
在一个具体实施例中，所述入睡判断单元具体包括：
计算所述第二theta比率和所述第二alpha比率之间的能量差值；
记录所述能量差值大于预设最佳能量阈值参数的持续时间；
若所述持续时间超过预设持续时间参数，则判定用户已经入睡。
在一个具体实施例中，还包括：
参数获取单元，用于所述最佳能量阈值参数和所述预设持续时间参数；获取流程具体包括：
获取大量用户的睡眠数据，所述睡眠数据包括入睡前数据和入睡后数据；
对所述睡眠数据进行滤波，滤除人工伪迹，得到第一睡眠数据；
以预设时间单位、预设重叠率的滑动窗处理所述第一睡眠数据，基于快速傅里叶变换结果计算相对功率比，得到第一theta测试比率和第一alpha测试比率；
对所述第一theta测试比率进行Theta频段的带通滤波和慢波滤波，得到一系列的第二theta测试比率，对所述第一alpha测试比率进行Alpha频段的带通滤波和慢波滤波，得到一系列的第二alpha测试比率；
采用预设的迭代算法，在所述第二theta测试比率和所述第二alpha测试比率中，迭代找到最佳能量阈值参数和预设持续时间参数。
一种助眠装置，包括助眠设备和睡眠检测设备；
所述助眠设备，用于采用预设的助眠方案帮助用户入睡；
所述睡眠检测设备，用于在启动所述助眠设备后，执行上述任一项所述的一种基于能量判断的实时入睡点检测方法；
并在检测到用户已经入睡后，关闭所述助眠设备。
有益效果：本发明提出了一种基于能量判断的实时入睡点检测方法、系统及助眠装置，能准确识别出入睡点，具有较高的实时性、准确性和可靠性。入睡点检测方法针对前额叶Fp1-Fp2单通道脑电采集的信号，以滑动窗实时计算Theta频段和Alpha频段的能量差和持续时间，结合通用的最佳能量阈值参数和持续时间参数判断入睡点。本发明的方案遵循脑电波在睡眠前后的能量特征，并通过采集大量的睡眠数据总结出相关参数，具有较高的准确性和可靠性。滑动窗的时间窗口短，具备较高的实时性。入睡点检测方法便于和一些睡眠干预手段结合起来，帮助用户更快的入睡，获得质量更高的睡眠。将入睡点检测方法和具体的助眠设备结合起来，应用到具体的助眠环境中，使其更具实用性。
附图说明
图1为本发明实施例的检测方法流程示意图；
图2为本发明实施例的检测方法原理示意图；
图3为本发明实施例的脑电信号波形示意图；
图4为本发明实施例的S_alpha的波形示意图；
图5为本发明实施例的S_theta的波形示意图；
图6为本发明实施例的检测系统模块示意图。
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
附图标记：1-采集单元；2-预处理单元；3-滑动窗单元；4-慢波滤波单元；5-入睡判断单元；6-参数获取单元。
具体实施方式
在下文中，将更全面地描述本发明公开的各种实施例。本发明公开可具有各种实施例，并且可在其中做出调整和改变。然而，应理解：不存在将本发明公开的各种实施例限于在此公开的特定实施例的意图，而是应将本发明公开理解为涵盖落入本发明公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
需要说明的是，本发明提供的方案是基于一种人脑电波活动规律，在清醒阶段，脑电信号中Alpha频段的能量会比Theta频段的能量大；入睡或者将要入睡的阶段，Theta频段的能量会比Alpha能量大。本发明的方案遵循脑电波在睡眠前后的能量特征，因此，相较于其它现有技术具有极高的实时性、准确性和可靠性。
在本发明公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明公开的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明公开的各种实施例中被清楚地限定。
实施例1
本发明实施例1公开了一种基于能量判断的实时入睡点检测方法，针对前额叶Fp1-Fp2单通道脑电采集的信号，以滑动窗实时计算Theta频段和Alpha频段的能量差和持续时间，结合通用的最佳能量阈值参数和持续时间参数判断入睡点。升级方法流程框图说明书附图1所示，具体方案如下：
一种基于能量判断的实时入睡点检测方法，方法包括如下步骤：
101、通过电极采集用户前额叶在预设时长的实时脑电信号；
102、对实时脑电信号进行滤波和降采样处理，得到第一脑电信号，并对第一脑电信号进行人工伪迹判断；
103、若第一脑电信号为非人工伪迹，则以预设时间单位、预设重叠率的滑动窗处理第一脑电信号，基于快速傅里叶变换结果计算相对功率比，得到第一theta比率和第一alpha比率；
104、对第一theta比率进行Theta频段的带通滤波和慢波滤波，得到第二theta比率，对第一alpha比率进行Alpha频段的带通滤波和慢波滤波，得到第二alpha比率；
105、处理第二theta比率和第二alpha比率，并基于预设最佳能量阈值参数和预设持续时间参数判断用户是否入睡。
步骤105具体包括：计算第二theta比率和第二alpha比率之间的能量差值；记录能量差值大于预设最佳能量阈值参数的持续时间；若持续时间超过预设持续时间参数，则判定用户已经入睡。
设第一theta比率为P_theta，第一alpha比率为P_alpha，第二theta比率为S_theta，第二alpha比率为S_alpha。P_theta指theta频段相对能量的比率，P_alpha指alpha频段相对能量的比率。S_theta是对P_theta进行慢波滤波后的值，S_alpha是对P_alpha进行慢波滤波后的值。
入睡判断准则具体为：
S_theta-S_alpha>V
t>T
其中，t为S_theta-S_alpha>V的持续时间，V表示最佳能量阈值参数，T表示持续时间参数。
完整的原理示意图如说明书附图2所示。
关于步骤101，用户可佩戴轻量型的柔性设备，在人脑前额叶Fp1-Fp2位置放置柔性贴片电极采集脑电信号，便于佩戴以及采集信噪比高的脑电信号。在本实施例中，预设时长为30s，通过电极采集前额叶30s的实时脑电信号。获取的脑电信号如说明书附图3所示，在图3中，除了Alpha波和Theta波之外，还存在Theta-Alpha波，因此需要滤波处理。
关于步骤102，对步骤101采集的脑电数据进行预处理，优选地，预处理包括将30s的实时脑电信号进行带通滤波和陷波滤波，并降采样到100Hz，得到第一脑电信号。
对第一脑电信号进行人工伪迹判断，保证信号质量，避免其它外部因素影响入睡点检测。正常情况下，用户准备进入睡眠时，会放松肌肉、停止运动，因而脑电信号不存在眼动伪迹、肌电伪迹、运动伪迹等。然而，用户不自主运动可能会在采集的脑电数据中产生人工伪迹。不同的人工伪迹具有不同的特征，如眼动伪迹通常出现在额部，两侧对称性分布，因此可以以波形特征鉴别是否存在人工伪迹。
当第一脑电信号为人工伪迹，则证明存在外部因素干扰脑电信号，例如，用户翻身、睁眼等动作都会影响脑电信号，此时证明用户未入睡或存在信号干扰，需要重新采集用户的实时脑电信号。考虑到用户在入睡前往往会具备某些动作，尤其是针对入睡困难的用户，采集的脑电信号可能会存在较长时间的人工伪迹，因此本实施例提出的检测方法会持续采集用户的脑电信号。只有当第一脑电信号为非人工伪迹时，才会进行后续操作。
关于步骤103，若判断第一脑电信号为非人工伪迹的30s信号，则以3s为时间单位、50％的重叠率的滑动窗算法处理第一脑电信号。相对于现有技术中时间窗口以数十分钟为时间单位的窗口，本实施例的检测时间窗口短，检测结果具备很高的实时性，不存在延迟误判。
处理过程具体包括：基于FFT(Fast Fourier Transform，快速傅里叶变换)结果计算相对功率比P_theta和P_alpha。对P_theta进行Theta频段的带通滤波和慢波滤波，得到S_theta，对P_alpha进行Alpha频段的带通滤波和慢波滤波，得到S_alpha。
其中，FFT是信号领域里一种通用的方法，针对信号计算频谱，再根据频谱计算对应频带上的能量。
其中，慢波滤波指的是对脑电信号中的慢波进行滤除。在本实施例中，慢波特指4-7Hz的Theta波和8-12的Alpha波。对P_theta进行Theta频段的带通滤波和慢波滤波，滤除其他频段的波，保留Theta波，得到S_theta。对P_alpha进行Alpha频段的带通滤波和慢波滤波，滤除其他频段的波，保留Alpha波，得到S_alpha。进行带通滤波和慢波滤波是为了去噪和取得稳定的信号。滤波过后，得到S_alpha的波形示意图如说明书附图4所示，S_theta的波形示意图如说明书附图5所示。
在本实施例中，最佳能量阈值参数和预设持续时间参数具有通用性，通过获取大量受试者的睡眠数据，从中总结出通用的参数来作为入睡判断的准则。最佳能量阈值参数和预设持续时间参数的获取过程包括：获取大量用户的睡眠数据，睡眠数据包括入睡前数据和入睡后数据；对睡眠数据进行滤波，滤除人工伪迹，得到第一睡眠数据；以预设时间单位、预设重叠率的滑动窗处理第一睡眠数据，基于快速傅里叶变换结果计算相对功率比，得到p_theta和p_alpha；对p_theta进行Theta频段的带通滤波和慢波滤波，得到一系列的s_theta，对p_alpha进行Alpha频段的带通滤波和慢波滤波，得到一系列的s_alpha；采用预设的迭代算法，在s_theta和s_alpha中，迭代找到最佳能量阈值参数和预设持续时间参数。
其中，p_theta为第一theta测试比率，p_alpha为第一alpha测试比率，s_theta为第二theta测试比率，s_alpha为第二alpha测试比率。
入睡前数据和入睡后数据中，Theta频段的能量和Alpha频段的能量会不相同。通过获取大量的实验数据，找到最佳能量阈值参数和预设持续时间参数，以此作为通用的入睡点判断标准。针对前额叶Fp1-Fp2单通道脑电采集的信号，针对每30s信号，以3s为时间单位、50％重叠的滑动窗，实时计算Theta频段和Alpha频段的能量差和持续时间，如果能量差大于预设的阈值V，且持续时间大于预设的时间T，则将当前的时间窗判断为入睡点。
其中，在迭代过程中，会设置预测值和期望值，通过计算预测值和期望值的误差，循环寻找最小的误差值，取得相应的最优参数，以此来找到最佳能量阈值参数和预设持续时间参数。
本实施例的入睡点检测方法，会持续采集用户前额叶的脑电信号，直至判定用户入睡。若持续时间未超过预设持续时间参数，则证明用户未入睡，继续采集用户前额叶在预设时长的实时脑电信号，直至判定用户入睡。若第一脑电信号为人工伪迹，则当前采集的脑电信号质量不佳，或用户未准备进入睡眠，需要继续采集用户前额叶在预设时长的实时脑电信号，直至判定用户入睡。
本实施例提出的入睡点检测方法具有实时性，便于和一些睡眠干预手段结合起来，帮助用户更快的入睡，获得质量更高的睡眠。经过实验验证，将本实施例提出的入睡点检测方法运用到实际睡眠场景中，可以准确判断入睡点，准确控制外围的物联网助眠设备，比如振动床和助眠功能枕等，在入睡点关闭，具有较高的实时性、准确性和可靠性。
本实施例提供了一种基于能量判断的实时入睡点检测方法，能准确识别出入睡点，具有较高的实时性、准确性和可靠性。针对前额叶Fp1-Fp2单通道脑电采集的信号，以滑动窗实时计算Theta频段和Alpha频段的能量差和持续时间，结合通用的最佳能量阈值参数和持续时间参数判断入睡点。方法遵循脑电波在睡眠前后的能量特征，并通过采集大量的睡眠数据总结出相关参数，具有较高的准确性和可靠性。滑动窗的时间窗口短，具备较高的实时性。入睡点检测方法便于和一些睡眠干预手段结合起来，帮助用户更快的入睡，获得质量更高的睡眠。
实施例2
本发明实施例2公开了一种基于能量判断的实时入睡点检测系统，实施例1的一种入睡点检测方法系统化，系统的具体结构如说明书附图6所示，具体方案如下：
一种基于能量判断的实时入睡点检测系统，包括：
采集单元1，用于通过电极采集用户前额叶在预设时长的实时脑电信号。采集单元1会持续采集用户前额叶的脑电信号，直至判定用户入睡。
预处理单元2：用于对实时脑电信号进行滤波和降采样处理，得到第一脑电信号，并对第一脑电信号进行人工伪迹判断；
滑动窗单元3：若第一脑电信号为非人工伪迹，则以预设时间单位、预设重叠率的滑动窗处理第一脑电信号，基于快速傅里叶变换结果计算相对功率比，得到P_theta和P_alpha。具体地，以3s为时间单位、50％的重叠率的滑动窗算法处理第一脑电信号。
慢波滤波单元4，用于对P_theta进行Theta频段的带通滤波和慢波滤波，得到S_theta，对P_alpha进行Alpha频段的带通滤波和慢波滤波，得到S_alpha；
入睡判断单元5，用于处理S_theta和S_alpha，并基于预设最佳能量阈值参数和预设持续时间参数判断用户是否入睡。
参数获取单元6，用于最佳能量阈值参数和预设持续时间参数；获取流程具体包括：
获取大量用户的睡眠数据，睡眠数据包括入睡前数据和入睡后数据；
对睡眠数据进行滤波，滤除人工伪迹，得到第一睡眠数据；
以预设时间单位、预设重叠率的滑动窗处理第一睡眠数据，基于快速傅里叶变换结果计算相对功率比，得到p_theta和p_alpha；
对p_theta进行Theta频段的带通滤波和慢波滤波，得到一系列的s_theta，对p_alpha进行Alpha频段的带通滤波和慢波滤波，得到一系列的s_alpha；
采用预设的迭代算法，在s_theta和s_alpha中，迭代找到最佳能量阈值参数和预设持续时间参数。
设第一theta比率为P_theta，第一alpha比率为P_alpha，第二theta比率为S_theta，第二alpha比率为S_alpha。P_theta指theta频段相对能量的比率，P_alpha指alpha频段相对能量的比率。S_theta是对P_theta进行慢波滤波后的值，S_alpha是对P_alpha进行慢波滤波后的值。第一theta测试比率为p_theta，第一alpha测试比率为p_alpha，第二theta测试比率为s_theta，第二alpha测试比率为s_alpha。
其中，入睡判断单元5具体包括：
计算S_theta和S_alpha之间的能量差值；
记录能量差值大于预设最佳能量阈值参数的持续时间；
若持续时间超过预设持续时间参数，则判定用户已经入睡。
本实施例公开了一种基于能量判断的实时入睡点检测系统，将实施例1的入睡点方法系统化，使其更具实用性。
实施例3
本实施例公开了一种助眠装置，将实施例1的一种基于能量判断的实时入睡点检测方法与助眠设备结合。具体方案如下：
一种助眠装置，包括助眠设备和睡眠检测设备。
助眠设备，用于采用预设的助眠方案帮助用户入睡。
睡眠检测设备，用于在启动助眠设备后，执行实施例1的一种基于能量判断的实时入睡点检测方法；并在检测到用户已经入睡后，关闭助眠设备。
助眠设备如振动床、助眠功能枕等，助眠方案包括但不限于一些睡眠干预手段。当睡眠检测设备检测出用户的入睡点后，会关闭助眠设备。
本实施例提供了一种助眠装置，将实施例1的一种基于能量判断的实时入睡点检测方法与助眠设备结合，将其应用到具体的助眠环境中。
本发明提出了一种基于能量判断的实时入睡点检测方法、系统及助眠装置，能准确识别出入睡点，具有较高的实时性、准确性和可靠性。入睡点检测方法针对前额叶Fp1-Fp2单通道脑电采集的信号，以滑动窗实时计算Theta频段和Alpha频段的能量差和持续时间，结合通用的最佳能量阈值参数和持续时间参数判断入睡点。本发明的方案遵循脑电波在睡眠前后的能量特征，并通过采集大量的睡眠数据总结出相关参数，具有较高的准确性和可靠性。滑动窗的时间窗口短，具备较高的实时性。入睡点检测方法便于和一些睡眠干预手段结合起来，帮助用户更快的入睡，获得质量更高的睡眠。将入睡点检测方法和具体的助眠设备结合起来，应用到具体的助眠环境中，使其更具实用性。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。上述本发明序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (10)

1.一种基于能量判断的实时入睡点检测方法，其特征在于，包括如下：
采集用户前额叶在预设时长的实时脑电信号；
对所述实时脑电信号进行滤波和降采样处理，得到第一脑电信号，并对所述第一脑电信号进行人工伪迹判断；
若所述第一脑电信号为非人工伪迹，则以预设时间单位、预设重叠率的滑动窗处理所述第一脑电信号，基于快速傅里叶变换结果计算相对功率比，得到第一theta比率和第一alpha比率；
对所述第一theta比率进行Theta频段的带通滤波和慢波滤波，得到第二theta比率，对所述第一alpha比率进行Alpha频段的带通滤波和慢波滤波，得到第二alpha比率；
处理所述第二theta比率和所述第二alpha比率，并基于预设最佳能量阈值参数和预设持续时间参数判断用户是否入睡。
2.根据权利要求1所述的实时入睡点检测方法，其特征在于，“处理所述第二theta比率和所述第二alpha比率，并基于预设最佳能量阈值参数和预设持续时间参数判断用户是否入睡”具体包括：
计算所述第二theta比率和所述第二alpha比率之间的能量差值；
记录所述能量差值大于预设最佳能量阈值参数的持续时间；
若所述持续时间超过预设持续时间参数，则判定用户已经入睡。
3.根据权利要求2所述的实时入睡点检测方法，其特征在于，所述最佳能量阈值参数和所述预设持续时间参数的获取过程包括：
获取大量用户的睡眠数据，所述睡眠数据包括入睡前数据和入睡后数据；
对所述睡眠数据进行滤波，滤除人工伪迹，得到第一睡眠数据；
以预设时间单位、预设重叠率的滑动窗处理所述第一睡眠数据，基于快速傅里叶变换结果计算相对功率比，得到第一theta测试比率和第一alpha测试比率；
对所述第一theta测试比率进行Theta频段的带通滤波和慢波滤波，得到一系列的第二theta测试比率，对所述第一alpha测试比率进行Alpha频段的带通滤波和慢波滤波，得到一系列的第二alpha测试比率；
采用预设的迭代算法，在所述第二theta测试比率和所述第二alpha测试比率中，迭代找到最佳能量阈值参数和预设持续时间参数。
4.根据权利要求1所述的实时入睡点检测方法，其特征在于，所述滑动窗以3s为时间单位、50％的重叠率处理数据；
和/或，所述预设时长为30s。
5.根据权利要求1所述的实时入睡点检测方法，其特征在于，所述第一脑电信号的获取过程包括：
对所述实时脑电信号进行带通滤波和陷波滤波，并降采样到100Hz，得到所述第一脑电信号。
6.根据权利要求1所述的实时入睡点检测方法，其特征在于，若所述持续时间未超过预设持续时间参数，则继续采集用户前额叶在预设时长的实时脑电信号，直至判定用户入睡；
若所述第一脑电信号为人工伪迹，则继续采集用户前额叶在预设时长的实时脑电信号，直至判定用户入睡。
7.一种基于能量判断的实时入睡点检测系统，其特征在于，包括：
采集单元，用于通过电极采集用户前额叶在预设时长的实时脑电信号；
预处理单元：用于对所述实时脑电信号进行滤波和降采样处理，得到第一脑电信号，并对所述第一脑电信号进行人工伪迹判断；
滑动窗单元：若所述第一脑电信号为非人工伪迹，则以预设时间单位、预设重叠率的滑动窗处理所述第一脑电信号，基于快速傅里叶变换结果计算相对功率比，得到第一theta比率和第一alpha比率；
慢波滤波单元，用于对所述第一theta比率进行Theta频段的带通滤波和慢波滤波，得到第二theta比率，对所述第一alpha比率进行Alpha频段的带通滤波和慢波滤波，得到第二alpha比率；
入睡判断单元，用于处理所述第二theta比率和所述第二alpha比率，并基于预设最佳能量阈值参数和预设持续时间参数判断用户是否入睡。
8.根据权利要求7所述的实时入睡点检测系统，其特征在于，所述入睡判断单元具体包括：
计算所述第二theta比率和所述第二alpha比率之间的能量差值；
记录所述能量差值大于预设最佳能量阈值参数的持续时间；
若所述持续时间超过预设持续时间参数，则判定用户已经入睡。
9.根据权利要求7所述的实时入睡点检测系统，其特征在于，还包括：
参数获取单元，用于所述最佳能量阈值参数和所述预设持续时间参数；获取流程具体包括：
获取大量用户的睡眠数据，所述睡眠数据包括入睡前数据和入睡后数据；
对所述睡眠数据进行滤波，滤除人工伪迹，得到第一睡眠数据；
以预设时间单位、预设重叠率的滑动窗处理所述第一睡眠数据，基于快速傅里叶变换结果计算相对功率比，得到第一theta测试比率和第一alpha测试比率；
对所述第一theta测试比率进行Theta频段的带通滤波和慢波滤波，得到一系列的第二theta测试比率，对所述第一alpha测试比率进行Alpha频段的带通滤波和慢波滤波，得到一系列的第二alpha测试比率；
采用预设的迭代算法，在所述第二theta测试比率和所述第二alpha测试比率中，迭代找到最佳能量阈值参数和预设持续时间参数。
10.一种助眠装置，其特征在于，包括助眠设备和睡眠检测设备；
所述助眠设备，用于采用预设的助眠方案帮助用户入睡；
所述睡眠检测设备，用于在启动所述助眠设备后，执行权利要求1-6任一项所述的一种基于能量判断的实时入睡点检测方法；
并在检测到用户已经入睡后，关闭所述助眠设备。
CN202210189991.7A 2022-02-28 2022-02-28 基于能量判断的实时入睡点检测方法、系统及助眠装置 Pending CN114569075A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210189991.7A CN114569075A (zh) 2022-02-28 2022-02-28 基于能量判断的实时入睡点检测方法、系统及助眠装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210189991.7A CN114569075A (zh) 2022-02-28 2022-02-28 基于能量判断的实时入睡点检测方法、系统及助眠装置

Publications (1)

Publication Number Publication Date
CN114569075A true CN114569075A (zh) 2022-06-03

Family

ID=81771869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210189991.7A Pending CN114569075A (zh) 2022-02-28 2022-02-28 基于能量判断的实时入睡点检测方法、系统及助眠装置

Country Status (1)

Country Link
CN (1) CN114569075A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101987017A (zh) * 2010-11-18 2011-03-23 上海交通大学 用于驾车司机警觉度测定的脑电信号识别检测方法
CN103989485A (zh) * 2014-05-07 2014-08-20 朱晓斐 基于脑电波的人体疲劳度评价方法
CN105476631A (zh) * 2015-11-25 2016-04-13 华南理工大学 一种基于脑电信号的睡眠检测及睡眠辅助方法及装置
CN108926349A (zh) * 2017-05-24 2018-12-04 上海交通大学 基于脑电alpha波的日常睡眠开始时期检测方法
CN110074778A (zh) * 2019-05-29 2019-08-02 北京脑陆科技有限公司 一种基于eeg设备的大规模脑电睡眠监测系统
CN110584666A (zh) * 2019-09-24 2019-12-20 喜临门家具股份有限公司 一种入睡潜伏期细化分类系统
CN110623665A (zh) * 2019-09-26 2019-12-31 川北医学院 一种智能睡眠时相检测与睡眠质量评估系统及方法
US20200139112A1 (en) * 2016-09-19 2020-05-07 Nyx Technologies Ltd Multifunctional closed loop neuro feedback stimulating device and methods thereof
CN111631697A (zh) * 2020-06-15 2020-09-08 电子科技大学 智能睡眠和疲劳状态信息监护控制系统及方法、监护仪
US20220304623A1 (en) * 2020-05-29 2022-09-29 Beijing Boe Health Technology Co., Ltd. Sleep monitoring method and apparatus, sleep aid device and method

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101987017A (zh) * 2010-11-18 2011-03-23 上海交通大学 用于驾车司机警觉度测定的脑电信号识别检测方法
CN103989485A (zh) * 2014-05-07 2014-08-20 朱晓斐 基于脑电波的人体疲劳度评价方法
CN105476631A (zh) * 2015-11-25 2016-04-13 华南理工大学 一种基于脑电信号的睡眠检测及睡眠辅助方法及装置
US20200139112A1 (en) * 2016-09-19 2020-05-07 Nyx Technologies Ltd Multifunctional closed loop neuro feedback stimulating device and methods thereof
CN108926349A (zh) * 2017-05-24 2018-12-04 上海交通大学 基于脑电alpha波的日常睡眠开始时期检测方法
CN110074778A (zh) * 2019-05-29 2019-08-02 北京脑陆科技有限公司 一种基于eeg设备的大规模脑电睡眠监测系统
CN110584666A (zh) * 2019-09-24 2019-12-20 喜临门家具股份有限公司 一种入睡潜伏期细化分类系统
CN110623665A (zh) * 2019-09-26 2019-12-31 川北医学院 一种智能睡眠时相检测与睡眠质量评估系统及方法
US20220304623A1 (en) * 2020-05-29 2022-09-29 Beijing Boe Health Technology Co., Ltd. Sleep monitoring method and apparatus, sleep aid device and method
CN111631697A (zh) * 2020-06-15 2020-09-08 电子科技大学 智能睡眠和疲劳状态信息监护控制系统及方法、监护仪

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KRISTINA SUSMAKOVA. ET AL: "Classification of Waking, Sleeping Onset and Deep Sleep by Single Measures", 《MEASUREMENT SCIENCE REVIEW》, pages 35 - 36 *
ZHUO ZHANG ET AL: "Automatic Sleep Onset Detection Using Single EEG Senor", 《36TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE-ENGINEERING-IN-MEDICINE-AND-BIOLOGY-SOCIETY (EMBC)》, pages 2265 - 2267 *
张连春 等: "阿尔茨海默病及轻度认知功能损害在不同状态下的脑电相对功率比研究", 《认知功能障碍研究》 *

Similar Documents

Publication Publication Date Title
JP3769023B2 (ja) 脳の活動状態変化を予測、早期検出、警告、予防または制御するためのシステム
Inuso et al. Wavelet-ICA methodology for efficient artifact removal from Electroencephalographic recordings
US7630757B2 (en) System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject
US5743860A (en) Apparatus and method for epileptic seizure detection using non-linear techniques
US10327656B2 (en) Analysis of EEG signals to detect hypoglycaemia
Orosco et al. An epileptic seizures detection algorithm based on the empirical mode decomposition of EEG
CN106413541B (zh) 用于诊断睡眠的系统和方法
US11504056B2 (en) Method for classifying anesthetic depth in operations with total intravenous anesthesia
EP3478170A1 (en) Prediction of preictal state and seizure onset zones based on high frequency oscillations
WO2016044944A1 (en) System, method and apparatus for detection of signals in noise and monitoring state of consciousness
Sarma et al. Pre-processing and feature extraction techniques for EEGBCI applications-a review of recent research
CN112842362B (zh) 用于植入式电刺激装置的自响应检测参数优化方法及系统
Hung et al. VLSI implementation for epileptic seizure prediction system based on wavelet and chaos theory
Hu et al. A real-time electroencephalogram (EEG) based individual identification interface for mobile security in ubiquitous environment
CN114222601A (zh) 用于耳后感测和刺激的可穿戴系统
CN113855052A (zh) 一种基于正念冥想的神经反馈干预系统及方法
CN114569075A (zh) 基于能量判断的实时入睡点检测方法、系统及助眠装置
Wang et al. Exploration of instantaneous amplitude and frequency features for epileptic seizure prediction
CN113397523A (zh) 一种呼吸率检测方法、装置及医疗设备
Agrawal et al. Removal of baseline wander in ECG using the statistical properties of fractional Brownian motion
Aimie-Salleh et al. Quantitative comparison of time frequency distribution for heart rate variability using performance measure
CN113017647B (zh) 监测用户清醒状态的方法、装置、电子设备及介质
US10952625B2 (en) Apparatus, methods and computer programs for analyzing heartbeat signals
Yadav et al. A novel morphology-based classifier for automatic detection of epileptic seizures
Yadav et al. A novel dual-stage classifier for automatic detection of epileptic seizures

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20220603