CN114631782A - 一种基于麦克风阵列的睡眠体位检测方法 - Google Patents
一种基于麦克风阵列的睡眠体位检测方法 Download PDFInfo
- Publication number
- CN114631782A CN114631782A CN202210247715.1A CN202210247715A CN114631782A CN 114631782 A CN114631782 A CN 114631782A CN 202210247715 A CN202210247715 A CN 202210247715A CN 114631782 A CN114631782 A CN 114631782A
- Authority
- CN
- China
- Prior art keywords
- snore
- fragment
- microphone array
- head
- frequency
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- 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
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Circuit For Audible Band Transducer (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于麦克风阵列的睡眠体位检测方法,该方法首先采用立体麦克风阵列同步采集患者整夜鼾声信号,并进行预处理,建立鼾声样本数据库;然后提取床头两侧两个阵元通道信号之间的高频能量比特征,同时通过LMS自适应滤波法计算两侧阵元通道信号的空间互相关特征,提取其主峰幅值偏离和旁瓣波动偏离特征;最后通过无监督聚类识别头部朝向,间接实现睡眠仰卧位和侧卧位的检测,结合红外影像验证方案可行性。本发明实现过程成本低廉、操作简单,被监测对象无不适感,可对鼾症患者睡眠体位进行有效的非接触式声学检测,有助于进一步实现经济快捷的OSAHS社区筛查和居家监测。
Description
技术领域
本发明涉及生物医学及声信号处理领域,具体地说是一种基于麦克风阵列的睡眠体位检测方法。
背景技术
阻塞性睡眠呼吸暂停/低通气综合症(Obstructive Sleep Apnea/HypopneaSyndrome,OSAHS)是一种常见的睡眠呼吸障碍疾病。临床上通常采用多导睡眠图(Polysomnography,PSG)技术来进行OSAHS诊断,这也是目前的黄金标准,但其存在明显缺陷:首先,传统PSG技术对环境和设备要求苛刻,需要患者在配备有专用设备的睡眠实验室中住院一晚并有专业人员陪同,同时检查时需在患者身体上连接数十个电极和导联来记录各项指标,患者常常因此产生不适,影响正常睡眠,进而使得诊断结果的准确性存疑;其次,PSG技术专用设备价格高昂,医疗资源非常有限,很多小城镇医院根本不具备规范的诊断和治疗条件,无法实现对所有患者普遍的评估与检查。可见PSG技术很难应用于相关睡眠障碍的早期筛查、轻中度患者的家庭干预及重度患者的术后与院外持续跟踪,因此需要更快速简便的社区筛查和居家监测方法。在现有候选技术中,便携式PSG监控、嵌入传感元件的床垫和床单等接触式技术,可能会造成“侵入”的不适感,数码相机或视觉、雷达与微波等非接触式技术,则可能侵犯隐私或有安全隐患。考虑到打鼾是OSAHS常见和最早的症状之一,且一直被视为监测OSAHS的潜在指标,非接触式的鼾声声学分析方法一直是临床医学和信号处理领域学者研究的热点之一,其具有成本低廉、操作简单、私密性和安全性高等优点,被监测对象无不适感,可实现整夜实时、动态的监测。
但现有研究中大多采用单个麦克风,无法充分满足实际需要。一方面,鼾声信号的空间传播受睡眠体位的影响很大,麦克风背对和面对患者口鼻采集到的鼾声信号特征存在较大差异,从而影响后续分析和处理的结果。另一方面,睡眠体位也是影响OSAHS严重程度的重要因素。睡眠呼吸暂停/低通气指数(Apnea hypopnea index,AHI)是评估OSAHS患者病情严重程度的关键指标,体位依赖性OSAHS则被定义为仰卧位睡眠时的AHI至少是其他体位睡眠时AHI的两倍。研究表明OSAHS患者中体位依赖性患者占55%以上,并且症状越轻,越有可能依赖于体位。体位改变是改善OSAHS的一种有效方式,尤其对体位依赖性OSAHS效果显著,并且对相关并发症也有一定的预防作用。部分患者虽然在侧卧睡眠时没有鼾声或鼾声不明显,但其转变为仰卧后鼾声出现或加重,甚至发生呼吸暂停,呼吸紊乱的症状明显更严重,由此可见对患者仰卧睡眠体位的检测具有重要意义。
发明内容
本发明目的在于提供一种基于麦克风阵列的睡眠体位检测方法。
实验本发明目的的技术解决方案为:一种基于麦克风阵列的睡眠体位检测方法,步骤如下:
步骤1、对立体麦克风阵列采集的OSAHS患者睡眠鼾声信号数据进行预处理,建立鼾声片段样本数据库;
步骤2、对步骤1得到的每个鼾声片段提取特征参数,并分析每个特征对于头位的检测能力;
步骤3、针对步骤2中具有较好检测能力的特征参数建立特征样本集,进行无监督聚类,间接实现睡眠体位检测。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的基于麦克风阵列的睡眠体位检测方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的基于麦克风阵列的睡眠体位检测方法。
本发明的有益效果为:1)采用麦克风阵列采集鼾症患者的鼾声信息,可大大减轻避免患者的“侵入”不适,在非接触式的信号采集过程中既不会影响医护人员的操作以及患者的起坐、翻转动作,同时又能兼顾患者的体位变化;2)立体麦克风阵列采集的鼾声信号数据包含了丰富的时间和空间信息,可实现在大时空尺度上对仰卧体位的监测;3)提取的床头两侧两个阵元通道信号之间的高频能量比及空间互相关偏离特征,能够较好地反映鼾声信号的空间传播特性,可有效识别睡眠体位;4)本发明的方法实现过程成本低廉、操作简单,被监测对象无不适感。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是一种基于麦克风阵列的睡眠体位检测方法的流程图。
图2是LMS自适应滤波算法框图。
图3是床头两侧麦克风间的高频能量比HER频度图。
图4是对应仰卧体位的典型空间互相关函数曲线图。
图5是对应左侧卧体位的典型空间互相关函数曲线图。
图6是双向空间互相关函数主峰幅值分布对比示意图。
图7是双向空间互相关函数旁瓣波动分布对比示意图。
具体实施方式
结合图1,本发明的一种基于麦克风阵列的睡眠体位检测方法,步骤如下:
数据集介绍:两个麦克风阵元位于患者病床床头两侧,信号采样率为16kHz,量化精度为16bit。以1个中度OSAHS的中年男性患者的整夜睡眠录音为例进行数值仿真。根据同步录制的红外影像记录,该患者在整夜睡眠中仅有仰卧和左侧卧两种持续时间不少于10min的稳定睡眠体位,对应的录音时长共约2小时。
步骤1、对立体麦克风阵列采集的OSAHS患者睡眠鼾声信号数据进行预处理,建立鼾声片段样本数据库;具体包括以下步骤:
步骤1-1、预加重,补偿发声系统对高频部分的抑制,同时降低低频干扰;
步骤1-2、分帧与加窗;
步骤1-3、采用短时能量、信号宽度两个门限阈值对整夜录音数据进行检测处理,从中截取鼾声片段881个;
步骤1-4、取每个检测出的鼾声片段中短时能量最大的一段连续的Lm个样点构成该个鼾声片段的波形样本矢量:
式中,上标T表示矢量转置,上标(m)表示鼾声片段序号(为叙述简化,后文将在不引起误解的条件下省略)。本发明取Lm=3072。对xi做短时傅里叶变换(STFT),得到Xi,k,k为频率仓序号。
步骤2、对步骤1得到的每个鼾声片段提取特征参数,并分析每个特征对于头位的检测能力;具体包括以下步骤:
步骤2-1、对每个鼾声片段提取床头两侧麦克风阵元间的高频能量比特征并分析其对于头位的检测能力;
步骤2-1-1、每个鼾声片段床头两侧麦克风阵元间的高频能量比HER特征定义为:
其中
其中,计算高频能量的频率范围上下界分别取kl=4000Hz,ku=6500Hz。
步骤2-1-2、选取仰卧与侧卧情况下各50个鼾声片段,绘制每个片段计算得到的高频能量比频度图,观察不同头位频度曲线重叠程度。
图3给出了仰卧、左侧卧两类睡眠体位下,床头两侧阵元之间的鼾声信号高频能量比HER频度图。可以发现仰卧体位时比值集中在0~3,左侧卧体位时比值集中在4~10,且散布范围明显增大,表明聚集度有所降低。鼾声高频成分的空间传播方向性导致了不同体位时两个阵元间HER的取值分布差异。两条频度曲线的主峰几乎没有重合,表明床头两侧阵元之间的鼾声信号高频能量比HER具有很好的检测能力。
步骤2-2、采用床头两侧麦克风分别作为参考阵元进行自适应滤波的方法来获取双向空间互相关函数,对每个鼾声片段提取空间偏离特征并分析其对于头位的检测能力。
步骤2-2-1、对每段鼾声样本矢量构造快拍向量xi,n:
xi,n=[xi(n),xi(n+1),...xi(n+L-1)]T
式中,下标n=1,2,...,Lm-L+1表示快拍序号,L<Lm为快拍向量维数亦即自适应滤波器长度,本发明取L=513。记Q=Lm-L+1,为保持自适应滤波器的稳定,需满足Q>3L。
步骤2-2-2、对于每个鼾声片段,采用LMS自适应滤波法,如图2所示,计算两阵元间的空间互相关函数wij,其中i,j=1或2且i≠j
其中
空间互相关函数wij实际上是用第i号阵元信号去估计第j号阵元信号的线性滤波器系数矢量。由于头部和身体的遮挡效应和多径传播效应,侧卧位睡眠时头部前后方阵元间的鼾声信号频谱明显不同,尤其是高频部分差异很大,导致wij≠wji。但在仰卧位睡眠时,因鼾声信号可从口鼻直达头部两侧的麦克风,wij和wji之间的差异将明显减小。
步骤2-2-3、为避免左、右侧卧位检测模糊,采用双向互相关函数的两个主峰峰值或两个旁瓣波动构成的二维参数空间中相对于对角线的偏离角来分别定义这两种空间互相关偏离:
WP=|45°-atan(P21/P12)|
SV=|45°-atan(S21/S12)|
并定义
Pij=max(|wij|),i,j=1 or 2,i≠j
步骤2-2-4、选取仰卧与侧卧情况下各50个鼾声片段,绘制每个片段计算得到的空间互相关函数主峰幅值偏离和旁瓣波动偏离频度图,观察不同头位频度曲线重叠程度。
图4、图5分别给出了对应仰卧体位和左侧卧体位的典型空间互相关函数曲线。由图4可知,仰卧体位对应的w21与w12曲线形状特征差异不大,都是主峰尖而笔直且峰值在0.5左右,旁瓣分布均匀且远低于主峰。由图5可知,左侧卧体位对应的w21与w12曲线形状特征差异很大,原因是患者头部面向2号麦克风且背对1号麦克风,后者的鼾声信号衰减明显高于前者,导致w21主峰极为尖锐,旁瓣虽然远低于主峰但起伏波动较大,而w12主峰峰值明显降低,旁瓣起伏也不明显。图6和图7分别给出了两种睡眠体位下w21与w12之间的主峰幅值和旁瓣波动在二维空间的散点图及其相对于对角线的偏离角WP和SV的频度图。分析二维散点图细节,可以发现仰卧体位时的二维峰值点(P21,P12)和二维旁瓣波动点(S21,S12)均分布在对角线附近,散度大且呈团状分布;而左侧卧体位时的二维点(P21,P12)和(S21,S12)则都分布在对角线右下方,集中度更高且几乎与横轴平行分布。主要原因是,仰卧睡眠时鼾声信号在传播过程中可以直接从口鼻直达床头两侧的麦克风,因而参考阵元的选择对不同方向自适应滤波得到的空间互相关函数影响不大。而当左侧卧睡眠时,鼾声信号可以直达2号麦克风,但在传播至1号麦克风的过程中受到头部和身体遮挡效应与多径传播效应等因素的影响较大,两个麦克风接收的鼾声信号之间出现较大的时频特性差异,使得选用不同参考阵元进行不同方向的自适应滤波得到的空间互相关函数之间差别很大,相应的二维偏离特征差异也更大。分析对应的频度图,可以发现仰卧和左侧卧体位的两条WP频度曲线主峰之间几乎没有重合,两条SV频度曲线主峰之间也几乎没有重合,表明这两个空间偏离特征具有很好的检测能力。
步骤3、针对步骤2中具有较好检测能力的特征参数建立特征样本集,进行无监督聚类,间接实现睡眠体位检测,具体包括以下步骤:
步骤3-1、对截取得到的鼾声片段建立特征样本集D,采用K-means进行无监督聚类。由于样本中只包含两种不同的睡眠体位,因此设置k=2,即通过聚类分析仅将特征样本集D划分为2个簇,分别记作C={C1,C2};
步骤3-2、统计聚类结果,并与同步红外影像睡眠体位进行对比,验证方案可行性,间接实现睡眠体位检测。
聚类结果的统计如表1所示,对照同步红外影像,划分为C1簇的573个样本均对应仰卧体位;而在划分为C2簇的308个样本中,298个即96.75%对应左侧卧体位,其余10个样本即3.25%对应仰卧体位。表1所列结果表明,虽然理论上麦克风阵列技术只能检测头部朝向,但检测结果与睡眠体位朝向具有高度一致性,并且仰卧体位时的头部轻微侧翻对检测结果影响不大。该结果证明,采用本发明所提的睡眠体位声学特征对OSAHS患者的整夜睡眠体位进行非接触式声学检测是可行的。
表1基于睡眠体位声学特征的K-means聚类结果
综上所述本发明提供一种基于麦克风阵列的睡眠体位检测方法。本发明中,麦克风阵列能够非接触地采集OSAHS患者整夜的鼾声信号,提取的高频能量比和空间互相关偏离两类特征能够很好地反映不同睡眠体位下的鼾声信号空间传播方向性。对实测数据的仿真结果显示,无监督聚类得到的头位朝向分类与同步红外影像显示的睡眠体位朝向高度一致,所提睡眠体位声学特征在仰卧与左侧卧两种体位下有明显差异,对鼾症患者睡眠体位进行有效的非接触式声学检测是完全可行的。本发明易于推广,可进一步检测更多类型的睡眠体位,对于进一步实现经济快捷的OSAHS社区筛查和居家监测具有重要意义。
Claims (6)
1.一种基于麦克风阵列的睡眠体位检测方法,其特征在于,步骤如下:
步骤1、对立体麦克风阵列采集的OSAHS患者睡眠鼾声信号数据进行预处理,建立鼾声片段样本数据库;
步骤2、对步骤1得到的每个鼾声片段提取特征参数,并分析每个特征对于头位的检测能力;
步骤3、针对步骤2中具有较好检测能力的特征参数建立特征样本集,进行无监督聚类,间接实现睡眠体位检测。
3.根据权利要求1所述的基于麦克风阵列的睡眠体位检测方法,其特征在于,步骤2对步骤1得到的每个鼾声片段提取特征参数并分析每个特征对于头位的检测能力,具体包括以下步骤:
步骤2-1、对每个鼾声片段提取床头两侧麦克风阵元间的高频能量比特征并分析其对于头位的检测能力;
步骤2-1-1、每个鼾声片段床头两侧麦克风阵元间的高频能量比HER特征定义为:
其中,
其中,计算高频能量的频率范围上下界分别取为kl,ku;
步骤2-1-2、选取仰卧与侧卧情况下部分鼾声片段,绘制每个片段计算得到的高频能量比频度图,观察不同头位频度曲线重叠程度;
步骤2-2、采用床头两侧麦克风分别作为参考阵元进行自适应滤波的方法来获取双向空间互相关函数,对每个鼾声片段提取空间偏离特征并分析其对于头位的检测能力;
步骤2-2-1、对每段鼾声样本矢量构造快拍向量xi,n:
xi,n=[xi(n),xi(n+1),...xi(n+L-1)]T
式中,下标n=1,2,...,Lm-L+1表示快拍序号,L<Lm为快拍向量维数亦即自适应滤波器长度;记Q=Lm-L+1,为保持自适应滤波器的稳定,需满足Q>3L;
步骤2-2-2、对于每个鼾声片段,采用LMS自适应滤波法,计算两阵元间的空间互相关函数wij,其中i,j=1或2且i≠j
其中
空间互相关函数wij实际上是用第i号阵元信号去估计第j号阵元信号的线性滤波器系数矢量;
步骤2-2-3、为避免左、右侧卧位检测模糊,采用双向互相关函数的两个主峰峰值或两个旁瓣波动构成的二维参数空间中相对于对角线的偏离角来分别定义这两种空间互相关偏离:
WP=|45°-atan(P21/P12)|
SV=|45°-atan(S21/S12)|
并定义
Pij=max(|wij|),i,j=1 or 2,i≠j
步骤2-2-4、选取仰卧与侧卧情况下部分鼾声片段,绘制每个片段计算得到的空间互相关函数主峰幅值偏离和旁瓣波动偏离频度图,观察不同头位频度曲线重叠程度。
4.根据权利要求1所述的基于麦克风阵列的睡眠体位检测方法,其特征在于,步骤3所述的针对步骤2中具有较好检测能力的特征参数建立特征样本集并进行无监督聚类间接实现睡眠体位检测,具体包括以下步骤:
步骤3-1、对截取得到的鼾声片段建立特征样本集D,采用K-means进行无监督聚类得到头位信息;
步骤3-2、统计聚类结果,并与同步红外影像睡眠体位进行对比,验证方案可行性,间接实现睡眠体位检测。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一所述的基于麦克风阵列的睡眠体位检测方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的基于麦克风阵列的睡眠体位检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247715.1A CN114631782A (zh) | 2022-03-14 | 2022-03-14 | 一种基于麦克风阵列的睡眠体位检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247715.1A CN114631782A (zh) | 2022-03-14 | 2022-03-14 | 一种基于麦克风阵列的睡眠体位检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114631782A true CN114631782A (zh) | 2022-06-17 |
Family
ID=81948341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210247715.1A Pending CN114631782A (zh) | 2022-03-14 | 2022-03-14 | 一种基于麦克风阵列的睡眠体位检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114631782A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546292A (zh) * | 2022-12-02 | 2022-12-30 | 首都医科大学附属北京同仁医院 | 头位判读方法、体位验证方法、计算设备和存储介质 |
-
2022
- 2022-03-14 CN CN202210247715.1A patent/CN114631782A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546292A (zh) * | 2022-12-02 | 2022-12-30 | 首都医科大学附属北京同仁医院 | 头位判读方法、体位验证方法、计算设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jezewski et al. | A novel technique for fetal heart rate estimation from Doppler ultrasound signal | |
Donohue et al. | Assessment of a non-invasive high-throughput classifier for behaviours associated with sleep and wake in mice | |
Ye-Lin et al. | Automatic identification of motion artifacts in EHG recording for robust analysis of uterine contractions | |
Adnane et al. | Development of QRS detection algorithm designed for wearable cardiorespiratory system | |
Morillo et al. | Computerized analysis of respiratory sounds during COPD exacerbations | |
CN108416367A (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
Hwang et al. | Apnea–hypopnea index prediction using electrocardiogram acquired during the sleep-onset period | |
Nguyen-Ky et al. | Consciousness and depth of anesthesia assessment based on Bayesian analysis of EEG signals | |
CN106056116A (zh) | 一种基于模糊粗糙集的睡姿压力图像识别方法 | |
Sharma et al. | Automated Sleep apnea detection using optimal duration-frequency concentrated wavelet-based features of pulse oximetry signals | |
Karmakar et al. | Risk stratification of cardiac autonomic neuropathy based on multi-lag Tone–Entropy | |
CN114631782A (zh) | 一种基于麦克风阵列的睡眠体位检测方法 | |
CN110402104A (zh) | 血压测量装置、方法以及程序 | |
Zhang et al. | Health-radio: Towards contactless myocardial infarction detection using radio signals | |
CN112363139A (zh) | 基于幅度特征的人体呼吸时长检测方法、装置和存储介质 | |
CN109034259A (zh) | 肿瘤介入装置的图像控制系统、方法、终端、储存介质 | |
Wu et al. | A novel approach to diagnose sleep apnea using enhanced frequency extraction network | |
Bujan et al. | Clinical validation of a contactless respiration rate monitor | |
CN113729653A (zh) | 一种人体脉搏波信号采集方法 | |
Ma et al. | A method of feature fusion and dimension reduction for knee joint pathology screening and separability evaluation criteria | |
Bali et al. | Performance comparison of ANN classifiers for sleep apnea detection based on ECG signal analysis using hilbert transform | |
Khandoker et al. | Modeling respiratory movement signals during central and obstructive sleep apnea events using electrocardiogram | |
Gutiérrez et al. | Analysis and localization of epileptic events using wavelet packets | |
CN105212918A (zh) | 一种基于压电信号的心率测量方法及系统 | |
Emoto et al. | High frequency region of the snore spectra carry important information on the disease of sleep apnoea |
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 |