CN115067930A - 呼吸状态的预警方法、装置、计算机设备以及存储介质 - Google Patents

呼吸状态的预警方法、装置、计算机设备以及存储介质 Download PDF

Info

Publication number
CN115067930A
CN115067930A CN202211002662.3A CN202211002662A CN115067930A CN 115067930 A CN115067930 A CN 115067930A CN 202211002662 A CN202211002662 A CN 202211002662A CN 115067930 A CN115067930 A CN 115067930A
Authority
CN
China
Prior art keywords
sequence
feature sequence
respiratory
feature
heart rate
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
CN202211002662.3A
Other languages
English (en)
Other versions
CN115067930B (zh
Inventor
张涵
蔡凌峰
陈小兰
庞志强
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.)
South China Normal University
Original Assignee
South China Normal University
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 South China Normal University filed Critical South China Normal University
Priority to CN202211002662.3A priority Critical patent/CN115067930B/zh
Publication of CN115067930A publication Critical patent/CN115067930A/zh
Application granted granted Critical
Publication of CN115067930B publication Critical patent/CN115067930B/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
    • A61B5/085—Measuring impedance of respiratory organs or lung elasticity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms

Abstract

本申请涉及一种呼吸状态的预警方法、装置、计算机设备以及存储介质，该方法包括：获取用户在预设的第一时间尺度下的体征信号；从体征信号中提取心冲击图信号以及呼吸信号；确定心冲击图信号以及呼吸信号对应的第一特征序列；确定若干个不同的第二时间尺度下的第二特征序列，将第二特征序列输入至训练好的呼吸状态分类模型，获得呼吸状态分类结果以及贡献度；确定呼吸状态分类结果与预设的呼吸状态分类标签的偏差；将贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算预设数量的第二特征序列的一阶变化趋势；根据一阶变化趋势和所述偏差，获得呼吸状态的预警结果，从而降低了成本，提高了呼吸状态预警的准确度。

Description

呼吸状态的预警方法、装置、计算机设备以及存储介质
技术领域
本申请涉及呼吸检测领域，特别是涉及一种呼吸状态的预警方法、装置、计算机设备以及存储介质。
背景技术
慢性阻塞性肺疾病（Chronic Obstructive Pulmonary Disease，简称COPD）是一种可以预防和治疗的呼吸系统疾病，以存在持续的气流受限为主要特征，临床上可表现为不同程度的呼吸困难、咳嗽或咳痰等症状，未及时干预下可加快疾病进展，严重影响患者的生活质量。
目前，通过对患者的呼吸状态进行检测并预警，可以辅助实现COPD的早期筛查。现有对呼吸状态进行检测以及预警，监测时间较短，多局限于日间监测，导致呼吸状态预警的准确度不高，且价格较为高昂。
发明内容
基于此，本申请的目的在于，提供一种呼吸状态的预警方法、装置、计算机设备以及存储介质，其可降低成本、提高呼吸状态预警的准确度。
根据本申请实施例的第一方面，提供一种呼吸状态的预警方法，包括如下步骤：
获取用户在预设的第一时间尺度下的体征信号；
从所述体征信号中提取心冲击图信号以及呼吸信号；
确定所述心冲击图信号以及所述呼吸信号对应的第一特征序列；所述第一特征序列包括心率特征序列、心率变异性特征序列、呼吸频率特征序列以及睡眠特征序列；
确定所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列在若干个不同的第二时间尺度下的第二特征序列；所述第二特征序列包括基准特征序列、波动特征序列、最值特征序列以及众数特征序列；
将若干个不同的第二时间尺度下的所述第二特征序列输入至训练好的呼吸状态分类模型，获得呼吸状态分类结果以及每个所述第二特征序列对所述呼吸状态分类结果的贡献度；
确定所述呼吸状态分类结果与预设的呼吸状态分类标签的偏差；
将每个所述第二特征序列对所述呼吸状态分类结果的贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算所述预设数量的第二特征序列的一阶变化趋势；
根据所述一阶变化趋势和所述偏差，获得呼吸状态的预警结果。
根据本申请实施例的第二方面，提供一种呼吸状态的预警装置，包括：
体征信号获取模块，用于获取用户在预设的第一时间尺度下的体征信号；
信号提取模块，用于从所述体征信号中提取心冲击图信号以及呼吸信号；
第一特征序列确定模块，用于确定所述心冲击图信号以及所述呼吸信号对应的第一特征序列；所述第一特征序列包括心率特征序列、心率变异性特征序列、呼吸频率特征序列以及睡眠特征序列；
第二特征序列确定模块，用于确定所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列在若干个不同的第二时间尺度下的第二特征序列；所述第二特征序列包括基准特征序列、波动特征序列、最值特征序列以及众数特征序列；
分类结果获得模块，用于将若干个不同的第二时间尺度下的所述第二特征序列输入至训练好的呼吸状态分类模型，获得呼吸状态分类结果以及每个所述第二特征序列对所述呼吸状态分类结果的贡献度；
偏差确定模块，用于确定所述呼吸状态分类结果与预设的呼吸状态分类标签的偏差；
变化趋势计算模块，用于将每个所述第二特征序列对所述呼吸状态分类结果的贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算所述预设数量的第二特征序列的一阶变化趋势；
预警结果获得模块，用于根据所述一阶变化趋势和所述偏差，获得呼吸状态的预警结果。
根据本申请实施例的第三方面，提供一种计算机设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如上述任意一项所述的呼吸状态的预警方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的呼吸状态的预警方法。
本申请实施例通过获取用户在预设的第一时间尺度下的体征信号；从所述体征信号中提取心冲击图信号以及呼吸信号；确定所述心冲击图信号以及所述呼吸信号对应的第一特征序列；所述第一特征序列包括心率特征序列、心率变异性特征序列、呼吸频率特征序列以及睡眠特征序列；确定所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列在若干个不同的第二时间尺度下的第二特征序列；所述第二特征序列包括基准特征序列、波动特征序列、最值特征序列以及众数特征序列；将若干个不同的第二时间尺度下的所述第二特征序列输入至训练好的呼吸状态分类模型，获得呼吸状态分类结果以及每个所述第二特征序列对所述呼吸状态分类结果的贡献度；确定所述呼吸状态分类结果与预设的呼吸状态分类标签的偏差；将每个所述第二特征序列对所述呼吸状态分类结果的贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算所述预设数量的第二特征序列的一阶变化趋势；根据所述一阶变化趋势和所述偏差，获得呼吸状态的预警结果，从而降低了成本，提高了呼吸状态预警的准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的呼吸状态的预警方法的流程示意图；
图2为本申请一个实施例提供的步骤S20的流程示意图；
图3为本申请一个实施例提供的步骤S30的流程示意图；
图4为本申请一个实施例提供的步骤S40的流程示意图；
图5为本申请一个实施例提供的步骤S70的流程示意图；
图6为本申请一个实施例提供的步骤S80的流程示意图；
图7为本申请一个实施例提供的呼吸状态的预警装置的结构框图；
图8为本申请一个实施例提供的电子设备的结构示意框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A 和/或 B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
实施例1
请参阅图1，其为本申请一个实施例提供的呼吸状态的预警方法的流程示意图。本申请实施例提供的呼吸状态的预警方法，包括如下步骤：
S10：获取用户在预设的第一时间尺度下的体征信号。
在本申请实施例中，所述呼吸状态检测方法的执行主体为呼吸状态检测设备（以下简称检测设备），检测设备可以是一台计算机设备，可以是服务器，或多台计算机设备联合而成的服务器机群。
检测设备可以通过在预设的数据库中进行查询，获取用户在预设的若干个不同时间尺度下的体征信号。检测设备也可以采用无扰式传感器实时采集用户在预设的若干个不同时间尺度下的生命体征信号。其中，无扰式传感器包括信号采集模块和数据存储模块。
具体地，信号采集模块放置于用户枕头下放，用户枕在枕头上入睡，用户由于心脏活动、呼吸活动等使身体产生微振，重心发生偏移，产生力信号。信号采集模块可将力信号转换为模拟电信号，随后通过内置的滤波电路、放大电路以及A/D转换电路，对模拟电信号进行滤波、放大、A/D转换变为采样率为1000Hz的数字信号，即为体征信号。
其中，预设的第一时间尺度为用户使用检测设备的平均时长，例如，预设的第一时间尺度为100天。
S20：从所述体征信号中提取心冲击图信号以及呼吸信号。
在本申请实施例中，体征信号为心冲击图信号和呼吸信号的混叠信号，从体征信号中分别提取独立的心冲击图信号和独立的呼吸信号。
S30：确定所述心冲击图信号以及所述呼吸信号对应的第一特征序列；所述第一特征序列包括心率特征序列、心率变异性特征序列、呼吸频率特征序列以及睡眠特征序列。
心率（Heart Rate，简称HR）是指正常人安静状态下每分钟心跳的次数，也叫安静心率，一般为60～100次/分，可因年龄、性别或其他生理因素产生个体差异。心率变异性(Heart Rate Variability，简称HRV)是指逐次心跳周期差异的变化情况。呼吸频率（Respiratory Rate，简称RR）为每分钟呼吸的次数。
在本申请实施例中，根据心冲击图信号可以获得若干个心动间期，根据呼吸信号可以获得若干个呼吸间期。根据若干个心动间期可以确定心率特征序列和心率变异性特征序列，根据若干个呼吸间期可以确定呼吸频率特征序列，通过若干个心动间期和若干个呼吸间期可以确定睡眠特征序列。
S40：确定所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列在若干个不同的第二时间尺度下的第二特征序列；所述第二特征序列包括基准特征序列、波动特征序列、最值特征序列以及众数特征序列。
在本申请实施例中，第二时间尺度为连续的时间尺度，若干个不同的第二时间尺度可以为连续3日、连续5日、连续7日、连续10日、连续14日以及连续30日。在获得预设的第一时间尺度下的心率特征序列、心率变异性特征序列、呼吸频率特征序列以及睡眠特征序列之后，可以进一步获得若干个不同的第二时间尺度下的基准特征序列、波动特征序列、最值特征序列以及众数特征序列。
S50：将若干个不同的第二时间尺度下的所述第二特征序列输入至训练好的呼吸状态分类模型，获得呼吸状态分类结果以及每个所述第二特征序列对所述呼吸状态分类结果的贡献度。
在本申请实施例中，用户的呼吸状态包括正常、轻度、中度、重度、极重度五个等级，分别通过呼吸状态分类标签0、1、2、3和4来表示。将干个不同的第二时间尺度下的所述第二特征序列至训练好的呼吸状态分类模型，训练好的呼吸状态分类模型可以输出0到4中的其中一个数值。
每个第二特征序列对呼吸状态分类结果有一定比例的贡献，训练好的呼吸状态分类模型可以输出每个第二特征序列的特征分值，特征分值越高对呼吸状态分类结果贡献度越高。
S60：确定所述呼吸状态分类结果与预设的呼吸状态分类标签的偏差。
在本申请实施例中，呼吸状态分类结果与预设的呼吸状态分类标签可能相同，也可能不同，计算呼吸状态分类结果与预设的呼吸状态分类标签的偏差。例如，呼吸状态分类结果为3，预设的呼吸状态分类标签为2，则偏差为1。
S70：将每个所述第二特征序列对所述呼吸状态分类结果的贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算所述预设数量的第二特征序列的一阶变化趋势。
在本申请实施例中，将每个第二特征序列对应的特征分值进行从高到低的排序，获取贡献度排序靠前的预设数量的第二特征序列。预设数量的第二特征序列包括排序第一的连续30日的RR5的基准特征序列以及排序第二的连续30日的HF的基准特征序列。以连续30日的RR5的基准特征为例，可以计算RR5在若干个连续30日内的一阶变化趋势，一阶变化趋势可以是相邻两日的斜率参数。
S80：根据所述一阶变化趋势和所述偏差，获得呼吸状态的预警结果。
在本申请实施例中，根据所述一阶变化趋势和所述偏差，可以确定呼吸状态的变化趋势，包括呼吸状态是否加剧变化或处于平稳状态，从而对呼吸状态进行预警提醒。
应用本申请实施例，通过获取用户在预设的第一时间尺度下的体征信号；从所述体征信号中提取心冲击图信号以及呼吸信号；确定所述心冲击图信号以及所述呼吸信号对应的第一特征序列；所述第一特征序列包括心率特征序列、心率变异性特征序列、呼吸频率特征序列以及睡眠特征序列；确定所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列在若干个不同的第二时间尺度下的第二特征序列；所述第二特征序列包括基准特征序列、波动特征序列、最值特征序列以及众数特征序列；将若干个不同的第二时间尺度下的所述第二特征序列输入至训练好的呼吸状态分类模型，获得呼吸状态分类结果以及每个所述第二特征序列对所述呼吸状态分类结果的贡献度；确定所述呼吸状态分类结果与预设的呼吸状态分类标签的偏差；将每个所述第二特征序列对所述呼吸状态分类结果的贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算所述预设数量的第二特征序列的一阶变化趋势；根据所述一阶变化趋势和所述偏差，获得呼吸状态的预警结果，从而降低了成本，提高了呼吸状态预警的准确度。
在一个可选的实施例中，请参阅图2，所述步骤S20包括步骤S21~S25，具体如下：
S21：采用滤波器对所述体征信号进行滤波，获得滤波后的体征信号。
在本申请实施例中，采用一个截止频率为2~20Hz的二阶巴特沃斯带通滤波器，将若干个不同时间尺度的体征信号中的噪声去除。进一步地，通过截止频率为20Hz的四阶巴特沃斯带通滤波器去除工频干扰及高斯加性噪声。进一步地，以15s为固定时间窗，滑动尺度为1s，检测时间窗信号峰均值比以检测体动信号，当信号峰均值比大于阈值时，认为该时间窗存在体动信号，将该时间窗内信号置空并重新纳入新的队列信号。
S22：对所述滤波后的体征信号进行作先腐蚀后膨胀的开运算，获得第一体征信号；
S23：对所述滤波后的体征信号进行作先膨胀后腐蚀的闭运算，获得第二体征信号；
S24：将所述第一体征信号以及所述第二体征信号求平均，将平均结果作为呼吸信号；
S25：将所述滤波后的体征信号与所述呼吸信号相减，获得心冲击图信号。
在本申请实施例中，在排除体动信号的基础上，由于呼吸信号和心冲击信号的主频段存在差异性，通过形态滤波滤除呼吸信号对心冲击信号的贡献，进而提取呼吸信号。由于呼吸信号与心冲击信号是叠加的关系，故滤波后的体征信号减去呼吸信号可得到心冲击图信号。
在一个可选的实施例中，请参阅图3，所述步骤S30包括步骤S31~S36，具体如下：
S31：根据预设的心冲击图信号模板对所述心冲击图信号进行时序双向检测，确定所述心冲击图信号的峰值点坐标，根据所述峰值点坐标，获得若干个心动间期。
在本申请实施例中，根据心冲击图信号的形态特征建立预设的心冲击图信号模板，之后根据预设的心冲击图信号模板对心冲击图信号进行时序双向检测，定位出“J”峰位置。通过不应期的设定以及间期稳定性对定位的“J”峰位置作进一步精炼校准，得到最终的“J”峰位置。将若干个前后“J”峰进行差分计算可以得到相应的“JJ”间期的值，即获得若干个心动间期。
S32：根据所述若干个心动间期，获得若干个心率；获取若干个心率对应的心率数据参数，将所述心率数据参数作为心率特征序列；其中，所述心率数据参数包括心率的众数、心率的均值、心率的最大值以及心率的最小值。
在本申请实施例中，通过若干个心动间期，可以计算获得若干个心率。其中，每分钟的心率的计算公式如下：
Figure 132910DEST_PATH_IMAGE001
其中，
Figure 118052DEST_PATH_IMAGE002
表示心率，
Figure 51373DEST_PATH_IMAGE003
表示心动间期。
在获得若干个心率之后，可以计算若干个心率的众数、均值、最大值以及最小值，从而得到心率特征序列。具体地，以一晚上对应5小时睡眠时长为例，5分钟为一个单位时长，将5小时划分为60个单位时长。每5分钟可以获得一个平均心动间期，从而一整晚可以获得60个平均心动间期，对60个平均心动间期计算相应的心率，进而获得心率的众数、均值、最大值以及最小值。
S33：计算所述若干个心动间期的标准差，根据所述标准差以及预设的自回归谱估计方法，获得若干个功率谱；将若干个所述功率谱与预设的频谱范围进行比较，确定每个所述功率谱所在的频谱范围；根据所述若干个心动间期，获得心率减速力；根据同一个频谱范围的所有功率谱的平均值以及所述心率减速力，获得心率变异性特征序列；
在本申请实施例中，根据若干个心动间期，可以计算相应的标准差，计算公式如下：
Figure 189093DEST_PATH_IMAGE004
其中，N表示心动间期的总数量，
Figure 651299DEST_PATH_IMAGE005
表示N个心动间期平均值，
Figure 140049DEST_PATH_IMAGE006
表示第i个心动间期。具体地，对60个平均心动间期计算平均值，进而计算获得标准差。
自回归谱估计方法是一种重要的谱估计方法，具有频率分辨率高的优点，改善了谱线分裂和频率偏移现象。通过预设的自回归谱估计方法对每个标准差进行频域分析，获得若干个功率谱。按照预设的频谱范围，将若干个功率谱划分为四个频段，包括高频段（High Frequency, HF）：0.15Hz~0.4Hz，低频段（Low Frequency，LF）：0.04Hz~0.15Hz，极低频段（Very Low Frequency，VLF）：0.003Hz~0.04Hz，超低频段（Ultra Low Frequency，ULF）：<0.003Hz。将以上四个频段功率作为HRV频域特征。
根据若干个心动间期，获得心率减速力（Deceleration Capacity of Rate，简称DC）。具体地，心率减速力计算公式如下：
DC=[X(0)+X(1)-X(-1)-X(-2)]*1/4
其中，X(0)为所有减速中心点的心动间期的均值；X(1)为减速中心点右侧紧邻的第一心动间期的均值；X(-1)为减速中心点左侧相邻的第一个心动间期的均值；X(-2)为减速中心点左侧相邻的第二个所有心动间期的均值。
将频段功率LF、HF、ULF、VLF、LF与HF的比值以及DC，作为心率变异性特征序列。
S34：根据预设的过零点检测方法确定所述呼吸信号的若干个呼吸间期。
在本申请实施例中，采用过零点检测方法，通过检测呼吸信号在相邻的两个上升沿中的过零点作为一个呼吸间期，即一个呼吸信号的终止点视为下一个呼吸信号的起始点。
S35：根据所述若干个呼吸间期，获得若干个呼吸频率；获取若干个呼吸频率对应的呼吸数据参数，将所述呼吸数据参数作为呼吸频率特征序列；其中，所述呼吸数据参数包括呼吸频率的众数、呼吸频率的均值、呼吸频率的最大值、呼吸频率的最小值、大于或等于第一预设阈值的呼吸频率的均值以及小于第二预设阈值的呼吸频率的均值。
在本申请实施例中，每分钟呼吸频率的计算公式如下：
Figure 96635DEST_PATH_IMAGE007
其中，
Figure 354441DEST_PATH_IMAGE008
表示呼吸频率，
Figure 253127DEST_PATH_IMAGE009
表示呼吸间期。
在获得若干个呼吸频率之后，可以计算呼吸频率的众数RR1、均值RR2、最大值RR3、最小值RR4。同时将若干个呼吸频率与第一预设阈值、第二预设阈值进行比较，从而确定大于或等于第一预设阈值的所有呼吸频率以及小于第二预设阈值的所有呼吸频率。将大于或等于第一预设阈值的所有呼吸频率求平均，获得平均结果RR5。其中，第一预设阈值为21次/分钟，RR5用于指示呼吸频率过快。将小于第二预设阈值的所有呼吸频率求平均，获得平均结果RR6。其中，第一预设阈值为10次/分钟，RR6用于指示呼吸频率过慢。将RR1、RR2、RR3、RR4、RR5以及RR6作为呼吸频率特征序列。
S36：根据若干个心动间期、若干个呼吸间期以及预设的心肺耦合方法，获得睡眠特征序列。
在本申请实施例中，睡眠特征序列包括入睡时间、觉醒时间、睡眠总时长以及有效睡眠时长（即睡眠总时长减去睡眠觉醒时长）。借助心动间期和呼吸间期，采用预设的心肺耦合方法计算用户在不同时间尺度下的睡眠分期，从而获得对应时间尺度下的睡眠特征序列。
在一个可选的实施例中，请参阅图4，所述步骤S40包括步骤S41~S42，具体如下：
S41：遍历每个第二时间尺度，计算当前第二时间尺度下的所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列的数学期望、归一化方差、最大值以及众数，分别作为所述当前第二时间尺度下对应的基准特征序列、波动特征序列、最值特征序列以及众数特征序列；
S42：重复遍历每个第二时间尺度下，直至确定所有第二时间尺度下所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列对应的基准特征序列、波动特征序列、最值特征序列以及众数特征序列。
在本申请实施例中，对于第二时间尺度分别为连续3日、连续5日、连续7日、连续10日、连续14日以及连续30日的情况，计算对应的基准特征序列、波动特征序列、最值特征序列以及众数特征序列。
以第二时间尺度为连续3日，心率特征序列中的HR1对应的基准特征序列为例进行说明。在预设的第一时间尺度下，每一天的HR1是已知的，将连续3天的HR1的数学期望作为基准特征序列中每一天的数值。对于基准特征序列中第1天的数值，只有第1天的HR1已知，没有第2天和第3天的HR1，因此，基准特征序列中第1天的数值为0。对于基准特征序列中第2天的数值，只有第1天和第2天的HR1已知，没有第3天的HR1，因此，基准特征序列中第2天的数值为0。对于基准特征序列中第3天的数值，由于第1天、第2天以及第3天的HR1均为已知，将第1天、第2天以及第3天的HR1的数学期望作为基准特征序列中第3天的数值X1，将第2天、第3天以及第4天的HR1的数学期望作为基准特征序列中第4天的数值X2，...，将第98天、第99天以及第100天的HR1的数学期望作为基准特征序列中第100天的数值X98，从而获得连续3日的心率特征序列的HR1的基准体征序列。
对于不同的第二时间尺度下所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列对应的基准特征序列、波动特征序列、最值特征序列以及众数特征序列的求解过程，与上述例子的求解过程一致，在此不再赘述。
在一个可选的实施例中，所述步骤S50之前，包括步骤S501，具体如下：
S501：将若干个不同的第二时间尺度下的第二特征样本数据作为输入，若干个不同的第二时间尺度下的呼吸状态样本数据作为输出，输入至待训练的呼吸状态分类模型，获得训练好的呼吸状态分类模型。
在本申请实施例中，待训练的呼吸状态分类模型可以是深度学习网络模型，也可以是机器学习模型。具体地，机器学习模型可以为决策树模型(Decision Tree, DT)、逻辑回归模型（Logistic Regression, LR）、支持向量机模型(Support Vector Machines,SVM)、随机森林模型(Random Forest, RF)和AdaBoost模型的其中一种。获取若干个不同的第二时间尺度下的第二特征样本数据以及对应的呼吸状态样本数据，将若干个不同的第二时间尺度下的第二特征样本数据作为输入，若干个不同的第二时间尺度下的呼吸状态样本数据作为输出，输入至待训练的呼吸状态分类模型，更新待训练的呼吸状态分类模型的网络权重参数，获得训练好的呼吸状态分类模型。
在一个可选的实施例中，请参阅图5，所述步骤S70，包括步骤S71~S72，具体如下：
S71：在预设数量的第二特征序列中，遍历每个所述第二特征序列，计算当前第二特征序列的一阶变化趋势。
在本申请实施例中，以贡献度排序第一的连续30日的RR5的基准特征序列以及贡献度排序第二的连续30日的HF的基准特征序列为例进行说明。由于RR5的基准特征序列对应的时间尺度为连续30日，可以获取第1天到第30天RR5的平均值Y1、第2天到第31天RR5的平均值Y2、第3天到第32天RR5的平均值Y3、……、第71天到第100天RR5的平均值Y71，对这71个RR5平均值进行一阶变化趋势计算。具体地，计算这71个RR5平均值每相邻2个RR5平均值之间的斜率参数。
同样地，获取第1天到第30天HF的平均值Z1、第2天到第31天HF的平均值Z2、第3天到第32天HF的平均值Z3、……、第71天到第100天HF的平均值Z71，对这71个HF平均值进行一阶变化趋势计算。具体地，计算这71个HF平均值每相邻2个HF平均值之间的斜率参数。
S72：重复遍历每个所述第二特征序列，直至确定所有第二特征序列的一阶变化趋势。
在本申请实施例中，根据步骤S71，确定贡献度排序靠前的预设数量的第二特征序列的一阶变化趋势。
在一个可选的实施例中，所述步骤S70，包括步骤S73，具体如下：
S73：获取贡献度排序第一的第二特征序列，计算所述第二特征序列的一阶变化趋势。
在本申请实施例中，由于贡献度排序靠前的第二特征序列有多个，可以从中选取贡献度排序第一的第二特征序列，通过计算所述第二特征序列的一阶变化趋势，以便后续进行呼吸状态的预警分析，提高效率。
在一个可选的实施例中，请参阅图6，所述一阶变化趋势包括若干个斜率参数，所述步骤S80，包括步骤S81~S82，具体如下：
S81：获取斜率参数的绝对值大于或等于第三预设阈值的斜率参数的数量，若所述数量与斜率参数的总数量的比值大于或等于第一预定值，进行预警提醒。
在本申请实施例中，在获得若干个斜率参数之后，将每个斜率参数与第三预设阈值进行比较，从而确定斜率参数的绝对值大于或等于第三预设阈值的斜率参数的数量。例如，10个斜率参数中，有7个斜率参数的绝对值大于或等于第三预设阈值，则比值为0.7，大于第一预定值0.5，则认为呼吸状态变化加剧，进行预警提醒。
S82：和/或获取所述偏差大于或等于第四预设阈值的偏差的数目，若所述数目与所述偏差的总数量的比值大于或等于第二预定值，进行预警提醒。
在本申请实施例中，在获得若干个偏差之后，将每个偏差与第四预设阈值进行比较，从而确定偏差大于或等于第四预设阈值的偏差的数目。例如，10个偏差中，有6个偏差大于或等于第四预设阈值，则比值为0.6，大于第二预定阈值0.5，则认为呼吸状态变化加剧，进行预警提醒。
实施例2
下述为本申请装置实施例，可以用于执行本申请实施例1中方法的内容。对于本申请装置实施例中未披露的细节，请参照本申请实施例1中方法的内容。
请参见图7，其示出了本申请实施例提供的呼吸状态的预警装置的结构示意图。本申请实施例提供的呼吸状态的预警装置9，包括：
体征信号获取模块91，用于获取用户在预设的第一时间尺度下的体征信号；
信号提取模块92，用于从所述体征信号中提取心冲击图信号以及呼吸信号；
第一特征序列确定模块93，用于确定所述心冲击图信号以及所述呼吸信号对应的第一特征序列；所述第一特征序列包括心率特征序列、心率变异性特征序列、呼吸频率特征序列以及睡眠特征序列；
第二特征序列确定模块94，用于确定所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列在若干个不同的第二时间尺度下的第二特征序列；所述第二特征序列包括基准特征序列、波动特征序列、最值特征序列以及众数特征序列；
分类结果获得模块95，用于将若干个不同的第二时间尺度下的所述第二特征序列输入至训练好的呼吸状态分类模型，获得呼吸状态分类结果以及每个所述第二特征序列对所述呼吸状态分类结果的贡献度；
偏差确定模块96，用于确定所述呼吸状态分类结果与预设的呼吸状态分类标签的偏差；
变化趋势计算模块97，用于将每个所述第二特征序列对所述呼吸状态分类结果的贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算所述预设数量的第二特征序列的一阶变化趋势；
预警结果获得模块98，用于根据所述一阶变化趋势和所述偏差，获得呼吸状态的预警结果。
可选的，所述信号提取模块，包括：
信号滤波单元，用于采用滤波器对所述体征信号进行滤波，获得滤波后的体征信号；
第一体征信号单元，用于对所述滤波后的体征信号进行作先腐蚀后膨胀的开运算，获得第一体征信号；
第二体征信号单元，用于对所述滤波后的体征信号进行作先膨胀后腐蚀的闭运算，获得第二体征信号；
呼吸信号获得单元，用于将所述第一体征信号以及所述第二体征信号求平均，将平均结果作为呼吸信号；
心冲击图信号获得单元，用于将所述滤波后的体征信号与所述呼吸信号相减，获得心冲击图信号。
可选的，所述第一特征序列确定模块，包括：
心动间期获得单元，用于根据预设的心冲击图信号模板对所述心冲击图信号进行时序双向检测，确定所述心冲击图信号的峰值点坐标，根据所述峰值点坐标，获得若干个心动间期；
心率特征序列获得单元，用于根据所述若干个心动间期，获得若干个心率；获取若干个心率对应的心率数据参数，将所述心率数据参数作为心率特征序列；其中，所述心率数据参数包括心率的众数、心率的均值、心率的最大值以及心率的最小值；
心率变异性特征序列获得单元，用于计算所述若干个心动间期的标准差，根据所述标准差以及预设的自回归谱估计方法，获得若干个功率谱；将若干个所述功率谱与预设的频谱范围进行比较，确定每个所述功率谱所在的频谱范围；根据所述若干个心动间期，获得心率减速力；根据同一个频谱范围的所有功率谱的平均值以及所述心率减速力，获得心率变异性特征序列；
呼吸间期确定单元，用于根据预设的过零点检测方法确定所述呼吸信号的若干个呼吸间期；
呼吸频率特征序列获得单元，用于根据所述若干个呼吸间期，获得若干个呼吸频率；获取若干个呼吸频率对应的呼吸数据参数，将所述呼吸数据参数作为呼吸频率特征序列；其中，所述呼吸数据参数包括呼吸频率的众数、呼吸频率的均值、呼吸频率的最大值、呼吸频率的最小值、大于或等于第一预设阈值的呼吸频率的均值以及小于第二预设阈值的呼吸频率的均值；
睡眠特征序列获得单元，用于根据若干个心动间期、若干个呼吸间期以及预设的心肺耦合方法，获得睡眠特征序列。
可选的，第二特征序列确定模块，包括：
特征序列计算单元，用于遍历每个第二时间尺度，计算当前第二时间尺度下的所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列的数学期望、归一化方差、最大值以及众数，分别作为所述当前第二时间尺度下对应的基准特征序列、波动特征序列、最值特征序列以及众数特征序列。
特征序列确定单元，用于重复遍历每个第二时间尺度下，直至确定所有第二时间尺度下所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列对应的基准特征序列、波动特征序列、最值特征序列以及众数特征序列。
可选的，变化趋势计算模块，包括：
变化趋势计算单元，用于在预设数量的第二特征序列中，遍历每个所述第二特征序列，计算当前第二特征序列的一阶变化趋势；
变化趋势确定单元，用于重复遍历每个所述第二特征序列，直至确定所有第二特征序列的一阶变化趋势。
可选的，变化趋势计算模块，包括：
第一变化趋势计算单元，用于获取贡献度排序第一的第二特征序列，计算所述第二特征序列的一阶变化趋势。
可选的，预警结果获得模块，包括：
第一预警提醒单元，用于获取斜率参数的绝对值大于或等于第三预设阈值的斜率参数的数量，若所述数量与斜率参数的总数量的比值大于或等于第一预定值，进行预警提醒。
第二预警提醒单元，用于和/或获取所述偏差大于或等于第四预设阈值的偏差的数目，若所述数目与所述偏差的总数量的比值大于或等于第二预定值，进行预警提醒。
应用本申请实施例，通过获取用户在预设的第一时间尺度下的体征信号；从所述体征信号中提取心冲击图信号以及呼吸信号；确定所述心冲击图信号以及所述呼吸信号对应的第一特征序列；所述第一特征序列包括心率特征序列、心率变异性特征序列、呼吸频率特征序列以及睡眠特征序列；确定所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列在若干个不同的第二时间尺度下的第二特征序列；所述第二特征序列包括基准特征序列、波动特征序列、最值特征序列以及众数特征序列；将若干个不同的第二时间尺度下的所述第二特征序列输入至训练好的呼吸状态分类模型，获得呼吸状态分类结果以及每个所述第二特征序列对所述呼吸状态分类结果的贡献度；确定所述呼吸状态分类结果与预设的呼吸状态分类标签的偏差；将每个所述第二特征序列对所述呼吸状态分类结果的贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算所述预设数量的第二特征序列的一阶变化趋势；根据所述一阶变化趋势和所述偏差，获得呼吸状态的预警结果，从而降低了成本，提高了呼吸状态预警的准确度。
实施例3
下述为本申请设备实施例，可以用于执行本申请实施例1中方法的内容。对于本申请设备实施例中未披露的细节，请参照本申请实施例1中方法的内容。
请参阅图8，本申请还提供一种电子设备300，电子设备可以具体为计算机、手机、平板电脑、交互平板等，在本申请的示例性实施例中，电子设备300为交互平板，交互平板可以包括：至少一个处理器301、至少一个存储器302，至少一个显示器，至少一个网络接口303，用户接口304以及至少一个通信总线305。
其中，用户接口304主要用于为用户提供输入的接口，获取用户输入的数据。可选的，用户接口还可以包括标准的有线接口、无线接口。
其中，网络接口303可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，通信总线305用于实现这些组件之间的连接通信。
其中，处理器301可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个电子设备内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行电子设备的各种功能和处理数据。可选的，处理器可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。处理器可集成中央处理器（Central ProcessingUnit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示层所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器中，单独通过一块芯片进行实现。
其中，存储器302可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器可用于存储指令、程序、代码、代码集或指令集。存储器可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器可选的还可以是至少一个位于远离前述处理器的存储装置。作为一种计算机存储介质的存储器中可以包括操作系统、网络通信模块、用户接口模块、操作应用程序。
处理器可以用于调用存储器中存储的视频分辨率调整方法的应用程序，并具体执行上述所示实施例1的方法步骤，具体执行过程可以参见实施例1所示的具体说明，在此不进行赘述。
实施例4
本申请还提供一种计算机可读存储介质，其上储存有计算机程序，指令适于由处理器加载并执行上述所示实施例1的方法步骤，具体执行过程可以参见实施例所示的具体说明，在此不进行赘述。存储介质所在设备可以是个人计算机、笔记本电脑、智能手机、平板电脑等电子设备。
对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中作为分离部件说明的组件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模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中选定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种呼吸状态的预警方法，其特征在于，所述方法包括如下步骤：
获取用户在预设的第一时间尺度下的体征信号；
从所述体征信号中提取心冲击图信号以及呼吸信号；
确定所述心冲击图信号以及所述呼吸信号对应的第一特征序列；所述第一特征序列包括心率特征序列、心率变异性特征序列、呼吸频率特征序列以及睡眠特征序列；
确定所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列在若干个不同的第二时间尺度下的第二特征序列；所述第二特征序列包括基准特征序列、波动特征序列、最值特征序列以及众数特征序列；
将若干个不同的第二时间尺度下的所述第二特征序列输入至训练好的呼吸状态分类模型，获得呼吸状态分类结果以及每个所述第二特征序列对所述呼吸状态分类结果的贡献度；
确定所述呼吸状态分类结果与预设的呼吸状态分类标签的偏差；
将每个所述第二特征序列对所述呼吸状态分类结果的贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算所述预设数量的第二特征序列的一阶变化趋势；
根据所述一阶变化趋势和所述偏差，获得呼吸状态的预警结果。
2.根据权利要求1所述的呼吸状态的预警方法，其特征在于：
所述将每个所述第二特征序列对所述呼吸状态分类结果的贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算所述预设数量的第二特征序列的一阶变化趋势的步骤，包括：
在预设数量的第二特征序列中，遍历每个所述第二特征序列，计算当前第二特征序列的一阶变化趋势；
重复遍历每个所述第二特征序列，直至确定所有第二特征序列的一阶变化趋势。
3.根据权利要求1所述的呼吸状态的预警方法，其特征在于：
所述将每个所述第二特征序列对所述呼吸状态分类结果的贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算所述预设数量的第二特征序列的一阶变化趋势的步骤，包括：
获取贡献度排序第一的第二特征序列，计算所述第二特征序列的一阶变化趋势。
4.根据权利要求1至3任意一项所述的呼吸状态的预警方法，其特征在于：所述一阶变化趋势包括若干个斜率参数；
所述根据所述一阶变化趋势和所述偏差，获得呼吸状态的预警结果的步骤，包括：
获取斜率参数的绝对值大于或等于第三预设阈值的斜率参数的数量，若所述数量与斜率参数的总数量的比值大于或等于第一预定值，进行预警提醒；
和/或获取所述偏差大于或等于第四预设阈值的偏差的数目，若所述数目与所述偏差的总数量的比值大于或等于第二预定值，进行预警提醒。
5.根据权利要求1所述的呼吸状态的预警方法，其特征在于：
所述从所述体征信号中提取心冲击图信号以及呼吸信号的步骤，包括：
采用滤波器对所述体征信号进行滤波，获得滤波后的体征信号；
对所述滤波后的体征信号进行作先腐蚀后膨胀的开运算，获得第一体征信号；
对所述滤波后的体征信号进行作先膨胀后腐蚀的闭运算，获得第二体征信号；
将所述第一体征信号以及所述第二体征信号求平均，将平均结果作为呼吸信号；
将所述滤波后的体征信号与所述呼吸信号相减，获得心冲击图信号。
6.根据权利要求1所述的呼吸状态的预警方法，其特征在于：
所述确定所述心冲击图信号以及所述呼吸信号对应的第一特征序列；所述第一特征序列包括心率特征序列、心率变异性特征序列、呼吸频率特征序列以及睡眠特征序列的步骤，包括：
根据预设的心冲击图信号模板对所述心冲击图信号进行时序双向检测，确定所述心冲击图信号的峰值点坐标，根据所述峰值点坐标，获得若干个心动间期；
根据所述若干个心动间期，获得若干个心率；获取若干个心率对应的心率数据参数，将所述心率数据参数作为心率特征序列；其中，所述心率数据参数包括心率的众数、心率的均值、心率的最大值以及心率的最小值；
计算所述若干个心动间期的标准差，根据所述标准差以及预设的自回归谱估计方法，获得若干个功率谱；将若干个所述功率谱与预设的频谱范围进行比较，确定每个所述功率谱所在的频谱范围；根据所述若干个心动间期，获得心率减速力；根据同一个频谱范围的所有功率谱的平均值以及所述心率减速力，获得心率变异性特征序列；
根据预设的过零点检测方法确定所述呼吸信号的若干个呼吸间期；
根据所述若干个呼吸间期，获得若干个呼吸频率；获取若干个呼吸频率对应的呼吸数据参数，将所述呼吸数据参数作为呼吸频率特征序列；其中，所述呼吸数据参数包括呼吸频率的众数、呼吸频率的均值、呼吸频率的最大值、呼吸频率的最小值、大于或等于第一预设阈值的呼吸频率的均值以及小于第二预设阈值的呼吸频率的均值；
根据若干个心动间期、若干个呼吸间期以及预设的心肺耦合方法，获得睡眠特征序列。
7.根据权利要求1所述的呼吸状态的预警方法，其特征在于：
所述确定所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列在若干个不同的第二时间尺度下的第二特征序列；所述第二特征序列包括基准特征序列、波动特征序列、最值特征序列以及众数特征序列的步骤，包括：
遍历每个第二时间尺度，计算当前第二时间尺度下的所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列的数学期望、归一化方差、最大值以及众数，分别作为所述当前第二时间尺度下对应的基准特征序列、波动特征序列、最值特征序列以及众数特征序列；
重复遍历每个第二时间尺度下，直至确定所有第二时间尺度下所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列对应的基准特征序列、波动特征序列、最值特征序列以及众数特征序列。
8.一种呼吸状态的预警装置，其特征在于，包括：
体征信号获取模块，用于获取用户在预设的第一时间尺度下的体征信号；
信号提取模块，用于从所述体征信号中提取心冲击图信号以及呼吸信号；
第一特征序列确定模块，用于确定所述心冲击图信号以及所述呼吸信号对应的第一特征序列；所述第一特征序列包括心率特征序列、心率变异性特征序列、呼吸频率特征序列以及睡眠特征序列；
第二特征序列确定模块，用于确定所述心率特征序列、所述心率变异性特征序列、所述呼吸频率特征序列以及所述睡眠特征序列在若干个不同的第二时间尺度下的第二特征序列；所述第二特征序列包括基准特征序列、波动特征序列、最值特征序列以及众数特征序列；
分类结果获得模块，用于将若干个不同的第二时间尺度下的所述第二特征序列输入至训练好的呼吸状态分类模型，获得呼吸状态分类结果以及每个所述第二特征序列对所述呼吸状态分类结果的贡献度；
偏差确定模块，用于确定所述呼吸状态分类结果与预设的呼吸状态分类标签的偏差；
变化趋势计算模块，用于将每个所述第二特征序列对所述呼吸状态分类结果的贡献度进行排序，获取贡献度排序靠前的预设数量的第二特征序列，计算所述预设数量的第二特征序列的一阶变化趋势；
预警结果获得模块，用于根据所述一阶变化趋势和所述偏差，获得呼吸状态的预警结果。
9.一种计算机设备，包括：处理器、存储器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任意一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述方法的步骤。
CN202211002662.3A 2022-08-22 2022-08-22 呼吸状态的预警方法、装置、计算机设备以及存储介质 Active CN115067930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211002662.3A CN115067930B (zh) 2022-08-22 2022-08-22 呼吸状态的预警方法、装置、计算机设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211002662.3A CN115067930B (zh) 2022-08-22 2022-08-22 呼吸状态的预警方法、装置、计算机设备以及存储介质

Publications (2)

Publication Number Publication Date
CN115067930A true CN115067930A (zh) 2022-09-20
CN115067930B CN115067930B (zh) 2022-11-08

Family

ID=83244988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211002662.3A Active CN115067930B (zh) 2022-08-22 2022-08-22 呼吸状态的预警方法、装置、计算机设备以及存储介质

Country Status (1)

Country Link
CN (1) CN115067930B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005067790A1 (en) * 2004-01-16 2005-07-28 Compumedics Ltd Method and apparatus for ecg-derived sleep disordered breathing monitoring, detection and classification
CN105279362A (zh) * 2014-07-01 2016-01-27 迈克尔·L·谢尔登 个人健康监视系统
WO2017025861A1 (en) * 2015-08-10 2017-02-16 Murata Manufacturing Co., Ltd. Monitoring of sleep phenomena
CN108542369A (zh) * 2018-04-16 2018-09-18 华南师范大学 一种心率呼吸检测方法及系统
CN114366060A (zh) * 2021-12-24 2022-04-19 深圳云天励飞技术股份有限公司 一种基于心率变异性的健康预警方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005067790A1 (en) * 2004-01-16 2005-07-28 Compumedics Ltd Method and apparatus for ecg-derived sleep disordered breathing monitoring, detection and classification
CN105279362A (zh) * 2014-07-01 2016-01-27 迈克尔·L·谢尔登 个人健康监视系统
WO2017025861A1 (en) * 2015-08-10 2017-02-16 Murata Manufacturing Co., Ltd. Monitoring of sleep phenomena
CN108542369A (zh) * 2018-04-16 2018-09-18 华南师范大学 一种心率呼吸检测方法及系统
CN114366060A (zh) * 2021-12-24 2022-04-19 深圳云天励飞技术股份有限公司 一种基于心率变异性的健康预警方法、装置及电子设备

Also Published As

Publication number Publication date
CN115067930B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
US10646168B2 (en) Drowsiness onset detection
CN109568760B (zh) 一种睡眠环境调节方法及系统
CN105813558B (zh) 用于基于睡眠周期确定睡眠阶段的系统和方法
US20160270721A1 (en) Sleep monitoring device
CN110236491B (zh) 一种睡眠分期监控方法
JP6727432B2 (ja) 睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム
JP2012212362A (ja) 情報処理装置、情報処理方法及びプログラム
Antink et al. Reducing false alarms in the ICU by quantifying self-similarity of multimodal biosignals
JP2016531629A (ja) 生理学的信号を処理するデバイス、方法及びシステム
Ni et al. Multiscale fine-grained heart rate variability analysis for recognizing the severity of hypertension
US20170347947A1 (en) EOG-based Sleep Staging Method, Computer Program Product with Stored Programs, Computer Readable Medium with Stored Programs, and Electronic Apparatuses
CN115486833B (zh) 呼吸状态检测方法、装置、计算机设备以及存储介质
Papini et al. Sinus or not: A new beat detection algorithm based on a pulse morphology quality index to extract normal sinus rhythm beats from wrist-worn photoplethysmography recordings
WO2016104498A1 (ja) 眠気推定装置及び眠気推定プログラム
CN113724737A (zh) 监测睡眠状态的方法、装置、电子设备和存储介质
CN116631629A (zh) 一种识别抑郁情绪障碍的方法、装置及可穿戴设备
CN115067930B (zh) 呼吸状态的预警方法、装置、计算机设备以及存储介质
CN108305688A (zh) 病症评估方法、终端设备及计算机可读介质
CN115381438B (zh) 生命体征信号的重建方法、装置、计算机设备和存储介质
JP5189893B2 (ja) 瞬目種別識別装置、瞬目種別識別方法、及び瞬目種別識別プログラム
CN116612894A (zh) 一种识别睡眠障碍的方法、装置及可穿戴设备
Liu et al. Reduction of false alarms in intensive care unit using multi-feature fusion method
WO2023112384A1 (ja) 計算機システム及び情動推定方法
CN114027825B (zh) 一种呼吸信号获取方法、装置和计算机设备
CN111449647B (zh) 一种心电图识别方法、装置、存储介质及电子设备

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