CN115804573A - 一种睡眠深度量化及干预的方法、系统和装置 - Google Patents
一种睡眠深度量化及干预的方法、系统和装置 Download PDFInfo
- Publication number
- CN115804573A CN115804573A CN202310104868.5A CN202310104868A CN115804573A CN 115804573 A CN115804573 A CN 115804573A CN 202310104868 A CN202310104868 A CN 202310104868A CN 115804573 A CN115804573 A CN 115804573A
- Authority
- CN
- China
- Prior art keywords
- environment
- sleep depth
- index
- signal
- sleep
- 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
- 230000007958 sleep Effects 0.000 title claims abstract description 591
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000011002 quantification Methods 0.000 title claims description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 124
- 238000012545 processing Methods 0.000 claims abstract description 73
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000009499 grossing Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 22
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 102
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 84
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical group [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 48
- 229910052760 oxygen Inorganic materials 0.000 claims description 48
- 239000001301 oxygen Substances 0.000 claims description 48
- 239000001569 carbon dioxide Substances 0.000 claims description 42
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 42
- 238000001228 spectrum Methods 0.000 claims description 39
- 238000005286 illumination Methods 0.000 claims description 38
- 239000011859 microparticle Substances 0.000 claims description 34
- 238000007781 pre-processing Methods 0.000 claims description 33
- 238000001914 filtration Methods 0.000 claims description 32
- 239000003570 air Substances 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 22
- 230000008667 sleep stage Effects 0.000 claims description 18
- 239000012080 ambient air Substances 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 15
- 239000008280 blood Substances 0.000 claims description 14
- 210000004369 blood Anatomy 0.000 claims description 14
- 230000036760 body temperature Effects 0.000 claims description 14
- 238000009432 framing Methods 0.000 claims description 14
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 13
- 230000033228 biological regulation Effects 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005312 nonlinear dynamic Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 241000210029 Passiflora latent virus Species 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000010587 phase diagram Methods 0.000 claims description 3
- 230000004622 sleep time Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims 1
- 230000004424 eye movement Effects 0.000 description 13
- 230000033764 rhythmic process Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000003565 oculomotor Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002618 waking effect Effects 0.000 description 4
- 206010062519 Poor quality sleep Diseases 0.000 description 3
- 238000010924 continuous production Methods 0.000 description 3
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 3
- 230000003860 sleep quality Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种睡眠深度量化及干预的方法、系统和装置,采集用户睡眠过程的生理指标信号和环境指标信号,处理得到生理指标数据和环境指标数据并进行信息学特征分析和动力学特征分析,生成生理信息学特征、生理动力学特征和环境信息学特征;对所述生理信息学特征和所述生理动力学特征进行特征平滑和特征融合计算,得到睡眠深度并生成睡眠深度曲线和睡眠深度时相曲线图,提取最佳睡眠深度;计算所述环境信息学特征与所述睡眠深度曲线的关联特征,生成睡眠深度及环境因素报告,提取最佳睡眠深度环境方案,进而生成睡眠深度环境优化干预方案,对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠。
Description
技术领域
本发明涉及睡眠深度量化及干预领域,特别涉及一种睡眠深度量化及干预的方法、系统和装置。
背景技术
当前,国内外临床医学上,睡眠分期分为清醒期(W)、快动眼动睡眠期(REM)、非动眼动睡眠Ⅰ期(N1)、非动眼动睡眠Ⅱ期(N2)、非动眼动睡眠Ⅲ期(N3)和非动眼动睡眠Ⅳ期(N4)等六个状态阶段。在消费市场或健康管理领域上,睡眠分期的划分更为粗放,分为清醒期、快动眼动睡眠期、非动眼动浅睡眠期和非动眼动深睡眠期等四个状态阶段。非动眼动睡眠Ⅲ期(N3)、非动眼动睡眠Ⅳ期(N4)或非动眼动深睡眠期,是恢复体力精力、机体功能修复和脑生理代谢的最关键睡眠阶段。是否有深睡眠、睡得是否足够深、深睡眠持续多长,不仅将直接决定人类第二天的思维能力和行为表现,更是对机体衰老、代谢疾病、神经退行性疾病和精神疾病的发生或康复带来长期影响。
睡眠是个生物状态演变的连续过程,然而现有睡眠分期方法仅能给出以状态阶段为主的睡眠结构大体变化,不能描述生物睡眠这一连续过程,不能全面统一地、具体详细地刻画出清醒-浅睡眠-深睡眠-快眼动睡眠的实际状态水平相对连续变化。这带来了很多临床诊断和健康管理实践中的很多无法跨越或无法界定的难题,导致了健康管理师和医生无法对用户具体睡眠过程进行准确的诊断,进而无法给出更行之有效的治疗干预方案。例如两个患者都有相同比例的深度睡眠结构(非动眼动睡眠Ⅲ期(N3)和非动眼动睡眠Ⅳ期(N4)),如何判断患者睡眠问题的轻重和区别;非动眼动睡眠Ⅲ期(N3)的前期和后期,睡眠状态应该有很大区别的,如何进行界定和区分,但现有方法都只能标记为N3期,而不是例如实际状态水平值为3.56/[0-5]或者睡眠深度为87.5/[0~100]。
因此,亟需对睡眠过程进行更加准确、智能、连续性的量化,以辅助睡眠体验的改善。
发明内容
针对现有方法的以上缺陷及改进需求,本发明的目的在于提供一种睡眠深度量化及干预的方法,通过对用户的生理指标数据和环境指标数据进行实时采集记录,通过数据预处理、信号特征提取和睡眠动力学特征提取,实现对睡眠深度的科学量化及连续性描述、实时跟踪分析和离线计算分析,并进一步确定睡眠环境因素对睡眠深度的关联影响因子,提取最佳睡眠深度环境优化方案,通过睡眠辅助协同控制方法,帮助用户即时地获得更深层睡眠深度、更好的睡眠体验和更高的睡眠质量,同时辅助用户的睡眠健康管理和医生的临床诊疗实践。本发明还提供了一种睡眠深度量化及干预的系统,用于实现上述方法。本发明还提供了一种睡眠深度量化及干预的装置,用于实现上述系统。
根据本发明的目的,本发明提出了一种睡眠深度量化及干预的方法,包括如下步骤:
采集用户睡眠过程的生理指标信号和环境指标信号,进行信号预处理和数据时帧处理,得到生理指标数据和环境指标数据;
对所述生理指标数据和所述环境指标数据进行信息学特征分析和动力学特征分析,生成生理信息学特征、生理动力学特征和环境信息学特征;
对所述生理信息学特征和所述生理动力学特征进行特征平滑和特征融合计算,得到睡眠深度并生成睡眠深度曲线和睡眠深度时相曲线图,提取最佳睡眠深度;
计算所述环境信息学特征与所述睡眠深度曲线的关联特征,生成睡眠深度及环境因素报告,提取最佳睡眠深度环境方案;
根据所述睡眠深度及环境因素报告和所述最佳睡眠深度环境方案,生成睡眠深度环境优化干预方案,并对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠。
更优地,所述生理指标信号至少包括脑电信号、心电信号、呼吸信号、血氧信号和体温信号;所述生理指标数据至少包括脑电信号数据、心电信号数据、呼吸信号数据、血氧信号数据和体温信号数据。
更优地,所述环境指标信号至少包括光照信号、光谱信号、气压信号、温度信号、湿度信号、微颗粒信号、噪声信号、氧气浓度信号、二氧化碳浓度信号和甲醛浓度信号;所述环境指标数据至少包括光照信号数据、光谱信号数据、气压信号数据、温度信号数据、湿度信号数据、微颗粒信号数据、噪声信号数据、氧气浓度信号数据、二氧化碳浓度信号数据和甲醛浓度信号数据。
更优地,所述信号预处理至少包括A/D转换、重采样、去伪迹、降噪、陷波、带通滤波、去无效、重参考和平滑处理。
更优地,所述数据时帧处理是以预设分帧时间步长对信号数据进行预设分帧时长窗口的滑动分割处理。
更优地,所述生理信息学特征至少包括脑电信号信息学特征、心电信号信息学特征、呼吸信号信息学特征、血氧信号信息学特征和体温信号信息学特征;所述信息学特征至少包括功率谱、特征频带中心频率、特征频带功率占比、功率谱边缘频率、周期特征、频率特征、均方根、方差、离散差及离散差均值。
更优地,所述动力学特征至少包括线性动力学特征和非线性动力学特征。
更优地,所述线性动力学特征至少包括欧氏距离、曼哈顿距离、闵可夫斯基距离、切比雪夫距离、相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数、线性相关系数、最大线性互相关、时域线性相关系数、频域线性相关系数、锁相值PLVs、相位-相位耦合系数、相位-振幅耦合系数、振幅-振幅耦合系数、心率变异性。
更优地,所述非线性动力学特征至少包括熵特征、分形特征和复杂度特征。
更优地,所述环境信息学特征至少包括环境指标均值特征序列、光照信号信息学特征、光谱信号信息学特征、气压信号信息学特征、温度信号信息学特征、湿度信号信息学特征、微颗粒信号信息学特征、噪声信号信息学特征、氧气浓度信号信息学特征、二氧化碳浓度信号信息学特征和甲醛浓度信号信息学特征;所述环境指标均值特征序列至少包括光照度指标均值、光谱融合指标均值、气压指标均值、温度指标均值、湿度指标均值、微颗粒指标均值、噪声指标均值、氧气浓度指标均值、二氧化碳浓度指标均值和甲醛浓度指标均值。
更优地,所述特征平滑至少包括移动平均、均值滤波、SG滤波、低通滤波、卡尔曼滤波。
更优地,所述睡眠深度及环境因素报告至少包括睡眠深度环境因素关联指数、睡眠深度环境因素关联指数曲线、睡眠深度环境因素关联指数均值序列、环境指标均值特征序列曲线、最佳睡眠深度曲线。
更优地,所述睡眠深度环境因素关联指数至少包括环境光照度关联指数、环境光源光谱关联指数、环境气压关联指数、环境温度关联指数、环境湿度关联指数、环境微颗粒关联指数、环境噪声关联指数、环境氧气浓度关联指数、环境二氧化碳关联指数和环境甲醛浓度关联指数。
更优地,所述最佳睡眠深度环境方案至少包括环境光源光照最佳参数、环境光源光谱最佳参数、环境气压最佳参数、环境温度最佳参数、环境湿度最佳参数、环境微颗粒最佳参数、环境噪声最佳参数、环境氧气浓度最佳参数、环境二氧化碳浓度最佳参数和环境甲醛浓度最佳参数。
更优地,所述睡眠深度环境优化干预方案至少包括环境光源光照执行参数、环境光源光谱执行参数、环境气压执行参数、环境温度执行参数、环境湿度执行参数、环境微颗粒执行参数、环境噪声执行参数、环境氧气浓度执行参数、环境二氧化碳浓度执行参数和环境甲醛浓度执行参数。
更优地,所述睡眠深度和所述睡眠深度曲线的计算方法,如下:
1)从所述生理信息学特征和所述生理动力学特征中,分别选择提取多个动力学特征和多个信息学特征,生成睡眠深度表征特征曲线集;
2)对所述睡眠深度表征特征曲线集中每一个特征曲线进行所述特征平滑,生成睡眠深度表征特征平滑曲线集;
3)对所述睡眠深度表征特征平滑曲线集进行多因子融合计算,生成睡眠深度因子曲线;
4)基于最大深度因子阈值和最小深度因子阈值,对所述睡眠深度因子曲线进行归一化处理,生成睡眠归一化深度曲线;
5)对所述睡眠归一化深度曲线进行预设深度缩放倍数的缩放处理,生成所述睡眠深度曲线;
6)所述睡眠深度曲线中的任意时帧样本值,即是当前时帧的所述睡眠深度。
更优地,所述预设深度缩放倍数为正有理数。
更优地,所述最大深度因子阈值和所述最小深度因子阈值的计算方法,如下:
1)对正常环境下,不同年龄段的健康人群进行用户睡眠过程所述生理指标信号的采集记录,生成健康人群生理指标信号数据集;
2)对所述健康人群生理指标信号数据集中的生理指标信号进行所述信号预处理和所述数据时帧处理,得到健康人群生理指标数据集;
3)按用户样本和时帧顺序,提取所述健康人群生理指标数据集每一个用户样本的所述生理信息学特征和所述生理动力学特征并进行所述特征平滑,生成健康人群生理信息学和动力学特征数据集;
4)按用户样本,对所述健康人群生理信息学和动力学特征数据集中生理信息学特征和生理动力学特征进行多因子融合计算,得到当前用户样本的所述睡眠深度因子曲线,形成健康人群睡眠深度因子曲线数据库;
5)从所述健康人群深度因子曲线数据库的全部数据中,提取最大深度因子值和最小深度因子值;
6)对所述最大深度因子值和所述最小深度因子值进行双向增减处理,生成最大深度因子阈值和最小深度因子阈值,其中所述最大深度因子值大于所述最小深度因子值但小于所述最大深度因子阈值,所述最小深度因子阈值大于0但小于所述最小深度因子值。
更优地,所述睡眠深度时相曲线图的生成展现方法,如下:
1)获取所述睡眠深度曲线,生成所述睡眠深度时相曲线图相关的纵坐标及数值范围、横坐标为所述睡眠深度曲线中样本所对应的睡眠时间点;
2)根据国际睡眠分期方法和正常人群的所述睡眠深度曲线的大数据统计分析,得到中各标准分期所对应的睡眠深度取值范围,生成所述睡眠深度时相曲线图的横轴对比网格线;
3)增加图例说明,生成并可视化展示所述睡眠深度时相曲线图。
更优地,所述最佳睡眠深度的计算方法,如下:
1)获取所述睡眠深度曲线,减去预设最佳睡眠深度基线阈值,生成睡眠深度过阈曲线;
2)计算所述睡眠深度过阈曲线的过零部分,生成睡眠深度过零集合;
3)判断所述睡眠深度过零集合是否为空集,若为空集则对所述睡眠深度曲线的所述睡眠深度进行降序排列并筛选预设睡眠深度头部数量,生成所述睡眠深度过零集合;
4)计算所述睡眠深度过零集合的平均值,生成最佳睡眠深度。
更优地,所述睡眠深度环境因素关联指数、所述睡眠深度环境因素关联指数均值序列、所述环境指标均值特征序列曲线、所述睡眠深度环境因素关联指数曲线和所述最佳睡眠深度曲线的计算方法,如下:
1)对用户的所述生理指标信号和所述环境指标信号进行连续采集监测、所述信号预处理和所述数据时帧处理,提取每日的所述生理信息学特征、所述生理动力学特征、所述环境信息学特征和所述环境指标均值特征序列;
2)计算得到每日的所述睡眠深度曲线和所述最佳睡眠深度;
3)按日期时序,依次计算每日所述环境信息学特征中一类型的环境指标变化曲线,分别与所述睡眠深度曲线的关联性特征,生成每日的所述睡眠深度环境因素关联指数;
4)求得全部日期的所述环境指标均值特征序列、所述睡眠深度曲线、所述最佳睡眠深度和所述睡眠深度环境因素关联指数,生成所述环境指标均值特征序列曲线、所述睡眠深度环境因素关联指数曲线、所述最佳睡眠深度曲线;
5)按照睡眠环境指标的不同信息类型,依次对所述睡眠深度环境因素关联指数曲线中一信息类型睡眠环境指标的关联指数曲线进行求均值,生成所述睡眠深度环境因素关联指数均值序列。
更优地,所述最佳睡眠深度环境方案的提取方法,如下:
1)对用户的所述生理指标信号和所述环境指标信号的连续采集监测和分析处理,得到所述环境指标均值特征序列曲线、所述睡眠深度环境因素关联指数曲线、所述最佳睡眠深度曲线;
2)基于所述最佳睡眠深度曲线进行预设最佳睡眠深度指导阈值判断,筛选所述最佳睡眠深度曲线超过预设最佳睡眠深度指导阈值的对应日期,生成最佳睡眠深度日期集合;
3)判断所述最佳睡眠深度日期集合是否为空集,若为空集则对所述最佳睡眠深度曲线的所述最佳睡眠深度进行降序排列并筛选预设头部数量,生成所述最佳睡眠深度日期集合;
4)根据所述最佳睡眠深度日期集合的日期,从所述环境指标均值特征序列曲线中提取对应日期的环境指标均值特征,生成最佳睡眠环境指标均值集合;
5)按照睡眠环境指标的不同信息类型,对所述最佳睡眠环境指标均值集合进行环境指标融合处理,生成最佳睡眠深度环境方案。
更优地,所述环境指标融合处理的计算方式至少包括均值处理、正态加权处理、递增加权处理和递减加权处理。
根据本发明的目的,本发明提出了一种睡眠深度量化及干预的系统,包括如下模块:
信号采集处理模块,用于采集用户睡眠过程的生理指标信号和环境指标信号,进行信号预处理和数据时帧处理,得到生理指标数据和环境指标数据;
数据特征提取模块,用于对所述生理指标数据和所述环境指标数据进行信息学特征分析和动力学特征分析,生成生理信息学特征、生理动力学特征和环境信息学特征;
睡眠深度量化模块,用于对所述生理信息学特征和所述生理动力学特征进行特征平滑和特征融合计算,得到睡眠深度并生成睡眠深度曲线和睡眠深度时相曲线图,提取最佳睡眠深度;
深度环境报告模块,用于计算所述环境信息学特征与所述睡眠深度曲线的关联特征,生成睡眠深度及环境因素报告,提取最佳睡眠深度环境方案;
睡眠环境辅助模块,用于根据所述睡眠深度及环境因素报告和所述最佳睡眠深度环境方案,生成睡眠深度环境优化干预方案,并对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠。
数据管理中心模块,用于所述系统的所有过程数据进行统一存储和运行管理。
更优地,所述信号采集处理模块包括以下功能单元:
生理指标检测单元,用于采集用户睡眠过程的所述生理指标信号;所述生理指标信号至少包括脑电信号、心电信号、呼吸信号、血氧信号和体温信号;
环境指标检测单元,用于采集用户睡眠过程的所述环境指标信号;所述环境指标信号至少包括光照信号、光谱信号、气压信号、温度信号、湿度信号、微颗粒信号、噪声信号、氧气浓度信号、二氧化碳浓度信号和甲醛浓度信号;
信号预处理单元,用于对所述生理指标信号和所述环境指标信号进行所述信号预处理;所述信号预处理至少包括A/D转换、重采样、去伪迹、降噪、陷波、带通滤波、去无效、重参考和平滑处理。
数据时帧处理单元,用于对所述生理指标信号和所述环境指标信号进行所述数据时帧处理;所述数据时帧处理是以预设分帧时间步长对信号数据进行预设分帧时长窗口的滑动分割处理。
更优地,所述数据特征提取模块包括以下功能单元:
信息学特征分析单元,用于对所述生理指标数据和所述环境指标数据进行信息学特征分析,生成所述生理信息学特征和所述环境信息学特征;所述生理信息学特征至少包括脑电信号信息学特征、心电信号信息学特征、呼吸信号信息学特征、血氧信号信息学特征和体温信号信息学特征;所述环境信息学特征至少包括所述环境指标均值特征序列、光照信号信息学特征、光谱信号信息学特征、气压信号信息学特征、温度信号信息学特征、湿度信号信息学特征、微颗粒信号信息学特征、噪声信号信息学特征、氧气浓度信号信息学特征、二氧化碳浓度信号信息学特征和甲醛浓度信号信息学特征;
动力学特征分析单元,用于对所述生理指标信号进行动力学特征分析,生成所述生理动力学特征;所述生理动力学特征至少包括生理线性动力学特征和生理非线性动力学特征。
更优地,所述睡眠深度量化模块包括以下功能单元:
特征平滑处理单元,对所述生理信息学特征和所述生理动力学特征进行特征平滑处理;所述特征平滑处理至少包括移动平均、均值滤波、SG滤波、低通滤波、卡尔曼滤波;
睡眠深度分析单元,用于对所述生理信息学特征和所述生理动力学特征进行特征融合计算,提取所述睡眠深度并生成所述睡眠深度曲线和所述和睡眠深度时相曲线图;
最佳深度提取单元,用于从所述睡眠深度曲线中提取所述最佳睡眠深度。
更优地,所述深度环境报告模块包括以下功能单元:
环境影响分析单元,用于计算所述环境信息学特征与所述睡眠深度曲线的关联特征,生成睡眠深度环境因素关联指数、睡眠深度环境因素关联指数曲线、睡眠深度环境因素关联指数均值序列、环境指标均值特征序列曲线;所述睡眠深度环境因素关联指数至少包括环境光照度关联指数、环境光源光谱关联指数、环境气压关联指数、环境温度关联指数、环境湿度关联指数、环境微颗粒关联指数、环境噪声关联指数、环境氧气浓度关联指数、环境二氧化碳关联指数和环境甲醛浓度关联指数;
深度曲线生成单元,用于按日期时序的所述最佳睡眠深度,生成最佳睡眠深度曲线;
睡眠报告生成单元,用于生成所述睡眠深度及环境因素报告;所述睡眠深度及环境因素报告至少包括所述睡眠深度环境因素关联指数、所述睡眠深度环境因素关联指数曲线、所述睡眠深度环境因素关联指数均值序列、所述环境指标均值特征序列曲线、所述最佳睡眠深度曲线;
最佳环境提取单元,用于生成所述最佳睡眠深度环境方案;所述最佳睡眠深度环境方案至少包括环境光源光照最佳参数、环境光源光谱最佳参数、环境气压最佳参数、环境温度最佳参数、环境湿度最佳参数、环境微颗粒最佳参数、环境噪声最佳参数、环境氧气浓度最佳参数、环境二氧化碳浓度最佳参数和环境甲醛浓度最佳参数。
更优地,所述睡眠环境辅助模块包括以下功能单元:
优化方案生成单元,用于根据所述睡眠深度及环境因素报告和所述最佳睡眠深度环境方案,生成所述睡眠深度环境优化干预方案;所述睡眠深度环境优化干预方案至少包括环境光源光照执行参数、环境光源光谱执行参数、环境气压执行参数、环境温度执行参数、环境湿度执行参数、环境微颗粒执行参数、环境噪声执行参数、环境氧气浓度执行参数、环境二氧化碳浓度执行参数和环境甲醛浓度执行参数;
环境动态调控单元,用于根据所述睡眠深度环境优化干预方案,连接睡眠环境调控设备,对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠。
根据本发明的目的,本发明提出了一种睡眠深度量化及干预的装置,包括如下模组:
信号采集处理模组,用于连接生理监测和环境监测的设备或传感器,采集用户睡眠过程的生理指标信号和环境指标信号,进行信号预处理和数据时帧处理,得到生理指标数据和环境指标数据;
数据特征提取模组,用于对所述生理指标数据和所述环境指标数据进行信息学特征分析和动力学特征分析,生成生理信息学特征、生理动力学特征和环境信息学特征;
睡眠深度分析模组,用于对所述生理信息学特征和所述生理动力学特征进行特征平滑和特征融合计算,得到睡眠深度并生成睡眠深度曲线和睡眠深度时相曲线图,提取最佳睡眠深度;计算所述环境信息学特征与所述睡眠深度曲线的关联特征,生成睡眠深度及环境因素报告,提取最佳睡眠深度环境方案;根据所述睡眠深度及环境因素报告和所述最佳睡眠深度环境方案,生成睡眠深度环境优化干预方案;
睡眠环境辅助模组,用于根据所述睡眠深度环境优化干预方案,连接睡眠环境调控设备,对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠;
数据可视化模组,用于所述装置的所有过程数据、所述生理指标信号、所述环境指标信号、所述睡眠深度及环境因素报告、所述最佳睡眠深度环境方案和所述睡眠深度环境优化干预方案的可视化展现;
数据管理中心模组,用于所述装置的所有过程数据进行统一存储和运行管理。
本发明所提供的睡眠深度量化及干预的方法、系统和装置,通过对用户的生理指标数据和环境指标数据进行实时采集记录,通过数据预处理、信号特征提取和睡眠动力学特征提取,实现对睡眠深度的科学量化及连续性描述、实时跟踪分析和离线计算分析,并进一步确定睡眠环境因素对睡眠深度的关联影响因子,提取最佳睡眠深度环境优化方案,通过睡眠辅助协同控制方法,帮助用户即时地获得更深层睡眠深度、更好的睡眠体验和更高的睡眠质量。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供的一种睡眠深度量化及干预的方法的基本流程示意图;
图2是本发明一实施例所提供的一种睡眠深度量化及干预的系统的模块组成示意图;
图3是本发明一实施例所提供的一种睡眠深度量化及干预的装置的模组构成示意图;
图4 是本发明的睡眠深度曲线与现有的睡眠分期曲线的对比示意图。
具体实施方式
为了更清楚地说明本发明的目的和技术方案,下面将结合本发明申请实施例中的附图,对本发明进行进一步介绍说明。显而易见地,下面描述的实施例仅是本发明一部分实施例,而不是全部的实施例。在没有创造性劳动前提下,本领域普通技术人员基于本发明的实施例所得到的其他实施例,都应属于本发明的保护范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
如图1所示,本发明实施例提供的一种睡眠深度量化及干预的方法,包括以下方法步骤:
P100:采集用户睡眠过程的生理指标信号和环境指标信号,进行信号预处理和数据时帧处理,得到生理指标数据和环境指标数据。
第一步,采集用户睡眠过程的生理指标信号和环境指标信号。
本实施例中,通过生理指标和环境指标的监测设备或传感器,采集用户睡眠过程的生理指标信号和环境指标信号。监测设备或传感器,由多个分散的、不同类型的医用设备或传感器采集子单元成对组成,并能够各自独立完成用户不同类型生理指标信号或环境指标信号的采集和记录。
本实施例中,生理指标信号至少包括脑电信号、心电信号、呼吸信号、血氧信号和体温信号;生理指标数据至少包括脑电信号数据、心电信号数据、呼吸信号数据、血氧信号数据和体温信号数据。环境指标信号至少包括光照信号、光谱信号、气压信号、温度信号、湿度信号、微颗粒信号、噪声信号、氧气浓度信号、二氧化碳浓度信号和甲醛浓度信号;环境指标数据至少包括光照信号数据、光谱信号数据、气压信号数据、温度信号数据、湿度信号数据、微颗粒信号数据、噪声信号数据、氧气浓度信号数据、二氧化碳浓度信号数据和甲醛浓度信号数据。
本实施例中,以脑电信号和心电信号为例。通过便携式PSG多导睡眠监测设备实时采集用户睡眠过程中的脑电信号数据(采样率1000hz,4通道,包括采集电极F3、F4、C3、C4,参考电极M1、M2)和心电信号数据(采样率1000hz,2导联,包括Ⅰ导联、Ⅱ导联)。
本实施例中,以光照信号、气压信号、温度信号、湿度信号、噪声信号、二氧化碳浓度信号通过光照度传感器实时采集监测卧室环境中光源的光照度,通过温湿度传感器(采样率10hz)实时采集用户睡眠环境的温度和湿度,通过气压传感器(采样率10hz)实时采集用户睡眠环境的大气压力,通过噪声传感器(采样率20hz)实时采集用户睡眠环境的噪声水平状态数据,通过二氧化碳传感器实时采集用户睡眠环境的二氧化碳浓度。
第二步,对生理指标信号和环境指标信号进行信号预处理和数据时帧处理,得到生理指标数据和环境指标数据。
本实施例中,信号预处理包括A/D转换、重采样、去伪迹、降噪、陷波、带通滤波、去无效、重参考和平滑处理。数据时帧处理是以预设分帧时间步长对信号数据进行预设分帧时长窗口的滑动分割处理,预设分帧时长窗口和预设分帧步长都为5秒钟,即无重叠的窗口滑动切割。
本实施例中,生理指标信号的信号数据预处理主要是对脑电信号和心电信号进行去伪迹、小波降噪、50hz陷波以及0.1-45hz带通滤波,尤其需要去除脑电信号中的眼电、心电和体动等伪迹。环境指标信号的信号数据预处理主要是A/D转换、去伪迹、小波降噪。
P200:对所述生理指标数据和所述环境指标数据进行信息学特征分析和动力学特征分析,生成生理信息学特征、生理动力学特征和环境信息学特征。
第一步,对生理指标数据和环境指标数据进行信息学特征分析,生成生理信息学特征和环境信息学特征。
本实施例中,信息学特征包括功率谱、特征频带中心频率、特征频带功率占比、功率谱边缘频率、周期特征、频率特征、均方根、方差、离散差及离散差均值。
本实施例中,生理信息学特征包括:以F3-M2单通道脑电信号数据的脑电信号信息学特征为主要特征,以Ⅱ导联单级联心电信号数据的心电信号信息学特征为辅助特征;脑电信号信息学特征包括δ节律(0.5-4hz)、θ节律(4-8hz)、μ-α节律(8-13hz)、β节律(13-30hz)、γ节律(30-45hz)等五个特征频带中心频率和功率占比;心电信号信息学特征仅包括心率均值曲线。
本实施例中,环境信息学特征主要包括:环境状态指标均值特征序列由所述环境状态信息中不同信息类型的状态信号均值组成,包括光照度均值、气压均值、温度均值、湿度均值、噪声均值、二氧化碳浓度均值;光照度信息学特征、气压信息学特征、温度信息学特征、湿度信息学特征、噪声信息学特征和二氧化碳浓度信息学特征体现为预处理后的帧均值曲线、离散差曲线。
第二步,对生理指标信号进行动力学特征分析,生成生理动力学特征。
本实施例中,动力学特征包括线性动力学特征和非线性动力学特征。
本实施例中,线性动力学特征包括欧氏距离、曼哈顿距离、闵可夫斯基距离、切比雪夫距离、相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数、线性相关系数、最大线性互相关、时域线性相关系数、频域线性相关系数、锁相值PLVs、相位-相位耦合系数、相位-振幅耦合系数、振幅-振幅耦合系数、心率变异性。
本实施例中,非线性动力学特征包括熵特征、分形特征和复杂度特征。
本实施例中,以F3-M2单通道脑电信号数据的脑电信号特征为主要特征,以Ⅱ导联单级联心电信号数据的心电信号特征为辅助特征;脑电信号特征仅以样本熵曲线、δ节律(0.5-4hz)功率占比曲线为例;心电信号特征以心率曲线为例。在实际应用场景中,脑电样本熵和δ节律功率占比、心率和心率变异性在清醒期(W)、快动眼动睡眠期(REM)、非动眼动睡眠Ⅰ期(N1),非动眼动睡眠Ⅱ期(N2),非动眼动睡眠Ⅲ期(N3)和非动眼动睡眠Ⅳ期(N4)等不同状态阶段有明显的特征值,且能够进行不同时间长度帧的连续值描述。
1)从生理指标数据中获取F3-M2单通道脑电信号数据;
P300:对所述生理信息学特征和所述生理动力学特征进行特征平滑和特征融合计算,得到睡眠深度并生成睡眠深度曲线和睡眠深度时相曲线图,提取最佳睡眠深度。
第一步,对生理信息学特征和生理动力学特征进行特征平滑处理;特征平滑处理至少包括移动平均、均值滤波、SG滤波、低通滤波、卡尔曼滤波。
第二步,对生理信息学特征和所理动力学特征进行特征融合计算,提取睡眠深度并生成睡眠深度曲线。
本实施例中,睡眠深度曲线反映了用户睡眠过程的连续状态水平,刻画睡眠分期的具体细节。睡眠深度曲线和睡眠深度的计算方法,如下:
本实施例中,于最大深度因子阈值和最小深度因子阈值的计算方法,如下:
1)对正常环境下,不同年龄段的健康人群进行用户睡眠过程生理指标信号的采集记录,生成健康人群生理指标信号数据集;
2)对健康人群生理指标信号数据集中的生理指标信号进行信号预处理和数据时帧处理,得到健康人群生理指标数据集;
3)按用户样本和时帧顺序,提取健康人群生理指标数据集每一个用户样本的生理信息学特征和生理动力学特征并进行特征平滑,生成健康人群生理信息学和动力学特征数据集;
4)按用户样本,对健康人群生理信息学和动力学特征数据集中生理信息学特征和生理动力学特征进行多因子融合计算,得到当前用户样本的睡眠深度因子曲线,形成健康人群睡眠深度因子曲线数据库;
5)从健康人群深度因子曲线数据库的全部数据中,提取最大深度因子值和最小深度因子值;
6)对最大深度因子值和最小深度因子值进行双向增减处理,生成最大深度因子阈值和最小深度因子阈值,其中最大深度因子值大于最小深度因子值但小于最大深度因子阈值,最小深度因子阈值大于0但小于最小深度因子值。
本实施例中,睡眠深度时相曲线图的生成展现方法,如下:
1)获取睡眠深度曲线,生成睡眠深度时相曲线图相关的纵坐标及数值范围、横坐标为睡眠深度曲线中样本所对应的睡眠时间点;
2)根据国际睡眠分期方法和正常人群的睡眠深度曲线的大数据统计分析,得到中各标准分期所对应的睡眠深度取值范围,生成睡眠深度时相曲线图的横轴对比网格线;
3)增加图例说明,生成并可视化展示睡眠深度时相曲线图。
本实施例中,睡眠是个生物状态演变的连续过程,睡眠深度曲线实现了睡眠深度的连续描述和量化,而非仅是现有以状态阶段为主的睡眠分期方法或睡眠结构大体变化,能够全面统一地、具体详细地刻画出清醒-浅睡眠-深睡眠-快眼动睡眠的实际状态水平相对连续变化(如图4 本发明的睡眠深度曲线与现有的睡眠分期曲线的对比示意图),健康管理师或医生能够对用户具体睡眠过程进行准确的诊断分析,进而给出更行之有效的治疗干预方案。
第三步,从睡眠深度曲线中提取最佳睡眠深度。
本实施例中,最佳睡眠深度是用户睡眠过程睡得最深沉部分的状态水平表征量化。最佳睡眠深度的计算方法,如下:
本实施例中,预设最佳睡眠深度基线阈值为75,预设睡眠深度头部数量为5。
P400:计算所述环境信息学特征与所述睡眠深度曲线的关联特征,生成睡眠深度及环境因素报告,提取最佳睡眠深度环境方案。
第一步,计算环境信息学特征与睡眠深度曲线的关联特征,生成睡眠深度环境因素关联指数、睡眠深度环境因素关联指数曲线、睡眠深度环境因素关联指数均值序列、环境指标均值特征序列曲线和最佳睡眠深度曲线。
本实施例中,睡眠深度环境因素关联指数至少包括环境光照度关联指数、环境光源光谱关联指数、环境气压关联指数、环境温度关联指数、环境湿度关联指数、环境微颗粒关联指数、环境噪声关联指数、环境氧气浓度关联指数、环境二氧化碳关联指数和环境甲醛浓度关联指数。
本实施例中,睡眠深度环境因素关联指数是反映了各类环境因素与睡眠深度之间的时序关联关系,能够直观地表征环境因素对睡眠深度的影响。睡眠深度环境因素关联指数、睡眠深度环境因素关联指数均值序列、环境指标均值特征序列曲线、睡眠深度环境因素关联指数曲线和最佳睡眠深度曲线的计算方法,如下:
1)对用户的生理指标信号和环境指标信号进行连续采集监测、信号预处理和数据时帧处理,提取每日的生理信息学特征、生理动力学特征、环境信息学特征和环境指标均值特征序列;
3)按日期时序,依次计算每日环境信息学特征中一类型的环境指标变化曲线(包括环境光照度帧均值曲线、环境气压帧均值曲线、环境温度帧均值曲线、环境湿度帧均值曲线、环境噪声帧均值曲线、环境二氧化碳帧均值曲线),分别与睡眠深度曲线的关联性特征,生成每日的睡眠深度环境因素关联指数;
5)按照睡眠环境指标的不同信息类型,依次对睡眠深度环境因素关联指数曲线中一信息类型睡眠环境指标的关联指数曲线进行求均值,生成睡眠深度环境因素关联指数均值序列(包括光照度关联指数均值、气压关联指数均值、温度关联指数均值、湿度关联指数均值、噪声关联指数均值、二氧化碳浓度关联指数均值)。
第二步,生成睡眠深度及环境因素报告。
本实施例中,睡眠深度及环境因素报告至少包括睡眠深度环境因素关联指数、睡眠深度环境因素关联指数曲线、睡眠深度环境因素关联指数均值序列、环境指标均值特征序列曲线、最佳睡眠深度曲线。
第三步,生成所述最佳睡眠深度环境方案。
本实施例中,最佳睡眠深度环境方案至少包括环境光源光照最佳参数、环境光源光谱最佳参数、环境气压最佳参数、环境温度最佳参数、环境湿度最佳参数、环境微颗粒最佳参数、环境噪声最佳参数、环境氧气浓度最佳参数、环境二氧化碳浓度最佳参数和环境甲醛浓度最佳参数。
本实施例中,最佳睡眠深度环境方案向用户提供当前睡眠环境的优化方案,帮助用户获得更好的睡眠体验和睡眠质量。最佳睡眠深度环境方案的提取方法,如下:
本实施例中,最佳睡眠深度指导阈值为70,预设最佳睡眠深度头部数量为5。环境指标融合处理的计算方式包括均值处理、正态加权处理、递增加权处理和递减加权处理。环境指标融合处理使用均值处理。
本实施例中,最佳睡眠深度环境方案包括环境光源光照最佳参数、环境气压最佳参数、环境温度最佳参数、环境湿度最佳参数、环境噪声最佳参数、环境二氧化碳浓度最佳参数。
P500:根据所述睡眠深度及环境因素报告和所述最佳睡眠深度环境方案,生成睡眠深度环境优化干预方案,并对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠。
第一步,根据睡眠深度及环境因素报告和最佳睡眠深度环境方案,生成睡眠深度环境优化干预方案。
本实施例中,睡眠深度环境优化干预方案至少包括环境光源光照执行参数、环境光源光谱执行参数、环境气压执行参数、环境温度执行参数、环境湿度执行参数、环境微颗粒执行参数、环境噪声执行参数、环境氧气浓度执行参数、环境二氧化碳浓度执行参数和环境甲醛浓度执行参数。
第二步,根据睡眠深度环境优化干预方案,连接睡眠环境调控设备,对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠。
本实施例中,睡眠深度环境优化干预方案旨在通过离线统计分析或实时检测分析用户的睡眠深度,实现对用户睡眠过程的统筹调整或实时干预,不限于声光电磁等手段,完成对用户辅助入眠、深睡眠诱导和深睡眠巩固维持。
如图2所示,本发明实施例提供的一种睡眠深度量化及干预的系统,包括以下模块:
信号采集处理模块S100,用于采集用户睡眠过程的生理指标信号和环境指标信号,进行信号预处理和数据时帧处理,得到生理指标数据和环境指标数据;
数据特征提取模块S200,用于对生理指标数据和环境指标数据进行信息学特征分析和动力学特征分析,生成生理信息学特征、生理动力学特征和环境信息学特征;
睡眠深度量化模块S300,用于对生理信息学特征和生理动力学特征进行特征平滑和特征融合计算,得到睡眠深度并生成睡眠深度曲线和睡眠深度时相曲线图,提取最佳睡眠深度;
深度环境报告模块S400,用于计算环境信息学特征与睡眠深度曲线的关联特征,生成睡眠深度及环境因素报告,提取最佳睡眠深度环境方案;
睡眠环境辅助模块S500,用于根据睡眠深度及环境因素报告和最佳睡眠深度环境方案,生成睡眠深度环境优化干预方案,并对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠。
数据管理中心模块S600,用于系统的所有过程数据进行统一存储和运行管理。
本实施例中,信号采集处理模块S100包括以下功能单元:
生理指标检测单元S110,用于采集用户睡眠过程的生理指标信号;生理指标信号至少包括脑电信号、心电信号、呼吸信号、血氧信号和体温信号;
环境指标检测单元S120,用于采集用户睡眠过程的环境指标信号;环境指标信号至少包括光照信号、光谱信号、气压信号、温度信号、湿度信号、微颗粒信号、噪声信号、氧气浓度信号、二氧化碳浓度信号和甲醛浓度信号;
信号预处理单元S130,用于对生理指标信号和环境指标信号进行信号预处理;信号预处理至少包括A/D转换、重采样、去伪迹、降噪、陷波、带通滤波、去无效、重参考和平滑处理。
数据时帧处理单元S140,用于对生理指标信号和环境指标信号进行数据时帧处理;数据时帧处理是以预设分帧时间步长对信号数据进行预设分帧时长窗口的滑动分割处理。
本实施例中,数据特征提取模块S200包括以下功能单元:
信息学特征分析单元S210,用于对生理指标数据和环境指标数据进行信息学特征分析,生成生理信息学特征和环境信息学特征;生理信息学特征至少包括脑电信号信息学特征、心电信号信息学特征、呼吸信号信息学特征、血氧信号信息学特征和体温信号信息学特征;环境信息学特征至少包括环境指标均值特征序列、光照信号信息学特征、光谱信号信息学特征、气压信号信息学特征、温度信号信息学特征、湿度信号信息学特征、微颗粒信号信息学特征、噪声信号信息学特征、氧气浓度信号信息学特征、二氧化碳浓度信号信息学特征和甲醛浓度信号信息学特征;
动力学特征分析单元S220,用于对生理指标信号进行动力学特征分析,生成生理动力学特征;生理动力学特征至少包括生理线性动力学特征和生理非线性动力学特征。
本实施例中,睡眠深度量化模块S300包括以下功能单元:
特征平滑处理单元S310,对生理信息学特征和生理动力学特征进行特征平滑处理;特征平滑处理至少包括移动平均、均值滤波、SG滤波、低通滤波、卡尔曼滤波;
睡眠深度分析单元S320,用于对生理信息学特征和生理动力学特征进行特征融合计算,提取睡眠深度并生成睡眠深度曲线和睡眠深度时相曲线图;
最佳深度提取单元S330,用于从睡眠深度曲线中提取最佳睡眠深度。
本实施例中,深度环境报告模块S400包括以下功能单元:
环境影响分析单元S410,用于计算环境信息学特征与睡眠深度曲线的关联特征,生成睡眠深度环境因素关联指数、睡眠深度环境因素关联指数曲线、睡眠深度环境因素关联指数均值序列、环境指标均值特征序列曲线;睡眠深度环境因素关联指数至少包括环境光照度关联指数、环境光源光谱关联指数、环境气压关联指数、环境温度关联指数、环境湿度关联指数、环境微颗粒关联指数、环境噪声关联指数、环境氧气浓度关联指数、环境二氧化碳关联指数和环境甲醛浓度关联指数;
深度曲线生成单元S420,用于按日期时序的最佳睡眠深度,生成最佳睡眠深度曲线;
睡眠报告生成单元S430,用于生成睡眠深度及环境因素报告;睡眠深度及环境因素报告至少包括睡眠深度环境因素关联指数、睡眠深度环境因素关联指数曲线、睡眠深度环境因素关联指数均值序列、环境指标均值特征序列曲线、最佳睡眠深度曲线;
最佳环境提取单元S440,用于生成最佳睡眠深度环境方案;最佳睡眠深度环境方案至少包括环境光源光照最佳参数、环境光源光谱最佳参数、环境气压最佳参数、环境温度最佳参数、环境湿度最佳参数、环境微颗粒最佳参数、环境噪声最佳参数、环境氧气浓度最佳参数、环境二氧化碳浓度最佳参数和环境甲醛浓度最佳参数。
本实施例中,睡眠环境辅助模块S500包括以下功能单元:
优化方案生成单元S510,用于根据睡眠深度及环境因素报告和最佳睡眠深度环境方案,生成睡眠深度环境优化干预方案;睡眠深度环境优化干预方案至少包括环境光源光照执行参数、环境光源光谱执行参数、环境气压执行参数、环境温度执行参数、环境湿度执行参数、环境微颗粒执行参数、环境噪声执行参数、环境氧气浓度执行参数、环境二氧化碳浓度执行参数和环境甲醛浓度执行参数;
环境动态调控单元S520,用于根据睡眠深度环境优化干预方案,连接睡眠环境调控设备,对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠。
如图3所示,本发明实施例提供的一种睡眠深度量化及干预的装置,包括以下模组:
信号采集处理模组M100,用于连接生理监测和环境监测的设备或传感器,采集用户睡眠过程的生理指标信号和环境指标信号,进行信号预处理和数据时帧处理,得到生理指标数据和环境指标数据;
数据特征提取模组M200,用于对生理指标数据和环境指标数据进行信息学特征分析和动力学特征分析,生成生理信息学特征、生理动力学特征和环境信息学特征;
睡眠深度分析模组M300,用于对生理信息学特征和生理动力学特征进行特征平滑和特征融合计算,得到睡眠深度并生成睡眠深度曲线和睡眠深度时相曲线图,提取最佳睡眠深度;计算环境信息学特征与睡眠深度曲线的关联特征,生成睡眠深度及环境因素报告,提取最佳睡眠深度环境方案;根据睡眠深度及环境因素报告和最佳睡眠深度环境方案,生成睡眠深度环境优化干预方案;
睡眠环境辅助模组M400,用于根据睡眠深度环境优化干预方案,连接睡眠环境调控设备,对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠;
数据可视化模组M500,用于装置的所有过程数据、生理指标信号、环境指标信号、睡眠深度及环境因素报告、最佳睡眠深度环境方案和睡眠深度环境优化干预方案的可视化展现;
数据管理中心模组M600,用于装置的所有过程数据进行统一存储和运行管理。
本发明上述系统和装置被构造以用于对应执行图1的方法中的各个步骤,在此不再赘述。本发明还提供了可编程的各类处理器(FPGA、ASIC或其他集成电路),所述处理器用于运行程序,其中,所述程序运行时执行上述实施例中的步骤。
本发明还提供了对应的计算机设备,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,所述存储器执行所述程序时实现上述实施例中的步骤。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和原则的前提下,可以在实施的形式及细节上进行任何的修改与变化、等同替换等,这些都属于本发明的保护范围。因此,本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (33)
1.一种睡眠深度量化及干预的方法,其特征在于,包括如下步骤:
采集用户睡眠过程的生理指标信号和环境指标信号,进行信号预处理和数据时帧处理,得到生理指标数据和环境指标数据;
对所述生理指标数据和所述环境指标数据进行信息学特征分析和动力学特征分析,生成生理信息学特征、生理动力学特征和环境信息学特征;
对所述生理信息学特征和所述生理动力学特征进行特征平滑和特征融合计算,得到睡眠深度并生成睡眠深度曲线和睡眠深度时相曲线图,提取最佳睡眠深度;
计算所述环境信息学特征与所述睡眠深度曲线的关联特征,生成睡眠深度及环境因素报告,提取最佳睡眠深度环境方案;
根据所述睡眠深度及环境因素报告和所述最佳睡眠深度环境方案,生成睡眠深度环境优化干预方案,并对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠。
2.如权利要求1所述的方法,其特征在于:所述生理指标信号包括脑电信号、心电信号、呼吸信号、血氧信号和体温信号至少一项;所述生理指标数据包括脑电信号数据、心电信号数据、呼吸信号数据、血氧信号数据和体温信号数据至少一项。
3.如权利要求1所述的方法,其特征在于:所述环境指标信号包括光照信号、光谱信号、气压信号、温度信号、湿度信号、微颗粒信号、噪声信号、氧气浓度信号、二氧化碳浓度信号和甲醛浓度信号至少一项;所述环境指标数据包括光照信号数据、光谱信号数据、气压信号数据、温度信号数据、湿度信号数据、微颗粒信号数据、噪声信号数据、氧气浓度信号数据、二氧化碳浓度信号数据和甲醛浓度信号数据至少一项。
4.如权利要求1所述的方法,其特征在于:所述信号预处理至少包括A/D转换、重采样、去伪迹、降噪、陷波、带通滤波、去无效、重参考和平滑处理。
5.如权利要求1或4所述的方法,其特征在于:所述数据时帧处理是以预设分帧时间步长对信号数据进行预设分帧时长窗口的滑动分割处理。
6.如权利要求1所述的方法,其特征在于:所述信息学特征包括功率谱、特征频带中心频率、特征频带功率占比、功率谱边缘频率、周期特征、频率特征、均方根、方差、离散差及离散差均值至少一项。
7.如权利要求1或6所述的方法,其特征在于:所述生理信息学特征包括脑电信号信息学特征、心电信号信息学特征、呼吸信号信息学特征、血氧信号信息学特征和体温信号信息学特征至少一项。
8.如权利要求1所述的方法,其特征在于:所述动力学特征包括线性动力学特征、非线性动力学特征至少一项。
9.如权利要求8所述的方法,其特征在于:所述线性动力学特征包括欧氏距离、曼哈顿距离、闵可夫斯基距离、切比雪夫距离、相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数、线性相关系数、最大线性互相关、时域线性相关系数、频域线性相关系数、锁相值PLVs、相位-相位耦合系数、相位-振幅耦合系数、振幅-振幅耦合系数、心率变异性至少一项。
10.如权利要求8所述的方法,其特征在于:所述非线性动力学特征包括熵特征、分形特征和复杂度特征至少一项。
11.如权利要求1所述的方法,其特征在于:所述环境信息学特征包括环境指标均值特征序列、光照信号信息学特征、光谱信号信息学特征、气压信号信息学特征、温度信号信息学特征、湿度信号信息学特征、微颗粒信号信息学特征、噪声信号信息学特征、氧气浓度信号信息学特征、二氧化碳浓度信号信息学特征和甲醛浓度信号信息学特征至少一项;所述环境指标均值特征序列包括光照度指标均值、光谱融合指标均值、气压指标均值、温度指标均值、湿度指标均值、微颗粒指标均值、噪声指标均值、氧气浓度指标均值、二氧化碳浓度指标均值和甲醛浓度指标均值至少一项。
12.如权利要求1所述的方法,其特征在于:所述特征平滑包括移动平均、均值滤波、SG滤波、低通滤波、卡尔曼滤波至少一项。
13.如权利要求1所述的方法,其特征在于:所述睡眠深度及环境因素报告包括睡眠深度环境因素关联指数、睡眠深度环境因素关联指数曲线、睡眠深度环境因素关联指数均值序列、环境指标均值特征序列曲线、最佳睡眠深度曲线至少一项。
14.如权利要求13所述的方法,其特征在于:所述睡眠深度环境因素关联指数包括环境光照度关联指数、环境光源光谱关联指数、环境气压关联指数、环境温度关联指数、环境湿度关联指数、环境微颗粒关联指数、环境噪声关联指数、环境氧气浓度关联指数、环境二氧化碳关联指数和环境甲醛浓度关联指数至少一项。
15.如权利要求1所述的方法,其特征在于:所述最佳睡眠深度环境方案包括环境光源光照最佳参数、环境光源光谱最佳参数、环境气压最佳参数、环境温度最佳参数、环境湿度最佳参数、环境微颗粒最佳参数、环境噪声最佳参数、环境氧气浓度最佳参数、环境二氧化碳浓度最佳参数和环境甲醛浓度最佳参数至少一项。
16.如权利要求1或15所述的方法,其特征在于:所述睡眠深度环境优化干预方案包括环境光源光照执行参数、环境光源光谱执行参数、环境气压执行参数、环境温度执行参数、环境湿度执行参数、环境微颗粒执行参数、环境噪声执行参数、环境氧气浓度执行参数、环境二氧化碳浓度执行参数和环境甲醛浓度执行参数至少一项。
17.如权利要求13所述的方法,其特征在于:所述睡眠深度和所述睡眠深度曲线的计算方法如下:
1)从所述生理信息学特征和所述生理动力学特征中,分别选择提取多个动力学特征和多个信息学特征,生成睡眠深度表征特征曲线集;
2)对所述睡眠深度表征特征曲线集中每一个特征曲线进行所述特征平滑,生成睡眠深度表征特征平滑曲线集;
3)对所述睡眠深度表征特征平滑曲线集进行多因子融合计算,生成睡眠深度因子曲线;
4)基于最大深度因子阈值和最小深度因子阈值,对所述睡眠深度因子曲线进行归一化处理,生成睡眠归一化深度曲线;
5)对所述睡眠归一化深度曲线进行预设深度缩放倍数的缩放处理,生成所述睡眠深度曲线;
6)所述睡眠深度曲线中的任意时帧样本值,即是当前时帧的所述睡眠深度。
18.如权利要求17所述的方法,其特征在于:所述预设深度缩放倍数为正有理数。
19.如权利要求17或18所述的方法,其特征在于:所述最大深度因子阈值和所述最小深度因子阈值的计算方法如下:
1)对正常环境下,不同年龄段的健康人群进行用户睡眠过程所述生理指标信号的采集记录,生成健康人群生理指标信号数据集;
2)对所述健康人群生理指标信号数据集中的生理指标信号进行所述信号预处理和所述数据时帧处理,得到健康人群生理指标数据集;
3)按用户样本和时帧顺序,提取所述健康人群生理指标数据集每一个用户样本的所述生理信息学特征和所述生理动力学特征并进行所述特征平滑,生成健康人群生理信息学和动力学特征数据集;
4)按用户样本,对所述健康人群生理信息学和动力学特征数据集中生理信息学特征和生理动力学特征进行多因子融合计算,得到当前用户样本的所述睡眠深度因子曲线,形成健康人群睡眠深度因子曲线数据库;
5)从所述健康人群深度因子曲线数据库的全部数据中,提取最大深度因子值和最小深度因子值;
6)对所述最大深度因子值和所述最小深度因子值进行双向增减处理,生成最大深度因子阈值和最小深度因子阈值,其中所述最大深度因子值大于所述最小深度因子值但小于所述最大深度因子阈值,所述最小深度因子阈值大于0但小于所述最小深度因子值。
20.如权利要求1所述的方法,其特征在于:所述睡眠深度时相曲线图的生成展现方法如下:
1)获取所述睡眠深度曲线,生成所述睡眠深度时相曲线图相关的纵坐标及数值范围、横坐标为所述睡眠深度曲线中样本所对应的睡眠时间点;
2)根据国际睡眠分期方法和正常人群的所述睡眠深度曲线的大数据统计分析,得到中各标准分期所对应的睡眠深度取值范围,生成所述睡眠深度时相曲线图的横轴对比网格线;
3)增加图例说明,生成并可视化展示所述睡眠深度时相曲线图。
21.如权利要求17所述的方法,其特征在于:所述最佳睡眠深度的计算方法如下:
1)获取所述睡眠深度曲线,减去预设最佳睡眠深度基线阈值,生成睡眠深度过阈曲线;
2)计算所述睡眠深度过阈曲线的过零部分,生成睡眠深度过零集合;
3)判断所述睡眠深度过零集合是否为空集,若为空集则对所述睡眠深度曲线的所述睡眠深度进行降序排列并筛选预设睡眠深度头部数量,生成所述睡眠深度过零集合;
4)计算所述睡眠深度过零集合的平均值,生成最佳睡眠深度。
22.如权利要求21所述的方法,其特征在于:所述睡眠深度环境因素关联指数、所述睡眠深度环境因素关联指数均值序列、所述环境指标均值特征序列曲线、所述睡眠深度环境因素关联指数曲线和所述最佳睡眠深度曲线的计算方法如下:
1)对用户的所述生理指标信号和所述环境指标信号进行连续采集监测、所述信号预处理和所述数据时帧处理,提取每日的所述生理信息学特征、所述生理动力学特征、所述环境信息学特征和所述环境指标均值特征序列;
2)计算得到每日的所述睡眠深度曲线和所述最佳睡眠深度;
3)按日期时序,依次计算每日所述环境信息学特征中一类型的环境指标变化曲线,分别与所述睡眠深度曲线的关联性特征,生成每日的所述睡眠深度环境因素关联指数;
4)求得全部日期的所述环境指标均值特征序列、所述睡眠深度曲线、所述最佳睡眠深度和所述睡眠深度环境因素关联指数,生成所述环境指标均值特征序列曲线、所述睡眠深度环境因素关联指数曲线、所述最佳睡眠深度曲线;
5)按照睡眠环境指标的不同信息类型,依次对所述睡眠深度环境因素关联指数曲线中一信息类型睡眠环境指标的关联指数曲线进行求均值,生成所述睡眠深度环境因素关联指数均值序列。
23.如权利要求21所述的方法,其特征在于:所述最佳睡眠深度环境方案的提取方法如下:
1)对用户的所述生理指标信号和所述环境指标信号的连续采集监测和分析处理,得到所述环境指标均值特征序列曲线、所述睡眠深度环境因素关联指数曲线、所述最佳睡眠深度曲线;
2)基于所述最佳睡眠深度曲线进行预设最佳睡眠深度指导阈值判断,筛选所述最佳睡眠深度曲线超过预设最佳睡眠深度指导阈值的对应日期,生成最佳睡眠深度日期集合;
3)判断所述最佳睡眠深度日期集合是否为空集,若为空集则对所述最佳睡眠深度曲线的所述最佳睡眠深度进行降序排列并筛选预设头部数量,生成所述最佳睡眠深度日期集合;
4)根据所述最佳睡眠深度日期集合的日期,从所述环境指标均值特征序列曲线中提取对应日期的环境指标均值特征,生成最佳睡眠环境指标均值集合;
5)按照睡眠环境指标的不同信息类型,对所述最佳睡眠环境指标均值集合进行环境指标融合处理,生成最佳睡眠深度环境方案。
24.如权利要求23所述的方法,其特征在于:所述环境指标融合处理的计算方式包括均值处理、正态加权处理、递增加权处理和递减加权处理至少一项。
25.一种睡眠深度量化及干预的系统,其特征在于,包括如下模块:
信号采集处理模块,用于采集用户睡眠过程的生理指标信号和环境指标信号,进行信号预处理和数据时帧处理,得到生理指标数据和环境指标数据;
数据特征提取模块,用于对所述生理指标数据和所述环境指标数据进行信息学特征分析和动力学特征分析,生成生理信息学特征、生理动力学特征和环境信息学特征;
睡眠深度量化模块,用于对所述生理信息学特征和所述生理动力学特征进行特征平滑和特征融合计算,得到睡眠深度并生成睡眠深度曲线和睡眠深度时相曲线图,提取最佳睡眠深度;
深度环境报告模块,用于计算所述环境信息学特征与所述睡眠深度曲线的关联特征,生成睡眠深度及环境因素报告,提取最佳睡眠深度环境方案;
睡眠环境辅助模块,用于根据所述睡眠深度及环境因素报告和所述最佳睡眠深度环境方案,生成睡眠深度环境优化干预方案,并对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠;
数据管理中心模块,用于所述系统的所有过程数据进行统一存储和运行管理。
26.如权利要求25所述的系统,其特征在于:所述信号采集处理模块包括以下功能单元:
生理指标检测单元,用于采集用户睡眠过程的所述生理指标信号;所述生理指标信号包括脑电信号、心电信号、呼吸信号、血氧信号和体温信号至少一项;
环境指标检测单元,用于采集用户睡眠过程的所述环境指标信号;所述环境指标信号包括光照信号、光谱信号、气压信号、温度信号、湿度信号、微颗粒信号、噪声信号、氧气浓度信号、二氧化碳浓度信号和甲醛浓度信号至少一项;
信号预处理单元,用于对所述生理指标信号和所述环境指标信号进行所述信号预处理;所述信号预处理至少包括A/D转换、重采样、去伪迹、降噪、陷波、带通滤波、去无效、重参考和平滑处理;
数据时帧处理单元,用于对所述生理指标信号和所述环境指标信号进行所述数据时帧处理;所述数据时帧处理是以预设分帧时间步长对信号数据进行预设分帧时长窗口的滑动分割处理。
27.如权利要求26所述的系统,其特征在于:所述数据特征提取模块包括以下功能单元:
信息学特征分析单元,用于对所述生理指标数据和所述环境指标数据进行信息学特征分析,生成所述生理信息学特征和所述环境信息学特征;所述生理信息学特征包括脑电信号信息学特征、心电信号信息学特征、呼吸信号信息学特征、血氧信号信息学特征和体温信号信息学特征至少一项;所述环境信息学特征包括环境指标均值特征序列、光照信号信息学特征、光谱信号信息学特征、气压信号信息学特征、温度信号信息学特征、湿度信号信息学特征、微颗粒信号信息学特征、噪声信号信息学特征、氧气浓度信号信息学特征、二氧化碳浓度信号信息学特征和甲醛浓度信号信息学特征至少一项;
动力学特征分析单元,用于对所述生理指标信号进行动力学特征分析,生成所述生理动力学特征;所述生理动力学特征包括生理线性动力学特征、生理非线性动力学特征至少一项。
28.如权利要求27所述的系统,其特征在于:所述睡眠深度量化模块包括以下功能单元:
特征平滑处理单元,对所述生理信息学特征和所述生理动力学特征进行特征平滑处理;所述特征平滑处理包括移动平均、均值滤波、SG滤波、低通滤波、卡尔曼滤波至少一项;
睡眠深度分析单元,用于对所述生理信息学特征和所述生理动力学特征进行特征融合计算,提取所述睡眠深度并生成所述睡眠深度曲线和所述睡眠深度时相曲线图;
最佳深度提取单元,用于从所述睡眠深度曲线中提取所述最佳睡眠深度。
29.如权利要求28所述的系统,其特征在于:所述深度环境报告模块包括以下功能单元:
环境影响分析单元,用于计算所述环境信息学特征与所述睡眠深度曲线的关联特征,生成睡眠深度环境因素关联指数、睡眠深度环境因素关联指数曲线、睡眠深度环境因素关联指数均值序列、环境指标均值特征序列曲线;所述睡眠深度环境因素关联指数包括环境光照度关联指数、环境光源光谱关联指数、环境气压关联指数、环境温度关联指数、环境湿度关联指数、环境微颗粒关联指数、环境噪声关联指数、环境氧气浓度关联指数、环境二氧化碳关联指数和环境甲醛浓度关联指数至少一项;
深度曲线生成单元,用于按日期时序的所述最佳睡眠深度,生成最佳睡眠深度曲线;
睡眠报告生成单元,用于生成所述睡眠深度及环境因素报告;所述睡眠深度及环境因素报告包括所述睡眠深度环境因素关联指数、所述睡眠深度环境因素关联指数曲线、所述睡眠深度环境因素关联指数均值序列、所述环境指标均值特征序列曲线、所述最佳睡眠深度曲线至少一项;
最佳环境提取单元,用于生成所述最佳睡眠深度环境方案;所述最佳睡眠深度环境方案包括环境光源光照最佳参数、环境光源光谱最佳参数、环境气压最佳参数、环境温度最佳参数、环境湿度最佳参数、环境微颗粒最佳参数、环境噪声最佳参数、环境氧气浓度最佳参数、环境二氧化碳浓度最佳参数和环境甲醛浓度最佳参数至少一项。
30.如权利要求25-29任一项所述的系统,其特征在于:所述睡眠环境辅助模块包括以下功能单元:
优化方案生成单元,用于根据所述睡眠深度及环境因素报告和所述最佳睡眠深度环境方案,生成所述睡眠深度环境优化干预方案;
环境动态调控单元,用于根据所述睡眠深度环境优化干预方案,连接睡眠环境调控设备,对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠。
31.如权利要求30所述的系统,其特征在于:所述睡眠深度环境优化干预方案包括环境光源光照执行参数、环境光源光谱执行参数、环境气压执行参数、环境温度执行参数、环境湿度执行参数、环境微颗粒执行参数、环境噪声执行参数、环境氧气浓度执行参数、环境二氧化碳浓度执行参数和环境甲醛浓度执行参数至少一项。
32.一种睡眠深度量化及干预的装置,其特征在于,包括如下模组:
信号采集处理模组,用于连接生理监测和环境监测的设备或传感器,采集用户睡眠过程的生理指标信号和环境指标信号,进行信号预处理和数据时帧处理,得到生理指标数据和环境指标数据;
数据特征提取模组,用于对所述生理指标数据和所述环境指标数据进行信息学特征分析和动力学特征分析,生成生理信息学特征、生理动力学特征和环境信息学特征;
睡眠深度分析模组,用于对所述生理信息学特征和所述生理动力学特征进行特征平滑和特征融合计算,得到睡眠深度并生成睡眠深度曲线和睡眠深度时相曲线图,提取最佳睡眠深度;计算所述环境信息学特征与所述睡眠深度曲线的关联特征,生成睡眠深度及环境因素报告,提取最佳睡眠深度环境方案;根据所述睡眠深度及环境因素报告和所述最佳睡眠深度环境方案,生成睡眠深度环境优化干预方案;
睡眠环境辅助模组,用于根据所述睡眠深度环境优化干预方案,连接睡眠环境调控设备,对用户睡眠环境进行动态优化调控,辅助用户获得深度睡眠。
33.如权利要求32所述的装置,其特征在于,还包括:
数据可视化模组,用于所述装置的所有过程数据、所述生理指标信号、所述环境指标信号、所述睡眠深度及环境因素报告、所述最佳睡眠深度环境方案和所述睡眠深度环境优化干预方案的可视化展现;
数据管理中心模组,用于所述装置的所有过程数据进行统一存储和运行管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310104868.5A CN115804573A (zh) | 2023-02-13 | 2023-02-13 | 一种睡眠深度量化及干预的方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310104868.5A CN115804573A (zh) | 2023-02-13 | 2023-02-13 | 一种睡眠深度量化及干预的方法、系统和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115804573A true CN115804573A (zh) | 2023-03-17 |
Family
ID=85487853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310104868.5A Pending CN115804573A (zh) | 2023-02-13 | 2023-02-13 | 一种睡眠深度量化及干预的方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115804573A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115969330A (zh) * | 2023-03-20 | 2023-04-18 | 安徽星辰智跃科技有限责任公司 | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 |
CN116013470A (zh) * | 2023-03-30 | 2023-04-25 | 安徽星辰智跃科技有限责任公司 | 一种睡眠行为活跃水平动态调节的方法、系统和装置 |
CN116092641A (zh) * | 2023-04-07 | 2023-05-09 | 安徽星辰智跃科技有限责任公司 | 一种睡眠感官应激水平动态调节的方法、系统和装置 |
CN116392087A (zh) * | 2023-06-06 | 2023-07-07 | 安徽星辰智跃科技有限责任公司 | 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 |
CN116504357A (zh) * | 2023-06-28 | 2023-07-28 | 安徽星辰智跃科技有限责任公司 | 基于小波分析的睡眠周期性检测及调节方法、系统和装置 |
CN117349684A (zh) * | 2023-12-04 | 2024-01-05 | 南京邮电大学 | 基于向量排列最大距离的睡眠脑电分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102274022A (zh) * | 2011-05-10 | 2011-12-14 | 浙江大学 | 一种基于脑电信号的睡眠状态监测方法 |
US20130338446A1 (en) * | 2010-12-03 | 2013-12-19 | Koninklijke Philips Electronics N.V. | Sleep disturbance monitoring apparatus |
CN104434068A (zh) * | 2014-12-26 | 2015-03-25 | 上海翰临电子科技有限公司 | 一种基于环境监测的睡眠分析方法及设备 |
CN107959723A (zh) * | 2017-12-12 | 2018-04-24 | 成都乐享智家科技有限责任公司 | 一种与睡眠相关的环境数据智能采集系统 |
CN108510075A (zh) * | 2018-04-19 | 2018-09-07 | 广西欣歌拉科技有限公司 | 睡眠质量与环境变量相关性的监测推理系统 |
CN115607802A (zh) * | 2022-12-19 | 2023-01-17 | 安徽星辰智跃科技有限责任公司 | 一种自主神经功能调节及干预的方法、系统和装置 |
-
2023
- 2023-02-13 CN CN202310104868.5A patent/CN115804573A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130338446A1 (en) * | 2010-12-03 | 2013-12-19 | Koninklijke Philips Electronics N.V. | Sleep disturbance monitoring apparatus |
CN102274022A (zh) * | 2011-05-10 | 2011-12-14 | 浙江大学 | 一种基于脑电信号的睡眠状态监测方法 |
CN104434068A (zh) * | 2014-12-26 | 2015-03-25 | 上海翰临电子科技有限公司 | 一种基于环境监测的睡眠分析方法及设备 |
CN107959723A (zh) * | 2017-12-12 | 2018-04-24 | 成都乐享智家科技有限责任公司 | 一种与睡眠相关的环境数据智能采集系统 |
CN108510075A (zh) * | 2018-04-19 | 2018-09-07 | 广西欣歌拉科技有限公司 | 睡眠质量与环境变量相关性的监测推理系统 |
CN115607802A (zh) * | 2022-12-19 | 2023-01-17 | 安徽星辰智跃科技有限责任公司 | 一种自主神经功能调节及干预的方法、系统和装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115969330A (zh) * | 2023-03-20 | 2023-04-18 | 安徽星辰智跃科技有限责任公司 | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 |
CN116013470A (zh) * | 2023-03-30 | 2023-04-25 | 安徽星辰智跃科技有限责任公司 | 一种睡眠行为活跃水平动态调节的方法、系统和装置 |
CN116092641A (zh) * | 2023-04-07 | 2023-05-09 | 安徽星辰智跃科技有限责任公司 | 一种睡眠感官应激水平动态调节的方法、系统和装置 |
CN116392087A (zh) * | 2023-06-06 | 2023-07-07 | 安徽星辰智跃科技有限责任公司 | 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 |
CN116392087B (zh) * | 2023-06-06 | 2023-09-01 | 安徽星辰智跃科技有限责任公司 | 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 |
CN116504357A (zh) * | 2023-06-28 | 2023-07-28 | 安徽星辰智跃科技有限责任公司 | 基于小波分析的睡眠周期性检测及调节方法、系统和装置 |
CN116504357B (zh) * | 2023-06-28 | 2024-05-10 | 安徽星辰智跃科技有限责任公司 | 基于小波分析的睡眠周期性检测及调节方法、系统和装置 |
CN117349684A (zh) * | 2023-12-04 | 2024-01-05 | 南京邮电大学 | 基于向量排列最大距离的睡眠脑电分析方法 |
CN117349684B (zh) * | 2023-12-04 | 2024-02-06 | 南京邮电大学 | 基于向量排列最大距离的睡眠脑电分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115804573A (zh) | 一种睡眠深度量化及干预的方法、系统和装置 | |
CN115862877B (zh) | 睡眠可持续性检测量化及辅助干预的方法、系统和装置 | |
CN115881305B (zh) | 一种睡眠趋稳性检测量化及辅助干预的方法、系统和装置 | |
CN115910351B (zh) | 一种睡眠周期性检测量化及辅助干预的方法、系统和装置 | |
CN116058805B (zh) | 一种睡眠记忆活跃水平动态调节的方法、系统和装置 | |
CN115969330B (zh) | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 | |
CN116392085B (zh) | 基于趋势分析的睡眠趋稳性量化及调节方法、系统和装置 | |
CN109620218A (zh) | 脑电波智能筛查方法及系统 | |
CN116509337B (zh) | 基于局部分解的睡眠周期性检测及调节方法、系统和装置 | |
CN116035536B (zh) | 一种睡眠行为活跃水平检测量化的方法、系统和装置 | |
CN116058804A (zh) | 一种睡眠情绪活跃水平动态调节的方法、系统和装置 | |
CN116369866B (zh) | 基于小波变换的睡眠趋稳性量化及调节方法、系统和装置 | |
CN116313029B (zh) | 一种数字针灸动态控制优化的方法、系统和装置 | |
CN116509338B (zh) | 基于模态分析的睡眠周期性检测及调节方法、系统和装置 | |
CN116392083B (zh) | 基于局部变换的睡眠趋稳性量化及调节方法、系统和装置 | |
CN116525063B (zh) | 基于时频分析的睡眠周期性检测及调节方法、系统和装置 | |
CN116504357B (zh) | 基于小波分析的睡眠周期性检测及调节方法、系统和装置 | |
CN116509336B (zh) | 基于波形分析的睡眠周期性检测及调节方法、系统和装置 | |
CN116392088B (zh) | 基于时频分析的睡眠趋稳性量化及调节方法、系统和装置 | |
CN116705247B (zh) | 基于局部分解的睡眠可持续性检测调节方法、系统和装置 | |
CN116392087B (zh) | 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 | |
CN116682535B (zh) | 基于数值拟合的睡眠可持续性检测调节方法、系统和装置 | |
CN116687356B (zh) | 基于时频分析的睡眠可持续性检测调节方法、系统和装置 | |
CN116671875B (zh) | 基于小波变换的睡眠可持续性检测调节方法、系统和装置 | |
CN116779110B (zh) | 基于模态分解的睡眠可持续性检测调节方法、系统和装置 |
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 |