CN115905920A - 训练睡眠检测模型的方法、睡眠检测方法及相关装置 - Google Patents

训练睡眠检测模型的方法、睡眠检测方法及相关装置 Download PDF

Info

Publication number
CN115905920A
CN115905920A CN202211490746.6A CN202211490746A CN115905920A CN 115905920 A CN115905920 A CN 115905920A CN 202211490746 A CN202211490746 A CN 202211490746A CN 115905920 A CN115905920 A CN 115905920A
Authority
CN
China
Prior art keywords
sign
time sequence
sleep
characteristic data
sequence
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
CN202211490746.6A
Other languages
English (en)
Inventor
关可欣
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.)
Shenzhen Shuliantianxia Intelligent Technology Co Ltd
Original Assignee
Shenzhen Shuliantianxia Intelligent 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 Shenzhen Shuliantianxia Intelligent Technology Co Ltd filed Critical Shenzhen Shuliantianxia Intelligent Technology Co Ltd
Priority to CN202211490746.6A priority Critical patent/CN115905920A/zh
Publication of CN115905920A publication Critical patent/CN115905920A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请实施例涉及睡眠检测技术领域，公开了一种训练睡眠检测模型的方法、睡眠检测方法及相关装置，首先获取若干个体征时序序列，每个体征时序序列标注有睡眠状态标签。然后，对每个体征时序序列进行特征工程处理，得到体征特征数据。最后，将若干个体征特征数据作为训练集，对分类器进行迭代训练，直至分类器收敛，得到睡眠检测模型。在此实施例中，训练前先对若干个体征时序序列进行特征工程处理，能够发现影响模型检测结果的重要特征，更清楚地表达决定睡眠状态的体征特征，从而，能够训练得到检测准确的睡眠检测模型，即训练出的睡眠检测模型能够准确检测睡眠状态。

Description

训练睡眠检测模型的方法、睡眠检测方法及相关装置
技术领域
本申请实施例涉及睡眠检测技术领域，尤其涉及一种训练睡眠检测模型的方法、睡眠检测方法及相关装置。
背景技术
人的睡眠状态不仅可以直观的反应人体睡眠周期中的深睡浅睡比例，而且可以长期监测用户的睡眠习惯和健康状态。为了监测睡眠状态，相关睡眠保健产品监测人体在睡眠状态下的呼吸、心率等信号，根据该体征信号对用户整晚睡眠情况进行分析和评估。
然而，目前市场上的一些睡眠监测产品是穿戴式设备，例如运动手环等，通过传感器简单地监测感知运动数据，然后采用内置的睡眠检测算法基于这些感知运动数据判断人体睡眠状态。一方面，穿戴式设备对人体有较明显的束缚感，影响睡眠，捕捉到的感知运动数据具有局限性，另一方面，睡眠检测算法具有局限性，导致判断不准确，误差较大。
发明内容
有鉴于此，为了解决上述技术问题，本申请实施例提供了一种训练睡眠检测模型的方法、睡眠检测方法及相关装置，训练出的睡眠检测模型能够准确检测睡眠状态。
为解决上述技术问题，第一方面，本申请实施例中提供了一种训练睡眠检测模型的方法，包括：
获取若干个体征时序序列，每个体征时序序列标注有睡眠状态标签；
对每个体征时序序列进行特征工程处理，得到体征特征数据；
将若干个体征特征数据作为训练集，对分类器进行迭代训练，直至分类器收敛，得到睡眠检测模型。
在一些实施例中，前述体征时序序列包括体动时序序列；
前述对每个体征时序序列进行特征工程处理，得到体征特征数据，包括：
计算体动时序序列的样本熵，将得到的体动样本熵作为体征特征数据；和/或，
对体动时序序列进行分箱处理，将得到的体动分箱序列作为体征特征数据。
在一些实施例中，前述体征时序序列还包括心率时序序列；
前述对每个体征时序序列进行特征工程处理，得到体征特征数据，还包括：
计算心率时序序列中心率值的均方根，将得到的心率均方根作为体征特征数据；和/或，
计算心率时序序列的排列熵，将得到的心率排列熵作为体征特征数据；和/或，
对心率时序序列进行连续小波变化，将得到的连续小波变化系数作为体征特征数据；和/或，
计算心率时序序列的样本熵，将得到的心率样本熵作为体征特征数据。
在一些实施例中，前述体征时序序列还包括呼吸时序序列；
前述对每个体征时序序列进行特征工程处理，得到体征特征数据，还包括：
计算呼吸时序序列的变异系数，将得到的呼吸变异系数作为体征特征数据；和/或，
对呼吸时序序列进行非线性统计，将得到的滞后累积量均值作为体征特征数据；和/或，
对呼吸时序序列进行分箱处理，将得到的呼吸分箱序列作为体征特征数据。
在一些实施例中，在对每个体征时序序列进行特征工程处理，得到体征特征数据的步骤之前，方法还包括：
对每个体征时序序列进行数据预处理。
在一些实施例中，前述对每个体征时序序列进行数据预处理，包括：
采用移动平均滤波器对体征时序序列进行滤波处理；和/或，
对经滤波处理后得到的体征时序序列进行相对化处理。
在一些实施例中，该方法还包括：
获取由传感器采集到的预设时间内的心冲击信号波，传感器设置于用于供人睡卧的家具上；
对心冲击信号波进行带通滤波，得到体征信号波；
根据体征信号波，获取体征时序序列。
第二方面，本申请实施例中提供了一种睡眠检测方法，包括：
获取用户的测试体征时序序列；
对测试体征时序序列进行特征工程处理，得到测试体征特征数据；
将测试体征特征数据输入睡眠检测模型，得到用户的睡眠状态，其中，睡眠检测模型是采用如上第一方面的训练睡眠检测模型的方法训练得到的。
第三方面，本申请实施例中提供了一种电子设备，包括：
至少一个处理器，以及
与至少一个处理器通信连接的存储器，其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上第一方面的方法。
第四方面，本申请实施例中提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机设备执行如上第一方面的方法。
本申请实施例的有益效果：区别于现有技术的情况，本申请实施例提供的训练睡眠检测模型的方法，首先获取若干个体征时序序列，每个体征时序序列标注有睡眠状态标签。然后，对每个体征时序序列进行特征工程处理，得到体征特征数据。最后，将若干个体征特征数据作为训练集，对分类器进行迭代训练，直至分类器收敛，得到睡眠检测模型。在此实施例中，训练前先对若干个体征时序序列进行特征工程处理，能够发现影响模型检测结果的重要特征，更清楚地表达决定睡眠状态的体征特征，从而，能够训练得到检测准确的睡眠检测模型，即训练出的睡眠检测模型能够准确检测睡眠状态。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1为本申请一些实施例中睡眠检测系统的应用场景示意图；
图2为本申请一些实施例中电子设备的结构示意图；
图3为本申请一些实施例中训练睡眠检测模型的方法的流程示意图；
图4为本申请一些实施例中压电薄膜传感器采集信号的示意图；
图5为本申请一些实施例中体动样本熵的计算示意图；
图6为本申请一些实施例中分箱处理的示意图；
图7为本申请一些实施例中非线性统计的示意图；
图8为本申请一些实施例中滤波处理的示意图；
图9为本申请一些实施例中训练集的生成示意图；
图10为本申请一些实施例中睡眠检测方法的流程示意图；
图11为本申请一些实施例中睡眠检测模型的检测示意图。
具体实施方式
下面结合具体实施例对本申请进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本申请，但不以任何形式限制本申请。应当指出的是，对本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进。这些都属于本申请的保护范围。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，如果不冲突，本申请实施例中的各个特征可以相互结合，均在本申请的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。此外，本文所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定，仅是对功能和作用基本相同的相同项或相似项进行区分。
除非另有定义，本说明书所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本说明书中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是用于限制本申请。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
此外，下面所描述的本申请各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为便于对本申请实施例提供的方法进行理解，首先对本申请实施例中涉及的名词进行介绍：
(1)分类器
分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。分类器的构造和实施会经过以下几个步骤：选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分。在训练样本上执行分类器算法，生成分类模型。在测试样本上执行分类模型，生成预测结果。根据预测结果，计算必要的评估指标，评估分类模型的性能。
为介绍本申请实施例前，先对本申请发明人所知晓的睡眠检测方法进行简单介绍，使得后续便于理解本申请实施例。
一些睡眠检测方案中，在可穿戴设备中设置PPG光电传感器，通过PPG光电传感器监测人体手腕的脉搏波信号。处理器接到收脉搏波PPG心率数据及手腕运动数据后进行数据处理，对处理后的数据进行特征参数提取，构成实时特征参数，输入到经过训练的神经网络模型，模型输出睡眠的最终分析结果。
在该方案中，PPG光电传感器需要持续发射光束(一般为红绿光)，在睡眠过程中，光线容易对人眼造成较大影响而感觉不适，影响睡眠。PPG光电传感器主要依赖捕捉到的反射光信号，而皮肤颜色深浅、纹身、伤疤、汗液、外界光源、污垢、佩戴方式等，都会对采集到的信号强度造成干扰，影响最终识别效果。此外，该方案中神经网络模型不具备可解释性，无法定位到反映人体睡眠状态不佳的体征数据。
针对上述问题，本申请实施例提供了一种训练睡眠检测模型的方法、睡眠检测方法及相关装置，首先获取若干个体征时序序列，每个体征时序序列标注有睡眠状态标签。然后，对每个体征时序序列进行特征工程处理，得到体征特征数据。最后，将若干个体征特征数据作为训练集，对分类器进行迭代训练，直至分类器收敛，得到睡眠检测模型。在此实施例中，训练前先对若干个体征时序序列进行特征工程处理，能够发现影响模型检测结果的重要特征，更清楚地表达决定睡眠状态的体征特征，从而，能够训练得到检测准确的睡眠检测模型，即训练出的睡眠检测模型能够准确检测睡眠状态，具有可解释性。
下面说明本申请实施例提供的用于训练睡眠检测模型或用于睡眠检测的电子设备的示例性应用，可以理解的是，电子设备即可以训练睡眠检测模型，也可以采用该睡眠检测模型进行睡眠检测。
本申请实施例提供的电子设备可以是服务器，例如部署在云端的服务器。当服务器用于训练睡眠检测模型时，根据其他设备或者本领域技术人员提供的训练数据和分类器，采用该训练数据对分类器进行迭代训练，确定最终的模型参数，从而分类器配置该最终的模型参数，即可得到睡眠检测模型。当服务器用于睡眠检测时，调用内置的睡眠检测模型，对睡眠检测设备提供的测试体征时序序列，进行相应的计算处理，得到对应的睡眠状态。
本申请一些实施例提供的电子设备可以是笔记本电脑、台式计算机、睡眠检测设备或移动设备等各种类型的终端。当终端用于训练睡眠检测模型时，本领域技术人员将准备好的训练数据输入终端，并在终端上设计分类器，终端采用该训练数据对分类器进行迭代训练，确定最终的模型参数，从而分类器配置该最终的模型参数，即可得到睡眠检测模型。当终端用于睡眠检测时，对采集到的人体的体征信号进行相应的处理，得到测试体征时序序列，然后，调用内置的睡眠检测模型对测试体征时序序列进行相应的计算处理，得到睡眠状态。
作为示例，参见图1，图1是本申请实施例提供的睡眠检测系统的应用场景示意图。终端10通过网络连接服务器20，其中，网络可以是广域网或者局域网，又或者是二者的组合。
终端10可以被用来获取训练数据和构建分类器，例如，本领域技术人员在终端上下载准备好的训练数据，以及，搭建分类器的网络结构。可以理解的是，终端10也可以被用来获取测试体征时序序列，例如，睡眠检测设备将采集到的人体的体征信号发送给终端，终端对体征信号进行相应的处理，得到测试体征时序序列，从而，获取到测试体征时序序列。
在一些实施例中，终端10本地执行本申请实施例提供的训练睡眠检测模型的方法来完成采用训练数据对设计好的分类器进行训练，确定最终的模型参数，从而分类器配置该最终的模型参数，即可得到睡眠检测模型。在一些实施例中，终端10也可以通过网络向服务器20发送本领域技术人员在终端上存储的训练数据和构建好的分类器，服务器20接收该训练数据和分类器，采用训练数据对设计好的分类器进行训练，确定最终的模型参数，然后将该最终的模型参数发送给终端10，终端10保存该最终的模型参数，使得分类器配置能够该最终的模型参数，即可得到睡眠检测模型。
在一些实施例中，终端10可以作为睡眠检测设备，本地执行本申请实施例提供的睡眠检测的方法来为用户提供睡眠检测服务，对采集到的人体的体征信号进行相应的处理，得到测试体征时序序列，然后，调用内置的睡眠检测模型对测试体征时序序列进行相应的计算处理，得到睡眠状态。在一些实施例中，终端10也可以通过网络向服务器20发送测试体征时序序列，服务器20收到测试体征时序序列，调用内置的睡眠检测模型对测试体征时序序列，进行相应的计算处理，得到睡眠状态，然后将睡眠状态发送给终端10。终端10在接收到睡眠状态后，将睡眠状态生成报表，以告知用户。
下面说明本申请实施例中电子设备的结构，图2是本申请实施例中电子设备500的结构示意图，电子设备500包括至少一个处理器510、存储器550、至少一个网络接口520和用户接口530。电子设备500中的各个组件通过总线系统540耦合在一起。可理解,总线系统540用于实现这些组件之间的连接通信。总线系统540除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2中将各种总线都标为总线系统540。
处理器510可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的处理器等。
用户接口530包括使得能够呈现媒体内容的一个或多个输出装置531,包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口530还包括一个或多个输入装置532,包括有助于用户输入的用户接口部件,比如键盘、鼠标、麦克风、触屏显示屏、摄像头,其他输入按钮和控件。
存储器550包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory),易失性存储器可以是随机存取存储器(RAM,Random Access M emory)。本申请实施例描述的存储器550旨在包括任意适合类型的存储器。存储器550可选地包括在物理位置上远离处理器510的一个或多个存储设备。
在一些实施例中,存储器550能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作系统551,包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务；
网络通信模块552,用于经由一个或多个(有线或无线)网络接口520到达其他计算设备,示例性的网络接口520包括:蓝牙、无线相容性认证(WiFi),和通用串行总线(USB,Universal Serial Bus)等；
显示模块553,用于经由一个或多个与用户接口530相关联的输出装置531(例如，显示屏、扬声器等)使得能够呈现信息(例如,用于操作外围设备和显示内容和信息的用户接口)；
输入处理模块554,用于对一个或多个来自一个或多个输入装置532之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
根据上文可以理解,本申请实施例提供的训练睡眠检测模型的方法和睡眠检测方法可以由各种类型具有计算处理能力的电子设备实施,例如智能终端和服务器等。
下面结合本申请实施例提供的服务器的示例性应用和实施,说明本申请实施例提供的训练睡眠检测模型的方法。参见图3,图3是本申请实施例提供的训练睡眠检测模型的方法的流程示意图。
请再次参阅图3，该方法S100具体可以包括如下步骤：
S10：获取若干个体征时序序列，每个体征时序序列标注有睡眠状态标签。
其中，体征时序序列是体征参数按产生的时间顺序排列的时序数据，体征参数反映人体的生命体征，例如体征参数可以包括呼吸频率、心率或体动幅度等。可以理解的是，该体征时序序列可由传感器采集到的体征信号波计算得到。
在一些实施例中，可以采用传感器采集若干个人睡觉过程中一段时间内因生命体征而产生的体征信号波。例如，可以对1000个人进行采集，每个人采集3段体征信号波，每段体征信号波的持续时间是10分钟，从而可以得到3000个10分钟的体征信号波。然后，将这3000个10分钟的体征信号波进行计算处理，得到3000个能够反映10分钟内人体体征参数的体征时序序列。可以理解的是，在采集每个体征信号波时，操作人员可以根据经验确定对应人体的睡眠状态，从而，可以得到每个体征时序序列对应的睡眠状态，以方便后续标注标签。
对于每个体征时序序列标注有睡眠状态标签。在一些实施例中，睡眠状态可以包括清醒、深睡或浅睡。其中，各体征时序序列的睡眠状态可以采用热编码打标签的方式进行打标签，例如，“清醒”用0标注，“深睡”用1标注，“浅睡”用2标注。可以理解的是，采用热编码打标签的方式是本领域技术人员的常用手段，在此不再对其进行详细介绍。
在一些实施例中，若干个体征时序序列的数量为万级，例如可以为20000，有利于训练得到准确的通用模型。本领域技术人员可根据实际情况确定体征时序序列的数量。
在一些实施例中，该方法S100还包括：
(1)获取由压电薄膜传感器采集到的预设时间内的心冲击信号波，传感器设置于用于供人睡卧的家具上；
(2)对心冲击信号波进行带通滤波，得到体征信号波；
(3)根据体征信号波，获取体征时序序列。
请参阅图4，压电薄膜传感器可放置在床单上或者床单下，并位于用户腋窝正下方。当人躺在床上后，由于呼吸、心跳和体动会使得人的身体产生微动，对会压电薄膜传感器产生微弱压力，导致压电薄膜传感器产生形变，产生心冲击信号(Ballistocardiogram,BCG)。可以理解的是，BCG信号即是由压电传薄膜感器所采集到的由于心脏搏动或身体运动对接触面产生的瞬间冲击力，它包含了丰富的睡眠相关的生理信息如呼吸、心率或体动等。
由于压电薄膜传感器不接触皮肤、无需穿戴捆绑、无感监测，再加上灵敏度高、柔软轻便、探测面积大，铺设在床单下，能准确捕捉到在床的人的体动大小、离床、心率或呼吸率等数据，人体几乎感觉不到传感器的存在，不会对睡眠造成干扰。
可以理解的是，该心冲击信号波是由各项体征(例如体动、心率或呼吸率)所产生的压力信号混合而成的，由于各项体征所产生的信号波的频带不同，从而，可以通过设置与各项体征相应的频段，对心冲击信号波进行带通滤波，得到体征信号波。
例如，在一些实施例中，可以采用第一预设频带对该心冲击信号波进行带通滤波，得到呼吸信号波(体征信号波的一种)。其中，第一预设频带的波段频率与由呼吸产生的信号的波段频率相适应，其能覆盖所述由呼吸产生的信号的所有波段频率，又能与由其它体征产生的信号相区分(例如由心率或体动产生的信号)，而且无重叠，从而，可分离出由呼吸产生的信号。同理，可以采用第二预设频带对该心冲击信号波进行带通滤波，得到心跳信号波，采用第三预设频带对该心冲击信号波进行带通滤波，得到体动信号波。
在得到体征信号波后，可以根据体征信号波，获取体征时序序列。对体征信号波进行处理后可以得到每秒实时输出的一组心率时序序列、呼吸时序序列和体动时序序列。若体征信号波每秒采集一个信号值，采集预设时间(10分钟)，一共600个信号值，则对应的心率时序序列共有600个心率值，呼吸时序序列共有600个呼吸率值，体动时序序列共有600个体动值。
在此实施例中，采用压电薄膜传感器采集到预设时间内的心冲击信号波，然后基于心冲击信号波，获取体征时序序列。一方面，压电薄膜传感器不接触皮肤、无需穿戴捆绑、无感监测，人体几乎感觉不到传感器的存在，不会对睡眠造成干扰；另一方面，灵敏度高、柔软轻便、探测面积大，铺设在床单下，能准确捕捉到在床的人的体征，从而，能够获得准确的体征时序序列。
S30：对每个体征时序序列进行特征工程处理，得到体征特征数据。
可以理解的是，对于前述若干个体征时序序列中的任意一个，进行特征工程处理，处理得到体征特征数据。
其中，特征工程处理是指是将原始数据转化成更好的表达问题本质的特征的过程，使得将这些特征运用到预测模型中能提高对不可见数据的模型预测精度。在此实施例中，进行特征工程处理，就是发现对判断睡眠状态有明显影响作用的特征，构成体征特征数据。这些体征特征数据可以更好地向分类器描述区分睡眠状态的潜在规律，减少噪声的干扰。从而提高模型对未见数据的准确性，便于模型准确区分人体的睡眠状态。
在一些实施例中，体征时序序列包括体动时序序列。可以理解的是，对压电薄膜传感器采集到的心冲击信号波进行带通滤波，分离出体动信号波。然后，根据体动信号波每分钟内的压力均值确定每分钟内的体动值，得到体动时序序列。体动时序序列包括体动值和时间之间的对应关系，反映一段连续时间内的体动值。
在一些实施例中，前述步骤S30具体包括：
S31：计算体动时序序列的样本熵，将得到的体动样本熵作为体征特征数据。
其中，样本熵是通过度量信号中产生新模式的概率大小来衡量时间序列复杂性的指标。下面示例性说明体动样本熵的计算过程：
假设体动时序序列为{x(n)}＝x(1),x(2),...,(N),首先，按序号组成一组维数为m的向量序列，Xm(1),...,m(-m+1)，其中Xm(i)＝x(i),(i+1),...,(i+m-1)，1≤i≤N-m+1。这些向量代表从第i点开始的m个连续的x的值。如图5所示，在一些实施例中，m可以为2，对体动时序序列做切分。
统计两个片段Xm(i)和Xm(j)之间距离小于或等于r的j的个数，并记作Bi，其中，r取体动时序序列中体动标准差的0.2倍，1≤j≤N-m，j≠i。统计两个片段Xm+1(i)和Xm+1(j)之间距离小于或等于r的j的个数，并记作Ai，具体公式如下：
Figure BDA0003964864040000121
Figure BDA0003964864040000122
Figure BDA0003964864040000123
其中，SampEn即为体动样本熵(体动时序序列的样本熵)。
可以理解的是，体动样本熵的值越小，体动时序序列的自我相似性就越高；体动样本熵的值越大，体动时序序列就越复杂，意味着该体动时序序列的噪声和随机性越大，说明可能处于清醒状态。
在此实施例中，计算体动时序序列的样本熵，将得到的体动样本熵作为体征特征数据。基于体动样本熵能够很好地反映体动时序序列的复杂性，复杂性又能反映睡眠状态，从而，体动样本熵能够更好地帮助分类器区分睡眠状态。此外，相比于采用原始的体动时序序列训练分类器，更够减少无效冗余数据的干扰。
在一些实施例中，前述步骤S30还具体包括：
S32：对体动时序序列进行分箱处理，将得到的体动分箱序列作为体征特征数据。
其中，分箱处理是将数据按特定的规则进行分组，以实现数据的离散化，增强数据稳定性，减少过拟合风险。这里，将体动时序序列进行分箱处理，得到的体动分箱序列具有更强的数据稳定性。
请参阅图6，图6为对体动时序序列进行分箱处理的过程示意图。首先，将体动时序序列中的各个体动值按从小到大排序，获取位于ql分位数的体动值，位于qh分位数的体动值，例如,ql可以是60％，qh可以是80％。采用ql和qh两个分位数的体动值确定一个区间，计算区间内体动值对应的连续变化量的均值。其中，连续变化量是指体动时序序列中后一个元素减去前一个元素得到的差值，例如X2-X1，X3-X2，...,XN-1-XN-2，XN-XN-1。筛选出落于区间内的体动值对应的连续变化量，然后，计算他们的均值。例如，若一段序列是[0,4,2,3,4,4,4,4,5,6,10]，区间是[4,5]，区间内的数据(下划线)：[0,4,2,3,4,4,4,4,5,6,10]，在该序列对应的连续变化量中[4,-2,1,1,0,0,0,1,1,4]，“0,0,0,1”是落于区间[4,5]内的体动值的连续变化量，它们的均值为0.25。当计算完整个体动时序序列后，得到的各个均值构成体动分箱序列。
在此实施例中，将体动分箱序列作为体征特征数据，能够减少冗余数据的干扰，使得体动特征包容异常值的能力增强，体动特征出现分类器无法处理值的可能性也就降低了很多，从而，有利于提高训练得到的模型的稳定性与鲁棒性。
在一些实施例中，体征时序序列还包括心率时序序列。可以理解的是，对压电薄膜传感器采集到的心冲击信号波进行带通滤波，分离出心跳信号波。然后，基于心率为每分钟的心跳次数，从而可以根据心跳信号波每分钟内的峰值数量确定心率，得到心率时序序列。
在一些实施例中，前述步骤S30还具体包括：
S33：计算心率时序序列中心率值的均方根，将得到的心率均方根作为体征特征数据。
这里，可以采用如下公式计算心率时序序列中心率值的均方根；
Figure BDA0003964864040000141
基于均方根能够反映心率时序系列中心率值的离散程度，若均方根小，离散程度小，心率比较均匀，说明可能处于深睡状态；若均方根适中，说明可能处于浅睡状态，若均方根较大，离散程度大，说明可能处于清醒状态。
在此实施例中，计算心率时序序列中心率值的均方根，将得到的心率均方根作为体征特征数据。基于心率均方根能够反映睡眠状态，从而，心率均方根能够更好地帮助分类器区分睡眠状态。
在一些实施例中，前述步骤S30还具体包括：
S34：计算心率时序序列的排列熵，将得到的心率排列熵作为体征特征数据。
其中，排列熵是衡量时间序列复杂程度以及度量信息不确定性的指标。下面示例性说明心率排列熵的计算过程，长度为N的时序序列，则有N！种相邻数据点的不同排列方式，pi为每种排列的概率：
Figure BDA0003964864040000142
计算每种排列的概率，将它们的熵作为排列熵。可以理解的是，排列熵的值越小，心率时序序列的自我相似性就越高；排列熵的值越大，心率时序序列就越复杂，意味着该心率时序序列的噪声和随机性越大，说明可能处于清醒状态。
在此实施例中，计算心率时序序列的排列熵，将得到的心率排列熵作为体征特征数据。基于心率排列熵能够很好地反映心率时序序列的复杂性，复杂性又能反映睡眠状态，从而，排列熵能够更好地帮助分类器区分睡眠状态。此外，相比于采用原始的心率时序序列训练分类器，更够减少无效冗余数据的干扰。
在一些实施例中，前述步骤S30还具体包括：
S35：对心率时序序列进行连续小波变化，将得到的连续小波变化系数作为体征特征数据。
这里，可以采用以下公式进行连续小波变化：
Figure BDA0003964864040000151
其中，a是宽度参数，x包括x1,x2,x3,...,xN,cwt是连续小波变化系数。
在此实施例中，连续小波变化可以检测出信号中的突变点和振荡部分，突变点会影响所有尺度的连续小波变化系数(cwt)，并清楚地与小尺度上更平滑的信号特征区分开来。也即，连续小波变化系数可以清楚地告知分类器心率的突变点和振荡部分，这些突变点和振荡部分与睡眠深度呈反比，从而，分类器能够学习到反映睡眠状态的特征。
在一些实施例中，前述步骤S30还具体包括：
S36：计算心率时序序列的样本熵，将得到的心率样本熵作为体征特征数据。
在步骤S31中已经介绍了样本熵及其计算过程，可以理解的是，心率样本熵与体动样本熵的计算过程类似，在此不再重复赘述。
可以理解的是，心率样本熵的值越小，说明心率时序序列的自我相似性就越高；心率样本熵的值越大，说明心率时序序列就越复杂，意味着该心率时序序列的噪声和随机性越大，说明可能处于清醒状态。
在此实施例中，计算心率时序序列的样本熵，将得到的心率样本熵作为体征特征数据。基于心率样本熵能够很好地反映心率时序序列的复杂性，复杂性又能反映睡眠状态，从而，心率样本熵能够更好地帮助分类器区分睡眠状态。此外，相比于采用原始的心率时序序列训练分类器，更够减少无效冗余数据的干扰。
在一些实施例中，体征时序序列还包括呼吸时序序列。可以理解的是，对压电薄膜传感器采集到的心冲击信号波进行带通滤波，分离出呼吸信号波。然后，基于呼吸率为每分钟的呼吸次数，从而可以根据呼吸信号波每分钟内的峰值数量确定呼吸率，得到呼吸时序序列。
在一些实施例中，前述步骤S30还具体包括：
S37：计算呼吸时序序列的变异系数，将得到的呼吸变异系数作为体征特征数据。
其中，变异系数可以是呼吸时序序列中各呼吸率的标准差除以均值。采用如下公式计算该变异系数：
Figure BDA0003964864040000161
其中，σ为标准差，μ为均值，cv为呼吸变异系数。
可以理解的是，呼吸变异系数能够反映呼吸时序序列中呼吸率的离散程度。若呼吸变异系数小，离散程度小，呼吸率比较均匀，说明可能处于深睡状态；若呼吸变异系数适中，说明可能处于浅睡状态，若呼吸变异系数较大，离散程度大，说明可能处于清醒状态。
在此实施例中，将呼吸变异系数作为体征特征数据，基于呼吸变异系数能够反映睡眠状态，从而，呼吸变异系数能够更好地帮助分类器区分睡眠状态。
在一些实施例中，前述步骤S30还具体包括：
S38：对呼吸时序序列进行非线性统计，将得到的滞后累积量均值作为体征特征数据。
其中，非线性统计是指衡量时间序列的非线性，即求解多个滞后累积量的均值。请参阅图7，n为呼吸时序序列的长度，lag可取2，采用以下公式计算滞后累积量c3，然后计算这些滞后累积量的均值，即可得到滞后累积量均值。
Figure BDA0003964864040000162
其中，c3为滞后累积量，lag为滞后范围，xi为呼吸时序序列中的第i个呼吸率。
在此实施例中，对呼吸时序序列进行非线性统计，将得到的滞后累积量均值作为体征特征数据，能够帮助分类器学习呼吸率的非线性特点，有利于训练得到准确的睡眠检测模型。
在一些实施例中，前述步骤S30还具体包括：
S39：对呼吸时序序列进行分箱处理，将得到的呼吸分箱序列作为体征特征数据。
在步骤S32中已经介绍了分箱处理及其计算过程，可以理解的是，呼吸分箱序列与体动分箱序列的计算过程类似，在此不再重复赘述。在此实施例中，ql可以是40％，qh可以是80％。
在此实施例中，将呼吸分箱序列作为体征特征数据，能够减少冗余数据的干扰，使得呼吸特征包容异常值的能力增强，呼吸特征出现分类器无法处理值的可能性也就降低了很多，从而，有利于提高训练得到的模型的稳定性与鲁棒性。
在一些实施例中，在前述步骤S30之前，该方法还包括：
S20：对每个体征时序序列进行数据预处理。
可以理解的是，数据预处理是指对体征时序序列进行清理、转化等操作，使得处理后的体征时序序列更有利于分类器学习。
在一些实施例中，前述步骤S20具体包括：
S21：采用移动平均滤波器对体征时序序列进行滤波处理。
移动平均滤波器对体征时序序列进行滤波处理时，采用一个宽度固定的滑动窗口，该滑动窗口沿着体征时序序列滑动，同时取滑动窗口内的数据的算术平均值作为输出值，而由输出值组成另一个时序序列，也就是滤波后的体征时序序列。
在一些实施例中，体征时序序列包括体动时序序列、心率时序序列和呼吸时序序列。请参阅图8，可以采用宽度为5秒的滑动窗口，分别在体动时序序列、心率时序序列和呼吸时序序列上，采用平均滤波公式，做移动平均滤波处理，每次滑动1秒；其中，平均滤波公式如下：
Figure BDA0003964864040000171
其中，N为窗口大小，例如N可以是5，t为时间(单位秒)，x(t)表示t时刻的体征值(例如体动值、心率或呼吸率)。
在此实施例中，采用移动平均滤波器对体征时序序列进行滤波处理，能够有效减少体征时序序列中异常值对分类器的干扰。
在一些实施例中，前述步骤S40具体包括：
S22：对经滤波处理后得到的体征时序序列进行相对化处理。
可以理解的是，相对化处理能够缩小数值差距，以减少数量级对分类器的干扰。
在一些实施例中，可以遍历体征时序序列，计算当前体征值对应的相对值为当前体征值与前预设时间内的体征最小值的差值。若当前体征值对应的相对值小于0，则将当前体征值的相对值设置为0。具体地，采用如下公式计算t时刻特征值的相对值：
x′t＝xt-min(xt-xt-10)；
当x′t<0，则x′t＝0；
其中，xt为t时刻的体征值，xt-10为t-10时刻的体征值，x′t为xt的相对值。
在此实施例中，对经滤波处理后得到的体征时序序列进行相对化处理，使得相对化处理后的体征时序序列中各体征值的数值差距小，以减少数量级对分类器的干扰。后续步骤S30是基于相对化处理后的体征时序序列进行的，使得体征特征数据更加准确地向分类器描述区分睡眠状态的潜在规律，减少噪声的干扰。。
S50：将若干个体征特征数据作为训练集，对分类器进行迭代训练，直至分类器收敛，得到睡眠检测模型。
请参阅图9，将若干个体征特征数据作为训练集，对分类器进行训练，不断调整分类器的参数，在损失函数的约束下，分类器输出的预测标签会越来越接近真实标签，当由损失函数计算的误差在一定范围内波动或达到某一值时，分类器收敛，此时将分类器的参数作为模型参数，得到睡眠检测模型。
其中，分类器可以是预先设置的。在一些实施例中，分类器可以是随机森林模型。随机森林模型是集成模型，通过集成多颗决策树来提升模型决策能力，有较高的准确率，具有可解释性，从而，可以追溯到影响睡眠质量的体征数据上，给出合理健康建议。
综上所述，本申请实施例提供的训练睡眠检测模型的方法，首先获取若干个体征时序序列，每个体征时序序列标注有睡眠状态标签。然后，对每个体征时序序列进行特征工程处理，得到体征特征数据。最后，将若干个体征特征数据作为训练集，对分类器进行迭代训练，直至分类器收敛，得到睡眠检测模型。在此实施例中，训练前先对若干个体征时序序列进行特征工程处理，能够发现影响模型检测结果的重要特征，更清楚地表达决定睡眠状态的体征特征，从而，能够训练得到检测准确的睡眠检测模型，即训练出的睡眠检测模型能够准确检测睡眠状态。
在通过本申请实施例提供的训练睡眠检测模型的方法训练得到睡眠检测模型后，可以利用该睡眠检测模型应用至睡眠检测。本申请实施例提供的睡眠检测方法可以由各种类型具有计算处理能力的电子设备实施,例如睡眠检测设备或服务器等。
下面结合本申请实施例提供的睡眠检测设备的示例性应用和实施,说明本申请实施例提供的睡眠检测方法。参阅图10，图10是本申请实施例提供的睡眠检测方法的流程示意图。该方法S200可以包括如下步骤：
S201：获取用户的测试体征时序序列。
其中，测试体征时序序列可以是睡眠检测设备在使用过程中采集生成的，例如用户躺在如图4所示的床上休息，睡眠检测设备的压电薄膜传感器采集一段时间内用户的心冲击信号波，然后，根据用户的心冲击信号波，获取测试体征时序序列，具体获取方式可以参照训练实施例中步骤(1)至(3)，在此不再重复赘述。
S202：对测试体征时序序列进行特征工程处理，得到测试体征特征数据。
这里，对测试体征时序序列进行特征工程处理，就是发现对判断睡眠状态有明显影响作用的特征，构成测试体征特征数据。这些测试体征特征数据有利于睡眠检测模型进行分类判断。可以理解的是，特征工程处理的具体方式可以参照训练实施例中步骤S30的方式，在此不再重复赘述。
S203：将测试体征特征数据输入睡眠检测模型，得到用户的睡眠状态，其中，睡眠检测模型是采用上述实施例中训练睡眠检测模型的方法训练得到的。
如图11所示，将测试体征数据输入睡眠检测模型，即可输出用户的睡眠状态。这里，睡眠检测模型是指通过前述图3-图9的训练方法训练得到的睡眠检测模型，与上述实施例中睡眠检测模型具有相同的结构和功能，在此不再一一赘述。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使电子设备执行本申请实施例提供的训练睡眠检测模型的方法，例如，如图3-9所示出的训练睡眠检测模型的方法，或本申请实施例提供的睡眠检测方法。
在一些实施例中,存储介质可以是FRAM、ROM、PROM、EPROM、EE PROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(H TML,HyperTextMarkupLanguage)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备(包括智能终端和服务器在内的设备)上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点目通过通信网络互连的多个计算设备上执行。
需要说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种训练睡眠检测模型的方法，其特征在于，包括：
获取若干个体征时序序列，每个所述体征时序序列标注有睡眠状态标签；
对每个所述体征时序序列进行特征工程处理，得到体征特征数据；
将若干个所述体征特征数据作为训练集，对分类器进行迭代训练，直至所述分类器收敛，得到所述睡眠检测模型。
2.根据权利要求1所述的方法，其特征在于，所述体征时序序列包括体动时序序列；
所述对每个所述体征时序序列进行特征工程处理，得到体征特征数据，包括：
计算所述体动时序序列的样本熵，将得到的体动样本熵作为所述体征特征数据；和/或，
对所述体动时序序列进行分箱处理，将得到的体动分箱序列作为所述体征特征数据。
3.根据权利要求2所述的方法，其特征在于，所述体征时序序列还包括心率时序序列；
所述对每个所述体征时序序列进行特征工程处理，得到体征特征数据，还包括：
计算所述心率时序序列中心率值的均方根，将得到的心率均方根作为所述体征特征数据；和/或，
计算所述心率时序序列的排列熵，将得到的心率排列熵作为所述体征特征数据；和/或，
对所述心率时序序列进行连续小波变化，将得到的连续小波变化系数作为所述体征特征数据；和/或，
计算所述心率时序序列的样本熵，将得到的心率样本熵作为所述体征特征数据。
4.根据权利要求3所述的方法，其特征在于，所述体征时序序列还包括呼吸时序序列；
所述对每个所述体征时序序列进行特征工程处理，得到体征特征数据，还包括：
计算所述呼吸时序序列的变异系数，将得到的呼吸变异系数作为所述体征特征数据；和/或，
对所述呼吸时序序列进行非线性统计，将得到的滞后累积量均值作为所述体征特征数据；和/或，
对所述呼吸时序序列进行分箱处理，将得到的呼吸分箱序列作为所述体征特征数据。
5.根据权利要求1-4任意一项所述的方法，其特征在于，在所述对每个所述体征时序序列进行特征工程处理，得到体征特征数据的步骤之前，所述方法还包括：
对每个所述体征时序序列进行数据预处理。
6.根据权利要求5所述的方法，其特征在于，对每个所述体征时序序列进行数据预处理，包括：
采用移动平均滤波器对所述体征时序序列进行滤波处理；和/或，
对经所述滤波处理后得到的体征时序序列进行相对化处理。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取由传感器采集到的预设时间内的心冲击信号波，所述传感器设置于用于供人睡卧的家具上；
对所述心冲击信号波进行带通滤波，得到体征信号波；
根据所述体征信号波，获取所述体征时序序列。
8.一种睡眠检测方法，其特征在于，包括：
获取用户的测试体征时序序列；
对所述测试体征时序序列进行特征工程处理，得到测试体征特征数据；
将所述测试体征特征数据输入睡眠检测模型，得到所述用户的睡眠状态，其中，所述睡眠检测模型是采用如权利要求1-7任意一项训练睡眠检测模型的方法训练得到的。
9.一种电子设备，其特征在于，包括：
至少一个处理器，以及
与所述至少一个处理器通信连接的存储器，其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机设备执行如权利要求1-8任一项所述的方法。
CN202211490746.6A 2022-11-25 2022-11-25 训练睡眠检测模型的方法、睡眠检测方法及相关装置 Pending CN115905920A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211490746.6A CN115905920A (zh) 2022-11-25 2022-11-25 训练睡眠检测模型的方法、睡眠检测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211490746.6A CN115905920A (zh) 2022-11-25 2022-11-25 训练睡眠检测模型的方法、睡眠检测方法及相关装置

Publications (1)

Publication Number Publication Date
CN115905920A true CN115905920A (zh) 2023-04-04

Family

ID=86489235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211490746.6A Pending CN115905920A (zh) 2022-11-25 2022-11-25 训练睡眠检测模型的方法、睡眠检测方法及相关装置

Country Status (1)

Country Link
CN (1) CN115905920A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409985A (zh) * 2023-12-13 2024-01-16 中国科学院苏州生物医学工程技术研究所 一种心衰患者的睡眠监测及改善方法、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409985A (zh) * 2023-12-13 2024-01-16 中国科学院苏州生物医学工程技术研究所 一种心衰患者的睡眠监测及改善方法、设备及存储介质
CN117409985B (zh) * 2023-12-13 2024-03-22 中国科学院苏州生物医学工程技术研究所 一种心衰患者的睡眠监测及改善方法、设备及存储介质

Similar Documents

Publication Publication Date Title
EP3558101B1 (en) Methods and systems for determining abnormal cardiac activity
TW201918222A (zh) 事件檢測方法及設備、房顫檢測方法和非暫時性儲存介質
CN110945597A (zh) 用于预测癫痫发作的方法和系统
CN107595243A (zh) 一种病症评估方法及终端设备
JP7373555B2 (ja) Ｅｅｇ信号を使用した運動機能の定量化
US11317840B2 (en) Method for real time analyzing stress using deep neural network algorithm
Kalaivani et al. Prediction of biomedical signals using deep learning techniques
CN103429150A (zh) 用于监测生理信号的监测装置
TW201521676A (zh) 一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法
Long et al. A scoping review on monitoring mental health using smart wearable devices
CN105100701A (zh) 提高从主体的视频获得的生理信号的准确性
CN109065163A (zh) 中医诊断服务平台
CN115905920A (zh) 训练睡眠检测模型的方法、睡眠检测方法及相关装置
Alam et al. Autocognisys: Iot assisted context-aware automatic cognitive health assessment
CN110811638A (zh) 一种用于监测睡眠的svm分类器构建方法、系统及方法
Raghu et al. Automated biomedical signal quality assessment of electromyograms: Current challenges and future prospects
CN110916672A (zh) 一种基于一维卷积神经网络的老年人日常活动监测方法
KR102539796B1 (ko) 수면다원검사 및 인공지능을 이용한 수면 분석 시스템 및 방법
CN111311466A (zh) 安全控制方法及装置
Hakim et al. Emotion recognition in elderly based on SpO 2 and pulse rate signals using support vector machine
Paragliola et al. A deep learning-based approach for the recognition of sleep disorders in patients with cognitive diseases: A case study.
Pirasteh et al. EEG-based brain-computer interface methods with the aim of rehabilitating advanced stage ALS patients
WO2022020645A1 (en) Systems and methods for rapidly screening for signs and symptoms of disorders
Li et al. Towards safer flights: a multi-modality fusion technology-based cognitive load recognition framework
Grzywalski et al. Interactive Lungs Auscultation with Reinforcement Learning Agent

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