CN115969330B - 一种睡眠情绪活跃水平检测量化的方法、系统和装置 - Google Patents
一种睡眠情绪活跃水平检测量化的方法、系统和装置 Download PDFInfo
- Publication number
- CN115969330B CN115969330B CN202310268400.XA CN202310268400A CN115969330B CN 115969330 B CN115969330 B CN 115969330B CN 202310268400 A CN202310268400 A CN 202310268400A CN 115969330 B CN115969330 B CN 115969330B
- Authority
- CN
- China
- Prior art keywords
- emotion
- sleep
- nerve
- analysis
- curve
- 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.)
- Active
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 586
- 230000000694 effects Effects 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 83
- 210000005036 nerve Anatomy 0.000 claims abstract description 216
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 177
- 230000002996 emotional effect Effects 0.000 claims abstract description 83
- 230000002567 autonomic effect Effects 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 58
- 230000004622 sleep time Effects 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000011002 quantification Methods 0.000 claims abstract description 17
- 230000001537 neural effect Effects 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 247
- 210000000467 autonomic pathway Anatomy 0.000 claims description 133
- 238000012512 characterization method Methods 0.000 claims description 97
- 230000000284 resting effect Effects 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 29
- 230000008878 coupling Effects 0.000 claims description 22
- 238000010168 coupling process Methods 0.000 claims description 22
- 238000005859 coupling reaction Methods 0.000 claims description 22
- 238000007726 management method Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 10
- 210000004369 blood Anatomy 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 230000002618 waking effect Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 4
- 230000036772 blood pressure Effects 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 3
- 230000008667 sleep stage Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000002582 magnetoencephalography Methods 0.000 claims description 2
- 230000036651 mood Effects 0.000 claims 4
- 238000002156 mixing Methods 0.000 claims 1
- DDBREPKUVSBGFI-UHFFFAOYSA-N phenobarbital Chemical compound C=1C=CC=CC=1C1(CC)C(=O)NC(=O)NC1=O DDBREPKUVSBGFI-UHFFFAOYSA-N 0.000 claims 1
- 230000005764 inhibitory process Effects 0.000 abstract description 4
- 210000003169 central nervous system Anatomy 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000036765 blood level Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010022998 Irritability Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000010482 emotional regulation Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005056 memory consolidation Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000004461 rapid eye movement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
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
本发明提供了睡眠情绪活跃水平检测量化的方法,包括:对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理、中枢神经情绪特征交叉分析和自主神经情绪特征交叉分析,生成睡眠情绪中枢神经表征水平曲线和睡眠情绪自主神经表征水平曲线;根据水平曲线量化用户在不同睡眠状态、不同时帧的情绪表征水平,量化不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线;根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告。本发明实现了对睡眠过程中情绪活跃或抑制水平进行科学量化。
Description
技术领域
本发明涉及睡眠情绪活跃水平检测量化及辅助干预领域,特别涉及一种睡眠情绪活跃水平检测量化的方法、系统和装置。
背景技术
睡眠在人类功能和认知中起着关键作用,影响学习、记忆、身体恢复、新陈代谢和免疫。睡眠在调节不良情绪、化解精神心理冲突、保障身心健康方面起着至关重要的作用。国外研究表明,不同睡眠时相结构对人类的记忆巩固、情绪调节有着不同的心理意义和生理价值,快速眼动睡眠期在调节大脑处理情感区域和睡眠后情绪恢复方面具有优先作用,能够减少消极偏见和增强对积极情绪的认知。睡眠中断或剥夺是多种精神疾病的症状和危险因素,睡眠不足会增加混乱、愤怒、抑郁、易怒、攻击性和沮丧感的发生率。
无论是生理体征还是心理状态的情绪表达方式和表征强度,睡眠状态与清醒状态的差异特别大,这也导致了清醒状态的情绪活跃水平量化方式在睡眠状态情绪活跃水平量化时不合理甚至完全不适用。如何构建有效的检测手段、分析路径、量化框架和评估指标,科学合理地评价不同文化、不同人群、不同健康状态的睡眠过程中情绪活跃或抑制水平,成为了国内外睡眠健康、睡眠临床和睡眠研究仍未解决的难题。
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情绪活跃水平检测量化的方法,通过对睡眠过程的中枢神经和自主神经的生理状态信号进行采集记录和时帧处理,经过神经情绪特征交叉分析得到睡眠情绪中枢神经表征水平曲线和睡眠情绪自主神经表征水平曲线,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃指数和睡眠情绪活跃水平曲线,并进一步结合睡眠时相曲线分析得到时相情绪活跃相关系数,生成睡眠情绪活跃水平报告,从而实现了从中枢神经和自主神经的神经状态波动来对不同文化、不同人群、不同健康状态的睡眠过程中情绪活跃或抑制水平进行科学地检测、分析、量化和评估。本发明还提供了一种睡眠情绪活跃水平检测量化的系统,用于实现上述方法。本发明还提供了一种睡眠情绪活跃水平检测量化的装置,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情绪活跃水平检测量化的方法,包括以下步骤:
对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理,得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据;
对所述中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,得到睡眠情绪中枢神经表征时帧特征,提取睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线;
对所述自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,得到睡眠情绪自主神经表征时帧特征,提取睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线;
根据所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线;
根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告。
更优地,所述对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理,得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据的具体步骤还包括:
对用户睡眠过程的中枢神经生理状态和自主神经生理状态进行采集监测,生成中枢神经生理信号和自主神经生理信号;
对所述中枢神经生理信号和所述自主神经生理信号进行所述时帧处理,生成所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据。
更优地,所述生理状态信号至少包括中枢神经生理信号和自主神经生理信号。
更优地,所述中枢神经生理信号至少包括脑电信号、脑磁信号、血氧水平依赖信号和皮肤电信号;所述自主神经生理信号至少包括心电信号、脉搏信号、呼吸信号、血氧信号、血压信号、体温信号、血氧水平依赖信号和皮肤电信号。
更优地,所述时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和时帧划分;其中,所述矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理,所述时帧划分具体为按照预设时间窗口和预设时间步长对目标信号进行截取处理。
更优地,所述对所述中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,得到睡眠情绪中枢神经表征时帧特征,提取睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线的具体步骤还包括:
对所述中枢神经生理状态时帧数据进行所述中枢神经情绪特征交叉分析,经特征选择得到所述睡眠情绪中枢神经表征时帧特征;
采集获取当前用户清醒时静息态下的所述中枢神经生理状态时帧数据,并进行所述中枢神经情绪特征交叉分析和特征值均值计算,得到中枢神经静息情绪水平基线特征指标集;
根据所述睡眠情绪中枢神经表征时帧特征和所述中枢神经静息情绪水平基线特征指标集,提取全部时帧的所述睡眠情绪中枢神经表征水平指数,生成所述睡眠情绪中枢神经表征水平曲线。
更优地,所述中枢神经情绪特征交叉分析至少包括数值特征分析、包络特征分析、时频特征分析、非线性特征分析和多模信号耦合特征分析;其中,所述数值特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度;所述时频特征至少包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率;所述包络特征至少包括包络信号、归一化包络信号、包络均值、包络均方根、包络最大值、包络最小值、包络方差、包络标准差、包络变异系数、包络峰度和包络偏度;所述非线性特征至少包括熵特征、分形特征和复杂度特征。
更优地,所述多模信号耦合特征分析是指计算不同模态信号之间的关系特征,得到两个不同模态信号的耦合和/或协同关系指数。
更优地,所述关系特征至少包括关联特征和距离特征;其中,所述关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数,所述距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
更优地,所述睡眠情绪中枢神经表征水平指数和所述睡眠情绪中枢神经表征水平曲线的计算生成方法具体为:
1)采集当前用户的所述中枢神经静息情绪水平基线特征指标集和所述睡眠情绪中枢神经表征时帧特征;
2)计算所述睡眠情绪中枢神经表征时帧特征中的特征值与所述中枢神经静息情绪水平基线特征指标集中基线特征指标值的相对变化量,得到睡眠情绪中枢神经表征特征相对变化指标集;
3)对所述睡眠情绪中枢神经表征特征相对变化指标集中的全部指标进行加权融合计算,得到当前时帧下的所述睡眠情绪中枢神经表征水平指数;
4)按时序求得全部时帧的所述睡眠情绪中枢神经表征水平指数,生成并得到所述睡眠情绪中枢神经表征水平曲线。
更优地,所述对所述自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,得到睡眠情绪自主神经表征时帧特征,提取睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线的具体步骤还包括:
对所述自主神经生理状态时帧数据进行所述自主神经情绪特征交叉分析,经特征选择得到所述睡眠情绪自主神经表征时帧特征;
采集获取当前用户清醒时静息态下的所述自主神经生理状态时帧数据,并进行所述自主神经情绪特征交叉分析和特征值均值计算,得到自主神经静息情绪水平基线特征指标集;
根据所述睡眠情绪自主神经表征时帧特征和所述自主神经静息情绪水平基线特征指标集,提取全部时帧的所述睡眠情绪自主神经表征水平指数,生成所述睡眠情绪自主神经表征水平曲线。
更优地,所述自主神经情绪特征交叉分析至少包括数值特征分析、时频特征分析、心率变异性特征分析、非线性特征分析和所述多模信号耦合特征分析;其中,所述数值特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度;所述时频特征至少包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率;所述心率变异性特征至少包括心率、心率变异系数、RR间期、NN间期;所述非线性特征至少包括熵特征、分形特征和复杂度特征。
更优地,所述睡眠情绪自主神经表征水平指数和所述睡眠情绪自主神经表征水平曲线的计算生成方法具体为:
1)采集当前用户的所述自主神经静息情绪水平基线特征指标集和所述睡眠情绪自主神经表征时帧特征;
2)计算所述睡眠情绪自主神经表征时帧特征中的特征值与所述自主神经静息情绪水平基线特征指标集中基线特征指标值的相对变化量,得到睡眠情绪自主神经表征特征相对变化指标集;
3)对所述睡眠情绪自主神经表征特征相对变化指标集中的全部指标进行加权融合计算,得到当前时帧下的所述睡眠情绪自主神经表征水平指数;
4)按时序求得全部时帧的所述睡眠情绪自主神经表征水平指数,生成并得到所述睡眠情绪自主神经表征水平曲线。
更优地,所述根据所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线的具体步骤还包括:
采集分析并计算获取不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期不同情绪应激任务态下的所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据,通过所述中枢神经情绪特征交叉分析和所述自主神经情绪特征交叉分析,经求特征值均值处理得到不同状态下的情绪中枢神经表征水平指数和情绪自主神经表征水平指数的静息基线值和不同情绪应激任务基线值,建立标准情绪活跃曲线特征基线指标集;
根据所述标准情绪活跃曲线特征基线指标集、所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,按照时序计算得到全部时帧的睡眠情绪活跃水平指数,生成所述睡眠情绪活跃水平曲线。
更优地,所述情绪活跃水平指数和所述睡眠情绪活跃水平曲线的计算方法具体为:
1)不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期不同情绪应激任务态下的所述标准情绪活跃曲线特征基线指标集;
2)获取当前用户的所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线,并计算与同年龄层健康人群的所述标准情绪活跃曲线特征基线指标集中的静息基线值和不同情绪应激任务基线值的基线变化量值,即经基线变化分析,得到睡眠情绪活跃曲线特征变化量集;
3)对所述睡眠情绪活跃曲线特征变化量集中的全部指标进行均值调和分析,得到均值调和值,即当前时帧下的所述睡眠情绪活跃水平指数;
4)按时序求得全部时帧的所述睡眠情绪活跃水平指数,生成并得到所述睡眠情绪活跃水平曲线。
更优地,所述基线变化分析的具体计算方式为:
更优地,所述均值调和分析是一种以数值数组的均值、中位数、分位数、绝对值均值、绝对值中位数、绝对值分位数为观察基点基础,以数值数组的最大值、最小值、方差、变异系数、峰度、偏度、绝对值最大值、绝对值最小值、绝对值方差、绝对值变异系数、绝对值峰度、绝对值偏度为主要分析调和项,来观察分析数值数组的均值波动状态和总体趋势变化的数据分析方法。
更优地,所述均值调和分析的一种具体计算方式为:
更优地,所述根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告的具体步骤还包括:
根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到所述睡眠时相曲线;
分析计算所述睡眠时相曲线和所述睡眠情绪活跃水平曲线的关系特征,提取所述时相情绪活跃相关系数,所述关系特征至少包括关联特征和距离特征;
根据所述睡眠时相曲线、所述睡眠情绪活跃水平曲线和所述时相情绪活跃相关系数,分析计算并生成所述睡眠情绪活跃水平报告。
更优地,所述睡眠时相曲线的提取方法具体为:
1)通过深度学习算法对规模睡眠用户样本的所述中枢神经生理状态时帧数据、所述自主神经生理状态时帧数据及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相自动分期模型;
2)将当前用户的所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据输入所述睡眠时相自动分期模型,得到所对应的睡眠时相分期值;
3)按照时序获取全部时帧的所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据的所述睡眠时相分期值,生成所述睡眠时相曲线。
更优地,所述时相情绪活跃相关系数的计算方法具体为:
1)获取所述睡眠时相曲线和所述睡眠情绪活跃水平曲线;
2)分析计算所述睡眠时相曲线和所述睡眠情绪活跃水平曲线的关系特征,得到时相情绪活跃水平关系特征指数集;
3)对所述时相情绪活跃水平关系特征指数集进行加权融合计算,得到所述时相情绪活跃相关系数。
更优地,所述睡眠情绪活跃水平报告至少包括所述睡眠时相曲线、所述睡眠情绪活跃水平曲线、所述时相情绪活跃相关系数、情绪活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠情绪活跃水平报告总结。
更优地,所述情绪活跃水平时相分布统计具体为不同睡眠时相的平均情绪活跃水平、最大情绪活跃水平和最小情绪活跃水平。
更优地,所述高峰活跃时段小结具体为所述睡眠情绪活跃水平曲线中超过预设高峰阈值的片段所对应的高峰时段分布、所述高峰时段分布的时间数值总和及占比。
更优地,所述低峰活跃时段小结具体为所述睡眠情绪活跃水平曲线中超过预设低峰阈值的片段所对应的低峰时段分布、所述低峰时段分布的时间数值总和及占比。
更优地,所述异常活跃时段小结具体为所述睡眠情绪活跃水平曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、所述异常时段分布的时间数值总和及占比。
根据本发明的目的,本发明提出了一种睡眠情绪活跃水平检测量化的系统,包括以下模块:
信号采集处理模块,用于对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理,得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据;
中枢表征分析模块,用于对所述中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,得到睡眠情绪中枢神经表征时帧特征,提取睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线;
自主表征分析模块,用于对所述自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,得到睡眠情绪自主神经表征时帧特征,提取睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线;
睡眠情绪量化模块,用于根据所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线;
睡眠情绪报告模块,用于根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告;
用户数据中心模块,用于对用户信息管理和所述系统中所有数据的可视化展示、数据存储、数据备份、数据迁移和数据运行的统一管理。
更优地,所述信号采集处理模块还包括以下功能单元:
信号采集监测单元,用于对用户睡眠过程的中枢神经生理状态和自主神经生理状态进行采集监测,生成中枢神经生理信号和自主神经生理信号;
信号时帧处理单元,用于对所述中枢神经生理信号和所述自主神经生理信号进行所述时帧处理,生成所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据,所述时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和时帧划分。
更优地,所述中枢表征分析模块还包括以下功能单元:
中枢交叉分析单元,用于对所述中枢神经生理状态时帧数据进行所述中枢神经情绪特征交叉分析,经特征选择得到所述睡眠情绪中枢神经表征时帧特征,所述中枢神经情绪特征交叉分析至少包括数值特征分析、包络特征分析、时频特征分析、非线性特征分析和多模信号耦合特征分析;
中枢基线建立单元,用于采集获取当前用户清醒时静息态下的所述中枢神经生理状态时帧数据,并进行所述中枢神经情绪特征交叉分析和特征值均值计算,得到中枢神经静息情绪水平基线特征指标集;
中枢水平提取单元,用于根据所述睡眠情绪中枢神经表征时帧特征和所述中枢神经静息情绪水平基线特征指标集,提取全部时帧的所述睡眠情绪中枢神经表征水平指数,生成所述睡眠情绪中枢神经表征水平曲线。
更优地,所述自主表征分析模块还包括以下功能单元:
自主交叉分析单元,用于对所述自主神经生理状态时帧数据进行所述自主神经情绪特征交叉分析,经特征选择得到所述睡眠情绪自主神经表征时帧特征,所述自主神经情绪特征交叉分析至少包括数值特征分析、时频特征分析、心率变异性特征分析、非线性特征分析和多模信号耦合特征分析;
自主基线建立单元,用于采集获取当前用户清醒时静息态下的所述自主神经生理状态时帧数据,并进行所述自主神经情绪特征交叉分析和特征值均值计算,得到自主神经静息情绪水平基线特征指标集;
自主水平提取单元,用于根据所述睡眠情绪自主神经表征时帧特征和所述自主神经静息情绪水平基线特征指标集,提取全部时帧的所述睡眠情绪自主神经表征水平指数,生成所述睡眠情绪自主神经表征水平曲线。
更优地,所述睡眠情绪量化模块还包括以下功能单元:
基线指标建立单元,用于采集分析并计算获取不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期不同情绪应激任务态下的所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据,通过所述中枢神经情绪特征交叉分析和所述自主神经情绪特征交叉分析,经求特征值均值处理得到不同状态下的情绪中枢神经表征水平指数和情绪自主神经表征水平指数的静息基线值和不同情绪应激任务基线值,建立标准情绪活跃曲线特征基线指标集;
情绪水平分析单元,用于根据所述标准情绪活跃曲线特征基线指标集、所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线,按照时序计算得到全部时帧的睡眠情绪活跃水平指数,生成所述睡眠情绪活跃水平曲线。
更优地,所述睡眠情绪报告模块还包括以下功能单元:
睡眠时相分析单元,用于根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到所述睡眠时相曲线;
活跃相关分析单元,用于分析计算所述睡眠时相曲线和所述睡眠情绪活跃水平曲线的关系特征,提取所述时相情绪活跃相关系数,所述关系特征至少包括关联特征和距离特征;
情绪活跃报告单元,用于根据所述睡眠时相曲线、所述睡眠情绪活跃水平曲线和所述时相情绪活跃相关系数,分析计算并生成所述睡眠情绪活跃水平报告,所述睡眠情绪活跃水平报告至少包括所述睡眠时相曲线、所述睡眠情绪活跃水平曲线、所述时相情绪活跃相关系数、情绪活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠情绪活跃水平报告总结。
更优地,所述用户数据中心模块还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对所述系统中所有数据的可视化展现管理;
数据运行管理单元,用于对所述系统中所有数据的存储、备份、迁移和运行。
根据本发明的目的,本发明提出了一种睡眠情绪活跃水平检测量化的装置,包括以下模组:
信号采集处理模组,用于对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理,得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据;
中枢表征分析模组,用于对所述中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,得到睡眠情绪中枢神经表征时帧特征,提取睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线;
自主表征分析模组,用于对所述自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,得到睡眠情绪自主神经表征时帧特征,提取睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线;
睡眠情绪量化模组,用于根据所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线;
睡眠情绪报告模组,用于根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告;
数据可视化模组,用于对所述装置中所有数据的统一可视化展示管理;
用户数据中心模组,用于对用户信息管理和所述装置中所有数据的存储、备份、迁移、运行的统一管理。
本发明所提供的睡眠情绪活跃水平检测量化的方法、系统和装置,通过对睡眠过程的中枢神经和自主神经的生理状态信号进行采集记录和时帧处理,经过神经情绪特征交叉分析得到睡眠情绪中枢神经表征水平曲线和睡眠情绪自主神经表征水平曲线,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃指数和睡眠情绪活跃水平曲线,并进一步结合睡眠时相曲线分析得到时相情绪活跃相关系数,生成睡眠情绪活跃水平报告,从而实现了从中枢神经和自主神经的神经状态波动来对不同文化、不同人群、不同健康状态的睡眠过程中情绪活跃或抑制水平进行科学地检测、分析、量化和评估,从而为睡眠的衡量提供客观准确的参考依据。
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情绪活跃水平检测量化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情绪活跃水平检测量化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情绪活跃水平检测量化的装置的模组构成示意图。
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。
在实际使用场景中,本发明所提供的一种睡眠情绪活跃水平检测量化的方法、系统和装置,能够结合、赋能或嵌入睡眠相关产品和服务,为儿童、青少年、青中年、老年人、亚健康等不同人群场景提供睡眠情绪活跃水平的检测量化方案。
如图1所示,本发明实施例提供的一种睡眠情绪活跃水平检测量化的方法,包括以下步骤:
P100:对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理,得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据。
第一步、对用户睡眠过程的中枢神经生理状态和自主神经生理状态进行采集监测,生成中枢神经生理信号和自主神经生理信号。
本实施例中,生理状态信号至少包括中枢神经生理信号和自主神经生理信号。其中,中枢神经生理信号至少包括脑电信号、脑磁信号、血氧水平依赖信号和皮肤电信号;自主神经生理信号至少包括心电信号、脉搏信号、呼吸信号、血氧信号、血压信号、体温信号、血氧水平依赖信号和皮肤电信号。
本实施例中,以脑电信号、皮肤电信号作为中枢神经生理信号,以心电信号、呼吸信号、血氧信号、皮肤电信号作为自主神经生理信号,通过多导睡眠记录仪和皮肤电传感器来采集监测中枢神经生理信号和自主神经生理信号。脑电信号和心电信号的采样率为1024Hz,脑电信号的记录电极为F3、F4、C3、C4、T3和T4以及参考电极为M1、M2,心电信号采集为左胸V6导联。呼吸信号、血氧信号、皮肤电信号的采样率为128Hz,呼吸信号来自胸腹带,血氧信号来自右手无名指尖,中枢神经生理信号皮肤电信号来自前额,自主神经生理信号皮肤电信号来自左手食指和无名指。
第二步、对中枢神经生理信号和自主神经生理信号进行时帧处理,生成中枢神经生理状态时帧数据和自主神经生理状态时帧数据。
本实施例中,时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和时帧划分;其中,矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理,时帧划分具体为按照预设时间窗口和预设时间步长对目标信号进行截取处理。
本实施例中,首先,对脑电生理信号进行去伪迹,矫正处理,小波降噪,50工频陷波滤波,0.5~95/>带通滤波;对心电信号进行去伪迹,矫正处理,小波降噪,50/>工频陷波滤波,0.1~75/>带通滤波;对皮肤电信号、呼吸信号、血氧信号进行去伪迹,信号矫正,小波降噪,2/>低通滤波。其次,以10秒预设时间步长10秒预设时间窗口对上述信号进行滑动分割,分别得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据。
P200:对所述中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,得到睡眠情绪中枢神经表征时帧特征,提取睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线。
第一步、对中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,经特征选择得到睡眠情绪中枢神经表征时帧特征。
本实施例中,中枢神经情绪特征交叉分析至少包括数值特征分析、包络特征分析、时频特征分析、非线性特征分析、多模信号耦合特征分析;其中,数值特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度;时频特征至少包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率;包络特征至少包括包络信号、归一化包络信号、包络均值、包络均方根、包络最大值、包络最小值、包络方差、包络标准差、包络变异系数、包络峰度和包络偏度;非线性特征至少包括熵特征、分形特征和复杂度特征。
本实施例中,多模信号耦合特征分析是指计算不同模态信号之间的关系特征,得到两个不同模态信号的耦合和/或协同关系指数。
本实施例中,关系特征至少包括关联特征和距离特征;其中,关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数,距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
本实施例中,选择均方根、总功率、特征频带功率、特征频带功率占比、特征频带中心频率、归一化包络信号、近似熵、Higuchi分形维数、相干系数、标准化欧氏距离作为睡眠情绪中枢神经表征时帧特征。
第二步、采集获取当前用户清醒时静息态下的中枢神经生理状态时帧数据,并进行中枢神经情绪特征交叉分析和特征值均值计算,得到中枢神经静息情绪水平基线特征指标集。
第三步、根据睡眠情绪中枢神经表征时帧特征和中枢神经静息情绪水平基线特征指标集,提取全部时帧的睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线。
本实施例中,睡眠情绪中枢神经表征水平指数和睡眠情绪中枢神经表征水平曲线的计算生成方法具体为:
1)采集当前用户的中枢神经静息情绪水平基线特征指标集和睡眠情绪中枢神经表征时帧特征;
2)计算睡眠情绪中枢神经表征时帧特征中的特征值与中枢神经静息情绪水平基线特征指标集中基线特征指标值的相对变化量,得到睡眠情绪中枢神经表征特征相对变化指标集;
3)对睡眠情绪中枢神经表征特征相对变化指标集中的全部指标进行加权融合计算,得到当前时帧下的睡眠情绪中枢神经表征水平指数;
4)按时序求得全部时帧的睡眠情绪中枢神经表征水平指数,生成并得到睡眠情绪中枢神经表征水平曲线。
本实施例中,加权融合计算都采用取平均值的方式。
P300:对所述自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,得到睡眠情绪自主神经表征时帧特征,提取睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线。
第一步、对自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,经特征选择得到睡眠情绪自主神经表征时帧特征。
本实施例中,自主神经情绪特征交叉分析至少包括数值特征分析、时频特征分析、心率变异性特征分析、非线性特征分析和多模信号耦合特征分析;其中,数值特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度;时频特征至少包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率;心率变异性特征至少包括心率、心率变异系数、RR间期、NN间期;非线性特征至少包括熵特征、分形特征和复杂度特征。
本实施例中,选择均方根、总功率、特征频带功率、特征频带功率占比、特征频带中心频率、心率、心率变异系数、RR间期、多尺度熵、Higuchi分形维数、相干系数、标准化欧氏距离作为睡眠情绪自主神经表征时帧特征。
第二步、采集获取当前用户清醒时静息态下的自主神经生理状态时帧数据,并进行自主神经情绪特征交叉分析和特征值均值计算,得到自主神经静息情绪水平基线特征指标集。
第三步、根据睡眠情绪自主神经表征时帧特征和自主神经静息情绪水平基线特征指标集,提取全部时帧的睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线。
本实施例中,睡眠情绪自主神经表征水平指数和睡眠情绪自主神经表征水平曲线的计算生成方法具体为:
1)采集当前用户的自主神经静息情绪水平基线特征指标集和睡眠情绪自主神经表征时帧特征;
2)计算睡眠情绪自主神经表征时帧特征中的特征值与自主神经静息情绪水平基线特征指标集中基线特征指标值的相对变化量,得到睡眠情绪自主神经表征特征相对变化指标集;
3)对睡眠情绪自主神经表征特征相对变化指标集中的全部指标进行加权融合计算,得到当前时帧下的睡眠情绪自主神经表征水平指数;
4)按时序求得全部时帧的睡眠情绪自主神经表征水平指数,生成并得到睡眠情绪自主神经表征水平曲线。
本实施例中,加权融合计算都采用取平均值的方式。
P400:根据所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线。
第一步、采集分析并计算获取不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期不同情绪应激任务态下的中枢神经生理状态时帧数据和自主神经生理状态时帧数据,通过中枢神经情绪特征交叉分析和自主神经情绪特征交叉分析,经求特征值均值处理得到不同状态下的情绪中枢神经表征水平指数和情绪自主神经表征水平指数的静息基线值和不同情绪应激任务基线值,建立标准情绪活跃曲线特征基线指标集。
第二步、根据标准情绪活跃曲线特征基线指标集、睡眠情绪中枢神经表征水平曲线和睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,按照时序计算得到全部时帧的睡眠情绪活跃水平指数,生成睡眠情绪活跃水平曲线。
本实施例中,情绪活跃水平指数和睡眠情绪活跃水平曲线的计算方法具体为:
1)不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期不同情绪应激任务态下的标准情绪活跃曲线特征基线指标集;
2)获取当前用户的睡眠情绪中枢神经表征水平曲线和睡眠情绪自主神经表征水平曲线,并计算与同年龄层健康人群的标准情绪活跃曲线特征基线指标集中的静息基线值和不同情绪应激任务基线值的基线变化量值,即经基线变化分析,得到睡眠情绪活跃曲线特征变化量集;
3)对睡眠情绪活跃曲线特征变化量集中的全部指标进行均值调和分析,得到均值调和值,即当前时帧下的睡眠情绪活跃水平指数;
4)按时序求得全部时帧的睡眠情绪活跃水平指数,生成并得到睡眠情绪活跃水平曲线。
本实施例中,基线变化分析的具体计算方式为:
在实际使用场景中,任务基线值相关的权重系数比静息基线值相关的权重系数至少要大3~5倍。
本实施例中,均值调和分析是一种以数值数组的均值、中位数、分位数、绝对值均值、绝对值中位数、绝对值分位数为观察基点基础,以数值数组的最大值、最小值、方差、变异系数、峰度、偏度、绝对值最大值、绝对值最小值、绝对值方差、绝对值变异系数、绝对值峰度、绝对值偏度为主要分析调和项,来观察分析数值数组的均值波动状态和总体趋势变化的数据分析方法。
本实施例中,均值调和分析的一种具体计算方式为:
本实施例中,睡眠情绪活跃水平指数和曲线的量化过程,主要来自用户睡眠过程中的中枢神经和自主神经的波动状态的分析和评估。睡眠情绪活跃曲线特征变化量集中的全部指标中均值调和值能够很好的反映出这样的波动过程。
P500:根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告。
第一步、根据中枢神经生理状态时帧数据和自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线。
本实施例中,睡眠时相曲线的提取方法具体为:
1)通过深度学习算法对规模睡眠用户样本的中枢神经生理状态时帧数据、自主神经生理状态时帧数据及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相自动分期模型;
2)将当前用户的中枢神经生理状态时帧数据和自主神经生理状态时帧数据输入睡眠时相自动分期模型,得到所对应的睡眠时相分期值;
3)按照时序获取全部时帧的中枢神经生理状态时帧数据和自主神经生理状态时帧数据的睡眠时相分期值,生成睡眠时相曲线。
第二步、分析计算睡眠时相曲线和睡眠情绪活跃水平曲线的关系特征,提取时相情绪活跃相关系数,关系特征至少包括关联特征和距离特征。
本实施例中,时相情绪活跃相关系数的计算方法具体为:
1)获取睡眠时相曲线和睡眠情绪活跃水平曲线;
2)分析计算睡眠时相曲线和睡眠情绪活跃水平曲线的关系特征,得到时相情绪活跃水平关系特征指数集;
3)对时相情绪活跃水平关系特征指数集进行加权融合计算,得到时相情绪活跃相关系数。
本实施例中,关系特征至少包括关联特征和距离特征;其中,关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数,距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
本实施例中,加权融合计算都采用取平均值的方式。
第三步、根据睡眠时相曲线、睡眠情绪活跃水平曲线和时相情绪活跃相关系数,分析计算并生成睡眠情绪活跃水平报告。
本实施例中,睡眠情绪活跃水平报告至少包括睡眠时相曲线、睡眠情绪活跃水平曲线、时相情绪活跃相关系数、情绪活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠情绪活跃水平报告总结。
本实施例中,情绪活跃水平时相分布统计具体为不同睡眠时相的平均情绪活跃水平、最大情绪活跃水平和最小情绪活跃水平。
本实施例中,高峰活跃时段小结具体为睡眠情绪活跃水平曲线中超过预设高峰阈值的片段所对应的高峰时段分布、高峰时段分布的时间数值总和及占比。
本实施例中,低峰活跃时段小结具体为睡眠情绪活跃水平曲线中超过预设低峰阈值的片段所对应的低峰时段分布、低峰时段分布的时间数值总和及占比。
本实施例中,异常活跃时段小结具体为睡眠情绪活跃水平曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、异常时段分布的时间数值总和及占比。
如图2所示,本发明实施例提供的一种睡眠情绪活跃水平检测量化的系统,用于执行上述方法,包括以下模块:
信号采集处理模块S100,用于对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理,得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据;
中枢表征分析模块S200,用于对中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,得到睡眠情绪中枢神经表征时帧特征,提取睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线;
自主表征分析模块S300,用于对自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,得到睡眠情绪自主神经表征时帧特征,提取睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线;
睡眠情绪量化模块S400,用于根据睡眠情绪中枢神经表征水平曲线和睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线;
睡眠情绪报告模块S500,用于根据中枢神经生理状态时帧数据和自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告;
用户数据中心模块S600,用于对用户信息管理和系统中所有数据的可视化展示、数据存储、数据备份、数据迁移和数据运行的统一管理。
本实施例中,信号采集处理模块S100还包括以下功能单元:
信号采集监测单元,用于对用户睡眠过程的中枢神经生理状态和自主神经生理状态进行采集监测,生成中枢神经生理信号和自主神经生理信号;
信号时帧处理单元,用于对中枢神经生理信号和自主神经生理信号进行时帧处理,生成中枢神经生理状态时帧数据和自主神经生理状态时帧数据,时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和时帧划分。
本实施例中,中枢表征分析模块S200还包括以下功能单元:
中枢交叉分析单元,用于对中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,经特征选择得到睡眠情绪中枢神经表征时帧特征,中枢神经情绪特征交叉分析至少包括数值特征分析、包络特征分析、时频特征分析、非线性特征分析和多模信号耦合特征分析;
中枢基线建立单元,用于采集获取当前用户清醒时静息态下的中枢神经生理状态时帧数据,并进行中枢神经情绪特征交叉分析和特征值均值计算,得到中枢神经静息情绪水平基线特征指标集;
中枢水平提取单元,用于根据睡眠情绪中枢神经表征时帧特征和中枢神经静息情绪水平基线特征指标集,提取全部时帧的睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线。
本实施例中,自主表征分析模块S300还包括以下功能单元:
自主交叉分析单元,用于对自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,经特征选择得到睡眠情绪自主神经表征时帧特征,自主神经情绪特征交叉分析至少包括数值特征分析、时频特征分析、心率变异性特征分析、非线性特征分析和多模信号耦合特征分析;
自主基线建立单元,用于采集获取当前用户清醒时静息态下的自主神经生理状态时帧数据,并进行自主神经情绪特征交叉分析和特征值均值计算,得到自主神经静息情绪水平基线特征指标集;
自主水平提取单元,用于根据睡眠情绪自主神经表征时帧特征和自主神经静息情绪水平基线特征指标集,提取全部时帧的睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线。
本实施例中,睡眠情绪量化模块S400还包括以下功能单元:
基线指标建立单元,用于采集分析并计算获取不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期不同情绪应激任务态下的中枢神经生理状态时帧数据和自主神经生理状态时帧数据,通过中枢神经情绪特征交叉分析和自主神经情绪特征交叉分析,经求特征值均值处理得到不同状态下的情绪中枢神经表征水平指数和情绪自主神经表征水平指数的静息基线值和不同情绪应激任务基线值,建立标准情绪活跃曲线特征基线指标集;
情绪水平分析单元,用于根据标准情绪活跃曲线特征基线指标集、睡眠情绪中枢神经表征水平曲线和睡眠情绪自主神经表征水平曲线,按照时序计算得到全部时帧的睡眠情绪活跃水平指数,生成睡眠情绪活跃水平曲线。
本实施例中,睡眠情绪报告模块S500还包括以下功能单元:
睡眠时相分析单元,用于根据中枢神经生理状态时帧数据和自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线;
活跃相关分析单元,用于分析计算睡眠时相曲线和睡眠情绪活跃水平曲线的关系特征,提取时相情绪活跃相关系数,关系特征至少包括关联特征和距离特征;
情绪活跃报告单元,用于根据睡眠时相曲线、睡眠情绪活跃水平曲线和时相情绪活跃相关系数,分析计算并生成睡眠情绪活跃水平报告,睡眠情绪活跃水平报告至少包括睡眠时相曲线、睡眠情绪活跃水平曲线、时相情绪活跃相关系数、情绪活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠情绪活跃水平报告总结。
本实施例中,用户数据中心模块S600还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对系统中所有数据的可视化展现管理;
数据运行管理单元,用于对系统中所有数据的存储、备份、迁移和运行。
如图3所示,本发明实施例提供的一种睡眠情绪活跃水平检测量化的装置,包括以下模组:
信号采集处理模组M100,用于对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理,得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据;
中枢表征分析模组M200,用于对中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,得到睡眠情绪中枢神经表征时帧特征,提取睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线;
自主表征分析模组M300,用于对自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,得到睡眠情绪自主神经表征时帧特征,提取睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线;
睡眠情绪量化模组M400,用于根据睡眠情绪中枢神经表征水平曲线和睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线;
睡眠情绪报告模组M500,用于根据中枢神经生理状态时帧数据和自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告;
数据可视化模组M600,用于对装置中所有数据的统一可视化展示管理;
用户数据中心模组M700,用于对用户信息管理和装置中所有数据的存储、备份、迁移、运行的统一管理。
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 (28)
1.一种睡眠情绪活跃水平检测量化的方法,其特征在于,包括以下步骤:
对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理,得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据;
对所述中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,得到睡眠情绪中枢神经表征时帧特征,提取睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线;
对所述自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,得到睡眠情绪自主神经表征时帧特征,提取睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线;
根据所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线;
根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告;
情绪活跃水平指数和所述睡眠情绪活跃水平曲线的计算方法具体为:
1)获取不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期不同情绪应激任务态下的标准情绪活跃曲线特征基线指标集;
2)获取当前用户的所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线,并计算与同年龄层健康人群的所述标准情绪活跃曲线特征基线指标集中的静息基线值和不同情绪应激任务基线值的基线变化量值,即经基线变化分析,得到睡眠情绪活跃曲线特征变化量集;
3)对所述睡眠情绪活跃曲线特征变化量集中的全部指标进行均值调和分析,得到均值调和值,即当前时帧下的所述睡眠情绪活跃水平指数;
4) 按时序求得全部时帧的所述睡眠情绪活跃水平指数,生成并得到所述睡眠情绪活跃水平曲线;
所述均值调和分析是一种以数值数组的均值、中位数、分位数、绝对值均值、绝对值中位数、绝对值分位数至少一项为观察基点基础,以数值数组的最大值、最小值、方差、变异系数、峰度、偏度、绝对值最大值、绝对值最小值、绝对值方差、绝对值变异系数、绝对值峰度、绝对值偏度至少一项为主要分析调和项,来观察分析数值数组的均值波动状态和总体趋势变化的数据分析方法;
所述中枢神经情绪特征交叉分析包括数值特征分析、包络特征分析、时频特征分析、非线性特征分析和多模信号耦合特征分析至少一项;其中,所述数值特征包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度至少一项;所述时频特征包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率至少一项;所述包络特征包括包络信号、归一化包络信号、包络均值、包络均方根、包络最大值、包络最小值、包络方差、包络标准差、包络变异系数、包络峰度和包络偏度至少一项;所述非线性特征包括熵特征、分形特征和复杂度特征至少一项;
所述自主神经情绪特征交叉分析包括数值特征分析、时频特征分析、心率变异性特征分析、非线性特征分析和多模信号耦合特征分析至少一项;其中,所述数值特征包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度至少一项;所述时频特征包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率至少一项;所述心率变异性特征包括心率、心率变异系数、RR间期、NN间期至少一项;所述非线性特征包括熵特征、分形特征和复杂度特征至少一项;
所述时相情绪活跃相关系数的计算方法具体为:
1)获取所述睡眠时相曲线和所述睡眠情绪活跃水平曲线;
2)分析计算所述睡眠时相曲线和所述睡眠情绪活跃水平曲线的关系特征,得到时相情绪活跃水平关系特征指数集;
3)对所述时相情绪活跃水平关系特征指数集进行加权融合计算,得到所述时相情绪活跃相关系数。
2.如权利要求1所述的方法,其特征在于,所述对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理,得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据的具体步骤还包括:
对用户睡眠过程的中枢神经生理状态和自主神经生理状态进行采集监测,生成中枢神经生理信号和自主神经生理信号;
对所述中枢神经生理信号和所述自主神经生理信号进行所述时帧处理,生成所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据。
3.如权利要求2所述的方法,其特征在于:所述生理状态信号包括中枢神经生理信号和自主神经生理信号至少一项。
4.如权利要求3所述的方法,其特征在于:所述中枢神经生理信号包括脑电信号、脑磁信号、血氧水平依赖信号和皮肤电信号至少一项;所述自主神经生理信号包括心电信号、脉搏信号、呼吸信号、血氧信号、血压信号、体温信号、血氧水平依赖信号和皮肤电信号至少一项。
5.如权利要求1所述的方法,其特征在于:所述时帧处理至少包括A/D模数转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和时帧划分;其中,所述矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理,所述时帧划分具体为按照预设时间窗口和预设时间步长对目标信号进行截取处理。
6.如权利要求1所述的方法,其特征在于:所述对所述中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,得到睡眠情绪中枢神经表征时帧特征,提取睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线的具体步骤还包括:
对所述中枢神经生理状态时帧数据进行所述中枢神经情绪特征交叉分析,经特征选择得到所述睡眠情绪中枢神经表征时帧特征;
采集获取当前用户清醒时静息态下的所述中枢神经生理状态时帧数据,并进行所述中枢神经情绪特征交叉分析和特征值均值计算,得到中枢神经静息情绪水平基线特征指标集;
根据所述睡眠情绪中枢神经表征时帧特征和所述中枢神经静息情绪水平基线特征指标集,提取全部时帧的所述睡眠情绪中枢神经表征水平指数,生成所述睡眠情绪中枢神经表征水平曲线。
7.如权利要求1所述的方法,其特征在于:所述多模信号耦合特征分析是指计算不同模态信号之间的关系特征,得到两个不同模态信号的耦合和/或协同关系指数。
8.如权利要求7所述的方法,其特征在于:所述关系特征包括关联特征和距离特征至少一项;其中,所述关联特征包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数至少一项,所述距离特征包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦至少一项。
9.如权利要求6所述的方法,其特征在于,所述睡眠情绪中枢神经表征水平指数和所述睡眠情绪中枢神经表征水平曲线的计算生成方法具体为:
1)采集当前用户的所述中枢神经静息情绪水平基线特征指标集和所述睡眠情绪中枢神经表征时帧特征;
2)计算所述睡眠情绪中枢神经表征时帧特征中的特征值与所述中枢神经静息情绪水平基线特征指标集中基线特征指标值的相对变化量,得到睡眠情绪中枢神经表征特征相对变化指标集;
3)对所述睡眠情绪中枢神经表征特征相对变化指标集中的全部指标进行加权融合计算,得到当前时帧下的所述睡眠情绪中枢神经表征水平指数;
4)按时序求得全部时帧的所述睡眠情绪中枢神经表征水平指数,生成并得到所述睡眠情绪中枢神经表征水平曲线。
10.如权利要求1所述的方法,其特征在于,所述对所述自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,得到睡眠情绪自主神经表征时帧特征,提取睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线的具体步骤还包括:
对所述自主神经生理状态时帧数据进行所述自主神经情绪特征交叉分析,经特征选择得到所述睡眠情绪自主神经表征时帧特征;
采集获取当前用户清醒时静息态下的所述自主神经生理状态时帧数据,并进行所述自主神经情绪特征交叉分析和特征值均值计算,得到自主神经静息情绪水平基线特征指标集;
根据所述睡眠情绪自主神经表征时帧特征和所述自主神经静息情绪水平基线特征指标集,提取全部时帧的所述睡眠情绪自主神经表征水平指数,生成所述睡眠情绪自主神经表征水平曲线。
11.如权利要求1或10所述的方法,其特征在于,所述睡眠情绪自主神经表征水平指数和所述睡眠情绪自主神经表征水平曲线的计算生成方法具体为:
1)采集当前用户的自主神经静息情绪水平基线特征指标集和所述睡眠情绪自主神经表征时帧特征;
2)计算所述睡眠情绪自主神经表征时帧特征中的特征值与所述自主神经静息情绪水平基线特征指标集中基线特征指标值的相对变化量,得到睡眠情绪自主神经表征特征相对变化指标集;
3)对所述睡眠情绪自主神经表征特征相对变化指标集中的全部指标进行加权融合计算,得到当前时帧下的所述睡眠情绪自主神经表征水平指数;
4)按时序求得全部时帧的所述睡眠情绪自主神经表征水平指数,生成并得到所述睡眠情绪自主神经表征水平曲线。
12.如权利要求1所述的方法,其特征在于,所述根据所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线的具体步骤还包括:
采集分析并计算获取不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期不同情绪应激任务态下的所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据,通过所述中枢神经情绪特征交叉分析和所述自主神经情绪特征交叉分析,经求特征值均值处理得到不同状态下的情绪中枢神经表征水平指数和情绪自主神经表征水平指数的静息基线值和不同情绪应激任务基线值,建立标准情绪活跃曲线特征基线指标集;
根据所述标准情绪活跃曲线特征基线指标集、所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,按照时序计算得到全部时帧的睡眠情绪活跃水平指数,生成所述睡眠情绪活跃水平曲线。
14.如权利要求1所述的方法,其特征在于:所述根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告的具体步骤还包括:
根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到所述睡眠时相曲线;
分析计算所述睡眠时相曲线和所述睡眠情绪活跃水平曲线的关系特征,提取所述时相情绪活跃相关系数,所述关系特征至少包括关联特征和距离特征;
根据所述睡眠时相曲线、所述睡眠情绪活跃水平曲线和所述时相情绪活跃相关系数,分析计算并生成所述睡眠情绪活跃水平报告。
15.如权利要求1或14所述的方法,其特征在于,所述睡眠时相曲线的提取方法具体为:
1)通过深度学习算法对规模睡眠用户样本的所述中枢神经生理状态时帧数据、所述自主神经生理状态时帧数据及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相自动分期模型;
2)将当前用户的所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据输入所述睡眠时相自动分期模型,得到所对应的睡眠时相分期值;
3)按照时序获取全部时帧的所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据的所述睡眠时相分期值,生成所述睡眠时相曲线。
16.如权利要求1或14所述的方法,其特征在于:所述睡眠情绪活跃水平报告至少包括所述睡眠时相曲线、所述睡眠情绪活跃水平曲线、所述时相情绪活跃相关系数、情绪活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠情绪活跃水平报告总结。
17.如权利要求16所述的方法,其特征在于:所述情绪活跃水平时相分布统计具体为不同睡眠时相的平均情绪活跃水平、最大情绪活跃水平和最小情绪活跃水平。
18.如权利要求16所述的方法,其特征在于:所述高峰活跃时段小结具体为所述睡眠情绪活跃水平曲线中超过预设高峰阈值的片段所对应的高峰时段分布、所述高峰时段分布的时间数值总和及占比。
19.如权利要求16所述的方法,其特征在于:所述低峰活跃时段小结具体为所述睡眠情绪活跃水平曲线中超过预设低峰阈值的片段所对应的低峰时段分布、所述低峰时段分布的时间数值总和及占比。
20.如权利要求16所述的方法,其特征在于:所述异常活跃时段小结具体为所述睡眠情绪活跃水平曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、所述异常时段分布的时间数值总和及占比。
21.一种睡眠情绪活跃水平检测量化的系统,其特征在于,包括以下模块:
信号采集处理模块,用于对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理,得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据;
中枢表征分析模块,用于对所述中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,得到睡眠情绪中枢神经表征时帧特征,提取睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线;
自主表征分析模块,用于对所述自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,得到睡眠情绪自主神经表征时帧特征,提取睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线;
睡眠情绪量化模块,用于根据所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线;
睡眠情绪报告模块,用于根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告;
用户数据中心模块,用于对用户信息管理和所述系统中所有数据的可视化展示、数据存储、数据备份、数据迁移和数据运行的统一管理;
情绪活跃水平指数和所述睡眠情绪活跃水平曲线的计算方法具体为:
1)获取不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期不同情绪应激任务态下的标准情绪活跃曲线特征基线指标集;
2)获取当前用户的所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线,并计算与同年龄层健康人群的所述标准情绪活跃曲线特征基线指标集中的静息基线值和不同情绪应激任务基线值的基线变化量值,即经基线变化分析,得到睡眠情绪活跃曲线特征变化量集;
3)对所述睡眠情绪活跃曲线特征变化量集中的全部指标进行均值调和分析,得到均值调和值,即当前时帧下的所述睡眠情绪活跃水平指数;
4) 按时序求得全部时帧的所述睡眠情绪活跃水平指数,生成并得到所述睡眠情绪活跃水平曲线;
所述均值调和分析是一种以数值数组的均值、中位数、分位数、绝对值均值、绝对值中位数、绝对值分位数至少一项为观察基点基础,以数值数组的最大值、最小值、方差、变异系数、峰度、偏度、绝对值最大值、绝对值最小值、绝对值方差、绝对值变异系数、绝对值峰度、绝对值偏度至少一项为主要分析调和项,来观察分析数值数组的均值波动状态和总体趋势变化的数据分析方法;
所述中枢神经情绪特征交叉分析包括数值特征分析、包络特征分析、时频特征分析、非线性特征分析和多模信号耦合特征分析至少一项;其中,所述数值特征包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度至少一项;所述时频特征包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率至少一项;所述包络特征包括包络信号、归一化包络信号、包络均值、包络均方根、包络最大值、包络最小值、包络方差、包络标准差、包络变异系数、包络峰度和包络偏度至少一项;所述非线性特征包括熵特征、分形特征和复杂度特征至少一项;
所述自主神经情绪特征交叉分析包括数值特征分析、时频特征分析、心率变异性特征分析、非线性特征分析和多模信号耦合特征分析至少一项;其中,所述数值特征包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度至少一项;所述时频特征包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率至少一项;所述心率变异性特征包括心率、心率变异系数、RR间期、NN间期至少一项;所述非线性特征包括熵特征、分形特征和复杂度特征至少一项;
所述时相情绪活跃相关系数的计算方法具体为:
1)获取所述睡眠时相曲线和所述睡眠情绪活跃水平曲线;
2)分析计算所述睡眠时相曲线和所述睡眠情绪活跃水平曲线的关系特征,得到时相情绪活跃水平关系特征指数集;
3)对所述时相情绪活跃水平关系特征指数集进行加权融合计算,得到所述时相情绪活跃相关系数。
22.如权利要求21所述的系统,其特征在于,所述信号采集处理模块还包括以下功能单元:
信号采集监测单元,用于对用户睡眠过程的中枢神经生理状态和自主神经生理状态进行采集监测,生成中枢神经生理信号和自主神经生理信号;
信号时帧处理单元,用于对所述中枢神经生理信号和所述自主神经生理信号进行所述时帧处理,生成所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据,所述时帧处理至少包括A/D模数转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和时帧划分。
23.如权利要求21或22所述的系统,其特征在于,所述中枢表征分析模块还包括以下功能单元:
中枢交叉分析单元,用于对所述中枢神经生理状态时帧数据进行所述中枢神经情绪特征交叉分析,经特征选择得到所述睡眠情绪中枢神经表征时帧特征,所述中枢神经情绪特征交叉分析包括数值特征分析、包络特征分析、时频特征分析、非线性特征分析和多模信号耦合特征分析至少一项;
中枢基线建立单元,用于采集获取当前用户清醒时静息态下的所述中枢神经生理状态时帧数据,并进行所述中枢神经情绪特征交叉分析和特征值均值计算,得到中枢神经静息情绪水平基线特征指标集;
中枢水平提取单元,用于根据所述睡眠情绪中枢神经表征时帧特征和所述中枢神经静息情绪水平基线特征指标集,提取全部时帧的所述睡眠情绪中枢神经表征水平指数,生成所述睡眠情绪中枢神经表征水平曲线。
24.如权利要求23所述的系统,其特征在于,所述自主表征分析模块还包括以下功能单元:
自主交叉分析单元,用于对所述自主神经生理状态时帧数据进行所述自主神经情绪特征交叉分析,经特征选择得到所述睡眠情绪自主神经表征时帧特征,所述自主神经情绪特征交叉分析包括数值特征分析、时频特征分析、心率变异性特征分析、非线性特征分析和多模信号耦合特征分析至少一项;
自主基线建立单元,用于采集获取当前用户清醒时静息态下的所述自主神经生理状态时帧数据,并进行所述自主神经情绪特征交叉分析和特征值均值计算,得到自主神经静息情绪水平基线特征指标集;
自主水平提取单元,用于根据所述睡眠情绪自主神经表征时帧特征和所述自主神经静息情绪水平基线特征指标集,提取全部时帧的所述睡眠情绪自主神经表征水平指数,生成所述睡眠情绪自主神经表征水平曲线。
25.如权利要求21或24所述的系统,其特征在于,所述睡眠情绪量化模块还包括以下功能单元:
基线指标建立单元,用于采集分析并计算获取不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期不同情绪应激任务态下的所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据,通过所述中枢神经情绪特征交叉分析和所述自主神经情绪特征交叉分析,经求特征值均值处理得到不同状态下的情绪中枢神经表征水平指数和情绪自主神经表征水平指数的静息基线值和不同情绪应激任务基线值,建立标准情绪活跃曲线特征基线指标集;
情绪水平分析单元,用于根据所述标准情绪活跃曲线特征基线指标集、所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线,按照时序计算得到全部时帧的睡眠情绪活跃水平指数,生成所述睡眠情绪活跃水平曲线。
26.如权利要求21或24所述的系统,其特征在于,所述睡眠情绪报告模块还包括以下功能单元:
睡眠时相分析单元,用于根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到所述睡眠时相曲线;
活跃相关分析单元,用于分析计算所述睡眠时相曲线和所述睡眠情绪活跃水平曲线的关系特征,提取所述时相情绪活跃相关系数,所述关系特征包括关联特征和距离特征至少一项;
情绪活跃报告单元,用于根据所述睡眠时相曲线、所述睡眠情绪活跃水平曲线和所述时相情绪活跃相关系数,分析计算并生成所述睡眠情绪活跃水平报告,所述睡眠情绪活跃水平报告至少包括所述睡眠时相曲线、所述睡眠情绪活跃水平曲线、所述时相情绪活跃相关系数、情绪活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠情绪活跃水平报告总结。
27.如权利要求21所述的系统,其特征在于,所述用户数据中心模块还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对所述系统中所有数据的可视化展现管理;
数据运行管理单元,用于对所述系统中所有数据的存储、备份、迁移和运行。
28.一种睡眠情绪活跃水平检测量化的装置,其特征在于,包括以下模组:
信号采集处理模组,用于对用户睡眠过程的神经生理状态信号进行采集记录和时帧处理,得到中枢神经生理状态时帧数据和自主神经生理状态时帧数据;
中枢表征分析模组,用于对所述中枢神经生理状态时帧数据进行中枢神经情绪特征交叉分析,得到睡眠情绪中枢神经表征时帧特征,提取睡眠情绪中枢神经表征水平指数,生成睡眠情绪中枢神经表征水平曲线;
自主表征分析模组,用于对所述自主神经生理状态时帧数据进行自主神经情绪特征交叉分析,得到睡眠情绪自主神经表征时帧特征,提取睡眠情绪自主神经表征水平指数,生成睡眠情绪自主神经表征水平曲线;
睡眠情绪量化模组,用于根据所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线进行基线变化分析和均值调和分析,量化用户在不同睡眠状态、不同时帧的情绪表征水平,生成睡眠情绪活跃水平曲线;
睡眠情绪报告模组,用于根据所述中枢神经生理状态时帧数据和所述自主神经生理状态时帧数据识别睡眠时相分期,得到睡眠时相曲线,结合所述睡眠情绪活跃水平曲线,提取时相情绪活跃相关系数,生成睡眠情绪活跃水平报告;
数据可视化模组,用于对所述装置中所有数据的统一可视化展示管理;
用户数据中心模组,用于对用户信息管理和所述装置中所有数据的存储、备份、迁移、运行的统一管理;情绪活跃水平指数和所述睡眠情绪活跃水平曲线的计算方法具体为:
1)获取不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期不同情绪应激任务态下的标准情绪活跃曲线特征基线指标集;
2)获取当前用户的所述睡眠情绪中枢神经表征水平曲线和所述睡眠情绪自主神经表征水平曲线,并计算与同年龄层健康人群的所述标准情绪活跃曲线特征基线指标集中的静息基线值和不同情绪应激任务基线值的基线变化量值,即经基线变化分析,得到睡眠情绪活跃曲线特征变化量集;
3)对所述睡眠情绪活跃曲线特征变化量集中的全部指标进行均值调和分析,得到均值调和值,即当前时帧下的所述睡眠情绪活跃水平指数;
4) 按时序求得全部时帧的所述睡眠情绪活跃水平指数,生成并得到所述睡眠情绪活跃水平曲线;
所述均值调和分析是一种以数值数组的均值、中位数、分位数、绝对值均值、绝对值中位数、绝对值分位数至少一项为观察基点基础,以数值数组的最大值、最小值、方差、变异系数、峰度、偏度、绝对值最大值、绝对值最小值、绝对值方差、绝对值变异系数、绝对值峰度、绝对值偏度至少一项为主要分析调和项,来观察分析数值数组的均值波动状态和总体趋势变化的数据分析方法;
所述中枢神经情绪特征交叉分析包括数值特征分析、包络特征分析、时频特征分析、非线性特征分析和多模信号耦合特征分析至少一项;其中,所述数值特征包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度至少一项;所述时频特征包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率至少一项;所述包络特征包括包络信号、归一化包络信号、包络均值、包络均方根、包络最大值、包络最小值、包络方差、包络标准差、包络变异系数、包络峰度和包络偏度至少一项;所述非线性特征包括熵特征、分形特征和复杂度特征至少一项;
所述自主神经情绪特征交叉分析包括数值特征分析、时频特征分析、心率变异性特征分析、非线性特征分析和多模信号耦合特征分析至少一项;其中,所述数值特征包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度至少一项;所述时频特征包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率至少一项;所述心率变异性特征包括心率、心率变异系数、RR间期、NN间期至少一项;所述非线性特征包括熵特征、分形特征和复杂度特征至少一项;
所述时相情绪活跃相关系数的计算方法具体为:
1)获取所述睡眠时相曲线和所述睡眠情绪活跃水平曲线;
2)分析计算所述睡眠时相曲线和所述睡眠情绪活跃水平曲线的关系特征,得到时相情绪活跃水平关系特征指数集;
3)对所述时相情绪活跃水平关系特征指数集进行加权融合计算,得到所述时相情绪活跃相关系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310268400.XA CN115969330B (zh) | 2023-03-20 | 2023-03-20 | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310268400.XA CN115969330B (zh) | 2023-03-20 | 2023-03-20 | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115969330A CN115969330A (zh) | 2023-04-18 |
CN115969330B true CN115969330B (zh) | 2023-07-04 |
Family
ID=85958222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310268400.XA Active CN115969330B (zh) | 2023-03-20 | 2023-03-20 | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115969330B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116312972B (zh) * | 2023-05-19 | 2023-08-11 | 安徽星辰智跃科技有限责任公司 | 基于眼刺激的睡眠记忆情感张力调节方法、系统和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112890818A (zh) * | 2021-01-21 | 2021-06-04 | 西安中盛凯新技术发展有限责任公司 | 一种心理和自主神经双向评估系统 |
CN115486818A (zh) * | 2022-11-15 | 2022-12-20 | 安徽星辰智跃科技有限责任公司 | 一种运动神经通路检测量化的方法、系统和装置 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001258855A (ja) * | 2000-03-17 | 2001-09-25 | Arata Nemoto | 健康状態判定方法およびその判定装置 |
CN104257379A (zh) * | 2014-09-23 | 2015-01-07 | 京东方科技集团股份有限公司 | 一种脑电处理装置及方法和睡眠监测佩戴设备 |
CN105748043B (zh) * | 2016-02-17 | 2019-02-19 | 安徽华米信息科技有限公司 | 睡眠质量监测方法及装置、可穿戴设备 |
CN105827731A (zh) * | 2016-05-09 | 2016-08-03 | 包磊 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
US11103665B2 (en) * | 2016-11-09 | 2021-08-31 | Koninklijke Philips N.V. | Respiratory apparatus and method of operating the respiratory apparatus |
EP3949838A4 (en) * | 2019-04-03 | 2022-12-28 | Teijin Limited | SLEEP STATUS DETECTION DEVICE, SLEEP STATUS DETECTION METHOD AND SLEEP STATUS DETECTION PROGRAM |
CN110623665A (zh) * | 2019-09-26 | 2019-12-31 | 川北医学院 | 一种智能睡眠时相检测与睡眠质量评估系统及方法 |
CN111317446B (zh) * | 2020-02-27 | 2020-09-08 | 中国人民解放军空军特色医学中心 | 基于人体肌肉表面电信号的睡眠结构自动分析方法 |
JPWO2021221139A1 (zh) * | 2020-04-28 | 2021-11-04 | ||
CN112244772A (zh) * | 2020-10-15 | 2021-01-22 | 王映姗 | 一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备 |
US20220370757A1 (en) * | 2021-05-18 | 2022-11-24 | Hypnocore Ltd. | Personalized sleep wellness score for treatment and/or evaluation of sleep conditions |
CN114052734B (zh) * | 2021-11-24 | 2022-11-01 | 西安电子科技大学 | 基于渐进式图卷积神经网络的脑电情感识别方法 |
CN114145717B (zh) * | 2021-12-08 | 2024-06-25 | 四川北易信息技术有限公司 | 基于ppg心率特征参数和运动量的睡眠状态分析方法 |
CN115281685A (zh) * | 2022-07-18 | 2022-11-04 | 上海数药智能科技有限公司 | 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质 |
CN115779227A (zh) * | 2022-10-26 | 2023-03-14 | 新乡医学院第一附属医院 | 一种闭环式提高深睡眠质量与愉悦感的方法和系统 |
CN115804573A (zh) * | 2023-02-13 | 2023-03-17 | 安徽星辰智跃科技有限责任公司 | 一种睡眠深度量化及干预的方法、系统和装置 |
-
2023
- 2023-03-20 CN CN202310268400.XA patent/CN115969330B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112890818A (zh) * | 2021-01-21 | 2021-06-04 | 西安中盛凯新技术发展有限责任公司 | 一种心理和自主神经双向评估系统 |
CN115486818A (zh) * | 2022-11-15 | 2022-12-20 | 安徽星辰智跃科技有限责任公司 | 一种运动神经通路检测量化的方法、系统和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115969330A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116058804B (zh) | 一种睡眠情绪活跃水平动态调节的方法、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 | |
CN116035536B (zh) | 一种睡眠行为活跃水平检测量化的方法、系统和装置 | |
CN115804573A (zh) | 一种睡眠深度量化及干预的方法、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 | |
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 | |
CN116013470B (zh) | 一种睡眠行为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 | |
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 | |
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 | |
CN116509337A (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 | |
TWI288875B (en) | Multiple long term auto-processing system and method thereof | |
CN116392083A (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 | |
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 | |
CN115966308B (zh) | 一种睡眠记忆活跃水平检测量化的方法、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 | |
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 | |
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 | |
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 | |
CN116150591B (zh) | 一种睡眠感官应激水平检测量化的方法、系统和装置 | |
Heng et al. | Prediction of ventricular fibrillation using support vector machine | |
de Melo | A brief review on electrocardiogram analysis and classification techniques with machine learning approaches | |
Talatov et al. | Methodology for processing and analysis of diagnostic indicators electrocardiogram based on Labview | |
Mangathayaru et al. | Heart rate variability for predicting coronary heart disease using photoplethysmography | |
Dasgupta et al. | Identification of eye saccadic signatures in electrooculography data using time-series motifs |
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 |