CN116098602B - 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 - Google Patents
一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 Download PDFInfo
- Publication number
- CN116098602B CN116098602B CN202310062950.6A CN202310062950A CN116098602B CN 116098602 B CN116098602 B CN 116098602B CN 202310062950 A CN202310062950 A CN 202310062950A CN 116098602 B CN116098602 B CN 116098602B
- Authority
- CN
- China
- Prior art keywords
- state
- sleep
- tested object
- bed
- data
- 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
- 230000007958 sleep Effects 0.000 title claims abstract description 88
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 230000000241 respiratory effect Effects 0.000 claims abstract description 25
- 201000002859 sleep apnea Diseases 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000033001 locomotion Effects 0.000 claims description 30
- 206010021079 Hypopnoea Diseases 0.000 claims description 14
- 238000005311 autocorrelation function Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 230000036387 respiratory rate Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 208000008784 apnea Diseases 0.000 claims description 9
- 230000004622 sleep time Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000000819 phase cycle Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 2
- 230000036391 respiratory frequency Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000009423 ventilation Methods 0.000 abstract description 3
- 230000035565 breathing frequency Effects 0.000 abstract 1
- 208000001797 obstructive sleep apnea Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000019116 sleep disease Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000020685 sleep-wake disease Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010038669 Respiratory arrest Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 208000022925 sleep disturbance Diseases 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0826—Detecting or evaluating apnoea events
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1114—Tracking parts of the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1115—Monitoring leaving of a patient support, e.g. a bed or a wheelchair
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Anesthesiology (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于IR‑UWB雷达的非接触式睡眠呼吸监测方法及装置，通过在床边部署IR‑UWB雷达设备，采集所在环境内被测对象夜晚在床期间的生命体征数据；对床的位置范围进行自动定位，由雷达反射的回波信号中抽取出代表床范围内被测对象的生命体征信号；基于信号处理算法对整夜过程中人体的五类状态分别进行识别；根据人体整夜的状态变化情况，估计出被测对象的睡眠时段；监测被测对象在睡眠时段内的呼吸率变化情况；利用基于多头自注意力机制的深度学习方法对被测对象睡眠时段内发生的呼吸事件进行识别。本发明提高了整夜呼吸频率计算的精度，以及能够获得更为准确的睡眠呼吸暂停低通气指数AHI数据。
Description
技术领域
本发明涉及非接触式感知领域和人工智能的深度学习领域，具体涉及一种基于IR-UWB雷达的非接触式睡眠呼吸监测方法及装置。
背景技术
睡眠是衡量人体健康的重要指标之一，它能够反映一些疾病的发展进程和身体异常情况的出现。高质量的睡眠对人体的生理和心理健康都大有裨益。而整夜睡眠中的呼吸情况(如是否发生睡眠障碍等)是睡眠质量的重要监测指标。严重的睡眠障碍疾病如睡眠呼吸暂停低通气综合征(SAHS)，则可能引发猝死。其中，睡眠呼吸暂停指的是人体在一段时间内(一般为10s以上)发生呼吸停滞的现象。在整夜的睡眠中，当睡眠呼吸暂停事件的发生频率达到一定程度后，人体就可能患上SAHS。同时，睡眠呼吸暂停和许多疾病都有一定的关联，如糖尿病、高血压、心脏病、抑郁症和肥胖症等。因此，对人体整夜的睡眠呼吸进行居家监测与识别，不仅可以实现相关睡眠疾病的初筛和预警，还可以用于患者随访，观察睡眠障碍治疗的效果。
医学上使用多导睡眠仪(PSG)对人体整夜睡眠中的呼吸情况进行监测，包括呼吸率、呼吸事件等，医生依此对被测对象的相关睡眠呼吸疾病患病的严重程度进行诊断。然而，这一过程需要被测对象长时间佩戴专用设备，由专业人员进行操作，并且价格昂贵。因此，PSG目前局限于医疗诊断领域，不适用于居家环境中的初筛或长期的随访监测，不利于病情的长期管理。
当前，适用于居家环境下呼吸健康监测的解决方案主要分为接触式感知方案与非接触式感知方案。接触式感知方案通过人体佩戴的商用设备(如手环、胸带、腹带)实现对人体呼吸的监测。而基于非接触式感知的方案则采用多种无线信号(包括Wi-Fi、RFID、声波)来以非接触方式监控人体的呼吸率或呼吸事件。与前者相比，非接触式感知技术具有非侵扰、易部署的特点，它可以避免长期佩戴设备的不适感，也可以避免设备佩戴不规范带来的数据可用性问题。
然而，已有的非接触式睡眠呼吸监测工作都存在一定的缺陷。首先，已有大多数工作是在受控场景下进行，其性能对所处环境的变化十分敏感。其次，已有工作或采用正常人的数据，或采用模拟数据(例如通过刻意屏住呼吸来模拟呼吸暂停)。这些数据与真实患者的数据存在一定差距，真实的呼吸暂停综合征患者在整夜睡眠过程中，可能出现不同类型、不同时长的呼吸暂停事件，不同类型的暂停事件因各自生理特征的差异导致不同的呼吸波形表现。另外，虽然近期部分工作采用了真实患者的数据，但识别精度、准确率不高。因此，进行准确的整夜睡眠呼吸监测依旧是目前亟待解决的问题。
发明内容
为了解决上述技术问题，本发明提供一种基于IR-UWB雷达的非接触式睡眠呼吸监测方法及装置，将目前已商用的IR-UWB雷达包装成简单便携、随插随用的小型设备，利用其进行无接触、无干扰的人体整夜睡眠呼吸监测，可以在居家环境中进行快捷的部署与使用，提高了整夜呼吸频率计算的精度，以及能够获得更为准确的睡眠呼吸暂停低通气指数AHI数据。
本发明技术解决方案为：
一种基于IR-UWB雷达的非接触式睡眠呼吸监测方法，包括：
1)在床边部署IR-UWB雷达设备，通过该IR-UWB雷达设备发射电磁脉冲信号，并收集环境中物体的反射信号；
2)将反射信号经过频率下转换得到复数矩阵R，其行维度为快时间轴，列维度为慢时间轴；再将该复数矩阵R分成多个子矩阵Rm，m＝1,2,…，消除静态物体的反射噪声，得到R′m；抽取R′m中信号强度最大的位置上的数据作为被测对象的生命体征数据rm，并对rm进行滤波预处理得到r′m，根据r′m判断被测对象是否处在规律呼吸状态；根据处于规律呼吸状态下的人体位置识别床范围，抽取出床范围内信号强度最大的位置上的信号数据作为被测对象真正的生命体征数据；
3)根据被测对象是否在床与其胸部位移情况，将人体在整夜睡眠过程中所处的状态分为五类状态I-V，根据步骤2)得到的床范围和被测对象的生命体征数据，识别被测对象处于哪一类状态；
4)基于人体在睡眠与非睡眠时刻的体动情况差异，根据被测对象在监测过程中的人体状态转换情况，识别出被测对象的睡眠时段；
5)对睡眠时段内的且处于状态IV的所有r′m的振幅与相位信息，利用自相关函数选择两者中频率在人体正常呼吸率范围内且周期性更强的波形，并基于所选波形进一步计算得到在睡眠时段内的呼吸频率变化情况；
6)利用基于多头自注意力机制的深度学习方法对被测对象睡眠时段内每秒的睡眠状态进行分类，找出非正常呼吸的状态，将连续的非正常呼吸的状态聚合成完整的睡眠呼吸事件；根据被测对象整夜的体动情况计算出其总睡眠时长，然后根据被测对象睡眠中出现的睡眠呼吸事件数量和所述总睡眠时长计算被测对象睡眠时的睡眠呼吸暂停低通气指数AHI。
优选地，步骤1)中所述IR-UWB雷达设备朝向被测对象的胸口区域，其距被测对象的距离在雷达最大探测范围内。
优选地，步骤2)中抽取R′m中信号强度最大的位置上的数据作为被测对象的生命体征数据rm的方法为：计算每个矩阵R′m对应的信号振幅，并沿着慢时间轴进行求和，取振幅强度最大的一列数据对应的快时间轴索引，该索引对应被测对象所在位置，根据该索引得到被测对象的生命体征数据rm。
优选地，步骤2)中抽取出床范围内信号强度最大的位置上的信号数据作为被测对象真正的生命体征数据的方法与抽取R′m中信号强度最大的位置上的数据作为被测对象的生命体征数据rm的方法相同，不同处在于将监测范围限制在了床的范围内。
优选地，步骤2)中滤波预处理的方法为：对被测对象的生命体征数据rm使用SG滤波器(Savitzky-Golay Filter)去除信号中的高频噪声，并对去噪后的信号进行去趋势操作，消除信号的偏移，得到预处理后的人体生命体征信号r′m。
优选地，步骤2)中判断被测对象是否处在规律呼吸状态的步骤包括：
对人体胸部在一个窗口内的位移情况进行建模，根据预处理后的人体生命体征信号r′m中的最大相位值和最小相位值之差和雷达信号波长，计算胸部位移量Δd，当Δd大于一阈值α1时，判定当前窗口内被测对象处于明显体动状态，否则不处于明显体动状态；
若被测对象不处于明显体动状态，则对r′m的振幅和相位波形分别执行自相关函数，取得自相关系数曲线在正常人体呼吸周期对应的区间内的最大相关性峰值pe和pe对应的滞后值lag，若振幅或相位波形之一满足pe>β(β是一个预先设定的阈值)，则判定当前窗口内被测对象处于规律呼吸的状态。
优选地，步骤3)中所述五类状态I-V包括：
状态I：目标不在床；
状态II：目标在床，且床外有其它干扰影响；
状态III：目标在床，并处于体动状态，其中明显体动为状态III-a，中等体动为状态III-b；
状态IV：目标在床，并处于非体动的规律呼吸状态；
状态V：目标在床，并处于非体动的不规律呼吸状态。
优选地，步骤3)中识别被测对象处于哪一类状态的步骤包括：
将R′m的振幅沿慢时间轴进行求和，得到向量a＝[a1,a2,…]，其中ai代表距离索引i上的信号振幅总强度，若a中床范围对应的距离区间内没有峰值，或峰值的幅值小于a中的第一个元素a1，则判定被测对象处于状态I；
若床范围内的最大峰值的幅值小于床范围外的最大峰值的幅值，则判定被测对象处于状态II；
根据r′m中的最大相位值和最小相位值之差和雷达信号波长，计算胸部位移量Δd，当Δd大于一阈值α1时，则判定被测对象处于状态III-a；当Δd大于另一阈值α2(且α2<α1)时，判定被测对象处于状态III-b；
若被测对象不处于明显体动状态，则对r′m的振幅和相位波形分别执行自相关函数，取得自相关系数曲线在正常人体呼吸周期对应的区间内的最大相关性峰值pe和pe对应的滞后值lag，若振幅或相位波形之一满足pe>β(β是一个预先设定的阈值)，则判定被测对象处于状态IV；
当被测对象不满足以上任何状态的判定条件时，判定被测对象处于状态V。
优选地，步骤4)中识别出被测对象的睡眠时段的步骤包括：
将所有r′m按时序组合成多个不重叠的长窗口，每个窗口包含多个所述状态，并将数量最多的状态作为当前窗口的主导状态，得到主导状态序列se；
从se抽取序列s′e，该s′e满足条件：s′e中的所有元素都是状态IV或状态V，s′e是se的最长公共子序列；
取s′e的第一个状态开始的时间作为被测对象睡眠时段的开始时间to，取s′e的最后一个状态结束的时间作为被测对象睡眠时段的结束时间te；
分别选择以to、te为中心的一定时间范围内的信号窗口，再次进行上述步骤操作，对to、te进行更新。
优选地，步骤5)中利用自相关函数计算被测对象的呼吸频率的步骤包括：对r′m的振幅和相位波形分别执行自相关函数，取得自相关系数曲线在正常人体呼吸周期对应的区间内的最大相关性峰值pe和pe对应的滞后值lag；选择振幅和相位波形中pe值较大的波形，根据该波形的采样频率和lag值计算被测对象的呼吸频率。
优选地，步骤6)中利用基于多头自注意力机制的深度学习方法对被测对象睡眠时段内每秒的睡眠状态进行分类的步骤包括：
将回波信号振幅和相位序列分别进行标准化操作，生成两列数据，将该两列数据以双通道方式拼接起来，输入到卷积神经网络CNN中提取深层次特征；
将提取的深层次特征加上位置编码，赋予时序信息，然后输入到一个两层的多头自注意力模块中，处理后再输入到全连接神经网络预测器中，进行睡眠状态的三分类即呼吸暂停、低通气或正常呼吸，生成秒级的分类结果。
一种基于IR-UWB雷达的非接触式睡眠呼吸监测装置，包括IR-UWB雷达设备和安装在该IR-UWB雷达设备上的睡眠呼吸监测APP，该IR-UWB雷达设备用于发射电磁脉冲信号，并收集环境中物体的反射信号；该睡眠呼吸监测APP用于执行上述方法中步骤2)至6)，得到被测对象的睡眠时段内的呼吸频率变化情况和睡眠呼吸暂停低通气指数AHI。
本发明与现有技术相比，具有以下优点：
本发明公开了一种基于IR-UWB雷达的非接触式睡眠呼吸监测方法及装置，将目前已商用的IR-UWB雷达包装成简单便携、随插随用的小型设备，利用其进行无接触、无干扰的人体整夜睡眠呼吸监测，可以在居家环境中进行快捷的部署与使用，并且提高了整夜呼吸频率计算的精度，能够获得更为准确的睡眠呼吸暂停低通气指数AHI，这有利于提高对SAHS患病严重程度的诊断准确率，适用于智能家居、智慧养老等领域。
附图说明
图1为本发明实施例中一种基于IR-UWB雷达的非接触式睡眠呼吸监测方法的流程图；
图2为本发明提供的方法对应的流程示意图；
图3为本发明实施例中进行睡眠呼吸事件识别与SAHS诊断的流程图；
图4为本发明实施例中使用的基于多头自注意力机制的深度学习方法的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。
如图1所示，本发明实施例提供的一种基于IR-UWB雷达的非接触式睡眠呼吸监测方法，包括下述步骤：
步骤S1：在床边部署IR-UWB雷达设备，采集所在环境内被测对象夜晚在床期间的生命体征数据。
步骤S2：抽取雷达回波信号中强度最大的位置上的数据作为被测对象的生命体征数据，利用信号处理算法判断被测对象是否处在规律呼吸的状态，接着结合所有处于此状态下的人体位置对床的范围进行识别。最后，将监测范围限定在床范围内，进而采用相同的抽取过程抽取出床范围内信号强度最大的位置上的信号数据作为被测对象真正的生命体征数据。
步骤S3：根据被测对象是否在床与其胸部位移情况，将人体在整夜睡眠过程中所处的状态分为五类(状态I-V)，并基于不同的信号处理算法对这五类状态分别进行识别。
步骤S4：基于人体在睡眠与非睡眠时刻的体动情况差异，根据被测对象在监测过程中的人体状态转换情况，识别出被测对象的睡眠时段。
步骤S5：同时结合雷达信号的振幅与相位信息，利用自相关函数选择两者中频率在人体正常呼吸率范围内且周期性更强的呼吸波形，对被测目标在睡眠时段内的呼吸率变化情况进行监测。
步骤S6：利用基于多头自注意力机制的深度学习方法对被测对象睡眠时段内每秒的睡眠状态(呼吸暂停、低通气、正常呼吸)进行分类，并根据睡眠事件的最低持续时长特点将连续的非正常呼吸的睡眠状态聚合成完整的睡眠呼吸事件。根据被测对象整夜的体动情况计算出其总睡眠时长后，进一步计算其对应的睡眠呼吸暂停低通气指数AHI。
上述步骤S2至S6可以通过安装在IR-UWB雷达设备上的睡眠呼吸监测APP实现。
图2展示了本发明提供的方法对应的流程示意图。
在一个实施例中，上述步骤S1：在床边部署IR-UWB雷达设备，采集所在环境内被测对象夜晚在床期间的生命体征数据，具体包括：
在床头柜上部署IR-UWB雷达来收集目标信号，雷达设备朝向被测对象的胸口区域，距被测对象的距离在雷达最大探测范围内。雷达芯片通过杜邦线连接到树莓派(Raspberry Pi，一种微型电脑)，并将雷达数据存储于树莓派上，并通过无线网络将数据传输到笔记本电脑上做进一步的处理。数据收集过程中不对被测对象进行任何要求与限制。同时，被测对象穿戴多导睡眠仪设备，该设备提供瞬时呼吸频率和呼吸事件发生情况等参数作为真值的参考。
在一个实施例中，上述步骤S2：抽取雷达回波信号中强度最大的位置上的数据作为被测对象的生命体征数据，利用信号处理算法判断被测对象是否处在规律呼吸的状态，接着结合所有处于此状态下的人体位置对床的范围进行识别。最后，将监测范围限定在床范围内，进而抽取出床范围内信号强度最大的位置上的信号数据作为被测对象真正的生命体征数据，具体包括：
步骤S21：IR-UWB雷达以一定的间隔不断发射电磁脉冲信号，并收集环境中物体反射的信号，反射信号经过频率下转换后记录在一个2D的复数矩阵R中，R[i,j]包含了雷达在时刻索引j收到的、距离索引i处被反射的回波信号。行维度被称为“快时间”轴，而列维度被称为“慢时间”轴。使用θ＝30s的滑动窗口和δ＝30s的滑动步长，对R进行分段，形成多个子矩阵Rm，m＝1,2,…，作为接下来的输入；
步骤S22：首先，对Rm进行背景消减来消除环境中静态物体反射造成的影响，得到R′m。令Cm为要被消除的静态反射，且Cm[0,:]＝Rm[0,:]，k(≥1)为矩阵的行索引，γ为一个权重参数，其过程可表示为下述公式(1-2)：
Cm[k,:]＝γCm[k-1,:]+(1-γ)Rm[k,:] (1)
R′m[k,:]＝Rm[k,:]-Cm[k,:] (2)
其次，对每个R′m，计算其对应的信号振幅，并沿着慢时间轴进行求和，取振幅强度最大的一列数据对应的快时间轴索引index，该索引对应目标所在位置。则被测对象的生命体征数据可以被表示为下述公式(3)：
rm＝Rm[:,index] (3)
最后，对rm使用SG滤波器(Savitzky-Golay Filter)去除信号中的高频噪声，并对去噪后的信号进行去趋势操作，消除信号的偏移，得到预处理后的人体生命体征信号r′m。
步骤S23：对人体胸部在一个窗口内的位移情况进行建模，令r′m中的最大相位值和最小相位值之差为Δφ，λ为雷达信号的波长，则胸部位移量Δd表示为下述公式(4)：
当Δd大于阈值α1时，判定当前窗口内被测对象发生了明显的体动。
步骤S24：若被测对象不处于明显体动状态，则对r′m的振幅和相位波形分别执行自相关函数，取得自相关系数曲线在正常人体呼吸周期(2-10s)对应的区间内的最大相关性峰值pe和pe对应的滞后值lag，若振幅或相位波形之一满足pe>β(β是一个预先设定的阈值)，则判定当前窗口内被测对象处于规律呼吸的状态。
步骤S25：记录每个被判定为规律呼吸的状态的r′m对应的目标所在位置距离，并获取其中位数lm，令床的宽度为bw，则床的范围被限定为
在一个实施例中，上述步骤S3：根据被测对象是否在床与其胸部位移情况，将人体在整夜睡眠过程中所处的状态分为五类(具体见表1)，并基于不同的信号处理算法对这五类状态分别进行识别，具体包括：
表1
步骤S31：结合床的范围，重新分析所有R′m。将R′m的振幅沿慢时间轴进行求和，得到向量a＝[a1,a2,…]，其中ai代表距离索引i上的信号振幅总强度。若a中床范围对应的距离区间内没有峰值(Peak)，或峰值的幅值小于a中的第一个元素a1，则判定被测对象处于状态I，并结束识别流程。
步骤S32：若床范围内的最大峰值的幅值小于床范围外的最大峰值的幅值，则判定被测对象处于状态II，并结束识别流程。
步骤S33：将监测范围限定在床的范围内，使用步骤S22中的方法从Rm中获取r′m，并使用步骤S23中的方法来判定被测对象是否处于状态III-a，若是，结束识别流程。
步骤S34：使用步骤S24中的方法来判定被测对象是否处于状态IV，若是，结束识别流程。
步骤S35：使用步骤S23中的方法，但α1将更改为α2(α2＜α1)从而判定被测对象是否处于状态III-b。若是，结束识别流程；若否，则判定被测对象处于状态V。
在一个实施例中，上述步骤S4：基于人体在睡眠与非睡眠时刻的体动情况差异，根据被测对象在监测过程中的人体状态转换情况，识别出被测对象的睡眠时段，具体包括：
步骤S41：经过步骤S3后，每个r′m都对应着被测对象的一个状态。按照时序顺序，将每60个r′m组合成一个(30分钟)长窗口，即每个长窗口内包含60个人体状态，并设整个监测时段内共有w个不重叠的长窗口。接着，将每个长窗口内数量最多的状态定为该长窗口的“主导状态”，获得主导状态序列se＝{s1，s2，...，sw}。
步骤S42：从se中提取s′e，使其满足：(1)s′e中的所有元素都是状态IV或状态V；(2)s′e是se的最长公共子序列。
步骤S43：取s′e的第一个状态开始的时间作为被测对象睡眠时段的开始时间(对象上床后第一次入睡)to，取s′e的最后一个状态结束的时间作为被测对象睡眠时段的结束时间(对象离床前最后一次苏醒)te。其中，to和te的单位都为分钟。
步骤S44：选择[to-30，to+30]时间范围内的信号、10分钟的长窗口，进行S41-S43中的操作，对进行to更新。
步骤S45：选择[te-30，te+30]时间范围内的信号、10分钟的长窗口，进行S41-S43中的操作，对进行te更新。
在一个实施例中，上述步骤S5：同时结合雷达信号的振幅与相位信息，利用自相关函数选择两者中频率在人体正常呼吸率范围内且周期性更强的呼吸波形，对被测目标在睡眠时段内的呼吸率变化情况进行监测，具体包括：
步骤S51：针对睡眠时段[to，te]内的所有r′m，若被测对象被判定为处于状态IV，则对r′m的振幅和相位波形分别执行自相关函数，取得自相关系数曲线在正常人体呼吸周期(2-10s)对应的区间内的最大相关性峰值pe和pe对应的滞后值lag。
步骤S52：选择振幅和相位波形中pe值较大的波形进行呼吸频率的计算。
步骤S53：令所述波形信号的采样频率为fs，被测对象在r′m对应的时间范围内的呼吸频率br可以表示为下述公式(5)：
在一个实施例中，上述步骤S6：利用基于多头自注意力机制的深度学习方法对被测对象睡眠时段内每秒的睡眠状态(呼吸暂停、低通气、正常呼吸)进行分类，并根据睡眠事件的最低持续时长特点将连续的非正常呼吸的睡眠状态聚合成完整的睡眠呼吸事件。根据被测对象整夜的体动情况计算出其总睡眠时长后，计算其对应的睡眠呼吸暂停低通气指数AHI，最后根据AHI对被测对象的SAHS患病情况进行诊断，具体包括：
步骤S611：将睡眠时段内的整个数据集划分为训练集、验证集和测试集，并对每秒的数据标注一个标签(呼吸暂停、低通气或正常呼吸)。首先，对于训练集，首先根据真值定位出所有呼吸暂停/低通气事件的位置，并截取从事件开始前10s到事件结束后10s内的信号数据，使用30s的滑动窗口和1s的滑动步长，将这段数据分割为多个窗口，且每个窗口包含30个1s标签，以增加异常呼吸样本的数量。同时，也用30s的滑动窗口以10s的滑动步长在完全不包含呼吸事件的信号段上进行滑动，生成正常呼吸样本。其次，对于测试集，使用θ＝30s的滑动窗口以δ＝10s的步长，对R进行分段，形成多个子矩阵Sm，m＝1,2,…。与从Rm中提取r′m的过程相同，从Sm中提取s′m作为测试集样本。最后，在训练集上进行交叉验证，选出性能最好的参数，从而在测试集上进行测试。训练集、验证集和测试集的比例为16:1:1，各个集合间的数据都是相互独立的，同一位对象的数据只会出现在一个集合中。
步骤S612：如图3所示，对s′m的振幅和相位序列分别进行标准化操作(Z-score)，然后将两列数据(和/>)以双通道方式拼接起来，表示为/>并将其送入由7层卷积神经网络(CNN)组成的特征提取层中提取对应的深层次特征。令Wj和bj为可训练的参数，j表示网络层，/>其过程可表述为下述公式(6-7)：
步骤S613：对步骤S612提取出的特征加上位置编码，赋予时序信息，得到/>并将/>输入一个两层的多头自注意力模块。令hd为自注意力层的头数，和/>为可训练的参数，d为子层的维度数，/>其过程可表述为下述公式(8-12)：
其中，是神经网络的中间输出，表示多头注意力模块的第j层中每个“头”输出的结果；/>是神经网络的中间输出，表示将第j层每个“头”的输出进行拼接后得到的结果；是神经网络的中间输出，表示多头自注意力模块中第j层的LayerNorm的输出结果；是神经网络的中间输出，表示多头自注意力模块第j层中dropout的输出；/>是多头自注意力模块中第j层的最终输出。
步骤S614：将步骤S613中输出的结果输入预测器(即全连接神经网络)中，进行睡眠状态的三分类，得到秒级的分类结果/>其中pi＝呼吸暂停，低通气或正常呼吸。
步骤S62：当窗口的滑动步长小于窗口长度(δ<θ)时，多个窗口之间会有重叠，即pm和pm+1，pm+2…之间可能有重叠，对于这些重叠部分，取被预测最多的睡眠状态作为其最终的睡眠状态预测结果，得到被测对象在睡眠时段的睡眠状态变化情况pd＝{pd1,pd2,…,pdg}，其中令g代表睡眠时段的总秒数，即g＝(te-to)*60。
步骤S63：基于呼吸事件的最短持续时长为10s的特性，使用一个10s的滑动窗口以1s的步长在pd上滑动，并对每个窗口就以下条件进行判断：(1)窗口的首/末个睡眠状态被预测为非正常呼吸的状态，或首/末个睡眠状态被预测为正常呼吸的状态且其前/后1个睡眠状态被预测为非正常呼吸的状态。(2)窗口内有7个及以上的非正常呼吸的状态。当它们被同时满足时，将窗口内的所有睡眠状态都矫正为对应的非正常呼吸的状态。得到矫正后的预测结果pd′。最后，遍历pd′，将10个及以上的连续非正常呼吸的状态聚合成对应的睡眠呼吸事件，并计数。
步骤64：当被测对象满足以下三种情况之一时，判定其处于清醒状态：(1)单个窗口对应的Δd>α3(α3>α1，具体见步骤S23)；(2)两个状态III间隔2分钟之内；(3)对象处于状态I。这些清醒片段的时长总和为人体入睡后的清醒时长tw，单位为分钟。
步骤S65：令c为被测对象睡眠中出现的呼吸事件数量，则被测对象当夜睡眠的睡眠呼吸暂停低通气指数AHI可以表示为下述公式(13)：
其中，te-to-tw即为总睡眠时长。
上述方法的输出结果为呼吸频率br和AHI数值，该呼吸频率br和AHI数值作为一种诊断中间数据，对于后续的诊断很重要。其中，根据AHI的数值，将被测对象诊断为：健康人(AHI<5)，轻度SAHS患者(5≤AHI<15)，中度SAHS患者(15≤AHI<30)和重度SAHS患者(AHI≥30)。
最后说明，以上实施例仅用于描述本发明的目的，而非限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。
Claims (8)
1.一种基于IR-UWB雷达的非接触式睡眠呼吸监测方法，其特征在于，包括：
1)在床边部署IR-UWB雷达设备，通过该IR-UWB雷达设备发射电磁脉冲信号，并收集环境中物体的反射信号；
2)将反射信号经过频率下转换得到复数矩阵R，其行维度为快时间轴，列维度为慢时间轴；再将该复数矩阵R分成多个子矩阵Rm，m＝1,2,…，消除静态物体的反射噪声，得到R′m；抽取R′m中信号强度最大的位置上的数据作为被测对象的生命体征数据rm，并对rm进行滤波预处理得到r′m，根据r′m判断被测对象是否处在规律呼吸状态；根据处于规律呼吸状态下的人体位置识别床范围，抽取出床范围内信号强度最大的位置上的信号数据作为被测对象真正的生命体征数据；
3)根据被测对象是否在床与其胸部位移情况，将人体在整夜睡眠过程中所处的状态分为五类状态I-V，根据步骤2)得到的床范围和被测对象的生命体征数据，识别被测对象处于哪一类状态；所述五类状态I-V包括：状态I：目标不在床；状态II：目标在床，且床外有其它干扰影响；状态III：目标在床，并处于体动状态，其中明显体动为状态III-a，中等体动为状态III-b；状态IV：目标在床，并处于非体动的规律呼吸状态；状态V：目标在床，并处于非体动的不规律呼吸状态；
4)基于人体在睡眠与非睡眠时刻的体动情况差异，根据被测对象在监测过程中的人体状态转换情况，识别出被测对象的睡眠时段；
5)对睡眠时段内的且处于状态IV的所有r′m的振幅与相位信息，利用自相关函数选择两者中频率在人体正常呼吸率范围内且周期性更强的波形，并基于所选波形进一步计算得到在睡眠时段内的呼吸频率变化情况；
6)利用基于多头自注意力机制的深度学习方法对被测对象睡眠时段内每秒的睡眠状态进行分类，找出非正常呼吸的状态，将连续的非正常呼吸的状态聚合成完整的睡眠呼吸事件；根据被测对象整夜的体动情况计算出其总睡眠时长，然后根据被测对象睡眠中出现的睡眠呼吸事件数量和所述总睡眠时长计算被测对象睡眠时的睡眠呼吸暂停低通气指数AHI；其中，利用基于多头自注意力机制的深度学习方法对被测对象睡眠时段内每秒的睡眠状态进行分类的步骤包括：将回波信号振幅和相位序列分别进行标准化操作，生成两列数据，将该两列数据以双通道方式拼接起来，输入到卷积神经网络CNN中提取深层次特征；将提取的深层次特征加上位置编码，赋予时序信息，然后输入到一个两层的多头自注意力模块中，处理后再输入到全连接神经网络预测器中，进行睡眠状态的三分类即呼吸暂停、低通气或正常呼吸，生成秒级的分类结果。
2.如权利要求1所述的方法，其特征在于，步骤2)中抽取R′m中信号强度最大的位置上的数据作为被测对象的生命体征数据rm的方法为：计算每个矩阵R′m对应的信号振幅，并沿着慢时间轴进行求和，取振幅强度最大的一列数据对应的快时间轴索引，该索引对应被测对象所在位置，根据该索引得到被测对象的生命体征数据rm；
抽取出床范围内信号强度最大的位置上的信号数据作为被测对象真正的生命体征数据的方法与抽取R′m中信号强度最大的位置上的数据作为被测对象的生命体征数据rm的方法相同。
3.如权利要求1所述的方法，其特征在于，步骤2)中滤波预处理的方法为：对被测对象的生命体征数据rm使用SG滤波器去除信号中的高频噪声，并对去噪后的信号进行去趋势操作，消除信号的偏移，得到预处理后的人体生命体征信号r′m。
4.如权利要求1所述的方法，其特征在于，步骤2)中判断被测对象是否处在规律呼吸状态的步骤包括：
对人体胸部在一个窗口内的位移情况进行建模，根据预处理后的人体生命体征信号r′m中的最大相位值和最小相位值之差和雷达信号波长，计算胸部位移量Δd，当Δd大于一阈值α1时，判定当前窗口内被测对象处于明显体动状态，否则不处于明显体动状态；
若被测对象不处于明显体动状态，则对r′m的振幅和相位波形分别执行自相关函数，取得自相关系数曲线在正常人体呼吸周期对应的区间内的最大相关性峰值pe和pe对应的滞后值lag，若振幅或相位波形之一满足pe＞β，β是一个预先设定的阈值，则判定当前窗口内被测对象处于规律呼吸的状态。
5.如权利要求1所述的方法，其特征在于，步骤3)中识别被测对象处于哪一类状态的步骤包括：
将R′m的振幅沿慢时间轴进行求和，得到向量a＝[a1，a2，...]，其中ai代表距离索引i上的信号振幅总强度，若a中床范围对应的距离区间内没有峰值，或峰值的幅值小于a中的第一个元素a1，则判定被测对象处于状态I；
若床范围内的最大峰值的幅值小于床范围外的最大峰值的幅值，则判定被测对象处于状态II；
根据r′m中的最大相位值和最小相位值之差和雷达信号波长，计算胸部位移量Δd，当Δd大于一阈值α1时，则判定被测对象处于状态III-a；当Δd大于另一阈值α2，且α2＜α1时，判定被测对象处于状态III-b；
若被测对象不处于明显体动状态，则对r′m的振幅和相位波形分别执行自相关函数，取得自相关系数曲线在正常人体呼吸周期对应的区间内的最大相关性峰值pe和pe对应的滞后值lag，若振幅或相位波形之一满足pe＞β，β是一个预先设定的阈值，则判定被测对象处于状态IV；
当被测对象不满足以上任何状态的判定条件时，判定被测对象处于状态V。
6.如权利要求1所述的方法，其特征在于，步骤4)中识别出被测对象的睡眠时段的步骤包括：
将所有r′m按时序组合成多个不重叠的长窗口，每个窗口包含多个所述状态，并将数量最多的状态作为当前窗口的主导状态，得到主导状态序列se；
从se抽取序列s′e，该s′e满足条件：s′e中的所有元素都是状态IV或状态V，s′e是se的最长公共子序列；
取s′e的第一个状态开始的时间作为被测对象睡眠时段的开始时间to，取s′e的最后一个状态结束的时间作为被测对象睡眠时段的结束时间te；
分别选择以to、te为中心的一定时间范围内的信号窗口，再次进行上述步骤操作，对to、te进行更新。
7.如权利要求1所述的方法，其特征在于，步骤5)中利用自相关函数计算被测对象的呼吸频率的步骤包括：对r′m的振幅和相位波形分别执行自相关函数，取得自相关系数曲线在正常人体呼吸周期对应的区间内的最大相关性峰值pe和pe对应的滞后值lag；选择振幅和相位波形中pe值较大的波形，根据该波形的采样频率和lag值计算被测对象的呼吸频率。
8.一种基于IR-UWB雷达的非接触式睡眠呼吸监测装置，其特征在于，包括IR-UWB雷达设备和安装在该IR-UWB雷达设备上的睡眠呼吸监测APP，该IR-UWB雷达设备用于发射电磁脉冲信号，并收集环境中物体的反射信号；该睡眠呼吸监测APP用于执行权利要求1-7任一项所述的方法中步骤2)至6)，得到被测对象的睡眠时段内的呼吸频率变化情况和睡眠呼吸暂停低通气指数AHI。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310062950.6A CN116098602B (zh) | 2023-01-16 | 2023-01-16 | 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310062950.6A CN116098602B (zh) | 2023-01-16 | 2023-01-16 | 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116098602A CN116098602A (zh) | 2023-05-12 |
| CN116098602B true CN116098602B (zh) | 2024-03-12 |
Family
ID=86261139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310062950.6A Active CN116098602B (zh) | 2023-01-16 | 2023-01-16 | 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116098602B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116449353B (zh) * | 2023-06-20 | 2023-08-15 | 精华隆智慧感知科技（深圳）股份有限公司 | 一种睡眠过程人体存在检测方法、装置、设备及存储介质 |
| CN116509336B (zh) * | 2023-06-27 | 2024-05-03 | 安徽星辰智跃科技有限责任公司 | 基于波形分析的睡眠周期性检测及调节方法、系统和装置 |
| CN117315886B (zh) * | 2023-09-07 | 2024-04-12 | 安徽建筑大学 | 一种基于uwb雷达的人员即将跌倒检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107049283A (zh) * | 2017-06-02 | 2017-08-18 | 南京理工大学 | 一种基于自适应残差比较算法的睡眠呼吸暂停检测方法 |
| KR20180049761A (ko) * | 2016-11-03 | 2018-05-11 | 비아이에스웍스 주식회사 | 초광대역 레이더를 이용한 무호흡 감지 장치 및 방법 |
| KR20200137356A (ko) * | 2019-05-30 | 2020-12-09 | 한양대학교 산학협력단 | Ir-uwb 레이더를 이용한 비침습/비접촉 방식 수면 무호흡증 검출 및 진단 장치 및 방법 |
| CN114098679A (zh) * | 2021-12-30 | 2022-03-01 | 中新国际联合研究院 | 基于深度学习和射频感知的生命体征监测波形的恢复方法 |
| CN114176564A (zh) * | 2021-12-14 | 2022-03-15 | 北京中科蓝电科技有限公司 | 基于雷达信号提取呼吸状态的方法 |
-
2023
- 2023-01-16 CN CN202310062950.6A patent/CN116098602B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180049761A (ko) * | 2016-11-03 | 2018-05-11 | 비아이에스웍스 주식회사 | 초광대역 레이더를 이용한 무호흡 감지 장치 및 방법 |
| CN107049283A (zh) * | 2017-06-02 | 2017-08-18 | 南京理工大学 | 一种基于自适应残差比较算法的睡眠呼吸暂停检测方法 |
| KR20200137356A (ko) * | 2019-05-30 | 2020-12-09 | 한양대학교 산학협력단 | Ir-uwb 레이더를 이용한 비침습/비접촉 방식 수면 무호흡증 검출 및 진단 장치 및 방법 |
| CN114176564A (zh) * | 2021-12-14 | 2022-03-15 | 北京中科蓝电科技有限公司 | 基于雷达信号提取呼吸状态的方法 |
| CN114098679A (zh) * | 2021-12-30 | 2022-03-01 | 中新国际联合研究院 | 基于深度学习和射频感知的生命体征监测波形的恢复方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116098602A (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116098602B (zh) | 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 | |
| Mendonca et al. | A review of obstructive sleep apnea detection approaches | |
| JP6567728B2 (ja) | 患者の生存性を予測する方法 | |
| Tuncer et al. | A deep learning-based decision support system for diagnosis of OSAS using PTT signals | |
| Haidar et al. | Convolutional neural networks on multiple respiratory channels to detect hypopnea and obstructive apnea events | |
| Singh et al. | Short PCG classification based on deep learning | |
| CN113180691B (zh) | 一种三通道睡眠呼吸暂停与低通气综合征识别装置 | |
| Bozkurt et al. | In obstructive sleep apnea patients, automatic determination of respiratory arrests by photoplethysmography signal and heart rate variability | |
| Shen et al. | Multitask residual shrinkage convolutional neural network for sleep apnea detection based on wearable bracelet photoplethysmography | |
| Yeo et al. | Respiratory event detection during sleep using electrocardiogram and respiratory related signals: Using polysomnogram and patch-type wearable device data | |
| Shao et al. | Obstructive sleep apnea detection scheme based on manually generated features and parallel heterogeneous deep learning model under IoMT | |
| Fedorin et al. | Consumer smartwatches as a portable PSG: LSTM based neural networks for a sleep-related physiological parameters estimation | |
| Sharan et al. | End-to-end sleep apnea detection using single-lead ECG signal and 1-D residual neural networks | |
| WO2013106700A1 (en) | Systems and methods for determining mental and physical health using multi-scale metrics | |
| Murugesan et al. | Sleeping Abnormalities Detection using Deep Learning Techniques | |
| Panindre et al. | Artificial intelligence-based remote diagnosis of sleep apnea using instantaneous heart rates | |
| Teng et al. | Multimedia monitoring system of obstructive sleep apnea via a deep active learning model | |
| Raja et al. | Existing Methodologies, Evaluation Metrics, Research Gaps, and Future Research Trends: A Sleep Stage Classification Framework | |
| Shao et al. | Predicting cardiovascular and cerebrovascular events based on instantaneous high-order singular entropy and deep belief network | |
| Lv et al. | Mcfn: A multichannel fusion network for sleep apnea syndrome detection | |
| Tyagi et al. | Systematic review of automated sleep apnea detection based on physiological signal data using deep learning algorithm: a meta-analysis approach | |
| Kohzadi et al. | Developing an apnea-hypopnea diagnostic model using SVM | |
| Vyas et al. | Sleep Stage Classification Using Non-Invasive Bed Sensing and Deep Learning | |
| Li et al. | EEG classification based on Grassmann manifold and matrix recovery | |
| Gopal et al. | Obstructive sleep apnea detection from ECG signal using neuro-fuzzy classifier |
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 |