CN116115198A - 一种基于生理体征的低功耗鼾声自动记录方法及装置 - Google Patents

Abstract

本发明提供一种基于生理体征的低功耗鼾声自动记录方法及装置，其中的方法是配置智能健康终端，佩戴在用户身上，智能健康终端开启PPG和加速度计监测功能，分析用户当前的活动状态，包括如下步骤：步骤1、判断用户进入睡眠模式后，开启高敏感状态，加快PPG信号的采集频率；步骤2、实时分析PPG信号获取到打鼾指征时，开启麦克风进行录音；步骤3、当麦克风检测到无鼾声，且呼吸血氧心率指征已恢复正常水平，麦克风进入待机模式。本发明的有益效果是：根据体征数据的变化，识别打鼾状态并自动开启打鼾监测，满足穿戴式智能设备的低功耗和低内存空间的要求，提高设备续航能力，滤除掉多余的鼾声数据，使得鼾声数据分析更加高效，节约了系统的算力。

Description

一种基于生理体征的低功耗鼾声自动记录方法及装置

技术领域

本发明涉及医疗保健信息技术领域，特别是一种基于生理体征的低功耗鼾声自动记录方法及装置。

背景技术

睡眠中打鼾分为生理性和病理性，特别是病理性打鼾，病理性打鼾是受慢性咽炎、鼻炎等炎症和其他因素刺激所致，会发出刺耳的呼吸声，严重时可能出现呼吸暂停或窒息的情况。目前有针对用户打鼾的智能健康终端、穿戴设备，或者是手机APP，通过麦克风录取鼾声，再对鼾声进行分析。

现有的鼾声记录设备是需要手动开启和关闭，即睡觉前开启，醒来关闭，如睡觉前忘记开启，则睡眠时设备不会记录鼾声数据，鼾声是睡眠分析的组成部分，如忘记开启，缺少鼾声分析，则睡眠分析结论并不完整和准确。录取鼾声需要开启麦克风，而这种麦克风需要一定的灵敏度，特别是对于智能穿戴这种轻量化的设备，配备的微型麦克风属于高功耗元器件，开启后整夜持续监测，设备功耗过高，严重影响续航能力。如果是轻量化的设备，如智能手表、手环、指环等，其存储空间有限，需要优先满足体征数据的存储，整个睡眠阶段录音会出现内存空间不足的情况，导致其他元器件无法正常运行，也无法存储数据。即便是整晚开启鼾声记录，记录的鼾声数据的文件庞大，且不必要的鼾声数据过多，分析起来，需要更多的硬件资源。

发明内容

本发明提出一种基于生理体征的低功耗鼾声自动记录方法及装置，根据体征自动开启和关闭麦克风，精准捕捉和记录鼾声数据，是通过如下技术方案实现的。

本发明实施例涉及一种基于生理体征的低功耗鼾声自动记录方法，配置智能健康终端，佩戴在用户身上，智能健康终端开启PPG信号和加速度计监测功能，分析用户当前的活动状态，其特征在于，包括如下步骤：

步骤1、判断用户进入睡眠模式后，开启高敏感状态，加快PPG信号的采集频率；

步骤2、实时分析PPG信号获取到打鼾指征时，开启麦克风进行录音；

步骤3、当麦克风检测到无鼾声，且呼吸血氧心率指征已恢复正常水平，关闭麦克风，进入待机模式。

本发明实施例涉及一种用于鼾声自动监测的低功耗装置，其包括：处理器，用于处理所监测的体征数据；存储器，用于存储数据以及处理数据的算法、体征数据和鼾声数据；光电脉搏传感器，与用于的手腕贴合，获取PPG数据、心率数据及血氧饱和度；麦克风，用于录取鼾声数据；陀螺仪和加速度计，用于获取体动数据，即人体的动作姿态。

本发明的有益效果是：智能健康终端根据体征特征自动开启打鼾监测，无需用户手动操作；精确控制鼾声数据的采集和存储，提高设备续航能力；不需要或减少存储无鼾声的数据，节省了内存空间；存储音频文件为有效鼾声的概率提高，鼾声数据分析更加高效，节约了系统的算力。

附图说明

图1是本发明的实施例的鼾声自动监测方法流程图。

图2是本发明的实施例的PPG数据中HRV变化趋势图。

图3是本发明的实施例的心率变化示意图。

图4是本发明的实施例通过SVM模型优化自动打鼾模型的示意图。

图5是本发明的实施例的智能健康终端框架结构图。

图6是本发明的实施例的智能健康终端的功能模块框图。

实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

本发明的实施例中的智能健康终端包括具有各种算法的穿戴设备，其具有获取特征数据及分析数据的功能，一般用于实时获取用户的体征数据，分析用户的健康状态。

比如一种具有获取特征数据及分析数据的功能的智能穿戴手表，可与服务器或者手机通信，具有一定的数据处理能力，与一般的穿戴不同。用于佩戴在用户的腕部，可获取用户的PPG数据和运动姿态数据，从而获得用户的生理体征状态。

如图1所示，是一种基于生理体征的低功耗鼾声自动记录方法，通过穿戴设备的加速度计和心率判断用户是否进入睡眠状态，当用户长时间静止且心率降低时，判断进入睡眠；

在本发明实施例中，以三轴加速度计为例，获取用户的动作姿态，是否为睡眠的姿态，再判断用户的心率，是否为睡眠时的静息心率，作为判断睡眠的标准。

在判断用户进入睡眠后，自动获取鼾声数据，使穿戴式智能健康终端达到低功耗、低内存及节省算力的效果，包括如下步骤：

S1、判断用户进入睡眠模式后，开启高敏感状态，加快PPG信号的采集频率；

S2、实时分析PPG信号获取到打鼾指征时，开启麦克风进行录音。

在睡眠状态中，实时获取心率、呼吸率和血氧值，判断是否是打鼾指征，检测到上述指标出现异常波动时，如心率升高，心律不齐，呼吸率降低，血氧降低，判断用户可能在打鼾状态，开启麦克风录音。

在本发明实施例中，通过检测体征数据，满足上述一个或多个打鼾指征时，预判的用户在打鼾。

S3、当麦克风检测到无鼾声，且呼吸血氧心率指征已恢复正常水平，关闭麦克风，进入待机模式。

在本发明实施例中，如监测到心率和呼吸在静息心率和静息呼吸率的10%范围内波动，血氧高于95%，呼吸血氧心率指征已恢复正常水平。

在本发明实施例中，还包括如下步骤：判断到睡眠结束后，弹出询问窗口询问睡眠监测是否正确，结合用户反馈对上述自动监测参数进行校正。

在本发明实施例的前置步骤中，首先需要检测到用户在睡眠状态，通过陀螺仪和加速度计获取体动数据，通过光电脉搏传感器获取心率值的数据，判断用户是否进入睡眠。

陀螺仪和加速度计无数据，且心率值为静息心率值时，判断用户在睡眠状态。

在本发明实施例中，体动数据是用于侦测用户睡姿，无论是躺着睡还是卧姿和趴姿，都可以进入睡眠。无论是哪种睡姿，睡眠都会出现打鼾状况，略胖或者肥胖的用户容易打鼾。在本发明实施例中，如办公室午睡时间，午睡比较集中，会出现同时打鼾的情形。

在本发明实施例中，智能健康终端可输入用户的基本信息，如既往病史、年龄、体重等，根据这些信息可便于分析用户的鼾声信息。也可获取用户是否容易打鼾，如年龄越大容易打鼾，肥胖容易打鼾等。

在本发明实施例的S2中，实时获取心率、呼吸率和血氧值，检测到上述指标出现异常波动时，即出现打鼾指征时，开启麦克风。

打鼾指征包括：呼吸不规律、呼吸率下降、血氧饱和度下降、心率不规律、心率变异性（HRV）下降、氧减指数减少、心跳速率变化等现象。

呼吸不规律、呼吸率下降的导致其他体征数据异常，如血氧饱和度下降、心率上升、心率变异性（HRV）下降、氧减指数减少。

心率不规律，心率升高，打鼾时会引起心率上升，睡眠时心率会降低，一般在55~70次/分钟，而打鼾使得心率升高，超过70次/分钟。如图3所示，显示在凌晨4点34分时鼾声达到110次/分钟。

心律不齐：主要体现在心率变异性（HRV）下降，睡眠时的正常心率变异性（HRV）的范围是102~180ms，而打鼾时的心率变异性（HRV）值低于102ms，如图2所示，是正常睡眠到打鼾时的心率变异性（HRV）值的趋势示意图，由于HRV值是缓慢变化的，需要通过非常长的PPG数据来显示。便于理解，图2从里面截取3段具有代表性的HRV值来显示。

血氧饱和度，正常的血氧饱和度是95%，低于95%时，说明呼吸出现了困难，而睡眠时造成呼吸困难的原因之一是打鼾。

在本发明的实施例中，智能健康终端获取用户的血氧饱和度值，血氧饱和度下降时，是用户出现不呼吸不规律和呼吸率下降时在身体指数上的体现。

呼吸出现障碍，使得从呼吸进入人体内的氧气减少，导致血氧饱和度下降。当血氧饱和度过低时，是因为出现了呼吸问题，及呼吸阻塞或暂停，是打鼾严重的表现。

正常的血氧饱和度在95%~99%之间，呼吸阻塞时血氧饱和度偏低，会低于95%。当血氧饱和度周期性低于95%时，可判断为用户呼吸阻塞或者是呼吸暂停。

在本发明的实施例中，智能健康终端获取用户的PPG数据，通过PPG数据分析用户心率值。如图2所示，如出现心率值上升及心率变异性（HRV）下降的情况，是打鼾指征之一。在医学上，打鼾时会出现心率上升和心律不齐的情况，心率不齐的原因是心率变异性的值不在正常范围内。

智能健康终端开启光电脉搏传感器，获取心率数据和血氧数据，心率传感器采用光电容积脉搏波描记法，记录每分钟心跳数据，同时根据绿光的反馈，计算出血氧值。分析PPG数据，检测PPG数据的心电图或脉搏波的R峰间隙计算HRV，获取心率变异性。打鼾时，血液中氧气的溶解速度低于正常水平，而二氧化碳的溶解速度则高于正常水平，反馈在PPG数据中的心率变异性降低。

实时开启心率值监测，当心率突然升高时，用户可能在打鼾。打鼾时心率要高于静息心率，当睡觉时心率比静息心率高时，是打鼾的一个现象。

实时开启PPG数据监测，HRV低于阈值时，是心率失常的提醒，可判断用户正在打鼾。睡觉时的心率变异性值（HRV）是102~180ms，而打鼾时心率变异性值低于正常值。

判断该呼吸段的心率变异性和心率值，如心率变异性低于正常范围阈值且心率过高，则判断该呼吸段的鼾声数据为用户鼾声数据。

在本发明实施例中，光电脉搏传感器所产生的数据是PPG数据，根据PPG数据分析心率值和心率变异性。

获取血氧饱和度值，在获取心率值的时候，同时可得到血氧饱和度值。判断血氧饱和度是否低于阈值。

在本发明实施例中，智能健康终端还检测氧减指数（ODI），根据氧减指数来判断鼾声数据是否有效。氧减指数可较好反映阻塞性睡眠呼吸暂停低通气综合征患者夜间低氧血，而阻塞性睡眠呼吸暂停是打鼾的一种严重现象。获取氧减指数，能获取到用户的呼吸是否顺畅，是否存在呼吸困难的情况，也可用于监测用户是否在打鼾。

在本发明实施例中，智能健康终端还检测心跳速率变化，打鼾时心跳会加快，但不是持续性加快，在心率变化表中，体现在心跳速率变化比较大。根据心跳速率变化也可用于监测用户是否在打鼾。

在本发明实施例的S3中，监测到心率、呼吸率和血氧值等生理参数平稳，即打鼾指征小时，如心率和呼吸在静息心率和静息呼吸率的10%范围内波动，血氧高于95%等情况，或者是心率变异性在正常范围，心跳速率正常，氧减指数（ODI）正常或用户退出睡眠状态，关闭麦克风录音。

关闭麦克风后，智能健康终端的麦克风进入待机状态，后台开启心率监测。可避免录制多余的声音数据。

由于睡眠阶段包括多种状态，如快速眼动、浅睡、深睡、中途短暂清醒等，并不是所有的睡眠状态下，都会打鼾。本方法可自动开启鼾声记录，并形成音频文件，减少了音频文件中的非鼾声数据，减小储存的鼾声文件大小。

判断到睡眠结束后，弹出询问窗口询问睡眠监测是否正确，结合用户反馈对上述自动监测参数进行校正。

弹出询问窗口，用于判断用户睡眠时间和起床时间是否与步骤1中监测到的用户睡眠时间是否一致。

还包括下列步骤：检测到用户起床后，询问是否结束睡眠，将反馈与记录数据对比。用于优化该用户的打鼾模式判断参数。

打鼾监测模型，包括如下步骤：

根据用户的反馈，对清醒时期和睡眠打鼾时期的呼吸率、心率血氧进行分析，获取数值范围、标准差的统计数值，将统计数值输入到SVM模型，计算出清醒时期和睡眠打鼾时期的分类平面函数，通过多次训练优化自动打鼾监测模型。

通过SVM模型，使得智能健康终端通过体征数据的变化判断用户是否打鼾更为准确。

在本发明实施例中，SVM模型是一种用于分类和回归分析的机器学习模型，其全称是支持向量机模型（Support Vector Machine Model）。它的基本思想是将样本映射到高维空间中，在高维空间中寻找一个线性分类器，使得样本点与分类超平面之间的间隔最大化，从而达到分类的目的。

将统计数值输入到SVM模型，主要分为以下几个步骤：

步骤11、收集数据：收集与打鼾有关的数据，包括睡眠呼吸、心率变化等，将这些数据作为SVM模型的输入。

步骤12、数据预处理：对收集到的数据进行预处理，包括特征提取、数据归一化等。特征提取是将原始数据转换成具有代表性的特征向量，以便于分类器学习和分类；数据归一化可以使得各个特征数据的范围相同，避免因为特征数据范围过大或过小对分类器的影响。

步骤13、构建SVM模型：通过训练数据，构建SVM分类器，得到清醒时期、睡眠打鼾时期的分类平面函数。

步骤14、模型评估：使用测试数据对模型进行评估，包括计算准确率、F1值、ROC曲线等，评估模型的性能。

步骤15、 模型优化：通过调整SVM模型的参数，包括核函数、C等，优化模型，达到更好的分类效果。

步骤16、应用测试：将优化后的SVM模型应用于实际打鼾监测中，通过多次训练和测试，得到最终的自动打鼾监测模型。

如图4所示，是SVM建模训练示意图，中间的线是各种模型，将心率、血氧、呼吸率、HRV、体动数据输入到模型中，通过模型筛选出对于打鼾的体征数据，排除未打鼾对应的体征数据。

如图5所示，一种智能健康终端，以一种智能手表为例，其包括处理器，用于处理所监测的体征数据；存储器，用于存储数据以及处理数据的算法、体征数据和鼾声数据；光电脉搏传感器，与用于的手腕贴合，获取PPG数据、心率和血氧饱和度数据；麦克风，用于录取鼾声数据；陀螺仪和加速度计，用于获取体动数据，即人体的动作姿态。

本发明的实施例中，以一个单位的智能健康终端内集成多个传感器，其目的是为了减少用户穿戴过多的传感器。

如图6所示，智能健康终端还包括数据分析模块和打鼾指征监测模块。

数据分析模块：用于实时分析PPG数据，获取实时的呼吸率、血氧饱和度、心跳速率、氧减指数、心率数据；数据分析模块含有对PPG信号分析的算法，对光电脉搏传感器获取的光电信号转化成PPG信号，再对PPG信号进行分析。

打鼾指征监测模块：根据PPG数据获得的体征值，判断用户是否在打鼾，根据PPG信号，获取到具有打鼾指征的呼吸率、血氧饱和度、心跳速率、氧减指数、心率数据，判断用户是否在打鼾。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于生理体征的低功耗鼾声自动记录方法，配置智能健康终端，佩戴在用户身上，智能健康终端开启PPG和加速度计监测功能，分析用户当前的活动状态，其特征在于，包括如下步骤：

步骤1、智能健康终端判断用户进入睡眠模式后，开启高敏感状态，加快PPG信号的采集频率；

步骤2、智能健康终端实时分析PPG信号，获取到打鼾指征时，开启麦克风进行录音；

步骤3、当麦克风检测到无鼾声，且呼吸血氧心率指征已恢复正常水平，麦克风进入待机模式。

2.根据权利要求1所述的低功耗鼾声自动记录方法，其特征在于，步骤2中，实时分析PPG信号，获取呼吸率、血氧饱和度、心跳速率、氧减指数、心率数据的一个或多个数值。

3.根据权利要求1所述的低功耗鼾声自动记录方法，其特征在于，所述打鼾指征是指：呼吸率下降、血氧饱和度下降、心率变异性下降、氧减指数减少及心跳速率加快的一种或多种数值变化。

4.根据权利要求1所述的低功耗鼾声自动记录方法，其特征在于，还包括步骤4：智能健康终端询问用户睡眠记录是否准确，用于优化参数，构建打鼾监测模型。

5.根据权利要求4所述的低功耗鼾声自动记录方法，其特征在于，所述构建打鼾监测模型，包括如下步骤：

根据用户的反馈，对清醒时期和睡眠打鼾时期的呼吸率和心率血氧进行分析，获取数值范围、标准差的统计数值，将统计数值输入SVM模型，计算出清醒时期和睡眠打鼾时期的分类平面函数，通过多次训练优化自动打鼾监测模型。

6.一种低功耗鼾声自动记录装置，其特征在于，是一种用于实现如权利要求1-5任意一项所述的低功耗鼾声自动记录方法的智能健康终端，其包括：

处理器，用于处理所监测的体征数据；

存储器，用于存储数据以及处理数据的算法、PPG数据和鼾声数据；

光电脉搏传感器，与用于的手腕贴合，获取PPG数据；

麦克风，用于录取鼾声数据；

加速度计，用于获取体动数据，即人体的动作姿态。

7.根据权利要求6所述的低功耗鼾声自动记录装置，其特征在于，还包括：

数据分析模块：用于实时分析PPG数据，获取实时的呼吸率、血氧饱和度、心跳速率、氧减指数、心率数据；

打鼾指征监测模块：根据PPG数据获得的体征值，判断用户是否在打鼾。

Images