CN116211287A - 一种基于心冲击图的体征信息监测方法、装置及系统 - Google Patents

一种基于心冲击图的体征信息监测方法、装置及系统 Download PDF

Info

Publication number
CN116211287A
CN116211287A CN202211732723.1A CN202211732723A CN116211287A CN 116211287 A CN116211287 A CN 116211287A CN 202211732723 A CN202211732723 A CN 202211732723A CN 116211287 A CN116211287 A CN 116211287A
Authority
CN
China
Prior art keywords
signal
bcg
signals
respiratory
heartbeat
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.)
Withdrawn
Application number
CN202211732723.1A
Other languages
English (en)
Inventor
陈澎彬
张涵
庞志强
何雯凝
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.)
Guangzhou Senviv Technology Co ltd
Original Assignee
Guangzhou Senviv 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 Guangzhou Senviv Technology Co ltd filed Critical Guangzhou Senviv Technology Co ltd
Priority to CN202211732723.1A priority Critical patent/CN116211287A/zh
Publication of CN116211287A publication Critical patent/CN116211287A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • 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
    • A61B5/1102—Ballistocardiography
    • 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
    • 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
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6892—Mats
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本申请涉及一种基于心冲击图的体征信息监测方法、装置及系统。该方法包括：通过多组独立的压电传感器的组成的床垫，形成非约束性的被动检测进行收集数据，同时通过有效的最优BCG心跳融合信号选取和呼吸信号选取算法，有效选取最优的信号进行心率和呼吸的计算，提高了心率和呼吸计算的准确度，通过融合计算的各个体征数据，建立实时睡眠分期模糊化分类算法模型，可以更有效直观的监测使用者当前的睡眠葬态，并通过隐马尔可夫模型算法分析，进行睡眠过程中的睡姿状态判断，去除干扰信息得到更加精准全面的睡眠健康数据资料。

Description

一种基于心冲击图的体征信息监测方法、装置及系统
技术领域
本申请涉及体征信息监测领域，特别是涉及一种基于心冲击图的体征信息监测方法、装置及系统。
背景技术
现有临床发病状态监测多采用心电监护仪等外置手段，监测患者心率、呼吸速率、血压、血氧、脉搏、体温等体征或实时测量，以排除患者在某一时段呈现的特殊生理参数被错过的可能性，但都需要采用接触式测量或实时监测，患者连接心电电极等线缆，长时间进行会导致患者产生不适，尤其是一般测量或实时监测的过程中对人体有静卧、平躺的要求，不利于长时间测量或监测。而对于养老康复过程中的体征监测，则更不适合长期佩戴电极等外置设备监测。
发明内容
基于此，有必要针对上述长期佩戴电极等外置设备监测造成的不便的问题，提供一种基于心冲击图的体征信息监测方法、装置及系统。
第一方面，本申请提供一种基于心冲击图的体征信息监测方法，包括以下步骤：
采用多路相互独立的压电传感器采集多组不同方位的心冲击图压电信号，分别对采集到多组心冲击图压电信号进行滤波降噪，得到多组心冲击图调整信号；
从心冲击图调整信号中提出呼吸信号和BCG心跳信号，并根据BCG心跳信号对睡姿进行判断；
从多路BCG心跳信号中选取最优BCG心跳信号，并根据所述最优BCG心跳信号进行心率特征计算；
从多路呼吸信号中选取最优呼吸信号，并根据所述最优呼吸信号进行呼吸特征计算；
测量一定时间内的体动变化次数以及心率和呼吸的变化程度，构建入睡判断线性算法模型，根据处于入睡状态的心率和呼吸的特征参数，构建睡眠分期模糊化分类算法模型，从而进行实时睡眠分期状态判断。
在其中一个实施例中，所述从心冲击图调整信号中提出呼吸信号和BCG心跳信号，并根据BCG心跳信号对睡姿进行判断的具体步骤包括：
把心冲击图调整信号进行离散小波变换，根据人体的呼吸频率范围，对变换后的数据进行重建得到呼吸信号，然后根据呼吸信号，从心冲击图调整信号中提取出BCG心跳信号；
对多路BCG心跳信号进行幅值特征提取，建立基于隐马尔可夫模型的睡姿状态识别模型，进行睡姿判断。
在其中一个实施例中，所述把心冲击图调整信号进行离散小波变换，根据人体的呼吸频率范围，对变换后的数据进行重建得到呼吸信号，然后根据呼吸信号，从心冲击图调整信号中提取出BCG心跳信号的具体步骤包括：
对心冲击图调整信号进行离散小波变换，得到多组层间数据Dn，每个层间数据Dn的频率范围[fL,fH]由
Figure BDA0004032117640000021
和/>
Figure BDA0004032117640000022
决定；其中Fs指的是心冲击图压电信号的采样频率，n指的是对应每一层的序号；
根据人体的呼吸频率范围，选择频率范围组合后满足包含人体呼吸频率范围的层间数据Dn进行重建，得到呼吸信号；以S1为例，呼吸信号的表达式为：
Figure BDA0004032117640000031
把呼吸信号代入心冲击图调整信号的表达式中，提取BCG心跳信号，以S1为例，提取BCG心跳信号的表达式为：
S1BCG(t)＝S1(t)-S1_wtresp(t)
根据所述呼吸信号的表达式和所述提取BCG心跳信号的表达式分别对多路心冲击图信号提取呼吸信号和BCG心跳信号。
在其中一个实施例中，所述对多路BCG心跳信号进行幅值特征提取，建立基于隐马尔可夫模型的睡姿状态识别模型，从而进行睡姿判断的具体步骤包括：
将BCG心跳信号的绝对值幅值划分成多个等级，每个等级对应着不同的幅值范围；
截取一定时间限度的BCG心跳信号，按以秒为尺度计算BCG心跳信号的绝对值幅值；
将多路BCG心跳信号的绝对绝对值幅值映射在预先划分幅值范围并依次拼接，得到观察序列；
将观测序列输入至预先建立好的隐马尔可夫模型，识别当前时间限度的睡眠姿势的类别。
在其中一个实施例中，所述从多路BCG心跳信号中选取最优BCG心跳信号，并根据所述最优BCG心跳信号进行心率特征计算的具体步骤包括：
将从心冲击图调整信号中提取出来的BCG心跳信号通过均方根滤波器进行滤波，得到BCG心跳调整信号；
根据BCG心跳调整信号建立体动识别模型，根据体动识别模型选取最优BCG心跳信号的备选信号；
设定通道约束，对于满足通道约束的BCG心跳调整信号进行信号融合，得到BCG心跳融合信号；
从BCG心跳融合信号中选取最优BCG心跳融合信号进行心率特征计算。
在其中一个实施例中，所述将从心冲击图调整信号中提取出来的BCG心跳信号通过均方根滤波器进行滤波，得到BCG心跳调整信号，根据BCG心跳调整信号建立体动识别模型的具体步骤包括：
从心冲击图调整信号提取出来的BCG心跳信号输入至均方根滤波器进行滤波处理，得到BCG心跳调整信号；
将BCG心跳调整信号归一化处理，并按体动翻身、正常和离床设定三组幅值判断范围，每组幅值判断范围对应不同的状态特征值；
从多路BCG心跳调整信号中各截选一定时间长度的信号片段并组成识别集合，以秒为时间长度，对识别集合中的BCG心跳调整信号平均分割，得到多段BCG心跳子信号；
把每组的多段BCG心跳子信号对应三组幅值判断范围进行匹配，得到每秒BCG心跳子信号的状态特征值；
对每组的多段BCG心跳子信号的状态特征值进行统计，根据状态特征值的数量和类别建立体动识别模型，根据体动识别模型对每组BCG心跳调整信号按体动翻身信号、正常信号和离床信号进行区分，其中正常信号作为最优BCG心跳信号的备选信号。
在其中一个实施例中，所述设定通道约束，对于满足通道约束的BCG心跳调整信号进行信号融合，得到BCG心跳融合信号的具体步骤包括：
体动识别模型对多路BCG心跳调整信号按体动翻身信号、正常信号和离床信号进行区分，对满足体动翻身信号和离床信号约束的通道进行信号分析；
计算一定时间长度内各通道BCG心跳调整信号的平均功率与呼吸信号的平均功率，然后求解各通道BCG心跳调整信号的平均功率与呼吸信号的平均功率的比值rhoi，对满足
Figure BDA0004032117640000051
范围内的通道进行第一融合分析；
对满足上述条件的通道，构建时间长度为T的BCG时序序列的反向对称序列，求解BCG时序序列与其自身反向对称序列的互相关函数
Figure BDA0004032117640000052
Figure BDA0004032117640000053
其中，t＝1,2…,T；求解对应时间长度XCovi(t)函数的离散傅里叶变换DFT{XCovi(t)}，对于DFT{XCovi(t)}分别满足频谱包络的最大峰值点处于预设范围和最大峰值与次峰值之比大于预设阈值的通道进行第二融合分析；
对满足上述条件的通道，选择DFT{XCovi(t)}中最大峰值与次峰值之比最大的BCG通道序列为基准序列，在通道信号进行归一化处理，并计算每一位数据采样点基于动态时间规整与欧氏距离的时间差异性，基于时间差异性重构BCG通道序列；
对重构后的BCG通道序列进行加权融合，得到BCG心跳融合信号。
在其中一个实施例中，所述从BCG心跳融合信号中选取最优BCG心跳融合信号进行心率特征计算的具体步骤包括：
在对体动识别模型识别出的最优BCG心跳信号的备选信号中截取一定时间长度的片段信号，采用希尔伯特-黄变换提取片段信号中的包络信号S_EnvBCG(t)；并计算其极大值的坐标，取所述极大值的坐标为BCG-J峰值坐标Peak_BCG[k]，其中，k为包络极大值个数；
建立以峰值坐标Peak_BCG[k]为中心的坐标系，在备选信号中截取BCG-J峰特征信号S_Peakk(m)，其中，m＝Peak_BCG[k]-120,Peak_BCG[k]+120；
评估备选信号的稳定性，将备选信号中截取一定时间长度的片段信号的所有的BCG-J峰特征信号进行两两相关性计算，得到备选信号的稳定性评估值tSQIBCG；所述稳定性评估值tSQIBCG的表达为：
Figure BDA0004032117640000061
设定BCG心跳融合信号最优信号判断阈值，根据稳定性评估值，确定最优BCG心跳融合信号；
对最优BCG心跳融合信号的BCG-J峰值坐标进行RR(m)＝Peak_BCG[m+1]-Peak_BCG[m]运算，得到BCG心率间期序列RR(m)；
根据BCG心率间期序列RR(m)进行HR[m]＝60/(RR(m)/fs)运算，得到瞬时心率HR[m]，其中fs为心冲击图压电信号的采集频率。
在其中一个实施例中，所述从多路呼吸信号中选取最优呼吸信号，并根据所述最优呼吸信号进行呼吸特征计算的具体步骤包括：
对多路呼吸信号分别截取一定时间长度的片段信号，按秒为时间单位计算每个片段信号的极小值坐标，并组成呼吸序列Resp_R[m]的极小值坐标，其中，m＝0,1,...,N-1，N为极小值个数；
截取片段信号中的单个呼吸特征信号Single_Respi，单个呼吸特征信Single_Respi的表达式为：
Single_Respi＝Sresp[Resp_R[i],Resp_R[i+1]]，其中，i＝0,..,N-2；
评估呼吸信号稳定性，将每组呼吸信号截取出来的片段信号中所有单个呼吸特征信号进行两两相关性计算，得到呼吸信号的稳定性评估值tSQIresp；所述稳定性评估值tSQIresp的表达式为：
Figure BDA0004032117640000062
设定呼吸信号最优信号判断阈值，根据稳定性评估值，确定最优呼吸信号；
对最优呼吸信号进行RRiresp[m]＝Resp_R[m+1]-Resp_R[m]运算，其中，RRiresp[m]为呼吸间期序列，i为最优呼吸信号对应的信号采集通道；
根据呼吸间期序列RRiresp[m]进行BR[m]＝60/(RRiresp(m)/fs)运算，得到瞬时呼吸率BR[m]，其中fs为心冲击图压电信号的采集频率。
在其中一个实施例中，所述测量一定时间内的体动变化次数以及心率和呼吸的变化程度，构建入睡判断线性算法模型，根据处于入睡状态的心率和呼吸的特征参数，构建睡眠分期模糊化分类算法模型，从而进行实时睡眠分期状态判断的具体步骤包括：
分别构建体动活跃程度算法模型、心跳平稳程度算法模型和呼吸平稳程度算法模型，获得一定时间长度的体动活跃值、心跳平稳值和呼吸平稳值；
根据体动活跃值、心跳平稳值和呼吸平稳值构建入睡判断线性算法模型；所述入睡判断线性算法模型的表达式为：
D＝0.5*MVS+0.5*(HRS+BRS)；其中，MVS为体动活跃值，HRS为心跳平稳值，BRS为呼吸平稳值；
根据所述入睡判断线性算法模型判断当前睡眠状态，对满足入睡状态的心率和呼吸两个体征构成两组一定时间长度的体征参数序列，分别为心率体征参数序列mHR_Min(t)和呼吸体征参数序列mBR_Min(t)，其中，t为时间长度；
分别对心率体征参数序列mHR_Min(t)和呼吸体征参数序列mBR_Min(t)进行直线拟合获得线性趋势变化函数T(t)，进而得到心率变化序列HR_Min(t)和呼吸变化序列BR_Min(t)；所述心率变化序列HR_Min(t)的表达式为HR_Min(t)＝mHR_Min(t)-T_HR(t)；所述呼吸变化序列BR_Min(t)的表达式为BR_Min(t)＝mBR_Min(t)-T_BR(t)；
分别对心率变化序列HR_Min(t)和呼吸变化序列BR_Min(t)按一定时间长度进行平均分割得到心率序列子集和呼吸序列子集，对心率序列子集的子序列进行平均值计算得到心率均值序列Mean_HR_Min[n]，对呼吸序列子集的子序列进行标准差值计算得到呼吸差值序列Std_BR_Min[n]；其中，n为时间长度内序列集合的个数；
根据心率均值序列和呼吸差值序列分别建立心率体征定量函数、呼吸体征定量函数和体动体征定量函数；所述心率体征定量函数的表达式为：
Figure BDA0004032117640000081
所述呼吸体征定量函数的表达式为：
Figure BDA0004032117640000082
所述呼吸体征定量函数的表达式为：
Figure BDA0004032117640000083
根据所述心率体征定量函数、呼吸体征定量函数和体动体征定量函数构建睡眠分期状态函数θsp(n)；所述睡眠分期状态函数θsp(n)的表达式为：
θsp(n)＝θhr(n)+θbr(n)+θmv(n)
对睡眠分期状态函数θsp(n)求解的值进行定量化处理，并根据定量化处理后的数值查询预先建立的睡眠分期模糊化分类算法模型。
第二方面，本申请提供一种基于心冲击图的体征信息监测装置，包括：
压电传感器，所述压电传感器的数量为四个，四个所述压电传感器用于采集多组不同方位的心冲击图压电信号；
床垫，四个所述压电传感器设置在所述床垫内部形成的安装空间内；
数据处理单元；所述数据处理单元与所述压电传感器通讯连接，所述数据处理单元用于接收所述心冲击图压电信号进行数据处理分析从而获取用户睡眠心率、呼吸睡眠、实时睡眠状态等健康数据。
在其中一个实施例中，所述测距单元测量精度小于1mm。
第三方面，本申请提供一种基于心冲击图的体征信息监测系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述基于心冲击图的体征信息监测方法的步骤。
第四方面，本申请提供一种一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述基于心冲击图的体征信息监测方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
上述的基于心冲击图的体征信息监测方法中，通过多组独立的压电传感器的组成的床垫，形成非约束性的被动检测进行收集数据，同时通过有效的最优BCG心跳融合信号选取和呼吸信号选取算法，有效选取最优的信号进行心率和呼吸的计算，提高了心率和呼吸计算的准确度，通过融合计算的各个体征数据，建立实时睡眠分期模糊化分类算法模型，可以更有效直观的监测使用者当前的睡眠状态，并通过隐马尔可夫模型算法分析，进行睡眠过程中的睡姿状态判断，去除干扰信息得到更加精准全面的睡眠健康数据资料。
附图说明
图1为本申请实施例中基于心冲击图的体征信息监测方法的流程示意图之一。
图2为本申请实施例中基于心冲击图的体征信息监测方法的流程示意图之二。
图3为本申请实施例中基于心冲击图的体征信息监测方法的流程示意图之三。
图4为本申请实施例中基于心冲击图的体征信息监测方法的流程示意图之四。
图5为本申请实施例中基于心冲击图的体征信息监测方法的流程示意图之五。
图6为本申请实施例中基于心冲击图的体征信息监测方法的流程示意图之六。
图7为本申请实施例中基于心冲击图的体征信息监测方法的流程示意图之七。
图8为本申请实施例中基于心冲击图的体征信息监测方法的流程示意图之八。
图9为本申请实施例中基于心冲击图的体征信息监测方法的流程示意图之九。
图10为本申请实施例中基于心冲击图的体征信息监测方法的流程示意图之十。
图11为本申请实施例中基于心冲击图的体征信息监测装置的结构示意图。
图12为本申请实施例中其中一个通道的BCG心跳信号，经均方根滤波器过滤后的实验数据图。
具体实施方式
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，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
实施例1
如图1所示，本实施例提供的一种基于心冲击图的体征信息监测方法，包括以下步骤：
步骤100，采用多路相互独立的压电传感器采集多组不同方位的心冲击图压电信号，分别对采集到多组心冲击图压电信号进行滤波降噪，得到多组心冲击图调整信号；
优选地，采用4路采用多路相互独立的压电传感器采集4组不同方位的心冲击图压电信号，分别对采集到多组心冲击图压电信号进行滤波降噪，得到4组心冲击图调整信号。
具体地，选用截止频率为20Hz的零相位双线性Butterworth低通滤波器对心冲击压电信号进行滤波降噪，消除混叠信号中的热噪声、工频干扰以及高频信号噪声信号干扰，得到多组心冲击图调整信号。
步骤200，从心冲击图调整信号中提出呼吸信号和BCG心跳信号，并根据BCG心跳信号对睡姿进行判断；
步骤300，从多路BCG心跳信号中选取最优BCG心跳信号，并根据所述最优BCG心跳信号进行心率特征计算；
步骤400，从多路呼吸信号中选取最优呼吸信号，并根据最优呼吸信号进行呼吸特征计算；
步骤500，测量一定时间内的体动变化次数以及心率和呼吸的变化程度，构建入睡判断线性算法模型，根据处于入睡状态的心率和呼吸的特征参数，构建睡眠分期模糊化分类算法模型，从而进行实时睡眠分期状态判断。
上述的基于心冲击图的体征信息监测方法中，通过多组独立的压电传感器的组成的床垫，形成非约束性的被动检测进行收集数据，同时通过有效的最优BCG心跳融合信号选取和呼吸信号选取算法，有效选取最优的信号进行心率和呼吸的计算，提高了心率和呼吸计算的准确度，通过融合计算的各个体征数据，建立实时睡眠分期模糊化分类算法模型，可以更有效直观的监测使用者当前的睡眠状态，并通过隐马尔可夫模型算法分析，进行睡眠过程中的睡姿状态判断，去除干扰信息得到更加精准全面的睡眠健康数据资料。
如图2所示，除上述实施例的特征以外，本实施例进一步限定了：从心冲击图调整信号中提出呼吸信号和BCG心跳信号，并根据BCG心跳信号对睡姿进行判断的具体步骤包括：
步骤210，把心冲击图调整信号进行离散小波变换，根据人体的呼吸频率范围，对变换后的数据进行重建得到呼吸信号，然后根据呼吸信号，从心冲击图调整信号中提取出BCG心跳信号；
步骤220，对多路BCG心跳信号进行幅值特征提取，建立基于隐马尔可夫模型的睡姿状态识别模型，进行睡姿判断。
如图3所示，除上述实施例的特征以外，本实施例进一步限定了：把心冲击图调整信号进行离散小波变换，根据人体的呼吸频率范围，对变换后的数据进行重建得到呼吸信号，然后根据呼吸信号，从心冲击图调整信号中提取出BCG心跳信号的具体步骤包括：
步骤211，对心冲击图调整信号进行离散小波变换，得到多组层间数据Dn，每个层间数据Dn的频率范围[fL,fH]由
Figure BDA0004032117640000121
和/>
Figure BDA0004032117640000122
决定；其中Fs指的是心冲击图压电信号的采样频率，n指的是对应每一层的序号；
步骤212，根据人体的呼吸频率范围，选择频率范围组合后满足包含人体呼吸频率范围的层间数据Dn进行重建，得到呼吸信号；以S1为例，呼吸信号的表达式为：
Figure BDA0004032117640000131
步骤213，把呼吸信号代入心冲击图调整信号的表达式中，提取BCG心跳信号；以第一通道的心冲击图调整信号S1为例，提取BCG心跳信号的表达式为：
S1BCG(t)＝S1(t)-S1_wtresp(t)
步骤214，根据呼吸信号的表达式和提取BCG心跳信号的表达式分别对多路心冲击图信号提取呼吸信号和BCG心跳信号。
优选地，本发明使用离散小波小波变换将原始数据分为13层，人体的呼吸频率范围设定为[0.2,0.5]Hz，其中，D10的频率为[0.49,0.98]Hz，D11的频率为[0.24,0.49]Hz，D12的频率为[0.12,0.24]Hz，D10、D11和D12组合后的频率为[0.12,0.98]Hz，囊括了人体的呼吸频率范围，以第一组压电传感器采集的信号S1为例，其呼吸信号的表达式为
Figure BDA0004032117640000132
如图4所示，除上述实施例的特征以外，本实施例进一步限定了：对多路BCG心跳信号进行幅值特征提取，建立基于隐马尔可夫模型的睡姿状态识别模型，从而进行睡姿判断的具体步骤包括：
步骤221，将BCG心跳信号的绝对值幅值划分成多个等级，每个等级对应着不同的幅值范围；
步骤222，截取一定时间限度的BCG心跳信号，按以秒为尺度计算BCG心跳信号的绝对值幅值；
步骤223，将多路BCG心跳信号的绝对绝对值幅值映射在预先划分幅值范围并依次拼接，得到观察序列；
步骤224，将观测序列输入至预先建立好的隐马尔可夫模型，识别当前时间限度的睡眠姿势的类别。
优选地，将BCG心跳信号的绝对值幅值划分成10个等级，从0到9，数字越大，信号幅值越大，分别对应以下幅值范围：0:[0,20],1:(20,50],2:(50,100],3:(100,200],4:(200,300],5:(300,400],6:(400,600],7:(600,800],9:(800,800+]；
优选地，截取信号长度为15秒的S_BCG(t)，以每秒的尺度计算S_Amp[n]＝abs(S_BCG[n]),n＝0,1...,14，将4路BCG信号绝对幅值根据步骤221等级映射后将4路采集信号的数据依次拼接起来，组成观测序列S_AmpBCG[n]＝[S_Amp1BCG[n],S_Amp2BCG[n],S_Amp3BCG[n],S_Amp4BCG[n]]。
如图5所示，除上述实施例的特征以外，本实施例进一步限定了：从多路BCG心跳信号中选取最优BCG心跳信号，并根据所述最优BCG心跳信号进行心率特征计算的具体步骤包括：
步骤310，将从心冲击图调整信号中提取出来的BCG心跳信号通过均方根滤波器进行滤波，得到BCG心跳调整信号；
具体地，以其中一个通道的BCG心跳信号为例，经均方根滤波器过滤后的处理结果如图12所示。
步骤320，根据BCG心跳调整信号建立体动识别模型，并根据体动识别模型选取最优BCG心跳信号的备选信号；
步骤330，设定通道约束，对于满足通道约束的BCG心跳调整信号进行信号融合，得到BCG心跳融合信号；
步骤340，从BCG心跳融合信号中选取最优BCG心跳融合信号进行心率特征计算。
如图6所示，除上述实施例的特征以外，本实施例进一步限定了：根据BCG心跳调整信号建立体动识别模型，并根据体动识别模型选取最优BCG心跳信号的备选信号的具体步骤包括：
步骤321，从心冲击图调整信号提取出来的BCG心跳信号输入至均方根滤波器进行滤波处理，得到BCG心跳调整信号；
步骤322，将BCG心跳调整信号归一化处理，并按体动翻身、正常和离床设定三组幅值判断范围，每组幅值判断范围对应不同的状态特征值；
具体地，将BCG心跳调整信号S1_RMSBCG(t)信号归一化到[0,1]，设置体动翻身阈值判断范围为(0.25,1]，正常信号幅值范围为[0.1,0.25]，离床信号幅值范围为(0,0.1)。
步骤323，从多路BCG心跳调整信号中各截选一定时间长度的信号片段并组成识别集合，以秒为时间长度，对识别集合中的BCG心跳调整信号平均分割，得到多段BCG心跳子信号；
优选地，从多路BCG心跳调整信号中各截选信号长度为30秒的多路信号集合S_RMSBCG{n}：{S1_RMSBCG,S2_RMSBCG,S3_RMSBCG,S4_RMSBCG}，其中，n表示为1/2/3/4路信号，并将集合S_RMSBCG{n}中的4路信号平均分割成30段子信号S_RMSBCG_i{n},i＝0,1,..,29，子信号长度为1秒，并根据步骤420设定的信号幅值范围进行分类，得到每秒子信号的状态特征值sti。
具体地，每秒子信号的状态特征值sti的表达式为：
Figure BDA0004032117640000151
步骤324，把每组的多段BCG心跳子信号对应三组幅值判断范围进行匹配，得到每秒BCG心跳子信号的状态特征值；
步骤325，对每组的多段BCG心跳子信号的状态特征值进行统计，根据状态特征值的数量和类别建立体动识别模型，根据体动识别模型对每组BCG心跳调整信号按体动翻身信号、正常信号和离床信号进行区分，其中正常信号作为最优BCG心跳信号的备选信号。
具体地，根据每秒子信号的状态特征值sti的表达式得到单组30秒信号状态st{n}＝[st0,st1,...,st29]；统计st{n}中各个状态特征值的个数，并根据以下条件进行判断：
Figure BDA0004032117640000161
当满足Condi(st{1})、Condi(st{2})、Condi(st{3})、Condi(st{4})均满足条件1时，判断为无人在床；
当Condi(st{n})任意一组信号满足条件3，即可将该信号进行S4步骤，纳入为可选取最优BCG信号的备选信号。
如图7所示，除上述实施例的特征以外，本实施例进一步限定了：设定通道约束，对于满足通道约束的BCG心跳调整信号进行信号融合，得到BCG心跳融合信号的具体步骤包括：
步骤331，体动识别模型对多路BCG心跳调整信号按体动翻身信号、正常信号和离床信号进行区分，对满足体动翻身信号和离床信号约束的通道进行信号分析；
步骤332，计算一定时间长度内各通道BCG心跳调整信号的平均功率与呼吸信号的平均功率，然后求解各通道BCG心跳调整信号的平均功率与呼吸信号的平均功率的比值rhoi，对满足
Figure BDA0004032117640000162
范围内的通道进行第一融合分析；
具体地，对满足体动和离床约束的通道信号进行分析，定义时间长度T(单位：秒)，计算时间T内各通道BCG心跳调整信号的平均功率(E{||SiBCG(t)||2}与呼吸信号平均功率(E{||Siwt(t))||2},i＝1,2,3,4，求解个通道BCG心跳调整信号与呼吸信号平均功率之比rhoi＝(E{||SiBCG(t)||2}/(E{||Siwt(t))||2}，对满足
Figure BDA0004032117640000171
范围内的通道进行融合分析；
步骤333，对满足上述条件的通道，构建时间长度为T的BCG时序序列的反向对称序列，求解BCG时序序列与其自身反向对称序列的互相关函数
Figure BDA0004032117640000172
其中，t＝1,2…,T；求解对应时间长度XCovi(t)函数的离散傅里叶变换DFT{XCovi(t)}，对于DFT{XCovi(t)}分别满足频谱包络的最大峰值点处于预设范围和最大峰值与次峰值之比大于预设阈值的通道进行第二融合分析；
具体地，对满足
Figure BDA0004032117640000173
范围内的通道构建对应通道i时间T内BCG时序序列的反向对称序列/>
Figure BDA0004032117640000174
求解对应通道BCG时序序列与其自身反向对称序列的互相关函数/>
Figure BDA0004032117640000175
Figure BDA0004032117640000176
再求解对应时间长度XCovi(t)的离散傅里叶变换DFT{XCovi(t)}，设置判断条件：(1)频谱包络的最大峰值点是否处于合理范围[0.5,2.5]，(2)最大峰值与次峰之比大于等于2；仅纳入同时满足条件(1)、(2)的通道进行融合分析。
步骤334，对满足上述条件的通道，选择DFT{XCovi(t)}中最大峰值与次峰值之比最大的BCG通道序列为基准序列，在通道信号进行归一化处理，并计算每一位数据采样点基于动态时间规整与欧氏距离的时间差异性，基于时间差异性重构BCG通道序列；
具体地，对满足步骤334约束条件的通道，进行BCG信号融合。考虑到不同通道因信号传导存在未知时间延迟，以满足约束条件DFT{XCovi(t)}主峰次峰比最大的BCG通道序列为基准序列{SiBCG(t)}，在多通道信号归一化的基础上，计算出每一位数据采样点基于动态时间规整与欧氏距离的时间差异性，基于时间差异性重构该通道BCG序列{S'jBCG(t)}。
步骤335，对重构后的BCG通道序列进行加权融合，得到BCG心跳融合信号。
具体地，对BCG通道序列{S'jBCG(t)}进行加权融合
Figure BDA0004032117640000181
Figure BDA0004032117640000182
其中/>
Figure BDA0004032117640000183
αi∈(0,1)为通道i的加权因子，可根据该通道BCG时序信号平均功率、主峰次峰比等条件优化设计。
如图8所示，除上述实施例的特征以外，本实施例进一步限定了：从BCG心跳融合信号中选取最优BCG心跳融合信号进行心率特征计算的具体步骤包括：
步骤341，在对体动识别模型识别出的最优BCG心跳信号的备选信号中截取一定时间长度的片段信号，采用希尔伯特-黄变换提取片段信号中的包络信号S_EnvBCG(t)；并计算其极大值的坐标，取极大值的坐标为BCG-J峰值坐标Peak_BCG[k]，其中，k为包络极大值个数；
优选地，在对体动识别模型识别出的最优BCG心跳信号的备选信号中截取15秒长度的片段信号。
步骤342，建立以峰值坐标Peak_BCG[k]为中心的坐标系，在备选信号中截取BCG-J峰特征信号S_Peakk(m)，其中，
m＝Peak_BCG[k]-120,Peak_BCG[k]+120；
步骤343，评估备选信号的稳定性，将备选信号中截取一定时间长度的片段信号的所有的BCG-J峰特征信号进行两两相关性计算，得到备选信号的稳定性评估值tSQIBCG；稳定性评估值tSQIBCG的表达为：
Figure BDA0004032117640000184
步骤344，设定BCG心跳融合信号最优信号判断阈值，根据稳定性评估值，确定最优BCG心跳融合信号；
具体地，最优信号判断阈值设定为0.6，计算tSQIBCG的值大于0.6的一组信号即为选取为最优BCG心跳融合信号。
步骤345，对最优BCG心跳融合信号的BCG-J峰值坐标进行RR(m)＝Peak_BCG[m+1]-Peak_BCG[m]运算，得到BCG心率间期序列RR(m)；
步骤346，根据BCG心率间期序列RR(m)进行HR[m]＝60/(RR(m)/fs)运算，得到瞬时心率HR[m]，其中fs为心冲击图压电信号的采集频率。
如图9所示，除上述实施例的特征以外，本实施例进一步限定了：从多路呼吸信号中选取最优呼吸信号，并根据最优呼吸信号进行呼吸特征计算的具体步骤包括：
步骤410，对多路呼吸信号分别截取一定时间长度的片段信号，按秒为时间单位计算每个片段信号的极小值坐标，并组成呼吸序列Resp_R[m]的极小值坐标，其中，m＝0,1,...,N-1，N为极小值个数；
优选地，对多路呼吸信号分别截取15秒长度的片段信号。
步骤420，截取片段信号中的单个呼吸特征信号Single_Respi，单个呼吸特征信Single_Respi的表达式为：
Single_Respi＝Sresp[Resp_R[i],Resp_R[i+1]]，其中，i＝0,..,N-2；
步骤430，评估呼吸信号稳定性，将每组呼吸信号截取出来的片段信号中所有单个呼吸特征信号进行两两相关性计算，得到呼吸信号的稳定性评估值tSQIresp；稳定性评估值tSQIresp的表达式为：
Figure BDA0004032117640000191
步骤440，设定呼吸信号最优信号判断阈值，根据稳定性评估值，确定最优呼吸信号；
具体地，根据中步骤430计算tSQIresp的计算公式，将Single_Respi带入公式中得到tSQIresp呼吸信号稳定性评估分值，分值最大的一组信号即为最优选的呼吸信号。
步骤450，对最优呼吸信号进行RRiresp[m]＝Resp_R[m+1]-Resp_R[m]运算，其中，RRiresp[m]为呼吸间期序列，i为最优呼吸信号对应的信号采集通道；
步骤460，根据呼吸间期序列RRiresp[m]进行BR[m]＝60/(RRiresp(m)/fs)运算，得到瞬时呼吸率BR[m]，其中fs为心冲击图压电信号的采集频率。
如图10所示，除上述实施例的特征以外，本实施例进一步限定了：测量一定时间内的体动变化次数以及心率和呼吸的变化程度，构建入睡判断线性算法模型，根据处于入睡状态的心率和呼吸的特征参数，构建睡眠分期模糊化分类算法模型，从而进行实时睡眠分期状态判断的具体步骤包括：
步骤510，分别构建体动活跃程度算法模型、心跳平稳程度算法模型和呼吸平稳程度算法模型，获得一定时间长度的体动活跃值、心跳平稳值和呼吸平稳值；
具体地，体动活跃程度算法模型的表达式为：
Figure BDA0004032117640000201
心跳平稳程度算法模型的表达式为：
Figure BDA0004032117640000202
呼吸平稳程度算法模型的表达式为：
Figure BDA0004032117640000203
其中，Pn为随时间变化的权重，具体数值通过实验测试数据拟合确定；Mn为单位时间内体动发生的次数，本算法中定义单位时间长度为30s；
其中，UHR为单位时间内心率变化的波动常量，具体数值通过实验测试数据拟合确定；HR[n]为在MVS相同时间内所得到的瞬时心率序列，序列长度为K；
Figure BDA0004032117640000211
为HR[n]的平均心率值。
步骤520，根据体动活跃值、心跳平稳值和呼吸平稳值构建入睡判断线性算法模型；入睡判断线性算法模型的表达式为：
D＝0.5*MVS+0.5*(HRS+BRS)；其中，MVS为体动活跃值，HRS为心跳平稳值，BRS为呼吸平稳值；
步骤530，根据入睡判断线性算法模型判断当前睡眠状态，对满足入睡状态的心率和呼吸两个体征构成两组一定时间长度的体征参数序列，分别为心率体征参数序列mHR_Min(t)和呼吸体征参数序列mBR_Min(t)，其中，t为时间长度；
优选地，对满足入睡状态的心率和呼吸两个体征构成两组5分钟的体征参数序列。
步骤540，分别对心率体征参数序列mHR_Min(t)和呼吸体征参数序列mBR_Min(t)进行直线拟合获得线性趋势变化函数T(t)，进而得到心率变化序列HR_Min(t)和呼吸变化序列BR_Min(t)；心率变化序列HR_Min(t)的表达式为HR_Min(t)＝mHR_Min(t)-T_HR(t)；呼吸变化序列BR_Min(t)的表达式为BR_Min(t)＝mBR_Min(t)-T_BR(t)；
步骤550，分别对心率变化序列HR_Min(t)和呼吸变化序列BR_Min(t)按一定时间长度进行平均分割得到心率序列子集和呼吸序列子集，对心率序列子集的子序列进行平均值计算得到心率均值序列Mean_HR_Min[n]，对呼吸序列子集的子序列进行标准差值计算得到呼吸差值序列Std_BR_Min[n]；其中，n为时间长度内序列集合的个数；
优选地，分别对心率变化序列HR_Min(t)和呼吸变化序列BR_Min(t)平均分割成30秒的心率序列子集和呼吸序列子集。
步骤560，根据心率均值序列和呼吸差值序列分别建立心率体征定量函数、呼吸体征定量函数和体动体征定量函数；心率体征定量函数的表达式为：
Figure BDA0004032117640000221
呼吸体征定量函数的表达式为：
Figure BDA0004032117640000222
呼吸体征定量函数的表达式为：
Figure BDA0004032117640000223
步骤570，根据心率体征定量函数、呼吸体征定量函数和体动体征定量函数构建睡眠分期状态函数θsp(n)；睡眠分期状态函数θsp(n)的表达式为：
θsp(n)＝θhr(n)+θbr(n)+θmv(n)
步骤580，对睡眠分期状态函数θsp(n)求解的值进行定量化处理，并根据定量化处理后的数值查询预先建立的睡眠分期模糊化分类算法模型。
具体地，睡眠分期模糊化分类算法模型可由以下表达式表达：
Figure BDA0004032117640000224
实施例2
如图11所示，本实施例提供了一种基于心冲击图的体征信息监测装置，包括：
压电传感器，压电传感器的数量为四个，四个压电传感器用于采集多组不同方位的心冲击图压电信号；
床垫，四个压电传感器设置在床垫内部形成的安装空间内；
数据处理单元；数据处理单元与压电传感器通讯连接，数据处理单元用于接收心冲击图压电信号进行数据处理分析从而获取用户睡眠心率、呼吸睡眠、实时睡眠状态等健康数据。
实施例3
在一个实施例中，提供一种基于心冲击图的体征信息监测系统，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述基于心冲击图的体征信息监测方法的步骤。
实施例4
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行上述基于心冲击图的体征信息监测方法的步骤。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的每个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于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。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种基于心冲击图的体征信息监测方法，其特征在于，包括如下步骤：
采用多路相互独立的压电传感器采集多路不同方位的心冲击图压电信号，分别对采集到多组心冲击图压电信号进行滤波降噪，得到多组心冲击图调整信号；
从心冲击图调整信号中提出呼吸信号和BCG心跳信号，并根据BCG心跳信号对睡姿进行判断；
从多路BCG心跳信号中选取最优BCG心跳信号，并根据所述最优BCG心跳信号进行心率特征计算；
从多路呼吸信号中选取最优呼吸信号，并根据所述最优呼吸信号进行呼吸特征计算；
测量一定时间内的体动变化次数以及心率和呼吸的变化程度，构建入睡判断线性算法模型，根据处于入睡状态的心率和呼吸的特征参数，构建睡眠分期模糊化分类算法模型，从而进行实时睡眠分期状态判断。
2.根据权利要求1所述的基于心冲击图的体征信息监测方法，其特征在于，所述从心冲击图调整信号中提出呼吸信号和BCG心跳信号，并根据BCG心跳信号对睡姿进行判断的具体步骤包括：
把心冲击图调整信号进行离散小波变换，根据人体的呼吸频率范围，对变换后的数据进行重建得到呼吸信号，然后根据呼吸信号，从心冲击图调整信号中提取出BCG心跳信号；
对多路BCG心跳信号进行幅值特征提取，建立基于隐马尔可夫模型的睡姿状态识别模型，进行睡姿判断。
3.根据权利要求2所述的基于心冲击图的体征信息监测方法，其特征在于，所述把心冲击图调整信号进行离散小波变换，根据人体的呼吸频率范围，对变换后的数据进行重建得到呼吸信号，然后根据呼吸信号，从心冲击图调整信号中提取出BCG心跳信号的具体步骤包括：
对心冲击图调整信号进行离散小波变换，得到多组层间数据Dn，每个层间数据Dn的频率范围[fL,fH]由
Figure FDA0004032117630000021
和/>
Figure FDA0004032117630000022
决定；其中Fs指的是心冲击图压电信号的采样频率，n指的是对应每一层的序号；
根据人体的呼吸频率范围，选择频率范围组合后满足包含人体呼吸频率范围的层间数据Dn进行重建，得到呼吸信号；以S1为例，呼吸信号的表达式为：
Figure FDA0004032117630000023
把呼吸信号代入心冲击图调整信号的表达式中，提取BCG心跳信号，以S1为例，提取BCG心跳信号的表达式为：
S1BCG(t)＝S1(t)-S1_wtresp(t)
根据所述呼吸信号的表达式和所述提取BCG心跳信号的表达式分别对多路心冲击图信号提取呼吸信号和BCG心跳信号。
4.根据权利要求2所述的基于心冲击图的体征信息监测方法，其特征在于，所述对多路BCG心跳信号进行幅值特征提取，建立基于隐马尔可夫模型的睡姿状态识别模型，从而进行睡姿判断的具体步骤包括：
将BCG心跳信号的绝对值幅值划分成多个等级，每个等级对应着不同的幅值范围；
截取一定时间限度的BCG心跳信号，按以秒为尺度计算BCG心跳信号的绝对值幅值；
将多路BCG心跳信号的绝对绝对值幅值映射在预先划分幅值范围并依次拼接，得到观察序列；
将观测序列输入至预先建立好的隐马尔可夫模型，识别当前时间限度的睡眠姿势的类别。
5.根据权利要求1所述的基于心冲击图的体征信息监测方法，其特征在于，所述从多路BCG心跳信号中选取最优BCG心跳信号，并根据所述最优BCG心跳信号进行心率特征计算的具体步骤包括：
将从心冲击图调整信号中提取出来的BCG心跳信号通过均方根滤波器进行滤波，得到BCG心跳调整信号；
根据BCG心跳调整信号建立体动识别模型，并根据体动识别模型选取最优BCG心跳信号的备选信号；
设定通道约束，对于满足通道约束的BCG心跳调整信号进行信号融合，得到BCG心跳融合信号；
从BCG心跳融合信号中选取最优BCG心跳融合信号进行心率特征计算。
6.根据权利要求5所述的基于心冲击图的体征信息监测方法，其特征在于，所述根据BCG心跳调整信号建立体动识别模型，并根据体动识别模型选取最优BCG心跳信号的备选信号的具体步骤包括：
将BCG心跳调整信号归一化处理，并按体动翻身、正常和离床设定三组幅值判断范围，每组幅值判断范围对应不同的状态特征值；
从多路BCG心跳调整信号中各截选一定时间长度的信号片段并组成识别集合，以秒为时间长度，对识别集合中的BCG心跳调整信号平均分割，得到多段BCG心跳子信号；
把每组的多段BCG心跳子信号对应三组幅值判断范围进行匹配，得到每秒BCG心跳子信号的状态特征值；
对每组的多段BCG心跳子信号的状态特征值进行统计，根据状态特征值的数量和类别建立体动识别模型，根据体动识别模型对每组BCG心跳调整信号按体动翻身信号、正常信号和离床信号进行区分，其中，正常信号作为最优BCG心跳信号的备选信号。
7.根据权利要求5所述的基于心冲击图的体征信息监测方法，其特征在于，所述设定通道约束，对于满足通道约束的BCG心跳调整信号进行信号融合，得到BCG心跳融合信号的具体步骤包括：
体动识别模型对多路BCG心跳调整信号按体动翻身信号、正常信号和离床信号进行区分，对满足体动翻身信号和离床信号约束的通道进行信号分析；
计算一定时间长度内各通道BCG心跳调整信号的平均功率与呼吸信号的平均功率，然后求解各通道BCG心跳调整信号的平均功率与呼吸信号的平均功率的比值rhoi，对满足
Figure FDA0004032117630000041
范围内的通道进行第一融合分析；
对满足上述条件的通道，构建时间长度为T的BCG时序序列的反向对称序列，求解BCG时序序列与其自身反向对称序列的互相关函数
Figure FDA0004032117630000042
Figure FDA0004032117630000043
其中，t＝1,2…,T；求解对应时间长度XCovi(t)函数的离散傅里叶变换DFT{XCovi(t)}，对于DFT{XCovi(t)}分别满足频谱包络的最大峰值点处于预设范围和最大峰值与次峰值之比大于预设阈值的通道进行第二融合分析；
对满足上述条件的通道，选择DFT{XCovi(t)}中最大峰值与次峰值之比最大的BCG通道序列为基准序列，在通道信号进行归一化处理，并计算每一位数据采样点基于动态时间规整与欧氏距离的时间差异性，基于时间差异性重构BCG通道序列；
对重构后的BCG通道序列进行加权融合，得到BCG心跳融合信号。
8.根据权利要求5所述的基于心冲击图的体征信息监测方法，其特征在于，所述从BCG心跳融合信号中选取最优BCG心跳融合信号进行心率特征计算的具体步骤包括：
在对体动识别模型识别出的最优BCG心跳信号的备选信号中截取一定时间长度的片段信号，采用希尔伯特-黄变换提取片段信号中的包络信号S_EnvBCG(t)；并计算其极大值的坐标，取所述极大值的坐标为BCG-J峰值坐标Peak_BCG[k]，其中，k为包络极大值个数；
建立以峰值坐标Peak_BCG[k]为中心的坐标系，在备选信号中截取BCG-J峰特征信号S_Peakk(m)，其中，m＝Peak_BCG[k]-120,Peak_BCG[k]+120；
评估备选信号的稳定性，将备选信号中截取一定时间长度的片段信号的所有的BCG-J峰特征信号进行两两相关性计算，得到备选信号的稳定性评估值tSQIBCG；所述稳定性评估值tSQIBCG的表达为：
Figure FDA0004032117630000051
设定BCG心跳融合信号最优信号判断阈值，根据稳定性评估值，确定最优BCG心跳融合信号；
对最优BCG心跳融合信号的BCG-J峰值坐标进行RR(m)＝Peak_BCG[m+1]-Peak_BCG[m]运算，得到BCG心率间期序列RR(m)；
根据BCG心率间期序列RR(m)进行HR[m]＝60/(RR(m)/fs)运算，得到瞬时心率HR[m]，其中fs为心冲击图压电信号的采集频率。
9.根据权利要求1所述的基于心冲击图的体征信息监测方法，其特征在于，所述从多路呼吸信号中选取最优呼吸信号，并根据所述最优呼吸信号进行呼吸特征计算的具体步骤包括：
对多路呼吸信号分别截取一定时间长度的片段信号，按秒为时间单位计算每个片段信号的极小值坐标，并组成呼吸序列Resp_R[m]的极小值坐标，其中，m＝0,1,...,N-1，N为极小值个数；
截取片段信号中的单个呼吸特征信号Single_Respi，单个呼吸特征信Single_Respi的表达式为：
Single_Respi＝Sresp[Resp_R[i],Resp_R[i+1]]，其中，i＝0,..,N-2；
评估呼吸信号稳定性，将每组呼吸信号截取出来的片段信号中所有单个呼吸特征信号进行两两相关性计算，得到呼吸信号的稳定性评估值tSQIresp；所述稳定性评估值tSQIresp的表达式为：
Figure FDA0004032117630000061
/>
设定呼吸信号最优信号判断阈值，根据稳定性评估值，确定最优呼吸信号；
对最优呼吸信号进行RRiresp[m]＝Resp_R[m+1]-Resp_R[m]运算，其中，RRiresp[m]为呼吸间期序列，i为最优呼吸信号对应的信号采集通道；
根据呼吸间期序列RRiresp[m]进行BR[m]＝60/(RRiresp(m)/fs)运算，得到瞬时呼吸率BR[m]，其中fs为心冲击图压电信号的采集频率。
10.根据权利要求1所述的基于心冲击图的体征信息监测方法，其特征在于，所述测量一定时间内的体动变化次数以及心率和呼吸的变化程度，构建入睡判断线性算法模型，根据处于入睡状态的心率和呼吸的特征参数，构建睡眠分期模糊化分类算法模型，从而进行实时睡眠分期状态判断的具体步骤包括：
分别构建体动活跃程度算法模型、心跳平稳程度算法模型和呼吸平稳程度算法模型，获得一定时间长度的体动活跃值、心跳平稳值和呼吸平稳值；
根据体动活跃值、心跳平稳值和呼吸平稳值构建入睡判断线性算法模型；所述入睡判断线性算法模型的表达式为：
D＝0.5*MVS+0.5*(HRS+BRS)；其中，MVS为体动活跃值，HRS为心跳平稳值，BRS为呼吸平稳值；
根据所述入睡判断线性算法模型判断当前睡眠状态，对满足入睡状态的心率和呼吸两个体征构成两组一定时间长度的体征参数序列，分别为心率体征参数序列mHR_Min(t)和呼吸体征参数序列mBR_Min(t)，其中，t为时间长度；
分别对心率体征参数序列mHR_Min(t)和呼吸体征参数序列mBR_Min(t)进行直线拟合获得线性趋势变化函数T(t)，进而得到心率变化序列HR_Min(t)和呼吸变化序列BR_Min(t)；所述心率变化序列HR_Min(t)的表达式为HR_Min(t)＝mHR_Min(t)-T_HR(t)；所述呼吸变化序列BR_Min(t)的表达式为BR_Min(t)＝mBR_Min(t)-T_BR(t)；
分别对心率变化序列HR_Min(t)和呼吸变化序列BR_Min(t)按一定时间长度进行平均分割得到心率序列子集和呼吸序列子集，对心率序列子集的子序列进行平均值计算得到心率均值序列Mean_HR_Min[n]，对呼吸序列子集的子序列进行标准差值计算得到呼吸差值序列Std_BR_Min[n]；其中，n为时间长度内序列集合的个数；
根据心率均值序列和呼吸差值序列分别建立心率体征定量函数、呼吸体征定量函数和体动体征定量函数；所述心率体征定量函数的表达式为：
Figure FDA0004032117630000071
所述呼吸体征定量函数的表达式为：
Figure FDA0004032117630000072
所述呼吸体征定量函数的表达式为：
Figure FDA0004032117630000073
根据所述心率体征定量函数、呼吸体征定量函数和体动体征定量函数构建睡眠分期状态函数θsp(n)；所述睡眠分期状态函数θsp(n)的表达式为：
θsp(n)＝θhr(n)+θbr(n)+θmv(n)
对睡眠分期状态函数θsp(n)求解的值进行定量化处理，并根据定量化处理后的数值查询预先建立的睡眠分期模糊化分类算法模型。
11.一种基于心冲击图的体征信息监测，其特征在于，包括：
压电传感器，所述压电传感器的数量为四个，四个所述压电传感器用于采集多组不同方位的心冲击图压电信号；
床垫，四个所述压电传感器设置在所述床垫内部形成的安装空间内；
数据处理单元；所述数据处理单元与所述压电传感器通讯连接，所述数据处理单元用于接收所述心冲击图压电信号进行数据处理分析从而获取用户睡眠心率、呼吸睡眠、实时睡眠状态等健康数据。
12.一种基于心冲击图的体征信息监测系统，其特征在于：包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述基于心冲击图的体征信息监测方法的步骤。
13.一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上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述基于心冲击图的体征信息监测方法的步骤。
CN202211732723.1A 2022-12-30 2022-12-30 一种基于心冲击图的体征信息监测方法、装置及系统 Withdrawn CN116211287A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211732723.1A CN116211287A (zh) 2022-12-30 2022-12-30 一种基于心冲击图的体征信息监测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211732723.1A CN116211287A (zh) 2022-12-30 2022-12-30 一种基于心冲击图的体征信息监测方法、装置及系统

Publications (1)

Publication Number Publication Date
CN116211287A true CN116211287A (zh) 2023-06-06

Family

ID=86576012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211732723.1A Withdrawn CN116211287A (zh) 2022-12-30 2022-12-30 一种基于心冲击图的体征信息监测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN116211287A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106419869A (zh) * 2016-08-24 2017-02-22 电子科技大学 一种基于压电传感器的实时睡眠分期检测方法及其装置
CN114376564A (zh) * 2021-12-29 2022-04-22 华南理工大学 一种基于心冲击信号的睡眠分期方法、系统、装置及介质
CN114732361A (zh) * 2022-04-07 2022-07-12 华南师范大学 基于生理信号的睡眠分期预测方法、设备以及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106419869A (zh) * 2016-08-24 2017-02-22 电子科技大学 一种基于压电传感器的实时睡眠分期检测方法及其装置
CN114376564A (zh) * 2021-12-29 2022-04-22 华南理工大学 一种基于心冲击信号的睡眠分期方法、系统、装置及介质
CN114732361A (zh) * 2022-04-07 2022-07-12 华南师范大学 基于生理信号的睡眠分期预测方法、设备以及存储介质

Similar Documents

Publication Publication Date Title
CN109907729B (zh) 一种睡眠时生命特征的检测方法
Boyle et al. Automatic detection of respiration rate from ambulatory single-lead ECG
US7025729B2 (en) Apparatus for detecting sleep apnea using electrocardiogram signals
CN100464703C (zh) 睡眠状态推测装置及其方法
CN104994782B (zh) 基于脑波信号进行分析的方法和设备
JP2004049838A (ja) 睡眠段階判定方法および睡眠段階判定装置
US20060111635A1 (en) Sleep staging based on cardio-respiratory signals
CN111067508B (zh) 非临床环境下对高血压进行非干预式的监测和评估方法
CN109222961B (zh) 一种便携式睡眠监测系统及相关睡眠监测方法
CN105852851B (zh) 心房颤动检测系统
US20080200826A1 (en) Apparatus and Method of Diagnosing Health Using Cumulative Data Pattern Analysis Via Fast Fourier Transformation of Brain Wave Data Measured From Frontal Lobe
CN104720808B (zh) 一种检测人体睡眠呼吸的方法和装置
JP5352814B2 (ja) 自律神経成分指標推定装置及び自律神経成分指標推定方法
CN112806977B (zh) 基于多尺度融合网络的生理参数测量方法
JP3658580B2 (ja) 睡眠深度推定装置及びこれを具えた布団
CN110811647A (zh) 一种基于心冲击信号的多通道隐蔽性测谎方法
KR20160107390A (ko) 심전도 신호 측정장치
CN111329462B (zh) 一种实时无束缚心率提取方法
CN112998690A (zh) 一种基于脉搏波多特征融合的呼吸率提取方法
CN109717835B (zh) 一种基于麦克风阵列的鼾声体位检测方法
CN113017559A (zh) 一种基于压电薄膜传感器的生命体征提取算法及系统
CN112998711A (zh) 一种基于可穿戴装置的情绪识别系统及方法
EP3375368B1 (en) Respiration frequency estimating method and device
CN116211287A (zh) 一种基于心冲击图的体征信息监测方法、装置及系统
CN110897621B (zh) 一种生理信号提取方法及其系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20230606

WW01 Invention patent application withdrawn after publication