CN116269298B - 基于毫米波雷达的非接触式睡眠呼吸监测方法和系统 - Google Patents
基于毫米波雷达的非接触式睡眠呼吸监测方法和系统 Download PDFInfo
- Publication number
- CN116269298B CN116269298B CN202310143274.5A CN202310143274A CN116269298B CN 116269298 B CN116269298 B CN 116269298B CN 202310143274 A CN202310143274 A CN 202310143274A CN 116269298 B CN116269298 B CN 116269298B
- Authority
- CN
- China
- Prior art keywords
- data
- sleep
- radar
- stage
- respiratory
- 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 79
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 44
- 230000000241 respiratory effect Effects 0.000 claims abstract description 57
- 208000008784 apnea Diseases 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 5
- 230000009471 action Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000000115 thoracic cavity Anatomy 0.000 claims description 5
- 210000000038 chest Anatomy 0.000 claims description 4
- 230000008667 sleep stage Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims 1
- 230000028838 turning behavior Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012800 visualization 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
- A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
-
- 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
- A61B5/103—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
- A61B5/103—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
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- 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
- A61B5/4818—Sleep apnoea
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/02—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
-
- 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
Abstract
本发明提供了一种基于毫米波雷达的非接触式睡眠呼吸监测方法和系统。包括以下步骤：S1通过集成雷达传感器对测试者上半身扫描，得到雷达原始数据；S2对雷达原始数据进行数据预处理，得到心跳数据、呼吸数据和每个窗口时间的呼吸心跳速率参数；S3根据雷达数据的波形变化情况，定位异常事件，提取相关特征，进行呼吸阻塞判别和身体运动事件的分类判断。本发明通过对整晚生命体征的监测和呼吸暂停和体动中的跌落事件的检测，结合报警机制，更适合家用场景下的睡眠监测，同时可以生成更为可靠的睡眠报告，反应真实的睡眠情况。
Description
技术领域
本发明涉及非接触式雷达生命体征监测技术领域，具体地说，涉及了一种基于毫米波雷达的非接触式睡眠呼吸监测方法和系统。
背景技术
随着社会经济的发展，人们越来越关注自身的健康情况，同时伴随随着物联网技术的普及，越来越多带有传感器的智能监测设备应用到人们日常的身体健康监护中。
睡眠作为占据了人们日常生活的三分之一的内容，在人类一生的健康中起着更重要的作用。因此对人体在睡眠阶段的相关生命体征信息的监测也成了健康医疗监护领域的研究热点之一。
评估睡眠阶段生理信息的黄金标准是多导睡眠仪(PSG)，它可以测量心电、肌电、眼动、胸腹呼吸参数、口鼻通气量等生理参数，也可以检测睡眠过程中出现的呼吸暂停症状。但是PSG多用于专业医疗领域，仪器昂贵，操作专业，参数众多，普通人难以理解也利用不到，不适用于个人居家睡眠健康监测，并且在PSG测试期间，需要将许多传感器连接到测试者身上，对于测试者来说，在过多的侵入接触式监测传感器的影响下，也很难维持正常的睡眠习惯。
另外对于睡眠动作的监测，有基于摄像头计算机视觉的监测方法，但样本体量大，对光线和空间的要求比较高，容易受到干扰，且存在用户隐私泄露的风险；也有基于床垫压力传感器的监测方法，但是必须使用特定的床垫，并且分类结果不是特别准确。
因此，需要提供一种方便的方法来监测睡眠，并能够适应个人居家睡眠监测的应用场景要求。
根据上述条件，基于微波雷达的非接触式的睡眠监测方法越来越成为一种比较好的解决方案，测试者不需要在专门的实验室里佩戴众多传感器，操作简单，不泄露隐私，且成本较低无场地要求，在个人居家睡眠监测领域具有应用价值。
就目前来看，基于毫米波雷达的睡眠相关参数监测的方案，主要涵盖了心率监测、呼吸速率、呼吸暂停等方面，使用的具体方法多种多样。但是在本文所使用的的雷达体制中，并没有一个现有技术对整个睡眠过程中的呼吸心跳等生命体征进行实时提取记录，对呼吸暂停睡眠跌落等情况进行检测报警，同时规避睡眠体动对呼吸暂停判断的影响。
为了解决以上存在的问题，人们一直在寻求一种有效的技术解决方案。
发明内容
本发明的目的是针对现有睡眠呼吸监测技术的不足，在进行整晚生命体征监测的同时提供一种能够识别睡眠中人体运动状态和呼吸状态之间的关联关系、区分和判断身体运动时间和呼吸阻塞的基于毫米波雷达的非接触式睡眠呼吸监测方法和构建出一套可落地应用的监测系统。
为了实现上述目的，本发明所采用的技术方案是：一种基于毫米波雷达的非接触式睡眠呼吸监测方法，包括以下步骤：
S1:测试者平躺在测试床上，集成雷达传感器的设备安放在正对测试者上半身的天花板上，向受测者发射雷达微波，雷达波经过胸腔起伏和身体运动反射之后，设备采集到回波信号，将相位差通过数学函数关系映射成电压值，得到雷达原始数据；
S2:设备通过WiFi数据发送模块将原始数据分包之后，经TCP协议传输到云平台，由云平台进行数据预处理，之后通过心跳提取算法提取心跳，相减得到呼吸数据，最后计算每段窗口时间的呼吸心跳速率参数；
S3:体动情况和呼吸状态的变化会反映在雷达数据的波形上，结合数学分析法和人工智能算法，提取雷达数据的相关特征，进行身体运动事件和呼吸阻塞事件的检测判别；
S4:将整晚监测结果数据发送到app客户端，可视化展示整晚的生理参数变化情况和异常事件发生的时刻，为用户提供整晚的睡眠监测结果报告，并提供向用户监护人实时警报跌落下床和呼吸阻塞的发生。
其中，步骤S3具体包括：
S31:睡眠期间的体动监测，包括睡眠阶段开始和结束时的上下床、睡眠过程中的翻身和意外跌落下床的检测；
S32:睡眠期间的呼吸阻塞监测，是监测睡眠过程中出现的不自主地停止呼吸，然后经过比正常呼吸周期长的时间重新恢复呼吸的情况，具体的体现为两个相邻的呼吸波峰间隔较远，且阻塞前后伴有小幅且急促的呼吸波形。
进一步地，所述S31睡眠体动监测的具体步骤为：
S311:利用残差分析法，将一段时间内两个相邻正负段数据经过振幅缩放和差值处理，将数据归一化和定长化，计算窗口内数据的残差，当残差较大满足条件时，该时间阶段判断为异常事件发生状态；
S312:分别构建起身下床和跌落下床，床上翻身和床上起身的数据集，提取描述动作的相关特征值，训练动作分类模型；
S313:整个睡眠期间可以划分为正常呼吸状态state_normal，异常事件发生状态state_anomalous和无人在床状态state_none，以异常事件为中间界限划分为事件发生前中后三个阶段，分别记为stage_before，stage_current，stage_after，通过三个阶段所处在的三种状态的对应情况进行体动的分类检测，具体的判断条件为：
若stage_before＝state_none，stage_current＝state_anomalous，stage_after＝state_normal，则判断为上床动作；
若stage_before＝state_normal，stage_current＝state_anomalous，stage_after＝state_none，则判断为疑似跌落动作，之后输入训练完成的睡眠动作分类模型，最终得到是发生起身下床还是意外跌落下床的分类结果；
若stage_before＝state_normal，stage_current＝state_anomalous，stage_after＝state_normal，则判断为疑似翻身动作，之后输入训练完成的睡眠动作分类模型，最终得到是床上翻身还是床上起身的分类结果。
将整晚睡眠期间发生的各个睡眠动作的类别和发生时间段写入睡眠报告。特别地，针对跌落动作的发生，云端服务器单元会下发一个实时的跌落警告给到受测者设备绑定监护人的用户个人设备端，实时提醒监护人查看受测者的情况。
进一步地，所述S32呼吸阻塞监测的具体方法为：
呼吸阻塞监测方法由波峰检测算法和残差比较法相结合，首先由波峰检测算法输出的相邻两个呼吸波峰之间的时间间隔，若比正常的呼吸周期长，则作为一个呼吸暂停事件候选项；之后利用残差比较法，将两个呼吸波峰之间进行残差分析，即将该段时间内两个相邻正负段数据经过振幅缩放和差值处理，将数据归一化和定长化，计算窗口内数据的残差，若残差累计满足阈值条件，则判断此处发生了呼吸阻塞暂停，残差计算公式如下：
其中，x(n)和y(n)为相邻两个正负段经过振幅缩放和插值处理后离散的归一化信号，N为归一化信号的长度。
结合步骤S31和步骤S32，对呼吸暂停和身体运动事件的处理结果进行以时间为线序的对比，在出现呼吸暂停的时间窗口中，若呼吸暂停的开始时间早于身体运动事件的开始时间，判断为呼吸暂停导致的身体运动事件；若身体运动事件的开始时间早于呼吸暂停的开始时间，判断为身体运动事件导致的呼吸暂停，分别针对两种情况进行记录。
一种用于实现如所述的基于毫米波雷达的非接触式睡眠呼吸监测系统，包括微波雷达传感器终端、云端服务器单元和用户个人设备端；
所述微波雷达传感器终端：正对受试者上半身发送雷达微波，接收经胸腔起伏和身体运动反射的回波信号并进行预处理后，将得到的雷达原始数据通过WiFi数据发送模块打包，通过TCP协议发送至云端服务器单元；
所述的云端服务器单元：服务器端接受到数据后，通过心跳呼吸提取算法，在时域和频域计算心跳呼吸相关生理参数；基于数学分析法和人工智能算法，提取呼吸阶段和体动阶段的特征参数，检测呼吸暂停，体动翻身等行为。综合得到受试者的睡眠状态结果，并发送至用户设备端；
所述的用户个人设备端：向用户提供整晚的睡眠监测报告，查看睡眠监测结果，并且提供查看异常事件阶段数据的回溯功能；提供监护人绑定功能，将发生长时间呼吸暂停和床上跌落紧急事件的报警提示实时发送给用户的监护人，可以及时查看受测者的情况。
更进一步地，用户个人设备端提供的睡眠监测报告内容包括：呼吸心跳平均瞬时速率的变化折线图，上床下床时间，整晚床上翻身起身次数按小时的分布情况，还有发生呼吸阻塞和意外跌落异常事件的时间点。
本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明具有以下优点：
1.整个体动监测由数学分析和体动分析模型共同完成，即先通过残差分析定位异常事件，再通过三段式判别法初步对体动类别进行分类，之后再将异常事件阶段输入训练所得的体动分类模型进行进一步分类，将定位过程和识别过程解耦，使得分类过程更具可维护性和准确性。
2.呼吸阻塞监测算法通过峰值检测和残差分析，可以有效的规避由睡眠过程中身体微动导致呼吸波形不连续的情况，检测结果更具准确性。
3.结合体动监测和呼吸阻塞监测的数据，反应导致呼吸阻塞的真实原因，反应更为真实的睡眠状态；
4.原始数据来源为微波雷达传感器终端，待测个体无需长时间地穿戴侵入式传感器设备即可进行整晚的睡眠监测，具有非接触、实时性、抗干扰、保护隐私和更加适合个人居家环境的优点，方法有效可行，结果真实可靠，能在不影响受试者睡眠的情况下对整晚的睡眠进行监测评估；
5.对心跳数据的获取无需额外的传感器设备，反映胸腔变化的原始雷达数据包含心跳信息，利用基于巴特沃斯滤波器的心跳提取算法提取心跳信息，进而对心跳相关的生理参数进行计算和监测；
6.数据的处理流程集中在云端服务器单元，包括呼吸心跳生理参数的计算、呼吸阻塞监测和睡眠体动监测分类，使传感器设备终端可以做到小型化和轻量化，实时性更高，算法代码的修改维护也比较简单。
附图说明
图1为本发明中微波雷达传感器终端室内放置方式的正视图。
图2为本发明系统结构图。
图3为本发明方法的数据处理流程图。
图4为本发明的体动分类方法判别示意图。
图5为训练两个动作分类模型的样本特征图。
图6为本发明呼吸阻塞检测可视化原理图。
图7为本发明对人体呼吸数据提取及呼吸速率计算结果图。
图8为本发明对人体心跳数据提取及心率计算结果图。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
如图1-图8所示，一种基于毫米波雷达的非接触式睡眠呼吸监测系统和方法，包括以下步骤：
S1:测试者平躺在测试床上，集成雷达传感器的设备安放在正对测试者上半身的天花板上，向受测者发射雷达微波，雷达波经过胸腔起伏和身体运动反射之后，设备采集到回波信号，将相位差通过数学函数关系映射成电压值，得到雷达原始数据。
S2:设备通过WiFi数据发送模块将原始数据分包之后，经TCP协议传输到云平台，由云平台进行数据预处理，之后通过心跳提取算法提取心跳，相减得到呼吸数据，最后计算每段窗口时间的呼吸心跳速率参数。
S21:云平台对原始数据进行解包操作后，去除数据由于环境和动作扰动产生的毛刺，即异常点数据；之后调整划窗的大小对处理过后的数据进行平滑处理。
具体来说，考虑到本系统毛刺通常有一到两个异常数据点构成，所述步骤S21方法为：将窗口大小设置为三或四，超出门限值的异常数据将被替换为左右边界的均值，进而抹平毛刺；之后扩大窗口值的大小，采用均值滤波器对整体数据进行平滑处理。
S22:多次采用巴特沃斯滤波器去除干扰杂波，进而提取呼吸心跳数据。
S221:将去除毛刺后经过平滑处理的原雷达信号记为vs，通过截止频率为2Hz的巴特沃斯低通滤波器，去除原信号vs中频率高于2Hz的噪声分量，输出结果记为vs_noNoise。
S222:将vs_noNoise通过截止频率为0.5Hz的巴特沃斯低通滤波器，得到输出结果后将结果以倒序再次通过该滤波器，去除原信号中由于心跳引起胸腔振动的分量，得到理论呼吸数据，记为vs_breath。
S223:得出vs_noNoise减去vs_breath的结果，之后通过截止频率为2Hz的巴特沃斯高通滤波器，去除低频的一些分量，得到理论心跳数据，记为vs_heartbeat。
S23:根据得到的理论呼吸数据和理论心跳数据，分别计算每分钟的平均呼吸心跳速率和瞬时呼吸心跳速率。
S231:分别将vs_breath呼吸数据和vs_heartbeat心跳数据通过快速傅里叶变换FFT，将波形数据从时域转换到频域，在频谱图上找到占比最大的频率分量，即为当前时域对应的时间内的呼吸心跳的平均速率。
S232:vs_breath呼吸数据和vs_heartbeat心跳数据的瞬时速率由波峰检测算法计算得到，即将比左右相邻数值大并且分别比左右窗口的平均值大的数值点认为是峰值点，之后通过动态设置时间间隔阈值和波动幅度阈值去除多余的峰值点，根据相邻峰值点的时间间隔计算出波动的瞬时速率。
S3:体动情况和呼吸状态的变化会反映在雷达数据的波形上，结合数学分析法和人工智能算法，提取雷达数据的相关特征，进行身体运动事件和呼吸阻塞事件的检测判别。
S31:睡眠期间的体动监测，包括睡眠阶段开始和结束时的上下床、睡眠过程中的翻身和意外跌落下床的检测。
S311:利用残差分析法，将一段时间内两个相邻正负段数据经过振幅缩放和差值处理，将数据归一化和定长化，计算窗口内数据的残差，当残差较大满足条件时，该时间阶段判断为异常事件发生状态。
S312:邀请多个不同性别、体型、年龄的受测者进行采集实验，分别构建起身下床和跌落下床，床上翻身和床上起身两个数据集，每个睡眠动作分类模型的数据集去除异常样本后，由特征相似性低的、相似类间不同的100个样本组成，样本特征如图5所示，提取睡眠动作的相关特征值，训练动作分类模型。
S313:整个睡眠期间可以划分为正常呼吸状态state_normal，异常事件发生状态state_anomalous和无人在床状态state_none，以异常事件为中间界限划分为事件发生前中后三个阶段，分别记为stage_before，stage_current，stage_after，通过三个阶段所处在的三种状态的对应情况进行体动的分类检测，具体的判断条件为：
若stage_before＝state_none，stage_current＝state_anomalous，stage_after＝state_normal，则判断为上床动作；
若stage_before＝state_normal，stage_current＝state_anomalous，stage_after＝state_none，则判断为疑似跌落动作，之后输入训练完成的睡眠动作分类模型，最终得到是发生起身下床还是意外跌落下床的分类结果；
若stage_before＝state_normal，stage_current＝state_anomalous，stage_after＝state_normal，则判断为疑似翻身动作，之后输入训练完成的睡眠动作分类模型，最终得到是床上翻身还是床上起身的分类结果。
将整晚睡眠期间发生的各个睡眠动作的类别和发生时间段写入睡眠报告。特别地，针对跌落动作的发生，云端服务器单元会下发一个实时的跌落警告给的受测者设备绑定监护人的用户个人设备端，实时提醒监护人查看受测者的情况。
S32:睡眠期间的呼吸阻塞监测，是监测睡眠过程中出现的不自主地停止呼吸，然后经过比正常呼吸周期长的时间重新恢复呼吸的情况，具体的体现为两个相邻的呼吸波峰间隔较远，且阻塞前后伴有小幅且急促的呼吸波形。
具体来说，所述S32呼吸阻塞监测的方法为：呼吸阻塞监测方法由波峰检测算法和残差比较法相结合，首先由波峰检测算法输出的相邻两个呼吸波峰之间的时间间隔，若比正常的呼吸周期长，则作为一个呼吸暂停事件候选项；之后利用残差比较法，将两个呼吸波峰之间进行残差分析，即将该段时间内两个相邻正负段数据经过振幅缩放和差值处理，将数据归一化和定长化，计算窗口内数据的残差，若残差累计满足阈值条件，则判断此处发生了呼吸阻塞暂停，残差计算公式如下：
其中，和为相邻两个正负段经过振幅缩放和插值处理后离散的归一化信号，N为归一化信号的长度。
结合步骤S31和步骤S32，对呼吸暂停和身体运动事件的处理结果进行以时间为线序的对比，在出现呼吸暂停的时间窗口中，若呼吸暂停的开始时间早于身体运动事件的开始时间，判断为呼吸暂停导致的身体运动事件；若身体运动事件的开始时间早于呼吸暂停的开始时间，判断为身体运动事件导致的呼吸暂停，分别针对两种情况进行记录。
S4:将整晚监测结果数据发送到app客户端，可视化展示整晚的生理参数变化情况和异常事件发生的时刻，为用户提供整晚的睡眠监测结果报告。
具体来说，S4中用户个人设备端提供的睡眠监测报告内容包括：呼吸心跳平均瞬时速率的变化折线图，上床下床时间，整晚床上翻身起身次数按小时的分布情况，还有发生呼吸阻塞和意外跌落异常事件的时间点。
如图2所示，本发明还提供一种基于毫米波雷达的非接触式睡眠呼吸监测系统，包括微波雷达传感器终端、云端服务器单元和用户个人设备端；
微波雷达传感器终端：正对受试者上半身发送雷达微波，接收经胸腔起伏和身体运动反射的回波信号并进行预处理后，将得到的雷达原始数据打包，通过TCP协议发送至云端服务器单元；
云端服务器单元：服务器端接受到数据后，通过心跳呼吸提取算法，在时域和频域计算心跳呼吸相关生理参数；基于数学分析法和人工智能算法，提取呼吸阶段和体动阶段的特征参数，检测呼吸暂停，体动翻身等行为。综合得到受试者的睡眠状态结果，并发送至用户设备端；
所述的用户个人设备端：向用户提供整晚的睡眠监测报告，查看睡眠监测结果，并且提供查看异常事件阶段数据的回溯功能；提供监护人绑定功能，将发生长时间呼吸暂停和床上跌落紧急事件的报警提示实时发送给用户的监护人，可以及时查看受测者的情况。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (4)
1.一种基于毫米波雷达的非接触式睡眠呼吸监测方法，其特征在于：包括以下步骤：
S1：通过集成雷达传感器对测试者上半身扫描，得到雷达原始数据；
S2：对雷达原始数据进行数据预处理，然后根据提取算法得到呼吸数据和心跳数据，计算每个窗口时间的呼吸心跳速率参数；
S3：根据雷达原始数据在波形上的变化，提取描述动作的相关特征，进行身体运动事件检测判别，其中步骤s3包括步骤s31和s32；
S31：睡眠期间的体动监测，包括睡眠阶段开始和结束时的上下床、睡眠过程中的翻身和意外跌落下床的检测；
步骤S31包括步骤s311、s312和s313；
S311:利用残差分析法，将一段时间内两个相邻正负段数据经过振幅缩放和差值处理，将数据归一化和定长化，计算窗口内数据的残差，当残差较大满足条件时，该时间阶段判断为异常事件发生状态；
S312:分别构建起身下床和跌落下床，床上翻身和床上起身的数据集，提取描述动作的相关特征值，训练动作分类模型；
S313:整个睡眠期间可以划分为正常呼吸状态state_normal，异常事件发生状态state_anomalous和无人在床状态state_none，以异常事件为中间界限划分为事件发生前中后三个阶段，分别记为stage_before，stage_current，stage_after，通过三个阶段所处的三种状态的对应情况进行体动的分类检测，具体的判断条件为：
若stage_before＝state_none，stage_current＝state_anomalous，stage_after＝state_normal，则判断为上床动作；
若stage_before＝state_normal，stage_current＝state_anomalous，stage_after＝state_none，则判断为疑似跌落动作，之后输入训练完成的睡眠动作分类模型，最终得到是发生起身下床还是意外跌落下床的分类结果；
若stage_before＝state_normal，stage_current＝state_anomalous，stage_after＝state_normal，则判断为疑似翻身动作，之后输入训练完成的睡眠动作分类模型，最终得到是床上翻身还是床上起身的分类结果；
S32：对呼吸暂停的监测，具体包括：由波峰检测算法和残差比较法相结合，首先由波峰检测算法输出的相邻两个呼吸波峰之间的时间间隔，若比正常的呼吸周期长，则作为一个呼吸暂停事件候选项；之后利用残差比较法，将两个呼吸波峰之间进行残差分析，即将该一段时间内两个相邻正负段数据经过振幅缩放和差值处理，将数据归一化和定长化，计算窗口内数据的残差，若残差累计满足阈值条件，则判断此处发生了呼吸阻塞暂停，残差计算公式如下：
其中，x(n)和y(n)为相邻两个正负段经过振幅缩放和插值处理后离散的归一化信号，N为归一化信号的长度；
其中步骤S2包括s21、s22和s23，其数据的预处理和提取处理过程如下：
S21:从雷达原始数据中去除数据中由于环境和动作扰动产生的毛刺，即异常点数据；之后调整划窗的大小对处理过后的数据进行平滑处理；
具体的，将窗口大小设置为三或四，超出门限值的异常数据将被替换为左右边界的均值，进而抹平毛刺；之后扩大窗口值的大小，采用均值滤波器对整体数据进行平滑处理；
S22:多次调用巴特沃斯滤波器除去各种干扰杂波项，进而提取呼吸心跳数据，具体包括：
S221:将去除毛刺后经过平滑处理的雷达原始数据记为vs，通过截止频率为2Hz的巴特沃斯低通滤波器，去除雷达原始数据vs中频率高于2Hz的噪声分量，输出结果记为vs_noNoise；
S222:将vs_noNoise通过截止频率为0.5Hz的巴特沃斯低通滤波器，得到输出结果后将结果以倒序再次通过该滤波器，去除雷达原始数据VS中由于心跳引起胸腔振动的分量，得到理论呼吸数据，记为vs_breath；
S223:得出vs_noNoise减去vs_breath的结果，之后通过截止频率为2Hz的巴特沃斯高通滤波器，去除低频的分量，得到理论心跳数据，记为vs_heartbeat；
S23:根据得到的理论呼吸数据和理论心跳数据，分别计算每分钟的平均呼吸心跳速率和瞬时呼吸心跳速率，具体包括：
S231:分别将vs_breath呼吸数据和vs_heartbeat心跳数据通过快速傅里叶变换FFT，将波形数据从时域转换到频域，在频谱图上找到占比最大的频率分量，即为当前时域对应的时间内的呼吸心跳的平均速率；
S232:vs_breath呼吸数据和vs_heartbeat心跳数据的瞬时速率由波峰检测算法计算得到，即将比左右相邻数值大并且分别比左右窗口的平均值大的数值点认为是峰值点，之后通过动态设置时间间隔阈值和波动幅度阈值去除多余的峰值点，根据相邻峰值点的时间间隔计算出波动的瞬时速率。
2.根据权利要求1所述的基于毫米波雷达的非接触式睡眠呼吸监测方法，其特征在于：结合步骤S31和步骤S32，对呼吸暂停和身体运动事件的处理结果进行以时间为线序的对比，在出现呼吸暂停的时间窗口中，若呼吸暂停的开始时间早于身体运动事件的开始时间，判断为呼吸暂停导致的身体运动事件；若身体运动事件的开始时间早于呼吸暂停的开始时间，判断为身体运动事件导致的呼吸暂停，分别针对两种情况进行记录。
3.一种基于毫米波雷达的非接触式睡眠呼吸监测系统，其特征在于：包括微波雷达传感器终端、云端服务器单元和用户个人设备端；
所述微波雷达传感器终端用于完成权利要求1或2所述的基于毫米波雷达的非接触式睡眠呼吸监测方法中的步骤S1的工作任务和S2的部分工作任务，即正对测试者上半身发送雷达微波，接收经胸腔起伏和身体运动反射的回波信号并进行预处理后，将得到的雷达原始数据通过WiFi数据发送模块打包，通过TCP协议发送至云端服务器单元；
所述的云端服务器单元用于完成步骤S2的剩余工作任务和步骤S3的工作任务，即云端服务器单元端接受到数据后，通过心跳呼吸提取算法，在时域和频域计算心跳呼吸相关生理参数；基于数学分析法和人工智能算法，提取呼吸阶段和体动阶段的特征参数，检测呼吸暂停，体动翻身行为；综合得到受测者的睡眠状态结果，生成睡眠报告，并发送至用户设备端；
所述的用户个人设备端：向用户提供整晚的睡眠监测报告，查看睡眠监测结果，并且提供查看异常事件阶段数据的回溯功能。
4.根据权利要求3所述基于毫米波雷达的非接触式睡眠呼吸监测系统，其特征在于：将整晚睡眠期间发生的各个睡眠动作的类别和发生时间段写入睡眠报告，针对跌落动作的发生，云端服务器单元会下发一个实时的跌落警告，并发送至受测者设备绑定监护人的用户个人设备端，实时提醒监护人查看受测者的情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310143274.5A CN116269298B (zh) | 2023-02-21 | 2023-02-21 | 基于毫米波雷达的非接触式睡眠呼吸监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310143274.5A CN116269298B (zh) | 2023-02-21 | 2023-02-21 | 基于毫米波雷达的非接触式睡眠呼吸监测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116269298A CN116269298A (zh) | 2023-06-23 |
| CN116269298B true CN116269298B (zh) | 2023-11-10 |
Family
ID=86833426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310143274.5A Active CN116269298B (zh) | 2023-02-21 | 2023-02-21 | 基于毫米波雷达的非接触式睡眠呼吸监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116269298B (zh) |
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 |
| CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
| CN109480787A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法 |
| CN112716474A (zh) * | 2021-01-20 | 2021-04-30 | 复旦大学 | 基于生物微波雷达的非接触式睡眠状态监测方法和系统 |
| CN113367666A (zh) * | 2021-07-23 | 2021-09-10 | 北京清雷科技有限公司 | 睡眠监测方法及系统、存储介质和处理器 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116138745B (zh) * | 2023-04-23 | 2023-06-27 | 北京清雷科技有限公司 | 融合毫米波雷达和血氧数据的睡眠呼吸监测方法及设备 |
-
2023
- 2023-02-21 CN CN202310143274.5A patent/CN116269298B/zh active Active
Patent 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 |
| CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
| CN109480787A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法 |
| CN112716474A (zh) * | 2021-01-20 | 2021-04-30 | 复旦大学 | 基于生物微波雷达的非接触式睡眠状态监测方法和系统 |
| CN113367666A (zh) * | 2021-07-23 | 2021-09-10 | 北京清雷科技有限公司 | 睡眠监测方法及系统、存储介质和处理器 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116269298A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6721155B2 (ja) | 生体情報分析装置、システム、及び、プログラム | |
| JP5961235B2 (ja) | 睡眠／覚醒状態評価方法及びシステム | |
| CN106937808B (zh) | 一种智能床垫的数据采集系统 | |
| CN107028426B (zh) | 一种智能床垫系统 | |
| CN101563028B (zh) | 患者监测系统和方法 | |
| CN108065916B (zh) | 一种基于生物雷达的非接触式睡眠质量监测方法 | |
| JP3923035B2 (ja) | 生体状態分析装置及び生体状態分析方法 | |
| US10420499B2 (en) | Method and system of detecting seizures | |
| CN113925475B (zh) | 一种非接触式的人体健康监测系统及监测方法 | |
| Rosales et al. | Heart rate monitoring using hydraulic bed sensor ballistocardiogram 1 | |
| WO2007149553A2 (en) | Alertness/drowsiness and cognitive capacity index | |
| CN108784669A (zh) | 一种非接触式心跳及呼吸紊乱监测系统及方法 | |
| WO2020226638A1 (en) | Sleep tracking and vital sign monitoring using low power radio waves | |
| EP2155061A1 (en) | Method of automatically monitoring the movement activity of a fetus | |
| Kagawa et al. | Sleep stage classification by body movement index and respiratory interval indices using multiple radar sensors | |
| JP6813837B2 (ja) | 活動リズム判定方法および活動リズム判定装置 | |
| CN112244794B (zh) | 基于周期性特征的生命体征检测方法、装置和存储介质 | |
| CN109620208A (zh) | 睡眠呼吸暂停低通气综合征检测系统和方法 | |
| CN115153444A (zh) | 一种多设备多传感器睡眠监测系统 | |
| CN110115583A (zh) | 呼吸监测的方法和装置 | |
| CN116269298B (zh) | 基于毫米波雷达的非接触式睡眠呼吸监测方法和系统 | |
| CN210990210U (zh) | 一种无感式睡眠监测装置和监测系统 | |
| CN113907742A (zh) | 睡眠呼吸数据的监测方法及装置 | |
| Heise et al. | Unobtrusively detecting apnea and hypopnea events via a hydraulic bed sensor | |
| CN113164101B (zh) | 一种呼吸中止检测系统、方法、计算设备和储存介质 |
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 |