CN116369864B - 基于数据编码的睡眠监测数据智能管理方法和系统 - Google Patents
基于数据编码的睡眠监测数据智能管理方法和系统 Download PDFInfo
- Publication number
- CN116369864B CN116369864B CN202310645087.7A CN202310645087A CN116369864B CN 116369864 B CN116369864 B CN 116369864B CN 202310645087 A CN202310645087 A CN 202310645087A CN 116369864 B CN116369864 B CN 116369864B
- Authority
- CN
- China
- Prior art keywords
- data
- brain wave
- sleep
- representing
- amplitude
- 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 158
- 238000012544 monitoring process Methods 0.000 title claims abstract description 83
- 238000007726 management method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000003860 sleep quality Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000013441 quality evaluation Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 210000004556 brain Anatomy 0.000 claims description 165
- 239000008280 blood Substances 0.000 claims description 59
- 210000004369 blood Anatomy 0.000 claims description 59
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 57
- 229910052760 oxygen Inorganic materials 0.000 claims description 57
- 239000001301 oxygen Substances 0.000 claims description 57
- 230000008859 change Effects 0.000 claims description 55
- 230000007177 brain activity Effects 0.000 claims description 21
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 18
- 150000001875 compounds Chemical class 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 238000013523 data management Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 230000004622 sleep time Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000002496 oximetry Methods 0.000 claims 2
- 230000008901 benefit Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 206010029412 Nightmare Diseases 0.000 description 3
- 230000003925 brain function Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001667 episodic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 230000004617 sleep duration Effects 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
-
- 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- A61B5/4815—Sleep quality
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Cardiology (AREA)
- Psychology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Optics & Photonics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Power Sources (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于数据编码的睡眠监测数据智能管理方法和系统，所述方法包括：采集当前用户的多组睡眠数据，对多组所述睡眠数据进行预处理；对预处理后的多组所述睡眠数据进行特征分析，获得所述睡眠数据之间的相关性，对所述睡眠数据之间的相关性进行融合，获得睡眠监测综合评定数据；其中，所述睡眠监测综合评定数据用于反映睡眠质量情况；对融合后的所述睡眠监测综合评定数据进行编码传输，并在终端进行分析；获得所述当前用户的睡眠质量评价。根据本发明的方法，通过分析多种数据的特点，对多种数据进行融合，获得睡眠监测综合评定数据，然后再对该数据进行编码传输，从而具有节省存储空间、提高数据的传输速度的优势。
Description
技术领域
本发明涉及数据处理技术领域，尤其是涉及一种基于数据编码的睡眠监测数据智能管理方法和系统。
背景技术
在现有技术中，对睡眠监测数据进行储存的过程中，主要是根据每个数据的特点对每一种睡眠数据进行压缩传输，传输到移动用户端进行睡眠质量的分析，但是因为监测的数据类型种类较多，数据量较大，在进行数据传输的过程中，会占用较多的存储空间，并且传输速度慢；因此，上述技术存在改进空间。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种基于数据编码的睡眠监测数据智能管理方法，根据本发明的方法，通过分析多种数据的特点，对多种数据进行融合，获得睡眠监测综合评定数据，然后再对该数据进行编码传输，从而具有节省存储空间、提高数据的传输速度的优势。
本发明第二方面还提出了一种基于数据编码的睡眠监测数据智能管理系统。
根据本发明实施例的基于数据编码的睡眠监测数据智能管理方法，包括：
采集当前用户的多组睡眠数据，对多组所述睡眠数据进行预处理；
对预处理后的多组所述睡眠数据进行特征分析，获得所述睡眠数据之间的相关性，对所述睡眠数据之间的相关性进行融合，获得睡眠监测综合评定数据；其中，所述睡眠监测综合评定数据用于反映睡眠质量情况；
对融合后的所述睡眠监测综合评定数据进行编码传输，并在终端进行分析；获得所述当前用户的睡眠质量评价。
根据本发明的基于数据编码的睡眠监测数据智能管理方法，通过分析多种数据的特点，对多种数据进行融合，获得睡眠监测综合评定数据，然后再对该数据进行编码传输，从而具有节省存储空间、提高数据的传输速度的优势。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法，通过睡眠数据采集仪器采集多组所述睡眠数据，并通过小波变换的方式对多组所述睡眠数据进行去噪处理；其中，多组所述睡眠数据包括：脑电信号数据、心率数据、血氧饱和度数据和睡眠时间。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法，通过决策级融合的方式对多组所述睡眠数据进行融合，根据多组所述睡眠数据在时间上的变化获得所述睡眠数据之间的相关性；其中，所述脑电信号数据为主影响因素。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法，通过EMD算法对所述脑电信号数据进行分解，获得不同频率的IMF分量信号，计算所述IMF分量信号中的数据信息，公式如下：
式（1）中，表示第/>条脑电波信号的第/>条/>分量数据的波动程度，表示第/>条脑电波信号的第/>条/>分量数据中第/>个数据点的幅值，/>表示第/>条脑电波信号的第/>条/>分量数据幅值的均值，/>表示包含的数据点的数量；为方差公式；
式（2）中，表示第/>条脑电波信号的第/>条/>分量数据的变化程度，表示第/>条脑电波信号的第/>条/>分量数据中极值点的个数，/>表示第/>条脑电波信号的第/>条/>分量数据中的最大值幅值点，/>表示第/>条脑电波信号的第/>条/>分量数据中最小幅值点，/>表示该分量数据中最大幅值点与最小幅值点之间的差值；
式（3）中，表示第/>条脑电波信号所表示的脑部活跃程度，/>表示第/>条脑电波信号包含的/>分量信号的数量，/>、/>表示在第/>条脑电波信号中第/>条IMF分量数据的权重， />表示根据第/>脑电波数据的变化获得的数据波动程度与变化程度进行加权。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法， 将计算得到的所述脑电信号数据进行数据的叠加，其中，以脑部活跃度最小的脑电波信号作为基底信号，然后依次根据数据的活跃程度，从小到大的进行数据的叠加，叠加后的脑电波数据为/>。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法， 将所述脑电波数据与所述心率数据进行关联计算，公式如下：
式（4）中，表示脑电波信号数据的波动特征值，/>表示脑电波信号中第/>个极大值点的幅值，/>表示脑电波信号中第/>个极小值点的幅值，/>表示极值点的个数；
式（5）中，表示心率信号数据的波动特征值，/>表示心率信号中第/>个极大值点的幅值，/>表示心率信号中第/>个极小值点的幅值，/>表示极值点的个数；
式（6）中，表示脑电波信号与心率信号之间的相关性，/>表示脑电波信号中第/>个数据点的幅值，/>表示心率信号中第/>个数据点的幅值，/>表示时序数据中数据点的个数，/>表示脑电波信号与心率信号的波动特征值之比，/>表示归一化函数，其归一化的范围为/>。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法， 将所述脑电波数据与所述血氧饱和度数据进行关联计算，公式如下：
式（7）中，表示脑电波信号数据的波动特征值，/>表示脑电波信号中第/>个极大值点的幅值，/>表示脑电波信号中第/>个极小值点的幅值，/>表示极值点的个数；
式（8）中，C表示血氧饱和度数据的波动特征值，表示血氧饱和度信号中第/>个极大值点的幅值，/>表示血氧饱和度信号中第/>个极小值点的幅值，/>表示极值点的个数；
式（9）中， 表示脑电波信号与血氧饱和度信号之间的相关性，表示脑电波信号中第/>个数据点的幅值，/>表示血氧饱和度信号中第/>个数据点的幅值，/>表示时序数据中数据点的个数，/>表示脑电波信号与心率信号的波动特征值之比，/>表示归一化函数，其归一化的范围为/>。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法，获得所述睡眠监测综合评定数据，计算公式如下：
式（10）中，表示叠加后的睡眠监测综合评定数据，/>表示心率数据的变化特征值，/>表示叠加后的第/>个脑电波数据，/>表示第/>个心率数据，/>表示血氧饱和度数据的变化特征值，/>表示第/>个血氧饱和度数据，/>表示脑电波数据与心率数据在幅值上的差异， />表示将脑电波数据调节与心率数据变化范围相同的区间，/>表示脑电波数据与血氧饱和度数据在幅值上的差异，/>表示将脑电波数据调节与血氧饱和度数据变化范围相同的区间，/>表示判断条件，0.93表示设置的阈值。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法， 使用霍夫曼编码算法对获得的所述睡眠监测综合评定数据进行编码，通过蓝牙传输到所述终端进行分析，得到所述当前用户的睡眠质量评价。
综上所述，根据本发明的第一方面的方法，通过分析多种数据的特点，对多种数据进行融合，获得睡眠监测综合评定数据，然后再对该数据进行编码传输，从而具有节省存储空间、提高数据的传输速度的优势。
根据本发明的第二方面的基于数据编码的睡眠监测数据智能管理系统，包括：
第一模块，所述第一模块用于采集当前用户的多组睡眠数据，对多组所述睡眠数据进行预处理；
第二模块，所述第二模块用于对预处理后的多组所述睡眠数据进行特征分析，获得所述睡眠数据之间的相关性，对所述睡眠数据之间的相关性进行融合，获得睡眠监测综合评定数据；其中，所述睡眠监测综合评定数据用于反映睡眠质量情况；
第三模块，所述第三模块用于对融合后的所述睡眠监测综合评定数据进行编码传输，并在终端进行分析；获得所述当前用户的睡眠质量评价。
根据本发明的第二方面的系统，所述系统与上述的方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明实施例的基于数据编码的睡眠监测数据智能管理方法的流程图；
图2是根据本发明实施例的基于数据编码的睡眠监测数据智能管理系统的结构示意图。
附图标记：
10-智能管理系统；101-第一模块；102-第二模块；103-第三模块。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面参考附图1和图2，描述本发明实施例的基于数据编码的睡眠监测数据智能管理方法。针对上述背景技术中心提到的现有技术在睡眠监测数据进行储存的过程中，因为监测的数据类型种类较多，数据量较大，在进行数据传输的过程中，导致占用较多的存储空间，并且传输速度慢的问题，本发明提出了一种基于数据编码的睡眠监测数据智能管理方法，通过分析多种数据的特点，对多种数据进行融合，获得睡眠监测综合评定数据，然后再对该数据进行编码传输，从而具有节省存储空间、提高数据的传输速度的优势。
具体而言，图1为本发明第一方面实施例提供一种基于数据编码的睡眠监测数据智能管理方法，包括以下步骤
步骤一，采集当前用户的多组睡眠数据，对多组睡眠数据进行预处理；
步骤二，对预处理后的多组睡眠数据进行特征分析，获得睡眠数据之间的相关性，对睡眠数据之间的相关性进行融合，获得睡眠监测综合评定数据；其中，睡眠监测综合评定数据用于反映睡眠质量情况；
步骤三，对融合后的睡眠监测综合评定数据进行编码传输，并在终端进行分析；获得当前用户的睡眠质量评价。
综上，根据本发明的基于数据编码的睡眠监测数据智能管理方法，通过分析多种数据的特点，对多种数据进行融合，获得睡眠监测综合评定数据，然后再对该数据进行编码传输，从而具有节省存储空间、提高数据的传输速度的优势。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法，通过睡眠数据采集仪器采集多组睡眠数据，并通过小波变换的方式对多组睡眠数据进行去噪处理；获得不含噪声影响的睡眠数据，然后对去噪后的数据进行分析。其中，多组睡眠数据包括：脑电信号数据、心率数据、血氧饱和度数据和睡眠时间。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法，通过决策级融合的方式对多组睡眠数据进行融合，根据多组睡眠数据在时间上的变化获得睡眠数据之间的相关性；其中，脑电信号数据为主影响因素。
进一步地，决策级融合的方式即根据不同数据之间的相关关系对不同类型数据进行识别，然后对不同类型的数据进行融合，决策级融合方法要求不同类型数据针对同一对象独立获得识别结果，进一步地，决策级融合的方式实时性好，受传感器配准误差影响小，对传感器要求不高，同时不同传感器的处理结果可互为对照。
进一步地，在对失眠质量进行监控时，通常需要分析脑电波数据、心率数据、血氧饱和度数据以及睡眠时长。其中，主要是分析在睡眠时间的不同阶段，脑电波数据、心率数据、血氧饱和度数据之间的变化。因为在采集数据后，需要将数据传输至移动终端设备上对每一天的睡眠数据进行综合分析，但是因为采集的数据类型较多，数据量较大，因此需要对采集得到的数据进行融合，获得睡眠监测综合评定数据，然后再进行数据的传输，能够极大的减小数据量，提高数据的传输效率，并且便于移动终端设备对不同日期数据的分析。
需要说明的是，睡眠质量一般分为五个等级，每一个等级中睡眠的深浅是不一样的，并且做梦、夜醒、醒来长时间睡不着等都会影响各种监测数据的变化，在获得的数据中，脑电波信号是最为复杂，且是最能表现睡眠情况变化的，做梦、惊醒等都会带来脑电信号的变化，因此在进行数据融合时，将脑电信号的变化作为主影响因素，心率数据和血氧饱和度数据作为此影响因素，然后根据各数据的变化对不同类型的数据进行融合。
进一步地，脑电信号从头皮上将脑部自发性生物电位加以放大记录而获得图形，脑电信号结果分析主要是根据脑电图的频率、波幅、波形、发作性发放及位相关系来确定。因为脑电波数据、心率数据、血氧饱和度数据都是时序数据，因此在睡觉的过程中，人的脑活动行为发生变化时，会引起这三种数据的同时变化，因此在时间顺序上不同数据的变化来获取每一种数据的异常。例如，在一个具体的实施例中，甲用户的身体健康状况良好，在使用便携式睡眠监测仪进行数据测量时，在22:30开始入睡，前十分钟处于初始睡眠期，心里活动减少、肌肉放松、意识逐渐减弱，那么其脑电波信号上波形的复杂程度会逐渐降低，心率和血氧饱和度趋于平稳状态；进一步地，在23:00进入浅睡眠期，此时已进入无意识阶段，但在受到干扰时更容易醒来，睡眠状态不稳定；进一步地，在23:30分进入中度睡眠期，在这个阶段容易做梦，而且做梦的情况明显比其他时期的情况要多，身体和大脑处于完全放松的状态，这是身体和精神力量的最终恢复。进一步地，假如出现做梦等睡眠活动时，脑电波的信号出现波动，并且睡眠活动越剧烈（比如做噩梦），其脑电波的波形复杂程度加剧，同时心率和血氧饱和度也会出现变化。因此根据不同数据在时间上的变化来获得数据之间的相关性。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法，通过仪器采集的脑电图上会出现多条波形，是因为脑电活动是由不同的信号源（即不同的神经元）产生的，这些信号源同时发生时，它们的电信号相互叠加，形成了复杂的波形。进一步地，多条脑电波信号是对应不同的脑区，每一种类型的脑电波通常与不同的神经元活动相关，根据不同的脑电信号可以判断这些信号来自于哪个脑区，以及这个区域是否处于活跃状态。具体地，脑电波信号是一条复合波，一条脑电波信号通常是由多个频段组成，这些频段包括经典的波、/>波、/>波、/>波和/>波，不同频率的波形变化表示脑部电流信号的变化。
进一步地，为了能够准确的表示个频率之间信号的变化程度，通过EMD（EmpiricalMode Decomposition经验模态分解)算法对脑电信号数据进行分解，获得不同频率的IMF(Intrinsic Mode Functions内涵模态分量)分量信号，计算IMF分量信号中的数据信息，公式如下：
式（1）中，表示第/>条脑电波信号的第/>条/>分量数据的波动程度，表示第/>条脑电波信号的第/>条/>分量数据中第/>个数据点的幅值，/>表示第/>条脑电波信号的第/>条/>分量数据幅值的均值，/>表示包含的数据点的数量；为方差公式；因为数据的波动程度越大，说明该条脑电波信号中的该频段下的数据波动程度越大，即表示此时用户的脑部某一功能区域的活动越剧烈，因此在对数据进行融合时，该频率下的IMF分量所占的比重越大。
式（2）中，表示第/>条脑电波信号的第/>条/>分量数据的变化程度，表示第/>条脑电波信号的第/>条/>分量数据中极值点的个数，/>表示第/>条脑电波信号的第/>条/>分量数据中的最大值幅值点，/>表示第/>条脑电波信号的第/>条/>分量数据中最小幅值点，/>表示该分量数据中最大幅值点与最小幅值点之间的差值；表示在条脑电波信号中信号的变化程度，其差值越大，说明人的脑部活动越剧烈，进而说明睡眠质量越差；/>极值点的数量越多，说明该条/>分量信号数据在时间的顺序上的脑电信号发生波动的次数越多，那么说明在睡眠的过程中，发生脑部活动的次数越多，也就是在晚上睡觉时，可能会连续做好几次噩梦，或者其他脑部活动也比较剧烈；乘以该/>分量的平均幅值表示数据发生变化的程度，因为脑电波信号比较平缓时，其平均幅值较小，也表明在睡觉的过程中脑部活动越少，处于深睡眠状态。
式（3）中，表示第/>条脑电波信号所表示的脑部活跃程度，/>表示第/>条脑电波信号包含的/>分量信号的数量，/>、/>表示在第/>条脑电波信号中第/>条IMF分量数据的权重， />表示根据第/>脑电波数据的变化获得的数据波动程度与变化程度进行加权。
因为上述公式计算的第条/>分量数据的波动程度和变化程度都是根据每一条分量数据的变化程度获得的，而不同的频率表示脑部中不同功能区的活跃程度，因此在获得第/>条脑电波信号的活跃程度时需要根据不同分量信号的变化程度来进行衡量，才能在后续的数据融合中保留脑电波信号中有用的信息，进而在根据融合后的特征数据进行分析时，才能准确的反映用户的睡眠监测过程的变化。
进一步地，通过脑电波信号进行睡眠质量分析时，可以通过不同脑部功能区的脑电信号的变化来检测用户处于睡眠状态时的脑部活动情况，因此通过对每一条脑电波信号进行分析，计算获得每一条脑电波信号的变化特征值，来表示用户处于睡眠状态时的脑部活动情况，进而在对脑电波数据进行融合后，也能够突出活跃的脑部功能区的变化，使得在通过移动终端设备进行长时间的睡眠质量监测分析时能够准确的体现用户的睡眠过程。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法， 将计算得到的脑电信号数据进行数据的叠加，其中，以脑部活跃度最小的脑电波信号作为基底信号，然后依次根据数据的活跃程度，从小到大的进行数据的叠加，叠加后的脑电波数据为/>。
需要说明的是，根据计算得到的每条脑电波信号的变化特征值来表示脑部不同区域的活跃程度，然后根据数据的重要程度进行数据的叠加。其叠加规则为：以脑部活跃度最小的脑电波信号作为基底信号，然后依次根据数据的活跃程度，从小到大的进行数据的叠加，叠加时相当于在基底信号上进行一层一层的叠加，这样进行叠加的目的是为了能够进行数据的还原，能够识别出原始信号包含的所有信息，叠加后的脑电波数据为。然后再根据叠加后的数据与心率数据与血样饱和度数据进行分析。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法，在睡眠的过程中，脑部活动不仅会引起脑电波的变化，还会引起心率和血氧饱和度的变化，例如，在一个具体的实施例中，人在过噩梦的时候，脑部是非常活跃的，一直处于高度紧张的状态，同时会伴有呼吸急促，甚至会有其他的肢体动作，这些都会引起各种监测数据的变化，因此三种数据在时间的顺序上其变化的节点是相同的，因此在进行数据融合时需要包含每一种数据的变化情况，但是做的梦比较平静时，其脑部活动还是比较剧烈的，但是并没有刺激机体产生较多的肾上腺素，因此心率和血氧饱和度的波动并不明显，此时在时序上各数据的变化程度是不相同，因此在进行数据融合时在相同的时间节点上数据包含的信息量不同，则融合权重不同。因此根据各数据在时序上的变化来计算各数据之间的相关性。将脑电波数据与心率数据进行关联计算，公式如下：
式（4）中，表示脑电波信号数据的波动特征值，/>表示脑电波信号中第/>个极大值点的幅值，/>表示脑电波信号中第/>个极小值点的幅值，/>表示极值点的个数；因为在计算相邻极大值点与极小值之间的差值时，需要极大值点与极小值点的个数相等，因此这里求和上限是/>，/>表示脑电波信号数据在哪个范围内进行波动，相当于计算原始数据的参考线，然后再用每一点的数据除以该参考线的值就表示每一点数据之间的变化。根据脑电波数据与心率数据之间中极值点的差异来描述两组数据的相关性，因为在相同的时间节点上，两组数据的波动差异时体现为幅值上的变化，那么两组数据的幅值变化相同时，说明其相关性大，而幅值的变化差异越大时，说明其相关性越小。因此这里根据极值点的变化来计算两组数据的相关性。
式（5）中，表示心率信号数据的波动特征值，/>表示心率信号中第/>个极大值点的幅值，/>表示心率信号中第/>个极小值点的幅值，/>表示极值点的个数；
式（6）中，表示脑电波信号与心率信号之间的相关性，/>表示脑电波信号中第/>个数据点的幅值，/>表示心率信号中第/>个数据点的幅值，/>表示时序数据中数据点的个数，/>表示脑电波信号与心率信号的波动特征值之比，/>表示归一化函数，其归一化的范围为/>。因为两组数据的幅值波动范围是不相同的，因此直接进行比较会导致幅值波动程度大的数据的异常程度增大，那么就会减小两组数据之间时间的相关性。因为在这里比较的是在相同的时间节点上两组数据是否都发生了波动，因此根据在计算的时候是根据相同时间节点位置上的数据特征进行相减。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法， 将脑电波数据与血氧饱和度数据进行关联计算，公式如下：
式（7）中，表示脑电波信号数据的波动特征值，/>表示脑电波信号中第/>个极大值点的幅值，/>表示脑电波信号中第/>个极小值点的幅值，/>表示极值点的个数；
式（8）中，C表示血氧饱和度数据的波动特征值，表示血氧饱和度信号中第/>个极大值点的幅值，/>表示血氧饱和度信号中第/>个极小值点的幅值，/>表示极值点的个数；
式（9）中，表示脑电波信号与血氧饱和度信号之间的相关性，表示脑电波信号中第/>个数据点的幅值，/>表示血氧饱和度信号中第/>个数据点的幅值，/>表示时序数据中数据点的个数，/>表示脑电波信号与心率信号的波动特征值之比，/>表示归一化函数，其归一化的范围为/>。
进一步地，通过计算数据之间的相关系来表示脑电波数据与心率数据、血氧饱和度数据之间的相关性，数据之间的相关性越大，说明心率数据和血氧饱和度数据的变化是因为脑部活动的加剧引起的。在这里需要说明，心率数据与血氧饱和度是受到大脑的调节，心率和需氧饱和度的变化势必是因为脑电波的变化引起的，但是脑电波的变化不一定会引起心率和血氧饱和度的变化，因此计算数据之间的相关性是为了在进行数据合并时能够来表不同类型数据之间的变化，进而能够突出重要数据的包含的关键信息。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法，根据计算得到的数据之间的相关性，然后根据数据之间的相关性进行数据的融合。在这里计算的数据之间的相关性相当于是根据数据的变化获得的数据之间的变化权重，因为数据之间的相似性越大，说明其变化的特征越相似，那么在进行数据融合时只需要根据变化越剧烈的数据进行加权融合即可，就能反映用户在睡眠过程中睡眠的质量变化情况。数据之间的相似性较小时，说明脑电波数据的波动程度较大，而心率以及血样饱和度数据的波动程度不大，那么只需要根据脑电波数据的变化来反映用户在睡觉过程中的睡眠质量变化。进一步地，获得睡眠监测综合评定数据，计算公式如下：
式（10）中，表示叠加后的睡眠监测综合评定数据，/>表示心率数据的变化特征值，/>表示叠加后的第/>个脑电波数据，/>表示第/>个心率数据，/>表示血氧饱和度数据的变化特征值，/>表示第/>个血氧饱和度数据，/>表示脑电波数据与心率数据在幅值上的差异， />表示将脑电波数据调节与心率数据变化范围相同的区间，/>表示脑电波数据与血氧饱和度数据在幅值上的差异，/>表示将脑电波数据调节与血氧饱和度数据变化范围相同的区间，/>表示判断条件，0.93表示设置的阈值。 进一步地，当三者数据间的相似度大于阈值0.93时，说明数据的间的变化是比较相似的，因此在进行数据融合时，之间进行加权融合。当小于阈值0.93时，说明数据间的变化相似程度较小，那么说明脑部的活跃程度较大，但是心率数据与血样饱和度数据的变化程度较小，此时的心率数据与血氧饱和度数据没有参考价值，那么就将脑电波数据作为数据输出进行分析即可，至此，获得融合后的睡眠监测综合评定数据。需要说明的是，阈值可根据不同的实施情况自行设定，在此不再赘述。
根据本发明一个实施例的基于数据编码的睡眠监测数据智能管理方法， 使用霍夫曼编码算法对获得的睡眠监测综合评定数据进行编码，通过蓝牙传输到终端进行分析，得到当前用户的睡眠质量评价。
进一步地，因为通过脑电波信号进行睡眠质量分析时，可以通过不同脑部功能区的脑电信号的变化来检测用户处于睡眠状态时的脑部活动情况，因此通过对每一条脑电波信号进行分析，计算获得每一条脑电波信号的变化特征值，来表示用户处于睡眠状态时的脑部活动情况；然后计算数据之间的相关系来表示脑电波数据与心率数据、血氧饱和度数据之间的相关性，数据之间的相关性越大，说明心率数据和血氧饱和度数据的变化是因为脑部活动的加剧引起的。进一步地，根据数据之间的相关性表示在进行数据合并时不同类型数据之间的变化，进而能够突出重要数据的包含的关键信息，从而在对脑电波数据进行融合后，也能够突出活跃的脑部功能区的变化，使得在通过移动终端设备进行长时间的睡眠质量监测分析时能够准确的体现用户的睡眠过程。
综上，根据本发明的第一方面的方法，通过分析多种数据的特点，对多种数据进行融合，获得睡眠监测综合评定数据，然后再对该数据进行编码传输，从而具有节省存储空间、提高数据的传输速度的优势。
根据本发明的第二方面的基于数据编码的睡眠监测数据智能管理系统10，如图2所示，可以包括：
第一模块101，进一步地，第一模块101用于采集当前用户的多组睡眠数据，对多组睡眠数据进行预处理；
第二模块102，进一步地，第二模块102用于对预处理后的多组睡眠数据进行特征分析，获得睡眠数据之间的相关性，对睡眠数据之间的相关性进行融合，获得睡眠监测综合评定数据；其中，睡眠监测综合评定数据用于反映睡眠质量情况；
第三模块103，进一步地，第三模块103用于对融合后的睡眠监测综合评定数据进行编码传输，并在终端进行分析；获得当前用户的睡眠质量评价。
综上所述，根据本发明的第二方面的智能管理系统10具有节省存储空间、提高数据的传输速度的优势。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或N个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (3)
1.一种基于数据编码的睡眠监测数据智能管理方法，其特征在于，包括：
采集当前用户的多组睡眠数据，对多组所述睡眠数据进行预处理；
对预处理后的多组所述睡眠数据进行特征分析，获得所述睡眠数据之间的相关性，对所述睡眠数据之间的相关性进行融合，获得睡眠监测综合评定数据；其中，所述睡眠监测综合评定数据用于反映睡眠质量情况；
对融合后的所述睡眠监测综合评定数据进行编码传输，并在终端进行分析；获得所述当前用户的睡眠质量评价；
通过睡眠数据采集仪器采集多组所述睡眠数据，并通过小波变换的方式对多组所述睡眠数据进行去噪处理；其中，多组所述睡眠数据包括：脑电信号数据、心率数据、血氧饱和度数据和睡眠时间；
通过决策级融合的方式对多组所述睡眠数据进行融合，根据多组所述睡眠数据在时间上的变化获得所述睡眠数据之间的相关性；其中，所述脑电信号数据为主影响因素；
通过EMD算法对所述脑电信号数据进行分解，获得不同频率的IMF分量信号，计算所述IMF分量信号中的数据信息，公式如下：
式(1)中，表示第l条脑电波信号的第n条IMF分量数据的波动程度，/>表示第l条脑电波信号的第n条IMF分量数据中第i个数据点的幅值，/>表示第l条脑电波信号的第n条IMF分量数据幅值的均值，m表示包含的数据点的数量；/>为方差公式；
式(2)中，表示第l条脑电波信号的第n条IMF分量数据的变化程度，/>表示第l条脑电波信号的第n条IMF分量数据中极值点的个数，/>表示第l条脑电波信号的第n条IMF分量数据中的最大值幅值点，/>表示第l条脑电波信号的第n条IMF分量数据中最小幅值点，/>表示该分量数据中最大幅值点与最小幅值点之间的差值；
式(3)中，kl表示第l条脑电波信号所表示的脑部活跃程度，r表示第l条脑电波信号包含的IMF分量信号的数量，表示在第l条脑电波信号中第n条IMF分量数据的权重，/>表示根据第l脑电波数据的变化获得的数据波动程度与变化程度进行加权；
将计算得到的所述脑电信号数据进行数据的叠加，其中，以脑部活跃度最小minkl的脑电波信号作为基底信号，然后依次根据数据的活跃程度，从小到大的进行数据的叠加，叠加后的脑电波数据为Yi ND；
将所述脑电波数据Yi ND与所述心率数据进行关联计算，公式如下：
式(4)中，A表示脑电波信号数据的波动特征值，表示脑电波信号中第c个极大值点的幅值，/>表示脑电波信号中第c个极小值点的幅值，a表示极值点的个数；
式(5)中，B表示心率信号数据的波动特征值，表示心率信号中第c个极大值点的幅值，/>表示心率信号中第c个极小值点的幅值，b表示极值点的个数；
式(6)中，q(ND，XL)表示脑电波信号与心率信号之间的相关性，Yi ND表示脑电波信号中第i个数据点的幅值，Yi XL表示心率信号中第i个数据点的幅值，m表示时序数据中数据点的个数，表示脑电波信号与心率信号的波动特征值之比，norm{}表示归一化函数，其归一化的范围为[0，1]；
将所述脑电波数据Yi ND与所述血氧饱和度数据进行关联计算，公式如下：
式(7)中，A表示脑电波信号数据的波动特征值，表示脑电波信号中第c个极大值点的幅值，/>表示脑电波信号中第c个极小值点的幅值，a表示极值点的个数；
式(8)中，C表示血氧饱和度数据的波动特征值，表示血氧饱和度信号中第c个极大值点的幅值，/>表示血氧饱和度信号中第c个极小值点的幅值，b表示极值点的个数；
式(9)中，q(ND，XY)表示脑电波信号与血氧饱和度信号之间的相关性，Yi ND表示脑电波信号中第i个数据点的幅值，Yi XY表示血氧饱和度信号中第i个数据点的幅值，m表示时序数据中数据点的个数，表示脑电波信号与心率信号的波动特征值之比，norm{}表示归一化函数，其归一化的范围为[0，1]；
获得所述睡眠监测综合评定数据，计算公式如下：
式(10)中，Wi表示叠加后的睡眠监测综合评定数据，B1表示心率数据的变化特征值，Yi ND表示叠加后的第i个脑电波数据，Yi XL表示第i个心率数据，B2表示血氧饱和度数据的变化特征值，Yi XY表示第i个血氧饱和度数据，表示脑电波数据与心率数据在幅值上的差异，表示将脑电波数据调节与心率数据变化范围相同的区间，/>表示脑电波数据与血氧饱和度数据在幅值上的差异，/>表示将脑电波数据调节与血氧饱和度数据变化范围相同的区间，q(ND，XY)+q(ND，XL)≥0.93表示判断条件，0.93表示设置的阈值。
2.根据权利要求1所述的基于数据编码的睡眠监测数据智能管理方法，其特征在于，使用霍夫曼编码算法对获得的所述睡眠监测综合评定数据进行编码，通过蓝牙传输到所述终端进行分析，得到所述当前用户的睡眠质量评价。
3.一种基于数据编码的睡眠监测数据智能管理系统，其特征在于，包括：
第一模块，所述第一模块用于采集当前用户的多组睡眠数据，对多组所述睡眠数据进行预处理；
第二模块，所述第二模块用于对预处理后的多组所述睡眠数据进行特征分析，获得所述睡眠数据之间的相关性，对所述睡眠数据之间的相关性进行融合，获得睡眠监测综合评定数据；其中，所述睡眠监测综合评定数据用于反映睡眠质量情况；
第三模块，所述第三模块用于对融合后的所述睡眠监测综合评定数据进行编码传输，并在终端进行分析；获得所述当前用户的睡眠质量评价；
通过睡眠数据采集仪器采集多组所述睡眠数据，并通过小波变换的方式对多组所述睡眠数据进行去噪处理；其中，多组所述睡眠数据包括：脑电信号数据、心率数据、血氧饱和度数据和睡眠时间；
通过决策级融合的方式对多组所述睡眠数据进行融合，根据多组所述睡眠数据在时间上的变化获得所述睡眠数据之间的相关性；其中，所述脑电信号数据为主影响因素；
通过EMD算法对所述脑电信号数据进行分解，获得不同频率的IMF分量信号，计算所述IMF分量信号中的数据信息，公式如下：
式(1)中，表示第l条脑电波信号的第n条IMF分量数据的波动程度，/>表示第l条脑电波信号的第n条IMF分量数据中第i个数据点的幅值，/>表示第l条脑电波信号的第n条IMF分量数据幅值的均值，m表示包含的数据点的数量；/>为方差公式；
式(2)中，表示第l条脑电波信号的第n条IMF分量数据的变化程度，/>表示第l条脑电波信号的第n条IMF分量数据中极值点的个数，/>表示第l条脑电波信号的第n条IMF分量数据中的最大值幅值点，/>表示第l条脑电波信号的第n条IMF分量数据中最小幅值点，/>表示该分量数据中最大幅值点与最小幅值点之间的差值；
式(3)中，kl表示第l条脑电波信号所表示的脑部活跃程度，r表示第l条脑电波信号包含的IMF分量信号的数量，表示在第l条脑电波信号中第n条IMF分量数据的权重，/>表示根据第l脑电波数据的变化获得的数据波动程度与变化程度进行加权；
将计算得到的所述脑电信号数据进行数据的叠加，其中，以脑部活跃度最小minkl的脑电波信号作为基底信号，然后依次根据数据的活跃程度，从小到大的进行数据的叠加，叠加后的脑电波数据为Yi ND；
将所述脑电波数据Yi ND与所述心率数据进行关联计算，公式如下：
式(4)中，A表示脑电波信号数据的波动特征值，表示脑电波信号中第c个极大值点的幅值，/>表示脑电波信号中第c个极小值点的幅值，a表示极值点的个数；
式(5)中，B表示心率信号数据的波动特征值，表示心率信号中第c个极大值点的幅值，/>表示心率信号中第c个极小值点的幅值，b表示极值点的个数；
式(6)中，q(ND，XL)表示脑电波信号与心率信号之间的相关性，Yi ND表示脑电波信号中第i个数据点的幅值，Yi XL表示心率信号中第i个数据点的幅值，m表示时序数据中数据点的个数，表示脑电波信号与心率信号的波动特征值之比，norm{}表示归一化函数，其归一化的范围为[0，1]；
将所述脑电波数据Yi ND与所述血氧饱和度数据进行关联计算，公式如下：
式(7)中，A表示脑电波信号数据的波动特征值，表示脑电波信号中第c个极大值点的幅值，/>表示脑电波信号中第c个极小值点的幅值，a表示极值点的个数；
式(8)中，C表示血氧饱和度数据的波动特征值，表示血氧饱和度信号中第c个极大值点的幅值，/>表示血氧饱和度信号中第c个极小值点的幅值，b表示极值点的个数；
式(9)中，q(ND，XY)表示脑电波信号与血氧饱和度信号之间的相关性，Yi ND表示脑电波信号中第i个数据点的幅值，Yi XY表示血氧饱和度信号中第i个数据点的幅值，m表示时序数据中数据点的个数，表示脑电波信号与心率信号的波动特征值之比，norm{}表示归一化函数，其归一化的范围为[0，1]；
获得所述睡眠监测综合评定数据，计算公式如下：
式(10)中，Wi表示叠加后的睡眠监测综合评定数据，B1表示心率数据的变化特征值，Yi ND表示叠加后的第i个脑电波数据，Yi XL表示第i个心率数据，B2表示血氧饱和度数据的变化特征值，Yi XY表示第i个血氧饱和度数据，表示脑电波数据与心率数据在幅值上的差异，表示将脑电波数据调节与心率数据变化范围相同的区间，/>表示脑电波数据与血氧饱和度数据在幅值上的差异，/>表示将脑电波数据调节与血氧饱和度数据变化范围相同的区间，q(ND，XY)+q(ND，XL)≥0.93表示判断条件，0.93表示设置的阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645087.7A CN116369864B (zh) | 2023-06-02 | 2023-06-02 | 基于数据编码的睡眠监测数据智能管理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645087.7A CN116369864B (zh) | 2023-06-02 | 2023-06-02 | 基于数据编码的睡眠监测数据智能管理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116369864A CN116369864A (zh) | 2023-07-04 |
| CN116369864B true CN116369864B (zh) | 2023-08-08 |
Family
ID=86971396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310645087.7A Active CN116369864B (zh) | 2023-06-02 | 2023-06-02 | 基于数据编码的睡眠监测数据智能管理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116369864B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416367A (zh) * | 2018-02-08 | 2018-08-17 | 南京理工大学 | 基于多传感器数据决策级融合的睡眠分期方法 |
| CN109583383A (zh) * | 2018-11-30 | 2019-04-05 | 湖南华诺星空电子技术有限公司 | 一种基于多源传感器的无人机生命探测方法及系统 |
| CN111493822A (zh) * | 2020-03-23 | 2020-08-07 | 济南国科医工科技发展有限公司 | 一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法 |
| CN114847958A (zh) * | 2022-05-20 | 2022-08-05 | 江苏大学附属医院 | 一种基于心电信号的应激和疲劳监测方法及系统 |
| CN115862873A (zh) * | 2023-02-17 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 一种睡眠节律量化及干预的方法、系统和装置 |
| CN116126510A (zh) * | 2021-11-12 | 2023-05-16 | 华为技术有限公司 | 基于多设备提供服务的方法、相关装置及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2649731C (en) * | 2008-11-05 | 2015-07-21 | The George Washington University | An unobtrusive driver drowsiness detection method |
| US20200048634A1 (en) * | 2018-08-09 | 2020-02-13 | Washington University | Methods to modulate protein translation efficiency |
-
2023
- 2023-06-02 CN CN202310645087.7A patent/CN116369864B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416367A (zh) * | 2018-02-08 | 2018-08-17 | 南京理工大学 | 基于多传感器数据决策级融合的睡眠分期方法 |
| CN109583383A (zh) * | 2018-11-30 | 2019-04-05 | 湖南华诺星空电子技术有限公司 | 一种基于多源传感器的无人机生命探测方法及系统 |
| CN111493822A (zh) * | 2020-03-23 | 2020-08-07 | 济南国科医工科技发展有限公司 | 一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法 |
| CN116126510A (zh) * | 2021-11-12 | 2023-05-16 | 华为技术有限公司 | 基于多设备提供服务的方法、相关装置及系统 |
| CN114847958A (zh) * | 2022-05-20 | 2022-08-05 | 江苏大学附属医院 | 一种基于心电信号的应激和疲劳监测方法及系统 |
| CN115862873A (zh) * | 2023-02-17 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 一种睡眠节律量化及干预的方法、系统和装置 |
Non-Patent Citations (1)
| Title |
|---|
| "基于深度学习的多通道脑电信号睡眠分期方法";张金辉等;《中国医疗设备》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116369864A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abualsaud et al. | Ensemble classifier for epileptic seizure detection for imperfect EEG data | |
| CN109464130B (zh) | 睡眠辅助方法、系统及可读存储介质 | |
| US6021346A (en) | Method for determining positive and negative emotional states by electroencephalogram (EEG) | |
| US8478389B1 (en) | System for processing physiological data | |
| Willemen et al. | An evaluation of cardiorespiratory and movement features with respect to sleep-stage classification | |
| AU2009265276B2 (en) | Concatenated scalograms | |
| CN101259015B (zh) | 一种脑电信号分析监测方法及其装置 | |
| CA2772536C (en) | Systems and methods for identifying non-corrupted signal segments for use in determining physiological parameters | |
| KR101235441B1 (ko) | 생체신호 기반 자동 수면단계 분류시스템 | |
| US20060184056A1 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
| US8696585B2 (en) | Detecting a probe-off event in a measurement system | |
| WO2010142936A1 (en) | Signal processing techniques for aiding the interpretation of respiration signals | |
| US20130060154A1 (en) | Atrial fibrillation decision apparatus, and method and program for deciding presence of atrial fibrillation | |
| US20140171769A1 (en) | Systems and methods for distinguishing between central apnea and obstructive apnea | |
| US20090326351A1 (en) | Signal Processing Mirroring Technique | |
| US20110098933A1 (en) | Systems And Methods For Processing Oximetry Signals Using Least Median Squares Techniques | |
| CA2884746A1 (en) | Method and software to determine probability of sleep/wake states and quality of sleep and wakefulness from an electroencephalogram | |
| Reddy et al. | Evaluation of objective distortion measures for automatic quality assessment of processed PPG signals for real-time health monitoring devices | |
| CN116369864B (zh) | 基于数据编码的睡眠监测数据智能管理方法和系统 | |
| US20220401037A1 (en) | Ml-based anomaly detection and descriptive root-cause analysis for biodata | |
| US20200330040A1 (en) | Method and system for detecting noise in vital sign signal | |
| CN215017693U (zh) | 基于频谱分析的脑电信号质量的检测装置及系统 | |
| Hermawan et al. | An integrated sleep stage classification device based on electrocardiograph signal | |
| CN113576410B (zh) | 一种入睡过程动态连续分析方法 | |
| Osaka et al. | Low-order chaos in sympathetic nerve activity and scaling of heartbeat intervals |
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 |