CN116392087B - 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 - Google Patents
基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 Download PDFInfo
- Publication number
- CN116392087B CN116392087B CN202310663711.6A CN202310663711A CN116392087B CN 116392087 B CN116392087 B CN 116392087B CN 202310663711 A CN202310663711 A CN 202310663711A CN 116392087 B CN116392087 B CN 116392087B
- Authority
- CN
- China
- Prior art keywords
- sleep
- trend
- user
- curve
- characteristic curve
- 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 677
- 238000000034 method Methods 0.000 title claims abstract description 175
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 127
- 238000011002 quantification Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 92
- 230000008667 sleep stage Effects 0.000 claims abstract description 80
- 230000008569 process Effects 0.000 claims abstract description 66
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 65
- 230000000694 effects Effects 0.000 claims abstract description 61
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims abstract description 12
- 230000000638 stimulation Effects 0.000 claims description 55
- 238000004364 calculation method Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 37
- 238000007726 management method Methods 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 35
- 230000004927 fusion Effects 0.000 claims description 30
- 230000001105 regulatory effect Effects 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 23
- 238000013139 quantization Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 14
- 230000004622 sleep time Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 230000001755 vocal effect Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 210000000467 autonomic pathway Anatomy 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000004617 sleep duration Effects 0.000 claims description 6
- 241001123248 Arma Species 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 4
- 241000728173 Sarima Species 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 3
- 238000002582 magnetoencephalography Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000033764 rhythmic process Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008452 non REM sleep Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000008665 sleep physiology Effects 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
- A61B5/48—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
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- 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
-
- 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
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pulmonology (AREA)
- Software Systems (AREA)
- Algebra (AREA)
Abstract
本发明提供了基于模态分解的睡眠趋稳性量化及调节方法,包括:对用户睡眠过程生理状态进行采集监测处理、特征分析和时相识别,得到睡眠深度特征曲线和睡眠分期曲线;对所述睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线;根据睡眠分期曲线、睡眠深度特征曲线和睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告,建立并更新用户个性化睡眠趋势性数据库;对用户睡眠行为进行动态预测、干预调节和效果评估,提取调节效果系数,生成用户睡眠趋势性调节报告。本发明能够实现对用户睡眠趋稳性的高效干预调节。
Description
技术领域
本发明涉及睡眠趋稳性检测量化及辅助调节领域,特别涉及基于模态分解的睡眠趋稳性量化及调节方法、系统和装置。
背景技术
人类的睡眠过程除了非快速眼动睡眠和快速眼动睡眠的多次交替循环属性外,还具有趋势性或趋稳性,即整体睡眠深度基线水平由深到浅,直至睡眠结束。
申请人提出的在先解决方案中国申请CN202310195993提供了睡眠趋稳性检测量化及辅助干预的方法,包括:采集用户睡眠过程的生理体征数据和环境因素数据,进行数据预处理、时帧处理和时帧特征分析,生成生理体征特征和环境因素特征;对所述生理体征特征进行睡眠状态分析、时序成分分析和趋稳性量化分析,提取睡眠趋稳性指数,生成睡眠趋稳性量化日报;重复上述步骤,对用户睡眠过程进行连续监测和跟踪分析,评估睡眠环境对睡眠趋稳性的影响,提取最佳睡眠趋稳性环境方案并对睡眠环境进行动态优化调整,生成睡眠趋稳性量化报告。该技术方案提出了睡眠趋稳性的创新评价指标,通过时间序列分解方法从睡眠持续期状态特征曲线中提取趋势成分,计算趋势强度并得到睡眠趋稳性指数,已经能够初步解决趋稳性量化的问题。但还存在可以提升的空间,主要包括:首先,时间序列分解方法在计算效率、多场景评价和人群适应度上表现出局限性;其次,睡眠持续期状态特征曲线是基于阶梯式睡眠时相分期值平滑得到的,仅能对用户睡眠状态进行简要描述,而不能细致地刻画和量化,最终了带来了睡眠趋稳性的评价不够细致和灵敏;最后,如何更优地通过睡眠环境的调节来实现对用户睡眠趋稳性的高效干预调节。
如何识别更灵敏的用户睡眠状态表征特征;如何更准确快速地提取睡眠趋稳性特征,得到更精确的、不同场景不同人群的睡眠趋稳性评价;如何实现更精准高效的、多手段方式的、实时动态的用户睡眠趋稳性干预调节;如何整体提高用户个性化的检测量化效率和干预调节效果等,是目前国内外产品技术方案和实际应用场景中需要进一步优化或解决的问题。
发明内容
针对现有方法的以上缺陷及改进需求,本发明的目的在于提供一种基于模态分解的睡眠趋稳性量化及调节方法,通过对用户睡眠生理状态的特征分析和特征融合得到睡眠深度特征曲线,并从睡眠深度特征曲线的经验模态分解和或变分模态分解中识别得到睡眠趋势特征曲线,进而提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,完成用户睡眠趋势性检测量化,进一步结合趋势预测来实现多手段方式的、实时动态的用户睡眠趋稳性干预调节;而将检测量化和干预调节的关键过程数据纳入数据库,建立并持续更新用户个性化睡眠趋势性数据库,持续提高用户个性化的检测量化效率和干预调节效果。本发明还提供了基于模态分解的睡眠趋稳性量化及调节系统,用于实现上述方法。本发明还提供了基于模态分解的睡眠趋稳性量化及调节装置,用于实现上述系统。
根据本发明的目的,本发明提出了一种基于模态分解的睡眠趋稳性量化及调节方法,包括以下步骤:
对用户睡眠过程生理状态进行采集监测处理、特征分析和时相识别,得到睡眠深度特征曲线和睡眠分期曲线;
对所述睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线;
根据所述睡眠分期曲线、所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告;
重复上述步骤,对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,建立并更新用户个性化睡眠趋势性数据库;
根据所述用户个性化睡眠趋势性数据库,对用户睡眠行为进行动态预测,提取个性时相场景睡眠调节策略并对用户睡眠过程进行干预调节和效果评估,生成用户睡眠趋势性调节报告。
更优地,所述对用户睡眠过程生理状态进行采集处理和特征分析,得到睡眠深度特征曲线和睡眠分期曲线的具体步骤还包括:
对用户睡眠过程生理状态进行采集监测和信号处理,得到用户睡眠生理状态时帧数据;
对所述用户睡眠生理状态时帧数据进行特征分析和特征融合,得到所述睡眠深度特征曲线;
对所述用户睡眠生理状态时帧数据进行时相识别和睡眠分期,得到所述睡眠分期曲线。
更优地,所述信号处理至少包括AD数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和时帧分割;其中,所述矫正处理具体为对信号中的包含伪迹或失真的信号数据片段进行信号矫正、信号预测和平滑处理,所述时帧分割是指根据信号采样率,以预设时间窗口长度和预设时间平移步长对目标信号数据进行连续滑动分割。
更优地,所述用户睡眠生理状态时帧数据至少包括脑中枢状态数据、自主神经状态数据中的任一项;其中,所述脑中枢状态数据至少包括脑电图信号、脑磁图信号、血氧水平依赖信号中的任一项,所述自主神经状态数据至少包括中血氧水平依赖信号、心电信号、脉搏信号、呼吸信号、血氧信号、体温信号和皮肤电信号的任一项。
更优地,所述特征分析至少包括数值分析、包络分析、时频分析、熵分析、分形分析和复杂度分析。
更优地,所述特征融合是指从所述特征分析得到的目标特征集中,选择预设特征数量的目标特征并进行加权计算,生成所述睡眠深度特征曲线。
更优地,所述睡眠深度特征曲线具体为表征用户在预设入睡前时期、睡眠持续期、预设结束睡眠后时期的睡眠深度和时相状态的特征曲线,其计算生成方法具体为:
1)对所述用户睡眠生理状态时帧数据中时帧数据逐个进行特征分析,按时序拼接得到睡眠生理状态时帧特征曲线集;
2)从所述睡眠生理状态时帧特征曲线集中,筛选目标相关特征曲线,并按照预设特征融合权重进行加权计算,生成所述睡眠深度特征曲线。
更优地,所述睡眠分期曲线的生成方法具体为:
1)通过深度学习算法对规模睡眠用户样本的所述用户睡眠生理状态时帧数据及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相自动分期模型;
2)将当前用户的所述用户睡眠生理状态时帧数据输入所述睡眠时相自动分期模型,得到所对应的睡眠时相分期并按时序生成所述睡眠分期曲线。
更优地,所述对所述睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线的具体步骤还包括:
对所述睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到所述IMF分量信号集;
从所述IMF分量信号集中识别趋势分量,生成所述睡眠趋势特征曲线。
更优地,所述经验模态分解的方法至少包括EMD、EEMD、CEEMD、 CEEMDAN、ICEEMDAN、ESMD中的任意一项;其中,ESMD具体为极点对称模态分解方法,其借鉴了EMD思想,将外部包络线插值改为内部极点对称插值,借用“最小二乘”思想来优化最后剩余模态使其成为整个数据的“自适应全局均线”,以确定最佳筛选次数。
更优地,所述变分模态分解的方法至少包括VMD、改进型VMD中的任意一项;其中,改进型VMD具体是为适应不同场景的信号分析和信号分解需求进行信号处理算法与VMD的有机组合。
更优地,所述趋势分量的一种识别方法具体为:
1)对所述IMF分量信号集中全部IMF分量信号进行时频分析,识别最大功率位置处的频率,得到IMF分量信号峰频率集;
2)从所述IMF分量信号峰频率集中,筛选低于预设超低频频率阈值的频率集合并识别其所对应的IMF分量信号,得到趋势IMF分量信号集;
3)对所述趋势IMF分量信号集进行频率加权融合计算,生成所述睡眠趋势特征曲线。
更优地,所述预设超低频频率阈值由所述经验模态分解和所述变分模态分解的最大分解阶数、目标信号的采样率和所述时帧分割的预设时间窗口长度、动态调节效果来决定。
更优地,所述频率加权融合计算的具体为以信号的加权权重与其中心频率成反比为计算原则,对目标信号集进行加权融合,生成信号频率加权特征描述曲线。
更优地,所述根据所述睡眠分期曲线、所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告的具体步骤还包括:
根据所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算得到所述睡眠趋势性指数;
根据所述睡眠分期曲线和所述睡眠趋势特征曲线进行相关性计算,得到所述时相趋势相关系数;
基于所述睡眠分期曲线,对所述睡眠趋势特征曲线进行时相分布统计,得到所述时相趋势分布特征;
根据所述睡眠分期曲线、所述睡眠深度特征曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数进行统计分析,生成所述睡眠趋势性量化报告。
更优地,所述睡眠趋势性指数的计算方法具体为:
1)获取所述睡眠深度特征曲线和所述睡眠趋势特征曲线;
2)分别对所述睡眠深度特征曲线和所述睡眠趋势特征曲线进行取平方,得到睡眠深度特征平方曲线和睡眠趋势特征平方曲线;
3)计算所述睡眠深度特征平方曲线和所述睡眠趋势特征平方曲线的样本点比值,得到睡眠趋势性曲线;
4)求取所述睡眠趋势性曲线的平均值,得到睡眠趋势性特征值;
5)计算所述睡眠趋势性特征值、经验模态分解或变分模态分解方法对应的预设方法修正系数、与用户生物状态信息相关的预设用户个性修正系数的乘积,生成所述睡眠趋势性指数。
更优地,所述睡眠趋势性指数的计算公式具体为:
;
其中,为所述睡眠趋势性指数,/>分别为预设用户个性修正系数和预设方法修正系数,/>、/>分别为所述睡眠趋势特征曲线和所述睡眠深度特征曲线中的第i个特征值,N为所述睡眠趋势特征曲线的数据长度。
更优地,所述相关性计算的方法至少包括相干性分析、皮尔逊相关分析、杰卡德相似分析、线性互信息分析、线性相关分析、欧氏距离分析、曼哈顿距离分析、切比雪夫距离分析中的任意一项。
更优地,所述时相分布统计具体为按照所述睡眠分期曲线中的睡眠时相分期,对所述睡眠趋势特征曲线中的睡眠趋势特征值进行数值分布统计分析,得到所述睡眠趋势特征曲线的数值分布统计特征。
更优地,所述时相趋势分布特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度中的任意一项。
更优地,所述睡眠趋势性量化报告至少包括所述睡眠分期曲线、所述睡眠深度特征曲线、所述睡眠趋势特征曲线、所述睡眠趋势性指数、所述时相趋势相关系数、所述时相趋势分布特征、用户睡眠趋势性量化总结。
更优地,所述重复上述步骤,对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,建立并更新用户个性化睡眠趋势性数据库的具体步骤还包括:
对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,提取不同睡眠场景下的所述睡眠分期曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数;
根据用户生物状态信息、睡眠场景、所述睡眠分期曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数,建立并更新所述用户个性化睡眠趋势性数据库。
更优地,所述用户生物状态信息至少包括性别、年龄、职业、健康状态、疾病状态和教育程度。
更优地,所述用户个性化睡眠趋势性数据库至少包括所述用户生物状态信息、睡眠场景、所述睡眠分期曲线、所述睡眠深度特征曲线、所述睡眠趋势特征曲线、所述睡眠趋势性指数、所述时相趋势相关系数、所述时相趋势分布特征、调节方式、执行方式、调节方法、目标调节值曲线、调节强度曲线、调节效果曲线。
更优地,所述根据所述用户个性化睡眠趋势性数据库,对用户睡眠行为进行动态预测,提取个性时相场景睡眠调节策略并对用户睡眠过程进行干预调节和效果评估,生成用户睡眠趋势性调节报告的具体步骤还包括:
根据所述用户个性化睡眠趋势性数据库,对所述睡眠趋势特征曲线进行动态趋势预测,提取睡眠趋势预测特征值,生成睡眠趋势预测特征曲线;
根据所述用户个性化睡眠趋势性数据库、预设睡眠趋稳性调节知识库、所述睡眠趋势预测特征值和当前具体睡眠场景,按照预设动态调节周期,动态生成所述个性时相场景睡眠调节策略;
根据所述个性时相场景睡眠调节策略,连接并调控睡眠趋势性调节外围设备,对用户睡眠过程进行动态干预调节;
对动态干预调节的效果进行动态跟踪评估,提取调节效果系数并生成调节效果曲线;
动态更新所述用户个性化睡眠趋势性数据库,并按照预设调节报告周期生成用户睡眠趋势性调节报告。
更优地,所述睡眠趋势预测特征值的预测方法至少包括AR、MR、ARMA、ARIMA、SARIMA、VAR、深度学习中的任一项。
更优地,所述个性时相场景睡眠调节策略至少包括睡眠场景、睡眠时相、调节方式、执行方式、调节方法、调节强度、调节时点、持续时间、目标调节值和装置控制参数;其中,所述调节方式至少包括声乐刺激、超声刺激、光刺激、电刺激、磁刺激、温度刺激、湿度刺激、触觉刺激和调控中的任一方式,所述执行方式至少包括离体式和接触式中的任一方式。
更优地,所述调控睡眠趋势性调节外围设备至少包括声乐刺激设备、超声刺激设备、光刺激设备、电刺激设备、磁刺激设备、温度刺激设备、湿度刺激设备、触觉刺激设备和调控设备中的任一项,并由具体的所述调节方式决定。
更优地,所述调节效果系数的具体计算公式具体为:
;
其中,为所述调节效果系数;/>分别为所述个性时相场景睡眠调节策略中的目标调节值、所述睡眠趋势预测特征值、动态调节后量化得到的所述睡眠趋势特征曲线中的睡眠趋势特征值;/>为与所述用户生物状态信息相关的预设用户个性修正系数。
更优地,所述调节效果系数反向应用于所述预设超低频频率阈值的动态调整、所述频率加权融合计算中分解信号加权权重的调整、所述个性时相场景睡眠调节策略的生成。
更优地,所述用户睡眠趋势性调节报告至少包括所述睡眠分期曲线、所述睡眠深度特征曲线、所述睡眠趋势特征曲线、目标调节值曲线、调节强度曲线、所述调节效果曲线、用户睡眠趋势性调节总结。
根据本发明的目的,本发明提出了一种基于模态分解的睡眠趋稳性量化及调节系统,包括以下模块:
状态检测分析模块,用于对用户睡眠过程生理状态进行采集监测处理、特征分析和时相识别,得到睡眠深度特征曲线和睡眠分期曲线;
模态分解量化模块,用于对所述睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线;
趋势量化报告模块,用于根据所述睡眠分期曲线、所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告;
个性数据管理模块,用于对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,建立并更新用户个性化睡眠趋势性数据库;
趋势动态调节模块,用于根据所述用户个性化睡眠趋势性数据库,对用户睡眠行为进行动态预测,提取个性时相场景睡眠调节策略并对用户睡眠过程进行干预调节和效果评估,生成用户睡眠趋势性调节报告;
数据运行管理模块,用于对所述系统的全部过程数据进行可视化管理、统一存储和运行管理。
更优地,所述状态检测分析模块还包括以下功能单元:
状态检测处理单元,用于对用户睡眠过程生理状态进行采集监测和信号处理,得到用户睡眠生理状态时帧数据;
深度特征提取单元,用于对所述用户睡眠生理状态时帧数据进行特征分析和特征融合,得到所述睡眠深度特征曲线;
睡眠时相识别单元,用于对所述用户睡眠生理状态时帧数据进行时相识别和睡眠分期,得到所述睡眠分期曲线。
更优地,所述模态分解量化模块还包括以下功能单元:
信号模态分解单元,用于对所述睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到所述IMF分量信号集;
趋势分量识别单元,用于从所述IMF分量信号集中识别趋势分量,生成所述睡眠趋势特征曲线。
更优地,所述趋势量化报告模块还包括以下功能单元:
趋势指数量化单元,用于根据所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算得到所述睡眠趋势性指数;
相关性计算单元,用于根据所述睡眠分期曲线和所述睡眠趋势特征曲线进行相关性计算,得到所述时相趋势相关系数;
时相分布统计单元,用于基于所述睡眠分期曲线,对所述睡眠趋势特征曲线进行时相分布统计,得到所述时相趋势分布特征;
量化报告生成单元,用于根据所述睡眠分期曲线、所述睡眠深度特征曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数进行统计分析,生成所述睡眠趋势性量化报告;
量化报告输出单元,用于对所述睡眠趋势性量化报告的格式输出、展现形式进行统一管理。
更优地,所述个性数据管理模块还包括以下功能单元:
场景跟踪量化单元,用于对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,提取不同睡眠场景下的所述睡眠分期曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数;
数据库管理单元,用于根据用户生物状态信息、睡眠场景、所述睡眠分期曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数,建立并更新所述用户个性化睡眠趋势性数据库。
更优地,所述趋势动态调节模块还包括以下功能单元:
睡眠状态预测单元,用于根据所述用户个性化睡眠趋势性数据库,对所述睡眠趋势特征曲线进行动态趋势预测,提取睡眠趋势预测特征值,生成睡眠趋势预测特征曲线;
调节策略生成单元,用于根据所述用户个性化睡眠趋势性数据库、预设睡眠趋稳性调节知识库、所述睡眠趋势预测特征值和当前具体睡眠场景,按照预设动态调节周期,动态生成所述个性时相场景睡眠调节策略;
动态调控执行单元,用于根据所述个性时相场景睡眠调节策略,连接并调控睡眠趋势性调节外围设备,对用户睡眠过程进行动态干预调节;
动态效果评估单元,用于对动态干预调节的效果进行动态跟踪评估,提取调节效果系数并生成调节效果曲线;
调节报告生成单元,用于按照预设调节报告周期,生成所述用户睡眠趋势性调节报告;
调节报告输出单元,用于对所述用户睡眠趋势性调节报告的格式输出、展现形式进行统一管理;
调节数据更新单元,用于将动态量化和动态调节的过程数据,动态地更新入所述用户个性化睡眠趋势性数据库。
更优地,所述数据运行管理模块还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对所述系统中所有数据的可视化展现管理;
数据存储管理单元,用于对所述系统中所有数据的统一存储管理;
数据运营管理单元,用于对所述系统中所有数据的备份、迁移和导出。
根据本发明的目的,本发明提出了一种基于模态分解的睡眠趋稳性量化及调节装置,包括以下模组:
状态检测分析模组,用于对用户睡眠过程生理状态进行采集监测处理、特征分析和时相识别,得到睡眠深度特征曲线和睡眠分期曲线;
模态分解量化模组,用于对所述睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线;
趋势量化报告模组,用于根据所述睡眠分期曲线、所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告;
个性数据管理模组,用于对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,建立并更新用户个性化睡眠趋势性数据库;
趋势动态调节模组,用于根据所述用户个性化睡眠趋势性数据库,对用户睡眠行为进行动态预测,提取个性时相场景睡眠调节策略并对用户睡眠过程进行干预调节和效果评估,生成用户睡眠趋势性调节报告;
数据可视化模组,用于对所述装置中所有过程数据和/或结果数据的统一可视化展示管理;
数据管理中心模组,用于对所述装置中所有过程数据和/或结果数据的统一存储和数据运营管理。
本发明所提供的基于模态分解的睡眠趋稳性量化及调节方法、系统和装置,通过对用户睡眠生理状态的特征分析和特征融合得到睡眠深度特征曲线,并从睡眠深度特征曲线的经验模态分解和或变分模态分解中识别得到睡眠趋势特征曲线,进而提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,完成用户睡眠趋势性检测量化,进一步结合趋势预测来实现多手段方式的、实时动态的用户睡眠趋稳性干预调节;而将检测量化和干预调节的关键过程数据纳入数据库,建立并持续更新用户个性化睡眠趋势性数据库,持续提高用户个性化的检测量化效率和干预调节效果。
本发明在申请人的研究基础上进一步优化了趋稳性量化的具体设计,将经验模态分解和变分模态分解应用于趋势性信息的提取,其考量了完整睡眠时期的深度特征,更加全面、适应度广;本申请还进一步改进了趋稳性指数的计算方式,提升了评价的细粒度和灵敏度;还提供了对应的效果系数计算方案,使得对于调整过程的控制有了有力依据。本发明能够提供更加科学高效的睡眠趋稳性检测量化及干预调节的实施方法和落地方案。在实际应用场景中,本发明提供的基于模态分解的睡眠趋稳性量化及调节方法、系统和装置,能够赋能相关睡眠量化或调节的产品及服务,满足不同用户场景需求,辅助用户睡眠。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供的一种基于模态分解的睡眠趋稳性量化及调节方法的流程步骤示意图;
图2是本发明一实施例所提供的一种基于模态分解的睡眠趋稳性量化及调节系统的模块组成示意图;
图3是本发明一实施例所提供的一种基于模态分解的睡眠趋稳性量化及调节装置的模组构成示意图。
具体实施方式
为了更清楚地说明本发明的目的和技术方案,下面将结合本发明申请实施例中的附图,对本发明进行进一步介绍说明。显而易见地,下面描述的实施例仅是本发明一部分实施例,而不是全部的实施例。在没有创造性劳动前提下,本领域普通技术人员基于本发明的实施例所得到的其他实施例,都应属于本发明的保护范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
申请人发现在通常情况下,人类睡眠生理过程是个非平稳时序过程,其表征曲线也是个非平稳时序数据曲线。为了提取出其中的信息,申请人将经验模态分解和变分模态分解应用于睡眠趋势性信息的提取,进一步优化了量化和调节过程。其中,经验模态分解是一种时频域信号处理方式,依据数据自身的时间尺度特征来进行信号分解,而无需预先设定任何基函数;具备EMD、EEMD、CEEMD、 CEEMDAN、ICEEMDAN等多种优化、进化或改进的方法,能够满足和适应不同场景的需要;在处理非平稳及非线性数据上具有明显的优势,将其用于睡眠过程的信号序列,能够获得更高的信噪比。而变分模态分解VMD是一种自适应、完全非递归的模态变分和信号处理的方法,其核心思想是构建和求解变分问题,利用迭代搜索变分模型最优解来确定每个分解的分量中心频率及带宽;根据实际情况确定目标信号序列的模态分解个数,随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽,并且可以实现固有模态分量(IMF)的有效分离、信号的频域划分、进而得到给定信号的有效分解成分,最终获得变分问题的最优解。
如图1所示,本发明实施例提供的基于模态分解的睡眠趋稳性量化及调节方法,包括以下步骤:
P100:对用户睡眠过程生理状态进行采集监测处理、特征分析和时相识别,得到睡眠深度特征曲线和睡眠分期曲线。
第一步、对用户睡眠过程生理状态进行采集监测和信号处理,得到用户睡眠生理状态时帧数据。
本实施例中,信号处理至少包括AD数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和时帧分割;其中,矫正处理具体为对信号中的包含伪迹或失真的信号数据片段进行信号矫正、信号预测和平滑处理,时帧分割是指根据信号采样率,以预设时间窗口长度和预设时间平移步长对目标信号数据进行连续滑动分割。
本实施例中,用户睡眠生理状态时帧数据至少包括脑中枢状态数据、自主神经状态数据中的任一项;其中,脑中枢状态数据至少包括脑电图信号、脑磁图信号、血氧水平依赖信号中的任一项,自主神经状态数据至少包括中血氧水平依赖信号、心电信号、脉搏信号、呼吸信号、血氧信号、体温信号和皮肤电信号的任一项。
本实施例中,采集监测用户睡眠过程的脑电信号作为睡眠生理状态,来陈述本技术方案的具体实施过程。通过脑电图机对用户睡眠脑电进行采集记录,采样率为1024Hz,记录电极为F3、F4、C3、C4、O1和O2,参考电极M1、M2。同时,对脑电信号进行统一信号处理,包括以M1/2进行重参考、去伪迹、小波降噪、50Hz倍频工频陷波、0.5-95hz带通滤波和信号矫正处理,得到纯净脑电信号;其次,依次对纯净脑电信号进行信号频带提取,包括δ节律(0.5-4Hz)、θ节律(4-8Hz)、α节律(8-12Hz)、β节律(12-30Hz)、γ1节律(30-50Hz) 、γ2节律(50-95Hz),得到频带脑电信号;进而,以预设时间窗口长度30s和预设时间平移步长15s对纯净脑电信号和频带脑电信号进行连续滑动分割,得到用户睡眠生理状态时帧数据。
第二步、对用户睡眠生理状态时帧数据进行特征分析和特征融合,得到睡眠深度特征曲线。
本实施例中,特征分析至少包括数值分析、包络分析、时频分析、熵分析、分形分析和复杂度分析。特征融合是指从特征分析得到的目标特征集中,选择预设特征数量的目标特征并进行加权计算,生成睡眠深度特征曲线。
本实施例中,睡眠深度特征曲线为表征用户在预设入睡前时期、睡眠持续期、预设结束睡眠后时期的睡眠深度和时相状态的特征曲线,其计算生成方法具体为:
1)对用户睡眠生理状态时帧数据中时帧数据逐个进行特征分析,按时序拼接得到睡眠生理状态时帧特征曲线集;
2)从睡眠生理状态时帧特征曲线集中,筛选目标相关特征曲线,并按照预设特征融合权重进行加权计算,生成睡眠深度特征曲线。
本实施例中, 逐帧对用户睡眠生理状态时帧数据进行时频分析(频带功率、频带功率占比)、熵分析(样本熵、近似熵)和复杂度分析(李雅普诺夫指数)。进而,选择F3-M2通道的δ-θ(δ节律+θ节律)联合频带功率占比、归一化的样本熵倒数的均值(特征融合过程),作为睡眠深度特征曲线。通常情况下,用户睡眠越深,其δ-θ联合频带功率占比越大,归一化的样本熵倒数越大(反面,样本熵倒数越小),用户睡眠状态和皮层电生理表现越稳定规律。
第三步、对用户睡眠生理状态时帧数据进行时相识别和睡眠分期,得到睡眠分期曲线。
本实施例中,睡眠分期曲线的生成方法具体为:
1)通过深度学习算法对规模睡眠用户样本的用户睡眠生理状态时帧数据及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相自动分期模型;
2)将当前用户的用户睡眠生理状态时帧数据输入睡眠时相自动分期模型,得到所对应的睡眠时相分期并按时序生成睡眠分期曲线。
在实际使用场景中,通过用户样本的数据积累和分期模型的深度学习,睡眠时相自动分期模型的准确性会越来越高。
P200:对所述睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线。
第一步、对睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到IMF分量信号集。
本实施例中,经验模态分解的方法至少包括EMD、EEMD、CEEMD、 CEEMDAN、ICEEMDAN、ESMD中的任意一项;其中,ESMD具体为极点对称模态分解方法,其借鉴了EMD思想,将外部包络线插值改为内部极点对称插值,借用“最小二乘”思想来优化最后剩余模态使其成为整个数据的“自适应全局均线”,以确定最佳筛选次数。
本实施例中,变分模态分解的方法至少包括VMD、改进型VMD中的任意一项;其中,改进型VMD具体是为适应不同场景的信号分析和信号分解需求进行信号处理算法与VMD的有机组合。
本实施例中,选择CEEMDAN作为经验模态分解的方法。相比于EMD,CEEMDAN自适应噪声完备集合经验模态分解具备更好的信号完备性、更快的计算速度和更好的模态分析结果。其主要步骤如下:
1)对原始信号进行若干次随机噪声扰动,得到多个噪声扰动数据集。
2)对每个噪声扰动数据集进行CEEMD分解,得到多个CEEMD分解集合。
3)对于每个CEEMD分解集合,引入自适应噪声辅助方法,通过将噪声信号添加到每个局部模态函数中,增强信号的边缘和高频部分。
4)将每个自适应噪声辅助后的 CEEMD 分解集合的对应分量进行平均,得到最终的 CEEMDAN 分解结果。
在实际使用场景中,通常选择CEEMDAN、ICEEMDAN、VMD或三者组合来进行睡眠深度特征曲线的模态分解,并能得到很好的分解结果。尤其是,相比于EMD经验模态分解,VMD变分模态分解具有较好抗噪能力,克服经验模态分解的端点效应、模态分量\频率混叠等问题,能够降低复杂度高和非线性强的时间序列非平稳性,将时间序列数据分解为一系列具有有限带宽的本征模态函数(IMF),可自适应更新各IMF的最优中心频率和带宽,适用于非平稳性的序列。其主要步骤如下:
1)将原始信号进行多次低通滤波,得到多个频带信号。
2)对每个频带信号进行变分推断,得到该频带信号的局部振动模式。
3)将所有频带信号对应的局部振动模式相加,得到原始信号的 VMD 分解。
本实施例中,通过CEEMDAN和VMD的组合各自完成对睡眠深度特征曲线的分解,分别提取8个IMF分量信号,生成IMF分量信号集。
第二步、从IMF分量信号集中识别趋势分量,生成睡眠趋势特征曲线。
本实施例中,趋势分量的一种识别方法具体为:
1)对IMF分量信号集中全部IMF分量信号进行时频分析,识别最大功率位置处的频率,得到IMF分量信号峰频率集;
2)从IMF分量信号峰频率集中,筛选低于预设超低频频率阈值的频率集合并识别其所对应的IMF分量信号,得到趋势IMF分量信号集;
3)对趋势IMF分量信号集进行频率加权融合计算,生成睡眠趋势特征曲线。
本实施例中,预设超低频频率阈值由经验模态分解和变分模态分解的最大分解阶数、目标信号的采样率和时帧分割的预设时间窗口长度、动态调节效果来决定。
本实施例中,频率加权融合计算的具体为以信号的加权权重与其中心频率成反比为计算原则,对目标信号集进行加权融合,生成信号频率加权特征描述曲线。
本实施例中,选择最低频率的两个IMF分量信号,且以权重比6:4进行频率加权融合计算,得到睡眠趋势特征曲线。
P300:根据所述睡眠分期曲线、所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告。
第一步、根据睡眠深度特征曲线和睡眠趋势特征曲线,计算得到睡眠趋势性指数。
本实施例中,睡眠趋势性指数的计算方法具体为:
1)获取睡眠深度特征曲线和睡眠趋势特征曲线;
2)分别对睡眠深度特征曲线和睡眠趋势特征曲线进行取平方,得到睡眠深度特征平方曲线和睡眠趋势特征平方曲线;
3)计算睡眠深度特征平方曲线和睡眠趋势特征平方曲线的样本点比值,得到睡眠趋势性曲线;
4)求取睡眠趋势性曲线的平均值,得到睡眠趋势性特征值;
5)计算睡眠趋势性特征值、经验模态分解或变分模态分解方法对应的预设方法修正系数、与用户生物状态信息相关的预设用户个性修正系数的乘积,生成睡眠趋势性指数。
本实施例中,睡眠趋势性指数的计算公式具体为:
;
其中,为睡眠趋势性指数,/>分别为预设用户个性修正系数和预设方法修正系数,/>、/>分别为所述睡眠趋势特征曲线和所述睡眠深度特征曲线中的第i个特征值,N为所述睡眠趋势特征曲线的数据长度。
通常情况下,CEEMDAN和VMD的预设方法修正系数分别为0.85、0.95,正常健康用户的预设用户个性修正系数为1.0。
第二步、根据睡眠分期曲线和睡眠趋势特征曲线进行相关性计算,得到时相趋势相关系数。
本实施例中,相关性计算的方法至少包括相干性分析、皮尔逊相关分析、杰卡德相似分析、线性互信息分析、线性相关分析、欧氏距离分析、曼哈顿距离分析、切比雪夫距离分析中的任意一项。
本实施例中,先对睡眠分期曲线进行曲线平滑操作;再选择皮尔逊相关分析作为相关性计算并得到皮尔逊相关系数,作为睡眠分期曲线和睡眠趋势特征曲线的时相趋势相关系数。
第三步、基于睡眠分期曲线,对睡眠趋势特征曲线进行时相分布统计,得到时相趋势分布特征。
本实施例中,时相分布统计具体为按照睡眠分期曲线中的睡眠时相分期,对睡眠趋势特征曲线中的睡眠趋势特征值进行数值分布统计分析,得到睡眠趋势特征曲线的数值分布统计特征。时相趋势分布特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度中的任意一项。
第四步、根据睡眠分期曲线、睡眠深度特征曲线、睡眠趋势特征曲线和睡眠趋势性指数进行统计分析,生成睡眠趋势性量化报告。
本实施例中,睡眠趋势性量化报告至少包括睡眠分期曲线、睡眠深度特征曲线、睡眠趋势特征曲线、睡眠趋势性指数、时相趋势相关系数、时相趋势分布特征、用户睡眠趋势性量化总结。
在实际使用场景中,可以按不同时间周期来生成睡眠趋势性量化报告,来满足不同人群的不同场景需求,为用户睡眠健康管理提供健康数据统计和策略改进依据。
P400:重复上述步骤,对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,建立并更新用户个性化睡眠趋势性数据库。
第一步、对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,提取不同睡眠场景下的睡眠分期曲线、睡眠趋势特征曲线和睡眠趋势性指数。
在实际使用场景中,根据用户基本情况,选择不同场景组合,对用户在不同睡眠压力、不同睡眠环境、不同健康状态等多场景下的睡眠趋势性进行持续检测量化,能够得到更全面的用户个性化睡眠数据。
第二步、根据用户生物状态信息、睡眠场景、睡眠分期曲线、睡眠趋势特征曲线和睡眠趋势性指数,建立并更新用户个性化睡眠趋势性数据库。
本实施例中,用户个性化睡眠趋势性数据库至少包括用户生物状态信息、睡眠场景、睡眠分期曲线、睡眠深度特征曲线、睡眠趋势特征曲线、睡眠趋势性指数、时相趋势相关系数、时相趋势分布特征、调节方式、执行方式、调节方法、目标调节值曲线、调节强度曲线、调节效果曲线。用户生物状态信息至少包括性别、年龄、职业、健康状态、疾病状态和教育程度。
在实际使用场景中,随着用户个性化相关数据的不断积累和场景调节反馈,用户个性化睡眠趋势性数据库的数据丰富性增加,这不仅能够进一步准确检测量化用户睡眠趋稳性,还能够不断提高用户睡眠趋稳性动态调节干预的质量和效果。
P500:根据所述用户个性化睡眠趋势性数据库,对用户睡眠行为进行动态预测,提取个性时相场景睡眠调节策略并对用户睡眠过程进行干预调节和效果评估,生成用户睡眠趋势性调节报告。
第一步、根据用户个性化睡眠趋势性数据库,对睡眠趋势特征曲线进行动态预测,提取睡眠趋势预测特征值,生成睡眠趋势预测特征曲线。
本实施例中,睡眠趋势预测特征值的预测方法至少包括AR、MR、ARMA、ARIMA、SARIMA、VAR、深度学习中的任一项。
本实施例中,使用ARMA方法对睡眠深度特征曲线进行趋势预测分析,得到睡眠趋势预测特征值,并生成或更新得到睡眠趋势预测特征曲线。
在实际适应场景中,趋势分析和指数预测可能采用AR、MR、ARMA、ARIMA、SARIMA、VAR等等常用的时间按序列预测方法,也可以通过深度学习模型来完成睡眠趋势预测特征值的预测计算。
第二步、根据用户个性化睡眠趋势性数据库、预设睡眠趋稳性调节知识库、睡眠趋势预测特征值和当前具体睡眠场景,按照预设动态调节周期,动态生成个性时相场景睡眠调节策略。
本实施例中,个性时相场景睡眠调节策略至少包括睡眠场景、睡眠时相、调节方式、执行方式、调节方法、调节强度、调节时点、持续时间、目标调节值和装置控制参数;其中,调节方式至少包括声乐刺激、超声刺激、光刺激、电刺激、磁刺激、温度刺激、湿度刺激、触觉刺激和调控中的任一方式,执行方式至少包括离体式和接触式中的任一方式。
在实际使用场景中,在保证调节效果的情况下,通过选择离体的声乐刺激、光刺激、温度刺激、湿度刺激和和调控,对用户睡眠干扰较小且用户体验较好。
第三步、根据个性时相场景睡眠调节策略,连接并调控睡眠趋势性调节外围设备,对用户睡眠过程进行动态干预调节。
本实施例中,调控睡眠趋势性调节外围设备至少包括声乐刺激设备、超声刺激设备、光刺激设备、电刺激设备、磁刺激设备、温度刺激设备、湿度刺激设备和触觉刺激设备中的任一项,并由具体的调节方式决定。
第四步、对动态干预调节的效果进行动态跟踪评估,提取调节效果系数并生成调节效果曲线。
本实施例中,调节效果系数的具体计算公式具体为:
;
其中,为调节效果系数;/>分别为个性时相场景睡眠调节策略中的目标调节值、睡眠趋势预测特征值、动态调节后量化得到的睡眠趋势特征曲线中的睡眠趋势特征值;/>为与用户生物状态信息相关的预设用户个性修正系数。
本实施例中,调节效果系数反向应用于预设超低频频率阈值的动态调整、频率加权融合计算中分解信号加权权重的调整、个性时相场景睡眠调节策略的生成,以不断优化检测量化和干预调节的闭环循环效率。
在实际使用场景中,动态干预调节的效果也可以通过睡眠趋势预测特征曲线、睡眠趋势特征曲线和目标调节值曲线的相关性计算、曲线距离特征计算和综合评价来实现;如通过睡眠趋势特征曲线和目标调节值曲线的欧氏距离的平均值,就能够准确地评估动态调节效果。
第五步、动态更新用户个性化睡眠趋势性数据库,并按照预设调节报告周期生成用户睡眠趋势性调节报告。
本实施例中,需要将用户关键生理指标曲线和生理事件、睡眠场景、睡眠分期曲线、睡眠深度特征曲线、睡眠趋势特征曲线、睡眠趋势性指数、时相趋势相关系数、时相趋势分布特征、调节方式、执行方式、调节方法、目标调节值曲线、调节强度曲线、调节效果曲线等关键过程数据,都实时地更新入用户个性化睡眠趋势性数据库,也为实时生成的个性时相场景睡眠调节策略提供精确数据基础。
本实施例中,用户睡眠趋势性调节报告至少包括睡眠分期曲线、睡眠深度特征曲线、睡眠趋势特征曲线、目标调节值曲线、调节强度曲线、调节效果曲线、用户睡眠趋势性调节总结。
在实际使用场景中,可以按不同时间周期来生成睡眠趋势性调节报告,来满足不同人群的不同场景需求,为用户睡眠健康管理提供健康数据统计和策略改进依据。
如图2所示,本发明实施例提供的一种基于模态分解的睡眠趋稳性量化及调节系统,所述系统被构造以用于执行上述各个方法步骤。所述系统包括如下模块:
状态检测分析模块S100,用于对用户睡眠过程生理状态进行采集监测处理、特征分析和时相识别,得到睡眠深度特征曲线和睡眠分期曲线;
模态分解量化模块S200,用于对睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线;
趋势量化报告模块S300,用于根据睡眠分期曲线、睡眠深度特征曲线和睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告;
个性数据管理模块S400,用于对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,建立并更新用户个性化睡眠趋势性数据库;
趋势动态调节模块S500,用于根据用户个性化睡眠趋势性数据库,对用户睡眠行为进行动态预测,提取个性时相场景睡眠调节策略并对用户睡眠过程进行干预调节和效果评估,生成用户睡眠趋势性调节报告;
数据运行管理模块S600,用于对系统的全部过程数据进行可视化管理、统一存储和运行管理。
本实施例中,状态检测分析模块S100还包括以下功能单元:
状态检测处理单元,用于对用户睡眠过程生理状态进行采集监测和信号处理,得到用户睡眠生理状态时帧数据;
深度特征提取单元,用于对用户睡眠生理状态时帧数据进行特征分析和特征融合,得到睡眠深度特征曲线;
睡眠时相识别单元,用于对用户睡眠生理状态时帧数据进行时相识别和睡眠分期,得到睡眠分期曲线。
本实施例中,模态分解量化模块S200还包括以下功能单元:
信号模态分解单元,用于对睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到IMF分量信号集;
趋势分量识别单元,用于从IMF分量信号集中识别趋势分量,生成睡眠趋势特征曲线。
本实施例中,趋势量化报告模块S300还包括以下功能单元:
趋势指数量化单元,用于根据睡眠深度特征曲线和睡眠趋势特征曲线,计算得到睡眠趋势性指数;
相关性计算单元,用于根据睡眠分期曲线和睡眠趋势特征曲线进行相关性计算,得到时相趋势相关系数;
时相分布统计单元,用于基于睡眠分期曲线,对睡眠趋势特征曲线进行时相分布统计,得到时相趋势分布特征;
量化报告生成单元,用于根据睡眠分期曲线、睡眠深度特征曲线、睡眠趋势特征曲线和睡眠趋势性指数进行统计分析,生成睡眠趋势性量化报告;
量化报告输出单元,用于对睡眠趋势性量化报告的格式输出、展现形式进行统一管理。
本实施例中,个性数据管理模块S400还包括以下功能单元:
场景跟踪量化单元,用于对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,提取不同睡眠场景下的睡眠分期曲线、睡眠趋势特征曲线和睡眠趋势性指数;
数据库管理单元,用于根据用户生物状态信息、睡眠场景、睡眠分期曲线、睡眠趋势特征曲线和睡眠趋势性指数,建立并更新用户个性化睡眠趋势性数据库。
本实施例中,趋势动态调节模块S500还包括以下功能单元:
睡眠状态预测单元,用于根据用户个性化睡眠趋势性数据库,对睡眠趋势特征曲线进行动态预测,提取睡眠趋势预测特征值,生成睡眠趋势预测特征曲线;
调节策略生成单元,用于根据用户个性化睡眠趋势性数据库、预设睡眠趋稳性调节知识库、睡眠趋势预测特征值和当前具体睡眠场景,按照预设动态调节周期,动态生成个性时相场景睡眠调节策略;
动态调控执行单元,用于根据个性时相场景睡眠调节策略,连接并调控睡眠趋势性调节外围设备,对用户睡眠过程进行动态干预调节;
动态效果评估单元,用于对动态干预调节的效果进行动态跟踪评估,提取调节效果系数并生成调节效果曲线
调节报告生成单元,用于按照预设调节报告周期,生成用户睡眠趋势性调节报告;
调节报告输出单元,用于对用户睡眠趋势性调节报告的格式输出、展现形式进行统一管理;
调节数据更新单元,用于将动态量化和动态调节的过程数据,动态地更新入用户个性化睡眠趋势性数据库。
本实施例中,数据运行管理模块S600还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对系统中所有数据的可视化展现管理;
数据存储管理单元,用于对系统中所有数据的统一存储管理;
数据运营管理单元,用于对系统中所有数据的备份、迁移和导出。
如图3所示,本发明实施例提供的一种基于模态分解的睡眠趋稳性量化及调节装置,包括以下模组:
状态检测分析模组M100,用于对用户睡眠过程生理状态进行采集监测处理、特征分析和时相识别,得到睡眠深度特征曲线和睡眠分期曲线;
模态分解量化模组M200,用于对睡眠深度特征曲线进行经验模态分解和或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线;
趋势量化报告模组M300,用于根据睡眠分期曲线、睡眠深度特征曲线和睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告;
个性数据管理模组M400,用于对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,建立并更新用户个性化睡眠趋势性数据库;
趋势动态调节模组M500,用于根据用户个性化睡眠趋势性数据库,对用户睡眠行为进行动态预测,提取个性时相场景睡眠调节策略并对用户睡眠过程进行干预调节和效果评估,生成用户睡眠趋势性调节报告;
数据可视化模组M600,用于对装置中所有过程数据和/或结果数据的统一可视化展示管理;
数据管理中心模组M700,用于对装置中所有过程数据和/或结果数据的统一存储和数据运营管理。
所述装置被构造以用于对应执行图1的方法中的各个步骤,在此不再赘述。
本发明还提供了可编程的各类处理器(FPGA、ASIC或其他集成电路),所述处理器用于运行程序,其中,所述程序运行时执行上述实施例中的步骤。
本发明还提供了对应的计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述存储器执行所述程序时实现上述实施例中的步骤。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和原则的前提下,可以在实施的形式及细节上进行任何的修改与变化、等同替换等,这些都属于本发明的保护范围。因此,本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (37)
1.一种基于模态分解的睡眠趋稳性量化及调节方法,其特征在于,包括以下步骤:
对用户睡眠过程生理状态进行采集监测处理、特征分析和时相识别,得到睡眠深度特征曲线和睡眠分期曲线;
对所述睡眠深度特征曲线进行经验模态分解和/或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线;
根据所述睡眠分期曲线、所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告;
重复上述步骤,对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,建立并更新用户个性化睡眠趋势性数据库;
根据所述用户个性化睡眠趋势性数据库,对用户睡眠行为进行动态预测,提取个性时相场景睡眠调节策略并对用户睡眠过程进行干预调节和效果评估,生成用户睡眠趋势性调节报告;
所述对用户睡眠过程生理状态进行采集处理和特征分析,得到睡眠深度特征曲线和睡眠分期曲线的具体步骤还包括:
对用户睡眠过程生理状态进行采集监测和信号处理,得到用户睡眠生理状态时帧数据;
对所述用户睡眠生理状态时帧数据进行特征分析和特征融合,得到所述睡眠深度特征曲线;
所述根据所述睡眠分期曲线、所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告的具体步骤还包括:
根据所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算得到所述睡眠趋势性指数;
根据所述睡眠分期曲线和所述睡眠趋势特征曲线进行相关性计算,得到所述时相趋势相关系数;
基于所述睡眠分期曲线,对所述睡眠趋势特征曲线进行时相分布统计,得到所述时相趋势分布特征;
所述趋势分量的一种识别方法具体为:
1) 对所述IMF分量信号集中全部IMF分量信号进行时频分析,识别最大功率位置处的频率,得到IMF分量信号峰频率集;
2) 从所述IMF分量信号峰频率集中,筛选低于预设超低频频率阈值的频率集合并识别其所对应的IMF分量信号,得到趋势IMF分量信号集;
3) 对所述趋势IMF分量信号集进行频率加权融合计算,生成所述睡眠趋势特征曲线;
所述睡眠趋势性指数的计算方法具体为:
1)获取所述睡眠深度特征曲线和所述睡眠趋势特征曲线;
2)分别对所述睡眠深度特征曲线和所述睡眠趋势特征曲线进行取平方,得到睡眠深度特征平方曲线和睡眠趋势特征平方曲线;
3)计算所述睡眠深度特征平方曲线和所述睡眠趋势特征平方曲线的样本点比值,得到睡眠趋势性曲线;
4)求取所述睡眠趋势性曲线的平均值,得到睡眠趋势性特征值;
5)计算所述睡眠趋势性特征值、经验模态分解或变分模态分解方法对应的预设方法修正系数、与用户生物状态信息相关的预设用户个性修正系数的乘积,生成所述睡眠趋势性指数。
2.如权利要求1所述的方法,其特征在于,所述对用户睡眠过程生理状态进行采集处理和特征分析,得到睡眠深度特征曲线和睡眠分期曲线的具体步骤还包括:
对所述用户睡眠生理状态时帧数据进行时相识别和睡眠分期,得到所述睡眠分期曲线。
3.如权利要求2所述的方法,其特征在于:所述信号处理至少包括AD模数
转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和时帧分割;其中,所述矫正处理具体为对信号中的包含伪迹或失真的信号数据片段进行信号矫正、信号预测和平滑处理,所述时帧分割是指根据信号采样率,以预设时间窗口长度和预设时间平移步长对目标信号数据进行连续滑动分割。
4.如权利要求2所述的方法,其特征在于:所述用户睡眠生理状态时帧数据至少包括脑中枢状态数据、自主神经状态数据中的任一项;其中,所述脑中枢状态数据至少包括脑电图信号、脑磁图信号、血氧水平依赖信号中的任一项,所述自主神经状态数据至少包括血氧水平依赖信号、心电信号、脉搏信号、呼吸信号、血氧信号、体温信号和皮肤电信号的任一项。
5.如权利要求2或4所述的方法,其特征在于:所述特征分析至少包括数值分析、包络分析、时频分析、熵分析、分形分析和复杂度分析。
6.如权利要求2或4所述的方法,其特征在于:所述特征融合是指从所述特征分析得到的目标特征集中,选择预设特征数量的目标特征并进行加权计算,生成所述睡眠深度特征曲线。
7.如权利要求2或4所述的方法,其特征在于,所述睡眠深度特征曲线具体为表征用户在预设入睡前时期、睡眠持续期、预设结束睡眠后时期的睡眠深度和时相状态的特征曲线,其计算生成方法具体为:
1)对所述用户睡眠生理状态时帧数据中时帧数据逐个进行特征分析,按时序拼接得到睡眠生理状态时帧特征曲线集;
2)从所述睡眠生理状态时帧特征曲线集中,筛选目标相关特征曲线,并按照预设特征融合权重进行加权计算,生成所述睡眠深度特征曲线。
8.如权利要求2或4所述的方法,其特征在于,所述睡眠分期曲线的生成方法具体为:
1)通过深度学习算法对规模睡眠用户样本的所述用户睡眠生理状态时帧数据及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相自动分期模型;
2)将当前用户的所述用户睡眠生理状态时帧数据输入所述睡眠时相自动分期模型,得到所对应的睡眠时相分期并按时序生成所述睡眠分期曲线。
9.如权利要求1或2所述的方法,其特征在于,所述对所述睡眠深度特征曲线进行经验模态分解和/或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线的具体步骤还包括:
对所述睡眠深度特征曲线进行经验模态分解和/或变分模态分解,得到所述IMF分量信号集;
从所述IMF分量信号集中识别趋势分量,生成所述睡眠趋势特征曲线。
10.如权利要求9所述的方法,其特征在于:所述经验模态分解的方法至少包括EMD、EEMD、CEEMD、 CEEMDAN、ICEEMDAN、ESMD中的任意一项;其中,ESMD具体为极点对称模态分解方法,其借鉴了EMD思想,将外部包络线插值改为内部极点对称插值,借用“最小二乘”思想来优化最后剩余模态使其成为整个数据的“自适应全局均线”,以确定最佳筛选次数。
11.如权利要求9所述的方法,其特征在于:所述变分模态分解的方法至少包括VMD、改进型VMD中的任意一项;其中,改进型VMD具体是为适应不同场景的信号分析和信号分解需求进行信号处理算法与VMD的有机组合。
12.如权利要求1所述的方法,其特征在于:所述预设超低频频率阈值由所述经验模态分解和所述变分模态分解的最大分解阶数、目标信号的采样率和时帧分割的预设时间窗口长度、动态调节效果来决定。
13.如权利要求1或12所述的方法,其特征在于:所述频率加权融合计算的具体为以信号的加权权重与其中心频率成反比为计算原则,对目标信号集进行加权融合,生成信号频率加权特征描述曲线。
14.如权利要求1所述的方法,其特征在于,所述根据所述睡眠分期曲线、所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告的具体步骤还包括:
根据所述睡眠分期曲线、所述睡眠深度特征曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数进行统计分析,生成所述睡眠趋势性量化报告。
15.如权利要求1所述的方法,其特征在于,所述睡眠趋势性指数的计算公式具体为:
;
其中,为所述睡眠趋势性指数,/>分别为预设用户个性修正系数和预设方法修正系数,/>、/>分别为所述睡眠趋势特征曲线和所述睡眠深度特征曲线,/>为所述睡眠趋势特征曲线的数据长度。
16.如权利要求14所述的方法,其特征在于,所述相关性计算的方法至少包括相干性分析、皮尔逊相关分析、杰卡德相似分析、线性互信息分析、线性相关分析、欧氏距离分析、曼哈顿距离分析、切比雪夫距离分析中的任意一项。
17.如权利要求14所述的方法,其特征在于,所述时相分布统计具体为按照所述睡眠分期曲线中的睡眠时相分期,对所述睡眠趋势特征曲线中的睡眠趋势特征值进行数值分布统计分析,得到所述睡眠趋势特征曲线的数值分布统计特征。
18.如权利要求17所述的方法,其特征在于,所述时相趋势分布特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度中的任意一项。
19.如权利要求14所述的方法,其特征在于,所述睡眠趋势性量化报告至少包括所述睡眠分期曲线、所述睡眠深度特征曲线、所述睡眠趋势特征曲线、所述睡眠趋势性指数、所述时相趋势相关系数、所述时相趋势分布特征、用户睡眠趋势性量化总结。
20.如权利要求1所述的方法,其特征在于:所述重复上述步骤,对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,建立并更新用户个性化睡眠趋势性数据库的具体步骤还包括:
对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,提取不同睡眠场景下的所述睡眠分期曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数;
根据用户生物状态信息、睡眠场景、所述睡眠分期曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数,建立并更新所述用户个性化睡眠趋势性数据库。
21.如权利要求20所述的方法,其特征在于:所述用户生物状态信息包括性别、年龄、职业、健康状态、疾病状态和教育程度至少一项。
22.如权利要求20或21所述的方法,其特征在于:所述用户个性化睡眠趋势性数据库包括所述用户生物状态信息、睡眠场景、所述睡眠分期曲线、所述睡眠深度特征曲线、所述睡眠趋势特征曲线、所述睡眠趋势性指数、所述时相趋势相关系数、所述时相趋势分布特征、调节方式、执行方式、调节方法、目标调节值曲线、调节强度曲线、调节效果曲线至少一项。
23.如权利要求1所述的方法,其特征在于:所述根据所述用户个性化睡眠趋势性数据库,对用户睡眠行为进行动态预测,提取个性时相场景睡眠调节策略并对用户睡眠过程进行干预调节和效果评估,生成用户睡眠趋势性调节报告的具体步骤还包括:
根据所述用户个性化睡眠趋势性数据库,对所述睡眠趋势特征曲线进行动态趋势预测,提取睡眠趋势预测特征值,生成睡眠趋势预测特征曲线;
根据所述用户个性化睡眠趋势性数据库、预设睡眠趋稳性调节知识库、所述睡眠趋势预测特征值和当前具体睡眠场景,按照预设动态调节周期,动态生成所述个性时相场景睡眠调节策略;
根据所述个性时相场景睡眠调节策略,连接并调控睡眠趋势性调节外围设备,对用户睡眠过程进行动态干预调节;
对动态干预调节的效果进行动态跟踪评估,提取调节效果系数并生成调节效果曲线;
动态更新所述用户个性化睡眠趋势性数据库,并按照预设调节报告周期生成用户睡眠趋势性调节报告。
24.如权利要求23所述的方法,其特征在于:所述睡眠趋势预测特征值的预测方法至少包括AR、MA、ARMA、ARIMA、SARIMA、VAR、深度学习中的任一项。
25.如权利要求23所述的方法,其特征在于:所述个性时相场景睡眠调节策略至少包括睡眠场景、睡眠时相、调节方式、执行方式、调节方法、调节强度、调节时点、持续时间、目标调节值和装置控制参数;其中,所述调节方式至少包括声乐刺激、超声刺激、光刺激、电刺激、磁刺激、温度刺激、湿度刺激、触觉刺激和调控中的任一方式,所述执行方式至少包括离体式和接触式中的任一方式。
26.如权利要求25所述的方法,其特征在于:所述调控睡眠趋势性调节外围设备至少包括声乐刺激设备、超声刺激设备、光刺激设备、电刺激设备、磁刺激设备、温度刺激设备、湿度刺激设备、触觉刺激设备和调控设备中的任一项,并由具体的所述调节方式决定。
27.如权利要求23-26任一项所述的方法,其特征在于:所述调节效果系数的具体计算公式具体为:
;
其中,为所述调节效果系数;/>分别为所述个性时相场景睡眠调节策略中的目标调节值、所述睡眠趋势预测特征值、动态调节后量化得到的所述睡眠趋势特征曲线中的睡眠趋势特征值;/>为与用户生物状态信息相关的预设用户个性修正系数。
28.如权利要求23所述的方法,其特征在于:所述调节效果系数反向应用于所述预设超低频频率阈值的动态调整、所述频率加权融合计算中分解信号加权权重的调整、所述个性时相场景睡眠调节策略的生成。
29.如权利要求23所述的方法,其特征在于:所述用户睡眠趋势性调节报告至少包括所述睡眠分期曲线、所述睡眠深度特征曲线、所述睡眠趋势特征曲线、目标调节值曲线、调节强度曲线、所述调节效果曲线、用户睡眠趋势性调节总结。
30.一种基于模态分解的睡眠趋稳性量化及调节系统,其特征在于,包括以下模块:
状态检测分析模块,用于对用户睡眠过程生理状态进行采集监测处理、特征分析和时相识别,得到睡眠深度特征曲线和睡眠分期曲线;
模态分解量化模块,用于对所述睡眠深度特征曲线进行经验模态分解和/或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线;
趋势量化报告模块,用于根据所述睡眠分期曲线、所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告;
个性数据管理模块,用于对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,建立并更新用户个性化睡眠趋势性数据库;
趋势动态调节模块,用于根据所述用户个性化睡眠趋势性数据库,对用户睡眠行为进行动态预测,提取个性时相场景睡眠调节策略并对用户睡眠过程进行干预调节和效果评估,生成用户睡眠趋势性调节报告;
数据运行管理模块,用于对所述系统的全部过程数据进行可视化管理、统一存储和运行管理;
所述状态检测分析模块还包括以下功能单元:
状态检测处理单元,用于对用户睡眠过程生理状态进行采集监测和信号处理,得到用户睡眠生理状态时帧数据;
深度特征提取单元,用于对所述用户睡眠生理状态时帧数据进行特征分析和特征融合,得到所述睡眠深度特征曲线;
所述趋势量化报告模块还包括以下功能单元:
趋势指数量化单元,用于根据所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算得到所述睡眠趋势性指数;
相关性计算单元,用于根据所述睡眠分期曲线和所述睡眠趋势特征曲线进行相关性计算,得到所述时相趋势相关系数;
时相分布统计单元,用于基于所述睡眠分期曲线,对所述睡眠趋势特征曲线进行时相分布统计,得到所述时相趋势分布特征;
其中,所述趋势分量的一种识别方法具体为:
1) 对所述IMF分量信号集中全部IMF分量信号进行时频分析,识别最大功率位置处的频率,得到IMF分量信号峰频率集;
2) 从所述IMF分量信号峰频率集中,筛选低于预设超低频频率阈值的频率集合并识别其所对应的IMF分量信号,得到趋势IMF分量信号集;
3) 对所述趋势IMF分量信号集进行频率加权融合计算,生成所述睡眠趋势特征曲线;
所述睡眠趋势性指数的计算方法具体为:
1)获取所述睡眠深度特征曲线和所述睡眠趋势特征曲线;
2)分别对所述睡眠深度特征曲线和所述睡眠趋势特征曲线进行取平方,得到睡眠深度特征平方曲线和睡眠趋势特征平方曲线;
3)计算所述睡眠深度特征平方曲线和所述睡眠趋势特征平方曲线的样本点比值,得到睡眠趋势性曲线;
4)求取所述睡眠趋势性曲线的平均值,得到睡眠趋势性特征值;
5)计算所述睡眠趋势性特征值、经验模态分解或变分模态分解方法对应的预设方法修正系数、与用户生物状态信息相关的预设用户个性修正系数的乘积,生成所述睡眠趋势性指数。
31.如权利要求30所述的系统,其特征在于,所述状态检测分析模块还包括以下功能单元:
睡眠时相识别单元,用于对所述用户睡眠生理状态时帧数据进行时相识别和睡眠分期,得到所述睡眠分期曲线。
32.如权利要求30所述的系统,其特征在于,所述模态分解量化模块还包括以下功能单元:
信号模态分解单元,用于对所述睡眠深度特征曲线进行经验模态分解和/或变分模态分解,得到所述IMF分量信号集;
趋势分量识别单元,用于从所述IMF分量信号集中识别趋势分量,生成所述睡眠趋势特征曲线。
33.如权利要求30或32所述的系统,其特征在于,所述趋势量化报告模块还包括以下功能单元:
量化报告生成单元,用于根据所述睡眠分期曲线、所述睡眠深度特征曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数进行统计分析,生成所述睡眠趋势性量化报告;
量化报告输出单元,用于对所述睡眠趋势性量化报告的格式输出、展现形式进行统一管理。
34.如权利要求30或32所述的系统,其特征在于,所述个性数据管理模块还包括以下功能单元:
场景跟踪量化单元,用于对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,提取不同睡眠场景下的所述睡眠分期曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数;
数据库管理单元,用于根据用户生物状态信息、睡眠场景、所述睡眠分期曲线、所述睡眠趋势特征曲线和所述睡眠趋势性指数,建立并更新所述用户个性化睡眠趋势性数据库。
35.如权利要求30或32所述的系统,其特征在于,所述趋势动态调节模块还包括以下功能单元:
睡眠状态预测单元,用于根据所述用户个性化睡眠趋势性数据库,对所述睡眠趋势特征曲线进行动态趋势预测,提取睡眠趋势预测特征值,生成睡眠趋势预测特征曲线;
调节策略生成单元,用于根据所述用户个性化睡眠趋势性数据库、预设睡眠趋稳性调节知识库、所述睡眠趋势预测特征值和当前具体睡眠场景,按照预设动态调节周期,动态生成所述个性时相场景睡眠调节策略;
动态调控执行单元,用于根据所述个性时相场景睡眠调节策略,连接并调控睡眠趋势性调节外围设备,对用户睡眠过程进行动态干预调节;
动态效果评估单元,用于对动态干预调节的效果进行动态跟踪评估,提取调节效果系数并生成调节效果曲线;
调节报告生成单元,用于按照预设调节报告周期,生成所述用户睡眠趋势性调节报告;
调节报告输出单元,用于对所述用户睡眠趋势性调节报告的格式输出、展现形式进行统一管理;
调节数据更新单元,用于将动态量化和动态调节的过程数据,动态地更新入所述用户个性化睡眠趋势性数据库。
36.如权利要求35所述的系统,其特征在于,所述数据运行管理模块还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对所述系统中所有数据的可视化展现管理;
数据存储管理单元,用于对所述系统中所有数据的统一存储管理;
数据运营管理单元,用于对所述系统中所有数据的备份、迁移和导出。
37.一种基于模态分解的睡眠趋稳性量化及调节装置,其特征在于,包括以下模组:
状态检测分析模组,用于对用户睡眠过程生理状态进行采集监测处理、特征分析和时相识别,得到睡眠深度特征曲线和睡眠分期曲线;
模态分解量化模组,用于对所述睡眠深度特征曲线进行经验模态分解和/或变分模态分解,得到IMF分量信号集并识别趋势分量,提取睡眠趋势特征曲线;
趋势量化报告模组,用于根据所述睡眠分期曲线、所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告;
个性数据管理模组,用于对用户不同睡眠场景下的睡眠趋势性进行持续检测量化,建立并更新用户个性化睡眠趋势性数据库;
趋势动态调节模组,用于根据所述用户个性化睡眠趋势性数据库,对用户睡眠行为进行动态预测,提取个性时相场景睡眠调节策略并对用户睡眠过程进行干预调节和效果评估,生成用户睡眠趋势性调节报告;
数据可视化模组,用于对所述装置中所有过程数据和/或结果数据的统一可视化展示管理;
数据管理中心模组,用于对所述装置中所有过程数据和/或结果数据的统一存储和数据运营管理;
所述对用户睡眠过程生理状态进行采集处理和特征分析,得到睡眠深度特征曲线和睡眠分期曲线的具体步骤还包括:
对用户睡眠过程生理状态进行采集监测和信号处理,得到用户睡眠生理状态时帧数据;
对所述用户睡眠生理状态时帧数据进行特征分析和特征融合,得到所述睡眠深度特征曲线;
所述根据所述睡眠分期曲线、所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算提取睡眠趋势性指数、时相趋势相关系数和时相趋势分布特征,生成睡眠趋势性量化报告的具体步骤还包括:
根据所述睡眠深度特征曲线和所述睡眠趋势特征曲线,计算得到所述睡眠趋势性指数;
根据所述睡眠分期曲线和所述睡眠趋势特征曲线进行相关性计算,得到所述时相趋势相关系数;
基于所述睡眠分期曲线,对所述睡眠趋势特征曲线进行时相分布统计,得到所述时相趋势分布特征;
其中,所述趋势分量的一种识别方法具体为:
1) 对所述IMF分量信号集中全部IMF分量信号进行时频分析,识别最大功率位置处的频率,得到IMF分量信号峰频率集;
2) 从所述IMF分量信号峰频率集中,筛选低于预设超低频频率阈值的频率集合并识别其所对应的IMF分量信号,得到趋势IMF分量信号集;
3) 对所述趋势IMF分量信号集进行频率加权融合计算,生成所述睡眠趋势特征曲线;
所述睡眠趋势性指数的计算方法具体为:
1)获取所述睡眠深度特征曲线和所述睡眠趋势特征曲线;
2)分别对所述睡眠深度特征曲线和所述睡眠趋势特征曲线进行取平方,得到睡眠深度特征平方曲线和睡眠趋势特征平方曲线;
3)计算所述睡眠深度特征平方曲线和所述睡眠趋势特征平方曲线的样本点比值,得到睡眠趋势性曲线;
4)求取所述睡眠趋势性曲线的平均值,得到睡眠趋势性特征值;
5)计算所述睡眠趋势性特征值、经验模态分解或变分模态分解方法对应的预设方法修正系数、与用户生物状态信息相关的预设用户个性修正系数的乘积,生成所述睡眠趋势性指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663711.6A CN116392087B (zh) | 2023-06-06 | 2023-06-06 | 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663711.6A CN116392087B (zh) | 2023-06-06 | 2023-06-06 | 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116392087A CN116392087A (zh) | 2023-07-07 |
CN116392087B true CN116392087B (zh) | 2023-09-01 |
Family
ID=87012635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310663711.6A Active CN116392087B (zh) | 2023-06-06 | 2023-06-06 | 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116392087B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116779110B (zh) * | 2023-08-07 | 2024-05-31 | 安徽星辰智跃科技有限责任公司 | 基于模态分解的睡眠可持续性检测调节方法、系统和装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001061820A (ja) * | 1999-08-26 | 2001-03-13 | Matsushita Electric Works Ltd | 睡眠状態判定方法及び睡眠状態判定装置 |
CN1550210A (zh) * | 2003-05-15 | 2004-12-01 | ������������ʽ���� | 用于赋予睡眠分析装置和计算机睡眠分析功能的程序产品 |
CN101272732A (zh) * | 2005-05-10 | 2008-09-24 | 索尔克生物学研究所 | 睡眠和清醒状态的自动检测 |
JP2011067241A (ja) * | 2009-09-24 | 2011-04-07 | Aisin Seiki Co Ltd | 睡眠評価システム |
CN102274022A (zh) * | 2011-05-10 | 2011-12-14 | 浙江大学 | 一种基于脑电信号的睡眠状态监测方法 |
WO2013061415A1 (ja) * | 2011-10-26 | 2013-05-02 | 株式会社日立製作所 | 呼吸測定システム及びrem睡眠判定システム |
CN108310587A (zh) * | 2018-02-02 | 2018-07-24 | 贺鹏程 | 一种睡眠控制装置与方法 |
CN109274757A (zh) * | 2018-10-15 | 2019-01-25 | 珠海格力电器股份有限公司 | 一种音乐推送方法、家电设备及计算机存储介质 |
JP2019180847A (ja) * | 2018-04-10 | 2019-10-24 | エコナビスタ株式会社 | 睡眠深度測定装置、睡眠深度測定方法、コンピュータプログラム及び学習済みモデル |
JP2019187681A (ja) * | 2018-04-23 | 2019-10-31 | セイコーエプソン株式会社 | 脈拍解析装置および脈拍解析方法 |
CN110623665A (zh) * | 2019-09-26 | 2019-12-31 | 川北医学院 | 一种智能睡眠时相检测与睡眠质量评估系统及方法 |
JP2020054839A (ja) * | 2013-07-08 | 2020-04-09 | レスメッド センサー テクノロジーズ リミテッド | 睡眠管理の方法及びシステム |
CN114668373A (zh) * | 2022-05-30 | 2022-06-28 | 广东工业大学 | 一种基于动态模态分解的睡眠阶段分类方法及系统 |
CN115804573A (zh) * | 2023-02-13 | 2023-03-17 | 安徽星辰智跃科技有限责任公司 | 一种睡眠深度量化及干预的方法、系统和装置 |
CN115862877A (zh) * | 2023-03-03 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 睡眠可持续性检测量化及辅助干预的方法、系统和装置 |
CN116369866A (zh) * | 2023-06-05 | 2023-07-04 | 安徽星辰智跃科技有限责任公司 | 基于小波变换的睡眠趋稳性量化及调节方法、系统和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210169417A1 (en) * | 2016-01-06 | 2021-06-10 | David Burton | Mobile wearable monitoring systems |
-
2023
- 2023-06-06 CN CN202310663711.6A patent/CN116392087B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001061820A (ja) * | 1999-08-26 | 2001-03-13 | Matsushita Electric Works Ltd | 睡眠状態判定方法及び睡眠状態判定装置 |
CN1550210A (zh) * | 2003-05-15 | 2004-12-01 | ������������ʽ���� | 用于赋予睡眠分析装置和计算机睡眠分析功能的程序产品 |
CN101272732A (zh) * | 2005-05-10 | 2008-09-24 | 索尔克生物学研究所 | 睡眠和清醒状态的自动检测 |
JP2011067241A (ja) * | 2009-09-24 | 2011-04-07 | Aisin Seiki Co Ltd | 睡眠評価システム |
CN102274022A (zh) * | 2011-05-10 | 2011-12-14 | 浙江大学 | 一种基于脑电信号的睡眠状态监测方法 |
WO2013061415A1 (ja) * | 2011-10-26 | 2013-05-02 | 株式会社日立製作所 | 呼吸測定システム及びrem睡眠判定システム |
JP2020054839A (ja) * | 2013-07-08 | 2020-04-09 | レスメッド センサー テクノロジーズ リミテッド | 睡眠管理の方法及びシステム |
CN108310587A (zh) * | 2018-02-02 | 2018-07-24 | 贺鹏程 | 一种睡眠控制装置与方法 |
JP2019180847A (ja) * | 2018-04-10 | 2019-10-24 | エコナビスタ株式会社 | 睡眠深度測定装置、睡眠深度測定方法、コンピュータプログラム及び学習済みモデル |
JP2019187681A (ja) * | 2018-04-23 | 2019-10-31 | セイコーエプソン株式会社 | 脈拍解析装置および脈拍解析方法 |
CN109274757A (zh) * | 2018-10-15 | 2019-01-25 | 珠海格力电器股份有限公司 | 一种音乐推送方法、家电设备及计算机存储介质 |
CN110623665A (zh) * | 2019-09-26 | 2019-12-31 | 川北医学院 | 一种智能睡眠时相检测与睡眠质量评估系统及方法 |
CN114668373A (zh) * | 2022-05-30 | 2022-06-28 | 广东工业大学 | 一种基于动态模态分解的睡眠阶段分类方法及系统 |
CN115804573A (zh) * | 2023-02-13 | 2023-03-17 | 安徽星辰智跃科技有限责任公司 | 一种睡眠深度量化及干预的方法、系统和装置 |
CN115862877A (zh) * | 2023-03-03 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 睡眠可持续性检测量化及辅助干预的方法、系统和装置 |
CN116369866A (zh) * | 2023-06-05 | 2023-07-04 | 安徽星辰智跃科技有限责任公司 | 基于小波变换的睡眠趋稳性量化及调节方法、系统和装置 |
Non-Patent Citations (1)
Title |
---|
Extracting continuous sleep depth from EEG data without machine learning;Claus Metzner,等;Neurobiology of Sleep and Circadian Rhythms;第14卷;1-11 * |
Also Published As
Publication number | Publication date |
---|---|
CN116392087A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116392083B (zh) | 基于局部变换的睡眠趋稳性量化及调节方法、系统和装置 | |
CN116369866B (zh) | 基于小波变换的睡眠趋稳性量化及调节方法、系统和装置 | |
CN116392085B (zh) | 基于趋势分析的睡眠趋稳性量化及调节方法、系统和装置 | |
CN116509337B (zh) | 基于局部分解的睡眠周期性检测及调节方法、系统和装置 | |
CN116509338B (zh) | 基于模态分析的睡眠周期性检测及调节方法、系统和装置 | |
CN116058804B (zh) | 一种睡眠情绪活跃水平动态调节的方法、系统和装置 | |
CN116058805B (zh) | 一种睡眠记忆活跃水平动态调节的方法、系统和装置 | |
CN115804573A (zh) | 一种睡眠深度量化及干预的方法、系统和装置 | |
CN116392087B (zh) | 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 | |
CN115969330B (zh) | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 | |
CN116035536B (zh) | 一种睡眠行为活跃水平检测量化的方法、系统和装置 | |
CN116392088B (zh) | 基于时频分析的睡眠趋稳性量化及调节方法、系统和装置 | |
CN116013470A (zh) | 一种睡眠行为活跃水平动态调节的方法、系统和装置 | |
CN116525063B (zh) | 基于时频分析的睡眠周期性检测及调节方法、系统和装置 | |
CN116509336B (zh) | 基于波形分析的睡眠周期性检测及调节方法、系统和装置 | |
CN116504357B (zh) | 基于小波分析的睡眠周期性检测及调节方法、系统和装置 | |
CN116705247B (zh) | 基于局部分解的睡眠可持续性检测调节方法、系统和装置 | |
CN116092641B (zh) | 一种睡眠感官应激水平动态调节的方法、系统和装置 | |
CN116779110B (zh) | 基于模态分解的睡眠可持续性检测调节方法、系统和装置 | |
CN116682535B (zh) | 基于数值拟合的睡眠可持续性检测调节方法、系统和装置 | |
CN116687356B (zh) | 基于时频分析的睡眠可持续性检测调节方法、系统和装置 | |
CN116671875B (zh) | 基于小波变换的睡眠可持续性检测调节方法、系统和装置 | |
CN116312928B (zh) | 一种眼疲劳恢复进程的辅助调节方法、系统和装置 | |
CN116312972B (zh) | 基于眼刺激的睡眠记忆情感张力调节方法、系统和装置 | |
CN116269244B (zh) | 基于眼动的睡眠记忆情感张力量化的方法、系统和装置 |
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 |