CN116509336A - 基于波形分析的睡眠周期性检测及调节方法、系统和装置 - Google Patents

基于波形分析的睡眠周期性检测及调节方法、系统和装置 Download PDF

Info

Publication number
CN116509336A
CN116509336A CN202310763795.0A CN202310763795A CN116509336A CN 116509336 A CN116509336 A CN 116509336A CN 202310763795 A CN202310763795 A CN 202310763795A CN 116509336 A CN116509336 A CN 116509336A
Authority
CN
China
Prior art keywords
sleep
curve
characteristic
index
user
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.)
Granted
Application number
CN202310763795.0A
Other languages
English (en)
Other versions
CN116509336B (zh
Inventor
何将
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Xingchen Zhiyue Technology Co ltd
Original Assignee
Anhui Xingchen Zhiyue Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Xingchen Zhiyue Technology Co ltd filed Critical Anhui Xingchen Zhiyue Technology Co ltd
Priority to CN202310763795.0A priority Critical patent/CN116509336B/zh
Publication of CN116509336A publication Critical patent/CN116509336A/zh
Application granted granted Critical
Publication of CN116509336B publication Critical patent/CN116509336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • 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
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明提供了基于波形分析的睡眠周期性检测及调节方法，包括：采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线；对所述睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和曲线；对睡眠时相曲线、睡眠状态周期特征曲线和睡眠周期性指数曲线进行动态预测分析并动态调节；根据睡眠时相曲线、睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数，建立并动态更新用户数据库；根据用户数据库，动态优化检测量化及动态调节方法参数并生成报告。本发明能够实现对用户睡眠周期的高效干预调节。

Description

基于波形分析的睡眠周期性检测及调节方法、系统和装置
技术领域
本发明涉及睡眠周期性检测量化及辅助调节领域，特别涉及基于波形分析的睡眠周期性及调节方法、系统和装置。
背景技术
健康优质的人类睡眠过程具备非常好的周期性，即非快速眼动睡眠NREM和快速眼动睡眠REM的周期性循环交替，每个周期持续90-120分钟。睡眠周期性是人类睡眠健康和睡眠质量的一个非常重要的衡量指标，但由于精神压力、生理状况和睡眠环境等多种因素，睡眠周期性受到很多干扰和挑战。
申请人提出的在先解决方案中申请CN2023101959912提供了一种睡眠周期性检测量化及辅助干预的方法，包括以下步骤：采集用户睡眠过程的生理状态数据和环境状态数据，进行信号数据预处理和时帧处理，得到生理状态信息和环境状态信息；对所述生理状态信息和所述环境状态信息进行时帧状态特征分析，生成生理状态特征和环境状态特征；对所述生理状态特征进行睡眠状态分析、时序成分分析和周期性量化分析，评价用户睡眠状态的睡眠基线周期变化强度、基线周期变化趋势和变化模式合理性，提取睡眠周期性指数，生成睡眠周期性量化日报；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周期性的影响，提取最佳睡眠周期性环境方案并对睡眠环境进行动态优化调整，生成睡眠周期性量化报告。该技术方案提出了睡眠周期性指数作为睡眠循环周期规律量化的创新评价指标，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睡眠持续期状态时序周期成分，计算睡眠周期性强度并得到睡眠周期性指数，已经能够初步解决睡眠周期性量化的问题。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，最终了带来了睡眠周期性的评价不够细致和灵敏；其次，如何更优地通过睡眠环境调节来实现对用户睡眠周期性的高效干预调节；最后，如何实现用户长期的、个性化的睡眠周期性指数检测量化和动态调节并持续提升检测准确性和调节高效性。
如何更全面深入地描述用户睡眠状态特征和连续变化；如何更准确快速地完成不同人群的睡眠周期性评价；如何实现更精准高效的、多手段的用户睡眠周期性动态调节；如何构建睡眠周期性检测量化和动态调节的一体化协同机制，提高用户个性化的检测量化和干预调节的效率效果，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波形分析的睡眠周期性检测及调节方法，通过提取连续变化的睡眠状态特征曲线，进而进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线，实现睡眠周期性指数的检测量化；进一步，对用户睡眠状态和周期性进行动态预测分析，生成睡眠周期动态调节策略并对用户睡眠过程进行动态调控和调控效果评估，实现睡眠周期性指数的动态调节；最后，对整个检测及调节过程进行统计分析并生成用户睡眠周期性检测及调节报告，建立并动态更新用户睡眠周期特征数据库，反向优化检测及调节过程中的方法和参数，实现用户个性化的、检测量化和干预调节的效率效果的不断提升。本发明还提供了基于波形分析的睡眠周期性检测及调节系统，用于实现上述方法。本发明还提供了基于波形分析的睡眠周期性检测及调节装置，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波形分析的睡眠周期性检测及调节方法，包括以下步骤：
采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线；
对所述睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线；
对所述睡眠时相曲线、所述睡眠状态周期特征曲线和所述睡眠周期性指数曲线进行动态预测分析，生成睡眠周期动态调节策略，对用户睡眠过程进行动态调控和调控效果评估；
根据所述睡眠时相曲线、所述睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数；
对用户睡眠周期性过程进行持续检测量化和动态调节，建立并动态更新用户睡眠周期特征数据库；
根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，生成用户睡眠周期性检测及调节报告。
更优地，所述采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线的具体步骤还包括：
对用户的睡眠生理状态信号进行采集监测和信号处理，生成睡眠生理状态时帧数据；
对所述睡眠生理状态时帧数据中的全部时帧数据进行特征分析和特征选择，生成所述睡眠状态特征曲线；
对所述睡眠生理状态时帧数据中的全部时帧数据进行睡眠时相分析，生成所述睡眠时相曲线。
更优地，所述睡眠生理状态信号至少包括脑中枢状态信号、自主神经状态信号中的任一项；其中，所述脑中枢状态信号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，所述自主神经状态信号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、矫正处理和分帧处理；其中，所述矫正处理具体为对目标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，所述分帧处理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进行连续滑动分割。
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中的任一项。
更优地，所述睡眠状态特征曲线具体为准确刻画用户在不同睡眠时期、不同睡眠时相的睡眠生理状态连续变化的特征曲线，由从所述特征分析得到的目标特征集中筛选出预设特征数量的目标特征并进行加权计算组合得到；其中，所述睡眠时期至少包括入睡前、睡眠中和睡眠后，所述睡眠时相至少包括清醒觉醒期、浅睡眠期、深睡眠期和快速眼动睡眠期。
更优地，所述睡眠时相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睡眠生理状态时帧数据及其对应睡眠时相分期数据进行学习训练和数据建模，得到睡眠时相分期识别模型；
2)将当前用户的所述睡眠生理状态时帧数据输入所述睡眠时相分期识别模型，得到所对应的睡眠时相分期并按时序生成所述睡眠时相曲线。
更优地，所述对所述睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线的具体步骤还包括：
对所述睡眠状态特征曲线进行去趋势处理，得到睡眠状态特征基线曲线；
根据所述睡眠状态特征曲线的特征组合生成方式，确定数据平滑处理的方法参数；
对所述睡眠状态特征基线曲线进行数据平滑处理，得到所述睡眠状态周期特征曲线；
提取所述睡眠状态周期特征曲线的过零特征和峰谷特征，计算得到所述睡眠周期性指数；
按照时序拼接所述睡眠周期性指数，得到所述睡眠周期性指数曲线。
更优地，所述去趋势处理具体为移除目标信号中线性趋势成分和极低频趋势成分，至少包括去均值处理、低通滤波处理、去趋势分析FDA、多重分形去趋势分析MFDFA、非对称消除趋势波动分析ADFA中的任意一项。
更优地，所述数据平滑处理具体为移除目标信号中高频振荡成分，至少包括时频变换、时域滤波和频域滤波中的任一项；其中，所述时频变换至少包括标准傅里叶变换、快速傅里叶变换、短时傅里叶变换、S变换、Gabor变换、希尔伯特黄变换、Wigner-Ville分布、平滑Wigner-Ville分布、伪Wigner-Ville分布、平滑伪Wigner-Ville分布、Choi-Williams分布中的任一项，所述时域滤波至少包括平均值滤波、中值滤波、卡尔曼滤波和Savitzky-Golay滤波中的任一项，所述频域滤波至少包括低通滤波、高通滤波、带通滤波、带阻滤波中的任一项。
更优地，所述过零特征至少包括过零率、符号变化位置序列、符号变化位置标准差、符号变化方向序列、符号变化方向标准差、零上过零长度序列、零下过零长度序列、零上零下长度比值。
更优地，所述峰谷特征至少包括峰谷比、峰值序列、峰值标准差、峰值位置序列、峰值位置标准差、谷值序列、谷值标准差、谷值位置序列、谷值位置标准差。
更优地，所述睡眠周期性指数的计算方法具体为：
1)提取所述睡眠状态周期特征曲线的所述过零特征和所述峰谷特征；
2)对所述过零特征中的数值特征进行筛选并进行组合计算，得到周期性过零特征系数；
3)对所述峰谷特征中的数值特征进行筛选并进行组合计算，得到周期性峰谷特征系数；
4)根据所述周期性过零特征系数、所述周期性峰谷特征系数、所述数据平滑处理的方法对应预设方法修正系数和用户生物状态信息相关的预设用户个性修正系数，计算得到所述睡眠周期性指数。
更优地，所述睡眠周期性指数的一种计算公式，具体为：
；
其中，为所述睡眠周期性指数，/>分别为预设用户个性修正系数和预设方法修正系数，/>分别为所述周期性过零特征系数和所述周期性峰谷特征系数。
更优地，所述周期性过零特征系数的一种计算公式，具体为：
；
其中，为所述周期性过零特征系数，/>为过零率。
更优地，所述周期性峰谷特征系数的一种计算公式，具体为：
；
其中，为所述周期性峰谷特征系数，/>分别为峰值位置标准差和谷值位置标准差。
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，所述对所述睡眠时相曲线、所述睡眠状态周期特征曲线和所述睡眠周期性指数曲线进行动态预测分析，生成睡眠周期动态调节策略，对用户睡眠过程进行动态调控和调控效果评估的具体步骤还包括：
对所述睡眠时相曲线进行趋势预测分析，得到睡眠时相预测值；
对所述睡眠状态周期特征曲线进行趋势预测分析，得到睡眠状态周期特征预测值；
对所述睡眠周期性指数曲线进行趋势预测分析，得到睡眠周期性指数预测值；
按照预设动态调节周期，根据所述睡眠时相预测值、所述睡眠状态周期特征预测值、所述睡眠周期性指数预测值和预设睡眠周期调控知识库，动态生成所述睡眠周期动态调节策略；
根据所述睡眠周期动态调节策略，连接并控制睡眠周期调节外围设备，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，提取动态调节效果系数并生成动态调节效果曲线，计算得到调节效果综合指数。
更优地，所述趋势预测分析的方法至少包括AR、MR、ARMA、ARIMA、SARIMA、VAR、深度学习中的任一项。
更优地，所述睡眠周期动态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、触觉刺激和浓度调控中的任一方式，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，所述睡眠周期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、触觉刺激设备和浓度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，所述动态调节效果系数的一种计算方式，具体为：
；
其中，为所述动态调节效果系数，/>为预设用户个性修正系数，分别为动态调节前的所述睡眠状态周期特征曲线中睡眠状态周期特征数值和所述睡眠周期性指数，/>分别为动态调节后的所述睡眠状态周期特征曲线中睡眠状态周期特征数值和所述睡眠周期性指数，/>为取绝对值算符。
更优地，所述动态调节效果系数将用于后续数据平滑处理方法参数、动态预测分析方法参数、所述趋势预测分析的方法选择、所述睡眠周期动态调节策略的动态优化。
更优地，所述调节效果综合指数具体为所述动态调节效果曲线的平均值或均方根。
更优地，所述根据所述睡眠时相曲线、所述睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数的具体步骤还包括：
计算所述睡眠时相曲线和所述睡眠周期性指数曲线的相关性，得到所述时相周期性耦合指数；
根据所述睡眠时相曲线、所述睡眠周期性指数曲线和所述动态调控效果曲线，计算不同睡眠时相下所述睡眠周期性指数、动态调节效果系数的分布特征，得到所述时相调节分布特征；
计算所述睡眠周期性指数曲线和所述动态调控效果曲线的相关性，得到所述周期指数调控系数。
更优地，所述相关性的计算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，所述对用户睡眠周期性过程进行持续检测量化和动态调节，建立并动态更新用户睡眠周期特征数据库的具体步骤还包括：
初始化建立和存储所述用户睡眠周期特征数据库；
对用户睡眠周期性过程进行持续检测量化和动态调节，动态更新所述用户睡眠周期特征数据库。
更优地，所述用户睡眠周期特征数据库至少包括用户生物状态信息、所述睡眠状态特征曲线、所述睡眠时相曲线、所述睡眠周期性指数曲线、所述动态调控效果曲线、所述时相周期性耦合指数、所述时相调节分布特征、所述周期指数调控系数、数据平滑处理方法、趋势预测分析方法、所述睡眠周期动态调节策略。
更优地，所述根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，生成用户睡眠周期性检测及调节报告的具体步骤还包括：
根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，提升用户睡眠周期性检测量化和动态调节的质量和效能；
按照预设报告周期，生成所述用户睡眠周期性检测及调节报告。
更优地，所述用户睡眠周期性检测及调节报告至少包括用户生物状态信息、所述睡眠状态特征曲线、所述睡眠时相曲线、所述睡眠周期性指数曲线、所述动态调控效果曲线、所述时相周期性耦合指数、所述时相调节分布特征、所述周期指数调控系数，检测及调节小结。
根据本发明的目的，本发明提出了一种基于波形分析的睡眠周期性检测及调节系统，包括以下模块：
状态特征跟踪模块，用于采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线；
波形指数量化模块，用于对所述睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线；
动态策略调控模块，用于对所述睡眠时相曲线、所述睡眠状态周期特征曲线和所述睡眠周期性指数曲线进行动态预测分析，生成睡眠周期动态调节策略，对用户睡眠过程进行动态调控和调控效果评估；
关联分布量化模块，用于根据所述睡眠时相曲线、所述睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数；
数据更新管理模块，用于对用户睡眠周期性过程进行持续检测量化和动态调节，建立并动态更新用户睡眠周期特征数据库；
数据优化应用模块，用于根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，生成用户睡眠周期性检测及调节报告；
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，所述状态特征跟踪模块还包括以下功能单元：
信号采集处理单元，用于对用户的睡眠生理状态信号进行采集监测和信号处理，生成睡眠生理状态时帧数据；
状态特征分析单元，用于对所述睡眠生理状态时帧数据中的全部时帧数据进行特征分析和特征选择，生成所述睡眠状态特征曲线；
睡眠时相识别单元，用于对所述睡眠生理状态时帧数据中的全部时帧数据进行睡眠时相分析，生成所述睡眠时相曲线。
更优地，所述波形指数量化模块还包括以下功能单元：
基线曲线提取单元，用于对所述睡眠状态特征曲线进行去趋势处理，得到睡眠状态特征基线曲线；
分析参数选取单元，用于根据所述睡眠状态特征曲线的特征组合生成方式，确定数据平滑处理的方法参数；
周期曲线提取单元，用于对所述睡眠状态特征基线曲线进行数据平滑处理，得到所述睡眠状态周期特征曲线；
周期指数量化单元，用于提取所述睡眠状态周期特征曲线的过零特征和峰谷特征，计算得到所述睡眠周期性指数；
指数曲线生成单元，用于按照时序拼接所述睡眠周期性指数，得到所述睡眠周期性指数曲线。
更优地，所述动态策略调控模块还包括以下功能单元：
睡眠时相预测单元，用于对所述睡眠时相曲线进行趋势预测分析，得到睡眠时相预测值；
周期特征预测单元，用于对所述睡眠状态周期特征曲线进行趋势预测分析，得到睡眠状态周期特征预测值；
周期指数预测单元，用于对所述睡眠周期性指数曲线进行趋势预测分析，得到睡眠周期性指数预测值；
调节策略生成单元，用于按照预设动态调节周期，根据所述睡眠时相预测值、所述睡眠状态周期特征预测值、所述睡眠周期性指数预测值和预设睡眠周期调控知识库，动态生成所述睡眠周期动态调节策略；
动态调节执行单元，用于根据所述睡眠周期动态调节策略，连接并控制睡眠周期调节外围设备，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，提取动态调节效果系数并生成动态调节效果曲线，计算得到调节效果综合指数。
更优地，所述关联分布量化模块还包括以下功能单元：
时相周期分析单元，用于计算所述睡眠时相曲线和所述睡眠周期性指数曲线的相关性，得到所述时相周期性耦合指数；
分布特征分析单元，用于根据所述睡眠时相曲线、所述睡眠周期性指数曲线和所述动态调控效果曲线，计算不同睡眠时相下所述睡眠周期性指数、动态调节效果系数的分布特征，得到所述时相调节分布特征；
周期调控分析单元，用于计算所述睡眠周期性指数曲线和所述动态调控效果曲线的相关性，得到所述周期指数调控系数。
更优地，所述数据更新管理模块还包括以下功能单元：
数据库初始化单元，用于初始化建立和存储所述用户睡眠周期特征数据库；
数据库更新单元，用于对用户睡眠周期性过程进行持续检测量化和动态调节，动态更新所述用户睡眠周期特征数据库。
更优地，所述数据优化应用模块还包括以下功能单元：
应用反馈优化单元，用于根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，提升用户睡眠周期性检测量化和动态调节的质量和效能；
用户报告生成单元，用于按照预设报告周期，生成所述用户睡眠周期性检测及调节报告；
用户报告输出单元，用于对所述用户睡眠周期性检测及调节报告的格式输出、展现形式进行统一管理。
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波形分析的睡眠周期性检测及调节装置，包括以下模组：
状态特征跟踪模组，用于采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线；
波形指数量化模组，用于对所述睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线；
动态策略调控模组，用于对所述睡眠时相曲线、所述睡眠状态周期特征曲线和所述睡眠周期性指数曲线进行动态预测分析，生成睡眠周期动态调节策略，对用户睡眠过程进行动态调控和调控效果评估；
关联分布量化模组，用于根据所述睡眠时相曲线、所述睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数；
数据更新管理模组，用于对用户睡眠周期性过程进行持续检测量化和动态调节，建立并动态更新用户睡眠周期特征数据库；
数据优化应用模组，用于根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，生成用户睡眠周期性检测及调节报告；
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。
本发明在申请人的在先研究基础上进一步优化睡眠周期性指数量化的具体设计，进一步优化睡眠状态特征曲线的提取方式，进一步将去趋势处理和数据平滑处理等波形分析方法应用于睡眠周期性信息的提取，其考量了完整睡眠时期的连续状态特征，更加全面、适应度广；本申请还进一步改进了睡眠周期性指数的计算方式，提升了评价的细粒度和灵敏度；还进一步提供了动态调节效果系数的计算方案和反馈应用框架，以及用户个性化的用户睡眠周期特征数据库的建立更新和反馈应用框架，使得对于检测量化和动态调节过程的协同控制有了有力依据。本发明能够提供更加科学高效的睡眠周期性检测量化及动态调节的实施方法和落地方案。在实际应用场景中，本发明提供的基于波形分析的睡眠周期性检测及调节方法、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波形分析的睡眠周期性检测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波形分析的睡眠周期性检测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波形分析的睡眠周期性检测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，人类睡眠生理状态连续变化过程是个非平稳时序过程，固睡眠状态特征描述时序曲线也是一个非平稳信号。而对于非平稳信号的信息处理和信息提取，申请人通过去趋势处理和数据平滑处理来从睡眠状态特征曲线中提取睡眠状态周期特征曲线，并进一步优化睡眠周期性的检测量化和动态调节过程。其中，去趋势处理中的去均值处理、低通滤波处理、去趋势分析FDA、多重分形去趋势分析MFDFA、非对称消除趋势波动分析ADFA等方法，都能够有效移除目标信号中线性趋势成分和极低频趋势成分；而时频变换、时域滤波和频域滤波等数据平滑处理方法，能够高效移除目标信号中高频振荡成分，进一步提取睡眠状态周期特征曲线的过零特征和峰谷特征，完成睡眠周期性指数检测量化、以及调节策略生成和动态调节执行；此外，通过跟踪动态调节效果来反向优化检测量化和动态调节过程中的方法参数，建立并动态更新用户睡眠周期特征数据库，持续提高检测及调节过程的效率效果。
结合图1所示，本发明实施例提供的基于波形分析的睡眠周期性检测及调节方法，包括以下步骤：
P100：采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线。
第一步、对用户的睡眠生理状态信号进行采集监测和信号处理，生成睡眠生理状态时帧数据。
本实施例中，睡眠生理状态信号至少包括脑中枢状态信号、自主神经状态信号中的任一项；其中，脑中枢状态信号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，自主神经状态信号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，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、矫正处理和分帧处理；其中，矫正处理具体为对目标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，分帧处理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进行连续滑动分割。
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信号，来陈述本技术方案的具体实施过程。首先，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和C4，参考电极M1、M2；对脑电信号进行统一信号处理，包括以M1或M2进行左右交叉重参考、去伪迹、小波降噪、50Hz倍频工频陷波、0.8-90hz带通滤波和矫正处理，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（0.8-4Hz）、θ节律（4-8Hz）、α节律（8-12Hz）、β节律（12-30Hz）、γ节律(30-90Hz)，得到频带脑电信号；进而，以预设时间窗口长度20s和预设时间平移步长10s对纯净脑电信号、频带脑电信号进行连续滑动分割，得到睡眠生理状态时帧数据。
第二步、对睡眠生理状态时帧数据中的全部时帧数据进行特征分析和特征选择，生成睡眠状态特征曲线。
本实施例中，睡眠状态特征曲线具体为准确刻画用户在不同睡眠时期、不同睡眠时相的睡眠生理状态连续变化的特征曲线，由从特征分析得到的目标特征集中筛选出预设特征数量的目标特征并进行加权计算组合得到；其中，睡眠时期至少包括入睡前、睡眠中和睡眠后，睡眠时相至少包括清醒觉醒期、浅睡眠期、深睡眠期和快速眼动睡眠期。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中的任一项。
本实施例中，逐帧对睡眠生理状态时帧数据的脑电数据进行时频分析（频带功率、频带功率占比）、熵分析（近似熵）和分形分析（赫斯特指数）。通过特征选择，将F3-M2通道的δ-θ-α（δ节律+θ节律+α节律）联合频带功率占比、取负后再归一化的近似熵、取负后再归一化的赫斯特指数进行直接加和得到睡眠状态特征曲线，这使得用户睡眠状态和皮层电生理的状态特征的描述粒度和时变性更好，能够精准及时地刻画睡眠生理状态连续变化。
第三步、对睡眠生理状态时帧数据中的全部时帧数据进行睡眠时相分析，生成睡眠时相曲线。
本实施例中，睡眠时相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睡眠生理状态时帧数据及其对应睡眠时相分期数据进行学习训练和数据建模，得到睡眠时相分期识别模型；
2)将当前用户的睡眠生理状态时帧数据输入睡眠时相分期识别模型，得到所对应的睡眠时相分期并按时序生成睡眠时相曲线。
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，睡眠时相分期识别模型的准确性会越来越高。
P200：对所述睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线。
第一步、对睡眠状态特征曲线进行去趋势处理，得到睡眠状态特征基线曲线。
本实施例中，去趋势处理具体为移除目标信号中线性趋势成分和极低频趋势成分，至少包括去均值处理、低通滤波处理、去趋势分析FDA、多重分形去趋势分析MFDFA、非对称消除趋势波动分析ADFA中的任意一项。
本实施例中，选择去趋势分析FDA作为去趋势处理方法。
第二步、根据睡眠状态特征曲线的特征组合生成方式，确定数据平滑处理的方法参数。
本实施例中，以δ-θ-α（δ节律+θ节律+α节律）联合频带功率占比、取负后再归一化的近似熵和取负后再归一化的赫斯特指数来生成得到睡眠状态特征曲线，且分帧处理的参数为预设时间窗口长度20s和预设时间平移步长10s，所以选择窗口长度为15个样本点的Savitzky-Golay滤波作为数据平滑处理方法。
第三步、对睡眠状态特征基线曲线进行数据平滑处理，得到睡眠状态周期特征曲线。
本实施例中，数据平滑处理具体为移除目标信号中高频振荡成分，至少包括时频变换、时域滤波和频域滤波中的任一项；其中，时频变换至少包括标准傅里叶变换、快速傅里叶变换、短时傅里叶变换、S变换、Gabor变换、希尔伯特黄变换、Wigner-Ville分布、平滑Wigner-Ville分布、伪Wigner-Ville分布、平滑伪Wigner-Ville分布、Choi-Williams分布中的任一项，时域滤波至少包括平均值滤波、中值滤波、卡尔曼滤波和Savitzky-Golay滤波中的任一项，频域滤波至少包括低通滤波、高通滤波、带通滤波、带阻滤波中的任一项。
本实施例中，通过窗口长度为15个样本点的Savitzky-Golay滤波对睡眠状态特征基线曲线进行数据平滑处理，提取得到睡眠状态周期特征曲线。
第四步、提取睡眠状态周期特征曲线的过零特征和峰谷特征，计算得到睡眠周期性指数。
本实施例中，过零特征至少包括过零率、符号变化位置序列、符号变化位置标准差、符号变化方向序列、符号变化方向标准差、零上过零长度序列、零下过零长度序列、零上零下长度比值。峰谷特征至少包括峰谷比、峰值序列、峰值标准差、峰值位置序列、峰值位置标准差、谷值序列、谷值标准差、谷值位置序列、谷值位置标准差。
本实施例中，睡眠周期性指数的计算方法具体为：
1)提取睡眠状态周期特征曲线的过零特征和峰谷特征；
2)对过零特征中的数值特征进行筛选并进行组合计算，得到周期性过零特征系数；
3)对峰谷特征中的数值特征进行筛选并进行组合计算，得到周期性峰谷特征系数；
4)根据周期性过零特征系数、周期性峰谷特征系数、数据平滑处理的方法对应预设方法修正系数和用户生物状态信息相关的预设用户个性修正系数，计算得到睡眠周期性指数。
本实施例中，睡眠周期性指数的一种计算公式，具体为：
；
其中，为睡眠周期性指数，/>分别为预设用户个性修正系数和预设方法修正系数，/>分别为周期性过零特征系数和周期性峰谷特征系数。
本实施例中，周期性过零特征系数的一种计算公式，具体为：
；
其中，为周期性过零特征系数，/>为过零率。
本实施例中，周期性峰谷特征系数的一种计算公式，具体为：
；
其中，为周期性峰谷特征系数，/>分别为峰值位置标准差和谷值位置标准差。
本实施例中，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，可以根据不同人群场景进一步优化过零特征和峰谷特征的选择来实现更符合具体目标人群的睡眠周期性指数提取。
第五步、按照时序拼接睡眠周期性指数，得到睡眠周期性指数曲线。
本实施例中，伴随着检测量化和动态调节的持续进行，按照时序拼接睡眠周期性指数，即可得到睡眠周期性指数曲线。
P300：对所述睡眠时相曲线、所述睡眠状态周期特征曲线和所述睡眠周期性指数曲线进行动态预测分析，生成睡眠周期动态调节策略，对用户睡眠过程进行动态调控和调控效果评估。
第一步、对睡眠时相曲线进行趋势预测分析，得到睡眠时相预测值。
本实施例中，趋势预测分析的方法至少包括AR、MR、ARMA、ARIMA、SARIMA、VAR、深度学习中的任一项。
本实施例中，应用AR方法得到睡眠时相预测值。
第二步、对睡眠状态周期特征曲线进行趋势预测分析，得到睡眠状态周期特征预测值。
本实施例中，应用AR方法得到睡眠状态周期特征预测值。
第三步、对睡眠周期性指数曲线进行趋势预测分析，得到睡眠周期性指数预测值。
本实施例中，应用AR方法得到睡眠周期性指数预测值。
第四步、按照预设动态调节周期，根据睡眠时相预测值、睡眠状态周期特征预测值、睡眠周期性指数预测值和预设睡眠周期调控知识库，动态生成睡眠周期动态调节策略。
本实施例中，睡眠周期动态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、触觉刺激和浓度调控中的任一方式，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，可以根据用户个性化情况、睡眠环境或设施设备条件选择制定不同基线睡眠周期动态调节策略，应选择对用户睡眠干扰小、体验感好的调节方式和执行方式。
第五步、根据睡眠周期动态调节策略，连接并控制睡眠周期调节外围设备，对用户睡眠过程进行动态干预调节。
本实施例中，睡眠周期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、触觉刺激设备和浓度调控设备中的任一项，并由具体的调节方式决定。
第六步、对动态干预调节的效果进行动态跟踪评估，提取动态调节效果系数并生成动态调节效果曲线，计算得到调节效果综合指数。
本实施例中，动态调节效果系数的一种计算方式，具体为：
；
其中，为动态调节效果系数，/>为预设用户个性修正系数，/>分别为动态调节前的睡眠状态周期特征曲线中睡眠状态周期特征数值和睡眠周期性指数，分别为动态调节后的睡眠状态周期特征曲线中睡眠状态周期特征数值和睡眠周期性指数，/>为取绝对值算符。
本实施例中，动态调节效果系数将用于后续数据平滑处理方法参数、动态预测分析方法参数、趋势预测分析的方法选择、睡眠周期动态调节策略的动态优化。这是检测量化和动态调控的反馈学习机制。
本实施例中，调节效果综合指数具体为动态调节效果曲线的平均值或均方根。在大多数实际使用场景中，使用平均值即可。
P400：根据所述睡眠时相曲线、所述睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数。
第一步、计算睡眠时相曲线和睡眠周期性指数曲线的相关性，得到时相周期性耦合指数。
本实施例中，相关性的计算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，选择皮尔逊相关分析来得到时相周期性耦合指数。
第二步、根据睡眠时相曲线、睡眠周期性指数曲线和动态调控效果曲线，计算不同睡眠时相下睡眠周期性指数、动态调节效果系数的分布特征，得到时相调节分布特征。
本实施例中，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。
本实施例中，时相调节分布特征包括不同睡眠时相下睡眠周期性指数、动态调节效果系数的平均值、均方根、最大值、最小值、标准差、变异系数、峰度和偏度。
第三步、计算睡眠周期性指数曲线和动态调控效果曲线的相关性，得到周期指数调控系数。
本实施例中，选择皮尔逊相关分析来得到周期指数调控系数。
P500：对用户睡眠周期性过程进行持续检测量化和动态调节，建立并动态更新用户睡眠周期特征数据库。
第一步、初始化建立和存储用户睡眠周期特征数据库。
本实施例中，用户睡眠周期特征数据库至少包括用户生物状态信息、睡眠状态特征曲线、睡眠时相曲线、睡眠周期性指数曲线、动态调控效果曲线、时相周期性耦合指数、时相调节分布特征、周期指数调控系数、数据平滑处理方法、趋势预测分析方法、睡眠周期动态调节策略。
第二步、对用户睡眠周期性过程进行持续检测量化和动态调节，动态更新用户睡眠周期特征数据库。
本实施例中，检测量化和动态调节过程中所产生关键数据，都实时地更新到用户睡眠周期特征数据库中，以此来保证后续检测量化和动态调节的方法优化及时性和有效性。在实际使用过程中，可以更具实际情况来制定用户睡眠周期特征数据库的数据更新机制。
P600：根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，生成用户睡眠周期性检测及调节报告。
第一步、根据用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和睡眠周期动态调节策略，提升用户睡眠周期性检测量化和动态调节的质量和效能。
本实施例中，用户睡眠周期特征数据库的及时数据更新，将实时反向优化检测量化过程中的数据平滑处理方法参数，调整检测量化的准确度；也将实时反向优化动态调节过程中的动态预测分析方法参数和睡眠周期动态调节策略，调整动态调节的有效性；最后，实现整个检测调节过程的质量和效能。
第二步、按照预设报告周期，生成用户睡眠周期性检测及调节报告。
本实施例中，用户睡眠周期性检测及调节报告至少包括用户生物状态信息、睡眠状态特征曲线、睡眠时相曲线、睡眠周期性指数曲线、动态调控效果曲线、时相周期性耦合指数、时相调节分布特征、周期指数调控系数，检测及调节小结。
在实际使用过程中，可以根据用户具体情况来制定不同报告周期，如每小时、每5小时、每完整次、每天等，以满足不同睡眠健康管理和睡眠周期深入分析等需求。
结合图2所示，本发明实施例提供的基于波形分析的睡眠周期性检测及调节系统，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：
状态特征跟踪模块S100，用于采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线；
波形指数量化模块S200，用于对睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线；
动态策略调控模块S300，用于对睡眠时相曲线、睡眠状态周期特征曲线和睡眠周期性指数曲线进行动态预测分析，生成睡眠周期动态调节策略，对用户睡眠过程进行动态调控和调控效果评估；
关联分布量化模块S400，用于根据睡眠时相曲线、睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数；
数据更新管理模块S500，用于对用户睡眠周期性过程进行持续检测量化和动态调节，建立并动态更新用户睡眠周期特征数据库；
数据优化应用模块S600，用于根据用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和睡眠周期动态调节策略，生成用户睡眠周期性检测及调节报告；
数据运行管理模块S700，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，状态特征跟踪模块S100还包括以下功能单元：
信号采集处理单元，用于对用户的睡眠生理状态信号进行采集监测和信号处理，生成睡眠生理状态时帧数据；
状态特征分析单元，用于对睡眠生理状态时帧数据中的全部时帧数据进行特征分析和特征选择，生成睡眠状态特征曲线；
睡眠时相识别单元，用于对睡眠生理状态时帧数据中的全部时帧数据进行睡眠时相分析，生成睡眠时相曲线。
本实施例中，波形指数量化模块S200还包括以下功能单元：
基线曲线提取单元，用于对睡眠状态特征曲线进行去趋势处理，得到睡眠状态特征基线曲线；
分析参数选取单元，用于根据睡眠状态特征曲线的特征组合生成方式，确定数据平滑处理的方法参数；
周期曲线提取单元，用于对睡眠状态特征基线曲线进行数据平滑处理，得到睡眠状态周期特征曲线；
周期指数量化单元，用于提取睡眠状态周期特征曲线的过零特征和峰谷特征，计算得到睡眠周期性指数；
指数曲线生成单元，用于按照时序拼接睡眠周期性指数，得到睡眠周期性指数曲线。
本实施例中，动态策略调控模块S300还包括以下功能单元：
睡眠时相预测单元，用于对睡眠时相曲线进行趋势预测分析，得到睡眠时相预测值；
周期特征预测单元，用于对睡眠状态周期特征曲线进行趋势预测分析，得到睡眠状态周期特征预测值；
周期指数预测单元，用于对睡眠周期性指数曲线进行趋势预测分析，得到睡眠周期性指数预测值；
调节策略生成单元，用于按照预设动态调节周期，根据睡眠时相预测值、睡眠状态周期特征预测值、睡眠周期性指数预测值和预设睡眠周期调控知识库，动态生成睡眠周期动态调节策略；
动态调节执行单元，用于根据睡眠周期动态调节策略，连接并控制睡眠周期调节外围设备，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，提取动态调节效果系数并生成动态调节效果曲线，计算得到调节效果综合指数。
本实施例中，关联分布量化模块S400还包括以下功能单元：
时相周期分析单元，用于计算睡眠时相曲线和睡眠周期性指数曲线的相关性，得到时相周期性耦合指数；
分布特征分析单元，用于根据睡眠时相曲线、睡眠周期性指数曲线和动态调控效果曲线，计算不同睡眠时相下睡眠周期性指数、动态调节效果系数的分布特征，得到时相调节分布特征；
周期调控分析单元，用于计算睡眠周期性指数曲线和动态调控效果曲线的相关性，得到周期指数调控系数。
本实施例中，数据更新管理模块S500还包括以下功能单元：
数据库初始化单元，用于初始化建立和存储用户睡眠周期特征数据库；
数据库更新单元，用于对用户睡眠周期性过程进行持续检测量化和动态调节，动态更新用户睡眠周期特征数据库。
本实施例中，数据优化应用模块S600还包括以下功能单元：
应用反馈优化单元，用于根据用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和睡眠周期动态调节策略，提升用户睡眠周期性检测量化和动态调节的质量和效能；
用户报告生成单元，用于按照预设报告周期，生成用户睡眠周期性检测及调节报告；
用户报告输出单元，用于对用户睡眠周期性检测及调节报告的格式输出、展现形式进行统一管理。
本实施例中，数据运行管理模块S700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。
结合图3所示，本发明实施例提供的基于波形分析的睡眠周期性检测及调节装置，包括以下模组：
状态特征跟踪模组M100，用于采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线；
波形指数量化模组M200，用于对睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线；
动态策略调控模组M300，用于对睡眠时相曲线、睡眠状态周期特征曲线和睡眠周期性指数曲线进行动态预测分析，生成睡眠周期动态调节策略，对用户睡眠过程进行动态调控和调控效果评估；
关联分布量化模组M400，用于根据睡眠时相曲线、睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数；
数据更新管理模组M500，用于对用户睡眠周期性过程进行持续检测量化和动态调节，建立并动态更新用户睡眠周期特征数据库；
数据优化应用模组M600，用于根据用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和睡眠周期动态调节策略，生成用户睡眠周期性检测及调节报告；
数据可视化模组M700，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M800，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 (40)

1.一种基于波形分析的睡眠周期性检测及调节方法，其特征在于，包括以下步骤：
采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线；
对所述睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线；
对所述睡眠时相曲线、所述睡眠状态周期特征曲线和所述睡眠周期性指数曲线进行动态预测分析，生成睡眠周期动态调节策略，对用户睡眠过程进行动态调控和调控效果评估；
根据所述睡眠时相曲线、所述睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数；
对用户睡眠周期性过程进行持续检测量化和动态调节，建立并动态更新用户睡眠周期特征数据库；
根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，生成用户睡眠周期性检测及调节报告。
2.如权利要求1所述的方法，其特征在于,所述采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线的具体步骤还包括：
对用户的睡眠生理状态信号进行采集监测和信号处理，生成睡眠生理状态时帧数据；
对所述睡眠生理状态时帧数据中的全部时帧数据进行特征分析和特征选择，生成所述睡眠状态特征曲线；
对所述睡眠生理状态时帧数据中的全部时帧数据进行睡眠时相分析，生成所述睡眠时相曲线。
3.如权利要求2所述的方法，其特征在于：所述睡眠生理状态信号至少包括脑中枢状态信号、自主神经状态信号中的任一项；其中，所述脑中枢状态信号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，所述自主神经状态信号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。
4.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、矫正处理和分帧处理；其中，所述矫正处理具体为对目标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，所述分帧处理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进行连续滑动分割。
5.如权利要求2或3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中的任一项。
6.如权利要求2或3所述的方法，其特征在于：所述睡眠状态特征曲线具体为准确刻画用户在不同睡眠时期、不同睡眠时相的睡眠生理状态连续变化的特征曲线，由从所述特征分析得到的目标特征集中筛选出预设特征数量的目标特征并进行加权计算组合得到；其中，所述睡眠时期至少包括入睡前、睡眠中和睡眠后，所述睡眠时相至少包括清醒觉醒期、浅睡眠期、深睡眠期和快速眼动睡眠期。
7.如权利要求2或3所述的方法，其特征在于，所述睡眠时相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睡眠生理状态时帧数据及其对应睡眠时相分期数据进行学习训练和数据建模，得到睡眠时相分期识别模型；
2)将当前用户的所述睡眠生理状态时帧数据输入所述睡眠时相分期识别模型，得到所对应的睡眠时相分期并按时序生成所述睡眠时相曲线。
8.如权利要求1或2所述的方法，其特征在于，所述对所述睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线的具体步骤还包括：
对所述睡眠状态特征曲线进行去趋势处理，得到睡眠状态特征基线曲线；
根据所述睡眠状态特征曲线的特征组合生成方式，确定数据平滑处理的方法参数；
对所述睡眠状态特征基线曲线进行数据平滑处理，得到所述睡眠状态周期特征曲线；
提取所述睡眠状态周期特征曲线的过零特征和峰谷特征，计算得到所述睡眠周期性指数；
按照时序拼接所述睡眠周期性指数，得到所述睡眠周期性指数曲线。
9.如权利要求8所述的方法，其特征在于：所述去趋势处理具体为移除目标信号中线性趋势成分和极低频趋势成分，至少包括去均值处理、低通滤波处理、去趋势分析FDA、多重分形去趋势分析MFDFA、非对称消除趋势波动分析ADFA中的任意一项。
10.如权利要求9所述的方法，其特征在于：所述数据平滑处理具体为移除目标信号中高频振荡成分，至少包括时频变换、时域滤波和频域滤波中的任一项；其中，所述时频变换至少包括标准傅里叶变换、快速傅里叶变换、短时傅里叶变换、S变换、Gabor变换、希尔伯特黄变换、Wigner-Ville分布、平滑Wigner-Ville分布、伪Wigner-Ville分布、平滑伪Wigner-Ville分布、Choi-Williams分布中的任一项，所述时域滤波至少包括平均值滤波、中值滤波、卡尔曼滤波和Savitzky-Golay滤波中的任一项，所述频域滤波至少包括低通滤波、高通滤波、带通滤波、带阻滤波中的任一项。
11.如权利要求8所述的方法，其特征在于：所述过零特征包括过零率、符号变化位置序列、符号变化位置标准差、符号变化方向序列、符号变化方向标准差、零上过零长度序列、零下过零长度序列、零上零下长度比值至少一项。
12.如权利要求8所述的方法，其特征在于：所述峰谷特征包括峰谷比、峰值序列、峰值标准差、峰值位置序列、峰值位置标准差、谷值序列、谷值标准差、谷值位置序列、谷值位置标准差至少一项。
13.如权利要求8所述的方法，其特征在于，所述睡眠周期性指数的计算方法具体为：
1)提取所述睡眠状态周期特征曲线的所述过零特征和所述峰谷特征；
2)对所述过零特征中的数值特征进行筛选并进行组合计算，得到周期性过零特征系数；
3)对所述峰谷特征中的数值特征进行筛选并进行组合计算，得到周期性峰谷特征系数；
4)根据所述周期性过零特征系数、所述周期性峰谷特征系数、所述数据平滑处理的方法对应预设方法修正系数和用户生物状态信息相关的预设用户个性修正系数，计算得到所述睡眠周期性指数。
14.如权利要求13所述的方法，其特征在于，所述睡眠周期性指数的一种计算公式，具体为：
；
其中，为所述睡眠周期性指数，/>分别为预设用户个性修正系数和预设方法修正系数，/>分别为所述周期性过零特征系数和所述周期性峰谷特征系数。
15.如权利要求13所述的方法，其特征在于，所述周期性过零特征系数的一种计算公式，具体为：
；
其中，为所述周期性过零特征系数，/>为过零率。
16.如权利要求13所述的方法，其特征在于，所述周期性峰谷特征系数的一种计算公式，具体为：
；
其中，为所述周期性峰谷特征系数，/>分别为峰值位置标准差和谷值位置标准差。
17.如权利要求13所述的方法，其特征在于，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。
18.如权利要求1或2所述的方法，其特征在于，所述对所述睡眠时相曲线、所述睡眠状态周期特征曲线和所述睡眠周期性指数曲线进行动态预测分析，生成睡眠周期动态调节策略，对用户睡眠过程进行动态调控和调控效果评估的具体步骤还包括：
对所述睡眠时相曲线进行趋势预测分析，得到睡眠时相预测值；
对所述睡眠状态周期特征曲线进行趋势预测分析，得到睡眠状态周期特征预测值；
对所述睡眠周期性指数曲线进行趋势预测分析，得到睡眠周期性指数预测值；
按照预设动态调节周期，根据所述睡眠时相预测值、所述睡眠状态周期特征预测值、所述睡眠周期性指数预测值和预设睡眠周期调控知识库，动态生成所述睡眠周期动态调节策略；
根据所述睡眠周期动态调节策略，连接并控制睡眠周期调节外围设备，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，提取动态调节效果系数并生成动态调节效果曲线，计算得到调节效果综合指数。
19.如权利要求18所述的方法，其特征在于，所述趋势预测分析的方法至少包括AR、MR、ARMA、ARIMA、SARIMA、VAR、深度学习中的任一项。
20.如权利要求18所述的方法，其特征在于：所述睡眠周期动态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、触觉刺激和浓度调控中的任一方式，所述执行方式至少包括离体式和接触式中的任一方式。
21.如权利要求18所述的方法，其特征在于，所述睡眠周期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、触觉刺激设备和浓度调控设备中的任一项，并由具体的调节方式决定。
22.如权利要求18所述的方法，其特征在于，所述动态调节效果系数的一种计算方式，具体为：
；
其中，为所述动态调节效果系数，/>为预设用户个性修正系数，/>分别为动态调节前的所述睡眠状态周期特征曲线中睡眠状态周期特征数值和所述睡眠周期性指数，/>分别为动态调节后的所述睡眠状态周期特征曲线中睡眠状态周期特征数值和所述睡眠周期性指数，/>为取绝对值算符。
23.如权利要求19-22任一项所述的方法，其特征在于，所述动态调节效果系数将用于后续数据平滑处理方法参数、动态预测分析方法参数、所述趋势预测分析的方法选择、所述睡眠周期动态调节策略的动态优化。
24.如权利要求19-22任一项所述的方法，其特征在于，所述调节效果综合指数具体为所述动态调节效果曲线的平均值或均方根。
25.如权利要求1或2所述的方法，其特征在于：所述根据所述睡眠时相曲线、所述睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数的具体步骤还包括：
计算所述睡眠时相曲线和所述睡眠周期性指数曲线的相关性，得到所述时相周期性耦合指数；
根据所述睡眠时相曲线、所述睡眠周期性指数曲线和所述动态调控效果曲线，计算不同睡眠时相下所述睡眠周期性指数、动态调节效果系数的分布特征，得到所述时相调节分布特征；
计算所述睡眠周期性指数曲线和所述动态调控效果曲线的相关性，得到所述周期指数调控系数。
26.如权利要求25所述的方法，其特征在于：所述相关性的计算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。
27.如权利要求25所述的方法，其特征在于：所述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。
28.如权利要求1或2所述的方法，其特征在于：所述对用户睡眠周期性过程进行持续检测量化和动态调节，建立并动态更新用户睡眠周期特征数据库的具体步骤还包括：
初始化建立和存储所述用户睡眠周期特征数据库；
对用户睡眠周期性过程进行持续检测量化和动态调节，动态更新所述用户睡眠周期特征数据库。
29.如权利要求28所述的方法，其特征在于：所述用户睡眠周期特征数据库至少包括用户生物状态信息、所述睡眠状态特征曲线、所述睡眠时相曲线、所述睡眠周期性指数曲线、所述动态调控效果曲线、所述时相周期性耦合指数、所述时相调节分布特征、所述周期指数调控系数、数据平滑处理方法、趋势预测分析方法、所述睡眠周期动态调节策略。
30.如权利要求1或2所述的方法，其特征在于：所述根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，生成用户睡眠周期性检测及调节报告的具体步骤还包括：
根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，提升用户睡眠周期性检测量化和动态调节的质量和效能；
按照预设报告周期，生成所述用户睡眠周期性检测及调节报告。
31.如权利要求30所述的方法，其特征在于：所述用户睡眠周期性检测及调节报告至少包括用户生物状态信息、所述睡眠状态特征曲线、所述睡眠时相曲线、所述睡眠周期性指数曲线、所述动态调控效果曲线、所述时相周期性耦合指数、所述时相调节分布特征、所述周期指数调控系数，检测及调节小结。
32.一种基于波形分析的睡眠周期性检测及调节系统，其特征在于，包括以下模块：
状态特征跟踪模块，用于采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线；
波形指数量化模块，用于对所述睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线；
动态策略调控模块，用于对所述睡眠时相曲线、所述睡眠状态周期特征曲线和所述睡眠周期性指数曲线进行动态预测分析，生成睡眠周期动态调节策略，对用户睡眠过程进行动态调控和调控效果评估；
关联分布量化模块，用于根据所述睡眠时相曲线、所述睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数；
数据更新管理模块，用于对用户睡眠周期性过程进行持续检测量化和动态调节，建立并动态更新用户睡眠周期特征数据库；
数据优化应用模块，用于根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，生成用户睡眠周期性检测及调节报告；
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。
33.如权利要求32所述的系统，其特征在于，所述状态特征跟踪模块还包括以下功能单元：
信号采集处理单元，用于对用户的睡眠生理状态信号进行采集监测和信号处理，生成睡眠生理状态时帧数据；
状态特征分析单元，用于对所述睡眠生理状态时帧数据中的全部时帧数据进行特征分析和特征选择，生成所述睡眠状态特征曲线；
睡眠时相识别单元，用于对所述睡眠生理状态时帧数据中的全部时帧数据进行睡眠时相分析，生成所述睡眠时相曲线。
34.如权利要求32所述的系统，其特征在于，所述波形指数量化模块还包括以下功能单元：
基线曲线提取单元，用于对所述睡眠状态特征曲线进行去趋势处理，得到睡眠状态特征基线曲线；
分析参数选取单元，用于根据所述睡眠状态特征曲线的特征组合生成方式，确定数据平滑处理的方法参数；
周期曲线提取单元，用于对所述睡眠状态特征基线曲线进行数据平滑处理，得到所述睡眠状态周期特征曲线；
周期指数量化单元，用于提取所述睡眠状态周期特征曲线的过零特征和峰谷特征，计算得到所述睡眠周期性指数；
指数曲线生成单元，用于按照时序拼接所述睡眠周期性指数，得到所述睡眠周期性指数曲线。
35.如权利要求32所述的系统，其特征在于，所述动态策略调控模块还包括以下功能单元：
睡眠时相预测单元，用于对所述睡眠时相曲线进行趋势预测分析，得到睡眠时相预测值；
周期特征预测单元，用于对所述睡眠状态周期特征曲线进行趋势预测分析，得到睡眠状态周期特征预测值；
周期指数预测单元，用于对所述睡眠周期性指数曲线进行趋势预测分析，得到睡眠周期性指数预测值；
调节策略生成单元，用于按照预设动态调节周期，根据所述睡眠时相预测值、所述睡眠状态周期特征预测值、所述睡眠周期性指数预测值和预设睡眠周期调控知识库，动态生成所述睡眠周期动态调节策略；
动态调节执行单元，用于根据所述睡眠周期动态调节策略，连接并控制睡眠周期调节外围设备，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，提取动态调节效果系数并生成动态调节效果曲线，计算得到调节效果综合指数。
36.如权利要求32-35任一项所述的系统，其特征在于，所述关联分布量化模块还包括以下功能单元：
时相周期分析单元，用于计算所述睡眠时相曲线和所述睡眠周期性指数曲线的相关性，得到所述时相周期性耦合指数；
分布特征分析单元，用于根据所述睡眠时相曲线、所述睡眠周期性指数曲线和所述动态调控效果曲线，计算不同睡眠时相下所述睡眠周期性指数、动态调节效果系数的分布特征，得到所述时相调节分布特征；
周期调控分析单元，用于计算所述睡眠周期性指数曲线和所述动态调控效果曲线的相关性，得到所述周期指数调控系数。
37.如权利要求36所述的系统，其特征在于，所述数据更新管理模块还包括以下功能单元：
数据库初始化单元，用于初始化建立和存储所述用户睡眠周期特征数据库；
数据库更新单元，用于对用户睡眠周期性过程进行持续检测量化和动态调节，动态更新所述用户睡眠周期特征数据库。
38.如权利要求32所述的系统，其特征在于，所述数据优化应用模块还包括以下功能单元：
应用反馈优化单元，用于根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，提升用户睡眠周期性检测量化和动态调节的质量和效能；
用户报告生成单元，用于按照预设报告周期，生成所述用户睡眠周期性检测及调节报告；
用户报告输出单元，用于对所述用户睡眠周期性检测及调节报告的格式输出、展现形式进行统一管理。
39.如权利要求32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。
40.一种基于波形分析的睡眠周期性检测及调节装置，其特征在于，包括以下模组：
状态特征跟踪模组，用于采集分析用户睡眠生理状态，得到睡眠状态特征曲线和睡眠时相曲线；
波形指数量化模组，用于对所述睡眠状态特征曲线进行去趋势处理和数据平滑处理，生成睡眠状态周期特征曲线并提取过零特征和峰谷特征，计算得到睡眠周期性指数和睡眠周期性指数曲线；
动态策略调控模组，用于对所述睡眠时相曲线、所述睡眠状态周期特征曲线和所述睡眠周期性指数曲线进行动态预测分析，生成睡眠周期动态调节策略，对用户睡眠过程进行动态调控和调控效果评估；
关联分布量化模组，用于根据所述睡眠时相曲线、所述睡眠周期性指数曲线和动态调控效果曲线，提取时相周期性耦合指数、时相调节分布特征和周期指数调控系数；
数据更新管理模组，用于对用户睡眠周期性过程进行持续检测量化和动态调节，建立并动态更新用户睡眠周期特征数据库；
数据优化应用模组，用于根据所述用户睡眠周期特征数据库，动态优化数据平滑处理方法参数、动态预测分析方法参数和所述睡眠周期动态调节策略，生成用户睡眠周期性检测及调节报告；
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。
CN202310763795.0A 2023-06-27 2023-06-27 基于波形分析的睡眠周期性检测及调节方法、系统和装置 Active CN116509336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310763795.0A CN116509336B (zh) 2023-06-27 2023-06-27 基于波形分析的睡眠周期性检测及调节方法、系统和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310763795.0A CN116509336B (zh) 2023-06-27 2023-06-27 基于波形分析的睡眠周期性检测及调节方法、系统和装置

Publications (2)

Publication Number Publication Date
CN116509336A true CN116509336A (zh) 2023-08-01
CN116509336B CN116509336B (zh) 2024-05-03

Family

ID=87392511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310763795.0A Active CN116509336B (zh) 2023-06-27 2023-06-27 基于波形分析的睡眠周期性检测及调节方法、系统和装置

Country Status (1)

Country Link
CN (1) CN116509336B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116687356A (zh) * 2023-08-04 2023-09-05 安徽星辰智跃科技有限责任公司 基于时频分析的睡眠可持续性检测调节方法、系统和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5101831A (en) * 1989-07-07 1992-04-07 Matsushita Electric Works, Ltd. System for discriminating sleep state
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
US20030060724A1 (en) * 2001-07-13 2003-03-27 Srikanth Thiagarajan Method and apparatus for monitoring cardiac patients for T-wave alternans
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
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
CN108475537A (zh) * 2016-01-05 2018-08-31 皇家飞利浦有限公司 用于监测对象的方法和装置
US20200397365A1 (en) * 2015-07-17 2020-12-24 Feng Zhang Method, apparatus, and system for wireless sleep monitoring
CN112690759A (zh) * 2020-12-24 2021-04-23 江苏爱谛科技研究院有限公司 一种自动睡眠分期的建立方法及其应用
CN116098602A (zh) * 2023-01-16 2023-05-12 中国科学院软件研究所 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5101831A (en) * 1989-07-07 1992-04-07 Matsushita Electric Works, Ltd. System for discriminating sleep state
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
US20030060724A1 (en) * 2001-07-13 2003-03-27 Srikanth Thiagarajan Method and apparatus for monitoring cardiac patients for T-wave alternans
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
US20200397365A1 (en) * 2015-07-17 2020-12-24 Feng Zhang Method, apparatus, and system for wireless sleep monitoring
CN108475537A (zh) * 2016-01-05 2018-08-31 皇家飞利浦有限公司 用于监测对象的方法和装置
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
CN112690759A (zh) * 2020-12-24 2021-04-23 江苏爱谛科技研究院有限公司 一种自动睡眠分期的建立方法及其应用
CN116098602A (zh) * 2023-01-16 2023-05-12 中国科学院软件研究所 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116687356A (zh) * 2023-08-04 2023-09-05 安徽星辰智跃科技有限责任公司 基于时频分析的睡眠可持续性检测调节方法、系统和装置
CN116687356B (zh) * 2023-08-04 2024-05-07 安徽星辰智跃科技有限责任公司 基于时频分析的睡眠可持续性检测调节方法、系统和装置

Also Published As

Publication number Publication date
CN116509336B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
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
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
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
CN116058805B (zh) 一种睡眠记忆活跃水平动态调节的方法、系统和装置
CN116509337A (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
CN116058804B (zh) 一种睡眠情绪活跃水平动态调节的方法、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
CN115804573A (zh) 一种睡眠深度量化及干预的方法、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
CN115910351B (zh) 一种睡眠周期性检测量化及辅助干预的方法、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
CN116035536B (zh) 一种睡眠行为活跃水平检测量化的方法、系统和装置
CN116013470B (zh) 一种睡眠行为活跃水平动态调节的方法、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
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
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
CN115969330B (zh) 一种睡眠情绪活跃水平检测量化的方法、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
CN115966308B (zh) 一种睡眠记忆活跃水平检测量化的方法、系统和装置
CN115640827B (zh) 对电刺激数据处理的智能闭环反馈网络方法及系统
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
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
CN116504357A (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
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

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