CN116509337A - 基于局部分解的睡眠周期性检测及调节方法、系统和装置 - Google Patents
基于局部分解的睡眠周期性检测及调节方法、系统和装置 Download PDFInfo
- Publication number
- CN116509337A CN116509337A CN202310763889.8A CN202310763889A CN116509337A CN 116509337 A CN116509337 A CN 116509337A CN 202310763889 A CN202310763889 A CN 202310763889A CN 116509337 A CN116509337 A CN 116509337A
- Authority
- CN
- China
- Prior art keywords
- sleep
- curve
- periodic
- 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.)
- Pending
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 666
- 238000000034 method Methods 0.000 title claims abstract description 184
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 90
- 230000000737 periodic effect Effects 0.000 claims abstract description 256
- 230000000694 effects Effects 0.000 claims abstract description 92
- 230000004622 sleep time Effects 0.000 claims abstract description 75
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 63
- 238000009826 distribution Methods 0.000 claims abstract description 38
- 230000008878 coupling Effects 0.000 claims abstract description 28
- 238000010168 coupling process Methods 0.000 claims abstract description 28
- 238000005859 coupling reaction Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 230000036578 sleeping time Effects 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 140
- 230000008569 process Effects 0.000 claims description 67
- 230000000638 stimulation Effects 0.000 claims description 49
- 238000012937 correction Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 37
- 238000007726 management method Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000011002 quantification Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000001276 controlling effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 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
- 210000000467 autonomic pathway Anatomy 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 230000001755 vocal effect Effects 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 241001123248 Arma Species 0.000 claims description 3
- 206010062519 Poor quality sleep Diseases 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 241000728173 Sarima Species 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 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
- 238000009499 grossing Methods 0.000 claims description 3
- 238000002582 magnetoencephalography Methods 0.000 claims description 3
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000926 separation method 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
- 239000008280 blood Substances 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 claims description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 2
- 230000033764 rhythmic process Effects 0.000 description 7
- 238000013139 quantization Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 230000004617 sleep duration Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 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
- 230000004962 physiological condition Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004461 rapid eye movement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000035882 stress 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
- A61B5/72—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
- 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
- G06F18/211—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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Social Psychology (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Probability & Statistics with Applications (AREA)
- Psychology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
Abstract
本发明提供了基于局部分解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局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,计算得到睡眠周期性指数和曲线;对睡眠时相曲线、睡眠状态特征曲线和睡眠周期性指数曲线进行动态预测分析及动态调节;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,建立并更新数据库;根据数据库动态优化检测和调节,生成用户睡眠周期性检测及调节报告。本发明能够实现对用户睡眠周期的高效干预调节。
Description
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,特别涉及基于局部分解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局部分解的睡眠周期性检测及调节方法,通过对用户睡眠生理状态多维特征分析和特征选择,得到睡眠状态特征曲线并进行去趋势处理和局部均值分解,有效提取睡眠周期PF分量信号, 计算得到睡眠周期性指数并生成睡眠周期性指数曲线,实现睡眠周期性的检测量化;其次,对用户睡眠状态进行动态预测分析,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,实现睡眠周期性的动态调节;最后,对检测量化和动态调节的全过程进行统计分析,建立并更新用户睡眠周期特征数据库,并反向优化检测量化和动态调节的过程方法和策略,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局部分解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局部分解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局部分解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局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,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,动态优化局部均值分解方法参数、所述周期边界频率、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局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,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,确定所述周期边界频率和局部均值分解的方法参数;
对所述睡眠状态特征基线曲线进行局部均值分解,筛选并剔除最大幅值数量级超过所述睡眠状态特征基线曲线最大幅值数量级的PF分量信号,得到睡眠状态特征PF分量信号集;
对所述睡眠状态特征PF分量信号集进行频谱分析,识别满足所述周期边界频率的PF分量信号,加和生成所述周期PF分量信号;
根据所述睡眠状态特征基线曲线和所述周期PF分量信号,计算得到所述睡眠周期性指数并按时序生成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,所述局部均值分解的方法至少包括LMD、RLMD中的任意一项。
更优地,所述周期边界频率至少包括带通截止频率、低通截止频率中的任一项。
更优地,所述睡眠周期性指数的计算方法,具体为:
1)获取所述睡眠状态特征基线曲线和所述周期PF分量信号;
2)计算所述睡眠状态特征基线曲线和所述周期PF分量信号的信号差值,得到睡眠状态特征残差曲线;
3)分别对所述睡眠状态特征残差曲线和所述周期PF分量信号进行取平方计算,得到睡眠状态特征残差平方曲线和周期PF分量平方信号;
4)根据所述睡眠时相曲线、所述睡眠状态特征残差平方曲线和所述周期PF分量平方信号,计算得到睡眠周期性节点系数并按时序生成睡眠周期性节点系数曲线;
5)根据所述睡眠周期性节点系数曲线、局部均值分解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,所述睡眠周期性节点系数的计算公式,具体为:
;
其中,为所述睡眠周期性节点系数,/>分别为所述睡眠状态特征残差平方曲线中的第/>个点数值和所述周期PF分量平方信号中的第/>个点数值,/>为所述睡眠时相曲线中的第/>个点时相数值对应的时相修正系数。
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,/>为所述睡眠周期性节点系数曲线中的第/>个点数值,/>为所述睡眠周期性节点系数曲线的数据长度。
更优地,所述睡眠周期性指数曲线具体为按照时序顺序拼接所述睡眠周期性指数而生成得到的曲线。
更优地,所述对所述睡眠时相曲线、所述睡眠状态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,/>为当前睡眠时相对应的时相修正系数,/>分别为动态调节前、动态调节后的所述睡眠周期性指数,/>为动态调节前的所述睡眠周期性指数预测值,/>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局部均值分解方法参数、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所述用户生物状态信息、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、局部均值分解方法、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,动态优化局部均值分解方法参数、所述周期边界频率、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,动态优化局部均值分解方法参数、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局部分解的睡眠周期性检测及调节系统,包括以下模块:
睡眠状态检测模块,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;
局部指数计算模块,用于对所述睡眠状态特征曲线进行去趋势处理和局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,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;
检测调节统计模块,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;
核心数据管理模块,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,建立并更新用户睡眠周期特征数据库;
检测调节优化模块,用于根据所述用户睡眠周期特征数据库,动态优化局部均值分解方法参数、所述周期边界频率、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,所述睡眠状态检测模块还包括以下功能单元:
状态采集处理单元,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;
状态特征提取单元,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,所述局部指数计算模块还包括以下功能单元:
特征基线提取单元,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;
分析参数选择单元,用于根据所述睡眠状态特征曲线的特征组合生成方式,确定所述周期边界频率和局部均值分解的方法参数;
局部均值分解单元,用于对所述睡眠状态特征基线曲线进行局部均值分解,筛选并剔除最大幅值数量级超过所述睡眠状态特征基线曲线最大幅值数量级的PF分量信号,得到睡眠状态特征PF分量信号集;
周期信号提取单元,用于对所述睡眠状态特征PF分量信号集进行频谱分析,识别满足所述周期边界频率的PF分量信号,加和生成所述周期PF分量信号;
周期指数计算单元,用于根据所述睡眠状态特征基线曲线和所述周期PF分量信号,计算得到所述睡眠周期性指数并按时序生成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,所述检测调节统计模块还包括以下功能单元:
时相耦合分析单元,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;
时相分布分析单元,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;
周期效果分析单元,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,所述核心数据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,所述检测调节优化模块还包括以下功能单元:
检测调节优化单元,用于根据所述用户睡眠周期特征数据库,动态优化局部均值分解方法参数、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局部分解的睡眠周期性检测及调节装置,包括以下模组:
睡眠状态检测模组,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;
局部指数计算模组,用于对所述睡眠状态特征曲线进行去趋势处理和局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,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;
检测调节统计模组,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;
核心数据管理模组,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,建立并更新用户睡眠周期特征数据库;
检测调节优化模组,用于根据所述用户睡眠周期特征数据库,动态优化局部均值分解方法参数、所述周期边界频率、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局部均值分解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,本发明提供的基于局部分解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局部分解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局部分解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局部分解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局部均值分解来从睡眠状态特征曲线中提取睡眠状态特征曲线,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。局部均值分解是一种自适应时频分析方法,能够依据信号的自身特点将复杂的多分量调幅调频信号分解为有限个数的单分量调幅调频信号之和,进而求取瞬时频率和瞬时幅值并进行组合,得到原始信号完整的时频分布。LMD、RLMD等局部均值分解方法都能够非常有限根据信号的包络特征自适应地将一个非线性、非平稳信号按频率递减的顺序逐级分离,因而能够使得其他信号分解方法中出现的端点效应、虚假分量、过包络和欠包络等问题得到改善或优化解决。
结合图1所示,本发明实施例提供的一种基于局部分解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,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和C4,参考电极M1、M2;同时,对脑电信号进行统一信号处理,包括以M1和M2进行左右交叉重参考、去伪迹、小波降噪、50Hz倍频工频陷波、1.0-80hz带通滤波和信号矫正处理,得到纯净脑电信号。通过便携式单导心电仪对用户心电信号进行采集提取,采集位置在左胸上方,采样率512Hz;对心电信号进行统一信号处理,包括去伪迹、小波降噪、0.5-40hz带通滤波和矫正处理,得到纯净心电信号。
其次,依次对纯净脑电信号进行信号频带提取,包括δ节律(1.0-4Hz)、θ节律(4-8Hz)、α节律(8-12Hz)、β节律(12-30Hz)、γ节律(30-80Hz),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、频带脑电信号和纯净心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,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。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。
本实施例中,逐帧对睡眠生理状态时帧数据中的脑电数据进行时频分析(频带功率、频带功率占比)、熵分析(SVD熵)和复杂度分析(LZC指数);逐帧对睡眠生理状态时帧数据的心电数据进行数值分析,提取用户心率变化特征(心率均值、心率变异系数)。通过特征选择,将F4-M1通道的δ节律频带功率占比、取负后再归一化的SVD熵、取负后再归一化的LZC指数,以及取负后再归一化的心率均值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、皮层电生理和自主神经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。
P200:对所述睡眠状态特征曲线进行去趋势处理和局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,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对睡眠状态特征曲线进行去趋势处理。
第二步、根据睡眠状态特征曲线的特征组合生成方式,确定周期边界频率和局部均值分解的方法参数。
本实施例中,周期边界频率至少包括带通截止频率、低通截止频率中的任一项。
本实施例中,以δ节律频带功率占比、取负后再归一化的SVD熵、取负后再归一化的LZC指数,以及取负后再归一化的心率均值来组合生成睡眠状态特征曲线,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RLMD和0.013Hz低通截止频率(周期边界频率)。
第三步、对睡眠状态特征基线曲线进行局部均值分解,筛选并剔除最大幅值数量级超过睡眠状态特征基线曲线最大幅值数量级的PF分量信号,得到睡眠状态特征PF分量信号集。
本实施例中,局部均值分解的方法至少包括LMD、RLMD中的任意一项。
本实施例中,选择RLMD作为局部均值分解的方法。RLMD鲁棒局部均值分解是一种改进的局部均值分解,由一组优化策略提供支持,优化策略可以处理LMD中的边界条件、包络估计和筛选停止准则;同时从混合信号中提取一组单分量信号(称为乘积函数)及其相关的解调信号(即AM信号和FM信号)。在实际应用场景中,相比于LMD,RLMD在对边界条件优化、信号包络估计和迭代次数寻优控制上都具备非常明显优势,RLMD具有对噪声和异常值的鲁棒性,能够处理非平稳信号,并具有较好的局部性和自适应性。RLMD鲁棒局部均值分解其主要步骤如下:
1)将原始信号分段,对每个局部区间内的信号进行多项式拟合,得到该局部区间的局部趋势。
2)将原始信号减去该局部区间的局部趋势,得到该局部区间内的局部振动模式。
3)对每个局部振动模式,重复步骤1)和2),直到该局部振动模式变为平稳信号,得到该局部区间内的局部模态函数。
4)将所有局部区间内的局部模态函数相加,得到原始信号的 RLMD 分解。
本实施例中,通过最大PF分量数为10的RLMD鲁棒局部均值分解,同时筛选并剔除最大幅值数量级超过睡眠状态特征基线曲线最大幅值数量级的PF分量信号,得到睡眠状态特征PF分量信号集。
第四步、对睡眠状态特征PF分量信号集进行频谱分析,识别满足周期边界频率的PF分量信号,加和生成周期PF分量信号。
本实施例中,通过Welch功率谱密度估计对睡眠状态特征PF分量信号集进行频谱分析,识别满足0.013Hz低通截止频率-周期边界频率的PF分量信号,加和生成周期PF分量信号。
第五步、根据睡眠状态特征基线曲线和周期PF分量信号,计算得到睡眠周期性指数并按时序生成睡眠周期性指数曲线。
本实施例中,睡眠周期性指数的计算方法,具体为:
1)获取睡眠状态特征基线曲线和周期PF分量信号;
2)计算睡眠状态特征基线曲线和周期PF分量信号的信号差值,得到睡眠状态特征残差曲线;
3)分别对睡眠状态特征残差曲线和周期PF分量信号进行取平方计算,得到睡眠状态特征残差平方曲线和周期PF分量平方信号;
4)根据睡眠时相曲线、睡眠状态特征残差平方曲线和周期PF分量平方信号,计算得到睡眠周期性节点系数并按时序生成睡眠周期性节点系数曲线;
5)根据睡眠周期性节点系数曲线、局部均值分解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,睡眠周期性节点系数的计算公式,具体为:
;
其中,为睡眠周期性节点系数,/>分别为睡眠状态特征残差平方曲线中的第/>个点数值和周期PF分量平方信号中的第/>个点数值,/>为睡眠时相曲线中的第/>个点时相数值对应的时相修正系数。
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,/>为睡眠周期性节点系数曲线中的第/>个点数值,/>为睡眠周期性节点系数曲线的数据长度。
本实施例中,睡眠周期性指数曲线具体为按照时序顺序拼接睡眠周期性指数而生成得到的曲线。
P300:对所述睡眠时相曲线、所述睡眠状态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ARIMA方法得到睡眠时相预测值。
第二步、对睡眠状态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ARIMA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ARIMA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,/>为当前睡眠时相对应的时相修正系数,/>分别为动态调节前、动态调节后的睡眠周期性指数,/>为动态调节前的睡眠周期性指数预测值,/>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局部均值分解方法参数、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。
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、最大值、最小值、标准差、变异系数。
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、局部均值分解方法、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,动态优化局部均值分解方法参数、所述周期边界频率、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,动态优化局部均值分解方法参数、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局部均值分解方法参数,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一种基于局部分解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:
睡眠状态检测模块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;
局部指数计算模块S200,用于对睡眠状态特征曲线进行去趋势处理和局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,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;
检测调节统计模块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;
核心数据管理模块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,建立并更新用户睡眠周期特征数据库;
检测调节优化模块S600,用于根据用户睡眠周期特征数据库,动态优化局部均值分解方法参数、周期边界频率、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,睡眠状态检测模块S100还包括以下功能单元:
状态采集处理单元,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;
状态特征提取单元,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,局部指数计算模块S200还包括以下功能单元:
特征基线提取单元,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;
分析参数选择单元,用于根据睡眠状态特征曲线的特征组合生成方式,确定周期边界频率和局部均值分解的方法参数;
局部均值分解单元,用于对睡眠状态特征基线曲线进行局部均值分解,筛选并剔除最大幅值数量级超过睡眠状态特征基线曲线最大幅值数量级的PF分量信号,得到睡眠状态特征PF分量信号集;
周期信号提取单元,用于对睡眠状态特征PF分量信号集进行频谱分析,识别满足周期边界频率的PF分量信号,加和生成周期PF分量信号;
周期指数计算单元,用于根据睡眠状态特征基线曲线和周期PF分量信号,计算得到睡眠周期性指数并按时序生成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,检测调节统计模块S400还包括以下功能单元:
时相耦合分析单元,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;
时相分布分析单元,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;
周期效果分析单元,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,核心数据管理模块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,检测调节优化模块S600还包括以下功能单元:
检测调节优化单元,用于根据用户睡眠周期特征数据库,动态优化局部均值分解方法参数、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一种基于局部分解的睡眠周期性检测及调节装置,包括以下模组:
睡眠状态检测模组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;
局部指数计算模组M200,用于对睡眠状态特征曲线进行去趋势处理和局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,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;
检测调节统计模组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;
核心数据管理模组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,建立并更新用户睡眠周期特征数据库;
检测调节优化模组M600,用于根据用户睡眠周期特征数据库,动态优化局部均值分解方法参数、周期边界频率、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 (38)
1.一种基于局部分解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局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,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,动态优化局部均值分解方法参数、所述周期边界频率、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局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,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,确定所述周期边界频率和局部均值分解的方法参数;
对所述睡眠状态特征基线曲线进行局部均值分解,筛选并剔除最大幅值数量级超过所述睡眠状态特征基线曲线最大幅值数量级的PF分量信号,得到睡眠状态特征PF分量信号集;
对所述睡眠状态特征PF分量信号集进行频谱分析,识别满足所述周期边界频率的PF分量信号,加和生成所述周期PF分量信号;
根据所述睡眠状态特征基线曲线和所述周期PF分量信号,计算得到所述睡眠周期性指数并按时序生成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:所述局部均值分解的方法至少包括LMD、RLMD中的任意一项。
11.如权利要求8所述的方法,其特征在于:所述周期边界频率至少包括带通截止频率、低通截止频率中的任一项。
12.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)获取所述睡眠状态特征基线曲线和所述周期PF分量信号;
2)计算所述睡眠状态特征基线曲线和所述周期PF分量信号的信号差值,得到睡眠状态特征残差曲线;
3)分别对所述睡眠状态特征残差曲线和所述周期PF分量信号进行取平方计算,得到睡眠状态特征残差平方曲线和周期PF分量平方信号;
4)根据所述睡眠时相曲线、所述睡眠状态特征残差平方曲线和所述周期PF分量平方信号,计算得到睡眠周期性节点系数并按时序生成睡眠周期性节点系数曲线;
5)根据所述睡眠周期性节点系数曲线、局部均值分解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。
13.如权利要求12所述的方法,其特征在于,所述睡眠周期性节点系数的计算公式,具体为:
;
其中,为所述睡眠周期性节点系数,/>分别为所述睡眠状态特征残差平方曲线中的第 />个点数值和所述周期PF分量平方信号中的第 />个点数值,/>为所述睡眠时相曲线中的第 />个点时相数值对应的时相修正系数。
14.如权利要求12或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,/>为所述睡眠周期性节点系数曲线中的第 />个点数值,/>为所述睡眠周期性节点系数曲线的数据长度。
15.如权利要求12所述的方法,其特征在于,所述睡眠周期性指数曲线具体为按照时序顺序拼接所述睡眠周期性指数而生成得到的曲线。
16.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。
17.如权利要求16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。
18.如权利要求16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。
19.如权利要求16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。
20.如权利要求16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,/>为当前睡眠时相对应的时相修正系数,/>分别为动态调节前、动态调节后的所述睡眠周期性指数,/>为动态调节前的所述睡眠周期性指数预测值,/>为取绝对值算符。
21.如权利要求17-20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局部均值分解方法参数、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。
22.如权利要求17-20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。
23.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。
24.如权利要求23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。
25.如权利要求23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。
26.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。
27.如权利要求26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、局部均值分解方法、趋势预测分析方法、所述睡眠周期动态调节策略。
28.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,动态优化局部均值分解方法参数、所述周期边界频率、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,动态优化局部均值分解方法参数、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。
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。
30.一种基于局部分解的睡眠周期性检测及调节系统,其特征在于,包括以下模块:
睡眠状态检测模块,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;
局部指数计算模块,用于对所述睡眠状态特征曲线进行去趋势处理和局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,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;
检测调节统计模块,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;
核心数据管理模块,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,建立并更新用户睡眠周期特征数据库;
检测调节优化模块,用于根据所述用户睡眠周期特征数据库,动态优化局部均值分解方法参数、所述周期边界频率、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。
31.如权利要求30所述的系统,其特征在于,所述睡眠状态检测模块还包括以下功能单元:
状态采集处理单元,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;
状态特征提取单元,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。
32.如权利要求30所述的系统,其特征在于,所述局部指数计算模块还包括以下功能单元:
特征基线提取单元,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;
分析参数选择单元,用于根据所述睡眠状态特征曲线的特征组合生成方式,确定所述周期边界频率和局部均值分解的方法参数;
局部均值分解单元,用于对所述睡眠状态特征基线曲线进行局部均值分解,筛选并剔除最大幅值数量级超过所述睡眠状态特征基线曲线最大幅值数量级的PF分量信号,得到睡眠状态特征PF分量信号集;
周期信号提取单元,用于对所述睡眠状态特征PF分量信号集进行频谱分析,识别满足所述周期边界频率的PF分量信号,加和生成所述周期PF分量信号;
周期指数计算单元,用于根据所述睡眠状态特征基线曲线和所述周期PF分量信号,计算得到所述睡眠周期性指数并按时序生成所述睡眠周期性指数曲线。
33.如权利要求30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。
34.如权利要求30-33任一项所述的系统,其特征在于,所述检测调节统计模块还包括以下功能单元:
时相耦合分析单元,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;
时相分布分析单元,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;
周期效果分析单元,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。
35.如权利要求34所述的系统,其特征在于,所述核心数据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。
36.如权利要求35所述的系统,其特征在于,所述检测调节优化模块还包括以下功能单元:
检测调节优化单元,用于根据所述用户睡眠周期特征数据库,动态优化局部均值分解方法参数、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。
37.如权利要求30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。
38.一种基于局部分解的睡眠周期性检测及调节装置,其特征在于,包括以下模组:
睡眠状态检测模组,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;
局部指数计算模组,用于对所述睡眠状态特征曲线进行去趋势处理和局部均值分解,剔除异常局部PF分量,确定周期边界频率并提取周期PF分量信号,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;
检测调节统计模组,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;
核心数据管理模组,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,建立并更新用户睡眠周期特征数据库;
检测调节优化模组,用于根据所述用户睡眠周期特征数据库,动态优化局部均值分解方法参数、所述周期边界频率、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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310763889.8A CN116509337A (zh) | 2023-06-27 | 2023-06-27 | 基于局部分解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 |
---|---|---|---|
CN202310763889.8A CN116509337A (zh) | 2023-06-27 | 2023-06-27 | 基于局部分解的睡眠周期性检测及调节方法、系统和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116509337A true CN116509337A (zh) | 2023-08-01 |
Family
ID=87397878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310763889.8A Pending CN116509337A (zh) | 2023-06-27 | 2023-06-27 | 基于局部分解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) | CN116509337A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116705247A (zh) * | 2023-08-07 | 2023-09-05 | 安徽星辰智跃科技有限责任公司 | 基于局部分解的睡眠可持续性检测调节方法、系统和装置 |
CN116779110A (zh) * | 2023-08-07 | 2023-09-19 | 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 |
CN117807401A (zh) * | 2024-02-28 | 2024-04-02 | 深圳市阿龙电子有限公司 | 基于数据分析的智能穿戴设备的数据处理方法 |
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 (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090327854A1 (en) * | 2008-06-30 | 2009-12-31 | Yahoo!, Inc. | Analysis of Database Performance Reports for Graphical Presentation of Summary Results |
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 |
CN111315627A (zh) * | 2017-11-17 | 2020-06-19 | 索尼半导体解决方案公司 | 信息处理装置和信息处理方法 |
CN113536882A (zh) * | 2021-03-08 | 2021-10-22 | 东北电力大学 | 一种多类运动想象脑电信号特征提取及分类方法 |
US20230014095A1 (en) * | 2020-06-24 | 2023-01-19 | Shandong Jianzhu University | Method and system for recognizing environmental protection equipment based on deep hierarchical fuzzy algorithm |
CN116013470A (zh) * | 2023-03-30 | 2023-04-25 | 安徽星辰智跃科技有限责任公司 | 一种睡眠行为活跃水平动态调节的方法、系统和装置 |
CN116035536A (zh) * | 2023-03-14 | 2023-05-02 | 安徽星辰智跃科技有限责任公司 | 一种睡眠行为活跃水平检测量化的方法、系统和装置 |
CN116058805A (zh) * | 2023-03-29 | 2023-05-05 | 安徽星辰智跃科技有限责任公司 | 一种睡眠记忆活跃水平动态调节的方法、系统和装置 |
-
2023
- 2023-06-27 CN CN202310763889.8A patent/CN116509337A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090327854A1 (en) * | 2008-06-30 | 2009-12-31 | Yahoo!, Inc. | Analysis of Database Performance Reports for Graphical Presentation of Summary Results |
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 |
CN111315627A (zh) * | 2017-11-17 | 2020-06-19 | 索尼半导体解决方案公司 | 信息处理装置和信息处理方法 |
US20230014095A1 (en) * | 2020-06-24 | 2023-01-19 | Shandong Jianzhu University | Method and system for recognizing environmental protection equipment based on deep hierarchical fuzzy algorithm |
CN113536882A (zh) * | 2021-03-08 | 2021-10-22 | 东北电力大学 | 一种多类运动想象脑电信号特征提取及分类方法 |
CN116035536A (zh) * | 2023-03-14 | 2023-05-02 | 安徽星辰智跃科技有限责任公司 | 一种睡眠行为活跃水平检测量化的方法、系统和装置 |
CN116058805A (zh) * | 2023-03-29 | 2023-05-05 | 安徽星辰智跃科技有限责任公司 | 一种睡眠记忆活跃水平动态调节的方法、系统和装置 |
CN116013470A (zh) * | 2023-03-30 | 2023-04-25 | 安徽星辰智跃科技有限责任公司 | 一种睡眠行为活跃水平动态调节的方法、系统和装置 |
Non-Patent Citations (1)
Title |
---|
康素成: "基于局部均值分解的脉搏信号变异性分析", 无线互联科技, no. 22, pages 107 - 109 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116705247A (zh) * | 2023-08-07 | 2023-09-05 | 安徽星辰智跃科技有限责任公司 | 基于局部分解的睡眠可持续性检测调节方法、系统和装置 |
CN116779110A (zh) * | 2023-08-07 | 2023-09-19 | 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 |
CN116705247B (zh) * | 2023-08-07 | 2024-04-02 | 安徽星辰智跃科技有限责任公司 | 基于局部分解的睡眠可持续性检测调节方法、系统和装置 |
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 |
CN117807401A (zh) * | 2024-02-28 | 2024-04-02 | 深圳市阿龙电子有限公司 | 基于数据分析的智能穿戴设备的数据处理方法 |
CN117807401B (zh) * | 2024-02-28 | 2024-05-14 | 深圳市阿龙电子有限公司 | 基于数据分析的智能穿戴设备的数据处理方法 |
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 | |
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 | |
CN116058805B (zh) | 一种睡眠记忆活跃水平动态调节的方法、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 | |
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 | |
CN115804573A (zh) | 一种睡眠深度量化及干预的方法、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 | |
CN116035536B (zh) | 一种睡眠行为活跃水平检测量化的方法、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 | |
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 | |
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 | |
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 | |
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 | |
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 | |
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 | |
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 | |
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 | |
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 | |
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 | |
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 | |
CN116779110A (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 |
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 |