CN117357073B - 基于gmm-hmm模型的睡眠分期方法及设备 - Google Patents

基于gmm-hmm模型的睡眠分期方法及设备 Download PDF

Info

Publication number
CN117357073B
CN117357073B CN202311669307.6A CN202311669307A CN117357073B CN 117357073 B CN117357073 B CN 117357073B CN 202311669307 A CN202311669307 A CN 202311669307A CN 117357073 B CN117357073 B CN 117357073B
Authority
CN
China
Prior art keywords
sleep
radar
class
signals
calculating
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
Application number
CN202311669307.6A
Other languages
English (en)
Other versions
CN117357073A (zh
Inventor
王泽涛
贺飞翔
陈兆希
张闻宇
丁玉国
吴昊
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.)
Changsha Qinglei Technology Co ltd
Shenzhen Qinglei Technology Co ltd
Beijing Qinglei Technology Co ltd
Original Assignee
Changsha Qinglei Technology Co ltd
Shenzhen Qinglei Technology Co ltd
Beijing Qinglei 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 Changsha Qinglei Technology Co ltd, Shenzhen Qinglei Technology Co ltd, Beijing Qinglei Technology Co ltd filed Critical Changsha Qinglei Technology Co ltd
Priority to CN202311669307.6A priority Critical patent/CN117357073B/zh
Publication of CN117357073A publication Critical patent/CN117357073A/zh
Application granted granted Critical
Publication of CN117357073B publication Critical patent/CN117357073B/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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F18/2431—Multiple classes
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种基于GMM‑HMM模型的睡眠分期方法及设备，所述方法包括获取毫米波雷达睡眠监测回波信号；根据所述回波信号得到雷达睡眠特征向量序列；利用特定训练方法得到的GMM‑HMM睡眠分期模型，根据所述雷达睡眠特征向量序列确定各时刻的睡眠分期。

Description

基于GMM-HMM模型的睡眠分期方法及设备
技术领域
本发明涉及睡眠监测领域，具体涉及一种基于GMM-HMM模型的睡眠分期方法及设备。
背景技术
随着医疗技术水平的进步，现代人越来越关注自己的睡眠健康。美国睡眠医学学会（AASM）将睡眠分为5期：W期（觉醒期）、R期（快速眼动睡眠期）、N1期（非快速眼动睡眠1期）、N2期（非快速眼动睡眠2期）、N3期（非快速眼动运动睡眠3期）。睡眠分期对于睡眠质量评估具有重要意义。
医学上进行睡眠分期的金标准做法是多导睡眠图（PSG）监测，即在全夜睡眠过程中，连续并同步地描记脑电、眼电、心电、呼吸等10余项指标，全部记录次日由仪器自动分析后再经人工逐项核实，但是PSG监测价格昂贵，并且只能在专门的睡眠中心进行，难以做到长周期持续监测。
目前，为了满足家庭和日常生活状态下的睡眠监测需求，现有技术提供了将毫米波雷达应用于睡眠监测的方案，达到了在用户无感的情况下监测用户睡眠状况的目的，但是睡眠分期结果的准确性有待提高。
发明内容
有鉴于此，本申请提供一种GMM-HMM睡眠分期模型训练方法，包括：
获取样本数据及其睡眠分期标签，所述样本数据是根据毫米波雷达信号得到的多个睡眠分期的雷达睡眠特征向量序列；
从所述雷达睡眠特征向量序列中截取睡眠分期标签连续相同且持续时间超过预设时长的特征向量子序列作为训练数据；
利用所述训练数据训练GMM-HMM睡眠分期模型：所述GMM-HMM睡眠分期模型被配置为包括多个对应于不同睡眠分期的状态，其中每个睡眠分期对应的所述状态包括一个起始状态、至少一个中间状态和一个结束状态，所述状态之间的转移关系被配置为同一睡眠分期对应的起始状态向其自身和所述至少一个中间状态转移、所述至少一个中间状态内相互转移和向所述结束状态转移、所述结束状态向其自身转移，一个睡眠分期对应的结束状态向其它睡眠分期对应的起始状态进行转移；利用各个睡眠分期的所述训练数据分别训练相应睡眠分期对应的各种状态的概率模型，以及确定对应于所述转移关系的状态转移概率。
可选地，利用各个睡眠分期的所述训练数据分别训练相应睡眠分期对应的各种状态的概率模型，包括：
将同一睡眠分期对应的所述训练数据按时间划分为起始段数据、中间段数据和结束段数据；
利用所述起始段数据训练所述起始状态的概率模型、利用所述中间段数据训练所述至少一个中间状态的概率模型、利用所述结束段数据训练所述结束状态的概率模型。
可选地，所述状态转移概率包括睡眠分期对应的三种状态之间的第一状态转移概率，以及不同睡眠分期之间的所述结束状态向所述起始状态的第二转移概率，所述第一状态转移概率中与所述至少一个中间状态相关的状态转移概率是利用所述中间段数据训练得到的，所述第一状态转移概率中与所述起始状态和所述结束状态相关的状态转移概率是通过对所述训练数据进行统计得到的；所述第二转移概率是通过对所述样本数据进行统计和计算得到的。
本申请提供一种基于GMM-HMM模型的睡眠分期方法，包括：
获取毫米波雷达睡眠监测回波信号；
根据所述回波信号得到雷达睡眠特征向量序列；
利用上述方法训练得到的睡眠分期模型，根据所述雷达睡眠特征向量序列确定各时刻的睡眠分期。
可选地，所述雷达睡眠特征向量序列为二维矩阵，其中不同的行表示不同种类的睡眠特征，不同的列对应于不同时刻。
可选地，所述睡眠特征包括从表征快速运动的距离-时间谱图中提取的特征、从表征慢速运动的距离-时间谱图中提取的特征、从表征呼吸运动的波形信号中提取的特征、从表征心跳运动的波形信号中提取的特征。
可选地，从表征快速运动的距离-时间谱图中提取特征，包括：
对表征快速运动的距离-时间谱图进行处理，在每个时间点沿距离维计算中位数绝对偏差，得到第一类一维信号；
利用滑窗对第一类一维信号进行特征提取，在每个处理窗口内，计算第一类一维信号的均值，得到第一雷达睡眠特征；
在每个处理窗口内，对第一类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第二雷达睡眠特征；
对表征快速运动的距离-时间谱图进行处理，在每个时间点沿距离维进行差分运算并对差分结果的绝对值求和，得到第二类一维信号；
利用滑窗对第二类一维信号进行特征提取，在每个处理窗口内，计算第二类一维信号的均值，得到第三雷达睡眠特征；
在每个处理窗口内，对第二类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第四雷达睡眠特征。
可选地，从表征慢速运动的距离-时间谱图中提取特征，包括：
对表征慢速运动的距离-时间谱图进行处理，在每个时间点沿距离维计算中位数绝对偏差，得到第三类一维信号；
采用滑窗对第三类一维信号进行特征提取，在每个处理窗口内，计算第三类一维信号的均值，得到第五雷达睡眠特征；
在每个处理窗口内，对第三类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第六雷达睡眠特征；
对表征慢速运动的距离-时间谱图进行处理，在每个时间点沿距离维进行差分运算并对差分结果的绝对值求和，得到第四类一维信号；
利用滑窗对第四类一维信号进行特征提取，在每个处理窗口内，计算第四类一维信号的均值，得到第七雷达睡眠特征；
在每个处理窗口内，对第四类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第八雷达睡眠特征。
可选地，从表征呼吸运动的波形信号中提取特征，包括：
利用滑窗对表征呼吸运动的波形信号进行特征提取，在每个处理窗口内，对表征呼吸运动的波形信号计算方差，得到第九雷达睡眠特征；
在每个处理窗口内，对表征呼吸运动的波形信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第十雷达睡眠特征。
可选地，从表征心跳运动的波形信号中提取特征，包括：
利用滑窗对表征心跳运动的波形信号进行特征提取，在每个处理窗口内，对表征心跳运动的波形信号计算方差，得到第十一雷达睡眠特征；
在每个处理窗口内，对表征心跳运动的波形信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第十二雷达睡眠特征。
相应地，本申请提供一种毫米波雷达睡眠信号处理设备，其特征在于，包括：处理器以及与所述处理器连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器执行上述GMM-HMM睡眠分期模型训练方法和/或上述基于GMM-HMM模型的睡眠分期方法。
根据本实施例提供的睡眠分期模型训练方法及设备，GMM-HMM睡眠分期模型中的状态对应于各种睡眠分期，并且根据睡眠分期的变换特点限定了模型中各种状态的转移关系，使用各个睡眠分期的雷达特征向量分别训练各种状态的概率模型，并确定与这些转移关系相应的转移概率，由此可以提高训练过程的效率，训练出的GMM-HMM模型能够准确识别睡眠特征向量与睡眠分期的关系。
利用上述训练方案得到的GMM-HMM模型对监测对象在各个时刻的雷达睡眠特征进行识别，可以提高睡眠分期结果的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为利用毫米波雷达进行睡眠监测的场景示意图；
图2为本发明实施例中的GMM-HMM睡眠分期模型的结构示意图；
图3为本发明实施例中训练数据分段与多个状态的对应关系示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“第一”、“第二”等仅用于描述、区分目的，而不能理解为指示或暗示相对重要性。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
图1示出了利用毫米波雷达进行睡眠监测的场景，毫米波雷达设备被安装在床头中心上方墙壁适当位置处，例如雷达距床面高度约为1米，使雷达波束指向人体胸腔位置。雷达发射调频连续波（Frequency Modulated Continuous Wave ，简称FMCW）信号并接收回波，将回波信号与发射信号混频得到差频信号，后经高通滤波、低噪声放大、ADC采样得到数字化的回波信号。
对采集的毫米波雷达睡眠监测回波信号进行处理，可以提取到多种与睡眠相关的特征，这些特征按时间排列，即每个时刻对应一种或多种特征，这些特征的组合可形成特征向量。
本发明实施例提供一种GMM-HMM睡眠分期模型训练方法，其中HMM是指隐马尔可夫模型（Hidden Markov Model）、GMM是指高斯混合模型（Gaussian Mixed Model），GMM-HMM模型使用HMM描述状态之间的转移关系、使用GMM模型描述状态到每个时刻的雷达睡眠特征向量的生成关系，即每个状态所对应的雷达睡眠特征向量是该状态以特定的概率模型生成的。
该训练方法需由计算机或电子设备执行，包括如下操作：
获取样本数据及其睡眠分期标签，样本数据是根据毫米波雷达信号得到的多个睡眠分期的雷达睡眠特征向量序列。具体地，在训练方案中，为了准确分辨监测对象的睡眠期，在其接受毫米波雷达采集回波信号的同时，还需要接受PSG监测或者其它被认为足够准确的监测方式得到用于表征睡眠分期的生理信号，然后人为地分析监测结果，进而给出各时刻/时段的睡眠分期标签。
将一个雷达睡眠特征向量序列记为，其中包括监测时段内的各时刻的一个或多个睡眠特征，该特征是对毫米波雷达信号进行处理和提取、计算所得到的数据。以AASM的5个睡眠分期为例，根据睡眠标签可以确定/>中各时刻的睡眠特征属于W、R、N1、N2、N3中的某一个睡眠期。作为举例，比如/>，假设其中的睡眠特征/>对应的睡眠分期标签为W，则表示第i、i+1时刻为睡眠期W；假设睡眠特征/>对应的睡眠分期标签为R，则表示第n时刻为睡眠期R。
从雷达睡眠特征向量序列中截取睡眠分期标签连续相同且持续时间超过预设时长的特征向量子序列作为训练数据。如上述举例中的即为连续为W的两个时刻的特征向量。睡眠分期标签连续相同的特征向量的数量（持续时间）不固定，只要大于预设时长即可，在优选实施例中预设时长为15分钟，因此特征向量子序列是至少15分钟的连续睡眠特征。
对大量的样本数据进行提取，可以得到训练数据：多个W期的雷达睡眠特征向量子序列、多个R期的雷达睡眠特征向量子序列/>、多个N1期的雷达睡眠特征向量子序列/>、多个N2期的雷达睡眠特征向量子序列/>、多个N3期的雷达睡眠特征向量子序列/>。
利用上述训练数据训练GMM-HMM睡眠分期模型：
本实施例中的GMM-HMM睡眠分期模型被配置为包括多个对应于不同睡眠分期的状态，其中每个睡眠分期对应的所述状态包括一个起始状态、至少一个中间状态和一个结束状态。作为举例，如图2所示，对于W、R、N1、N2、N3，共5个睡眠分期，每个睡眠分期对应5个状态，则共有25个状态；其中以W期为例，其对应的5个状态被定义为1个起始状态s1、3个中间状态s2~s4和1个结束状态s5，类似地，R期对应的5个状态为s6~s10、N1期对应的5个状态为s11~s15、N2期对应的5个状态为s16~s20、N3期对应的5个状态为s21~s25。
需要说明的是，上述状态的配置方式只是为了清楚地说明技术方案而进行的举例，实际应用时，各个睡眠期所对应的状态数量不限于5个，各个睡眠期对应的状态数量可以是相同的也可以不同的。
上述状态之间的转移关系被配置为同一睡眠分期对应的起始状态向其自身和至少一个中间状态转移、至少一个中间状态内相互转移和向结束状态转移、结束状态向其自身转移，一个睡眠分期对应的结束状态向其它睡眠分期对应的起始状态进行转移。在图2所示实施例中，仍以W期对应的状态为例，状态s1能够向其自身和状态s2~s4转移、状态s2~s4之间能够进行转移、状态s2~s4能够向状态s5转移，状态s5能够向其自身转移，以及向状态s6、s11、s16和s21转移。其它睡眠分期的状态转移与W期相似，图中未示出。
利用各个睡眠分期的训练数据分别训练相应睡眠分期对应的各种状态的概率模型，以及确定对应于所述转移关系的状态转移概率。以W期为例，利用多个W期的雷达睡眠特征向量子序列训练得到与状态s1~s5相关的概率模型，这些概率模型描述状态s1~s5到W期内的每个时刻的雷达睡眠特征向量的生成关系。按照此方式，使用R、N1、N2、N3期的眠特征向量子序列/>、/>、/>、/>，分别训练相应状态的概率模型。
转移概率矩阵中，除了对应于上述转移关系外的转移概率均为0，比如睡眠期的起始状态向其它睡眠期的任何状态转移的概率均为0，某一个睡眠期的所有中间状态向其它睡眠期的任何状态转移的概率均为0。
对5个睡眠分期的雷达睡眠特征向量子序列进行统计和计算，即可确定各状态对应的5个状态之间的转移概率，以及不同睡眠期的结束状态向起始状态的转移概率。
进一步地，关于训练上述概率模型，具体包括如下操作：
将同一睡眠分期对应的所述训练数据按时间划分为起始段数据、中间段数据和结束段数据。具体地，上述子序列、/>、/>、/>、/>是不定长的数据序列，为了便于描述，将子序列的时长表达为t=s+m+e，t≥预设时长（例如为15分钟），以一个/>为例，/>表示前s时段的部分（在优选实施例中s为5分钟），被称为起始段；/>表示中间m时段的部分，被称为中间段；/>表示后e时段的部分（在优选实施例中e为5分钟），被称为末尾段。在本实施例中将s和e设为相等的固定值，m为不定值，在其他实施例中也可以采用其他设定，只需要保证每个子序列必然能被划分成三段即可。对所有睡眠期的子序列进行上述划分，即可得到各种睡眠分期子序列的各个段。
图3示出了W期的三种状态与训练数据的对应关系，对应于状态s1、/>对应于状态s2~s4、/>对应于状态s5。其它各睡眠期的状态与训练数据的对应关系与此类似。由此，利用起始段数据训练起始状态的概率模型、利用中间段数据训练至少一个中间状态的概率模型、利用结束段数据训练结束状态的概率模型。
关于待计算的状态转移概率，具体包括睡眠分期对应的三种状态的第一状态转移概率，以及不同睡眠分期之间的所述结束状态向所述起始状态的第二转移概率。具体地，第一状态转移概率具体是指状态s1~s5之间的转移概率、s6~s10之间的转移概率、s11~s15之间的转移概率、s16~s20之间的转移概率、s21~s25之间的转移概率；第二状态转移概率具体是指状态s5向状态s6、s11、s16、s21的转移概率、状态s10向状态s1、s11、s16、s21的转移概率等等。
更进一步地，由于在本实施例中睡眠分期对应的中间状态有多个（3个），这些中间状态之间的转移方式可以采用多种方式中的任一种，比如各态遍历、从左到右、或者其它自定义方式，因此第一状态转移概率中又可分为两种概率，分别是与中间状态相关的状态转移概率，以及与起始状态和结束状态相关的状态转移概率。
用于确定上述第一状态转移概率和第二转移概率的数据和方式不同。具体地，第一状态转移概率中，与中间状态相关的状态转移概率是利用中间段数据训练得到的，以W期为例，与s2~s4这三个中间状态相关的转移概率是利用训练得到的；
第一状态转移概率中与起始状态和所述结束状态相关的状态转移概率是通过对训练数据进行统计得到的。以W期为例，与s1和s5这两个状态相关的转移概率是通过对W期的特征向量子序列的三种数据段、/>和/>进行统计得到的；
第二转移概率是通过对所述样本数据进行统计和计算得到的，即对各个睡眠期的子序列、/>、/>、/>、/>进行统计和计算得到。具体地，以N1期为例，假设N1期子序列共有X段，从样本数据中统计得到的N1期向其它期转移时的比例分别为P1（N1向W）、P2（N1向R）、P3（N1向N2）、P4（N1向N3），P1+P2+P3+P4=1；计算得到X段训练数据中，全部结束段中的雷达特征向量的总数为Y，由此得到N1期结束状态向W期起始状态转移的概率为(X*P1)/Y、向R期起始状态转移的概率为(X*P2)/Y、向N2期起始状态转移的概率为(X*P3)/Y、向N3期起始状态转移的概率为(X*P4)/Y，N1期结束状态向其自身转移的概率为(Y-X)/Y。按照上述计算方式即可得到各分期的结束状态向其它分期的起始状态的转移概率，以及向自身的转移概率。
除上述转移概率外，本实施例的GMM-HMM睡眠分期模型还包括初始状态概率，表示观测向量序列中第一个观测向量由每个状态产生的概率。初始状态概率向量可以从样本数据中统计得到（比如设定每条样本数据中的第一个观测向量是由所对应的睡眠期的初始状态产生的，对所有样本数据进行统计便可得到该值），也可以设置为等概率（对于25个状态，每个状态对应的初始概率均为1/25）。
在优选实施例中，雷达睡眠特征向量中包括多种特征，例如用于表征检测对象呼吸运动的特征、表征检测对象心跳运动的特征、表征检测对象体动的特征等等。将这些特征按时间对齐，并可以采用线性插值的方法将它们统一到相同的时间坐标上。将时间对齐后的多种特征堆叠表示为二维矩阵，矩阵中每一行表示一种特征，每一列表示一个时刻，即每个时间点对应于一个多维的特征向量。
比如一个雷达睡眠特征向量序列可以表示为：
，
其中第i时刻的特征为、第n时刻的特征为/>。本实施例采用由多种睡眠相关特征构成的矩阵作为样本和训练数据，充分利用了毫米波雷达信号，使得睡眠分期模型更加准确。
关于多种特征，具体可使用从表征快速运动的距离-时间谱图中提取的特征、从表征慢速运动的距离-时间谱图中提取的特征、从表征呼吸运动的波形信号中提取的特征、从表征心跳运动的波形信号中提取的特征。
更具体地，一个周期内的FMCW信号被称为一个Chirp，信号调制方式为锯齿波，Chirp周期为秒，连续发射的N个Chirp组成一帧，帧周期为/>秒。首先对每个Chirp内接收到的回波信号进行去直流、FFT变换等处理，得到距离维复信号。
一方面，对于每帧内的N个距离维复信号进行慢时间去直流，利用去直流之后的距离维复信号进行非相参积累得到当前帧时刻对应的第一类距离维功率谱，将所有帧时刻对应的第一类距离维功率谱按先后顺序排列成二维矩阵，得到表征快速运动的距离-时间谱图；另一方面，选取每帧第一个Chirp对应的距离维复信号沿时间维进行第一类滤波处理，滤波器的通带范围设置在较低频率区间，如0.1Hz~5Hz，对第一类滤波后的距离维复信号计算功率得到当前帧时刻对应的第二类距离维功率谱，将所有帧时刻对应的第二类距离维功率谱按先后顺序排列成二维矩阵，得到表征慢速运动的距离-时间谱图；另一方面，选取每帧第一个Chirp对应的距离维复信号沿时间维进行第二类滤波处理，滤波器的通带范围设置为人体呼吸频率范围，如0.1Hz~0.8Hz，对第二类滤波后的距离维复信号在每个帧时刻沿距离维加权求和后提取相位得到表征呼吸运动的波形信号；另一方面，选取每帧第一个Chirp对应的距离维复信号沿时间维进行第三类滤波处理，滤波器的通带范围设置为人体心跳频率范围，如0.7Hz~2.0Hz，对第三类滤波后的距离维复信号在每个帧时刻沿距离维加权求和后提取相位得到表征心跳运动的波形信号。
在一个实施例中，表征快速运动的距离-时间谱图可表示为二维矩阵，矩阵中的每一行表示一个距离门，矩阵中的每一列表示一个时间点，矩阵中的数值代表了对应距离门对应时间点以对数表示的功率值。本实施例采用如下方式从表征快速运动的距离-时间谱图中提取特征：
对表征快速运动的距离-时间谱图进行处理，在每个时间点沿距离维计算中位数绝对偏差，得到第一类一维信号。
利用滑窗对第一类一维信号进行特征提取，在每个处理窗口内，计算第一类一维信号的均值，得到第一雷达睡眠特征。作为举例，数据窗口长度为3分钟，滑窗步进为6秒钟，窗口长度和滑窗步进可根据实际情况进行调整。在每个处理窗口内，计算第一类一维信号的均值，得到第1个雷达睡眠特征。
在每个处理窗口内，对第一类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第二雷达睡眠特征。第二雷达睡眠特征可以是多个，例如求取第一频率区间（如0Hz~0.2Hz）的能量占比得到第2个雷达睡眠特征，求取第二频率区间（如0.1Hz~0.8Hz）的能量占比得到第3个雷达睡眠特征，求取第三频率区间（如0.7Hz~1.0Hz）的能量占比得到第4个雷达睡眠特征。
对表征快速运动的距离-时间谱图进行处理，在每个时间点沿距离维进行差分运算并对差分结果的绝对值求和，得到第二类一维信号。
利用滑窗对第二类一维信号进行特征提取，在每个处理窗口内，计算第二类一维信号的均值，得到第三雷达睡眠特征。作为举例，数据窗口长度为3分钟，滑窗步进为6秒钟，窗口长度和滑窗步进可根据实际情况进行调整。在每个处理窗口内，计算第二类一维信号的均值，得到第5个雷达睡眠特征。
在每个处理窗口内，对第二类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第四雷达睡眠特征。第四雷达睡眠特征可以是多个，例如求取第一频率区间（如0Hz~0.2Hz）的能量占比得到第6个雷达睡眠特征，求取第二频率区间（如0.1Hz~0.8Hz）的能量占比得到第7个雷达睡眠特征，求取第三频率区间（如0.7Hz~1.0Hz）的能量占比得到第8个雷达睡眠特征。
在一个实施例中，表征慢速运动的距离-时间谱图可表示为二维矩阵，矩阵中的每一行表示一个距离门，矩阵中的每一列表示一个时间点，矩阵中的数值代表了对应距离门对应时间点以对数表示的功率值。本实施例采用如下方式从表征慢速运动的距离-时间谱图中提取特征：
对表征慢速运动的距离-时间谱图进行处理，在每个时间点沿距离维计算中位数绝对偏差，得到第三类一维信号；
采用滑窗对第三类一维信号进行特征提取，在每个处理窗口内，计算第三类一维信号的均值，得到第五雷达睡眠特征。作为举例，数据窗口长度为3分钟，滑窗步进为6秒钟，窗口长度和滑窗步进可根据实际情况进行调整。在每个处理窗口内，计算第三类一维信号的均值，得到第9个雷达睡眠特征。
在每个处理窗口内，对第三类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第六雷达睡眠特征。第六雷达睡眠特征可以是多个，例如求取第一频率区间（如0Hz~0.2Hz）的能量占比得到第10个雷达睡眠特征，求取第二频率区间（如0.1Hz~0.8Hz）的能量占比得到第11个雷达睡眠特征，求取第三频率区间（如0.7Hz~1.0Hz）的能量占比得到第12个雷达睡眠特征。
对表征慢速运动的距离-时间谱图进行处理，在每个时间点沿距离维进行差分运算并对差分结果的绝对值求和，得到第四类一维信号；
利用滑窗对第四类一维信号进行特征提取，在每个处理窗口内，计算第四类一维信号的均值，得到第七雷达睡眠特征。作为举例，数据窗口长度为3分钟，滑窗步进为6秒钟，窗口长度和滑窗步进可根据实际情况进行调整。在每个处理窗口内，计算第四类一维信号的均值，得到第13个雷达睡眠特征。
在每个处理窗口内，对第四类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第八雷达睡眠特征。第八雷达睡眠特征可以是多个，例如求取第一频率区间（如0Hz~0.2Hz）的能量占比得到第14个雷达睡眠特征，求取第二频率区间（如0.1Hz~0.8Hz）的能量占比得到第15个雷达睡眠特征，求取第三频率区间（如0.7Hz~1.0Hz）的能量占比得到第16个雷达睡眠特征。
在一个实施例中，采用如下方式从表征呼吸运动的波形信号中提取特征：
利用滑窗对表征呼吸运动的波形信号进行特征提取，在每个处理窗口内，对表征呼吸运动的波形信号计算方差，得到第九雷达睡眠特征。作为举例，数据窗口长度为30秒钟，滑窗步进为6秒钟，窗口长度和滑窗步进可根据实际情况进行调整。在每个处理窗口内，对表征呼吸运动的波形信号计算方差，得到第17个雷达睡眠特征。
在每个处理窗口内，对表征呼吸运动的波形信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第十雷达睡眠特征。第十雷达睡眠特征可以是多个，例如求取第一频率区间（如0Hz~0.2Hz）的能量占比得到第18个雷达睡眠特征，求取第二频率区间（如0.1Hz~0.8Hz）的能量占比得到第19个雷达睡眠特征，求取第四频率区间（如0.7Hz~10Hz）的能量占比得到第20个雷达睡眠特征。
在一个实施例中，采用如下方式从表征心跳运动的波形信号中提取特征：
利用滑窗对表征心跳运动的波形信号进行特征提取，在每个处理窗口内，对表征心跳运动的波形信号计算方差，得到第十一雷达睡眠特征。作为举例，数据窗口长度为30秒钟，滑窗步进为6秒钟，窗口长度和滑窗步进可根据实际情况进行调整。在每个处理窗口内，对表征心跳运动的波形信号计算方差，得到第21个雷达睡眠特征。
在每个处理窗口内，对表征心跳运动的波形信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第十二雷达睡眠特征。第十二雷达睡眠特征可以是多个，例如求取第五频率区间（如0Hz~0.8Hz）的能量占比得到第22个雷达睡眠特征，求取第六频率区间（如0.7Hz~2.0Hz）的能量占比得到第23个雷达睡眠特征，求取第五频率区间（如1.9Hz~10Hz）的能量占比得到第24个雷达睡眠特征。
需要说明的是，上述多个实施例提供的24个雷达睡眠特征，只是为了说明特征的提取方式和特征内容所给出的举例，实际应用时可以选用其中部分特征，也可以选用全部特征，还可以使用类似的其它特征。
根据上述方案训练得到GMM-HMM睡眠分期模型后，即可使用该模型对监测对象的毫米波雷达回波信号进行识别。GMM-HMM睡眠分期模型可以被配置在计算机、移动终端或者单独的硬件产品中，也可以配置在云端服务器中。执行的睡眠分期方法具体包括：
获取毫米波雷达睡眠监测回波信号；
根据回波信号得到雷达睡眠特征向量序列。具体参照训练模型时所采用的特征提取方式，在识别时采用相同的特征提取方式，得到相同类型的特征向量序列。
利用训练得到的睡眠分期模型，根据雷达睡眠特征向量序列确定各时刻的睡眠分期。GMM-HMM睡眠分期模型将对雷达睡眠特征向量序列进行处理，得到每个时刻属于各个睡眠期/状态的概率，确定该时刻概率值最大的睡眠期/状态，该睡眠期/状态隶属于某一睡眠期对应的GMM-HMM子模型，进而将该时刻的睡眠分期标签判定为该GMM-HMM子模型对应的睡眠期。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种GMM-HMM睡眠分期模型训练方法，其特征在于，包括：
对每个Chirp内接收到的毫米波雷达回波信号进行去直流和FFT变换处理，得到距离维复信号，对于每帧内的N个距离维复信号进行慢时间去直流，利用去直流之后的距离维复信号进行非相参积累得到当前帧时刻对应的第一类距离维功率谱，将所有帧时刻对应的第一类距离维功率谱按先后顺序排列成二维矩阵，得到表征快速运动的距离-时间谱图；选取每帧第一个Chirp对应的距离维复信号沿时间维进行第一类滤波处理，通带范围为0.1Hz~5Hz，对第一类滤波后的距离维复信号计算功率得到当前帧时刻对应的第二类距离维功率谱，将所有帧时刻对应的第二类距离维功率谱按先后顺序排列成二维矩阵，得到表征慢速运动的距离-时间谱图；选取每帧第一个Chirp对应的距离维复信号沿时间维进行第二类滤波处理，通带范围为0.1Hz~0.8Hz，对第二类滤波后的距离维复信号在每个帧时刻沿距离维加权求和后提取相位得到表征呼吸运动的波形信号；选取每帧第一个Chirp对应的距离维复信号沿时间维进行第三类滤波处理，滤波器的通带范围为0.7Hz~2.0Hz，对第三类滤波后的距离维复信号在每个帧时刻沿距离维加权求和后提取相位得到表征心跳运动的波形信号；
获取样本数据及其睡眠分期标签，所述样本数据是根据毫米波雷达信号得到的多个睡眠分期的雷达睡眠特征向量序列，其中包括从所述表征快速运动的距离-时间谱图中提取的特征、从所述表征慢速运动的距离-时间谱图中提取的特征、从所述表征呼吸运动的波形信号中提取的特征、从所述表征心跳运动的波形信号中提取的特征；
从所述雷达睡眠特征向量序列中截取睡眠分期标签连续相同且持续时间超过预设时长的特征向量子序列作为训练数据；
利用所述训练数据训练GMM-HMM睡眠分期模型：所述GMM-HMM睡眠分期模型被配置为包括多个对应于睡眠分期W、R、N1、N2、N3的状态，其中每个睡眠分期对应的所述状态包括一个起始状态、三个中间状态和一个结束状态，对于睡眠分期W、R、N1、N2、N3，每个睡眠分期对应5个状态，共25个状态s1~s25；
所述状态之间的转移关系被配置为同一睡眠分期对应的起始状态向其自身和所述三个中间状态转移、所述三个中间状态内相互转移和向所述结束状态转移、所述结束状态向其自身转移，一个睡眠分期对应的结束状态向其它睡眠分期对应的起始状态进行转移；
利用各个睡眠分期的所述训练数据分别训练相应睡眠分期对应的各种状态的概率模型，将同一睡眠分期对应的所述训练数据按时间划分为起始段数据、中间段数据和结束段数据，利用所述起始段数据训练所述起始状态的概率模型、利用所述中间段数据训练所述三个中间状态的概率模型、利用所述结束段数据训练所述结束状态的概率模型，以及确定对应于所述转移关系的状态转移概率，除对应于上述转移关系外的转移概率均为0。
2.根据权利要求1所述的方法，其特征在于，所述状态转移概率包括睡眠分期对应的三种状态之间的第一状态转移概率，以及不同睡眠分期之间的所述结束状态向所述起始状态的第二转移概率，所述第一状态转移概率中与所述三个中间状态相关的状态转移概率是利用所述中间段数据训练得到的，所述第一状态转移概率中与所述起始状态和所述结束状态相关的状态转移概率是通过对所述训练数据进行统计得到的；所述第二转移概率是通过对所述样本数据进行统计和计算得到的。
3.根据权利要求1所述的方法，其特征在于，所述雷达睡眠特征向量序列为二维矩阵，其中不同的行表示不同种类的睡眠特征，不同的列对应于不同时刻。
4.根据权利要求1所述的方法，其特征在于，从表征快速运动的距离-时间谱图中提取特征，包括：
对表征快速运动的距离-时间谱图进行处理，在每个时间点沿距离维计算中位数绝对偏差，得到第一类一维信号；
利用滑窗对第一类一维信号进行特征提取，在每个处理窗口内，计算第一类一维信号的均值，得到第一雷达睡眠特征；
在每个处理窗口内，对第一类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第二雷达睡眠特征；
对表征快速运动的距离-时间谱图进行处理，在每个时间点沿距离维进行差分运算并对差分结果的绝对值求和，得到第二类一维信号；
利用滑窗对第二类一维信号进行特征提取，在每个处理窗口内，计算第二类一维信号的均值，得到第三雷达睡眠特征；
在每个处理窗口内，对第二类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第四雷达睡眠特征。
5.根据权利要求1所述的方法，其特征在于，从表征慢速运动的距离-时间谱图中提取特征，包括：
对表征慢速运动的距离-时间谱图进行处理，在每个时间点沿距离维计算中位数绝对偏差，得到第三类一维信号；
采用滑窗对第三类一维信号进行特征提取，在每个处理窗口内，计算第三类一维信号的均值，得到第五雷达睡眠特征；
在每个处理窗口内，对第三类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第六雷达睡眠特征；
对表征慢速运动的距离-时间谱图进行处理，在每个时间点沿距离维进行差分运算并对差分结果的绝对值求和，得到第四类一维信号；
利用滑窗对第四类一维信号进行特征提取，在每个处理窗口内，计算第四类一维信号的均值，得到第七雷达睡眠特征；
在每个处理窗口内，对第四类一维信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第八雷达睡眠特征。
6.根据权利要求1所述的方法，其特征在于，从表征呼吸运动的波形信号中提取特征，包括：
利用滑窗对表征呼吸运动的波形信号进行特征提取，在每个处理窗口内，对表征呼吸运动的波形信号计算方差，得到第九雷达睡眠特征；
在每个处理窗口内，对表征呼吸运动的波形信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第十雷达睡眠特征。
7.根据权利要求1所述的方法，其特征在于，从表征心跳运动的波形信号中提取特征，包括：
利用滑窗对表征心跳运动的波形信号进行特征提取，在每个处理窗口内，对表征心跳运动的波形信号计算方差，得到第十一雷达睡眠特征；
在每个处理窗口内，对表征心跳运动的波形信号进行离散余弦变换，计算至少一个频率区间的能量占比，得到第十二雷达睡眠特征。
8.一种基于GMM-HMM模型的睡眠分期方法，其特征在于，包括：
获取毫米波雷达睡眠监测回波信号；
根据所述回波信号得到雷达睡眠特征向量序列；
利用权利要求1-7中任一项所述方法训练得到的睡眠分期模型，根据所述雷达睡眠特征向量序列确定各时刻的睡眠分期。
9.根据权利要求8所述的方法，其特征在于，所述雷达睡眠特征向量序列为二维矩阵，其中不同的行表示不同种类的睡眠特征，不同的列对应于不同时刻。
10.一种毫米波雷达睡眠信号处理设备，其特征在于，包括：处理器以及与所述处理器连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器执行如权利要求1-9中任意一项所述的方法。
CN202311669307.6A 2023-12-07 2023-12-07 基于gmm-hmm模型的睡眠分期方法及设备 Active CN117357073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311669307.6A CN117357073B (zh) 2023-12-07 2023-12-07 基于gmm-hmm模型的睡眠分期方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311669307.6A CN117357073B (zh) 2023-12-07 2023-12-07 基于gmm-hmm模型的睡眠分期方法及设备

Publications (2)

Publication Number Publication Date
CN117357073A CN117357073A (zh) 2024-01-09
CN117357073B true CN117357073B (zh) 2024-04-05

Family

ID=89402572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311669307.6A Active CN117357073B (zh) 2023-12-07 2023-12-07 基于gmm-hmm模型的睡眠分期方法及设备

Country Status (1)

Country Link
CN (1) CN117357073B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103021408A (zh) * 2012-12-04 2013-04-03 中国科学院自动化研究所 一种发音稳定段辅助的语音识别优化解码方法及装置
CN106419869A (zh) * 2016-08-24 2017-02-22 电子科技大学 一种基于压电传感器的实时睡眠分期检测方法及其装置
CN107106027A (zh) * 2014-12-16 2017-08-29 皇家飞利浦有限公司 婴儿睡眠监测器
CN108305634A (zh) * 2018-01-09 2018-07-20 深圳市腾讯计算机系统有限公司 解码方法、解码器及存储介质
CN108305688A (zh) * 2017-12-27 2018-07-20 深圳和而泰数据资源与云技术有限公司 病症评估方法、终端设备及计算机可读介质
CN109061589A (zh) * 2018-07-06 2018-12-21 西安电子科技大学 随机跳频雷达的目标运动参数估计方法
CN109480787A (zh) * 2018-12-29 2019-03-19 中国科学院合肥物质科学研究院 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法
CN110120218A (zh) * 2019-04-29 2019-08-13 东北大学 基于gmm-hmm的高速公路大型车辆识别方法
CN111067503A (zh) * 2019-12-31 2020-04-28 深圳安视睿信息技术股份有限公司 一种基于心率变异性的睡眠分期方法
CN112716474A (zh) * 2021-01-20 2021-04-30 复旦大学 基于生物微波雷达的非接触式睡眠状态监测方法和系统
CN113693582A (zh) * 2021-07-29 2021-11-26 北京清雷科技有限公司 生命体征信息监测方法及装置、存储介质和处理器
CN113707137A (zh) * 2021-08-30 2021-11-26 普强时代(珠海横琴)信息技术有限公司 解码实现方法及装置
CN113705448A (zh) * 2021-08-27 2021-11-26 苏州美糯爱医疗科技有限公司 一种区分主动脉瓣狭窄心音与正常心音方法、装置及系统
CN116269234A (zh) * 2023-03-27 2023-06-23 北京京东拓先科技有限公司 睡眠分析方法、装置以及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6952687B2 (en) * 2001-07-10 2005-10-04 California Institute Of Technology Cognitive state machine for prosthetic systems
US7627567B2 (en) * 2004-04-14 2009-12-01 Microsoft Corporation Segmentation of strings into structured records
US11633150B2 (en) * 2012-05-31 2023-04-25 Ben Gurion University Of The Negev Research And Development Authority Apparatus and method for diagnosing sleep quality
US11712198B2 (en) * 2016-07-11 2023-08-01 B.G. Negev Technologies And Applications Ltd., At Ben-Gurion University Estimation of sleep quality parameters from whole night audio analysis

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103021408A (zh) * 2012-12-04 2013-04-03 中国科学院自动化研究所 一种发音稳定段辅助的语音识别优化解码方法及装置
CN107106027A (zh) * 2014-12-16 2017-08-29 皇家飞利浦有限公司 婴儿睡眠监测器
CN106419869A (zh) * 2016-08-24 2017-02-22 电子科技大学 一种基于压电传感器的实时睡眠分期检测方法及其装置
CN108305688A (zh) * 2017-12-27 2018-07-20 深圳和而泰数据资源与云技术有限公司 病症评估方法、终端设备及计算机可读介质
CN108305634A (zh) * 2018-01-09 2018-07-20 深圳市腾讯计算机系统有限公司 解码方法、解码器及存储介质
CN109061589A (zh) * 2018-07-06 2018-12-21 西安电子科技大学 随机跳频雷达的目标运动参数估计方法
CN109480787A (zh) * 2018-12-29 2019-03-19 中国科学院合肥物质科学研究院 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法
CN110120218A (zh) * 2019-04-29 2019-08-13 东北大学 基于gmm-hmm的高速公路大型车辆识别方法
CN111067503A (zh) * 2019-12-31 2020-04-28 深圳安视睿信息技术股份有限公司 一种基于心率变异性的睡眠分期方法
CN112716474A (zh) * 2021-01-20 2021-04-30 复旦大学 基于生物微波雷达的非接触式睡眠状态监测方法和系统
CN113693582A (zh) * 2021-07-29 2021-11-26 北京清雷科技有限公司 生命体征信息监测方法及装置、存储介质和处理器
CN113705448A (zh) * 2021-08-27 2021-11-26 苏州美糯爱医疗科技有限公司 一种区分主动脉瓣狭窄心音与正常心音方法、装置及系统
CN113707137A (zh) * 2021-08-30 2021-11-26 普强时代(珠海横琴)信息技术有限公司 解码实现方法及装置
CN116269234A (zh) * 2023-03-27 2023-06-23 北京京东拓先科技有限公司 睡眠分析方法、装置以及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于HMM的下肢表面肌电信号模式识别的研究;陈贵亮;周晓晨;李晨;刘更谦;;机械设计与制造;20150108(第01期);1-5 *
隐马尔可夫模型在睡眠分期中的应用;江朝晖, 李继伟, 冯焕清, 周颖;山东生物医学工程;20030625(第02期);1-4 *

Also Published As

Publication number Publication date
CN117357073A (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN107529646B (zh) 一种基于欧拉影像放大的无接触式心率测量方法及装置
CN109077715A (zh) 一种基于单导联的心电信号自动分类方法
JP5210872B2 (ja) 準周期信号を高分解能で抽出する方法及びシステム
Migliorini et al. Automatic sleep staging based on ballistocardiographic signals recorded through bed sensors
CN107822608A (zh) 基于高斯混合模型的脉搏波特征提取方法
JP2007515977A5 (zh)
CN109602417A (zh) 基于随机森林的睡眠分期方法及系统
Ma et al. Vigilance estimation by using electrooculographic features
Altuve et al. Fundamental heart sounds analysis using improved complete ensemble EMD with adaptive noise
CN109009124A (zh) 基于超宽带雷达的呼吸频率测量及目标定位方法
KR20130092849A (ko) 개인화된 생체 신호 패턴을 이용한 생체 신호의 동잡음 제거 방법 및 장치
CN110840443B (zh) 心电信号处理方法、心电信号处理装置和电子设备
DE112015005804T5 (de) Atemzustandsschätzvorrichtung, tragbare Vorrichtung, an Körper tragbare Vorrichtung, Programm, Medium, Atemzustandsschätzverfahren und Atemzustandsschätzer
Liu et al. Refined generalized multiscale entropy analysis for physiological signals
CN109106345A (zh) 脉搏信号特征检测方法和装置
Yamamoto et al. Non-contact heartbeat detection by heartbeat signal reconstruction based on spectrogram analysis with convolutional LSTM
CN117530666B (zh) 呼吸异常识别模型训练方法、呼吸异常识别方法及设备
CN117357073B (zh) 基于gmm-hmm模型的睡眠分期方法及设备
CN108652604B (zh) 一种基于心电信号的无气囊血压检测方法及系统
WO2021111436A1 (en) System and method for physiological measurements from optical data
CN117017297A (zh) 驾驶员疲劳的预测和识别模型建立方法及其应用
CN114580477B (zh) 一种基于多时间序列融合的可穿戴动态呼吸率估测系统
US20230056557A1 (en) System and method for pulse transmit time measurement from optical data
Schmidt et al. Comparison of sample entropy and AR-models for heart sound-based detection of coronary artery disease
CN114145725A (zh) 一种基于无创连续血压测量的ppg采样率估算方法

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