CN117547260A - 基于睡眠脑电波的血糖预测方法、系统、设备及存储介质 - Google Patents

基于睡眠脑电波的血糖预测方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN117547260A
CN117547260A CN202410039813.5A CN202410039813A CN117547260A CN 117547260 A CN117547260 A CN 117547260A CN 202410039813 A CN202410039813 A CN 202410039813A CN 117547260 A CN117547260 A CN 117547260A
Authority
CN
China
Prior art keywords
wave
sleep
time
waves
spindle
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
Application number
CN202410039813.5A
Other languages
English (en)
Inventor
赵燕洁
章陈胜
蔡利民
珠淮
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.)
Zhejiang Pearlcare Medical Technology Co ltd
Original Assignee
Zhejiang Pearlcare Medical 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 Zhejiang Pearlcare Medical Technology Co ltd filed Critical Zhejiang Pearlcare Medical Technology Co ltd
Priority to CN202410039813.5A priority Critical patent/CN117547260A/zh
Publication of CN117547260A publication Critical patent/CN117547260A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G06F18/24—Classification techniques
    • 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
    • G06F2218/12—Classification; Matching

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Psychology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本说明书涉及血糖检测技术领域，具体涉及一种基于睡眠脑电波的血糖预测方法、系统、设备及存储介质。所述方法包括：接收睡眠生理信号的采集数据，对采集数据进行预处理，进行分段；从每个分段中分别提取出α波、β波、θ波及δ波，分别计算在分段中存在的时间占比；基于时间占比及预先配置的起止判据，获得睡眠的起始时间和结束时间，获得睡眠分区；基于预先配置的时长，将睡眠分区的采集数据分段，获得多个睡眠段；识别睡眠段的纺锤波及慢波，基于识别出的纺锤波及慢波的起止时间，获得纺锤波及慢波存在重合的重合波；基于睡眠分区的重合波获得睡眠结束后预设时长内的血糖变化预测量；基于在先血糖检测值及血糖变化预测量获得血糖预测的结果。

Description

基于睡眠脑电波的血糖预测方法、系统、设备及存储介质
技术领域
本说明书的一个或多个实施例涉及血糖检测技术领域，具体涉及一种基于睡眠脑电波的血糖预测方法、系统、设备及存储介质。
背景技术
血糖监测是糖尿病管理中的重要部分。血糖监测技术分为有创、微创和无创三种技术。其中有创血糖监测需要通过穿刺皮肤采集血液样本，检测血糖水平。这种监测方式比较痛苦，而且容易感染。微创血糖监测是指通过微创技术采集组织间液或血液样本进行血糖监测的方法，比如使用基于微创技术的持续血糖监测（CGM）产品。这种监测方式相对较为舒适，但仍需要刺破皮肤采集样本。无创血糖监测则是不需要刺破皮肤进行血糖监测的方法，是当前研究的热点之一。现有的无创血糖仪测量技术包括近红外光谱法、拉曼光谱法、微波检测法、能量代谢守恒法、射频阻抗检测法等。研究人员在人类身上发现了一种潜在的机制，可以解释在深度睡眠状态下脑波为何能够调节身体对胰岛素的敏感性从而提高第二天的血糖控制。该研究发现深度睡眠脑电波可以作为一种新的，非侵入性的、敏感的标志物用于血糖水平的有效预测。2021年9月，《Nature》的一项研究发现从海马体记录的急剧波纹簇可靠地预测了外周葡萄糖浓度的下降。这种相关性不依赖于昼夜节律、超声或饮食引发的波动。脑电图尖锐波纹的一个功能为调节外周葡萄糖稳态，并为2型糖尿病患者睡眠中断和血糖失调之间的联系提供了一种新的机制。
发明内容
本说明书一个或多个实施例描述了一种基于睡眠脑电波的血糖预测方法、系统、设备及存储介质，能够实现无创伤的血糖预测。
第一方面，本说明书实施例提供了一种基于睡眠脑电波的血糖预测方法，包括步骤：
接收睡眠生理信号的采集数据，对所述采集数据进行预处理，将所述采集数据依据预先配置的时长进行分段；
从每个分段中分别提取出α波、β波、θ波及δ波，分别计算α波、β波、θ波及δ波在分段中存在的时间占比；
基于所述时间占比及预先配置的起止判据，获得睡眠的起始时间和结束时间，获得睡眠分区；
基于预先配置的时长，将所述睡眠分区的采集数据分段，获得多个睡眠段；
识别所述睡眠段的纺锤波及慢波，基于识别出的所述纺锤波及慢波的起止时间，获得所述纺锤波及慢波存在重合的重合波；
基于睡眠分区的所述重合波获得睡眠结束后预设时长内的血糖变化预测量；
基于在先血糖检测值及所述血糖变化预测量获得血糖预测的结果。
第二方面，本说明书实施例提供了基于睡眠脑电波的血糖预测系统，包括：
采集模块，用于接收睡眠生理信号的采集数据，对所述采集数据进行预处理，将所述采集数据依据预先配置的时长进行分段；
提取模块，用于从每个分段中分别提取出α波、β波、θ波及δ波，分别计算α波、β波、θ波及δ波在分段中存在的时间占比；
睡眠时间划分模块，用于基于所述时间占比及预先配置的起止判据，获得睡眠的起始时间和结束时间，获得睡眠分区；
分段模块，用于基于预先配置的时长，将所述睡眠分区的采集数据分段，获得多个睡眠段；
重合波识别模块，用于识别所述睡眠段的纺锤波及慢波，基于识别出的所述纺锤波及慢波的起止时间，获得所述纺锤波及慢波存在重合的重合波；
变化量预测模块，用于基于睡眠分区的所述重合波获得睡眠结束后预设时长内的血糖变化预测量；
血糖预测模块，用于基于在先血糖检测值及所述血糖变化预测量获得血糖预测的结果。。
第三方面，本说明书实施例提供了电子设备，包括处理器以及存储器；
所述处理器与所述存储器相连；
所述存储器，用于存储可执行程序代码；
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行上述任一方面所述的方法。
第四方面，本说明书实施例提供了计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本说明书一个或多个实施例所述的方法。
本说明书一些实施例提供的技术方案带来的有益效果至少包括：在本说明书一个或多个实施例中，提供的血糖预测方法通过监测脑电波来预测和反映血糖的波动情况，采用了无创的方式实现对患者血糖的预测，使血糖的检测具有无痛的途径，提高患者的生活质量，且不会带来感染的风险。
本说明书一个或多个实施例的其他特点和优点将会在下面的具体实施方式、附图中进一步揭示。
附图说明
为了更清楚地说明本说明书实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，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为本说明书实施例提供的睡眠生理信号采集示意图。
图2为本说明书实施例提供的采集数据进行预处理示意图。
图3为本说明书实施例提供的α波、β波、θ波及δ波示意图。
图4为本说明书实施例提取α波、β波、θ波及δ波的滤波器组示意图。
图5为本说明书实施例提供的纺锤波及K复合波示意图。
图6为本说明书实施例提供的获得睡眠起始时间示意图。
图7为本说明书实施例提供的获得睡眠结束时间示意图。
图8为本说明书实施例提供的纺锤波示意图。
图9为本说明书实施例提供的重合波示意图。
图10为本说明书实施例提供的血糖及重合波数量对应示意图。
图11为本说明书实施例提供的电子设备示意图。
其中：10、采集设备，20、脑电波数据，1100、电子设备，1101、处理器 ，1102、通信总线 ，1103、用户接口，1104、网络接口 ，1105、存储器。
具体实施方式
下面结合本说明书实施例的附图对本说明书实施例的技术方案进行解释和说明，但下述实施例仅为本说明书的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本说明书的保护范围。
本说明书中的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在下文描述中，出现诸如术语“内”、“外”、“上”、“下”、“左”、“右”等指示方位或者位置关系仅是为了方便描述实施例和简化描述，而不是指示或暗示所指的装置或者元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本说明书的限制。
本申请所涉及的数据，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的采集遵守相关国家和地区的相关法律法规和标准。
介绍本说明书实施例技术方案前，对本说明书一个或多个实施例的应用场景做介绍。
名词解释
睡眠生理信号
本说明书所指睡眠生理信号涉及在睡眠过程中产生的生理变化和体征产生的电信号。这些信号可以帮助我们了解一个人的睡眠质量和睡眠状态。一些常见的睡眠生理信号包括：脑电图（Electroencephalogram, EEG），记录了大脑皮层神经元的电活动，通过脑电图可以分析出睡眠的不同阶段，如快速眼动睡眠（REM睡眠）和非快速眼动睡眠（NREM睡眠）。眼动信号（Electrooculogram, EOG），记录了眼球运动的电活动，可以帮助确定一个人是否处于快速眼动睡眠（REM睡眠）阶段。肌电图（Electromyogram, EMG），记录了肌肉的电活动，可以帮助判断一个人是否处于肌肉松弛的睡眠状态。心电图（Electrocardiogram,ECG），记录了心脏的电活动，可以帮助评估睡眠分区心脏功能的稳定性。呼吸信号（Respiratory signal），记录了呼吸运动的信号，可以帮助评估呼吸的节律和深度，以及检测睡眠呼吸暂停等问题。这些睡眠生理信号可以通过睡眠监测设备来获取，并且在医学和科学研究中被广泛应用于评估个体的睡眠质量和睡眠障碍的诊断。
本说明书采集了睡眠生理信号，并将其用于血糖的预测。本说明书一个或多个实施例所记载的方案主要是使用脑电图，即脑电波数据20，携带的信息进行血糖的预测。但为了去除工频干扰，需要使用到眼动信号，即眼电波数据。为了更准确的区分快速眼动睡眠和非快速眼动睡眠，还需要采集肌电图信号，即肌电波数据。
然而需要注意的是，本说明书记载的一个或多个实施例用于预测血糖依赖于α波、β波、θ波及δ波携带的相关信息，本领域技术人员知晓这些波段的频率范围、提取方式、以及从何处提取（从脑电图中提取）。按照现有的提取方式，即可以仅从脑电图中提取，但准确度较差，也可以结合眼动信号，帮助去除工频干扰，又可以结合肌电图，更为准确的区分睡眠阶段。即，眼动信号和肌电图并非本说明书记载一个或多个实施例涉及的睡眠生理信号的必要内容，而是可选内容。不同的选择，则对应了不同的预处理方式，具体的预处理方式依照现有技术已公开方案进行即可。
纺锤波
本说明书所指纺锤波涉及在脑电图（EEG）中观察到的一种特定频率和形态的脑电活动。纺锤波的频率范围在11到15赫兹之间，呈现出高频振荡的特点。这种脑电活动被称为“纺锤波”，是因为其在脑电图上的形态类似于纺锤，即在脑电图上表现为一系列呈现尖峰形状的波形。纺锤波通常出现在非快速眼动睡眠（NREM睡眠）的阶段，这是睡眠的浅阶段，人们在这个阶段容易被外部刺激唤醒。纺锤波属于本领域专有名词，其含义由本领域技术人员所知。
慢波
本说明书所指慢波是指在脑电图（EEG）中观察到的一种低频率、高振幅的脑电活动。这种波形通常出现在非快速眼动睡眠（NREM睡眠）的阶段。慢波的频率范围在0.5到4赫兹之间，表现为较为缓慢的波动。在脑电图上，慢波呈现为一种高振幅的波形，反映了大脑皮层神经元的同步放电活动。慢波属于本领域专有名词，其含义由本领域技术人员所知。
K复合波
本说明书所指K复合波指的是K-复合波（K-complex），是一种在睡眠过程中出现在脑电图中的特定波形。K-复合波是一种大脑在睡眠过程中产生的特殊脑电活动，通常出现在非快速眼动（NREM）睡眠阶段。这种波形通常是由一个正向波和一个接着的大的负向波组成，具有较高的振幅和较长的持续时间。K复合波属于本领域专有名词，其含义由本领域技术人员所知。
应用场景说明
糖尿病是一种慢性代谢性疾病，其主要特征是高血糖（高血糖水平）。高血糖可能是由于胰岛素分泌不足或细胞对胰岛素的反应不佳所致，这两种情况分别对应于1型糖尿病和2型糖尿病。1型糖尿病：也称为胰岛素依赖型糖尿病，通常发病于青少年或儿童。这种类型的糖尿病是由于自身免疫破坏胰岛素产生的β细胞而导致的，患者需要通过外源性胰岛素来维持正常的血糖水平。2型糖尿病：也称为成人型糖尿病，通常发病于成年人，尤其是中年和老年人。这种类型的糖尿病通常与生活方式因素（如不良饮食习惯和缺乏运动）以及遗传因素有关，患者通常可以通过改变饮食、增加运动和药物治疗来控制血糖。慢性高血糖会损害血管和神经系统，导致多种严重的并发症，包括心血管疾病、视网膜病变、肾病、神经病变等。因此，对糖尿病的早期诊断和有效治疗非常重要。
糖尿病的治疗方法主要包括以下几个方面：
生活方式管理：包括饮食控制和增加体育锻炼。通过合理的饮食控制，减少摄入高糖、高脂肪食物，控制饮食总热量和糖分摄入；适量增加体育锻炼，有助于控制血糖水平。
药物治疗：对于2型糖尿病患者，常用的药物包括口服降糖药（如二甲双胍、磺脲类药物等）来帮助降低血糖水平。对于1型糖尿病患者，需要通过胰岛素注射来维持血糖水平。
胰岛素治疗：对于1型糖尿病患者和2型糖尿病患者在疾病进展后，可能需要胰岛素治疗来控制血糖水平。
定期监测：定期监测血糖水平，了解糖尿病患者的血糖控制情况，对治疗效果进行评估，并根据监测结果调整治疗方案。
管理并发症：糖尿病患者应定期接受眼科、心血管、肾脏等方面的检查，及时发现并管理糖尿病并发症。
糖尿病患者需要日常监测血糖水平，掌握病情变化，调整用药用量。早期监测血糖需要刺破手指，即微创血糖监测，会造成微小的创伤，不仅带来痛苦，还带来了感染风险，严重影响了患者的生活质量。但微创血糖监测的准确度是极高的。采用近红外光谱法、拉曼光谱法、微波检测法、能量代谢守恒法、射频阻抗检测法等等，实现的无创血糖监测成为目前血糖监测的发展趋势。但无创血糖监测存在一定程度的误差。为保障预测的准确度，应当在适当的周期，示例性的，如3个月、1个月，进行一次微创血糖监测，二者结合，即提高了患者的生活质量，又能够保证血糖监测。采用本说明书记载的一个或多个实施例，能够实现无创血糖预测。
本说明书记载的一个或多个实施例基于脑电波携带的信息进行血糖的预测，是基于脑电波的分析进行的。请参阅附图1，通过采集设备10获取生物电信号，包括脑电、眼电信号和肌电信号。入睡前在脸上贴上采集设备10，采集方式包括额头处采集脑电信号(EEG)，以太阳穴附近为参考电极（REF），左右两眼角两侧是眼电信号采集点，下巴为肌电信号采集点（EMG），示例性的，采样频率为200Hz、250Hz、300Hz。
首先本说明书提供了一种基于睡眠脑电波的血糖预测方法，包括步骤：
接收睡眠生理信号的采集数据，对所述采集数据进行预处理，将所述采集数据依据预先配置的时长进行分段；
从每个分段中分别提取出α波、β波、θ波及δ波，分别计算α波、β波、θ波及δ波在分段中存在的时间占比；
基于所述时间占比及预先配置的起止判据，获得睡眠的起始时间和结束时间，获得睡眠分区；
基于预先配置的时长，将所述睡眠分区的采集数据分段，获得多个睡眠段；
识别所述睡眠段的纺锤波及慢波，基于识别出的所述纺锤波及慢波的起止时间，获得所述纺锤波及慢波存在重合的重合波；
基于睡眠分区的所述重合波获得睡眠结束后预设时长内的血糖变化预测量；
基于在先血糖检测值及所述血糖变化预测量获得血糖预测的结果。
其中，所述采集数据包括脑电波数据20、眼电波数据及肌电波数据，请参阅附图2，对所述采集数据进行预处理的方法包括步骤：
使用预先配置的陷波器去除所述脑电波数据20、眼电波数据及肌电波数据的工频干扰；
基于肌电波数据及眼电波数据配置带阻滤波器，将所述脑电波数据20、眼电波数据分别输入所述带阻滤波器，再将脑电波数据20进行带通滤波，获得脑电过滤信号、脑电滤除信号及眼电过滤信号；
将脑电过滤信号及眼电过滤信号进行归一化，记录脑电过滤信号的归一化比例；
将归一化后的脑电过滤信号及眼电过滤信号对齐后相减，再除以所述归一化比例，与脑电滤除信号对齐后相加，获得预处理后的采集数据。
陷波器是一种特殊的带阻滤波器，设计陷波器去除工频干扰。对工频去除后的数据进行带通滤波，保留0.1-30Hz频段的数据。进行归一化处理前，单独对脑电波进行带通滤波，或者对脑电波及眼电波数据仅进行带通滤波都是可选的实施方案。结合眼电波数据及肌电波数据，对脑电过滤信号和眼电过滤信号分别使用带通滤波。进行归一化处理并记录比例值，然后将两组数据相减，处理完后的数据按记录的比例值恢复，而后加上原本带通滤波器滤除的信号，完成眼电伪迹进行去除。
其中，计算α波、β波、θ波及δ波在分段中存在的时间占比的方法包括：
基于每个α波、β波、θ波及δ波的持续时长，分别统计α波、β波、θ波及δ波持续的时间总和；
基于α波、β波、θ波及δ波持续的时间总和及所述分段的持续时长，获得α波、β波、θ波及δ波在分段中存在的时间占比。
提取α波、β波、θ波及δ波时，将去除工频后的脑电波按时间分段，示例性的，切分为30s的一段。使用小波滤波将α、β、θ、δ波分别滤出。
另一方面，根据α波（频率8-13hz，振幅20-100μV）、β波（频率14-26hz，振幅5-20μV）、θ波（频率4-7hz，振幅100-150μV）、δ波（频率0.5-3hz，振幅20-200μV）的特性，也可用带通滤波替代小波滤波。请参阅附图3为α波、β波、θ波及δ波的频段及波形示意图。
具体而言，小波变换是一种在信号处理和图像处理中常用的分析方法，它可以将信号或图像分解为不同频率的分量，并提供了一种灵活的时间-频率分析方式。小波变换原理公式为：
其中，W(a,b)表示小波系数，f(t)表示原始信号，ψ(t)表示小波基函数，a和b分别表示尺度因子和平移因子。小波基函数是一组特定形状的函数，可以用于分析不同频率范围内的信号。
被分析信号通过镜像滤波器后，信号频带被划分为低频和高频两个频带，等同于对信号做高通滤波保留细节变化，对信号做低通滤波保留平滑形状，其中的低频信号通过向下采样后，通过下一次镜像滤波器分解，再一次被划分，每次划分都会将采样降低一半，分解中的频率与α、β、θ、δ波频率相合，不断重复这个过程，通过滤波器组就能够把信号的频带划分，分解过程如附图4表示。
其中Ai,Di分别表示信号的近似和细节，。
对滤出的α波、β波、θ波及δ波分别做二阶导数变换。二阶导数是一阶导数的导数，它反应的是函数图像的凹凸性，如果函数y=f(x)的导数在x处可导，/>的导数为函数y在x处的二阶导数，记为/>，公式如下：/>
在每层数据的分段数据中查找二阶导数的最大最小值即原数据中的波峰和波谷位置。以找到的波峰向前查找，找到的波谷向后查找离基线最近位置分别定位为单个波段起始和结束，连续波段时当前波的结束位置和下一个波的起始位置重合。当不重合时，记录整个当前波段组的时长，标记下一个波的起始位置为下一个波段组的起始位置，并等待下一个不重合位置的标记为波段组结束点。用波段组的结束位置减去起始位置，计算波段组的时长。
其中，示例性的，若波形开始位置在上一段数据中，将波段组起始位置定于当前30秒数据的起始位置。若波形组结束位置在30秒分割线后，将30秒数据结束位置作为波形组结束位置。计算30秒内所有识别到的同类型波组时间总和，除以30秒，得出该波形的占比。
另一方面，在另外的实施方式中，基于所述时间占比及预先配置的起止判据，获得睡眠的起始时间的方法包括：
基于眼电波数据及肌电波数据，在无眼球运动或慢眼球运动时段，基于α波的时间占比及θ波的存在情况，获得睡眠初判起始时间；
从所述睡眠初判起始时间开始向后查找纺锤波或K复合波；
查找到的首个纺锤波或K复合波起始时间作为睡眠起始时间。
基于所述时间占比及预先配置的起止判据，获得睡眠的结束时间的方法包括：
寻找结束分段，所述结束分段满足δ波的时间占比大于预设阈值或者预设时长内不存在纺锤波或者对应激烈的眼球运动；
基于所述结束分段获得睡眠结束时间。
请参阅附图5，为纺锤波和K复合波波形示意图。K复合波涉及一个正波（向上）后接一个负波。示例性的，请参阅附图6，在无眼球运动或慢眼球运动时段，找到α波时间占比低于50%，且出现θ波的波段，定位睡眠初判起始时间。从睡眠初判起始时间向后查找纺锤波或K复合波。找到纺锤波或K复合波，标记为睡眠起始时间。请参阅附图7，分析δ波占比，当δ波占比>50%时或者长时间（示例性的，如15秒）没有纺锤波出现标注为睡眠结束时间。
另一方面，在另外的实施方式中，请参阅附图8，识别所述睡眠段的纺锤波的方法包括：
基于预先配置的纺锤波的频率识别范围及持续时长范围，分割所述睡眠段获得纺锤波的起止时间；
根据预先配置的纺锤波峰值幅值范围，对识别出的纺锤波进行筛选，获得最终的纺锤波识别结果。
识别所述睡眠段的慢波的方法包括：
基于预先配置的慢波的频率识别范围及持续时长范围，分割所述睡眠段获得慢波的起止时间；
根据预先配置的慢波峰值幅值范围，对识别出的慢波进行筛选，获得最终的慢波识别结果。
请参阅附图9，获得所述纺锤波及慢波存在重合的重合波的方法包括：
对比纺锤波和慢波的起止时间；
当纺锤波的起点在慢波的起止时间之间，或者慢波的起点在纺锤波的起止时间之间，则判定对应的纺锤波和慢波构成重合波；
基于所述纺锤波和慢波的起止时间获得所述重合波的起止时间；
识别所述重合波的重合时间、重合时间占比，并对重合波进行标序。
另一方面，在另外的实施方式中，基于睡眠分区的所述重合波获得睡眠结束后预设时长内的血糖变化预测量的方法包括：
提取历史睡眠分区的所述重合波的至少一个属性值，获取历史睡眠分区结束后的血糖变化量，基于所述属性值及所述血糖变化量，获得样本数据；
建立机器学习模型，并基于所述样本数据对所述机器学习模型进行训练；
提取所述睡眠分区的所述重合波的相应属性值，基于所述属性值及训练后的所述机器学习模型获得血糖变化预测量。
另一方面，在另外的实施方式中，基于睡眠分区的所述重合波获得睡眠结束后预设时长内的血糖变化预测量的方法包括：
提取历史睡眠分区的所述重合波的至少一个属性值，获取历史睡眠分区结束后的血糖变化量；
将连续的预设数量个历史睡眠分区的所述属性值与所述血糖变化量关联，获得样本数据；
建立机器学习模型，并基于所述样本数据对所述机器学习模型进行训练；
提取所述睡眠分区的所述重合波的相应属性值，读取在前的睡眠分区的所述重合波的相应属性值，获得连续的预设数量个睡眠分区的所述属性值；
基于预设数量个所述属性值及训练后的所述机器学习模型获得血糖变化预测量。
使用本说明书提供的基于睡眠脑电波的血糖预测方法，结合实际测量的40天血糖值变化及脑电波中的重合波数量。测量结果如表1所示。
表1 血糖值及重合波数量测量结果
血糖值变化及脑电波中的重合波数量的关系变化趋势，如图10所示。其中第9天开始给于外界干预，降低血糖值，血糖值及重合波数量的变化趋势。可见血糖值的变化与重合波数量的变化，具有强相关性。使用重合波数量预测血糖值变化具有客观事实的支持。
另一方面，本说明书提供了一种基于睡眠脑电波的血糖预测系统，包括：
采集模块，用于接收睡眠脑电波的采集数据，对所述采集数据进行预处理，将所述采集数据依据预先配置的时长进行分段；
提取模块，用于从每个分段中分别提取出α波、β波、θ波及δ波，分别计算α波、β波、θ波及δ波在分段中存在的时间占比；
睡眠时间划分模块，用于基于所述时间占比及预先配置的起止判据，获得睡眠的起始时间和结束时间，获得睡眠分区；
分段模块，用于基于预先配置的时长，将所述睡眠分区的采集数据分段，获得多个睡眠段；
重合波识别模块，用于识别所述睡眠段的纺锤波及慢波，基于识别出的所述纺锤波及慢波的起止时间，获得所述纺锤波及慢波存在重合的重合波；
变化量预测模块，用于基于睡眠分区的所述重合波获得睡眠结束后预设时长内的血糖变化预测量；
血糖预测模块，用于基于在先血糖检测值及所述血糖变化预测量获得血糖预测的结果。
请参阅图11示出的本说明书实施例提供的一种电子设备的结构示意图。
如图11所示，该电子设备 1100可以包括:至少一个处理器 1101、至少一个网络接口 1104、用户接口 1103、存储器 1105以及至少一个通信总线 1102。其中，通信总线 1102可用于实现上述各个组件的连接通信。其中，用户接口 1103可以包括按键，可选用户接口还可以包括标准的有线接口、无线接口。其中，网络接口 1104 可以但不局限于包括蓝牙模块、NFC 模块、Wi-Fi 模块等。其中，处理器 1101 可以包括一个或者多个处理核心。处理器1101 利用各种接口和线路连接整个电子设备 1100内的各个部分，通过运行或执行存储在存储器 1105 内的指令、程序、代码集或指令集，以及调用存储在存储器 1105 内的数据，执行路由设备 1100 的各种功能和处理数据。可选的，处理器 1101 可以采用 DSP、FPGA、PLA 中的至少一种硬件形式来实现。处理器 1101 可集成CPU、GPU 和调制解调器等中的一种或几种的组合。其中，CPU 主要处理操作系统、用户界面和应用程序等；GPU 用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。
可以理解的是，上述调制解调器也可以不集成到处理器 1101中，单独通过一块芯片进行实现。
其中，存储器 1105 可以包括 RAM，也可以包括 ROM。可选的，该存储器 1105 包括非瞬时性计算机可读介质。存储器 1105 可用于存储指令、程序、代码、代码集或指令集。存储器 1105可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1105 可选的还可以是至少一个位于远离前述处理器 1101 的存储装置。作为一种计算机存储介质的存储器 1105中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。处理器 1101 可以用于调用存储器 1105 中存储的应用程序，并执行上述一个或多个实施例中的方法。
本说明书实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述实施例中的一个或多个步骤。上述电子设备的各组成模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在所述计算机可读取存储介质中。
在不冲突的情况下，本实施例和实施方案中的技术特征可以任意组合。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本说明书实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DigitalSubscriber Line，DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，（例如，软盘、硬盘、磁带）、光介质(例如，数字多功能光盘（DigitalVersatile Disc，DVD）)、或者半导体介质（例如，固态硬盘（Solid State Disk，SSD））等。
当通过硬件、固件实现时，将前述的方法流程编程到硬件电路中来得到相应的硬件电路结构，实现相应的功能。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(FieldProgrammable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
以上所述的实施例仅仅是本说明书的优选实施例方式进行描述，并非对本说明书的范围进行限定，在不脱离本说明书的设计精神的前提下，本领域普通技术人员对本说明书的技术方案作出的各种变形及改进，均应落入本说明书的权利要求书确定的保护范围内。

Claims (10)

1.基于睡眠脑电波的血糖预测方法，其特征在于，包括步骤：
接收睡眠生理信号的采集数据，对所述采集数据进行预处理，将所述采集数据依据预先配置的时长进行分段；
从每个分段中分别提取出α波、β波、θ波及δ波，分别计算α波、β波、θ波及δ波在分段中存在的时间占比；
基于所述时间占比及预先配置的起止判据，获得睡眠的起始时间和结束时间，获得睡眠期间；
基于预先配置的时长，将所述睡眠期间的采集数据分段，获得多个睡眠段；
识别所述睡眠段的纺锤波及慢波，基于识别出的所述纺锤波及慢波的起止时间，获得所述纺锤波及慢波存在重合的重合波；
基于睡眠期间的所述重合波获得睡眠结束后预设时长内的血糖变化预测量；
基于在先血糖检测值及所述血糖变化预测量获得血糖预测的结果。
2.根据权利要求1所述的基于睡眠脑电波的血糖预测方法，其特征在于，
所述采集数据包括脑电波数据、眼电波数据及肌电波数据，对所述采集数据进行预处理的方法包括步骤：
使用预先配置的陷波器去除所述脑电波数据、眼电波数据及肌电波数据的工频干扰；
基于肌电波数据及眼电波数据配置带阻滤波器，将所述脑电波数据、眼电波数据分别输入所述带阻滤波器，再将脑电波数据进行带通滤波，获得脑电过滤信号、脑电滤除信号及眼电过滤信号；
将脑电过滤信号及眼电过滤信号进行归一化，记录脑电过滤信号的归一化比例；
将归一化后的脑电过滤信号及眼电过滤信号对齐后相减，再除以所述归一化比例，与脑电滤除信号对齐后相加，获得预处理后的采集数据。
3.根据权利要求1或2所述的基于睡眠脑电波的血糖预测方法，其特征在于，
计算α波、β波、θ波及δ波在分段中存在的时间占比的方法包括：
基于每个α波、β波、θ波及δ波的持续时长，分别统计α波、β波、θ波及δ波持续的时间总和；
基于α波、β波、θ波及δ波持续的时间总和及所述分段的持续时长，获得α波、β波、θ波及δ波在分段中存在的时间占比。
4.根据权利要求2所述的基于睡眠脑电波的血糖预测方法，其特征在于，
基于所述时间占比及预先配置的起止判据，获得睡眠的起始时间的方法包括：
基于眼电波数据及肌电波数据，在无眼球运动或慢眼球运动时段，基于α波的时间占比及θ波的存在情况，获得睡眠初判起始时间；
从所述睡眠初判起始时间开始向后查找纺锤波或K复合波；
查找到的首个纺锤波或K复合波起始时间作为睡眠起始时间。
5.根据权利要求4所述的基于睡眠脑电波的血糖预测方法，其特征在于，
基于所述时间占比及预先配置的起止判据，获得睡眠的结束时间的方法包括：
寻找结束分段，所述结束分段满足δ波的时间占比大于预设阈值或者预设时长内不存在纺锤波或者对应激烈的眼球运动；
基于所述结束分段获得睡眠结束时间。
6.根据权利要求1或2所述的基于睡眠脑电波的血糖预测方法，其特征在于，
识别所述睡眠段的纺锤波的方法包括：
基于预先配置的纺锤波的频率识别范围及持续时长范围，分割所述睡眠段获得纺锤波的起止时间；
根据预先配置的纺锤波峰值幅值范围，对识别出的纺锤波进行筛选，获得最终的纺锤波识别结果；
识别所述睡眠段的慢波的方法包括：
基于预先配置的慢波的频率识别范围及持续时长范围，分割所述睡眠段获得慢波的起止时间；
根据预先配置的慢波峰值幅值范围，对识别出的慢波进行筛选，获得最终的慢波识别结果；
获得所述纺锤波及慢波存在重合的重合波的方法包括：
对比纺锤波和慢波的起止时间；
当纺锤波的起点在慢波的起止时间之间，或者慢波的起点在纺锤波的起止时间之间，则判定对应的纺锤波和慢波构成重合波；
基于所述纺锤波和慢波的起止时间获得所述重合波的起止时间；
识别所述重合波的重合时间、重合时间占比，并对重合波进行标序。
7.根据权利要求1或2所述的基于睡眠脑电波的血糖预测方法，其特征在于，
基于睡眠期间的所述重合波获得睡眠结束后预设时长内的血糖变化预测量的方法包括：
提取历史睡眠期间的所述重合波的至少一个属性值，获取历史睡眠期间结束后的血糖变化量，基于所述属性值及所述血糖变化量，获得样本数据；
建立机器学习模型，并基于所述样本数据对所述机器学习模型进行训练；
提取所述睡眠期间的所述重合波的相应属性值，基于所述属性值及训练后的所述机器学习模型获得血糖变化预测量；
或者，
基于睡眠期间的所述重合波获得睡眠结束后预设时长内的血糖变化预测量的方法包括：
提取历史睡眠期间的所述重合波的至少一个属性值，获取历史睡眠期间结束后的血糖变化量；
将连续的预设数量个历史睡眠期间的所述属性值与所述血糖变化量关联，获得样本数据；
建立机器学习模型，并基于所述样本数据对所述机器学习模型进行训练；
提取所述睡眠期间的所述重合波的相应属性值，读取在前的睡眠期间的所述重合波的相应属性值，获得连续的预设数量个睡眠期间的所述属性值；
基于预设数量个所述属性值及训练后的所述机器学习模型获得血糖变化预测量。
8.基于睡眠脑电波的血糖预测系统，其特征在于，
包括：
采集模块，用于接收睡眠脑电波的采集数据，对所述采集数据进行预处理，将所述采集数据依据预先配置的时长进行分段；
提取模块，用于从每个分段中分别提取出α波、β波、θ波及δ波，分别计算α波、β波、θ波及δ波在分段中存在的时间占比；
睡眠时间划分模块，用于基于所述时间占比及预先配置的起止判据，获得睡眠的起始时间和结束时间，获得睡眠期间；
分段模块，用于基于预先配置的时长，将所述睡眠期间的采集数据分段，获得多个睡眠段；
重合波识别模块，用于识别所述睡眠段的纺锤波及慢波，基于识别出的所述纺锤波及慢波的起止时间，获得所述纺锤波及慢波存在重合的重合波；
变化量预测模块，用于基于睡眠期间的所述重合波获得睡眠结束后预设时长内的血糖变化预测量；
血糖预测模块，用于基于在先血糖检测值及所述血糖变化预测量获得血糖预测的结果。
9.电子设备，包括处理器以及存储器；
所述处理器与所述存储器相连；
所述存储器，用于存储可执行程序代码；
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如权利要求1-7 任一项所述的方法。
10.计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
CN202410039813.5A 2024-01-11 2024-01-11 基于睡眠脑电波的血糖预测方法、系统、设备及存储介质 Pending CN117547260A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410039813.5A CN117547260A (zh) 2024-01-11 2024-01-11 基于睡眠脑电波的血糖预测方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410039813.5A CN117547260A (zh) 2024-01-11 2024-01-11 基于睡眠脑电波的血糖预测方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117547260A true CN117547260A (zh) 2024-02-13

Family

ID=89813240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410039813.5A Pending CN117547260A (zh) 2024-01-11 2024-01-11 基于睡眠脑电波的血糖预测方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117547260A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6572542B1 (en) * 2000-03-03 2003-06-03 Medtronic, Inc. System and method for monitoring and controlling the glycemic state of a patient
CN101896115A (zh) * 2006-06-15 2010-11-24 海博安有限公司 用于检测低血糖症的eeg信号分析
CN105561431A (zh) * 2015-12-17 2016-05-11 无锡桑尼安科技有限公司 基于血糖检测的胰岛素注射控制系统
CN109363670A (zh) * 2018-11-13 2019-02-22 杭州电子科技大学 一种基于睡眠监测的抑郁症智能检测方法
CN110623665A (zh) * 2019-09-26 2019-12-31 川北医学院 一种智能睡眠时相检测与睡眠质量评估系统及方法
US11478184B1 (en) * 2021-09-14 2022-10-25 Applied Cognition, Inc. Non-invasive assessment of glymphatic flow and neurodegeneration from a wearable device
CN115357126A (zh) * 2022-10-19 2022-11-18 之江实验室 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置
CN116491938A (zh) * 2023-06-27 2023-07-28 亿慧云智能科技（深圳）股份有限公司 一种ecg无创血糖测量方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6572542B1 (en) * 2000-03-03 2003-06-03 Medtronic, Inc. System and method for monitoring and controlling the glycemic state of a patient
CN101896115A (zh) * 2006-06-15 2010-11-24 海博安有限公司 用于检测低血糖症的eeg信号分析
CN105561431A (zh) * 2015-12-17 2016-05-11 无锡桑尼安科技有限公司 基于血糖检测的胰岛素注射控制系统
CN109363670A (zh) * 2018-11-13 2019-02-22 杭州电子科技大学 一种基于睡眠监测的抑郁症智能检测方法
CN110623665A (zh) * 2019-09-26 2019-12-31 川北医学院 一种智能睡眠时相检测与睡眠质量评估系统及方法
US11478184B1 (en) * 2021-09-14 2022-10-25 Applied Cognition, Inc. Non-invasive assessment of glymphatic flow and neurodegeneration from a wearable device
CN115357126A (zh) * 2022-10-19 2022-11-18 之江实验室 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置
CN116491938A (zh) * 2023-06-27 2023-07-28 亿慧云智能科技（深圳）股份有限公司 一种ecg无创血糖测量方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RAPHAEL VALLAT ET AL.: ""Coordinated human sleeping brainwaves map peripheral body glucose homeostasis"", 《CELL REPORTS MEDICINE》, vol. 4, no. 7, 18 July 2023 (2023-07-18) *

Similar Documents

Publication Publication Date Title
Uçar et al. Automatic sleep staging in obstructive sleep apnea patients using photoplethysmography, heart rate variability signal and machine learning techniques
Subasi Practical guide for biomedical signals analysis using machine learning techniques: A MATLAB based approach
Xu et al. Cluster-based analysis for personalized stress evaluation using physiological signals
Lai et al. Prognosis of sleep bruxism using power spectral density approach applied on EEG signal of both EMG1-EMG2 and ECG1-ECG2 channels
Sun et al. Activity-aware mental stress detection using physiological sensors
WO2009063463A2 (en) Pain monitoring using multidimensional analysis of physiological signals
WO2007053576A2 (en) Heart rate based bioassessment method and apparatus
Kasaeyan Naeini et al. Pain recognition with electrocardiographic features in postoperative patients: method validation study
CN116092673B (zh) 一种便携式多信息融合分析及干预评估系统及其方法
Almutairi et al. Detection of obstructive sleep apnoea by ecg signals using deep learning architectures
AU2020102907A4 (en) Novel automated machine learning algorithms based system for sleep staging features analysis
Zhang et al. Rass: A portable real-time automatic sleep scoring system
Sri et al. A systematic review on deep learning models for sleep stage classification
Kocak et al. Automated detection and classification of sleep apnea types using electrocardiogram (ECG) and electroencephalogram (EEG) features
CN113974557A (zh) 基于脑电奇异谱分析的深度神经网络麻醉深度分析方法
Khanmohammadi et al. Intrinsic network reactivity differentiates levels of consciousness in comatose patients
Hamlin et al. Assessing the feasibility of detecting epileptic seizures using non-cerebral sensor data
Sloboda et al. A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices
CN117547260A (zh) 基于睡眠脑电波的血糖预测方法、系统、设备及存储介质
CN114929319A (zh) 更新助眠音频信号的方法及装置
Surrel Low Power Sensing and Processing in Wearable Biomedical Devices for Personalized Health Monitoring
Farooq et al. Classification of Sleep using Polysomnography
CN109567823A (zh) 一种基于近红外光谱技术的麻醉深度监测系统及方法
CN117017234B (zh) 多参数集成麻醉监测与分析系统
TH et al. Improved feature exctraction process to detect seizure using CHBMIT-dataset

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