CN117615710A - 睡眠觉醒判定系统、睡眠觉醒判定方法以及计算机程序 - Google Patents
睡眠觉醒判定系统、睡眠觉醒判定方法以及计算机程序 Download PDFInfo
- Publication number
- CN117615710A CN117615710A CN202280048245.4A CN202280048245A CN117615710A CN 117615710 A CN117615710 A CN 117615710A CN 202280048245 A CN202280048245 A CN 202280048245A CN 117615710 A CN117615710 A CN 117615710A
- Authority
- CN
- China
- Prior art keywords
- sleep
- wake
- determination system
- sleep arousal
- frequency component
- 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
- 230000037007 arousal Effects 0.000 title claims abstract description 48
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims description 10
- 230000001133 acceleration Effects 0.000 claims abstract description 49
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 15
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 description 29
- 238000004891 communication Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 13
- 238000010295 mobile communication Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000010606 normalization Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 206010062519 Poor quality sleep Diseases 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- 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
-
- 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
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
-
- 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
-
- 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
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Dentistry (AREA)
- Power Engineering (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Anesthesiology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种睡眠觉醒判定系统等,能够使用较少的佩戴器具并以足够高的精度来判定睡眠及觉醒。根据本发明的一种方式,提供一种睡眠觉醒判定系统。所述睡眠觉醒判定系统包括至少一个处理器,其执行计算机程序以实现以下各步骤。在取得步骤中,取得表示使用者的身体的至少一部分的加速度的信号。在频带限制步骤中,将表示加速度的信号中包含的频率分量限制为特定频率分量。在变换步骤中,对由特定频率分量构成的信号进行傅立叶变换而生成判定用数据。在判定步骤中,基于判定用数据和预先设定的参照信息,来判定使用者的睡眠及觉醒。
Description
技术领域
本发明涉及一种睡眠觉醒判定系统、睡眠觉醒判定方法以及计算机程序。
背景技术
众所周知,要想保持人的良好健康状态,必须确保健康的睡眠,而失眠症、睡眠呼吸障碍、嗜睡症等睡眠障碍是危害健康的原因。要想掌握某个人的睡眠状态,就需要通过一晚至几天的时间来检查这个人的实际睡眠状况。
作为检查人的睡眠状态的方式,专利文献1等中提出的多导睡眠监测(polysomnography;PSG)正在被开发。在PSG中,在检查对象者的身体上安装多个电极或传感器,通过将所述电极或传感器分别连接到专用的测量仪器上来测量脑波、心电图、肌电图、呼吸状态等基础数据,并根据所述基础数据来检查睡眠及觉醒的状态。
现有技术文献
专利文献
专利文献1:日本专利公开2013-99507号公报
发明内容
发明所要解决的课题
在专利文献1等使用PSG的睡眠检查中,使用的测量仪器较多,并且检查场所被限定在医院或研究室。因此,很多人无法轻易进行多日以上的长期检查。另外,在与自己家不同的环境中,由于在身体上安装了多个电极或传感器,会导致压力产生并且难以入睡。因此,难以正确检查平时的睡眠状态。
本发明鉴于以上情况所完成,目的在于提供一种睡眠觉醒判定系统等,能够使用较少的佩戴器具并以足够高的精度来判定睡眠及觉醒。
用于解决课题的方案
根据本发明的一种方式,提供一种睡眠觉醒判定系统。所述睡眠觉醒判定系统包括至少一个处理器,其执行计算机程序以实现以下各步骤。在取得步骤中,取得表示使用者的身体的至少一部分的加速度的信号。在频带限制步骤中,将表示加速度的信号中包含的频率分量限制为特定频率分量。在变换步骤中,对由特定频率分量构成的信号进行傅立叶变换而生成判定用数据。在判定步骤中,基于判定用数据和预先设定的参照信息,来判定使用者的睡眠及觉醒。
根据这样的方式,能够使用较少的佩戴器具并以足够高的精度来判定睡眠及觉醒。
附图说明
图1是表示本实施方式的睡眠觉醒判定系统1的结构概要的图。
图2是表示图1所示的睡眠觉醒判定系统1的硬件结构的框图。
图3是表示可穿戴设备2的示例的照片。
图4是信息处理装置3的控制部33的功能框图。
图5是表示睡眠觉醒判定系统1的信息处理流程的活动图。
图6是用于说明历元(Epoch)E的概念图。
图7是用于说明历元E的概念图。
图8A、图8B是表示每个历元的加速度的L2范数的图(图8A)以及表示实际睡眠的睡眠结构图(Hypnogram)(图8B)的图。
图9A~图9D是表示各采样频率的已学习模型IF1的精度的图。
图10是表示模拟数字转换(Analog-digital conversion)中各比特率的睡眠觉醒判定的精度的图。
图11是表示由修正部334执行的标准化处理的概要图。
具体实施方式
以下利用图式说明本发明的实施方式。以下所示实施方式中示出的各种特征事项均可相互组合。
然而,用于实现本实施方式中出现的软件的计算机程序可作为计算机可读取的非临时存储介质(Non-Transitory Computer-Readable Medium)来提供,或从外部服务器可下载来提供,也可提供为在外部计算机上启动该计算机程序并在客户终端机上实现其功能(即所谓云计算)。
此外,在本实施方式中「部」可包括例如通过广义的电路所实施的硬件资源与可通过这样的硬件资源来具体实现的软件信息处理的组合。另外,虽然在本实施方式中处理各种信息,但这些信息是例如代表电压或电流的信号值的物理意义的数值,或者可以作为由0或1所构成的二进制的位集(bit set)的信号值的高低,或者通过量子迭加(即所谓量子位)来表示,而且可在广义的电路上执行通信或运算。
另外,广义的电路是通过至少适当地组合电路(Circuit)、电路类(Circuitry)、处理器(Processor)以及内存(Memory)等来实现的电路。即,包含针对特定用途的集成电路(Application Specific Integrated Circuit;ASIC)、可编程逻辑器件(例如,简单可编程逻辑器件(Simple Programmable Logic Device;SPLD)、复杂可编程逻辑器件(ComplexProgrammable Logic Device;CPLD)以及现场可编程门阵列(Field Programmable GateArray;FPGA))等。
1.硬件结构
在本节中,将说明睡眠觉醒判定系统1的整体结构。
1.1睡眠觉醒判定系统1
图1是表示本实施方式的睡眠觉醒判定系统1的结构概要的图。睡眠觉醒判定系统1是包含可穿戴设备2和信息处理装置3的系统,这些构成要素能够通过电信方式进行信息交换。图2是表示图1所示的睡眠觉醒判定系统1的硬件结构的框图。
1.2可穿戴设备2
图3是表示可穿戴设备2的示例的照片。如图3所示,可穿戴设备2是例如可佩戴在使用者手臂上的小型装置。另外,如图2所示,可穿戴设备2具有通信部21、存储部22、控制部23、加速度传感器24,这些构成要素在可穿戴设备2的内部通过通信总线20进行电连接。以下,对各构成要素作进一步说明。
通信部21优选为USB(Universal Serial Bus;通用串行总线)、IEEE(Instituteof Electrical and Electronics Engineers;美国电机电子工程师学会)1394、Thunderbolt、有线LAN(Local Area Network;局域网络)网络通信等有线通信手段,或以根据需要包含无线LAN网络通信、3G(Third Generation Mobile Communication;第三代移动通信技术)/LTE(Long Term Evolution;长期演进技术)/5G(Fifth Generation MobileCommunication;第五代移动通信技术)等移动通信、蓝牙(Bluetooth,注册商标)通信等的方式加以实施。特别是在本实施方式中,通信部21优选构成为能够将包含后述的加速度传感器24测量的时间序列的三维加速度向量v(x,y,z)的信息写入至外置的存储介质M中。存储介质M的种类或方式没有特别限定,例如,可以适当采用闪存、卡片型内存、光碟等。
存储部22存储所述说明所定义的各种信息。其可例如作为固态驱动器(SoldState Drive;SSD)等存储设备来实施,或者作为用于存储程序运算有关的临时必要信息(参数、数组等)的随机存取内存(Random Access Memory;RAM)等的内存来实施。此外,也可以是这些的组合。特别是,能够存储包含后述的加速度传感器24测量的时间序列的三维加速度向量v(x,y,z)的信息。需要注意的是,也可以实施为不通过存储部22而直接存储在所述存储介质M中。
控制部23执行可穿戴设备2相关整体动作的处理及控制。控制部23是例如未图示的中央处理器(Central Processing Unit;CPU)。控制部23通过读取存储部22所存储的预定计算机程序来实现可穿戴设备2相关的各种功能。即,通过存储于存储部22的软件进行的信息处理由作为硬件示例的控制部23来具体实现,从而可作为包含在控制部23中的各功能部来执行。另外,控制部23并不限定为单个,也可实施为按照各功能具有多个控制部23。此外,也可是这些的组合。
加速度传感器24构成为能够测量使用者身体的一部分例如手臂的加速度作为三维向量信息。即,能够从使用者取得包含时间序列的三维加速度向量v(x,y,z)的信息。
1.3信息处理装置3
如图2所示,信息处理装置3包括通信部31、存储部32和控制部33,这些构成要素通过通信总线30在信息处理装置3的内部进行电连接。以下,对各构成要素作进一步说明。
通信部31优选为USB(Universal Serial Bus;通用串行总线)、IEEE(Instituteof Electrical and Electronics Engineers;美国电机电子工程师学会)1394、Thunderbolt、有线LAN(Local Area Network;局域网络)网络通信等有线通信手段,或以根据需要包含无线LAN网络通信、3G(Third Generation Mobile Communication;第三代移动通信技术)/LTE(Long Term Evolution;长期演进技术)/5G(Fifth Generation MobileCommunication;第五代移动通信技术)等移动通信、蓝牙(Bluetooth,注册商标)通信等的方式加以实施。特别是在本实施方式中,通信部31优选作为能够读取存储在外置的存储介质M中的信息的存储介质读取部来实施。在存储介质M中,存储有包含通过可穿戴设备2从使用者取得的时间序列的三维加速度向量v(x,y,z)的信息。由此,作为存储介质读取部的通信部31构成为能够读取存储在存储介质M中的三维加速度向量v(x,y,z)。
存储部32存储所述说明所定义的各种信息。其可例如作为固态驱动器(SoldState Drive;SSD)等存储设备来实施,或者作为用于存储程序运算有关的临时必要信息(参数、数组等)的随机存取内存(Random Access Memory;RAM)等的内存来实施。此外,也可以是这些的组合。特别是,存储部32存储通过控制部33执行的信息处理装置3相关的各种程序等。
此外,存储部32还存储学习了期望历元(Epoch)的特征量f(N)、近过往历元的特征量f(N±δ)、以及与使用者的睡眠及觉醒的相关性的已学习模型。这样的机器学习的算法优选适当采用以往的算法。例如,可以举出逻辑回归(Logistic regression)、随机森林(Random forest)、XGBoost(eXtreme Gradient Boosting,极限梯度提升)、多层感知器(Multilayer perceptron;MLP)等。另外,每次使用信息处理装置3时,能够进一步实施将其作为教学数据(Teaching data)的机器学习并且更新该已学习模型。
控制部33(处理器的示例)执行信息处理装置3相关整体动作的处理及控制。控制部33是例如未图示的中央处理器(Central Processing Unit;CPU)。控制部33通过读取存储部32所存储的预定计算机程序来实现信息处理装置3相关的各种功能。即,通过软件(存储于存储部32)进行的信息处理通过硬件(控制部33)来具体实现,从而可作为后述的各功能部来执行。另外,在图2中,控制部33虽表述为单个,但实际上并不仅限于此,可实施为按照各功能具有多个控制部33。此外,也可是这些的组合。
2.功能结构
在本节中,将说明本实施方式的功能结构。如上所述,通过作为硬件示例的控制部33具体地实现存储在存储部32中的软件的信息处理,可以作为包含在控制部33中的各功能部来执行。图4是信息处理装置3中的控制部33的功能框图。即,控制部33具备以下各部。
取得部331构成为通过网络或存储介质M等从外部获取各种信息。例如,取得部331也可取得表示使用者身体的至少一部分的加速度的信号。关于这一点将在之后进一步详述。
频带限制部332构成为对由取得部331取得的信号执行频带限制处理。例如,频带限制部332也可以限制为表示加速度的信号所包含的频率分量中的特定频率分量C。关于这一点将在之后进一步详述。
变换部333构成为对由频带限制部332限制的特定频率分量C所构成的信号执行傅立叶变换处理。例如,也可以对由特定频率分量C所构成的信号进行傅立叶变换,生成判定用数据。关于这一点将在之后进一步详述。
修正部334构成为执行修正处理。例如,修正部334也可以将由变换部333生成的判定用数据的频率分量的分布进行标准化并修正。关于这一点将在之后进一步详述。
判定部335构成为判定使用者的睡眠及觉醒。例如,判定部335也可以基于特定频率分量C和预先设定的参照信息IF来判定使用者的睡眠及觉醒。关于这一点将在之后进一步详述。
显示控制部336构成为生成各种显示信息并控制使用者可视的显示内容。显示信息可以是画面、图像、图标、文本等以使用者可视的方式所生成的信息,也可以是用于使画面、图像、图标、文本等显示的渲染信息(Rendering information)。
3.信息处理方法
在本节中,将说明所述睡眠觉醒判定系统1的信息处理方法。
(流程概述)
图5是表示睡眠觉醒判定系统1的信息处理流程的活动图。以下将按照图5中的各活动来概述信息处理的流程。此处所说明的使用者是指假设为希望使用睡眠觉醒判定系统1提供的服务来判定睡眠及觉醒的对象。需要留意的是,此处的睡眠及觉醒的判定可以包括判定使用者是处于睡眠状态还是觉醒状态。使用者在例如自己的手臂上佩戴可穿戴设备2。
首先,使用者在自己身体的至少一部分例如单臂上佩戴了可穿戴设备2的状态下横躺休息。在此期间,可穿戴设备2中的加速度传感器24依次检测并测量使用者单臂的加速度(活动A101)。表示被测量的加速度的信号的日志数据被依次存储于已插入至可穿戴设备2的存储介质M中。
随后,在取得了表示加速度的信号的足够日志数据之后,通过将存储介质M从可穿戴设备2替换为信息处理装置3,将存储在存储介质M中的表示加速度的信号移交至信息处理装置3。即,取得部331取得表示使用者身体的至少一部分的加速度的信号(活动A102)。被取得的表示加速度的信号可以由存储部32的临时存储领域来读取。
接下来,通过由控制部33读取存储在存储部32中的预定计算机程序,将加速度的信号中包含的频率分量限制为特定频率分量C。即,频带限制部332将表示加速度的信号中包含的频率分量限制为特定频率分量C,并且特别优选为频带限制部332使用高通滤波器HF来限制为特定频率分量C(活动A103)。根据这样的方式,可以将特定频率分量C限制为截止频率(Cutoff frequency)以上的高频分量,从而可以更稳健地判定使用者的睡眠及觉醒。
然后,通过由控制部33读取存储在存储部32中的预定计算机程序,对由特定频率分量C构成的信号执行傅立叶变换。这样的傅立叶变换优选使用快速傅立叶变换(FastFourier Transformation;FFT)的算法。即,变换部333对由特定频率分量C所构成的信号执行傅立叶变换并生成判定用数据(活动A104)。
随后,通过由控制部33读取存储在存储部32中的预定计算机程序,执行所生成的判定用数据的频率分量的标准化。即,修正部334将判定用数据的频率分量(特定频率分量C的分布)进行标准化并修正(活动A105)。
接着,将被标准化的判定用数据作为以预定时间t单位所规定的历元E来处理。具体而言,通过由控制部33读取存储在存储部32中的预定计算机程序,来运算每个历元E的特征量f(N)(活动A106)。此处的N是历元E的序列号,将在之后进一步详述。
然后,控制部33读取存储在存储部32中的参照信息IF(活动A107),将期望的历元E的特征量f和在其周边规定的历元E的特征量f提供给参照信息IF,由此显示关于使用者的睡眠及觉醒的判定结果。特别优选地是,参照信息IF是学习了特定频率分量C与睡眠及觉醒之间的相关性的已学习模型IF1。根据这样的方式,能够使用机器学习来高精度地判定使用者的睡眠及觉醒。
即,判定部335基于包含特定频率分量C的判定用数据和预先设定的参照信息IF,来判定使用者的睡眠及觉醒。优选地,判定部335基于特定频率分量C,按照预定时间t所规定的每个历元E来特定特征量f。另外,判定部335基于历元E中的期望历元E的特征量f、在时间序列上比期望历元E更早的近过往历元E的特征量f、以及作为参照信息IF的示例的已学习模型IF1,来判定使用者的睡眠及觉醒。然后,显示控制部336进行控制,以使所述判定结果以可向使用者提示的方式显示(活动A108)。根据这样的方式,可以更高精度地判定使用者的睡眠及觉醒。
综上所述,所述睡眠觉醒判定方法包括睡眠觉醒判定系统1中的各步骤。在取得步骤中,取得表示使用者身体的至少一部分的加速度的信号。在频带限制步骤中,将表示加速度的信号中包含的频率分量限制为特定频率分量C。在变换步骤中,对由特定频率分量C构成的信号进行傅立叶变换而生成判定用数据。在判定步骤中,基于判定用数据和预先设定的参照信息,来判定使用者的睡眠及觉醒。
根据这样的方式,能够使用较少的佩戴器具并以足够高的精度来判定睡眠及觉醒。特别是,通过先进行频带限制之后再进行傅立叶变换,能够使判定用数据中的特征量f显著,其结果有助于睡眠及觉醒的判定。另外,由于不依赖于装置取得信号的采样频率,因此能够更稳健地判定使用者的睡眠及觉醒。
(信息处理的详情)
在此,将说明图5所概述的信息处理的详细部分。图6及图7是用于说明历元E的概念图。图8A、图8B是表示每个历元的加速度的L2范数的图(图8A)以及表示实际睡眠的睡眠结构图(Hypnogram)(图8B)的图。图9A~图9D是表示各采样频率的已学习模型IF1的精度的图。图10是表示模拟数字转换中各比特率的睡眠觉醒判定的精度的图。图11是表示由修正部334执行的标准化处理的概要图。
如图6所示,历元E是以预定时间t所规定的加速度的信号日志数据。所述预定时间t是例如5秒至600秒,优选为10秒至120秒,且进一步优选为20秒至60秒,具体而言例如为10、20、30、40、50、60、70、80、90、100、110、120、130、140、150、160、170、180、190、200、210、220、230、240、250、260、270、280、290、300、310、320、330、340、350、360、370、380、390、400、410、420、430、440、450、460、470、480、490、500、510、520、530、540、550、560、570、580、590、600秒,也可以在以上所示数值的任意两个之间的范围内。
在本实施方式中,将表示加速度的信号作为多个历元E来处理。假设在时间序列中第N个历元E被称为期望历元E,并将比此稍早的例如第N-1至N-4个历元E称为近过往历元E。在本实施方式中,将期望历元E的特征量f(N)和近过往历元E的特征量f(N-δ)作为输入,基于存储在存储部32中的所述已学习模型,来判定使用者的睡眠及觉醒。
δ值具体而言例如为0、1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38、39、40、41、42、43、44、45、46、47、48、49、50,也可以在以上所示数值的任意两个之间的范围内。当然,历元的数值仅为示例,并不仅限于此。此外,如图7所示,也可以采用特征量f(N±δ)来代替特征量f(N-δ)。在这种情况下,例如第N-4至N+4个历元E也可以被称为周边历元E。
此外,历元E的特征量f并无特别限定。例如,虽然对表示加速度的三维加速度向量v(x,y,z)等实施了高通滤波器HF、FFT及标准化处理,但是也可以从L2范数提取特征量f(N),将其用于睡眠及觉醒的判定。具体而言,例如特征量f(N)可以是针对L2范数等的标量值或其对数以多个临限值划分等级而生成的直方图,也可以是基于标量值乘以窗函数的乘积的功率谱。例如,图8A表示加速度的时间差的对数功率谱。图8B表示与图8A相关的睡眠结构图。
接着,如图9A~图9D所示,可知在生成已学习模型IF1时,判定的精度根据教学数据的采样频率发生变化。具体而言,按照图9A至图9D的顺序,将教学数据的采样频率设为50Hz、25Hz、10Hz及5Hz,并生成已学习模型IF1。
整体而言,当教学数据的采样频率和输入于此的样本信号的采样频率相匹配时,准确率(Accuracy)的分数(Score)呈上升趋势。进而,特别是在已学习模型IF1生成时教学数据的采样频率在25Hz以上的情况下,即使输入的样本信号的采样频率较低,也能够实现较高精度。在改变采样频率时,执行重新采样(Resampling)处理的情况和执行细化(Thinning)处理的情况之间未发现较大差异。
综上所述,优选为已学习模型IF1是通过以采样频率5Hz以上取得信号来学习特定频率分量C与睡眠及觉醒的相关性的已学习模型IF1。此外,输入至已学习模型IF1的样本信号的采样频率也优选为5Hz以上。对于这样的已学习模型,当输入的样本的采样频率与学习时的采样频率相匹配时,可以实现高精度的判定。
特别优选地是,已学习模型IF1是通过以采样频率25Hz以上取得信号来学习特定频率分量C与睡眠及觉醒的相关性的已学习模型IF1。根据这种方式,即使输入的样本的采样频率比学习时的采样频率更低,也能够实现高精度的判定。
即,在已学习模型IF1的学习中使用的信号的采样频率具体例如为5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38、39、40、41、42、43、44、45、46、47、48、49、50、51、52、53、54、55、56、57、58、59、60、61、62、63、64、65、66、67、68、69、70、71、72、73、74、75、76、77、78、79、80、81、82、83、84、85、86、87、88、89、90、91、92、93、94、95、96、97、98、99、100Hz,也可以在以上所示数值的任意两个之间的范围内。
此外,如图10所示,确认了模拟数字转换时的比特率会影响判定的精度。根据图10可知,在进行重新采样处理的情况下,4位与6位之间可以看到差异,在进行细化处理的情况下,6位与8位之间可以看到差异。即,优选为取得部331将比特率设为8位以上,对加速度进行模拟数字转换来取得信号。具体而言,可例如为8、10、12、14、16、32、48、64位,也可以在此所示数值的任意两个之间的范围内。根据这样的方式,可以将模拟数字转换的信号维持在较高精度,从而可以更加稳健地判定使用者的睡眠及觉醒。模拟数字转换本身可以以8位以上进行,也可以以所取得的信号结果为8位以上的方式进行。
进而,如图11所示,确认了可穿戴设备2的每个产品的频率灵敏度不同。在此,例示了可穿戴设备2a和可穿戴设备2b的情况。在本实施方式中,为了缓和这样根据每个产品的频率灵敏度的分散引起的误差,导入了由修正部334执行的标准化处理。通过实施标准化处理,可穿戴设备2a、可穿戴设备2b都变化为大致均匀的频率灵敏度分布。即,在本实施方式中,通过包含由修正部334执行的标准化处理,能够无关乎产品而减轻频率灵敏度的影响,从而能够更稳健地判定使用者的睡眠及觉醒。
4.其他
关于本实施方式的睡眠觉醒判定系统1,也可以采用以下的方式来实施。
在以上的实施方式中虽然说明了睡眠觉醒判定系统1的结构,但也可以向至少一台计算机提供执行睡眠觉醒判定系统1中的各步骤的计算机程序。根据这种方式,能够使用较少的佩戴器具并以足够高的精度判定睡眠及觉醒。另外,由于不依赖于装置获取信号的采样频率,因此能够更稳健地判定使用者的睡眠及觉醒。
另外,也可以不经由存储介质M,而经由因特网、内部网络或专用无线通信等通信网络进行从可穿戴设备2向信息处理装置3的表示加速度的信号的日志数据的交接。此外,由可穿戴设备2的加速度的测量以及由信息处理装置3的睡眠及觉醒的判定还可以以一定的延迟基本上实时地在线执行。
在本实施方式中,将取得部331、频带限制部332、变换部333、修正部334、判定部335以及显示控制部336作为由信息处理装置3的控制部33实现的功能部进行了说明,但是也可以将其中至少一部分作为由可穿戴设备2的控制部23实现的功能部来实施。
此外,可穿戴设备2和信息处理装置3可以作为一体化构成。即,信息处理装置3可以是使用者能够穿戴在身体一部分上的可穿戴设备2,并且可以进一步包括加速度传感器24,加速度传感器24可以构成为能够测量加速度的三维加速度向量v(x,y,z)。
频带限制部332也可以构成为使用带通滤波器代替高通滤波器HF来限制为特定频率分量C。根据这样的方式,可以将特定频率分量限制为优选分量,从而可以更稳健地判定使用者的睡眠和觉醒。
也可以将图5所示的活动A103和A104的顺序颠倒。即,修正部334可以将所取得的信号的频率分量分布进行标准化并修正,并且频带限制部332可以将经标准化的频率分量限制为特定频率分量C。根据这样的方式,可以减轻每个装置上不同频率灵敏度的影响,从而可以更稳健地判定使用者的睡眠和觉醒。
除了本实施方式的加速度传感器24之外,还可以适当地添加其它传感器。例如,可以添加SpO2传感器、环境光传感器、心率传感器等。也可实施为SpO2传感器可以测量经皮动脉血氧饱和度,并将其结果附加地用于睡眠和觉醒的判定。也可实施为环境光传感器可以测量使用者的环境光强度,并将其结果附加地用于睡眠和觉醒的判定。也可实施为心率传感器可以测量使用者的心率,并将其结果附加地用于睡眠和觉醒的判定。
此外,也可以提供为以下所述各方式。
(1)一种睡眠觉醒判定系统,其包含至少一个处理器,所述至少一个处理器能够执行计算机程序以实现以下各步骤:在取得步骤中,取得表示使用者的身体的至少一部分的加速度的信号;在频带限制步骤中,将表示所述加速度的信号中包含的频率分量限制为特定频率分量;在变换步骤中,对由所述特定频率分量构成的信号进行傅立叶变换而生成判定用数据;在判定步骤中,基于所述判定用数据和预先设定的参照信息,来判定所述使用者的睡眠及觉醒。
(2)如所述(1)所述的睡眠觉醒判定系统,其中在所述频带限制步骤中,使用高通滤波器或带通滤波器来限制为所述特定频率分量。
(3)如所述(1)或(2)所述的睡眠觉醒判定系统,其中进一步在修正步骤中,将所述判定用数据的频率分量的分布标准化并进行修正。
(4)如所述(1)或(2)所述的睡眠觉醒判定系统,其中进一步在修正步骤中,将所取得的所述信号的频率分量的分布标准化并进行修正,在所述频带限制步骤中,将被标准化的所述频率分量限制为所述特定频率分量。
(5)如所述(1)至(4)中任一项所述的睡眠觉醒判定系统,其中在所述取得步骤中,将比特率设为8位以上,对所述加速度进行模拟数字转换,取得所述信号。
(6)如所述(1)至(5)中任一项所述的睡眠觉醒判定系统,其中所述参照信息是学习了所述特定频率分量与所述睡眠及觉醒的相关性的已学习模型。
(7)如所述(6)所述的睡眠觉醒判定系统,其中所述已学习模型是通过以采样频率5Hz以上取得所述信号来学习所述特定频率分量与所述睡眠及觉醒的相关性的已学习模型。
(8)如所述(7)所述的睡眠觉醒判定系统,其中所述已学习模型是通过以采样频率25Hz以上取得所述信号来学习所述特定频率分量与所述睡眠及觉醒的相关性的已学习模型。
(9)如所述(1)至(8)中任一项所述的睡眠觉醒判定系统,其中在所述判定步骤中,基于所述判定用数据,按照预定时间所规定的每个历元来特定特征量,基于所述历元中的期望历元的所述特征量、在时间序列上比所述期望历元更早的近过往历元的所述特征量、以及所述参照信息,来判定所述使用者的睡眠及觉醒。
(10)一种睡眠觉醒判定方法,其包含所述(1)至(9)中任一项所述的睡眠觉醒判定系统中的各步骤。
(11)一种计算机程序,其使至少一台计算机执行所述(1)至(9)中任一项所述的睡眠觉醒判定系统中的各步骤。
当然,并不仅限于此。
最后,虽然本发明已以各种实施方式说明如上,然其仅是提示作为范例而并非用以限定本发明之范围。该新颖实施方式得以其他各种形态加以实施,在不脱离本发明之精神之范围内,当可作各种省略、置换及变动。该实施方式及其变形均包含在发明之范围及主旨中,并且包含在申请专利范围所述的发明及其均等之范围内。
附图标记说明
1:睡眠觉醒判定系统、
2:可穿戴设备、
2a:可穿戴设备、
2b:可穿戴设备、
3:信息处理装置、
20:通信总线、
21:通信部、
22:存储部、
23:控制部、
24:加速度传感器、
30:通信总线、
31:通信部、
32:存储部、
33:控制部、
331:取得部、
332:频带限制部、
333:变换部、
334:修正部、
335:判定部、
336:显示控制部、
C:特定频率分量、
E:历元、
HF:高通滤波器、
IF:参照信息、
IF1:已学习模型、
M:存储介质、
f:特征量、
t:预定时间、
v:三维加速度向量。
Claims (11)
1.一种睡眠觉醒判定系统,其特征在于,包括:
至少一个处理器,其执行计算机程序以实现以下各步骤,
在取得步骤中,取得表示使用者的身体的至少一部分的加速度的信号,
在频带限制步骤中,将表示所述加速度的信号中包含的频率分量限制为特定频率分量,
在变换步骤中,对由所述特定频率分量构成的信号进行傅立叶变换而生成判定用数据,
在判定步骤中,基于所述判定用数据和预先设定的参照信息,来判定所述使用者的睡眠及觉醒。
2.根据权利要求1所述的睡眠觉醒判定系统,其中,
在所述频带限制步骤中,使用高通滤波器或带通滤波器来限制为所述特定频率分量。
3.根据权利要求1或2所述的睡眠觉醒判定系统,其中,
进一步在修正步骤中,将所述判定用数据的频率分量的分布进行标准化并修正。
4.根据权利要求1或2所述的睡眠觉醒判定系统,其中,
进一步在修正步骤中,将所取得的所述信号的频率分量的分布进行标准化并修正,
在所述频带限制步骤中,将被标准化的所述频率分量限制为所述特定频率分量。
5.根据权利要求1至4中任一项所述的睡眠觉醒判定系统,其中,
在所述取得步骤中,将比特率设为8比特以上,对所述加速度进行模拟数字转换,取得所述信号。
6.根据权利要求1至5中任一项所述的睡眠觉醒判定系统,其中,
所述参照信息是学习了所述特定频率分量与所述睡眠及觉醒的相关性的已学习模型。
7.根据权利要求6所述的睡眠觉醒判定系统,其中,
所述已学习模型是通过以采样频率5Hz以上取得所述信号来学习所述特定频率分量与所述睡眠及觉醒的相关性的已学习模型。
8.根据权利要求7所述的睡眠觉醒判定系统,其中,
所述已学习模型是通过以采样频率25Hz以上取得所述信号来学习所述特定频率分量与所述睡眠及觉醒的相关性的已学习模型。
9.根据权利要求1至8中任一项所述的睡眠觉醒判定系统,其中,
在所述判定步骤中,
基于所述判定用数据,按照预定时间所规定的每个历元来特定特征量,
基于所述历元中的期望历元的所述特征量、在时间序列上比所述期望历元更早的近过往历元的所述特征量、以及所述参照信息,来判定所述使用者的睡眠及觉醒。
10.一种睡眠觉醒判定方法,其特征在于,包括权利要求1至9中任一项所述的睡眠觉醒判定系统中的各步骤。
11.一种计算机程序,其特征在于,使至少一台计算机执行权利要求1至9中任一项所述的睡眠觉醒判定系统中的各步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-122223 | 2021-07-27 | ||
JP2021122223 | 2021-07-27 | ||
PCT/JP2022/026470 WO2023008099A1 (ja) | 2021-07-27 | 2022-07-01 | 睡眠覚醒判定システム、睡眠覚醒判定方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117615710A true CN117615710A (zh) | 2024-02-27 |
Family
ID=85086790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280048245.4A Pending CN117615710A (zh) | 2021-07-27 | 2022-07-01 | 睡眠觉醒判定系统、睡眠觉醒判定方法以及计算机程序 |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP4356834A1 (zh) |
JP (1) | JPWO2023008099A1 (zh) |
KR (1) | KR20240028476A (zh) |
CN (1) | CN117615710A (zh) |
TW (1) | TWI833276B (zh) |
WO (1) | WO2023008099A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009297474A (ja) * | 2008-06-12 | 2009-12-24 | Sleep System Kenkyusho:Kk | 睡眠段階判定装置 |
JP5430034B2 (ja) | 2011-10-14 | 2014-02-26 | 株式会社タニタ | 睡眠評価処理システム及び睡眠評価装置 |
WO2013061415A1 (ja) * | 2011-10-26 | 2013-05-02 | 株式会社日立製作所 | 呼吸測定システム及びrem睡眠判定システム |
WO2017040331A1 (en) * | 2015-08-28 | 2017-03-09 | Awarables, Inc. | Determining sleep stages and sleep events using sensor data |
WO2017141976A1 (ja) * | 2016-02-15 | 2017-08-24 | ヘルスセンシング株式会社 | 睡眠状態測定装置及び方法、位相コヒーレンス算出装置、生体振動信号測定装置、ストレス状態測定装置及び睡眠状態測定装置及び心拍波形抽出方法 |
CN113272908B (zh) * | 2018-12-24 | 2024-04-12 | 皇家飞利浦有限公司 | 用于利用感官刺激增强rem睡眠的系统和方法 |
-
2022
- 2022-07-01 EP EP22849165.0A patent/EP4356834A1/en active Pending
- 2022-07-01 CN CN202280048245.4A patent/CN117615710A/zh active Pending
- 2022-07-01 WO PCT/JP2022/026470 patent/WO2023008099A1/ja active Application Filing
- 2022-07-01 JP JP2023538370A patent/JPWO2023008099A1/ja active Pending
- 2022-07-01 KR KR1020247003653A patent/KR20240028476A/ko active Search and Examination
- 2022-07-07 TW TW111125518A patent/TWI833276B/zh active
Also Published As
Publication number | Publication date |
---|---|
EP4356834A1 (en) | 2024-04-24 |
WO2023008099A1 (ja) | 2023-02-02 |
TW202345166A (zh) | 2023-11-16 |
TW202320087A (zh) | 2023-05-16 |
TWI833276B (zh) | 2024-02-21 |
JPWO2023008099A1 (zh) | 2023-02-02 |
KR20240028476A (ko) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7553549B2 (ja) | 発作予測および検出のためのシステムおよび方法 | |
US10561321B2 (en) | Continuous monitoring of a user's health with a mobile device | |
US20190365332A1 (en) | Determining wellness using activity data | |
US20190038148A1 (en) | Health with a mobile device | |
US20190076031A1 (en) | Continuous monitoring of a user's health with a mobile device | |
US11089146B2 (en) | Systems and methods for rehabilitative motion sensing | |
CN107463874A (zh) | 情绪识别方法及系统、及应用该方法的智能看护系统 | |
JP2020536623A (ja) | モバイルデバイスを用いたユーザの健康の連続的監視 | |
JP2018102617A (ja) | 感情推定装置、方法およびプログラム | |
US20160354024A1 (en) | Method for detecting deception and predicting interviewer accuracy in investigative interviewing using interviewer, interviewee and dyadic physiological and behavioral measurements | |
Bermeo et al. | A system to monitor tremors in patients with Parkinson's disease | |
CN113168908A (zh) | 使用移动装置持续监测用户健康 | |
US20240032851A1 (en) | Cognitive function estimation device, cognitive function estimation method, and storage medium | |
CN117615710A (zh) | 睡眠觉醒判定系统、睡眠觉醒判定方法以及计算机程序 | |
Nouriani et al. | System-Identification-Based Activity Recognition Algorithms With Inertial Sensors | |
CN108378845A (zh) | 一种多功能麻醉科用麻醉深度监测装置 | |
Singh et al. | Improved Classification of Mental Workload Using One Dimensional Convolutional Neural Network and SMOTE Technique | |
EP3995077A1 (en) | Sleep-wakefulness determination device and program | |
US20230000446A1 (en) | Apparatus and method for estimating lipid concentration | |
Subiramaniyam | Enhanced Real-Time Analysis and Anomaly Detection in Smart Health Monitoring Systems through Integration of Deep Learning Algorithm with IoT-Edge Computing | |
US20230293089A1 (en) | Brain function determination apparatus, brain function determination method, and computer-readable medium | |
Pustozerov et al. | Modern Methods for Determining Emotional Stress Based on Physiological Signals and Machine Learning | |
Venugopal et al. | Wearable Stress Monitoring Band using Context Aware Sensor Fusion Technology | |
Schulting | Exploring Health Insights from Polar Vantage V3, Polar Verity Sense and Polar H10 Integration within the RADAR-base Platform | |
Mandle et al. | A Review on Real Time Heart Rate Monitoring System using MATLAB |
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 |