CN117643455B - 一种智能穿戴设备的睡眠侦测方法 - Google Patents
一种智能穿戴设备的睡眠侦测方法 Download PDFInfo
- Publication number
- CN117643455B CN117643455B CN202410114342.XA CN202410114342A CN117643455B CN 117643455 B CN117643455 B CN 117643455B CN 202410114342 A CN202410114342 A CN 202410114342A CN 117643455 B CN117643455 B CN 117643455B
- Authority
- CN
- China
- Prior art keywords
- sleep
- period
- body movement
- rough
- time
- 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
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 271
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 230000033001 locomotion Effects 0.000 claims abstract description 187
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 48
- 230000004424 eye movement Effects 0.000 claims abstract description 45
- 230000003860 sleep quality Effects 0.000 claims abstract description 31
- 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
- 238000013441 quality evaluation Methods 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 14
- 230000006872 improvement Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000007717 exclusion Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000006880 cross-coupling reaction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种智能穿戴设备的睡眠侦测方法,属于诊断侦测技术领域,包括:基于预设的体动静止条件和被侦测对象在单个侦测周期内的体动数据,确定出被侦测对象的睡眠粗略预备时段;确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征;基于生理状态数据和眼动状态数据之间的互耦特征,在睡眠粗略预备时段中划分出多个睡眠状态期;基于睡眠粗略预备时段中所有睡眠状态期的时段特征,评估出被侦测对象的睡眠质量评估值;用以实现对被侦测对象的总睡眠周期的识别以及不同睡眠状态期的准确识别,并实现对被侦测对象的高效准确地睡眠侦测。
Description
技术领域
本发明涉及诊断侦测技术领域,特别涉及一种智能穿戴设备的睡眠侦测方法。
背景技术
目前,随着智能穿戴设备的内置系统程序的升级,出现具有睡眠监测功能的智能穿戴设备。现有的智能穿戴设备的睡眠侦测方法多通过对基于预设的生理状态数据(例如心率数据或呼吸数据等)的阈值判断被侦测对象是否入睡,并识别出被侦测对象的不同睡眠状态期(例如深睡期、浅睡期、快速眼动睡眠期等),并基于不同睡眠状态期的生理状态数据或时长评估出被侦测对象的睡眠质量。
但是,上述现有的智能穿戴设备的睡眠侦测方法,由于被侦测对象的生理状态数据与睡眠状态之间的对应关系不是固定不变的,可能与被侦测对象的身体素质和性别特征以及被侦测对象的心理状态等因素有很大关系。因此,仅仅通过被侦测对象的生理状态数据和睡眠状态期之间的预设对应关系确定被侦测对象的睡眠时段和睡眠状态期是不够准确的,进而导致基于此方法确定出的睡眠状态期进一步评估出的睡眠质量的评估结果也不够准确。
因此,本发明提出了一种智能穿戴设备的睡眠侦测方法。
发明内容
本发明提供一种智能穿戴设备的睡眠侦测方法,用以基于智能穿戴设备监测获得的被侦测对象的体动数据实现对被侦测对象的总睡眠周期的准确识别,且基于被侦测对象的生理状态数据和眼动状态数据之间的互耦特征,实现在被侦测对象的总睡眠周期中准确识别出不同睡眠状态期,克服了现有技术的智能穿戴设备的睡眠侦测方法中仅依据被侦测对象的生理状态数据与睡眠状态之间的对应关系划分睡眠状态期的准确度不够的缺陷,并进一步地基于睡眠粗略预备时段中的所有睡眠粗略预备时段客观评估出被侦测对象的睡眠质量,以实现对被侦测对象的准确睡眠侦测。
本发明提供一种智能穿戴设备的睡眠侦测方法,包括:
S1:基于预设的体动静止条件和被侦测对象在单个侦测周期内的体动数据,确定出被侦测对象的睡眠粗略预备时段;
S2:确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征;
S3:基于生理状态数据和眼动状态数据之间的互耦特征,在睡眠粗略预备时段中划分出多个睡眠状态期;
S4:基于睡眠粗略预备时段中所有睡眠状态期的时段特征,评估出被侦测对象的睡眠质量评估值。
优选的,S1:基于预设的体动静止条件和被侦测对象在单个侦测周期内的体动数据,确定出被侦测对象的睡眠粗略预备时段,包括:
S101:基于三轴加速度传感器获得被侦测对象的智能穿戴设备的穿戴位置所在肢体在三个方向的体动曲线;
S102:将三个方向的体动曲线时序对齐后进行合并,获得被侦测对象的综合体动曲线;
S103:基于综合体动曲线,在单个侦测周期中识别出体动幅度和体动频率满足预设的体动静止条件的时段,作为被侦测对象的睡眠粗略预备时段。
优选的,S103:基于综合体动曲线,在单个侦测周期中识别出体动幅度和体动频率满足预设的体动静止条件的时段,作为被侦测对象的睡眠粗略预备时段,包括:
在综合体动曲线中识别出每次动作的部分体动曲线,基于部分体动曲线确定出每次动作的体动幅度;
确定出单位分析时间长度,以单位分析时间长度为相邻待分析时段的偏差时段长度,并基于预设的最短分析时长,确定出综合体动曲线中的所有待分析时段;
将每个待分析时段内包含的所有相邻部分体动曲线之间的时间间隔的均值与待分析时段的时段长度的比值,当作对应待分析时段的总体动频率;
基于所有动作的体动幅度和所有待分析时段的总体动频率以及预设的体动静止条件的时段,在所有待分析时段中筛选出属于睡眠粗略预备时段的待分析时段,当作部分睡眠粗略预备时段;
基于所有部分睡眠粗略预备时段,确定出被侦测对象的睡眠粗略预备时段。
优选的,基于所有动作的体动幅度和所有待分析时段的总体动频率以及预设的体动静止条件的时段,在所有待分析时段中筛选出属于睡眠粗略预备时段的待分析时段,当作部分睡眠粗略预备时段,包括:
确定出待分析时段内体动幅度大于大幅度动作的最小体动幅度阈值且体动幅度的差值在预设差值之内的两个动作,并确定出体动幅度大于大幅度动作的最小体动幅度阈值且体动幅度的差值在预设差值之内的两个动作之间的时间间隔,当作大幅度动作时间间隔;
将所有大幅度动作时间间隔与待分析时段的时段长度的比值,当作待分析时段的大幅度体动频率;
判断出大幅度动作的体动频率是否不超过预设的体动静止条件中的第一体动频率阈值且待分析时段的总体动频率是否不超过预设的体动静止条件中的第二体动频率阈值,若是,则判定待分析时段为部分睡眠粗略预备时段;
否则,判定待分析时段不是部分睡眠粗略预备时段。
优选的,基于所有部分睡眠粗略预备时段,确定出被侦测对象的睡眠粗略预备时段,包括:
判断出所有部分睡眠粗略预备时段中是否存在间隔时间超出间隔时间阈值的相邻部分睡眠粗略时段,若是,则将对应间隔时间当作过度间隔时间,并确定出过度间隔时间在所有相邻部分睡眠粗略时段之间的间隔时间中的排序序数与所有相邻部分睡眠粗略时段之间的间隔时间的总数的比值,当作过度间隔时间的相对位置表示值;
将相对位置表示值不大于排除位置表示值的过度间隔时间之前的所有部分睡眠序列预备时段排除,将最终排除后获得的剩余的所有部分睡眠粗略预备时段的总覆盖时段,当作被侦测对象的睡眠粗略预备时段;
否则,将当前的所有部分睡眠粗略预备时段的总覆盖时段,当作被侦测对象的睡眠粗略预备时段。
优选的,S2:确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征,包括:
S201:基于被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据,确定出被侦测对象在睡眠粗略预备时段内的生理参数检测项目的电信号频谱图,当作第一电信号频谱图,并确定出眼动状态红外检测项目的电信号频谱图,当作第二电信号频谱图;
S202:基于第一电信号频谱图和第二电信号频谱图,确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征。
优选的,S202:基于第一电信号频谱图和第二电信号频谱图,确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征,包括:
确定出第一电信号频谱图和第二电信号频谱图之间的互功率密度谱,并将互功率密度谱的幅值和相位当作被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征。
优选的,S3:基于生理状态数据和眼动状态数据之间的互耦特征,在睡眠粗略预备时段中划分出多个睡眠状态期,包括:
基于每种睡眠状态期的幅值范围和相位范围和生理状态数据和眼动状态数据之间的互耦特征中互功率密度谱的幅值和相位,对互功率密度谱进行时域划分,获得多个睡眠状态期。
优选的,S4:基于睡眠粗略预备时段中所有睡眠状态期的时段特征,评估出被侦测对象的睡眠质量评估值,包括:
基于睡眠粗略预备时段中所有睡眠状态期的时段长度、睡眠粗略预备时段的起始时刻和终止时刻以及预设睡眠质量评估方式,评估出被侦测对象的睡眠质量评估值。
优选的,还包括:
基于被侦测对象的睡眠质量评估值和睡眠粗略预备时段中所有睡眠状态期的时段特征,生成睡眠报告和睡眠改善建议;
将睡眠报告和睡眠改善建议发送至智能穿戴设备中的对应显示平台。
本发明区别于现有技术的有益效果为:基于智能穿戴设备监测获得的被侦测对象的体动数据实现对被侦测对象的总睡眠周期的准确识别,且基于被侦测对象的生理状态数据和眼动状态数据之间的互耦特征,实现在被侦测对象的总睡眠周期中准确识别出不同睡眠状态期,克服了现有技术的智能穿戴设备的睡眠侦测方法中仅依据被侦测对象的生理状态数据与睡眠状态之间的对应关系划分睡眠状态期的准确度不够的缺陷,并进一步地基于睡眠粗略预备时段中的所有睡眠粗略预备时段客观评估出被侦测对象的睡眠质量,以实现对被侦测对象的准确睡眠侦测。
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所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中的一种智能穿戴设备的睡眠侦测方法流程图;
图2为本发明实施例中的再一种智能穿戴设备的睡眠侦测方法流程图;
图3为本发明实施例中的又一种智能穿戴设备的睡眠侦测方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供了一种智能穿戴设备的睡眠侦测方法,参考图1,包括:
S1:基于预设的体动静止条件(即为用于筛选出睡眠粗略预备时段时被侦测对象的体动数据需要满足的预设条件)和被侦测对象(即为利用该实施例中的智能穿戴设备的睡眠侦测方法被进行睡眠侦测的人体对象)在单个侦测周期(即为可侦测出睡眠质量的最短周期,例如:24小时)内的体动数据(即利用例如三轴加速度传感器或重力传感器等测量出的体动数据),确定出被侦测对象的睡眠粗略预备时段(即为被侦测对象从准备进入睡眠状态的时刻起(即在床上准备好进入睡眠的时刻)至离床时刻的时段);
步骤S1基于智能穿戴设备监测获得的被侦测对象的体动数据实现对被侦测对象的总睡眠周期的准确识别;
S2:确定出被侦测对象在睡眠粗略预备时段内的生理状态数据(即为表征被侦测对象的生理状态的数据,例如心率监测数据和脑波监测数据等)和眼动状态数据(即为表征被侦测对象的眼动状态的数据,例如眼动频率或者持续睁眼时段和持续闭眼时段)之间的互耦特征(即为表征被侦测对象的生理状态数据和眼动状态数据之间的相关性的特征);
S3:基于生理状态数据和眼动状态数据之间的互耦特征,在睡眠粗略预备时段中划分出多个睡眠状态期(例如:深睡期、浅睡期、REM期(即快速眼动睡眠期等));
步骤S2和S3基于被侦测对象的生理状态数据和眼动状态数据之间的互耦特征,实现在被侦测对象的总睡眠周期中准确识别出不同睡眠状态期,克服了现有技术的智能穿戴设备的睡眠侦测方法中仅依据被侦测对象的生理状态数据与睡眠状态之间的对应关系划分睡眠状态期的准确度不够的缺陷;
S4:基于睡眠粗略预备时段中所有睡眠状态期的时段特征(即为与睡眠状态期的时段相关的特征,例如时段的时间长度以及时段的起始时刻和终止时刻等),评估出被侦测对象的睡眠质量评估值(即为表征被侦测对象在当前单个侦测周期内的睡眠质量的评估数值)。
步骤S4进一步地基于睡眠粗略预备时段中的所有睡眠粗略预备时段客观评估出被侦测对象的睡眠质量,以实现对被侦测对象的准确睡眠侦测。
实施例2:
在实施例1的基础上,S1:基于预设的体动静止条件和被侦测对象在单个侦测周期内的体动数据,确定出被侦测对象的睡眠粗略预备时段,参考图2,包括:
S101:基于三轴加速度传感器获得被侦测对象的智能穿戴设备的穿戴位置所在肢体在三个方向的体动曲线(即为将利用三轴加速度传感器获得的被侦测对象在三个轴上的加速度按照时序为自变量,拟合出加速度随时间变化的曲线即为体动曲线,体动曲线即为表征三轴加速度获得的被侦测对象三个轴上的加速度随时间变化的曲线);
S102:将三个方向的体动曲线时序对齐后进行合并(即为将三个方向的体动曲线中相同时刻的加速度数值的平方和开三次方之后的数值当作综合体动各曲线中对应时刻的数值),获得被侦测对象的综合体动曲线(即为表征被侦测对象的在三维空间中的总加速度随时间变化的曲线);
S103:基于综合体动曲线,在单个侦测周期中识别出体动幅度(即为表征被侦测对象的肢体动作幅度的相关参数)和体动频率(即为表征被侦测对象的肢体动作频率的相关参数)满足预设的体动静止条件的时段,作为被侦测对象的睡眠粗略预备时段。
通过对利用三轴加速度传感器获取的体动数据进行曲线拟合和三轴合并,获得表征被侦测对象在三维空间中的总加速度随时间变化的综合体动曲线,并基于综合体动曲线确定出的被侦测对象的体动幅度和体动频率以及预设的体动静止条件的时段,准确确定出被侦测对象的总睡眠周期,即睡眠粗略预备时段。
实施例3:
在实施例2的基础上,S103:基于综合体动曲线,在单个侦测周期中识别出体动幅度和体动频率满足预设的体动静止条件的时段,作为被侦测对象的睡眠粗略预备时段,包括:
在综合体动曲线中识别出每次动作的部分体动曲线(即为综合体动曲线中加速度突然升高又回归正常的部分曲线),基于部分体动曲线确定出每次动作的体动幅度(即为将部分体动曲线中的峰值当作动作的体动幅度);
确定出单位分析时间长度(例如1分钟,即为相邻待分析时段之间运行最大偏差时间),以单位分析时间长度为相邻待分析时段的偏差时段长度,并基于预设的最短分析时长(即为待分析时段可允许的最短时长例如10分钟),确定出综合体动曲线中的所有待分析时段(例如:从综合体动曲线的起始时刻开始至10分钟后的时段当作第一个待分析时段,从从综合体动曲线的起始时刻后的1分钟至起始时刻后的11分钟的时段当作第二个待分析时段,并以每次滞后一个单位分析时间长度为规律,确定出之后的待分析时段);
将每个待分析时段内包含的所有相邻部分体动曲线之间的时间间隔的均值与待分析时段的时段长度的比值,当作对应待分析时段的总体动频率(即为待分析时段内动作的发生频率);
基于所有动作的体动幅度和所有待分析时段的总体动频率以及预设的体动静止条件的时段,在所有待分析时段中筛选出属于睡眠粗略预备时段的待分析时段,当作部分睡眠粗略预备时段;
基于所有部分睡眠粗略预备时段,确定出被侦测对象的睡眠粗略预备时段。
基于在综合体动曲线中识别出的每次动作的部分体动曲线以及在综合体动曲线中确定出的多个待分析时段,实现对每个待分析时段的总体动频率和体动幅度的分析,并基于确定出的体动频率参数和体动幅度参数,判断待分析时段是否属于被侦测对象的睡眠粗略预备时段,进而准确确定出被侦测对象的睡眠粗略预备时段。
实施例4:
在实施例3的基础上,基于所有动作的体动幅度和所有待分析时段的总体动频率以及预设的体动静止条件的时段,在所有待分析时段中筛选出属于睡眠粗略预备时段的待分析时段,当作部分睡眠粗略预备时段,包括:
确定出待分析时段内体动幅度大于大幅度动作(即为预设标准中的体动幅度较大的动作)的最小体动幅度阈值(即为预设的大幅动作可达到的体动幅度的最小阈值)且体动幅度的差值在预设差值(即为预设的被判定为大幅度动作时这两个大幅度动作的体动幅度的差值需要满足的最大阈值)之内的两个动作,并确定出体动幅度大于大幅度动作的最小体动幅度阈值且体动幅度的差值在预设差值之内的两个动作之间的时间间隔,当作大幅度动作时间间隔(即为大幅度动作在待分析时段内的发生时间的间隔);
将所有大幅度动作时间间隔与待分析时段的时段长度的比值,当作待分析时段的大幅度体动频率(即为大幅度动作在待分析时段内的发生频率);
判断出大幅度动作的体动频率是否不超过预设的体动静止条件中的第一体动频率阈值(即预设的体动静止条件中包含的大幅度动作的体动频率需要满足的最大阈值)且待分析时段的总体动频率是否不超过预设的体动静止条件中的第二体动频率阈值(即为预设的体动静止条件中包含的待分析时段的总体动频率需要满足的最大阈值),若是,则判定待分析时段为部分睡眠粗略预备时段;
否则,判定待分析时段不是部分睡眠粗略预备时段。
通过对待分析时段中包含的大幅度动作的识别筛选,确定出大幅度动作动作的大幅度体动频率,并以待分析时段的大幅度体动频率和总体动频率当作预设的体动静止条件中的判断依据,即以大幅度动作的频率和一般动作的频率为判断依据,准确判断出待分析时段是否为部分睡眠粗略预备时段。
实施例5:
在实施例3的基础上,基于所有部分睡眠粗略预备时段,确定出被侦测对象的睡眠粗略预备时段,包括:
判断出所有部分睡眠粗略预备时段中是否存在间隔时间超出间隔时间阈值(即为过度间隔时间满足的预设最小阈值)的相邻部分睡眠粗略时段,若是,则将对应间隔时间当作过度间隔时间(即为超出间隔时间阈值的间隔时间),并确定出过度间隔时间在所有相邻部分睡眠粗略时段之间的间隔时间中的排序序数与所有相邻部分睡眠粗略时段之间的间隔时间的总数的比值,当作过度间隔时间的相对位置表示值(即为表征过度间隔时间在所有部分睡眠粗略预备时段中的相对位置的数值);
将相对位置表示值不大于排除位置表示值(即为表示需要将对应过度间隔时间之前的所有部分睡眠序列预备时段排除时,过度间隔时间的相对位置表示值需要满足的最大阈值)的过度间隔时间之前的所有部分睡眠序列预备时段排除,将最终排除后获得的剩余的所有部分睡眠粗略预备时段的总覆盖时段(即为剩余的所有部分睡眠粗略预备时段中最早的起始时刻至最晚的终止时刻所形成的时段),当作被侦测对象的睡眠粗略预备时段;
否则,将当前的所有部分睡眠粗略预备时段的总覆盖时段(即为当前的所有部分睡眠粗略预备时段中最早的起始时刻至最晚的终止时刻所形成的时段),当作被侦测对象的睡眠粗略预备时段。
以对所有相邻部分睡眠粗略预备时段之间的间隔时间的长度为依据在所有相邻部分睡眠粗略预备时段的所有间隔时间中筛选出过度间隔时间,并基于相对位置表示值实现过度间隔时间在所有相邻部分睡眠粗略预备时段中的相对位置的数值化表示,并通过将相对位置表示值与排除位置表示值进行比较,判断过度间隔时间之前的所有部分睡眠粗略预备时段是否需要排除,进而准确筛选出最终形成被侦测对象的睡眠粗略预备时段中的合格的部分睡眠粗略预备时段。
实施例6:
在实施例1的基础上,S2:确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征,参考图3,包括:
S201:基于被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据,确定出被侦测对象在睡眠粗略预备时段内的生理参数检测项目(例如心率监测项目)的电信号频谱图(即例如心电信号频谱图),当作第一电信号频谱图,并确定出眼动状态红外检测项目的电信号频谱图(即为红外眼动检测装置获取的红外电信号频谱图),当作第二电信号频谱图;
S202:基于第一电信号频谱图和第二电信号频谱图,确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征。
通过确定出生理状态数据中生理参数检测项目以及眼动状态数据中眼动状态红外检测项目的电信号频谱图,确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征。
实施例7:
在实施例6的基础上,S202:基于第一电信号频谱图和第二电信号频谱图,确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征,包括:
确定出第一电信号频谱图和第二电信号频谱图之间的互功率密度谱(假设第一电信号频谱图为中的信号表示为x(t),第二电信号频谱图中的信号表示为,则对x(t)与y(t)的互相关函数进行傅里叶变换,获得其频域中的功率密度谱,即称为第一电信号频谱图和第二电信号频谱图之间的互功率密度谱,具体确定过程是第一电信号频谱乘以第二电信号频谱的共轭得到,它的结果为复数形式,有幅值和相位信号,互功率谱蕴涵有两个信号之间在幅值和相位上的相互关系信息。它在任意频率处的相位值,表示两个信号在该频率的相对相位(相位差),可用于研究两个信号的相位关系),并将互功率密度谱的幅值和相位当作被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征。
利用生理状态数据对应的电信号频谱和眼动状态数据对应的电信号频谱之间的互功率密度谱,当作被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征,确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的相关性数据。
实施例8:
在实施例1的基础上,S3:基于生理状态数据和眼动状态数据之间的互耦特征,在睡眠粗略预备时段中划分出多个睡眠状态期,包括:
基于每种睡眠状态期的幅值范围和相位范围(预设的睡眠状态期需要满足的互功率密度谱的幅值和相位需要分别满足的范围)和生理状态数据和眼动状态数据之间的互耦特征中互功率密度谱的幅值和相位,对互功率密度谱进行时域划分,获得多个睡眠状态期(即为利用预设的每个睡眠状态期对应的互功率密度谱的幅值范围和相位范围(该幅值范围和相位范围通过对预先采集的不同睡眠状态期的互功率密度谱的幅值和相位进行深度学习后确定出的),对互功率密度谱进行时域划分,并将时域划分结果同步至睡眠粗略预备时段中(因为互功率密度谱在时域上与睡眠粗略预备时段是时序同步的),获得多个睡眠状态期)。
通过每种睡眠状态期的幅值范围和相位范围,实现以被侦测对象的生理状态数据和眼动状态数据之间的互耦特征为依据,实现对睡眠粗略预备时段中包含的睡眠状态期的准确划分,克服了现有技术的智能穿戴设备的睡眠侦测方法中仅依据被侦测对象的生理状态数据与睡眠状态之间的对应关系划分睡眠状态期的准确度不够的缺陷。
实施例9:
在实施例1的基础上,S4:基于睡眠粗略预备时段中所有睡眠状态期的时段特征,评估出被侦测对象的睡眠质量评估值,包括:
基于睡眠粗略预备时段中所有睡眠状态期的时段长度、睡眠粗略预备时段的起始时刻和终止时刻以及预设睡眠质量评估方式,评估出被侦测对象的睡眠质量评估值(预设睡眠质量评估方式例如可以是:将深睡期的时段长度与睡眠粗略预备时段的总长度的比值与预设比值(即预设的在标准状态下的深睡期的时段长度与睡眠粗略预备时段的总长度的比值)的比值,当该比值小于1时则将该比值当作被侦测对象的第一睡眠质量评估值,否则,将1当作被侦测对象的第一睡眠质量评估值,当睡眠粗略预备时段的起始时刻或/和终止时刻晚于对应的预设起始时刻或/和预设终止时刻时,则确定出晚于对应的预设起始时刻或/和预设终止时刻的时间与睡眠粗略预备时段的标准时长的比值,并当起始时刻和终止时刻都晚时,则将1与其二者对应的比值的均值的差值当作被侦测对象的第二睡眠质量评估值,并将第一睡眠质量评估值和第二睡眠质量评估值的均值当作被侦测对象的睡眠质量评估值)。
实现了利用睡眠粗略预备时段中所有睡眠状态期的时段长度、睡眠粗略预备时段的起始时刻和终止时刻等时段特征,客观合理评估出被侦测对象的睡眠质量评估值。
实施例10:
在实施例1的基础上,还包括:
基于被侦测对象的睡眠质量评估值和睡眠粗略预备时段中所有睡眠状态期的时段特征,生成睡眠报告和睡眠改善建议(例如:睡眠粗略预备时段中所有睡眠状态期的时段特征中显示睡眠粗略预备时段的起始时刻晚于预设起始时刻时,则生成早入睡的睡眠改善建议,并基于被侦测对象的睡眠质量评估值生成睡眠报告,其中,睡眠报告是至少包含被侦测对象的睡眠质量评估值的报告);
将睡眠报告和睡眠改善建议发送至智能穿戴设备中的对应显示平台(例如睡眠监视app的报告和建议展示功能模块中)。
针对被侦测对象的睡眠质量评估值和睡眠粗略预备时段中所有睡眠状态期的时段特征生成了睡眠报告和睡眠改善建议,实现对被侦测对象的睡眠侦测结果的信息整合显示以及提出进一步地改善建议。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种智能穿戴设备的睡眠侦测方法,其特征在于,包括:
S1:基于预设的体动静止条件和被侦测对象在单个侦测周期内的体动数据,确定出被侦测对象的睡眠粗略预备时段;
S2:确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征,其中,生理状态数据为心率监测数据;
S3:基于生理状态数据和眼动状态数据之间的互耦特征,在睡眠粗略预备时段中划分出多个睡眠状态期;
S4:基于睡眠粗略预备时段中所有睡眠状态期的时段特征,评估出被侦测对象的睡眠质量评估值;
其中,步骤S1:基于预设的体动静止条件和被侦测对象在单个侦测周期内的体动数据,确定出被侦测对象的睡眠粗略预备时段,包括:
S101:基于三轴加速度传感器获得被侦测对象的智能穿戴设备的穿戴位置所在肢体在三个方向的体动曲线;
S102:将三个方向的体动曲线时序对齐后进行合并,获得被侦测对象的综合体动曲线;
S103:基于综合体动曲线,在单个侦测周期中识别出体动幅度和体动频率满足预设的体动静止条件的时段,作为被侦测对象的睡眠粗略预备时段;
其中,步骤S103:基于综合体动曲线,在单个侦测周期中识别出体动幅度和体动频率满足预设的体动静止条件的时段,作为被侦测对象的睡眠粗略预备时段,包括:
在综合体动曲线中识别出每次动作的部分体动曲线,基于部分体动曲线确定出每次动作的体动幅度;
确定出单位分析时间长度,以单位分析时间长度为相邻待分析时段的偏差时段长度,并基于预设的最短分析时长,确定出综合体动曲线中的所有待分析时段;
将每个待分析时段内包含的所有相邻部分体动曲线之间的时间间隔的均值与待分析时段的时段长度的比值,当作对应待分析时段的总体动频率;
基于所有动作的体动幅度和所有待分析时段的总体动频率以及预设的体动静止条件的时段,在所有待分析时段中筛选出属于睡眠粗略预备时段的待分析时段,当作部分睡眠粗略预备时段;
基于所有部分睡眠粗略预备时段,确定出被侦测对象的睡眠粗略预备时段;
其中,基于所有动作的体动幅度和所有待分析时段的总体动频率以及预设的体动静止条件的时段,在所有待分析时段中筛选出属于睡眠粗略预备时段的待分析时段,当作部分睡眠粗略预备时段,包括:
确定出待分析时段内体动幅度大于大幅度动作的最小体动幅度阈值且体动幅度的差值在预设差值之内的两个动作,并确定出体动幅度大于大幅度动作的最小体动幅度阈值且体动幅度的差值在预设差值之内的两个动作之间的时间间隔,当作大幅度动作时间间隔;
将所有大幅度动作时间间隔与待分析时段的时段长度的比值,当作待分析时段的大幅度体动频率;
判断出大幅度动作的体动频率是否不超过预设的体动静止条件中的第一体动频率阈值且待分析时段的总体动频率是否不超过预设的体动静止条件中的第二体动频率阈值,若是,则判定待分析时段为部分睡眠粗略预备时段;
否则,判定待分析时段不是部分睡眠粗略预备时段;
其中,基于所有部分睡眠粗略预备时段,确定出被侦测对象的睡眠粗略预备时段,包括:
判断出所有部分睡眠粗略预备时段中是否存在间隔时间超出间隔时间阈值的相邻部分睡眠粗略时段,若是,则将对应间隔时间当作过度间隔时间,并确定出过度间隔时间在所有相邻部分睡眠粗略时段之间的间隔时间中的排序序数与所有相邻部分睡眠粗略时段之间的间隔时间的总数的比值,当作过度间隔时间的相对位置表示值;
将相对位置表示值不大于排除位置表示值的过度间隔时间之前的所有部分睡眠序列预备时段排除,将最终排除后获得的剩余的所有部分睡眠粗略预备时段的总覆盖时段,当作被侦测对象的睡眠粗略预备时段;
否则,将当前的所有部分睡眠粗略预备时段的总覆盖时段,当作被侦测对象的睡眠粗略预备时段。
2.根据权利要求1所述的智能穿戴设备的睡眠侦测方法,其特征在于,S2:确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征,包括:
S201:基于被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据,确定出被侦测对象在睡眠粗略预备时段内的生理参数检测项目的电信号频谱图,当作第一电信号频谱图,并确定出眼动状态红外检测项目的电信号频谱图,当作第二电信号频谱图;
S202:基于第一电信号频谱图和第二电信号频谱图,确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征。
3.根据权利要求2所述的智能穿戴设备的睡眠侦测方法,其特征在于,S202:基于第一电信号频谱图和第二电信号频谱图,确定出被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征,包括:
确定出第一电信号频谱图和第二电信号频谱图之间的互功率密度谱,并将互功率密度谱的幅值和相位当作被侦测对象在睡眠粗略预备时段内的生理状态数据和眼动状态数据之间的互耦特征。
4.根据权利要求1所述的智能穿戴设备的睡眠侦测方法,其特征在于,S3:基于生理状态数据和眼动状态数据之间的互耦特征,在睡眠粗略预备时段中划分出多个睡眠状态期,包括:
基于每种睡眠状态期的幅值范围和相位范围和生理状态数据和眼动状态数据之间的互耦特征中互功率密度谱的幅值和相位,对互功率密度谱进行时域划分,获得多个睡眠状态期。
5.根据权利要求1所述的智能穿戴设备的睡眠侦测方法,其特征在于,S4:基于睡眠粗略预备时段中所有睡眠状态期的时段特征,评估出被侦测对象的睡眠质量评估值,包括:
基于睡眠粗略预备时段中所有睡眠状态期的时段长度、睡眠粗略预备时段的起始时刻和终止时刻以及预设睡眠质量评估方式,评估出被侦测对象的睡眠质量评估值。
6.根据权利要求1所述的智能穿戴设备的睡眠侦测方法,其特征在于,还包括:
基于被侦测对象的睡眠质量评估值和睡眠粗略预备时段中所有睡眠状态期的时段特征,生成睡眠报告和睡眠改善建议;
将睡眠报告和睡眠改善建议发送至智能穿戴设备中的对应显示平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114342.XA CN117643455B (zh) | 2024-01-29 | 2024-01-29 | 一种智能穿戴设备的睡眠侦测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114342.XA CN117643455B (zh) | 2024-01-29 | 2024-01-29 | 一种智能穿戴设备的睡眠侦测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117643455A CN117643455A (zh) | 2024-03-05 |
CN117643455B true CN117643455B (zh) | 2024-05-03 |
Family
ID=90045371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410114342.XA Active CN117643455B (zh) | 2024-01-29 | 2024-01-29 | 一种智能穿戴设备的睡眠侦测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117643455B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201350083A (zh) * | 2012-06-04 | 2013-12-16 | Taidoc Technology Corp | 睡眠分析裝置及方法和睡眠分析裝置之眼電圖感測單元 |
CN105902257A (zh) * | 2016-06-27 | 2016-08-31 | 安徽华米信息科技有限公司 | 睡眠状态分析方法及装置、智能可穿戴设备 |
CN105962911A (zh) * | 2015-03-12 | 2016-09-28 | 联发科技股份有限公司 | 睡眠质量管理设备、处理单元以及方法 |
CN109567747A (zh) * | 2018-11-09 | 2019-04-05 | 速眠创新科技(深圳)有限公司 | 睡眠监测方法、装置、计算机设备和存储介质 |
CN114159025A (zh) * | 2021-11-23 | 2022-03-11 | 湖南云医链生物科技有限公司 | 一种睡眠质量分析方法、装置、设备和存储介质 |
CN114176527A (zh) * | 2021-12-29 | 2022-03-15 | 深圳融昕医疗科技有限公司 | 体动状态的确定方法及计算机可读存储介质 |
CN114668373A (zh) * | 2022-05-30 | 2022-06-28 | 广东工业大学 | 一种基于动态模态分解的睡眠阶段分类方法及系统 |
CN115300228A (zh) * | 2021-09-10 | 2022-11-08 | 苏州大学 | 一种基于结构光测量的智能眼罩及其控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11547349B2 (en) * | 2014-04-28 | 2023-01-10 | The General Hospital Corporation | System and method for spectral characterization of sleep |
-
2024
- 2024-01-29 CN CN202410114342.XA patent/CN117643455B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201350083A (zh) * | 2012-06-04 | 2013-12-16 | Taidoc Technology Corp | 睡眠分析裝置及方法和睡眠分析裝置之眼電圖感測單元 |
CN105962911A (zh) * | 2015-03-12 | 2016-09-28 | 联发科技股份有限公司 | 睡眠质量管理设备、处理单元以及方法 |
CN105902257A (zh) * | 2016-06-27 | 2016-08-31 | 安徽华米信息科技有限公司 | 睡眠状态分析方法及装置、智能可穿戴设备 |
CN109567747A (zh) * | 2018-11-09 | 2019-04-05 | 速眠创新科技(深圳)有限公司 | 睡眠监测方法、装置、计算机设备和存储介质 |
CN115300228A (zh) * | 2021-09-10 | 2022-11-08 | 苏州大学 | 一种基于结构光测量的智能眼罩及其控制方法 |
CN114159025A (zh) * | 2021-11-23 | 2022-03-11 | 湖南云医链生物科技有限公司 | 一种睡眠质量分析方法、装置、设备和存储介质 |
CN114176527A (zh) * | 2021-12-29 | 2022-03-15 | 深圳融昕医疗科技有限公司 | 体动状态的确定方法及计算机可读存储介质 |
CN114668373A (zh) * | 2022-05-30 | 2022-06-28 | 广东工业大学 | 一种基于动态模态分解的睡眠阶段分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117643455A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11039760B2 (en) | Detection of walking in measurements of the movement of a user | |
US20080275348A1 (en) | Monitor device and use thereof | |
CN104274191B (zh) | 一种心理测评方法及其系统 | |
Guenterberg et al. | An automatic segmentation technique in body sensor networks based on signal energy | |
CN106413529A (zh) | 光学压力传感器 | |
CN108135514B (zh) | 心率校正 | |
JP2012239799A (ja) | 生体リズムの乱れ度算出装置、生体リズムの乱れ度算出システム、生体リズムの乱れ度算出方法、プログラム、及び記録媒体 | |
US20140081182A1 (en) | Method and apparatus for determining at least one predetermined movement of at least one part of a body of a living being | |
CN104731331B (zh) | 控制开启方法及电子设备 | |
CN109528163B (zh) | 一种睡眠监测的方法和设备 | |
JP2021518246A (ja) | 被検者の呼吸イベントを検出するための方法及びシステム並びに呼吸イベントを検出するためのモデルを形成するための方法 | |
CN112259237A (zh) | 基于多情感刺激和多级分类模型的抑郁评估系统 | |
CN105433934A (zh) | 一种基于生命体征监护手环的个人健康检查评测方法 | |
CN107767965A (zh) | 多因素关联比对的健康监测系统及方法 | |
WO2018207051A1 (en) | A system and method for monitoring human performance | |
CN103759738A (zh) | 一种计步器 | |
CN117643455B (zh) | 一种智能穿戴设备的睡眠侦测方法 | |
Blumrosen et al. | Noncontact tremor characterization using low-power wideband radar technology | |
KR20160120482A (ko) | 생체 신호를 이용한 사용자 행동 예측 시스템 및 방법 | |
CN110464369A (zh) | 一种基于人体体征数值的精神状态判断算法 | |
CN106096544A (zh) | 基于二阶盲辨识的非接触式眨眼与心率联合检测系统及方法 | |
CN108542355A (zh) | 一种裸眼3d显示视觉诱导晕动症评估方法 | |
CN108451494A (zh) | 使用瞳孔反应来检测时域心脏参数的方法及系统 | |
Sharma et al. | The challenge of metrics in automated dietary monitoring as analysis transitions from small data to big data | |
CN106333677A (zh) | 睡眠状态分析中眨眼活动的检测方法和系统 |
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 |