CN117690585A - 一种基于生物反馈的睡眠障碍治疗系统及方法 - Google Patents
一种基于生物反馈的睡眠障碍治疗系统及方法 Download PDFInfo
- Publication number
- CN117690585A CN117690585A CN202410148476.3A CN202410148476A CN117690585A CN 117690585 A CN117690585 A CN 117690585A CN 202410148476 A CN202410148476 A CN 202410148476A CN 117690585 A CN117690585 A CN 117690585A
- Authority
- CN
- China
- Prior art keywords
- sleep
- user
- data
- heart rate
- sleep disorder
- 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.)
- Granted
Links
- 208000019116 sleep disease Diseases 0.000 title claims abstract description 87
- 208000020685 sleep-wake disease Diseases 0.000 title claims abstract description 82
- 238000011282 treatment Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007958 sleep Effects 0.000 claims abstract description 53
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000036541 health Effects 0.000 claims abstract description 18
- 230000003860 sleep quality Effects 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 7
- 208000035475 disorder Diseases 0.000 claims abstract description 6
- 230000000241 respiratory effect Effects 0.000 claims description 45
- 230000004622 sleep time Effects 0.000 claims description 24
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 230000036387 respiratory rate Effects 0.000 claims description 17
- 230000004617 sleep duration Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000036578 sleeping time Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 claims description 9
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 claims description 9
- 239000003814 drug Substances 0.000 claims description 8
- 238000011269 treatment regimen Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000035565 breathing frequency Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000002560 therapeutic procedure Methods 0.000 claims description 6
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 claims description 5
- 206010022437 insomnia Diseases 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 206010062519 Poor quality sleep Diseases 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 201000002859 sleep apnea Diseases 0.000 claims description 4
- 208000008705 Nocturnal Myoclonus Syndrome Diseases 0.000 claims description 3
- 238000009225 cognitive behavioral therapy Methods 0.000 claims description 3
- 208000023515 periodic limb movement disease Diseases 0.000 claims description 3
- 230000036391 respiratory frequency Effects 0.000 claims description 2
- 229940079593 drug Drugs 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000027534 Emotional disease Diseases 0.000 description 1
- 208000007271 Substance Withdrawal Syndrome Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/4815—Sleep quality
-
- 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
- G06F18/21—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- 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
- G06F2218/04—Denoising
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于生物反馈的睡眠障碍治疗系统及方法，具体涉及生物反馈技术领域，包括生理数据监测模块、数据特征提取模块、数据综合分析模块、身体应激能力评估模块、睡眠障碍治疗方案匹配模块，以及反馈输出模块；通过采集用户的生理数据，对生理数据进行特征提取和综合分析，获取存在睡眠障碍的用户睡眠效率和深度睡眠效率；通过身体应激能力评估模块，能够准确、客观的评估用户身体整体的应激适应能力；通过睡眠障碍治疗方案匹配模块，预测用户所属的睡眠障碍类型，并根据用户的综合健康指数，匹配相应的治疗方案，实现个性化治疗，同时，通过反馈输出模块提供实时反馈，帮助用户调整睡眠习惯和改善睡眠质量。
Description
技术领域
本发明涉及生物反馈技术领域，更具体地说，本发明涉及一种基于生物反馈的睡眠障碍治疗系统及方法。
背景技术
睡眠障碍是现代社会中常见的健康问题，包括失眠、多梦、睡眠质量差等。
在现有技术中，睡眠障碍的治疗主要依赖于医生的诊断和药物治疗，在一定程度上能够缓解患者的症状和提高睡眠质量，例如，药物治疗可以减轻患者的焦虑、抑郁等情绪问题，从而改善睡眠质量，此外，某些药物还可以缩短入睡时间和减少夜间醒来次数。
然而，现有技术存在医生的诊断可能会受到主观因素的影响的问题，从而导致诊断结果不准确；同时药物治疗可能会导致依赖性、耐受性和戒断症状等问题，并且对不同个体的效果差异较大。
发明内容
为了克服现有技术的上述缺陷，本发明提供一种基于生物反馈的睡眠障碍治疗系统及方法，通过生理数据监测模块非接触式的采集用户的生理数据，提高了用户的舒适度，通过数据特征提取模块对生理数据进行特征提取；通过数据综合分析模块，对生理数据进行综合分析获取存在睡眠障碍的用户睡眠效率和深度睡眠效率；通过身体应激能力评估模块，能够准确、客观的评估用户身体整体的应激适应能力；通过睡眠障碍治疗方案匹配模块，预测用户所属的睡眠障碍类型，并根据用户的综合健康指数，匹配相应的治疗方案，实现个性化治疗，同时，通过反馈输出模块提供实时反馈，帮助用户调整睡眠习惯和改善睡眠质量，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于生物反馈的睡眠障碍治疗系统及方法，包括：
生理数据监测模块：用于采集和记录存在睡眠障碍的用户的生理数据；所述生理数据包括心率、呼吸频率、呼吸幅度、体动、睡眠环境、入睡时间点，以及起床时间点；
数据特征提取模块包括数据预处理单元和数据特征提取单元；所述数据预处理单元用于将生理数据监测模块传输的数据进行去除噪声、滤波和数据平滑操作，获取初始生理数据；所述数据特征提取单元用于对初始生理数据进行特征提取，获取特征数据；
数据综合分析模块包括睡眠效率分析单元和深度睡眠效率分析单元，用于对特征数据进行分析处理，获取存在睡眠障碍的用户睡眠效率和深度睡眠效率传输至睡眠障碍治疗方案匹配模块；
身体应激能力评估模块：用于对存在睡眠障碍的用户数据进行详细分析，计算用户的身体应激能力评估指数，评估身体整体的应激适应能力；
睡眠障碍治疗方案匹配模块：用于接收数据特征提取模块、数据综合分析模块和身体应激能力评估模块传输的数据，根据用户所属的睡眠障碍类型和用户的综合健康指数，匹配数据库中预先存储的治疗方案；
反馈输出模块：用于向用户提供实时反馈。
在一个优选的实施方式中，所述数据特征提取单元的具体处理过程为：
A1、根据入睡时间点和起床时间点获取总时长T，将总时长T按照30分钟为一组划分为N组数据；
A2、根据存在睡眠障碍的用户的初始生理数据提取用户每组数据的心率均值、呼吸频率均值/>、呼吸幅度均值/>、平均体动频率/>、平均环境温度/>、平均环境湿度/>、平均环境噪音/>，以及平均环境光照强度/>，v=1，2……N；
根据用户的心率数据，提取用户每组数据的心率均值，
，其中fm表示/>重复出现的次数，/>表示第n分钟的心率数据；
根据用户的呼吸频率和呼吸幅度，提取用户每组数据的呼吸频率均值和呼吸幅度均值/>，/>，，其中am表示各个呼吸频率hpn重复出现的次数，bm表示各个呼吸幅度hfn重复出现的次数，hpn表示第n分钟的呼吸频率，hfn表示第n分钟的呼吸幅度；
所述平均体动频率的计算公式为：/>，其中Tdi表示第i分钟的体动次数，t表示时间。
在一个优选的实施方式中，所述睡眠效率分析单元的具体处理过程为：
B1、将用户每组数据中每分钟的心率、呼吸频率hpn、呼吸幅度hfn，以及体动次数Tdi，分别和用户每组数据的心率均值/>、呼吸频率均值/>、呼吸幅度均值/>，以及平均体动频率/>进行差异值σ计算，/>，其中将/>、hpn、hfn、Tdi分别代入参数Xa中，将/>分别代入参数Xb中进行计算，得到心率差异值σ1、呼吸频率差异值σ2、呼吸幅度差异值σ3，以及体动频率差异值σ4；
B2、将计算得出的心率差异值σ1、呼吸频率差异值σ2、呼吸幅度差异值σ3，以及体动频率差异值σ4，分别和预先设定的对应的心率差异阈值范围σ1阈、呼吸频率差异阈值范围σ2阈、呼吸幅度差异阈值范围σ3阈，以及体动频率差异阈值范围σ4阈进行判断对比，若阈则表示心率变化明显，若/>阈或者/>阈则表示呼吸变化明显，若阈则表示体动频繁；反之则表示心率变化正常，或者呼吸变化正常，或者体动正常；
B3、将用户所有心率变化明显、呼吸变化明显和体动频繁的时间点，在总时长中标记为醒来时间点，则其余时间点标记为入睡时间点；
B4、统计入睡时间点的时长记作睡眠时长Hs，计算用户的睡眠效率Ls，，用于评估用户的睡眠状态。
在一个优选的实施方式中，所述深度睡眠效率分析单元的具体处理过程为：
C1、根据入睡时间点的时长，筛选出每组数据中的连续睡眠时长；
C2、计算连续睡眠时长对应的心率变异系数，
，其中/>表示第u个连续睡眠时长的最大心率，表示第u个连续睡眠时长的最小心率，/>表示第u个连续睡眠时长的心率均值；
C3、将连续睡眠时长对应的心率变异系数和预先设定的心率变异系数阈值/>阈进行判断对比，若/>阈则表示当前连续睡眠时长属于深度睡眠时长；反之则表示当前连续睡眠时长不属于深度睡眠时长；
C4、统计深度睡眠时长记作Dh，结合睡眠时长Hs，计算深度睡眠效率Lsd，。
在一个优选的实施方式中，所述身体应激能力评估模块的具体处理过程为：
D1、根据用户每组数据的心率均值，呼吸频率均值/>、呼吸幅度均值，以及平均体动频率/>，计算每组的心率变异系数、呼吸变异系数和体动变异系数；
D2、根据每组的心率变异系数、呼吸变异系数/>和体动变异系数/>，计算用户的身体应激能力评估指数YNp，用于评估身体整体的应激适应能力；所述身体应激能力评估指数YNp的计算公式为：
，其中N表示时间段个数。
在一个优选的实施方式中，所述心率变异系数的计算公式为：，其中/>表示第v个时间段的最大心率，/>表示第v个时间段的最小心率，/>表示第v个时间段的心率均值；
所述呼吸变异系数的计算公式为：
，其中hpj表示第j分钟的呼吸频率，hfj表示第j分钟的呼吸幅度，/>表示第v个时间段的呼吸频率均值，/>表示第v个时间段的呼吸幅度均值，n表示时间数量，N表示时间段个数；
所述体动变异系数的计算公式为：/>，其中/>表示第v个时间段的最大体动频率，/>表示第v个时间段的最小体动频率，/>表示第v个时间段的平均体动频率。
在一个优选的实施方式中，所述睡眠障碍治疗方案的具体处理过程为：
E1、收集大量存在睡眠障碍的用户数据，包括睡眠效率、深度睡眠效率、特征数据，以及身体应激能力评估指数；
E2、利用K-means聚类算法将存在睡眠障碍的用户划分为不同群体记作QTi，每个群体的用户具有相似的特征和睡眠障碍类型；
E3、从每个群体中随机选取数量为M的用户作为训练数据集，用于训练支持向量机分类模型；利用训练好的支持向量机分类模型，预测用户所属的睡眠障碍类型；所述用户所属的睡眠障碍类型包括失眠、睡眠呼吸暂停、睡眠质量差，以及周期性肢体运动障碍；
E4、当确定了用户所属的睡眠障碍类型后，根据用户的睡眠效率Ls和深度睡眠效率Lsd，计算睡眠质量评估指数Qs，；
E5、结合身体应激能力评估指数YNp和睡眠质量评估指数Qs，计算用户的综合健康指数P，，其中/>、/>分别表示各项的比例系数；
E6、根据用户所属的睡眠障碍类型和用户的综合健康指数，匹配数据库中预先存储的治疗方案；所述治疗方案包括认知行为疗法、生物反馈训练、睡眠环境调整、音乐疗法，以及中医疗法。
在一个优选的实施方式中，一种基于生物反馈的睡眠障碍治疗方法，包括以下步骤：
步骤S1、采集和记录存在睡眠障碍的用户的生理数据；
步骤S2、根据数据特征提取模块对数据进行特征提取，获取特征数据；
步骤S3、对特征数据进行分析处理，获取存在睡眠障碍的用户睡眠效率和深度睡眠效率；
步骤S4、对存在睡眠障碍的用户数据进行详细分析，计算用户的身体应激能力评估指数；
步骤S5、根据睡眠障碍治疗方案匹配模块，匹配数据库中预先存储的治疗方案；
步骤S6、基于治疗方案向用户提供实时反馈。
本发明的技术效果和优点：
本发明通过生理数据监测模块非接触式的采集用户的生理数据，提高了用户的舒适度，通过数据特征提取模块对生理数据进行特征提取；通过数据综合分析模块，对生理数据进行综合分析获取存在睡眠障碍的用户睡眠效率和深度睡眠效率；通过身体应激能力评估模块，能够准确、客观的评估用户身体整体的应激适应能力；通过睡眠障碍治疗方案匹配模块，预测用户所属的睡眠障碍类型，并根据用户的综合健康指数，匹配相应的治疗方案，实现个性化治疗，同时，通过反馈输出模块提供实时反馈，帮助用户调整睡眠习惯和改善睡眠质量。
附图说明
图1为本发明的整体结构框图。
图2为本发明的步骤方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明提供了如图1-图2所示的一种基于生物反馈的睡眠障碍治疗系统及方法，包括生理数据监测模块、数据特征提取模块、数据综合分析模块、身体应激能力评估模块、睡眠障碍治疗方案匹配模块，以及反馈输出模块；
所述生理数据监测模块用于采集和记录存在睡眠障碍的用户的生理数据；所述生理数据包括心率、呼吸频率、呼吸幅度、体动、睡眠环境、入睡时间点，以及起床时间点；所述体动是指用户在睡眠过程中的身体运动情况，如翻身、腿部动作；所述睡眠环境具体包括环境温度、环境湿度、环境噪音，以及环境光照强度；
本实施需要具体说明的是，所述生理数据监测模块具体使用设置有4D成像雷达的睡眠监测仪实时采集和记录用户的心率、呼吸频率、呼吸幅度、体动、睡眠环境、入睡时间点，以及起床时间点；
所述数据特征提取模块包括数据预处理单元和数据特征提取单元；所述数据预处理单元用于将生理数据监测模块传输的数据进行去除噪声、滤波和数据平滑操作，获取初始生理数据；所述数据特征提取单元用于对初始生理数据进行特征提取，获取特征数据；所述特征数据包括用户每组数据的心率均值、呼吸频率均值、呼吸幅度均值、平均体动频率、平均环境温度、平均环境湿度、平均环境噪音，以及平均环境光照强度；所述去除噪声、滤波和数据平滑操作属于现有技术手段，因此本实施例未做出具体说明；
本实施需要具体说明的是，所述数据特征提取单元的具体处理过程为：
A1、根据入睡时间点和起床时间点获取总时长T，将总时长T按照30分钟为一组划分为N组数据；
A2、根据存在睡眠障碍的用户的初始生理数据提取用户每组数据的心率均值、呼吸频率均值/>、呼吸幅度均值/>、平均体动频率/>、平均环境温度/>、平均环境湿度/>、平均环境噪音/>，以及平均环境光照强度/>，v=1，2……N；
根据用户的心率数据，提取用户每组数据的心率均值，
，其中fm表示/>重复出现的次数，/>表示第n分钟的心率数据；
根据用户的呼吸频率和呼吸幅度，提取用户每组数据的呼吸频率均值和呼吸幅度均值/>，/>，，其中am表示各个呼吸频率hpn重复出现的次数，bm表示各个呼吸幅度hfn重复出现的次数，hpn表示第n分钟的呼吸频率，hfn表示第n分钟的呼吸幅度；
所述平均体动频率的计算公式为：/>，其中Tdi表示第i分钟的体动次数，t表示时间；
所述数据综合分析模块包括睡眠效率分析单元和深度睡眠效率分析单元，用于对特征数据进行分析处理，获取存在睡眠障碍的用户睡眠效率和深度睡眠效率传输至睡眠障碍治疗方案匹配模块；
本实施需要具体说明的是，所述睡眠效率分析单元的具体处理过程为：
B1、将用户每组数据中每分钟的心率、呼吸频率hpn、呼吸幅度hfn，以及体动次数Tdi，分别和用户每组数据的心率均值/>、呼吸频率均值/>、呼吸幅度均值/>，以及平均体动频率/>进行差异值σ计算，/>，其中将/>、hpn、hfn、Tdi分别代入参数Xa中，将/>分别代入参数Xb中进行计算，得到心率差异值σ1、呼吸频率差异值σ2、呼吸幅度差异值σ3，以及体动频率差异值σ4；例如，将/>代入参数Xa中，将/>代入参数Xb中进行计算，得到心率差异值/>；
B2、将计算得出的心率差异值σ1、呼吸频率差异值σ2、呼吸幅度差异值σ3，以及体动频率差异值σ4，分别和预先设定的对应的心率差异阈值范围σ1阈、呼吸频率差异阈值范围σ2阈、呼吸幅度差异阈值范围σ3阈，以及体动频率差异阈值范围σ4阈进行判断对比，若阈则表示心率变化明显，若/>阈或者/>阈则表示呼吸变化明显，若阈则表示体动频繁；反之则表示心率变化正常，或者呼吸变化正常，或者体动正常；其中心率差异阈值范围σ1阈、呼吸频率差异阈值范围σ2阈、呼吸幅度差异阈值范围σ3阈，以及体动频率差异阈值范围σ4阈，可依据具体情况具体设定，本实施例不对具体数据做具体限定；
B3、将用户所有心率变化明显、呼吸变化明显和体动频繁的时间点，在总时长中标记为醒来时间点，则其余时间点标记为入睡时间点；其中时间点以每分钟为单位，例如，30分钟以内，假设第2分钟心率变化明显、第3分钟心率变化明显、第4分钟心率变化明显、第16分钟呼吸变化明显和第17分钟体动频繁，那么将这5个点标记为醒来时间点；
B4、统计入睡时间点的时长记作睡眠时长Hs，计算用户的睡眠效率Ls，，用于评估用户的睡眠状态；
本实施需要具体说明的是，所述深度睡眠效率分析单元的具体处理过程为：
C1、根据入睡时间点的时长，筛选出每组数据中的连续睡眠时长；例如，假设入睡时间点有第31分钟、第32分钟、第33分钟、第46分钟、第62分钟，以及第88分钟，那么参考A1步骤，表示入睡时间点分布在第2组数据30分钟至60分钟，和第3组数据60分钟至90分钟中，连续睡眠时长即为3分钟；
C2、计算连续睡眠时长对应的心率变异系数，
，其中/>表示第u个连续睡眠时长的最大心率，表示第u个连续睡眠时长的最小心率，/>表示第u个连续睡眠时长的心率均值；
C3、将连续睡眠时长对应的心率变异系数和预先设定的心率变异系数阈值/>阈进行判断对比，若/>阈则表示当前连续睡眠时长属于深度睡眠时长；反之则表示当前连续睡眠时长不属于深度睡眠时长；其中预先设定的心率变异系数阈值/>阈，可依据具体情况具体设定，本实施例不对具体数据做具体限定；
C4、统计深度睡眠时长记作Dh，结合睡眠时长Hs，计算深度睡眠效率Lsd，；
所述身体应激能力评估模块用于对存在睡眠障碍的用户数据进行详细分析，计算用户的身体应激能力评估指数，评估身体整体的应激适应能力；
本实施需要具体说明的是，所述身体应激能力评估模块的具体处理过程为：
D1、根据用户每组数据的心率均值，呼吸频率均值/>、呼吸幅度均值，以及平均体动频率/>，计算每组的心率变异系数、呼吸变异系数和体动变异系数；
所述心率变异系数的计算公式为：/>，其中/>表示第v个时间段的最大心率，/>表示第v个时间段的最小心率，/>表示第v个时间段的心率均值；
所述呼吸变异系数的计算公式为：
，其中hpj表示第j分钟的呼吸频率，hfj表示第j分钟的呼吸幅度，/>表示第v个时间段的呼吸频率均值，/>表示第v个时间段的呼吸幅度均值，n表示时间数量，N表示时间段个数；
所述体动变异系数的计算公式为：/>，其中/>表示第v个时间段的最大体动频率，/>表示第v个时间段的最小体动频率，/>表示第v个时间段的平均体动频率；
D2、根据每组的心率变异系数、呼吸变异系数/>和体动变异系数/>，计算用户的身体应激能力评估指数YNp，用于评估身体整体的应激适应能力；所述身体应激能力评估指数YNp的计算公式为：
，其中N表示时间段个数；
所述睡眠障碍治疗方案匹配模块用于接收数据特征提取模块、数据综合分析模块和身体应激能力评估模块传输的数据，根据用户所属的睡眠障碍类型和用户的综合健康指数，匹配数据库中预先存储的治疗方案；
本实施需要具体说明的是，所述睡眠障碍治疗方案的具体处理过程为：
E1、收集大量存在睡眠障碍的用户数据，包括睡眠效率、深度睡眠效率、特征数据，以及身体应激能力评估指数；
E2、利用K-means聚类算法将存在睡眠障碍的用户划分为不同群体记作QTi，每个群体的用户具有相似的特征和睡眠障碍类型；例如，将所有失眠的用户分为一个群体，将所有睡眠呼吸暂停的用户分为另一个群体；所述K-means聚类算法属于现有技术手段，因此本实施例未做出具体说明；
E3、从每个群体中随机选取数量为M的用户作为训练数据集，用于训练支持向量机分类模型；利用训练好的支持向量机分类模型，预测用户所属的睡眠障碍类型；所述用户所属的睡眠障碍类型包括失眠、睡眠呼吸暂停、睡眠质量差，以及周期性肢体运动障碍；所述训练支持向量机分类模型的过程属于现有技术手段，因此本实施例未做出具体说明；
E4、当确定了用户所属的睡眠障碍类型后，根据用户的睡眠效率Ls和深度睡眠效率Lsd，计算睡眠质量评估指数Qs，；
E5、结合身体应激能力评估指数YNp和睡眠质量评估指数Qs，计算用户的综合健康指数P，，其中/>、/>分别表示各项的比例系数，比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于比例系数的大小，只要不影响参数与量化后数值的比例关系即可；
E6、根据用户所属的睡眠障碍类型和用户的综合健康指数，匹配数据库中预先存储的治疗方案；所述治疗方案包括认知行为疗法、生物反馈训练、睡眠环境调整、音乐疗法，以及中医疗法；具体处理过程如下：
E61、根据用户所属的睡眠障碍类型，在数据库中查找用户所属的睡眠障碍类型下的所有治疗方案；
E62、根据预先设定的治疗方案的所需用户健康指数G和用户的综合健康指数P，计算匹配度ρ，，筛选出用户所属的睡眠障碍类型下的所有治疗方案中与用户最适配的治疗方案，即匹配度最大的治疗方案；其中预先设定的治疗方案的所需用户健康指数G，具体是根据治疗方案的特点和适用人群的健康状况来设定的；例如，一些治疗方案可能需要患者具备一定的身体素质或疾病控制情况，因此需要设定相应的健康指数作为筛选条件，同时，不同治疗方案所需的健康指数也可能不同，需要根据具体情况进行设定；
所述反馈输出模块用于向用户提供实时反馈，帮助用户调整睡眠习惯和改善睡眠质量；
本实施例中，需要具体说明的是，一种基于生物反馈的睡眠障碍治疗方法，包括以下步骤：
步骤S1、采集和记录存在睡眠障碍的用户的生理数据；
步骤S2、根据数据特征提取模块对数据进行特征提取，获取特征数据；
步骤S3、对特征数据进行分析处理，获取存在睡眠障碍的用户睡眠效率和深度睡眠效率；
步骤S4、对存在睡眠障碍的用户数据进行详细分析，计算用户的身体应激能力评估指数；
步骤S5、根据睡眠障碍治疗方案匹配模块，匹配数据库中预先存储的治疗方案；
步骤S6、基于治疗方案向用户提供实时反馈。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于生物反馈的睡眠障碍治疗系统，其特征在于：包括：
生理数据监测模块：用于采集和记录存在睡眠障碍的用户的生理数据；所述生理数据包括心率、呼吸频率、呼吸幅度、体动、睡眠环境、入睡时间点，以及起床时间点；
数据特征提取模块包括数据预处理单元和数据特征提取单元；所述数据预处理单元用于将生理数据监测模块传输的数据进行去除噪声、滤波和数据平滑操作，获取初始生理数据；所述数据特征提取单元用于对初始生理数据进行特征提取，获取特征数据；
数据综合分析模块包括睡眠效率分析单元和深度睡眠效率分析单元，用于对特征数据进行分析处理，获取存在睡眠障碍的用户睡眠效率和深度睡眠效率传输至睡眠障碍治疗方案匹配模块；
身体应激能力评估模块：用于对存在睡眠障碍的用户数据进行详细分析，计算用户的身体应激能力评估指数，评估身体整体的应激适应能力；
睡眠障碍治疗方案匹配模块：用于接收数据特征提取模块、数据综合分析模块和身体应激能力评估模块传输的数据，根据用户所属的睡眠障碍类型和用户的综合健康指数，匹配数据库中预先存储的治疗方案；
反馈输出模块：用于向用户提供实时反馈。
2.根据权利要求1所述的一种基于生物反馈的睡眠障碍治疗系统，其特征在于：所述数据特征提取单元的具体处理过程为：
A1、根据入睡时间点和起床时间点获取总时长T，将总时长T按照30分钟为一组划分为N组数据；
A2、根据存在睡眠障碍的用户的初始生理数据提取用户每组数据的心率均值、呼吸频率均值/>、呼吸幅度均值/>、平均体动频率/>、平均环境温度/>、平均环境湿度、平均环境噪音/>，以及平均环境光照强度/>，v=1，2……N；
根据用户的心率数据，提取用户每组数据的心率均值，
，其中fm表示/>重复出现的次数，/>表示第n分钟的心率数据；
根据用户的呼吸频率和呼吸幅度，提取用户每组数据的呼吸频率均值和呼吸幅度均值/>，/>，/>，其中am表示各个呼吸频率hpn重复出现的次数，bm表示各个呼吸幅度hfn重复出现的次数，hpn表示第n分钟的呼吸频率，hfn表示第n分钟的呼吸幅度；
所述平均体动频率的计算公式为：/>，其中Tdi表示第i分钟的体动次数，t表示时间。
3.根据权利要求1所述的一种基于生物反馈的睡眠障碍治疗系统，其特征在于：所述睡眠效率分析单元的具体处理过程为：
B1、将用户每组数据中每分钟的心率、呼吸频率hpn、呼吸幅度hfn，以及体动次数Tdi，分别和用户每组数据的心率均值/>、呼吸频率均值/>、呼吸幅度均值/>，以及平均体动频率/>进行差异值σ计算，/>，其中将/>、hpn、hfn、Tdi分别代入参数Xa中，将/>分别代入参数Xb中进行计算，得到心率差异值σ1、呼吸频率差异值σ2、呼吸幅度差异值σ3，以及体动频率差异值σ4；
B2、将计算得出的心率差异值σ1、呼吸频率差异值σ2、呼吸幅度差异值σ3，以及体动频率差异值σ4，分别和预先设定的对应的心率差异阈值范围σ1阈、呼吸频率差异阈值范围σ2阈、呼吸幅度差异阈值范围σ3阈，以及体动频率差异阈值范围σ4阈进行判断对比，若阈则表示心率变化明显，若/>阈或者/>阈则表示呼吸变化明显，若阈则表示体动频繁；反之则表示心率变化正常，或者呼吸变化正常，或者体动正常；
B3、将用户所有心率变化明显、呼吸变化明显和体动频繁的时间点，在总时长中标记为醒来时间点，则其余时间点标记为入睡时间点；
B4、统计入睡时间点的时长记作睡眠时长Hs，计算用户的睡眠效率Ls，，用于评估用户的睡眠状态。
4.根据权利要求1所述的一种基于生物反馈的睡眠障碍治疗系统，其特征在于：所述深度睡眠效率分析单元的具体处理过程为：
C1、根据入睡时间点的时长，筛选出每组数据中的连续睡眠时长；
C2、计算连续睡眠时长对应的心率变异系数，
，其中/>表示第u个连续睡眠时长的最大心率，/>表示第u个连续睡眠时长的最小心率，/>表示第u个连续睡眠时长的心率均值；
C3、将连续睡眠时长对应的心率变异系数和预先设定的心率变异系数阈值/>阈进行判断对比，若/>阈则表示当前连续睡眠时长属于深度睡眠时长；反之则表示当前连续睡眠时长不属于深度睡眠时长；
C4、统计深度睡眠时长记作Dh，结合睡眠时长Hs，计算深度睡眠效率Lsd，。
5.根据权利要求1所述的一种基于生物反馈的睡眠障碍治疗系统，其特征在于：所述身体应激能力评估模块的具体处理过程为：
D1、根据用户每组数据的心率均值，呼吸频率均值/>、呼吸幅度均值/>，以及平均体动频率/>，计算每组的心率变异系数、呼吸变异系数和体动变异系数；
D2、根据每组的心率变异系数、呼吸变异系数/>和体动变异系数/>，计算用户的身体应激能力评估指数YNp，用于评估身体整体的应激适应能力；所述身体应激能力评估指数YNp的计算公式为：
，其中N表示时间段个数。
6.根据权利要求5所述的一种基于生物反馈的睡眠障碍治疗系统，其特征在于：所述心率变异系数的计算公式为：/>，其中/>表示第v个时间段的最大心率，/>表示第v个时间段的最小心率，/>表示第v个时间段的心率均值；
所述呼吸变异系数的计算公式为：
，其中hpj表示第j分钟的呼吸频率，hfj表示第j分钟的呼吸幅度，/>表示第v个时间段的呼吸频率均值，/>表示第v个时间段的呼吸幅度均值，n表示时间数量，N表示时间段个数；
所述体动变异系数的计算公式为：/>，其中/>表示第v个时间段的最大体动频率，/>表示第v个时间段的最小体动频率，/>表示第v个时间段的平均体动频率。
7.根据权利要求1所述的一种基于生物反馈的睡眠障碍治疗系统，其特征在于：所述睡眠障碍治疗方案的具体处理过程为：
E1、收集大量存在睡眠障碍的用户数据，包括睡眠效率、深度睡眠效率、特征数据，以及身体应激能力评估指数；
E2、利用K-means聚类算法将存在睡眠障碍的用户划分为不同群体记作QTi，每个群体的用户具有相似的特征和睡眠障碍类型；
E3、从每个群体中随机选取数量为M的用户作为训练数据集，用于训练支持向量机分类模型；利用训练好的支持向量机分类模型，预测用户所属的睡眠障碍类型；所述用户所属的睡眠障碍类型包括失眠、睡眠呼吸暂停、睡眠质量差，以及周期性肢体运动障碍；
E4、当确定了用户所属的睡眠障碍类型后，根据用户的睡眠效率Ls和深度睡眠效率Lsd，计算睡眠质量评估指数Qs，；
E5、结合身体应激能力评估指数YNp和睡眠质量评估指数Qs，计算用户的综合健康指数P，，其中/>、/>分别表示各项的比例系数；
E6、根据用户所属的睡眠障碍类型和用户的综合健康指数，匹配数据库中预先存储的治疗方案；所述治疗方案包括认知行为疗法、生物反馈训练、睡眠环境调整、音乐疗法，以及中医疗法。
8.一种基于生物反馈的睡眠障碍治疗方法，所述方法用于实现上述权利要求1-7任一所述的一种基于生物反馈的睡眠障碍治疗系统，其特征在于，包括以下步骤：
步骤S1、采集和记录存在睡眠障碍的用户的生理数据；
步骤S2、根据数据特征提取模块对数据进行特征提取，获取特征数据；
步骤S3、对特征数据进行分析处理，获取存在睡眠障碍的用户睡眠效率和深度睡眠效率；
步骤S4、对存在睡眠障碍的用户数据进行详细分析，计算用户的身体应激能力评估指数；
步骤S5、根据睡眠障碍治疗方案匹配模块，匹配数据库中预先存储的治疗方案；
步骤S6、基于治疗方案向用户提供实时反馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410148476.3A CN117690585B (zh) | 2024-02-02 | 2024-02-02 | 一种基于生物反馈的睡眠障碍治疗系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410148476.3A CN117690585B (zh) | 2024-02-02 | 2024-02-02 | 一种基于生物反馈的睡眠障碍治疗系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117690585A true CN117690585A (zh) | 2024-03-12 |
| CN117690585B CN117690585B (zh) | 2024-04-12 |
Family
ID=90137474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410148476.3A Active CN117690585B (zh) | 2024-02-02 | 2024-02-02 | 一种基于生物反馈的睡眠障碍治疗系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117690585B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117898683A (zh) * | 2024-03-19 | 2024-04-19 | 中国人民解放军西部战区总医院 | 儿童睡眠质量检测方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050042589A1 (en) * | 2003-08-18 | 2005-02-24 | Hatlestad John D. | Sleep quality data collection and evaluation |
| US20150073289A1 (en) * | 2013-09-06 | 2015-03-12 | Melissa Susann Lim | System and method for sleep disorder diagnosis and treatment |
| US20150217082A1 (en) * | 2008-08-14 | 2015-08-06 | National Taiwan University | Sleep assistant system, method, and non-transitory computer-readable medium for assisting in easing hardship of falling asleep |
| CN110491468A (zh) * | 2019-07-18 | 2019-11-22 | 广州柏颐信息科技有限公司 | 一种睡眠质量报告的处理方法和系统 |
| CN115831372A (zh) * | 2023-02-17 | 2023-03-21 | 安徽星辰智跃科技有限责任公司 | 一种睡眠效率量化及干预的方法、系统和装置 |
| CN116612894A (zh) * | 2023-07-21 | 2023-08-18 | 北京中科心研科技有限公司 | 一种识别睡眠障碍的方法、装置及可穿戴设备 |
| WO2023230350A1 (en) * | 2022-05-27 | 2023-11-30 | Somnology, Inc. | Methods and systems for monitoring sleep activity and providing a treatment |
-
2024
- 2024-02-02 CN CN202410148476.3A patent/CN117690585B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050042589A1 (en) * | 2003-08-18 | 2005-02-24 | Hatlestad John D. | Sleep quality data collection and evaluation |
| US20150217082A1 (en) * | 2008-08-14 | 2015-08-06 | National Taiwan University | Sleep assistant system, method, and non-transitory computer-readable medium for assisting in easing hardship of falling asleep |
| US20150073289A1 (en) * | 2013-09-06 | 2015-03-12 | Melissa Susann Lim | System and method for sleep disorder diagnosis and treatment |
| CN110491468A (zh) * | 2019-07-18 | 2019-11-22 | 广州柏颐信息科技有限公司 | 一种睡眠质量报告的处理方法和系统 |
| WO2023230350A1 (en) * | 2022-05-27 | 2023-11-30 | Somnology, Inc. | Methods and systems for monitoring sleep activity and providing a treatment |
| CN115831372A (zh) * | 2023-02-17 | 2023-03-21 | 安徽星辰智跃科技有限责任公司 | 一种睡眠效率量化及干预的方法、系统和装置 |
| CN116612894A (zh) * | 2023-07-21 | 2023-08-18 | 北京中科心研科技有限公司 | 一种识别睡眠障碍的方法、装置及可穿戴设备 |
Non-Patent Citations (1)
| Title |
|---|
| 刘平等: "多媒体生物反馈治疗仪治疗长期涉核人员睡眠障碍的疗效分析", 中国医学装备, vol. 13, no. 09, 15 September 2016 (2016-09-15), pages 95 - 97 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117898683A (zh) * | 2024-03-19 | 2024-04-19 | 中国人民解放军西部战区总医院 | 儿童睡眠质量检测方法及装置 |
| CN117898683B (zh) * | 2024-03-19 | 2024-06-07 | 中国人民解放军西部战区总医院 | 儿童睡眠质量检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117690585B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5961235B2 (ja) | 睡眠／覚醒状態評価方法及びシステム | |
| CN117690585B (zh) | 一种基于生物反馈的睡眠障碍治疗系统及方法 | |
| CN108670200A (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
| CN113080864B (zh) | 一种通过自动睡眠分期结果的常见睡眠疾病检测方法 | |
| Kuo et al. | Automatic sleep staging based on a hybrid stacked LSTM neural network: verification using large-scale dataset | |
| US12023135B2 (en) | Cardiopulmonary health monitoring using thermal camera and audio sensor | |
| SenthilPandi et al. | Multi-Level Interpretable and Adaptive Representation of EEG Signals for Sleep Scoring Using Ensemble Learning Multi Classifiers | |
| CN107887032A (zh) | 一种数据处理方法及装置 | |
| CN115298746A (zh) | 表征刺激响应以检测睡眠障碍 | |
| Basjaruddin et al. | Measurement device for stress level and vital sign based on sensor fusion | |
| Hwang et al. | Sleep period time estimation based on electrodermal activity | |
| Kuo et al. | A short-time insomnia detection system based on sleep EOG with RCMSE analysis | |
| CN111358435A (zh) | 一种提高深度神经网络精度的数据增强方法 | |
| Bozkurt et al. | Sleep–wake stage detection with single channel ECG and hybrid machine learning model in patients with obstructive sleep apnea | |
| Li et al. | A developed lstm-ladder-network-based model for sleep stage classification | |
| Pandey et al. | Nocturnal sleep sounds classification with artificial neural network for sleep monitoring | |
| WO2021253125A1 (en) | Systems and methods for screening obstructive sleep apnea during wakefulness using anthropometric information and tracheal breathing sounds | |
| JP7521836B2 (ja) | 睡眠質を点数化する装置、方法及びコンピュータプログラム | |
| Göğüş et al. | Identification of Apnea-Hypopnea index subgroups based on multifractal detrended fluctuation analysis and nasal cannula airflow signals | |
| CN116453641A (zh) | 一种中医辅助分析信息的数据处理方法及系统 | |
| Bhavitha et al. | Systematic Review of Diagnostic Modalities for Sleep Apnea: A Comprehensive Analysis | |
| Wang et al. | An Effective Method for Distinguishing Sleep Apnea and Hypopnea Based on ECG Signals | |
| Peng et al. | Sleep Disorder Classification Using Convolutional Neural Networks | |
| Jiang et al. | A data-driven clinical decision support system for the diagnosis of sleep apneas | |
| Shewinvanakitkul | Automated detection and prediction of sleep apnea events |
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 |