CN117747117A - 基于声响的睡眠呼吸评价及辅助调节方法、系统和装置 - Google Patents
基于声响的睡眠呼吸评价及辅助调节方法、系统和装置 Download PDFInfo
- Publication number
- CN117747117A CN117747117A CN202410191378.8A CN202410191378A CN117747117A CN 117747117 A CN117747117 A CN 117747117A CN 202410191378 A CN202410191378 A CN 202410191378A CN 117747117 A CN117747117 A CN 117747117A
- Authority
- CN
- China
- Prior art keywords
- sleep
- signal
- sound
- breathing
- event
- 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
- 230000007958 sleep Effects 0.000 title claims abstract description 816
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 293
- 238000000034 method Methods 0.000 title claims abstract description 123
- 238000011156 evaluation Methods 0.000 title claims abstract description 56
- 208000037656 Respiratory Sounds Diseases 0.000 claims abstract description 226
- 210000004556 brain Anatomy 0.000 claims abstract description 220
- 230000000241 respiratory effect Effects 0.000 claims abstract description 153
- 238000004458 analytical method Methods 0.000 claims abstract description 113
- 230000005236 sound signal Effects 0.000 claims abstract description 95
- 230000033228 biological regulation Effects 0.000 claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 48
- 230000004622 sleep time Effects 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims description 94
- 238000012937 correction Methods 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 45
- 238000007726 management method Methods 0.000 claims description 42
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 230000036578 sleeping time Effects 0.000 claims description 19
- 206010041235 Snoring Diseases 0.000 claims description 17
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000008667 sleep stage Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000000638 stimulation Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 3
- 238000000227 grinding Methods 0.000 claims description 3
- 238000003333 near-infrared imaging Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009747 swallowing Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000002582 magnetoencephalography Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 230000001186 cumulative effect Effects 0.000 claims 1
- 239000003814 drug Substances 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 8
- 230000003860 sleep quality Effects 0.000 abstract description 4
- 230000036544 posture Effects 0.000 description 86
- 230000004936 stimulating effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 208000030303 breathing problems Diseases 0.000 description 2
- 230000009123 feedback regulation Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 241000728173 Sarima Species 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 238000000222 aromatherapy Methods 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000015355 regulation of circadian sleep/wake cycle, sleep Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供基于声响的睡眠呼吸评价及辅助调节方法、系统和装置,通过从用户睡眠过程各种声响信号中识别睡眠呼吸声响信号并得到睡眠呼吸声响动力学信号,提取睡眠呼吸声响事件信息,并通过睡眠姿势体位信息、睡眠时相分期和脑状态变化特征进一步校正事件强度,生成睡眠呼吸评价报告;对所述睡眠呼吸动力学信号进行时间序列预测分析,结合用户当前睡眠呼吸状况,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节;通过睡眠呼吸声音的创新评估和睡眠呼吸辅助调节的一体化架构,辅助用户睡眠和提高睡眠质量。本发明能够实现睡眠呼吸行为的科学检测评估和高效动态辅助调节。
Description
技术领域
本发明涉及睡眠呼吸检测评价及辅助调节领域,特别涉及基于声响的睡眠呼吸评价及辅助调节方法、系统和装置。
背景技术
呼吸行为会产生呼吸声音,而在睡眠过程和睡眠环境中,睡眠呼吸声音更容易检测和识别出来。睡眠呼吸声音强弱变化和节奏规律,能够反映睡眠呼吸行为的深浅变化,具备比较好的睡眠呼吸动力学特性。而对于较强烈的睡眠呼吸声响事件来说,如比打鼾和呼吸暂停,在睡眠呼吸声音强弱变化曲线和节奏规律中也存在明显的突变特征。此外,不同睡眠姿势或体位,不同睡眠时相,对用户睡眠呼吸行为带来很大影响。
目前,睡眠呼吸检测和分析,大都来源于接触式人体生理传感器的采集数据的简单数值统计分析。同时,在专业健康管理和临床医疗服务中,睡眠呼吸检测评估的技术方案主要解决了呼吸事件检测和事件类型分类,以及临床上常用低通气指数、呼吸事件次数等简单统计分析,均不能对睡眠呼吸声响事件的强度和等级做出明确定义或量化,尤其缺乏从睡眠脑状态反向评价睡眠呼吸声响事件的影响程度这一个重要环节。此外,目前,睡眠呼吸调控设备通常与睡眠呼吸检测设备独立分离,大多睡眠呼吸调控设备能够联网反馈调控参数但仍使用离线的预设程序控制完成设备反馈调控,无法根据用户实时状态进行智能精准的、个性化的动态辅助调节。
由上可知,如何从睡眠生理声响的角度实现对用户睡眠呼吸状态进行科学和全面地量化评价,并进一步优化和提高现有睡眠呼吸调控设备的效率效能,从而辅助用户睡眠和提高睡眠质量,目前国内外产品技术方案和实际应用场景中需要进一步解决的问题。
发明内容
针对现有方法的以上缺陷及改进需求,本发明的目的在于提供一种基于声响的睡眠呼吸评价及辅助调节方法,通过从用户睡眠过程各种声响信号中识别睡眠呼吸声响信号并得到睡眠呼吸声响动力学信号,提取睡眠呼吸声响事件信息,并通过睡眠姿势体位信息、睡眠时相分期和脑状态变化特征进一步校正事件强度,生成睡眠呼吸评价报告;对所述睡眠呼吸动力学信号进行时间序列预测分析,结合用户当前睡眠呼吸状况,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节;通过睡眠呼吸声音的创新评估和睡眠呼吸辅助调节的一体化架构,辅助用户睡眠和提高睡眠质量。本发明还提供了基于声响的睡眠呼吸评价及辅助调节系统,用于实现上述方法。本发明还提供了基于声响的睡眠呼吸评价及辅助调节装置,用于实现上述系统。
根据本发明的目的,本发明提出了一种基于声响的睡眠呼吸评价及辅助调节方法,包括以下步骤:
采集处理用户睡眠过程的声响信号、加速度信号和脑状态信号,分别生成睡眠呼吸声响信号、睡眠体位加速度信号和睡眠脑状态信号,并连续识别记录用户的睡眠时相分期;
提取所述睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号,根据呼吸声响信号强度阈值,识别并标记声响事件,提取睡眠呼吸声响事件信息;
对所述生成睡眠呼吸声响信号、所述睡眠体位加速度信号、所述睡眠脑状态信号和所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸信号特征集;
根据所述睡眠呼吸声响事件信息,对比分析所述睡眠呼吸信号特征集中的睡眠呼吸脑状态特征的事件时间区间和非事件时间区间的特征相对变化量,得到睡眠呼吸脑状态相对变化总特征值;
根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度,生成睡眠呼吸评价报告;
对所述睡眠呼吸声响动力学信号进行时间序列预测分析,结合睡眠呼吸知识库和用户睡眠呼吸数据库,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节。
更优地,所述采集处理至少包括采集获取、模数转换、重采样、重参考、去伪迹、信号矫正、降噪、工频陷波、带通滤波、均值滤波、平滑处理、重编码、预加重和端点检测。
更优地,所述睡眠呼吸声响信号的生成方法具体步骤如下:
1)采集处理用户睡眠过程的声响信号,得到睡眠原始声响信号;
2)对所述睡眠原始声响信号进行信号分解,得到睡眠声源声响信号集;
3)对所述睡眠声源声响信号集进行声音识别,提取呼吸声和鼾声的声源声响信号,生成所述睡眠呼吸声响信号。
更优地,所述信号分解的具体目标为将所述睡眠原始声响信号分解成不同信号来源的源信号,至少包括经验模态分解EMD、变分模态分解VMD、盲源分离BSS、独立成分分析ICA、主成分分析PCA、线性判别分析LDA;所述声音识别的具体目的为通过波形判定方法或机器学习模型,对声源信号的不同声源进行识别标识,其中所述声源至少包括呼吸声、鼾声、吞咽声、磨牙声、人声、环境声。
更优地,所述睡眠体位加速度信号至少包括头部加速度信号和胸部加速度信号;所述睡眠脑状态信号至少包括脑电信号、脑磁信号、功能性磁共振成像信号、功能性近红外成像信号中的任一项。
更优地,所述睡眠时相分期的识别方法,具体为:
1)通过深度学习算法对规模睡眠用户样本的所述睡眠呼吸脑状态信号及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相分期模型;
2)将当前用户的所述睡眠呼吸脑状态信号输入所述睡眠时相分期模型,得到所对应的所述睡眠时相分期。
更优地,所述睡眠呼吸声响事件信息至少包括事件类型、起始时间、结束时间、持续时长、峰谷值、峰谷值处时间、事件强度和事件等级;其中,所述事件强度具体由所述睡眠呼吸声响动力学信号的结果表征属性,睡眠呼吸声响事件的持续时长、峰谷值和峰谷值处相对时间,以及睡眠脑状态特征幅度变化、睡眠时相分期和睡眠体位来决定。
更优地,所述事件强度的一种计算方法,具体为:
1)从所述睡眠呼吸声响事件信息中获取当前事件相关的起始时间、结束时间、持续时长、峰谷值和峰谷值处时间,并从所述睡眠呼吸声响动力学信号提取事件动力学片段信号;
2)计算当前事件的峰谷值和所述呼吸声响信号强度阈值的相对变化量,得到峰谷相对值;
3)根据所述呼吸声响信号强度阈值和所述事件动力学片段信号,当前事件的起始时间、峰谷值和峰谷值处时间计算线性斜率,得到峰谷前沿斜率;
4)根据所述呼吸声响信号强度阈值和所述事件动力学片段信号,当前事件的结束时间、峰谷值和峰谷值处时间计算线性斜率,得到峰谷后沿斜率;
5)根据当前事件的持续时长、所述峰谷相对值、所述峰谷前沿斜率、所述峰谷后沿斜率的数值融合计算,得到所述事件强度。
更优地,所述信号特征分析至少包括数值特征分析、包络特征分析、时频特征分析、非线性特征分析;其中,所述非线性特征至少包括熵特征、分形特征和复杂度特征,所述时频特征至少包括频带功率、频带功率占比、频带中心频率。
更优地,所述睡眠呼吸信号特征集至少包括睡眠呼吸声响特征、睡眠体位加速度特征、睡眠呼吸脑状态特征和睡眠呼吸声响动力学特征;所述睡眠呼吸声响特征至少包括数值特征、时频特征、包络特征和非线性特征,尤其包含共振峰特征、MFCC特征、Bark谱特征和CQT特征;所述睡眠体位加速度特征至少包括数值特征、包络特征和时频特征,又分为肢体运动特征和睡姿方向特征;所述睡眠呼吸脑状态特征至少包括数值特征、包络特征、时频特征和非线性特征;所述睡眠呼吸声响动力学特征至少包括数值特征、时频特征和非线性特征。
更优地,所述睡眠呼吸脑状态相对变化总特征值具体为对全部特征的特征相对变化量进行加权计算、求均方根计算、求算数平均值计算、先取绝对值在求算数平均值计算而得到的特征值,至少包括加权计算值、均方根、算数平均值、取绝对值后的算数平均值。
更优地,所述事件强度的校正方法,具体为:
1)获取所述睡眠呼吸信号特征集,从睡眠体位加速度特征中提取用户睡眠姿势体位信息, 生成得到睡眠姿势体位修正系数;
2)获取当前所述睡眠时相分期,按照预设睡眠时相分期系数对照表,得到睡眠时相分期修正系数;
3)获取所述睡眠呼吸脑状态相对变化总特征值,筛选一特征值或总体特征值作为睡眠呼吸脑状态事件修正系数;
4)用所述睡眠姿势体位修正系数、所述睡眠时相分期修正系数和所述睡眠呼吸脑状态事件修正系数的数值乘积组合计算,校正所述事件强度。
更优地,所述用户睡眠姿势体位信息是从所述睡眠呼吸信号特征集中的睡眠体位加速度特征提取得到,至少包括睡姿方向和睡姿角度。
更优地,所述睡眠姿势体位修正系数的具体计算方法为以仰卧平躺为0°,俯卧为180°作为参考,计算不同睡姿角度的相对系数,即得到所述睡眠体位修正系数。
更优地,所述事件强度的校正方法,具体为:
1)根据用户场景需求,选择所述睡眠姿势体位修正系数、所述睡眠时相分期修正系数和所述睡眠呼吸脑状态事件修正系数的数值乘积组合计算方式,并计算得到事件强度校正系数;
2)由所述事件强度校正系数与校正前的所述事件强度的乘积,生成校正后的所述事件强度;
其中,所述数值乘积组合计算方式至少包括求和、乘积、平均数、均方根、调和平均数、加权计算、乘积后开方中的任一项。
更优地,所述睡眠呼吸评价报告至少包括不同事件类型的、不同持续时长的、不同事件强度的、不同事件等级的、不同睡眠分期的睡眠呼吸声响事件数量统计和累计时长统计,睡眠呼吸评价小结,以及睡眠呼吸优化建议。
更优地,所述睡眠呼吸知识库主要来自睡眠呼吸相关的健康管理和临床医学的知识经验,至少包括睡眠呼吸规律、常见睡眠呼吸事件特征、常用睡眠呼吸调节方法即场景干预参数指导;所述用户睡眠呼吸数据库为用户睡眠呼吸的基本历史信息数据存储数据库,至少包括睡眠呼吸声响特征、睡眠体位加速度特征、睡眠呼吸脑状态特征、睡眠呼吸声响动力学特征、所述睡眠呼吸声响动力学信号、所述睡眠呼吸声响事件信息和所述睡眠呼吸评价报告。
更优地,所述睡眠呼吸辅助调节策略至少包括调节方式、调节强度、调节时点、持续时间、目标调节值和装置控制参数;所述睡眠呼吸调节设备至少包括呼吸机、体位调节设备、气味刺激设备、电刺激设备、触觉刺激设备和CO2浓度调控设备中的任一种,并由具体的所述调节方式决定。
更优地,所述采集处理用户睡眠过程的声响信号、加速度信号和脑状态信号,分别生成睡眠呼吸声响信号、睡眠体位加速度信号和睡眠脑状态信号,并连续识别记录用户的睡眠时相分期的具体步骤还包括:
采集处理用户睡眠过程的声响信号并进行信号分解和声音识别,提取呼吸声和鼾声的声源声响信号,生成所述睡眠呼吸声响信号;
采集处理用户睡眠过程的加速度信号,生成所述睡眠体位加速度信号;
采集处理用户睡眠过程的脑状态信号,生成所述睡眠脑状态信号;
将所述睡眠脑状态信号输入睡眠时相分期模型,连续识别记录用户的所述睡眠时相分期。
更优地,所述提取所述睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号,根据呼吸声响信号强度阈值,识别并标记声响事件,提取睡眠呼吸声响事件信息的具体步骤还包括:
提取所述睡眠呼吸声响信号的包络线,得到所述睡眠呼吸声响动力学信号;
结合预设呼吸声响信号强度阈值和预设睡眠呼吸声响事件强烈程度分级规则,对所述睡眠呼吸声响动力学信号进行波形分析,识别并标记睡眠呼吸声响事件,提取所述睡眠呼吸声响事件信息。
更优地,所述对所述睡眠呼吸声响信号、所述睡眠体位加速度信号、所述睡眠脑状态信号和所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸信号特征集的具体步骤还包括:
对所述睡眠呼吸声响信号进行信号特征分析,得到睡眠呼吸声响特征;
对所述睡眠体位加速度信号进行信号特征分析,得到睡眠体位加速度特征;
对所述睡眠脑状态信号进行信号特征分析,得到睡眠呼吸脑状态特征;
对所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸声响动力学特征;
将所述睡眠呼吸声响特征、所述睡眠体位加速度特征、所述睡眠呼吸脑状态特征和所述睡眠呼吸声响动力学特征归集,得到所述睡眠呼吸信号特征集。
更优地,所述根据所述睡眠呼吸声响事件信息,对比分析所述睡眠呼吸信号特征集中的睡眠呼吸脑状态特征的事件时间区间和非事件时间区间的特征相对变化量,得到睡眠呼吸脑状态相对变化总特征值的具体步骤还包括:
根据所述睡眠呼吸声响事件信息中的起始时间和结束时间,从所述睡眠呼吸脑状态特征中分离,得到所述事件区间脑状态特征和所述非事件基线脑状态特征;
对比分析所述事件区间脑状态特征和所述非事件基线脑状态特征的相对变化量,得到事件区间脑状态对比特征集,计算得到所述睡眠呼吸脑状态相对变化总特征值。
更优地,所述根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度,生成睡眠呼吸评价报告的具体步骤还包括:
根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度;
根据预设报告生成周期,生成并输出所述睡眠呼吸评价报告。
更优地,所述对所述睡眠呼吸声响动力学信号进行时间序列预测分析,结合睡眠呼吸知识库和用户睡眠呼吸数据库,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节的具体步骤还包括:
对所述睡眠呼吸声响动力学信号进行时间序列预测分析,得到睡眠呼吸声响动力预测数据;
根据所述睡眠呼吸知识库、所述用户睡眠呼吸数据库和所述睡眠呼吸声响动力预测数据,生成所述睡眠呼吸辅助调节策略;
通过信号接口将所述睡眠呼吸辅助调节策略发送睡眠呼吸调节设备,优化睡眠呼吸调节设备控制执行,以实现用户睡眠呼吸的动态辅助调节。
根据本发明的目的,本发明提出了一种基于声响的睡眠呼吸评价及辅助调节系统,包括以下模块:
信号采集处理模块,用于采集处理用户睡眠过程的声响信号、加速度信号和脑状态信号,分别生成睡眠呼吸声响信号、睡眠体位加速度信号和睡眠脑状态信号,并连续识别记录用户的睡眠时相分期;
动力事件分析模块,用于提取所述睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号,根据呼吸声响信号强度阈值,识别并标记声响事件,提取睡眠呼吸声响事件信息;
信号特征分析模块,用于对所述生成睡眠呼吸声响信号、所述睡眠体位加速度信号、所述睡眠脑状态信号和所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸信号特征集;
脑状态特征对比模块,用于根据所述睡眠呼吸声响事件信息,对比分析所述睡眠呼吸信号特征集中的睡眠呼吸脑状态特征的事件时间区间和非事件时间区间的特征相对变化量,得到睡眠呼吸脑状态相对变化总特征值;
呼吸报告管理模块,用于根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度,生成并输出睡眠呼吸评价报告;
辅助策略调节模块,用于对所述睡眠呼吸声响动力学信号进行时间序列预测分析,结合睡眠呼吸知识库和用户睡眠呼吸数据库,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节;
数据运行管理模块,用于对所述系统的全部过程数据进行可视化管理、统一存储和运行管理。
更优地,所述信号采集处理模块还包括以下功能单元:
声响采集处理单元,用于采集处理用户睡眠过程的声响信号并进行信号分解和声音识别,提取呼吸声和鼾声的声源声响信号,生成所述睡眠呼吸声响信号;
体位采集处理单元,用于采集处理用户睡眠过程的加速度信号,生成所述睡眠体位加速度信号;
脑状态采集处理单元,用于采集处理用户睡眠过程的脑状态信号,生成所述睡眠脑状态信号;
睡眠时相分期单元,用于将所述睡眠脑状态信号输入睡眠时相分期模型,连续识别记录用户的所述睡眠时相分期。
更优地,所述动力事件分析模块还包括以下功能单元:
包络提取单元,用于提取所述睡眠呼吸声响信号的包络线,得到所述睡眠呼吸声响动力学信号;
事件信息提取单元,用于结合预设呼吸声响信号强度阈值和预设睡眠呼吸声响事件强烈程度分级规则,对所述睡眠呼吸声响动力学信号进行波形分析,识别并标记睡眠呼吸声响事件,提取所述睡眠呼吸声响事件信息。
更优地,所述信号特征分析模块还包括以下功能单元:
声响特征分析单元,用于对所述睡眠呼吸声响信号进行信号特征分析,得到睡眠呼吸声响特征;
加速度特征分析单元,用于对所述睡眠体位加速度信号进行信号特征分析,得到睡眠体位加速度特征;
脑状态特征分析单元,用于对所述睡眠脑状态信号进行信号特征分析,得到睡眠呼吸脑状态特征;
动力特征分析单元,用于对所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸声响动力学特征;
呼吸特征归集单元,用于将所述睡眠呼吸声响特征、所述睡眠体位加速度特征、所述睡眠呼吸脑状态特征和所述睡眠呼吸声响动力学特征归集,得到所述睡眠呼吸信号特征集。
更优地,所述脑状态特征对比模块还包括以下功能单元:
事件特征分离单元,用于根据所述睡眠呼吸声响事件信息中的起始时间和结束时间,从所述睡眠呼吸脑状态特征中分离,得到所述事件区间脑状态特征和所述非事件基线脑状态特征;
相对变化量化单元,用于对比分析所述事件区间脑状态特征和所述非事件基线脑状态特征的相对变化量,得到事件区间脑状态对比特征集,计算得到所述睡眠呼吸脑状态相对变化总特征值。
更优地,所述呼吸报告管理模块还包括以下功能单元:
事件强度校正单元,用于根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度;
评价报告生成单元,用于根据预设报告生成周期,生成并输出所述睡眠呼吸评价报告。
更优地,所述辅助策略调节模块还包括以下功能单元:
动力趋势预测单元,用于对所述睡眠呼吸声响动力学信号进行时间序列预测分析,得到睡眠呼吸声响动力预测数据;
辅助策略生成单元,用于根据所述睡眠呼吸知识库、所述用户睡眠呼吸数据库和所述睡眠呼吸声响动力预测数据,生成所述睡眠呼吸辅助调节策略;
辅助策略推送单元,用于通过信号接口将所述睡眠呼吸辅助调节策略发送睡眠呼吸调节设备,优化睡眠呼吸调节设备控制执行,以实现用户睡眠呼吸的动态辅助调节。
更优地,所述数据运行管理模块还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对所述系统中所有数据的可视化展现管理;
数据运营管理单元,用于对所述系统中所有数据的存储、备份、迁移和导出。
根据本发明的目的,本发明提出了一种基于声响的睡眠呼吸评价及辅助调节装置,包括以下模组:
信号采集处理模组,用于采集处理用户睡眠过程的声响信号、加速度信号和脑状态信号,分别生成睡眠呼吸声响信号、睡眠体位加速度信号和睡眠脑状态信号,并连续识别记录用户的睡眠时相分期;
动力事件分析模组,用于提取所述睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号,根据呼吸声响信号强度阈值,识别并标记声响事件,提取睡眠呼吸声响事件信息;
信号特征分析模组,用于对所述生成睡眠呼吸声响信号、所述睡眠体位加速度信号、所述睡眠脑状态信号和所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸信号特征集;
脑状态特征对比模组,用于根据所述睡眠呼吸声响事件信息,对比分析所述睡眠呼吸信号特征集中的睡眠呼吸脑状态特征的事件时间区间和非事件时间区间的特征相对变化量,得到睡眠呼吸脑状态相对变化总特征值;
呼吸报告管理模组,用于根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度,生成并输出睡眠呼吸评价报告;
辅助策略调节模组,用于对所述睡眠呼吸声响动力学信号进行时间序列预测分析,结合睡眠呼吸知识库和用户睡眠呼吸数据库,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节;
数据可视化模组,用于对所述装置中所有过程数据和/或结果数据的统一可视化展示管理;
数据管理中心模组,用于对所述装置中所有过程数据和/或结果数据的统一存储和数据运营管理。
本发明提供了基于声响的睡眠呼吸评价及辅助调节方法、系统和装置,通过创造性实现从用户睡眠过程中各类声响信号中识别睡眠呼吸声响信号并得到睡眠呼吸声响动力学信号,提取睡眠呼吸声响事件信息,并通过睡眠姿势体位信息、睡眠时相分期和脑状态变化特征进一步校正事件强度,生成睡眠呼吸评价报告;对所述睡眠呼吸动力学信号进行时间序列预测分析,结合用户当前睡眠呼吸状况,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,能够动态地优化和提高睡眠呼吸调控设备的效率效能;通过睡眠呼吸的创新评估和辅助调节的一体化架构,辅助用户睡眠和提高睡眠质量。
此外,相对于现有技术方案中仅通过呼吸动力学基本波形特征来衡量睡眠呼吸声响事件的发生,而本发明通过脑状态变化幅度、睡眠时相分期状态和睡眠体位姿势信息等关键睡眠生理特征来进一步校正睡眠呼吸声响事件的强度及其他信息,以实现从整个生理系统层面来观察、分析和量化睡眠呼吸过程和呼吸事件,这更符合人体生理的统一性、协同性和复杂网络动力学特征,更能够真实确切、科学有效地量化评价用户睡眠呼吸过程和睡眠呼吸声响事件。本发明提出了一种基于声响分析的睡眠呼吸声响事件量化评价和睡眠呼吸辅助调节的新协同框架,在实际应用场景中,睡眠呼吸相关的检测和调节系统或设备可都能够以全部或部分的方式集成本发明技术方案所提供的技术要点或功能,更好地满足不同用户服务场景需求。
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。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供的一种基于声响的睡眠呼吸评价及辅助调节方法的流程步骤示意图;
图2是本发明一实施例所提供的一种基于声响的睡眠呼吸评价及辅助调节系统的模块组成示意图;
图3是本发明一实施例所提供的一种基于声响的睡眠呼吸评价及辅助调节装置的模组构成示意图。
具体实施方式
为了更清楚地说明本发明的目的和技术方案,下面将结合本发明申请实施例中的附图,对本发明进行进一步介绍说明。显而易见地,下面描述的实施例仅是本发明一部分实施例,而不是全部的实施例。在没有创造性劳动前提下,本领域普通技术人员基于本发明的实施例所得到的其他实施例,都应属于本发明的保护范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
申请人发现,在睡眠过程和睡眠环境中的用户口鼻及咽喉的呼吸行为产生呼吸声音,能够快速精准的识别提取出来,更重要的是能够表征呼吸强弱程度和呼吸动力学特性,可以灵敏高效地识别捕捉呼吸事件;此外,用户睡姿体位对用户睡眠呼吸模式影响非常大,尤其对于打鼾用户来说,通常情况下平躺与侧卧相比会带来更多更强烈睡眠呼吸声响事件,而侧卧如果出现强烈睡眠呼吸声响事件可能意味着更严重更复杂的睡眠呼吸问题;同时,不同睡眠时相下的睡眠呼吸模式和规律、呼吸事件发生概率和强度也有所不同;脑中枢神经状态的改变或紊乱,很大程度上受到不同睡眠时相阶段和睡眠呼吸行为紊乱的影响,尤其导致了睡眠深度浅、睡眠时相紊乱且碎片化。因此,需要综合考虑以上四个因素,才能能够实现睡眠呼吸行为的更科学全面评价和动态辅助调节。
因此,本发明以睡眠声响信号、睡眠呼吸声响动力学信号、睡眠体位加速度信号和睡眠脑状态信号为基础来实现睡眠呼吸科学全面地量化评价,通过时间序列预测分析完成睡眠呼吸声响事件的预测分析和睡眠呼吸调控策略的实时生成,从而实现用户睡眠呼吸的科学检测评估和动态辅助调节的一体化,高效辅助用户睡眠。此外,本发明技术方案中也提出了从睡眠原始声响信号中提取睡眠呼吸声响动力学信号的新实现路径。
结合图1所示,本发明实施例提供的一种基于声响的睡眠呼吸评价及辅助调节方法,包括以下步骤:
P100:采集处理用户睡眠过程的声响信号、加速度信号和脑状态信号,分别生成睡眠呼吸声响信号、睡眠体位加速度信号和睡眠脑状态信号,并连续识别记录用户的睡眠时相分期。
本实施例中,采集处理至少包括采集获取、模数转换、重采样、重参考、去伪迹、信号矫正、降噪、工频陷波、带通滤波、均值滤波、平滑处理、重编码、预加重和端点检测。
第一步、采集处理用户睡眠过程的声响信号并进行信号分解和声音识别,提取呼吸声和鼾声的声源声响信号,生成睡眠呼吸声响信号。
本实施例中,睡眠呼吸声响信号的生成方法具体步骤如下:
1)采集处理用户睡眠过程的声响信号,得到睡眠原始声响信号;
2)对睡眠原始声响信号进行信号分解,得到睡眠声源声响信号集;
3)对睡眠声源声响信号集进行声音识别,提取呼吸声和鼾声的声源声响信号,生成睡眠呼吸声响信号。
本实施例中,信号分解的具体目标为将睡眠原始声响信号分解成不同信号来源的源信号,至少包括经验模态分解EMD、变分模态分解VMD、盲源分离BSS、独立成分分析ICA、主成分分析PCA、线性判别分析LDA;声音识别的具体目的为通过波形判定方法或机器学习模型,对声源信号的不同声源进行识别标识,其中声源至少包括呼吸声、鼾声、吞咽声、磨牙声、人声、环境声。
本实施例中,通过贴在床头(离体位置)的高精度拾音设备来采集用户睡眠过程中的声响信号,并进行基本信号处理,包括降噪、重编码、预加重和端点检测,生成睡眠原始声响信号。
本实施例中,首先,采用盲源分离BSS方法对睡眠原始声响信号进行信号分解,提取(多)声源睡眠声响信号集。其次,通过机器学习方法对不同声源的声音进行学习建模,得到睡眠呼吸声音识别模型,该模型可以预训练得到并不断更新优化;将(多)声源睡眠声响信号输入睡眠呼吸声音识别模型,就能够得到不同声源睡眠声响信号的声源分类标签结果。最后,提取呼吸声和鼾声的声源声响信号,生成睡眠呼吸声响信号。
在实际应用场景中,机器学习模型比波形判定方法具备更好地拓展性,但在特殊场景下需要机器学习模型+波形判定方法,才能够得到更精确的声源识别结果。
第二步、采集处理用户睡眠过程的加速度信号,生成睡眠体位加速度信号。
本实施例中,睡眠体位加速度信号包括头部加速度信号和胸部加速度信号。通过无线三轴陀螺仪传感器贴片设备采集前额中心Fpz,右胸上方的加速度信号,采样率为64Hz,通过信号矫正、降噪和平滑处理的信号处理,生成睡眠体位加速度信号。
第三步、采集处理用户睡眠过程的脑状态信号,生成睡眠脑状态信号。
本实施例中,睡眠脑状态信号以脑电信号为例,但在实际应用场景中脑磁信号、功能性磁共振成像信号、功能性近红外成像信号等都可以作为睡眠脑状态信号且这些信号的分析处理方法均很成熟和常见。
本实施例中,选择脑电信号作为脑状态信号来陈述本发明的具体实施方法。通过便携式脑电图机采集用户睡眠脑电信号,采集电极为F3、F4、C3和C4,参考电极为M1和M2,采样率为512Hz;对脑电生理信号的统一处理为去伪迹,信号矫正,小波降噪,通过窗、零相位的/>数字滤波器完成50Hz工频陷波滤波,0.5~80Hz带通滤波;最后,得到睡眠脑状态信号。
第四步、将睡眠脑状态信号输入睡眠时相分期模型,连续识别记录用户的睡眠时相分期。
本实施例中,睡眠时相分期的识别方法,具体为:
1)通过深度学习算法对规模睡眠用户样本的睡眠呼吸脑状态信号及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相分期模型;
2)将当前用户的睡眠呼吸脑状态信号输入睡眠时相分期模型,得到所对应的睡眠时相分期。
P200:提取所述睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号,根据呼吸声响信号强度阈值,识别并标记声响事件,提取睡眠呼吸声响事件信息。
第一步、提取睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号。
本实施例中,通过希尔伯尔变换提取睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号。
在实际应用场景中,睡眠呼吸声响动力学信号能够很好地表征呼吸强弱程度/强度功率和呼吸动力学特性,可以灵敏高效地识别捕捉呼吸事件。
第二步、结合预设呼吸声响信号强度阈值和预设睡眠呼吸声响事件强烈程度分级规则,对睡眠呼吸声响动力学信号进行波形分析,识别并标记睡眠呼吸声响事件,提取睡眠呼吸声响事件信息。
本实施例中,预设呼吸声响信号强度阈值设定为非睡眠呼吸声响事件区间的睡眠呼吸声响动力学信号的均方根,而在实际应用场景中,可以为算数平均值、分位数值或是某一固定值等。同时,以超过预设呼吸声响信号强度阈值的50%、100%、150%、200%、400%、600%、800%、1000%、2000%、5000%、10000+%作为分阶区间(预设睡眠呼吸声响事件强烈程度分级规则)来初步确定事件等级。在实际应用场景中,可以根据睡眠呼吸声响动力学信号的生成方式来设置不同睡眠呼吸声响事件强烈程度分级规则。
本实施例中,睡眠呼吸声响事件信息至少包括事件类型、起始时间、结束时间、持续时长、峰谷值、峰谷值处时间、事件强度和事件等级;其中,事件强度具体由睡眠呼吸声响动力学信号的结果表征属性,睡眠呼吸声响事件的持续时长、峰谷值和峰谷值处相对时间,以及睡眠脑状态特征幅度变化、睡眠时相分期和睡眠体位来决定。
本实施例中,事件强度的一种计算方法,具体为:
1)从睡眠呼吸声响事件信息中获取当前事件相关的起始时间、结束时间、持续时长、峰谷值和峰谷值处时间,并从睡眠呼吸声响动力学信号提取事件动力学片段信号;
2)计算当前事件的峰谷值和呼吸声响信号强度阈值的相对变化量,得到峰谷相对值;
3)根据呼吸声响信号强度阈值和事件动力学片段信号,当前事件的起始时间、峰谷值和峰谷值处时间计算线性斜率,得到峰谷前沿斜率;
4)根据呼吸声响信号强度阈值和事件动力学片段信号,当前事件的结束时间、峰谷值和峰谷值处时间计算线性斜率,得到峰谷后沿斜率;
5)根据当前事件的持续时长、峰谷相对值、峰谷前沿斜率、峰谷后沿斜率的数值融合计算,得到事件强度。
在实际应用场景中,事件强度的多指标的数值融合计算方式可以有乘积、均方根和加权计算等多种。其中,第一种事件强度计算公式方法为:
第二种事件强度计算公式方法为:
公式中,为事件强度,/>为睡眠呼吸声响事件的持续时长,/>为峰谷相对值,为峰谷前沿斜率,/>为峰谷后沿斜率,/>为取绝对值运算。
P300:对所述生成睡眠呼吸声响信号、所述睡眠体位加速度信号、所述睡眠脑状态信号和所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸信号特征集。
本实施例中,信号特征分析至少包括数值特征分析、包络特征分析、时频特征分析、非线性特征分析;其中,非线性特征至少包括熵特征、分形特征和复杂度特征,时频特征至少包括频带功率、频带功率占比、频带中心频率。
第一步、对睡眠呼吸声响信号进行信号特征分析,得到睡眠呼吸声响特征。
本实施例中,睡眠呼吸声响特征至少包括数值特征、时频特征、包络特征和非线性特征,尤其包含共振峰特征、MFCC特征、Bark谱特征和CQT特征。
本实施例中,以30-6000Hz频带的频带功率和中心频率、功率谱熵、功率谱密度特征、共振峰特征、CQT特征作为睡眠呼吸声响特征。
第二步、对睡眠体位加速度信号进行信号特征分析,得到睡眠体位加速度特征。
本实施例中,睡眠体位加速度特征至少包括数值特征、包络特征和时频特征,又分为肢体运动特征和睡姿方向特征。
第三步、对睡眠脑状态信号进行信号特征分析,得到睡眠呼吸脑状态特征。
本实施例中,睡眠呼吸脑状态特征至少包括数值特征、包络特征、时频特征和非线性特征。
本实施例中,以单通道C3-M2脑电信号特征作为睡眠呼吸脑状态特征来陈述本发明的具体实施方法。提取单通道C3-M2脑电信号特征,包括多尺度熵、Higuchi分形维数、以及30-80Hz频带的包络线均方根、频带功率、频带功率占比和频带中心频率。
第四步、对睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸声响动力学特征。
本实施例中,睡眠呼吸声响动力学特征至少包括数值特征、时频特征和非线性特征。
第五步、将睡眠呼吸声响特征、睡眠体位加速度特征、睡眠呼吸脑状态特征和睡眠呼吸声响动力学特征归集,得到睡眠呼吸信号特征集。
本实施例中,睡眠呼吸信号特征集至少包括睡眠呼吸声响特征、睡眠体位加速度特征、睡眠呼吸脑状态特征和睡眠呼吸声响动力学特征。
P400:根据所述睡眠呼吸声响事件信息,对比分析所述睡眠呼吸信号特征集中的睡眠呼吸脑状态特征的事件时间区间和非事件时间区间的特征相对变化量,得到睡眠呼吸脑状态相对变化总特征值。
第一步、根据睡眠呼吸声响事件信息中的起始时间和结束时间,从睡眠呼吸脑状态特征中分离,得到事件区间脑状态特征和非事件基线脑状态特征。
在实际应用场景中,可以选择某一睡眠时相(如W清醒期、N3深度睡眠)作为非事件基线脑状态特征。
第二步、对比分析事件区间脑状态特征和非事件基线脑状态特征的相对变化量,得到事件区间脑状态对比特征集,计算得到睡眠呼吸脑状态相对变化总特征值。
本实施例中,特征相对变化量的计算公式,具体为:
其中,为特征相对变化量,/>、/>分别为一事件时间区间值和相应的一非事件时间区间值,/>为取绝对值计算;若/>,则定义/>。
本实施例中,睡眠呼吸脑状态相对变化总特征值具体为对全部特征的特征相对变化量进行加权计算、求均方根计算、求算数平均值计算、先取绝对值在求算数平均值计算而得到的特征值,至少包括加权计算值、均方根、算数平均值、取绝对值后的算数平均值。
在实际应用场景中,均方根、算数平均值都是适用于大部分场景的、非常稳定的特征指标。
P500:根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度,生成睡眠呼吸评价报告。
第一步、根据用户睡眠姿势体位信息、睡眠时相分期和睡眠呼吸脑状态相对变化总特征值,校正睡眠呼吸声响事件信息中的事件强度。
本实施例中,事件强度的校正方法,具体为:
1)获取睡眠呼吸信号特征集,从睡眠体位加速度特征中提取用户睡眠姿势体位信息, 生成得到睡眠姿势体位修正系数;
2)获取当前睡眠时相分期,按照预设睡眠时相分期系数对照表,得到睡眠时相分期修正系数;
3)获取睡眠呼吸脑状态相对变化总特征值,筛选一特征值或总体特征值作为睡眠呼吸脑状态事件修正系数;
4)用睡眠姿势体位修正系数、睡眠时相分期修正系数和睡眠呼吸脑状态事件修正系数的数值乘积组合计算,校正事件强度。
本实施例中,用户睡眠姿势体位信息是从睡眠呼吸信号特征集中的睡眠体位加速度特征提取得到,至少包括睡姿方向和睡姿角度。
本实施例中,睡眠姿势体位修正系数的具体计算方法为以仰卧平躺为0°,俯卧为180°作为参考,计算不同睡姿角度的相对系数,即得到睡眠体位修正系数。在实际应用场景中,睡眠姿势体位修正系数的一种计算方法,具体为:
其中,为睡眠姿势体位修正系数;/>为睡姿角度且/>;为睡姿方向的修正系数,包含了平躺、向左侧卧、向右侧卧、腑卧等不同睡姿方向。
本实施例中,事件强度的校正方法,具体为:
1)根据用户场景需求,选择睡眠姿势体位修正系数、睡眠时相分期修正系数和睡眠呼吸脑状态事件修正系数的数值乘积组合计算方式,并计算得到事件强度校正系数;
2)由事件强度校正系数与校正前的事件强度的乘积,生成校正后的事件强度;
其中,数值乘积组合计算方式至少包括求和、乘积、平均数、均方根、调和平均数、加权计算、乘积后开方中的任一项。
在实际应用场景中,事件强度的校正数值计算方式方法可以根据不同用户场景进行多种组合的优化和测试,从而找到最适合当前用户场景的方法和方式。事件强度的第一种校正计算公式,具体为:
第二种校正计算公式,具体为:其中,/>、/>分别是校正后和校正前的事件强度,/>分别为睡眠姿势体位修正系数、睡眠时相分期修正系数和睡眠呼吸脑状态事件修正系数。
在日常睡眠健康管理和临床医学实践中,发现睡姿体位和睡眠时相对睡眠呼吸模式的变化、睡眠事件的影响也非常大;正如实施例上文所述,对于打鼾用户来说,通常情况下平躺与侧卧相比会带来更多更强烈睡眠呼吸声响事件,而侧卧如果出现强烈睡眠呼吸声响事件可能意味着更严重更复杂的睡眠呼吸问题,同时不同睡眠时相下的睡眠呼吸模式和规律、呼吸事件发生概率和强度都有所不同。值得说明的是,向左或向右的侧卧也不可避免对心脏或肺部带来压迫,从而也在一定程度上影响睡眠呼吸系统和睡眠心血管系统的正常运行。所以,在实际应用场景中,根据用户个性化情况和数据采集情况,对睡眠姿势体位修正系数、睡眠时相分期修正系数和睡眠呼吸脑状态事件修正系数(来源于睡眠呼吸脑状态相对变化总特征值)的计算方式进行优化和调整。
第二步、根据预设报告生成周期,生成并输出睡眠呼吸评价报告。
本实施例中,睡眠呼吸评价报告至少包括不同事件类型的、不同持续时长的、不同事件强度的、不同事件等级的、不同睡眠分期的睡眠呼吸声响事件数量统计和累计时长统计,睡眠呼吸评价小结,以及睡眠呼吸优化建议。
P600:对所述睡眠呼吸声响动力学信号进行时间序列预测分析,结合睡眠呼吸知识库和用户睡眠呼吸数据库,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节。
第一步、对睡眠呼吸声响动力学信号进行时间序列预测分析,得到睡眠呼吸声响动力预测数据。
本实施例中,用深度学习模型来实现时间序列预测分析,获取睡眠呼吸声响动力学信号的动力预测数据。
在实际应用场景中,时间序列预测分析至少包括指数平滑法、Holt-Winters法、AR、MA、ARMA、ARIMA、SARIMA、SARIMAX、VAR、VARMA、VARMAX、机器学习等方法,可与根据实际需求进行选择使用;通常,AR、MA、ARMA、机器学习能够满足大多数场景的需求。
第二步、根据睡眠呼吸知识库、用户睡眠呼吸数据库和睡眠呼吸声响动力预测数据,生成睡眠呼吸辅助调节策略。
本实施例中,睡眠呼吸知识库主要来自睡眠呼吸相关的健康管理和临床医学的知识经验,包括睡眠呼吸规律、常见睡眠呼吸事件特征、常用睡眠呼吸调节方法即场景干预参数指导。而用户睡眠呼吸数据库为用户睡眠呼吸的基本历史信息数据存储数据库,至少包括睡眠呼吸声响特征、睡眠体位加速度特征、睡眠呼吸脑状态特征、睡眠呼吸声响动力学特征、睡眠呼吸声响动力学信号、睡眠呼吸声响事件信息和睡眠呼吸评价报告。
本实施例中,睡眠呼吸辅助调节策略至少包括调节方式、调节强度、调节时点、持续时间、目标调节值和装置控制参数。以通过当下消费市场中的智能床垫来实现用户睡眠呼吸调节为例,调节方式为睡眠体位调节,调节强度则根据用户睡眠呼吸状态指标来调整睡姿角度或气动支撑强度,调节时间可以是即时即刻或延时数秒,持续时间为调整干预持续时间(动态持续到用户起床),目标调节值为用户鼾声大小或是某一生理特定指标等,装置控制参数由智能床垫自动生成、外部用户设置或程序生成。而在睡眠呼吸机的辅助调节中,最关键指标包括呼吸频率、潮气量、呼吸压力、呼吸时间、氧合指数等。
在实际应用场景中,用户历史数据(用户睡眠呼吸数据库)能够反映用户生理功能行为水平和长期基线趋势。在用户历史数据的基础上,进一步结合当前的事件强度、睡眠呼吸信号特征集和睡眠呼吸声响动力预测数据,能更清晰地对用户睡眠呼吸当前现状和发展趋势做出判断和分析,从而得到更好的睡眠呼吸辅助调节策略。
第三步、通过信号接口将睡眠呼吸辅助调节策略发送睡眠呼吸调节设备,优化睡眠呼吸调节设备控制执行,以实现用户睡眠呼吸的动态辅助调节。
本实施例中,睡眠呼吸调节设备至少包括呼吸机、体位调节设备(如智能床垫)、气味刺激设备(如香薰香氛发生器)、电刺激设备(如经皮刺激仪)、触觉刺激设备(如智能震动贴)和CO2浓度调控设备(如新风系统)中的任一种,并由具体的调节方式决定。值得一提的,睡眠呼吸调节设备最好具备控制参数通信接口,方便与睡眠呼吸检测设备或干预设备进行实时联动,更便于构建智能检测调控闭环。
在实际应用场景中,呼吸机、电刺激更容易改善用户睡眠呼吸行为,遏制严重睡眠呼吸声响事件的发生。同时,本发明虽提供了辅助调节策略,但仍需要睡眠呼吸调节设备能够接收和解析睡眠呼吸辅助调节策略中的装置控制参数。
结合图2所示,本发明实施例提供的一种基于声响的睡眠呼吸评价及辅助调节系统,所述系统被构造以用于执行上述各个方法步骤。所述系统包括如下模块:
信号采集处理模块S100,用于采集处理用户睡眠过程的声响信号、加速度信号和脑状态信号,分别生成睡眠呼吸声响信号、睡眠体位加速度信号和睡眠脑状态信号,并连续识别记录用户的睡眠时相分期;
动力事件分析模块S200,用于提取睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号,根据呼吸声响信号强度阈值,识别并标记声响事件,提取睡眠呼吸声响事件信息;
信号特征分析模块S300,用于对生成睡眠呼吸声响信号、睡眠体位加速度信号、睡眠脑状态信号和睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸信号特征集;
脑状态特征对比模块S400,用于根据睡眠呼吸声响事件信息,对比分析睡眠呼吸信号特征集中的睡眠呼吸脑状态特征的事件时间区间和非事件时间区间的特征相对变化量,得到睡眠呼吸脑状态相对变化总特征值;
呼吸报告管理模块S500,用于根据用户睡眠姿势体位信息、睡眠时相分期和睡眠呼吸脑状态相对变化总特征值,校正睡眠呼吸声响事件信息中的事件强度,生成并输出睡眠呼吸评价报告;
辅助策略调节模块S600,用于对睡眠呼吸声响动力学信号进行时间序列预测分析,结合睡眠呼吸知识库和用户睡眠呼吸数据库,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节;
数据运行管理模块S700,用于对系统的全部过程数据进行可视化管理、统一存储和运行管理。
本实施例中,信号采集处理模块S100还包括以下功能单元:
声响采集处理单元,用于采集处理用户睡眠过程的声响信号并进行信号分解和声音识别,提取呼吸声和鼾声的声源声响信号,生成睡眠呼吸声响信号;
体位采集处理单元,用于采集处理用户睡眠过程的加速度信号,生成睡眠体位加速度信号;
脑状态采集处理单元,用于采集处理用户睡眠过程的脑状态信号,生成睡眠脑状态信号;
睡眠时相分期单元,用于将睡眠脑状态信号输入睡眠时相分期模型,连续识别记录用户的睡眠时相分期。
本实施例中,动力事件分析模块S200还包括以下功能单元:
包络提取单元,用于提取睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号;
事件信息提取单元,用于结合预设呼吸声响信号强度阈值和预设睡眠呼吸声响事件强烈程度分级规则,对睡眠呼吸声响动力学信号进行波形分析,识别并标记睡眠呼吸声响事件,提取睡眠呼吸声响事件信息。
本实施例中,信号特征分析模块S300还包括以下功能单元:
声响特征分析单元,用于对睡眠呼吸声响信号进行信号特征分析,得到睡眠呼吸声响特征;
加速度特征分析单元,用于对睡眠体位加速度信号进行信号特征分析,得到睡眠体位加速度特征;
脑状态特征分析单元,用于对睡眠脑状态信号进行信号特征分析,得到睡眠呼吸脑状态特征;
动力特征分析单元,用于对睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸声响动力学特征;
呼吸特征归集单元,用于将睡眠呼吸声响特征、睡眠体位加速度特征、睡眠呼吸脑状态特征和睡眠呼吸声响动力学特征归集,得到睡眠呼吸信号特征集。
本实施例中,脑状态特征对比模块S400还包括以下功能单元:
事件特征分离单元,用于根据睡眠呼吸声响事件信息中的起始时间和结束时间,从睡眠呼吸脑状态特征中分离,得到事件区间脑状态特征和非事件基线脑状态特征;
相对变化量化单元,用于对比分析事件区间脑状态特征和非事件基线脑状态特征的相对变化量,得到事件区间脑状态对比特征集,计算得到睡眠呼吸脑状态相对变化总特征值。
本实施例中,呼吸报告管理模块S500还包括以下功能单元:
事件强度校正单元,用于根据用户睡眠姿势体位信息、睡眠时相分期和睡眠呼吸脑状态相对变化总特征值,校正睡眠呼吸声响事件信息中的事件强度;
评价报告生成单元,用于根据预设报告生成周期,生成并输出睡眠呼吸评价报告。
本实施例中,辅助策略调节模块S600还包括以下功能单元:
动力趋势预测单元,用于对睡眠呼吸声响动力学信号进行时间序列预测分析,得到睡眠呼吸声响动力预测数据;
辅助策略生成单元,用于根据睡眠呼吸知识库、用户睡眠呼吸数据库和睡眠呼吸声响动力预测数据,生成睡眠呼吸辅助调节策略;
辅助策略推送单元,用于通过信号接口将睡眠呼吸辅助调节策略发送睡眠呼吸调节设备,优化睡眠呼吸调节设备控制执行,以实现用户睡眠呼吸的动态辅助调节。
本实施例中,数据运行管理模块S700还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对系统中所有数据的可视化展现管理;
数据运营管理单元,用于对系统中所有数据的存储、备份、迁移和导出。
结合图3所示,本发明实施例还提供了一种基于声响的睡眠呼吸评价及辅助调节装置,包括以下模组:
信号采集处理模组M100,用于采集处理用户睡眠过程的声响信号、加速度信号和脑状态信号,分别生成睡眠呼吸声响信号、睡眠体位加速度信号和睡眠脑状态信号,并连续识别记录用户的睡眠时相分期;
动力事件分析模组M200,用于提取睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号,根据呼吸声响信号强度阈值,识别并标记声响事件,提取睡眠呼吸声响事件信息;
信号特征分析模组M300,用于对生成睡眠呼吸声响信号、睡眠体位加速度信号、睡眠脑状态信号和睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸信号特征集;
脑状态特征对比模组M400,用于根据睡眠呼吸声响事件信息,对比分析睡眠呼吸信号特征集中的睡眠呼吸脑状态特征的事件时间区间和非事件时间区间的特征相对变化量,得到睡眠呼吸脑状态相对变化总特征值;
呼吸报告管理模组M500,用于根据用户睡眠姿势体位信息、睡眠时相分期和睡眠呼吸脑状态相对变化总特征值,校正睡眠呼吸声响事件信息中的事件强度,生成并输出睡眠呼吸评价报告;
辅助策略调节模组M600,用于对睡眠呼吸声响动力学信号进行时间序列预测分析,结合睡眠呼吸知识库和用户睡眠呼吸数据库,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节;
数据可视化模组M700,用于对装置中所有过程数据和/或结果数据的统一可视化展示管理;
数据管理中心模组M800,用于对装置中所有过程数据和/或结果数据的统一存储和数据运营管理。
所述装置被构造以用于对应执行图1的方法中的各个步骤,在此不再赘述。
本发明还提供了可编程的各类处理器(FPGA、ASIC或其他集成电路),所述处理器用于运行程序,其中,所述程序运行时执行上述实施例中的步骤。
本发明还提供了对应的计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述存储器执行所述程序时实现上述实施例中的步骤。
虽然本发明所揭露的实施方式如上,但所述的 内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和原则的前提下,可以在实施的形式及细节上进行任何的修改与变化、等同替换等,这些都属于本发明的保护范围。因此,本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (37)
1.一种基于声响的睡眠呼吸评价及辅助调节方法,其特征在于,包括以下步骤:
采集处理用户睡眠过程的声响信号、加速度信号和脑状态信号,分别生成睡眠呼吸声响信号、睡眠体位加速度信号和睡眠脑状态信号,并连续识别记录用户的睡眠时相分期;
提取所述睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号,根据呼吸声响信号强度阈值,识别并标记声响事件,提取睡眠呼吸声响事件信息;
对所述生成睡眠呼吸声响信号、所述睡眠体位加速度信号、所述睡眠脑状态信号和所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸信号特征集;
根据所述睡眠呼吸声响事件信息,对比分析所述睡眠呼吸信号特征集中的睡眠呼吸脑状态特征的事件时间区间和非事件时间区间的特征相对变化量,得到睡眠呼吸脑状态相对变化总特征值;
根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度,生成睡眠呼吸评价报告;
对所述睡眠呼吸声响动力学信号进行时间序列预测分析,结合睡眠呼吸知识库和用户睡眠呼吸数据库,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节。
2.如权利要求1所述的方法,其特征在于:所述采集处理至少包括采集获取、模数转换、重采样、重参考、去伪迹、信号矫正、降噪、工频陷波、带通滤波、均值滤波、平滑处理、重编码、预加重和端点检测。
3.如权利要求1所述的方法,其特征在于, 所述睡眠呼吸声响信号的生成方法具体步骤如下:
1)采集处理用户睡眠过程的声响信号,得到睡眠原始声响信号;
2)对所述睡眠原始声响信号进行信号分解,得到睡眠声源声响信号集;
3)对所述睡眠声源声响信号集进行声音识别,提取呼吸声和鼾声的声源声响信号,生成所述睡眠呼吸声响信号。
4.如权利要求3所述的方法,其特征在于:所述信号分解的具体目标为将所述睡眠原始声响信号分解成不同信号来源的源信号,包括经验模态分解EMD、变分模态分解VMD、盲源分离BSS、独立成分分析ICA、主成分分析PCA、线性判别分析LDA至少一种;所述声音识别的具体目的为通过波形判定方法或机器学习模型,对声源信号的不同声源进行识别标识,其中所述声源包括呼吸声、鼾声、吞咽声、磨牙声、人声、环境声至少一种。
5.如权利要求1所述的方法,其特征在于:所述睡眠体位加速度信号至少包括头部加速度信号和胸部加速度信号;所述睡眠脑状态信号至少包括脑电信号、脑磁信号、功能性磁共振成像信号、功能性近红外成像信号中的任一项。
6.如权利要求1或5所述的方法,其特征在于:所述睡眠时相分期的识别方法,具体为:
1)通过深度学习算法对规模睡眠用户样本的所述睡眠呼吸脑状态信号及其对应睡眠分期数据进行学习训练和数据建模,得到睡眠时相分期模型;
2)将当前用户的所述睡眠呼吸脑状态信号输入所述睡眠时相分期模型,得到所对应的所述睡眠时相分期。
7.如权利要求1所述的方法,其特征在于:所述睡眠呼吸声响事件信息包括事件类型、起始时间、结束时间、持续时长、峰谷值、峰谷值处时间、事件强度和事件等级至少一项。
8.如权利要求7所述的方法,其特征在于,所述事件强度具体由所述睡眠呼吸声响动力学信号的结果表征属性,睡眠呼吸声响事件的持续时长、峰谷值和峰谷值处相对时间,以及睡眠脑状态特征幅度变化、睡眠时相分期和睡眠体位来决定。
9.如权利要求8所述的方法,其特征在于,所述事件强度的一种计算方法,具体为:
1)从所述睡眠呼吸声响事件信息中获取当前事件相关的起始时间、结束时间、持续时长、峰谷值和峰谷值处时间,并从所述睡眠呼吸声响动力学信号提取事件动力学片段信号;
2)计算当前事件的峰谷值和所述呼吸声响信号强度阈值的相对变化量,得到峰谷相对值;
3)根据所述呼吸声响信号强度阈值和所述事件动力学片段信号,当前事件的起始时间、峰谷值和峰谷值处时间计算线性斜率,得到峰谷前沿斜率;
4)根据所述呼吸声响信号强度阈值和所述事件动力学片段信号,当前事件的结束时间、峰谷值和峰谷值处时间计算线性斜率,得到峰谷后沿斜率;
5)根据当前事件的持续时长、所述峰谷相对值、所述峰谷前沿斜率、所述峰谷后沿斜率的数值融合计算,得到所述事件强度。
10.如权利要求1所述的方法,其特征在于:所述信号特征分析包括数值特征分析、包络特征分析、时频特征分析、非线性特征分析至少一项;其中,所述非线性特征包括熵特征、分形特征和复杂度特征至少一项,所述时频特征包括频带功率、频带功率占比、频带中心频率至少一项。
11.如权利要求1或10所述的方法,其特征在于,所述睡眠呼吸信号特征集至少包括睡眠呼吸声响特征、睡眠体位加速度特征、睡眠呼吸脑状态特征和睡眠呼吸声响动力学特征。
12.如权利要求11所述的方法,其特征在于,所述睡眠呼吸声响特征包括数值特征、时频特征、包络特征和非线性特征至少一项;所述睡眠体位加速度特征包括数值特征、包络特征和时频特征至少一项;所述睡眠呼吸脑状态特征包括数值特征、包络特征、时频特征和非线性特征至少一项;所述睡眠呼吸声响动力学特征包括数值特征、时频特征和非线性特征至少一项。
13.如权利要求12所述的方法,其特征在于,所述睡眠呼吸声响特征包含共振峰特征、MFCC特征、Bark谱特征和CQT特征至少一者;所述睡眠体位加速度特征分为肢体运动特征和睡姿方向特征。
14.如权利要求1所述的方法,其特征在于,所述睡眠呼吸脑状态相对变化总特征值具体为对全部特征的特征相对变化量进行加权计算、求均方根计算、求算数平均值计算、先取绝对值在求算数平均值计算而得到的特征值,至少包括加权计算值、均方根、算数平均值、取绝对值后的算数平均值中的任一项。
15.如权利要求1所述的方法,其特征在于,所述事件强度的校正方法具体为:
1)获取所述睡眠呼吸信号特征集,从睡眠体位加速度特征中提取用户睡眠姿势体位信息, 生成得到睡眠姿势体位修正系数;
2)获取当前所述睡眠时相分期,按照预设睡眠时相分期系数对照表,得到睡眠时相分期修正系数;
3)获取所述睡眠呼吸脑状态相对变化总特征值,筛选一特征值或总体特征值作为睡眠呼吸脑状态事件修正系数;
4)用所述睡眠姿势体位修正系数、所述睡眠时相分期修正系数和所述睡眠呼吸脑状态事件修正系数的数值乘积组合计算,校正所述事件强度。
16.如权利要求15所述的方法,其特征在于,所述用户睡眠姿势体位信息是从所述睡眠呼吸信号特征集中的睡眠体位加速度特征提取得到,至少包括睡姿方向和睡姿角度。
17.如权利要求15所述的方法,其特征在于,睡眠姿势体位修正系数的具体计算方法为以仰卧平躺为0°,俯卧为180°作为参考,计算不同睡姿角度的相对系数,即得到所述睡眠体位修正系数。
18.如权利要求15所述的方法,其特征在于,所述事件强度的校正方法,具体为:
1)根据用户场景需求,选择所述睡眠姿势体位修正系数、所述睡眠时相分期修正系数和所述睡眠呼吸脑状态事件修正系数的数值乘积组合计算方式,并计算得到事件强度校正系数;
2)由所述事件强度校正系数与校正前的所述事件强度的乘积,生成校正后的所述事件强度;
其中,所述数值乘积组合计算方式至少包括求和、乘积、平均数、均方根、调和平均数、加权计算、乘积后开方中的任一项。
19.如权利要求1或15所述的方法,其特征在于,所述睡眠呼吸评价报告包括不同事件类型的、不同持续时长的、不同事件强度的、不同事件等级的、不同睡眠分期的睡眠呼吸声响事件数量统计和累计时长统计,睡眠呼吸评价小结,以及睡眠呼吸优化建议至少一项。
20.如权利要求1所述的方法,其特征在于,所述睡眠呼吸知识库主要来自睡眠呼吸相关的健康管理和临床医学的知识经验,至少包括睡眠呼吸规律、常见睡眠呼吸事件特征、常用睡眠呼吸调节方法即场景干预参数指导;所述用户睡眠呼吸数据库为用户睡眠呼吸的基本历史信息数据存储数据库,至少包括睡眠呼吸声响特征、睡眠体位加速度特征、睡眠呼吸脑状态特征、睡眠呼吸声响动力学特征、所述睡眠呼吸声响动力学信号、所述睡眠呼吸声响事件信息和所述睡眠呼吸评价报告。
21.如权利要求1所述的方法,其特征在于,所述睡眠呼吸辅助调节策略包括调节方式、调节强度、调节时点、持续时间、目标调节值和装置控制参数至少一项。
22.如权利要求1所述的方法,其特征在于,所述睡眠呼吸调节设备至少包括呼吸机、体位调节设备、气味刺激设备、电刺激设备、触觉刺激设备和CO2浓度调控设备中的任一种,并由具体的调节方式决定。
23.如权利要求1所述的方法,其特征在于,所述采集处理用户睡眠过程的声响信号、加速度信号和脑状态信号,分别生成睡眠呼吸声响信号、睡眠体位加速度信号和睡眠脑状态信号,并连续识别记录用户的睡眠时相分期的具体步骤还包括:
采集处理用户睡眠过程的声响信号并进行信号分解和声音识别,提取呼吸声和鼾声的声源声响信号,生成所述睡眠呼吸声响信号;
采集处理用户睡眠过程的加速度信号,生成所述睡眠体位加速度信号;
采集处理用户睡眠过程的脑状态信号,生成所述睡眠脑状态信号;
将所述睡眠脑状态信号输入睡眠时相分期模型,连续识别记录用户的所述睡眠时相分期。
24.如权利要求1或23所述的方法,其特征在于,所述提取所述睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号,根据呼吸声响信号强度阈值,识别并标记声响事件,提取睡眠呼吸声响事件信息的具体步骤还包括:
提取所述睡眠呼吸声响信号的包络线,得到所述睡眠呼吸声响动力学信号;
结合预设呼吸声响信号强度阈值和预设睡眠呼吸声响事件强烈程度分级规则,对所述睡眠呼吸声响动力学信号进行波形分析,识别并标记睡眠呼吸声响事件,提取所述睡眠呼吸声响事件信息。
25.如权利要求1所述的方法,其特征在于,对所述睡眠呼吸声响信号、所述睡眠体位加速度信号、所述睡眠脑状态信号和所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸信号特征集的具体步骤还包括:
对所述睡眠呼吸声响信号进行信号特征分析,得到睡眠呼吸声响特征;
对所述睡眠体位加速度信号进行信号特征分析,得到睡眠体位加速度特征;
对所述睡眠脑状态信号进行信号特征分析,得到睡眠呼吸脑状态特征;
对所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸声响动力学特征;
将所述睡眠呼吸声响特征、所述睡眠体位加速度特征、所述睡眠呼吸脑状态特征和所述睡眠呼吸声响动力学特征归集,得到所述睡眠呼吸信号特征集。
26.如权利要求1或25所述的方法,其特征在于,所述根据所述睡眠呼吸声响事件信息,对比分析所述睡眠呼吸信号特征集中的睡眠呼吸脑状态特征的事件时间区间和非事件时间区间的特征相对变化量,得到睡眠呼吸脑状态相对变化总特征值的具体步骤还包括:
根据所述睡眠呼吸声响事件信息中的起始时间和结束时间,从所述睡眠呼吸脑状态特征中分离,得到事件区间脑状态特征和非事件基线脑状态特征;
对比分析所述事件区间脑状态特征和所述非事件基线脑状态特征的相对变化量,得到事件区间脑状态对比特征集,计算得到所述睡眠呼吸脑状态相对变化总特征值。
27.如权利要求1或25所述的方法,其特征在于,所述根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度,生成睡眠呼吸评价报告的具体步骤还包括:
根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度;
根据预设报告生成周期,生成并输出所述睡眠呼吸评价报告。
28.如权利要求1或25所述的方法,其特征在于,所述对所述睡眠呼吸声响动力学信号进行时间序列预测分析,结合睡眠呼吸知识库和用户睡眠呼吸数据库,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节的具体步骤还包括:
对所述睡眠呼吸声响动力学信号进行时间序列预测分析,得到睡眠呼吸声响动力预测数据;
根据所述睡眠呼吸知识库、所述用户睡眠呼吸数据库和所述睡眠呼吸声响动力预测数据,生成所述睡眠呼吸辅助调节策略;
通过信号接口将所述睡眠呼吸辅助调节策略发送睡眠呼吸调节设备,优化睡眠呼吸调节设备控制执行,以实现用户睡眠呼吸的动态辅助调节。
29.一种基于声响的睡眠呼吸评价及辅助调节系统,其特征在于,包括以下模块:
信号采集处理模块,用于采集处理用户睡眠过程的声响信号、加速度信号和脑状态信号,分别生成睡眠呼吸声响信号、睡眠体位加速度信号和睡眠脑状态信号,并连续识别记录用户的睡眠时相分期;
动力事件分析模块,用于提取所述睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号,根据呼吸声响信号强度阈值,识别并标记声响事件,提取睡眠呼吸声响事件信息;
信号特征分析模块,用于对所述生成睡眠呼吸声响信号、所述睡眠体位加速度信号、所述睡眠脑状态信号和所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸信号特征集;
脑状态特征对比模块,用于根据所述睡眠呼吸声响事件信息,对比分析所述睡眠呼吸信号特征集中的睡眠呼吸脑状态特征的事件时间区间和非事件时间区间的特征相对变化量,得到睡眠呼吸脑状态相对变化总特征值;
呼吸报告管理模块,用于根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度,生成并输出睡眠呼吸评价报告;
辅助策略调节模块,用于对所述睡眠呼吸声响动力学信号进行时间序列预测分析,结合睡眠呼吸知识库和用户睡眠呼吸数据库,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节;
数据运行管理模块,用于对所述系统的全部过程数据进行可视化管理、统一存储和运行管理。
30.如权利要求29所述的系统,其特征在于,所述信号采集处理模块还包括以下功能单元:
声响采集处理单元,用于采集处理用户睡眠过程的声响信号并进行信号分解和声音识别,提取呼吸声和鼾声的声源声响信号,生成所述睡眠呼吸声响信号;
体位采集处理单元,用于采集处理用户睡眠过程的加速度信号,生成所述睡眠体位加速度信号;
脑状态采集处理单元,用于采集处理用户睡眠过程的脑状态信号,生成所述睡眠脑状态信号;
睡眠时相分期单元,用于将所述睡眠脑状态信号输入睡眠时相分期模型,连续识别记录用户的所述睡眠时相分期。
31.如权利要求29所述的系统,其特征在于,所述动力事件分析模块还包括以下功能单元:
包络提取单元,用于提取所述睡眠呼吸声响信号的包络线,得到所述睡眠呼吸声响动力学信号;
事件信息提取单元,用于结合预设呼吸声响信号强度阈值和预设睡眠呼吸声响事件强烈程度分级规则,对所述睡眠呼吸声响动力学信号进行波形分析,识别并标记睡眠呼吸声响事件,提取所述睡眠呼吸声响事件信息。
32.如权利要求29所述的系统,其特征在于,所述信号特征分析模块还包括以下功能单元:
声响特征分析单元,用于对所述睡眠呼吸声响信号进行信号特征分析,得到睡眠呼吸声响特征;
加速度特征分析单元,用于对所述睡眠体位加速度信号进行信号特征分析,得到睡眠体位加速度特征;
脑状态特征分析单元,用于对所述睡眠脑状态信号进行信号特征分析,得到睡眠呼吸脑状态特征;
动力特征分析单元,用于对所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸声响动力学特征;
呼吸特征归集单元,用于将所述睡眠呼吸声响特征、所述睡眠体位加速度特征、所述睡眠呼吸脑状态特征和所述睡眠呼吸声响动力学特征归集,得到所述睡眠呼吸信号特征集。
33.如权利要求29-32任一项所述的系统,其特征在于,所述脑状态特征对比模块还包括以下功能单元:
事件特征分离单元,用于根据所述睡眠呼吸声响事件信息中的起始时间和结束时间,从所述睡眠呼吸脑状态特征中分离,得到事件区间脑状态特征和非事件基线脑状态特征;
相对变化量化单元,用于对比分析所述事件区间脑状态特征和所述非事件基线脑状态特征的相对变化量,得到事件区间脑状态对比特征集,计算得到所述睡眠呼吸脑状态相对变化总特征值。
34.如权利要求33所述的系统,其特征在于,所述呼吸报告管理模块还包括以下功能单元:
事件强度校正单元,用于根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度;
评价报告生成单元,用于根据预设报告生成周期,生成并输出所述睡眠呼吸评价报告。
35.如权利要求34所述的系统,其特征在于,所述辅助策略调节模块还包括以下功能单元:
动力趋势预测单元,用于对所述睡眠呼吸声响动力学信号进行时间序列预测分析,得到睡眠呼吸声响动力预测数据;
辅助策略生成单元,用于根据所述睡眠呼吸知识库、所述用户睡眠呼吸数据库和所述睡眠呼吸声响动力预测数据,生成所述睡眠呼吸辅助调节策略;
辅助策略推送单元,用于通过信号接口将所述睡眠呼吸辅助调节策略发送睡眠呼吸调节设备,优化睡眠呼吸调节设备控制执行,以实现用户睡眠呼吸的动态辅助调节。
36.如权利要求34所述的系统,其特征在于,所述数据运行管理模块还包括以下功能单元:
用户信息管理单元,用于用户基本信息的登记输入、编辑、查询、输出和删除;
数据可视化管理单元,用于对所述系统中所有数据的可视化展现管理;
数据运营管理单元,用于对所述系统中所有数据的存储、备份、迁移和导出。
37.一种基于声响的睡眠呼吸评价及辅助调节装置,其特征在于,包括以下模组:
信号采集处理模组,用于采集处理用户睡眠过程的声响信号、加速度信号和脑状态信号,分别生成睡眠呼吸声响信号、睡眠体位加速度信号和睡眠脑状态信号,并连续识别记录用户的睡眠时相分期;
动力事件分析模组,用于提取所述睡眠呼吸声响信号的包络线,得到睡眠呼吸声响动力学信号,根据呼吸声响信号强度阈值,识别并标记声响事件,提取睡眠呼吸声响事件信息;
信号特征分析模组,用于对所述生成睡眠呼吸声响信号、所述睡眠体位加速度信号、所述睡眠脑状态信号和所述睡眠呼吸声响动力学信号进行信号特征分析,得到睡眠呼吸信号特征集;
脑状态特征对比模组,用于根据所述睡眠呼吸声响事件信息,对比分析所述睡眠呼吸信号特征集中的睡眠呼吸脑状态特征的事件时间区间和非事件时间区间的特征相对变化量,得到睡眠呼吸脑状态相对变化总特征值;
呼吸报告管理模组,用于根据用户睡眠姿势体位信息、所述睡眠时相分期和所述睡眠呼吸脑状态相对变化总特征值,校正所述睡眠呼吸声响事件信息中的事件强度,生成并输出睡眠呼吸评价报告;
辅助策略调节模组,用于对所述睡眠呼吸声响动力学信号进行时间序列预测分析,结合睡眠呼吸知识库和用户睡眠呼吸数据库,生成睡眠呼吸辅助调节策略并通过信号接口发送睡眠呼吸调节设备,以实现用户睡眠呼吸的动态辅助调节;
数据可视化模组,用于对所述装置中所有过程数据和/或结果数据的统一可视化展示管理;
数据管理中心模组,用于对所述装置中所有过程数据和/或结果数据的统一存储和数据运营管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410191378.8A CN117747117B (zh) | 2024-02-21 | 2024-02-21 | 基于声响的睡眠呼吸评价及辅助调节方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410191378.8A CN117747117B (zh) | 2024-02-21 | 2024-02-21 | 基于声响的睡眠呼吸评价及辅助调节方法、系统和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117747117A true CN117747117A (zh) | 2024-03-22 |
CN117747117B CN117747117B (zh) | 2024-05-24 |
Family
ID=90251284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410191378.8A Active CN117747117B (zh) | 2024-02-21 | 2024-02-21 | 基于声响的睡眠呼吸评价及辅助调节方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117747117B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090151719A1 (en) * | 2004-02-04 | 2009-06-18 | Breathe Technologies, Inc. | Methods and devices for treating sleep apnea |
CN106474608A (zh) * | 2016-09-28 | 2017-03-08 | 湖南明康中锦医疗科技发展有限公司 | 基于呼吸睡眠事件的呼吸机的调整方法及呼吸机 |
KR20180109100A (ko) * | 2017-03-27 | 2018-10-08 | 연세대학교 원주산학협력단 | 보호자 스마트폰과 연동되는 수면무호흡상태 모니터링 시스템 |
CN110464944A (zh) * | 2019-08-26 | 2019-11-19 | 深圳创达云睿智能科技有限公司 | 一种呼吸机的控制方法、装置及呼吸机 |
US20200397365A1 (en) * | 2015-07-17 | 2020-12-24 | Feng Zhang | Method, apparatus, and system for wireless sleep monitoring |
WO2021187654A1 (ko) * | 2020-03-17 | 2021-09-23 | 메디코코(주) | 코골이 및 수면 무호흡 방지용 수면장치 |
CN113877033A (zh) * | 2021-12-09 | 2022-01-04 | 南京舒普思达医疗设备有限公司 | 基于睡眠特征的呼吸机调控方法及系统 |
TWI766471B (zh) * | 2020-12-10 | 2022-06-01 | 國立勤益科技大學 | 基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統 |
US20220241530A1 (en) * | 2020-02-26 | 2022-08-04 | Novaresp Technologies Inc. | Method & apparatus for determining and/or predicting sleep and respiratory behaviours for management of airway pressure |
CN115862873A (zh) * | 2023-02-17 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 一种睡眠节律量化及干预的方法、系统和装置 |
CN115910351A (zh) * | 2023-03-03 | 2023-04-04 | 安徽星辰智跃科技有限责任公司 | 一种睡眠周期性检测量化及辅助干预的方法、系统和装置 |
CN116058804A (zh) * | 2023-03-27 | 2023-05-05 | 安徽星辰智跃科技有限责任公司 | 一种睡眠情绪活跃水平动态调节的方法、系统和装置 |
CN116186544A (zh) * | 2023-03-22 | 2023-05-30 | 合肥工业大学 | 基于深度学习的单通道脑电睡眠分期方法 |
CN116211256A (zh) * | 2023-03-16 | 2023-06-06 | 武汉理工大学 | 一种非接触式的睡眠呼吸信号获取方法和装置 |
CN117370769A (zh) * | 2023-12-08 | 2024-01-09 | 深圳市光速时代科技有限公司 | 一种适用于睡眠环境的智能穿戴设备数据处理方法 |
-
2024
- 2024-02-21 CN CN202410191378.8A patent/CN117747117B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090151719A1 (en) * | 2004-02-04 | 2009-06-18 | Breathe Technologies, Inc. | Methods and devices for treating sleep apnea |
US20200397365A1 (en) * | 2015-07-17 | 2020-12-24 | Feng Zhang | Method, apparatus, and system for wireless sleep monitoring |
CN106474608A (zh) * | 2016-09-28 | 2017-03-08 | 湖南明康中锦医疗科技发展有限公司 | 基于呼吸睡眠事件的呼吸机的调整方法及呼吸机 |
KR20180109100A (ko) * | 2017-03-27 | 2018-10-08 | 연세대학교 원주산학협력단 | 보호자 스마트폰과 연동되는 수면무호흡상태 모니터링 시스템 |
CN110464944A (zh) * | 2019-08-26 | 2019-11-19 | 深圳创达云睿智能科技有限公司 | 一种呼吸机的控制方法、装置及呼吸机 |
US20220241530A1 (en) * | 2020-02-26 | 2022-08-04 | Novaresp Technologies Inc. | Method & apparatus for determining and/or predicting sleep and respiratory behaviours for management of airway pressure |
WO2021187654A1 (ko) * | 2020-03-17 | 2021-09-23 | 메디코코(주) | 코골이 및 수면 무호흡 방지용 수면장치 |
TWI766471B (zh) * | 2020-12-10 | 2022-06-01 | 國立勤益科技大學 | 基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統 |
CN113877033A (zh) * | 2021-12-09 | 2022-01-04 | 南京舒普思达医疗设备有限公司 | 基于睡眠特征的呼吸机调控方法及系统 |
CN115862873A (zh) * | 2023-02-17 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 一种睡眠节律量化及干预的方法、系统和装置 |
CN115910351A (zh) * | 2023-03-03 | 2023-04-04 | 安徽星辰智跃科技有限责任公司 | 一种睡眠周期性检测量化及辅助干预的方法、系统和装置 |
CN116211256A (zh) * | 2023-03-16 | 2023-06-06 | 武汉理工大学 | 一种非接触式的睡眠呼吸信号获取方法和装置 |
CN116186544A (zh) * | 2023-03-22 | 2023-05-30 | 合肥工业大学 | 基于深度学习的单通道脑电睡眠分期方法 |
CN116058804A (zh) * | 2023-03-27 | 2023-05-05 | 安徽星辰智跃科技有限责任公司 | 一种睡眠情绪活跃水平动态调节的方法、系统和装置 |
CN117370769A (zh) * | 2023-12-08 | 2024-01-09 | 深圳市光速时代科技有限公司 | 一种适用于睡眠环境的智能穿戴设备数据处理方法 |
Non-Patent Citations (1)
Title |
---|
张庆丰;仝屹峰;程陈景;常红;丁美娜;: "微动敏感床垫式睡眠监测仪在失眠症诊断中的应用", 临床耳鼻咽喉头颈外科杂志, no. 05, 6 March 2014 (2014-03-06) * |
Also Published As
Publication number | Publication date |
---|---|
CN117747117B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7025729B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
JP5961235B2 (ja) | 睡眠/覚醒状態評価方法及びシステム | |
US20240023886A1 (en) | Noninvasive method and system for sleep apnea detection | |
WO2020119245A1 (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
US9833184B2 (en) | Identification of emotional states using physiological responses | |
CN115862877B (zh) | 睡眠可持续性检测量化及辅助干预的方法、系统和装置 | |
CN115881305B (zh) | 一种睡眠趋稳性检测量化及辅助干预的方法、系统和装置 | |
CN115910351B (zh) | 一种睡眠周期性检测量化及辅助干预的方法、系统和装置 | |
EP1819272A2 (en) | Sleep staging based on cardio-respiratory signals | |
CN116058804B (zh) | 一种睡眠情绪活跃水平动态调节的方法、系统和装置 | |
CN116013470B (zh) | 一种睡眠行为活跃水平动态调节的方法、系统和装置 | |
CN111317446B (zh) | 基于人体肌肉表面电信号的睡眠结构自动分析方法 | |
CN115804573A (zh) | 一种睡眠深度量化及干预的方法、系统和装置 | |
CN116035536B (zh) | 一种睡眠行为活跃水平检测量化的方法、系统和装置 | |
CN115969330B (zh) | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 | |
CN116649913A (zh) | 一种基于全局慢波的睡眠质量评估系统 | |
Indic et al. | Point process modeling of interbreath interval: a new approach for the assessment of instability of breathing in neonates | |
CN116092641B (zh) | 一种睡眠感官应激水平动态调节的方法、系统和装置 | |
CN117747117B (zh) | 基于声响的睡眠呼吸评价及辅助调节方法、系统和装置 | |
CN117747118B (zh) | 睡眠呼吸周期评价及辅助调节方法、系统和装置 | |
CN118000711A (zh) | 睡眠呼吸血氧检测分析及辅助调节方法、系统和装置 | |
CN118000692A (zh) | 基于心血管的睡眠呼吸评价及辅助调节方法、系统和装置 | |
CN118000713A (zh) | 睡眠呼吸平稳量化及辅助调节方法、系统和装置 | |
CN118000712A (zh) | 睡眠脑与呼吸联合检测评价及辅助调节方法、系统和装置 | |
CN117017234B (zh) | 多参数集成麻醉监测与分析系统 |
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 |