CN117747118A - 睡眠呼吸周期评价及辅助调节方法、系统和装置 - Google Patents
睡眠呼吸周期评价及辅助调节方法、系统和装置 Download PDFInfo
- Publication number
- CN117747118A CN117747118A CN202410191430.XA CN202410191430A CN117747118A CN 117747118 A CN117747118 A CN 117747118A CN 202410191430 A CN202410191430 A CN 202410191430A CN 117747118 A CN117747118 A CN 117747118A
- Authority
- CN
- China
- Prior art keywords
- sleep
- signal
- respiratory
- breathing
- periodic
- 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 646
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 330
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 230000000737 periodic effect Effects 0.000 claims abstract description 195
- 238000004458 analytical method Methods 0.000 claims abstract description 120
- 230000033228 biological regulation Effects 0.000 claims abstract description 102
- 230000006399 behavior Effects 0.000 claims abstract description 100
- 230000004622 sleep time Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000013139 quantization Methods 0.000 claims abstract description 8
- 230000000241 respiratory effect Effects 0.000 claims description 356
- 238000000354 decomposition reaction Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 42
- 238000012544 monitoring process Methods 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 34
- 238000007726 management method Methods 0.000 claims description 34
- 238000012937 correction Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 19
- 230000003183 myoelectrical effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008667 sleep stage Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 210000001015 abdomen Anatomy 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 230000008560 physiological behavior Effects 0.000 claims description 6
- 208000019116 sleep disease Diseases 0.000 claims description 6
- 206010062519 Poor quality sleep Diseases 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000012880 independent component analysis Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- 241001123248 Arma Species 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 241000728173 Sarima Species 0.000 claims description 3
- 230000035565 breathing frequency Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 2
- 230000004424 eye movement Effects 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 3
- 230000000638 stimulation Effects 0.000 claims 3
- 230000015355 regulation of circadian sleep/wake cycle, sleep Effects 0.000 abstract description 4
- 238000011158 quantitative evaluation Methods 0.000 abstract description 3
- 230000004936 stimulating effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 206010041235 Snoring Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000036391 respiratory frequency Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 206010021079 Hypopnoea Diseases 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000001020 rhythmical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 238000000222 aromatherapy Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了睡眠呼吸周期评价及辅助调节方法、系统和装置，通过创造性将时序信号分解用于睡眠呼吸动力学的分析量化过程，提取睡眠呼吸动力学信号中的周期成分，计算得到睡眠呼吸周期性强度，结合睡眠时相和睡眠体位，来实现睡眠呼吸周期性行为的科学量化评价；进一步对用户睡眠状态和睡眠呼吸周期性强度进行信号趋势预测，生成睡眠呼吸周期性辅助调节策略并通过设备信号控制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，辅助用户睡眠呼吸。
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，特别涉及一种睡眠呼吸周期评价及辅助调节方法、系统和装置。
背景技术
呼吸是人类维持正常的生理功能的最基本需要。人类呼吸行为是节律性的，是个吸进氧气、呼出二氧化碳的周期性过程。人类呼吸周期或频率是相对稳定的，但呼吸频率受性别、年龄和健康状态等影响；正常情况下，成人约12～20次/分（男性13～21次/分，女性15～20次/分），儿童约30~40次/分。呼吸周期或呼吸频率作为生命体征的重要指标，可用于观察呼吸功能状态。
另外，睡眠呼吸行为比清醒状态下的呼吸行为更缓慢也更有节律性，同时能够清晰地反映呼吸生理器官或功能链路的功能状态。睡眠呼吸行为容易受到肥胖、健康状态、睡眠体位姿态等因素的影响，带来不同严重程度的睡眠呼吸事件，如打鼾、低通气等人群规律巨大。
现有技术方案CN115120837A公开了一种基于深度学习的睡眠环境调节方法、系统、装置及介质，方法包括：获取用户睡眠时的第一热红外图像信息和第一呼吸声音信息；将第一热红外图像信息输入到预先训练好的人体姿态识别网络得到第一人体姿态信息，并将第一人体姿态信息和第一呼吸声音信息输入到预先训练好的呼吸状态识别网络得到第一呼吸状态信息；将第一人体姿态信息和第一呼吸状态信息输入到预先训练好的睡眠状态识别网络得到第一睡眠状态信息；根据第一睡眠状态信息对室内的环境参数进行调节。该技术方案发明内容指出无需通过可穿戴设备实时监测用户的体征参数，提高了睡眠状态识别的准确性和睡眠环境调节的准确性，提高了用户的睡眠体验，可广泛应用于智能家居技术领域。
目前，睡眠呼吸周期检测评估的技术方案主要集中在呼吸频率概括计算、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，均不能对睡眠呼吸周期性行为和周期性强度做出明确定义或量化，尤其缺乏对睡眠呼吸周期性行为的动态分析和动态调控。此外，现有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，无法根据用户实时呼吸状态来完成用户睡眠呼吸周期过程、个性化精准的动态辅助调节。
由上可知，如何对睡眠呼吸周期性行为和周期性强度进行科学和全面地量化评价，如何完成用户睡眠呼吸周期性的个性化、精准动态的辅助调节，从而辅助用户睡眠，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睡眠呼吸周期评价及辅助调节方法，通过采集获取用户的睡眠呼吸行为信号并提取睡眠呼吸动力学信号，通过信号分解得到睡眠呼吸动力学周期信号并计算其周期强度特征，至少包括数值特征、睡眠呼吸周期性强度和曲线；对用户睡眠状态和睡眠呼吸周期性行为进行信号趋势预测，生成睡眠呼吸周期性辅助调节策略，以实现对用户睡眠呼吸的动态辅助调节；通过开创性的睡眠呼吸周期性检测量化和动态服务策略，实现了用户睡眠呼吸周期性的个性化、精准动态的辅助调节，从而辅助用户睡眠。本发明还提供了一种睡眠呼吸周期评价及辅助调节系统，用于实现上述方法。本发明还提供了一种睡眠呼吸周期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，本发明提出了一种睡眠呼吸周期评价及辅助调节方法，包括以下步骤：
采集获取用户的睡眠呼吸行为信号并进行信号分析处理，得到睡眠呼吸动力学信号；
对所述睡眠呼吸动力学信号进行时序信号分解和/或时频分析，提取睡眠呼吸动力学周期信号；
结合睡眠时相分期信息和用户睡姿体态信息，对所述睡眠呼吸动力学周期信号进行信号特征分析，提取睡眠呼吸周期性强度；
对所述睡眠呼吸动力学信号和所述睡眠呼吸周期性强度进行信号趋势预测，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略，并通过设备信号控制接口发送睡眠呼吸调节设备。
更优地，所述采集获取用户的睡眠呼吸行为信号并进行信号分析处理，得到睡眠呼吸动力学信号的具体步骤还包括：
对用户睡眠前中后的呼吸生理行为进行连续监测采集，得到所述睡眠呼吸行为信号；
对所述睡眠呼吸行为信号进行信号分析处理，提取所述睡眠呼吸动力学信号。
更优地，所述睡眠呼吸行为信号至少包括口鼻温度监测信号、鼻压力监测信号、口鼻CO2监测信号、胸腹呼吸运动信号、心电衍生呼吸信号、咽喉肌电信号的任一项。
更优地，所述信号分析处理至少包括模数转换、重采样、重参考、去伪迹、信号矫正、降噪、工频陷波、去均值处理、低通滤波、高通滤波、带通滤波、均值滤波、平滑处理和信号时窗分割；其中，所述信号时窗分割具体为以预设长度时间窗口、预设平移时间步长对目标信号进行连续时窗分割，得到多时窗信号集。
更优地，所述睡眠呼吸动力学信号具体为描述睡眠呼吸连续强弱变化的动力学曲线，至少包括口鼻温度动力学信号、鼻压力动力学信号、口鼻CO2动力学信号、胸腹呼吸动力学信号、心电衍生呼吸动力信号、咽喉呼吸动力信号的任一项。 更优地，所述所述睡眠呼吸动力学信号的提取方式，具体为：
1)根据所述睡眠呼吸行为信号的来源，调整其信号极性，使其和其他所述睡眠呼吸行为信号都满足吸气-呼气的、统一的预设信号极性规则（即吸气向下波谷，呼气向上波峰；或反之，呼气向下波谷，吸气向上波峰），得到睡眠呼吸行为观察信号；
2)根据所述睡眠呼吸行为信号的来源，选择并确定对其相应的所述睡眠呼吸行为观察信号的信号分析处理的具体方法步骤；
A.若所述睡眠呼吸行为信号为口鼻温度监测信号、鼻压力监测信号、口鼻CO2监测信号或胸腹呼吸运动信号，则信号分析处理的具体方法步骤至少包括去伪迹、信号矫正、去均值处理；
B.若所述睡眠呼吸行为信号为心电衍生呼吸信号，则需要先从心电信号中提取心电衍生呼吸信号，再对心电衍生呼吸信号进行信号分析处理，具体方法步骤至少包括去伪迹、信号矫正、去均值处理；
C.若所述睡眠呼吸行为信号为咽喉肌电信号，则需要先提取咽喉肌电信号的包络线信号并得到咽喉呼吸肌电包络信号，再对咽喉呼吸肌电包络信号进行信号分析处理，具体方法步骤至少包括去伪迹、信号矫正、去均值处理；
3)对所述睡眠呼吸行为观察信号进行信号分析处理，生成所述睡眠呼吸动力学信号。
更优地，所述时序信号分解的方法至少包括时间序列分解、经验模态分解、变分模态分解、局域均值分解、小波变换、小波包变换、时频变换、去趋势分析、主成分分析、独立成分分析、波形分析和数值拟合，及他们的进化变种方法；所述时频分析的方法至少包括时频变换、时域滤波和频域滤波中的任一项。
更优地，所述结合睡眠时相分期信息和用户睡姿体态信息，对所述睡眠呼吸动力学周期信号进行信号特征分析，提取睡眠呼吸周期性强度的具体步骤还包括：
对所述睡眠呼吸动力学周期信号进行信号特征分析，得到睡眠呼吸周期信号特征；
结合睡眠时相分期信息、用户睡姿体态信息和所述睡眠呼吸周期信号特征，提取所述睡眠呼吸周期性强度，并按信号窗口时序生成睡眠呼吸周期性强度曲线；
对所述睡眠呼吸周期信号特征、所述睡眠呼吸周期性强度和所述睡眠呼吸周期性强度曲线进行归集，得到所述睡眠呼吸周期性指标集。
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。
更优地，所述睡眠呼吸周期性指标集至少包括所述睡眠呼吸动力学周期信号的数值特征、睡眠呼吸周期性强度、睡眠呼吸周期性强度曲线；其中，所述数值特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度。
更优地，所述睡眠呼吸周期性强度的计算方法，具体为：
1)获取所述睡眠呼吸动力学信号；
2)判断所述睡眠呼吸动力学信号的时序特性，并对所述睡眠呼吸动力学信号进行对应的时序信号分解，得到所述睡眠呼吸动力学周期信号；
3)对所述睡眠呼吸动力学周期信号和所述睡眠呼吸动力学信号进行信号特征分析，分别得到睡眠呼吸动力学周期信号特征和睡眠呼吸动力学信号特征；
4)根据所述睡眠呼吸动力学周期信号特征和所述睡眠呼吸动力学信号特征，分析所述睡眠呼吸动力学周期信号相对于所述睡眠呼吸动力学信号的信号强度相对变化特征，得到睡眠呼吸动力学周期性强度因子；
5)结合用户当前的睡眠时相分期信息和用户睡姿体态信息，对所述睡眠呼吸动力学周期性强度因子进行修正，生成所述睡眠呼吸周期性强度。
更优地，所述信号强度相对变化特征具体为选定一或若干特征属性作为对比指标项，对所述睡眠呼吸动力学周期信号特征和所述睡眠呼吸动力学信号特征中特征属性的特征值进行数值组合比较计算，得到所述信号强度相对变化特征。
更优地，所述睡眠呼吸周期性强度曲线具体为按时序将连续时窗下的所述睡眠呼吸周期性强度组成，描述用户睡眠呼吸周期性行为的连续状态变化。
更优地，所述睡眠时相分期信息具体为当前用户睡眠状态分期，至少包括清醒期、浅睡眠期、深睡眠期或快速眼动睡眠期，通过将睡眠生理信号输入预训练的睡眠分期AI模型得到；所述用户睡姿体态信息至少包括睡姿方向和睡姿角度，通过加速度传感器解析得到。
更优地，所述对睡眠呼吸周期性强度、所述睡眠呼吸动力学信号和所述睡眠呼吸周期性强度进行信号趋势预测，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略，并通过设备信号控制接口发送睡眠呼吸调节设备的具体步骤还包括：
对所述睡眠呼吸动力学信号进行信号趋势预测，得到睡眠呼吸动力学预测信号；
对所述睡眠呼吸周期性强度曲线进行信号趋势预测，得到睡眠呼吸周期性强度预测信号；
根据所述睡眠呼吸动力学预测信号和所述睡眠呼吸周期性强度预测信号，结合所述用户睡眠呼吸数据库和睡眠呼吸知识库，生成所述睡眠呼吸周期性辅助调节策略；
通过设备信号控制接口将所述睡眠呼吸周期性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周期性的动态辅助调节；
按照预设报告周期，生成并输出睡眠呼吸周期性检测及辅助调节报告。
更优地，所述信号趋势预测至少包括指数平滑法、Holt-Winters法、AR、MA、ARMA、ARIMA、SARIMA、SARIMAX、VAR、VARMA、VARMAX、机器学习中的任一项。
更优地，所述用户睡眠呼吸数据库具体为用户个性化的睡眠呼吸存储数据库，用于持续记录和优化用户个体睡眠呼吸行为，至少包括用户基本生理健康信息、检测量化过程方法、策略生成过程方法、所述睡眠呼吸动力学信号、所述睡眠呼吸动力学周期信号、所述睡眠呼吸周期性指标集、睡眠呼吸动力学预测信号、睡眠呼吸动力学周期预测信号、睡眠呼吸辅助调节策略、睡眠呼吸周期性检测及辅助调节报告；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。
更优地，所述睡眠呼吸周期性检测及辅助调节报告至少包括所述睡眠呼吸周期性强度曲线、睡眠呼吸辅助调节策略、睡眠呼吸小结，以及睡眠呼吸优化建议。
更优地，所述睡眠呼吸周期性辅助调节策略至少包括睡眠呼吸频率目标调节值、睡眠呼吸强度目标调节值、调节方式、调节时点、持续时间和装置控制参数，其中所述调节方式至少包括离体式、接触式和侵入式；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。
根据本发明的目的，本发明提出了一种睡眠呼吸周期评价及辅助调节系统，包括以下模块：
呼吸行为检测模块，用于采集获取用户的睡眠呼吸行为信号并进行信号分析处理，得到睡眠呼吸动力学信号；
动力信号分解模块，用于对所述睡眠呼吸动力学信号进行时序信号分解和/或时频分析，提取睡眠呼吸动力学周期信号；
呼吸周期量化模块，用于结合睡眠时相分期信息和用户睡姿体态信息，对所述睡眠呼吸动力学周期信号进行信号特征分析，提取睡眠呼吸周期性强度；
动态辅助调节模块，用于对所述睡眠呼吸动力学信号和所述睡眠呼吸周期性强度进行信号趋势预测，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略，并通过设备信号控制接口发送睡眠呼吸调节设备；
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，所述呼吸行为检测模块还包括以下功能单元：
呼吸行为监测单元，用于对用户睡眠前中后的呼吸生理行为进行连续监测采集，得到所述睡眠呼吸行为信号；
动力学信号提取单元，用于对所述睡眠呼吸行为信号进行信号分析处理，提取所述睡眠呼吸动力学信号。
更优地，所述动力信号分解模块还包括以下功能单元：
信号时序分解单元，用于对目标信号进行时序信号分解；
信号时频分析单元，用于对目标信号进行时频分析。
更优地，所述呼吸周期量化模块还包括以下功能单元：
信号特征分析单元，用于对所述睡眠呼吸动力学周期信号进行信号特征分析，得到睡眠呼吸周期信号特征；
周期强度量化单元，用于结合睡眠时相分期信息、用户睡姿体态信息和所述睡眠呼吸周期信号特征，提取所述睡眠呼吸周期性强度，并按信号窗口时序生成睡眠呼吸周期性强度曲线；
周期指标归集单元，用于对所述睡眠呼吸周期信号特征、所述睡眠呼吸周期性强度和所述睡眠呼吸周期性强度曲线进行归集，得到所述睡眠呼吸周期性指标集。
更优地，所述动态辅助调节模块还包括以下功能单元：
睡眠状态预测单元，用于对所述睡眠呼吸动力学信号进行信号趋势预测，得到睡眠呼吸动力学预测信号；
周期强度预测单元，用于对所述睡眠呼吸周期性强度进行信号趋势预测，得到睡眠呼吸周期性强度预测信号；
辅助策略生成单元，用于根据所述睡眠呼吸动力学预测信号和所述睡眠呼吸周期性强度预测信号，结合所述用户睡眠呼吸数据库和睡眠呼吸知识库，生成所述睡眠呼吸周期性辅助调节策略；
辅助策略发送单元，用于通过设备信号控制接口将所述睡眠呼吸周期性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周期性的动态辅助调节；
用户报告管理单元，用于按照预设报告周期，生成并输出睡眠呼吸周期性检测及辅助调节报告。
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，本发明提出了一种睡眠呼吸周期评价及辅助调节装置，包括以下模组：
呼吸行为检测模组，用于采集获取用户的睡眠呼吸行为信号并进行信号分析处理，得到睡眠呼吸动力学信号；
动力信号分解模组，用于对所述睡眠呼吸动力学信号进行时序信号分解和/或时频分析，提取睡眠呼吸动力学周期信号；
呼吸周期量化模组，用于结合睡眠时相分期信息和用户睡姿体态信息，对所述睡眠呼吸动力学周期信号进行信号特征分析，提取睡眠呼吸周期性强度；
动态辅助调节模组，用于对所述睡眠呼吸动力学信号和所述睡眠呼吸周期性强度进行信号趋势预测，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略，并通过设备信号控制接口发送睡眠呼吸调节设备；
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。
本发明提供了睡眠呼吸周期评价及辅助调节方法、系统和装置，通过创造性将时序信号分解用于睡眠呼吸动力学的分析量化过程，提取睡眠呼吸动力学信号中的周期成分，计算得到睡眠呼吸周期性强度，结合睡眠时相和睡眠体位，来实现睡眠呼吸周期性行为的科学量化评价；进一步对用户睡眠状态和睡眠呼吸周期性强度进行信号趋势预测，生成睡眠呼吸周期性辅助调节策略并通过设备信号控制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，辅助用户睡眠呼吸。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睡眠呼吸周期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睡眠呼吸周期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睡眠呼吸周期评价及辅助调节装置的模组构成示意图；
图4是本发明一实施例所提供的多导睡眠监测PSG常见的睡眠呼吸行为信号图。
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，首先，正常健康人群的睡眠呼吸行为具备非常好的、时相相关的的周期性，是一个相对节律稳定的生理过程，但这种周期性常常受到用户睡眠体位、睡眠时相和睡眠呼吸事件的影响，带来睡眠呼吸的周期性出现不稳定、短暂失周期甚至中断等结果现象；其次，口鼻和胸腹的呼吸运动行为信息是呼吸最直接最准确的表述，压力、潮气量、CO2浓度、温度、皮肤电等信号的变化曲线都具备非常好的睡眠呼吸动力学特性，都能准确的刻画睡眠呼吸的模式交替、强弱变化、周期行为；最后，根据睡眠时相、睡眠体位和睡眠呼吸动力学的周期分析，能够生成较好的睡眠呼吸周期行为辅助调节策略，通过与现有睡眠呼吸调节设备联动，能够保证或恢复用户睡眠呼吸的周期性节律。
因此，本发明技术方案中也创造性提出了睡眠呼吸周期性强度量化实现路径，通过对睡眠呼吸动力学信号的信号分解，识别并提取周期成分信号的强度，实现睡眠呼吸周期性的科学全面地量化评价，通过信号趋势预测完成睡眠呼吸周期性强度和睡眠状态的信号趋势预测和睡眠呼吸周期性辅助调节策略的实时生成，从而实现用户睡眠呼吸周期性的科学检测评估和动态辅助调节的一体化，高效辅助用户睡眠呼吸。
结合图1所示，本发明实施例提供的一种睡眠呼吸周期评价及辅助调节方法，包括以下步骤：
P100：采集获取用户的睡眠呼吸行为信号并进行信号分析处理，得到睡眠呼吸动力学信号。
第一步、对用户睡眠前中后的呼吸生理行为进行连续监测采集，得到睡眠呼吸行为信号。
本实施例中，睡眠呼吸行为信号至少包括口鼻温度监测信号、鼻压力监测信号、口鼻CO2监测信号、胸腹呼吸运动信号、心电衍生呼吸信号、咽喉肌电信号的任一项。
本实施例中，通过鼻压力传感器采集用户的鼻压力监测信号，双通道，采样率为64Hz。通常情况下，对于呼吸强弱变化和呼吸事件，鼻压力检测比热敏电阻（口鼻温度监测信号）更敏感;但对于打鼾、低通气和呼吸暂停人群来说，采集口鼻温度监测信号或胸腹呼吸运动信号，或者同时采集多种呼吸行为信号，能够更真实地反映用户睡眠呼吸行为。
第二步、对睡眠呼吸行为信号进行信号分析处理，提取睡眠呼吸动力学信号。
本实施例中，信号分析处理至少包括模数转换、重采样、重参考、去伪迹、信号矫正、降噪、工频陷波、去均值处理、低通滤波、高通滤波、带通滤波、均值滤波、平滑处理和信号时窗分割；其中，信号时窗分割具体为以预设长度时间窗口、预设平移时间步长对目标信号进行连续时窗分割，得到多时窗信号集。
本实施例中，睡眠呼吸动力学信号具体为描述睡眠呼吸连续强弱变化的动力学曲线，至少包括口鼻温度动力学信号、鼻压力动力学信号、口鼻CO2动力学信号、胸腹呼吸动力学信号、心电衍生呼吸动力信号、咽喉呼吸动力信号的任一项。睡眠呼吸动力学信号的提取方式，具体为：
1)根据睡眠呼吸行为信号的来源，调整其信号极性，使其和其他睡眠呼吸行为信号都满足吸气-呼气的、统一的预设信号极性规则（即吸气向下波谷，呼气向上波峰；或反之，呼气向下波谷，吸气向上波峰），得到睡眠呼吸行为观察信号；
2)根据睡眠呼吸行为信号的来源，选择并确定对其相应的睡眠呼吸行为观察信号的信号分析处理的具体方法步骤；
A.若睡眠呼吸行为信号为口鼻温度监测信号、鼻压力监测信号、口鼻CO2监测信号或胸腹呼吸运动信号，则信号分析处理的具体方法步骤至少包括去伪迹、信号矫正、去均值处理；
B.若睡眠呼吸行为信号为心电衍生呼吸信号，则需要先从心电信号中提取心电衍生呼吸信号，再对心电衍生呼吸信号进行信号分析处理，具体方法步骤至少包括去伪迹、信号矫正、去均值处理；
C.若睡眠呼吸行为信号为咽喉肌电信号，则需要先提取咽喉肌电信号的包络线信号并得到咽喉呼吸肌电包络信号，再对咽喉呼吸肌电包络信号进行信号分析处理，具体方法步骤至少包括去伪迹、信号矫正、去均值处理；
3)对睡眠呼吸行为观察信号进行信号分析处理，生成睡眠呼吸动力学信号。
本实施例中，将双通道的鼻压力监测信号加和融合成一个鼻压力监测信号，并对融合后得到的鼻压力监测信号进行去伪迹、信号矫正、去直流高通滤波、信号时窗分割等基本信号分析处理，得到基于鼻压力监测信号的、多时窗信号组成的睡眠呼吸动力学信号。
在实际应用场景中，口鼻温度动力学信号、鼻压力动力学信号、口鼻CO2动力学信号、胸腹呼吸动力学信号都能够特别准确表征用户睡眠呼吸动力学过程，可以根据具体用户场景进行睡眠呼吸行为信号的来源选择，一种采集设备或多种采集设备组合来完成用户睡眠呼吸行为的采集检测。如图4，多导睡眠监测PSG常见的睡眠呼吸行为信号图，包含了口鼻温度监测信号、鼻压力监测信号、胸腹呼吸运动信号等多个睡眠呼吸行为信号。
P200：对所述睡眠呼吸动力学信号进行时序信号分解和/或时频分析，提取睡眠呼吸动力学周期信号。
本实施例中，时序信号分解的方法至少包括时间序列分解、经验模态分解、变分模态分解、局域均值分解、小波变换、小波包变换、时频变换、去趋势分析、主成分分析、独立成分分析、波形分析和数值拟合，及他们的进化变种方法；时频分析的方法至少包括时频变换、时域滤波和频域滤波中的任一项。
在实际使用过程中，时序信号分解和时频分析可以同时使用，时序信号分解先进行目标信号的初步分解，再用时频分析进一步确认目标信号的成分属性，从而实现多种不同场景下睡眠呼吸动力学信号周期成分、趋势成分和残差成分的更灵活、更精确提取。时间序列分解中的经典分解法（分为加性模型分解算法、乘性模型分解算法）、X11分解法、SEATS分解、STL分解等方法，能够直接将目标信号分解为周期成分（seasonal component）、趋势成分（trend-cycle component）、残差成分（remainder component）；而经验模态分解、变分模态分解、局域均值分解、小波变换、小波包变换、时频变换、去趋势分析、主成分分析、独立成分分析、波形分析和数值拟合等基础算法及其进化变种方法，能够将信号分解成多个解析信号，需要进一步通过时频分析来判断每一个解析信号，最后将满足阈值要求的解析信号分别合成得到周期成分、趋势成分和残差成分。
本实施例中，通过SEATS分解方法对睡眠呼吸动力学信号进行时序信号分解，直接得到睡眠呼吸动力学周期信号、睡眠呼吸动力学趋势信号和睡眠呼吸动力学残差信号，生成得到睡眠呼吸动力学分解信号集。在实际应用场景中，以当前用户对应的正常健康人群的睡眠呼吸频率范围，通过换算成次每秒，很容易得到时频分析中的频率上限和频率下限；频率下限通常可以作为趋势成分和周期成分的分界线，频率上限通常可以作为残差成分和周期成分的分界线。进而可以通过更多信号分解方法，加上时频分析来实现睡眠呼吸动力学信号的成分提取。
P300：结合睡眠时相分期信息和用户睡姿体态信息，对所述睡眠呼吸动力学周期信号进行信号特征分析，提取睡眠呼吸周期性强度，得到睡眠呼吸周期性指标。
第一步、对睡眠呼吸动力学周期信号进行信号特征分析，得到睡眠呼吸周期信号特征。
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。
本实施例中，以提取睡眠呼吸动力学周期信号的数值特征和时频特征作为睡眠呼吸周期信号特征为例，包括睡眠呼吸动力学周期信号平均值、均方根、最大值、最小值、方差、标准差、变异系数、中心频率和总功率。
在实际应用场景中，数值特征、包络特征、时频特征能够满足大多数场景的需求；而在睡眠呼吸事件或局部过程等相关睡眠周期性强度分析场景中，则需要熵特征、分形特征和复杂度特征等更全眠的特征分析，如多尺度排列熵、分形维数、关联维数和LZC复杂度等。
第二步、结合睡眠时相分期信息、用户睡姿体态信息和睡眠呼吸周期信号特征，提取睡眠呼吸周期性强度，并按信号窗口时序生成睡眠呼吸周期性强度曲线。
本实施例中，睡眠时相分期信息具体为当前用户睡眠状态分期，至少包括清醒期、浅睡眠期、深睡眠期或快速眼动睡眠期，通过将睡眠生理信号输入预训练的睡眠分期AI模型得到；用户睡姿体态信息至少包括睡姿方向和睡姿角度，通过加速度传感器解析得到。
本实施例中，睡眠呼吸周期性强度的计算方法，具体为：
1)获取睡眠呼吸动力学信号；
2判断睡眠呼吸动力学信号的时序特性，并对睡眠呼吸动力学信号进行对应的时序信号分解，得到睡眠呼吸动力学周期信号；
3)对睡眠呼吸动力学周期信号和睡眠呼吸动力学信号进行信号特征分析，分别得到睡眠呼吸动力学周期信号特征和睡眠呼吸动力学信号特征；
4)根据睡眠呼吸动力学周期信号特征和睡眠呼吸动力学信号特征，分析睡眠呼吸动力学周期信号相对于睡眠呼吸动力学信号的信号强度相对变化特征，得到睡眠呼吸动力学周期性强度因子；
5)结合用户当前的睡眠时相分期信息和用户睡姿体态信息，对睡眠呼吸动力学周期性强度因子进行修正，生成睡眠呼吸周期性强度。
本实施例中，信号强度相对特征具体为选定一或若干特征属性作为对比指标项，对所述睡眠呼吸动力学周期信号特征和所述睡眠呼吸动力学信号特征中特征属性的特征值进行数值比较计算，得到信号强度相对特征。
在实际应用场景中，睡眠呼吸动力学周期信号的平均值、均方根、变异系数等数值特征都能够很好反映睡眠呼吸动力学的周期性行为特征，或者通过多数值特征的组合计算来形成一个统一观察指标。根据用户场景和场景分析等不同情形要求，睡眠呼吸周期性强度存在多种计算方式。一种睡眠呼吸周期性强度的计算场景和计算方式：
睡眠呼吸动力学信号是加性时间序列，第一种计算公式如下：
其中，为睡眠呼吸周期性强度且/>，/>为求方差算符，/>分别为对睡眠呼吸动力学信号进行信号时序分解后提取睡眠呼吸动力学周期信号（周期成分）、睡眠呼吸动力学趋势信号（趋势成分）和睡眠呼吸动力学残差信号（残差成分），/>为当前睡眠时相分期的睡眠时相修正系数且/>，/>为当前睡眠体位对应预设睡眠体位修正系数且/>，/>为取最大值算符，/>为取绝对值算符。
此外，第二种计算公式如下：
其中，为睡眠呼吸动力学信号,/>为睡眠呼吸动力学信号的信号来源周期修正系数且/>，/>为均值算符。
很显然，在上述两种计算方式中，信号强度相对特征均体现为公式的最后一项，分别为：。
本实施例中，信号来源周期修正系数的对照关系为：口鼻温度监测信号-1.00、鼻压力监测信号-0.95、口鼻CO2监测信号-0.90、胸腹呼吸运动信号-0.95、心电衍生呼吸信号-0.70、咽喉肌电信号-0.70。在实际应用场景中，不同睡眠呼吸动力学信号的采集来源，对睡眠呼吸行为过程描述存在不同准确度、灵敏度和特征表达能力。
本实施例中，用户睡姿体态信息，通过用户胸部的六轴陀螺仪加速度传感器进行监测记录和姿态识别，提取得到睡姿方向和睡姿角度；根据睡姿方向和睡姿角度，对照预设睡眠体位修正系数表，得到对应的睡眠体位修正系数。在实际应用场景中，预设睡眠体位修正系数可以参考一个原则或计算方法，以正面平躺时睡眠体位修正系数为1，来计算以正面平躺时的相对睡姿角度的睡眠体位修正系数。一种较为通用的计算方式为以仰卧平躺为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。
本实施例中，睡眠时相分期信息具体通过睡眠时相分类深度学习模型对睡眠生理信息进行数据训练和分类识别而得到。首先，通过机器学习对睡眠公开数据集进行脑电数据和睡眠时相分期数据进行学习训练，得到睡眠时相分类深度学习模型；其次，通过贴片式额叶脑电记录仪采集用户前额叶F3、F4的脑电信号，采样率250Hz，并将信号分析处理后的脑电信号输入睡眠时相分类深度学习模型，得到当前时窗脑电信号对应的睡眠时相分期。多个连续时窗的睡眠时相分期，构成了睡眠时相分期（曲线）信号。在实际应用场景中，除了采集分析获取，还可以通过第三方接口或产品服务，直接获取睡眠时相分期信息。
本实施例中，睡眠时相修正系数的对照关系为：快速眼动睡眠期-1.00、浅睡眠期-0.95、深睡眠期-0.80、清醒期-0.60。在实际应用场景中，睡眠时相对睡眠呼吸动力学周期性行为的影响特别大，通常情况下，快速眼动睡眠期、浅睡眠期、深睡眠期、清醒期对应的睡眠时相修正系数依次较小。
本实施例中，睡眠呼吸周期性强度曲线具体为按时序将连续时窗下的睡眠呼吸周期性强度组成，描述用户睡眠呼吸周期性行为的连续状态变化。
第三步、对睡眠呼吸周期信号特征、睡眠呼吸周期性强度和睡眠呼吸周期性强度曲线进行归集，得到睡眠呼吸周期性指标集。
本实施例中，睡眠呼吸周期性指标集至少包括睡眠呼吸动力学周期信号的数值特征、睡眠呼吸周期性强度、睡眠呼吸周期性强度曲线；其中，数值特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度。
P400：对所述睡眠呼吸动力学信号和所述睡眠呼吸周期性强度进行信号趋势预测，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略，并通过设备信号控制接口发送睡眠呼吸调节设备。
本实施例中，信号趋势预测至少包括指数平滑法、Holt-Winters法、AR、MA、ARMA、ARIMA、SARIMA、SARIMAX、VAR、VARMA、VARMAX、机器学习中的任一项。
第一步、对睡眠呼吸动力学信号进行信号趋势预测，得到睡眠呼吸动力学预测信号。
本实施例中，通过VAR方法对睡眠呼吸动力学信号进行信号趋势预测。
第二步、对睡眠呼吸周期性强度曲线进行信号趋势预测，得到睡眠呼吸周期性强度预测信号。
本实施例中，通过VAR方法对睡眠呼吸周期性强度曲线进行信号趋势预测。
第三步、根据睡眠呼吸动力学预测信号和睡眠呼吸周期性强度预测信号，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略。
本实施例中，用户睡眠呼吸数据库具体为用户个性化的睡眠呼吸存储数据库，用于持续记录和优化用户个体睡眠呼吸行为，至少包括用户基本生理健康信息、检测量化过程方法、策略生成过程方法、睡眠呼吸动力学信号、睡眠呼吸动力学周期信号、睡眠呼吸周期性指标集、睡眠呼吸动力学预测信号、睡眠呼吸动力学周期预测信号、睡眠呼吸辅助调节策略、睡眠呼吸周期性检测及辅助调节报告；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。
本实施例中，睡眠呼吸周期性辅助调节策略至少包括睡眠呼吸频率目标调节值、睡眠呼吸强度目标调节值、调节方式、调节时点、持续时间和装置控制参数，其中调节方式至少包括离体式、接触式和侵入式。在实际应用场景中，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，调节目标值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，用户睡眠呼吸数据库对持续优化用户睡眠呼吸周期性行为的检测量化或辅助调节的方法或策略，不断提高个性适应能力和实效性。而根据用户具体情况来选择合适的调节目标值、调节方式、调节时点、持续时间等策略内容，以使得动态辅助调节效果更快的收敛和稳定。
第四步、通过设备信号控制接口将睡眠呼吸周期性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周期性的动态辅助调节。
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。
在实际应用场景中，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。此外，无接触离体式的、或贴片式小型化的睡眠呼吸调节设备或手段，在保证调节效果的情况下，总是优先选择使用的。
第五步、按照预设报告周期，生成并输出睡眠呼吸周期性检测及辅助调节报告。
本实施例中，睡眠呼吸周期性检测及辅助调节报告至少包括睡眠呼吸周期性强度曲线、睡眠呼吸辅助调节策略、睡眠呼吸小结，以及睡眠呼吸优化建议。
在实际应用场景，可以根据不同场景需求，设定报告生成的频率、内容和方式。
结合图2所示，本发明实施例提供的一种睡眠呼吸周期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：
呼吸行为检测模块S100，用于采集获取用户的睡眠呼吸行为信号并进行信号分析处理，得到睡眠呼吸动力学信号；
动力信号分解模块S200，用于对睡眠呼吸动力学信号进行时序信号分解和/或时频分析，提取睡眠呼吸动力学周期信号；
呼吸周期量化模块S300，用于结合睡眠时相分期信息和用户睡姿体态信息，对睡眠呼吸动力学周期信号进行信号特征分析，提取睡眠呼吸周期性强度，得到睡眠呼吸周期性指标；
动态辅助调节模块S400，用于对睡眠呼吸动力学信号和睡眠呼吸周期性强度进行信号趋势预测，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略，并通过设备信号控制接口发送睡眠呼吸调节设备；
数据运行管理模块S500，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，呼吸行为检测模块S100还包括以下功能单元：
呼吸行为监测单元，用于对用户睡眠前中后的呼吸生理行为进行连续监测采集，得到睡眠呼吸行为信号；
动力学信号提取单元，用于对睡眠呼吸行为信号进行信号分析处理，提取睡眠呼吸动力学信号。
本实施例中，动力信号分解模块S200还包括以下功能单元：
信号时序分解单元，用于对目标信号进行时序信号分解；
信号时频分析单元，用于对目标信号进行时频分析。
本实施例中，呼吸周期量化模块S300还包括以下功能单元：
信号特征分析单元，用于对睡眠呼吸动力学周期信号进行信号特征分析，得到睡眠呼吸周期信号特征；
周期强度量化单元，用于结合睡眠时相分期信息、用户睡姿体态信息和睡眠呼吸周期信号特征，提取睡眠呼吸周期性强度，并按信号窗口时序生成睡眠呼吸周期性强度曲线；
周期指标归集单元，用于对睡眠呼吸周期信号特征、睡眠呼吸周期性强度和睡眠呼吸周期性强度曲线进行归集，得到睡眠呼吸周期性指标集。
本实施例中，动态辅助调节模块S400还包括以下功能单元：
睡眠状态预测单元，用于对睡眠呼吸动力学信号进行信号趋势预测，得到睡眠呼吸动力学预测信号；
周期强度预测单元，用于对睡眠呼吸周期性强度进行信号趋势预测，得到睡眠呼吸周期性强度预测信号；
辅助策略生成单元，用于根据睡眠呼吸动力学预测信号和睡眠呼吸周期性强度预测信号，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略；
辅助策略发送单元，用于通过设备信号控制接口将睡眠呼吸周期性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周期性的动态辅助调节；
用户报告管理单元，用于按照预设报告周期，生成并输出睡眠呼吸周期性检测及辅助调节报告。
本实施例中，数据运行管理模块S500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睡眠呼吸周期评价及辅助调节装置，包括以下模组：
呼吸行为检测模组M100，用于采集获取用户的睡眠呼吸行为信号并进行信号分析处理，得到睡眠呼吸动力学信号；
动力信号分解模组M200，用于对睡眠呼吸动力学信号进行时序信号分解和/或时频分析，提取睡眠呼吸动力学周期信号；
呼吸周期量化模组M300，用于结合睡眠时相分期信息和用户睡姿体态信息，对睡眠呼吸动力学周期信号进行信号特征分析，提取睡眠呼吸周期性强度，得到睡眠呼吸周期性指标；
动态辅助调节模组M400，用于对睡眠呼吸动力学信号和睡眠呼吸周期性强度进行信号趋势预测，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略，并通过设备信号控制接口发送睡眠呼吸调节设备；
数据可视化模组M500，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M600，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 (30)
1.一种睡眠呼吸周期评价及辅助调节方法，其特征在于，包括以下步骤：
采集获取用户的睡眠呼吸行为信号并进行信号分析处理，得到睡眠呼吸动力学信号；
对所述睡眠呼吸动力学信号进行时序信号分解和/或时频分析，提取睡眠呼吸动力学周期信号；
结合睡眠时相分期信息和用户睡姿体态信息，对所述睡眠呼吸动力学周期信号进行信号特征分析，提取睡眠呼吸周期性强度；
对所述睡眠呼吸动力学信号和所述睡眠呼吸周期性强度进行信号趋势预测，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略，并通过设备信号控制接口发送睡眠呼吸调节设备。
2.如权利要求1所述的方法，其特征在于：所述采集获取用户的睡眠呼吸行为信号并进行信号分析处理，得到睡眠呼吸动力学信号的具体步骤还包括：
对用户睡眠前中后的呼吸生理行为进行连续监测采集，得到所述睡眠呼吸行为信号；
对所述睡眠呼吸行为信号进行信号分析处理，提取所述睡眠呼吸动力学信号。
3.如权利要求2所述的方法，其特征在于, 所述睡眠呼吸行为信号至少包括口鼻温度监测信号、鼻压力监测信号、口鼻CO2监测信号、胸腹呼吸运动信号、心电衍生呼吸信号、咽喉肌电信号的任一项。
4.如权利要求2所述的方法，其特征在于,所述信号分析处理至少包括模数转换、重采样、重参考、去伪迹、信号矫正、降噪、工频陷波、去均值处理、低通滤波、高通滤波、带通滤波、均值滤波、平滑处理和信号时窗分割；其中，所述信号时窗分割具体为以预设长度时间窗口、预设平移时间步长对目标信号进行连续时窗分割，得到多时窗信号集。
5.如权利要求1或2所述的方法，其特征在于, 所述睡眠呼吸动力学信号具体为描述睡眠呼吸连续强弱变化的动力学曲线，至少包括口鼻温度动力学信号、鼻压力动力学信号、口鼻CO2动力学信号、胸腹呼吸动力学信号、心电衍生呼吸动力信号、咽喉呼吸动力信号的任一项。
6.如权利要求5所述的方法，其特征在于，所述睡眠呼吸动力学信号的提取方式，具体为：
1）根据所述睡眠呼吸行为信号的来源，调整其信号极性，使其和其他所述睡眠呼吸行为信号都满足吸气-呼气的、统一的预设信号极性规则，得到睡眠呼吸行为观察信号；
2）根据所述睡眠呼吸行为信号的来源，选择并确定对其相应的所述睡眠呼吸行为观察信号的信号分析处理的具体方法步骤；
A.若所述睡眠呼吸行为信号为口鼻温度监测信号、鼻压力监测信号、口鼻CO2监测信号或胸腹呼吸运动信号，则直接进行信号分析处理；
B.若所述睡眠呼吸行为信号为心电衍生呼吸信号，则需要先从心电信号中提取心电衍生呼吸信号，再对心电衍生呼吸信号进行信号分析处理；
C.若所述睡眠呼吸行为信号为咽喉肌电信号，则需要先提取咽喉肌电信号的包络线信号并得到咽喉呼吸肌电包络信号，再对咽喉呼吸肌电包络信号进行信号分析处理；
3）对所述睡眠呼吸行为观察信号进行信号分析处理，生成所述睡眠呼吸动力学信号。
7.如权利要求6所述的方法，其特征在于，所述预设信号极性规则包括：吸气向下为波谷，呼气向上为波峰；或呼气向下为波谷，吸气向上为波峰。
8.如权利要求6所述的方法，其特征在于，所述信号分析处理的具体方法步骤至少包括去伪迹、信号矫正、去均值处理。
9.如权利要求1所述的方法，其特征在于，所述时序信号分解的方法至少包括时间序列分解、经验模态分解、变分模态分解、局域均值分解、小波变换、小波包变换、时频变换、去趋势分析、主成分分析、独立成分分析、波形分析和数值拟合，及他们的进化变种方法中的任一项；所述时频分析的方法至少包括时频变换、时域滤波和频域滤波中的任一项。
10.如权利要求1所述的方法，其特征在于：所述结合睡眠时相分期信息和用户睡姿体态信息，对所述睡眠呼吸动力学周期信号进行信号特征分析，提取睡眠呼吸周期性强度的具体步骤还包括：
对所述睡眠呼吸动力学周期信号进行信号特征分析，得到睡眠呼吸周期信号特征；
结合睡眠时相分期信息、用户睡姿体态信息和所述睡眠呼吸周期信号特征，提取所述睡眠呼吸周期性强度，并按信号窗口时序生成睡眠呼吸周期性强度曲线；
对所述睡眠呼吸周期信号特征、所述睡眠呼吸周期性强度和所述睡眠呼吸周期性强度曲线进行归集，得到所述睡眠呼吸周期性指标集。
11.如权利要求1或10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。
12.如权利要求10所述的方法，其特征在于，所述睡眠呼吸周期性指标集包括所述睡眠呼吸动力学周期信号的数值特征、睡眠呼吸周期性强度、睡眠呼吸周期性强度曲线中至少一项；其中，所述数值特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度或偏度。
13.如权利要求1或10所述的方法，其特征在于，所述睡眠呼吸周期性强度的计算方法，具体为：
1）获取所述睡眠呼吸动力学信号；
2）判断所述睡眠呼吸动力学信号的时序特性，并对所述睡眠呼吸动力学信号进行对应的时序信号分解，得到所述睡眠呼吸动力学周期信号；
3）对所述睡眠呼吸动力学周期信号和所述睡眠呼吸动力学信号进行信号特征分析，分别得到睡眠呼吸动力学周期信号特征和睡眠呼吸动力学信号特征；
4）根据所述睡眠呼吸动力学周期信号特征和所述睡眠呼吸动力学信号特征，分析所述睡眠呼吸动力学周期信号相对于所述睡眠呼吸动力学信号的信号强度相对变化特征，得到睡眠呼吸动力学周期性强度因子；
5）结合用户当前的睡眠时相分期信息和用户睡姿体态信息，对所述睡眠呼吸动力学周期性强度因子进行修正，生成所述睡眠呼吸周期性强度。
14.如权利要求13所述的方法，其特征在于，所述信号强度相对变化特征具体为选定一或若干特征属性作为对比指标项，对所述睡眠呼吸动力学周期信号特征和所述睡眠呼吸动力学信号特征中特征属性的特征值进行数值组合比较计算，得到所述信号强度相对变化特征。
15.如权利要求10所述的方法，其特征在于，所述睡眠呼吸周期性强度曲线具体为按时序将连续时窗下的所述睡眠呼吸周期性强度组成，描述用户睡眠呼吸周期性行为的连续状态变化。
16.如权利要求10所述的方法，其特征在于，所述睡眠时相分期信息具体为当前用户睡眠状态分期，至少包括清醒期、浅睡眠期、深睡眠期或快速眼动睡眠期，通过将睡眠生理信号输入预训练的睡眠分期AI模型得到；所述用户睡姿体态信息至少包括睡姿方向和睡姿角度，通过加速度传感器解析得到。
17.如权利要求1所述的方法，其特征在于，所述对所述睡眠呼吸动力学信号和所述睡眠呼吸周期性强度进行信号趋势预测，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略，并通过设备信号控制接口发送睡眠呼吸调节设备的具体步骤还包括：
对所述睡眠呼吸动力学信号进行信号趋势预测，得到睡眠呼吸动力学预测信号；
对所述睡眠呼吸周期性强度曲线进行信号趋势预测，得到睡眠呼吸周期性强度预测信号；
根据所述睡眠呼吸动力学预测信号和所述睡眠呼吸周期性强度预测信号，结合所述用户睡眠呼吸数据库和睡眠呼吸知识库，生成所述睡眠呼吸周期性辅助调节策略；
通过设备信号控制接口将所述睡眠呼吸周期性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周期性的动态辅助调节；
按照预设报告周期，生成并输出睡眠呼吸周期性检测及辅助调节报告。
18.如权利要求1或17所述的方法，其特征在于，所述信号趋势预测至少包括指数平滑法、Holt-Winters法、AR、MA、ARMA、ARIMA、SARIMA、SARIMAX、VAR、VARMA、VARMAX、机器学习中的任一项。
19.如权利要求17所述的方法，其特征在于，所述用户睡眠呼吸数据库具体为用户个性化的睡眠呼吸存储数据库，用于持续记录和优化用户个体睡眠呼吸行为；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。
20.如权利要求19所述的方法，其特征在于，所述用户睡眠呼吸数据库至少包括用户基本生理健康信息、检测量化过程方法、策略生成过程方法、所述睡眠呼吸动力学信号、所述睡眠呼吸动力学周期信号、睡眠呼吸周期性指标集、睡眠呼吸动力学预测信号、睡眠呼吸动力学周期预测信号、睡眠呼吸辅助调节策略、睡眠呼吸周期性检测及辅助调节报告；所述睡眠呼吸知识库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。
21.如权利要求17所述的方法，其特征在于，所述睡眠呼吸周期性检测及辅助调节报告至少包括所述睡眠呼吸周期性强度曲线、睡眠呼吸辅助调节策略、睡眠呼吸小结，以及睡眠呼吸优化建议。
22.如权利要求1或17所述的方法，其特征在于，所述睡眠呼吸周期性辅助调节策略包括睡眠呼吸频率目标调节值、睡眠呼吸强度目标调节值、调节方式、调节时点、持续时间和装置控制参数至少一项，其中所述调节方式包括离体式、接触式和侵入式至少一种。
23.如权利要求1或17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。
24.一种睡眠呼吸周期评价及辅助调节系统，其特征在于，包括以下模块：
呼吸行为检测模块，用于采集获取用户的睡眠呼吸行为信号并进行信号分析处理，得到睡眠呼吸动力学信号；
动力信号分解模块，用于对所述睡眠呼吸动力学信号进行时序信号分解和/或时频分析，提取睡眠呼吸动力学周期信号；
呼吸周期量化模块，用于结合睡眠时相分期信息和用户睡姿体态信息，对所述睡眠呼吸动力学周期信号进行信号特征分析，提取睡眠呼吸周期性强度；
动态辅助调节模块，用于对所述睡眠呼吸动力学信号和所述睡眠呼吸周期性强度进行信号趋势预测，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略，并通过设备信号控制接口发送睡眠呼吸调节设备；
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。
25.如权利要求24所述的系统，其特征在于，所述呼吸行为检测模块还包括以下功能单元：
呼吸行为监测单元，用于对用户睡眠前中后的呼吸生理行为进行连续监测采集，得到所述睡眠呼吸行为信号；
动力学信号提取单元，用于对所述睡眠呼吸行为信号进行信号分析处理，提取所述睡眠呼吸动力学信号。
26.如权利要求24所述的系统，其特征在于，所述动力信号分解模块还包括以下功能单元：
信号时序分解单元，用于对目标信号进行时序信号分解；
信号时频分析单元，用于对目标信号进行时频分析。
27.如权利要求24-26任一项所述的系统，其特征在于，所述呼吸周期量化模块还包括以下功能单元：
信号特征分析单元，用于对所述睡眠呼吸动力学周期信号进行信号特征分析，得到睡眠呼吸周期信号特征；
周期强度量化单元，用于结合睡眠时相分期信息、用户睡姿体态信息和所述睡眠呼吸周期信号特征，提取所述睡眠呼吸周期性强度，并按信号窗口时序生成睡眠呼吸周期性强度曲线；
周期指标归集单元，用于对所述睡眠呼吸周期信号特征、所述睡眠呼吸周期性强度和所述睡眠呼吸周期性强度曲线进行归集，得到睡眠呼吸周期性指标集。
28.如权利要求27所述的系统，其特征在于，所述动态辅助调节模块还包括以下功能单元：
睡眠状态预测单元，用于对所述睡眠呼吸动力学信号进行信号趋势预测，得到睡眠呼吸动力学预测信号；
周期强度预测单元，用于对所述睡眠呼吸周期性强度进行信号趋势预测，得到睡眠呼吸周期性强度预测信号；
辅助策略生成单元，用于根据所述睡眠呼吸动力学预测信号和所述睡眠呼吸周期性强度预测信号，结合所述用户睡眠呼吸数据库和睡眠呼吸知识库，生成所述睡眠呼吸周期性辅助调节策略；
辅助策略发送单元，用于通过设备信号控制接口将所述睡眠呼吸周期性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周期性的动态辅助调节；
用户报告管理单元，用于按照预设报告周期，生成并输出睡眠呼吸周期性检测及辅助调节报告。
29.如权利要求27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。
30.一种睡眠呼吸周期评价及辅助调节装置，其特征在于，包括以下模组：
呼吸行为检测模组，用于采集获取用户的睡眠呼吸行为信号并进行信号分析处理，得到睡眠呼吸动力学信号；
动力信号分解模组，用于对所述睡眠呼吸动力学信号进行时序信号分解和/或时频分析，提取睡眠呼吸动力学周期信号；
呼吸周期量化模组，用于结合睡眠时相分期信息和用户睡姿体态信息，对所述睡眠呼吸动力学周期信号进行信号特征分析，提取睡眠呼吸周期性强度；
动态辅助调节模组，用于对所述睡眠呼吸动力学信号和所述睡眠呼吸周期性强度进行信号趋势预测，结合用户睡眠呼吸数据库和睡眠呼吸知识库，生成睡眠呼吸周期性辅助调节策略，并通过设备信号控制接口发送睡眠呼吸调节设备；
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 |
|---|---|---|---|
| CN202410191430.XA CN117747118B (zh) | 2024-02-21 | 2024-02-21 | 睡眠呼吸周期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 |
|---|---|---|---|
| CN202410191430.XA CN117747118B (zh) | 2024-02-21 | 2024-02-21 | 睡眠呼吸周期评价及辅助调节方法、系统和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117747118A true CN117747118A (zh) | 2024-03-22 |
| CN117747118B CN117747118B (zh) | 2024-05-07 |
Family
ID=90261411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410191430.XA Active CN117747118B (zh) | 2024-02-21 | 2024-02-21 | 睡眠呼吸周期评价及辅助调节方法、系统和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117747118B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101813591B1 (ko) * | 2017-07-14 | 2017-12-29 | 코웨이 주식회사 | 사용자의 심박 패턴을 학습하여 숙면에 유리하도록 동기화하는 방법 및 이를 이용한 장치 |
| US20200300972A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
| CN114652274A (zh) * | 2022-04-19 | 2022-06-24 | 无锡市人民医院 | 一种立体多维度数据的智能睡眠监测系统 |
| CN114796761A (zh) * | 2022-05-07 | 2022-07-29 | 道博医疗科技(北京)有限公司 | 一种具备睡眠质量监测的睡眠呼吸机 |
| CN115862877A (zh) * | 2023-03-03 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 睡眠可持续性检测量化及辅助干预的方法、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 |
-
2024
- 2024-02-21 CN CN202410191430.XA patent/CN117747118B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200300972A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
| KR101813591B1 (ko) * | 2017-07-14 | 2017-12-29 | 코웨이 주식회사 | 사용자의 심박 패턴을 학습하여 숙면에 유리하도록 동기화하는 방법 및 이를 이용한 장치 |
| CN114652274A (zh) * | 2022-04-19 | 2022-06-24 | 无锡市人民医院 | 一种立体多维度数据的智能睡眠监测系统 |
| CN114796761A (zh) * | 2022-05-07 | 2022-07-29 | 道博医疗科技(北京)有限公司 | 一种具备睡眠质量监测的睡眠呼吸机 |
| CN115862877A (zh) * | 2023-03-03 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 睡眠可持续性检测量化及辅助干预的方法、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 |
Non-Patent Citations (2)
| Title |
|---|
| RITSCHE: "Effect of sleep deprivation on exercise-induced growth hormone release", 《 THE UNIVERSITY OF NORTH CAROLINA AT GREENSBORO》, 21 May 2023 (2023-05-21) * |
| 彭佳乐: "运动对阻塞性睡眠呼吸暂停综合症影响的研究进展", 《第十三届全国体育科学大会论文摘要集》, 3 November 2023 (2023-11-03), pages 657 - 659 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117747118B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5961235B2 (ja) | 睡眠／覚醒状態評価方法及びシステム | |
| JP5859979B2 (ja) | 人間の健康の監視のための多変量残差に基づく健康指標 | |
| US9833184B2 (en) | Identification of emotional states using physiological responses | |
| US20140180036A1 (en) | Device and method for predicting and preventing obstructive sleep apnea (osa) episodes | |
| US20180125418A1 (en) | Device and method for monitoring a physiological state of a subject | |
| 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 | |
| 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 | |
| CN116058804B (zh) | 一种睡眠情绪活跃水平动态调节的方法、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 | |
| CN116013470B (zh) | 一种睡眠行为活跃水平动态调节的方法、系统和装置 | |
| US20240090778A1 (en) | Cardiopulmonary health monitoring using thermal camera and audio sensor | |
| CN110811638A (zh) | 一种用于监测睡眠的svm分类器构建方法、系统及方法 | |
| Indic et al. | Point process modeling of interbreath interval: a new approach for the assessment of instability of breathing in neonates | |
| Le et al. | Prediction of sleep apnea episodes from a wireless wearable multisensor suite | |
| CN117747118B (zh) | 睡眠呼吸周期评价及辅助调节方法、系统和装置 | |
| CN116313029B (zh) | 一种数字针灸动态控制优化的方法、系统和装置 | |
| CN115607123A (zh) | 一种心肺功能监测和呼吸机闭环控制一体化装置 | |
| CN109757923A (zh) | 一种具有婴儿状态监测系统的床垫 | |
| 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 | |
| CN116568204A (zh) | 用于在医学成像过程期间进行依赖于传感器信号的对话生成的方法和系统 | |
| 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 | |
| CN118000713A (zh) | 睡眠呼吸平稳量化及辅助调节方法、系统和装置 | |
| AU2016200847A1 (en) | Residual-based monitoring of human health | |
| 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 |
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 |