CN118079185A - 基于脑机穿戴交互设备的智能睡眠调控系统 - Google Patents

基于脑机穿戴交互设备的智能睡眠调控系统 Download PDF

Info

Publication number
CN118079185A
CN118079185A CN202410005721.5A CN202410005721A CN118079185A CN 118079185 A CN118079185 A CN 118079185A CN 202410005721 A CN202410005721 A CN 202410005721A CN 118079185 A CN118079185 A CN 118079185A
Authority
CN
China
Prior art keywords
sleep
module
brain
network
voltage
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
Application number
CN202410005721.5A
Other languages
English (en)
Other versions
CN118079185B (zh
Inventor
高忠科
郭威
孙新林
郝雨时
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202410005721.5A priority Critical patent/CN118079185B/zh
Publication of CN118079185A publication Critical patent/CN118079185A/zh
Application granted granted Critical
Publication of CN118079185B publication Critical patent/CN118079185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M21/02—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis for inducing sleep or relaxation, e.g. by direct nerve stimulation, hypnosis, analgesia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—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
    • A61B5/7235—Details of waveform analysis
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0027—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0072—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus with application of electrical currents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/08—Other bio-electrical signals
    • A61M2230/10—Electroencephalographic signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Evolutionary Computation (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Anesthesiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Pain & Pain Management (AREA)
  • Acoustics & Sound (AREA)
  • Hematology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及智能穿戴设备领域，提出了基于脑机穿戴交互设备的智能睡眠调控系统，包括有脑电信号调理及转换模块、睡眠信号解码模块、睡眠反馈调控模块。首先通过脑电信号调理及转换模块，从使用者头部采集脑电信号；随后提出时序分布概率图拓扑神经网络SDPG‑TNNet，建立时序分布概率图并利用图神经网络进行睡眠状态实时解码；提出熵频自匹配能量共振网络EFS‑MERNet，判别与当前睡眠状态下的脑电信号密切相关的频带。本发明利用微电流刺激和个性化音乐，辅助睡眠质量低下者快速入睡并动态调节睡眠深度，有益于提高睡眠质量及睡眠效率。

Description

基于脑机穿戴交互设备的智能睡眠调控系统
技术领域
本发明涉及智能穿戴设备领域。特别是涉及基于脑机穿戴交互设备的智能睡眠调控系统。
背景技术
在快节奏的现代生活中，随着社会竞争的加剧，人们在工作和生活中承受的压力越来越大，这些压力可能导致焦虑、抑郁等心理问题，从而影响睡眠。许多人晚上难以入睡，或者早晨醒来感觉疲惫不堪，睡眠时间少、睡眠质量差。低质量的睡眠不仅会影响到人们的日常生活和工作，长期缺乏睡眠还会对身体和心理健康产生严重的影响。生活压力是导致睡眠质量差最主要的原因之一；此外，电子产品的普及也是导致现代人睡眠质量差的重要原因；晚上使用手机、电脑等电子产品会发出蓝光，这种光线会抑制褪黑激素的分泌，从而影响睡眠；此外，不规律的作息时间、饮食不当、缺乏运动等生活习惯也会导致睡眠质量下降。睡眠质量差会对人们的身体健康产生严重影响。长期的低质量睡眠会导致免疫力下降，容易感染疾病。此外，低质量睡眠还可能导致心血管疾病、糖尿病、肥胖等慢性病的发生。对于儿童来说，长期的低质量睡眠会影响他们的生长发育，甚至可能导致学习障碍和行为问题。对于成年人来说，长期的低质量睡眠会影响他们的工作效率和生活质量。
对于难以入睡、睡眠质量差的人群而言，一种辅助快速入睡、增强睡眠质量的方法无疑是非常必要的，现有的睡眠辅助产品大多为被动式辅助方法，通过降低光照强度、隔绝环境噪声来使人体尽可能处于一个不受干扰的环境下，并通过白噪声等声音辅助方法提高睡眠质量。然而，被动式的睡眠辅助产品无法与人和环境进行有效交互，难以适应复杂场景下的需求。
经颅微电流刺激疗法是一种神经刺激形式，通过在头皮上放置电极，向大脑传递微弱的电流来改善各种症状。这种疗法的原理是通过刺激大脑中的神经元，调节大脑的电活动，从而影响神经递质的释放，提高大脑的血流量，增强大脑的代谢功能，有助于改善睡眠质量差的情况。
传统的睡眠监测方式，如血氧、心率、呼吸等生理指标，携带的信息量过少，无法全面反映一个人的睡眠状态。脑电信号作为脑神经细胞电生理活动的宏观反映，它包含了大量的生理信息，体现了人脑的活动状态和思维情况，越来越成为睡眠状态监测的优先选择方式。此外，脑电信号便于采集，具有较高的时间分辨率，为实时睡眠状态监测提供了基础。
然而，脑电信号具有非线性、特征复杂、信噪比低的特点，这使得脑电信号的辨识极具难度。传统的脑电辨识方式主要有两种，一种是人工判读法，这需要有经验的专家进行判读；另一种是使用机器学习算法进行解码，这需要人为提取脑电特征进行分析。上述方法都需要人工操作检验，既不利于长时间的监测，也会因主观因素的影响而遗漏掉脑电的重要特征。作为机器学习的最先进理论，深度学习在处理复杂信息和海量数据上有着很强的优越性，已经在脑电信号的研究中得到了广泛的应用。深度学习是一种端到端的学习方法，能够从输入信号中直接提取并学习更深层次的内在表征并进行分类。目前已有许多深度学习的模型结构被提出并应用于脑电信号的分析解码。
然而，现有的基于脑电信号的睡眠监测深度学习模型往往只关注脑电信号的时频域，而忽略了其固有的空域关系，这对于睡眠状态的监测是极为不利的，因此，有必要设计一种有效捕捉、解析睡眠脑电信号丰富特征的深度学习模型，以实现睡眠状态的监测，并通过经颅微电流刺激疗法实现快速助眠。
发明内容
本发明所要解决的技术问题是，提供基于脑机穿戴交互设备的智能睡眠调控系统，通过采集使用者的脑电信号，提出时序分布概率图拓扑神经网络SDPG-TNNet，实时监测使用者的睡眠状态，随后提出熵频自匹配能量共振网络EFS-MERNet，通过经颅微电流刺激和个性化音乐匹配技术，帮助使用者快速进入睡眠状态，辅助使用者进入深度睡眠状态，以提高使用者的睡眠质量。
本发明所采用的技术方案是：基于脑机穿戴交互设备的智能睡眠调控系统，包括有：脑电信号调理及转换模块、睡眠信号解码模块、睡眠反馈调控模块，所述的脑电信号调理及转换模块对使用者头部的模拟脑电信号进行调理、模/数转换，转化为脑电信号并传送至睡眠信号解码模块；所述的睡眠信号解码模块提出时序分布概率图拓扑神经网络SDPG-TNNet，对脑电信号进行睡眠状态实时解码，进而监测使用者的睡眠状态；所述的睡眠反馈调控模块提出熵频自匹配能量共振网络EFS-MERNet，根据使用者的睡眠状态，对使用者施加微电流刺激或播放个性化音乐，帮助使用者快速进入睡眠状态，并使用个性化音乐辅助使用者进入深度睡眠状态，以提高使用者的睡眠质量。
所述的脑电信号调理及转换模块包括有：脑电电极、用于脑电信号调理和模/数转换的多通道脑电采集模块、用于控制多通道脑电采集模块的微处理器单元以及分别连接多通道脑电采集模块、微处理器单元的第一供电模组。
所述的脑电电极由数块覆有Ag/AgCl薄层的低阻抗电极组成，具有低直流失调电压、高信噪比的特性，分为采集电极、参考电极、去干扰电极，采集电极负责监测使用者的FP1、FP2、F7、F8共四通道的模拟脑电信号，电极的分布遵循10/20国际标准导联；参考电极位于左耳后乳突处，作为采集电极的电势参考点；去干扰电极位于右耳后乳突处，用于消除人体引入的共模干扰，提高脑电信号信噪比。
所述的多通道脑电采集模块集成有多个具有高共模抑制比的用于放大模拟脑电信号的低噪声可编程增益放大器(PGA)、一个用于将模拟脑电信号转换为数字信号的高精度多通道模数转换器(ADC)以及一个用于降低共模干扰的右腿驱动电路(RLD)，RLD使用运算放大器对各个PGA的差分输入信号进行累加，并与共模电压参考点进行比较，通过去干扰电极向人体输出反向电压信号以抵消共模信号；
所述的微处理器单元由一颗32位低功耗片上系统(SoC)芯片构成，具有GPIO、SPI、I2C、UART接口，通过蓝牙BLE4.2协议，将脑电信号传输至睡眠信号解码模块和睡眠反馈调控模块；
所述的第一供电模组由单节可充电锂电池、充电管理模块和一组超低压降线性稳压器组成；进一步地，所述的单节可充电锂电池容量不低于2000mAh，供电电压为3.7～4.2V；所述的充电管理模块具备恒流/恒压充电模式、防倒充、自动再充电功能，充电电压限制为5V，为单节可充电锂电池提供安全充电保证；所述的超低压降线性稳压器对单节可充电锂电池提供的电压进行转换，提供符合供电要求的电压。
所述的睡眠信号解码模块，提出时序分布概率图拓扑神经网络SDPG-TNNet，该网络针对睡眠过程中的脑电信号进行设计，在保留对脑电信号的时频空域特征提取能力的同时，建立时序分布概率图进行拓扑域信息提取及融合，进而利用图神经网络对脑电信号进行睡眠状态实时解码，动态监测使用者的睡眠状态，包括如下步骤：
1)对于采集到的脑电信号按时间维度进行切片，切片长度为5s，无重叠，得到样本集/> 其中S代表样本数，C代表脑电通道数，Γ代表数据点数；
2)对于每一个样本提出构建拓扑网络表征，共得到S个拓扑网络表征，表示为/>
所述的提出构建拓扑网络表征，包括如下步骤：
(2-1)对于某一个样本该样本包括C个通道，每个通道包括T个采样点，对于每个通道/> 使用可视图理论构建单层复杂网络，对于/>中的两点/>和/>若两点连线之间的任意一点/>均满足条件/>则称/>和/>可视；循环遍历/>中所有的两两点，建立该通道/>的单层复杂网络/>
(2-2)对所有通道执行步骤(2-1)，得到各个通道的单层复杂网络集合进一步地，计算得到各个通道的单层复杂网络的度分布其中/>dist_n(x)函数计算序列x的概率密度分布；
(2-3)计算各个通道之间的单层复杂网络的度分布之间的互信息，构建针对于某一样本的时序分布概率图，计算公式为/>其中i,j代表两个通道，P(ki)和P(kj)分别为通道i和通道j对应的时序分布概率图中，节点度数为ki和kj的度分布，/>上式中，/>代表通道i和通道k中度值分别满足ki和kj的节点个数；
(2-4)由(2-3)构建的网络是全连接网络，设定网络稀疏度阈值ε，对网络进行稀疏化处理，得到针对于某一样本的邻接矩阵/>计算公式为/>
(2-5)针对某一样本计算各个通道的PSD特征，作为该样本的特征矩阵其中K为PSD特征的维度；
(2-6)针对某一样本将邻接矩阵与特征矩阵组合为代表该样本的拓扑网络表征，即Ωs＝(As,Fs)。
3)提出构建基于图神经网络的拓扑学习模型，该模型以Ω为输入，输出每个样本对应的睡眠质量状态其中Ψs∈{深度睡眠,浅层睡眠,清醒}，L＝3为睡眠质量状态数；
所述的提出时序分布概率图拓扑神经网络SDPG-TNNet构建基于图神经网络的拓扑学习模型，包括有依次连接的：
(3-1)一个第一图卷积层，神经元个数为64，公式为GeapConv(X,A)＝σ(D-1/2AD-1/2XΘ)，其中A为邻接矩阵，X为特征矩阵，D为A的度矩阵，为ELU激活函数，Θ为可训练的参数矩阵；
(3-2)一个图池化层，保留K/2个节点，其中K为第一图卷积层的节点个数；
(3-3)一个第二图卷积层，神经元个数为256；
(3-4)一个聚类读出层，将每个图的节点表征串接为一维向量并输出；
(3-5)一个第一线性层，神经元个数为64；
(3-6)一个层批量归一化层，用于加速网络收敛，防止过拟合；
(3-7)一个第一激活函数层，使用ReLU激活函数，ReLU(x)＝max(0,x)；
(3-8)一个第二线性层，神经元个数为L；
(3-9)一个第二激活函数层，使用Softmax作为激活函数，公式为
所述的提出时序分布概率图拓扑神经网络SDPG-TNNet取第二激活函数层输出最大值对应的神经元索引，得到每个样本对应的睡眠质量状态Ψs∈{深度睡眠,浅层睡眠,清醒}。
所述的睡眠反馈调控模块包括有：第二供电模组、微电流发生模块、输出电极、智能音乐反馈模块、通信模块。
所述第二供电模组由电池组、隔离稳压模块及降压供电芯片构成；进一步地，所述电池组由4节可充电锂电池串联构成，提供14.8V～16.8V的供电电压；所述隔离稳压模块采用MoreSun公司生产的具有宽电压输入、定电压输出的UWF1205S-1WR3模块，提供5V输出电压；所述降压供电芯片接收来自隔离稳压模块的5V输出电压，为智能音乐反馈模块、通信模块提供正常工作所需的3.3V、1.8V电压。
所述微电流发生模块由升压模块和脉冲调制单元构成；进一步地，所述升压模块采用K-Cut公司生产的B1524S-1WR3模块，将电池组提供的电压泵升至24V；所述脉冲调制单元以24V电压为输入，通过控制三极管的开断，在输出电极两端产生周期性的脉冲电流。
所述输出电极连接至使用者的前额，利用微电流刺激起到助眠的作用。
所述智能音乐反馈模块通过音乐个性化匹配策略，提出熵频自匹配能量共振网络EFS-MERNet，该网络判别与当前睡眠状态下的脑电信号密切相关的频带，并播放对应频带的助眠音乐，动态调节使用者的睡眠深度，提高使用者的睡眠质量；所述的提出熵频自匹配能量共振网络EFS-MERNet包括有依次连接的：
(3-4-1)一个多尺度频域特征提取模块，该模块包括有若干个依次连接的小波分解层，每个小波分解层使用db4小波将脑电信号分解为高频信号与低频信号两部分，对高频信号与低频信号继续分解，分解层次为3级，共分解为8个子频段信号；
(3-4-2)一个多尺度池化层，对于上述8个子频段信号，使用全局平均池化和全局最大池化操作，得到每个子频段信号的全局表征其中x代表任意一个子频段信号，GAP(x)和GMP(x)分别代表对x进行全局平均池化和全局最大池化操作；
(3-4-3)一个频域注意力层，公式为其中Ξ1和Ξ2代表两个全连接层，/>代表ELU激活函数，/>代表Sigmoid激活函数；
(3-4-4)一个信息融合层，公式为其中/>表示点乘操作，argmaxp(x)表示使x达到最大值的元素序号p，即表示第p个子频段信号与当前睡眠状态密切相关，根据信息融合层的输出p，选择对应频带的助眠音乐进行播放。
所述通信模块通过蓝牙BLE4.2协议，接收来自脑电信号调理及转换模块的脑电信号，以及睡眠信号解码模块的解码结果。
所述基于脑机穿戴交互设备的智能睡眠调控系统的使用包括如下步骤：
1)使用者佩戴设备，并确保电极接触良好；
2)每间隔1min，脑电信号调理及转换模块采集20秒的脑电信号，进一步地，获得睡眠信号解码模块的解码结果；
3)若解码结果为“清醒”，则驱动微电流发生模块，对使用者施加微电流刺激，促进使用者尽快进入睡眠状态，同时暂停脑电信号调理及转换模块的采集进程；
4)若解码结果为“浅层睡眠”，则根据脑电信号调理及转换模块提供的脑电信号，驱动智能音乐反馈模块播放助眠音乐，促进使用者进入深度睡眠状态；
5)返回步骤2)，直至使用者停止使用本系统。
附图说明
图1是本发明的基于脑机穿戴交互设备的智能睡眠调控系统的组成框图；
图2是本发明的脑电信号调理及转换模块的构成框图；
图3是本发明的提出时序分布概率图拓扑神经网络SDPG-TNNet的步骤框图；
图4是本发明的提出构建拓扑网络表征的步骤框图；
图5是本发明的提出基于图神经网络的拓扑学习模型构成框图；
图6是本发明的睡眠反馈调控模块的构成框图；
图7是本发明的熵频自匹配能量共振网络EFS-MERNet的构成框图；
图8是本发明的基于脑机穿戴交互设备的智能睡眠调控系统的使用示意图；
图9是本发明的基于脑机穿戴交互设备的智能睡眠调控系统使用步骤框图。
具体实施方式
下面结合实施例和附图对本发明的基于脑机穿戴交互设备的智能睡眠调控系统做出详细说明。
如图1所示，基于脑机穿戴交互设备的智能睡眠调控系统，包括有：脑电信号调理及转换模块1、睡眠信号解码模块2、睡眠反馈调控模块3，所述的脑电信号调理及转换模块1对使用者头部的模拟脑电信号进行调理、模/数转换，转化为脑电信号并传送至睡眠信号解码模块2；所述的睡眠信号解码模块2提出时序分布概率图拓扑神经网络SDPG-TNNet，对脑电信号进行睡眠状态实时解码，进而监测使用者的睡眠状态；所述的睡眠反馈调控模块3提出熵频自匹配能量共振网络EFS-MERNet，根据使用者的睡眠状态，对使用者施加微电流刺激或播放个性化音乐，帮助使用者快速进入睡眠状态，并使用个性化音乐辅助使用者进入深度睡眠状态，以提高使用者的睡眠质量。
如图2所示，所述的脑电信号调理及转换模块1包括有：脑电电极11、用于脑电信号调理和模/数转换的多通道脑电采集模块12、用于控制多通道脑电采集模块12的微处理器单元13以及分别连接多通道脑电采集模块12、微处理器单元13的第一供电模组14。
所述的脑电电极11由数块覆有Ag/AgCl薄层的低阻抗电极组成，具有低直流失调电压、高信噪比的特性，分为采集电极、参考电极、去干扰电极，采集电极负责监测使用者的FP1、FP2、F7、F8共四通道的模拟脑电信号，电极的分布遵循10/20国际标准导联；参考电极位于左耳后乳突处，作为采集电极的电势参考点；去干扰电极位于右耳后乳突处，用于消除人体引入的共模干扰，提高脑电信号信噪比。
所述的多通道脑电采集模块12集成有多个具有高共模抑制比的用于放大模拟脑电信号的低噪声可编程增益放大器(PGA)、一个用于将模拟脑电信号转换为数字信号的高精度多通道模数转换器(ADC)以及一个用于降低共模干扰的右腿驱动电路(RLD)，RLD使用运算放大器对各个PGA的差分输入信号进行累加，并与共模电压参考点进行比较，通过去干扰电极向人体输出反向电压信号以抵消共模信号；
所述的微处理器单元13由一颗32位低功耗片上系统(SoC)芯片构成，具有GPIO、SPI、I2C、UART接口，通过蓝牙BLE4.2协议，将脑电信号传输至睡眠信号解码模块2和睡眠反馈调控模块3；
所述的第一供电模组14由单节可充电锂电池141、充电管理模块142和一组超低压降线性稳压器143组成；进一步地，所述的单节可充电锂电池141容量不低于2000mAh，供电电压为3.7～4.2V；所述的充电管理模块142具备恒流/恒压充电模式、防倒充、自动再充电功能，充电电压限制为5V，为单节可充电锂电池141提供安全充电保证；所述的超低压降线性稳压器143对单节可充电锂电池141提供的电压进行转换，提供符合供电要求的电压。
如图3所示，所述的睡眠信号解码模块2，提出时序分布概率图拓扑神经网络SDPG-TNNet，该网络针对睡眠过程中的脑电信号进行设计，在保留对脑电信号的时频空域特征提取能力的同时，建立时序分布概率图进行拓扑域信息提取及融合，进而利用图神经网络对脑电信号进行睡眠状态实时解码，动态监测使用者的睡眠状态，包括如下步骤：
1)对于采集到的脑电信号按时间维度进行切片，切片长度为5s，无重叠，得到样本集/> 其中S代表样本数，C代表脑电通道数，Γ代表数据点数；
2)对于每一个样本提出构建拓扑网络表征，共得到S个拓扑网络表征，表示为/>
如图4所示，所述的提出构建拓扑网络表征，包括如下步骤：
(2-1)对于某一个样本该样本包括C个通道，每个通道包括T个采样点，对于每个通道/> 使用可视图理论构建单层复杂网络，对于/>中的两点/>和/>若两点连线之间的任意一点/>均满足条件/>则称/>和/>可视；循环遍历/>中所有的两两点，建立该通道/>的单层复杂网络/>
(2-2)对所有通道执行步骤(2-1)，得到各个通道的单层复杂网络集合进一步地，计算得到各个通道的单层复杂网络的度分布其中/>dist_n(x)函数计算序列x的概率密度分布；
(2-3)计算各个通道之间的单层复杂网络的度分布之间的互信息，构建针对于某一样本的时序分布概率图，计算公式为/>其中i,j代表两个通道，P(ki)和P(kj)分别为通道i和通道j对应的时序分布概率图中，节点度数为ki和kj的度分布，/>上式中，/>代表通道i和通道j中度值分别满足ki和kj的节点个数；
(2-4)由(2-3)构建的网络是全连接网络，设定网络稀疏度阈值ε，对网络进行稀疏化处理，得到针对于某一样本的邻接矩阵/>计算公式为/>
(2-5)针对某一样本计算各个通道的PSD特征，作为该样本的特征矩阵其中K为PSD特征的维度；
(2-6)针对某一样本将邻接矩阵与特征矩阵组合为代表该样本的拓扑网络表征，即Ωs＝(As,Fs)。
3)提出构建基于图神经网络的深度学习模型，该模型以Ω为输入，输出每个样本对应的睡眠质量状态其中Ψs∈{深度睡眠,浅层睡眠,清醒}，L＝3为睡眠质量状态数；
如图5所示，所述的提出基于图神经网络的深度学习模型，包括有依次连接的：
(3-1)一个第一图卷积层，神经元个数为64，公式为GraphConv(X,A)＝σ(D-1/2AD-1/ 2XΘ)，其中A为邻接矩阵，X为特征矩阵，D为A的度矩阵，为ELU激活函数，Θ为可训练的参数矩阵；
(3-2)一个图池化层，保留K/2个节点，其中K为第一图卷积层的节点个数；
(3-3)一个第二图卷积层，神经元个数为256；
(3-4)一个聚类读出层，将每个图的节点表征串接为一维向量并输出；
(3-5)一个第一线性层，神经元个数为64；
(3-6)一个层批量归一化层，用于加速网络收敛，防止过拟合；
(3-7)一个第一激活函数层，使用ReLU激活函数，ReLU(x)＝max(0,x)；
(3-8)一个第二线性层，神经元个数为L；
(3-9)一个第二激活函数层，使用Softmax作为激活函数，公式为
所述的提出时序分布概率图拓扑神经网络SDPG-TNNet取第二激活函数层输出最大值对应的神经元索引，得到每个样本对应的睡眠质量状态Ψs∈{深度睡眠,浅层睡眠,清醒}。
如图6所示，所述的睡眠反馈调控模块3包括有：第二供电模组31、微电流发生模块32、输出电极33、智能音乐反馈模块34、通信模块35。
所述第二供电模组31由电池组311、隔离稳压模块312及降压供电芯片313构成；进一步地，所述电池组311由4节可充电锂电池串联构成，提供14.8V～16.8V的供电电压；所述隔离稳压模块312采用MoreSun公司生产的具有宽电压输入、定电压输出的UWF1205S-1WR3模块，提供5V输出电压；所述降压供电芯片313接收来自隔离稳压模块312的5V输出电压，为智能音乐反馈模块34、通信模块35提供正常工作所需的3.3V、1.8V电压。
所述微电流发生模块32由升压模块321和脉冲调制单元322构成；进一步地，所述升压模块321采用K-Cut公司生产的B1524S-1WR3模块，将电池组311提供的电压泵升至24V；所述脉冲调制单元322以24V电压为输入，通过控制三极管的开断，在输出电极33两端产生周期性的脉冲电流。
所述输出电极33连接至使用者的前额，利用微电流刺激起到助眠的作用。
所述智能音乐反馈模块34通过音乐个性化匹配策略，提出熵频自匹配能量共振网络EFS-MERNet，该网络判别与当前睡眠状态下的脑电信号密切相关的频带，并播放对应频带的助眠音乐，动态调节使用者的睡眠深度，提高使用者的睡眠质量；
如图7所示，所述的提出熵频自匹配能量共振网络EFS-MERNet包括有依次连接的：
(3-4-1)一个多尺度频域特征提取模块，该模块包括有若干个依次连接的小波分解层，每个小波分解层使用db4小波将脑电信号分解为高频信号与低频信号两部分，对高频信号与低频信号继续分解，分解层次为3级，共分解为8个子频段信号；
(3-4-2)一个多尺度池化层，对于上述8个子频段信号，使用全局平均池化和全局最大池化操作，得到每个子频段信号的全局表征其中x代表任意一个子频段信号，GAP(x)和GMP(x)分别代表对x进行全局平均池化和全局最大池化操作；
(3-4-3)一个频域注意力层，公式为其中Ξ1和Ξ2代表两个全连接层，/>代表ELU激活函数，/>代表Sigmoid激活函数；
(3-4-4)一个信息融合层，公式为其中/>表示点乘操作，argmaxp(x)表示使x达到最大值的元素序号p，即表示第p个子频段信号与当前睡眠状态密切相关，根据信息融合层的输出p，选择对应频带的助眠音乐进行播放。
所述通信模块35通过蓝牙BLE4.2协议，接收来自脑电信号调理及转换模块1的脑电信号，以及睡眠信号解码模块2的解码结果。
如图8所示，作为一种具体实施例，所述的脑电信号调理及转换模块1、睡眠反馈调控模块3均集成于头戴式头环的前额处，睡眠信号解码模块2独立于头戴式头环，通过蓝牙BLE4.2协议，与脑电信号调理及转换模块1进行通信，在头戴式头环的内表面安放有脑电电极11、输出电极33、智能音乐反馈模块34。
如图9所示，所述基于脑机穿戴交互设备的智能睡眠调控系统的使用包括如下步骤：
1)使用者佩戴设备，并确保电极接触良好；
2)每间隔1min，脑电信号调理及转换模块1采集20秒的脑电信号，进一步地，获得睡眠信号解码模块2的解码结果；
3)若解码结果为“清醒”，则驱动微电流发生模块32，对使用者施加微电流刺激，促进使用者尽快进入睡眠状态，同时暂停脑电信号调理及转换模块1的采集进程；
4)若解码结果为“浅层睡眠”，则根据脑电信号调理及转换模块1提供的脑电信号，驱动智能音乐反馈模块34播放助眠音乐，促进使用者进入深度睡眠状态；
5)返回步骤2)，直至使用者停止使用本系统。
本领域的技术人员容易理解，以上所述仅为本发明的最佳实施例，并不用以限制本发明。任何在本发明的精神和原则之内所作的修改、等同替换及改进等操作，均应包含在本发明的保护范围内。

Claims (8)

1.基于脑机穿戴交互设备的智能睡眠调控系统，包括有：脑电信号调理及转换模块(1)、睡眠信号解码模块(2)和睡眠反馈调控模块(3)，其特征在于，所述的脑电信号调理及转换模块(1)对使用者头部的模拟脑电信号进行调理、模/数转换，转化为脑电信号并传送至睡眠信号解码模块(2)；所述的睡眠信号解码模块(2)提出时序分布概率图拓扑神经网络SDPG-TNNet，对脑电信号进行睡眠状态实时解码，进而监测使用者的睡眠状态；所述的睡眠反馈调控模块(3)提出熵频自匹配能量共振网络EFS-MERNet，根据使用者的睡眠状态，对使用者施加微电流刺激或播放个性化音乐，帮助使用者快速进入睡眠状态，并使用个性化音乐辅助使用者进入深度睡眠状态，以提高使用者的睡眠质量。
2.根据权利要求1所述的基于脑机穿戴交互设备的智能睡眠调控系统，其特征在于，所述的脑电信号调理及转换模块(1)，包括有：脑电电极(11)、用于脑电信号调理和模/数转换的多通道脑电采集模块(12)、用于控制多通道脑电采集模块(12)的微处理器单元(13)以及分别连接多通道脑电采集模块(12)、微处理器单元(13)的第一供电模组(14)；其中，
所述的脑电电极(11)由数块覆有Ag/AgCl薄层的低阻抗电极组成，具有低直流失调电压、高信噪比的特性，分为采集电极、参考电极、去干扰电极，采集电极负责监测使用者的FP1、FP2、F7、F8共四通道的模拟脑电信号，电极的分布遵循10/20国际标准导联；参考电极位于左耳后乳突处，作为采集电极的电势参考点，去干扰电极位于右耳后乳突处，用于消除人体引入的共模干扰，提高脑电信号信噪比；
所述的多通道脑电采集模块(12)集成有多个具有高共模抑制比的用于放大模拟脑电信号的低噪声可编程增益放大器(PGA)、一个用于将模拟脑电信号转换为数字信号的高精度多通道模数转换器(ADC)以及一个用于降低共模干扰的右腿驱动电路(RLD)，RLD使用运算放大器对各个PGA的差分输入信号进行累加，并与共模电压参考点进行比较，通过去干扰电极向人体输出反向电压信号以抵消共模信号；
所述的微处理器单元(13)由一颗32位低功耗片上系统(SoC)芯片构成，具有GPIO、SPI、I2C、UART接口，通过蓝牙BLE4.2协议，将脑电信号传输至睡眠信号解码模块(2)和睡眠反馈调控模块(3)；
所述的第一供电模组(14)由单节可充电锂电池(141)、充电管理模块(142)和一组超低压降线性稳压器(143)组成；进一步地，所述单节可充电锂电池(141)容量不低于2000mAh，供电电压为3.7～4.2V，所述充电管理模块(142)具备恒流/恒压充电模式、防倒充、自动再充电功能，充电电压限制为5V，为单节可充电锂电池(141)提供安全充电保证，所述超低压降线性稳压器(143)对单节可充电锂电池(141)提供的电压进行转换，提供符合供电要求的电压。
3.根据权利要求1所述的基于脑机穿戴交互设备的智能睡眠调控系统，其特征在于，所述睡眠信号解码模块(2)，提出时序分布概率图拓扑神经网络SDPG-TNNet，该网络针对睡眠过程中的脑电信号进行设计，在保留对脑电信号的时频空域特征提取能力的同时，建立时序分布概率图进行拓扑域信息提取及融合，进而利用图神经网络对脑电信号进行睡眠状态实时解码，动态监测使用者的睡眠状态，包括如下步骤：
1)对于采集到的脑电信号按时间维度进行切片，切片长度为5s，无重叠，得到样本集/> 其中，S代表样本数，C代表脑电通道数，Γ代表数据点数；
2)对于每一个样本提出构建拓扑网络表征，共得到S个拓扑网络表征，表示为
3)提出基于图神经网络的拓扑学习模型，该模型以Ω为输入，输出每个样本对应的睡眠质量状态 其中Ψs∈{深度睡眠,浅层睡眠,清醒}，L＝3为睡眠质量状态数。
4.根据权利要求3所述的基于脑机穿戴交互设备的智能睡眠调控系统，其特征在于，所述的提出构建拓扑网络表征，包括如下步骤：
1)对于某一个样本该样本包括C个通道，每个通道包括T个采样点，对于每个通道/>使用可视图理论构建单层复杂网络，对于/>中的两点/>和/>若两点连线之间的任意一点/>均满足条件/>则称/>和/>可视，循环遍历/>中所有的两两点，建立该通道/>的单层复杂网络/>
2)对所有通道执行步骤1)，得到各个通道的单层复杂网络集合进一步地，计算得到各个通道的单层复杂网络的度分布/>其中dist_n(x)函数计算序列x的概率密度分布；
3)计算各个通道之间的单层复杂网络的度分布之间的互信息，构建针对于某一样本的时序分布概率图，计算公式为/>其中i,j代表两个通道，P(ki)和P(kj)分别为通道i和通道j对应的时序分布概率图中，节点度数为ki和kj的度分布，/>上式中，/>代表通道i和通道j中度值分别满足ki和kj的节点个数；
4)由步骤3)构建的网络是全连接网络，设定网络稀疏度阈值ε，对网络进行稀疏化处理，得到针对于某一样本的邻接矩阵/>计算公式为/>
5)针对某一样本计算各个通道的PSD特征，作为该样本的特征矩阵/>其中K为PSD特征的维度；
6)针对某一样本将邻接矩阵与特征矩阵组合为代表该样本的拓扑网络表征，即Ωs＝(As,Fs)。
5.根据权利要求3所述的基于脑机穿戴交互设备的智能睡眠调控系统，其特征在于，所述的提出构建基于图神经网络的深度学习模型，包括有依次连接的：
1)一个第一图卷积层，神经元个数为64，公式为GraphConv(X,A)＝σ(D-1/2AD-1/2XΘ)，其中A为邻接矩阵，X为特征矩阵，D为A的度矩阵，为ELU激活函数，Θ为可训练的参数矩阵；
2)一个图池化层，保留K/2个节点，其中K为第一图卷积层的节点个数；
3)一个第二图卷积层，神经元个数为256；
4)一个聚类读出层，将每个图的节点表征串接为一维向量并输出；
5)一个第一线性层，神经元个数为64；
6)一个层批量归一化层，用于加速网络收敛，防止过拟合；
7)一个第一激活函数层，使用ReLU激活函数，ReLU(x)＝max(0,x)；
8)一个第二线性层，神经元个数为L；
9)一个第二激活函数层，使用Softmax作为激活函数，公式为
所述的提出时序分布概率图拓扑神经网络SDPG-TNNet取第二激活函数层输出最大值对应的神经元索引，得到每个样本对应的睡眠质量状态Ψs∈{深度睡眠,浅层睡眠,清醒}。
6.根据权利要求1所述的基于脑机穿戴交互设备的智能睡眠调控系统，其特征在于，所述的睡眠反馈调控模块(3)包括有：第二供电模组(31)、微电流发生模块(32)、输出电极(33)、智能音乐反馈模块(34)、通信模块(35)；其中，
所述第二供电模组(31)由电池组(311)、隔离稳压模块(312)及降压供电芯片(313)构成；进一步地，所述电池组(311)由可充电锂电池串联构成，所述隔离稳压模块(312)将电池组(311)的电压转为5V输出电压，所述降压供电芯片(313)接收来自隔离稳压模块(312)的5V输出电压，为通信模块(34)提供正常工作所需的3.3V、1.8V电压；
所述微电流发生模块(32)由升压模块(321)和脉冲调制单元(322)构成；进一步地，所述升压模块(321)将电池组(311)提供的电压泵升至24V，所述脉冲调制单元(322)以24V电压为输入，通过控制三极管的开断，在输出电极(33)两端产生周期性的脉冲电流；
所述输出电极(33)连接至使用者的前额，利用微电流刺激起到助眠的作用；
所述智能音乐反馈模块(34)通过音乐个性化匹配策略，动态调节使用者的睡眠深度，提高使用者的睡眠质量；
所述通信模块(35)接收来自脑电信号调理及转换模块(1)的脑电信号，以及睡眠信号解码模块(2)的解码结果。
7.根据权利要求6所述的基于脑机穿戴交互设备的智能睡眠调控系统，其特征在于，所述的音乐个性化匹配策略，提出熵频自匹配能量共振网络EFS-MERNet，该网络判别与当前睡眠状态下的脑电信号密切相关的频带，并播放对应频带的助眠音乐；所述的提出熵频自匹配能量共振网络EFS-MERNet包括有依次连接的：
1)一个多尺度频域特征提取模块，该模块包括有若干个依次连接的小波分解层，每个小波分解层使用db4小波将脑电信号分解为高频信号与低频信号两部分，对高频信号与低频信号继续分解，分解层次为3级，共分解为8个子频段信号；
2)一个多尺度池化层，对于上述8个子频段信号，使用全局平均池化和全局最大池化操作，得到每个子频段信号的全局表征其中x代表任意一个子频段信号，GAP(x)和GMP(x)分别代表对x进行全局平均池化和全局最大池化操作；
3)一个频域注意力层，公式为其中Ξ1和Ξ2代表两个全连接层， 代表ELU激活函数，/>代表Sigmoid激活函数；
4)一个信息融合层，公式为其中/>表示点乘操作，argmaxp(x)表示使x达到最大值的元素序号p，即表示第p个子频段信号与当前睡眠状态密切相关，根据信息融合层的输出p，选择对应频带的助眠音乐进行播放。
8.根据权利要求1所述的基于脑机穿戴交互设备的智能睡眠调控系统，其特征在于，系统的使用包括如下步骤：
1)使用者佩戴设备，并确保电极接触良好；
2)每间隔1min，脑电信号调理及转换模块(1)采集20秒的脑电信号，进一步地，获得睡眠信号解码模块(2)的解码结果；
3)若解码结果为“清醒”，则驱动微电流发生模块(32)，对使用者施加微电流刺激，促进使用者尽快进入睡眠状态，同时暂停脑电信号调理及转换模块(1)的采集进程；
4)若解码结果为“浅层睡眠”，则根据脑电信号调理及转换模块(1)提供的脑电信号，驱动智能音乐反馈模块(34)播放助眠音乐，促进使用者进入深度睡眠状态；
5)返回步骤2)，直至使用者停止使用本系统。
CN202410005721.5A 2024-01-03 2024-01-03 基于脑机穿戴交互设备的智能睡眠调控系统 Active CN118079185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410005721.5A CN118079185B (zh) 2024-01-03 2024-01-03 基于脑机穿戴交互设备的智能睡眠调控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410005721.5A CN118079185B (zh) 2024-01-03 2024-01-03 基于脑机穿戴交互设备的智能睡眠调控系统

Publications (2)

Publication Number Publication Date
CN118079185A true CN118079185A (zh) 2024-05-28
CN118079185B CN118079185B (zh) 2024-09-24

Family

ID=91141324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410005721.5A Active CN118079185B (zh) 2024-01-03 2024-01-03 基于脑机穿戴交互设备的智能睡眠调控系统

Country Status (1)

Country Link
CN (1) CN118079185B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017196194A (ja) * 2016-04-27 2017-11-02 国立大学法人大阪大学 睡眠状態解析支援装置、および、睡眠状態解析支援プログラム
CN110399857A (zh) * 2019-08-01 2019-11-01 西安邮电大学 一种基于图卷积神经网络的脑电情感识别方法
WO2021103829A1 (zh) * 2019-11-27 2021-06-03 华南理工大学 基于脑波音乐的个性化精神状态调节系统及调节方法
CN113951883A (zh) * 2021-11-12 2022-01-21 上海交通大学 基于脑电信号情绪识别的性别差异性检测方法
US20230105659A1 (en) * 2021-10-05 2023-04-06 Neumora Therapeutics, Inc. Machine learning systems for processing multi-modal patient data
WO2023108418A1 (zh) * 2021-12-14 2023-06-22 深圳先进技术研究院 脑图谱构建及神经环路检测的方法和相关产品

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017196194A (ja) * 2016-04-27 2017-11-02 国立大学法人大阪大学 睡眠状態解析支援装置、および、睡眠状態解析支援プログラム
CN110399857A (zh) * 2019-08-01 2019-11-01 西安邮电大学 一种基于图卷积神经网络的脑电情感识别方法
WO2021103829A1 (zh) * 2019-11-27 2021-06-03 华南理工大学 基于脑波音乐的个性化精神状态调节系统及调节方法
US20230105659A1 (en) * 2021-10-05 2023-04-06 Neumora Therapeutics, Inc. Machine learning systems for processing multi-modal patient data
CN113951883A (zh) * 2021-11-12 2022-01-21 上海交通大学 基于脑电信号情绪识别的性别差异性检测方法
WO2023108418A1 (zh) * 2021-12-14 2023-06-22 深圳先进技术研究院 脑图谱构建及神经环路检测的方法和相关产品

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵方冲;田学隆;陈南西;: "睡眠监测系统中脑电采集装置的设计", 实验室研究与探索, no. 12, 15 December 2016 (2016-12-15) *

Also Published As

Publication number Publication date
CN118079185B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
CN109316170B (zh) 基于深度学习的脑电波辅助睡眠及唤醒系统
CN207071165U (zh) 一种智能复合波形经颅电刺激系统
CN103372258A (zh) 失眠治疗仪及失眠治疗方法
CN106974647A (zh) 一种脑电波头戴装置及遥控机器人和锻炼大脑的方法
CN110947076B (zh) 一种可进行精神状态调节的智能脑波音乐可穿戴设备
CN102715902A (zh) 特殊人群的情绪监护方法
US20220331550A1 (en) Intelligent control apparatus and control method therefor, and intelligent wearable device
CN115640827A (zh) 对电刺激数据处理的智能闭环反馈网络方法及系统
CN111481799A (zh) 一种脑电波闭环控制设备
CN107158564A (zh) 一种低频调制的中频电刺激的体外膈肌起搏器
CN112717253A (zh) 基于脑电波监测的声光结合唤醒装置
CN205924014U (zh) 一种睡眠综合监护系统
CN117815508A (zh) 一种基于脑机智能穿戴设备的专注力训练系统
CN118079185B (zh) 基于脑机穿戴交互设备的智能睡眠调控系统
CN104434056A (zh) 基于脉搏波的生物反馈系统
CN211957134U (zh) 一种睡眠质量监测及交互系统
CN107802263A (zh) 一种基于脑电生理信号的可穿戴声音反馈系统
CN112716453A (zh) 血压、神经信号采集分析方法
CN209404778U (zh) 一种用于脑电采集的智能眼罩
KR102538308B1 (ko) 통합 경두개 직류전류 자극기(tDCS)-근적외선 분광기(fNIRS) 기반 착용 가능 휴대용 뇌기능 활성화 증진 및 모니터링 시스템의 운용 클라우드 서버와 클라우드 서버 운용방법
CN218685640U (zh) 脑功能动态监测的声音振动调控设备、头枕及头戴设备
CN114053550B (zh) 一种基于高频心电的耳机式情绪压力调节装置
CN110638445A (zh) 一种基于ssvep的少通道脑电信号采集装置
CN203564223U (zh) 基于脉搏波的生物反馈系统
Nguyen et al. A large-scale study of a sleep tracking and improving device with closed-loop and personalized real-time acoustic stimulation

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