CN1811645A - 智能防打鼾的睡眠枕 - Google Patents

Abstract

一种智能防打鼾的睡眠枕，由两个部分所构成，包括鼾声的检测、根据所检测到的鼾声通过装置来改变睡眠者的体位，睡眠者在入睡时与平时一样头部由枕头垫着，枕头的两侧安置着面向被检测者口鼻部的麦克风；当睡眠者在入眠后发出鼾声，麦克风检测到声音信号经放大给微处理器；在微处理器中进行声音信号的滤波和睡眠障碍的智能化判断，根据判断结果和改变体位动作策略通过接口输出执行装置改变睡眠者的体位，当接受到改变体位动作策略信号后驱动电机作相应的动作，使得入睡者在打鼾后自动改变睡眠体位。本发明无拘束的及时测量睡眠障碍的手段，根据所检测到的鼾声情况进行自动改变睡眠体位，以提高睡眠质量。

Description

智能防打鼾的睡眠枕

(一)技术领域

本发明属于计算机测量技术、自动化控制技术在减少与防止打鼾，提高睡眠质量方面的应用，尤其是一种睡眠枕。

(二)背景技术

睡眠障碍是常见疾病，临床表现复杂多样。随着现代化进程的不断推进，社会竞争不断激烈，人们的工作和生活节奏加快，睡眠障碍的发病率不断升高。世界各国都面临睡眠障碍难题。据2002年的有关调查显示，我国人群中有45.4％左右的人存在着不同程度的睡眠问题。上海6家大医院的睡眠专家联合对上海各社区近1万名市民进行调查，发现晚间打鼾的发生率高达40％以上，约4％的人发生睡眠呼吸中止症。我国四十岁以上的人口至少有10～50％会打鼾，其中约有5％的人(通常是过胖及中年男性)是每晚鼾声如雷并且潜藏着危及生命的睡眠呼吸暂停综合症，是健康上的一个隐患。因此睡眠障碍既是科学问题，也是社会问题。

睡眠障碍包括，睡眠打鼾，张口呼吸，甚至出现呼吸暂时停止。睡眠中反复憋醒，睡眠不宁。经常发生夜间心绞痛及心律失常。醒后头痛，头晕，晨起后血压高。白天疲乏无力，困倦、嗜睡甚至在工作开会或者驾驶时睡着，发生车祸和工作意外的比例也远高于一般正常人，根据美国睡眠协会的调查显示，美国每年45％的车祸以及55％的工伤事故都是由于睡眠疾病造成的，因瞌睡而发生工伤事故的经济损失高达640亿美圆，瞌睡更是导致每年20-40万交通事故的主要原因，其中一半交通事故是致死性的。而睡眠呼吸中止症更花费每年3亿美圆的检查费用，而打鼾瞌睡所引发的车祸，更是造成了120亿美圆的损失。睡眠障碍最突出的表现是打鼾、打呼噜。

打鼾的人时常被别人抱怨，和同室或者配偶的关系变得异常紧张，令打鼾者烦恼。然而打鼾更大的危害是引起呼吸暂停。打鼾者的气道通常比正常人狭窄，白天清醒时咽喉部肌肉代偿性收缩使气道保持开放，不发生堵塞。但在夜间睡眠时神经兴奋性下降，肌肉松弛，咽部组织堵塞，使上气道塌陷，当气流通过狭窄部位时，产生涡流并引起振动，从而出现鼾声，严重时呼吸可以暂时停止，从而影响人的身体健康。

业已发现体位的改变对一些阻塞性睡眠呼吸暂停综合征(Obstructive SleepApnea Syndrome，OSAS)患者的睡眠状况有较大影响，许多患者侧卧位时呼吸暂停的同期指数(Apnea and Hypopnea Index，AHI)明显低于仰卧位。

依据Cartwright等学者的研究成果，把OSAS患者仰卧位时的AHI大于侧卧位时的2倍以上者定义为体位型(Positional Patient，PP)，反之定义为非体位型(Nonpositional Patient，NPP)的标准；Pevernagie等学者近年来第一次发现PP与NPP上气道形状、大小的区别主要在上气道的胯咽部，两组间差异有显著性。PP组的最小横断面几乎是NPP组仰卧位和右侧卧位的2倍。二组的上气道形状也是不同的，PP组是椭圆形，NPP组是圆形的。形状的差别主要是山于PP组横径更大，前后径两组间无差别。PP组在仰卧位时对软组织的压力降低了前后径，从而睡眠时表现呼吸紊乱。这些资料也表明，当这些患者采取侧卧位时，前后径增加，侧壁分开以至于它们不会聚集在一起而阻塞咽腔，这样有充分的气道而避免了上气道的塌陷。然而NPP组由于横径下降，咽横断面降低至PP组的50％，因此即使改成侧卧位也不能阻止咽塌陷。

PP组的患者相对NPP组呼吸紊乱严重程度较低，轻、中度OSAS患者中大部分为体位依赖型。并且经多变量分析表明，AHI是评估、判定体位型患者最重要的相关因素。这意味着体位睡眠可能是OSAS自然发展过程中一个特征。随着OSAS严重程度的进展，体位型OSAS可转变成非体位型患者。对于PP型患者，通过调整体位，可以有效的减少睡眠时的呼吸暂停次数。

PP组患者的体重较NPP组平均低7.5kg，PP型所占的百分比与肥胖的严重程度呈明显负相关，经多变量分析，BMI是评判是否为体位型患者的主要相关因素。Llooyd等学者发现OSAS患者侧卧位时的AHI值与肥胖度的相关性比仰卧位高，表明体重降低时改善侧卧位睡眠时的呼吸紊乱较好，而对仰卧位改变较轻。这可以理解为随着体重的减轻，NPP型患者可以转变为PP型。

对晚上打鼾严重者，为了改善其睡眠质量和减少同室或者配偶的抱怨，民间也常采用一些改变入睡者体位的方法，有些采用了在入睡者背的中部放入一个球的方式来强制入睡者采取侧卧位睡眠，这种方式虽然有效，但是也会给入睡者带来不适感和不便感。另外有些打鼾者即使采取了侧卧位睡眠方式经过一段时间后仍然要发出鼾声，在整个睡眠过程中需要不断地改变睡眠体位。

响亮而不均匀的打鼾声是睡眠障碍患者的一个最明显的共同特征，鼾声又是一种非常容易获取的、可以实现无拘束、非察觉性的声音信息。随着信号检测、语音处理技术、自动控制技术的发展，特别是嵌入式计算机技术的发展为无拘束、非察觉性地测量睡眠障碍、减少鼾声、改善睡眠质量提供了一种新的方法。

(三)发明内容

为了克服已有的睡眠枕不能改变睡眠体位的不足，本发明提供一种无拘束的及时测量睡眠障碍的手段，根据所检测到的鼾声情况进行自动改变睡眠体位，以提高睡眠质量的智能防打鼾的睡眠枕。

本发明解决其技术问题所采用的技术方案是：

一种智能防打鼾的睡眠枕，包括枕头、拾音器、用于根据接收的睡眠声音信号进行智能判断的微处理器、用于改变睡眠者睡眠体位的枕头移位机构，所述的拾音器对称设置在所述枕头的两侧，所述枕头安装在枕头移位机构上，所述的拾音器的输出连接所述的微处理器，所述的微处理器包括：

数字低通滤波模块，用于将拾音器获取的睡眠声音信号去除背景噪音；

声音数据存储模块，用于将拾音器获取的睡眠声音信号存储到数据存储器中；

睡眠体位判断模块，用于计算左右两个拾音器所测量的睡眠声音的音量，区分三种不同睡眠体位：如左右两个拾音器音量接近，判断睡眠者处于仰躺状态；

如左边拾音器的音量比右边拾音器的音量高于间隔阈值，判断睡眠者处于左侧睡状态；如右边拾音器的音量比左边拾音器的音量高于间隔阈值，判断睡眠者处于右侧睡状态；

鼾声周期判断模块，用于定义T_snore为鼾声持续时间，定义T_no-snore为鼾声间隔时间，声音信号要判断为鼾声必须符合鼾声诊断标准中的四个条件：1)、声音信号T_snore符合一般鼾声维持时间的范围；2)、声音信号T_no-snore符合一般鼾声间隔时间的范围；3)、T_snore+T_no-snore符合一般一个呼吸周期范围；4)、符合上述特征的声音信号要重复出现，如符合上述四个条件，判断为打鼾声音；启动移位机构模块，用于根据所述的声音数据，统计鼾声的次数，判断鼾声数是否达到域值K_snore，如达到阈值K_snore启动移位机构；

移位机构执行模块，用于根据当前的睡眠体位、以及上一次睡眠体位，控制移位机构执行到另一种体位。

进一步，所述的枕头移位机构包括可正反转的驱动电机、左轴、右轴、移动滑垫，所述两个轴的一端分别安装尼龙齿轮，所述的驱动电机连接尼龙齿轮，所述的两个尼龙齿轮之间设有齿条带，移动滑垫可转动地套接在左轴、右轴上，所述的枕头固定在所述地移动滑垫上。

再进一步，所述的数字低通滤波模块的截止频率在200Hz，其递推公式为式(1)：

V_noise(i)＝(1-λ)V_noise(i-1)+λV_noise-cn(i)    (1)

式中：V_noise-cn(i)为所测量到的声音电压信号，V_noise(i-1)为上次数字滤波器的输出，V_noise(i)为这次数字滤波器的输出，λ为更新的速度，取值在0～1之间，λ的大小与低通滤波器的截止频率有关，λ越接近1低通滤波器的截止频率就越高。

更进一步，将所述滤波模块的输出V_noise(i)的值连续递增6次作为鼾声的起始点，滤波模块的输出V_noise(i)的值连续递减8次作为鼾声的结束点，鼾声持续时间T_snore为鼾声的起始点的时间到鼾声的结束点所化费的时间，T_no-snore为鼾声的结束点到下一个鼾声的起始点所化费的时间，根据上述计算得到的一系列T_snore和T_no-snore值进行统计。

在鼾声数等于域值K_snore时，进行如下计算，如式(2)所示：

${\stackrel{\‾}{T}}_{\mathrm{snore}}=\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{T}_{\mathrm{snore}}\left(i\right)/K_{\mathrm{snore}}$

${\stackrel{\‾}{T}}_{\mathrm{no}-\mathrm{snore}}=\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{T}_{\mathrm{no}-\mathrm{snore}}\left(i\right)/K_{\mathrm{snore}}$

T_{breath cycle}＝ T_snore+ T_no-snore

${\mathrm{\σ}}_{\mathrm{snore}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{snore}}-T_{\mathrm{snore}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}$

${\mathrm{\σ}}_{\mathrm{no}-\mathrm{snore}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{no}-\mathrm{snore}}-T_{\mathrm{no}-\mathrm{snore}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}$

${\mathrm{\σ}}_{\mathrm{breath\; cycle}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{breath\; cycle}}-T_{\mathrm{breathcycle}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}----\left(2\right)$

式中：T_snore(i)为所测量到的鼾声持续时间，T_snore(i)为所测量到的鼾声间隔时间，T_snore和σ_snore分别为鼾声持续时间的均值和方差， T_no-snore和σ_no-snore分别为鼾声间隔时间的均值和方差， T_{breath cycle}和σ_{breath cycle}分别为一个呼吸周期的均值和方差将鼾声持续时间分布区间( T_snore-3σ_snore， T_snore+3σ_snore)、鼾声间隔时间分布区间( T_no-snore-3σ_no-snore， T_no-snore+3σ_no-snore)、呼吸周期分布区间( T_{breath cycle}-3σ_{breath cycle}，T_{breath cycle}+3σ_{breath cycle})作为新的鼾声诊断标准。

本发明的工作原理是：作为检测睡眠中打鼾声的两个拾音器分别安装在枕部的两侧，实时地检测着入睡者鼾声信息，要实现无拘束测量睡眠障碍同时能去除其他声音的干扰，涉及到以下几个关键问题：

(1)鼾声的响度测量以及睡眠姿态的判断：用鼾声的响度能表示的是鼾声能量的强弱程度，其强度主要取决于鼾声声波振幅的大小。鼾声声音的响度可以用声压(达因/平方厘米)或声强(瓦特/平方厘米)来计量，声压的单位为帕(Pa)，它与基准声压比值的对数值称为声压级，单位是分贝(dB)。响度的相对量称为响度级，它表示的是某鼾声响度与基准响度比值的对数值。响度——声音的大小；响度跟发声体的振幅有关系，振幅越大，响度越大；振幅越小，响度越小；同时响度跟距发声体的远近、方向有关系。由于入睡时人的睡眠姿态不尽相同，即使同一个人睡眠姿态也会经常发生变化，要实现无拘束测量就不能规定睡眠中人的口鼻与拾音器的距离，所以会产生鼾声声强与在枕头上的入睡人的头部位置而发生变化的情况，Smithson[1995]等人曾经做过一个有关鼾声评估的实验，实验中将麦克风设置在被测量者头上的90cm处，实验结果发现横躺与仰躺所造成的误差小于2分贝，用扬声器模拟打鼾声源放在床的中央与两侧，误差也在2分贝以内。根据这样的实验结果，可以认为鼾声音量判断的公差应为±2分贝。由于本发明中是将两个麦克风配置在枕的两边，方向是朝着仰躺时口部的位置，如果左右两个麦克风所测量到的鼾声音量相同，则可以判断被测量者处于仰躺状态，如果右边的麦克风比左边的麦克风所测量到的鼾声音量高4分贝，则可以判断被测量者处于向右侧睡状态，用同样方法也可以判断被测量者处于向左侧睡状态，为此本发明中要解决睡眠中人的口鼻与拾音器的距离、方向发生变化时能修正响度值，使得能达到正确测量鼾声的响度的目的，计算机通过上述睡眠体位的判断作出如何改变体位决策；

(2)鼾声的周期测量：鼾声是当呼吸气流通过时冲击咽部粘膜边缘和粘膜表面分泌物引起振动而产生的声音；其部位始至鼻咽直至下咽，包括软腭、悬雍垂、扁桃体及腭咽弓、腭舌弓、舌根、咽部的肌肉和粘膜，在这些部位中产生涡流并引起振动现象，其每分钟鼾声的次数是与呼吸次数是相一致的，一般成年人在睡眠时完成一次呼吸周期是3秒左右，也就是发出鼾声然后鼾声的停歇的周期频率在0.3赫兹左右，通过鼾声的周期测量可以提高鼾声识别的精度。

(3)去除背景噪音：由于麦克风拾音的方式的缺点是噪杂音多，容易受到背景音影响，作为去除噪音目前主要分为两种方法，即硬件滤波和软件滤波；Smithson[1995]在其的研究中发现鼾声的最低频率在100Hz以下，因此可以将该指标作为鼾声滤波的频带标准，研究还发现虽然鼾声多半分布在100Hz以下这个领域，但是一般日常的谈话声、笑声、咳嗽声也多包含有这个频带内的声音，因此仅仅采用滤波器方式处理仍然存在着不足之处；Jane[2000]等学者曾使用625个声音样本通过神经网络进行训练，由22项频域与时域的声音特征输入值，系统能在离线状态下分析由录音设备所存储的声音资料，辩识出鼾声并排除其他背景噪音。经样本实验表明，鼾声大都包含在0～200Hz的声音频带内，而其他声音的分布频域则较广，由于每个人的咽部组织结构存在着差异，而这种差异会影响鼾声的频带范围，因此在设计滤波器时能考虑到个人差自动调节滤波频带，但是这种方式只有通过软件滤波的方式才能实现，如果是采用软件滤波的话那么实时性能也十分重要。

根据上述的三个关键问题，本发明的目的是以减少睡眠者打鼾为重点，以发现早期鼾症为主要特征，在测量方法上以无拘束、非察觉性为设计重点，在控制技术上以自然舒适的方式调整睡眠者体位，该枕头既能在居家睡眠环境、不影响正常睡眠前提下做长期监测，又能用于改善睡眠者的睡眠。因此在声音信息处理上能辨别鼾声与其他环境声音，所监测的资料输出方式除能实时显示鼾声以外，并能以记忆卡将监测过程记录下来，供睡眠专家做诊断参考；在辨别鼾声后能通过数模接口输出给驱动单元，驱动单元根据控制信号产生相应的动作来改变睡眠中人的头部位置，使睡眠者的气道保持开放状态从而改善睡眠质量，因此本检测装置要与目前睡眠中使用的枕头紧密的结合在一起。因此本发明在定位上属于居家睡眠用品，价廉物美、贴近床上用品设计也是必须考虑的。

综合上述的智能防打鼾的睡眠枕设计要求，本发明的处理流程如图3所示，声波信号由声音感知部分转化成电压信号，电压信号通过A/D转化成数字信号，经数字低通滤波器去除背景噪音，然后送给智能鼾声判断单元辩识为鼾声、或者其他环境音，最后通过D/A输出给驱动单元，驱动单元根据控制信号产生相应的动作来改变睡眠中人的头部位置，使睡眠者的气道保持开放状态；也可以通过I/O接口显示其监测结果、也可以将记录数据保存到存储单元中。

为了去除背景噪音，在本发明中采用了数字低通滤波器，经A/D得到的声音电压信号中含有各种背景噪音，而鼾声大都包含在0～200Hz的声音频带内，因此数字低通滤波器的设计就是要将200Hz以上的频率信号过滤掉，为了提高数字低通滤波器的计算实时性，本发明中采用了递推方式来实现低通滤波，公式由式(1)给出，因此低通滤波器算法中的λ的值可以根据所得到某个人的鼾声的频带范围作自动调整，如果测量到的鼾声的频带范围小于低通滤波器的截止频率那么就可以再减小λ的值，以提高滤波效果。

从得到的数字滤波器的输出V_noise(i)的值进行鼾声在时域中的特征识别，用图2说明本发明中对鼾声的周期测量的方法，在本发明中定义T_snore为鼾声持续时间，定义T_no-snore为鼾声间隔时间，一个声音信号要判断为鼾声必须符合以下四个条件：1)声音信号T_snore符合一般鼾声维持时间的范围；2)声音信号T_no-snore符合一般鼾声间隔时间的范围；3)T_snore+T_no-snore符合一般一个呼吸周期范围；4)符合上述特征的声音信号要重复出现。

根据上述的四个判断条件，要通过实验来决定一般鼾声维持时间的范围、一般鼾声间隔时间的范围和一般一个呼吸周期范围，根据多个打鼾者的晚上鼾声记录，从分析来看，每个打鼾者的T_snore和T_no-snore分布并不完全相同，但是时间范围还是呈现一定的规律，99.0％的鼾声T_snore在0.6～1.8秒以内，98.5％的鼾声间隔时间T_no-snore的范围在1.4～4.0秒以内，一般一个成年人的呼吸频率在每分钟16次左右，实验结果表明打鼾者每分钟打鼾的次数分布在12～20次之间，为了做一个比较保守的计算，每次呼吸的周期，即T_snore+T_no-snore在2.8～5.5秒之间；有了上述三个判断范围值，再加上条件判断4是否有重复出现上述的打鼾声。

为了决定鼾声的起始点与鼾声的结束点，在本发明中将数字滤波器的输出V_noise(i)的值连续递增6次作为鼾声的起始点；数字滤波器的输出V_noise(i)的值连续递减8次作为鼾声的结束点，因此鼾声维持时间T_snore为鼾声的起始点的时间到鼾声的结束点所化费的时间，T_no-snore为鼾声的结束点到下一个鼾声的起始点所化费的时间。

在日常生活中其他的声音也有可能出现上述的间隔模式，同时也符合鼾声的周期，然而要重复多次出现这种情况的概率就非常少，因此在本专利中再增加一个附加判断条件，即满足上述条件1)、2)、3)的声音信号必须连续出现n次后才认为是鼾声，当然这与睡眠时间也有关联，如果是白天时间段的话，n的取值可以大些，晚间n的取值可以小些；刚睡到床上时n的取值可以大些，出现了多次鼾声后n的取值可以降低为1，也就是说n的取值大判断为鼾声的门槛越高，通过这种方式能将一些背景音去除掉。

虽然每个人的每分钟的呼吸次数，即T_snore+T_no-snore在2.8～5.5秒之间，但是毕竟还是存在着个性差，上述的指标范围上限与下限的差接近一倍，且某个人每次呼吸的周期也会发生一些变化，

为了比较准确的获得某个人的每分钟的呼吸次数，根据上述计算得到的一系列T_snore和T_no-snore值进行统计，从而能比较精确的得到被监测者的每分钟的呼吸次数的均数，实验结果表明某个人的呼吸周期是符合正态分布的，只要鼾声样本测试数据大就可以用正态分布的两个参数均数μ和标准差σ，本发明中利用浅睡眠期所监测到的鼾声来进行统计，即鼾声的连续累计数达到了一个域值K_snore后进行如下计算，计算公式如式(2)所示，

${\stackrel{\‾}{T}}_{\mathrm{snore}}=\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{T}_{\mathrm{snore}}\left(i\right)/K_{\mathrm{snore}}$

${\stackrel{\‾}{T}}_{\mathrm{no}-\mathrm{snore}}=\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{T}_{\mathrm{no}-\mathrm{snore}}\left(i\right)/K_{\mathrm{snore}}$

T_{breath cycle}＝ T_snore+ T_no-snore

${\mathrm{\σ}}_{\mathrm{snore}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{snore}}-T_{\mathrm{snore}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}$

${\mathrm{\σ}}_{\mathrm{no}-\mathrm{snore}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{no}-\mathrm{snore}}-T_{\mathrm{no}-\mathrm{snore}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}$

${\mathrm{\σ}}_{\mathrm{breath\; cycle}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{breath\; cycle}}-T_{\mathrm{breathcycle}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}----\left(2\right)$

式中：T_snore(i)为所测量到的鼾声持续时间，T_snore(i)为所测量到的鼾声间隔时间， T_snore和σ_snore分别为鼾声持续时间的均值和方差， T_no-snore和σ_no-snore分别为鼾声间隔时间的均值和方差， T_{breath cycle}和σ_{breath cycle}分别为一个呼吸周期的均值和方差，通过在浅睡眠期所得到鼾声监测值来得到上述的6个判断数据，这些数据比上述的4项判断标准中更能反映个人差，因此在进入睡眠鼾声模式判断前将上述6个判断数据更新上述4项判断标准中的数据能提高模式判断精度；本发明中由于将鼾声持续时间分布区间( T_snore-3σ_snore， T_snore+3σ_snore)、鼾声间隔时间分布区间( T_no-snore-3σ_no-snore， T_no-snore+3σ_no-snore)、呼吸周期分布区间( T_{breath cycle}-3σ_{breath cycle}，T_{breath cycle}+3σ_{breath cycle})作为新的鼾声诊断标准，在此以外的概率只有万分之二十六，这是一个很小的概率，因此能排除背景噪音、个人差对监测精度的影响。

频繁地改变睡眠体位也会对睡眠者来说会带来不适感，因此改变睡眠体位也需要在适当的时机、以适当的方式来进行。所述的适当的时机，在本发明中当所检测到的鼾声连续累计数达到了一个域值K_snore后采取改变体位动作；所述的适当的方式是根据上述的睡眠体位的判断，如果判断目前睡眠体位是仰躺状态，这时候就要再判断一下上一次的睡眠状态，如果上一次睡眠状态是在左侧，枕头移位机构就产生使体位向右侧转的动作，使得睡眠者向右侧睡；如果目前睡眠体位是处在右侧睡眠状态，枕头移位机构就产生使体位向左侧转的动作，使得睡眠者处于仰躺；…；通过不断地改变睡眠人的体位，使其有充分的气道而避免了上气道的塌陷，进而达到减少鼾声的目的。

所述的改变睡眠状态的枕头移位机构，至少能够使得枕头产生相对于头部左右移动的动作，移动幅度的大小是根据上述动作策略来决定的；智能防打鼾的睡眠枕的机械部分如图6所示，使用中将一般的睡眠用枕头放在枕头移位机构上，用一对具有雌雄搭伴带状织物将枕头与移动滑垫相对固定起来，比如将雄搭伴带状织物缝制在睡眠用枕头下面，将雌搭伴带状织物缝制在移动滑垫的上面，移动滑垫产生移动时就带动了枕头的左右移动；移动滑垫的内侧(靠头顶部位)固定了一个环状齿条带，该环状齿条带与装在枕头移位机构两侧的尼龙齿轮啮合，其中一个尼龙齿轮由小型电机带动可作旋转运动，小型电机能作正反两个方向的转动，当小型电机接受到上述动作策略指示进行转动时，通过尼龙齿轮与环状齿条带的啮合传动带动了移动滑垫的左右移动，同时移动滑垫与睡眠用枕头是相对固定的，因此也会带动睡眠用枕头作左右移动；另外移动滑垫的内侧由于睡眠人的头部重量会使得移动滑垫的内侧上下部紧靠在一起而产生摩擦力，为了减少这种摩擦力，在本发明中在移动滑垫的内侧采用光滑的面料。

本发明的有益效果主要表现在：1、自动改变睡眠体位，以提高睡眠质量；2、无拘束、非察觉性地及时测量睡眠障碍。

(四)附图说明

图1是测量睡眠鼾声的方法处理流程图；

图2是鼾声的记录曲线的示意图；

图3是智能防打鼾的睡眠枕的组成图；

图4是计算机中实现智能防打鼾的睡眠枕的方法处理流程的功能模块分割图；

图5是智能防打鼾的睡眠枕实施的示意图；

图6是智能防打鼾的睡眠枕的机械部分示意图。

(五)具体实施方式

下面结合附图对本发明作进一步描述。

参照图1、图2、图3、图4、图5、图6，一种智能防打鼾的睡眠枕，所述的睡眠枕包括枕头2、拾音器1、用于根据接收的睡眠声音信号进行智能判断的微处理器3、用于改变睡眠者睡眠体位的枕头移位机构，所述的拾音器1对称设置在所述枕头2的两侧，所述枕头2安装在枕头移位机构上，所述的拾音器1的输出连接所述的微处理器3，所述的微处理器3包括：数字低通滤波模块7，用于将拾音器获取的睡眠声音信号去除背景噪音；声音数据存储模块8，用于将拾音器获取的睡眠声音信号存储到数据存储器中；睡眠体位判断模块24，用于计算左右两个拾音器所测量的睡眠声音的音量，区分三种不同睡眠体位：如左右两个拾音器音量接近，判断睡眠者处于仰躺状态；如左边拾音器的音量比右边拾音器的音量高于间隔阈值，判断睡眠者处于左侧睡状态；如右边拾音器的音量比左边拾音器的音量高于间隔阈值，判断睡眠者处于右侧睡状态；鼾声周期判断模块9，用于定义T_snore为鼾声持续时间，定义T_no-snore为鼾声间隔时间，声音信号要判断为鼾声必须符合鼾声诊断标准中的四个条件：1)、声音信号T_snore符合一般鼾声维持时间的范围；2)、声音信号T_no-snore符合一般鼾声间隔时间的范围；3)、T_snore+T_no-snore符合一般一个呼吸周期范围；4)、符合上述特征的声音信号要重复出现，如符合上述四个条件，判断为打鼾声音；启动移位机构模块25，用于根据所述的声音数据，统计鼾声的次数，判断鼾声数是否达到域值K_snore，如达到阈值K_snore启动移位机构；移位机构执行模块10，用于根据当前的睡眠体位、以及上一次睡眠体位，控制移位机构执行到另一种体位，通过D/A接口18输出到枕头位置变化驱动装置19。

本实施例的鼾声检测如图5所示，睡眠者在入睡时与平时一样头部由枕头2垫着，枕头2的两侧安置着面向被检测者口鼻部的拾音器1，拾音器1为麦克风，两个麦克风1分别接入到微处理器3的语音接口中；当睡眠者在入眠后发出鼾声，麦克风1检测到声音信号经放大给微处理器3；在微处理器3中进行声音信号的滤波和睡眠障碍的智能化判断，根据判断结果和改变体位动作策略通过接口输出执行装置改变睡眠者的体位；图6为智能防打鼾的睡眠枕的机械部分，当接受到改变体位动作策略信号后驱动电机20作相应的动作，电机20的转动带动了装在同一个轴上的尼龙齿轮21转动，尼龙齿轮21转动使得与其啮合的环状齿条带22作左右移动，由于环状齿条带22、移动滑垫23与枕头2是相对固定的，因此尼龙齿轮21的左右转动使得枕头2进行左右移动；

使用中将一般的睡眠用枕头2放在枕头移位机构上，用一对具有雌雄搭伴带状织物将枕头2与移动滑垫23相对固定起来，比如将雄搭伴带状织物缝制在睡眠用枕头2下面，将雌搭伴带状织物缝制在移动滑垫23的上面，移动滑垫23产生移动时就带动了枕头2的左右移动；移动滑垫23的内侧(靠头顶部位)固定了一个环状齿条带22，该环状齿条带22与装在枕头移位机构两侧的尼龙齿轮21啮合，其中一个尼龙齿轮21由小型电机20带动可作旋转运动，小型电机20能作正反两个方向的转动，当小型电机20接受到上述动作策略指示进行转动时，通过尼龙齿轮21与环状齿条带22的啮合传动带动了移动滑垫23的左右移动，同时移动滑垫23与睡眠用枕头2是相对固定的，因此也会带动睡眠用枕头2作左右移动；另外移动滑垫23的内侧由于睡眠人的头部重量会使得移动滑垫23的内侧上下部紧靠在一起而产生摩擦力，为了减少这种摩擦力，在本发明中在移动滑垫23的内侧采用光滑的面料。

测量鼾声的方法的实现步骤可以大致上分为5个部分所构成，如图1所示，首先要感知睡眠者的声波信号，接着通过将声波信号由声音感知部分转化成电压信号，电压信号通过A/D转化成数字信号，经数字低通滤波器去除背景噪音，然后送给智能鼾声判断单元辩识为鼾声、或者其他环境音，最后可以通过I/O接口显示其监测结果、也可以将记录数据保存到存储单元中、也可以通过D/A输出给驱动单元，驱动单元根据控制信号产生相应的动作来改变睡眠中人的头部位置，使睡眠者的气道保持开放状态；

在微处理器3中实现无拘束、非察觉性测量鼾声的方法处理流程的功能模块用图4来说明，数字低通滤波器模块7将A/D得到的声音电压信号将200Hz以上的频率信号过滤掉，实现的数字低通滤波器的截止频率在200Hz，为了提高数字低通滤波器的计算实时性，本发明中采用了递推方式来实现低通滤波，公式由式(1)给出；

V_noise(i)＝(1-λ)V_noise(i-1)+λV_noise-cn(i)    (1)

式中：V_noise-cn(i)为所测量到的声音电压信号，V_noise(i-1)为上次数字滤波器的输出，V_noise(i)为这次数字滤波器的输出，λ为更新的速度，取值在0～1之间，λ的大小与低通滤波器的截止频率有关，λ越接近1低通滤波器的截止频率就越高，由于每个人软件的咽部组织结构以及每个人每时每刻咽部的黏膜形式也会变化而存在着差异，而这种差异会影响鼾声的频带范围，既时是同一个人鼾声的长短有时也会变化，鼾声的响度也会发生相应的变化；因此低通滤波器算法中的λ的值可以根据所得到某个人的鼾声的频带和响度范围作自动调整，如果测量到的鼾声的频带和响度范围小于低通滤波器的截止频率那么就可以再减小λ的值，以提高滤波效果。

数字低通滤波器模块7所输出V_noise(i)的值中除了鼾声以外还可能包含着其他背景噪音，要判定某一个声音信号为鼾声必须符合以下四个条件：1)声音信号T_snore符合一般鼾声维持时间的范围；2)声音信号T_no-snore符合一般鼾声间隔时间的范围；3)T_snore+T_no-snore符合一般一个呼吸周期范围；4)符合上述特征的声音信号要重复出现。判定是否是鼾声在鼾声周期判断模块8中进行，要进行鼾声周期判断必须首先有一个判断标准，这个判断标准是通过不同人群的大样本和大量数据通过统计得到上述的4个判断标准，但是这个标准是没有区分每个人的个性差，比如99.0％的鼾声T_snore在0.6～1.8秒以内，98.5％的鼾声间隔时间T_no-snore的范围在1.4～4.0秒以内，一般一个成年人的呼吸频率在每分钟16次左右，实验结果表明打鼾者每分钟打鼾的次数分布在12～20次之间，并将放在诊断标准数据文件模块4中，同时也必须规定鼾声的起始点与鼾声的结束点，所述的确定鼾声的起始点与鼾声的结束点，在本发明中将数字滤波器的输出V_noise(i)的值连续递增6次作为鼾声的起始点；数字滤波器的输出V_noise(i)的值连续递减8次作为鼾声的结束点，因此鼾声维持时间T_snore为鼾声的起始点的时间到鼾声的结束点所化费的时间，T_no-snore为鼾声的结束点到下一个鼾声的起始点所化费的时间；同时在日常生活中其他的声音也有可能出现上述的间隔模式，也有可能符合鼾声的周期，然而要重复多次出现这种情况的概率就非常少，因此在本专利中再增加一个附加判断条件，即满足上述条件1)、2)、3)的声音信号必须连续出现n次后才认为是鼾声，当然这与睡眠时间也有关联，如果是白天时间段的话，n的取值可以大些，晚间n的取值可以小些；刚睡到床上时n的取值可以大些，出现了多次鼾声后n的取值可以降低为1，也就是说n的取值大判断为鼾声的门槛越高，通过这种判断方式能将一些背景音去除掉。上述的判断过程在鼾声周期判断模块9中进行。

在本发明中增加了一个判断范围修正模块11，当鼾声的连续累计数等于域值Ksnore时，通过在域值Ksnore以前鼾声的数据来修正上述的判断范围，理由是作为不同的人(比如男性与女性)，鼾声有高有低、有长有短；既是同一个人有时候鼾声也会有高有低、有长有短；因此需要在上述粗分标准的基础上得到更精确的判断标准，根据不同的人采用其本人当时情况相适应的判断标准会有助于提高判断的准确性。

如果启用诊断功能，鼾声的连续累计数超过了域值Ksnore就进入鼾声智能判断模块12；并通过障碍次数统计模块13得到睡眠障碍次数，根据诊断标准数据存储模块4中的数据，进行诊断，如果有则睡眠障碍异常报告模块15发出异常报告，并通过睡眠障碍显示模块16输出，在显示装置17中显示，并从个人基本数据14中，记录个人的资料。

所述的睡眠体位判断模块所进行的计算是根据配置在枕的两边两个麦克风所测量到的鼾声响度来判断入睡人的睡眠体位，两个麦克风的方向是朝着仰躺时口部的位置，如果左右两个麦克风所测量到的鼾声音量相同，则可以判断被测量者处于仰躺状态，如果右边的麦克风比左边的麦克风所测量到的鼾声音量高4分贝，则可以判断被测量者处于向右侧睡状态，用同样方法也可以判断被测量者处于向左侧睡状态，计算机通过上述睡眠体位的判断以及上次改变体位的状态作出这次如何改变体位决策，由于本发明中是通过移动枕头的方式来改变睡眠者体位的，每次枕头的移动距离要根据人的头部大小来确定，根据测量数据要改变一次体位，枕头的移动距离在16cm左右。

所述的判断范围修正模块11所进行的计算是根据每个人的个性差适当修正判断范围，其依据是每个人的每分钟的呼吸次数，即T_snore+T_no-snore在2.8～5.5秒之间，但是毕竟还是存在着个性差，上述的指标范围上限与下限的差接近一倍，且某个人每次呼吸的周期也会发生一些变化，某个人的鼾声持续时间与鼾声间隔时间同样与其他打鼾者的鼾声也会不同，为了比较准确的获得某个人的每分钟的呼吸次数，根据上述计算得到的一系列T_snore和T_no-snore值进行统计，从而能比较精确的得到被监测者的每分钟的呼吸次数、鼾声持续时间和鼾声间隔时间的均数和标准差，实验结果表明某个人的呼吸周期是符合正态分布的，只要鼾声样本测试数据大就可以用正态分布的两个参数均数μ和标准差σ，本发明中利用浅睡眠期所监测到的鼾声来进行统计，即鼾声的连续累计数达到了一个域值Ksnore后进行如下计算，计算公式如式(2)所示，

${\stackrel{\‾}{T}}_{\mathrm{snore}}=\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{T}_{\mathrm{snore}}\left(i\right)/K_{\mathrm{snore}}$

${\stackrel{\‾}{T}}_{\mathrm{no}-\mathrm{snore}}=\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{T}_{\mathrm{no}-\mathrm{snore}}\left(i\right)/K_{\mathrm{snore}}$

T_{breath cycle}＝ T_snore+ T_no-snore

${\mathrm{\σ}}_{\mathrm{snore}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{snore}}-T_{\mathrm{snore}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}$

${\mathrm{\σ}}_{\mathrm{no}-\mathrm{snore}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{no}-\mathrm{snore}}-T_{\mathrm{no}-\mathrm{snore}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}$

${\mathrm{\σ}}_{\mathrm{breath\; cycle}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{breath\; cycle}}-T_{\mathrm{breathcycle}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}----\left(2\right)$

式中：T_snore(i)为所测量到的鼾声持续时间，T_snore(i)为所测量到的鼾声间隔时间， T_snore和σ_snore分别为鼾声持续时间的均值和方差， T_no-snore和σ_no-snore分别为鼾声间隔时间的均值和方差， T_{breath cycle}和σ_{breath cycle}分别为一个呼吸周期的均值和方差，通过在浅睡眠期所得到鼾声监测值来得到上述的6个判断数据，这些数据比上述的4项判断标准中更能反映个人差，因此在进入睡眠鼾声模式判断前将上述6个判断数据更新上述4项判断标准中的数据能提高模式判断精度；本发明中由于将鼾声持续时间分布区间( T_snore-3σ_snore， T_snore+3σ_snore)、鼾声间隔时间分布区间( T_no-snore-3σ_no-snore， T_no-snore+3σ_no-snore)、呼吸周期分布区间( T_{breath cycle}-3σ_{breath cycle}，T_{breath cycle}+3σ_{breath cycle})作为新的判断标准，在此以外的概率只有万分之二十六，这是一个很小的概率，因此能排除背景噪音、个人差对监测精度的影响。

所述的微处理器3采用嵌入式处理器，本发明中采用EmbeddedLinux+Embedded linux这样组合的软件平台，实验中采用了基于三星公司的ARM9处理器S3C2410X板子，该板子上整合了MIZI公司所公布的免费嵌入式Arm-Linux操作系统，本发明将Wonka(Embedded JVM)移植到了嵌入式linux中，Wonka本身已经带有对串口、音频输入设备的等驱动支持。选择Java或者C语言来作为智能防打鼾的睡眠枕的软件开发语言，如要将Java程序运行在嵌入式linux上需要有嵌入式Java虚拟机(Embedded JVM)的支持，本发明中使用了自己移植成功的免费Java虚拟机。

本发明智能防打鼾的睡眠枕的效果是在枕头中安置了麦克风和微处理器，能实现对睡眠者无拘束、非察觉性鼾声监测，在枕头的下部配置动作驱动部件后根据监测到的打鼾声自动地适当改变睡眠中的人头部位置使得其呼吸道通畅，达到改善自我的睡眠质量，缓解由于鼾声与同室或者配偶所造成的紧张关系。

Claims (5)

1、一种智能防打鼾的睡眠枕，其特征在于：所述的睡眠枕包括枕头、拾音器、用于根据接收的睡眠声音信号进行智能判断的微处理器、用于改变睡眠者睡眠体位的枕头移位机构，所述的拾音器对称设置在所述枕头的两侧，所述枕头安装在枕头移位机构上，所述的拾音器的输出连接所述的微处理器，所述的微处理器包括：

数字低通滤波模块，用于将拾音器获取的睡眠声音信号去除背景噪音；

声音数据存储模块，用于将拾音器获取的睡眠声音信号存储到数据存储器中；

睡眠体位判断模块，用于计算左右两个拾音器所测量的睡眠声音的音量，区分三种不同睡眠体位：如左右两个拾音器音量接近，判断睡眠者处于仰躺状态；如左边拾音器的音量比右边拾音器的音量高于间隔阈值，判断睡眠者处于左侧睡状态；如右边拾音器的音量比左边拾音器的音量高于间隔阈值，判断睡眠者处于右侧睡状态；

鼾声周期判断模块，用于定义T_snore为鼾声持续时间，定义T_no-snore为鼾声间隔时间，声音信号要判断为鼾声必须符合鼾声诊断标准中的四个条件：1)、声音信号T_snore符合一般鼾声维持时间的范围；2)、声音信号T_no-snore符合一般鼾声间隔时间的范围；3)、T_snore+T_no-snore符合一般一个呼吸周期范围；4)、符合上述特征的声音信号要重复出现，如符合上述四个条件，判断为打鼾声音；

启动移位机构模块，用于根据所述的声音数据，统计鼾声的次数，判断鼾声数是否达到域值K_snore，如达到阈值K_snore启动移位机构；

移位机构执行模块，用于根据当前的睡眠体位、以及上一次睡眠体位，控制移位机构执行改变到另一种体位。

2、如权利要求1所述的智能防打鼾的睡眠枕，其特征在于：所述的枕头移位机构包括可正反转的驱动电机、左轴、右轴、移动滑垫，所述两个轴的一端分别安装尼龙齿轮，所述的驱动电机连接尼龙齿轮，所述的两个尼龙齿轮之间设有柔性齿条带，柔性齿条带与两个尼龙齿轮啮合，齿条带与移动滑垫作相对固定，齿条带移动滑垫可转动地套接在左轴、右轴上，所述的枕头固定在所述地移动滑垫上。

3、如权利要求1或2所述的智能防打鼾的睡眠枕，其特征在于：所述的数字低通滤波模块的截止频率在200Hz，其递推公式为式(1)：

V_noise(i)＝(1-λ)V_noise(i-1)+λV_noise-cn(i)    (1)

式中：V_noise-cn(i)为所测量到的声音电压信号，V_noise(i-1)为上次数字滤波器的输出，V_noise(i)为这次数字滤波器的输出，λ为更新的速度，取值在0～1之间，λ的大小与低通滤波器的截止频率有关，λ越接近1低通滤波器的截止频率就越高。

4、如权利要求3所述的智能防打鼾的睡眠枕，其特征在于：将所述滤波模块的输出V_noise(i)的值连续递增6次作为鼾声的起始点，滤波模块的输出V_noise(i)的值连续递减8次作为鼾声的结束点，鼾声持续时间T_snore为鼾声的起始点的时间到鼾声的结束点所化费的时间，T_no-snore为鼾声的结束点到下一个鼾声的起始点所化费的时间，根据上述计算得到的一系列T_snore和T_no-snore值进行统计。

5、如权利要求3所述的智能防打鼾的睡眠枕，其特征在于：在鼾声数等于域值K_snore时，进行如下计算，如式(2)所示：

${\stackrel{\‾}{T}}_{\mathrm{snore}}=\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{T}_{\mathrm{snore}}\left(i\right)/K_{\mathrm{snore}}$

${\stackrel{\‾}{T}}_{\mathrm{no}-\mathrm{snore}}=\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{T}_{\mathrm{no}-\mathrm{snore}}\left(i\right)/K_{\mathrm{snore}}$

T_{breath cycle}＝ T_snore+ T_no-snore

${\mathrm{\σ}}_{\mathrm{snore}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{snore}}-T_{\mathrm{snore}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}$

${\mathrm{\σ}}_{\mathrm{no}-\mathrm{snore}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{no}-\mathrm{snore}}-T_{\mathrm{no}-\mathrm{snore}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}$

${\mathrm{\σ}}_{\mathrm{breathcycle}}=\sqrt{\underset{i=1}{\overset{K_{\mathrm{snore}}}{\mathrm{\Σ}}}{({\stackrel{\‾}{T}}_{\mathrm{breathcycle}}-T_{\mathrm{breathcycle}}\left(i\right))}^2/(K_{\mathrm{snore}}-1)}---\left(2\right)$

式中：T_snore(i)为所测量到的鼾声持续时间，T_snore(i)为所测量到的鼾声间隔时间，T_snore和σ_snore分别为鼾声持续时间的均值和方差， T_no-snore和σ_no-snore分别为鼾声间隔时间的均值和方差， T_{breath cycle}和σ_{breath cycle}分别为一个呼吸周期的均值和方差，将鼾声持续时间分布区间( T_snore-3σ_snore， T_snore+3σ_snore)、鼾声间隔时间分布区间( T_no-snore-3σ_no-snore， T_no-snore+3σ_no-snore)、呼吸周期分布区间( T_{breath cycle}-3σ_{breath cycle}，T_{breath cycle}+3σ_{breath cycle})作为新的鼾声诊断标准。

Images