CN106510641A - 一种检测人体不同睡眠阶段的方法及*** - Google Patents
一种检测人体不同睡眠阶段的方法及*** Download PDFInfo
- Publication number
- CN106510641A CN106510641A CN201611179136.9A CN201611179136A CN106510641A CN 106510641 A CN106510641 A CN 106510641A CN 201611179136 A CN201611179136 A CN 201611179136A CN 106510641 A CN106510641 A CN 106510641A
- Authority
- CN
- China
- Prior art keywords
- human body
- value
- sleep
- resistance
- sleep stages
- 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
Classifications
-
- 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
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种检测人体不同睡眠阶段的方法及***,本发明方法包括以下步骤:参数初始化、采集人体电阻数据、对人体电阻数据进行分析、输出人体不同睡眠阶段及其转换情况;所述数据分析包括电阻数据预处理、取对数、窗口处理、对数差值比较、计算当前人体状态值、计算区间状态值、分析判断不同睡眠阶段情况。本发明的***包括依次连接的医疗极片、桥式电阻/电导测量电路、放大电路、A/D转换电路、CPU和人机交互界面。本发明通过分析人体电阻的变化规律,来判断人体在睡眠期间生理状态的活动情况,从而定量的检测测试者在睡眠过程中所经历的不同阶段。
Description
技术领域
本发明涉及一种检测人体不同睡眠阶段的方法及***。
背景技术
利用皮电反应技术来检测人体睡眠的方法具有悠久的历史,可以追溯到20世纪60年代[1]。皮电反应技术是最早应用在医院睡眠诊断中的技术之一[2]。在利用该技术对睡眠的研究中发现,皮电反应数据的变化规律同脑电波的变化规律吻合[3]。在另一项研究中发现,GSR数据分析结果同PSG多导睡眠监测的结果有很高的相关性[4]。这些研究为利用皮电反应技术来检测人体睡眠打下了基础,但是,目前没有利用皮电反应技术定量地判断睡眠的不同阶段及其转换。
皮电反应和自主神经***的交感神经有着密切的关系。当自主神经***中的交感神经受刺激激发,引起腹腔内脏及皮肤末梢血管收缩、心搏加强和加速等。外在表现之一是皮肤电阻的下降。针对皮电反应和交感神经的关系,专利[5]公开了一种检测人体情绪的方法及***,利用皮肤电阻的大小、斜率以及状态持续时间变化来反映情绪,通过数据来量化兴奋程度。专利[6]公开了一种检测人体生理状态转变的方法及***,利用皮电反应分析来判断人体在正常生活工作状态、微睡眠状态、睡眠状态之间的转变。但是,这两篇专利均不能定量地判断睡眠的不同阶段及其转换。
人体的睡眠分为非快速动眼睡眠和快速动眼睡眠,非快速动眼睡眠又分为浅睡眠阶段和深睡眠阶段。在对非快速动眼睡眠阶段的科学研究发现,相对于人体的清醒阶段,浅睡眠阶段和深睡眠阶段的脑电波变慢,交感神经受到抑制,副交感神经激发,人体呼吸、心跳减慢[7]。皮电反应同呼吸、心跳一样,都由交感神经控制,所以可以认为,皮电反应在浅睡眠阶段和深睡眠阶段也会减弱;而且,深睡眠阶段比浅睡眠阶段的交感神经被抑制更多,皮电反应更弱。
在快速动眼睡眠阶段,虽然脑电波活动相较非快速动眼睡眠阶段加强,但人体肌肉却处于一种***状态。文献[8,9]中,科学家发现,皮电反应数据在快速动眼睡眠阶段的变化频率远远低于在非快速动眼睡眠阶段的变化频率。因此,通过对皮电反应数据的分析,可以区别快速动眼睡眠和非快速动眼睡眠。
一般来说,在入睡过程中,人从清醒阶段进入浅睡眠阶段,然后进入深睡眠阶段,进而进入快速动眼睡眠阶段;快速动眼睡眠阶段后回到浅睡眠阶段,或者回到深睡眠阶段。在睡眠过程的前半段,这样的睡眠周期会重复多次;在睡眠过程的后半段,进入深睡眠阶段的次数减少,更多是在浅睡眠阶段和快速动眼睡眠阶段之间转换;在清晨时,人从浅睡眠阶段或者快速动眼睡眠阶段转换为清醒阶段。
因此,有必要设计一种通过对皮电反应数据的分析,检测人体不同睡眠阶段的方法及***。
[1]M.W.Johns,B.A.Cornell,and J.P.Masterton,Monitoring sleep ofhospital patients by measurement of electrical resistance of skin,Journal ofApplied Physiology,vol.27,No.6,Dec 1969.
[2]Closs SJ,Assessment of sleep in hospital patients:a review ofmethods,Journal of Advanced Nursing,1988,13,501-510.
[3]Shiihara Y,Umezawa A,Sakai Y,Kamitamari N,Kodama M,Continuousrecording of skin conductance change during sleep,Psychiatry and ClinicalNeurosciences(2000),54,268-269
[4]Evaluation of a sleep switch device,Sleep.1999Dec 15;22(8):1110-7.
[5]中国专利号:201410128494.1,一种基于人体皮肤电阻变化的情绪检测方法。
[6]中国专利申请号:201510045365.0,一种检测人体生理状态转变的方法及***。
[7]Fonseca P,Long X,Radha M,Haakma R,Aarts RM,Rolink J,Sleep stageclassification with ECG and respiratory effort.Physiol Meas.2015 Oct 36.
[8]Kobayashi R,Koike Y,Hirayama M,Ito H,Sobue G,Skin sympatheticnerve function during sleep--a study with effector responses,AutonomicNeuroscience:Basic and Clinical 103(2003)121-126.
[9]R.Liguori,V.Donadio,E.Foschini,V.Di Stasi,G.Plazzi,E.Lugaresi,P.Montagna,Sleep stage-related changes in sympathetic sudomotor and vasomotorskin responses in man,Clinical Neurophysiology 111(2000)434-439.
发明内容
本发明所解决的技术问题是,针对现有技术的不足,提出了一种检测人体不同睡眠阶段的方法及***,通过对皮电数据的采集来分析人体神经***的活动情况,进而定量地检测测试者在睡眠过程中所经历的不同阶段及其转换情况。
本发明的技术方案为:
一种检测人体不同睡眠阶段的方法,包括以下步骤:参数初始化、采集人体电阻数据、对人体电阻数据进行分析、输出人体不同睡眠阶段及其转换情况;
对人体电阻数据进行分析包括以下步骤:
1)对采集的人体电阻数据进行预处理;对预处理后的人体电阻数据取自然对数,得到电阻的对数值;将时刻j前一窗口W1内所有电阻的对数值取平均值,得到时刻j前一窗口W1内所有电阻的对数平均值MeanSum(j);求取时刻j的电阻对数值ln(data(j))与其前一窗口W1内的所有电阻的对数平均值MeanSum(j)的差值Diff(j);窗口W1的大小为WinSize;其中j为当前时刻i的前一窗口W2内各个采样时刻,j=i-WinLength+1,i-WinLength+2,…,i,WinLength为窗口W2的大小;
2)通过差值Diff(j)分析人体神经***的活动情况,计算当前人体状态值CurrState(i);对一段时间内的当前人体状态值CurrState(i)进行处理,获得某个区间T的区间状态值PeriodState(T);使用区间状态值PeriodState(T),判断人体所处睡眠阶段及其转换情况。
进一步地,所述通过差值Diff(j)分析人体神经***的活动情况,计算当前人体状态值CurrState(i)包括以下步骤:
首先,使用差值Diff(j)判断交感神经是否激发,并计算交感神经激发程度值SArouseD(j);
然后,使用对数差值Diff(j)判断副交感神经是否激发,并计算副交感激发程度值PSArouseD(j);
最后,根据交感神经激发程度值SArouseD(j)和副交感神经激发程度值PSArouseD(j)判断当前人体体表神经反应状态,获得当前人体状态值CurrState(i)。
进一步地,通过比较Diff(j)和Sthresholdn的大小,判断交感神经激发程度值SArouseD(j),具体公式为:
其中,Sthresholdn(n=1,2,3,…N)为预先设定的交感神经不同激发程度阈值;N取区间[1,20]内的整数;Sthresholdn取值范围为(-1,0),同时Sthreshold1>Sthreshold2>…>Sthresholdn>…>SthresholdN;
通过比较Diff(j)和PSthresholdm的大小,判断副交感神经激发程度值PSArouseD(j);具体公式为:
其中,PSthresholdm(m=1,2,3,…M)为预先设定的副交感神经不同激发程度阈值;M取区间[1,20]内的整数;PSthresholdm取值范围为(0,1),同时PSthreshold1<PSthreshold2<…<PSthresholdm<…<PSthresholdM。
进一步地,所述当前人体状态值CurrState(i)取当前时刻i前一个窗口W2内的交感神经激发程度值SArouseD(j)的总和和副交感神经激发程度值PSArouseD(j)的总和的差值,其计算公式为:
其中,α是交感神经激发程度值SArouseD(j)的权值,β是副交感神经激发程度值PSArouseD(j)的权值。
进一步地,通过对人体状态值CurrState(i)取平均的方法,计算区间T的区间状态值PeriodState(T);具体计算公式为:
其中,T-是区间T前的一段时间,T+是区间T后的一段时间。
进一步地,当PeriodState(T)小于阈值REM_Th时,判断为快速动眼睡眠阶段;当PeriodState(T)大于阈值REM_Th同时小于阈值DS_Th时,判断为深睡眠阶段;当PeriodState(T)大于阈值DS_Th同时小于阈值LS_Th时,判断为浅睡眠阶段;当PeriodState(T)大于阈值LS_Th时,判断为清醒阶段;
其中,REM_Th为快速动眼睡眠阶段阈值,DS_Th为深睡眠阶段阈值,LS_Th为浅睡眠阶段阈值,其取值在参数初始化中设置;根据测试者的年龄、性别、体质,以及人体电阻的采集部位的不同,设置不同的阈值,从而克服个体差异问题,更加准确地反映测试者的睡眠阶段情况。
进一步地,所述参数初始化中,设置窗口W1的大小WinSize为100,电阻采样频率为50Hz;设置变量N为4,Sthreshold1为-0.0030,Sthreshold2为-0.0035,Sthreshold3为-0.0040,Sthreshold4为-0.0045;设置M为1,PSthreshold1为0.0045;设置窗口W2的大小WinLength为100;设置α为0.25,β为0.25;设置变量T为1分钟,T-为7分钟,T+为7分钟。
进一步地,所述采集人体电阻数据是通过采集人体电导数据,再根据电阻与电导的倒数关系来计算电阻值。
一种检测人体不同睡眠阶段的***,包括依次连接的医疗极片、桥式电阻/电导测量电路、放大电路、A/D转换电路、CPU和人机交互界面;
所述桥式电阻/电导测量电路用于采集人体电阻/电导数据,所述CPU采用权利要求1~7中任一项所述的方法检测人体不同睡眠阶段及其转换情况;所述人机交互界面输出人体不同睡眠阶段及其转换情况给用户。
进一步地,所述CPU为单片机、移动通信设备、移动电脑设备或台式电脑设备。
在本发明方法中,两处采用了窗口处理,分别采用的窗口大小为WinSize和WinLength;WinSize在比较时刻j的电阻与之前电阻的差值时使用,WinLength在计算当前人体状态值时使用。
有益效果
本发明基于不同睡眠阶段皮电反应的特殊性,利用人体皮肤电阻的变化规律,来检测人体生理状态的活动情况,判断人体不同睡眠阶段,包括了清醒阶段、浅睡眠阶段、深睡眠阶段、快速动眼睡眠阶段。
本发明基于时刻j的电阻对数值ln(data(j))与其前一窗口内的电阻对数平均值MeanSum(j)的差值Diff(j),来判断交感神经和副交感神经的活动情况。考虑到单一数据包含了较强的噪声,使最终结果产生误差,因此选用一定的窗口进行平滑以减小噪声,即利用当前时刻前一个窗口内的交感神经激发程度值SArouseD(j)的总和和副交感神经激发程度值PSArouseD(j)的总和之间的差值来判断当前人体体表神经反应状态,获得当前人体状态值CurrState(i)。然后对一段时间内的当前人体状态值CurrState(i)进行处理,获得某个区间的区间状态值,这样不仅有利于对睡眠阶段的判断,也可以进一步的减小单一数据包含的噪声。计算区间状态值时,为了增加状态值的连续性,在计算当前区间状态值时,加入当前区间之前和当前区间之后某个时间段内的人体状态值;再通过对人体状态值CurrState(i)取平均的方法,计算区间T的区间状态值PeriodState(T)。最后基于区间状态值判断不同睡眠阶段。
本发明对检测不同睡眠阶段的应用具有很强的使用价值。测试者可以准确的了解自身睡眠情况,进而调整生活规律来改善睡眠状况。对于有睡眠疾病的患者,除了定期在医院做医疗检测和治疗以外,医生可以使用本发明在日常跟踪评估治疗效果。对于生产睡眠疾病相关药物的公司和研发机构,可以使用本发明定量监测评估药物的疗效。对于生产睡眠辅助设备的公司和研发机构,可以使用本发明定量监测评估睡眠辅助设备的效果。
本发明通过分析人体电阻的变化规律,来判断人体在睡眠期间生理状态的活动情况,从而定量的检测测试者在睡眠过程中所经历的不同阶段。
附图说明
图1为本发明所述的人体不同睡眠阶段及其相互转换;
图2为本发明数据分析流程图;
图3为本发明当前人体状态值计算流程图;
图4为本发明睡眠阶段判断流程图;
图5为本发明的***原理图;
图6为在测试实例1中的区间状态值PeriodState的变化情况;
图7为在测试实例1中的睡眠阶段判断结果;
图8为在测试实例2中的区间状态值PeriodState的变化情况;
图9为在测试实例2中的睡眠阶段判断结果;
图10为在测试实例3中的区间状态值PeriodState的变化情况;
图11为在测试实例3中的睡眠阶段判断结果。
具体实施方式
以下结合附图和具体实施方式对本发明进行进一步具体说明。
图1为本发明所述的人体不同睡眠阶段及其相互转换情况。人体不同睡眠阶段包括清醒阶段、浅睡眠阶段、深睡眠阶段、快速动眼睡眠阶段。其相互转换包括了从清醒阶段到浅睡眠阶段,从浅睡眠阶段到清醒阶段,从浅睡眠阶段到深睡眠阶段,从深睡眠阶段到浅睡眠阶段,从浅睡眠阶段到快速动眼睡眠阶段,从快速动眼睡眠阶段到浅睡眠阶段,从深睡眠阶段到快速动眼睡眠阶段,从快速动眼睡眠阶段到深睡眠阶段,从快速动眼睡眠阶段到清醒阶段,从清醒阶段到清醒阶段,从浅睡眠阶段到浅睡眠阶段,从深睡眠阶段到深睡眠阶段,从快速动眼睡眠阶段到快速动眼睡眠阶段。
本发明的一种检测人体不同睡眠阶段的方法,包括以下步骤:参数初始化、采集人体电阻数据、对人体电阻数据进行分析、输出人体不同睡眠阶段及其转换情况。
图2为本发明方法中对人体电阻数据进行分析的流程图,包括了预处理、取对数、窗口处理、对数差值比较、计算当前人体状态值、计算区间状态值、分析判断不同睡眠阶段情况。测试时,首先读取测试者的皮肤电阻数据,进行预处理,然后数据经过一个取对数过程,得到时刻j的电阻对数值。窗口处理是将窗口内的电阻对数取平均值,对数差值比较求得时刻j的电阻对数值和其前一窗口的电阻对数平均值的差值。对该对数差值的大小进行判断,获得时刻j的电阻的变化。综合一段时间内的电阻的变化规律,计算出当前人体状态值。综合一段时间内当前人体状态值的变化规律,计算出区间状态值。利用这个区间状态值判断不同睡眠阶段。
对人体电阻数据进行分析包括以下步骤:
对采集的人体电阻数据进行预处理,data(j)为预处理后的时刻j的电阻值;对预处理后的人体电阻数据取自然对数,得到电阻对数值;将时刻j前一窗口内的电阻对数值取平均值,得到时刻j前一窗口内的电阻对数平均值MeanSum(j),其中窗口大小为WinSize;求取时刻j的电阻对数值ln(data(j))与其前一窗口内的电阻对数平均值MeanSum(j)的差值Diff(j)。
所述的窗口长度WinSize设置为100,电阻采样频率为50Hz,即一个窗口覆盖2秒内的电阻数据。
预处理、取对数、窗口处理、对数差值比较这几个步骤在专利[6]中有更详细的描述,所得到的对数差值Diff(j),反映的是,相对于过去一段时间内的皮肤电阻值,时刻j的皮肤电阻值的变化趋势。
下面对获得对数差值后的步骤进行详细的说明。
1、计算当前人体状态值,具体流程见附图3。
对数差值Diff(j)的变化反应了交感神经和副交感神经的活动情况。当对数差值Diff(j)为负数时,表示时刻j的皮肤电阻在相对于过去一段时间内的皮肤电阻值有减小的趋势。皮肤电阻减小反应了交感神经激发,因此可以用对数差值Diff(j)来判断交感神经是否激发,以及激发程度值SArouseD(j)。
通过比较Diff(j)和Sthresholdn,判断交感神经激发程度值SArouseD(j),具体公式为:
其中,Sthresholdn(n=1,2,3,…N)为预先设定的交感神经不同激发程度阈值;N取区间[1,20]内的整数;Sthresholdn取值范围为(-1,0),同时Sthreshold1>Sthreshold2>…>Sthresholdn>…>SthresholdN;
当对数差值Diff(j)为正数时,表示时刻j的皮肤电阻在相对于过去一段时间内的皮肤电阻值有增加的趋势。皮肤电阻增加反应了副交感神经激发从而交感神经被抑制,因此可以用对数差值Diff(j)来判断副交感神经是否激发,以及激发程度值PSArouseD(j)。
通过比较Diff(j)和PSthresholdm,判断副交感神经激发程度值PSArouseD(j),具体公式为:
其中,PSthresholdm(m=1,2,3,…M)为预先设定的副交感神经不同激发程度阈值;M取区间[1,20]内的整数;PSthresholdm取值范围为(0,1),同时PSthreshold1<PSthreshold2<…<PSthresholdm<…<PSthresholdM。
单一数据包含了较强的噪声,使最终结果产生误差。因此选用一定的窗口进行平滑以减小噪声。利用当前时刻前一个窗口内的交感神经激发程度值SArouseD(j)的总和和副交感神经激发程度值PSArouseD(j)的总和之间的差值来判断当前人体体表神经反应状态,获得当前人体状态值CurrState(i):
其中WinLength是窗口的长度,α是交感神经激发程度值SArouseD(j)的权值,β是副交感神经激发程度值PSArouseD(j)的权值。
作为一种实施例,变量N设置为4,Sthreshold1设置为-0.0030,Sthreshold2设置为-0.0035,Sthreshold3设置为-0.0040,Sthreshold4设置为-0.0045;M设置为1,PSthreshold1设置为0.0045;WinLength设置为100,α设置为0.25,β设置为0.25。
2、计算区间状态值
当前人体状态值CurrState(i)的更新频率和皮肤电阻的采样频率相同,约为几Hz到几十Hz,而不同睡眠阶段的持续时间在几分钟到几十分钟。对一段时间内的当前人体状态值CurrState(i)进行处理,获得某个区间的区间状态值,这样不仅有利于对睡眠阶段的判断,也可以进一步的减小单一数据包含的噪声。
计算区间状态值时,为了增加状态值的连续性,在计算当前区间状态值时,加入当前区间之前和当前区间之后某个时间段内的人体状态值。通过对人体状态值CurrState(i)取平均的方法,计算区间T的区间状态值PeriodState(T)。
其中T-是区间T前的一段时间,T+是区间T后的一段时间。
所述的变量T设置为1分钟,T-设置为7分钟,T+设置为7分钟。
3、判断不同睡眠阶段,具体流程见附图4。
使用区间状态值PeriodState(T),可以判断不同的睡眠阶段。
快速动眼睡眠阶段期间,人体肌肉处于***状态,人体体表神经反应被深度抑制,SArouseD(j)达到极小值,PSArouseD(j)增大,当前人体状态值CurrState(i)和区间状态值PeriodState(T)也达到极小值。当PeriodState(T)小于阈值REM_Th时,判断为快速动眼睡眠阶段。
深睡眠阶段期间,人体处于放松的状态,但交感神经被抑制程度高,SArouseD(j)较小,PSArouseD(j)较大,当前人体状态值CurrState(i)和区间状态值PeriodState(T)也较小。当PeriodState(T)大于阈值REM_Th同时小于阈值DS_Th时,判断为深睡眠阶段。
浅睡眠阶段期间,交感神经也是被抑制的,但抑制程度没有深睡眠阶段高,区间状态值PeriodState(T)也相对深睡眠阶段要大。当PeriodState(T)大于阈值DS_Th同时小于阈值LS_Th时,判断为浅睡眠阶段。
清醒阶段期间,人体处在绝对安静的正常生活状况,其区间状态值PeriodState(T)相对于睡眠阶段期要高。当PeriodState(T)大于阈值LS_Th时,判断为清醒阶段。
通过对PeriodState(T)数值的比较可以判断不同睡眠阶段,及其相互转换情况。
对REM_Th,DS_Th,LS_Th的设置,同测试者的年龄、性别、体质,以及人体电阻的采集部位有关系。
因为电导是电阻的倒数,所以以上分析方法同样适用于基于电导变化来分析人体不同睡眠阶段。
本发明的一种基于人体皮肤电阻变化的不同睡眠阶段检测***,包括依次连接的医疗极片、桥式电阻/电导测量电路、放大电路、A/D转换电路、CPU和人机交互界面。
图5为本发明一种检测人体不同睡眠阶段的***原理图,包括依次连接的医疗极片、桥式电阻/电导测量电路、放大电路、A/D转换电路、CPU和人机交互界面。医疗极片、桥式电阻/电导测量电路用来采集人体皮肤电阻(电导)数据,进而基于人体皮肤电阻(电导)变化检测人体不同睡眠阶段及其转换,实现本发明的方法。所述CPU可以选择单片机、移动通信设备、移动电脑设备或台式电脑设备等带有数据处理能力的设备。
图6和图7,图8和图9,图10和图11,分别是3个不同实验对象的睡眠阶段检测结果。其中,图6、图8和图10是区间状态值PeriodState(T)的输出值;图7、图9和图11是最终睡眠阶段判断结果。
实施例1:
图6和图7的实验对象是一位35岁的男性。在实验对象上床睡觉40分钟前,将数据采集探头安置在实验对象的手腕上。REM_Th设置为7,DS_Th设置为13,LS_Th设置为20。实验结果显示,在深夜12点左右,实验对象进入睡眠阶段;在凌晨7点前,实验对象完成了多次睡眠周期,一个睡眠周期包括了浅睡眠阶段、深睡眠阶段、快速动眼睡眠阶段;在凌晨7点后,实验对象在浅睡眠阶段和快速动眼睡眠阶段之间转换;在早晨9点左右,实验对象从睡眠中醒过来。这一实验结果显示了一个典型的睡眠过程。
实施例2:
图8和图9的实验对象是一位67岁的男性。在实验对象上床睡觉20分钟前,将数据采集探头安置在实验对象的手腕上。REM_Th设置为6,DS_Th设置为10,LS_Th设置为17。实验结果显示,实验对象在刚入睡阶段完成了1次睡眠周期;在整个睡眠过程中完全清醒过来两次;在第二次清醒过来又重新入睡后,经历了很长一段时间的REM睡眠。这一实验结果显示,该实验对象虽然整体睡眠时间较短,但因为有足够长时间的深层睡眠,包括了深睡眠和REM睡眠,从而保证了整体睡眠质量;但该实验对象在睡眠过程中容易清醒过来。
实施例3:
图10和图11的实验对象是一位5岁的男性。在实验对象上床睡觉10分钟后,已经快要睡着时,将数据采集探头安置在实验对象的脚掌上。REM_Th设置为14,DS_Th设置为18,LS_Th设置为26。实验结果显示,实验对象在整个睡眠过程中完成了多个睡眠周期;深睡眠阶段和快速动眼睡眠阶段在整个睡眠过程中所占的比例很大。这一实验结果符合对儿童睡眠的一般认识。
Claims (10)
1.一种检测人体不同睡眠阶段的方法,其特征在于,包括以下步骤:参数初始化、采集人体电阻数据、对人体电阻数据进行分析、输出人体不同睡眠阶段及其转换情况;
对人体电阻数据进行分析包括以下步骤:
1)对采集的人体电阻数据进行预处理;对预处理后的人体电阻数据取自然对数,得到电阻的对数值;将时刻j前一窗口W1内所有电阻的对数值取平均值,得到时刻j前一窗口W1内所有电阻的对数平均值MeanSum(j);求取时刻j的电阻对数值ln(data(j))与其前一窗口W1内的所有电阻的对数平均值MeanSum(j)的差值Diff(j);窗口W1的大小为WinSize;其中j为当前时刻i的前一窗口W2内各个采样时刻,j=i-WinLength+1,i-WinLength+2,…,i,WinLength为窗口W2的大小;
2)通过差值Diff(j)分析人体神经***的活动情况,计算当前人体状态值CurrState(i);对一段时间内的当前人体状态值CurrState(i)进行处理,获得某个区间T的区间状态值PeriodState(T);使用区间状态值PeriodState(T),判断人体所处睡眠阶段及其转换情况。
2.根据权利要求1所述的检测人体不同睡眠阶段的方法,其特征在于,所述通过差值Diff(j)分析人体神经***的活动情况,计算当前人体状态值CurrState(i)包括以下步骤:
首先,使用差值Diff(j)判断交感神经是否激发,并计算交感神经激发程度值SArouseD(j);
然后,使用差值Diff(j)判断副交感神经是否激发,并计算副交感激发程度值PSArouseD(j);
最后,根据交感神经激发程度值SArouseD(j)和副交感神经激发程度值PSArouseD(j)判断当前人体体表神经反应状态,获得当前人体状态值CurrState(i)。
3.根据权利要求2所述的检测人体不同睡眠阶段的方法,其特征在于,通过比较Diff(j)和Sthresholdn的大小,判断交感神经激发程度值SArouseD(j),具体公式为:
其中,Sthresholdn(n=1,2,3,…N)为预先设定的交感神经不同激发程度阈值;N取区间[1,20]内的整数;Sthresholdn取值范围为(-1,0),同时Sthreshold1>Sthreshold2>…>Sthresholdn>…>SthresholdN;
通过比较Diff(j)和PSthresholdm的大小,判断副交感神经激发程度值PSArouseD(j);具体公式为:
其中,PSthresholdm(m=1,2,3,…M)为预先设定的副交感神经不同激发程度阈值;M取区间[1,20]内的整数;PSthresholdm取值范围为(0,1),同时PSthreshold1<PSthreshold2<…<PSthresholdm<…<PSthresholdM。
4.根据权利要求3所述的检测人体不同睡眠阶段的方法,其特征在于,所述当前人体状态值CurrState(i)取当前时刻i前一个窗口W2内的交感神经激发程度值SArouseD(j)的总和和副交感神经激发程度值PSArouseD(j)的总和的差值,其计算公式为:
其中,α是交感神经激发程度值SArouseD(j)的权值,β是副交感神经激发程度值PSArouseD(j)的权值。
5.根据权利要求4所述的检测人体不同睡眠阶段的方法,其特征在于,通过对人体状态值CurrState(i)取平均的方法,计算区间T的区间状态值PeriodState(T);具体计算公式为:
其中,T-是区间T前的一段时间,T+是区间T后的一段时间。
6.根据权利要求5所述的检测人体不同睡眠阶段的方法,其特征在于,当PeriodState(T)小于阈值REM_Th时,判断为快速动眼睡眠阶段;当PeriodState(T)大于阈值REM_Th同时小于阈值DS_Th时,判断为深睡眠阶段;当PeriodState(T)大于阈值DS_Th同时小于阈值LS_Th时,判断为浅睡眠阶段;当PeriodState(T)大于阈值LS_Th时,判断为清醒阶段;
其中,REM_Th为快速动眼睡眠阶段阈值,DS_Th为深睡眠阶段阈值,LS_Th为浅睡眠阶段阈值,其取值在参数初始化中设置。
7.根据权利要求6所述的检测人体不同睡眠阶段的方法,其特征在于,所述参数初始化中,设置窗口W1的大小WinSize为100,电阻采样频率为50Hz;设置变量N为4,Sthreshold1为-0.0030,Sthreshold2为-0.0035,Sthreshold3为-0.0040,Sthreshold4为-0.0045;设置M为1,PSthreshold1为0.0045;设置窗口W2的大小WinLength为100;设置α为0.25,β为0.25;设置变量T为1分钟,T-为7分钟,T+为7分钟。
8.根据权利要求1~7中任一项所述的检测人体不同睡眠阶段的方法,其特征在于,所述采集人体电阻数据是通过采集人体电导数据,再根据电阻与电导的倒数关系来计算电阻值。
9.一种检测人体不同睡眠阶段的***,其特征在于,包括依次连接的医疗极片、桥式电阻/电导测量电路、放大电路、A/D转换电路、CPU和人机交互界面;
所述桥式电阻/电导测量电路用于采集人体电阻/电导数据,所述CPU采用权利要求1~7中任一项所述的方法检测人体不同睡眠阶段及其转换情况;所述人机交互界面输出人体不同睡眠阶段及其转换情况给用户。
10.根据权利要求9所述的检测人体不同睡眠阶段的***,其特征在于,所述CPU为单片机、移动通信设备、移动电脑设备或台式电脑设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611179136.9A CN106510641B (zh) | 2016-12-19 | 2016-12-19 | 一种检测人体不同睡眠阶段的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611179136.9A CN106510641B (zh) | 2016-12-19 | 2016-12-19 | 一种检测人体不同睡眠阶段的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106510641A true CN106510641A (zh) | 2017-03-22 |
CN106510641B CN106510641B (zh) | 2019-10-11 |
Family
ID=58339665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611179136.9A Active CN106510641B (zh) | 2016-12-19 | 2016-12-19 | 一种检测人体不同睡眠阶段的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106510641B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688500A (zh) * | 2018-12-25 | 2019-04-26 | 湖北工业大学 | 基于用户睡眠特征模型的智能睡眠耳机及使用方法 |
CN112842266A (zh) * | 2020-12-31 | 2021-05-28 | 湖南东晟南祥智能科技有限公司 | 一种基于人体监测睡眠数据的睡眠分期阶段识别方法 |
CN113812965A (zh) * | 2021-08-19 | 2021-12-21 | 杭州回车电子科技有限公司 | 睡眠状态识别方法、装置、电子装置和存储介质 |
CN114431879A (zh) * | 2021-12-24 | 2022-05-06 | 南京邮电大学 | 一种基于脑电图的眨眼咬牙判断方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946797A (zh) * | 2009-08-14 | 2013-02-27 | D·伯顿 | 麻醉和意识深度监测*** |
CN104545911A (zh) * | 2015-01-29 | 2015-04-29 | 姚健欣 | 一种检测人体生理状态转变的方法及*** |
US20150289802A1 (en) * | 2014-04-11 | 2015-10-15 | Withings | Method to Determine Positions and States of an Activity Monitoring Device |
-
2016
- 2016-12-19 CN CN201611179136.9A patent/CN106510641B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946797A (zh) * | 2009-08-14 | 2013-02-27 | D·伯顿 | 麻醉和意识深度监测*** |
US20150289802A1 (en) * | 2014-04-11 | 2015-10-15 | Withings | Method to Determine Positions and States of an Activity Monitoring Device |
CN104545911A (zh) * | 2015-01-29 | 2015-04-29 | 姚健欣 | 一种检测人体生理状态转变的方法及*** |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688500A (zh) * | 2018-12-25 | 2019-04-26 | 湖北工业大学 | 基于用户睡眠特征模型的智能睡眠耳机及使用方法 |
CN112842266A (zh) * | 2020-12-31 | 2021-05-28 | 湖南东晟南祥智能科技有限公司 | 一种基于人体监测睡眠数据的睡眠分期阶段识别方法 |
CN112842266B (zh) * | 2020-12-31 | 2024-05-14 | 湖南正申科技有限公司 | 一种基于人体监测睡眠数据的睡眠分期阶段识别方法 |
CN113812965A (zh) * | 2021-08-19 | 2021-12-21 | 杭州回车电子科技有限公司 | 睡眠状态识别方法、装置、电子装置和存储介质 |
CN113812965B (zh) * | 2021-08-19 | 2024-04-09 | 杭州回车电子科技有限公司 | 睡眠状态识别方法、装置、电子装置和存储介质 |
CN114431879A (zh) * | 2021-12-24 | 2022-05-06 | 南京邮电大学 | 一种基于脑电图的眨眼咬牙判断方法及*** |
CN114431879B (zh) * | 2021-12-24 | 2024-04-16 | 南京邮电大学 | 一种基于脑电图的眨眼咬牙判断方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106510641B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5961235B2 (ja) | 睡眠/覚醒状態評価方法及びシステム | |
Xu et al. | Cluster-based analysis for personalized stress evaluation using physiological signals | |
Sun et al. | Activity-aware mental stress detection using physiological sensors | |
EP2185063B1 (en) | Method and system for monitoring sleepiness | |
US10898099B2 (en) | Characterizing gastrointestinal functions from surface electrophysiology recording | |
US20070100246A1 (en) | Heart rate based bioassessment method and apparatus | |
Natarajan et al. | Detecting ***e use with wearable electrocardiogram sensors | |
CN113317794B (zh) | 一种生命体征分析方法与*** | |
CN106510641B (zh) | 一种检测人体不同睡眠阶段的方法及*** | |
Poh | Continuous assessment of epileptic seizures with wrist-worn biosensors | |
Roy et al. | On-device reliability assessment and prediction of missing photoplethysmographic data using deep neural networks | |
WO2019217556A1 (en) | Systems and methods of qt interval analysis | |
Cimr et al. | Automatic detection of breathing disorder from ballistocardiography signals | |
CN114648040A (zh) | 生命体征多生理信号提取、融合分析方法 | |
Yeo et al. | Respiratory event detection during sleep using electrocardiogram and respiratory related signals: Using polysomnogram and patch-type wearable device data | |
CN105266764B (zh) | 一种中医宗气测评装置 | |
Li et al. | Unobtrusive monitoring of cardiorespiratory signals during sleep based on PVDF sensor and singular spectrum analysis | |
Chan et al. | Estimating heart rate from seismocardiogram signal using a novel deep dominant frequency regressor and domain adversarial training | |
Schlebusch | Unobtrusive health screening on an intelligent toilet seat | |
Pirbhulal et al. | Analysis of efficient biometric index using heart rate variability for remote monitoring of obstructive sleep apnea | |
Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
Ablao et al. | Machine Learning Sleep Phase Monitoring using ECG and EMG | |
Khalil et al. | Deep Learning Applications in Brain Computer Interface Based Lie Detection | |
CN117017234B (zh) | 多参数集成麻醉监测与分析*** | |
D'Alpaos | AI for health: Using AI to identify stress from wearable devices data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |