CN111345782A - 鼾声类型识别方法及电子设备 - Google Patents
鼾声类型识别方法及电子设备 Download PDFInfo
- Publication number
- CN111345782A CN111345782A CN202010171346.3A CN202010171346A CN111345782A CN 111345782 A CN111345782 A CN 111345782A CN 202010171346 A CN202010171346 A CN 202010171346A CN 111345782 A CN111345782 A CN 111345782A
- Authority
- CN
- China
- Prior art keywords
- snore
- frequency
- signals
- signal
- type
- 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
Images
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
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
-
- 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
- A61B5/4818—Sleep apnoea
Abstract
本发明涉及声音识别技术领域,公开一种鼾声类型识别方法及电子设备。鼾声类型识别方法包括:获取鼾声信号集,鼾声信号集包括多个鼾声信号,鼾声信号为对生理信号进行鼾声特征提取得到的信号;根据多个鼾声信号的时域特征,确定第一鼾声类型判断结果;根据多个鼾声信号的频域特征,确定第二鼾声类型判断结果;根据第一鼾声类型判断结果及第二鼾声类型判断结果,识别鼾声信号集对应的鼾声的鼾声类型。因此,本方法综合时域特征及频域特征两者各自得到的鼾声判断结果识别鼾声类型,其准确性高,比较可靠。
Description
技术领域
本发明涉及声音识别技术领域,涉及一种鼾声类型识别方法及电子设备。
背景技术
鼾声是入睡后伴随着呼吸发出的呼吸粗鸣声。人在睡眠状态下,咽喉部肌肉松弛,咽喉部组织塌陷等等因素会造成上呼吸道出现通气不畅或阻塞。当呼吸气流受到阻碍,呼吸道软组织产生振动,继而发出声音。
衡量睡眠呼吸暂停严重程度最客观的数据是AHI指数(Apnea–Hypopnea Index,呼吸暂停低通气指数),AHI指数是指睡眠中平均每小时呼吸暂停+低通气次数,正常值是<5,5-15为轻度睡眠呼吸暂停综合征,15-30为中度睡眠呼吸暂停综合征,>30为重度睡眠呼吸暂停综合征。但是,支持AHI指数的鼾声检测设备不能准确可靠地区分单纯性鼾症与呼吸暂停鼾声,而且容易受饮酒、疲劳等状态影响。
发明内容
本发明实施例的一个目的旨在提供一种鼾声类型识别方法及电子设备,其能够准确可靠地识别鼾声类型。
在第一方面,本发明实施例提供一种鼾声类型识别方法,包括:获取鼾声信号集,所述鼾声信号集包括多个鼾声信号,所述鼾声信号为对生理信号进行鼾声特征提取得到的信号;根据所述多个鼾声信号的时域特征,确定第一鼾声类型判断结果;根据所述多个鼾声信号的频域特征,确定第二鼾声类型判断结果;根据所述第一鼾声类型判断结果及所述第二鼾声类型判断结果,识别所述鼾声信号集对应的鼾声的鼾声类型。
在第二方面,本发明实施例提供一种非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使机器人执行任一项所述的鼾声类型识别方法。
在第三方面,本发明实施例提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行任一项所述的鼾声类型识别方法。
相对于传统技术,在本发明各个实施例提供的鼾声类型识别方法中,首先,获取鼾声信号集,鼾声信号集包括多个鼾声信号,鼾声信号为对生理信号进行鼾声特征提取得到的信号。其次,根据多个鼾声信号的时域特征,确定第一鼾声类型判断结果。再次,根据多个鼾声信号的频域特征,确定第二鼾声类型判断结果。最后,根据第一鼾声类型判断结果及第二鼾声类型判断结果,识别鼾声信号集对应的鼾声的鼾声类型。因此,本方法综合时域特征及频域特征两者各自得到的鼾声判断结果来识别鼾声类型,其准确性高,比较可靠。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明实施例提供的一种鼾声类型识别设备的电路结构示意图;
图2是本发明实施例提供的一种鼾声类型识别方法的流程示意图;
图3a是本发明实施例提供的一种单纯性鼾症的时域波形图;
图3b是本发明实施例提供的一种呼吸暂停鼾声的时域波形图;
图4a是对应图3a的直方图;
图4b是对应图3b的直方图;
图5a是对应图3a的功率谱;
图5b是对应图3b的功率谱;
图6a是本发明实施例提供的一种鼾声类型识别装置的结构示意图;
图6b是图6a中时域特征模块的结构示意图;
图6c是图6a中频域特征模块的结构示意图;
图6d是本发明另一实施例提供的一种鼾声类型识别装置的结构示意图;
图7是本发明实施例提供的一种电子设备的电路结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。再者,本发明所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定,仅是对功能和作用基本相同的相同项或相似项进行区分。
本发明实施例提供一种鼾声类型识别设备。在本实施例中,鼾声类型识别设备可被构造成方便检测鼾声的结构,例如,鼾声类型识别设备可被构造成枕头结构等等。
请参阅图1,鼾声类型识别设备100包括数据采集单元11、数据处理单元12、时钟单元13、指示单元14、通信单元15、主控单元16及电源管理单元17。
数据采集单元11用于采集人体处于睡眠状态下的信号,数据采集单元11可以选择任意合适传感器采集鼾声信号,例如,数据采集单元11可以选择压电薄膜传感器,压电薄膜传感器设置在人体的胸腔或头部或颈部下,用于采集人体产生的微动信号,其中,微动信号包括鼾声信号、心跳信号、呼吸信号、体动信号等等。再例如,数据采集单元11可以选择麦克风,麦克风设置在远离人体的位置,用于远程采集用户的语音信号,其中,语音信号包括鼾声信号、环境噪声等等。
可以理解的是,数据采集单元11可以采用压阻式传感器、加速度传感器、骨传导传感器等等,以便采集到打鼾时产生的振动信号。
数据处理单元12用于对数据采集单元11采集的信号作放大处理,并将放大后的模拟信号转换成数字信号,再将数字信号发送给主控单元16。在一些实施方式中,数据处理单元12包括电荷放大器121及ADC采集模块122,电荷放大器121用于对数据采集单元11采集的信号作放大处理,输出放大后的模拟信号。ADC采集模块122用于将放大后的模拟信号转换成数字信号,再将数字信号发送给主控单元16。
时钟单元13用于为主控单元16提供工作主时钟、掉电记忆时钟及实时时钟。在一些实施方式中,时钟单元13包括RTC模块131、RTC备份电池132及主时钟无源晶体133。RTC模块131为主控单元16提供实时时钟,RTC备份电池132为RTC模块131提供备用电源,主时钟无源晶体133为主控单元16提供工作主时钟。
指示单元14用于产生提示信号,以便为用户传达特定含义的信息。在一些实施方式中,指示单元14可以选择任意指示器件,例如,指示单元14包括第一LED灯141及第二LED灯142,第一LED灯141用于提供电源供电是否正常的信息,正常时,第一LED灯141熄灭。异常时,第一LED灯141显示红色。第二LED灯142用于提供通信单元15是否已联网的信息,已联网时,第二LED灯142显示绿色。异常时,第二LED灯142熄灭。
通信单元15用于与外部通信设备通信,鼾声类型识别设备100通过通信单元15可向外部通信设备发送数据,或者,接收外部通信设备接收控制指令。在一些实施方式中,通信单元15可以选择任意合适通信模块,包括WIFI模块、蓝牙模块、4G模块或5G模块等等。在一些实施方式中,通信单元15可被配置轻触按键,用户长按该轻触按键3秒使得通信单元15进入绑定状态。
主控单元16作为鼾声类型识别设备100的控制核心,可控制上述各个电路单元的工作逻辑。在一些实施方式中,主控单元16可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISC Machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有,主控单元16还可以是任何传统处理器、控制器、微控制器或状态机。主控单元16也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、和/或任何其它这种配置。
电源管理单元17为上述电路单元提供电源。在一些实施方式中,电源管理单元17包括USB接口171、充电管理芯片172、电池173、控制开关174、第一LDO芯片175、LDO基准电压源176及第二LDO芯片177。
充电时,外部适配器通过USB接口171与电源管理单元17电连接。充电管理芯片172负责电源管理,以便为上述各个电路单元提供稳定的电源。电池173用于储存电源,控制开关174用于控制电池173与第一LDO芯片175,以及电池173与第二LDO芯片177的供电回路。第一LDO芯片175用于产生稳定的电源并提供给数据处理单元12、指示单元14、主控单元16。LDO基准电压源176用于为数据处理单元12提供基准电压。第二LDO芯片177用于为通信单元15提供电源。
可以理解,本发明实施例提供的鼾声类型识别设备采用下文所阐述的鼾声类型识别方法,能够有效地识别鼾声类型。
请参阅图2,图2是本发明实施例提供的一种鼾声类型识别方法的流程示意图。如图2所示,鼾声类型识别方法S200包括:
S21、获取鼾声信号集,鼾声信号集包括多个鼾声信号;
鼾声信号为对生理信号进行鼾声特征提取得到的信号,生理信号包括呼吸信号或者压力信号等等。
对生理信号进行鼾声特征提取时,在一种可行的实施方式中,数据采集单元采用压电薄膜传感器并设置在用户的胸腔下,其中,数据采集单元被设置2000Hz的采样频率。数据采集单元将生理信号发送给主控单元,主控单元先从所述生理信号中过滤体动信号,例如,将幅值高于预设幅值的信号进行过滤。
接着,主控单元使用带通滤波器处理过滤后的生理信号,从中分别提取出鼾声信号、心跳信号及呼吸信号。由于打鼾、心跳、呼吸产生的振动信号分别处于不同频带,其中,打鼾产生的振动信号处于20-800Hz,因此,可以使用带通滤波器提取处于20-800Hz的频段的信号作为鼾声信号。在一些实施方式中,带通滤波器可以选择巴特沃斯带通滤波器。
再接着,由于工频信号的基频50Hz及其谐波都在鼾声信号的频段内,因此,在主控单元中设计梳状陷波器,梳状陷波器可滤除50Hz的工频信号及其各倍频谐波。
最后,经过上述各类滤波处理后,主控单元再对过滤后的信号进行鼾声检测,得到最终的鼾声信号,例如,主控单元采用自适应过零率与短时能量端点检测算法实施鼻鼾检测。由于鼾声伴随呼吸,一般情况下每次鼾声的持续时间在1秒以内,因此,作加窗处理时,设定0.5秒的窗口为一帧数据,计算下一帧数据时,下一窗口便相对于上一窗口向前滑动0.1秒,以此类推,分别计算各个窗口内的短时过零率与短时能量。
短时过零率是指每秒内信号值通过零值的次数,两个点相乘符号小于零记为一次过零点。
短时能量的计算公式为:
其中,i为每帧内采样点点数,x(i)为采样点幅值。
在一种可行的实施方式中,设定两个检测阈值TH1与TH2。当当前窗口的短时能量大于检测阈值TH1时,将当前窗口标记为疑似鼾声起点,然后判断连续指定数量帧的短时过零率是否大于检测阈值TH2,例如,连续3帧的短时过零率大于检测阈值TH2,则标记为鼾声起始点。主控单元确定了鼾声起点后,继续往后搜索。一旦搜索到当前短时过零率小于检测阈值TH2时,则标记为鼾声终止点。以此类推,主控单元便可以得到若干个鼾声信号。其中,本领域技术人员可以根据实际需要自由选择两个检测阈值TH1与TH2,在此不作任何限制。
本实施方式采用自适应过零率与短时能量端点检测算法实施鼻鼾检测,一方面,其鼾声特征的检测精度高,另一方面,由于数据量处理相对其它鼾声检测算法所需数据量少,因此,其鼾声特征的提取速度快。
在一种可行的实施方式中,主控单元除了可以选择上述鼾声检测算法实施鼻鼾检测,其还可以选择其它合适的鼾声检测算法实施鼻鼾检测。
S22、根据多个鼾声信号的时域特征,确定第一鼾声类型判断结果;
在本实施例中,时域特征用于指示每个鼾声信号在时间上的幅值变化,第一鼾声判断结果包括单纯性鼾症结果或呼吸暂停鼾声结果。
一般的,夜间入睡后,肌肉松弛,咽部周围增生肥大的软组织部分阻塞气道,引起气道局部狭窄。当气流经过这个狭窄部位时,产生涡流并引起局部软组织的振动,由此产生鼾声。睡眠打鼾未出现呼吸暂停,称为单纯鼾症或良性鼾症,简称鼾症。严重打鼾者不仅影响他人安宁,而且可以发生睡时呼吸暂停或室息发作,乃至屡次突然惊醒,这在医学上又称为阻塞性睡眠呼吸暂停综合征。
在一些实施例中,用户可结合单纯性鼾症及呼吸暂停鼾声在时域状态下的时域波形图,区分出单纯性鼾症及呼吸暂停鼾声。
在一些实施例中,鼾声类型识别设备可被配置时域特征模型的控制逻辑,只要往此时域特征模型输入相应的参数数据或时域特征,便可得到第一鼾声判断结果。
请一并参阅图3a及图3b,由上述两图可知:从时域角度来看,单纯鼾症呈现出连续均匀的特征,每次鼾声的幅值和间隔基本相同,这是因为单纯鼾症伴随呼吸出现,是因为塌陷的呼吸道在气流受限的情况下出现扑动产生的。而阻塞性睡眠呼吸暂停患者在呼吸暂停结束时,关闭的上气道突然开放,使上气道腔在短暂时间内多次开闭,产生***一样的声音,因此呼吸暂停的鼾声与呼吸暂停时间有关,而且波形复杂,通常在一次呼吸暂停结束后会连续出现多次鼾声。
考虑到上述两种症状的区别,在一种具体实施方式中,可以按照以下方式得到第一鼾声判断结果。
首先,主控单元可以按照时间先后顺序,从鼾声信号集中选择连续的N个鼾声信号,再计算所述N个鼾声信号中每相邻两个鼾声信号的间隔时长,以得到多个间隔时长,亦可以直接在鼾声信号集中,直接计算每相邻两个鼾声信号的间隔时长。例如,鼾声信号集为{a1,a2,a3,a4,a5......an},计算:
Ta2-Ta1=ΔT1;
Ta3-Ta2=ΔT2;
Ta4-Ta3=ΔT3;
Ta5-Ta4=ΔT4......。
以此类推,从而得到N-1个间隔时长,其中,Tan可以为每个鼾声信号的鼾声起始点,亦可以为每个鼾声信号的鼾声终止点。
在一种可行的实施方式中,主控单元可被预先配置坐标系,在构建坐标系时,坐标系的X轴按照时间递增顺序被划分若干等长时区,预设坐标系中Y轴的纵坐标为落入相同等长时区的间隔时长的频数。
在一种可行的实施方式中,请一并参阅图4a及图4b,考虑到正常人呼吸间隔在10-24次/分钟之间,对应每次呼吸间隔为2.5-6S,因此,可将坐标系的X轴按照时间递增顺序被划分15个等长时区,横坐标范围设置在-3500ms-3500ms,每个等长时区为500ms。
其次,当得到多个间隔时长后,主控单元对多个间隔时长进行统计,以生成直方图,亦即,根据每个间隔时长落入预设坐标系中X轴对应的等长时区及落入对应等长时区的间隔时长的频数,生成直方图。例如,ΔT1=200ms,ΔT2=150ms,间隔时长落在[-250,250]区间的频数his(ΔT1)为2,以此类推,间隔时长落在[-250,-750]区间的频数his(ΔT2)为1。
由图4a及图4b可知:由于单纯性鼾症存在连续均匀的特征,在直方图上会集中落在同一个区间,呈现高而尖的特征。而呼吸暂停鼾声的鼾声间隔受呼吸暂停时间影响,杂乱不规律,在直方图上会分散落在不同区间,呈现矮而宽的形态。
再次,主控单元计算直方图的形态指标,形态指标用于描述直方图的变化状态,由上述可知,由于单纯性鼾症与呼吸暂停鼾声在直方图的变化状态是不同的,因此,通过根据形态指标,便可以初步识别单纯性鼾症与呼吸暂停鼾声。在一种可行的实施方式中,形态指标可以为任意合适的指标,比如变化率等等。
在一种可行的实施方式中,主控单元在计算直方图的形态指标的过程中,可以先确定直方图的最大频数,亦即,可以从若干个所述频数中,遍历出最大频数。然后,主控单元累计全部间隔时长,得到总间隔时长。接着,主控单元求取总间隔时长的平均值,得到平均时长。最后,主控单元将最大频数与平均时长之商作为直方图的形态指标。
在一种具体实施方式中,主控单元从频数[his(ΔT1),his(ΔT2),his(ΔT3)......his(ΔTn)]中遍历出最大频数his(ΔT3),亦即,his(ΔT3)=max(his(ΔT))。然后,ΔT1+ΔT2+.....+ΔTn-1=ΔT总,亦即,总间隔时长为ΔT总。接着,ΔT总/n-1=ΔT0,亦即平均时长为ΔT0。最后,形态指标
最后,当计算出直方图的形态指标后,主控单元可以根据形态指标,生成第一鼾声判断结果。
如前所述,单纯鼾症鼾声间隔连续均匀,间隔时长多数会落在同一个区间,因此相较于呼吸暂停鼾声,单纯鼾症鼾声的max(his(ΔT))会明显增大,平均时长ΔT0会明显减小,两者相除会进一步增加特征之间的差异。
因此,生成第一鼾声判断结果时,在一种具体实施方式中,主控单元判断形态指标是否大于预设指标阈值,若是,生成单纯性鼾症结果。若否,生成呼吸暂停鼾声结果。
通过构建直方图,以可视化地维度来描述各个鼾声信号的分布情况,精确地反映出单纯性鼾症与呼吸暂停鼾声之间的区别,并且精确可靠地得到鼾声类型判断结果。
S23、根据多个鼾声信号的频域特征,确定第二鼾声类型判断结果;
频域特征用于指示每个鼾声信号在频率上的幅值变化,第二鼾声判断结果包括单纯性鼾症结果或呼吸暂停鼾声结果。
鼾声类型识别设备可被配置频域特征模型的控制逻辑,只要往此频域特征模型输入相应的参数数据或时域特征,便可得到第二鼾声判断结果。
在一种可行的实施方式中,用户可结合单纯性鼾症及呼吸暂停鼾声在频域状态下的频域波形图,区分出单纯性鼾症及呼吸暂停鼾声。
以20-200Hz之间的功率谱为例,请一并参阅图5a及图5b,由上述两图可知:单纯鼾症的鼾声连续均匀,在频域上表现为明显的主峰形态,且主峰和大部分能量主要位于20-200Hz之间。而呼吸暂停的鼾声是呼吸暂停结束时,气道突然开闭引起的,呈现先高频大幅值然后逐渐往低频小幅值过度的形态,在频域上峰值和能量分布比较散乱,高低频区域均有分布。总体而言,单纯鼾声频率单一,能量集中,呼吸暂停的鼾声有有多个峰,能量分散,且主峰频率较高。
考虑到上述两种症状的区别,在一种可行的实施方式中,可以按照以下方式提取出频域特征,以便得到第二鼾声判断结果。
首先,主控单元计算每个鼾声信号的功率谱。
在一种可行的实施方式中,主控单元从每个鼾声信号中截取出预设时长的鼾声片段,其中,每个鼾声片段的起始点为每个所述鼾声信号的打鼾起始点,例如,一般而言,每次鼾声起始点到终止点范围为0.5-5S,因此对每次鼾声,选取起始点到终止点为0.5S的鼾声片段作功率谱分析。
进一步,主控单元将每个鼾声片段平均分成若干个数据段,每相邻两个数据段存在预设比例的重复片段,例如,将0.5S鼾声片段平均分成8个数据段,每相邻两个数据段存在50%的重复片段。
进一步,主控单元将每个数据段作加窗处理,得到若干个加窗后的数据段,例如,主控单元将每个数据段作汉明加窗处理,得到8个加窗后的数据段。
进一步,主控单元将每个加窗后的数据段作傅里叶变换,得到若干个功率谱。
进一步,主控单元求取若干个功率谱的平均值,得到平均功率谱,将平均功率谱作为每个鼾声信号的功率谱。
除了采用上述方式计算每个鼾声信号的功率谱之外,主控单元可以根据任意合适功率谱算法计算每个鼾声信号的功率谱,例如平均周期图法、窗函数法、修正的周期图平均法或加权交叠平均法(Welch方法)。
在本实施方式中,每个功率谱的频率按照由低到高的顺序,被划分成若干个频率区间,例如,功率谱的频率被划分成第一频率区间、第二频率区间及第三频率区间,其中,第一频率区间为20Hz-200Hz,第二频率区间为220Hz-400H,第三频率区间为620Hz-800Hz。
其次,当得到每个鼾声信号的功率谱后,主控单元根据每个鼾声信号的功率谱,得到每个鼾声信号的加权结果,加权结果用于量化指示鼾声信号的频率特性。
在一种可行的实施方式中,主控单元根据目标鼾声信号的功率谱,计算目标鼾声信号分别在多个频率区间上的总功率,目标鼾声信号为多个鼾声信号中的任一鼾声信号。
接着,主控单元依次将相邻两个频率区间中的高频率区间对应的总功率除以所述相邻两个频率区间中的低频率区间的总功率,得到目标鼾声信号对应的多个加权指标,例如,主控单元根据以下等式:K1=E2/E1,K2=E3/E2,计算加权指标。其中,K1及K2皆为加权指标,E1为第一频率区间对应的总功率,E2为第二频率区间对应的总功率,E3为第三频率区间对应的总功率。
再接着,主控单元对目标鼾声对应的多个加权指标进行加权求和,得到目标鼾声信号的加权结果,例如,根据以下加权等式:Mi=P1*K1+P2*K2,得到第i个鼾声信号的加权结果,Mi为第i个鼾声信号的加权结果,P1及P2皆为权重。由于前半部分的能量更为集中,因此,可以设置权重P1大于权重P2,例如,P1为0.75,P2为0.25。
总体而言,当主控单元得到每个所述鼾声信号的加权结果后,主控单元再累加若干鼾声信号的加权结果,得到总加权结果,例如,M1+M2+M3+......+MN=M总,其中,M总为总加权结果。
本实施方式采用加权方式对每个鼾声信号进行加权运算,一方面,考虑到单纯性鼾症及呼吸暂停鼾声在不同频段的总功率存在区别,通过加权方式,其能够全方位地评价属于不同鼾声类型的每个鼾声信号在指定频段的特点,以便能够精确可靠地以频域角度判断出每个鼾声信号的所属鼾声类型。另一方面,其还累加多个鼾声信号的加权结果后再继续判断,其能够有效地摒除一些突发情况所造成的噪声数据的干扰,从而更加精确可靠地以频域角度判断出每个鼾声信号的所属鼾声类型。
最后,主控单元根据总加权结果,生成第二鼾声判断结果。
在一种具体实施方式中,主控单元求取总加权结果的平均值,例如,M总/N=Mp。接着,主控单元判断总加权结果是否大于预设加权阈值,若是,生成单纯性鼾症结果。若否,生成呼吸暂停鼾声结果。
在另一种具体实施方式中,主控单元还可以直接将总加权结果与预设阈值作大小对比,若总加权结果大于预设阈值,生成单纯性鼾症结果。反之,则生成呼吸暂停鼾声结果。
S24、根据第一鼾声类型判断结果及第二鼾声类型判断结果,识别鼾声信号集对应的鼾声的鼾声类型。
在一种可行的实施方式中,主控单元判断第一鼾声类型判断结果及第二鼾声类型判断结果是否同时皆为单纯性鼾症结果,若是,识别鼾声的鼾声类型为单纯性鼾症类型。若否,识别鼾声的鼾声类型为呼吸暂停鼾声类型。
在本实施例中,由于单纯鼾症人群占比较小,可以将单纯鼾症的判断条件作出更严格的限制,因此,当第一鼾声类型判断结果及第二鼾声类型判断结果同时皆为单纯性鼾症结果时,可将鼾声的鼾声类型识别为单纯性鼾症类型,否则,鼾声的鼾声类型为呼吸暂停鼾声类型。
因此,本方法综合时域特征及频域特征两者各自得到的鼾声类型判断结果识别鼾声类型,其准确性高,比较可靠。
随着呼吸暂停鼾声症状的发展,鼾声的主频和能量会往高频移动,因此,可以用频率指标来表征鼾声频率变化情况。
在一种可行的实施方式中,可以选取中值频率来表示频率的变化趋势,中值频率为所选频段总功率的中位数,在功率谱中,中值频率两边的面积是互相相等的,单纯鼾症的鼾声主峰和能量主要位于低频段,呼吸暂停鼾声能量散乱分布于整个频段,因此,单纯鼾症鼾声的中值频率小于呼吸暂停鼾声。
在一种可行的实施方式中,主控单元根据每个鼾声信号的功率谱,计算每个鼾声信号的中值频率,根据各个鼾声信号的中值频率,生成鼾声频率变化报告。
由于鼾声频率变化情况与单纯鼾症及呼吸暂停鼾声息息相关,本实施方式通过使用中值频率来指示用户的鼾声频率变化情况,因此,本实施方式能够简单快速科学地及时反映用户的鼾声变化进展。
在一种具体实施方式中,主控单元计算每个鼾声信号在指定频率区间内的功率谱,其中,指定频率区间为20-800Hz频段,主控单元根据功率谱算法,计算20-800Hz频段内的功率谱。
用户可以根据中值频率的变化趋势,能够判断鼾声病情的发展趋势,当病情恶化时,中值频率会朝着右方移动,亦即,该中值频率呈增大趋势。当病情好转时,中值频率会朝着左方移动,亦即,该中值频率呈减小趋势。
在一种具体实施方式中,鼾声频率变化报告包括鼾声频率左移报告或鼾声频率右移报告,生成鼾声频率变化报告时,主控单元累加各个鼾声信号的中值频率,得到总频率。然后,主控单元求取总频率的平均值,得到平均频率,若平均频率大于或等于预设频率阈值,生成鼾声频率右移报告。若平均频率小于预设频率阈值,生成鼾声频率左移报告。因此,本实施方式能够简单快速科学地及时反映用户的鼾声变化进展。
以此类推,主控单元便可以求出不同鼾声信号的中值频率。
通过积分方法,其简单快速地寻找中值频率,以便快速地生成鼾声频率变化报告。
需要说明的是,在上述各个实施例中,上述各步骤之间并不必然存在一定的先后顺序,本领域普通技术人员,根据本发明实施例的描述可以理解,不同实施例中,上述各步骤可以有不同的执行顺序,亦即,可以并行执行,亦可以交换执行等等。
作为本发明实施例的另一方面,本发明实施例提供一种鼾声类型识别装置。其中,鼾声类型识别装置可以为软件模块,所述软件模块包括若干指令,其存储在存储器内,处理器可以访问该存储器,调用指令进行执行,以完成上述各个实施例所阐述的鼾声类型识别方法。
在一些实施例中,鼾声类型识别装置亦可以由硬件器件搭建成的,例如,鼾声类型识别装置可以由一个或两个以上的芯片搭建而成,各个芯片可以互相协调工作,以完成上述各个实施例所阐述的鼾声类型识别方法。再例如,鼾声类型识别装置还可以由各类逻辑器件搭建而成,诸如由通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISC Machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合而搭建成。
请参阅图6a,鼾声类型识别装置600包括鼾声获取模块61、时域特征模块62、频域特征模块63及鼾声类型识别模块64。
鼾声获取模块61用于获取鼾声信号集,鼾声信号集包括多个鼾声信号,鼾声信号为对生理信号进行鼾声特征提取得到的信号。时域特征模块62用于根据多个鼾声信号的时域特征,确定第一鼾声类型判断结果。频域特征模块63用于根据多个鼾声信号的频域特征,确定第二鼾声类型判断结果。鼾声类型识别模块64用于根据第一鼾声类型判断结果及第二鼾声类型判断结果,识别鼾声信号集对应的鼾声的鼾声类型。
因此,本装置综合时域特征及频域特征两者各自得到的鼾声判断结果来识别鼾声类型,其准确性高,比较可靠。
在一些实施例中,鼾声信号集包括若干鼾声信号,请参阅图6b,时域特征模块62包括时长计算单元621、直方图单元622及生成单元623。
时长计算单元621用于计算相邻两个鼾声信号的间隔时长,以得到多个间隔时长。直方图单元622用于对所述多个间隔时长进行统计,以生成直方图,直方图的X轴为时长,X轴包括多个等长时区,直方图的Y轴为落入相同等长时区的间隔时长的频数。生成单元623用于根据直方图的形态指标,生成第一鼾声类型判断结果。
在一些实施例中,生成单元623具体用于确定直方图的最大频数,求取多个间隔时长的平均值,得到平均时长,并将最大频数与平均时长之商作为直方图的形态指标,判断形态指标是否大于预设指标阈值,若是,生成单纯性鼾症结果,若否,生成呼吸暂停鼾声结果。
在一些实施例中,请参阅图6c,频域特征模块63包括功率谱计算单元631、加权单元632及判断单元633,功率谱计算单元631用于计算每个所述鼾声信号的功率谱。加权单元632用于根据每个鼾声信号的功率谱,得到每个鼾声信号的加权结果,加权结果用于量化指示鼾声信号的频率特性。判断单元633用于累加多个鼾声信号的加权结果,得到总加权结果,判断总加权结果的平均值是否大于预设加权阈值,若是,生成单纯性鼾症结果,若否,生成呼吸暂停鼾声结果。
在一些实施例中,加权单元632具体用于根据目标鼾声信号的功率谱,计算目标鼾声信号分别在多个频率区间上的总功率,目标鼾声信号为多个鼾声信号中的任一鼾声信号,按照频率区间由低到高的顺序排列后,依次将相邻两个频率区间中的高频率区间对应的总功率除以所述相邻两个频率区间中的低频率区间的总功率,得到目标鼾声信号对应的多个加权指标,对目标鼾声对应的多个加权指标进行加权求和,得到目标鼾声信号的加权结果。
在一些实施例中,多个频率区间包括第一频率区间、第二频率区间及第三频率区间,第一频率区间为20Hz-200Hz,第二频率区间为220Hz-400H,第三频率区间为620Hz-800Hz。
在一些实施例中,请参阅图6d,鼾声类型识别装置600还包括频率计算模块65及频率变化模块66。频率计算模块65用于根据每个鼾声信号的功率谱,计算每个鼾声信号的中值频率,频率变化模块66用于根据各个鼾声信号的中值频率,生成鼾声频率变化报告。
在一些实施例中,鼾声频率变化报告包括鼾声频率左移报告或鼾声频率右移报告,频率变化模块66具体用于累加各个鼾声信号的中值频率,得到总频率,求取所述总频率的平均值,得到平均频率,若平均频率大于或等于预设频率阈值,生成鼾声频率右移报告,若平均频率小于预设频率阈值,生成鼾声频率左移报告。
在一些实施例中,功率谱计算单元631具体用于从每个鼾声信号中截取出预设时长的鼾声片段,其中,每个鼾声片段的起始点为每个鼾声信号的打鼾起始点,将每个鼾声片段平均分成若干个数据段,每相邻两个所述数据段存在预设比例的重复片段,将每个数据段作加窗处理,得到若干个加窗后的数据段,将每个加窗后的数据段作傅里叶变换,得到若干个功率谱,求取若干个功率谱的平均值,得到平均功率谱,将平均功率谱作为每个鼾声信号的功率谱。
在一些实施例中,鼾声类型识别模块64具体用于判断第一鼾声类型判断结果及第二鼾声类型判断结果是否同时皆为单纯性鼾症结果,若是,识别鼾声的鼾声类型为单纯性鼾症类型,若否,识别鼾声的鼾声类型为呼吸暂停鼾声类型。
需要说明的是,上述鼾声类型识别装置可执行本发明实施例所提供的鼾声类型识别方法,具备执行方法相应的功能模块和有益效果。未在鼾声类型识别装置实施例中详尽描述的技术细节,可参见本发明实施例所提供的鼾声类型识别方法。
图7是本发明实施例提供的一种电子设备的电路结构示意图。如图7所示,该电子设备包括一个或多个处理器71以及存储器72。其中,图7中以一个处理器71为例。
处理器71和存储器72可以通过总线或者其他方式连接,图7中以通过总线连接为例。
存储器72作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的鼾声类型识别方法对应的程序指令/模块。处理器71通过运行存储在存储器72中的非易失性软件程序、指令以及模块,从而执行鼾声类型识别装置的各种功能应用以及数据处理,即实现上述方法实施例提供的鼾声类型识别方法以及上述装置实施例的各个模块或单元的功能。
存储器72可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器72可选包括相对于处理器71远程设置的存储器,这些远程存储器可以通过网络连接至处理器71。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器72中,当被所述一个或者多个处理器71执行时,执行上述任意方法实施例中的鼾声类型识别方法。
本发明实施例还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如图7中的一个处理器71,可使得上述一个或多个处理器可执行上述任意方法实施例中的鼾声类型识别方法。
本发明实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被电子设备执行时,使所述电子设备执行任一项所述的鼾声类型识别方法。
因此,本电子设备综合时域特征及频域特征两者各自得到的鼾声判断结果来识别鼾声类型,其准确性高,比较可靠。
以上所描述的装置或设备实施例仅仅是示意性的,其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的,作为模块单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (12)
1.一种鼾声类型识别方法,其特征在于,包括:
获取鼾声信号集,所述鼾声信号集包括多个鼾声信号,所述鼾声信号为对生理信号进行鼾声特征提取得到的信号;
根据所述多个鼾声信号的时域特征,确定第一鼾声类型判断结果;
根据所述多个鼾声信号的频域特征,确定第二鼾声类型判断结果;
根据所述第一鼾声类型判断结果及所述第二鼾声类型判断结果,识别所述鼾声信号集对应的鼾声的鼾声类型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个鼾声信号的时域特征,确定第一鼾声类型判断结果包括:
计算相邻两个所述鼾声信号的间隔时长,以得到多个间隔时长;
对所述多个间隔时长进行统计,以生成直方图,所述直方图的X轴为时长,所述X轴包括多个等长时区,所述直方图的Y轴为落入相同等长时区的间隔时长的频数;
根据所述直方图的形态指标,生成所述第一鼾声类型判断结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述直方图的形态指标,生成所述第一鼾声类别判断结果包括:
确定所述直方图的最大频数;
求取所述多个间隔时长的平均值,得到平均时长,并将最大频数与平均时长之商作为直方图的形态指标;
判断所述形态指标是否大于预设指标阈值;
若是,生成单纯性鼾症结果;
若否,生成呼吸暂停鼾声结果。
4.根据权利要求1至3任一项所述的方法,其特征在于,根据所述多个鼾声信号的频域特征,确定第二鼾声类型判断结果包括:
计算每个所述鼾声信号的功率谱;
根据每个所述鼾声信号的功率谱,得到每个所述鼾声信号的加权结果,所述加权结果用于量化指示所述鼾声信号的频率特性;
累加所述多个鼾声信号的加权结果,得到总加权结果;
判断所述总加权结果的平均值是否大于预设加权阈值;
若是,生成所述单纯性鼾症结果;
若否,生成所述呼吸暂停鼾声结果。
5.根据权利要求4所述的方法,其特征在于,所述根据每个所述鼾声信号的功率谱,得到每个所述鼾声信号的加权结果,包括:
根据目标鼾声信号的功率谱,计算所述目标鼾声信号分别在多个频率区间上的总功率,所述目标鼾声信号为所述多个鼾声信号中的任一鼾声信号;
按照频率区间由低到高的顺序排列后,依次将相邻两个频率区间中的高频率区间对应的总功率除以所述相邻两个频率区间中的低频率区间的总功率,得到所述目标鼾声信号对应的多个加权指标;
对所述目标鼾声对应的多个加权指标进行加权求和,得到所述目标鼾声信号的加权结果。
6.根据权利要求5所述的方法,其特征在于,所述多个频率区间包括第一频率区间、第二频率区间及第三频率区间;
所述第一频率区间为20Hz-200Hz;
所述第二频率区间为220Hz-400H;
所述第三频率区间为620Hz-800Hz。
7.根据权利要求5所述的方法,其特征在于,还包括:
根据每个所述鼾声信号的功率谱,计算每个所述鼾声信号的中值频率;
根据各个所述鼾声信号的中值频率,生成鼾声频率变化报告。
8.根据权利要求7所述的方法,其特征在于,所述鼾声频率变化报告包括鼾声频率左移报告或鼾声频率右移报告,所述根据各个所述鼾声信号的中值频率,生成鼾声频率变化报告包括:
累加各个所述鼾声信号的中值频率,得到总频率;
求取所述总频率的平均值,得到平均频率;
若所述平均频率大于或等于预设频率阈值,生成所述鼾声频率右移报告;
若所述平均频率小于预设频率阈值,生成所述鼾声频率左移报告。
9.根据权利要求4所述的方法,其特征在于,所述计算每个所述鼾声信号的功率谱包括:
从每个所述鼾声信号中截取出预设时长的鼾声片段,其中,每个所述鼾声片段的起始点为每个所述鼾声信号的打鼾起始点;
将每个所述鼾声片段平均分成若干个数据段,每相邻两个所述数据段存在预设比例的重复片段;
将每个所述数据段作加窗处理,得到若干个加窗后的数据段;
将每个所述加窗后的数据段作傅里叶变换,得到若干个功率谱;
求取所述若干个功率谱的平均值,得到平均功率谱,将所述平均功率谱作为每个所述鼾声信号的功率谱。
10.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述第一鼾声类型判断结果及所述第二鼾声类型判断结果,识别所述鼾声信号集对应的鼾声的鼾声类型包括:
判断所述第一鼾声类型判断结果及所述第二鼾声类型判断结果是否同时皆为单纯性鼾症结果;
若是,识别所述鼾声的鼾声类型为单纯性鼾症类型;
若否,识别所述鼾声的鼾声类型为呼吸暂停鼾声类型。
11.一种非易失性计算机可读存储介质,其特征在于,所述非易失性计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使机器人执行如权利要求1至10任一项所述的鼾声类型识别方法。
12.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至10任一项所述的鼾声类型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171346.3A CN111345782B (zh) | 2020-03-12 | 2020-03-12 | 鼾声类型识别方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171346.3A CN111345782B (zh) | 2020-03-12 | 2020-03-12 | 鼾声类型识别方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111345782A true CN111345782A (zh) | 2020-06-30 |
CN111345782B CN111345782B (zh) | 2023-10-10 |
Family
ID=71189494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171346.3A Active CN111345782B (zh) | 2020-03-12 | 2020-03-12 | 鼾声类型识别方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111345782B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113314143A (zh) * | 2021-06-07 | 2021-08-27 | 南京优博一创智能科技有限公司 | 呼吸暂停的判断方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7413549B1 (en) * | 2004-03-17 | 2008-08-19 | Pacesetter, Inc. | Detecting and quantifying apnea using ventilatory cycle histograms |
CN102429662A (zh) * | 2011-11-10 | 2012-05-02 | 大连理工大学 | 家庭环境中睡眠呼吸暂停综合征的筛查*** |
CN108697328A (zh) * | 2017-12-27 | 2018-10-23 | 深圳和而泰数据资源与云技术有限公司 | 一种鼾声识别方法及止鼾装置 |
US20190167186A1 (en) * | 2016-04-15 | 2019-06-06 | CLEBRE Spólka z o.o. | Method and System for Identifying Respiratory Events |
-
2020
- 2020-03-12 CN CN202010171346.3A patent/CN111345782B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7413549B1 (en) * | 2004-03-17 | 2008-08-19 | Pacesetter, Inc. | Detecting and quantifying apnea using ventilatory cycle histograms |
CN102429662A (zh) * | 2011-11-10 | 2012-05-02 | 大连理工大学 | 家庭环境中睡眠呼吸暂停综合征的筛查*** |
US20190167186A1 (en) * | 2016-04-15 | 2019-06-06 | CLEBRE Spólka z o.o. | Method and System for Identifying Respiratory Events |
CN108697328A (zh) * | 2017-12-27 | 2018-10-23 | 深圳和而泰数据资源与云技术有限公司 | 一种鼾声识别方法及止鼾装置 |
Non-Patent Citations (1)
Title |
---|
牛泽 等: "基于短时能量的呼吸暂停信号识别方法", 《科学技术与工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113314143A (zh) * | 2021-06-07 | 2021-08-27 | 南京优博一创智能科技有限公司 | 呼吸暂停的判断方法、装置和电子设备 |
CN113314143B (zh) * | 2021-06-07 | 2024-01-30 | 南京优博一创智能科技有限公司 | 呼吸暂停的判断方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111345782B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388912B (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
US10278639B2 (en) | Method and system for sleep detection | |
TWI725255B (zh) | 可偵測睡眠呼吸中止的穿戴式裝置及其信號分析方法 | |
CA2931662C (en) | Acoustic upper airway assessment system and method, and sleep apnea assessment system and method relying thereon | |
JP5961235B2 (ja) | 睡眠/覚醒状態評価方法及びシステム | |
JP5155856B2 (ja) | 臨床症状の予測および監視技術 | |
US20140088373A1 (en) | System and method for determining sleep stage | |
US20140180036A1 (en) | Device and method for predicting and preventing obstructive sleep apnea (osa) episodes | |
Le et al. | Wireless wearable multisensory suite and real-time prediction of obstructive sleep apnea episodes | |
CN112155560B (zh) | 基于实时心冲击信号的呼吸暂停检测方法及*** | |
AU2013212534A1 (en) | Discrimination of Cheyne-Stokes breathing patterns | |
CN103070683A (zh) | 基于生物电阻抗的睡眠呼吸模式识别方法及装置 | |
US20200107775A1 (en) | Methods and Systems for Monitoring Sleep Apnea | |
CN104545818A (zh) | 一种基于脉搏与血氧信号的睡眠呼吸暂停综合征检测方法 | |
CN116211256B (zh) | 一种非接触式的睡眠呼吸信号获取方法和装置 | |
Thommandram et al. | Detection of apnoea from respiratory time series data using clinically recognizable features and kNN classification | |
Hwang et al. | Unconstrained sleep stage estimation based on respiratory dynamics and body movement | |
CN111345782B (zh) | 鼾声类型识别方法及电子设备 | |
Le et al. | Prediction of sleep apnea episodes from a wireless wearable multisensor suite | |
CN112438707A (zh) | 生命体征的检测装置、方法及*** | |
CN103735267A (zh) | 一种基于鼾声筛查osahs的装置 | |
CN106419846B (zh) | 一种呼吸暂停检测方法 | |
CN113907742A (zh) | 睡眠呼吸数据的监测方法及装置 | |
Li et al. | Feature Selection for the Detection of Sleep Apnea using Multi-Bio Signals from Overnight Polysomnography | |
CN111481189A (zh) | 睡眠评估方法及装置 |
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 |