CN113456027B - 一种基于无线信号的睡眠参数评估方法 - Google Patents
一种基于无线信号的睡眠参数评估方法 Download PDFInfo
- Publication number
- CN113456027B CN113456027B CN202110703691.1A CN202110703691A CN113456027B CN 113456027 B CN113456027 B CN 113456027B CN 202110703691 A CN202110703691 A CN 202110703691A CN 113456027 B CN113456027 B CN 113456027B
- Authority
- CN
- China
- Prior art keywords
- time
- sleep
- bed
- bedridden
- area
- 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.)
- Active
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims description 21
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000003068 static effect Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000004620 sleep latency Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 230000035565 breathing frequency Effects 0.000 claims description 3
- 238000002513 implantation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 abstract description 7
- 230000036578 sleeping time Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 9
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 5
- 206010022437 insomnia Diseases 0.000 description 5
- 230000009466 transformation Effects 0.000 description 3
- 208000010340 Sleep Deprivation Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 208000022249 Sleep-Wake Transition disease Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- 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
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1115—Monitoring leaving of a patient support, e.g. a bed or a wheelchair
-
- 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
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Physiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于无线信号的睡眠参数评估方法,该方法包括以下步骤:S1、对检测区域进行划分,并对床区域进行识别;S2、识别并记录床区域中人的卧床时间;S3、对卧床时间进行时间段分类;S4、根据分类后的卧床时间计算睡眠参数。有益效果:本发明通过利用人体反射无线电信号提取人***置和呼吸信息进而计算睡眠参数,无需用户佩戴传感器和记录睡眠情况,能同时监控不同床上的多个用户,且检测得到的睡眠参数具备临床意义;通过分析反射信号从而提取用户呼吸、心率和位置,自动检测用户床的位置,识别用户上床睡觉时间和离床时间,进而实现在不涉及用户隐私的前提下对受试者的睡眠参数进行监测。
Description
技术领域
本发明涉及医疗设备及生理信号检测领域,具体来说,涉及一种基于无线信号的睡眠参数评估方法。
背景技术
失眠和睡眠不足是常见的健康问题。睡眠监测对发现和治疗失眠都很重要。失眠和睡眠不足通常使用以下睡眠参数进行评估:睡眠潜伏期(SL),是指上床睡觉和入睡之间的时间;总睡眠时间(TST)是实际在睡眠中花费的总时间;卧床时间(TIB):上下床时间差;睡眠效率(SE):即总睡眠时间/总卧床时间(TST/TIB);睡眠开始后清醒时间(WASO):是睡眠开始后出现的失眠的总持续时间。
睡眠监测的黄金标准是夜间多导睡眠图(PSG),在医院或睡眠实验室进行,受试者在睡眠时使用脑电图、心电图、肌电图、呼吸和脉搏监测仪,但传感器的不适会影响睡眠进而影响测量。患者日记更常用于监测失眠,每天需要记录他们什么时候睡觉,他们需要多长时间才能入睡,他们晚上多久醒来一次,等等。写睡眠日记需要非常多人力,而且很难长期坚持。健康消费行业已经开发出跟踪睡眠的健康设备,但精确度低于医疗级设备。利用智能手机麦克风、加速度计、摄像头、手机使用情况等数据来推断睡眠质量容易涉及用户隐私问题,且对于老人小孩来说不易配置。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于无线信号的睡眠参数评估方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种基于无线信号的睡眠参数评估方法,该方法包括以下步骤:
S1、对检测区域进行划分,并对床区域进行识别;
S2、识别并记录床区域中人的卧床时间;
S3、对卧床时间进行时间段分类;
S4、根据分类后的卧床时间计算睡眠参数。
进一步的,所述S1中对检测区域进行划分,并对床区域进行识别包括以下步骤:
S11、利用调频连续波无线电及天线将检测区域划分为500*500像素;
S12、采用滤波器将500*500像素分为空、静止及移动集合;
S13、制作静止集合的像素平面直方图;
S14、根据像素平面直方图提取静止区域;
S15、识别静止区域中的床区域。
进一步的,所述S12中采用滤波器将500*500像素分为空、静止及移动集合包括以下步骤:
S121、每50毫秒对每个像素的反射信号进行测量;
S122、利用呼吸频率周围的带通滤波器捕捉人呼吸时的胸部运动,并判断检测区域是否有人;
S123、利用高通滤波器捕捉人体运动,并判断人是移动或静止;
S124、根据高通滤波器及带通滤波器的检测结果将500*500像素分为空、静止及移动集合。
进一步的,所述S14中根据像素平面直方图提取静止区域包括以下步骤:
S141、采用灰度图像自动阈值算法将平面直方图二值化为前景和背景;
S142、若出现两个相连的静止区域,则将两个静止区域连接部分值的大小对转换后的图像进行归一化处理;
S143、利用分水岭算法将相连的静止区域进行分离。
进一步的,所述S141中采用灰度图像自动阈值算法将平面直方图二值化为前景和背景的公式为:
Var=w0×(u0-u)2+w1×(u1-u)2
其中,前景点数占图像比例为w0,平均灰度为u0,后景点数占图像比例为w1,平均灰度为u1,图像的总平均灰度为u。
进一步的,所述S15中识别静止区域中的床区域的公式为:
其中,是对区域Ai的最终预测,f(.)是SVM分类器,f(Ai;d)是第d天Ai区域的二进制预测结果。
进一步的,所述S2中识别并记录床区域中人的卧床时间包括以下步骤:
S21、根据像素静止及移动集合构造隐马尔可夫模型观测值;
S22、利用手动标记训练数据学习隐马尔可夫模型的转移概率矩阵和观测概率矩阵;
S23、采用维特比算法的动态规划求取概率最大的状态序列;
S24、根据状态转换确定上下床时间,并计算记录卧床时间。
进一步的,所述S23中采用维特比算法的动态规划求取概率最大的状态序列的公式为:
其中,t时刻的隐藏状态建模为st∈S,观测建模为ot∈O;状态集合为S={S0,S1},S0表示在床上的状态,S1表示在床外的状态;观测集合为观测区域分为床区域(R0)、围绕着床区域50厘米宽的缓冲区域(R1)和外部区域(R2),对于每个5秒窗口观测到的用户位置,Rs表示对应于窗口第一秒的区域,而Re表示对应于窗口最后一秒的区域;N为序列总数;P(s1)为初始状态概率。
进一步的,所述S3中对卧床时间进行时间段分类包括将卧床时间分为睡眠潜伏期、入睡时间及睡眠开始后清醒时间。
进一步的,所述S3中对卧床时间进行时间段分类包括以下步骤:
S31、测量卧床时间内每30秒时间段人所在区域的像素反射信号;
S32、将像素反射信号处理成声谱图并输入CNN分类器;
S33、利用构造的18层CNN分类器对声谱图进行处理;
S34、计算30秒时间段内处于入睡时间的概率值,并输出入睡时间。
本发明的有益效果为:本发明通过利用人体反射无线电信号提取人***置和呼吸信息进而计算睡眠参数,无需用户佩戴传感器和记录睡眠情况,能同时监控不同床上的多个用户,且检测得到的睡眠参数具备临床意义;通过分析反射信号从而提取用户呼吸、心率和位置,自动检测用户床的位置,识别用户上床睡觉时间和离床时间,进而实现在不涉及用户隐私的前提下对受试者的睡眠参数进行监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于无线信号的睡眠参数评估方法的流程示意图;
图2是根据本发明实施例的一种基于无线信号的睡眠参数评估方法中睡眠参数定义示意图;
图3是根据本发明实施例的一种基于无线信号的睡眠参数评估方法中灰度图像的自动阈值法原理图;
图4是根据本发明实施例的一种基于无线信号的睡眠参数评估方法中对床区域进行识别的流程示意图;
图5是根据本发明实施例的一种基于无线信号的睡眠参数评估方法中像素平面直方图提取静止区域的流程示意图;
图6是根据本发明实施例的一种基于无线信号的睡眠参数评估方法中对卧床时间进行时间段分类的流程示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于无线信号的睡眠参数评估方法。
现结合附图和具体实施方式对本发明进一步说明,如图1-6所示,根据本发明实施例的基于无线信号的睡眠参数评估方法,该方法包括以下步骤:
S1、对检测区域进行划分,并对床区域进行识别;
S2、识别并记录床区域中人的卧床时间;
S3、对卧床时间进行时间段分类;
S4、根据分类后的卧床时间计算睡眠参数。
在一个实施例中,所述S1中对检测区域进行划分,并对床区域进行识别包括以下步骤:
S11、利用调频连续波无线电及天线将检测区域划分为500*500像素;
S12、采用滤波器将500*500像素分为空、静止及移动集合;
具体的,***使用调频连续波(FMCW)无线电和天线阵列的组合。将检测区域x-y平面划分为M*M像素。每50毫秒对每个像素测量反射信号,通过两个滤波器给该像素贴上“有移动的人”、“有静止的人”或“没有人(空)”的标签。
S13、制作静止集合的像素平面直方图;
S14、根据像素平面直方图提取静止区域;
S15、识别静止区域中的床区域。
具体的,人坐下或躺下的区域(静止区域)在一天内将积累许多“有静止的人”标签,因此将在直方图中显示为峰值。像素越暗,表明在该位置停留的时间越长。
在一个实施例中,所述S12中采用滤波器将500*500像素分为空、静止及移动集合包括以下步骤:
S121、每50毫秒对每个像素的反射信号进行测量;
S122、利用呼吸频率周围的带通滤波器捕捉人呼吸时的胸部运动,并判断检测区域是否有人;
S123、利用高通滤波器捕捉人体运动,并判断人是移动或静止;
S124、根据高通滤波器及带通滤波器的检测结果将500*500像素分为空、静止及移动集合。
在一个实施例中,所述S14中根据像素平面直方图提取静止区域包括以下步骤:
S141、采用灰度图像自动阈值算法将平面直方图二值化为前景和背景;
S142、若出现两个相连的静止区域,则将两个静止区域连接部分值的大小对转换后的图像进行归一化处理;
S143、利用分水岭算法将相连的静止区域进行分离。
具体的,为了分割粘连的静止区域并筛选出可能是床的区域,具体做法是:
一、使用灰度图像的自动阈值法将输入图像二值化为前景和背景,此时可能有两个静止区域是相连的;
二、根据两个静止区域连接部分的值的大小对转换后的图像进行归一化,然后进行距离变换,计算该图像前景中每个像素到背景的最近距离,可以应用一个距离阈值来获得静止区域中心部分,作为分水岭算法的标记;
三、使用分水岭算法分割出单独的静止区域,去除了面积太小而不能当床的区域,其余区域是可能是床的区域;
此外,距离变换的基本含义是计算一个图像中非零像素点到最近的零像素点的距离,也就是到零像素点的最短距离。最常见的距离变换算法就是通过连续的腐蚀操作来实现,腐蚀操作的停止条件是所有前景像素都被完全腐蚀。这样根据腐蚀的先后顺序,我们就得到各个前景像素点到前景中心骨架像素点的距离。根据各个像素点的距离值,设置为不同的灰度值。这样就完成了二值图像的距离变换;上面采用的方法是设定一个距离阈值来获得中心部分作为分水岭算法的标记;利用原图像和标记,完成分水岭分割。
在一个实施例中,所述S141中采用灰度图像自动阈值算法将平面直方图二值化为前景和背景的公式为:
Var=w0×(u0-u)2+w1×(u1-u)2
其中,前景点数占图像比例为w0,平均灰度为u0,后景点数占图像比例为w1,平均灰度为u1,图像的总平均灰度为u。
在一个实施例中,所述S15中识别静止区域中的床区域的公式为:
其中,是对区域Ai的最终预测,f(.)是SVM分类器,f(Ai;d)是第d天Ai区域的二进制预测结果。
为了在静止区域中识别床的区域,仅使用在一个静止区域花费的时间量作为分类特征是不够的,还使用静止时间与移动时间的比率:取该区域中所有像素的所有“有静止的人”标签的总和,除以该区域中所有像素的所有“有移动的人”标签的总和。根据采集样本数据的分布特点,使用上述两个特征来训练具有线性核的SVM床分类器。为了确定一个静止区域是否是一张床,我们查看了它在过去D天的预测标签。如果标记为卧床的天数百分比大于γ,则可以确定床的区域,其中默认值是D=7且γ=5/7。
在一个实施例中,所述S2中识别并记录床区域中人的卧床时间包括以下步骤:
S21、根据像素静止及移动集合构造隐马尔可夫模型观测值;
S22、利用手动标记训练数据学习隐马尔可夫模型的转移概率矩阵和观测概率矩阵;
S23、采用维特比算法的动态规划求取概率最大的状态序列;
S24、根据状态转换确定上下床时间,并计算记录卧床时间。
具体的,基于无线电信号的定位返回人在环境中的位置的误差可能高达一米,因此,当检测上下床时间时,***将位置测量视为真实状态的噪声观测,使用隐式马尔可夫模型从观测中推断真实状态。
在一个实施例中,所述S23中采用维特比算法的动态规划求取概率最大的状态序列的公式为:
其中,t时刻的隐藏状态建模为st∈S,观测建模为ot∈O;状态集合为S={S0,S1},S0表示在床上的状态,S1表示在床外的状态;观测集合为观测区域分为床区域(R0)、围绕着床区域50厘米宽的缓冲区域(R1)和外部区域(R2)。对于每个5秒窗口观测到的用户位置,Rs表示对应于窗口第一秒的区域,而Re表示对应于窗口最后一秒的区域;N为序列总数P(s1)为初始状态概率。
维特比算法求取概率最大的状态序列流程:
1、初始化:输入P(s1)、观测值序列转移概率矩阵T和观测概率矩阵E,计算δ1(s1)=P(s1)P(o1|s1);
2、递推:在t=2,3,…,N时刻,对于st所有可能的状态st=S0,S1,计算t时刻st状态所有单个路径中概率最大值:δt(st)=maxδt-1(st-1)P(st|st-1)P(ot|st),并记录该最大值对应单个路径t-1时刻状态:
3、在t=N时刻,最优状态为进行最优路径回溯:对于t=N-1,N-2,…,1时刻,/>即可获得最优状态序列/>
用隐马尔可夫模型预测一个人何时进入床(从S1到S0的状态转换)以及何时离开床(从S0到S1的状态转换),即可确定卧床时间TIB。
在一个实施例中,所述S3中对卧床时间进行时间段分类包括将卧床时间分为睡眠潜伏期、入睡时间及睡眠开始后清醒时间。
在一个实施例中,所述S3中对卧床时间进行时间段分类包括以下步骤:
S31、测量卧床时间内每30秒时间段人所在区域的像素反射信号;
S32、将像素反射信号处理成声谱图并输入CNN分类器;
S33、利用构造的18层CNN分类器对声谱图进行处理;
S34、计算30秒时间段内处于入睡时间的概率值,并输出入睡时间。具体的,为了检测用户何时入睡,以及整个晚上的睡眠-清醒的时间,将卧床时间分为30秒的时间段,需要将每个时间段分类为睡眠和清醒两类。具体做法是,对于每个时间段,考虑从标记为“有静止的人”或“有移动的人”的像素反射的信号,用这些信号来估计使用者的呼吸模式和身体运动。基于卷积神经网络(CNN)在时间信号进行分类。用残差网络模型建立了18层CNN分类器。分类器以在每个时间段信号的声谱图作为输入,输出人睡着的概率,即获得一系列概率{Pi}n,其中n是卧床时间内的30秒时间段总数,i是第i个时间段。
睡眠开始时间:在训练CNN时,该模型试图最大化预测整个晚上睡眠-清醒的整体准确性,但不能最大化检测确切睡眠开始时间的准确性。因此,取一个窗口,包含Pi的概率大于0.5的第一个时间段之前和之后各15分钟。我们在上述CNN的基础上构建了一个梯度增强回归器,回归器将上述窗口中各个时间段的信号作为输入,预测成为睡眠开始时间段的概率,具有最大概率的时间段被认为是睡眠开始时间段k。
TST:从时间段k之后开始Pi>0.5的所有时间段的总持续时间。
WASO:时间段k之后开始Pi<=0.5的所有时间段的总持续时间。
SE:最后,睡眠效率(SE)直接计算为TST/TIB。
SL:睡眠潜伏时间(SL)是上床时间和睡眠开始时间段k开始时间之间的时间差。
综上所述,借助于本发明的上述技术方案,本发明通过利用人体反射无线电信号提取人***置和呼吸信息进而计算睡眠参数,无需用户佩戴传感器和记录睡眠情况,能同时监控不同床上的多个用户,且检测得到的睡眠参数具备临床意义;通过分析反射信号从而提取用户呼吸、心率和位置,自动检测用户床的位置,识别用户上床睡觉时间和离床时间,进而实现在不涉及用户隐私的前提下对受试者的睡眠参数进行监测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于无线信号的睡眠参数评估方法,其特征在于,该方法包括以下步骤:
S1、对检测区域进行划分,并对床区域进行识别;
S2、识别并记录床区域中人的卧床时间;
S3、对卧床时间进行时间段分类;
S4、根据分类后的卧床时间计算睡眠参数;
所述S1中对检测区域进行划分,并对床区域进行识别包括以下步骤:
S11、利用调频连续波无线电及天线将检测区域划分为500*500像素;
S12、采用滤波器将500*500像素分为空、静止及移动集合;
S13、制作静止集合的像素平面直方图;
S14、根据像素平面直方图提取静止区域;
S15、识别静止区域中的床区域;
所述S14中根据像素平面直方图提取静止区域包括以下步骤:
S141、采用灰度图像自动阈值算法将平面直方图二值化为前景和背景;
S142、若出现两个相连的静止区域,则将两个静止区域连接部分值的大小对转换后的图像进行归一化处理;
S143、利用分水岭算法将相连的静止区域进行分离。
2.根据权利要求1所述的一种基于无线信号的睡眠参数评估方法,其特征在于,所述S12中采用滤波器将500*500像素分为空、静止及移动集合包括以下步骤:
S121、每50毫秒对每个像素的反射信号进行测量;
S122、利用呼吸频率周围的带通滤波器捕捉人呼吸时的胸部运动,并判断检测区域是否有人;
S123、利用高通滤波器捕捉人体运动,并判断人是移动或静止;
S124、根据高通滤波器及带通滤波器的检测结果将500*500像素分为空、静止及移动集合。
3.根据权利要求2所述的一种基于无线信号的睡眠参数评估方法,其特征在于,所述S141中采用灰度图像自动阈值算法找到最佳阈值T,使得前景和背景的类间方差最大化,将平面直方图二值化为前景和背景,前景和背景的类间方差公式为:
;
其中,前景点数占图像比例为w0,平均灰度为u0,后景点数占图像比例为w1,平均灰度为u1,图像的总平均灰度为u。
4.根据权利要求2所述的一种基于无线信号的睡眠参数评估方法,其特征在于,所述S15中识别静止区域中的床区域的公式为:
;
其中,是对区域Ai的最终预测,f(.)是SVM分类器,f(Ai;d)是第d天Ai区域的二进制预测结果。
5.根据权利要求4所述的一种基于无线信号的睡眠参数评估方法,其特征在于,所述S2中识别并记录床区域中人的卧床时间包括以下步骤:
S21、根据像素静止及移动集合构造隐马尔可夫模型观测值;
S22、利用手动标记训练数据学习隐马尔可夫模型的转移概率矩阵和观测概率矩阵;
S23、采用维特比算法的动态规划求取概率最大的状态序列;
S24、根据状态转换确定上下床时间,并计算记录卧床时间。
6.根据权利要求5所述的一种基于无线信号的睡眠参数评估方法,其特征在于,所述S23中采用维特比算法的动态规划求取概率最大的状态序列的公式为:
;
其中,t时刻的隐藏状态建模为,观测建模为/>;状态集合为/>,S0表示在床上的状态,S1表示在床外的状态;观测集合为/>,观测区域分为床区域R0、围绕着床区域50厘米宽的缓冲区域R1和外部区域R2,对于每个5秒窗口观测到的用户位置,Rs表示对应于窗口第一秒的区域,而Re表示对应于窗口最后一秒的区域;N为序列总数;/>为初始状态概率。
7.根据权利要求1所述的一种基于无线信号的睡眠参数评估方法,其特征在于,所述S3中对卧床时间进行时间段分类包括将卧床时间分为睡眠潜伏期、入睡时间及睡眠开始后清醒时间。
8.根据权利要求7所述的一种基于无线信号的睡眠参数评估方法,其特征在于,所述S3中对卧床时间进行时间段分类包括以下步骤:
S31、测量卧床时间内每30秒时间段人所在区域的像素反射信号;
S32、将像素反射信号处理成声谱图并输入CNN分类器;
S33、利用构造的18层CNN分类器对声谱图进行处理;
S34、计算30秒时间段内处于入睡时间的概率值,并输出入睡时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110703691.1A CN113456027B (zh) | 2021-06-24 | 2021-06-24 | 一种基于无线信号的睡眠参数评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110703691.1A CN113456027B (zh) | 2021-06-24 | 2021-06-24 | 一种基于无线信号的睡眠参数评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113456027A CN113456027A (zh) | 2021-10-01 |
CN113456027B true CN113456027B (zh) | 2023-12-22 |
Family
ID=77872636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110703691.1A Active CN113456027B (zh) | 2021-06-24 | 2021-06-24 | 一种基于无线信号的睡眠参数评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113456027B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114543281B (zh) * | 2022-02-18 | 2023-08-18 | 青岛海信日立空调***有限公司 | 基于雷达设备的睡具位置检测方法及装置、空调室内机 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11341474A (ja) * | 1998-05-28 | 1999-12-10 | Matsushita Electric Works Ltd | 異常監視装置 |
CN103325112A (zh) * | 2013-06-07 | 2013-09-25 | 中国民航大学 | 动态场景中运动目标快速检测方法 |
JP2015223215A (ja) * | 2014-05-26 | 2015-12-14 | アイシン精機株式会社 | 睡眠評価装置 |
CN106510663A (zh) * | 2016-11-28 | 2017-03-22 | 沃康(上海)家具有限公司 | 一种基于物联网的睡眠监控方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI317630B (en) * | 2007-03-12 | 2009-12-01 | Taiwan Textile Res Inst | Respiration monitoring system |
JP5771778B2 (ja) * | 2010-06-30 | 2015-09-02 | パナソニックIpマネジメント株式会社 | 監視装置、プログラム |
-
2021
- 2021-06-24 CN CN202110703691.1A patent/CN113456027B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11341474A (ja) * | 1998-05-28 | 1999-12-10 | Matsushita Electric Works Ltd | 異常監視装置 |
CN103325112A (zh) * | 2013-06-07 | 2013-09-25 | 中国民航大学 | 动态场景中运动目标快速检测方法 |
JP2015223215A (ja) * | 2014-05-26 | 2015-12-14 | アイシン精機株式会社 | 睡眠評価装置 |
CN106510663A (zh) * | 2016-11-28 | 2017-03-22 | 沃康(上海)家具有限公司 | 一种基于物联网的睡眠监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113456027A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240221948A1 (en) | Systems and methods of analyte measurement analysis | |
Fraser et al. | Automated biosignal quality analysis for electromyography using a one-class support vector machine | |
JP2024026058A (ja) | 患者の生理学的特徴を推論するための、非侵襲的な心臓モニタ、および記録された心臓データの使用方法 | |
CN109452935B (zh) | 使用统计后处理从血管容积图估计血压的无创方法和*** | |
CN103429150A (zh) | 用于监测生理信号的监测装置 | |
CN111248879B (zh) | 一种基于多模态注意力融合的高血压老年人活动分析方法 | |
JP2011083393A (ja) | 睡眠ステージ自動判定の装置と方法およびそのためのコンピュータプログラム | |
CN111067503A (zh) | 一种基于心率变异性的睡眠分期方法 | |
CN116098602B (zh) | 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 | |
CN116602663B (zh) | 一种基于毫米波雷达的智能监测方法及*** | |
CN111685774B (zh) | 基于概率集成回归模型的osahs诊断方法 | |
CN113456027B (zh) | 一种基于无线信号的睡眠参数评估方法 | |
Alivar et al. | Motion detection in bed-based ballistocardiogram to quantify sleep quality | |
JP7216408B2 (ja) | 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法および睡眠時無呼吸症候群判定プログラム | |
CN113793300A (zh) | 一种基于红外热像仪的非接触式呼吸率检测方法 | |
CN115474901A (zh) | 基于无线射频信号的非接触式起居状态监测方法及*** | |
CN114550932A (zh) | 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 | |
CN118447579A (zh) | 基于音视频结合的老人取药动作识别方法、装置及设备 | |
Ahmed et al. | Classification of sleep-wake state in ballistocardiogram system based on deep learning | |
Warrick et al. | A machine learning approach to the detection of fetal hypoxia during labor and delivery | |
Liang et al. | Passive fetal movement signal detection system based on intelligent sensing technology | |
Parbat et al. | Multiscale entropy analysis of single lead ECG and ECG derived respiration for AI based prediction of sleep apnea events | |
KR102645586B1 (ko) | 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법 | |
CN114145722B (zh) | 一种面向胰腺炎患者的脉搏病理特征挖掘方法 | |
Nallathambi et al. | Pulse based signal processing for systolic peak recognition |
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 |