CN116138745B - 融合毫米波雷达和血氧数据的睡眠呼吸监测方法及设备 - Google Patents
融合毫米波雷达和血氧数据的睡眠呼吸监测方法及设备 Download PDFInfo
- Publication number
- CN116138745B CN116138745B CN202310438289.4A CN202310438289A CN116138745B CN 116138745 B CN116138745 B CN 116138745B CN 202310438289 A CN202310438289 A CN 202310438289A CN 116138745 B CN116138745 B CN 116138745B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- characteristic information
- sliding window
- respiratory
- 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
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
- A61B5/4806—Sleep evaluation
-
- 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
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Pulmonology (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种融合毫米波雷达和血氧数据的睡眠呼吸监测方法及设备,所述方法包括:获取毫米波雷达设备提供的雷达数据以及血氧设备采集的血氧数据;根据所述雷达数据确定入睡时间和晨醒时间;对所述血氧数据进行特征提取,获得监测对象在入睡时间至晨醒时间内的氧减特征信息;对所述雷达数据进行特征提取,获得监测对象在入睡时间至晨醒时间内的呼吸特征信息、心率特征信息和体动特征信息;根据所述氧减特征信息、所述呼吸特征信息、所述心率特征信息和所述体动特征信息确定入睡时间至晨醒时间内的呼吸异常事件。
Description
技术领域
本发明涉及人体数据监测与分析领域,具体涉及一种融合毫米波雷达和血氧数据的睡眠呼吸监测方法及设备。
背景技术
传统的睡眠呼吸异常监测主要是利用多导联睡眠监测仪(Polysomnography,PSG)对被试者睡眠过程中的多种生理信号进行监测,技师通过分析整晚的脑电图、血氧图、鼻气流图以及胸腹运动的相关图像对呼吸异常事件进行检测。
传统的多导联睡眠监测仪需要被试者佩戴较多的传感器,如:鼻导管、热敏电阻、胸腹带、脑电设备,在一定程度上影响被试者睡眠的舒适程度。胸腹带对人体组织造成压迫,导致被试者无法处于自然的睡眠状态,影响最终的监测结果;导联设备在穿戴的过程中操作复杂,需要有专业人员的指导,个人很难独立完成佩戴,佩戴的位置不正确也会影响监测结果;被监测人员在睡眠过程中的一些活动,例如翻身、体动,容易导致监测设备的移位,影响监测结果;设备在佩戴过程中难以完全拆除,对于一些起夜的行为,会造成不便影响。传统PSG设备的成本高,价格昂贵,使用不方便,难以实现大规模普及与应用。
发明内容
有鉴于此,本发明提供一种融合毫米波雷达和血氧数据的睡眠呼吸监测方法,包括:获取毫米波雷达设备提供的雷达数据以及血氧设备采集的血氧数据;根据所述雷达数据确定入睡时间和晨醒时间;对所述血氧数据进行特征提取,获得监测对象在入睡时间至晨醒时间内的氧减特征信息;对所述雷达数据进行特征提取,获得监测对象在入睡时间至晨醒时间内的呼吸特征信息、心率特征信息和体动特征信息;根据所述氧减特征信息、所述呼吸特征信息、所述心率特征信息和所述体动特征信息确定入睡时间至晨醒时间内的呼吸异常事件。
可选地,所述氧减特征信息、所述呼吸特征信息、所述心率特征信息和所述体动特征信息分别为多种滑窗长度和步长设置下截取并计算得到的信息序列;确定呼吸异常事件的操作具体包括:利用机器学习模型分别对每种滑窗设置下的所述信息序列进行识别,得到每种滑窗设置下的呼吸异常事件序列,所述呼吸异常事件包括事件起始与结束时间和各种呼吸异常类型的置信度;根据所述事件起始与结束时间和各种呼吸异常类型的置信度对每种滑窗设置下的呼吸异常事件序列进行整合得到一个呼吸异常事件序列。
可选地,对每种滑窗设置下的呼吸异常事件序列进行整合得到一个呼吸异常事件序列的操作具体包括:获取每种滑窗设置下的呼吸异常事件序列中所述事件起始与结束时间区间存在交叠的呼吸异常事件;比对所述事件起始与结束时间区间存在交叠的呼吸异常事件的置信度,保留具有最高置信度的呼吸异常事件。
可选地,对所述血氧数据进行特征提取,具体包括:从所述血氧数据中识别氧减事件,所述氧减事件是指血氧数据低于预设血氧阈值;利用不同尺度和步长的滑窗截取所述血氧数据,判断每一个滑窗内及滑窗后一定时间范围内的血氧数据是否包含所述氧减事件;对于划定的分析时长范围内发生了血氧下降的滑窗,确定其中的血氧下降最低值与下降起始值的差值和所述血氧下降最低值对应的时间点与滑窗起点的时间差;利用是否发生血氧下降事件的标志位以及所述差值和所述时间差组成滑窗对应的氧减特征信息。
可选地,所述雷达数据中包括距离维呼吸多普勒数据,即处于不同距离的胸腹部位沿雷达视线方向的运动速度,所述呼吸特征信息包括胸腹运动特征信息;获得监测对象在入睡时间至晨醒时间内的胸腹运动特征信息,具体包括:利用不同尺度和步长的滑窗截取所述距离维呼吸多普勒数据;针对每一个滑窗内的距离维呼吸多普勒数据,根据距离划分胸部和腹部界限,沿距离维度分别将胸部腹部距离维呼吸多普勒数据进行加和,求胸腹分别加和后胸部加和向量与腹部加和向量的相关系数,作为滑窗对应的胸腹运动特征信息。
可选地,所述雷达数据包括距离维呼吸多普勒数据,所述呼吸特征信息包括呼吸速率变化特征信息。
可选地,获得监测对象在入睡时间至晨醒时间内的呼吸速率变化特征信息,具体包括:将距离维呼吸多普勒数据沿距离维加和,得到呼吸速率曲线;利用不同尺度和步长的滑窗和检测窗截取所述呼吸速率曲线,所述检测窗的长度大于所述滑窗的长度,并以所述滑窗为中心扩展得到所述检测窗;计算滑窗内的呼吸速率与检测窗内滑窗外的呼吸速率的比值,作为窗内对应的呼吸速率变化特征信息。
可选地,所述雷达数据包括心率曲线;获得监测对象在入睡时间至晨醒时间内的心率特征信息,具体包括:利用不同尺度和步长的滑窗截取所述心率曲线,计算其中心率上升的最大峰值对应的时间点与滑窗终点的时间差,并计算所述峰值与所述峰值之前一定时间内心率的平均值的差值作为滑窗对应的心率上升值特征;利用所述心率上升值特征和所述时间差组成滑窗对应的心率上升特征信息。
可选地,所述雷达数据中包括体动功率数据,即处于不同距离的人体部位的回波强度;获得监测对象在入睡时间至晨醒时间内的体动特征信息,具体包括:将体动功率数据沿距离维进行加和,得到一条沿时间维度的功率加和曲线,再沿时间维度对功率加和得到的曲线进行平滑处理;利用不同尺度和步长的滑窗截取功率加和曲线,针对每一个滑窗内的数据,在时间维度上计算相邻两秒的功率比值,确定滑窗内功率比值的最大值,作为滑窗对应的体动特征信息。
相应地,本发明还提供一种睡眠呼吸监测设备,包括:处理器以及与所述处理器连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令被所述处理器执行,以使所述处理器执行上述融合毫米波雷达和血氧数据的睡眠呼吸监测方法。
根据本发明实施例提供的睡眠呼吸监测方法,利用毫米波雷达和一个手带式血氧监测设备获取睡眠及睡眠呼吸异常分析所需的各个特征,首先可以根据雷达数据识别出被试者的入睡和晨醒时间,以截取入睡状态下的数据,然后从血氧、呼吸、心率、体动这四个维度识别呼吸异常事件,能够得到较准确的识别结果。本方案监测方便,使用方法简单且不侵犯隐私。雷达和血氧设备对人的睡眠质量影响小,不会对人体造成损害,数据传输稳定,查看结果方便,既能够对人员进行长期的睡眠及呼吸异常监测,又可以辅助医生进行呼吸异常疾病的初筛。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为一种睡眠监测***的示意图;
图2为本发明实施例中的睡眠呼吸监测方法的流程图;
图3为呼吸异常事件的可视化统计结果的示例图;
图4为本发明实施例中的机器学习模型针对两种滑窗输出的识别结果示意图;
图5为本发明实施例中截取呼吸特征信息的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
图1示出了一种基于毫米波雷达的睡眠监测***,包括用户端、云计算端和展示端,用户端具体包括毫米波雷达设备和血氧设备,毫米波雷达设备采集场景内的回波信号,经过数字信号处理的相关算法对原始数据进行预处理,可以得到的数据包括但不限于一维距离像、噪声功率、呼吸数据、心率数据等;血氧设备(腕表式)采集人的血氧信息;云计算端用于接收用户端的数据并对其进行解析,通过分析解析后的数据,生成睡眠监测报告上所需的结果,将结果存储至数据库,并同步给网络后台,后台将数据传输至展示端,最终呈现出监测人员所需的健康报告,可在网页上查看或下载。
本发明提供一种基于毫米波雷达数据的睡眠呼吸异常监测方法,在本实施例中由上述云计算端执行,在其它实施例中也可以由计算机或者移动终端等其它电子设备执行,如图2所示本方法包括如下操作:
S1,获取毫米波雷达设备提供的雷达数据以及血氧设备采集的血氧数据。毫米波雷达设备可以对回波信号进行预处理得到一系列雷达数据,具体是指整个监测期间内的连续数据,也即是被试者在监测期间内随时间变化的数据,例如一维距离像、呼吸数据、心率数据、体动数据等等。同样地,血氧数据也是随时间变化的连续数据,血氧采集设备可以将血氧数据发送给雷达设备,由雷达设备将血氧数据和预处理得到的雷达数据通过网络发送至云端,数据在云端通过解析打包转换为算法可识别的文件,文件存储在服务器。网络端通过一个定时程序调用算法端,并传输一个文件路径,算法端通过文件路径读取服务器中的数据并对数据进行处理。
S2,根据雷达数据确定入睡时间和晨醒时间。通过步骤S1得到的是监测期间内的数据,也就是雷达设备和血氧采集设备处于工作状态下所得到的全部数据,但监测期间不等于被监测人员的睡眠期间,因此需要根据雷达数据识别出人员何时进入睡眠状态和醒来的时间,目的是截取睡眠期间的数据。
根据不同实施例中雷达数据的具体类型,可以采用不同的方法得到入睡时间和晨醒时间。作为举例,比如可以只根据一维距离像数据识别人员在监测期间内第一次躺下和最后一次起身的时间,作为入睡和晨醒时间。当然也可以进一步结合其它数据精确地识别,比如可以根据呼吸状态、体动数据和心率数据等综合地分析人的状态,这些数据可以用于分析人体是否进入一个相对稳定的状态,由此确定被监测人员在躺下后何时进入睡眠,以及起身前何时清醒。
S3,对血氧数据进行特征提取,获得被试者在入睡时间至晨醒时间内的氧减特征信息。具体来说,首先可以截取睡眠状态下的血氧数据,针对连续的血氧数据进行分析,比如可以确定血氧低于阈值的时间点、时间段,以及相应的血氧数值、最低值,血氧变化率等,都可以作为氧减特征值。没有发生氧减的时间也有相应的特征信息,比如是一个标志位,表示此时间血氧正常,发生氧减的时间也有标志位,表示此时间血氧异常,同时有上述各种数值,因此氧减特征信息仍应被视为一种随时间变化的信息流。
S4,对雷达数据进行特征提取,获得监测对象在入睡时间至晨醒时间内的呼吸特征信息、心率特征信息和体动特征信息。与氧减特征信息类似,本步骤中所得到的三种特征信息均属于随时间变化的信息流。作为举例,呼吸特征信息可以是随时间变化的呼吸速率等、心率特征信息可以是随时间变化的心率或者心率的变化率等、体动特征信息可以是随时间变化的身体动作幅度等(比如睡眠中的翻身、四肢动作)。得到这些特征信息的方式有多种,根据不同实施例中雷达数据的具体类型,可以采用不同的方法,基于雷达设备提供的功率数据或通过功率数据经过数学变换得到的其他数据(比如多普勒、体动功率)等等可以得到这些特征信息。
S5,根据氧减特征信息、呼吸特征信息、心率特征信息和体动特征信息确定入睡时间至晨醒时间内的呼吸异常事件。具体可以采用机器学习模型实现识别,预先采用有监督、无监督或半监督的训练方法对模型进行训练,将这些特征信息作为模型的输入数据,模型针对一段时间的四种特征信息进行识别和截取,输出此时间段内是否属于呼吸异常,以及异常类型的结果。关于异常类型,具体可以包括阻塞、中枢、混合呼吸异常和低通气。对睡眠状态下的上述特征信息以时间段进行逐一识别,即可得到整个睡眠状态下所发生的所有呼吸异常事件,对于每一个呼吸异常事件,其中包括是否属于异常、具体的事件类型以及相应的起始结束时间。
图3是将呼吸异常事件绘制成可视化统计结果的示例,其中横坐标表示事件发生的起始时间,纵坐标表示事件持续时长,竖向的线段表示在对应的时间发生了某种呼吸异常事件,OSA为阻塞型睡眠呼吸暂停、CSA为中枢型睡眠呼吸暂停、MSA为混合型睡眠呼吸暂停、HPY为低通气。
在得到呼吸异常事件的基础上还可以进一步统计、计算一些指标,比如图2上方表格中的各种异常事件的平均持续时长、最长持续时长等等,这些信息可以通过展示端向用户进行展示。
根据本发明实施例提供的睡眠呼吸监测方法,利用毫米波雷达和一个手带式血氧监测设备获取睡眠及睡眠呼吸异常分析所需的各个特征,首先可以根据雷达数据识别出被试者的入睡和晨醒时间,以截取入睡状态下的数据,然后从血氧、呼吸、心率、体动这四个维度识别呼吸异常事件,能够得到较准确的识别结果。本方案监测方便,使用方法简单且不侵犯隐私。雷达和血氧设备对人的睡眠质量影响小,不会对人体造成损害,数据传输稳定,查看结果方便,既能够对人员进行长期的睡眠及呼吸异常监测,又可以辅助医生进行呼吸异常疾病的初筛。
对于需要区分具体异常类型的实施例,为了使模型的识别结果准确性更高,在一个实施例中上述氧减特征信息、呼吸特征信息、心率特征信息和体动特征信息分别为多种滑窗长度和步进设置下截取并计算得到的信息序列。
具体地,以两种滑窗长度和步进为例,具体是指采用第一种滑窗长度和步进对血氧数据和雷达数据进行截取和分析,第一种滑窗和步长的第i个滑窗的特征信息可以表示为{O1i、B1i、H1i、M1i}t1i,其中O1i表示氧减特征信息、B1i表示呼吸特征信息、H1i表示心率特征信息、M1i表示体动特征信息;采用第二种滑窗长度和步进,对血氧数据和雷达数据进行截取和分析,第二种滑窗和步长的第i个滑窗的特征信息可以表示为{O2i、B2i、H2i、M2i}t2i。由于滑窗的作用是检测这段时间内是否发生了呼吸异常事件,提取出的各特征信息都是特定的或相同维度的特征向量,因此最终送入模型的特征向量长度不受滑窗与步进的影响,即{O1i、B1i、H1i、M1i}t1i与{O2i、B2i、H2i、M2i}t2i的长度相同。
进一步地,在步骤S5中:利用机器学习模型分别对不同滑窗和步进对应的特征信息序列进行识别,得到相应的呼吸异常事件序列,所述呼吸异常事件包括时间信息和各种呼吸异常类型的置信度。机器学习模型具体可以是SVM模型,针对各种长度和步进的滑窗数据分别输出识别结果。以图4为例,纵坐标表示异常事件的置信度、横坐标表示时间,两条线分别代表针对两种滑窗数据输出的结果。其中事件1和事件4是针对第一种滑窗数据的识别结果,事件2和事件3是针对第二种滑窗数据的识别结果,这些事件可以是不同的异常类型,该段的幅度表示此异常类型的置信度,比如事件1为OSA,置信度为0.8;事件4为CSA,置信度为0.9;事件2为CSA,置信度为0.6;事件3为MSA置信度为0.95。其它置信度为0的位置表示没有异常事件。
根据时间信息和呼吸异常类型的置信度对各个呼吸异常事件序列进行整合得到一个呼吸异常事件序列。在如图4所示的示例中,两种识别结果存在时间交叠的部分,对诸如此状态的识别结果进行整合的方法有多种。在优选实施例中,可以获取各个呼吸异常事件序列中时间信息存在交叠的呼吸异常事件;比对时间信息存在交叠的呼吸异常事件的置信度,保留具有最高置信度的呼吸异常事件。对于其它不存在交叠的呼吸异常事件则全部保留。
仍以图4为例,按照上述优选方案整合得到的结果是事件1为OSA,事件2为MSA,原事件2和原事件4由于置信度低被舍弃。
下面的实施例提供可选的提取上述特征信息的方式。
在一个实施例中,关于提取血氧特征信息,具体可以采用如下方式:
S31,从血氧数据中识别氧减事件,氧减事件是指血氧数据下降到低于预设血氧阈值,并且整个下降过程的持续时间达到一定长度(例如10秒)。具体地,在整晚睡眠期间的睡眠数据上,可以设定一个血氧下降阈值,在时间维度上,当血氧下降到阈值以下并且整个下降过程持续了10秒以上时视为发生了氧减事件,记录此氧减事件发生的起始时间以及起始时间对应的血氧与下降的最低血氧的差值,以此规则记录整晚睡眠时间内的氧减事件。
S32,利用不同尺度和步长的滑窗截取血氧数据,判断每一个滑窗内及滑窗后一定时间范围内的血氧数据是否包含所述氧减事件,滑窗结尾后一定时间的长度为预设值,比如若干秒。将滑窗起点至滑窗结尾后一定时间称为分析时长,若该分析时长中包含氧减事件,设置氧减标志位为1否则为0。对于划定的分析时长范围内发生了血氧下降的滑窗,确定其中的血氧下降最低值与下降起始值的差值和血氧下降最低值对应的时间点与滑窗起点的时间差。
S33,利用是否发生血氧下降的标志位以及上述差值和时间差组成滑窗对应的氧减特征信息。比如标志位为1表示分析时长内发生了氧减事件,标志位为0表示分析时长内未发生氧减事件,一个滑窗对应的氧减特征信息即为[氧减标志位,血氧差值,时间差];标志位为0的滑窗,血氧差值为0和时间差为0,可以将此信息视为一个特征向量。
根据上述优选实施例,在识别呼吸异常事件时,输入给机器学习模型的氧减特征信息是以滑窗为对象的特征向量,其具有相应滑窗数据的氧减标志位、血氧最低值和时间差,由此可以提高对呼吸异常事件识别结果的准确性。
在一个实施例中,雷达数据中包括距离维呼吸多普勒数据,即处于不同距离的胸腹部位沿雷达视线方向的运动速度;呼吸特征信息包括胸腹运动特征信息,关于获得胸腹运动特征信息,具体可以采用如下方式:
S41A,利用不同尺度和步长的滑窗截取距离维呼吸多普勒数据。
S42A,针对每一个滑窗内的距离维呼吸多普勒数据,根据距离划分胸部和腹部界限,沿距离维度分别将胸部腹部距离维呼吸多普勒数据进行加和,求胸腹加和后胸部加和特征向量和腹部加和特征向量的相关系数,作为胸腹运动特征信息。具体地,胸腹位置由距离确定,雷达设备放置于被测人员头顶,垂直照射人体,胸部位置为30-50厘米处,腹部位置为50-70厘米处,截取这两个距离的雷达信号即可得到胸、腹的数据。
在不同滑窗内,根据距离划分胸部和腹部界限,沿距离维度分别将胸部腹部距离维呼吸多普勒数据进行加和,分别得到长度为滑窗长度的胸部特征向量与腹部特征向量,求胸部特征向量和腹部特征向量的相关系数,作为滑窗对应的胸腹运动特征信息。作为举例,相关系数求解公式为
其中X为滑窗内胸部距离维呼吸多普勒沿距离维度加和后得到的特征向量,Y为滑窗内腹部距离维功率沿距离维度加和后得到的特征向量,Cov表示求协方差、Var表示求方差,r(X,Y)为相关系数。
在一个实施例中,雷达数据包括距离维呼吸多普勒数据,此数据用于提取呼吸特征信息,在本实施例中包括呼吸速率变化特征信息。具体可以采取如下方式提取呼吸速率变化特征信息:
S41B,将距离维呼吸多普勒数据沿距离维加和,得到加和后的曲线,将此曲线视为呼吸速率曲线。
S42B,利用不同尺度和步长的滑窗和检测窗截取呼吸速率曲线,检测窗的长度大于滑窗的长度,并以滑窗为中心扩展得到检测窗。如图5所示,横坐标表示时间,纵坐标表示呼吸速率,其中A表示滑窗,分别向两侧扩展B1和B2得到检测窗。
S43B,计算滑窗内的呼吸速率与检测窗内滑窗外的呼吸速率的比值,作为所述呼吸速率变化特征信息。呼吸速率变化特征信息Feature=f[A]/f[B1+B2], f[A]表示滑窗内的呼吸速率,f[B1+B2]表示检测窗内滑窗外的呼吸速率。由此可以得到随时间变化的呼吸速率变化特征信息。在优选实施例中,以上两个实施例被同时采用,也就是呼吸特征信息包括胸腹运动特征信息和呼吸速率变化特征信息。胸腹运动特征通过一个相关系数反应胸腹之间的运动关系,当胸腹运动方向相反时相关系数为负,相同时为正。在发生呼吸异常时,常伴有胸腹的矛盾运动,通过一个相关系数可以反应胸腹的运动方向和相关性。呼吸速率的变化反映了人体呼吸的状况,当发生呼吸异常事件时,一般存在呼吸速率的明显降低甚至为零的状况。由此可见,上述两种呼吸特征信息中的任一种都可以作为识别呼吸异常的有效依据,当同时采用这两种特征信息时,可以进一步提高对呼吸异常事件识别结果的准确性。
在一个实施例中,雷达数据包括心率曲线,此数据用于提取心率特征信息。具体可以采取如下方式提取心率特征信息:
S41C,从心率曲线中找到所有心率上升的峰值。可以先使用海明滑窗对心率曲线进行平滑处理,基于平滑的曲线识别心率上升峰值和后续分析处理。
S42C,利用不同尺度和步长的滑窗截取所述心率曲线,确定其中心率上升的峰值中的最大值及其对应的时间点与滑窗终点的时间差,并计算最大峰值与峰值之前一定时间内心率的平均值的差值作为滑窗对应的心率上升值特征;
S43C,利用心率上升值和时间差组成滑窗对应的心率上升特征信息。得到[心率上升差值,时间差],是一个二维特征向量。
通过对发生呼吸异常事件时心率变化的数据统计发现,出现呼吸异常事件时,通常伴随心率上升, 心率上升起始时间与呼吸异常结束时间的差值大约在一定时间范围内。
根据上述优选实施例,在识别呼吸异常事件时,输入给机器学习模型的心率特征信息是以滑窗为对象的特征向量,其中具有心率上升差值和时间信息,由此可以提高对呼吸异常事件识别结果的准确性。
在一个实施例中,雷达数据包括体动功率数据,即处于不同距离的人体部位的回波强度,用于提取体动特征信息。具体可以采取如下方式提取体动特征信息:
S41D,将体动功率数据沿距离维进行加和,得到一个沿时间维度的曲线,在时间维度上使用中值滤波进行滤波,通过海明平滑对滤波后的结果进行平滑处理。
S42D,利用不同尺度和步长的滑窗截取功率加和曲线,针对每一个滑窗内的数据,在时间维度上计算相邻两秒的功率比值,确定滑窗内功率比值的最大值,作为滑窗对应的体动特征信息。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种融合毫米波雷达和血氧数据的睡眠呼吸监测方法,其特征在于,包括:
获取毫米波雷达设备提供的雷达数据以及血氧设备采集的血氧数据;
根据所述雷达数据确定入睡时间和晨醒时间;
对所述血氧数据进行特征提取,获得监测对象在入睡时间至晨醒时间内的氧减特征信息;
对所述雷达数据进行特征提取,获得监测对象在入睡时间至晨醒时间内的呼吸特征信息、心率特征信息和体动特征信息;
根据所述氧减特征信息、所述呼吸特征信息、所述心率特征信息和所述体动特征信息确定入睡时间至晨醒时间内的呼吸异常事件,其中所述氧减特征信息、所述呼吸特征信息、所述心率特征信息和所述体动特征信息分别为多种滑窗长度和步长设置下截取并计算得到的信息序列;确定呼吸异常事件的操作具体包括:
利用机器学习模型分别对每种滑窗设置下的所述信息序列进行识别,得到每种滑窗设置下的呼吸异常事件序列,所述呼吸异常事件包括事件起始与结束时间和各种呼吸异常类型的置信度;
根据所述事件起始与结束时间和各种呼吸异常类型的置信度对每种滑窗设置下的呼吸异常事件序列进行整合得到一个呼吸异常事件序列。
2.根据权利要求1所述的方法,其特征在于,对每种滑窗设置下的呼吸异常事件序列进行整合得到一个呼吸异常事件序列的操作具体包括:
获取每种滑窗设置下的呼吸异常事件序列中所述事件起始与结束时间区间存在交叠的呼吸异常事件;
比对所述事件起始与结束时间区间存在交叠的呼吸异常事件的置信度,保留具有最高置信度的呼吸异常事件。
3.根据权利要求1所述的方法,其特征在于,对所述血氧数据进行特征提取,具体包括:
从所述血氧数据中识别氧减事件,所述氧减事件是指血氧数据低于预设血氧阈值;
利用不同尺度和步长的滑窗截取所述血氧数据,判断每一个滑窗内及滑窗后一定时间范围内的血氧数据是否包含所述氧减事件;
对于划定的分析时长范围内发生了血氧下降的滑窗,确定其中的血氧下降最低值与下降起始值的差值和所述血氧下降最低值对应的时间点与滑窗起点的时间差;
利用是否发生血氧下降事件的标志位以及所述差值和所述时间差组成滑窗对应的氧减特征信息。
4.根据权利要求1所述的方法,其特征在于,所述雷达数据中包括距离维呼吸多普勒数据,即处于不同距离的胸腹部位沿雷达视线方向的运动速度,所述呼吸特征信息包括胸腹运动特征信息;
获得监测对象在入睡时间至晨醒时间内的胸腹运动特征信息,具体包括:
利用不同尺度和步长的滑窗截取所述距离维呼吸多普勒数据;
针对每一个滑窗内的距离维呼吸多普勒数据,根据距离划分胸部和腹部界限,沿距离维度分别将胸部腹部距离维呼吸多普勒数据进行加和,求胸腹分别加和后胸部加和向量与腹部加和向量的相关系数,作为滑窗对应的胸腹运动特征信息。
5.根据权利要求1或4所述的方法,其特征在于,所述雷达数据包括距离维呼吸多普勒数据,所述呼吸特征信息包括呼吸速率变化特征信息。
6.根据权利要求5所述的方法,其特征在于,获得监测对象在入睡时间至晨醒时间内的呼吸速率变化特征信息,具体包括:
将距离维呼吸多普勒数据沿距离维加和,得到呼吸速率曲线;
利用不同尺度和步长的滑窗和检测窗截取所述呼吸速率曲线,所述检测窗的长度大于所述滑窗的长度,并以所述滑窗为中心扩展得到所述检测窗;
计算滑窗内的呼吸速率与检测窗内滑窗外的呼吸速率的比值,作为窗内对应的呼吸速率变化特征信息。
7.根据权利要求1所述的方法,其特征在于,所述雷达数据包括心率曲线;
获得监测对象在入睡时间至晨醒时间内的心率特征信息,具体包括:
利用不同尺度和步长的滑窗截取所述心率曲线,
计算其中心率上升的最大峰值对应的时间点与滑窗终点的时间差,并计算所述峰值与所述峰值之前一定时间内心率的平均值的差值作为滑窗对应的心率上升值特征;
利用所述心率上升值特征和所述时间差组成滑窗对应的心率上升特征信息。
8.根据权利要求1所述的方法,其特征在于,所述雷达数据中包括体动功率数据,即处于不同距离的人体部位的回波强度;
获得监测对象在入睡时间至晨醒时间内的体动特征信息,具体包括:
将体动功率数据沿距离维进行加和,得到一条沿时间维度的功率加和曲线,再沿时间维度对功率加和得到的曲线进行平滑处理;
利用不同尺度和步长的滑窗截取功率加和曲线,针对每一个滑窗内的数据,在时间维度上计算相邻两秒的功率比值,确定滑窗内功率比值的最大值,作为滑窗对应的体动特征信息。
9.一种睡眠呼吸监测设备,其特征在于,包括:处理器以及与所述处理器连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令被所述处理器执行,以使所述处理器执行权利要求1-8中任意一项所述的融合毫米波雷达和血氧数据的睡眠呼吸监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310438289.4A CN116138745B (zh) | 2023-04-23 | 2023-04-23 | 融合毫米波雷达和血氧数据的睡眠呼吸监测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310438289.4A CN116138745B (zh) | 2023-04-23 | 2023-04-23 | 融合毫米波雷达和血氧数据的睡眠呼吸监测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116138745A CN116138745A (zh) | 2023-05-23 |
CN116138745B true CN116138745B (zh) | 2023-06-27 |
Family
ID=86339295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310438289.4A Active CN116138745B (zh) | 2023-04-23 | 2023-04-23 | 融合毫米波雷达和血氧数据的睡眠呼吸监测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116138745B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116269298B (zh) * | 2023-02-21 | 2023-11-10 | 郑州大学 | 基于毫米波雷达的非接触式睡眠呼吸监测方法和*** |
CN117204821A (zh) * | 2023-09-22 | 2023-12-12 | 深圳市震有智联科技有限公司 | 一种基于雷达的睡眠特征事件检测方法及*** |
CN117530666B (zh) * | 2024-01-03 | 2024-04-05 | 北京清雷科技有限公司 | 呼吸异常识别模型训练方法、呼吸异常识别方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108283489A (zh) * | 2017-12-16 | 2018-07-17 | 湖南明康中锦医疗科技发展有限公司 | 睡眠呼吸***及方法 |
CN109480787A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法 |
CN110013235A (zh) * | 2019-03-29 | 2019-07-16 | 张恒运 | 一种智能家居睡眠装置及*** |
CN112716474A (zh) * | 2021-01-20 | 2021-04-30 | 复旦大学 | 基于生物微波雷达的非接触式睡眠状态监测方法和*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2265169A4 (en) * | 2008-04-03 | 2013-01-09 | Kai Medical Inc | NON-CONTACT PHYSIOLOGICAL MOTION SENSORS AND METHODS OF USE |
WO2011143631A2 (en) * | 2010-05-14 | 2011-11-17 | Kai Medical, Inc. | Systems and methods for non-contact multiparameter vital signs monitoring, apnea therapy, sway cancellation, patient identification, and subject monitoring sensors |
JP2014217453A (ja) * | 2013-05-02 | 2014-11-20 | 斎藤 光正 | 定在波レーダーによる人体異常検知装置及びその利用方法 |
CN109009755A (zh) * | 2018-09-05 | 2018-12-18 | 成都江雪医疗器械有限公司 | 一种睡眠呼吸暂停电动翻身床的智能控制*** |
WO2022026623A1 (en) * | 2020-07-29 | 2022-02-03 | Cornell University | Systems and methods for monitoring respiration of an individual |
US20220386944A1 (en) * | 2021-06-04 | 2022-12-08 | Apple Inc. | Sleep staging using machine learning |
-
2023
- 2023-04-23 CN CN202310438289.4A patent/CN116138745B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108283489A (zh) * | 2017-12-16 | 2018-07-17 | 湖南明康中锦医疗科技发展有限公司 | 睡眠呼吸***及方法 |
CN109480787A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法 |
CN110013235A (zh) * | 2019-03-29 | 2019-07-16 | 张恒运 | 一种智能家居睡眠装置及*** |
CN112716474A (zh) * | 2021-01-20 | 2021-04-30 | 复旦大学 | 基于生物微波雷达的非接触式睡眠状态监测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN116138745A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116138745B (zh) | 融合毫米波雷达和血氧数据的睡眠呼吸监测方法及设备 | |
EP3410924B1 (en) | Machine learnt model to detect rem sleep periods using a spectral analysis of heart rate and motion | |
EP3229676B1 (en) | Method and apparatus for physiological monitoring | |
US7578793B2 (en) | Sleep staging based on cardio-respiratory signals | |
CN108388912A (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
CN105266787A (zh) | 一种非接触式心率检测方法及*** | |
CN110866498B (zh) | 一种心率监测方法 | |
US20210020025A1 (en) | System and method for processing multiple signals | |
AU2013302623A1 (en) | Real-time physiological characteristic detection based on reflected components of light | |
CA2847412A1 (en) | System and methods for estimating respiratory airflow | |
CN112363139A (zh) | 基于幅度特征的人体呼吸时长检测方法、装置和存储介质 | |
Geertsema et al. | Automated non-contact detection of central apneas using video | |
Rescio et al. | Ambient and wearable system for workers’ stress evaluation | |
Ankitha et al. | Literature review on sleep APNEA analysis by machine learning algorithms using ECG signals | |
KR20170120546A (ko) | 동공 크기 변화를 이용한 심장 주파수 영역의 정보 추출 방법 및 그 장치 | |
Rolink et al. | Improving sleep/wake classification with recurrence quantification analysis features | |
CN113907742B (zh) | 睡眠呼吸数据的监测方法及装置 | |
US11416996B2 (en) | Method to derive a person's vital signs from an adjusted parameter | |
Carter et al. | Deep learning-enabled sleep staging from vital signs and activity measured using a near-infrared video camera | |
CN114758410A (zh) | 一种识别人体安全健康状况的参数检测*** | |
KR20210142904A (ko) | 피부 영상의 호흡 신호를 이용한 스트레스 지수 측정 및 관리 방법 및 장치 | |
Selvakumar | Non-contact breath cycle analysis for different breathing patterns using RGB-D videos | |
KR102637473B1 (ko) | 수면다원검사에 따른 rera 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법 | |
KR102637471B1 (ko) | 수면다원검사에 따른 호흡 이벤트 감지를 위한 데이터 처리 장치 및 그 동작 방법 | |
KR102637472B1 (ko) | 수면다원검사에 따른 호흡 이벤트 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법 |
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 |