CN107307846A - 非接触式睡眠分期方法 - Google Patents
非接触式睡眠分期方法 Download PDFInfo
- Publication number
- CN107307846A CN107307846A CN201610270933.1A CN201610270933A CN107307846A CN 107307846 A CN107307846 A CN 107307846A CN 201610270933 A CN201610270933 A CN 201610270933A CN 107307846 A CN107307846 A CN 107307846A
- Authority
- CN
- China
- Prior art keywords
- mrow
- signal
- msub
- variance
- bpm
- 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.)
- Pending
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种非接触式睡眠分期方法，步骤如下：步骤1，将雷达回波信号进行滤波，分别得到呼吸信号和心跳信号；步骤2，根据呼吸信号得到每分钟呼吸次数即RPM、每分钟呼吸次数的方差即RPM Variance，根据心跳信号得到每分钟心跳次数即BPM、每分钟心跳次数的方差即BPM Variance，根据呼吸信号得到体动信号；步骤3，将步骤2所得的RPM、RPM Variance，BPM、BPM Variance、体动信号分别进行聚类分析；步骤4，根据声音信号、视频信号、以及步骤3聚类分析所得信号对睡眠状态进行划分，得到睡眠状态的划分结果。本发明可方便医务人员根据病人的实际睡眠情况及时采取治疗措施，具有高安全性、高准确性、小型化和智能化的优点。
Description
技术领域
本发明属于雷达监测技术领域，特别是一种非接触式睡眠分期方法。
背景技术
传统的呼吸睡眠监护系统主要依靠贴附于人体的接触式传感器、电极进行测量，从而实时获得人体的生命参数信号，这些方法都需要直接或间接地接触人体，这种接触式测量大大制约了其应用范围，并且电极的接触也对生命体特征信息造成一定的影响，影响其检测的准确度，并给生命体特征信息的处理带来压力。
现有的呼吸睡眠监护系统需要电极或传感器接触生命体，无法在较远的距离内探测到生命体的生命信号(呼吸、心率等)，对于有睡眠呼吸暂停的病人、刚出生的婴儿、某些有睡眠障碍的人，无法监测他们的睡眠状态以对可能出现的突发状况作出预判。
发明内容
本发明的目的在于提供一种安全性高、准确性强的非接触式睡眠分期方法，以方便医务人员根据病人的实际睡眠情况及时采取治疗措施。
实现本发明目的的技术解决方案为：一种非接触式睡眠分期方法，步骤如下：
步骤1，将雷达回波信号进行滤波，分别得到呼吸信号和心跳信号；
步骤2，根据呼吸信号得到每分钟呼吸次数即RPM、每分钟呼吸次数的方差即RPMVariance，根据心跳信号得到每分钟心跳次数即BPM、每分钟心跳次数的方差即BPMVariance，根据呼吸信号得到体动信号；
步骤3，将步骤2所得的RPM、RPM Variance，BPM、BPM Variance、体动信号分别进行聚类分析；
步骤4，根据声音信号、视频信号、以及步骤3聚类分析所得信号对睡眠状态进行划分，得到睡眠状态的划分结果。
进一步地，步骤1所述将雷达回波信号进行滤波，分别得到呼吸信号和心跳信号，具体如下：
(1.1)运用带通滤波器对雷达回波信号进行滤波，得到呼吸信号；
(1.2)在原始雷达回波信号中，剔除所得呼吸信号，得到心跳信号。
进一步地，步骤2所述根据呼吸信号得到每分钟呼吸次数即RPM、每分钟呼吸次数的方差即RPM Variance，根据心跳信号得到每分钟心跳次数即BPM、每分钟心跳次数的方差即BPM Variance，根据呼吸信号得到体动信号，具体如下：
(2.1)根据呼吸信号得到每分钟呼吸次数即RPM、每分钟呼吸次数的方差即RPMVariance：将呼吸信号的波谷点全部用星号标注出来，求波谷数得到RPM；利用所得的RPM先求出平均值，再对RPM求方差得出RPM Variance；
(2.2)根据心跳信号得到每分钟心跳次数即BPM、每分钟心跳次数的方差即BPMVariance：将心跳信号的波谷点全部用星号标注出来，求波谷数得到BPM；利用所得的BPM先求出平均值，再对BPM求方差得出BPM Variance；
(2.3)根据呼吸信号得到体动信号：首先将高于呼吸信号峰值两倍的数据点储存下来记为Movement，再计算每分钟高于呼吸峰值两倍的数据点个数，记为Movement_count，当Movement_count大于预设的阈值时，认为该分钟内发生了体动，将Movement中幅值最大的信号点储存下来得到体动信号。
进一步地，步骤3所述将步骤2所得的RPM、RPM Variance，BPM、BPM Variance、体动信号分别进行聚类分析，其中聚类分析具体如下：
(3.1)定义信号的数据点集合X＝{x1,x2...xn}，聚类中心的集合C＝{c1,c2,...,cn}，定义阈值ε的范围为10-3≤ε≤10-5；
(3.2)随机初始化聚类中心集合C；
(3.3)计算目标函数值k表示数据分类个数，p≥2表示模糊指数，l表示此次迭代次序，j＝1,2,…,k，i＝1,2,…,n；
(3.4)计算第i个数据点xi到第j个聚类中心cj的隶属度∪(cj/xi)：
(3.5)计算每个数据点的权重w(xi)：
(3.6)根据数据点的隶属度∪(cj/xi)和权重w(xi)更新聚类中心cj，公式如下：
(3.7)如果||KHMl+1-KHMl||＜ε，则计算停止，输出优化后的信号；否则转回步骤(3.3)。
进一步地，步骤4所述根据声音信号、视频信号、以及步骤3聚类分析所得信号对睡眠状态进行划分，得到睡眠状态的划分结果，具体如下：
(4.1)固定时间内，RPM、BPM小于等于均值、波动不超过预定次数且该段时间内没有体动发生，定义为深度睡眠；
(4.2)固定时间内，RPM、BPM大于等于均值，并且RPM Variance、BPM Variance大于峰值的一半，该段时间定义为REM睡眠；剩下的状态定义为浅度睡眠；
(4.3)根据声音信号、视频信号，检验雷达检测到的体动处是否真实发生了体动。
进一步地，步骤(2.1)所述将呼吸信号的波谷点全部用星号标注出来，求波谷数得到RPM，其中波谷检测RPM时，将相邻的波谷时间小于平均呼吸周期一半的波谷舍去。
进一步地，步骤(2.2)所述将心跳信号的波谷点全部用星号标注出来，求波谷数得到BPM，其中波谷检测BPM时，将相邻的波谷时间小于平均心跳周期一半的波谷舍去。
本发明与现有技术相比，其显著优点在于：(1)融合雷达技术、生物医学工程技术于一体，不需要任何电极或传感器接触生命体，可在较远的距离内探测到生命体的生命信号；(2)对于有睡眠呼吸暂停的病人、刚出生的婴儿、某些有睡眠障碍的人，能够监测他们的睡眠状态以对突发状况作出预判；(3)具有高安全性、高准确性、小型化和智能化的优点，方便医务人员实时、连续掌握病人的状况，及时采取治疗措施。
附图说明
图1为本发明非接触式睡眠分期方法的流程图。
图2为本发明中呼吸波形图。
图3为本发明的心跳波形图。
图4为本发明的RPM的波形图。
图5为本发明的RPM Variance的波形图。
图6为本发明的BPM的波形图。
图7为本发明的BPM Variance的波形图。
图8为本发明的体动信号波形图。
图9为本发明的睡眠状态分期图。
图10为本发明的RPM、BPM、RPM Variance、BPM Variance、体动信号、睡眠状态分期图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
本发明基于连续波生物雷达的非接触生命体特征信息监测系统融合雷达技术、生物医学工程技术于一体，不需要任何电极或传感器接触生命体，可在较远的距离内探测到生命体的生命信号(呼吸、心率等)，对于有睡眠呼吸暂停的病人、刚出生的婴儿、某些有睡眠障碍的人，监测自己的睡眠状态有利于了解自己的身体状况，对可能出现的突发状况作出预判。
一种非接触式睡眠分期方法，步骤如下：
步骤1，将雷达回波信号进行滤波，分别得到呼吸信号和心跳信号；具体如下：
(1.1)运用带通滤波器对雷达回波信号进行滤波，得到呼吸信号，如图1所示。
(1.2)在原始雷达回波信号中，剔除所得呼吸信号，得到心跳信号，如图2所示。
步骤2，根据呼吸信号得到每分钟呼吸次数即RPM、每分钟呼吸次数的方差即RPMVariance，根据心跳信号得到每分钟心跳次数即BPM、每分钟心跳次数的方差即BPMVariance，根据呼吸信号得到体动信号，具体如下：
(2.1)根据呼吸信号得到每分钟呼吸次数即RPM、每分钟呼吸次数的方差即RPMVariance：将呼吸信号的波谷点全部用星号标注出来，求波谷数得到RPM；利用所得的RPM先求出平均值，再对RPM求方差得出RPM Variance；
步骤(2.1)所述将呼吸信号的波谷点全部用星号标注出来，求波谷数得到RPM，其中波谷检测RPM时，将相邻的波谷时间小于平均呼吸周期一半的波谷舍去。
(2.2)根据心跳信号得到每分钟心跳次数即BPM、每分钟心跳次数的方差即BPMVariance：将心跳信号的波谷点全部用星号标注出来，求波谷数得到BPM；利用所得的BPM先求出平均值，再对BPM求方差得出BPM Variance；
步骤(2.2)所述将心跳信号的波谷点全部用星号标注出来，求波谷数得到BPM，其中波谷检测BPM时，将相邻的波谷时间小于平均心跳周期一半的波谷舍去。
(2.3)根据呼吸信号得到体动信号：首先将高于呼吸信号峰值两倍的数据点储存下来记为Movement，再计算每分钟高于呼吸峰值两倍的数据点个数，记为Movement_count，当Movement_count大于预设的阈值时，认为该分钟内发生了体动，将Movement中幅值最大的信号点储存下来得到体动信号。
步骤3，将步骤2所得的RPM、RPM Variance，BPM、BPM Variance、体动信号分别进行聚类分析，其中聚类分析具体如下：
(3.1)定义信号的数据点集合X＝{x1,x2...xn}，聚类中心的集合C＝{c1,c2,...,cn}，定义阈值ε的范围为10-3≤ε≤10-5；
(3.2)随机初始化聚类中心集合C；
(3.3)计算目标函数值k表示数据分类个数，p≥2表示模糊指数，l表示此次迭代次序，j＝1,2,…,k，i＝1,2,…,n；
(3.4)计算第i个数据点xi到第j个聚类中心cj的隶属度∪(cj/xi)：
(3.5)计算每个数据点的权重w(xi)：
(3.6)根据数据点的隶属度∪(cj/xi)和权重w(xi)更新聚类中心cj，公式如下：
(3.7)如果||KHMl+1-KHMl||＜ε，则计算停止，输出优化后的信号；否则转回步骤(3.3)。
步骤4，根据声音信号、视频信号、以及步骤3聚类分析所得信号对睡眠状态进行划分，得到睡眠状态的划分结果，具体如下：
(4.1)固定时间内，RPM、BPM小于等于均值、波动不超过预定次数且该段时间内没有体动发生，定义为深度睡眠；
(4.2)固定时间内，RPM、BPM大于等于均值，并且RPM Variance、BPM Variance大于峰值的一半，该段时间定义为REM睡眠；剩下的状态定义为浅度睡眠；
(4.3)根据声音信号、视频信号，检验雷达检测到的体动处是否真实发生了体动。
经过步骤(2.1)，将呼吸信号的波谷点全部用星号标注出来，相邻的谷值时间差小于1.67s的谷值舍去，求波谷数得到RPM，得出图4，利用所得的RPM，先求出平均值，再对RPM求方差得出RPM Variance，得出图5。
经过步骤(2.2)，将心跳信号的波谷点全部用星号标注出来，相邻的谷值时间差小于0.5s的谷值舍去，求波谷数得到BPM，如图6所示利用所得的BPM，先求出平均值，再对BPM求方差得出BPM Variance，如图7所示。
经过步骤(2.3)，将高于呼吸峰值两倍的数据点储存下了记为Movement，再计算每分钟高于呼吸峰值两倍的数据点个数，记为Movement_count，当Movement_count大于一个阈值时，认为这分钟发生了体动，将Movement中幅值最大的信号点储存下来，得到体动信号，如图8所示。
经过步骤(4.1)，在RPM、BPM小于等于均值，在一段时间内RPM、BPM波动不超过3次且这段时间内没有体动发生，得出深度睡眠期。
经过步骤(4.2)，在RPM、BPM大于等于均值，而且RPM Variance、BPM Variance大于峰值的一半，得出睡眠的REM期，剩下的状态定义为浅度睡眠期。
经过步骤(4.3)，利用视频和音频信号对体动信号进行检验，得到图9，睡眠状态分期图。图10为本发明的RPM、BPM、RPM Variance、BPM Variance、体动信号、睡眠状态分期图。
Claims (7)
1.一种非接触式睡眠分期方法，其特征在于，步骤如下：
步骤1，将雷达回波信号进行滤波，分别得到呼吸信号和心跳信号；
步骤2，根据呼吸信号得到每分钟呼吸次数即RPM、每分钟呼吸次数的方差即RPMVariance，根据心跳信号得到每分钟心跳次数即BPM、每分钟心跳次数的方差即BPMVariance，根据呼吸信号得到体动信号；
步骤3，将步骤2所得的RPM、RPM Variance，BPM、BPM Variance、体动信号分别进行聚类分析；
步骤4，根据声音信号、视频信号、以及步骤3聚类分析所得信号对睡眠状态进行划分，得到睡眠状态的划分结果。
2.根据权利要求1所述的非接触式睡眠分期方法，其特征在于，步骤1所述将雷达回波信号进行滤波，分别得到呼吸信号和心跳信号，具体如下：
(1.1)运用带通滤波器对雷达回波信号进行滤波，得到呼吸信号；
(1.2)在原始雷达回波信号中，剔除所得呼吸信号，得到心跳信号。
3.根据权利要求1所述的非接触式睡眠分期方法，其特征在于，步骤2所述根据呼吸信号得到每分钟呼吸次数即RPM、每分钟呼吸次数的方差即RPM Variance，根据心跳信号得到每分钟心跳次数即BPM、每分钟心跳次数的方差即BPM Variance，根据呼吸信号得到体动信号，具体如下：
(2.1)根据呼吸信号得到每分钟呼吸次数即RPM、每分钟呼吸次数的方差即RPMVariance：将呼吸信号的波谷点全部用星号标注出来，求波谷数得到RPM；利用所得的RPM先求出平均值，再对RPM求方差得出RPM Variance；
(2.2)根据心跳信号得到每分钟心跳次数即BPM、每分钟心跳次数的方差即BPMVariance：将心跳信号的波谷点全部用星号标注出来，求波谷数得到BPM；利用所得的BPM先求出平均值，再对BPM求方差得出BPM Variance；
(2.3)根据呼吸信号得到体动信号：首先将高于呼吸信号峰值两倍的数据点储存下来记为Movement，再计算每分钟高于呼吸峰值两倍的数据点个数，记为Movement_count，当Movement_count大于预设的阈值时，认为该分钟内发生了体动，将Movement中幅值最大的信号点储存下来得到体动信号。
4.根据权利要求1所述的非接触式睡眠分期方法，其特征在于，步骤3所述将步骤2所得的RPM、RPM Variance，BPM、BPM Variance、体动信号分别进行聚类分析，其中聚类分析具体如下：
(3.1)定义信号的数据点集合X＝{x1,x2...xn}，聚类中心的集合C＝{c1,c2,...,cn}，定义阈值ε的范围为10-3≤ε≤10-5；
(3.2)随机初始化聚类中心集合C；
(3.3)计算目标函数值k表示数据分类个数，p≥2表示模糊指数，l表示此次迭代次序，j＝1,2,…,k，i＝1,2,…,n；
(3.4)计算第i个数据点xi到第j个聚类中心cj的隶属度∪(cj/xi)：
<mrow>
<mo>&cup;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>/</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mrow>
<mo>-</mo>
<mi>p</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mrow>
<mo>-</mo>
<mi>p</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
(3.5)计算每个数据点的权重w(xi)：
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mrow>
<mo>-</mo>
<mi>p</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mrow>
<mo>-</mo>
<mi>p</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
(3.6)根据数据点的隶属度∪(cj/xi)和权重w(xi)更新聚类中心cj，公式如下：
<mrow>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>&cup;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>/</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>&cup;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>/</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
(3.7)如果||KHMl+1-KHMl||＜ε，则计算停止，输出优化后的信号；否则转回步骤(3.3)。
5.根据权利要求1所述的非接触式睡眠分期方法，其特征在于，步骤4所述根据声音信号、视频信号、以及步骤3聚类分析所得信号对睡眠状态进行划分，得到睡眠状态的划分结果，具体如下：
(4.1)固定时间内，RPM、BPM小于等于均值、波动不超过预定次数且该段时间内没有体动发生，定义为深度睡眠；
(4.2)固定时间内，RPM、BPM大于等于均值，并且RPM Variance、BPM Variance大于峰值的一半，该段时间定义为REM睡眠；剩下的状态定义为浅度睡眠；
(4.3)根据声音信号、视频信号，检验雷达检测到的体动处是否真实发生了体动。
6.根据权利要求3所述的非接触式睡眠分期方法，其特征在于，步骤(2.1)所述将呼吸信号的波谷点全部用星号标注出来，求波谷数得到RPM，其中波谷检测RPM时，将相邻的波谷时间小于平均呼吸周期一半的波谷舍去。
7.根据权利要求3所述的非接触式睡眠分期方法，其特征在于，步骤(2.2)所述将心跳信号的波谷点全部用星号标注出来，求波谷数得到BPM，其中波谷检测BPM时，将相邻的波谷时间小于平均心跳周期一半的波谷舍去。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610270933.1A CN107307846A (zh) | 2016-04-27 | 2016-04-27 | 非接触式睡眠分期方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610270933.1A CN107307846A (zh) | 2016-04-27 | 2016-04-27 | 非接触式睡眠分期方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107307846A true CN107307846A (zh) | 2017-11-03 |
Family
ID=60185445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610270933.1A Pending CN107307846A (zh) | 2016-04-27 | 2016-04-27 | 非接触式睡眠分期方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107307846A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107823775A (zh) * | 2017-11-28 | 2018-03-23 | 深圳和而泰智能控制股份有限公司 | 一种助眠方法及助眠枕 |
| CN108065916A (zh) * | 2017-12-14 | 2018-05-25 | 中国人民解放军国防科技大学 | 一种基于生物雷达的非接触式睡眠质量监测方法 |
| CN108416367A (zh) * | 2018-02-08 | 2018-08-17 | 南京理工大学 | 基于多传感器数据决策级融合的睡眠分期方法 |
| CN109124572A (zh) * | 2018-06-15 | 2019-01-04 | 四川斐讯信息技术有限公司 | 一种睡眠状态的判断方法、系统及空气净化器 |
| CN109199355A (zh) * | 2018-09-18 | 2019-01-15 | 深圳和而泰数据资源与云技术有限公司 | 心率信息检测方法、装置和检测设备 |
| CN109222950A (zh) * | 2018-10-19 | 2019-01-18 | 深圳和而泰数据资源与云技术有限公司 | 数据处理方法及装置 |
| CN109497945A (zh) * | 2018-10-23 | 2019-03-22 | 珠海格力电器股份有限公司 | 一种睡眠状态控制方法及装置 |
| CN110269642A (zh) * | 2019-06-28 | 2019-09-24 | 中南大学 | 基于分数阶傅里叶变换和小波变换的多普勒心率估计方法 |
| KR20190110276A (ko) * | 2018-03-20 | 2019-09-30 | 한양대학교 산학협력단 | 심화신경망과 랜덤 포레스트의 앙상블을 이용한 멀티센서 기반의 비접촉식 수면 단계 검출 방법 및 장치 |
| CN110477887A (zh) * | 2019-09-18 | 2019-11-22 | 浙江理工大学 | 一种非入侵式长程呼吸暂停综合征的监测装置 |
| CN112752541A (zh) * | 2018-09-25 | 2021-05-04 | 皇家飞利浦有限公司 | 从视频帧序列导出关于人的睡眠状态和清醒状态的信息 |
| CN113080891A (zh) * | 2021-03-17 | 2021-07-09 | 浙江大学 | 基于人体微动信号的呼吸率和心率的提取方法 |
| CN114098645A (zh) * | 2021-11-25 | 2022-03-01 | 青岛海信日立空调系统有限公司 | 一种睡眠分期方法及装置 |
| CN114159024A (zh) * | 2021-11-17 | 2022-03-11 | 青岛海信日立空调系统有限公司 | 一种睡眠分期方法及装置 |
| CN114732361A (zh) * | 2022-04-07 | 2022-07-12 | 华南师范大学 | 基于生理信号的睡眠分期预测方法、设备以及存储介质 |
| CN118490182A (zh) * | 2024-07-19 | 2024-08-16 | 北京清雷科技有限公司 | 基于雷达信号的睡眠分期方法及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060169282A1 (en) * | 2005-01-04 | 2006-08-03 | Tanita Corporation | Sleep stage determination apparatus |
| CN103263260A (zh) * | 2013-05-02 | 2013-08-28 | 北京博实联创科技有限公司 | 使用梳状滤波器的生理参数检测系统和睡眠深度监测系统 |
| CN104622446A (zh) * | 2015-02-03 | 2015-05-20 | 南京理工大学 | 一种基于khm聚类算法的心率变异信号优化方法 |
-
2016
- 2016-04-27 CN CN201610270933.1A patent/CN107307846A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060169282A1 (en) * | 2005-01-04 | 2006-08-03 | Tanita Corporation | Sleep stage determination apparatus |
| CN103263260A (zh) * | 2013-05-02 | 2013-08-28 | 北京博实联创科技有限公司 | 使用梳状滤波器的生理参数检测系统和睡眠深度监测系统 |
| CN104622446A (zh) * | 2015-02-03 | 2015-05-20 | 南京理工大学 | 一种基于khm聚类算法的心率变异信号优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| ALEXANDER TATARAIDZE ET AL.: "Sleep stage classification based on bioradiolocation signals", 《2015 37TH ANIMAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 * |
| MASAYUKI KAGAWA ET AL.: "Sleep stage classification by body movement index and respiratory interval indices using multiple radar sensors", 《2015 37TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 * |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107823775A (zh) * | 2017-11-28 | 2018-03-23 | 深圳和而泰智能控制股份有限公司 | 一种助眠方法及助眠枕 |
| CN107823775B (zh) * | 2017-11-28 | 2023-12-26 | 深圳和而泰智能控制股份有限公司 | 一种助眠方法及助眠枕 |
| CN108065916A (zh) * | 2017-12-14 | 2018-05-25 | 中国人民解放军国防科技大学 | 一种基于生物雷达的非接触式睡眠质量监测方法 |
| CN108065916B (zh) * | 2017-12-14 | 2021-04-09 | 中国人民解放军国防科技大学 | 一种基于生物雷达的非接触式睡眠质量监测方法 |
| CN108416367B (zh) * | 2018-02-08 | 2021-12-10 | 南京理工大学 | 基于多传感器数据决策级融合的睡眠分期方法 |
| CN108416367A (zh) * | 2018-02-08 | 2018-08-17 | 南京理工大学 | 基于多传感器数据决策级融合的睡眠分期方法 |
| KR20190110276A (ko) * | 2018-03-20 | 2019-09-30 | 한양대학교 산학협력단 | 심화신경망과 랜덤 포레스트의 앙상블을 이용한 멀티센서 기반의 비접촉식 수면 단계 검출 방법 및 장치 |
| KR102076759B1 (ko) | 2018-03-20 | 2020-02-12 | 한양대학교 산학협력단 | 심화신경망과 랜덤 포레스트의 앙상블을 이용한 멀티센서 기반의 비접촉식 수면 단계 검출 방법 및 장치 |
| CN109124572A (zh) * | 2018-06-15 | 2019-01-04 | 四川斐讯信息技术有限公司 | 一种睡眠状态的判断方法、系统及空气净化器 |
| CN109199355A (zh) * | 2018-09-18 | 2019-01-15 | 深圳和而泰数据资源与云技术有限公司 | 心率信息检测方法、装置和检测设备 |
| CN109199355B (zh) * | 2018-09-18 | 2021-09-28 | 深圳和而泰数据资源与云技术有限公司 | 心率信息检测方法、装置和检测设备 |
| CN112752541A (zh) * | 2018-09-25 | 2021-05-04 | 皇家飞利浦有限公司 | 从视频帧序列导出关于人的睡眠状态和清醒状态的信息 |
| CN109222950A (zh) * | 2018-10-19 | 2019-01-18 | 深圳和而泰数据资源与云技术有限公司 | 数据处理方法及装置 |
| CN109222950B (zh) * | 2018-10-19 | 2021-08-06 | 深圳和而泰数据资源与云技术有限公司 | 数据处理方法及装置 |
| CN109497945A (zh) * | 2018-10-23 | 2019-03-22 | 珠海格力电器股份有限公司 | 一种睡眠状态控制方法及装置 |
| CN109497945B (zh) * | 2018-10-23 | 2021-03-23 | 珠海格力电器股份有限公司 | 一种睡眠状态控制方法及装置 |
| CN110269642B (zh) * | 2019-06-28 | 2020-06-09 | 中南大学 | 基于分数阶傅里叶变换和小波变换的多普勒心率估计方法 |
| CN110269642A (zh) * | 2019-06-28 | 2019-09-24 | 中南大学 | 基于分数阶傅里叶变换和小波变换的多普勒心率估计方法 |
| CN110477887A (zh) * | 2019-09-18 | 2019-11-22 | 浙江理工大学 | 一种非入侵式长程呼吸暂停综合征的监测装置 |
| CN113080891A (zh) * | 2021-03-17 | 2021-07-09 | 浙江大学 | 基于人体微动信号的呼吸率和心率的提取方法 |
| CN114159024A (zh) * | 2021-11-17 | 2022-03-11 | 青岛海信日立空调系统有限公司 | 一种睡眠分期方法及装置 |
| CN114159024B (zh) * | 2021-11-17 | 2023-10-31 | 青岛海信日立空调系统有限公司 | 一种睡眠分期方法及装置 |
| CN114098645A (zh) * | 2021-11-25 | 2022-03-01 | 青岛海信日立空调系统有限公司 | 一种睡眠分期方法及装置 |
| CN114098645B (zh) * | 2021-11-25 | 2023-11-07 | 青岛海信日立空调系统有限公司 | 一种睡眠分期方法及装置 |
| CN114732361A (zh) * | 2022-04-07 | 2022-07-12 | 华南师范大学 | 基于生理信号的睡眠分期预测方法、设备以及存储介质 |
| CN118490182A (zh) * | 2024-07-19 | 2024-08-16 | 北京清雷科技有限公司 | 基于雷达信号的睡眠分期方法及设备 |
| CN118490182B (zh) * | 2024-07-19 | 2024-09-10 | 北京清雷科技有限公司 | 基于雷达信号的睡眠分期方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107307846A (zh) | 非接触式睡眠分期方法 | |
| CN111938613B (zh) | 基于毫米波雷达的健康监测装置及方法 | |
| US10492720B2 (en) | System and method for determining sleep stage | |
| Acharya et al. | Automated detection of sleep apnea from electrocardiogram signals using nonlinear parameters | |
| CN108065916B (zh) | 一种基于生物雷达的非接触式睡眠质量监测方法 | |
| US20200113470A1 (en) | Systems and methods for fetal monitoring | |
| JP5929020B2 (ja) | 意識状態推定装置及びプログラム | |
| TW201922168A (zh) | 可偵測睡眠呼吸中止的穿戴式裝置及其偵測方法 | |
| CN106725382A (zh) | 基于动作和hrv测量的睡眠状态判别系统及方法 | |
| JP5842543B2 (ja) | 安否監視装置 | |
| 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 | |
| Kagawa et al. | Sleep stage classification by body movement index and respiratory interval indices using multiple radar sensors | |
| CN108354597A (zh) | 一种基于最优波提取的快速血压计算方法 | |
| Liu et al. | Human biometric signals monitoring based on wifi channel state information using deep learning | |
| Jezzini et al. | ECG classification for sleep apnea detection | |
| CN113273978B (zh) | 一种基于超宽带雷达的人体呼吸和心跳频率的检测方法 | |
| JP6813837B2 (ja) | 活動リズム判定方法および活動リズム判定装置 | |
| CN104434312A (zh) | 监护设备及其生理参数处理方法与系统 | |
| Levy et al. | Smart cradle for baby using FN-M16P Module | |
| JP2014226451A (ja) | 睡眠状態計測装置及び睡眠状態計測方法 | |
| CN114176564B (zh) | 基于雷达信号提取呼吸状态的方法 | |
| CN106108844B (zh) | 一种确定睡眠阶段的方法和装置 | |
| CN117958761A (zh) | 一种基于毫米波雷达的睡眠呼吸暂停检测方法及系统 | |
| Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
| Khambhati et al. | Extraction of a respiration rate from ECG signal using discrete wavelet transform during exercise |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171103 |
|
| RJ01 | Rejection of invention patent application after publication |