CN102006824A - 用于睡眠/清醒状况估计的方法和系统 - Google Patents

Abstract

失眠是一种在普通人群中盛行的睡眠障碍。作为用于评定睡眠问题的特性和严重程度的标准诊断方法，在大多数情况中使用所谓的睡眠日志或睡眠日记，即，通常采用书面形式的调查表。这种诊断工具的主要缺点是：其精度受到病人的主观偏误的影响，例如，对病人来说，时常难以正确地回忆起在夜间的睡眠和清醒周期。本发明提议一种自动睡眠日志，其使用生命体征作为输入信号来评定夜间的睡眠和清醒周期。通过使用客观数据，诊断将更为精确。此外，这个系统也可以用于睡眠限制疗法、非药物方法来治疗失眠。在这个申请中，它也能够有助于病人正确地应用这个方法，并因而产生更佳的医疗结果。

Description

用于睡眠/清醒状况估计的方法和系统

技术领域

本发明涉及病人信号的多参数分析的领域，并且尤其涉及睡眠和清醒阶段检测以及睡眠效率估计的领域，其中睡眠效率估计即为总的睡眠时间与总的卧床时间之比。

背景技术

睡眠失常是常见的。至少10％的人口遭受睡眠失常的痛苦，而睡眠失常在临床上是有意义的，并且具有公众健康重要性。失眠是迄今为止最常见的睡眠障碍的形式。

大多数的失眠定义包括具有相关联的日间身体不适的睡眠特有症状的描述。睡眠症状通常包括难以入睡、难以保持睡眠、远早于预期时间发生的最终醒来、或无助于恢复健康的睡眠或通常质量差的睡眠。醒着症状与日间身体不适相关联，而这些日间身体不适涉及疲劳、嗜睡、情绪紊乱、认知困难以及社交或职业机能障碍(impairment)。

普通人群中具有孤立的失眠症状的发病率大约为30～50％，并且大约9～15％报告明显的由于慢性失眠问题而引起的日间机能障碍。在大多数的患者人口中，失眠通过药物来治疗。诸如睡眠限制疗法之类的其他治疗形式流传不太广，尽管证据建议：从长远来看，与单独的药物治疗相比，这些治疗形式是更为有效的。

作为用于评估睡眠问题的特性和严重性的标准诊断方法，在大多数情况下使用所谓的睡眠日志或睡眠日记，即，通常采用书面形式的调查表；也可以使用活动变化记录仪作为睡眠日志的备选方案。

这种睡眠日志的主要缺点在于：其精确度受到病人的主观偏误的影响，例如，对于病人来说，时常难以正确地回忆起在夜晚期间的睡眠和清醒时段。

睡眠和清醒阶段的自动检测需要生命体征(vital body sign)的测量，但是不幸地，大多数的现有解决方案依赖于附着电极(adhesive electrode)，例如，通过将这些附着电极粘贴或胶合于病人的皮肤上，以便在头部佩戴例如用于EEG的电极。这些电极由于连接到这些传感器的线缆和记录装置而在睡眠期间对于病人来说是突兀的(obtrusive)。此外，具有的问题是：在休息时间期间，电缆或电极有可能连接不牢固，这降低接收信号的质量。

在装备齐全的睡眠实验室中利用自动睡眠日志的失眠诊断是昂贵的，且容量、地点不是在长的持续时间上可利用的，并由此诊断失眠病人的能力受到限制。

进一步，附加的传感器以及沿病人(身体)的布线可能干扰病人的睡眠，并因此影响在夜晚期间的睡眠和清醒阶段的评估，这导致对睡眠记录的影响且有可能导致错误诊断。

US 2004/0225179公开了用于治疗失眠的自动化行为方法和系统，其使用用于确定清醒/睡眠状态的无源装置。

发明内容

本发明的目的是提供基于信号的多参数分析的方法和系统，用于评定睡眠/清醒，其中所述方法和系统是可靠的、易于操作并且尤其对于病人来说是不唐突的(unobtrusive)。

这个目的通过使用用于识别对象的睡眠和清醒状况的设备(arrangement)来实现，该设备包括：被集成在该对象的睡眠环境中的至少一个传感器，该传感器用于生成对象相关的信号；以及计算装置，用于接收传感器信号，从这些传感器信号中提取至少一个特征，对所提取的特征进行分类，以及提供该对象是醒着的还是睡着的概率指示。

因此，这样的用于识别对象的睡眠和清醒状况的设备通过使用至少一个传感器而对于病人来说是不唐突的，其中所述传感器不必直接地施加在患者的身体上，而是被集成在睡眠环境中，如同被集成在纺织品中或被集成在病人的床或床板条(bed slat)中；因而，在睡眠之前或在睡眠期间，病人不需要任何特殊的处理，而是像他习惯的那样在其床上穿着其睡衣并且盖着毯子睡觉。使用这样的传感器越多，则对病人进行的调查就越舒服，并且测量结果与“自然的病人睡眠现实”就越佳地相关联。

在现有技术中，用于睡眠和清醒状况检测的通用方法使用EEG信号，令人惊讶地发现：与ECG信号相类似的其他信号或生成呼吸与身体移动信号的床箔(bed foil)传感器或这二者的组合提供适当的睡眠和清醒状况的估计。通过利用具有非附着电极、但是在对象的睡眠环境中、甚至在家庭睡眠环境中具有传感器的电极，基于这两种所述信号的估计也令人惊讶地显示了适当的结果。

术语“身体移动”用于身体的任何移动，其包括物理活动(例如，在床上翻身，移动手臂或腿)、呼吸活动(胸廓运动)以及心冲击描记术(由于机械的心脏活动而导致的小移动)。

术语“睡眠环境”被定义为对象或病人的环境，其中传感器没有以自行附着电极或直接地、胶合在病人的头部或皮肤上的胶化电极(gelled electrode)的形式直接地、附着地在病人的身体上提供，但是其中以不唐突的、非附着的直接皮肤接触或不接触病人的方式来提供传感器，也就是说，在床上纺织品或睡衣、(儿童)寝装等等上提供电极。此外，这些传感器可以作为供病人躺卧或安放病人的脚垫(feet mat)或体垫(body mat)来提供，或者更进一步，可以使用任何的传感设备，即，照相机、移动传感器、感应线圈等等。

进一步，用于识别对象的睡眠和清醒状况的设备可以包括感测ECG信号，即，从集成在床中的不唐突的传感器、例如放置在病人胸部下方以测量心率、呼吸和身体移动的铁驻极体箔(ferro-electret foil)、板条传感器、感应/压阻带(inductive/piezo-resistive band)、后者的组合中提供的与身体移动相关联的信号、或适于感测人体移动的任何其他的传感器信号。其中测量ECG信号的病人相关的传感器的信号提取包括：脉冲条件、来自时域的统计心率可变性(variability)参数、来自心率可变性谱的参数、多刻度样本熵以及渐进式去趋势波动分析(progressive detrended fluctuation analysis)。测量身体移动的病人相关的传感器信号的信号提取包括：呼吸特征，例如，平均呼吸速率，活动指数，心脏特征，以及时域和频域心率可变性参数。

该设备可以一起或者单独使用来自睡眠环境中不唐突的传感器的ECG传感器信号与床箔信号的组合，并且令人惊讶地，该设备对于对象的睡眠和清醒状况获得适当的概率估计，而这样的估计通常是在睡眠实验室中利用突兀的EEC附着传感器而获得的。

因此，本发明实现了简易的、不唐突的且同时可靠的设备，以便甚至在移动床、在家庭或医院环境中获得有关对象的睡眠和清醒状况的概率信息，而这样的概率信息常规地只有在睡眠实验室中在固定床上才可获得的。

进一步，通过使用高级的信号处理，使得该设备是可靠的，其允许可靠地识别病人的睡眠和清醒状况并且不需要附加使用例如调查表。

通过不是主动地例如通过填写调查表而牵涉病人，并且通过不唐突感测ECG信号以及借助于安置在T恤、睡衣、毯子和床上纺织品或床板条中来实施的传感器所记录的身体移动信号，病人不会意识到监视，并且这允许病人在夜晚期间在其平常的家庭环境中以自然的且适宜的方式睡觉。这易于实时且长期监视健康人以及失眠病人的睡眠和休息。本发明提供了基于多参数睡眠/清醒估计的自动睡眠日志，这通常只能在装备齐全的睡眠实验室中实现。

这允许进一步为失眠病人提供治疗或给遭受到在夜间即使没有打扰也无法较长时间睡眠的不眠的任何病人提供治疗。

此外，这允许在护理院或在家中利用电视医疗设施来识别老年人的睡眠和清醒状况，以便在夜间和日间护理期间提供更好的且经济的护理。

根据本发明的实施例，由ECG传感器提供的ECG信号经历预处理，其中该预处理包括R峰值检测、异位搏动消除、线性插值以及重新采样到预定频率，优选地在4Hz上，并且产生RR峰值间隔序列，以及由床箔传感器、板条传感器以及任何的用于感测病人的身体移动的传感器所提供的呼吸传感信号经历旨在降噪的预处理。低通滤波的使用产生呼吸信号。有关这个信号的峰值识别允许我们推断出呼吸间隔序列，该序列也被线性插值并重新采样到预定频率，同样优选地在4Hz上。

在替换实施例中，在频域和时域中根据心率可变性标准来评定RR峰值间隔序列。

在进一步的实施例中，在以所关注的第二预定持续时间时期(epoch)为中心的预定第一持续时间时期(即，优选地5分钟)上计算功率谱计算，使用具有高级去趋势的自回归模型来计算。获得功率谱的计算，并且进一步，该功率谱被划分为优选地在0.04-0.15Hz之间的低频带和优选地介于0.15-0.4Hz之间的较高频带，以及其中该功率谱被归一化。然后，通过渐进式去趋势波动分析以及多刻度样本熵的计算，提供非线性参数的提取。更进一步，通过在以第二持续时间时期(即，优选地1分钟)为中心的预定第一持续时间时期上估计平方相干函数来组合RR峰值间隔和呼吸间隔序列。

本发明还涉及用于识别对象的睡眠和清醒状况的方法，包括以下步骤：设置被集成在睡眠环境中的传感器，所述传感器用于：生成对象相关的信号；接收传感器信号；从这些传感器信号中提取至少一个特征；对所提取的特征进行分类；以及提供该对象是清醒的还是睡着的概率指示。

进一步，权利要求12涉及在使用权利要求11的所述方法中在睡眠环境中传感器信号的获取，其仅通过获取ECG传感器信号或床箔传感器信号或所述信号的组合或提供对象的心肺状态感测的任何其他的传感器而允许获得该对象是醒着的还是睡着的可靠性的概率指示。

本发明的方法提供若干处理步骤，其中感测步骤以及包括接收、提取和分类的计算步骤可以自动地运行，并且也可以重复地、并行或串行地进行调度。

进一步提及的是：本发明能够在计算机程序中实现，当该计算机程序在计算机上运行时，该计算机程序具有根据权利要求11的方法的程序代码，以及其中该计算机程序被存储在数据载体中并且从该数据载体中流出，该数据载体具有程序代码，用于当该计算机程序在计算机上运行时执行根据权利要求11所述的方法。

“床箔传感器”也可以利用板条传感器、感应/压阻带、后者的组合或任何其他的适于感测移动的传感器来替代。

术语“睡眠/清醒分类”指的是由于属于各自分类的概率而导致的将所关注的时期分为“清醒”或“睡眠”的分类，或作为分类器的输出而给出的分类“真”或“假”，但是也涉及在用户界面或任何设备上分类器结果的显示。

此外，术语“pNN50”指的是大于50ms的相邻NN间隔的间隔差的数量的百分比，术语“SDNN”指的是所有NN间隔的标准偏差，术语“SDSD”指的是相邻间隔之间的距离间的标准偏差，术语“RR_mean”指的是RR间隔的平均持续时间，术语“HR_mean”指的是平均心率，术语“LF”指的是由心率可变性标准定义的低频范围，术语“HF”指的是由心率可变性标准定义的高频范围，术语“RMSSD”指的是均方根递差(root mean square successive difference)，以及术语“HRV”指的是心率可变性。

本领域的普通技术人员将意识到处于本发明范围之内的许多变化和修改。这个方法和系统将被用于在旅馆或在家中的病人，用于在医院环境中的移动病人，并且也具有对于送进医院治疗的病人来说是可能的应用。供健康人或甚至供动物使用的设备也可以使用这个发明。

将注意，在这方面，术语“病人”或“对象”不仅适用于人类，而且还适用于动物。进一步，术语“病人”并不意味着相应的人/动物是疾病缠身的，因而健康的人也将被称为“病人”。

附图说明

本发明的这些和其他方面从下文描述的实施例中将是清楚的，并且本发明的这些和其他方面将参考下文描述的实施例进行阐明。

在附图中：

图1示意性显示本发明的一般原理；

图2显示本发明的第一优选实施例的特征提取方法的示意流程图；

图3显示本发明的第一优选实施例的睡眠/清醒分类方法的示意流程图；

图4显示根据本发明的方法的睡眠限制算法；

图5示意性显示铁驻极体箔传感器(ferro-electret foil sensor)的一般原理；以及

图6显示集成ECG传感器的枕头和脚垫(foot map)的实际示例。

具体实施方式

如从图1可以看出的，根据本发明优选实施例的睡眠/清醒分类系统100包括不唐突的床内(in-bed)传感器101，用于对来自ECG的心脏活动和/或来自床箔传感器的身体移动等进行生命体征监视101，如在下文中将描述的。进一步的步骤是：预处理单元102，用于在信号的准备期间过滤和赝象(artefact)消除，特征提取单元103特别地、单独或组合提取来自ECG的特征和/或身体移动信号，随后具有睡眠/清醒分类器单元104，用于根据所有的输入特征对睡眠/清醒状态进行分类，睡眠效率计算单元105，用于计算与卧床时间相比的睡着时间，其用作病人睡眠限制算法的输入，设备106例如向病人提供更健康睡眠的规则。

睡眠/清醒分类104、睡眠效率计算105和睡眠限制算法设备106的输出可以用于向病人107或医疗专业人员提供反馈，其中医疗专业人员也可以从与主观参数109的睡眠日志问题相类似的附加源中得到信息。

至于所提议的系统的传感器部分，下列实施例是可能的：

传感器是设置在病人的胸部下方的铁驻极体箔，以测量心率、呼吸和身体移动。

作为替换，在另一个优选实施例中，可以使用粘贴于病人的胸部区域的床垫下方的板条上的压阻应变计来测量心率、呼吸和身体移动。

在另一个优选实施例中，将仅使用ECG，优选地，将仅使用被集成为床上的枕头和脚垫电极的纺织物ECG。

代替铁驻极体箔或应变计，ECG传感器可以与使用围绕胸部和/或腹部的标准(感应或压阻)带测量的呼吸信号相结合。这种类型的传感器还可以被集成在纺织物(例如，T恤)中，以使之更加不唐突。

可替换地，在另一个实施例中，替代铁驻极体箔或应变计，ECG传感器可以与加速度计信号相结合。该设备可以是腕戴式设备，但是优选地2D或3D加速度计被设置在病人的躯干上，以测量身体移动。这种类型的传感器也可以被集成在纺织物(例如，T恤)中，以使之更加不唐突。

处理单元包括若干步骤，如能够在图1中所看到的。这些步骤是原始数据的预处理、特征提取以及睡眠/清醒分类。在随后的段落中，将更详细地描述用于这些步骤中的每一个步骤的不同的替换方案。

图1的信号预处理方案(设备)102包括以下步骤中的一个或多个步骤，这些步骤可以串行、并行或重复地进行：

-恰当的过滤一个或多个信号

-赝像消除

-在ECG信号的情况下，异位搏动的消除可能是必需的。

-在信号中的间隙的情况下，插值可能是必需的。

特征提取方案103包括提取来自ECG的特征以及呼吸信号，包括：

从ECG中，导出下列特征：

-来自时域的统计心率可变性参数(例如，平均心率，SDNN，RMSSD等等)

-来自心率可变性(HRV)谱的参数(例如，LF，HF)

-多刻度样本熵

-渐进式去趋势波动分析

从铁驻极体箔、板条传感器或感应/压阻带测得的呼吸信号中，计算频谱，并且提取LF和HF功率作为特征。此外，确定平均呼吸速率。

进一步，在ECG信号和呼吸信号二者可利用的情况中，特征提取方案103允许计算两种频谱的相干功率作为附加特征。而且，可以导出心率和呼吸速率之比作为附加特征。

此外，从铁驻极体箔或板条传感器信号中，根据大的身体移动导出活动指数。

本发明的优选实施例进一步建议：对于下一个步骤——睡眠/清醒分类104——活动指数和涉及心脏和/或呼吸状态的至少一个附加特征是作为分类处理输入的优选组合。

对于所关注的每个时期，例如，每个一分钟数据段，生成至少一个特征的矢量，并且优选地生成所有的上述特征或至少上述特征的子集的矢量。

进一步，这个矢量被馈送到以带有监督学习的标准模式识别方案为基础的睡眠/清醒分类器104中，如在图3中将描述的。对于该分类器来说，能够优选地使用下列方案：

-贝叶斯(Bayesian)线性或二次判别分类器

-支持矢量机

-k最近邻(k-Nearest-Neighbour)(kNN)方法

-神经网络(Neural Network)

-隐式马尔可夫模型(Hidden Markov Model)

在代表数据的大型数据库上训练该分类器的参数。

为了接收有关睡眠日志中的主观问题的病人的输入并且为该病人提供反馈，在本发明的优选实施例中输入单元和显示单元优选地组合在一个用户界面设备107中。这个设备可以是标准的膝上型PC、具有触摸屏的平板PC、诸如PDA或移动电话之类的手持设备。取决于这个设备的处理能力，处理单元也可以是这个设备的一部分。至病人的反馈可以包含以下参数中的一个或多个参数：卧床时间，总的睡眠时间，总的清醒时间，睡眠效率，睡眠潜伏期，醒来的次数和持续时间，或简化的睡眠结构图(hypnogram)。

至医疗专业人员的反馈可以经由相同的用户界面108来给出。在另一个实施例中，具有下载程序来将病人的数据从病人用户界面传送到医生的PC(例如，经由USB电缆，经由蓝牙、ZigBee或任何其他的通信标准或设备)。在又一个实施例中，病人的数据可以经由因特网或GSM、UMTS、EDGE、GPRS、或其他任何的因特网或移动电话标准或系统(自动地)发送给医生。

至医疗专业人员的反馈应该包含所有的上述参数。此外，它还应该包含病人对主观睡眠日志问题的回答，以便病人可以将主观数据与客观数据进行比较，这对于恰当的治疗方案而给他提供了重要信息。例如，这在睡眠状态错误知觉的情况中尤其重要，而睡眠状态错误知觉是一种失眠症，其中客观的睡眠数据反映正常的睡眠模式，但是病人他自己并不承认他已经睡着了。

如在图2中可以看出的，由ECG传感器200提供的ECG信号经历预处理201，其中所述预处理是R峰值检测、异位搏动消除、线性插值以及在预定频率上、优选地在4Hz上的重采样。所得到的RR间隔序列随后被考虑，并且在时域和频域中根据标准来评定心率可变性参数。首先，优选地使用具有高级去趋势的自回归模型，计算在以感兴趣的1分钟时期为中心的预定时间周期上、优选地在时间序列的5分钟时间段上的功率谱计算202。作为替换，基于傅里叶分析、时间-频率分布、时变自回归建模的其他方法也是可利用的。在后两种情况中，功率谱估计在更短的时标上进行更新，例如，在每次新检测到ECG的R峰值时进行更新。

在低频带LF中、优选地在0.04-0.15Hz上和在高频带HF中、优选地在0.15-0.4Hz上的功率谱被用于在203定义谱特征：根据LF_norm＝LF/(LF+HF)来归一化该功率，并且计算LF/HF比值。此外，在204中在预定时间周期上、优选地在5分钟时间段上的RR间隔序列时间统计在205中提供所得到的时域特征，例如，pNN50(大于50ms的相邻NN间隔的间隔差的数量的百分比)，SDNN(所有NN间隔的标准偏差)，SDSD(相邻间隔之间递差的标准偏差)，RMSSD(均方根递差)，RR_mean(RR间隔的平均持续时间)，以及HR_mean(瞬间心率的平均值)。

在206中通过应用两种方法，从RR间隔时间序列中也提取非线性参数。在207中使用的第一非线性计算方法是渐进式去趋势波动分析，该分析允许在长度64的窗口上在去趋势之前逐步积分(integrate)该信号。进一步，矩形信号的部分和随后被考虑，并且这在208中提供所得到的分化型时间序列(differentiated time series)，从中我们提取新的特征209，其被定义为在所考虑的时期、优选地1分钟时期上的最大值，但是这也可以是任何预先定义的时期持续时间。

应用于RR间隔序列的第二非线性计算方法提供多刻度样本熵。首先，在210，该序列在标度1和2上是粗颗粒的，并且考虑5分钟时间段。在211中，在从1到10的若干级上计算样本熵(下面称为样熵sampen)。因此，在212中提供以下特征：

sampen_scale1_k，对于级k＝1到10，以及

sampen_scale2_k，对于级k＝1到10。

如在图2的下半部分中可以看到的，由床箔传感器213提供的床箔信号正在经历降噪和校准的预处理214。低通滤波215的使用产生呼吸信号。这个信号上的峰值识别允许推断出呼吸间隔序列，该序列也被线性插值，并且在预定速率上、优选地在4Hz上在216中被重新采样。优选地使用具有高级去趋势的自回归模型来计算功率谱217。然后在218中在用于定义谱特征LF_norm_respi和LF/HF ratio_respi的低频带LF(0.04-0.15Hz)和高频带HF(0.15-0.4Hz)中分裂和归一化该功率谱。此外，在219中小与大的能量赝像的检测允许在1分钟时期上定义启发式的活动指数，该指数在220中也被用作特征。进一步，221中的带通滤波传送所谓的心冲击描记图，其代表机械的心脏活动。这个信号可以是ECG信号的一个有趣的替换物，以获得心率可变性信号。最后，通过在以所关注的一分钟时期为中心的5分钟时期上估计平方相干函数，在222中组合RR间隔和呼吸间隔序列。这个相干函数与RR间隔序列的自谱相乘，并且沿着频率轴被积分。在223中所得到的特征是以％为单位的相干功率的量。我们也能够想到与RR间隔/呼吸间隔比率相类似的、用于评定心肺耦合的其他特征。

如在图2的右部中可以看出的，优选实施例包含特征203、205、209、212、223、218、220，这些特征形成在图3中进一步描述的分类处理中使用的特征矢量的分量。

图3是用于睡眠/清醒分类的方法的优选实施例。步骤303表示来自特征提取处理的信息，其提供具有至少一个元素的矢量，其中所述矢量属于测试数据集。该决定以监督学习分类器301为基础，其中该分类器利用训练数据集302来训练。分类器304基于贝叶斯线性或二次判别分类器、支持矢量机、或k最近邻(kNN)分类器并且利用基于训练数据集的监督学习方案来决定：病人是醒着的还是睡着的。训练数据越具有代表性，则分类304的精确度和性能就越佳。

睡眠限制疗法是一种非药物方法，其能够或单独或与药物疗法组合来治疗失眠。在质量差的睡眠者之间存在着增加花费在床上的时间以试图提供更多睡眠机会的一种自然趋势，而这是更有可能导致支离破碎的且质量差的睡眠的策略。

睡眠限制疗法包括将耗费在床上的时间量缩减到睡着的实际时间量。随后，卧床时间根据对于指定时间周期的睡眠效率计算来调整，其中该指定时间周期通常是在前的一个星期。例如，如果一个人报告在每晚花费于床上的8个小时中平均睡眠6个小时，那么初始规定的睡眠窗口将是6个小时。

当睡眠效率超过85％时，对于指定星期来说的随后允许的卧床时间增加大约15～20分钟，而当睡眠效率低于80％时，随后允许的卧床时间减少相同的时间量，且当睡眠效率介于80与85％之间时，随后允许的卧床时间保持不变。周期性地进行调整，例如按周进行调整，直至实现最优的睡眠持续时间。实施这个疗法的变化可能包括：根据睡眠效率的移动平均值来改变卧床时间，其中该平均值是前三到五天的平均值，或者以周为基础来改变卧床时间，而不考虑睡眠效率的变化。这个疗法通过适度的睡眠剥夺和睡眠期待性焦虑的减小来改善睡眠连续性。为了防止过度的日间睡眠，卧床时间不应该被减至每晚少于五个小时。

如在图4中可以看出的，具有基于本发明所提供的睡眠效率计算的睡眠限制疗法的优选实施例。

在第一步骤401中，医师初始化醒来时间和上床时间。在步骤402中，收集五天的数据，其也包括来自调查表的信息。

在步骤403中，对前五天的平均睡眠效率进行计算。在步骤404，做出判定平均睡眠效率是低于80％、处于80～90％还是高于90％的病例决定。

如果平均睡眠效率低于80％，在步骤406中，要求病人将卧床时间缩短15分钟，如果平均睡眠效率大于90％，在步骤405中要求病人将卧床时间延长15分钟。该处理在步骤402中利用接下来五天的睡眠信息的收集重新继续。如果平均睡眠效率介于80-90％之间，在步骤407中向病人给出正反馈，并且在步骤408中醒来时间与上床时间将保持再多一天，而且所述处理在步骤403继续。

如在图5中可以看到的，具有显示铁驻极体箔503的原理的示意图，其中铁驻极体箔503为床箔传感器的适当实施例，其中由于身体移动或呼吸而导致的力501的变化由铁驻极体箔502在与所述移动力相关联的电荷的漂移中进行感测。

图6显示用于在病人以正常方式睡眠期间感测ECG的常规床的实际实施例。包括由导电材料制成的脚垫电极601和枕头602的纺织品ECG传感器用作记录心脏的电活动的电极。

本领域的普通技术人员将意识到处于本发明范围之内的许多变化和修改。这个方法和系统将主要用于优选地在家中的失眠病人、或用于在家中或在旅馆的病人、用于在医院环境中、在运输期间或在家中的移动病人，但是也具有对于送进医院治疗的病人来说是可能的应用。供健康人或甚至供动物使用的设备也可以利用这个发明。进一步，虽然在附图和前述的描述中具体地阐明和描述了本发明，但是这样的阐明和描述将被认为是说明性的或例示性的而不是限制性的；本发明并不局限于所公开的实施例。

在实践所要求保护的发明时，通过研究附图、公开内容和所附的权利要求书，本领域的技术人员能够理解并实施所公开的实施例的其他变体。在权利要求书中，词“包括”并不排除其他的元素或步骤，并且不定冠词“一”或“一个”并不排除多个。某些措施在互不相同的从属权利要求中被陈述的纯粹事实并不表明不能有利地使用这些措施的组合。权利要求书中的任何参考符号不应被解释为限制该范围。

Claims (16)

1.一种用于识别对象的睡眠和清醒状况的设备，包括：

至少一个传感器，其被集成在该对象的睡眠环境中，所述传感器用于生成对象相关的信号，以及

计算装置，用于：

接收传感器信号，

从这些传感器信号中提取至少一个特征，

对所提取的特征进行分类，以及

提供该对象是醒着的还是睡着的概率指示。

2.根据权利要求1的设备，其中所述至少一个传感器是ECG传感器和/或感测与该对象的身体移动相关联的信号的床箔传感器。

3.根据任一上述权利要求的设备，其中从测量ECG信号的传感器和感测身体移动的床箔传感器导出的至少一个测量信号中至少一个特征的提取包括心肺状况以及从ECG信号和床箔传感器呼吸信号二者中计算的相干功率谱。

4.根据任一上述权利要求的设备，其中由ECG传感器提供的ECG信号经历预处理，其中所述预处理包括R峰值检测、异位搏动消除、线性插值以及重采样到预定频率，并且产生RR间隔序列。

5.根据任一上述权利要求的设备，其中在频率中和在时域中使用心率可变性标准来进一步处理RR间隔序列。

6.根据任一上述权利要求的设备，其中使用去趋势模型、在预定第一持续时间上计算功率谱，其中所述预定第一持续时间以所关注的第二预定持续时间时期为中心。

7.根据任一上述权利要求的设备，其中功率谱被分成低频带和高频带，并且其中功率谱被归一化。

8.根据任一上述权利要求的设备，其中通过在以第二预定持续时间时期为中心的预定第一持续时间上估计平方相干函数，组合RR间隔和呼吸间隔序列。

9.根据任一上述权利要求的设备，其中至少一个特征形成用于分类的特征矢量的分量。

10.根据权利要求9的设备，其中特征分类以具有监督学习的标准模式识别方案为基础，并且其中所述分类器包括：

贝叶斯线性或二次判别分类器，

支持矢量机，

k最近邻(kNN)方法，

神经网络，

隐式马尔可夫模型(HMM)，以及

其中在代表数据的大型数据库上训练所述分类器的参数。

11.一种用于识别对象的睡眠和清醒状况的方法，包括以下步骤：

设置被集成在睡眠环境中的传感器，所述传感器用于生成对象相关的信号，

接收传感器信号，

从这些传感器信号中，提取至少一个特征，

对所提取的特征进行分类，以及

提供该对象是醒着的还是睡着的概率指示。

12.根据权利要求11的方法，其中从ECG传感器和/或床箔传感器或提供该对象的心肺状态的感测的任何传感器中获得睡眠环境中的至少一个传感器信号。

13.根据权利要求11的方法，其中所述分类以训练矢量集的数据为基础，并且所述数据可以被反馈到所述分类器中，以及附加地可以从调查表数据中提供训练数据，或训练数据可以与调查表数据进行比较。

14.根据权利要求11的方法，其中感测步骤以及包括接收、提取和分类的计算步骤能够自动地运行，并且能够重复地、并行或串行地进行调度。

15.一种计算机程序，当所述计算机程序在计算机上运行时，所述计算机程序具有根据权利要求11的方法的程序代码。

16.一种数据载体，其具有程序代码，用于当计算机程序在计算机上运行时执行根据权利要求11所述的方法。

Images