CN111543942B - 一种睡眠呼吸暂停低通气事件的分类识别装置 - Google Patents
一种睡眠呼吸暂停低通气事件的分类识别装置 Download PDFInfo
- Publication number
- CN111543942B CN111543942B CN202010253472.3A CN202010253472A CN111543942B CN 111543942 B CN111543942 B CN 111543942B CN 202010253472 A CN202010253472 A CN 202010253472A CN 111543942 B CN111543942 B CN 111543942B
- Authority
- CN
- China
- Prior art keywords
- signal
- piezoelectric sensor
- audio
- event
- sleep
- 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
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 21
- 206010021079 Hypopnoea Diseases 0.000 title claims abstract description 20
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000001360 synchronised effect Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 19
- 210000001015 abdomen Anatomy 0.000 claims description 18
- 208000008784 apnea Diseases 0.000 claims description 13
- 206010041235 Snoring Diseases 0.000 claims description 11
- 230000000241 respiratory effect Effects 0.000 claims description 8
- 230000005236 sound signal Effects 0.000 claims description 8
- 238000009423 ventilation Methods 0.000 claims description 8
- 230000003187 abdominal effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 208000001797 obstructive sleep apnea Diseases 0.000 claims description 5
- 208000003417 Central Sleep Apnea Diseases 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000002864 sequence alignment Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 210000000038 chest Anatomy 0.000 description 20
- 210000003739 neck Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 208000020020 complex sleep apnea Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 201000006646 mixed sleep apnea Diseases 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Measuring 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 or 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
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- 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—Measuring 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 or mobility of a limb
- A61B5/1102—Ballistocardiography
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种睡眠呼吸暂停低通气事件的分类识别方法，睡眠呼吸暂停低通气事件的分类识别方法由传感单元和电路处理单元两部分组成，传感单元包括压电传感器A、压电传感器B、压电传感器C和声音传感器，电路处理单元包括电荷放大器、模数转换器、前置放大器、音频编码器和核心处理器，该识别装置在睡眠呼吸状态的监测过程中采集的生理信息不对被测者造成睡眠干扰；能够获得同步的多路非接触信号，对睡眠呼吸状态的各类别能够实现有效细致的划分，有利于睡眠呼吸状态的及早发现以便于及时采取针对性的措施。
Description
技术领域
本发明涉及生物医学技术领域，具体涉及一种睡眠呼吸暂停低通气事件的分类识别装置。
背景技术
睡眠对人体的身体健康和工作效率的提升起着重要的作用，其中的睡眠呼吸状态监测是睡眠监测的关键组成部分，当睡眠中伴有呼吸暂停或低通气，会导致白天嗜睡或感到疲劳，其中长期的睡眠呼吸暂停会增加患心脏病、中风、糖尿病等疾病的风险。
传统的方法使用睡眠多导仪（PSG）监测人体的睡眠状况，涉及有：口鼻气流、心电、血氧、体动、胸腹阻抗等生理信号的监测，该方法作为睡眠监测的黄金标准，其对睡眠呼吸暂停的各类别能够较好的区别，但此类生理信号的监测设备过于繁杂同时粘贴电极、探头等传感前端，常会干扰被测者的睡眠状态，不利于长期的睡眠监测。因此我们有必要针对现有技术的不足而提供一种睡眠呼吸暂停低通气事件的分类识别装置。
发明内容
为了克服现有技术中的不足，本发明提出一种睡眠呼吸暂停低通气事件的分类识别装置，其能获得同步的多路非接触信号， 对睡眠呼吸状态的各类别能够实现有效细致的划分，有利于睡眠呼吸状态的及早发现。
为了实现上述目的，本发明的一种睡眠呼吸暂停低通气事件的分类识别装置，包括传感单元和电路处理单元两部分组成，传感单元包括压电传感器A、压电传感器B、压电传感器C和声音传感器，其中压电传感器A、压电传感器B、压电传感器C依次置于人体的颈部、胸部以及腹部位置，声音传感器置于人体颈部下方；
电路处理单元包括电荷放大器、模数转换器、前置放大器、音频编码器和微处理器，其中压电传感器A、压电传感器B、压电传感器C均连接电荷放大器，电荷放大器通过模数转换器连接微处理器，声音传感器通过前置放大器连接音频编码器，音频编码器连接微处理器；
分类识别装置通过以下步骤实现睡眠呼吸暂停低通气事件分类识别，
S101，同步采集：压电传感器A、压电传感器B、压电传感器C采集人体颈部、胸部和腹部的运动信号,声音传感器采集睡眠过程中的音频A；
S102，数据序列对齐：前置放大器对音频A进行放大处理得到音频B,保证音频B和压电信号为对齐状态；
S103，变换得到6路信号：压电传感器A采样人体颈部运动信号并通过低通滤波器H1分离出呼吸信号X1,
步骤S2中音频B为信号X2,
压电传感器B采样人体胸部运动信号并通过带通滤波器H2分离出心跳信号X3,
压电传感器B采样人体胸部运动信号并通过低通滤波器H3分离出呼吸信号X4,
压电传感器C采样人体腹部运动信号并通过低通滤波器H4得到腹部呼吸信号X5,
胸部运动信号、腹部运动信号和颈部运动信号，三路信号的求和平均获得体动信号X6；
S104，10s数据片段划分：步骤S103中X1-X6，通过设置长度为10s的数据窗口对采集一整晚信号X1-X6分别滑动截取多个子信号片段X1k ,X2k...X6k,其中k=1,2,...n，X1k,X2k...X6k的长度各为10s；
S105，特征提取：对信号进行特征提取，特征包括，X1k的特征排列熵值EnX1k、X1k的容积特征X1kvol、X1k和X2k两信号的峰值点序列差的方差Vp和采样位置序列差的方差Vt、X3k的HRV功率谱比值RatioVL、X4k容积特征X4kvol、X5k容积特征X5kvol、胸部信号呼吸率特征值ResX4k、腹部信号呼吸率特征值ResX5k和音频A功率谱特征Pwel；
其中，信号X1k和音频信号X2k的联合特征：首先计算音频A的FFT变换，在频谱区间100-750Hz内取信号的最大值点Pmax，当Pmax大于阈值THp时判断存在鼾声，其次若存在鼾声信号则计算鼾声信号的包络信号，具体地，鼾声信号的包络为对X2k计算希尔伯特变换得到包络信号y2k（t）：
采用差分阈值法提取包络信号y2k（t）的峰值点序列Peak2k和对应的采样位置序列t2k，同样采用差分阈值法计算信号X1k的峰值点序列Peak1k和对应的采样位置序列t1k；计算两者峰值点序列差的方差Vp和计算两者采样位置序列差的方差Vt如下式所示：
S106，采用分类器A判断呼吸暂停、低通气、正常呼吸状态；
S107，若分类器A判断出有呼吸暂停事件，则采用分类器B对划分的呼吸暂停事件进一步划分为中枢型和阻塞型；
S108，滑窗累计事件次数：通过窗口滑动，设置步长为Ts,在整晚的睡眠中，累计各事件出现的次数和时间的比值；
S109，输出判别结果：根据步骤S108中比值信息，输出阻塞型、中枢型、混合型、低通气、正常类别判断。
优选的，步骤S106中，分类器A采用如下的特征：X1k的特征排列熵值EnX1k、X1k的容积特征X1kvol，体动信号特征，峰值点序列差的方差Vp，采样位置序列差的方差Vt，X3k的HRV功率谱比值RatioVL；
其中，体动信号特征设定阈值THm，当信号X6k中出现连续1s大于阈值THm的信号段时，标记该段信号X6k及X6k-1为体动也即是Movex6k或Movex6k-1置1；
构建的分类决策公式如下：
Yout1=C1*1/EnX1k+C2*X1kvol+C3*(Vp+Vt)+C4*RatioVL+C5*1/Movex6k
Yout1<THape 则判断为呼吸暂停事件
THape<=Yout1<THhyp 则判断为低通气
Yout1>= THhyp 则判断为正常呼吸状态
其中的C1，C2，C3，C4，C5为各常数因子，THape、THhyp为依据实验数据设定的阈值。
优选的，步骤S107中,分类器B采用的特征为：X4kvol、X5kvol、ResX4k、ResX5k和Pwel，
分类决策规则如下式：
Yout2=1 当 (X4kvol+X5kvol）>THvol&& ( 10<ResX4k<30 or 10< ResX5k<30)&&Pwel<THwel
Yout2=0 否则
其中THvol和THwel 为本发明设定的阈值，Yout2=1为阻塞型睡眠呼吸暂停事件，否则Yout2=0则为中枢型睡眠呼吸暂停事件。
本发明具有以下有益效果：
在睡眠呼吸状态的监测过程中采集的生理信息不对被测者造成睡眠干扰；能够获得同步的多路非接触信号， 对睡眠呼吸状态的各类别能够实现有效细致的划分，有利于睡眠呼吸状态的及早发现以便于及时采取针对性的措施。
附图说明
下面结合附图对本发明作进一步描写和阐述。
图1为本发明首选实施例的一种非接触式的睡眠呼吸暂停低通气事件的分类识别装置框图。
图2为图1中识别装置的传感单元示意图。
图3为本发明首选实施例的一种非接触式的睡眠呼吸暂停低通气事件的分类识别装置的流程示意图。
具体实施方式
下面将结合附图、通过对本发明的优选实施方式的描述，更加清楚、完整地阐述本发明的技术方案。
实施例1
如图1所示，本发明的睡眠呼吸暂停低通气事件的分类识别装置，包括传感单元和电路处理单元两部分组成，传感单元包括压电传感器A、压电传感器B、压电传感器C和声音传感器，其中压电传感器A、压电传感器B、压电传感器C依次置于人体的颈部、胸部以及腹部位置用于检测呼吸时产生的运动信号，声音传感器置于人体颈部下方用于检测呼吸时产生的音频信号。
如图2所示，电路处理单元包括电荷放大器、模数转换器、前置放大器、音频编码器和微处理器，其中压电传感器A、压电传感器B、压电传感器C均连接电荷放大器，电荷放大器通过模数转换器连接微处理器，声音传感器通过前置放大器连接音频编码器，音频编码器连接微处理器，压电传感器A、压电传感器B、压电传感器C感受人体颈部、胸部、腹部压力引起的的电荷变化量，通过电荷放大器转换为电信号，3路压电信号通过模数转换器实现同步采集并输入到微处理器待处理，同时声音传感器获取的音频信号通过前置放大器实现滤出较低频率的干扰，并且对微弱的音频信号放大，并通过音频编码器采样实现高精度的采样并输入到微处理器待处理。
如图3所示，分类识别装置通过以下步骤实现睡眠呼吸暂停低通气事件分类识别，包括步骤,
S101，同步采集：压电传感器A、压电传感器B、压电传感器C采集人体颈部、胸部和腹部的运动信号,声音传感器采集睡眠过程中的音频A，其中人体颈部运动信号主要包含口鼻呼吸动作引起的微小力和心脏引起的心冲击信号，胸部运动信号主要包含胸腔的扩张运动和心脏引起的心冲击信号，腹部运动信号主要为被测者腹式呼吸引起的腹部移动信号和心脏引起的心冲击信号，音频A为检测的鼾声，其中鼾声的频率范围为100Hz-750Hz。
S102，数据序列对齐：前置放大器对音频A进行放大处理得到音频B,保证音频B和压电信号为对齐状态，本实施例中压电信号的采样频率设置250HZ，音频信号采样频率设置为1KHz，满足信号采样要求。音频A执行4倍下采样操作得到音频B，音频B和压电信号为对齐状态，与此同时保留采样率为1KHz的音频A待后续处理。
S103，变换得到6路信号：压电传感器A采样人体颈部运动信号并通过低通滤波器H1分离出呼吸信号X1,其中低通滤波器H1的作用是滤除心跳成分和高频噪声干扰得到口鼻呼吸动作引起的微小力信号,
步骤S2中音频B为信号X2,
压电传感器B采样的胸部运动信号主要包含胸廓的呼吸起伏运动和心冲击运动信号，此处的心冲击信号较为明显，胸部运动信号通过带通滤波器H2分离出心跳信号X3,胸部运动信号通过低通滤波器H3分离出呼吸信号X4,压电传感器C采样人体腹部运动信号并通过低通滤波器H4得到腹部呼吸信号X5,
胸部运动信号、腹部运动信号和颈部运动信号，三路信号的求和平均获得体动信号X6，三路信号为没有滤波之前的原始胸部、腹部颈部运动信号，因为体动信号发生时信号幅值高于呼吸、心跳等引起的微小运动，因此不考虑滤波，可以直接采用三者的原始信号求和平均获得体动信号。
S104，10s数据片段划分：步骤S103中X1-X6，通过设置长度为10s的数据窗口对采集一整晚信号X1-X6分别滑动截取多个子信号片段X1k ,X2k...X6k,其中k=1,2,...n，X1k,X2k...X6k的长度各为10s。
S105，特征提取：对信号进行特征提取，特征包括，X1k的特征排列熵值EnX1k、X1k的容积特征X1kvol、X1k和X2k两信号的峰值点序列差的方差Vp和采样位置序列差的方差Vt、X3k的HRV功率谱比值RatioVL、X4k容积特征X4kvol、X5k容积特征X5kvol、胸部信号呼吸率特征值ResX4k、腹部信号呼吸率特征值ResX5k和音频A功率谱特征Pwel，其中，
计算颈部动作信号X1k的容积X1kvol表示为：
信号X1k和音频信号X2k的联合特征：首先计算音频A的FFT变换，在频谱区间100-750Hz内取信号的最大值点Pmax，当Pmax大于阈值THp时判断存在鼾声，其次若存在鼾声信号则计算鼾声信号的包络信号，具体地，鼾声信号的包络为对X2k计算希尔伯特变换得到包络信号y2k（t）：
采用差分阈值法提取包络信号y2k（t）的峰值点序列Peak2k和对应的采样位置序列t2k，同样采用差分阈值法计算信号X1k的峰值点序列Peak1k和对应的采样位置序列t1k；计算两者峰值点序列差的方差Vp和计算两者采样位置序列差的方差Vt如下式所示：
X3k的HRV功率谱比值RatioVL：通过模板匹配法计算心冲击信号的逐拍心跳间期，求此逐拍间期的功率谱，计算极低频段0-0.04Hz内的频谱的均值VLFm、低频段0.04-0.15Hz内的频谱均值LFm，并求两者的比值
X4k容积特征X4kvol、X5k容积特征X5kvol：计算X4k的容积X4kvol表示为：
其中的T为2500，同理可得到X5kvol；
胸部信号呼吸率特征值ResX4k和腹部信号呼吸率特征值ResX5k：胸部信号X4k的呼吸率计算采用过零点方法计算出信号的过零点值序列，通过该序列可计算10s内的多个瞬时呼吸率值，取多个瞬时呼吸值的中值作为呼吸率特征值ResX4k，同理腹部信号X5k可采用同样的方法计算得出呼吸率特征值ResX5k；
音频A功率谱特征：采用对应当前k时刻区间内的音频A信号段，音频A信号段长度为10k个数据点，通过Welch功率谱估计获得频带100-750Hz内的功率谱，取该范围内的幅值最大值设定为Pwel作为音频A的功率谱特征。
S106，分类器A：采用分类器A判断呼吸暂停、低通气、正常呼吸状态,分类器A采用如下的特征：X1k的特征排列熵值EnX1k、X1k的容积特征X1kvol，体动信号特征，峰值点序列差的方差Vp，采样位置序列差的方差Vt，心率功率谱比值RatioVL，
其中体动信号特征为：设定阈值THm，当信号X6k中出现连续1s大于阈值THm的信号段时，标记该段信号X6k及X6k-1为体动也即是Movex6k或Movex6k-1置1；
构建的分类决策公式如下：
Yout1=C1*1/EnX1k+C2*X1kvol+C3*(Vp+Vt)+C4*RatioVL+C5*1/Movex6k
Yout1<THape 则判断为呼吸暂停事件
THape<=Yout1<THhyp 则判断为低通气
Yout1>= THhyp 则判断为正常呼吸状态
其中的C1，C2，C3，C4，C5为各常数因子，THape 、THhyp为依据实验数据设定的阈值。
S107，分类器B：若分类器A判断出有呼吸暂停事件，则采用分类器B对划分的呼吸暂停事件进一步划分为中枢型和阻塞型,分类器B采用的特征为：X4kvol、X5kvol、ResX4k、ResX5k和Pwel，分类决策规则如下式：
Yout2=1 当 (X4kvol+X5kvol）>THvol&& ( 10<ResX4k<30 or 10< ResX5k<30)&&Pwel<THwel
Yout2=0 否则
其中THvol和THwel 为本发明设定的阈值，Yout2=1为阻塞型睡眠呼吸暂停事件，否则Yout2=0则为中枢型睡眠呼吸暂停事件。
S108，滑窗累计事件次数：通过窗口滑动，设置步长为Ts,在整晚的睡眠中，累计各事件出现的次数和时间的比值,在本发明实施例中设置步长为1s，在整晚的睡眠中，累计各事件出现的次数和时间的比值例如睡眠正常状态的比值：RatioN=NorTimes/TotalHours
阻塞型睡眠呼吸暂停状态的比值：RatioA=ApeTimes/TotalHours
中枢型睡眠呼吸暂停状态的比值：RatioC=CenTimes/TotalHours
混合型睡眠呼吸暂停状态的比值：依据事件的时间顺序判断当出现中枢型睡眠呼吸暂停事件的1min内再次出现阻塞型睡眠呼吸暂停则判定为混合型睡眠呼吸暂停事件发生，累计该事件的发生次数Mixtimes,则RatioM=Mixtimes/TotalHours
睡眠低通气状态的比值：RatioH= HypTimes/TotalHours。
S109，输出判别结果：根据步骤S108中比值信息，输出阻塞型、中枢型、混合型、低通气、正常类别判断,判断上述步骤S108的比值信息，当RatioA、RatioC、RatioH、RatioM有其中之一大于阈值THcla则判断为对应类型的事件，例如RatioA大于THcla则判断为阻塞型睡眠呼吸暂停事件，当RatioC大于THcla则判断为中枢型睡眠呼吸暂停事件，以此类推，当有多个大于阈值THcla则判断为多个类型，否则判断为正常呼吸状态。
上述具体实施方式仅仅对本发明的优选实施方式进行描述，而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下，本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进，均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。
Claims (3)
1.睡眠呼吸暂停低通气事件的分类识别装置，包括传感单元和电路处理单元两部分，其特征在于，所述传感单元包括压电传感器A、压电传感器B、压电传感器C和声音传感器，其中所述压电传感器A、压电传感器B、压电传感器C依次置于人体的颈部、胸部以及腹部位置，所述声音传感器置于人体颈部下方；
所述电路处理单元包括电荷放大器、模数转换器、前置放大器、音频编码器和微处理器，其中所述压电传感器A、压电传感器B、压电传感器C均连接电荷放大器，所述电荷放大器通过模数转换器连接微处理器，所述声音传感器通过前置放大器连接音频编码器，所述音频编码器连接微处理器；
所述分类识别装置通过以下步骤实现睡眠呼吸暂停低通气事件分类识别，
S101，同步采集：压电传感器A、压电传感器B、压电传感器C采集人体颈部、胸部和腹部的运动信号,声音传感器采集睡眠过程中的音频A；
S102，数据序列对齐：前置放大器对音频A进行放大处理得到音频B,保证音频B和压电信号为对齐状态；
S103，变换得到6路信号：压电传感器A采样人体颈部运动信号并通过低通滤波器H1分离出呼吸信号X1,
所述步骤S102中音频B为信号X2,
压电传感器B采样人体胸部运动信号并通过带通滤波器H2分离出心跳信号X3,
压电传感器B采样人体胸部运动信号并通过低通滤波器H3分离出呼吸信号X4,
压电传感器C采样人体腹部运动信号并通过低通滤波器H4分离出呼吸信号X5,
胸部运动信号、腹部运动信号和颈部运动信号，三路信号的求和平均获得体动信号X6,
S104，10s数据片段划分：所述步骤S103中X1-X6，通过设置长度为10s的数据窗口对采集一整晚信号X1-X6分别滑动截取多个子信号片段X1k ,X2k...X6k,其中k=1,2,...n，X1k,X2k...X6k的长度各为10s；
S105，特征提取：对信号进行特征提取，特征包括，X1k的特征排列熵值EnX1k、X1k的容积特征X1kvol、X1k和X2k两信号的峰值点序列差的方差Vp和采样位置序列差的方差Vt、X3k的HRV功率谱比值RatioVL、X4k容积特征X4kvol、X5k容积特征X5kvol、胸部信号呼吸率特征值ResX4k、腹部信号呼吸率特征值ResX5k和音频A功率谱特征Pwel；
其中，信号X1k和音频信号X2k的联合特征：首先计算音频A的FFT变换，在频谱区间100-750Hz内取信号的最大值点Pmax，当Pmax大于阈值THp时判断存在鼾声，其次若存在鼾声信号则计算鼾声信号的包络信号，具体地，鼾声信号的包络为对X2k计算希尔伯特变换得到包络信号y2k（t）：
采用差分阈值法提取包络信号y2k（t）的峰值点序列Peak2k和对应的采样位置序列t2k，同样采用差分阈值法计算信号X1k的峰值点序列Peak1k和对应的采样位置序列t1k；计算两者峰值点序列差的方差Vp和计算两者采样位置序列差的方差Vt如下式所示：
S106，采用分类器A判断呼吸暂停、低通气、正常呼吸状态；
S107，若分类器A判断出有呼吸暂停事件，则采用分类器B对划分的呼吸暂停事件进一步划分为中枢型和阻塞型；
S108，滑窗累计事件次数：通过窗口滑动，设置步长为Ts,在整晚的睡眠中，累计各事件出现的次数和时间的比值；
S109，输出判别结果：根据所述步骤S108中比值信息，输出阻塞型、中枢型、混合型、低通气、正常类别判断。
2.根据权利要求1所述的睡眠呼吸暂停低通气事件的分类识别装置，其特征在于，所述步骤S106中，分类器A采用如下的特征：X1k的特征排列熵值EnX1k、X1k的容积特征X1kvol，体动信号特征，峰值点序列差的方差Vp，采样位置序列差的方差Vt，X3k的HRV功率谱比值RatioVL；
其中，体动信号特征为：设定阈值THm，当信号X6k中出现连续1s大于阈值THm的信号段时，标记该段信号X6k及X6k-1为体动也即是Movex6k或Movex6k-1置1；
构建的分类决策公式如下：
Yout1=C1*1/EnX1k+C2*X1kvol+C3*(Vp+Vt)+C4*RatioVL+C5*1/Movex6k
Yout1<THape 则判断为呼吸暂停事件
THape<=Yout1<THhyp 则判断为低通气
Yout1>= THhyp 则判断为正常呼吸状态
其中的C1，C2，C3，C4，C5为各常数因子，THape 、THhyp为依据实验数据设定的阈值。
3.根据权利要求1所述的睡眠呼吸暂停低通气事件的分类识别装置，其特征在于，
所述步骤S107中,分类器B采用的特征为：X4kvol、X5kvol、ResX4k、ResX5k和Pwel，
分类决策规则如下式：
Yout2=1 当 (X4kvol+X5kvol）>THvol&& ( 10<ResX4k<30 or 10< ResX5k<30)&&Pwel<THwel
Yout2=0 否则
其中THvol和THwel 为本发明设定的阈值，Yout2=1为阻塞型睡眠呼吸暂停事件，否则Yout2=0则为中枢型睡眠呼吸暂停事件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010253472.3A CN111543942B (zh) | 2020-04-02 | 2020-04-02 | 一种睡眠呼吸暂停低通气事件的分类识别装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010253472.3A CN111543942B (zh) | 2020-04-02 | 2020-04-02 | 一种睡眠呼吸暂停低通气事件的分类识别装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111543942A CN111543942A (zh) | 2020-08-18 |
| CN111543942B true CN111543942B (zh) | 2022-10-11 |
Family
ID=72007333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010253472.3A Active CN111543942B (zh) | 2020-04-02 | 2020-04-02 | 一种睡眠呼吸暂停低通气事件的分类识别装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111543942B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI773385B (zh) * | 2021-04-06 | 2022-08-01 | 光禾感知科技股份有限公司 | 睡眠呼吸中止的監測系統和監測方法 |
| CN113509169A (zh) * | 2021-08-05 | 2021-10-19 | 成都乐享智家科技有限责任公司 | 一种基于多参数非接触睡眠呼吸暂停检测系统及方法 |
| CN114668407B (zh) * | 2022-05-30 | 2023-01-10 | 广州中科新知科技有限公司 | 一种基于bcg信号的睡眠呼吸暂停初筛系统 |
| CN116401598B (zh) * | 2023-03-16 | 2023-11-21 | 华南师范大学 | 基于生理信号的睡眠呼吸暂停检测方法以及装置 |
| CN116211256B (zh) * | 2023-03-16 | 2023-12-22 | 武汉理工大学 | 一种非接触式的睡眠呼吸信号获取方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003126064A (ja) * | 2001-10-22 | 2003-05-07 | Yamatake Corp | 呼吸異常検出装置 |
| WO2004112606A1 (en) * | 2003-06-24 | 2004-12-29 | University College Dublin, National University Of Ireland, Dublin | Methods and apparatus for detecting sleep apnea using bioimpedance measurements |
| CN101044981A (zh) * | 2006-03-28 | 2007-10-03 | 周常安 | 睡眠呼吸状态检测装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1711104B1 (en) * | 2004-01-16 | 2014-03-12 | Compumedics Limited | Method and apparatus for ecg-derived sleep disordered breathing monitoring, detection and classification |
| WO2006133548A1 (en) * | 2005-06-13 | 2006-12-21 | Braebon Medical Corporation | Sleep disorder monitoring and diagnostic system |
-
2020
- 2020-04-02 CN CN202010253472.3A patent/CN111543942B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003126064A (ja) * | 2001-10-22 | 2003-05-07 | Yamatake Corp | 呼吸異常検出装置 |
| WO2004112606A1 (en) * | 2003-06-24 | 2004-12-29 | University College Dublin, National University Of Ireland, Dublin | Methods and apparatus for detecting sleep apnea using bioimpedance measurements |
| CN101044981A (zh) * | 2006-03-28 | 2007-10-03 | 周常安 | 睡眠呼吸状态检测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111543942A (zh) | 2020-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111543942B (zh) | 一种睡眠呼吸暂停低通气事件的分类识别装置 | |
| CN110327036B (zh) | 从穿戴式心电中提取呼吸信号和呼吸频率的方法 | |
| Nam et al. | Estimation of respiratory rates using the built-in microphone of a smartphone or headset | |
| JP5153770B2 (ja) | いびき検知及び確認のためのシステム及び方法 | |
| CN103690168B (zh) | 阻塞型睡眠呼吸暂停综合征检测方法及系统 | |
| KR101868888B1 (ko) | 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법 | |
| WO2014094415A1 (zh) | 基于生物电阻抗的睡眠呼吸模式识别方法及装置 | |
| CN106037743B (zh) | 一种提取呼吸率的方法及设备 | |
| CN112263242A (zh) | 基于fmcw雷达的呼吸检测及模式分类方法 | |
| CN112155560B (zh) | 基于实时心冲击信号的呼吸暂停检测方法及系统 | |
| CN106295225B (zh) | 基于互信息网络的睡眠呼吸暂停综合征的检测系统 | |
| CA2799094A1 (en) | System and methods of acoustical screening for obstructive sleep apnea during wakefulness | |
| WO2011148766A1 (en) | Method and system for reliable inspiration-to-expiration ratio extraction from acoustic physiological signal | |
| KR102324471B1 (ko) | 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치 및 그 제어 방법 | |
| CN111481207A (zh) | 基于心冲击信号的睡眠姿势识别装置及方法 | |
| CN111449622A (zh) | 一种基于bcg检测的房颤识别系统 | |
| CN114176564A (zh) | 基于雷达信号提取呼吸状态的方法 | |
| CN112545547A (zh) | 呼吸音分析方法及呼吸音分析系统 | |
| CN105326477A (zh) | 一种用于多种医学信号采集的呼吸及心跳同步信号提取方法及装置 | |
| CN204765621U (zh) | 一种基于动态心电与呼吸波采集的睡眠呼吸暂停采集分析系统 | |
| CN113509169A (zh) | 一种基于多参数非接触睡眠呼吸暂停检测系统及方法 | |
| CN109498022A (zh) | 一种基于光电容积脉搏波的呼吸频率提取方法 | |
| Cámara et al. | mHealth tools for monitoring Obstructive Sleep Apnea patients at home: Proof-of-concept | |
| CN106333676A (zh) | 清醒状态下的脑电信号数据类型的标注装置 | |
| EP2283773A1 (en) | Processing a breathing signal |
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 |