本发明专利技术实施例公开了一种基于智能穿戴设备的睡眠状态监测和鼾声识别方法及装置，方法包括：通过三轴加速度传感器和心率传感器采集心率和三轴加速度数据；利用采集的心率和三轴加速度数据检测入睡状态；当检测到进入睡眠状态后，通过深度神经网络进行鼾声识别。本发明专利技术实现了自动识别用户实际入睡时间、何时醒来、是否打鼾以及打鼾的严重程度等情况，由此评估用户的睡眠情况，从而为改善睡眠质量提供了数据基础。据基础。据基础。
【技术实现步骤摘要】
基于智能穿戴设备的睡眠状态监测和鼾声识别方法及装置
[0001]本专利技术涉及睡眠监测
，更具体地说是基于智能穿戴设备的睡眠状态监测和鼾声识别方法及装置。
技术介绍
[0002]睡眠是人体健康的基础。充足的睡眠有助于优化学习、记忆、注意力、情绪和决策过程。因此，改善睡眠健康已成为降低心血管和代谢疾病风险、全因死亡风险以及最近阿尔茨海默病在大脑中积累的预防策略。
[0003]睡眠过程中“打鼾”是比较常见的现象。打鼾医学上称之为“阻塞性睡眠呼吸暂停低通气综合征”，英文简称OSAHS，醒后容易有头痛，困倦，记忆力减退，反应能力下降，严重影响睡眠质量。长期反复的呼吸暂停会让身体长期处于缺氧状态。而长期缺氧会造成大脑、血液等全身多器官多系统损害，会诱发很多并发症，如：高血压、糖尿病、脑心病、心率失常、心绞痛、男性性功能障碍、老年痴呆等等。
[0004]临床上，医生通常使用多导睡眠图检测仪(PSG)来辅助诊断。PSG通过脑电波、心率、血氧饱和度等多维数据判断一个人是否患有呼吸暂停综合征。PSG检查应在睡眠呼吸实验室中进行至少7h的数据监测。这种睡眠监测方法有明显的缺点，首先是被测人需要在身上连接多根导线，用于睡眠信息采集。其次就是需要在专门的睡眠实验室监测。最后，监测出来的脑电图需要专业的医学人员去人工识别。
技术实现思路
[0005]本专利技术的目的在于克服现有技术的不足，提供基于智能穿戴设备的睡眠状态监测和鼾声识别方法及装置。
[0006]为实现上述目的，本专利技术采用以下技术方案：
[0007]第一方面，基于智能穿戴设备的睡眠状态监测和鼾声识别方法，所述智能穿戴设备内置有三轴加速度传感器、心率传感器和麦克风，所述方法包括：
[0008]通过三轴加速度传感器和心率传感器采集心率和三轴加速度数据；
[0009]利用采集的心率和三轴加速度数据检测入睡状态；
[0010]当检测到进入睡眠状态后，通过深度神经网络进行鼾声识别。
[0011]其进一步技术方案为：所述利用采集的心率和三轴加速度数据检测入睡状态，包括：
[0012]根据三轴加速度数据计算得到身体活动量；
[0013]当心率下降到特定分位数阈值，且身体活动量下降到活动量阈值时，通过分配清醒/睡眠二值标签来预处理时间序列；
[0014]对清醒/睡眠二值标签进行中值平滑处理，并计算时间序列长度；
[0015]提取睡眠标签的长度大于最小长度的睡眠序列；
[0016]将提取的睡眠序列与其间隔小于预定义的睡眠间隔值的其它睡眠序列进行合并，
以得到合并睡眠序列；
[0017]从合并睡眠序列中搜索超过设定阈值的心率拨动期；
[0018]根据心率拨动期确定出进入睡眠状态或觉醒状态。
[0019]其进一步技术方案为：所述当检测到进入睡眠状态后，通过深度神经网络进行鼾声识别，包括：
[0020]通过麦克风采集语音信号：
[0021]对语音信号进行预处理；
[0022]对预处理的语音信号进行语音特征提取；
[0023]将提取的语音特征采用CRNN模型作为识别器，以输出语音信号识别为鼾声的概率；
[0024]根据识别到的鼾声判断鼾声严重程度，并记录鼾声间隔时间和总持续时间。
[0025]其进一步技术方案为：所述对语音信号进行预处理，包括：
[0026]根据语音信号确定出语音的开始点和结束点；
[0027]去除开始点和结束点之间静音的部分。
[0028]第二方面，基于智能穿戴设备的睡眠状态监测和鼾声识别装置，所述智能穿戴设备内置有三轴加速度传感器、心率传感器和麦克风，所述装置包括采集单元、检测单元以及识别单元；
[0029]所述采集单元，用于通过三轴加速度传感器和心率传感器采集心率和三轴加速度数据；
[0030]所述检测单元，用于利用采集的心率和三轴加速度数据检测入睡状态；
[0031]所述识别单元，用于当检测到进入睡眠状态后，通过深度神经网络进行鼾声识别。
[0032]其进一步技术方案为：所述检测单元包括计算模块、分配模块、中值平滑处理模块、提取模块、合并模块、搜索模块以及确定模块；
[0033]所述计算模块，用于根据三轴加速度数据计算得到身体活动量；
[0034]所述分配模块，用于当心率下降到特定分位数阈值，且身体活动量下降到活动量阈值时，通过分配清醒/睡眠二值标签来预处理时间序列；
[0035]所述中值平滑处理模块，用于对清醒/睡眠二值标签进行中值平滑处理，并计算时间序列长度；
[0036]所述提取模块，用于提取睡眠标签的长度大于最小长度的睡眠序列；
[0037]所述合并模块，用于将提取的睡眠序列与其间隔小于预定义的睡眠间隔值的其它睡眠序列进行合并，以得到合并睡眠序列；
[0038]所述搜索模块，用于从合并睡眠序列中搜索超过设定阈值的心率拨动期；
[0039]所述确定模块，用于根据心率拨动期确定出进入睡眠状态或觉醒状态。
[0040]其进一步技术方案为：所述识别单元包括采集模块、预处理模块、提取模块、识别模块以及记录模块；
[0041]所述采集模块，用于通过麦克风采集语音信号：
[0042]所述预处理模块，用于对语音信号进行预处理；
[0043]所述提取模块，用于对预处理的语音信号进行语音特征提取；
[0044]所述识别模块，用于将提取的语音特征采用CRNN模型作为识别器，以输出语音信
号识别为鼾声的概率；
[0045]所述记录模块，用于根据识别到的鼾声判断鼾声严重程度，并记录鼾声间隔时间和总持续时间。
[0046]其进一步技术方案为：所述预处理模块包括确定子模块以及去除子模块；
[0047]所述确定子模块，用于根据语音信号确定出语音的开始点和结束点；
[0048]所述去除子模块，用于去除开始点和结束点之间静音的部分。
[0049]第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于智能穿戴设备的睡眠状态监测和鼾声识别方法。
[0050]第四方面，一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，使得所述处理器执行如上述的基于智能穿戴设备的睡眠状态监测和鼾声识别方法。
[0051]本专利技术与现有技术相比的有益效果是：本专利技术利用智能穿戴设备的心率传感器和三轴加速度传感器来采集心率和三轴加速度数据，然后利用采集的心率和三轴加速度数据检测入睡状态，当检测到进入睡眠状态后，通过深度神经网络进行鼾声识别。实现了自动识别用户实际入睡时间、何时醒来、是否打鼾以及打鼾的严重程度等情况，由此评估用户的睡眠情况，从而为改善睡眠质量提供了数据基础。
[0052]上述说明仅是本专利技术技术方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于智能穿戴设备的睡眠状态监测和鼾声识别方法，其特征在于，所述智能穿戴设备内置有三轴加速度传感器、心率传感器和麦克风，所述方法包括：通过三轴加速度传感器和心率传感器采集心率和三轴加速度数据；利用采集的心率和三轴加速度数据检测入睡状态；当检测到进入睡眠状态后，通过深度神经网络进行鼾声识别。2.根据权利要求1所述的基于智能穿戴设备的睡眠状态监测和鼾声识别方法，其特征在于，所述利用采集的心率和三轴加速度数据检测入睡状态，包括：根据三轴加速度数据计算得到身体活动量；当心率下降到特定分位数阈值，且身体活动量下降到活动量阈值时，通过分配清醒/睡眠二值标签来预处理时间序列；对清醒/睡眠二值标签进行中值平滑处理，并计算时间序列长度；提取睡眠标签的长度大于最小长度的睡眠序列；将提取的睡眠序列与其间隔小于预定义的睡眠间隔值的其它睡眠序列进行合并，以得到合并睡眠序列；从合并睡眠序列中搜索超过设定阈值的心率拨动期；根据心率拨动期确定出进入睡眠状态或觉醒状态。3.根据权利要求1所述的基于智能穿戴设备的睡眠状态监测和鼾声识别方法，其特征在于，所述当检测到进入睡眠状态后，通过深度神经网络进行鼾声识别，包括：通过麦克风采集语音信号：对语音信号进行预处理；对预处理的语音信号进行语音特征提取；将提取的语音特征采用CRNN模型作为识别器，以输出语音信号识别为鼾声的概率；根据识别到的鼾声判断鼾声严重程度，并记录鼾声间隔时间和总持续时间。4.根据权利要求3所述的基于智能穿戴设备的睡眠状态监测和鼾声识别方法，其特征在于，所述对语音信号进行预处理，包括：根据语音信号确定出语音的开始点和结束点；去除开始点和结束点之间静音的部分。5.基于智能穿戴设备的睡眠状态监测和鼾声识别装置，其特征在于，所述智能穿戴设备内置有三轴加速度传感器、心率传感器和麦克风，所述装置包括采集单元、检测单元以及识别单元；所述采集单元，用于通过三轴加速度传感器和心率传感器采集心率和三轴加速度数据；所述检测单元，用于利用采集的心率和三轴加速度数据检测入睡状态；所述识别单元，用于当检测到进入睡眠状态后，通过深度神经网络进行鼾声识别。6.根据权利要求5所述的基于智能穿戴设备的睡眠状态监测和鼾声识别...
【专利技术属性】
技术研发人员：张艳，
申请(专利权)人：上海禾苗创先智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。