基于人体压力分布图像的睡眠状态及睡眠疾病检测系统技术方案

本发明专利技术属于睡眠状态识别技术领域，具体为基于人体压力分布图像的睡眠状态及睡眠疾病检测系统。本发明专利技术使用柔性压感床垫采集受试者的睡眠压力分布图像；使用红外摄像机记录睡眠睡姿；使用PSG记录睡眠过程中的睡眠阶段；使用PSG获取受试者睡眠过程中的AHI指数，并进行严重程度分级；将摄像机记录的睡姿、PSG获取的睡眠阶段与AHI指数作为金标准，使用压力分布图像构建数据集；采用硬参数共享的多任务学习框架，构建多个深度学习模型进行自动特征提取与分类，模型部署在STM32单片机中，直接在STM32中进行睡姿、睡眠阶段以及OSA的监测。本发明专利技术可实现更快速、更低成本、高准确度的睡姿识别、睡眠分期与OSA判别。眠分期与OSA判别。眠分期与OSA判别。

【技术实现步骤摘要】
基于人体压力分布图像的睡眠状态及睡眠疾病检测系统


[0001]本专利技术属于睡眠状态识别
，具体涉及睡眠状态及睡眠疾病检测系统。

技术介绍

[0002]在睡眠过程中，脑电图会发生各种变化，根据脑电图的不同特征，可以将睡眠分为多个阶段：清醒期（W）、非快速眼动期（NREM）、快速眼动期（REM）。其中NREM期还可以分为N1期（入睡期）、N2期（浅睡期）和N3期（深睡期）。睡眠分期是用于临床常规检测和睡眠研究的电生理信号处理中的关键步骤。睡眠姿势，简称睡姿，是睡眠监测的一项重要参数，与人类健康息息相关。错误的睡姿可能会导致颈椎、腰椎以及背部等部位的疾病，如果长期保持不当睡姿，由于身体的某些部位长时间受到较大压力，可能会导致压疮。压疮又称为压力性溃疡，指的是部分组织由于长时间受到较大压力，发生持续性的缺血、缺氧以及营养不良等所导致的组织溃烂坏死。由于长期卧床的病人经常会长时间保持同一姿势，故他们是这一疾病的高发人群，每年约有6万人死于压疮合并征。此外，不正确的睡姿可能会阻塞呼吸，压迫肌肉和血管，影响血液循环，易出现血流不畅、血栓等症状，还会引发阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea, OSA），它是一种最常见的睡眠疾病，其特征是睡眠期间上呼吸道反复塌陷，导致睡眠期间反复出现呼吸暂停、通气不足，并伴随着打鼾与反复觉醒。它所导致的间歇低氧以及较差的睡眠质量都会增加该人群罹患恶性肿瘤的风险。OSA所造成的睡眠期间呼吸暂停，将导致氧气无法供给到大脑、血液中，导致血液粘稠度增加，进而诱发心律失常、高血压以及冠心病等，严重时还可能导致夜间猝死。统计显示，我国每年有100多万人死于冠心病，其中30%的猝死发生在凌晨0点至6点。由此可见，长期监测睡姿进而预防错误的睡姿对于降低颈椎病、压疮以及阻塞性睡眠呼吸暂停综合征等疾病的患病概率具有非常重要的意义。
[0003]目前，睡眠分期通常是依靠对多导睡眠图（Polysomnography, PSG）的视觉分析而完成的。但由于PSG设备的成本较高，且需要在专业场所、由专业人士操作与评价，因此睡眠分期可能会出现主观性错误；使用PSG过程中还需要受试者佩戴大量传感器，会影响到受试者正常的睡眠。
[0004]PSG中对于睡姿的监测方式是采用可穿戴式的体位传感器。这种方法同样存在前文所述的缺陷，例如：附着在身体上的传感器会产生一定的异物感，降低睡眠舒适度，影响佩戴者的正常睡眠。此外，加速度传感器受运动伪影的影响较大，其准确性并不足够可靠；PSG设备的成本昂贵，且需要专业人员进行操作与分析。还有一类基于摄像机录像的睡姿监测方法，这种方法虽不会直接对受试者造成舒适度方面的影响，但仍有一些缺陷，例如：受环境光变化影响较大、录像存在隐私泄露问题、可能加重受试者心理负担等。
[0005]而OSA的诊断的金标准同样是PSG，通过记录睡眠期间呼吸暂停与低通气事件的频率来进行诊断，当AHI≥5次/小时，诊断为OSA，根据AHI的大小，还可以进一步将OSA分为轻度、中度、重度。关于PSG的缺点也同样存在：需要专业人员进行操作与分析、需要连接大量传感器、昂贵且耗时等。目前，临床上对OSA的初步筛查是采用问卷的形式，包括ESS问卷、
Berlin问卷、STOP
‑
Bang问卷等，问询受试者的病史、身体参数、是否打鼾，由此进行评估。尽管采用问卷的形式相当高效，但显而易见的是，它存在主观性过强的缺陷。
[0006]睡眠人体压力分布图记录了睡眠期间人体各个部位的相对压力大小，从空间的角度来看，图像可以体现出人体的轮廓以及各部位的受力情况，因而可以实现睡姿的识别；从时间的角度来看，由于人在呼吸时，胸部和腹部会随着吸气和呼气产生相应的膨胀或收缩，这会导致相应部位的压力发生变化，在时间域上，这种变化将被体现出来。睡眠时产生呼吸暂停或低通气时，压力的变化与正常状态下具有一定的差异性，据此可以实现对OSA的检测，再根据异常状态出现的频率，可以进一步判别OSA的严重程度。睡眠期间的体动会导致压力分布图像的突变，与人当时的睡眠状态有较大的关联，据此可以预测出睡眠阶段。此外，睡姿、睡眠阶段、OSA之间存在一些关联，例如：OSA与睡姿之间：体位性OSA和非体位性OSA的区别，由于重力和舌体软腭附着部位的影响，体位性OSA患者在仰卧位的OSA严重程度高于侧卧位，非体位性OSA则相反。OSA与睡眠阶段之间：由于OSA会引发反复的呼吸暂停或低通气，进而导致较差的睡眠质量，因而OSA患者的睡眠周期图与正常人也有所不同。
[0007]针对上述方法的一些缺点，本专利技术开发了一套智能床垫，由阵列式压力传感器搭配外围控制电路与相应的软件算法构成，可以实现睡眠时的人体压力分布图像的采集、处理与分析。智能床垫是一种较为稳定的设备，受环境变化的影响很小，将其布置于床单之下，不与人体直接接触，保证了舒适度，也不会产生隐私问题。我们希望这种新型方法可以快速、经济、无接触式地实现睡姿识别、睡眠分期与OSA判别。

技术实现思路

[0008]针对不当睡姿及其可能引发的阻塞性睡眠呼吸暂停对人类健康所造成的危害，以及常规睡姿监测方法、睡眠分期与OSA诊断金标准PSG所存在的不稳定、高成本、低效率等缺点，本专利技术旨在提供一种基于人体压力分布图像的睡眠状态及睡眠疾病检测系统，以提高检测质量和效率，降低检测成本。
[0009]本专利技术提供的基于人体压力分布图像的睡眠状态及睡眠疾病检测系统，根据睡姿、睡眠阶段与OSA的关联性，使用基于硬参数共享的多任务学习方法，使用深度学习模型，对睡姿、睡眠阶段与阻塞性睡眠呼吸暂停进行分类与判别，以提供更快速、高效、低成本的非接触式判别与诊断；本专利技术能解决目前睡姿识别方案存在的不稳定、不舒适、有隐私担忧以及睡眠分期和OSA的金标准
‑‑
PSG存在的高成本、低效率等缺陷。
[0010]本专利技术提供的基于人体压力分布图像的睡眠状态及睡眠疾病检测系统，参见图2所示，包括：数据采集模块，预处理模块，自动特征提取与共享参数网络模块、睡姿分类模块、睡眠分期模块以及OSA分类模块；其中：所述数据采集模块，用于采集受试者的人体压力分布图像；所述预处理模块，用于对人体压力分布数据进行预处理，滤除噪声和干扰，增强有用信息，并对数据集进行划分，将短期实验数据集作为训练集，整夜实验数据集作为测试集；所述自动特征提取与共享参数网络模块，用于提取输入图像的特征，并在后续的睡姿分类、睡眠分期、OSA分类任务中共享这些特征；所述睡姿分类模块，用于对睡姿进行分类，包括四种，即评估仰卧、俯卧、左侧卧或
右侧卧；所述睡眠分期模块，用于对睡眠阶段进行分类，包括三种，即评估醒、深睡或浅睡；所述OSA分类模块：对OSA进行分类，包括四种，即评估无OSA、轻度OSA、中度OSA或重度OSA。
[0011]进一步地：所述数据采集模块，具体采用阵列式柔性压感床垫；该床垫包含横向32通道与纵向32通道的两层柔性印刷电极层，以及夹于二者之间，由聚烯烃薄膜构成的传感层。所述聚烯烃薄膜具备压敏特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人体压力分布图像的睡眠状态及睡眠疾病检测系统，其特征在于，根据睡姿、睡眠阶段与OSA的关联性，采用基于硬参数共享的多任务学习方法，使用深度学习模型，对睡姿、睡眠阶段与阻塞性睡眠呼吸暂停进行分类与判别，以提供更快速、高效、低成本的非接触式判别与诊断；具体包括：数据采集模块，预处理模块，自动特征提取与共享参数网络模块、睡姿分类模块、睡眠分期模块以及OSA分类模块；其中：所述数据采集模块，用于采集受试者的人体压力分布图像；所述预处理模块，用于对人体压力分布数据进行预处理，滤除噪声和干扰，增强有用信息，并对数据集进行划分，将短期实验数据集作为训练集，整夜实验数据集作为测试集；所述自动特征提取与共享参数网络模块，用于提取输入图像的特征，并在后续的睡姿分类、睡眠分期、OSA分类任务中共享这些特征；所述睡姿分类模块，用于对睡姿进行分类，包括四种，即评估仰卧、俯卧、左侧卧或右侧卧；所述睡眠分期模块，用于对睡眠阶段进行分类，包括三种，即评估醒、深睡或浅睡；所述OSA分类模块：对OSA进行分类，包括四种，即评估无OSA、轻度OSA、中度OSA或重度OSA。2.根据权利要求1所述的睡眠状态及睡眠疾病检测系统，其特征在于，所述数据采集模块，具体采用阵列式柔性压感床垫；该床垫包含横向32通道与纵向32通道的两层柔性印刷电极层，以及夹于二者之间，由聚烯烃薄膜构成的传感层；所述聚烯烃薄膜具备压敏特性，即：其电阻随着施加于其的压力的增大而减小；横纵方向上的通道两两相交重叠，与中央传感层构成电路回路，形成32
×
32=1024个传感点；通过外围电路控制各个通道的通断，具体为：当横向电极层的某一通道选通时，依次选通纵向电极层的32个通道，全部选通完毕后，再选通横向电极层的下一个通道，并依次选通纵向电极层的32个通道；依此类推，循环采集每个传感点的电压，得出每个传感点位的相对压力大小，再将这1024个值映射到0
‑
255的范围内，重构为32
×
32分辨率的图像；将所述的床垫放置于人体躯干之下进行采集，即可获得人体压力分布图像。3.根据权利要求2所述的睡眠状态及睡眠疾病检测系统，其特征在于，所述预处理模块，包括阈值滤波、峰值滤波、高斯滤波和/或开运算；其中：阈值滤波的流程为：对于每一幅压力分布图像，计算全部1024个像素点的像素值均值，将其设定为阈值，将像素值低于此阈值的像素点认定为背景，将像素值置为0，即纯黑色；而像素值高于此阈值的像素点不做改动；通过阈值滤波，消除非人体部位压力的影响；峰值滤波的流程为：首先寻找压力分布图像每一行以及每一列像素值的峰值，即大于相邻像素值的像素值；获取到一系列峰值后，设定一个阈值为0.75倍的最小峰值，将低于此阈值的像素值清零，高于此阈值的像素值则不做改变；通过峰值滤波，减小某位置压力对周围区域的影响；高斯滤波的流程为：滑窗使用卷积对图像进行加权平均，通过高斯滤波使图像平滑；开运算的流程为：首先对图像遍历进行腐蚀操作，再对图像遍历进行膨胀操作，通过开运算，去除图像中孤立的点、毛刺。4.根据权利要求3所述的睡眠状态及睡眠疾病检测系统，其特征在于，所述自动特征提取与共享参数网络模块，针对睡姿分类、睡眠分期与OSA分类这三个任务，设计的一个基于
ConcatBlock模块的轻量化卷积神经网络模型，并加入有多层特征融合，将该模型命名为MSTNet；MSTNet堆叠了4层ConcatBlock模块、1层全局平均池化层和1层展平层；每一个ConcatBlock模块都包含1层Inception模块、1层卷积层、1层BN层与1层ReLU激活函数，其作用是提取图像特征；每个ConcatBlock模块的输出特征图都经过全局平均池化，并沿通道方向拼接在一起，实现特征融合；展平层将前述自动特征提取与共享参数网络模块的输出特征图展平为一维特征向量，以便后续分类使用；此模块的功能是从输入的压力分布图像中提取特征，以供后续睡姿分类、睡眠分期与OSA分类三个任务使用。5.根据权利要求4所述的睡眠状态及睡眠疾病检测系统，其特征在于，所述睡姿分类...

【专利技术属性】
技术研发人员：吴绍楠，陈炜，陈晨，冯一，陈泓瑜，
申请(专利权)人：复旦大学，
类型：发明
国别省市：