1.一种多传感器融合反馈调整的止鼾枕,其特征在于,包括:止鼾枕本体、布设在止鼾枕本体上的分布式压力传感器、布设在止鼾枕本体内的多个带有气泵的气囊,以及控制器、心电脉搏波传感器、声音传感器和设置在每个气囊内的气压传感器;
所述分布式压力传感器、心电脉搏波传感器、声音传感器、气压传感器和气泵的驱动结构分别连接控制器。
2.根据权利要求1所述的多传感器融合反馈调整的止鼾枕,其特征在于:所述止鼾枕本体包括枕体及从枕体上延伸出的枕垫,所述分布式压力传感器包括不同精度和量程的压力传感器,分布于枕体和枕垫上。
3.根据权利要求1所述的多传感器融合反馈调整的止鼾枕,其特征在于:所述分布式压力传感器、心电脉搏波传感器、声音传感器、气压传感器和气泵的驱动结构分别通过线路直连或通过无线连接的方式连接控制器;所述控制器连接上位机。
4.根据权利要求1-3其中任一所述的多传感器融合反馈调整的止鼾枕,其特征在于:通过分布式压力传感器网络获取人体体位信息,根据数据的动态变化,提取使用者睡眠体位变化信息;并融合心电脉搏信号和鼾声作为实时非线性反馈控制系统的参数,调整枕头不同区域的气压,从而调整使用者的睡眠体位,以缓解打鼾症状。
5.根据权利要求1-3所述的多传感器融合反馈调整的止鼾枕,其特征在于,其控制方法包括以下步骤:
步骤s1:控制器采集声音信号、分布式压力传感器信号和心电脉搏波信号;
步骤s2:控制器由语音信号提取声音信号特征参数,采用改进的递归小脑神经网络模型进行鼾声识别;
步骤s3:在有鼾声的情况下,通过改进的递归小脑神经网络对分布式压力传感器信号进行体位识别,由控制器做出控制决策,发送相应的控制信号控制气阀的开关,由气泵向气囊进行充放气改变各气囊的气压;并在充放气的过程中由气压传感器实时检测气囊内的压力值并结合鼾声和心电脉搏信号作为反馈参数,对枕头内部气囊的气压实施非线性控制,以此调整使用者的睡眠体位;
步骤s4:当控制器通过压力信号判断出使用者的睡姿已经变为侧卧时,或已停止打鼾时,停止调整气囊气压,并回到步骤s2。
6.根据权利要求5所述的多传感器融合反馈调整的止鼾枕,其特征在于:由心电脉搏波信号提取心率变异率及血氧饱和度特征参数,当检测到心率变异率及血氧饱和度有异常时向使用者发出警告。
7.根据权利要求5所述的多传感器融合反馈调整的止鼾枕,其特征在于:
所述改进的递归小脑神经网络模型具有以下模糊推理规则:
rλ:如果x1是r1k,x2是r2k,......,xm是rmk,则yj=wkj,k=1,2,...,n;
其中xi是第i个输入值,rik是第i个输入、第k层的模糊集,wkj是后续部分的输出权重。m是输入维度,n是每个输入维度的层数,即模糊规则的个数;
所述改进的递归小脑神经网络模型包括:输入层、联想记忆层、接收域层、权值记忆层以及输出层;
所述输入层的输入数据为分布式压力信号,输出层的输出结果为体位的识别结果;
所述联想记忆层的隶属度函数采用高斯型小波函数,所述高斯型小波函数是采用高斯函数的一阶导数作为小波函数;所述高斯型小波函数计算公式如下所示:
其中xik是输入到联想记忆层的信号,bik和aik分别是小波函数的平移和扩张参数;
其中xik可以被表示为:
xik(t)=xi(t)+wikrik(t-1)(2)
其中,t是数据的时间序列,wik是这个递归单元的权重,其值代表的是上一时刻的输出结果对这一刻的影响,rik(t-1)代表的上一时刻的输出结果,rik为联想记忆层输出结果;
改进的递归小脑神经网络模型输出层激活函数采用softmax函数:
其中,zj为第j个节点的输出值,即输入到第j个输出层的值,c为输出层的个数,即分类的类别个数;通过softmax函数把多分类的输出值转换为范围在[0,1]和为1的概率分布;
输入层到输出层之间的表达式为:
其中ii为输入特征向量,m为特征向量维数;wik和wkj分别是输入层与联想记忆层之间以及感受层与输出层之间的权值;n表征的是对输入向量特征的分辨率;o为输出层分类的个数。
8.根据权利要求7所述的多传感器融合反馈调整的止鼾枕,其特征在于:在步骤s2中,对声音信号的进行预处理,包括预加重、分帧处理和加窗处理,截取规定的长度后再进行端点检测;提取声音信号的特征,包括:声音的梅尔频率倒谱系数、共振峰频率、基音周期特征参数;再通过改进的递归小脑神经网络分析使用者是否打鼾。
9.根据权利要求8所述的多传感器融合反馈调整的止鼾枕,其特征在于:
对于梅尔频率倒谱系数:对声音信号通过快速傅里叶变换转变为频域数据;计算每帧信号的谱线能量;计算通过mel滤波器的能量;取对数后再进行离散余弦变换之后获得,并通过求取矩阵的特征值进行降维;
对于共振峰频率:通过声音信号的线性预测得到预测系数,经过快速傅里叶变换求得功率谱响应曲线,对于所求得功率谱响应曲线的每个峰值用抛物线内插法计算出共振峰频率值;
对于基音周期:对声音信号通过快速傅里叶变换得到倒频谱,取其模值和对数进而求得基音周期。
10.根据权利要求7所述的多传感器融合反馈调整的止鼾枕,其特征在于:对压力信号进行降维预处理,通过改进的递归小脑神经网络进行训练,得到的体位识别神经网络模型用于对使用者的体位进行识别;
对心电脉搏波信号由处理器提取心率变异率及血氧饱和度特征,结合声音信号的特征参数进行整合标记,通过改进的递归小脑神经网络进行训练得到鼾声识别神经网络模型;所述鼾声识别神经网络模型,将输入调整为语音信号及心电脉搏信号的特征参数,输出调整为鼾声识别的结果,鼾声分类共两类,即有鼾声和无鼾声;
在步骤s3中,通过体位识别神经网络模型对使用者的体位进行识别,通过鼾声识别神经网络模型进行是否打鼾的识别。