基于心冲击信号的睡眠姿势识别装置及方法与流程

本发明涉及医疗领域，具体涉及基于心冲击信号的睡眠姿势识别装置及方法。

背景技术：

睡眠监测对于识别睡眠障碍以辅助诊断治疗具有重要作用，其中的睡眠姿势识别能较好的确定被测者对于某一个固定姿势的保持时间，长期的保持一个固定的睡眠姿势会出现褥疮症状，而频繁的变换睡眠姿势是导致睡眠质量不佳的关键因素。

目前的常规睡眠质量监测采用多导睡眠系统，该系统除了采集被测者的多生理参数等生命体征信息外还增加床旁的摄像仪采集睡眠图像信息以较为准确的判断出被测者在睡眠过程中的体姿变换，但以视频图像的记录方式增加了被测者的不适感，其中的隐私暴露成为一个急需解决的问题。

在现有的技术有通过身体各部位的压力图像来分析睡眠姿势，但该技术没有深度挖掘身体各姿势受力的细粒度特征，且基于阵列式分布增加了系统的使用成本。目前心冲击信号(bcg)作为一种无创、无接触式的生理信号监测手段备受关注。

技术实现要素：

为了克服现有技术中的不足，本发明提出基于心冲击信号的睡眠姿势识别装置及方法，其在对使用者睡眠姿势识别的同时，不会由于录入视频而暴露隐私。

为了实现上述目的，本发明的基于心冲击信号的睡眠姿势识别方法，包括以下步骤：s1：获取心冲击信号；s2：判断心冲击信号的幅值与设定的阈值大小关系；s3：调取心冲击信号波形特征；s4：将波形特征输入到集成逻辑回归分类器；s5：输出4种不同的睡眠姿势；s6统计计算各睡眠姿势的时间占比，发送自定义的提醒消息给客户端。

进一步的，步骤s2中，若心冲击信号的幅值大于设定的阀值，则表示被测用户身体发生体动，重新获取心冲击信号。

进一步的，步骤s3中，波形特征包括波形的幅度均值、呼吸频率、吸气和呼气的周期比值、波形的功率谱频带幅度积分、频带幅度极值，波形的幅度均值为1min的s1中心冲击信号32倍下采样信号段再取均值。

进一步的，波形功率谱频带积分，设置为周期图谱对1min的原始信号求得功率谱值，选择(01],(12],(23],(34],(48]5个区间内的功率谱求和得p1,p2,p3,p4,p5共5个谱特征。

进一步的，频带幅度极值是采用4096点fft变换得出的频谱值，再取0-8hz内的局部最大值。

本发明还提出一种用于实施上述基于心冲击信号的睡眠姿势识别方法而设计的基于心冲击信号的睡眠姿势识别装置，包括传感前端模块、调理电路、微处理器，传感前端模块、调理电路以及微处理器依次电性连接，传感前端模块包括外壳和压电陶瓷，信号处理电路模块为模数转换器。

进一步的，信号调理电路还包括rc滤波电路。

有益效果：本发明采用基于心冲击信号的睡眠姿势识别装置，该识别装置通过传感前端模块检测使用者睡眠时心冲击信号，再通过基于心冲击信号的睡眠姿势识别方法中对心冲击信号的心冲击信号波形特征进行分析，利用集成逻辑回归分类器输出客户的睡眠姿势，避免使用视频监控造成的客户隐私泄露的问题。

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是本发明基于心冲击信号的睡眠姿势识别装置的结构示意图；

图2是本发明的流程图；

图3是心跳冲击信号的波形图；

图4是本发明实施例的呼吸信号的吸气和呼气的周期比图例；

图5是本发明实施例的呼吸信号的周期图谱(periodogram)图例。

附图标记：100、传感前端模块；1010、外壳；1011、压电陶瓷；101、调理电路；102、微处理器。

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

如图1所示，本发明提出的基于心冲击信号的睡眠姿势识别装置，包括传感前端模块100、调理电路101、微处理器102，传感前端模块100包括一个外壳1010、和一个处于外壳1010的压电陶瓷1011，其中外壳1010是由pp塑料材质制成，压电陶瓷1011被使用特定胶水粘贴于外壳1010上盖的内表面。压电陶瓷1011作为信号采集器，可将压力信号转化为电信号,即将获取的压力信号以电压或电流的信号形式输出给对应的处理器(微处理器)；传感前端模块100置于床垫下方靠近胸部位置以采集个体的心冲击信号。

调理电路101包括rc滤波电路，与传感前端模块100(具体为压电陶瓷)采用电连接的方式，rc滤波电路用于滤除压电陶瓷产生的电信号中的噪声干扰；调理电路还包括一个模数转换器，用于将压电陶瓷的电信号转换为数字信号，模数转换器在本实施例中选用ads1118为例，并将其采样频率设置为250hz。

微处理器用于接收模数转换器的数字信号，并执行睡眠姿势提取步骤，使用自带的射频模块通过蓝牙将计算结果发送至手机客户端。本发明中微处理器具体可以是cc2640、cc2640r2f、cc2650、stm32等。

本发明还提出的基于心冲击信号的睡眠姿势识别方法，如图2所示，包括以下步骤：

步骤s1：获取心冲击信号。本发明通过前述基于心冲击信号的睡眠姿势识别装置，获取的心冲击信号如本发明附图3所示，此原始信号具体指使用基于心冲击信号的睡眠姿势识别装置所采集到的数字化信号。心冲击信号包含个体的心脏博动、呼吸运动引起的胸廓运动以及体动等信息，该心冲击信号的获取为实时在线测量获得，并以同步监测的多导睡眠仪获取的摄像记录得出的睡眠姿势状态作为心冲击信号的片段划分标记。

步骤s2：判断心冲击信号的幅值与设定的阈值大小关系。当被测的睡眠个体其信号的幅值超过阈值thmove则认为严重的体动发生，本步骤通过严重体动的识别以剔除干扰的信号片段(去除体动引起的心冲击信号的变化)。阈值thmove可以设定，本实施例图3中的被测的睡眠个体其信号的幅值普遍在2.14-2.16之间，阈值thmove可以设置为高于3倍以上幅值的值。

步骤s3：调取心冲击信号波形特征。本步骤中所提取的波形特征包括：波形的幅度均值、呼吸频率、吸气和呼气的周期比值、波形的功率谱频带幅度积分、频带幅度极值。

其中，波形的幅值均值为，将原始信号波形的1min信号长度求32倍下采样并取平均值。例如图3中1min内各心跳波形幅值的32倍下采样并求平均值。

其中的呼吸频率特征，采用差分阈值法提取呼吸周期内的最大值点bmax或最小值点bmin，进一步的依据采样率计算出呼吸率。具体的，找到连续两个最大值点bmax或连续两个最小值点bmin所对应的采样点区间中采样点的个数、采样率，例如：当采样率为1秒0.05*10⁴个，连续两个最大值点bmax或连续最小值点bmin之间采样点区间的采样点个数为0.08*10⁴,则呼吸率约为0.6次/秒(0.05*10⁴/0.08*10⁴)。

如图4所示，其中的吸气和呼气的周期比值特征，其吸气表示为波形的上升期(从bmin-bmax)，呼气为波形的下降期(从bmax-bmin)，它们的比值定义为吸气上升期和呼气下降期的比值。

其中的波形功率谱频带积分，设置为周期图谱(periodogram)对1min的原始心冲击信号(例如图3中波形)求得功率谱值，如图5所示，选择(01],(12],(23],(34],(48]等5个区间内的功率谱求和得p1,p2,p3,p4,p5共5个谱特征。

其中的频带幅度极值，采用4096点对原始心冲击信号通过fft变换(快速傅里叶变换)得出的频谱值，再取0-8hz内的局部最大值。

步骤s4：将波形特征输入到集成逻辑回归分类器。在步骤s103中的波形特征提取获得的9个特征(9个特征包括前述p1,p2,p3,p4,p5共5个谱特征，波形的幅度均值、呼吸频率、吸气和呼气的周期比值、频带幅度极值)，波形特征形成原始数据集a。通过随机替换样本得到多个同等规模的小数据集；每个小数据集均采用逻辑回归训练构成弱分类器，每个小数据集中数据数量为原始数据集a的10％。弱分类器的个数t选择为6(即随机选6次小数据集),识别的睡姿类型为4类分别是：左卧、右卧、俯卧、仰卧(i＝1,2,3,4)。

步骤s5，各两两分类器输出的概率值p(xi)表示分类为该类别i的可能性。通过分类器的两两组合得出最终的睡眠姿势的决策规则为：

其中的t表示为分类器的个数，表示对应于类别i的第j个分类器下得出的概率值。

对步骤s4和s5举例说明，如表1所示，对于一个测试样本，分别执行6个分类器，如下：每个分类器只输出两种结果值，例如分类器1只输出左卧和右卧的分类概率值。最终得出的g(x)＝2也即是该样本最终分类为右卧。

表1

步骤s6，统计计算各睡眠姿势的时间占比，发送自定义的提醒消息给客户端。例如当步骤s5中在连续一段时间都识别为右卧，则将累计右卧所占时间及比值发送给客户端。

此外，步骤s5的睡眠姿势识别结果在连续一段时间t1内各类别的识别结果若出现不一致，则选择占比较大的一类作为该段时间内的最终类别(正如表1，各类型均有，选择概率占比最大的右卧作为最终类别)。

发送自定义的提醒消息，具体为用户自定义设置睡眠姿势预设变换频率，并设置为出现姿势变换频率高于高限阈值th1(也可以设置低限阈值th2同样用于姿势变换频率体现)。

设备端自动发送报警信息给监护者，其中的设备端发送报警信息可以是通过设备端发送消息码给服务器端，再通过服务器下传到各终端监控界面；或者是设备端通过蓝牙方式共享给指定范围内的指定客户端。

综上所述，本发明采用对心冲击信号的获取并分析的方式或者用户的睡眠姿势，不再使用视频监控的方式检测用户的睡眠姿势，保护了用户的隐私。

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。