睡眠质量监测系统及方法与流程

1.本发明涉及一种睡眠质量监测系统及方法。


背景技术：

2.目前，现有的睡眠质量监测方案或者方法大都是单纯的使用“生命体征”采集传感器、手环或者通过手机app，对用户进行睡眠质量监测，这种单一的方式往往只能监测用户的单一健康指标。然而，对于睡眠质量监测来说，现有的睡眠质量监测评估的方面比较单一。
3.现有技术使用单纯一种方式监控睡眠指标及数据，明显不够全面。例如对于用户睡眠时的异常声音检查，即判断用户在睡眠时是否有打鼾和说梦话等影响用户睡眠质量的问题显然无能为力。


技术实现要素：

4.有鉴于此，有必要提供一种睡眠质量监测系统及方法，其能够在进行睡眠数据分析和监测的同时，还使用异常声音检查的方法，判断用户在睡眠时是否有打鼾和说梦话等影响用户睡眠质量的问题存在。
5.本发明提供一种睡眠质量监测系统，该系统包括相互电性连接的生体信号采集传感器、移动端以及云端服务器，其中：所述生体信号采集传感器为非接触式传感器，在用户睡眠时将所述生体信号采集传感器安装在用户床下或者安装在房顶，用于采集获得用户睡眠时的“生命体征”数据，所述“生命体征”数据包括：心跳、呼吸、脉搏；所述移动端用于接收所述生体信号采集传感器采集的用户睡眠时的“生命体征”数据，并将所述“生命体征”数据上传至云端服务器；以及方便用户查看所述云端服务器返回的用户生命体征的全面监测情况；所述云端服务器用于接收所述移动端上传的用户睡眠时的“生命体征”数据，并对所述数据进行全面处理及分析，实现对用户生命体征的全面监测，并将用户生命体征的全面监测情况返回至所述移动端，方便用户查看。
6.其中，所述用户生命体征的全面监测情况包括：用户的睡眠质量监测结果、用户是否打鼾、用户睡眠时是否说梦话。
7.所述云端服务器包括：睡眠质量监测模块、打鼾监测模块、梦话监测模块以及存储融合模块，其中：
8.所述睡眠质量监测模块用于根据接收的生命体征数据对用户进行睡眠监测，得到用户的睡眠质量监测结果；
9.所述打鼾监测模块用于根据训练的打鼾音频模型以及采集的用户音频信息，监测用户是否打鼾；
10.所述梦话监测模块用于通过语音端点检测方法，监测用户睡眠时是否说梦话；
11.所述存储融合模块用于将得到的用户的睡眠质量监测结果、用户是否打鼾、用户睡眠时是否说梦话进行存储及融合，实现对用户生命体征的全面监测。
12.所述的睡眠质量监测模块具体用于：
13.将接收的生体信号采集传感器采集到的“生命体征”数据作为原始的数据样本，根据睡眠分期的相关原理对用户进行睡眠分期，再通过机器学习的方法，训练出对应的模型，输出相应的睡眠质量监测结果。
14.所述的打鼾监测模块具体用于：
15.通过移动端上的麦克风采集用户音频信息，当被监护人睡觉时，监测用户是否打鼾，在用户打鼾时提醒用户小心睡眠呼吸暂停综合征。
16.所述的梦话监测模块具体用于：
17.当被监护人睡觉时，监测用户在睡眠时是否有语音信号产生，以判断被监测者是否说梦话。
18.所述的存储融合模块具体用于：
19.通过不同方式使用户了解自己的睡眠状态，并将所述睡眠状态同时保存在云端服务器上，从而方便对用户的健康情况进行管理和分析，所述睡眠状，包括：睡眠质量监测、打鼾监测、梦话记录。
20.本发明提供还一种睡眠质量监测方法，该方法包括如下步骤：根据接收的生命体征数据对用户进行睡眠监测，得到用户的睡眠质量监测结果；根据训练的打鼾音频模型以及采集的用户音频信息，监测用户是否打鼾；通过语音端点检测方法，监测用户睡眠时是否说梦话；将得到的用户的睡眠质量监测结果、用户是否打鼾、用户睡眠时是否说梦话进行存储及融合，实现对用户生命体征的全面监测。
21.本发明除了使用“生体信号采集”传感器，采集用户的“生命体征”对用户进行监控，和睡眠质量进行监测以外；当用户睡着时，还能够对用户的打鼾情况进行监测，以及被监护人的梦话进行记录，可以让用户更加全面的了解自己的健康状况和睡眠情况。本发明除了可以进行更全面的健康和睡眠质量监测外，还具有方便部署和迁移的优点，降低了成本，而且本发明应用的领域和场景也很广泛，比如医疗、养老陪护、个人家庭等领域。
附图说明
22.图1为本发明睡眠质量监测系统的硬件架构图；
23.图2为本发明实施例移动端11的用户生命体征的全面监测情况示意图；
24.图3为本发明实施例将“生命体征”数据作为原始的数据样本，根据睡眠分期的相关原理对用户进行睡眠分期的示意图；
25.图4为本发明睡眠质量监测方法的流程图。
具体实施方式
26.下面结合附图及具体实施例对本发明作进一步详细的说明。
27.参阅图1所示，是本发明睡眠质量监测系统1的硬件架构图。所述睡眠质量监测系统1包括：相互电性连接的生体信号采集传感器10、移动端11以及云端服务器12。其中：
28.所述生体信号采集传感器10为非接触式传感器，在用户睡眠时将所述生体信号采集传感器安装在用户床下或者安装在房顶，用于采集获得用户睡眠时的“生命体征”数据。所述“生命体征”数据包括：心跳、呼吸、脉搏。
29.所述移动端11用于接收所述生体信号采集传感器10采集的用户睡眠时的“生命体征”数据，并将所述“生命体征”数据上传至云端服务器12；以及方便用户查看所述云端服务器12返回的用户生命体征的全面监测情况，请参考附图2。
30.其中，所述移动端11为用户使用的智能电子设备，可以是智能手机、平板电脑等。所述用户生命体征的全面监测情况包括：用户的睡眠质量监测结果、用户是否打鼾、用户睡眠时是否说梦话。
31.所述云端服务器12用于接收所述移动端11上传的用户睡眠时的“生命体征”数据，并对所述数据进行全面处理及分析，实现对用户生命体征的全面监测，并将用户生命体征的全面监测情况返回至所述移动端11，方便用户查看。
32.所述云端服务器12包括：睡眠质量监测模块101、打鼾监测模块102、梦话监测模块103以及存储融合模块104。
33.所述睡眠质量监测模块101用于根据接收的生命体征数据对用户进行睡眠监测，得到用户的睡眠质量监测结果。具体而言：
34.在本实施例中，所述睡眠质量监测模块101将接收的生体信号采集传感器采集到的“生命体征”数据作为原始的数据样本，根据睡眠分期的相关原理对用户进行睡眠分期，再通过机器学习的方法，训练出对应的模型，输出相应的睡眠质量监测结果，以便使用户可以更好的了解自己的睡眠状况。
35.其中，所述“生命体征”数据包括：心跳、呼吸、脉搏。所述对用户进行睡眠分期，所述睡眠分期的结果包括：是否睡眠、浅度睡眠、深度睡眠及快速眼动等阶段和信息。
36.进一步地，根据睡眠分期的相关原理对用户进行睡眠分期包括：
37.根据睡眠深度的不同对睡眠过程中的不同阶段进行分类，所述睡眠过程分为觉醒期、快速眼动期和非快速眼动期三个阶段。所述非快速眼动期(non rapid eye movement，nrem)分为1、2、3、4期，其中，1期和2期为浅睡期，3期和4期为深睡期。
38.将“生命体征”数据作为原始的数据样本，根据睡眠分期的相关原理对用户进行睡眠分期，包括生理信号采集、入睡条件判别、睡眠特征提取以及睡眠分期，如图3所示。首先，使用多普勒传感器获取人体的心率、呼吸和体动三项生理信号；其次，通过体动信号的幅度和频度特点判断是否入睡/清醒；然后，利用心率和呼吸随睡眠阶段的变化关系提取睡眠特征；最后，基于决策树实现睡眠过程中不同睡眠阶段的分期，得到睡眠分期数据。
39.对得到的睡眠分期数据进行清洗、标注等预处理操作，得到符合机器学习的数据格式；再通过机器学习的方法，对数据进行不断的训练和调整，得到最终的模型。
40.所述打鼾监测模块102用于根据训练的打鼾音频模型以及采集的用户音频信息，监测用户是否打鼾。具体而言：
41.事先搜集多种打鼾音频作为打鼾样本，通过深度学习的方法训练出对应的打鼾音频模型。
42.进一步地，打鼾监测是指使用非接触式、无创式的声音获取手段，通过分析呼吸声音信号的声学特征，对人在睡眠过程中的呼吸声音数据进行监测，从而获得快速准确的鼾声信号的识别。
43.本技术利用深度神经网络对鼾声候选者的特征进行识别分类。将所有提取的鼾声候选者特征图送入深度神经网络进行特征提取操作，并将卷积结果序列进行组合作为一个
具有时间维度的特征序列，送入下一层的非线性采样层和平滑层进行处理，最后得到鼾声或非鼾声的分类结果。也即，训练出了对应的打鼾音频模型。
44.本实施例中，通过移动端11上的麦克风采集用户音频信息，当被监护人睡觉时，监测用户是否打鼾，提醒用户小心睡眠呼吸暂停综合征，更好的监护用户的健康情况，以便用户改善自身的睡眠质量。
45.所述梦话监测模块103用于通过语音端点检测方法，监测用户睡眠时是否说梦话。具体而言：
46.语音端点检测，也叫语音活动检测(voice activity detection，vad)，目的是对语音和非语音的区域进行区分。
47.基于语音端点检测方法，通过移动端11上的麦克风采集用户音频信息，从带有噪声的语音中准确定位出语音的开始点和结束点，去掉静音部分，去掉噪声部分，找到一段语音真正有效的内容。当被监护人睡觉时，监测用户在睡眠时是否有语音信号产生，通过上述原理来判断被监测者是否说梦话，以便用户了解自身的睡眠情况。
48.其中，所述语音端点检测是指采集声音信号的时间，将从开始说话到说话结束这一段声音信号采集下来进行处理。
49.所述存储融合模块104用于将得到的用户的睡眠质量监测结果、用户是否打鼾、用户睡眠时是否说梦话进行存储及融合，实现对用户生命体征的全面监测。具体而言：
50.所述存储融合模块104将以上的多种方案融合在一起，实现对用户生命体征的监测，并且通过多种方式使用户了解自己的睡眠状态，包括：睡眠质量监测、打鼾监测、梦话记录等，上述睡眠状态信息同时保存在云端服务器12上，从而方便对用户的健康情况进行管理和分析。
51.参阅图4所示，是本发明睡眠质量监测方法较佳实施例的作业流程图。
52.步骤s1，根据接收的生命体征数据对用户进行睡眠监测，得到用户的睡眠质量监测结果。具体而言：
53.在本实施例中，云端服务器12将接收的生体信号采集传感器采集到的“生命体征”数据作为原始的数据样本，根据睡眠分期的相关原理对用户进行睡眠分期，再通过机器学习的方法，训练出对应的模型，输出相应的睡眠质量监测结果，以便使用户可以更好的了解自己的睡眠状况。
54.其中，所述“生命体征”数据包括：心跳、呼吸、脉搏。所述对用户进行睡眠分期，所述睡眠分期的结果包括：是否睡眠、浅度睡眠、深度睡眠及快速眼动等阶段和信息。
55.进一步地，根据睡眠分期的相关原理对用户进行睡眠分期包括：
56.根据睡眠深度的不同对睡眠过程中的不同阶段进行分类，所述睡眠过程分为觉醒期、快速眼动期和非快速眼动期三个阶段。所述非快速眼动期(non rapid eye movement，nrem)分为1、2、3、4期，其中，1期和2期为浅睡期，3期和4期为深睡期。
57.将“生命体征”数据作为原始的数据样本，根据睡眠分期的相关原理对用户进行睡眠分期，包括生理信号采集、入睡条件判别、睡眠特征提取以及睡眠分期，如图3所示。首先，使用多普勒传感器获取人体的心率、呼吸和体动三项生理信号；其次，通过体动信号的幅度和频度特点判断是否入睡/清醒；然后，利用心率和呼吸随睡眠阶段的变化关系提取睡眠特征；最后，基于决策树实现睡眠过程中不同睡眠阶段的分期，得到睡眠分期数据。
58.对得到的睡眠分期数据进行清洗、标注等预处理操作，得到符合机器学习的数据格式；再通过机器学习的方法，对数据进行不断的训练和调整，得到最终的模型。
59.步骤s2，根据训练的打鼾音频模型以及采集的用户音频信息，监测用户是否打鼾。具体而言：
60.事先搜集多种打鼾音频作为打鼾样本，通过深度学习的方法训练出对应的打鼾音频模型。
61.进一步地，打鼾监测是指使用非接触式、无创式的声音获取手段，通过分析呼吸声音信号的声学特征，对人在睡眠过程中的呼吸声音数据进行监测，从而获得快速准确的鼾声信号的识别。
62.本技术利用深度神经网络对鼾声候选者的特征进行识别分类。将所有提取的鼾声候选者特征图送入深度神经网络进行特征提取操作，并将卷积结果序列进行组合作为一个具有时间维度的特征序列，送入下一层的非线性采样层和平滑层进行处理，最后得到鼾声或非鼾声的分类结果。也即，训练出了对应的打鼾音频模型。
63.本实施例中，通过移动端11上的麦克风采集用户音频信息，当被监护人睡觉时，监测用户是否打鼾，提醒用户小心睡眠呼吸暂停综合征，更好的监护用户的健康情况，以便用户改善自身的睡眠质量。
64.步骤s3，通过语音端点检测方法，监测用户睡眠时是否说梦话。具体而言：
65.语音端点检测，也叫语音活动检测(voice activity detection，vad)，目的是对语音和非语音的区域进行区分。
66.基于语音端点检测方法，通过移动端11上的麦克风采集用户音频信息，从带有噪声的语音中准确定位出语音的开始点和结束点，去掉静音部分，去掉噪声部分，找到一段语音真正有效的内容。当被监护人睡觉时，监测用户在睡眠时是否有语音信号产生，通过上述原理来判断被监测者是否说梦话，以便用户了解自身的睡眠情况。
67.其中，所述语音端点检测是指采集声音信号的时间，将从开始说话到说话结束这一段声音信号采集下来进行处理。
68.步骤s4，将得到的用户的睡眠质量监测结果、用户是否打鼾、用户睡眠时是否说梦话进行存储及融合，实现对用户生命体征的全面监测。具体而言：
69.将以上的多种方案融合在一起，实现对用户生命体征的监测，并且通过多种方式使用户了解自己的睡眠状态，包括：睡眠质量监测、打鼾监测、梦话记录等，上述睡眠状态信息同时保存在云端服务器上，从而方便对用户的健康情况进行管理和分析。
70.本发明提供一套包括“生体信号采集”传感器、采集程序、睡眠质量监测算法、打鼾监测、梦话监测等一系列模块和算法组成的解决方案；方便用户对被监测人进行全方面的健康监测和评估，让用户可以更加全面的了解被监护人的健康状况。本发明与使用单一方式进行睡眠质量监测或健康管理的方法相比，除了传感器采集的生命体征信息(包括：心跳、呼吸、和脉搏)外，还可以了解被监护人的睡眠状况。从而有助于帮助用户更加全面的了解被监护人的身体状态，方便对健康状况的监控和管理。
71.虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保
护范围之内。