一种呼吸正异常识别方法及装置
阅读说明：本技术 一种呼吸正异常识别方法及装置 (Method and device for identifying breathing positive abnormality ) 是由 孙琪 余星光 张婷 于 2021-09-30 设计创作，主要内容包括：本发明公开了一种呼吸正异常识别方法及装置,属于睡眠监控技术领域,目的在于克服现有睡眠异常检测较为不便的缺陷。压力传感器获取原始振动数据,并传递给处理器；原始振动数据加入定长信号队列,以得到在离床结果；若判断在床状态,对信号队列中连续若干个信号值进行判断,以得到体动状态结果；若判断为平静状态,则对原始振动数据进行分析处理以获得睡眠状态参数,将睡眠状态参数与标准呼吸参数进行比对,以得到呼吸正异常判断结果。通过床垫上的压力传感器获取呼吸信息,并通过呼吸包络信息判断呼吸是否异常,准确性较高,抗干扰性强,且无需随身佩戴检测设备,不会对被监测对象行动造成限制,具有较好的被监测对象体验。(The invention discloses a method and a device for identifying abnormal breathing, belongs to the technical field of sleep monitoring, and aims to overcome the defect that the conventional sleep abnormity detection is inconvenient. The pressure sensor acquires original vibration data and transmits the original vibration data to the processor; adding original vibration data into a fixed-length signal queue to obtain an in-bed result; if the bed state is judged, judging a plurality of continuous signal values in the signal queue to obtain a body motion state result; if the judgment result is a calm state, analyzing and processing the original vibration data to obtain a sleep state parameter, and comparing the sleep state parameter with a standard breathing parameter to obtain a breathing positive and abnormal judgment result. The breathing information is acquired through the pressure sensor on the mattress, whether breathing is abnormal or not is judged through breathing envelope information, the accuracy is high, the anti-interference performance is high, the detection equipment does not need to be worn with a user, the action of the monitored object is not limited, and the monitored object has good experience.)
技术领域
本发明属于睡眠监控技术领域，涉及一种呼吸正异常识别方法。
背景技术
睡眠时间占据人类寿命的三分之一，睡眠的质量对人体健康的影响十分巨大。人在睡眠状态下，中枢神经，身体各器官，心血管系统，呼吸节律等变化直接反应人体的健康程度。有效且准确的监测和记录睡眠状态对人体健康状态具有实际意义。监测睡眠状态下的异常呼吸状态，能及时发现人体健康问题，快速进行干预，从而提高睡眠质量和健康水平。
目前常用的睡眠异常呼吸监测方法有声音检测、气流检测、血氧检测等。
声音检测由于使用环境的各种噪音情况，检测准确度不高，而且收音设备需要外置在接近被监测对象的位置，方向性和抗干扰性较差。
气流检测和血氧检测的准确度较高，但是由于需要被监测对象贴身佩戴相应设备，对被监测对象行动造成不便，影响被监测对象体验。
发明内容
本发明针对现有技术存在的问题提出一种呼吸正异常识别方法，目的在于克服现有睡眠异常检测较为不便的缺陷。
本发明是这样实现的：
一种呼吸正异常识别方法，基于床垫、压力传感器和处理器，压力传感器置于距离床头40-60cm处，且和肺的位置对应，其特征在于，识别方法包括以下步骤：
压力传感器获取原始振动数据，并将原始振动数据传递给处理器；
原始振动数据加入定长信号队列，通过滑动数据窗口对信号队列进行分段计算，以得到在离床结果；
若判断在床状态，对信号队列中连续若干个信号值进行判断，以得到体动状态结果；
若判断为平静状态，则对原始振动数据进行分析处理以获得睡眠状态参数，将睡眠状态参数与标准呼吸参数进行比对，以得到呼吸正异常判断结果。
当滑动数据窗口对信号队列进行分段计算得到窗口信号队列的最大值及最小值与信号基值的差值小于等于0.05时，判断为离床状态，否则判断为在床状态。
当信号队列中连续若干个信号值相等，且大于3或者小于0.5时，判断为体动状态，否则判断为平静状态。
通过压力传感器获取呼吸压力模拟信号，通过AD转换器将呼吸压力模拟信号转换成原始振动数据S1(h)；
对原始振动数据S1(h)进行分析处理包括以下步骤：
对原始振动数据S1(h)进行带通滤波处理得到数字信号集S2(h)；通过逐次逼近法获取数字信号集S2(h)中多个最大值和最小值，将相邻的两个最小值或最大值标记为一个包含M个数据的呼吸包络，标记出N个呼吸包络。
原始振动数据S1(h)通过以下公式进行带通滤波处理得到数字信号集S2(h)：
S2(h)＝[0.54-0.46cos(2πh/H)]*S1(h)，0≤h≤H。
通过压力传感器检测被监测对象是否平静处于床垫上预设时间，当被监测对象处于床垫上在预设时间内，则数据分析模块进入校准模式，开始获取标准呼吸参数；当被监测对象处于床垫上超过预设时间，数据分析模块进入检测模式，开始获取睡眠状态参数。
所述预设时间为15-90s。
在校准模式下获取的呼吸包络为标准呼吸包络，将每个标准呼吸包络记为Signal(n)，0≤n≤N，获取N个标准呼吸包络中数据量最少的标准呼吸包络，得到一个标准呼吸包络的最少数据量为m，m≤M，将每个标准呼吸包络的数据量归一化为m，对N个呼吸包络取平均值得到Signal_Mean(i)＝(ΣSignal[n][i])/N，0≤i≤m；
计算每个标准呼吸包络和Signal_Mean(i)的均方差得到标准呼吸参数STD：
STD＝(Σ(Signal[n][i]-Signal_Mean(i))2)/m，0≤i≤m。
在检测模式下获取的呼吸包络为检测呼吸包络，将每个检测呼吸包络记为test_Signal(n)，0≤n≤N，获取N个检测呼吸包络中数据量最少的检测呼吸包络，得到一个检测呼吸包络的最少数据量为m，m≤M，将每个检测呼吸包络的数据量归一化为m，对N个呼吸包络取平均值得到test_Signal_Mean(i)＝(ΣSignal[n][i])/N，0≤i≤m；
计算每个检测呼吸包络和test_Signal_Mean(i)的均方差得到睡眠状态参数test_STD：
test_STD＝(Σ(Signal[n][i]-test_Signal_Mean(i))2)/m，0≤i≤m；
当test_STD/STD≤K，K＜1，判定呼吸异常。
在检测模式下获取的呼吸包络为检测呼吸包络，将每个检测呼吸包络分解为吸气包络V1(n)和呼气包络V2(n)，当∫V1(n)＞∫V2(n)且test_STD/STD≤K，K＜1，判定呼吸异常。
K为0.4-0.8。
一种呼吸正异常识别装置，其特征在于，包括：
数据采集模块，用于获取原始振动数据；
在离床判断模块，用于根据原始振动数据判断被监测对象是否处于在床状态；
体动判断模块，用于根据原始振动数据判断被监测对象是否存在体动；
数据分析模块，用于根据原始振动数据获取被监测对象的睡眠状态参数；
呼吸正异常识别模块，用于判断被监测对象呼吸是否正常。
本发明所提供的一种呼吸正异常识别方法，通过床垫上的压力传感器获取原始振动数据，并通过睡眠状态参数判断呼吸是否异常，准确性较高，抗干扰性强，且无需随身佩戴检测设备，不会对被监测对象行动造成限制，具有较好的被监测对象体验。
附图说明
图1为离床状态波形示意图；
图2为从在床状态到离床状态波形示意图；
图3为被监测对象存在体动状态时波形示意图；
图4为被监测对象正常呼吸波形示意图；
图5为被监测对象打鼾时呼吸波形示意图；
图6为压力传感器的安装位置示意图；
图7为识别方法流程图；
图8为识别装置中模块关系示意图。
附图标注说明：100、床垫；200、压力传感器；300、处理器。
具体实施方式
以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本实施例提供了一种呼吸正异常识别方法及装置，呼吸正异常识别装置包括压力传感器200、处理器300，如图6所示，压力传感器200置于距离床头40-60cm处的床垫100上，当被监测对象正常躺在床垫100上时，压力传感器200的位置和肺对应。压力传感器200为压电薄膜类带式传感器，压力传感器200连接处理器300，处理器300置于床垫100侧边以避免对人体造成影响。
如图8所示，处理器300进一步包括：
数据采集模块，用于获取原始振动数据；
在离床判断模块，用于根据原始振动数据判断被监测对象是否处于在床状态；
体动判断模块，用于根据原始振动数据判断被监测对象是否存在体动；
数据分析模块，用于根据原始振动数据获取被监测对象的睡眠状态参数；
呼吸正异常识别模块，用于判断被监测对象呼吸是否正常。
如图7所示，识别方法主要包括以下步骤：
第一步，通过压力传感器获取原始振动数据，并将原始振动数据发送给处理器上的数据采集模块。
通过压力传感器获取呼吸压力模拟信号，通过AD转换器将呼吸压力模拟信号转换成原始振动数据S1(h)。
第二步，在离床判断模块将原始振动数据加入定长信号队列，通过滑动数据窗口对信号队列进行分段计算，以得到在离床结果，当判断被监测对象处于在床状态，进入第三步。
如图1所示，当滑动数据窗口对信号队列进行分段计算得到窗口信号队列的最大值及最小值与信号基值的差值小于等于0.05时，判断为离床状态。离床状态下，压力传感器也可能监测到轻微的振动，例如压力传感器监测到外界声音的振动，这种振动通常是轻微的。
如图2-5所示，当滑动数据窗口对信号队列进行分段计算得到窗口信号队列的最大值或最小值与信号基值的差值大于0.05时，判断为在床状态。图2中，中间区域的在床方框即表示滑动数据窗口，当计算到图2位置时，在离床判断模块判断被监测对象处于在床状态。
人体的呼吸或体动都可以引起压力传感器大幅度电流或电压变化，因此根据信号值的大小可以较为准确地判断被监测对象是否在床。被监测对象在床时再进行进一步监测，可以有效降低处理器功耗，也能延长装置的整体使用寿命。
第三步，如图3所示，对信号队列中连续若干个信号值进行判断，以得到体动状态结果。
当信号队列中连续若干个信号值相等，且大于3或者小于0.5时，判断为体动状态，否则判断为平静状态。当被监测对象体动时，会对压力传感器形成持续性的较大压力，此种现象表现为连续信号值波幅较大，图3中表示为连续相等的信号值是因为信号值达到了连续达到极值。
当信号队列中连续若干个信号值都不同，且大于等于0.5，小于等于3时，判断为平静状态。平静状态可能是被监测对象如图4所示的正常呼吸状态，也可能是如图5所示处于打鼾状态。
当被监测对象处于平静状态时，才进一步对原始振动数据进行分析处理，这样可以过滤掉体动状态数据的影响，避免将体动状态的数据处理成睡眠状态参数或标准呼吸参数。
第四步，通过压力传感器检测被监测对象是否平静处于床垫100上预设时间，当被监测对象处于床垫100上在预设时间内，则数据分析模块进入校准模式，开始获取标准呼吸参数；当被监测对象处于床垫上超过预设时间，数据分析模块进入检测模式，开始获取睡眠状态参数。所述预设时间可以为15-90s，例如预设时间为30s，当压力传感器检测到被监测对象躺在床上达到30s。
在其他可选的实施例中，也可以针对被监测对象进行定制，在处理器的存储单元预存标准呼吸参数，处理器无需进入校准模式，而是检测到被监测对象处于床垫预设时间后，直接进入检测模式。
在标准模式下标记出N个呼吸包络。具体来说，对原始振动数据S1(h)进行带通滤波处理得到数字信号集S2(h)，通过逐次逼近法获取数字信号集S2(h)中多个最大值和最小值，将相邻的两个最小值或最大值标记为一个包含M个数据的呼吸包络，标记出N个呼吸包络，在校准模式下获取的呼吸包络为标准呼吸包络，将每个标准呼吸包络记为Signal(n)，0≤n≤N，
例如N取15，就有15个呼吸包络，15个呼吸包络中的每个呼吸包络都包含M个数据，不同的呼吸包络中的M值可能不同，例如第一个呼吸包络Signal(1)中M＝151，第二呼吸包络Signal(2)中M＝150，第三个呼吸包络Signal(3)中M＝151，第四个呼吸包络Signal(4)中M＝154等。15个呼吸包络M值总和就是数字信号集S2(h)。
原始振动数据S1(h)通过以下公式进行带通滤波处理得到数字信号集S2(h)：
S2(h)＝[0.54-0.46cos(2πh/H)]*S1(h)，0≤h≤H。
这样能够取出信号传递和转化过程中的噪声。
获取N个标准呼吸包络中数据量最少的标准呼吸包络，得到一个标准呼吸包络的最少数据量为m，m≤M，将每个标准呼吸包络的数据量归一化为m，对N个呼吸包络取平均值得到Signal_Mean(i)＝(ΣSignal[n][i])/N，0≤i≤m；
计算每个标准呼吸包络和Signal_Mean(i)的均方差得到标准呼吸参数STD：
STD＝(Σ(Signal[n][i]-Signal_Mean(i))2)/m，0≤i≤m。
在检测模式下标记出N个呼吸包络。具体来说，通过压力传感器获取呼吸压力模拟信号，通过AD转换器将呼吸压力模拟信号转换成原始振动数据S1(h)，对原始振动数据S1(h)进行带通滤波处理得到数字信号集S2(h)，通过逐次逼近法获取数字信号集S2(h)中多个最大值和最小值，将相邻的两个最小值或最大值标记为一个包含M个数据的呼吸包络，标记出N个呼吸包络，在检测模式下获取的呼吸包络为检测呼吸包络，将每个检测呼吸包络记为test_Signal(n)，0≤n≤N，
原始振动数据S1(h)通过以下公式进行带通滤波处理得到数字信号集S2(h)：
S2(h)＝[0.54-0.46cos(2πh/H)]*S1(h)，0≤h≤H。
获取N个检测呼吸包络中数据量最少的标准呼吸包络，得到一个检测呼吸包络的最少数据量为m，m≤M，将每个检测呼吸包络的数据量归一化为m，对N个呼吸包络取平均值得到test_Signal_Mean(i)＝(ΣSignal[n][i])/N，0≤i≤m；
计算每个检测呼吸包络和test_Signal_Mean(i)的均方差得到睡眠状态参数test_STD：
test_STD＝(Σ(Signal[n][i]-test_Signal_Mean(i))2)/m，0≤i≤m。
这样就实现了通过压力传感器获取被监测对象睡眠状态下的睡眠状态参数。
第五步，呼吸正异常识别模块将睡眠状态参数与标准呼吸参数进行比对，当test_STD/STD≤K，K＜1，判定呼吸异常。即当睡眠状态参数与标准呼吸参数的比对结果的预设范围为test_STD/STD＞K，在预设范围内则表明呼吸正常，K为0.4-0.8，K优选0.6。
人体在睡眠过程中存在不同程度的呼吸障碍，其中大部分呼吸障碍为阻塞型呼吸障碍，例如打鼾。如图1-2所示，图中纵坐标为幅值，横坐标为时间，本实施例的呼吸异常以打鼾为例。打鼾是由于呼吸道部分或完全阻塞，造成人体呼吸困难，吸气存在阻塞。本实施例中的标准呼吸参数和睡眠状态参数都包含了幅值、频率和波形的综合信息，幅值对应于呼吸时的用力程度，打鼾时呼吸用力会明显增加，幅值相对于标准状况下会明显增加。
另外的，如图6所示，在检测模式下获取的呼吸包络为检测呼吸包络，将每个检测呼吸包络分解为吸气包络V1(n)和呼气包络V2(n)，当∫V1(n)＞∫V2(n)且test_STD/STD＝K，K＜1，判定呼吸异常。在正常呼吸状况下，吸气包络的积分通常要小于呼气包络的积分，图6中上升波形为吸气，下降波形为呼气，当吸气包络的积分大于呼气包络的积分时，可进一步检验呼吸异常判定的正确性，降低误判可能性。