[发明专利]一种基于智能手机的睡眠质量监测方法

摘要

本发明公开了一种基于智能手机的睡眠质量监测方法，属于智能手机移动感知技术领域。首先利用手机自带的传感器采集睡眠过程中的睡眠相关生理特征信号，然后对生理特征信号进行特征提取，再利用模糊逻辑理论方法将对应的特征映射到相应的睡眠状态，最后结合睡眠者的年龄、环境光照信息，给出睡眠质量分数。通过对比20组睡眠数据，可以得到REM的判断准确率达到75.3％，浅度睡眠阶段的判断准确率达到81.2％，深度睡眠的判断准确率达到78.8％。可以看出，浅度睡眠的判断准确率最高，快速眼动睡眠(REM)的判断准确率最低，这是由于在REM阶段与清醒阶段的大脑神经元活动类似，肢体运动和呼吸频率无法对这两个阶段进行有效甄别，容易造成误判。

主权项

1.一种基于智能手机的睡眠质量监测方法，其特征在于：首先利用手机自带的传感器采集睡眠过程中的睡眠相关生理特征信号，然后对生理特征信号进行特征提取，再利用模糊逻辑理论方法将对应的特征映射到相应的睡眠状态，最后结合睡眠者的年龄、环境光照信息，给出睡眠质量分数；具体分为以下几个步骤：S1体动监测利用智能手机内置的加速度传感器获取体动信息，为了获得准确的体动信息，将智能手机内置的加速度传感器的采样频率设置为100Hz，加速度传感器采集的数据分为X轴、Y轴以及Z轴三个方向，分别用ax(i)、ay(i)、az(i)来表示X轴、Y轴以及Z轴三个方向上第i个样本值，然后用公式(1)计算出总加速度a(i)，之后再利用公式(2)进行加速度变化V(i)的计算；V(i)＝a(i)‑a(i‑1)     (2)通过设置阈值的方式，来判断是否有体动状态的发生；如果测得的加速度数值V(i)＞ε，就认为当前加速度变化是由体动状态改变所引起的，相反如果测得的加速度数值V(i)≤ε，则把当前数值变化归结为噪音引起，ε为设定的阈值；通过对10名志愿者进行实验分析，把ε设置为0.05；将睡眠者的动作类型分为大动作和小动作，根据动作发生时间的长短进行判断；变化幅度大的肢体运动和变化幅度小的肢体运动在持续时间上存在明显的差异；大动作的持续时间平均都在1s以上，小动作的持续时间都小于1s，所以如果测得肢体运动时长小于1s，就认为该肢体运动为小动作；反之，若测得肢体运动时长大于1s，就把该肢体运动归为大动作；S2呼吸监测呼吸监测是对睡眠者的呼吸频率进行判断，因为在不同睡眠阶段，睡眠者的呼吸频率存在显著差异，在快速眼动睡眠阶段(REM)，脑波变化迅速，睡眠者常会出现眼部快速跳动现象并在此阶段做梦，所以在这个阶段睡眠者的呼吸频率通常不稳定；在浅度睡眠阶段(Light Sleep)，眼部跳动现象停止，睡眠者呼吸频率趋于平稳；在深度睡眠阶段(Deep Sleep)，睡眠者的呼吸频率进一步放缓；所以，呼吸频率的大小随睡眠者所处的睡眠阶段不同而不同；麦克风按照8KHz的采样频率采集声音数据，声音数据按照每400个样本点为一组被划分为N组数据，N表示采样样本点的组数；因为设置的采样频率是8kHz，所以400个样本点的时间间隔是0.05s，然后将每组内样本数据设置为这一组数据的平均值，这样做的目的是减少之后将要计算的复杂度；根据呼吸信号的周期性特征，一个周期后的数据具有相似性，所以对于第l个样本点e(l)，得到e(l)＝e(l+T),T表示一个周期内的样本点数目；正常成年人安静时候的呼吸次数在16到20次以内，所以设置最小周期时间Tmin＝16000，最大周期时间Tmax＝40000给周期时间做一个限制，计算公式(3)如下：让T在Tmin和Tmax范围内增长，找到函数值最小的时候对应的T值，这样就能够计算得到一个周期的持续时间t＝T/8000,对应的呼吸频率就是60/t；公式(3)计算的时候步长设置为400；S3鼾声监测打鼾与呼吸声音具有某些共同特点，分别是呼吸声音和鼾声；根据低频段与高频段的比值来判断采集的声音样本是呼吸声音还是鼾声；利用当前声音样本片段占主导地位的频率范围来判断鼾声的存在，用f表示含有n个样本点的待测声音帧，si表示f经过傅里叶变化后第i个数据值，那么让低频段与高频段的比值rlh用公式(4)表示；当睡眠者由正常呼吸状态转向打鼾的时候，声音频段就会逐渐向低频倾斜，导致rlh值逐渐增大；通过分析超过100份不同睡眠者的打鼾数据，约定当低频与高频比值逐渐变大并且rlh(f)>1.5的时候就说明当前用户处于打鼾状态，反之则处于正常呼吸状态；通过记录用户打鼾的持续时长，在给出睡眠质量报告的时候给出打鼾时长数据，供用户参考；S4光照监测环境光照强度也会对睡眠者的睡眠质量产生影响；由于手机正面光线传感器与距离传感器位置接近，所以可以用距离传感器感知手机是否被遮挡，如果感知到手机被遮挡就用最近一次探测到的光线强度作为当前的光照强度进行分析，当监测到手机不被遮挡的时候，再重新探测光照强度，当光照强度小于10Lux时，判断为弱光环境；当光照强度大于10Lux小于100Lux时，判断为中等光照环境；当光照强度大于100Lux时，判断为强光环境；对于第二个问题，考虑到光照强度不会变化的频繁，所以系统并不需要实时监测环境光照强度；在本方法中，将探测时间间隔定为10分钟；S5睡眠状态判定针对睡眠状态预测中的不确定特点，运用模糊逻辑运算方法进行睡眠状态判断；具体流程分为以下步骤：S5.1采集分析数据；采集一段持续性睡眠生理数据，然后以30s为一次测量间隔，取这一段持续性睡眠时间段前后各600s的监测数据，作为这一段持续性睡眠时间段进行睡眠状态判断的检测数据；S5.2睡眠分期模糊逻辑系统生成；本系统对睡眠分期的判断是根据体动和呼吸这两个因素，所以提取在这一段持续性睡眠时间段内呼吸频率的平均值做平稳性分析，然后对体动形态进行对比，计算出大动作和小动作发生的平均次数，这样就得到模糊逻辑系统的输入变量：X1：呼吸频率的平均值以及稳定性，分为正常、较慢和慢；X2：体动大动作发生次数，分为正常、较少和少；系统的输出变量就是睡眠的三个阶段，即F1：快速眼动睡眠阶段(REM)，F2：浅度睡眠阶段(Light Sleep),F3：深度睡眠阶段(Deep Sleep)；这样就产生一个具有两个输入变量X1和X2和三个输出F1、F2、F3的有关睡眠分期的模糊逻辑系统；S5.3隶属度函数计算；根据设置好的输入变量和输出变量，合理选取各个输入变量的隶属度函数，然后进行整合运算；选择三角形隶属度函数进行解析计算，解析式为式(5)；S5.4生成模糊逻辑规则；利用睡眠过程中不同生理信号变化的特点，形成模糊逻辑规则；S5.5反模糊化；对上一步操作得到的计算结果进行反模糊化，才能得到想要结果；在不同输入变量具有不同隶属度函数的情况下，选取具有最大隶属度的计算结果作为最终结果；这就是基于模糊逻辑理论进行睡眠判断的总体实现算法；S6睡眠质量判定睡眠者在整晚的睡眠过程中，睡眠质量的好坏不仅与总睡眠时间有关，也受各个睡眠阶段分布比例的影响，睡眠质量判断方法依赖于睡眠各阶段的时间比例，并且结合用户个人信息和环境光照信息，综合分析后给出用户个人的睡眠质量报告。