一种呼吸疾病患者清醒与睡眠状态检测方法及系统

摘要

本发明公开一种呼吸疾病患者清醒与睡眠状态检测方法及系统，包括：获取受试者清醒状态生理信号和睡眠状态生理信号，以此构建样本集；根据样本集中的呼吸频率、潮气量和心率构建流量阈值；根据样本集中的鼾声信号和眼部图像构建状态识别模型；根据流量阈值与状态识别模型对呼吸疾病患者生理信号进行识别，得到患者处于清醒状态或睡眠状态的检测结果。能够自适应检测患者的清醒状态和睡眠状态，并且实现根据患者状态辅助呼吸设备切换合适的呼吸模式，实现现实呼吸系统与数字化呼吸系统的融合与交互。

说明书

技术领域

本发明涉及医疗设备智能化与数字化技术领域，特别是涉及一种呼吸疾病患者清醒与睡眠状态检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

呼吸机作为一种能够人工替代自主通气功能的有效手段，在临床上使用非常普遍使用，但现有呼吸机设备的智能化与数字化水平还比较低，呼吸机复杂的操作模式极大程度限制了呼吸机的推广使用。

发明人认为，由于患者佩戴呼吸机辅助呼吸的过程中，不同的患者具有不同的体征信息，其呼吸频率、潮气量等会有所不同，同一患者在一天中根据所处的不同时间、不同情况，其状态(如清醒、睡眠等)也不同，因此同一患者在不同状态下所需呼吸气体参数也不相同，虽然现在呼吸机提供了五种通气模式，但并不能检测患者的多种状态，无法智能化地适用于不同患者的不同状态。

发明内容

为了解决上述问题，本发明提出了一种呼吸疾病患者清醒与睡眠状态检测方法及系统，能够自适应检测患者的清醒状态和睡眠状态，并且实现根据患者状态辅助呼吸设备切换合适的呼吸模式，实现现实呼吸系统与数字化呼吸系统的融合与交互。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种呼吸疾病患者清醒与睡眠状态检测方法，包括：

获取受试者清醒状态生理信号和睡眠状态生理信号，以此构建样本集；

根据样本集中的呼吸频率、潮气量和心率构建流量阈值；

根据样本集中的鼾声信号和眼部图像构建状态识别模型；

根据流量阈值与状态识别模型对患者生理信号进行识别，得到患者处于清醒状态或睡眠状态的检测结果。

第二方面，本发明提供一种呼吸疾病患者清醒与睡眠状态检测系统，包括：

数据获取模块，被配置为获取受试者清醒状态生理信号和睡眠状态生理信号，以此构建样本集；

阈值处理模块，被配置为根据样本集中的呼吸频率、潮气量和心率构建流量阈值；

模型处理模块，被配置为根据样本集中的鼾声信号和眼部图像构建状态识别模型；

状态检测模块，被配置为根据流量阈值与状态识别模型对患者生理信号进行识别，得到患者处于清醒状态或睡眠状态的检测结果。

第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。

第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

第五方面，本发明提供一种呼吸设备，包括第二方面所述的检测系统，根据得到的检测结果对清醒模式和睡眠模式进行切换。

与现有技术相比，本发明的有益效果为：

本发明的呼吸疾病患者清醒与睡眠状态检测方法及系统能够自适应检测患者的清醒状态和睡眠状态，并且能够根据患者状态提供合适的呼吸参数，供呼吸设备切换合适的呼吸模式，实现现实呼吸系统与数字化呼吸系统的融合与交互，大大提高治疗安全系数，提高患者的治疗效率与效果，并且解放大量的人力物力，增加呼吸机等呼吸设备对场景的适应性。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例1提供的呼吸疾病患者清醒与睡眠状态检测方法流程图；

图2为本发明实施例1提供的患者状态机示意图；

图3为本发明实施例1提供的呼吸设备状态机示意图。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1

如图1所示，本实施例提供一种呼吸疾病患者清醒与睡眠状态检测方法，包括：

S1：获取受试者清醒状态生理信号和睡眠状态生理信号，以此构建样本集；

S2：根据样本集中的呼吸频率、潮气量和心率构建流量阈值；

S3：根据样本集中的鼾声信号和眼部图像构建状态识别模型；

S4：根据流量阈值与状态识别模型对呼吸疾病患者生理信号进行识别，得到患者处于清醒状态或睡眠状态的检测结果。

所述步骤S1中，所述清醒状态和睡眠状态的生理信号包括呼吸频率、呼吸潮气量、心率、鼾声信号、眼部图像信号；

优选地，采用传感器模块对生理信号进行采集，包括流量传感器、心率传感器、声音传感器、摄像头等其中一种或几种；其中，流量传感器用于检测呼吸频率、呼吸潮气量；心率传感器用于检测心率；声音传感器用于检测鼾声信号；摄像头用于拍摄眼部图像，检测眼睛为睁开还是闭合状态。

优选地，传感器模块与呼吸设备通过有线或无线网络进行通信；其中有线通信包括并行通信、串行通信，无线网络通信包括蓝牙、Wifi等。

所述步骤S1中，对采集的生理信号进行预处理，包括但不限于滤波、去趋势、傅里叶变换、小波变换、机器学习特征提取等，其中机器学习特征提取包括但不限于主成分分析、线性判别分析等。

所述步骤S2中，所述流量阈值包括呼吸频率阈值、潮气量阈值和心跳阈值；

优选地，采用统计学方法对样本集进行计算得到清醒、睡眠状态下的呼吸频率阈值、潮气量阈值和心跳阈值。

所述步骤S3中，所述状态识别模型包括眼部状态识别模型和鼾声判别模型；

优选地，利用机器学习算法根据眼部图像数据训练眼部状态识别模型以用来判断睁眼状态或闭眼状态；

优选地，利用机器学习算法根据鼾声信号数据训练鼾声判别模型以用来判断是否处于打鼾状态；

优选地，所述机器学习算法包括但不限于Logistic回归、决策树、朴素贝叶斯、神经网络等。

优选地，将清醒状态下和睡眠状态下生理信号原始数据、预处理后的生理信号数据、流量阈值、状态识别模型等均上传至云端或边缘端数据库中。

所述步骤S4中，根据呼吸疾病患者的不同类型的生理信号，采用数据阈值与识别模型的融合决策方法，判断患者处于清醒状态还是睡眠状态；具体地：

S4-1：获取患者呼吸频率与潮气量，将患者的呼吸频率与呼吸频率阈值进行比较，将呼吸气体潮气量与潮气量阈值进行比较，若同时满足患者的呼吸频率低于呼吸频率阈值，呼吸气体潮气量高于潮气量阈值，则判断患者进入睡眠状态，否则为清醒状态。

S4-2：获取患者心率，将患者的实时心率与心率阈值进行比较，若在规定时间内实时心率小于心率阈值，则判断患者进入睡眠状态，否则为清醒状态。

S4-3：获取患者鼾声信号，将患者的鼾声信号波形进行降噪等预处理后，根据鼾声判别模型对患者的鼾声信号进行相关性分析，若相关程度高于鼾声相关度阈值，则判断患者进入睡眠状态，否则为清醒状态。

S4-4：获取患者眼部图像信息，将患者的眼部图像数据输入到眼部状态识别模型中，判断患者为睁眼状态还是闭眼状态，若为睁眼状态，判断患者为清醒状态；若为闭眼状态，且闭眼状态持续时间超过一定预设值，判断患者进入睡眠状态。

本实施例对患者的各种不同类型的生理信号进行特征提取，并将各特征数据的不同组合作为输入，输入到对应的状态判别模型中，利用数据驱动、模型驱动或者数据与模型融合决策的方式，判断患者处于清醒状态还是睡眠状态。

在本实施例中，还包括，根据患者的睡眠状态或清醒状态的检测结果，控制呼吸设备状态机的模式调节；

如图2-3所示，患者自身状态机包括清醒状态和睡眠状态，患者苏醒即进入清醒状态，患者入睡即进入睡眠状态；呼吸设备状态机包括清醒模式和睡眠模式；如果患者为清醒状态，则控制呼吸设备自动调整为清醒模式；如果患者为睡眠状态，则控制呼吸设备自动调整为睡眠模式。

实施例2

本实施例提供一种呼吸疾病患者清醒与睡眠状态检测系统，包括：

数据获取模块，被配置为获取受试者清醒状态生理信号和睡眠状态生理信号，以此构建样本集；

阈值处理模块，被配置为根据样本集中的呼吸频率、潮气量和心率构建流量阈值；

模型处理模块，被配置为根据样本集中的声音信号和眼部图像构建状态识别模型；

状态检测模块，被配置为根据流量阈值与状态识别模型对呼吸疾病患者生理信号进行识别，得到患者处于清醒状态或睡眠状态的检测结果。

此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

在更多实施例中，还提供：

一种呼吸设备，包括实施例2所述的检测系统，根据得到的检测结果对清醒模式和睡眠模式进行切换。

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。

实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。