基于STM32单片机设计的睡眠检测装置

随着科技的进步与技术的发展,我们能够通过一些简单的装置和设备来监测身体状态,实时关注身体健康。针对睡眠时可能出现的打鼾情况提出了一种基于STM32单片机的智能止鼾装置。通过单片机驱动系统,对使用者的睡眠情况进行实时监测,通过振动模块的开闭对使用者进行一定程度的止鼾,来让使用者有一个更好的睡眠体验。

基于STM32睡眠检测仪的设计

本文介绍了基于STM32单片机的睡眠检测仪系统的原理和设计方案。产品实现了深度睡眠检测仪的智能手环和睡眠检测功能,通过手环收集运动数据,计算最佳睡眠时间,再由睡眠检测仪检验夜晚睡眠情况。后期将对算法进行完善。

基于陶瓷压电传感器的睡眠检测系统

针对现有的睡眠检测系统中的设计缺陷,及在睡眠过程中的呼吸率检测不准确的问题,设计了一种基于陶瓷压电传感器的睡眠检测系统,提出了睡眠检测算法,检测睡眠过程中的呼吸率与翻身次数。通过对乳胶床垫下压电传感器布局设计,采集使用者睡眠过程中压电传感器的信号,经过通道选择算法、呼吸检测算法与翻身判别补偿算法得到周期内测试者的呼吸率与翻身次数。实验结果表明:系统对呼吸判别的准确率高达96%,翻身检测的准确率高达95. 5%,同时系统具有较好的检测舒适性。

一种基于视频分析的值班人员睡眠检测算法

对监控系统中夜间值班视频录像进行了分析研究,结合人们的睡眠特征,提出了一种基于静帧检测的初级检测算法与基于人脸检测和人眼检测的高级检测算法相结合的睡眠检测算法。实验证明,该算法可较准确地检测出监控录像中的睡眠片段。

阻塞性睡眠呼吸暂停低通气综合征行多导睡眠检测仪监测的舒适护理干预效果观察

目的观察阻塞性睡眠呼吸暂停低通气综合征行多导睡眠检测仪监测的舒适护理干预效果。方法选择2011年1月~2014年1月在我院治疗的阻塞性睡眠呼吸暂停低通气综合征患者60例,随机分为对照组30例和干预组30例,对照组给予常规对症护理,干预组于监测前、监测中及监测后行舒适护理干预,比较两组的焦虑心理SAS评分、两组监测成功率及监测失败原因、两组护理工作满意度。结果监测结束后,干预组与对照组SAS评分分别较入院时显著降低,且干预组的SAS评分[（35.49±6.22）分]显著低于对照组（41.35±7.39）分,组间比较,差异均具有统计学意义（P〈0.05）。干预组监测成功28例,监测失败2例,干预组监测成功率达93.3%（28/30）。对照组监测成功26例,监测失败4例,干预组监测成功率达86.7%（26/30）,两组监测成功率比较,差异均具有统计学意义（P〈0.05）。干预组的护理满意度达96.7%,显著高于对照组的护理满意度70.0%,组间比较,差异有统计学意义（P〈0.05）。结论在阻塞性睡眠呼吸暂停低通气综合征行多导睡眠检测仪监测的过程中实施舒适护理干预,可以缓解患者的焦虑心理、提高监测成功率及护理满意度。

人性化护理理念在睡眠呼吸障碍患者行多导睡眠检测中的应用研究

目的在睡眠诊疗中心除常规护理外融入人性化护理理念,进一步提高睡眠诊疗中心的护理质量。方法选择2018年1月至2018年8月我呼吸科睡眠诊疗中心检测的213例睡眠呼吸障碍的患者,随机分为研究组110例,对照组103例。两组患者在睡眠检测时给予常规护理,而研究组患者则在常规护理基础上给予全面的细致的人性化护理。对两组的检测效果、满意度进行比较。结果研究组检测结果成功率显著增高,高达98.18%,对照组85.44%(P<0.05),研究组满意度评分高于对照组(P<0.05)。结论人性化护理理念在睡眠呼吸障碍患者行多导睡眠检测中的应用对提高睡眠诊疗中心护理水平具有重要的临床价值。

基于单纯型鼾症与混合型睡眠呼吸暂停低通气综合征多导睡眠检测研究

目的 研究分析针对单纯性鼾症与混合型睡眠呼吸暂停低通气综合征多导睡眠的检测结果 .方法 选取20例本院在2019年2月-2019年10月收治的患有混合型睡眠呼吸暂停低通气综合征的患者作为实验组,另选取同一时期本院收治的20例患有单纯型鼾症的患者作为常规组;观察两组患者的多导睡眠检测结果 .结果 相关数据指标显示,就I、II、III、IV期睡眠和REM睡眠情况来看,实验组患者明显优于常规组患者,两组患者的相关数据表明,组间差异明显,具有统计学意义(P<0.05);实验组患者的睡眠呼吸暂停低通气指数(AHI)指数显著高于常规组,且血氧饱和度(SaO2)显著低于常规组,组间差异明显(P<0.05).结论 就构成睡眠结构的各期所占比显示,单纯性鼾症与混合型睡眠呼吸暂停低通气综合征患者均具有一定的影响效果,但相对而言后者的影响效果较大.

基于ARM平台的睡眠检测蓝牙耳机系统设计

本系统由睡眠监测与音乐播放两大模块组成,分别采用凌阳SPCE061A单片机和STM32微处理器作为核心控制芯片,其中凌阳单片机作为睡眠监测模块主控芯片,通过MIC对鼾声信号进行采集,并对人体睡眠状态进行实时检测,当判断人入睡后通过蓝牙模块向耳机发送关断音乐指令,耳机模块的蓝牙接受该指令后自主关断耳机以达到及时关断音乐保护听力的目的。

阻塞性睡眠呼吸暂停低通气综合征行多导睡眠检测仪监测的舒适护理干预效果观察

探讨多导睡眠检测仪监测阻塞性睡眠呼吸暂停低通气综合征患者期间开展舒适护理的应用效果。方法:研究对象选择我院2020年1月至2022年1月60例阻塞性睡眠呼吸暂停低通气综合征患者,均开展多导睡眠检测仪监测疾病变化,展开随机模式分组,观察组与对照组各占比30例患者,前者在呼吸监测过程中联合舒适护理实施干预,后者开展常规护理,将60例患者监测成功率、监测数据丢失发生率、患者焦虑情绪及舒适度得分、患者满意度结果均计入统计学展开计算。结果:30例观察组在多导睡眠检测仪监测期间成功率更高(P<0.05)。30例观察组呼吸监测期间,数据丢失发生率呈更低水平(P<0.05)。60例患者均在开展多导睡眠检测仪监测护理前测得焦虑感情绪分值较高(P>0.05);干预后测得30例观察组焦虑分值更低(P<0.05)。60例患者均在干预后对舒适度予以评分,舒适感分值更高组为观察组(P<0.05)。30例观察组对同组护理人员工作满意度占据更高水平(P<0.05)。结论:阻塞性睡眠呼吸暂停低通气综合征患者开展多导睡眠检测仪监测期间应用舒适护理,有效提升了患者监测成功率,降低了监测数据丢失发生率,患者焦虑情绪及舒适度有所改善,促进了护患之间的和谐发展。

基于24 GHz连续波多普勒雷达能量密度分布的非接触式睡眠动作检测

睡眠动作是反映睡眠质量的重要生理指标。现有基于雷达的睡眠动作检测方法主要根据雷达信号原始能量的变化检测睡眠动作。由于不同目标动作幅度的不同会导致能量变化的差异,这些方法在检测不同目标的睡眠动作时准确率受限。为提高睡眠动作检测的准确率,提出了一种基于雷达能量密度分布的睡眠动作检测方法。首先,提出基于连续波多普勒雷达能量密度分布的检验统计量特征和显著性水平特征;随后基于上述特征引入XGBoost模型实现睡眠动作检测;最后,通过多种环境下的真实实验验证算法的有效性与鲁棒性。实验结果表明,所提出的检验统计量特征和显著性水平特征可以在降低训练样本需求的同时有效提高准确率,在多种环境下均能达到95%以上的检测准确率。

基于自适应多任务学习的睡眠生理时序分类方法

针对睡眠阶段与睡眠呼吸暂停低通气之间相关性的问题,提出一种基于自适应多任务学习的睡眠生理时序分类方法。该方法利用单导脑电与心电检测睡眠分期和睡眠呼吸暂停低通气综合征(SAHS),构造双流时间依赖学习模块,在两个任务的联合监督下提取共享特征,设计自适应任务间关联性学习模块,利用通道注意力机制建模睡眠阶段和呼吸暂停低通气之间的相关性。在两个公开数据集上的实验结果表明,所提方法可以同时完成睡眠分期与SAHS检测。在UCD数据集上,所提方法睡眠分期准确率、宏F1分数(MF1)、受试者特性曲线下面积(AUC)与TinySleepNet相比分别提升了1.21个百分点、1.22个百分点和0.0083,SAHS检测的宏F2分数(MF2)、受试者特性曲线下面积、召回率与6-layer CNN模型相比,分别提升了11.08个百分点、0.0537和15.75个百分点,能检出更多患病片段。所提方法可应用于家庭睡眠监测或移动医疗中,实现高效、便捷的睡眠质量评估,辅助医生对SAHS进行初步诊断。

Quisi与睡眠脑电图检测抑郁症的比较研究

目的评价Quisi检测抑郁症的作用和适应证。方法对19例抑郁症患者和21名正常受试者分别作Quisi和睡眠脑电图检测。并以日本SEEG-1500型睡眠脑电图为检测标准,与德国Quisi进行比较研究。结果在正常对照组中,除睡眠第二阶段百分比,Quisi少于多导睡眠图(Polysomnography,PS)外(Quisi为48±8,正常人PSG56±9,t=2.48,P<0.05),其余12项指标差异均无显著性。抑郁症组中睡眠第一阶段百分比,Quisi也少于PSG(Quisi为11±4,PSG为13±3,t=2.0,P<0.05),其余12项指标差异也无显著性。结论Quisi检测抑郁症作用与PSG相似,在心理咨询、外出巡诊和家庭病床上有应用前途,但不适用于发作性疾病的评估。

基于PVDF压电电缆的睡眠质量检测系统的设计与实现

针对当前家用市场上缺乏非接触式睡眠监护设备的问题,研制了一款基于PVDF压电电缆传感器的非接触式睡眠质量检测系统。根据压电电缆与BCG信号的特性,设计了S形结构的压电电缆传感器及相应的硬件电路,并将传感器内置于床垫采集和解析生理信号。结合体动信号与心率信息对人体睡眠进行分期,实现了对睡眠过程中觉醒期、眼动期、浅睡眠和深睡眠的识别。为使实时检测系统更人性化、使用更便捷,设计完成了上位机和下位机系统软件。测试结果表明,通过上位机可为用户提供实时睡眠信息展示与睡眠质量分析等服务。

单床多导睡眠图检测的效果观察及护理

目的:加强对单床多导睡眠图检测的效果观察及护理,提高检测的成功率。方法:对142例睡眠呼吸暂停患者进行单床多导睡眠图检测,告知患者检测的重要性和注意事项,使患者及家属在检测中积极的配合。结果:128例检测成功,14例检测失败。失败原因为鼻气流监测信号间断缺失4例;血氧饱和度间断缺失3例;脑电间断缺失3例;胸腹运动间断缺失2例;入睡差者2例。结论:单床多导睡眠图检测无痛、安全、结果准确,为治疗睡眠呼吸暂停提供了准确的数据。导线连接和连接前各项护理措施是影响检测成功率的主要因素。

可穿戴智能睡眠质量检测系统

随着社会压力日益增大,良好的睡眠显得尤为重要。为了更准确的检测出睡眠质量并改善当前睡眠状况,设计了一种可穿戴智能睡眠质量检测系统。此系统通过佩戴于上臂的加速度陀螺仪来采集佩戴者睡眠过程中的翻转信息,然后将采集的数据通过蓝牙无线通信模块传输到睡眠环境监测子系统,并结合环境检测单元提供的环境状况信息进行评价分析,最后客观得出用户睡眠质量评价结果,并给出合理的改善睡眠建议。实验结果表明,该系统可以有效的记录用户睡眠状况,翻转检测识别率达到84.21%,翻转检测准确率达到92.00%,与专业的睡眠监测设备检测结果相近。该可穿戴智能睡眠质量检测系统具有结构简单、成本低、对睡眠影响较小,能够比较准确的反映睡眠质量等优点。独有的睡眠环境检测功能可配合睡眠质量评价结果对睡眠状况进行综合评估,并适用于长时间监测用户睡眠时的周边环境状况。

基于压电陶瓷的睡眠信息检测方法

检测睡眠状态下呼吸率、心跳率和翻身情况等信息有助于疾病预防和健康管理。设计了基于压电陶瓷的非接触式多通道睡眠信息检测系统;通过嵌入床垫的多个压电陶瓷传感器感知人体微小震动引起的压力变化,基于区域短时能量分布的体动姿态识别算法和自回归参数模型功率谱估计计算呼吸率;将胸腔振动位移信号转化为加速度信号以分离心跳信号,采用快速集合经验模式分解算法和自适应特征波定位算法计算心跳率。实验结果表明,该方法呼吸率平均误差小于3%,心跳率平均误差小于5%。

基于WIFI装置的睡眠生理特征检测

人睡眠期间的呼吸速率、心率、体动和呼吸暂停等生理特征可以评估一个人的身体健康,预警可能的疾病。我们设计的睡眠生理特征监测系统利用路由器和微机构成的WIFI网络,对无线信道状态信息(CSI)进行分析处理,连续地近实时地检测人睡眠时的各项指标,反馈睡眠生理特征报告给用户。通过模拟实验和改进算法,与现有的睡眠生理特征检测系统对比,本系统具有低成本、非接触、易部署、易使用的特点,对用户评估睡眠质量和预警潜在疾病有参考价值。

基于fNIRs技术的清醒-睡眠状态识别

目的研究睡眠-清醒状态下大脑血氧变化特性,探讨基于功能近红外光谱深层次信息识别两状态的可行性。方法采用便携式功能近红外设备（波长849 nm、757 nm）测量了6名年轻（20~26岁）男性志愿者静止躺卧姿势下睡眠-清醒状态大脑前额位置6通道的功能近红外谱（f NIRs）数据,计算得到反映前额叶血氧水平变化的氧合血红蛋白（HbO_2）均值、心动信号和Burg功率谱等共计36个生理特征,并用支持向量机（support vector machine,SVM）分类器建立了清醒与睡眠两个状态的识别模型。结果在清醒与睡眠过渡阶段大脑前额叶HbO_2均值水平呈下降趋势,心动信号频率在睡眠由浅入深过程中也呈下降趋势;睡眠时功率谱中呼吸波与心动强度均比清醒时有所下降（符合正常睡眠呼吸变缓、心动减弱规律）;睡眠-清醒状态的平均分类识别准确率可达90%。结论基于功能近红外光谱信息检测实现人体静止躺卧姿势下睡眠与清醒状态的自动化识别具有技术可行性,对在轨航天员空间作息评估与规划具有实际应用价值。

睡眠呼吸暂停综合征发病因素及对心血管系统的影响

目的 探讨阻塞性睡眠呼吸暂停低通气综合征 (OSAHS)患者发病因素及其病情程度对心血管系统的影响。方法 对 15 6例研究对象测量体重、身高 ,计算体重指数 (BMI)。用多导睡眠监测仪 (PSG)行整夜睡眠监测 ,记录脑电、眼动、肌电、心电、口鼻气流、胸腹呼吸动度、血压、脉搏、鼾声及血氧饱和度 (SaO2 )等。根据PSG检查呼吸暂停低通气指数 (AHI)结果将患者分为 4组 :正常组、轻度组、中度组、重度组。结果 ① 4组患者BMI,AHI,OSAH时间占睡眠 %分别为 :2 1 5± 3 4,2 2± 1 5 ,1 8± 1 8;2 4 4± 3 5 ,12 5± 4 1,9 8± 4 2 ;2 5 9± 2 9,2 8 6± 7 0 ,2 1 3± 8 6;2 8 3± 3 7,75 8± 19 0 ,5 1 0± 12 6。 3种参数各组间比较差异有非常显著性 (P <0 0 0 1)。研究结果显示BMI越大 ,AHI越大 ,睡眠中OSAH所占时间越长 ,相关分析显示BMI与AHI两者呈显著正相关 (r =0 685 ,P <0 0 0 1) ,BMI与OSAH时间占睡眠 %两者呈显著正相关 (r =0 64 6,P <0 0 0 1)。②各组患者SaO2 <90 %时间 (min) ,睡后血压升高比例 (% ) ,心律失常次数分别为 :5 1± 10 2 ,14 3 % ,5 6 8± 75 9;11 4± 2 2 2 ,2 1 6% ,15 8 1± 2 82 2 ;3 8 3± 47 3 ,45 7% ,3 0 5 4± 5 0 0 4;15 6 5± 99 4,71 4% ,40 8 8?