技术领域
[0001] 本发明涉及OSAHS检测领域，具体指有一种基于微波雷达和麦克风的睡眠呼吸暂停检测方法、系统。
相关背景技术
[0002] 睡眠呼吸暂停低通气综合征(Sleep Apnea Hypopnea Syndrome，SAHS)是指各种原因导致睡眠状态下反复出现呼吸暂停和(或)低通气、高碳酸血症、睡眠中断，从而使机体发生一系列病理生理改变的临床综合征。
[0003] 现有技术中，例如公开号为CN111657870A，名称为一种基于D‑S证据理论的呼吸暂停判决系统的现有申请，其结合了鼾声和雷达识别到的呼吸情况，用于判断是否存在呼吸暂停疾病。但是该申请无法知晓人体胸腔的位置，呼吸对应的是人体的微小的起伏，由于人体睡眠过程中可能翻身、挪位等，人体处于雷达扫描区域中的位置未知，人体呼吸产生的动作十分微弱，雷达的扫描范围内并非所有区域都能够提取到如此微弱的信号，在进行呼吸频率之前，需要人为将微波雷达的方位、朝向进行调节，使人体处于雷达扫描范围内信号较佳的区域，后续的呼吸频率检测算法才能够从回波数据中捕捉到呼吸频率数据，容易因无法检测到呼吸信号而误判睡眠呼吸暂停。
[0004] 针对上述的现有技术存在的问题设计一种基于微波雷达和麦克风的睡眠呼吸暂停检测方法、系统是本发明研究的目的。
具体实施方式
[0024] 为了便于本领域技术人员理解，现将实施例对本发明作进一步详细描述：
[0025] 参考图1，一种基于微波雷达和麦克风的睡眠呼吸暂停检测方法，包括以下步骤：
[0026] 雷达数据处理步骤，包括：
[0027] S11，通过微波雷达发射并接收雷达信号，查找人体位置；
[0028] 本实施例中，通过微波雷达发射雷达信号并接收房间内人体返回的雷达信号，其中微波雷达可以放置于房间内的例如床头柜、墙上、衣柜上等，在此不做限定，微波雷达能够扫描到房间内的多个位置即可，此时雷达的位置或人体的位置是未知的。微波雷达查找人体的方法为现有技术，例如可以通过人体处于坐下或躺下的状态时，人体不进行行走或大幅度肢体动作，根据该状态的在微波雷达上的回波数据特点，得到人体的初步位置。
[0029] 本步骤中，微波雷达可以转动或平移，从而在房间方位内寻找人体。
[0030] 本步骤如图3所示。
[0031] S12，控制所述微波雷达旋转和/或平移，寻找呼吸频率检测区域；
[0032] 在步骤S11中，微波雷达寻找到了人体位置，此时需要进一步寻找呼吸频率检测区域。本步骤可以根据人体处于坐下或躺下等静息状态下，人体的躯体不进行大范围活动，人体的呼吸会产生微小的起伏动作，人体的心跳等会产生微小的抖动等情况，根据该情况在雷达回波数据中的表现，从而寻找呼吸频率检测区域。
[0033] 由于微波雷达的扫描范围内，各个区域的信噪比不同，以及在步骤S1之前人体位置处于未知状态，微波雷达如果不寻找呼吸频率检测区域而是直接通过人体的呼吸或心跳等返回的微波雷达数据进行呼吸频率提取，则其数据会受到外界干扰、雷达信噪比不同的干扰，其计算出的呼吸频率数据存在精度不足等问题，因此本步骤寻找呼吸频率检测区域。
[0034] S13，接收所述呼吸频率检测区域返回的雷达信号，从所述雷达信号中提取呼吸频率。
[0035] 在步骤S12中寻找到了人体呼吸频率检测区域，此时只提取呼吸频率检测区域的雷达信号，进行呼吸频率计算，可以大大提高呼吸频率计算结果的精确度。呼吸频率检测的方法可以参考公开号为CN118452869A、名称为基于毫米波雷达的呼吸频率监测方法、装置、设备及介质的现有申请。
[0036] 或者，首先将一段时间内的每一帧微波雷达采集的ADC数据构造为待处理矩阵，利用协方差矩阵分解的方法将与有用信号差别较大的杂波进行去除；然后利用小波去噪方法对非平稳噪声进行去除，从而原始ADC数据重构。接着通过参考图2提供的计算流程实现生命体征分析。
[0037] 步骤S11中，查找人体位置包括：
[0038] 通过点云数据识别人体并得到人体位置。
[0039] 本步骤中，通过微波雷达进行ADC数据采集、一维FFT计算、二维FFT计算、选取目标位置，再人体与微波雷达之间的水平角度和俯仰角度、目标映射到直接坐标系，从而能够识别到人体，并将微波雷达通过人体与微波雷达之间的水平角度和俯仰角度进行旋转或平移，使人体位于微波雷达扫描区域的中间。
[0040] 人体处于静息状态时，反射的雷达信号对应的点云数据较少，利用该状态下的点云数据数量情况，可以在点云数据小于预设点云数据数量阈值时，判定人体该位置存在人体。
[0041] 音频数据处理步骤，包括：
[0042] S21，通过麦克风捕捉音频数据，识别音频数据是否符合鼾声的特征，若是则判定该音频数据包含鼾声，记录所述鼾声；
[0043] 本实施例中，识别音频数据是否符合鼾声的特征可以通过现有技术实现，例如公开号为CN111657870A，名称为一种基于D‑S证据理论的呼吸暂停判决系统的现有申请。
[0044] 判断步骤，包括：
[0045] S31，分析所述鼾声的声音特征，判断所述鼾声中是否存在睡眠呼吸暂停对应的声音特征；
[0046] S32，分析所述呼吸波形，判断所述呼吸波形中是否存在睡眠呼吸暂停对应的呼吸特征；
[0047] S33，若所述鼾声中存在睡眠呼吸暂停对应的声音特征，且所述呼吸波形中存在睡眠呼吸暂停对应的呼吸特征，则判定检测到睡眠呼吸暂停。
[0048] 本实施例结合了微波雷达和麦克风，在微波雷达识别睡眠呼吸频率从而能够发现呼吸暂停，同时麦克风记录的声音数据识别到呼吸暂停，在两者多次发生的情况下才判定为存在睡眠呼吸暂停的情况。
[0049] 判断步骤的具体方法在后续进行详细说明。
[0050] 进一步地，步骤S12包括：
[0051] S121，判断人体是否处于微动状态，若是则将所述微波雷达旋转和/或平移至朝向呼吸检测区域；
[0052] 本步骤中，可以通过微动算法计算雷达信号，从而判断人体是否处于微动状态，而人体中处于微动状态的部位一般为胸腔、腹部等，该区域用于识别呼吸频率检测为最佳区域，通过微动算法可以提取得到微动状态的部位，如图4所示，在步骤S11中，微波雷达寻找到了人体的位置，此时微波雷达可以转动或平移使其朝向人体，而在本步骤中，通过微动区域的提取，可以使微波雷达转动或平移使其扫描区域的中心朝向人体的腹部部分，如图5所示。
[0053] 由于微动算法的精度一般，本步骤中，微波雷达转动或平移后朝向微动区域时，人体的胸腔或腹部可能还未处于微波雷达的最佳扫描区域。
[0054] S122，在所述呼吸检测区域内的多个位置计算呼吸频率；
[0055] 本步骤中以心跳进行举例说明，人体胸腔在心跳作用下产生微小抖动从而产生呼吸检测区域。
[0056] 理论上，人体的心跳在胸腔上各个位置产生的微小抖动对应的频率均应当是相同的，对应的，心跳产生的微小抖动反射回的雷达信号计算得到的心跳数据，应当是在所述呼吸检测区域内的多个位置均相同。在步骤S121得到的呼吸检测区域内的多个位置进行呼吸频率计算，从而用于后续步骤判断微波雷达的最佳信噪比扫描区域是否正对于人体胸腔。
[0057] S123，若多个位置的呼吸频率相似，则判定所述呼吸检测区域为呼吸频率检测区域，若多个位置的呼吸频率不同，则旋转和/或平移所述微波雷达的扫描范围并回到步骤S121。
[0058] 若多个位置进行呼吸频率计算均相同或相近，则表明此时微波雷达的最佳检测区域正对于人体胸腔或腹部等呼吸频率微动。微波雷达的最佳检测区域可以认为是雷达检测区域的正中心。
[0059] 由于人体的睡眠姿势不同，微波雷达捕获到的微动区域的雷达信号可能不是存在过于微弱、被干扰、计算误差等问题，或者是微动信号从胸腔中心或腹部中心等发出后传递至人体边缘时，微动已经微弱到难以被捕捉等问题，从而导致计算得到的多个位置的呼吸频率可能不同。因此需要执行本步骤。
[0060] 优选地，对于呼吸频率中的呼吸频率，由于呼吸时人体的腹部会产生上下浮动，此时，可以将所述呼吸检测区域分割成上下排列的N个长方形，例如分割4个长方形，如图7所示，在该区域中以每个长方形区域进行呼吸频率检测，若腹部的中心位于N个长方形的中心位置，则腹部发出的起伏在各个长方形区域产生的微动被微波雷达捕获并计算得到呼吸频率才会十分接近。
[0061] 同时，测量呼吸频率时，由于腹部位于人体中间位置，为了便于捕获到呼吸频率，本步骤中可以首先将所述呼吸检测区域靠近人体腿部的区域分割成N个长方形再进行计算呼吸频率。
[0062] 人体的腿部或头部等，可以通过现有技术进行识别。纵向表示为人体的长度方向。
[0063] 因此，通过本步骤找到微波雷达的扫描范围的中心是否位于可以提取呼吸数据的中心，此时微波雷达得到的雷达数据才能正确反应呼吸频率。若多个位置的呼吸频率不同，则可以转动或移动微波雷达，使微波雷达的扫描区域产生平移或转动，从而改变微波雷达的扫描区域的中心点。
[0064] 进一步地，步骤S121之前，执行：
[0065] S120，实时记录并更新所述雷达信号，当所述雷达信号的点云个数少于预设数量阈值时进入步骤S121，并将所述雷达信号的点云个数少于预设数量阈值时的人体位置作为微动位置。
[0066] 进一步地，步骤S122包括：
[0067] 将所述呼吸检测区域的所述雷达信号纵向均等分割后分别计算相位；
[0068] 将多个相位通过呼吸频率算法计算得到多个呼吸频率。
[0069] 本实施例中，若人体静止不动时，所述雷达信号的点云个数将会变得很少，通过预设数量阈值，可以在其数量减少到预设数量阈值以下时，判定人体处于静止状态。
[0070] 进一步地，步骤S122包括：
[0071] 将所述呼吸检测区域等间距分割成多个子区域，计算多个子区域的呼吸频率。
[0072] 进一步地，将所述呼吸检测区域等间距分割成多个子区域，计算多个子区域的呼吸频率包括：
[0073] 将所述呼吸检测区域的所述雷达信号均等分割后分别计算相位；
[0074] 将多个相位通过呼吸频率算法计算得到多个呼吸频率。
[0075] 本步骤中，可以参考图6或7，从而将所述呼吸检测区域等间距分割。
[0076] 具体地，可以先提取所述微动区域的相位数据，并对所述相位数据进行相位解缠绕，以生成解缠绕数据；然后对所述解缠绕数据进行预处理，对预处理后的所述解缠绕数据进行FFT操作，以生成呼吸频率并对其进行跟踪处理。具体可以参考公开号为CN118452869A、名称为基于毫米波雷达的呼吸频率监测方法、装置、设备及介质的现有申请。
[0077] 进一步地，若多个位置的呼吸频率不同，则根据多个子区域的呼吸频率旋转和/或平移所述微波雷达的扫描范围并回到步骤S121。
[0078] 进一步地，根据多个子区域的呼吸频率旋转和/或平移所述微波雷达包括：
[0079] 计算多个子区域的呼吸频率均值；
[0080] 往呼吸频率靠近所述呼吸频率均值的所述子区域旋转和/或平移所述微波雷达。
[0081] 本步骤中，如图7所示，假设上述步骤中计算得到的腹部从上多个位置的呼吸频率分别为15、20、21、20(次/分钟)，则计算得到的均值为19，呼吸频率为20、21、20的子区域为呼吸频率靠近所述呼吸频率均值的区域，此时则需要将微波雷达的扫描范围向下调节。
[0082] 进一步地，通过以下步骤判断多个位置的呼吸频率相似：
[0083] 计算多个位置的呼吸频率的标准差，若所述标准差小于预设标准差阈值，则多个位置的呼吸频率相似。
[0084] 进一步地，分析所述呼吸波形，判断所述呼吸波形中是否存在睡眠呼吸暂停对应的呼吸特征包括：
[0085] 计算呼吸波形的李雅普诺夫指数，若呼吸波形的李雅普诺夫指数异常，则进入下一步；
[0086] 统计所述呼吸波形偏离呼吸基准的次数以及呼吸波形出现呼吸次数为0的次数，若所述呼吸波形偏离呼吸基准的次数以及呼吸波形出现呼吸次数为0的次数总和大于预设次数阈值，则判定所述呼吸波形中存在睡眠呼吸暂停对应的呼吸特征。
[0087] 本步骤为本实施例的核心步骤之一，李雅普诺夫指数用于表示相空间相邻轨迹的平均指数发散率的数值特征，呼吸波形的李雅普诺夫指数异常则可以认为呼吸波形出现异常。如果李雅普诺夫指数大于0，说明呼吸波形的相邻轨迹会随着时间的推移而平均指数发散，这表明系统表现出混沌行为。相反，如果李雅普诺夫指数小于0，则呼吸波形会趋于稳定，对呼吸波形的初始状态不敏感，即映射对初始值不敏感；当指数等于0时，呼吸波形则处于稳定状态。因此，通过计算和分析李雅普诺夫指数，可以直观地判断呼吸波形是否处于混沌状态。
[0088] 呼吸次数为0可以从呼吸波形中得出，当呼吸波形出行短暂暂停等，可以判定为呼吸次数为0。呼吸波形偏离呼吸基准说明呼吸出现异常。
[0089] 统计两者的次数，当两者的次数综合超过预设次数阈值时，可以认为存在睡眠呼吸暂停对应的呼吸特征。
[0090] 具体地，上述中，雷达信号中提取并计算得到了呼吸波形，正常人体的呼吸波形是在幅值为0的上下来回波动，本实施例中设置幅值0为基准，对呼吸波形做均值处理，并设定基准偏离程度阈值，若呼吸波形均值大于基准偏离程度阈值，则判定为呼吸异常。
[0091] 进一步地，通过以下步骤识别音频数据符合鼾声的特征：
[0092] 提取所述音频数据的频率特征，计算频率权重，若所述频率权重满足预设权重阈值，则进入下一步；
[0093] 分析所述音频数据的音量，若所述音量满足预设音量阈值，则进入下一步；
[0094] 分析所述音频数据的时域特征，若所述时域特征满足预设时域阈值，则判定识别到鼾声。
[0095] 具体地，识别鼾声包含了对音频数据的频域和时域的综合处理。随着一定量的捕获音频数据，如果满足鼾声的时域特征及音量要求，会提取数据的频率特征进行保存，逐步形成频率特征库，频率特征实行动态权重管理，所述频率权重满足预设权重阈值，则这些频率特征为有效的特征，当输入数据的检出频率特征和库里的有效频率特征比对满足要求，同时时域和音量也满足要求，即会识别为鼾声。
[0096] 进一步地，分析所述鼾声的声音特征，判断所述鼾声中是否存在睡眠呼吸暂停对应的声音特征包括：
[0097] 若所述鼾声的时域周期大于预设鼾声时域周期，且所述鼾声的频率低于预设频率阈值，则计算所述鼾声的频域数据能量；
[0098] 若所述频域数据能量大于预设能量阈值，则通过梅尔滤波器组对鼾声进行滤波并计算滤波后的鼾声的数据能量；
[0099] 计算所述数据能量的梅尔倒谱系数，通过分类器根据所述梅尔倒谱系数对所述鼾声进行分类，统计呼吸暂停低通指数的数量，若呼吸暂停低通指数的数量大于预设呼吸暂停低通指数数量阈值，则判定所述鼾声中存在睡眠呼吸暂停对应的声音特征。
[0100] 具体地，将频域数据通过梅尔滤波器组，梅尔滤波器组的设计是基于人类听觉系统对不同频率的感知是非线性的这一特点。通过梅尔滤波器组后，得到的是在梅尔频率尺度下的能量分布。对每个滤波器的输出取对数，再进行离散余弦变换，得到梅尔倒谱系数。
[0101] 进一步地，S11中，查找人体位置之后，执行：分析人体的睡眠姿势；
[0102] S21中，通过麦克风捕捉音频数据之后，执行：根据所述睡眠姿势对所述音频数据进行修正，使睡眠姿势下的所述音频数据对应修正为人体平躺状态下的音频数据。
[0103] 本步骤中，通过雷达识别人体的睡眠姿势为现有技术，其可以识别到例如平躺、侧躺、趴着等姿势。由于人体的不同睡眠姿势下，会对胸腔、口腔进行不同的压迫，例如人体平躺时对胸腔、口腔的压迫较小，而人体趴着睡眠时对胸腔、口腔的压迫较大，会对胸腔、口腔进行不同的压迫会造成鼾声产生频率、基调等变化，会对后续的识别音频数据符合鼾声的特征、判断所述鼾声中是否存在睡眠呼吸暂停对应的声音特征等过程产生干扰。因此加入本步骤进行处理，本实施例可以将不同的人体睡眠姿势、雷达数据、鼾声输入到神经网络进行训练，得到人体睡眠姿势、雷达数据与鼾声之间相关联的神经网络，通过该神经网络用于校正鼾声，从而将人体在不同睡眠姿势下对鼾声的影响消除，最终将人体在不同睡眠姿势下的鼾声校正为人体平躺状态下的鼾声，再通过平躺状态下的鼾声进行后续步骤的分析、判断步骤，可以得到更为精准的声音特征、睡眠呼吸暂停情况。
[0104] 进一步提供一种基于微波雷达和麦克风的睡眠呼吸暂停检测系统，参考图8，包括微波雷达1、麦克风2，所述微波雷达1和/或所述麦克风2可转动设置，所述睡眠呼吸暂停检测系统工作时实现所述的一种基于微波雷达和麦克风的睡眠呼吸暂停检测方法。
[0105] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。
[0106] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0107] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0108] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0109] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
