[發明專利]多傳感器融合反饋調整的止鼾枕

有效

• 申請號: 202110458686.9
• 申請日: 2021-04-27
• 公開（公告）號: CN113143570B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 姜海燕;許先靜;陳艷;黃書萍;杜民
• 申請（專利權）人: 福州大學
• 主分類號: A61F5/56
• 分類號: A61F5/56;A61B5/00;A61B5/024;A61B5/318;A61B5/145
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 丘鴻超;蔡學俊

1.一種多傳感器融合反饋調整的止鼾枕，其特征在于，包括：止鼾枕本體、布設在止鼾枕本體上的分布式壓力傳感器、布設在止鼾枕本體內的多個帶有氣泵的氣囊，以及控制器、心電脈搏波傳感器、聲音傳感器和設置在每個氣囊內的氣壓傳感器；

所述分布式壓力傳感器、心電脈搏波傳感器、聲音傳感器、氣壓傳感器和氣泵的驅動結構分別連接控制器；

所述止鼾枕本體包括枕體及從枕體上延伸出的枕墊，所述分布式壓力傳感器包括不同精度和量程的壓力傳感器，分布于枕體和枕墊上；

所述分布式壓力傳感器、心電脈搏波傳感器、聲音傳感器、氣壓傳感器和氣泵的驅動結構分別通過線路直連或通過無線連接的方式連接控制器；所述控制器連接上位機；

通過分布式壓力傳感器網絡獲取人體體位信息，根據數據的動態變化，提取使用者睡眠體位變化信息；并融合心電脈搏信號和鼾聲作為實時非線性反饋控制系統的參數，調整枕頭不同區域的氣壓，從而調整使用者的睡眠體位，以緩解打鼾癥狀；

其控制方法包括以下步驟：

步驟S1：控制器采集聲音信號、分布式壓力傳感器信號和心電脈搏波信號；

步驟S2：控制器由語音信號提取聲音信號特征參數，采用改進的遞歸小腦神經網絡模型進行鼾聲識別；

步驟S3：在有鼾聲的情況下，通過改進的遞歸小腦神經網絡對分布式壓力傳感器信號進行體位識別，由控制器做出控制決策，發送相應的控制信號控制氣閥的開關，由氣泵向氣囊進行充放氣改變各氣囊的氣壓；并在充放氣的過程中由氣壓傳感器實時檢測氣囊內的壓力值并結合鼾聲和心電脈搏信號作為反饋參數，對枕頭內部氣囊的氣壓實施非線性控制，以此調整使用者的睡眠體位；

步驟S4：當控制器通過壓力信號判斷出使用者的睡姿已經變為側臥時，或已停止打鼾時，停止調整氣囊氣壓，并回到步驟S2；

由心電脈搏波信號提取心率變異率及血氧飽和度特征參數，當檢測到心率變異率及血氧飽和度有異常時向使用者發出警告；

所述改進的遞歸小腦神經網絡模型具有以下模糊推理規則：

R^λ：如果x₁是r_1k，x₂是r_2k，......，x_m是r_mk，則y_j＝w_kj，k＝1,2,...,n；

其中x_i是第i個輸入值，r_ik是第i個輸入、第k層的模糊集，w_kj是后續部分的輸出權重；m是輸入維度，n是每個輸入維度的層數，即模糊規則的個數；

所述改進的遞歸小腦神經網絡模型包括：輸入層、聯想記憶層、接收域層、權值記憶層以及輸出層；

所述輸入層的輸入數據為分布式壓力信號，輸出層的輸出結果為體位的識別結果；

所述聯想記憶層的隸屬度函數采用高斯型小波函數，所述高斯型小波函數是采用高斯函數的一階導數作為小波函數；所述高斯型小波函數計算公式如下所示：

其中x_ik是輸入到聯想記憶層的信號，b_ik和a_ik分別是小波函數的平移和擴張參數；

其中x_ik被表示為：

x_ik(t)＝x_i(t)+w_ikr_ik(t-1)(2)

其中，t是數據的時間序列，w_ik是這個遞歸單元的權重，其值代表的是上一時刻的輸出結果對這一刻的影響，r_ik(t-1)代表的上一時刻的輸出結果，r_ik為聯想記憶層輸出結果；

改進的遞歸小腦神經網絡模型輸出層激活函數采用softmax函數：

其中，z_j為第j個節點的輸出值，即輸入到第j個輸出層的值，C為輸出層的個數，即分類的類別個數；通過softmax函數把多分類的輸出值轉換為范圍在[0，1]和為1的概率分布；

輸入層到輸出層之間的表達式為：

其中I_i為輸入特征向量，m為特征向量維數；w_ik和w_kj分別是輸入層與聯想記憶層之間以及感受層與輸出層之間的權值；n表征的是對輸入向量特征的分辨率；o為輸出層分類的個數；

在步驟S2中，對聲音信號的進行預處理，包括預加重、分幀處理和加窗處理，截取規定的長度后再進行端點檢測；提取聲音信號的特征，包括：聲音的梅爾頻率倒譜系數、共振峰頻率、基音周期特征參數；再通過改進的遞歸小腦神經網絡分析使用者是否打鼾；

對于梅爾頻率倒譜系數：對聲音信號通過快速傅里葉變換轉變為頻域數據；計算每幀信號的譜線能量；計算通過Mel濾波器的能量；取對數后再進行離散余弦變換之后獲得，并通過求取矩陣的特征值進行降維；

對于共振峰頻率：通過聲音信號的線性預測得到預測系數，經過快速傅里葉變換求得功率譜響應曲線，對于所求得功率譜響應曲線的每個峰值用拋物線內插法計算出共振峰頻率值；

對于基音周期：對聲音信號通過快速傅里葉變換得到倒頻譜，取其模值和對數進而求得基音周期；

對壓力信號進行降維預處理，通過改進的遞歸小腦神經網絡進行訓練，得到的體位識別神經網絡模型用于對使用者的體位進行識別；

對心電脈搏波信號由處理器提取心率變異率及血氧飽和度特征，結合聲音信號的特征參數進行整合標記，通過改進的遞歸小腦神經網絡進行訓練得到鼾聲識別神經網絡模型；所述鼾聲識別神經網絡模型，將輸入調整為語音信號及心電脈搏信號的特征參數，輸出調整為鼾聲識別的結果，鼾聲分類共兩類，即有鼾聲和無鼾聲；

在步驟S3中，通過體位識別神經網絡模型對使用者的體位進行識別，通過鼾聲識別神經網絡模型進行是否打鼾的識別。