评估睡眠呼吸功能的方法和装置与流程

1.本技术涉及计算机技术领域，更具体地，涉及一种评估睡眠呼吸功能的方法和装置。

背景技术：

2.随着人们生活压力的不断增大，睡眠质量也逐渐降低，人们开始关注睡眠的质量以及睡眠过程中的睡眠呼吸疾病的检测。睡眠呼吸紊乱是影响睡眠质量的主要因素。单纯鼾症、低通气、睡眠呼吸暂停是睡眠呼吸紊乱最常见的原因。睡眠过程中的呼吸疾病可能致命，因此对睡眠过程中的睡眠分期异常、单纯鼾症、低通气以及睡眠呼吸暂停等进行有效实时检测和早期预警，对于个人健康以及家庭护理尤为重要。
3.目前，通过超声获取呼吸信号进行睡眠分期、出入睡眠检测，以及基于录音数据进行鼾声、呼吸声以及非目标片段的划分等技术逐渐成熟。例如，市面上的多导睡眠监测仪，通过记录睡眠过程中的脑波、肌电图、心电图、口鼻腔气流、胸部腹部呼吸运动以及声音等多种信号，总和分析被检测者的睡眠状况和鼾症、低通气、睡眠呼吸暂停等疾病的严重程度。多导睡眠检测仪要求在专业场所由专业人员进行操作，舒适性差且费用昂贵，难以满足家庭日常生活中便捷和高效的要求。此外，市面上还有一些用于睡眠呼吸功能评估的应用(application,也简称为app)，而这些app大多是在用户(或被测者)睡觉的环境下设定一个阈值或者使用神经网络方法对睡眠过程中的声音、呼吸声进行识别，进而评估用户整晚的睡眠呼吸的质量。这种评估方法需要用户手动点击睡眠的开始与结束，用户体验极不友好。

技术实现要素：

4.本技术提供一种评估睡眠呼吸功能的方法和装置，可以便捷地对用户的睡眠呼吸功能进行评估，提升用户体验。
5.第一方面，提供了一种评估睡眠呼吸功能的方法，该方法包括：确定当前的检测场景，所述当前的检测场景属于预设定的检测场景中的一个，其中，所述预设定的检测场景包括第一检测场景和第二检测场景，其中，所述第一检测场景为所述用户穿戴智能穿戴设备，所述第二检测场景为所述用户未穿戴智能穿戴设备；
6.根据所述当前的检测场景，选择检测方式，
7.采用所选择的检测方式，判断所述用户的状态，其中，所述用户的状态包括所述用户处于睡眠状态，或所述用户处于非睡眠状态；
8.根据所述用户的状态，开启或者关闭对用户的睡眠呼吸功能的评估，
9.其中，所述睡眠呼吸功能的评估包括对如下的一项或多项进行评估：睡眠周期分期、低通气、睡眠呼吸暂停以及鼾症等级风险。
10.在本技术的技术方案中，首先确定当前的检测场景，并基于当前的检测场景选择相应的检测方式。不同的检测方式采用不同的手段判断用户是否处于睡眠状态。如果判定用户处于睡眠状态，自动开启睡眠呼吸功能的评估。如果判定用户处于非睡眠状态，则不开
启睡眠呼吸功能的评估。
11.可见，和现有的一些方案中，用户需要手动点击睡眠监测装置上的睡眠开始或者睡眠结束，才能开启或关闭睡眠监测装置的睡眠呼吸功能相比，本技术的技术方案，在不同的检测场景下，通过不同的检测方式获得用户的状态，从而可以自动开启或关闭睡眠呼吸功能的评估，用户体验更为友好。
12.结合第一方面，在第一方面的某些实现方式中，所述根据所述当前的检测场景，选择检测方式，包括：
13.若所述当前的检测场景为所述第一检测场景，选择第一检测方式，其中，所述第一检测方式是通过所述智能穿戴设备判断所述用户的状态的；或者，
14.若所述当前的检测场景为所述第二检测场景，选择第二检测方式，其中，所述第二检测方式是通过所述智能穿戴设备的状态和所述用户的历史睡眠信息，判断所述用户的状态的；
15.其中，所述智能穿戴设备的状态包括如下一项或多项：所述智能穿戴设备在指定时间段内处于静止状态的时长大于或等于第一时长阈值、所述智能穿戴设备处于大动作状态的时长大于或等于第二时长阈值；
16.所述用户的历史睡眠信息包括如下一项或多项：所述用户的历史睡眠时间段、所述用户预设定的睡眠时间以及所述用户预设定的闹钟时间。
17.在该实现方式中，在用户穿戴智能穿戴设备的检测场景下，通过智能穿戴设备实时判断用户的状态，具体地，判断用户的入睡以及出睡情况。而在用户未穿戴智能穿戴设备的情况下，需要结合智能穿戴设备的状态以及用户的历史睡眠信息，判断用户的状态。由此，不管用户是否穿戴智能穿戴设备，均可以通过合适的检测方式判断用户的状态，进而实现评估的自动开启或关闭，提高了用户体验。
18.结合第一方面，在第一方面的某些实现方式中，在开启对用户的睡眠呼吸功能的评估之后，所述方法还包括：
19.获取所述第一检测场景或所述第二检测场景中的可用信号；
20.根据所述可用信号对所述用户的睡眠呼吸功能进行评估，其中，所述可用信号包括如下一项或多项：
21.一个或多个呼吸指标，所述呼吸指标包括呼吸频率和/或呼吸波的下降幅度；
22.一个或多个鼾声指标，所述鼾声指标包括鼾声响度；以及
23.所述用户的动作指标，所述动作指标包括所述用户的动作幅度和/或大动作的频率。
24.结合第一方面，在第一方面的某些实现方式中，所述根据所述可用信号对所述用户的睡眠呼吸功能进行评估，包括：
25.采用训练好的轻型梯度提升机gbm模型对所述可用信号进行预测，以对所述用户的睡眠呼吸功能进行评估。
26.在该实现方式中，采用训练好的轻型gbm模型对当前的检测场景中获取的可用进行预测，由于该轻型gbm模型是预先通过大量的数据训练得到，且用于训练的数据只保留与呼吸、鼾声等信号有关的频段，灵敏度较高，为后续的睡眠呼吸功能的评估提供了良好的基础，评估准确度获得提升。
27.结合第一方面，在第一方面的某些实现方式中，所述采用训练好的轻型gbm预测模型对所述可用信号进行预测之前，所述方法还包括：
28.获取所述用户的音频数据和超声数据；
29.对所述音频数据和超声数据进行预处理，并对经过预处理的音频数据和超声数据进行特征提取的处理，获得提取数据，其中，所述特征提取的处理包括对所述经过预处理的音频数据和超声数据进行原始特征的提取以及统计特征的聚合；
30.使用所述提取数据，对所述轻型gbm预测模型进行训练，获得所述训练好的轻型gbm预测模型。
31.在该实现方式中，对检测场景中获得的可用信号，例如，音频数据和超声数据，进行预处理以及特征提取等处理，由此获得的提取数据用于轻型gbm模型的训练，可以提升轻型gbm模型的预测性能，相比于现有的睡眠呼吸功能的评估方案，本技术的技术方案的评估结果更准确，灵敏度更高。
32.结合第一方面，在第一方面的某些实现方式中，所述采用训练好的轻型gbm预测模型对所述可用信号进行预测，以对所述用户的睡眠呼吸功能进行评估，包括：
33.若所述鼾声响度大于或等于第一响度门限，且时长大于或等于第一时长门限，判定所述用户的鼾症等级风险为高风险；
34.若所述鼾声响度大于或等于第一响度门限，且时长小于第一时长门限，判定所述用户的鼾症等级风险为中风险；
35.若所述鼾声响度大于或等于第二响度门限，且时长大于或等于第二时长门限，判定所述用户的鼾症等级风险为低风险，其中，所述第二响度门限小于所述第一响度门限，所述第二时长门限小于所述第一时长门限；
36.否则，判定所述用户的鼾症等级风险为正常。
37.结合第一方面，在第一方面的某些实现方式中，所述采用训练好的轻型gbm预测模型对所述可用信号进行预测，以对所述用户的睡眠呼吸功能进行评估，包括：
38.若所述呼吸频率大于第一频率且斜率大于第一数值，判定睡眠分期阶段为快动眼睡眠rem；
39.若所述呼吸频率小于或等于第一频率，且大于或等于第二频率，判定所述睡眠分期阶段为浅睡；
40.若所述呼吸频率小于或等于第二频率，判定所述睡眠分期阶段为深睡。
41.结合第一方面，在第一方面的某些实现方式中，所述采用训练好的轻型gbm预测模型对所述可用信号进行预测，以对所述用户的睡眠呼吸功能进行评估，包括：
42.若所述呼吸波的幅度的下降比例大于第一百分比例，判定为低通气；
43.若所述呼吸波的峰度的下降比例大于第二百分比例，判定为睡眠呼吸暂停。
44.在以上各实现方式中，通过设定合适的判断规则以及门限、时长或百分比例，可以提高睡眠呼吸功能评估的准确性。
45.第二方面，提供了一种通信装置，所述通信装置具有实现第一方面或其任意可能的实现方式中的方法的功能，所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的单元。
46.第三方面，提供一种通信装置，包括处理器和通信接口，所述通信接口用于接收数
据和/或信息，并将接收到的数据和/或信息传输至所述处理器，所述处理器处理所述数据和/或信息，以使得所述通信装置执行如第一方面或其任意可能的实现方式中的方法。
47.可替换地，所述处理器可以为处理电路。
48.可选地，上述通信接口可以为接口电路。
49.可选地，所述通信接口可以包括输入接口和输出接口。其中，输入接口用于接收待处理的数据和/或信息，所述输出接口用于输出处理后的数据和/或信息。
50.第四方面，本技术提供一种通信装置，包括至少一个处理器，所述至少一个处理器与至少一个存储器耦合，所述至少一个存储器用于存储计算机程序或指令，所述至少一个处理器用于从所述至少一个存储器中调用并运行该计算机程序或指令，使得所述通信装置执行第一方面或其任意可能的实现方式中的方法。
51.可选地，所述至少一个处理器与所述至少一个存储器集成在一起。
52.可选地，以上第二方面至第四方面的通信装置可以为芯片或芯片系统，例如，片上系统(system on a chip,soc)芯片。
53.第五方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，当计算机指令在计算机上运行时，使得如第一方面或其任意可能的实现方式中的方法被执行。
54.第六方面，本技术提供一种计算机程序产品，所述计算机程序产品包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得如第一方面或其任意可能的实现方式中的方法被执行。
55.第七方面，本技术提供一种智能穿戴设备，包括如第二方面所述的通信装置。
附图说明
56.图1为本技术提供的评估睡眠呼吸功能的方法的一个示意性流程图。
57.图2为本技术提供的评估睡眠呼吸功能的方法的一个示意性流程图。
58.图3为评估装置执行预处理以及特征提取的示意性框图。
59.图4为本技术提供的评估睡眠呼吸功能的方法的示例性流程图。
60.图5为本技术提供的评估睡眠呼吸功能的评估装置500。
61.图6为本技术提供的评估装置的示意性框图。
62.图7为本技术提供的评估装置的示意性结构图。
63.图8是本技术提供的智能穿戴设备的示意性框图。
具体实施方式
64.下面将结合附图，对本技术中的技术方案进行描述。
65.本技术的技术方案可以应用在智能穿戴设备中，能够实现自动对用户的睡眠呼吸功能(例如，睡眠分期、睡眠呼吸暂停、鼾症检测、鼾症产生部分检测、低通气等睡眠呼吸相关疾病)进行评估，不需要用户手动开启或者关闭睡眠呼吸功能的评估，提升了用户体验。此外，评估的准确性也有所提升。
66.示例性地，本技术提及的智能穿戴设备包括但不限于：智能手环、智能手表、智能手机以及ipad等智能电子产品。
67.参见图1，图1为本技术提供的评估睡眠呼吸功能的方法的一个示意性流程图。如图1，方法100可以由评估装置执行。示例性地，所述评估装置可以为智能穿戴设备，或者内置于智能穿戴设备中的芯片(或芯片系统)。方法100主要包括步骤110-140。
68.110、评估装置确定当前的检测场景，其中，当前的检测场景属于预设定的检测场景中的一个。
69.示例性地，预设定的检测场景可以包括第一检测场景和第二检测场景。
70.其中，第一检测场景为用户穿戴智能穿戴设备，第二检测场景为用户未穿戴智能穿戴设备。
71.120、评估装置根据当前的检测场景，选择检测方式。
72.在本技术中，评估装置在不同的检测场景下，可以选择与检测场景相适应的检测方式，以进一步判断用户是否处于睡眠状态。
73.具体地，若当前的检测场景为第一检测场景，则评估装置选择第一检测方式。其中，第一检测方式是评估装置通过智能穿戴设备判断用户的状态的。
74.若当前的检测场景为第二检测场景，则评估装置选择第二检测方式，其中，若采用第二检测方式，评估装置需要进一步获取智能穿戴设备的状态以及用户的历史睡眠信息，并根据智能穿戴设备的状态和用户的历史睡眠信息，判断用户的状态。
75.可选地，智能穿戴设备的状态包括如下一项或多项：
76.智能穿戴设备在指定时间段内处于静止状态的时长大于或等于第一时长阈值、智能穿戴设备处于大动作状态的时长大于或等于第二时长阈值。
77.示例性地，智能穿戴设备是否处于大动作状态，可以通过智能穿戴设备的动作幅度来判断。例如，设定一个动作幅度的阈值，如果智能穿戴设备的动作幅度大于该阈值，则表明智能穿戴设备处于大动作状态，否则就不是处于大动作状态。
78.可选地，用户的历史睡眠信息包括如下一项或多项：用户的历史睡眠时间段、用户预设定的睡眠时间以及用户预设定的闹钟时间，等。
79.示例性地，用户预设定的睡眠时间可以是预设定的入睡时间，或者预设定的起床时间(也即出睡时间)，等。
80.130、评估装置采用所选择的检测方式，判断用户的状态。
81.其中，用户的状态包括用户处于睡眠状态，或者用户处于非睡眠状态。
82.140、评估装置根据用户的状态，开启或者关闭对用户的睡眠呼吸功能的评估。
83.具体地，在用户处于睡眠状态的情况下，开启对用户的睡眠呼吸功能的评估。在用户处于非睡眠状态的情况下，不开启或者关闭对用户的睡眠呼吸功能的评估。
84.应理解，关闭睡眠呼吸功能的评估，是指在开启了睡眠呼吸功能的评估之后，通过实时判断用户的状态，当用户出睡之后，则关闭睡眠呼吸功能的评估。
85.可选地，睡眠呼吸功能的评估可以包括但不限于对如下一项或多项进行评估：睡眠周期分期、低通气、睡眠呼吸暂停以及鼾症等级风险。
86.在本技术中，基于当前的检测场景，评估装置可以判断用户是否处于睡眠状态，进而自动开启或者关闭睡眠呼吸功能的评估。具体地，评估装置如果判定用户处于睡眠状态，自动开启睡眠呼吸功能的评估。相反，如果评估装置判定用户处于非睡眠状态，则不开启睡眠呼吸功能的评估。或者，评估装置在自动开启睡眠呼吸功能的评估之后，通过实时判断用
户的状态，判定用户处于出睡之后，则自动关闭睡眠呼吸功能的评估。
87.可以看出，和现有的一些方案中，用户需要手动点击睡眠监测装置上的睡眠开始或者睡眠结束，才能开启或关闭睡眠监测装置的睡眠呼吸功能相比，本技术的技术方案，评估装置在不同的检测场景下，通过不同的检测方式获得用户的状态，从而可以自动开启或关闭睡眠呼吸功能的评估，用户体验更为友好。
88.下面再结合图2详细说明，评估装置在判定用户处于睡眠状态的情况下，开启了睡眠呼吸功能的评估之后，执行睡眠呼吸功能的评估的过程。
89.参见图2，图2为本技术提供的评估睡眠呼吸功能的方法的一个示意性流程图。与方法100类似，方法200可以由评估装置执行。如图2，方法200主要包括步骤210-240。
90.210、评估装置确定当前的检测场景处于第一检测场景，也即，用户穿戴着智能穿戴设备。
91.220、评估装置选择与第一检测场景对应的第一检测方式。
92.230、评估装置通过智能穿戴设备，判断用户的状态，获得判断的结果。
93.240、若判定用户处于睡眠状态，则评估装置开启睡眠呼吸功能的评估。
94.在开启睡眠呼吸功能的评估之后，评估装置继续执行如下步骤。
95.250、评估装置通过智能穿戴设备获取当前的检测场景中的可用信号。
96.可选地，可用信号包括如下一项或多项：
97.一个或多个呼吸指标，所述呼吸指标包括呼吸频率和/或呼吸波的下降幅度；
98.一个或多个鼾声指标，所述鼾声指标包括鼾声响度；以及
99.所述用户的动作指标，所述动作指标包括所述用户的动作幅度和/或大动作的频率。
100.示例性地，评估装置通过智能穿戴设备的麦克风、超声波发送和/或接收传感器等，获取当前的检测场景中的可用信号。
101.260、评估装置采用预先训练好的机器学习预测模型，对获得的可用信号进行预测，获得预测结果。
102.270、输出预测结果。
103.具体地，作为一个示例，本技术中的机器学习模型采用轻型gbm预测模型。
104.应理解，在轻型gbm预测模型在用于预测之前，需要通过大量的训练来提高预测的准确度与灵敏度。
105.示例性地，评估装置获取用户的音频数据以及超声数据，并对音频数据和超声数据进行预处理。进一步地，对于经过预处理的音频数据和超声数据，评估装置对其进行特征提取。具体地，特征提取主要可以包括原始特征的提取以及统计特征的聚合。为了描述上的方便，在下文中，将通过特征提取获得的数据，称为提取数据。
106.评估装置使用提取数据，对轻型gbm预测模型进行训练，获得训练好的轻型gbm预测模型，为后续睡眠呼吸功能的评估的准确度以及灵敏度提供良好的保证。
107.示例性地，评估装置进行预处理以及特征提取的详细流程可以如图3所示。
108.参见图3，图3为评估装置执行预处理以及特征提取的示意性框图。如图3所示，评估装置通过静音检测、有声片段以及无声片段的判断，以及音频数据和超声数据的采集，获得当前的检测场景中的目标音频数据和/或超声数据。进一步地，评估装置对获得的目标音
频数据和/或超声数据进行预处理，以消除数据数量级与本身局部波动的影响。
109.示例性地，预处理可以包括对目标音频数据和/或超声数据进行幅值归一化、中值滤波以及带通滤波等处理，以尽量保留呼吸信号、鼾声信号的频段，以提高评估的灵敏度。
110.此外，评估装置对预处理后的信号进行特征提取的处理，获得提取数据。示例性地，特征提取的处理包括对目标音频数据和/或超声数据的原始特征的提取以及统计特征的聚合。
111.示例性地，原始特征包括但不限于：梅尔频率倒谱系数、差分特征以及光谱平坦度。统计特征包括但不限于：均值、方差、峰值、偏度以及距特征。
112.进一步地，采用提取数据对机器学习模型对进行训练。示例性地，机器学习模型可以采用轻型梯度提升机(light gradient boosting machine,light gbm)模型。在训练模型的过程中，轻型gbm模型通过对输入信号进行分析，获得输入信号中的呼吸信号、鼾声信号以及非鼾声信号的概率以及标签，并对其进行统计和缓存，以用于后续的预测。
113.当评估装置获得当前的检测场景中的可用信号，将获得的可用信号输入轻型gbm模型，将获得预测结果，完成对用户的睡眠呼吸功能的评估。
114.下面给出一些预测结果的示例说明。
115.示例性地，通过用户的、呼吸指标、鼾声指标以及动作指标等，对鼾症风险进行评估。
116.例如，若鼾声的响度大于或等于第一响度门限(记作db1)，且时长大于或等于第一时长门限(记作t1)，判定用户的鼾症风险等级为高风险；
117.若鼾声响度大于或等于第一响度门限，且时长小于第一时长门限，判定用户的鼾症等级风险为中风险；
118.若鼾声响度大于或等于第二响度门限(记作db2)，且时长大于或等于第二时长门限(记作t2)，判定用户的鼾症等级风险为低风险；
119.若为其它情况，则判定用户的鼾症等级风险为正常；
120.其中，第二响度门限小于第一响度门限，第二时长门限小于第一时长门限。
121.示例性地，根据用户的呼吸率特征，对用户的睡眠分期阶段进行识别。
122.例如，若呼吸频率大于第一频率(例如，x1)且斜率大于第一数值(例如，y1)，判定用户的睡眠分期阶段为快动眼睡眠(rapid eye movement sleep,rem)；
123.若呼吸频率小于或等于第一频率(例如，x1)，且大于或等于第二频率(例如，x2)，判定用户的睡眠分期阶段为浅睡；
124.若呼吸频率小于或等于第二频率(例如，x2)，判定用户的睡眠分期阶段为深睡；
125.其中，x2小于x1。
126.示例性地，根据用户的呼吸波下降的幅度，判断用户的睡眠呼吸暂停或低通气。
127.例如，若用户的呼吸波的幅度的下降比例大于第一百分比例(例如，x％)，判定为低通气；
128.若呼吸波的峰度的下降比例大于第二百分比例(例如，y％)，判定为睡眠呼吸暂停。
129.下面结合图4，给出评估装置的工作流程的一个示例说明。
130.参见图4，图4为本技术提供的评估睡眠呼吸功能的方法400的示例性流程图。应理
解，方法400可以由评估装置执行。所述评估装置可以为智能穿戴设备或智能穿戴设备中具有相应功能的模块(例如，芯片或芯片系统等)执行，不作限定。示例性地，所述芯片可以为片上系统(system on a chip,soc)。
131.401、判断用户是否穿戴智能穿戴设备。
132.应理解，判断用户是否穿戴智能穿戴设备，也即确定当前的检测场景具体为第一检测场景，或是第二检测场景。
133.在是的情况下，进入步骤402。在否的情况下，进入步骤403。
134.402、通过智能穿戴设备判断用户是否入睡。
135.也即，判断用户处于睡眠状态或是非睡眠状态。
136.如果否，执行步骤404。
137.如果是，执行步骤405。
138.404、不启动睡眠呼吸功能的评估。
139.405、自动开启睡眠呼吸功能的评估。
140.404、判断智能穿戴设备是否处于静止状态的时长等于或大于第一时长门限。
141.如果否，执行步骤406。
142.如果是，执行步骤407。
143.406、不启动睡眠呼吸功能的评估。
144.407、自动启动睡眠呼吸功能的评估。
145.在启动睡眠呼吸功能的评估之后，执行步骤408。
146.408、实时统计与分析呼吸指标以及鼾声指标。
147.可选地，呼吸指标可以包括一个或多个，例如，呼吸的频率。
148.可选地，鼾声指标可以包括一个或多个，例如，鼾声的响度。
149.409、在进行睡眠呼吸评估的同时，通过智能穿戴设备判断用户是否出睡。
150.如果是，执行步骤410。
151.如果否，继续执行步骤408。
152.410、自动关闭睡眠呼吸评估功能。
153.在步骤405中，自动开启睡眠呼吸评估功能之后，执行步骤411。
154.411、实时统计与分析呼吸指标以及鼾声指标。
155.412、在进行睡眠呼吸评估的同时，实时获取智能穿戴设备的状态，并判断智能穿戴设备是否处于大动作状态的时长超过第二时长门限。
156.如果是，执行步骤413。
157.如果否，继续执行步骤411。
158.413、自动关闭睡眠呼吸评估功能。
159.下面给出本技术提供的评估装置的一个示意性框图。
160.参见图5，图5为本技术提供的用于评估睡眠呼吸功能的评估装置500。该评估装置500可以包括自动检测模块510、数据采集与预处理模块520、特征提取与统计模块530以及睡眠呼吸评估功能模块540。
161.自动检测模块510，主要用于在不同的检测场景下，自动启动或关闭麦克风、超声接收设备和/或超声发送设备，启动或关闭睡眠呼吸功能的评估。
162.数据采集与预处理模块520，主要用于音频数据和/或超声数据的采集，可用信号的采集，以及有声片段与无声片段进行判断等预处理。示例性地，所述音频数据包括普通录音数据。
163.特征提取与统计模块530，用于对用户的动作、呼吸以及鼾声特征进行特征提取与统计。
164.睡眠呼吸功能评估模块540，用于根据特征提取与统计模块530完整提取和统计的数据，对用户进行睡眠呼吸功能的评估。
165.以上本技术提供的睡眠呼吸的方法进行了详细说明，下面介绍本技术提供的评估装置。
166.参见图6，图6为本技术提供的评估装置的示意性框图。如图6，评估装置1000包括处理单元1100，接收单元1200以及发送单元1300。
167.处理单元1100，用于确定当前的检测场景，所述当前的检测场景属于预设定的检测场景中的一个，其中，所述预设定的检测场景包括第一检测场景和第二检测场景，其中，所述第一检测场景为所述用户穿戴智能穿戴设备，所述第二检测场景为所述用户未穿戴智能穿戴设备；
168.以及，根据所述当前的检测场景，选择检测方式；
169.以及，采用所选择的检测方式，判断所述用户的状态，其中，所述用户的状态包括所述用户处于睡眠状态，或所述用户处于非睡眠状态；
170.根据所述用户的状态，开启或者关闭对用户的睡眠呼吸功能的评估，
171.其中，所述睡眠呼吸功能的评估包括对如下的一项或多项进行评估：睡眠周期分期、低通气、睡眠呼吸暂停以及鼾症等级风险。
172.发送单元1300，用于输出评估的结果。
173.可选地，作为一个实施例，所述处理单元1100，还用于：
174.判断所述当前的检测场景，并在判定当前的检测场景为所述第一检测场景的情况下，选择第一检测方式，其中，所述第一检测方式是通过所述智能穿戴设备判断所述用户的状态的；或者，
175.在判定当前的检测场景为所述第二检测场景的情况下，选择第二检测方式，其中，所述第二检测方式是通过所述智能穿戴设备的状态和所述用户的历史睡眠信息，判断所述用户的状态的；
176.其中，所述智能穿戴设备的状态包括如下一项或多项：所述智能穿戴设备在指定时间段内处于静止状态的时长大于或等于第一时长阈值、所述智能穿戴设备处于大动作状态的时长大于或等于第二时长阈值；
177.所述用户的历史睡眠信息包括如下一项或多项：所述用户的历史睡眠时间段、所述用户预设定的睡眠时间以及所述用户预设定的闹钟时间。
178.可选地，作为一个实施例，所述接收单元1200，用于获取所述第一检测场景或所述第二检测场景中的可用信号；
179.以及，所述处理单元1100，用于根据所述可用信号对所述用户的睡眠呼吸功能进行评估，其中，所述可用信号包括如下一项或多项：
180.一个或多个呼吸指标，所述呼吸指标包括呼吸频率和/或呼吸波的下降幅度；
181.一个或多个鼾声指标，所述鼾声指标包括鼾声响度；以及
182.所述用户的动作指标，所述动作指标包括所述用户的动作幅度和/或大动作的频率。
183.可选地，作为一个实施例，所述处理单元1100，还用于采用训练好的轻型梯度提升机gbm模型对所述可用信号进行预测，以对所述用户的睡眠呼吸功能进行评估。
184.可选地，作为一个实施例，所述接收单元1200，用于获取所述用户的音频数据和超声数据；
185.以及，所述处理单元1100，还用于对所述音频数据和超声数据进行预处理，并对经过预处理的音频数据和超声数据进行特征提取的处理，获得提取数据，其中，所述特征提取的处理包括对所述经过预处理的音频数据和超声数据进行原始特征的提取以及统计特征的聚合；
186.使用所述提取数据，对所述轻型gbm预测模型进行训练，获得所述训练好的轻型gbm预测模型。
187.可选地，作为一个实施例，处理单元100，具体用于：
188.若所述鼾声响度大于或等于第一响度门限，且时长大于或等于第一时长门限，判定所述用户的鼾症等级风险为高风险；
189.若所述鼾声响度大于或等于第一响度门限，且时长小于第一时长门限，判定所述用户的鼾症等级风险为中风险；
190.若所述鼾声响度大于或等于第二响度门限，且时长大于或等于第二时长门限，判定所述用户的鼾症等级风险为低风险，其中，所述第二响度门限小于所述第一响度门限，所述第二时长门限小于所述第一时长门限；
191.否则，判定所述用户的鼾症等级风险为正常。
192.可选地，作为一个实施例，若所述呼吸频率大于第一频率且斜率大于第一数值，判定睡眠分期阶段为快动眼睡眠rem；
193.若所述呼吸频率小于或等于第一频率，且大于或等于第二频率，判定所述睡眠分期阶段为浅睡；
194.若所述呼吸频率小于或等于第二频率，判定所述睡眠分期阶段为深睡。
195.可选地，作为一个实施例，所述采用训练好的轻型gbm预测模型对所述可用信号进行预测，以对所述用户的睡眠呼吸功能进行评估，包括：
196.若所述呼吸波的幅度的下降比例大于第一百分比例，判定为低通气；
197.若所述呼吸波的峰度的下降比例大于第二百分比例，判定为睡眠呼吸暂停。
198.在以上各实现方式中，接收单元1200和发送单元1300也可以集成为一个收发单元，同时具备接收和发送的功能，这里不作限定。
199.另外，在各实施例中，处理单元1100用于执行除了发送和接收的动作之外由通信装置1000内部实现的处理和/或操作。接收单元1200用于执行接收的动作，发送单元1300用于执行发送的动作。
200.示例性地，作为一种实现，图5中所示的自动检测模块510、数据采集与预处理模块520、特征提取与统计模块530以及睡眠呼吸功能评估模块540的功能可以集成在图6中的处理单元1100中。
201.可选地，在一种实现方式中，评估装置500还可以包括显示单元1400，用于显示(也即，向用户呈现)评估结果。
202.参见图7，图7为本技术提供的评估装置的示意性结构图。如图7，通信装置10包括：一个或多个处理器11，一个或多个存储器12以及一个或多个通信接口13。处理器11用于控制通信接口13收发信号，存储器12用于存储计算机程序，处理器11用于从存储器12中调用并运行该计算机程序，以使得通信装置10执行本技术各方法实施例中由评估装置执行的处理和/或操作。
203.例如，处理器11可以具有图6中所示的处理单元1100的功能，通信接口13可以具有图6中所示的接收单元1200和/或发送单元1300的功能。具体地，处理器11可以用于执行各方法实施例中由可评估装置内部执行的处理和/或操作，通信接口13用于执行各方法实施例中由评估装置执行的发送和/或接收的动作。
204.示例性地，在图1示出的方法100中，处理器11用于执行步骤110-140。或者，在图2中，处理器11用于执行步骤210-240，步骤260；接收单元1200用于执行步骤250；以及，发送单元1300用于执行步骤270。或者，在图4中，处理器11用于执行步骤401-411。
205.此外，通信装置10还可以包括一个或多个存储器14，所述一个或多个存储器14可以用于存储从检测场景中获取的可用信号、存储所述轻型gbm模型的数据，以及存储中间处理结果，等。
206.在一种实现方式中，通信装置10可以为智能穿戴设备。
207.在另一种实现中，通信装置10可以为安装在智能穿戴设备中的芯片或者芯片系统。在这种实现方式中，通信接口13可以为接口电路或者输入/输出接口。
208.其中，图7中器件(例如，处理器、存储器或通信接口)后面的虚线框表示该器件可以为一个以上。
209.图8是本技术提供的智能穿戴设备的示意性框图。参考图8，智能穿戴设备30可以包括处理器310，存储器320，无线通信模块330，显示屏340、摄像头350、音频模块360以及传感器模块370，等。其中，音频模块360可以包括扬声器360a，受话器360b，麦克风360c等。可选地，上述器件均可以是一个或多个。
210.可以理解的是，本技术实施例示意的结构并不构成对智能穿戴设备30的具体限定。在本技术另一些实施例中，智能穿戴设备30可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。
211.示例性地，处理器310可以对应图6中的处理单元1100，用于执行处理单元1100执行的步骤。或者，处理器310具有图7中的处理器11的功能。
212.可选地，处理器310可以包括一个或多个处理单元，例如：处理器310可以包括应用处理器(application processor,ap)，调制解调处理器，图形处理器(graphics processing unit,gpu)，图像信号处理器(image signal processor,isp)，控制器，存储器，视频编解码器，数字信号处理器(digital signal processor,dsp)，基带处理器，和/或神经网络处理器(neural-network processing unit，npu)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。
213.存储器320，可以用于存储计算机可执行程序代码，所述可执行程序代码包括指
令。处理器310通过运行存储在存储器320的指令，从而执行智能穿戴设备30的各种功能应用以及数据处理。内部存储器320可以包括存储程序区和存储数据区。其中，存储程序区可存储操作系统，至少一个功能所需的应用程序(例如，如声音播放功能，图像播放功能等)等。存储数据区可存储智能穿戴设备30使用过程中所创建的数据(例如，音频数据，电话本等)等。此外，存储器320可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(universal flash storage，ufs)等。示例性地，存储器320具有图7中的存储器12的功能。
214.无线通信模块330，可以提供应用在智能穿戴设备30上的包括无线局域网(wireless local area networks,wlan)如无线保真(wireless fidelity，wi-fi)网络，蓝牙(bluetooth,bt)，全球导航卫星系统(global navigation satellite system,gnss)，调频(frequency modulation，fm)，近距离无线通信技术(near field communication，nfc)，红外技术(infrared,ir)等无线通信的解决方案。无线通信模块360可以是集成至少一个通信处理模块的一个或多个器件。
215.示例性地，无线通信模块330可以通过如图7中的通信接口13与其它器件、模块或设备等进行信息交互。
216.显示屏340，用于显示图像，视频、文字信息等。示例性地，显示屏340包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display,lcd)，有机发光二极管(organic light-emitting diode,oled)，有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrix organic light emitting diode,amoled)，柔性发光二极管(flex light-emitting diode，fled)，miniled，microled，micro-oled，量子点发光二极管(quantum dot light emitting diodes，qled)等。可选地，智能穿戴设备30可以包括1个或多个显示屏340。
217.示例性地，显示屏340用于显示睡眠呼吸功能的评估结果，还可以显示睡眠呼吸功能的评估正在进行或者处于关闭状态等提示信息。
218.摄像头350，用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device，ccd)或互补金属氧化物半导体(complementary metal-oxide-semiconductor，cmos)光电晶体管。感光元件把光信号转换成电信号，之后将电信号传递给isp转换成数字图像信号。isp将数字图像信号输出到dsp加工处理。dsp将数字图像信号转换成标准的rgb，yuv等格式的图像信号。在一些实施例中，智能穿戴设备30可以包括1个或多个摄像头350。
219.此外，智能穿戴设备30可以通过音频模块370，扬声器370a，受话器370b，麦克风370c，以及应用处理器等实现音频功能。例如，录音等。
220.在一些实施例中，音频模块370可以设置于处理器310中，或将音频模块370的部分功能模块设置于处理器310中。
221.示例性地，智能穿戴设备30上的麦克风370c用于采集声音信号，降噪，还可以实现定向录音功能等，以实现检测场景中声音信号的采集。
222.传感器模块380可以包括多种传感器，例如，压力传感器、陀螺仪传感器、气压传感器、磁传感器、加速度传感器、距离传感器、接近光传感器、环境光传感器、指纹传感器、温度传感器、触摸传感器以及骨传导传感器，等。这些传感器中部分或全部可以应用在本技术的
sdram)、增强型同步动态随机存取存储器(enhanced sdram,esdram)、同步连接动态随机存取存储器(synchlink dram,sldram)和直接内存总线随机存取存储器(direct rambus ram,drram)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
234.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，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技术的范围。
235.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
236.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
237.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
238.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
239.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
240.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：

1.一种评估睡眠呼吸功能的方法，其特征在于，包括：确定当前的检测场景，所述当前的检测场景属于预设定的检测场景中的一个，其中，所述预设定的检测场景包括第一检测场景和第二检测场景，所述第一检测场景为所述用户穿戴智能穿戴设备，所述第二检测场景为所述用户未穿戴智能穿戴设备；根据所述当前的检测场景，选择检测方式，采用所选择的检测方式，判断所述用户的状态，其中，所述用户的状态包括所述用户处于睡眠状态，或所述用户处于非睡眠状态；根据所述用户的状态，开启或者关闭对所述用户的睡眠呼吸功能的评估，其中，所述睡眠呼吸功能的评估包括对如下的一项或多项进行评估：睡眠周期分期、低通气、睡眠呼吸暂停以及鼾症等级风险。2.如权利要求1所述的方法，其特征在于，所述根据所述当前的检测场景，选择检测方式，包括：若所述当前的检测场景为所述第一检测场景，选择第一检测方式，其中，所述第一检测方式是通过所述智能穿戴设备判断所述用户的状态的；或者，若所述当前的检测场景为所述第二检测场景，选择第二检测方式，其中，所述第二检测方式是通过所述智能穿戴设备的状态和所述用户的历史睡眠信息，判断所述用户的状态的；其中，所述智能穿戴设备的状态包括如下一项或多项：所述智能穿戴设备在指定时间段内处于静止状态的时长大于或等于第一时长阈值、所述智能穿戴设备处于大动作状态的时长大于或等于第二时长阈值；所述用户的历史睡眠信息包括如下一项或多项：所述用户的历史睡眠时间段、所述用户预设定的睡眠时间以及所述用户预设定的闹钟时间。3.如权利要求1或2所述的方法，其特征在于，在开启对用户的睡眠呼吸功能的评估之后，所述方法还包括：获取所述第一检测场景或所述第二检测场景中的可用信号；根据所述可用信号对所述用户的睡眠呼吸功能进行评估，其中，所述可用信号包括如下一项或多项：一个或多个呼吸指标，所述呼吸指标包括呼吸频率和/或呼吸波的下降幅度；一个或多个鼾声指标，所述鼾声指标包括鼾声响度；以及所述用户的动作指标，所述动作指标包括所述用户的动作幅度和/或大动作的频率。4.如权利要求3所述的方法，其特征在于，所述根据所述可用信号对所述用户的睡眠呼吸功能进行评估，包括：采用训练好的轻型梯度提升机gbm模型对所述可用信号进行预测，以对所述用户的睡眠呼吸功能进行评估。5.如权利要求4所述的方法，其特征在于，所述采用训练好的轻型gbm预测模型对所述可用信号进行预测之前，所述方法还包括：获取所述用户的音频数据和超声数据；对所述音频数据和超声数据进行预处理，并对经过预处理的音频数据和超声数据进行特征提取的处理，获得提取数据，其中，所述特征提取的处理包括对所述经过预处理的音频
数据和超声数据进行原始特征的提取以及统计特征的聚合；使用所述提取数据，对所述轻型gbm预测模型进行训练，获得所述训练好的轻型gbm预测模型。6.如权利要求4或5所述的方法，其特征在于，所述采用训练好的轻型gbm预测模型对所述可用信号进行预测，以对所述用户的睡眠呼吸功能进行评估，包括：若所述鼾声响度大于或等于第一响度门限，且时长大于或等于第一时长门限，判定所述用户的鼾症等级风险为高风险；若所述鼾声响度大于或等于第一响度门限，且时长小于第一时长门限，判定所述用户的鼾症等级风险为中风险；若所述鼾声响度大于或等于第二响度门限，且时长大于或等于第二时长门限，判定所述用户的鼾症等级风险为低风险，其中，所述第二响度门限小于所述第一响度门限，所述第二时长门限小于所述第一时长门限；否则，判定所述用户的鼾症等级风险为正常。7.如权利要求4-6中任一项所述的方法，其特征在于，所述采用训练好的轻型gbm预测模型对所述可用信号进行预测，以对所述用户的睡眠呼吸功能进行评估，包括：若所述呼吸频率大于第一频率且斜率大于第一数值，判定睡眠分期阶段为快动眼睡眠rem；若所述呼吸频率小于或等于第一频率，且大于或等于第二频率，判定所述睡眠分期阶段为浅睡；若所述呼吸频率小于或等于第二频率，判定所述睡眠分期阶段为深睡。8.如权利要求4-7中任一项所述的方法，其特征在于，所述采用训练好的轻型gbm预测模型对所述可用信号进行预测，以对所述用户的睡眠呼吸功能进行评估，包括：若所述呼吸波的幅度的下降比例大于第一百分比例，判定为低通气；若所述呼吸波的峰度的下降比例大于第二百分比例，判定为睡眠呼吸暂停。9.一种用于评估睡眠呼吸功能的装置，其特征在于，包括：处理单元，用于确定当前的检测场景，所述当前的检测场景属于预设定的检测场景中的一个，其中，所述预设定的检测场景包括第一检测场景和第二检测场景，所述第一检测场景为所述用户穿戴智能穿戴设备，所述第二检测场景为所述用户未穿戴智能穿戴设备；根据所述当前的检测场景，选择检测方式；采用所选择的检测方式，判断所述用户的状态，其中，所述用户的状态包括所述用户处于睡眠状态，或所述用户处于非睡眠状态；以及，根据所述用户的状态，开启或关闭对所述用户的睡眠呼吸功能的评估，其中，所述睡眠呼吸功能的评估包括对如下一项或多项进行评估：睡眠周期分期、低通气、睡眠呼吸暂停以及鼾症等级风险。10.根据权利要求9所述的装置，其特征在于，所述处理单元，具体用于：若所述当前的检测场景为所述第一检测场景，选择第一检测方式，其中，所述第一检测方式是通过所述智能穿戴设备判断所述用户的状态的；或者，若所述当前的检测场景为所述第二检测场景，选择第二检测方式，其中，所述第二检测方式是通过所述智能穿戴设备的状态和所述用户的历史睡眠信息，判断所述用户的状态
的；其中，所述智能穿戴设备的状态包括如下一项或多项：所述用户的历史睡眠时间段、所述用户预设定的睡眠时间以及所述用户预设定的闹钟时间。11.根据权利要求9或10所述的装置，其特征在于，所述装置还包括：通信接口，用于获取所述第一检测场景或所述第二检测场景中的可用信号；所述处理单元，还用于根据所述可用信号对所述用户的睡眠呼吸功能进行评估，其中，所述可用信号包括如下一项或多项：一个或多个呼吸指标，所述呼吸指标包括呼吸频率和/或呼吸波的下降幅度；一个或多个鼾声指标，所述鼾声指标包括鼾声响度；以及所述用户的动作指标，所述动作指标包括所述用户的动作幅度和/或大动作的频率。12.根据权利要求11所述的装置，其特征在于，所述处理单元，具体用于：采用训练好的轻型gbm模型对所述可用信号进行预测，以对所述用户的睡眠呼吸功能进行评估。13.根据权利要求12所述的装置，其特征在于，所述通信接口，还用于：获取所述用户的音频数据和超声数据；以及，所述处理单元，还用于：对所述音频数据和超声数据进行预处理，并对经过预处理的音频数据和超声数据进行特征提取的处理，获得提取数据，其中，所述特征提取的处理包括对所述经过预处理的音频数据和超声数据进行原始特征的提取以及统计特征的聚合；使用所述提取数据，对所述轻型gbm预测模型进行训练，获得所述训练好的轻型gbm预测模型。14.根据权利要求12或13所述的装置，其特征在于，所述处理单元，具体用于：若所述鼾声响度大于或等于第一响度门限，且时长大于或等于第一时长门限，判定所述用户的鼾症等级风险为高风险；若所述鼾声响度大于或等于第一响度门限，且时长小于第一时长门限，判定所述用户的鼾症等级风险为中风险；若所述鼾声响度大于或等于第二响度门限，且时长大于或等于第二时长门限，判定所述用户的鼾症等级风险为低风险，其中，所述第二响度门限小于所述第一响度门限，所述第二时长门限小于所述第一时长门限；否则，判定所述用户的鼾症等级风险为正常。15.根据权利要求12-14中任一项所述的装置，其特征在于，所述处理单元，具体用于：若所述呼吸频率大于第一频率且斜率大于第一数值，判定睡眠分期阶段为快动眼睡眠rem；若所述呼吸频率小于或等于第一频率，且大于或等于第二频率，判定所述睡眠分期阶段为浅睡；若所述呼吸频率小于或等于第二频率，判定所述睡眠分期阶段为深睡。16.根据权利要求12-15中任一项所述的装置，其特征在于，所述处理单元，具体用于：若所述呼吸波的幅度的下降比例大于第一百分比例，判定为低通气；若所述呼吸波的峰度的下降比例大于第二百分比例，判定为睡眠呼吸暂停。
17.一种通信装置，其特征在于，包括至少一个处理器，所述至少一个处理器与至少一个存储器耦合，所述至少一个处理器用于执行所述至少一个存储器中存储的计算机程序或指令，以使所述通信装置执行如权利要求1-8中任一项所述的方法。18.一种芯片，其特征在于，包括处理器和通信接口，所述通信接口用于接收数据和/或信息，并将接收到的数据和/或信息传输至所述处理器，所述处理器处理所述数据和/或信息，以执行如权利要求1-8中任一项所述的方法。19.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，当计算机指令在计算机上运行时，使得如权利要求1-8中任一项所述的方法被实现。20.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得如权利要求1-8中任一项所述的方法被实现。

技术总结

本申请提供一种评估睡眠呼吸功能的方法和智能穿戴设备，该方法通过在不同的检测场景中，采用不同的检测方式，自动开启或关闭对用户的包括睡眠周期分期、低通气、睡眠呼吸暂停以及鼾症等级风险等睡眠呼吸功能的评估，不需要用户手动点击睡眠的开始或者结束，才能启动或者关闭睡眠呼吸功能的评估，用户体验友好。并且，评估的准确性也有所提升。评估的准确性也有所提升。评估的准确性也有所提升。