技术摘要：
本发明公开了一种基于毫米波雷达的睡眠呼吸暂停监测系统，包括毫米波雷达模组，信号处理模块，MCU处理器，深度学习识别系统，后端显示系统；其特征在于：所述毫米波雷达模组与MUC处理器连接，依据多普勒雷达探测原理，工作过程中发射线性调频连续波信号，接收反射的回 全部
背景技术：
阻塞性睡眠呼吸暂停低通气综合症(Obstruvtive Sleep Apnea/Hypopnea Syndrome,OSAHS)是一种睡眠呼吸疾病，与上气道阻塞、气道结构性狭窄以及上 气道肌张 力降低密切相关，伴有明显的呼吸暂停症状，临床上称之为“鼾症”。当 前全球范围内OSAHS 的发病率较高，男性发病率大于女性(成年男性患病率为 3％～7％，成年女性为2％～ 5％)。OSAHS呈不断上升的趋势,常伴有打鼾、 睡眠结构素乱、频繁发生血氧饱和度下降、白 天嗜睡等病征，可是髙血压、冠心 病的独立危险因素，严重影响患者的生活质量，患者夜间 的频繁血氧饱和度下降 可引发一系列病理生理改变，可致患者多种器官的病变,极端情况 下，OSAHS可 引发由夜间呼吸不足和心脑血管疾病引起的猝死。OSAHS己成为严重威胁人类 健 康的疾病,日益受到国际医学界的关注,成为呼吸系统疾病的一个新的研究热点。 目前 对OSAHS的研究主要从两方面入手，一个是通过呼吸、血氧、心电等生理 参数进行筛查；另 一个就是从鼾声信号着手进行筛查。常见的生理参数监测系统 均为临床上使用的专用设 备，如医学上的黄金标准就是多导睡眠仪 (Polysomnography,PSG)监测包括口、鼻呼吸气 流、胸腹呼吸运动、心电图 (ECG)、脑电图(Electroencephalogram,EEG)、眼电图(Electro- Oculogram, EOG)、下颌肌电图(Electromyography,EMG)、鼾声、体位、血氧饱和度等10 多 个生理参数。由于监测的生理参数十分全面，具有绝对的权威性，但PSG价格 昂贵，并且检 查需要检查者在病床上实时监测一整晚，过多的导联电路本身已影 响了睡眠，外加不适应 睡眠环境等心理压力，从而会在一定程度上影响诊断结果 的准确性。因此如何利用计算机 技术有效的帮助患者及医护人员及早发现睡眠呼 吸暂停问题，进而节省就医治疗的时间， 实现在居家环境中的健康辅助，是一个 值得深入研究的问题。
技术实现要素：
为了解决现有技术中存在的上述技术问题，本发明通过毫米波雷达实现对 用户 的呼吸信号和心跳信号的采集，并通过深度学习网络识别睡眠是否异常，满 足了人们日益 增长的健康生活需求，对于改善睡眠障碍具有重要意义。其具体技 术方案如下： 一种基于毫米波雷达的睡眠呼吸暂停监测系统，包括毫米波雷达模组，信号 处理 模块，MCU处理器，深度学习识别系统，后端显示系统；所述毫米波雷达模 组与MUC处理器连 接，依据多普勒雷达探测原理，工作过程中发射线性调频连续 波信号，接收反射的回波信 号并将信号传输到信号处理模块；所述信号处理模块 与MCU连接，通过对回波信号进行解 调、放大等信号处理，得到用户在睡眠过程 中的生命体征监测数据，并信号传输至深度学 习识别系统；所述深度学习识别系 统对接收信号进行滤波，根据信号的频率，通过低通数 字滤波器和高通数字滤波 器级联产生的通带响应为2～50Hz的带通滤波器,滤除噪声和干 3 CN 111603138 A 说 明 书 2/3 页 扰。 进一步的，所述生命体征监测数据包括睡眠过程中人体呼吸时胸腔运动的呼 吸 信号和心脏跳动的心跳信号。 进一步的，所述深度学习识别系统对滤波后的信号进行快速傅里叶变换，提 取频 率均值、频率峭度、频率偏度和频率标准差四个频域幅值谱作为特征值，其 分别定义为： 上式中，P1为频率均值，P2为频率峭度，P3为频率偏度，P4为频率标 准差，X(k)为快 速傅里叶变换频谱，K为信号长度。 进一步的，所述深度学习识别系统通过深度神经网络对提取的特征值进行模 型 训练，神经网络模型选择长短期记忆网络LSTM(long-short term memory) 进行网络模型 参数设置和训练，包括：LSTM单元个数，训练学习率，训练步数， batch-size值。 进一步的，LSTM网络模型的数据为两类，一类是呼吸暂停症相关的呼吸信 号和心 率信号，另一类是非呼吸暂停症相关的呼吸信号和心率信号，将这两类数 据输入到神经网 络进行识别捕捉相关特征之间的联系和区别；在LSMT网络训练 完成后，将采集到的呼吸信 号和心率信号输入到LSMT网络中，网络输出用户是 否患有呼吸暂停的结果，并将结果输出 到后端显示系统。 进一步的，用户通过智能终端通过访问后端显示系统上建立的用户人员的健 康 数据档案，了解整晚的睡眠状况，从而了解当前的健康数据是否异常；实现对 当前用户是 否患有呼吸暂停进行有效识别。 有益效果 睡眠是维持人类生命的必要活动，良好睡眠是维系身心健康的重要保证。在 物联 网、互联网等现代科技蓬勃发展的背景下，非接触式睡眠监测通过监测方式 的改进以及数 据分析方法的改进，用于对有睡眠障碍患者的进行监测和辅助诊断， 同时为睡眠障碍的离 院患者和高风险人群提供了一种轻量化的跟踪检查方案。本 发明通过物联网、深度学习等 技术的结合，实现非接触式传感器终端和深度学习 平台的无缝连接，通过将睡眠中采集的 生理指标呼吸信号和心率信号转入深度学 习数据平台，实现整晚的睡眠呼吸暂停情况的 的监测，方便推广应用。
本发明公开了一种基于毫米波雷达的睡眠呼吸暂停监测系统，包括毫米波雷达模组，信号处理模块，MCU处理器，深度学习识别系统，后端显示系统；其特征在于：所述毫米波雷达模组与MUC处理器连接，依据多普勒雷达探测原理，工作过程中发射线性调频连续波信号，接收反射的回 全部
背景技术：
阻塞性睡眠呼吸暂停低通气综合症(Obstruvtive Sleep Apnea/Hypopnea Syndrome,OSAHS)是一种睡眠呼吸疾病，与上气道阻塞、气道结构性狭窄以及上 气道肌张 力降低密切相关，伴有明显的呼吸暂停症状，临床上称之为“鼾症”。当 前全球范围内OSAHS 的发病率较高，男性发病率大于女性(成年男性患病率为 3％～7％，成年女性为2％～ 5％)。OSAHS呈不断上升的趋势,常伴有打鼾、 睡眠结构素乱、频繁发生血氧饱和度下降、白 天嗜睡等病征，可是髙血压、冠心 病的独立危险因素，严重影响患者的生活质量，患者夜间 的频繁血氧饱和度下降 可引发一系列病理生理改变，可致患者多种器官的病变,极端情况 下，OSAHS可 引发由夜间呼吸不足和心脑血管疾病引起的猝死。OSAHS己成为严重威胁人类 健 康的疾病,日益受到国际医学界的关注,成为呼吸系统疾病的一个新的研究热点。 目前 对OSAHS的研究主要从两方面入手，一个是通过呼吸、血氧、心电等生理 参数进行筛查；另 一个就是从鼾声信号着手进行筛查。常见的生理参数监测系统 均为临床上使用的专用设 备，如医学上的黄金标准就是多导睡眠仪 (Polysomnography,PSG)监测包括口、鼻呼吸气 流、胸腹呼吸运动、心电图 (ECG)、脑电图(Electroencephalogram,EEG)、眼电图(Electro- Oculogram, EOG)、下颌肌电图(Electromyography,EMG)、鼾声、体位、血氧饱和度等10 多 个生理参数。由于监测的生理参数十分全面，具有绝对的权威性，但PSG价格 昂贵，并且检 查需要检查者在病床上实时监测一整晚，过多的导联电路本身已影 响了睡眠，外加不适应 睡眠环境等心理压力，从而会在一定程度上影响诊断结果 的准确性。因此如何利用计算机 技术有效的帮助患者及医护人员及早发现睡眠呼 吸暂停问题，进而节省就医治疗的时间， 实现在居家环境中的健康辅助，是一个 值得深入研究的问题。
技术实现要素：
为了解决现有技术中存在的上述技术问题，本发明通过毫米波雷达实现对 用户 的呼吸信号和心跳信号的采集，并通过深度学习网络识别睡眠是否异常，满 足了人们日益 增长的健康生活需求，对于改善睡眠障碍具有重要意义。其具体技 术方案如下： 一种基于毫米波雷达的睡眠呼吸暂停监测系统，包括毫米波雷达模组，信号 处理 模块，MCU处理器，深度学习识别系统，后端显示系统；所述毫米波雷达模 组与MUC处理器连 接，依据多普勒雷达探测原理，工作过程中发射线性调频连续 波信号，接收反射的回波信 号并将信号传输到信号处理模块；所述信号处理模块 与MCU连接，通过对回波信号进行解 调、放大等信号处理，得到用户在睡眠过程 中的生命体征监测数据，并信号传输至深度学 习识别系统；所述深度学习识别系 统对接收信号进行滤波，根据信号的频率，通过低通数 字滤波器和高通数字滤波 器级联产生的通带响应为2～50Hz的带通滤波器,滤除噪声和干 3 CN 111603138 A 说 明 书 2/3 页 扰。 进一步的，所述生命体征监测数据包括睡眠过程中人体呼吸时胸腔运动的呼 吸 信号和心脏跳动的心跳信号。 进一步的，所述深度学习识别系统对滤波后的信号进行快速傅里叶变换，提 取频 率均值、频率峭度、频率偏度和频率标准差四个频域幅值谱作为特征值，其 分别定义为： 上式中，P1为频率均值，P2为频率峭度，P3为频率偏度，P4为频率标 准差，X(k)为快 速傅里叶变换频谱，K为信号长度。 进一步的，所述深度学习识别系统通过深度神经网络对提取的特征值进行模 型 训练，神经网络模型选择长短期记忆网络LSTM(long-short term memory) 进行网络模型 参数设置和训练，包括：LSTM单元个数，训练学习率，训练步数， batch-size值。 进一步的，LSTM网络模型的数据为两类，一类是呼吸暂停症相关的呼吸信 号和心 率信号，另一类是非呼吸暂停症相关的呼吸信号和心率信号，将这两类数 据输入到神经网 络进行识别捕捉相关特征之间的联系和区别；在LSMT网络训练 完成后，将采集到的呼吸信 号和心率信号输入到LSMT网络中，网络输出用户是 否患有呼吸暂停的结果，并将结果输出 到后端显示系统。 进一步的，用户通过智能终端通过访问后端显示系统上建立的用户人员的健 康 数据档案，了解整晚的睡眠状况，从而了解当前的健康数据是否异常；实现对 当前用户是 否患有呼吸暂停进行有效识别。 有益效果 睡眠是维持人类生命的必要活动，良好睡眠是维系身心健康的重要保证。在 物联 网、互联网等现代科技蓬勃发展的背景下，非接触式睡眠监测通过监测方式 的改进以及数 据分析方法的改进，用于对有睡眠障碍患者的进行监测和辅助诊断， 同时为睡眠障碍的离 院患者和高风险人群提供了一种轻量化的跟踪检查方案。本 发明通过物联网、深度学习等 技术的结合，实现非接触式传感器终端和深度学习 平台的无缝连接，通过将睡眠中采集的 生理指标呼吸信号和心率信号转入深度学 习数据平台，实现整晚的睡眠呼吸暂停情况的 的监测，方便推广应用。
