一种睡眠监测方法、装置以及设备

1.本发明涉及医学技术领域，特别是涉及一种睡眠监测方法、装置以及设备。


背景技术：

2.睡眠是人体至关重要的生命活动之一，能使大脑和身体从日常活动积累的疲劳中恢复过来。而随着社会竞争带给人们的学习、工作和生活压力越来越大，各大年龄段的人均出现了睡眠问题。据统计，中国有睡眠障碍的人数已经超过3亿，睡眠障碍已经成为备受关注的社会问题。
3.对日常睡眠质量进行监测可以有效的为人体健康和生活模式提供关键的信息反馈。目前市场上对人体睡眠状态的监测主要是对检测者的心率、血氧等数据进行采集，再由医护人员根据医学经验大致确定出被监测者的睡眠状态，这种监测方式对医护人员的医学经验要求高，且监测结果准确性差。


技术实现要素：

4.本发明的目的是提供一种睡眠监测方法、装置以及设备，提升了被测者睡眠状态监测结果的准确性。
5.为解决上述技术问题，本发明提供一种睡眠监测方法，包括：
6.获取在预设时间段内睡眠状态的gsr信号、心率、血氧和体动信号；
7.利用mrcnn神经网络模块对所述gsr信号、所述心率、所述血氧和所述体动信号均进行特征提取，获得特征数据集合；
8.根据afr神经网络模块对所述特征数据集合进行特征筛选，获得最具区分性特征数据；
9.根据预先学习训练好的睡眠识别网络模型对所述最具区分性特征数据进行分析识别，获得在所述预设时间段内对应的睡眠状态处于觉醒期、快速眼动期、浅睡期以及深睡期的四种不同睡眠阶段的概率，并以概率最大的睡眠阶段作为在所述预设时间段内对应的睡眠阶段。
10.可选地，利用mrcnn神经网络模块对所述gsr信号、所述心率、所述血氧和所述体动信号均进行特征提取，获得特征数据集合，包括：
11.通过mrcnn神经网络模块三个不同的分支卷积神经网络对所述gsr信号、所述心率、所述血氧和所述体动信号中每种信号数据均进行分支特征提取，获得所述gsr信号、所述心率、所述血氧和所述体动信号分别对应的第一特征数据、第二特征数据以及第三特征数据；
12.将所述第一特征数据、所述第二特征数据以及所述第三特征数据进行矩阵组合，获得所述特征数据集合。
13.可选地，根据afr神经网络模块对所述特征数据集合进行特征筛选，获得最具区分性特征数据，包括：
14.利用所述afr神经网络模块中的两个不同卷积网络依次对所述特征数据集合进行卷积运算，得到原始特征图；
15.利用所述afr神经网络模块中的自适应平均池对所述原始特征图进行压缩全局特征信息，获得特征信息平均值；
16.通过所述afr神经网络模块中的relu激活函数和平滑sigmoid激活函数依次对所述特征信息平均值进行降维和增维处理，获得处理后的特征图；
17.将所述特征图和所述原始特征图之间进行逐点乘法运算，获得最具区分性特征数据；
18.根据预先学习训练好的睡眠识别网络模型对所述最具区分性特征数据进行分析识别，包括：
19.通过所述睡眠识别网络模型中具有softmax激活函数全连接层对所述最具区分性特征数据进行分析识别。
20.可选地，当确定出当前的所述预设时间段内的睡眠阶段之后，还包括：
21.以当前的所述预设时间段相邻的下一预设时间段作为新的当前的预设时间段，并重复执行获取在预设时间段内同一被测者的在睡眠状态的gsr信号、心率、血氧和体动信号的步骤，直到所述被测者完整睡眠时间段内各个预设时间段内的睡眠阶段均确定完成；
22.基于所述被测者的各个所述预设时间段内的睡眠阶段绘制完整睡眠时间段内的睡眠状态变化曲线。
23.一种睡眠监测装置，包括：
24.信号采集模块，用于获取在预设时间段内睡眠状态的gsr信号、心率、血氧和体动信号；
25.特征提取模块，用于利用mrcnn神经网络模块对所述gsr信号、所述心率、所述血氧和所述体动信号均进行特征提取，获得特征数据集合；
26.特征筛选模块，用于根据afr神经网络模块对所述特征数据集合进行特征筛选，获得最具区分性特征数据；
27.睡眠识别模块，用于根据预先学习训练好的睡眠识别网络模型对所述最具区分性特征数据进行分析识别，获得在所述预设时间段内对应的睡眠状态处于觉醒期、快速眼动期、浅睡期以及深睡期的四种不同睡眠阶段的概率，并以概率最大的睡眠阶段作为在所述预设时间段内对应的睡眠阶段。
28.一种睡眠检测设备，包括：
29.用于采集gsr信号的gsr信号传感器；
30.用于采集心率和血氧的脉搏血氧传感器；
31.用于采集体动信号的陀螺仪；
32.根据所述gsr信号、所述心率、所述血氧和所述体动信号执行实现如上任一项所述的睡眠检测方法的步骤的处理器。
33.可选地，所述gsr信号传感器、所述脉搏血氧传感器以及所述陀螺仪集成设置于fpc柔性电路板上；
34.所述fpc柔性电路板设置在可穿戴采集装置上，且所述可穿戴采集装置包括用于固定可穿戴采集装置本体的生物硅胶胶带。
35.可选地，所述gsr信号传感器的电极为石墨烯电极。
36.可选地，所述石墨烯电极为网状结构的电极。
37.可选地，所述石墨烯电极的网状结构为菱形孔网状结构。
38.本发明所提供的睡眠监测方法，包括获取在预设时间段内睡眠状态的gsr信号、心率、血氧和体动信号；利用mrcnn神经网络模块对gsr信号、心率、血氧和体动信号均进行特征提取，获得特征数据集合；根据afr神经网络模块对特征数据集合进行特征筛选，获得最具区分性特征数据；根据预先学习训练好的睡眠识别网络模型对最具区分性特征数据进行分析识别，获得在预设时间段内对应的睡眠状态处于觉醒期、快速眼动期、浅睡期以及深睡期的四种不同睡眠阶段的概率，并以概率最大的睡眠阶段作为在预设时间段内对应的睡眠阶段。
39.本技术中在被测者处于睡眠状态时同时对被测者进行gsr信号、心率、血氧以及体动信号等多种不同的睡眠信号数据进行采集，并通过mrcnn神经网络模块和afr神经网络模块两种不同的神经网络模型依次对四种不同的睡眠信号数据进行不同方式的特征提取，获得最具区分性特征数据，使得后续利用该最具区分性特征数据对被测者的睡眠阶段分析更为准确；在一定程度上提升了特征数据的有效性和可靠性；在此基础上，通过预先学习训练好的睡眠识别网络模型对提取的最具区分性特征数据进行识别运算，最终确定出被测者在睡眠状态时，是处于觉醒期、快速眼动期、浅睡期以及深睡期的四种不同睡眠阶段哪一种睡眠阶段的概率最大，进而实现对被测者睡眠情况的监测，保证了对被测者睡眠情况监测的准确性。
40.本技术中还提供了一种睡眠监测装置、设备，具有上述有益效果。
附图说明
41.为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1为本技术实施例提供的睡眠监测方法的流程示意图；
43.图2为本技术另一实施例提供的的睡眠监测方法的流程示意图；
44.图3为本技术实施例提供的睡眠监测装置的结构框图；
45.图4为本技术实施例提供的可穿戴采集装置的结构示意图；
46.图5为本技术实施例提供的可穿戴采集装置的侧面剖面结构示意图。
具体实施方式
47.对于人体睡眠状态的研究，最直观的方式是对被测者的脑电波进行监测；但这需要在被测者头部设置大量的测量脑电波的探头传感器；显然，这种监测方式适用于睡眠状态的科学试验研究，对于临床病人而言，这种信号监测的方式过于不友好，会对患者造成心里压力。
48.而尽管心率、血氧等数据在检测设备上更为小巧，也是病患在医院中时长监测的数据；且也能够在一定程度上随着被测者的睡眠状态变化而显现出特定变化；但目前基于
血氧、心率数据的变化确定被测者的睡眠状态，完全凭借医护人员的临床经验，没有可靠的数据支持，准确性差，且对医护人员的经验要求较高。
49.为此，本技术中提出了一种能够在保证对被测者的睡眠状态进行监测的准确性的基础上降低监测难度的技术方案。
50.为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.如图1所示，图1为本技术实施例提供的睡眠监测方法的流程示意图，该睡眠监测方法可以包括：
52.s11：获取在预设时间段内睡眠状态的gsr信号、心率、血氧和体动信号。
53.gsr(galvanic skin response)信号也称之为皮肤电反应信号。皮肤电反应和心率变化是反映人体心理的放松和紧张程度、情绪波动、性格特征的重要依据；人体机体在视、听、痛等感觉刺激及情绪激动时皮肤两点之间电阻降低。
54.gsr信号可以作为判断脑唤醒、警醒水平变化的指标，进而可以作为睡眠分期的一项重要指标，gsr可以通过监测睡眠状态的信号频率的变化来确定睡眠阶段，gsr的峰值频率：深睡期》浅睡期》快速眼动期》觉醒期；人在睡眠各阶段会产生不同程度的肢体运动，因此体动信息可以作为睡眠分期的判断依据；睡眠中各个睡眠时相的心率平均值存在一定的变化规律：觉醒期》快速眼动期》浅睡期》深睡期，因此是判断睡眠阶段的重要指标；此外，血氧信息可以进行呼吸暂停事件以及呼吸频率的判断。
55.由此本实施例中同时对被测者的gsr信号、心率、血氧和体动信号四种不同睡眠信号数据进行检测，并基于四种不同的睡眠信号数据的变化特性，对被测者的睡眠状态进行监测，有利于提高监测结果的准确性。
56.此外，对于gsr信号可以采用贴合于人体皮肤表面的柔性生理信号传感器进行采集；而体动信号则主要通过陀螺仪、加速度传感器等部件进行监测；显然相对于脑电波检测设备而言，对gsr信号、心率、血氧和体动信号等睡眠信号数据进行监测的仪器设备对被测者而言也更为友好，降低被测者的心理压力。
57.s12：利用mrcnn神经网络模块对gsr信号、心率、血氧和体动信号共同进行特征提取，获得特征数据集合。
58.mrcnn(multi-resolution cnn，即多分辨率cnn)可以通过小核卷积提取高频特征和时域特征，通过大核卷积提取低频特征。
59.可选地，利用mrcnn神经网络模块获得特征数据集合的过程可以包括：
60.通过mrcnn神经网络模块三个不同的分支卷积神经网络对gsr信号、心率、血氧和体动信号中每种信号数据均进行分支特征提取，获得gsr信号、心率、血氧和体动信号中分别对应的第一特征数据、第二特征数据以及第三特征数据；将第一特征数据、第二特征数据以及第三特征数据进行矩阵组合，获得特征数据集合。
61.参照图2，图2为本技术另一实施例提供的的睡眠监测方法的流程示意图。图2中利用具有多分支卷积神经网络(cnn)架构的mrcnn神经网络模块从30秒时间段内采集的睡眠信号数据中提取特征。将30s时间段内的睡眠信号数据分别输入3个一维卷积层进行卷积运
算，得到3种不同的时间序列数据；如图2所示，这三个一维卷积层的运算参数各不相同，分别属于三个不同的分支卷积运算。
62.三个分支卷积层的输出结果输入到各自对应的最大池化层选取最大值组成新的时间序列数据，再分别经过比率为0.5的dropout层给网络中的神经元赋值零权重，经过dropout层输出数据大小与上一层的最大池化层输出的数据大小相同；每个分支中dropout层输出结果再一次输入各自对应的卷积层和池化层，进行两次卷积运算和最大池化层最大值选取，每个分支分别输出对应的特征映射i1、i2、i3。
63.需要说明的是，对于gsr信号、心率、血氧和体动信号四种不同的睡眠信号数据而言，在通过上述三个分支卷积神经网络进行卷积运算时，每种信息数据是分别独立运算的，也即是说每种睡眠信号数据分别经过三个分支卷积神经网络运算获得三个特征映射，而四种睡眠信号数据分别经过三个分支卷积神经网络运算最终即可获得12个特征映射。将得到的12个特征映射组合后输入dropout层进而得到特征数据集合。
64.参照图2，本实施例中的mrcnn神经网络模块中每个分支由三个卷积层和两个最大池层组成，其中每个卷积层包括批归一化层，每个卷积块之后是批归一化，并且使用高斯误差线性单元(gelu)作为激活函数。图2中的卷积层conv1d(64，50，6)指的是使用具有64个滤波器的一维卷积层，核大小为50，步长为6。最大池化层maxpooling(8，2)指的是核大小为8，步长为2的最大池化层。为了减少过拟合，在三个分支中的第一个最大池化层之后以及在三个分支连接之后应用dropout层。利用较小核卷积提取时间特征，利用小核卷积提取高频特征，利用大核卷积提取低频特征。具体的，以gsr信号采样频率为100hz，在30s窗的数据集内，大内核(核为400)，每个卷积窗捕获400个样本，用4秒的时间步长窗口捕获低频信号特征，小内核(核为50)，每个卷积窗捕获50个样本，用0.5秒的时间步长窗口捕获高频特征，较小内核(核为25)，每个卷积窗捕获25个样本，用0.25秒的时间步长窗口捕获时域特征。
65.s13：根据afr神经网络模块对特征数据集合进行特征筛选，获得最具区分性特征数据。
66.在通过mrcnn神经网络模块提取获得特征数据集合之后，即可通过afr神经网络模块来对mrcnn神经网络模块提取的特征数据之间的相互依赖关系进行建模。afr神经网络模块可以自适应地选择和突出显示最重要的特征，提高分类性能。
67.afr神经网络模块具有增强有用特征通道，抑制无用特征通道，提取显著特征，进而提高自动分期准确率的作用。
68.可选地，通过afr神经网络模块提取最具区分行特征数据的过程可以包括：
69.利用afr神经网络模块中的两个不同卷积网络依次对特征数据集合进行卷积运算，得到原始特征图；
70.利用afr神经网络模块中的自适应平均池对原始特征图进行压缩全局特征信息，获得特征信息平均值；
71.通过afr神经网络模块中的relu激活函数和平滑sigmoid激活函数依次对特征信息平均值进行降维和增维处理，获得处理后的特征图；
72.将特征图和原始特征图之间进行逐点乘法运算，获得最具区分性特征数据。
73.参照图2，afr神经网络模块通过残差压缩和激励(residual se)块自适应地选择最具区分性的特征。在残差se块中，两个卷积运算conv1d(30，1，1)，核和步长均为1，激活函
数为relu。具体的，对上述的特征数据集合i应用两个卷积conv1和conv2进行运算，得到特征矩阵f，使得f＝conv2(conv1(i))；其中，f＝{f1，f2，...，fn}，f∈rn×d，rn×d为n行d列的一个矩阵集合，n是特征的总数，d是fi(1≤i≤n)的长度；conv1和conv2即为afr神经网络模块中的两个不同卷积网络。再通过自适应平均池来压缩全局特征信息，自适应平均池将f∈rn×d缩小到s＝{s1，
…
，sn}，其中si是fi中d个数据点的平均值，并应用两个全连接(fully connected)层来聚集特征信息，实现残差激励；在第一层全连接层之后跟随relu激活函数以执行特征降维，而第二层全连接层之后跟随平滑sigmoid激活函数以执行特征增维，获得经过残差压缩和激励后的特征图，具体公式可以如下：
74.e＝σ(w2(δ(w1(s))))，e∈rn×d；
75.其中，σ和δ分别表示sigmoid激活函数和relu激活函数，w1和w2表示afr神经网络模块中的两个全连接层。
76.再将经过残差压缩和激励后特征图与原始特征图连接，获得的最具区分性特征数据，具体的运算公式如下：
[0077][0078]
其中，指的是f和e之间的逐点乘法，o即为最具区分性特征数据。
[0079]
s14：根据预先学习训练好的睡眠识别网络模型对最具区分性特征数据进行分析识别，获得在预设时间段内对应的睡眠状态处于觉醒期、快速眼动期、浅睡期以及深睡期的四种不同睡眠阶段的概率，并以概率最大的睡眠阶段作为在预设时间段内对应的睡眠阶段。
[0080]
该最具区分性特征数据通过具有softmax激活函数的全连接层进行运算，即可确定该最具区分性特征数据对应的各睡眠阶段所占的比例，输出占比最大的睡眠阶段，即可完成自动睡眠分期。
[0081]
基于上述论述，本实施例中，将预设时间段内测得的睡眠信号数据输入mrcnn神经网络模块进行运算，分别自动提取各睡眠信号数据的高低频和时域特征，最终组合成特征数据集合。利用afr神经网络模块将该特征数据集合经过两个不同卷积网络进行卷积运算之后获得原始特征图，并将原始特征图经过残差压缩和激励后再与原始特征图连接，重新分配特征通道权重，增强有用特征通道，抑制无用特征通道，获得高质量的显著特征进行融合。最后将重校准融合后的最具区分性特征数据在cnn网络的全连接层进行分类，并通过softmax激活函数完成自动睡眠分期。其中所涉及到的mrcnn神经网络模块、afr神经网络模块以及具有softmax激活函数的全连接层等都是预先基于学习训练确定的，通过反复的神经网络学习训练确定mrcnn神经网络模块、afr神经网络模块以及具有softmax激活函数的全连接层中的参数，最终形成能够识别分析睡眠信号数据的睡眠阶段的运算模块。对于学习训练的具体过程和常规的神经网络学习训练的过程类似，在此本技术中不详细赘述。
[0082]
如前所述，本实施例中的上述步骤是对被测者处于睡眠状态时，预设时间段内采集的睡眠信号数据确定的被测这的睡眠阶段；但显然被测者整个睡眠过程中，其睡眠阶段是不断变化的，因此，在本技术的一种可选地实施例中，在确定了一个预设时间段内的睡眠阶段之后，还可以进一步地包括：
[0083]
以当前的预设时间段相邻的下一预设时间段作为新的当前的预设时间段，并重复执行上述步骤s11至s14，直到所述被测者完整睡眠状态内各个预设时间段内的睡眠阶段均
确定完成；
[0084]
基于被测者的各个预设时间段内的睡眠阶段绘制完整睡眠状态的睡眠状态变化曲线。
[0085]
具体的，在实际应用中，可以实时对被测者的睡眠信号数据进行检测，以预设时间段的时长为30s为例，将所采集的睡眠信号数据按照每间隔30s进行划分，将各个30s时间段内的睡眠信号数据采用上述s11至s14的步骤进行运算，最终实现被测者完成的睡眠过程的睡眠阶段检测。
[0086]
当然，也可以在被测者处于睡眠过程中对被测者的睡眠数据实时检测并每当检测睡眠数据的时长达到预设时间段对应的时长，就对该时间段内的睡眠阶段进行分析，从而达到对被测者的睡眠状态实时监测的目的。在此基础上，还可以设定睡眠阶段异常的判断条件，一旦睡眠状态出现异常，即可立即发出报警，以提醒医护人员及时观察，从而在一定程度上保证被测者的安全性。
[0087]
综上所述，本技术中对处于睡眠状态的被测者进行gsr信号、心率、血氧和体动信号等四种不同的睡眠信号数据进行监测，并依次通过mrcnn神经网络模块以及afr神经网络模块对睡眠信号数据进行特征提取，获得最具区分性特征数据，为后续睡眠阶段的识别提供可靠的特征依据；在此基础上利用预先训练好的睡眠识别网络模型对该最具区分性特征数据进行分析识别，实现对该时间段内的睡眠状态的处于各个不同睡眠阶段的概率，最终确定出被测者的睡眠状态，整个分析过程简单易执行，提升了对被测者睡眠状态检测的准确性，有利于对被测者身心状态进行全方位的监测。
[0088]
下面对本发明实施例提供的睡眠监测装置进行介绍，下文描述的睡眠监测装置与上文描述的睡眠检测方法可相互对应参照。
[0089]
图3为本发明实施例提供的睡眠监测装置的结构框图，参照图3中睡眠监测装置可以包括：
[0090]
信号采集模块100，用于获取在预设时间段内睡眠状态的gsr信号、心率、血氧和体动信号；
[0091]
特征提取模块200，用于利用mrcnn神经网络模块对所述gsr信号、所述心率、所述血氧和所述体动信号均进行特征提取，获得特征数据集合；
[0092]
特征筛选模块300，用于根据afr神经网络模块对所述特征数据集合进行特征筛选，获得最具区分性特征数据；
[0093]
睡眠识别模块400，用于根据预先学习训练好的睡眠识别网络模型对所述最具区分性特征数据进行分析识别，获得在所述预设时间段内对应的睡眠状态处于觉醒期、快速眼动期、浅睡期以及深睡期的四种不同睡眠阶段的概率，并以概率最大的睡眠阶段作为在所述预设时间段内对应的睡眠阶段。
[0094]
在本技术的一种可选地实施例中，特征提取模块200，具体用于通过mrcnn神经网络模块三个不同的分支卷积神经网络对所述gsr信号、所述心率、所述血氧和所述体动信号中每种信号数据均进行分支特征提取，获得所述gsr信号、所述心率、所述血氧和所述体动信号分别对应的第一特征数据、第二特征数据以及第三特征数据；将所述第一特征数据、所述第二特征数据以及所述第三特征数据进行矩阵组合，获得所述特征数据集合。
[0095]
在本技术的一种可选的实施例中，特征筛选模块300具体用于利用所述afr神经网
络模块中的两个不同卷积网络依次对所述特征数据集合进行卷积运算，得到原始特征图；利用所述afr神经网络模块中的自适应平均池对所述原始特征图进行压缩全局特征信息，获得特征信息平均值；通过所述afr神经网络模块中的relu激活函数和平滑sigmoid激活函数依次对所述特征信息平均值进行降维和增维处理，获得处理后的特征图；将所述特征图和所述原始特征图之间进行逐点乘法运算，获得最具区分性特征数据；
[0096]
睡眠识别模块400，具体用于通过所述睡眠识别网络模型中具有softmax激活函数全连接层对所述最具区分性特征数据进行分析识别。
[0097]
在本技术的一种可选地实施例中，睡眠识别模块400，还用于当确定出当前的所述预设时间段内的睡眠阶段之后，以当前的所述预设时间段相邻的下一预设时间段作为新的当前的预设时间段，并重复执行获取在预设时间段内同一被测者的在睡眠状态的gsr信号、心率、血氧和体动信号的步骤，直到所述被测者完整睡眠时间段内各个预设时间段内的睡眠阶段均确定完成；基于所述被测者的各个所述预设时间段内的睡眠阶段绘制完整睡眠时间段的睡眠状态变化曲线。
[0098]
本实施例的睡眠监测装置用于实现前述的睡眠监测方法，因此睡眠监测装置中的具体实施方式可见前文中的睡眠监测方法的实施例部分，例如，信号采集模块100，特征提取模块，特征筛选模块300，睡眠识别模块400，分别用于实现上述睡眠检测方法中步骤s11，s12，s13和s14，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
[0099]
本技术中还提供了一种睡眠检测设备的实施例，该设备可以包括：
[0100]
用于采集gsr信号的gsr信号传感器；用于采集心率和血氧的脉搏血氧传感器；用于采集体动信号的陀螺仪；根据gsr信号、心率、血氧和体动信号执行实现如上任一项所述的睡眠检测方法的步骤的处理器。
[0101]
本实施例中提供了一种集成检测gsr信号的gsr信号传感器、采集心率和血氧脉搏血氧传感器、以及采集体动信号的陀螺仪于一体的设备，同时通过处理器对上述四种睡眠信号数据按照上述的睡眠检测方法的步骤，最终实现对被测者睡眠时的睡眠状态的监测。
[0102]
为了进一步地增强该睡眠检测设备的使用体验，减少被测者的使用压力，在本技术的一种可选的实施例中，gsr信号传感器、脉搏血氧传感器以及陀螺仪集成设置于fpc柔性电路板上；fpc柔性电路板设置在可穿戴采集装置上，且可穿戴采集装置包括用于固定可穿戴采集装置本体的生物硅胶胶带；该可穿戴装置主要穿戴于被测者手腕处。
[0103]
参照图4和图5所示的可穿戴采集装置，该可穿戴采集装置上设置有便于贴合人体皮肤的fpc柔性电路板2，该fpc柔性电路板2上集成有gsr信号传感器、陀螺仪、脉搏血氧传感器3以及相关电路，还设置有供电电路以及和可以和处理器无线通讯连接的无线信号传输电路；此外，还设置易于和人体贴合固定的生物硅胶胶带5。
[0104]
对于gsr信号传感器需要配置有直接和人体体表相贴合的电极1，本实施例中将该gsr信号传感器的电极1以及fpc柔性电路板2均设置在生物兼容硅胶胶带5上，当在用户使用时，通过该生物兼容硅胶胶带5上的电极1和脉搏血氧传感器3即可紧密贴合人体手腕内侧皮肤表面；gsr信号传感器通过电极1采集手腕内侧的gsr信号，脉搏血氧采集电路通过脉搏血氧传感器3采集手腕内侧的心率和血氧信号，陀螺仪实时测量被测者的手臂运动信息；整个睡眠监测装置通过可充电电池4进行供电。
[0105]
为了进一步地提升检测gsr信号的准确性，gsr信号传感器的电极1可以采用石墨烯电极。可选地，该石墨烯电极还可以是网状结构的电极；例如可以是菱形孔网状结构，一方面增大了石墨烯电极与皮肤的接触面积，可以有效地减小皮肤阻抗，使gsr信号的测量更加准确；另一方面，网格结构大大提高了石墨烯电极的延展性，使得电极更亲密的接触皮肤，最大程度上减少了睡眠期间的运动伪影，甚至可以忽略不计，可以高质量、稳定地记录手腕上的gsr信号。
[0106]
该石墨烯电极可以基于气溶胶喷射3d纳米打印工艺制备，在玻片表面涂聚甲基丙烯酸甲酯(pmma)涂层，然后在涂层上印刷一组开放的网状pi(聚酰亚胺)和石墨烯层。将pmma溶解在丙酮中后，pi和石墨烯电极层转移到硅胶胶带上，完成柔性石墨烯电极的制备。
[0107]
如图4和图5所示，石墨烯电极贴合固定于生物硅胶胶带5下方，电极连接线7封装在生物兼容硅胶胶带5内部，用于，连接石墨烯电极与fpc柔性电路板2。脉搏血氧传感器在生物兼容硅胶胶带5下方打孔后嵌入，具体尺寸不做要求，可根据传感器大小调整。fpc柔性电路板2和可充电电池4固定封装于生物兼容硅胶胶带5内部，连接于fpc柔性电路板2的设备开关6打孔外置于生物兼容硅胶胶带5上方，通过轻微按压开启或关闭睡眠检测设备。
[0108]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本技术实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
[0109]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0110]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。