一种SAHS筛查、呼吸模态及睡眠状态的级联识别方法技术

本发明专利技术提供一种SAHS筛查、呼吸模态及睡眠状态的级联识别方法，该方法对脉搏波的时域、频域及非线性特征进行提取，并对提取的所有特征值进行评价打分、筛选，用随机森林等机器学习模型进行模式识别。选取最优特征组进行SAHS病人和正常人识别；对识别出来的SAHS病人组，再对原始特征值集进行特征评价打分，并选取最优特征组进行呼吸模态和睡眠状态识别；对识别出来的正常人组，同样对原始特征值集进行特征评价打分，并选取最优特征组进行睡眠状态识别。从而实现级联分类。本发明专利技术利用单导脉搏波信号，进行SAHS筛查、呼吸模态及睡眠状态识别，极大减轻病人生理负荷，同时也能实现便携式睡眠监测，具有更广泛的应用范围。

A Cascade Recognition Method for SAHS Screening, Respiratory Modal and Sleep State

The invention provides a cascade recognition method for SAHS screening, breathing mode and sleep state. The method extracts the time domain, frequency domain and non-linear characteristics of pulse wave, evaluates and screens all the extracted eigenvalues, and uses machine learning models such as random forest for pattern recognition. The optimal feature group is selected for recognition of SAHS patients and normal persons; the identified SAHS patients are scored by feature evaluation of the original feature set, and the optimal feature group is selected for recognition of respiratory mode and sleep state; the identified normal persons are also scored by feature evaluation of the original feature set, and the optimal feature group is selected for recognition of sleep state. Thus cascade classification can be realized. The invention uses single-lead pulse wave signal to screen SAHS, recognize respiratory mode and sleep state, greatly reduces the physiological load of patients, and also realizes portable sleep monitoring, which has a wider application range.

【技术实现步骤摘要】
一种SAHS筛查、呼吸模态及睡眠状态的级联识别方法
本专利技术涉及睡眠状态级联识别领域，更具体地，涉及一种SAHS筛查、呼吸模态及睡眠状态的级联识别方法。
技术介绍
脉搏波所呈现出的形态、强度、速率和节律等方面的综合信息,能反映出人体心血管系统中许多生理病理的血流特征。从脉搏波中提取人体的生理病理信息作为临床诊断和治疗的依据，历年来都受到中外医学界的重视。脉搏信号属于近似周期的非线性、非平稳信号。最初，主要是时域分析为主，如通过脉搏波形图的形态、峰值、角度、上升支下降支的面积等直观参数进行分析，但是大量实践表明，脉搏信号中包含的信息是多方面的，单靠直观分析方法难以发现脉搏信号中所含的丰富信息，因而促进了脉搏信号分析方法更加全面与多样化方向的发展。多导睡眠图（PSG）监测主要用于诊断睡眠呼吸障碍，包括睡眠呼吸暂停综合征、鼾症、上气道阻力综合征，也用于其它睡眠障碍的辅助诊断，如：发作性睡病、不宁腿综合征、失眠分类等。包含：脑电（分析睡眠结构）、眼电、下颌肌电、口鼻气流和呼吸动度、心电、血氧、鼾声、肢动、体位等多个参数。在监测过程中，设专业技术人员进行整夜监控，并对监测结果完全采用手动分析本文档来自技高网...

【技术保护点】
1.一种SAHS筛查、呼吸模态及睡眠状态的级联识别方法，其特征在于，包括以下步骤：S1：构建数据集；S2：重采样使样本平衡，对每类数据集进行划分，划分数据集为训练集与测试集以及每个模式对应的标签集；S3：提取脉搏波的时域、频域及非线性特征，构建特征集；S4：对每类数据集，对特征集进行评价打分，并筛查出最优特征组；S5：对每类最优特征组，利用机器学习模型进行训练、预测，达到级联分类效果。

【技术特征摘要】
1.一种SAHS筛查、呼吸模态及睡眠状态的级联识别方法，其特征在于，包括以下步骤：S1：构建数据集；S2：重采样使样本平衡，对每类数据集进行划分，划分数据集为训练集与测试集以及每个模式对应的标签集；S3：提取脉搏波的时域、频域及非线性特征，构建特征集；S4：对每类数据集，对特征集进行评价打分，并筛查出最优特征组；S5：对每类最优特征组，利用机器学习模型进行训练、预测，达到级联分类效果。2.根据权利要求1所述的SAHS筛查、呼吸模态及睡眠状态的级联识别方法，其特征在于，所述步骤S1的具体过程是：从多导睡眠图PSG导出病人和正常人脉搏波数据，为第一类数据集；从病人中的脉搏波数据，标定不同呼吸模式，包括正常呼吸、阻塞性呼吸事件、低通气呼吸事件、中枢性呼吸事件、混合性呼吸事件5类，为第二类数据集；从病人中的脉搏波数据，标定不同睡眠状态，包括Weak期、REM期、N1期、N2期、N3期5类，为第三数据集；从正常人中的脉搏波数据，标定不同睡眠状态，同样包括上述5类，为第四数据集。3.根据权利要求2所述的SAHS筛查、呼吸模态及睡眠状态的级联识别方法，其特征在于，构建数据集是以30秒脉搏波为一个数据，区分病人和正常人2种类型，区分正常呼吸、阻塞性呼吸事件、低通气呼吸事件、中枢性呼吸事件、混合性呼吸事件5类呼吸模式，区分Weak期、REM期、N1期、N2期、N3期5类睡眠状态。4.根据权利要求3所述的SAHS筛查、呼吸模态及睡眠状态的级联识别方法，其特征在于，在步骤S2中，先重采样使样本平衡，后对每类数据集划分，对训练集及测试集分别进行归一化处理，归一化在0-1之间。5.根据权利要求4所述的SAHS筛查、呼吸模态及睡眠状态的级联识别方法，其特征在于，...

【专利技术属性】
技术研发人员：罗语溪，曾令紫，周国琳，廖源源，吴欣，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44