呼吸暂停的监测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种呼吸暂停的监测方法、装置、计算机设备和存储介质。该方法包括：根据预设时间段内的心电图信号，获取每分钟的RR间隔数据；将每分钟的RR间隔数据，输入到预设的监测模型中，得到每分钟的呼吸状态事件；其中，呼吸状态事件包括呼吸暂停事件和呼吸正常事件；上述呼吸暂停的监测方法比较简单，且应用于该监测方法的装置和计算机设备的普及应用性较高。

Monitoring methods, devices, computer equipment and storage media for apnea

The present application relates to a monitoring method, device, computer equipment and storage medium for apnea. The method includes: acquiring the RR interval data per minute according to the ECG signals in the preset time interval; inputting the RR interval data per minute into the preset monitoring model to obtain the breathing state events per minute; among them, breathing state events include apnea events and normal breathing events; the monitoring method of apnea mentioned above is relatively simple and can be applied to the monitoring. The device of the method and the computer equipment have high popularization and applicability.

【技术实现步骤摘要】
呼吸暂停的监测方法、装置、计算机设备和存储介质
本申请涉及医学健康监测
，尤其涉及一种呼吸暂停的监测方法、装置、计算机设备和存储介质。
技术介绍
睡眠呼吸暂停综合征(sleepapneasyndrome,SAS)是一种睡眠时候呼吸停止的睡眠障碍，具体是指在连续7h睡眠中发生30次以上的呼吸暂停，每次气流中止10s以上(含10s)，或平均每小时低通气次数(呼吸紊乱指数)超过5次，而引起慢性低氧血症及高碳酸血症的临床综合征。鉴于SAS导致的诸多危害，研究与开发具有智能的SAS自动监测方法，不仅有利于对SAS患者的及时发现和早期干预治疗，而且可降低猝死率和减少预防各种并发症的发生，还能明显改善患者健康状态，从而提高生活质量。目前，对SAS监测的主要方法是多导睡眠图(Polysolnogram，PSG)监测方法，该PSG监测方法由两部分组成，第一部分是对SAS特征提取：首先采集心电图信号(electrocardiogram，ECG)，再根据从该ECG信号中提取出的数据计算心率变异性(heartratevariability，HRV)，得到多种SAS的时域和频域数据特征。第二部分是分类器设计：通过支持向量机(SupportVectorMachine，SVM)、神经网络(NeuralNetwork，NN)、DT(决策树，DecisionTree)等方法对上述SAS的时域和频域数据特征进行训练，得到相应的模型，再使用该模型对SAS进行识别。由上述PSG监测方法的实现过程可知，该方法中涉及到的计算过程比较复杂，且过程量比较多，所以容易引入误差，造成该PSG监测方法的准确性较低，另外，应用于该PSG监测方法的硬件设备的配置要求相应提高，使制造该PSG监测设备的成本提高，所以该PSG监测方法的普及应用性较低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种实现过程较简单的呼吸暂停的监测方法、装置、计算机设备和存储介质。第一方面，一种呼吸暂停的监测方法，所述方法包括：根据预设时间段内的心电图信号，获取每分钟的RR间隔数据；将所述每分钟的RR间隔数据，输入到预设的监测模型中，得到每分钟的呼吸状态事件；所述呼吸状态事件包括呼吸暂停事件和呼吸正常事件。在其中一个实施例中，所述方法还包括：获取多个心电图信号的每分钟的样本RR间隔数据；按照预设的打标规则，对所述每分钟的样本RR间隔数据进行打标，得到与所述每分钟的样本RR间隔数据对应的标签；将所述每分钟的样本RR间隔数据以及与所述每分钟的样本RR间隔数据对应的标签输入预设的机器学习算法进行训练，得到所述预设的监测模型。在其中一个实施例中，所述按照预设的打标规则，对所述每分钟的样本RR间隔数据进行打标，得到与所述每分钟的样本RR间隔数据对应的标签，包括：根据所述每分钟的样本RR间隔数据，得到每分钟内连续发生呼吸暂停事件的秒数；若当前分钟内连续发生呼吸暂停事件的时间大于预设阈值，则确定所述当前分钟的样本RR间隔数据的标签为呼吸暂停；若所述当前分钟内连续发生呼吸暂停事件的秒数小于或等于所述预设阈值，则确定所述当前分钟的样本RR间隔数据的标签为呼吸正常。在其中一个实施例中，所述将所述每分钟的RR间隔数据，输入到预设的监测模型中，得到每分钟的呼吸暂停事件之前，还包括：根据所述预设时间段内的所有分钟的RR间隔数据，得到预设维度；根据与当前分钟相邻的分钟内的RR间隔数据，将当前分钟的RR间隔数据的维度进行统一化处理，得到维度统一后的RR间隔数据；所述维度统一后的RR间隔数据的维度与所述预设维度相同。在其中一个实施例中，所述根据所述预设时间段内的所有分钟的RR间隔数据，得到预设维度，包括：统计所述预设时间段内的所有分钟的RR间隔数据的维度，得到基础维度；所述基础维度为所述所有分钟的RR间隔数据的维度中的最大值；根据所述预设时间段内的呼吸暂停时长均值，以及RR间隔的数量均值，确定扩展维度；根据所述基础维度和所述扩展维度，确定所述预设维度。在其中一个实施例中，所述根据与当前分钟相邻的分钟内的RR间隔数据，将当前分钟的RR间隔数据的维度进行统一化处理，得到维度统一后的RR间隔数据，包括：获取当前分钟的RR间隔数据的维度；根据所述与当前分钟相邻的分钟内的RR间隔数据、所述预设维度、以及所述当前分钟的RR间隔数据的维度，得到添加RR间隔；将所述添加RR间隔添加到所述当前分钟内的RR间隔数据，得到所述维度统一后的RR间隔数据。在其中一个实施例中，所述方法还包括：根据所述预设时间段内的所有呼吸状态事件，确定每小时内的呼吸暂停事件发生的分钟数量；将所述每小时内的呼吸暂停的分钟数量与预设的判定标准值进行比较，得到分析结果。在其中一个实施例中，分析所述预设时间段内的所有呼吸状态事件，确定分析结果。第二方面，一种呼吸暂停的监测装置，所述装置包括：获取模块，用于根据预设时间段内的心电图信号，获取每分钟的RR间隔数据；计算模块，用于将所述每分钟的RR间隔数据，输入到预设的监测模型中，得到每分钟的呼吸状态事件；所述呼吸状态事件包括呼吸暂停事件和呼吸正常事件。第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：根据预设时间段内的心电图信号，获取每分钟的RR间隔数据；将所述每分钟的RR间隔数据，输入到预设的监测模型中，得到每分钟的呼吸状态事件；所述呼吸状态事件包括呼吸暂停事件和呼吸正常事件。第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：根据预设时间段内的心电图信号，获取每分钟的RR间隔数据；将所述每分钟的RR间隔数据，输入到预设的监测模型中，得到每分钟的呼吸状态事件；所述呼吸状态事件包括呼吸暂停事件和呼吸正常事件。本申请提供的一种呼吸暂停的监测方法、装置、计算机设备和存储介质，包括：监测设备根据预设时间段内的心电图信号，获取每分钟的RR间隔数据，将每分钟的RR间隔数据作为预设的监测模型的输入数据，再通过预设的监测模型输出能够分析用户呼吸状态的数据，以便于之后监测设备可以根据该数据对用户的病情进行分析和诊断。相较于使用HRV诊断病情的方法，本申请提出的监测方法只需要获取每分钟的RR间隔数据，将每分钟的RR间隔数据输入监测模型中即可得到诊断数据，因此，该方法比较简单，且通过该监测方法中的监测模型得到的数据，准确性较高。另外，由于本申请提出的呼吸暂停的监测方法比较简单，所以，应用于该呼吸暂停的监测方法的硬件设备的配置成本，相比于较高的传统监测设备的配置成本，得到了大幅度的缩减，从而提高了应用于该监测方法的设备的普及应用性。附图说明图1为一个实施例提供的一种呼吸暂停的监测的应用场景的示意图；图2为一个实施例提供的一种呼吸暂停的监测方法的流程图；图3为一个实施例提供的一种呼吸暂停的监测方法的流程图；图4为图3实施例中S202的一种实现方式的流程图；图5为一个实施例提供的一种呼吸暂停的监测方法的流程图；图6为图5实施例中S402的一种实现方式的流程图；图7为图5实施例中S401的一种实现方式的流程图；图8为图1实施例中S103的一种实现方式的流程图；图9为一个实施例提供的一种呼吸暂停的监测装置的结构示意本文档来自技高网...

【技术保护点】
1.一种呼吸暂停的监测方法，其特征在于，包括：根据预设时间段内的心电图信号，获取每分钟的RR间隔数据；将所述每分钟的RR间隔数据，输入到预设的监测模型中，得到每分钟的呼吸状态事件；所述呼吸状态事件包括呼吸暂停事件和呼吸正常事件。

【技术特征摘要】
1.一种呼吸暂停的监测方法，其特征在于，包括：根据预设时间段内的心电图信号，获取每分钟的RR间隔数据；将所述每分钟的RR间隔数据，输入到预设的监测模型中，得到每分钟的呼吸状态事件；所述呼吸状态事件包括呼吸暂停事件和呼吸正常事件。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取多个心电图信号的每分钟的样本RR间隔数据；按照预设的打标规则，对所述每分钟的样本RR间隔数据进行打标，得到与所述每分钟的样本RR间隔数据对应的标签；将所述每分钟的样本RR间隔数据以及与所述每分钟的样本RR间隔数据对应的标签输入预设的机器学习算法进行训练，得到所述预设的监测模型。3.根据权利要求2所述的方法，其特征在于，所述按照预设的打标规则，对所述每分钟的样本RR间隔数据进行打标，得到与所述每分钟的样本RR间隔数据对应的标签，包括：根据所述每分钟的样本RR间隔数据，得到每分钟内连续发生呼吸暂停事件的秒数；若当前分钟内连续发生呼吸暂停事件的秒数大于预设阈值，则确定所述当前分钟的样本RR间隔数据的标签为呼吸暂停；若所述当前分钟内连续发生呼吸暂停事件的秒数小于或等于所述预设阈值，则确定所述当前分钟的样本RR间隔数据的标签为呼吸正常。4.根据权利要求1所述的方法，其特征在于，所述将所述每分钟的RR间隔数据，输入到预设的监测模型中，得到每分钟的呼吸暂停事件之前，还包括：根据所述预设时间段内的所有分钟的RR间隔数据，得到预设维度；根据与当前分钟相邻的分钟内的RR间隔数据，将当前分钟的RR间隔数据的维度进行统一化处理，得到维度统一后的RR间隔数据；所述维度统一后的RR间隔数据的维度与所述预设维度相同。5.根据权利要求4所述的方法，其特征在于，所述根据所述预设时间段内的所有分钟的RR间隔数据，得到预设维度，包括：统...

【专利技术属性】
技术研发人员：王伟，刘洪涛，张翔，
申请(专利权)人：深圳和而泰数据资源与云技术有限公司，
类型：发明
国别省市：广东,44