一种基于深度学习对呼吸暂停症患者的识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习对呼吸暂停症患者的识别方法及系统，属于打鼾检测技术领域。方法包括：提取音频数据特征；鼾声特征数据标注及分类；设置网络结构及训练参数；训练模型，保存训练后的模型；利用保存的模型进行鼾声数据检测；根据AHI指数识别OSAHS患者；系统包括：特征提取模块（1）、训练建模模块（2）、识别OSAHS患者模块（3）。本发明专利技术方便用户携带，体验感舒适，可以在一定程度上替代传统PSG。

A recognition method and system for patients with apnea based on deep learning

【技术实现步骤摘要】
一种基于深度学习对呼吸暂停症患者的识别方法及系统
本专利技术涉及打鼾检测
，具体涉及一种基于深度学习对呼吸暂停症患者的识别方法及系统。
技术介绍
合理的睡眠时间对人体的健康状况至关重要，而在当今社会下，越来越多人由于睡眠质量不好导致记忆力下降从而降低工作和学习效率，甚至影响人们的正常生活。其中导致睡眠质量不好的一大元凶就是呼吸暂停综合征(OSAHS)。呼吸暂停综合征给人们带来很大的影响，对中老年人群中影响比例最大。该病症引发慢性低氧血症、高碳酸血症，甚至引起高级中枢神经系统功能失调病变，因此，越来越多的科研人士投身该病症的研究，为了得到引发该病症的原因、诊断方法和应对治疗政策。据研究表明，医生专家们采用PSG并结合经验来进行诊断。测量该病的标准是由多导睡眠监测系统(PSG)对病人进行整晚监测。正规的PSG有多维的数据进行工作，如：心率，脑电波，胸腔震动、血氧饱和度、呼吸、鼾声等。这些数据以一定算法和比例融合以后可以得到病人的AHI值(每小时呼吸暂停指数)，低通气指数和阻塞暂停、中枢暂停以及混合暂停这三种症状的次数。但是这种医疗器械本文档来自技高网...

【技术保护点】
1.一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述方法包括：/nS10)提取音频数据特征；/nS20)鼾声特征数据标注及分类；/nS30)设置网络结构及训练参数；/nS40)训练模型，保存训练后的模型；/nS50)利用保存的模型进行鼾声数据检测；/nS60)根据AHI指数识别OSAHS患者。/n

【技术特征摘要】
1.一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述方法包括：
S10)提取音频数据特征；
S20)鼾声特征数据标注及分类；
S30)设置网络结构及训练参数；
S40)训练模型，保存训练后的模型；
S50)利用保存的模型进行鼾声数据检测；
S60)根据AHI指数识别OSAHS患者。


2.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述步骤S10)提取音频数据特征，包括：
MFCC特征提取算法；
LPCC特征提取算法；
LPMFCC特征提取算法。


3.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述步骤S20)鼾声特征数据标注及分类，具体包括：其特征数据分为两种：呼吸暂停事件相关鼾声和非呼吸暂停事件相关鼾声。


4.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述步骤S30)设置网络结构及训练参数，具体包括：网络结构为LSTM序列神经网络，训练参数有：LSTM单元个数，训练学习率lr＝0.0001，训练步数step＝5000，batch-size＝64，其中，LSTM单元个数由特征数据的维度298决定。


5.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述步骤S40)训练模型并利用保存的模型进行鼾声数据检测，具体包括，训练数据为两类，一类是呼吸暂停症相关鼾声SN，另一类是非呼吸暂停症相关鼾声NSN，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。


6.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述步骤S50)利用保存的模型进行鼾声数据检测，具体地，采用LSTM序列神经网络进行训练，训练后将输...

【专利技术属性】
技术研发人员：沈凡琳，程思一，李文钧，李竹，岳克强，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33