【技术实现步骤摘要】
一种呼吸事件检测方法及装置
[0001]本专利技术涉及深度学习
，尤其涉及一种呼吸事件检测方法及装置。
技术介绍
[0002]OSAHS(obstructive sleep apnea
‑
hypopnea syndrome，阻塞性睡眠呼吸暂停低通气综合征)，其临床表征就是睡眠时反复出现由上呼吸道塌陷引起的呼吸事件。该病的严重程度可以通过呼吸暂停低通气指数(AHI)即每小时出现的呼吸事件次数来评估。部分研究显示，女性中重度OSAHS(AHI＞15)的患病率为23.4％，男性为49.7％。且未经治疗的OSAHS患者患中风、抑郁症、心力衰竭、糖尿病的风险均比常人高数倍以上，因此具有一定OSAHS患病风险的个体应尽早到睡眠科进行就诊。
[0003]目前，睡眠科室现采用的呼吸事件检测方法是基于多导睡眠图(PSG)的监测，这需要患者在专业的睡眠实验室接受整夜的PSG监测以获得整夜的PSG信号。在获得PSG信号之后需要医师结合PSG信号中的口鼻气流、胸腹带和血氧等信号对PSG信号中的呼吸事件进行人工标注。并...
【技术保护点】
【技术特征摘要】
1.一种呼吸事件检测方法，其特征在于，包括：获取被测者在预设时间段的一组睡眠监测PSG信号，检查所述PSG信号的可用性，在所述PSG信号可用的情况下，对所述PSG信号进行预处理，得到经过预处理后的PSG信号；按照第一预设时长对所述经过预处理后的PSG信号进行切片处理，得到至少一段第一切片信号；将所述至少一段第一切片信号输入至训练好的特征提取网络，得到每段所述第一切片信号对应的一维特征向量，将每段所述第一切片信号对应的一维特征向量输入至训练好的呼吸事件检测网络，得到每段所述第一切片信号对应的呼吸事件发生时间和持续时间；根据所述每段所述第一切片信号对应的呼吸事件发生时间和持续时间，对每段所述第一切片信号进行时域延拓处理，得到对应的第二切片信号，将每段所述第二切片信号输入至训练好的呼吸事件分类网络，得到每段所述第二切片信号对应的呼吸事件类型以及概率；根据每段所述第二切片信号对应的呼吸事件类型以及概率，确定所述被测者的阻塞性睡眠呼吸暂停低通气综合征OSAHS患病程度以及OSAHS类型。2.根据权利要求1所述的呼吸事件检测方法，其特征在于，所述方法还包括：获取多组PSG信号样本，检查每组PSG信号样本可用性，在每组所述PSG信号样本可用的情况下，对每组PSG信号样本进行预处理，并将预处理后的PSG信号样本按照预设比例划分为训练集、验证集和测试集；对所述训练集中的每组PSG信号样本进行切片处理，得到每组PSG信号样本对应的至少一段第一切片信号样本，并通过标注每段第一切片信号样本的呼吸事件发生时间和持续时间，得到每段第一切片信号对应的标注文件，其中，所述训练集中的多组PSG信号样本对应的所有第一切片信号样本以及每段所述第一切片信号样本对应的标注文件构成第一数据集；利用所述第一数据集，训练所述特征提取网络和所述呼吸事件检测网络；在所述特征提取网络和所述呼吸事件检测网络训练完成之后，将所述第一数据集中的每段第一切片信号样本输入至训练好的所述特征提取网络，将所述特征提取网络输出的每段所述第一切片信号样本的特征向量输入至所述呼吸事件检测网络，得到每段所述第一切片信号样本对应的呼吸事件发生时间和持续时间；根据每段所述第一切片信号样本对应的呼吸事件发生时间和持续时间，对每段所述第一切片信号样本进行时域延拓处理，得到第二切片信号样本，并通过标注每段第二切片信号样本的呼吸事件类型，得到每段第二切片信号样本对应的标注文件，其中，所有所述第二切片信号样本以及每段第二切片信号样本对应的标注文件构成第二数据集；利用所述第二数据集，训练所述呼吸事件分类网络。3.根据权利要求2所述的呼吸事件检测方法，其特征在于，所述利用所述第一数据集，训练所述特征提取网络和所述呼吸事件检测网络，包括：构建特征提取网络和呼吸事件检测网络；将所述第一数据集中的第一切片信号样本逐一输入至所述特征提取网络中的一维卷积层和一维池化层，得到每段所述第一切片信号样本对应的一维特征向量；将所有所述一维特征向量依次输入至所述呼吸事件检测网络中堆叠的卷积层，得到每
个所述一维特征向量对应的三个不同的特征向量，并在所述三个不同的特征向量上分别设置对应的预置框；根据每段所述第一切片信号样本的标注文件，确定每段所述第一切片信号样本对应的标注框；通过对所述三个不同的特征向量上对应的预置框进行置信度估计和输出位置回归，得到每个一维特征向量对应的置信度估计和位置偏移估计，根据所述置信度估计和位置偏移估计得到每个一维特征向...
【专利技术属性】
技术研发人员：王兴军，汤献文，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。