一种智能呼吸信号处理方法和装置制造方法及图纸

本发明专利技术公开了一种智能呼吸信号的处理方法，该方法通过融合流量传感器数据和睡眠呼吸音频数据，对睡眠片段进行细化分割，获取更加细致的特征，并基于随机森林算法结合上述多种特征对睡眠质量进行智能分类。通过呼吸流量传感器对呼吸潮气量和呼吸频率进行检测，进而生成呼吸波形，精确获得呼吸定量数据。对于音频数据，基于小波变换的降噪算法进行降噪处理，对于阈值函数确定采用硬、软阈值的折中函数，具有很好的灵活性；基于卷积神经网络对呼吸声、鼾声和梦呓进行识别，并基于识别结果对呼吸音频进行片段识别分割。本发明专利技术还提供了一种智能呼吸信号的装置。实现了睡眠呼吸的智能监测。测。测。

【技术实现步骤摘要】
一种智能呼吸信号处理方法和装置


[0001]本专利技术涉及医疗设备领域，尤其是一种智能呼吸信号处理方法和装置。

技术介绍

[0002]睡眠呼吸暂停综合征在我国65岁以上患者患病率高达20％～40％，其临床表现以夜间睡眠反复发生呼吸暂停，低氧血症，睡眠结构紊乱及间断的打鼾，常导致精神神经和行为异常及多器官系统障碍，严重者可发生死亡。呼吸机作为治疗呼吸系统疾病的重要医疗支持设备，已有多项研究表明其可有效改善睡眠呼吸暂停综合征的睡眠质量，纠正其低氧状态和高碳酸血症，逐渐恢复血液流变学到正常水平。
[0003]现有技术中测量呼吸的方法基于呼吸机中的流量传感器，仅仅是检测呼吸的潮气量，或者是单纯地通过音频识别打鼾，两种呼吸监测方式测量数据都不太全面，采用流量传感器测量无法检测用户打鼾而未发生呼吸暂停的情况，无法实现在用户呼吸暂停综合征严重到呼吸暂停之前的预警，而检测睡眠鼾声又没有结合具体的呼吸流量数据，无法精准地对呼吸进行检测和预测，以及对睡眠状态进行评判。

技术实现思路

[0004](一)解决的技术问题
[0005]为了解决上述技术问题，本专利技术提供一种智能呼吸信号处理方法和装置，该方法通过结合呼吸流量传感器数据和睡眠呼吸音频数据，进行两种数据的融合，实现了对整段睡眠的质量进行智能评判。
[0006](二)技术方案
[0007]为了解决上述存在的技术问题，实现专利技术目的，本专利技术是通过以下技术方案实现的：
[0008]一种智能呼吸信号处理方法，包括以下步骤：/>[0009]步骤一、获取流量传感器数据和麦克风音频数据；
[0010]步骤二、对流量传感器获取的呼吸流量数据进行数据处理；
[0011]步骤三、对音频信号进行处理，得到呼吸相关数据以及鼾声、梦呓识别；
[0012]步骤四、结合上述得到的数据进行融合处理，并通过分类算法对整段睡眠进行质量等级评定。
[0013]进一步地，步骤一中流量传感器包括压差式、热丝式流量传感器、压力应变式流量传感器或超声式流量传感器；
[0014]进一步地，步骤二还包括：
[0015]模拟信号数字化，包括将采集到的模拟信号进行抗混叠滤波然后进行A/D转换变为数字信号。
[0016]将上述获得的数字信号进行流量计算；
[0017]基于流量计算呼吸潮气量、呼吸频率以及呼吸波形。潮气量计算过程通过检测流
量数据判断目前呼吸状态为吸气还是呼气，若为吸气，则将流量数据存储到吸气存储空间，接着读取下一个数据，若仍为吸气，则将该流量数据与吸气存储空间的总流量数据相加并存入吸气存储空间，计算总的吸气量，若下一数据为呼气，则输出吸气存储空间存储的流量为潮气量，同时将存储空间数据清零等待下次的吸气过程。其计算方式如下：
[0018][0019]其中，C为潮气量，n为一次吸气过程采集的数据量，x
i
为采集的吸气数据值。
[0020]计算呼吸频率首先需要获得一个呼吸周期所需要的时间，即通过计算一个呼吸周期中呼吸的数据个数，并结合采样时间间隔获得一个呼吸周期所占用的时间，进而计算出呼吸频率，即：
[0021][0022]其中，n1、n2分别为一个呼气和吸气过程的数据采集个数，T
c
为一次采样的时间间隔。
[0023]进一步地，步骤三还包括：基于小波变换对音频信号降噪处理；
[0024]音频特征提取，对于音频预处理获取的音频片段数据集，计算音频时域、频域的典型特征参数，分别是短时过零率、共振峰和梅尔频谱系数，作为特征向量用于识别模型构建；
[0025](1)作为时域的经典特征参数，短时过零率指发声信号单位时间内(每帧N个采样点)穿过横坐标轴的次数。每帧短时过零率计算公式为：
[0026][0027]其中，
[0028]x
v
(n)为音频信号；
[0029](2)共振峰是音频频谱能量最为集中的区域频谱能量最为集中的区域，本专利技术基于一种基于倒谱法的共振峰动态差分特征提取及描述方法。计算步骤如下：
[0030]a.分帧：语音信号本质上是非平稳信号，但在10
‑
30ms内近似认为是线性时不变信号，对预加重后的声信号分帧，帧长选择为20ms，相邻帧之间的帧移为40％。b.加窗：为消除傅里叶变换中吉布斯效应的影响，对语音信号加窗处理，窗函数选用汉明窗。
[0031]c.离散傅里叶变换：对信号进行快速傅里叶变换得到频谱，在此基础上对模平方得到信号功率谱，离散傅里叶变换公式为：
[0032][0033]其中，x(n)为时域输入信号，X(k)为频域输出信号，k为傅里叶变换对应点.
[0034]d.计算倒谱序列，计算方式如下：
[0035]X
′
(k)＝lg|X(k)|
[0036]对X
′
(k)进行逆傅里叶变换得到倒谱序列x
′
(n):
[0037][0038]对倒谱序列x
′
(n)进行加窗得到w(n)，经过傅里叶变换得到包络线W(k),取包络线的前3个极大值为共振峰。
[0039](3)梅尔频谱系数是根据听觉系统对语音信号非线性感知处理过程模拟人耳感知声音信号过程的参数，梅尔频谱系数计算步骤如下：
[0040]预处理：对音频分帧、加窗、离散傅里叶变换。梅尔刻度变换：听觉系统感知分辨率随着频率增加而下降。梅尔频率通过梅尔刻度与真实频率建立映射关系。离散余弦变换：语音信号的频域信息主要由音素、音调组成。计算每个Mel滤波器的输出信号并取对数，得到每个频率带内的功率谱对数，对频谱包络进行离散余弦变换计算得到12维梅尔频谱系数。
[0041]基于卷积神经网络对呼吸声、鼾声和梦呓进行识别，包括模型的建立以及训练：
[0042](1)建立卷积神经网络模型，以1帧的长度作为输入向量的长度.网络结构由输入层、卷积层和全连接层组成。卷积层包括卷积、批量标准化、激活函数和池化层，激活函数使用的是修正线性单元，池化层使用的是平均池化，随后3层的全连接每层的特征数量有所下降，以较少的特征充分体现两类的差异性并防止过拟合，假设神经网络的输入是1维特征X，网络参数为P，n表示隐藏层的总数.则预测值:
[0043]Y＝F(X|P)＝f
n
(f
n
‑1…
(f2(f1(X|P1)|P2)
…
|P
n
‑1)|P
n
)
[0044]其中，第k个卷积层和全连接层的计算公式如下：
[0045][0046]f
k
(X
k
|P
k
)＝A(WX
k
+b)
[0047]其中，W表示1维的卷积核或加权系数，X
k
为输入特征，b为偏置，A为激活函数。
[0048](2)采集不同年本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能呼吸信号处理方法，其特征在于，包括以下步骤：步骤一、获取流量传感器数据和麦克风音频数据；步骤二、对流量传感器获取的呼吸流量数据进行数据处理；测量得到测量气道压力和呼吸流速，基于气道压力和呼吸流速计算潮气量、呼吸频率、呼吸波形；步骤三、对音频信号进行处理，得到呼吸相关数据以及鼾声、梦呓识别；步骤四、结合步骤二、步骤三得到的数据进行融合处理，并通过分类算法对整段睡眠进行质量等级评定。2.根据权利要求1所述的智能呼吸信号处理方法，其特征在于，所述步骤二包括：S21：模拟信号数字化，包括将采集到的模拟信号进行抗混叠滤波然后进行A/D转换变为数字信号；S22：将步骤S21获得的数字信号进行流量计算，具体为根据流量传感器输出值——流量关系计算流量；S23：计算呼吸潮气量、呼吸频率以及呼吸波形。3.根据权利要求2所述的智能呼吸信号处理方法，其特征在于，其中，所述潮气量计算方式如下：其中，C为潮气量，n为一次吸气过程采集的数据量，x
i
为采集的吸气数据值；呼吸频率计算方式如下：其中，n1、n2分别为一个呼气和吸气过程的数据采集个数，T
c
为一次采样的时间间隔。4.根据权利要求1所述的智能呼吸信号处理方法，其特征在于，所述步骤三包括：S31：音频信号降噪处理，基于小波变换的降噪算法对音频进行降噪处理；S32：音频特征提取，对于音频预处理获取的音频片段数据集，计算音频时域、频域的典型特征参数，分别是短时过零率、共振峰和梅尔频谱系数，作为特征向量用于识别模型构建；S33：音频特征识别分类，对上述步骤提取的特征进行识别，将音频片段分割为不同特征的片段，采用分类算法进行分类识别，将音频分为正常呼吸、呼吸暂停、呼吸过缓、打鼾、梦呓的不同类型。5.根据权利要求4所述的智能呼吸信号处理方法，其特征在于，步骤S31包括：对信号进行小波分解；确定最佳小波包基；对小波变换的高频系数进行处理；小波重构；其中，小波包分解算法为：
从小波包树根开始,沿着二叉树树枝按照上述公式迭代计算，可算出所有小波包系数；确定最佳小波包基方法为：对于一个给定的熵标准，可以采用自底向顶的方法搜索最佳小波包基，通过实验比较选取适合的熵标准。6.根据权利要求5所述的智能呼吸信号处理方法，其特征在于，所述对小波变换的高频系数进行处理包括：阈值函数确定：其中，a，b为调节因子；T为阈值；阈值的选择：采用基于贝叶斯估计的阈值计算方法，设含噪声信号模型为y(i)＝x(i)+n(i)设x(i)为纯净信号的第i点值n(i)为含噪声信号中第i点的噪音值，并且假设n(i)服从独立同分布的高斯白噪声y(i)是带噪音信号的第i点值；因此可以根据被测得的y(i)来求得x(i)的...

【专利技术属性】
技术研发人员：刘哲，杜春玲，宋元林，黄絮，徐德祥，
申请(专利权)人：湖南万脉医疗科技有限公司，
类型：发明
国别省市：