一种全自动阻塞性睡眠呼吸暂停征识别模型的构建方法技术

本发明专利技术公开了一种全自动阻塞性睡眠呼吸暂停征识别模型的构建方法；本发明专利技术对人体形态特征（含基本信息，如年龄、性别等）、语音、三维面部三种不同信号进行特征提取，并将三类特征融合至深度学习网络进行OSA患者识别及OSA严重程度判别。本发明专利技术采用特征选择算法对所提特征进行最优特征筛选，并将筛选后的特征进行特征融合，采用数据均衡算法使得样本种类达到均衡，采用深度学习网络挖掘更深层次的特征得到更加精确的结果。更加精确的结果。更加精确的结果。

【技术实现步骤摘要】
一种全自动阻塞性睡眠呼吸暂停征识别模型的构建方法


[0001]本专利技术属于阻塞性睡眠呼吸暂停症诊断筛查
，具体的说，涉及一种全自动阻塞性睡眠呼吸暂停征识别模型的构建方法。

技术介绍

[0002]阻塞性睡眠呼吸暂停综合征(Obstructive Sleep Apnea Hypoapnea Syndrome,OSA)是一种流行的与睡眠相关的呼吸障碍，它的特点是咽部上气道反复塌陷发作，表现为睡眠期间反复出现呼吸暂停、低通气，夜晚严重打鼾，白天嗜睡。OSA是慢性疾病(如心血管疾病和高血压)和急性疾病(如中风、心肌梗死、肺心病、充血性心力衰竭甚至猝死)的危险因素，若不加以及时治疗，会严重威胁个人健康，导致患者生活质量低下、工作表现受损，甚至引起交通事故。
[0003]OSA的诊断基于呼吸暂停低通气指数(Apneahypopnea index,AHI)的计算，该指数测量与上气道塌陷或狭窄相关的气流减少的频率，当AHI≥5个事件/小时诊断为OSA。确定AHI的金标准是多导睡眠图(PSG)，但这是一种相当昂贵且耗时的方法，神经电信号采集与处理极其精密复杂。
[0004]临床上常用量表的形式作初步的OSA筛查，常用的包括：柏林问卷、艾普沃思嗜睡问卷、STOP Bang问卷，这类问卷通过询问受试者的病史、身高、年龄、体重、体重指数(BMI)及三围(颈围、腰围及胸围)、是否打鼾、疲劳、血压等预测OSA的风险水平，虽然这是一种低成本且效率高的方法，但仍存在主观性过强的缺陷。
[0005]由于OSA患者上气道的阻塞位置在咽部，咽部作为离振动器官最近的嗓音共鸣器官之一，使得OSA患者可能存在音质的异常，且有文献证明OSA患者的上气道有明显的关闭趋势，而上气道与声道部分重合，因此这也可说明OSA患者相对于正常人可能存在语音异常。
[0006]OSA发病机制中另一个重要的危险因素是颅面特征，目前很多的影像学研究都已证实OSA患者的颅面头骨和软组织结构明显异于正常人，头骨结构中，上颌骨长度缩短、下颌体长度缩短、上颌骨后移、上颌缩窄、下颌平面陡峭、舌骨下移位、前颅底狭窄、前脸高度更长、头部位置延伸；软组织结构中，舌头增大、悬雍垂延长、软腭增大、腺扁桃体肥大、气道空间窄小；临床上已经开发对头骨和软组织结构进行评估检查的先进的成像技术：X线头影测量、电子计算机断层扫描(Computed Tomography,CT)及磁共振成像(Magnetic Resonance Imaging,MRI)，虽然这类成像技术能提供高分辨率的形态显示，但存在成像方式繁琐且昂贵的缺点。
[0007]以上，临床上正寻求开发一种更简单、更经济的无创早期诊断方法，以用于评估患者的PSG需求优先级，从而加快重症病例的诊断。同时如何利用成像方式更简单、更经济的三维人脸图像检测OSA患者值得探索。

技术实现思路

[0008]针对上述现有技术的不足，本专利技术的目的在于提出一种全自动阻塞性睡眠呼吸暂停征识别模型的构建方法，本专利技术对人体形态特征及基本信息、语音、三维面部三种不同信号进行特征提取，并将三类特征融合至深度学习网络进行OSA患者识别及OSA严重程度判别。
[0009]人体形态特征及基本信息包括身高、年龄、体重、体重指数(BMI)及三围(颈围、腰围及胸围)等；语音信号的设计包括可能表现OSA患者声学异常的语音范式，涵盖元音、词语及句子等；三维面部表型包括鼻
‑
唇距离、鼻
‑
人中距离、唇
‑
人中距离、眼角
‑
人中距离、眼角
‑
眼角距离、眼角
‑
下颏距离等；
[0010]本专利技术的技术方案具体介绍如下。
[0011]一种全自动阻塞性睡眠呼吸暂停征识别模型的构建方法，所述全自动阻塞性睡眠呼吸暂停征识别模型用于阻塞性睡眠呼吸暂停征的识别和严重程度的判别；具体步骤如下：
[0012]1)采集受试者的外观形态表型数据、语音信号和三维面部表型数据；
[0013]在人体形态特征及基本信息数据采集中，对每一位受试者采集高度信息、围度信息、宽度信息；
[0014]在人体日间语音信号采集中，采集规定的语音信号，包括元音、词语及句子等。
[0015]在人体三维面部表型数据采集中，对每一位受试者头部进行多角度多方位扫描；
[0016]2)获取受试者行整夜PSG后得出的AHI指数，对受试者进行严重程度分级：
[0017]3)对所述的人体形态特征及基本信息数据、语音信号和三维人脸数据进行预处理、特征提取、特征选择以及特征融合，将融合后的特征作为最终的特征；
[0018]首先对人体形态特征及基本信息数据、语音信号和三维人脸数据进行预处理，包括对所述人体形态特征及基本信息、三维人脸数据进行数据清洗(如缺失值删除、去除重复数据、字符型数据转换成数字型数据等)，对所述语音信号进行预处理的方法包括静音消除、分帧、加窗和预加重；
[0019]然后对预处理后的数据进行特征提取，包括以下3个方面：
[0020]①
提取的人体形态特征及基本信息特征包括高度、宽度和围度等；
[0021]②
提取的三维人脸表型特征包括鼻
‑
唇距离、鼻
‑
人中距离、唇
‑
人中距离、眼角
‑
人中距离、眼角
‑
眼角距离、眼角
‑
下颏距离等；
[0022]③
提取的语音特征包括时域特征、频域特征和韵律特征等；
[0023]接着利用单变量选择法选取人体形态特征及基本信息特征、语音特征和三维面部特征中对AHI值贡献值最高、能表征绝大多数信息的前20个特征；
[0024]再将特征选择得到的60个最优特征进行拼接，使其成为一个包含60个最优特征的一维向量，实现特征融合；
[0025]4)数据均衡算法对数据进行均衡；
[0026]5)构建和训练深度学习网络模型；
[0027]所述深度学习网络模型从输入到输出依次包括全连接层、卷积层、非线性激活层、池化层和Softmax层，对深度学习网络模型进行训练，获得一种实现高精度的OSA患者识别及OSA严重程度判别的全自动阻塞性睡眠呼吸暂停征识别模型。
[0028]本专利技术中，步骤2)中，采用二分类、四分类对受试者进行严重程度分级；其中：
[0029]二分类包括：无OSA或有OSA；
[0030]四分类包括：无OSA、轻度OSA、中度OSA、重度OSA；其中：
[0031]无OSA时，AHI<5次/小时，有OSA时，AHI≥5次/小时；
[0032]轻度OSA时，5次/小时≤AHI<15次/小时，中度OSA时，15次/小时≤AHI<30次/小时，重度OSA时，AHI≥30次/小时。
[0033]本专利技术中，步骤3)中，提取的人体形态特征及基本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全自动阻塞性睡眠呼吸暂停征识别模型的构建方法，其特征在于，所述全自动阻塞性睡眠呼吸暂停征识别模型用于阻塞性睡眠呼吸暂停征的识别和严重程度的判别；具体步骤如下：1）采集受试者的外观形态表型数据、语音信号和三维面部表型数据；在人体形态特征及基本信息数据采集中，采集每一位受试者年龄、体重、身高、胸腹部围度信息；在人体日间语音信号采集中，采集规定的语音信号，包括元音、词语及句子；在人体三维面部表型数据采集中，对每一位受试者头部进行多角度多方位扫描；2）获取受试者行整夜PSG后得出的AHI指数，对受试者进行严重程度分级；3）对所述的人体形态特征及基本信息数据、语音信号和三维人脸数据依次进行预处理、特征提取、特征选择以及特征融合，将融合后的特征作为最终的特征；首先对人体形态特征及基本信息数据和三维人脸数据进行数据清洗预处理，数据清洗包括缺失值删除、去除重复数据和字符型数据转换成数字型数据；对语音信号进行静音消除、分帧、加窗和预加重的预处理；然后对预处理后的数据进行特征提取，包括以下3个方面：提取的人体形态特征及基本信息特征包括高度、宽度和围度特征；提取的三维人脸表型特征包括鼻
‑
唇距离、鼻
‑
人中距离、唇
‑
人中距离、眼角
‑
人中距离、眼角
‑
眼角距离、眼角
‑
下颏距离等；提取的语音特征包括时域特征、频域特征和韵律特征；接着利用单变量选择法选取人体形态特征及基本信息特征、语音特征和三维面部特征中对AHI值贡献值最高、能表征绝大多数信息的前20个特征；再将特征选择得到的60个最优特征进行拼接，使其成为一个包含60个最优特征的一维向量，实现特征融合；4）数据均衡算法对数据进行均衡；5）构建和训练深度学习网络模型；所述深度学习网络模型从输入到输出依次包括全连接层、卷积层、非线性激活层、池化层和So...

【专利技术属性】
技术研发人员：周涛，陈晨，陈炜，胡霞，张佳辰，罗竞春，
申请(专利权)人：复旦大学，
类型：发明
国别省市：