一种基于双尺度卷积神经网络的睡眠呼吸暂停检测方法技术

本发明专利技术公开了一种基于双尺度卷积神经网络的睡眠呼吸暂停检测方法，方法具体包括：获取原始睡眠呼吸的数据集；对所述数据集进行预处理后得到目标片段；通过双尺度卷积神经网络对所述目标片段进行特征提取后得到目标特征图；将所述目标特征图接入全连接分类器中进行分类得到睡眠呼吸暂停检测结果。本发明专利技术采集SpO2数据进行检测，操作简单，方便携带，便于普及；通过双尺度卷积神经网络，不仅解决了SpO2延迟的问题，还提高了检测性能，可广泛应用于生理信息检测技术领域。生理信息检测技术领域。生理信息检测技术领域。

【技术实现步骤摘要】
一种基于双尺度卷积神经网络的睡眠呼吸暂停检测方法


[0001]本专利技术涉及生理信息检测
，尤其是一种基于双尺度卷积神经网络的睡眠呼吸暂停检测方法。

技术介绍

[0002]睡眠呼吸暂停(Sleep apnea,SA)是指在睡眠时发生周期性呼吸暂停的症状。由于吸入的空气量减少，会导致血液中氧气减少，进而引发睡眠低血氧症，对人体的神经系统、血液系统和呼吸系统造成长久的损害。随着肥胖和老龄化的发展，SA患病率迅速增长。
[0003]现有的睡眠呼吸暂停检测方法主要是多导睡眠监测(Polysomnography,PSG)，至今仍是诊断SA的黄金标准，即在睡眠监测室利用多导睡眠仪持续同步采集和记录多项睡眠生理参数，包括脑电图、眼动电图、肌电图、心电图(ECG)、口鼻气流、脉氧饱和度(Pulse oxygen saturation,SpO2)、胸腹呼吸运动、体位和鼾声等。
[0004]现有的用于睡眠呼吸暂停检测的方法主要存在以下问题：
[0005]1、多导睡眠监测需要患者在睡眠监测室过夜，陌生环境常常诱发首夜效应；多导睡眠监测需要受试者佩戴多种传感器且大部分位于头面部，不适感明显，也会影响睡眠；这些都会导致采集的数据不准确；
[0006]2、多导睡眠监测受场地、设备、床位和人工限制，而且费用较高，增加了患者的经济负担，使用过程及结果均需专业医技人员监控、分析，对临床经验要求高，临床中难以普及应用；并且人工分类和判定不可避免的存在专业性与主观性误差；
[0007]3、现有的便携式睡眠检测设备，没有考虑脉氧饱和度下降的延迟问题，即脉氧饱和度下降通常发生在睡眠呼吸暂停一段时间后，这会导致检测结果不准确。

技术实现思路

[0008]有鉴于此，本专利技术实施例提供一种简单且准确度高的基于双尺度卷积神经网络的睡眠呼吸暂停检测方法。
[0009]一方面，本专利技术实施例提供了一种基于双尺度卷积神经网络的睡眠呼吸暂停检测方法，包括：
[0010]获取原始睡眠呼吸的数据集；
[0011]对所述数据集进行预处理后得到目标片段；
[0012]通过双尺度卷积神经网络对所述目标片段进行特征提取后得到目标特征图；
[0013]将所述目标特征图接入全连接分类器中进行分类得到睡眠呼吸暂停检测结果。
[0014]可选地，所述对所述数据集进行预处理后得到目标数据，包括：
[0015]使用第一算法对所述数据集进行数据清洗；
[0016]将数据清洗后的数据集进行数据切片得到初始片段；
[0017]通过第二算法和第一公式对所述初始片段进行数据均衡得到目标片段；
[0018]其中，所述第一算法为近邻线性插值算法；所述初始片段包括第一尺度初始片段
和第二尺度初始片段；所述目标片段包括第一尺度目标片段和第二尺度目标片段；其中，第一尺度小于第二尺度。
[0019]可选地，所述将数据清洗后的数据集进行数据切片得到初始片段，包括：
[0020]将完成数据清洗后的数据集切分成1分钟长的单位片段；
[0021]对所述单位片段进行标记得到标记片段；
[0022]将所述标记片段和相邻于所述标记片段的下一片段前30秒的数据进行合成，合成得到90秒长的第一尺度初始片段；
[0023]以所述标记片段为中间片段，获取所述标记片段相邻的第三片段和第四片段，将所述第三片段、所述标记片段和所述第四片段进行合成，得到第二尺度初始片段。
[0024]可选地，所述通过第二算法和第一公式对所述目标数据进行数据均衡得到目标片段这一步骤中，包括：
[0025]所述第二算法为Borderline
‑
SMOTE算法；
[0026]所述第一公式的表达式为：
[0027][0028]其中，x
new
为新生成的样本，x
minority
为少数样本，是少数样本的近邻样本，rand(0,1)表示从0到1的随机数。
[0029]可选地，所述通过双尺度卷积神经网络对所述目标片段进行特征提取后得到目标特征图，包括：
[0030]将所述第一尺度目标片段输入第一特征提取层进行特征提取，得到第一尺度特征图；
[0031]将所述第二尺度目标片段输入第二特征提取层进行特征提取，得到第二尺度特征图；
[0032]将所述第一尺度特征图和第二尺度特征图进行拼接得到目标特征图。
[0033]可选地，所述将所述第一片段输入第一特征提取层进行特征提取，得到第一特征图这一步骤中，所述第一特征提取层有3个一维卷积层，分别是第一卷积层、第二卷积层、第三卷积层；
[0034]通过第一卷积层进行卷积处理，所述第一卷积层的卷积核大小为30，卷积通道数为16，卷积步长为1；
[0035]通过第二卷积层进行卷积处理，所述第二卷积层的卷积核大小为5，卷积通道数为24，卷积步长为2；
[0036]通过第三卷积层进行卷积处理，所述第三卷积层的卷积核大小为1，卷积通道数为32，卷积步长为1。
[0037]可选地，所述将所述第二片段输入第二特征提取层进行特征提取，得到第二特征图这一步骤中，所述第二特征提取层有3个一维卷积层，分别是第四卷积层、第五卷积层、第六卷积层；
[0038]通过第四卷积层进行卷积处理，所述第四卷积层的卷积核大小为30，卷积通道数为16，卷积步长为1；
[0039]通过第五卷积层进行卷积处理，所述第五卷积层的卷积核大小为5，卷积通道数为24，卷积步长为2；
[0040]通过第六卷积层进行卷积处理，所述第六卷积层的卷积核大小为1，卷积通道数为32，卷积步长为3。
[0041]可选地，所述将所述目标特征图接入全连接分类器中进行分类得到睡眠呼吸暂停检测结果这一步骤中，所述全连接分类器的分类节点数目为64、32和2。
[0042]另一方面，本专利技术实施例还提供了一种基于双尺度卷积神经网络的睡眠呼吸暂停检测装置，包括：
[0043]获取模块，用于获取原始睡眠呼吸的数据集；
[0044]预处理模块，用于对所述数据集进行预处理后得到目标片段；
[0045]特征提取模块，用于通过双尺度卷积神经网络对所述目标片段进行特征提取后得到目标特征图；
[0046]分类模块，用于将所述目标特征图接入全连接分类器中进行分类得到睡眠呼吸暂停检测结果。
[0047]另一方面，本专利技术实施例还提供了一种电子设备，包括处理器以及存储器；
[0048]所述存储器用于存储程序；
[0049]所述处理器执行所述程序实现上述基于双尺度卷积神经网络的睡眠呼吸暂停检测方法。
[0050]本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双尺度卷积神经网络的睡眠呼吸暂停检测方法，其特征在于，包括：获取原始睡眠呼吸的数据集；对所述数据集进行预处理后得到目标片段；通过双尺度卷积神经网络对所述目标片段进行特征提取后得到目标特征图；将所述目标特征图接入全连接分类器中进行分类得到睡眠呼吸暂停检测结果。2.根据权利要求1所述的一种基于双尺度卷积神经网络的睡眠呼吸暂停检测方法，其特征在于，所述对所述数据集进行预处理后得到目标数据，包括：使用第一算法对所述数据集进行数据清洗；将数据清洗后的数据集进行数据切片得到初始片段；通过第二算法和第一公式对所述初始片段进行数据均衡得到目标片段；其中，所述第一算法为近邻线性插值算法；所述初始片段包括第一尺度初始片段和第二尺度初始片段；所述目标片段包括第一尺度目标片段和第二尺度目标片段；其中，第一尺度小于第二尺度。3.根据权利要求2所述的一种基于双尺度卷积神经网络的睡眠呼吸暂停检测方法，其特征在于，所述将数据清洗后的数据集进行数据切片得到初始片段，包括：将完成数据清洗后的数据集切分成1分钟长的单位片段；对所述单位片段进行标记得到标记片段；将所述标记片段和相邻于所述标记片段的下一片段前30秒的数据进行合成，合成得到90秒长的第一尺度初始片段；以所述标记片段为中间片段，获取所述标记片段相邻的第三片段和第四片段，将所述第三片段、所述标记片段和所述第四片段进行合成，得到第二尺度初始片段。4.根据权利要求2所述的一种基于双尺度卷积神经网络的睡眠呼吸暂停检测方法，其特征在于，所述通过第二算法和第一公式对所述目标数据进行数据均衡得到目标片段这一步骤中，包括：所述第二算法为Borderline
‑
SMOTE算法；所述第一公式的表达式为：其中，x
new
为新生成的样本，x
minority
为少数样本，是少数样本的近邻样本，rand(0,1)表示从0到1的随机数。5.根据权利要求4所述的一种基于双尺度卷积神经网络的睡眠呼吸暂停检测方法，其特征在于，所述通过双尺度卷积神经网络对所述目标片段进行特征提取后得到目标特征图，包括：将所述第一尺度目标片段输入第一特征提取层进行特征提取，得到第一尺度特征图；将...

【专利技术属性】
技术研发人员：马文俊，邹瑞峰，樊小毛，乐慧君，雷文斌，
申请(专利权)人：中山大学附属第一医院深圳技术大学，
类型：发明
国别省市：