【技术实现步骤摘要】
基于人体压力分布图像的睡眠状态及睡眠疾病检测系统
[0001]本专利技术属于睡眠状态识别
,具体涉及睡眠状态及睡眠疾病检测系统。
技术介绍
[0002]在睡眠过程中,脑电图会发生各种变化,根据脑电图的不同特征,可以将睡眠分为多个阶段:清醒期(W)、非快速眼动期(NREM)、快速眼动期(REM)。其中NREM期还可以分为N1期(入睡期)、N2期(浅睡期)和N3期(深睡期)。睡眠分期是用于临床常规检测和睡眠研究的电生理信号处理中的关键步骤。睡眠姿势,简称睡姿,是睡眠监测的一项重要参数,与人类健康息息相关。错误的睡姿可能会导致颈椎、腰椎以及背部等部位的疾病,如果长期保持不当睡姿,由于身体的某些部位长时间受到较大压力,可能会导致压疮。压疮又称为压力性溃疡,指的是部分组织由于长时间受到较大压力,发生持续性的缺血、缺氧以及营养不良等所导致的组织溃烂坏死。由于长期卧床的病人经常会长时间保持同一姿势,故他们是这一疾病的高发人群,每年约有6万人死于压疮合并征。此外,不正确的睡姿可能会阻塞呼吸,压迫肌肉和血管,影响血液循环,易出现血流不畅、血栓等症状,还会引发阻塞性睡眠呼吸暂停(Obstructive Sleep Apnea, OSA),它是一种最常见的睡眠疾病,其特征是睡眠期间上呼吸道反复塌陷,导致睡眠期间反复出现呼吸暂停、通气不足,并伴随着打鼾与反复觉醒。它所导致的间歇低氧以及较差的睡眠质量都会增加该人群罹患恶性肿瘤的风险。OSA所造成的睡眠期间呼吸暂停,将导致氧气无法供给到大脑、血液中,导致血液粘稠度增加,进而诱发心律失常、 ...
【技术保护点】
【技术特征摘要】
1.一种基于人体压力分布图像的睡眠状态及睡眠疾病检测系统,其特征在于,根据睡姿、睡眠阶段与OSA的关联性,采用基于硬参数共享的多任务学习方法,使用深度学习模型,对睡姿、睡眠阶段与阻塞性睡眠呼吸暂停进行分类与判别,以提供更快速、高效、低成本的非接触式判别与诊断;具体包括:数据采集模块,预处理模块,自动特征提取与共享参数网络模块、睡姿分类模块、睡眠分期模块以及OSA分类模块;其中:所述数据采集模块,用于采集受试者的人体压力分布图像;所述预处理模块,用于对人体压力分布数据进行预处理,滤除噪声和干扰,增强有用信息,并对数据集进行划分,将短期实验数据集作为训练集,整夜实验数据集作为测试集;所述自动特征提取与共享参数网络模块,用于提取输入图像的特征,并在后续的睡姿分类、睡眠分期、OSA分类任务中共享这些特征;所述睡姿分类模块,用于对睡姿进行分类,包括四种,即评估仰卧、俯卧、左侧卧或右侧卧;所述睡眠分期模块,用于对睡眠阶段进行分类,包括三种,即评估醒、深睡或浅睡;所述OSA分类模块:对OSA进行分类,包括四种,即评估无OSA、轻度OSA、中度OSA或重度OSA。2.根据权利要求1所述的睡眠状态及睡眠疾病检测系统,其特征在于,所述数据采集模块,具体采用阵列式柔性压感床垫;该床垫包含横向32通道与纵向32通道的两层柔性印刷电极层,以及夹于二者之间,由聚烯烃薄膜构成的传感层;所述聚烯烃薄膜具备压敏特性,即:其电阻随着施加于其的压力的增大而减小;横纵方向上的通道两两相交重叠,与中央传感层构成电路回路,形成32
×
32=1024个传感点;通过外围电路控制各个通道的通断,具体为:当横向电极层的某一通道选通时,依次选通纵向电极层的32个通道,全部选通完毕后,再选通横向电极层的下一个通道,并依次选通纵向电极层的32个通道;依此类推,循环采集每个传感点的电压,得出每个传感点位的相对压力大小,再将这1024个值映射到0
‑
255的范围内,重构为32
×
32分辨率的图像;将所述的床垫放置于人体躯干之下进行采集,即可获得人体压力分布图像。3.根据权利要求2所述的睡眠状态及睡眠疾病检测系统,其特征在于,所述预处理模块,包括阈值滤波、峰值滤波、高斯滤波和/或开运算;其中:阈值滤波的流程为:对于每一幅压力分布图像,计算全部1024个像素点的像素值均值,将其设定为阈值,将像素值低于此阈值的像素点认定为背景,将像素值置为0,即纯黑色;而像素值高于此阈值的像素点不做改动;通过阈值滤波,消除非人体部位压力的影响;峰值滤波的流程为:首先寻找压力分布图像每一行以及每一列像素值的峰值,即大于相邻像素值的像素值;获取到一系列峰值后,设定一个阈值为0.75倍的最小峰值,将低于此阈值的像素值清零,高于此阈值的像素值则不做改变;通过峰值滤波,减小某位置压力对周围区域的影响;高斯滤波的流程为:滑窗使用卷积对图像进行加权平均,通过高斯滤波使图像平滑;开运算的流程为:首先对图像遍历进行腐蚀操作,再对图像遍历进行膨胀操作,通过开运算,去除图像中孤立的点、毛刺。4.根据权利要求3所述的睡眠状态及睡眠疾病检测系统,其特征在于,所述自动特征提取与共享参数网络模块,针对睡姿分类、睡眠分期与OSA分类这三个任务,设计的一个基于
ConcatBlock模块的轻量化卷积神经网络模型,并加入有多层特征融合,将该模型命名为MSTNet;MSTNet堆叠了4层ConcatBlock模块、1层全局平均池化层和1层展平层;每一个ConcatBlock模块都包含1层Inception模块、1层卷积层、1层BN层与1层ReLU激活函数,其作用是提取图像特征;每个ConcatBlock模块的输出特征图都经过全局平均池化,并沿通道方向拼接在一起,实现特征融合;展平层将前述自动特征提取与共享参数网络模块的输出特征图展平为一维特征向量,以便后续分类使用;此模块的功能是从输入的压力分布图像中提取特征,以供后续睡姿分类、睡眠分期与OSA分类三个任务使用。5.根据权利要求4所述的睡眠状态及睡眠疾病检测系统,其特征在于,所述睡姿分类...
【专利技术属性】
技术研发人员:吴绍楠,陈炜,陈晨,冯一,陈泓瑜,
申请(专利权)人:复旦大学,
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。