【技术实现步骤摘要】
本专利技术涉及机器学习中生物信号处理领域，尤其涉及基于双模态特征学习的多尺度呼吸事件自动定位方法及装置。
技术介绍
1、睡眠是一种受生物节律和调节系统调控的自发性生理活动。在睡眠过程中，人体经历多个睡眠阶段和周期性的脑电活动变化。睡眠促进身体机能的恢复和修复，对于认知功能和学习记忆能力也具有重要影响。阻塞性睡眠呼吸暂停-低通气综合症(obstructivesleep apnea-hypopnea syndrome，osahs)是一种常见的与睡眠相关的慢性呼吸障碍。它会严重影响睡眠质量，导致记忆和认知功能下降，并增加人们患中风、心血管疾病的风险。睡眠期间反复出现的呼吸暂停和低呼吸事件作为主要的呼吸事件，是评估睡眠呼吸暂停-低通气综合症严重程度的重要依据，具有重要的临床研究价值。通过专家对多导睡眠图(polysomnography，psg)的视觉检查实现对睡眠呼吸事件的诊断和识别是目前临床领域应用的主要方法。但这种人工标定的方法专业度和成本较高、效率低且一致性差。因此，迫切需要一种准确、高效的睡眠呼吸事件自动化定位方法来解决上述问题。
2、近年来，随着人工智能和深度学习的蓬勃发展，一些自动化睡眠呼吸事件检测方法涌现出来，它们大致可以分为两类：基于传统机器学习的方法和基于深度学习的方法。基于传统机器学习的方法通常依赖于人工设计的特征，然后通过训练分类器来判断这些特征中是否发生了睡眠呼吸事件。虽然这些方法在决策和可解释性方面具有优势，但它们严重依赖于专家知识，因此应用范围通常局限于某些特定场景。而现有的基于深度学习的方法通过
技术实现思路
1、本专利技术提供了一种基于双模态特征学习的多尺度呼吸事件自动定位方法及装置，用以解决或者至少部分解决现有技术中存在的无法对睡眠呼吸事件进行细分类以及无法实现对个体尺度的阻塞性睡眠呼吸暂停-低通气综合症严重程度进行评估的技术问题。
2、为了解决上述技术问题，本专利技术第一方面提供了基于双模态特征学习的多尺度呼吸事件自动定位方法，包括：
3、获取双模态数据，双模态数据包括口鼻气流信号和腹部压力信号；
4、对获取的双模态数据进行预处理，具体包括对双模态数据重采样预处理，并对每个通道进行滤波处理和标准化处理；对标准化后的数据进行睡眠呼吸事件标注，其中，对于每一个睡眠呼吸事件标注事件的类别，并标注所有事件的起始时间和终止时间；然后对标注后的数据进行裁切并进行样本平衡化处理；
5、将平衡化处理后的数据作为训练数据输入到基于双模态特征学习的多尺度事件定位网络中进行训练，其中，基于双模态特征学习的多尺度事件定位网络包括双模态特征学习模块、层次化特征图生成模块和多尺度事件检测模块，双模态特征学习模块用于单独提取每个模态的特征，然后进行双模态特征的融合，层次化特征图生成模块用于基于融合后的特征在多个尺度上预测生成特征图，多尺度事件检测模块用于在生成的层次化特征图上进行多尺度睡眠呼吸事件检测，通过网络生成偏移量来修正预设框的位置，以对睡眠呼吸事件进行定位；
6、将训练数据输入基于双模态特征学习的多尺度事件定位网络中得到的结果进行后处理，得到单个信号片段的事件检测结果；
7、将个体裁切得到的所有样本片段经过预处理后输入训练好的多尺度事件定位网络，然后进行后处理得到每个信号片段的事件检测结果，将这些信号按照时间顺序进行平滑操作，合并不同片段的检测结果，计算ahi指数对个体尺度的睡眠呼吸暂停-低通气综合症严重程度进行评估。
8、在一种实施方式中，获取双模态数据包括：
9、得到多导睡眠图，从多导睡眠图中提取出与睡眠呼吸事件判别强相关的口鼻气流信号和腹部压力信号作为源数据；
10、将提取出的口鼻气流信号和腹部压力信号双通道数据进行拼接。
11、在一种实施方式中，对标准化后的数据进行睡眠呼吸事件标注，包括：
12、将数据标注为非睡眠呼吸事件和睡眠呼吸事件，其中，对于每一个睡眠呼吸事件标注事件属于阻塞型睡眠呼吸暂停、中枢型睡眠呼吸暂停、混合型睡眠呼吸暂停还是低通气。
13、在一种实施方式中，双模态特征学习模块的处理过程包括：
14、通过两个单独的特征提取器分别提取口鼻气流特征、腹部压力特征；
15、通过通道注意力模块对提取出的口鼻气流特征、腹部压力特征进行拼接；
16、通过一系列残差卷积块对拼接后的特征进行融合。
17、在一种实施方式中，层次化特征图生成模块的处理过程包括：
18、将双模态特征学习模块得到的双模态特征作为层级1特征图；
19、将层级1特征图通过4个残差卷积模块处理后得到层级2特征图；
20、将层级2特征图通过1个下采样残差卷积块和2个残差卷积块处理后得到层级3特征图。
21、在一种实施方式中，多尺度事件检测模块的处理过程包括：
22、在每个层级的特征图上生成多个预设框，每个层级的预设框都与其层级对应的尺度和感受野相关联；
23、在特征图的每个位置生成5个概率值和2个偏移量，其中5个概率值分别表示该位置的预设框为背景、阻塞型睡眠呼吸暂停、中枢型睡眠呼吸暂停、混合型睡眠呼吸暂停和低通气的概率，选择概率最大的类别作为预设框的类别；
24、使用生成的偏移量修正预设框的位置得到候选框。
25、在一种实施方式中，评估模块的处理过程包括：
26、将个体整晚睡眠呼吸信号经过裁切和标注后得到所有裁切样本片段，并利用训练好的多尺度事件定位网络对样本片段进行检测，得到每个信号片段的检测结果；
27、将所有信号片段按照时间顺序进行拼接，并将绝对时间上有时间重合的事件进行合并，其中，绝对时间为相对于信号开始记录的时间；
28、对检测到的睡眠呼吸事件进行平滑处理，合并间隔时间小于预设间隔的睡眠呼吸事件，并统计整晚时间尺度上所有睡眠呼吸事件的数量，根据下列公式计算呼吸暂停低通气指数ahi：
29、
30、其中n表示整晚信号中出现的睡眠呼吸事件数目，t表示整晚信号的持续时间长度；
31、基于ahi对个人睡眠呼吸暂停-低通气综合症的严重程度进行评估。
32、基于同样的专利技术构思，本专利技术第二方面提供了基于双模态特征学习的多尺度呼吸事件自动定位装置，包括：
33、数据获取模块，用于获取双模态数据，双模态数据包括口鼻气流信号和腹部压力信号；
34、数据预处理模块，用于对获取的双模态数据进行预处理，具体包括对双模态数据重采样预处理，并对每个通道本文档来自技高网...
【技术保护点】
1.基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，包括：
2.如权利要求1所述的基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，获取双模态数据包括：
3.如权利要求1所述的基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，对标准化后的数据进行睡眠呼吸事件标注，包括：
4.如权利要求1所述的基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，双模态特征学习模块的处理过程包括：
5.如权利要求1所述的基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，层次化特征图生成模块的处理过程包括：
6.如权利要求1所述的基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，多尺度事件检测模块的处理过程包括：
7.如权利要求1所述的基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，评估模块的处理过程包括：
8.基于双模态特征学习的多尺度呼吸事件自动定位装置，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项权利要求所述的方法。
...【技术特征摘要】
1.基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，包括：
2.如权利要求1所述的基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，获取双模态数据包括：
3.如权利要求1所述的基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，对标准化后的数据进行睡眠呼吸事件标注，包括：
4.如权利要求1所述的基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，双模态特征学习模块的处理过程包括：
5.如权利要求1所述的基于双模态特征学习的多尺度呼吸事件自动定位方法，其特征在于，层次化特征图生成模块的处理过程包括：
6.如权利要求1所述的...
【专利技术属性】
技术研发人员：陈丹，姬一峰，皮龙霖，高腾飞，熊明福，
申请(专利权)人：武汉大学，
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。