【技术实现步骤摘要】
本专利技术属于睡眠医学和机器学习，具体涉及一种基于移动窗口自注意力模型的osa检测方法，还涉及一种可供用户自主进行鼾声检测的装置。
技术介绍
1、良好的睡眠质量对于人们的健康和日常生活至关重要。睡眠相关疾病包括夜间癫痫和阻塞性呼吸暂停综合征等常见疾病。这些疾病会严重影响人体的睡眠结构，导致学习和记忆能力下降，注意力不集中等问题，并可能诱发其他健康问题。因此，睡眠质量的维护和诊断睡眠疾病的重要性不容忽视。
2、阻塞性睡眠呼吸暂停(osa，obstructive sleepapnea)是一种常见的睡眠障碍，通常由于呼吸道的部分或完全阻塞导致呼吸暂停和低通气事件。准确评估睡眠质量的重要一环是对睡眠阶段进行分类，将睡眠时间段划分为入睡期、浅度睡眠期间、深度睡眠期和快速眼动期。多导睡眠检测是目前最常用的诊断方法，通过记录睡眠时的脑电图、眼电图、心电图、呼吸、肌电等多种生理信号来评估睡眠质量，其中需要由专家进行信号监测和分类，这一过程耗时且容易受主观因素影响。因而传统睡眠检测方法存在检测过程繁琐、时长较长、成本较高、不便于日常监测等缺点。
3、针对osa的检测，目前主要采用传统的机器学习方法和深度学习技术两类算法。传统的机器学习方法包括决策树、随机森林和支持向量机等。然而，机器学习方法通常需要手动进行特征工程，存在主观性和局限性，并且对长序列数据的建模能力可能有限。传统的深度学习模型如卷积神经网络(cnn)或循环神经网络(rnn)，在处理长序列数据时可能面临计算和内存开销较高的问题，并且在处理局部和全局信息之间的交互
4、综上所述，睡眠质量评估和针对osa的检测是当前研究的热点领域。传统机器学习和深度学习方法在自动睡眠分期方面取得了一定的进展，但仍面临一些挑战。不同患者的打鼾信息存在差异，同一患者的不同打鼾事件也不同，而现有技术缺乏对个体患者打鼾信息进行全局建模的能力。
技术实现思路
1、本专利技术的第一个目的是提供一种基于移动窗口自注意力模型的osa检测方法，该方法基于移动窗口自注意力模型(swin transformer训练模型)进行鼾声提取并捕捉特征，提取特征统计指标，使用随机森林分类器较为精确的实现了osa的检测。
2、本专利技术的第二个目的是提供一种可供用户自主进行鼾声检测的装置。
3、本专利技术所采用的第一个技术方案是，基于移动窗口自注意力模型的osa检测方法，具体为：
4、步骤1，加载公共数据集与扩展数据集；
5、步骤2，音频数据预处理，将步骤1的公共数据集和扩展数据集中的原始音频信号转换成梅尔频谱图，并将图上的时间和梅尔频谱数据作为步骤3的输入；
6、步骤3，基于swin transformer训练分别用于特征提取和鼾声检测的模型；
7、步骤4，特征的统计学表征处理；
8、步骤5，osa检测，将步骤4得到的统计学特征作为输入，结合扩展数据集中多导睡眠监测数据的呼吸暂停低通气指数，训练随机森林分类器得到osa检测模型，最终预测osa疾病的严重程度。
9、本专利技术的特征还在于，
10、步骤1具体为：
11、步骤1.1，加载公共数据集esc-50，将esc-50数据集中的呼吸声及鼾声两个分类作为目标类别，其他类别则归为噪音类别；
12、步骤1.2，建立扩展数据集，对多名潜在患者进行多导睡眠监测，将潜在患者的睡眠音频与多导睡眠监测结果中的呼吸暂停与低通气指数(ahi)数据建立为扩展数据集。
13、步骤2具体为：
14、步骤2.1，分帧：将公共数据集和扩展数据集中的原始的音频信号划分成帧，每帧的采样点数为1024，每相邻两帧之间的采样点数为320，此处采样率为32khz，则每帧的持续时间为32ms，每相邻两帧之间的间隔时间为10ms；
15、步骤2.2，加窗：对每一帧应用窗口函数，以减小频谱泄漏；其中，窗口函数为海宁窗hann；
16、步骤2.3，短时傅里叶变换：对每一窗口使用librosa.stft进行短时傅里叶变换；
17、步骤2.4，梅尔滤波器组：对经短时傅里叶变换后的每一窗口使用librosa.filters.mel函数计算梅尔滤波器组，实现了将音频信号转换为梅尔频谱；
18、其中，librosa.filters.mel函数的参数设置如下：将窗口大小设置为1024，梅尔滤波器的数量设置为64；
19、此时得到的梅尔频谱的形状为(t,f)＝(1024,64)，其中t表示时间维度上的帧数为1024，f表示频率维度上的梅尔频率为64；
20、步骤2.5，对数谱变换：使用torch.log函数将梅尔频谱进行对数化处理转换为对数刻度，得到对数-梅尔频谱；
21、步骤2.6，对数-梅尔频谱处理：将对数-梅尔频谱按照时间轴分割成n个长度为4的窗口(w1，w2，...，wn)；然后，将每个窗口中的对数-梅尔频谱按时间-频率的顺序重塑为列向量，并将所有的列向量连接成一个大小为(4t，4f)的方阵，其中t和f的值都为64；最后，将(4t，4f)的方阵输入patch embedded cnn，其中卷积核大小为(3×8)，卷积步长为4，将(4t，4f)的方阵尺寸转换为(t，f，d)，其中t＝64f＝64，d＝96；将(t，f，d)的方阵作为下一步的输入。
22、步骤3具体为：
23、步骤3.1，建立swin transformer特征提取模型，记为st-e：st-e包含顺序连接的4个组，每一组都由swin transformer块组成，块的数量分别依次是6，6，2和6，其中，前3个组都在对应组内中最后一个swin transformer块后添加了一次patch merging操作；
24、其中，swin transformer块由窗口自注意层和移动窗口自注意层组成，窗口自注意层将步骤2.6得到的(t，f，d)的方阵划分为k个不同的窗口，大小是(m×m)，并在每个窗口中计算注意力矩阵；移动窗口自注意层用的像素替换窗口；
25、其中，注意力矩阵的计算公式为：
26、
27、q、k和v分别表示查询、键和值，它们由步骤2.6得到的(t，f，d)的方阵与3个可训练的参数矩阵做乘积得到，dk是一个比例因子；
28、patch merging操作首先将相邻的尺寸为(t，f，d)的窗口合并为然后应用一个线性层将尺寸修改为
29、通过st-e模型，将步骤2.6得到的形状为(t，f，d)的方阵提取出形状为的特征，其中t＝64、f＝64、d＝96；
30、步骤3.2，建立swin transformer鼾声检测模型，记为st-d：st-d包括有st-e模型及st-e模型之后连接的一个预测层；在预测层中本文档来自技高网...
【技术保护点】
1.基于移动窗口自注意力模型的OSA检测方法，其特征在于，具体为：
2.根据权利要求1所述的基于移动窗口自注意力模型的OSA检测方法，其特征在于，步骤1具体为：
3.根据权利要求2所述的基于移动窗口自注意力模型的OSA检测方法，其特征在于，步骤2具体为：
4.根据权利要求3所述的基于移动窗口自注意力模型的OSA检测方法，其特征在于，步骤3具体为：
5.根据权利要求3所述的基于移动窗口自注意力模型的OSA检测方法，其特征在于，步骤4具体为：
6.根据权利要求3所述的基于移动窗口自注意力模型的OSA检测方法，其特征在于，步骤5具体为：
7.可供用户自主进行鼾声检测的装置，其特征在于，包括有包括用户信息管理模块、健康资讯模块、鼾声检测模块；
【技术特征摘要】
1.基于移动窗口自注意力模型的osa检测方法，其特征在于，具体为：
2.根据权利要求1所述的基于移动窗口自注意力模型的osa检测方法，其特征在于，步骤1具体为：
3.根据权利要求2所述的基于移动窗口自注意力模型的osa检测方法，其特征在于，步骤2具体为：
4.根据权利要求3所述的基于移动窗口自注意力模型的osa检测方法，...
【专利技术属性】
技术研发人员：罗靖，赵一诺，石争浩，黑新宏，王一伊，何锦波，李佳辉，
申请(专利权)人：西安理工大学，
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。