【技术实现步骤摘要】
本专利技术涉及睡眠呼吸暂停检测，具体指一种多模态多分辨率睡眠呼吸暂停自动检测方法及系统。
技术介绍
1、阻塞性睡眠呼吸暂停(obstructive sleep apnea，osa)是一种严重的睡眠障碍，由于睡眠期间上呼吸道部分或完全阻塞而引起。这一普遍存在的疾病导致人们多次经历呼吸停顿，时长在10至20秒之间，从而导致血氧水平阶段性下降。在成年人中，未被确诊的osa相当普遍。患者通常未意识到呼吸困难，但长期心血管应激可能导致一系列并发症，包括高血压、心血管疾病、中风和糖尿病。
2、目前的诊断程序需要医生通过观察多导睡眠图(polysomnography，psg)来识别睡眠呼吸暂停。然而，由于需要处理大量数据，这种视觉检测方法不仅耗时而且容易出错。因此，迫切需要开发一种有效的方法，最大限度地减少对传感器的需求，并优化医生进行诊断所需的时间。这将有助于在诊断过程中最大程度地减少对传感器的使用，提高时间效率。
3、因此如何更好地利用生理信号进行osa识别是目前急需解决的问题。
技术实现思路
1、本专利技术针对现有技术的不足，提出一种多模态多分辨率睡眠呼吸暂停自动检测方法及系统，通过对多导睡眠图信号进行滤波、分帧处理，并结合多通道数据特征的深度神经网络训练，实现了多通道网络的构建。此方法利用多通道信号的多维特征，弥补了单通道信号数据缺失的不足。同时，通过分帧后的信号片段实现多分辨率的睡眠呼吸暂停自动检测，避免了检测效率低下和设备限制等问题。
2、为了解决
3、一种多模态多分辨率睡眠呼吸暂停自动检测方法，包括如下步骤：
4、s1、提取多导睡眠图信号中的多通道生理信号并进行预处理得到相应的信号片段，所述多通道生理信号包括血氧饱和度信号、鼾声信号、心率信号；
5、s2、根据预处理后的多通道生理信号构建独立睡眠事件，通过调整输入信号片段中重叠部分可将信号分辨率调整为1秒至10秒，并进行数据增强和随机处理得到样本数据集；
6、s3、调整样本数据集中三种信号的通道数，然后将调整后spo2信号片段经过2层卷积、一个多层残差块；鼾声信号片段和心率信号片段经过2层卷积、两个多层残差块进行多维特征提取，得到分帧后的多通道特征；
7、s4、将用于提取多通道特征的3个卷积神经网络模型的卷积层经过展平后得到对应的线性层，级联拼接后构建融合特征层，将所述多通道特征经过融合特征层得到多通道融合特征；
8、将用于提取多通道特征的3个卷积神经网络模型的卷积层经过展平后得到对应的线性层，加权平均后并联拼接构建融合决策层，spo2、鼾声、心率信号的3种模型对应的加权比例为3:4:3，多通道特征按加权比例经过融合决策层得到决策加权特征；
9、s5、分别将多通道融合特征和决策加权特征接入全连接分类器进行分类，得到睡眠呼吸检测结果。
10、上述技术方案中，通过变更输入的尺度调整信号片段中重叠部分，通过变更输入信号维度调整检测通道数，对应调整检测分辨率和通道数，得到多通道多分辨率检测结果。
11、将所述多通道融合特征接入全连接分类器中，得到多通道睡眠呼吸暂停检测结果。通过变更输入信号的尺度(在预处理阶段调整信号片段中的重叠部分)可将检测分辨率调节为1秒至10秒，通过变更输入信号维度调整检测通道数(在模型训练和预测阶段调整输入信号的通道数)可将模型调节为对应不同信号的单或多模态模型，由此得到可自主调节的多通道多分辨率检测结果。
12、多通道特征融合模块，用于通过融合特征层对多通道特征提取，不同神经网络的卷积层经过展平后得到对应的线性层，级联拼接后构建融合特征层，多通道特征经过融合特征层得到多通道融合特征；
13、多通道决策融合模块，用于通过融合决策层对多通道特征提取，不同神经网络的卷积层经过展平后得到对应的线性层，加权平均后并联拼接构建融合决策层，spo2、鼾声、心率信号的3种模型对应的加权比例为3:4:3，多通道特征经过融合决策层得到决策加权特征；
14、其中多通道特征融合模块和多通道决策融合模块互斥，在预测过程中只能选取其中一个模块。
15、所述多通道特征融合过程包括，将所得多通道特征基于特征层融合方法得到多通道融合特征，具体采用不同的神经网络的卷积层经过展平后得到对应的线性层，级联拼接后构建融合特征层。
16、所述多通道决策融合过程包括，将所得多通道特征基于决策层融合方法得到多通道融合特征，具体采用不同的神经网络的卷积层经过展平后得到对应的线性层，加权平均后并联拼接构建融合决策层，经过大量对比实验发现，当spo2、鼾声、心率信号的3种模型对应的权重比例为3:4:3时，模型分类结果表现最优。
17、融合分类模块，用于将由多通道融合模型所得多通道融合特征接入全连接分类器中进行分类得到多通道睡眠呼吸暂停检测结果，多通道睡眠呼吸暂停检测结果是根据自行选择的信号通道和检测分辨率所得的检测结果。
18、所述融合分类过程包括，将所述多通道融合特征接入全连接分类器进行分类，所述全连接分类器的分类节点数目为1320、440和2。
19、作为优选，所述多通道生理信号的预处理方法为：选用最近赋值法对多通道信号进行滤波处理，采用长度为168、步长为8的窗口函数对多通道信号进行分帧得到信号片段，确保每个信号片段包含前后各10秒的重叠部分。
20、作为优选，所述调整输入信号检测分辨率的方法为：改变构建信号片段时每个片段的重叠部分，即改变截取信号时的步长，使最后分类结果对应相应的检测分辨率。
21、作为优选，所述数据增强和随机处理的方法为：随机选择每个睡眠呼吸暂停事件作为平衡训练样本，并添加至训练数据队尾；随后，随机打乱构建好的多通道信号得到样本数据集。
22、作为优选，所述多层残差块包含两层卷积和残差连接的1×1卷积。
23、作为优选，在每个独立的卷积层和多层残差块中的卷积层操作之后还经过批量标准化层与激活函数，所述激活函数采用relu函数。
24、本专利技术还提供了一种实现上述一种多模态多分辨率睡眠呼吸暂停自动检测方法的系统，包括：
25、信号加窗分帧预处理模块，用于对输入的多通道生理信号进行滤波和加窗分帧，并对分帧后的信号对齐、随机增强；
26、多通道特征提取模块，用于通过多层卷积神经网络对多通道信号片段进行特征提取；
27、多通道特征融合模块，(1)用于通过融合特征层对多通道特征提取，得到融合特征；(2)用于通过融合决策层对多通道特征提取，得到决策加权特征。
28、融合分类模块，用于将多通道多分辨率融合特征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。
29、作为优选，所述全连接分类器的分类节点数目为1320、440和2。
30、作为优选，所述信号加窗分帧预处理过程包括，使用最近赋值法对本文档来自技高网...
【技术保护点】
1.一种多模态多分辨率睡眠呼吸暂停自动检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种多模态多分辨率睡眠呼吸暂停自动检测方法，其特征在于，所述多通道生理信号的预处理方法为：选用最近赋值法对多通道信号进行滤波处理，采用长度为168、步长为8的窗口函数对多通道信号进行分帧得到信号片段，使每个信号片段包含前后各10秒的重叠部分。
3.根据权利要求2所述的一种多模态多分辨率睡眠呼吸暂停自动检测方法，其特征在于，所述调整输入信号检测分辨率的方法为：改变构建信号片段时每个片段的重叠部分，即改变截取信号时的步长，使最后分类结果对应相应的检测分辨率。
4.根据权利要求1所述的一种多模态多分辨率睡眠呼吸暂停自动检测方法，其特征在于，所述数据增强和随机处理的方法为：随机选择每个睡眠呼吸暂停事件作为平衡训练样本，并添加至训练数据队尾；随后，随机打乱构建好的多通道信号得到样本数据集。
5.根据权利要求1所述的一种多模态多分辨率睡眠呼吸暂停自动检测方法，其特征在于，所述多层残差块包含两层卷积和残差连接的1×1卷积。
6.根据权利
7.实现权利要求1-6任意一项所述一种多模态多分辨率睡眠呼吸暂停自动检测方法的系统，其特征在于，包括：
8.根据权利要求7所述一种多模态多分辨率睡眠呼吸暂停自动检测系统，奇特在于，所述全连接分类器的分类节点数目为1320、440和2。
...【技术特征摘要】
1.一种多模态多分辨率睡眠呼吸暂停自动检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种多模态多分辨率睡眠呼吸暂停自动检测方法，其特征在于，所述多通道生理信号的预处理方法为：选用最近赋值法对多通道信号进行滤波处理，采用长度为168、步长为8的窗口函数对多通道信号进行分帧得到信号片段，使每个信号片段包含前后各10秒的重叠部分。
3.根据权利要求2所述的一种多模态多分辨率睡眠呼吸暂停自动检测方法，其特征在于，所述调整输入信号检测分辨率的方法为：改变构建信号片段时每个片段的重叠部分，即改变截取信号时的步长，使最后分类结果对应相应的检测分辨率。
4.根据权利要求1所述的一种多模态多分辨率睡眠呼吸暂停自动检测方法，其特征在于，所述数据增强和随机处理的方法为：随机选择...
【专利技术属性】
技术研发人员：许宏宇，应娜，李鸿宇，陈华华，
申请(专利权)人：杭州电子科技大学，
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。