【技术实现步骤摘要】
本专利技术涉及信息，尤其涉及一种睡眠障碍辅助判读方法、系统、计算机设备和存储介质。
技术介绍
1、在医学领域，睡眠障碍的准确判读能为临床医师提供发病原因、病程和遗传性及预后等诸多重要信息。临床上，睡眠疾病判读主要是通过多导睡眠图(polysomnography,psg)进行监测，由临床医师在睡眠障碍病房或者专业睡眠检测实验机构对患者进行监测，患者佩戴多导睡眠检测仪，通过全身信号传感器来实时采集全身各部位电生理信号，并通过配套的软件处理系统来对患者整晚睡眠期间的脑电图、肌电图、血氧饱和度、心电图、口鼻气流等进行记录，以此获得多导睡眠图，进而由医师进行睡眠医学标注。多导睡眠检测是临床睡眠障碍判读中的金标准。
2、睡眠微觉醒是一种短暂的由睡眠状态进入清醒状态又进入睡眠状态的过程，在通常情况下微觉醒不会引起睡眠阶段的大规模改变，在总体上也不减少患者整晚的有效睡眠时间，但频繁睡眠微觉醒易引发交感神经激活、非恢复性睡眠和白天嗜睡等症状。
3、近年来，深度神经网络在睡眠医学领域被广泛应用，其提供了自动、高效、精准的数据特征提取与逻辑回归等分析，其相较于机器学习手工设计特征，深度神经网络能自动从数据中自动提取相关特征并通过卷积层循环层全连接层等进行有监督的逻辑回归分类，从而实现端到端（即原始电生理信号到睡眠阶段或睡眠障碍种类）的分类。但现有的用于对睡眠阶段或睡眠障碍种类进行判读的深度神经网络模型在长时序信号特征的提取上存在不足，影响分类结果。
技术实现思路
1、本专利技术所
2、为解决上述技术问题，本专利技术睡眠障碍辅助判读方法包括如下步骤：
3、步骤一、获取睡眠原始数据集，原始数据集中的每一原始数据样本均为一次完整睡眠过程包含的睡眠片段及该睡眠片段所对应的睡眠障碍人工标注结果；
4、步骤二、设置不同的模型输入分辨率，基于各个模型输入分辨率对原始数据样本进行取样，根据取样结果确定每个模型输入分辨率对应的目标训练片段，每个目标训练片段对应一个睡眠障碍人工标注结果；
5、步骤三、基于目标训练片段及目标训练片段对应的睡眠障碍人工标注结果，构建睡眠障碍辅助判读模型并进行训练，得到训练后的睡眠障碍辅助判读模型，所述睡眠障碍辅助判读模型采用编码器-解码器结构；
6、步骤四、基于训练后的睡眠障碍辅助判读模型，确定待判读的睡眠相关信号对应的睡眠障碍判读结果，训练后的睡眠障碍辅助判读模型可联合判读多种睡眠障碍事件。
7、进一步，所述编码器-解码器结构中，编码器包括多个ccmp结构，ccmp结构包括卷积核尺寸不同的多个卷积层和最大池化层。
8、进一步，所述编码器-解码器结构中，解码器包括多个ccu结构，ccu结构包括卷积核尺寸不同的多个卷积层和上采样层。
9、进一步，所述睡眠障碍辅助判读方法还包括对原始数据样本进行数据增强，所述原始数据集中，每一原始数据样本包含多个不同生理信号，通过对属于相同生理类别的信号片段进行互换，以生成新的数据样本，实现对原始数据样本的数据增强。
10、进一步，所述步骤二中，按预设时间点对原始数据样本进行取样，得到不同模型输入分辨率对应的目标训练片段。
11、进一步，所述步骤三中，通过对睡眠障碍辅助判读模型进行训练，得到不同模型输入分辨率对应的模型分类结果；训练后的睡眠障碍辅助判读模型的分类结果由不同模型输入分辨率对应的模型分类结果通过加权组合得到。
12、进一步，所述步骤四中，确定睡眠相关信号对应的睡眠障碍人工标注结果与睡眠相关信号对应的睡眠障碍判读结果之间的误差值；若误差值大于预设误差，则根据误差值调整训练后的睡眠障碍辅助判读模型的参数。
13、一种基于上述方法的睡眠障碍辅助判读系统包括：
14、数据获取模块，用于获取睡眠原始数据集，原始数据集中的每一原始数据样本均为一次完整睡眠过程包含的睡眠片段及该睡眠片段所对应的睡眠障碍人工标注结果；
15、取样模块，用于设置不同的模型输入分辨率，基于各个模型输入分辨率对原始数据样本进行取样，根据取样结果确定每个模型输入分辨率对应的目标训练片段，每个目标训练片段对应一个睡眠障碍人工标注结果；
16、训练模块，用于基于目标训练片段及目标训练片段对应的睡眠障碍人工标注结果，构建睡眠障碍辅助判读模型并进行训练，得到训练后的睡眠障碍辅助判读模型，睡眠障碍辅助判读模型采用编码器-解码器结构；
17、辅助判读模块，用于基于训练后的睡眠障碍辅助判读模型，确定待判读的睡眠相关信号对应的睡眠障碍判读结果，所述训练后的睡眠障碍辅助判读模型能够联合判读多种睡眠障碍事件。
18、一种计算机设备，包括存储器及处理器，所述存储器存储有计算机程序，所述处理器执行所述存储器的计算机程序时实现上述方法的步骤。
19、一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
20、由于本专利技术睡眠障碍辅助判读方法、系统、计算机设备和存储介质采用了上述技术方案，即首先获取睡眠原始数据集，原始数据集中的每一原始数据样本均为一次完整睡眠过程包含的睡眠片段及该睡眠片段所对应的睡眠障碍人工标注结果；接着设置不同的模型输入分辨率，基于各个模型输入分辨率对原始数据样本进行取样，根据取样结果确定每个模型输入分辨率对应的目标训练片段，每个目标训练片段对应一个睡眠障碍人工标注结果；然后基于目标训练片段及目标训练片段对应的睡眠障碍人工标注结果，采用编码器-解码器结构构建睡眠障碍辅助判读模型进行训练，得到训练后的睡眠障碍辅助判读模型，；最后基于训练后的睡眠障碍辅助判读模型，确定待判读的睡眠相关信号对应的睡眠障碍判读结果，训练后的睡眠障碍辅助判读模型能够联合判读多个睡眠障碍种类。本方法采用编码器-解码器的设计逻辑，允许模型在多个时间尺度上捕获和跨数据点交互，能在不同比例尺寸和时间跨度捕捉长距离和短距离的时序信号信息，弥补现有模型在长时序信号上提取特征能力的不足，得到准确率更高的分类结果，提高睡眠障碍判读的准确性。
本文档来自技高网...【技术保护点】
1.一种睡眠障碍辅助判读方法，其特征在于本方法包括如下步骤：
2.根据权利要求1所述的睡眠障碍辅助判读方法，其特征在于：所述编码器-解码器结构中，编码器包括多个CCMP结构，CCMP结构包括卷积核尺寸不同的多个卷积层和最大池化层。
3.根据权利要求1所述的睡眠障碍辅助判读方法，其特征在于：所述编码器-解码器结构中，解码器包括多个CCU结构，CCU结构包括卷积核尺寸不同的多个卷积层和上采样层。
4.根据权利要求1所述的睡眠障碍辅助判读方法，其特征在于：所述方法还包括对原始数据样本进行数据增强，所述原始数据集中，每一原始数据样本包含多个不同生理信号，通过对属于相同生理类别的信号片段进行互换，以生成新的数据样本，实现对原始数据样本的数据增强。
5.根据权利要求1所述的睡眠障碍辅助判读方法，其特征在于：所述步骤二中，按预设时间点对原始数据样本进行取样，得到不同模型输入分辨率对应的目标训练片段。
6.根据权利要求1所述的睡眠障碍辅助判读方法，其特征在于：所述步骤三中，通过对睡眠障碍辅助判读模型进行训练，得到不同模型输入分辨率对应的
7.根据权利要求1所述的睡眠障碍辅助判读方法，其特征在于：所述步骤四中，确定睡眠相关信号对应的睡眠障碍人工标注结果与睡眠相关信号对应的睡眠障碍判读结果之间的误差值；若误差值大于预设误差，则根据误差值调整训练后的睡眠障碍辅助判读模型的参数。
8.一种基于权利要求1至7任一项所述方法的睡眠障碍辅助判读系统，其特征在于，所述系统包括：
9.一种计算机设备，包括存储器及处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述存储器的计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
...【技术特征摘要】
1.一种睡眠障碍辅助判读方法，其特征在于本方法包括如下步骤：
2.根据权利要求1所述的睡眠障碍辅助判读方法，其特征在于：所述编码器-解码器结构中，编码器包括多个ccmp结构，ccmp结构包括卷积核尺寸不同的多个卷积层和最大池化层。
3.根据权利要求1所述的睡眠障碍辅助判读方法，其特征在于：所述编码器-解码器结构中，解码器包括多个ccu结构，ccu结构包括卷积核尺寸不同的多个卷积层和上采样层。
4.根据权利要求1所述的睡眠障碍辅助判读方法，其特征在于：所述方法还包括对原始数据样本进行数据增强，所述原始数据集中，每一原始数据样本包含多个不同生理信号，通过对属于相同生理类别的信号片段进行互换，以生成新的数据样本，实现对原始数据样本的数据增强。
5.根据权利要求1所述的睡眠障碍辅助判读方法，其特征在于：所述步骤二中，按预设时间点对原始数据样本进行取样，得到不同模型输入分辨率对应的目标训练片段。
6.根据权利要求1所述的睡眠障...
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。