一种基于特征融合的睡眠呼吸暂停检测方法及设备

本发明属于人工智能，具体涉及一种基于特征融合的睡眠呼吸暂停检测方法及设备。

背景技术：

1、睡眠呼吸暂停综合征是一种非常影响人身体健康的睡眠疾病，因此睡眠呼吸暂停的检测极为重要。其中多导睡眠图(polysomnography,psg)监测是最权威的检测方法，是公认的“金标准”。但是psg监测存在许多局限性，检测价格昂贵，需要专业人员操作，佩戴十分不便捷，因此难以满足日常生活的使用。

2、已有很多研究表明单导信号或者少数几导信号与睡眠事件密切相关，同时有相关研究使用鼻气流信号和呼吸信号等构建模型，也有使用血氧饱和度信号与鼻气流信号或者使用单导血氧饱和度信号或单导心电信号构建模型的。其中有使用人工选取特征构建神经网络模型进行睡眠呼吸暂停检测的，由于个体差异，人工选择的特征很难满足不同人群的检测需求，所以准确性较差。也有很多通过深度学习方法自动挑选特征构建模型的研究。由于深度学习模型的训练需要较多数据，大多使用开源数据库，训练出的模型对于不同设备准确度并不相同。同时采集数据过程中因为各种原因，导致部分时段信号出现异常，影响最终效果。并且大多数研究一般只使用一种数据库进行模型的训练，所以预测的泛化能力可能较弱。

3、目前，市面上已经有许多睡眠呼吸暂停检测的研究，使用的信号多为鼻气流信号、呼吸信号、鼾声信号、血氧饱和度信号和心电信号，算法主要包括传统的机器学习以及深度学习方法。

4、然而，现有的相关技术存在以下缺点：

5、1)现有技术大多使用传统人工提取特征进行检测分类，或使用深度学习对spo2信号进行检测，用于检测的特征种类比较单一。

6、2)现有研究大多使用信号构建睡眠呼吸暂停发生与否的二分类检测模型，从而检测结果。

7、3)现有技术在预处理过程大多对信号进行数据分段以及一些处理，如此，会造成一些数据误差，进行影响检测结果的准确度。

技术实现思路

1、为了解决现有技术中所存在的上述问题，本发明提供了一种基于特征融合的睡眠呼吸暂停检测方法及设备。

2、本发明要解决的技术问题通过以下技术方案实现：

3、本发明提供一种基于特征融合的睡眠呼吸暂停检测方法，包括：

4、获取待检测用户的预设时长的spo2信号，以及所述待检测用户的临床元数据；

5、对所述预设时长的spo2信号和所述待检测用户的临床元数据分别进行处理，对应得到预处理spo2数据和编码元数据；

6、对所述预处理spo2信号进行特征计算，得到spo2信号特征；

7、将所述预处理spo2数据作为第一路输入信号和第二路输入信号、所述spo2信号特征作为第三路输入信号，以及所述编码元数据作为第四路输入信号后，输入用于进行睡眠呼吸暂停检测的、训练得到的四路融合模型中，得到所述待检测用户的ahi分级结果；其中，所述四路融合模型的第一路网络为cnn-bilstm网络，第二路网络为bilstm-自注意力机制网络，第三路网络和第四路网络均为全连接层。

8、在一些实施例中，所述对所述预设时长的spo2信号和所述待检测用户的临床元数据分别进行处理，对应得到预处理spo2数据和编码元数据，包括：

9、对所述预设时长的spo2信号进行滤波去噪处理和缺失值处理，得到所述预处理spo2数据；

10、对所述待检测用户的临床元数据进行编码处理，得到所述编码元数据。

11、在一些实施例中，所述对所述预设时长的spo2信号进行特征计算，得到spo2信号特征，包括：

12、计算所述预设时长的spo2信号的线性特征；所述线性特征是与睡眠呼吸暂停事件相关的线性特征；

13、计算所述预设时长的spo2信号的非线性特征；所述非线性特征是与睡眠呼吸暂停事件相关的非线性特征；

14、将所述线性特征和所述非线性特征，作为所述spo2信号特征。

15、在一些实施例中，所述线性特征包括：信号最大值、信号最小值、信号平均值和方差；所述非线性特征包括：apen、lzc和ctm。

16、在一些实施例中，所述将所述预处理spo2数据作为第一路输入信号和第二路输入信号、所述spo2信号特征作为第三路输入信号，以及所述编码元数据作为第四路输入信号后，输入用于进行睡眠呼吸暂停检测的、训练得到的四路融合模型中，得到所述待检测用户的ahi分级结果，包括：

17、将所述预处理spo2数据作为第一路输入信号和第二路输入信号、所述spo2信号特征作为第三路输入信号，以及所述编码元数据作为第四路输入信号后，输入所述训练得到的四路融合模型；

18、通过所述第一路网络、所述第二路网络、所述第三路网络和所述第四路网络，分别对所述第一路输入信号、所述第二路输入信号、所述第三路输入信号和所述第四路输入信号进行处理，对应得到第一输出特征、第二输出特征、第三输出特征和第四输出特征；

19、对所述第一输出特征、所述第二输出特征、所述第三输出特征和所述第四输出特征进行通道融合处理，得到融合特征；

20、对所述融合特征进行随机失活处理、降维处理和映射处理，得到所述待检测用户的ahi分级结果；所述ahi分级结果用于表征所述待检测用户是否具有睡眠呼吸暂停综合征，以及具有的睡眠呼吸暂停综合征的轻重程度。

21、在一些实施例中，所述cnn-bilstm网络包括：cnn网络和第一bilstm网络；所述cnn网络的输出，作为所述第一bilstm网络的输入；

22、所述cnn网络依次包括：第一卷积块、第二卷积块和第三卷积块；其中，所述第一卷积块包括：卷积层c1、最大池化层z1和批量归一化层p1；所述第二卷积块包括：卷积层c2、最大池化层z2和批量归一化层p2；所述第三卷积块包括：两个卷积层c3、最大池化层z3和批量归一化层p3；所述卷积层c1、所述卷积层c2和所述卷积层c3的通道数量依次增大。

23、在一些实施例中，所述bilstm-自注意力机制网络包括：第二bilstm网络和自注意力机制；所述第二bilstm网络的输出，作为所述自注意力机制的输入。

24、在一些实施例中，在将所述预处理spo2数据作为第一路输入信号和第二路输入信号、所述spo2信号特征作为第三路输入信号，以及所述编码元数据作为第四路输入信号后，输入用于进行睡眠呼吸暂停检测的、训练得到的四路融合模型中，得到所述待检测用户的ahi分级结果之前，所述方法还包括：

25、获取多组带有ahi分级标签的原始数据；每组带有ahi分级标签的原始数据对应一个用户，且所述ahi分级标签用于表征所述用户是否具有睡眠呼吸暂停综合征，以及具有的睡眠呼吸暂停综合征的轻重程度；

26、对所述多组带有ahi分级标签的原始数据进行数据预处理，得到多组带有ahi分级标签的处理数据；

27、将所述多组带有ahi分级标签的处理数据，作为训练集；其中，每组带有ahi分级标签的处理数据为所述训练集中的一组样本数据，每组样本数据包括：第一路输入信号样本、第二路输入信号样本、第三路输入信号样本和第四路输入信号样本；

28、采用所述训练集和多类别交叉熵损失函数，对构建的四路融合模型进行训练，得到所述训练得到的四路融合模型。

29、在一些实施例中，所述预设时长至少为4小时。

30、本发明还提供一种基于特征融合的睡眠呼吸暂停检测设备，包括处理器、通信接口、存储器和通信总线，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行存储器上所存放的程序时，实现上述基于特征融合的睡眠呼吸暂停检测方法的步骤。

31、与现有技术相比，本发明的有益效果：

32、本发明提供的特征融合的睡眠呼吸暂停检测方法，一方面，通过将深度学习的spo2特征(即预处理spo2数据)、特征工程选取的spo2信号特征(即spo2信号特征)与人工选取的临床元数据(编码元数据)结合进行用户的ahi分级的检测，并且，在检测时，选用完整的spo2信号作为输入，不对完整的spo2信号进行分段处理，可以提高输入的特征全面性和准确性，从而提高检测结果的准确性，另一方面，通过使用一路cnn-bilstm网络，一路bilstm-自注意力机制网络，再加上两路全连接网络的融合模型进行用户的ahi分级的检测，可以提取更好的特征，从而提高检测结果的准确性。

33、以下将结合附图及对本发明做进一步详细说明。