CN108091391A - 病症评估方法、终端设备及计算机可读介质 - Google Patents
病症评估方法、终端设备及计算机可读介质 Download PDFInfo
- Publication number
- CN108091391A CN108091391A CN201711468296.XA CN201711468296A CN108091391A CN 108091391 A CN108091391 A CN 108091391A CN 201711468296 A CN201711468296 A CN 201711468296A CN 108091391 A CN108091391 A CN 108091391A
- Authority
- CN
- China
- Prior art keywords
- sleep apnea
- sample data
- data
- unit interval
- hmm model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例公开了病症评估方法、终端设备及计算机可读介质,其中方法包括:获取第一单位时间内的目标睡眠呼吸暂停数据,输入a个改进HMM模型,以获得目标改进HMM模型输出的睡眠呼吸暂停评估结果,用于指示与所述目标睡眠呼吸暂停数据对应的用户在所述第一单位时间内是否出现睡眠呼吸暂停,所述目标改进HMM模型为所述a个改进HMM模型中似然度最大的改进HMM模型,所述改进HMM模型的观察概率矩阵为RF模型,不同所述改进HMM模型的RF模型通过输入基于第一分类病症等级的不同的第一睡眠呼吸暂停样本数据训练得到。采用本发明实施例,可智能地对用户进行睡眠呼吸暂停病症诊断,提升病症评估的准确性和方便快捷性。
Description
技术领域
本发明涉及智能医疗技术领域,尤其涉及病症评估方法、终端设备及计算机可读介质。
背景技术
睡眠呼吸暂停综合症(征)(sleep apnea syndrome,SAS)是一种目前病因和发病机制不甚明朗的症状,临床表现主要有:夜间睡眠打鼾伴随呼吸暂停以及白天嗜睡等症状。由于呼吸暂停可以造成反复发作的高碳酸血症和夜间低氧,因此会导致冠心病、糖尿病、脑血管疾病等并发症,严重者甚至可以造成夜间猝死。如何准确诊断睡眠呼吸暂停综合征,是夜间医学的重要一环。
为解决上述问题,现有技术提出的SAS检测方法主要有:X线投影检测、多导睡眠图(Polysolnogram,PSG)检测、鼻咽纤维镜检测。然而在实践中发现,现有技术提供的SAS检测方法均依赖于昂贵地医疗设备,难以普及。特别是,PSG检测方法,需在配有昂贵医疗设备的睡眠监测室中进行7小时以上的检测,监测信号较多,且需要专业技术人员进行诊断,以分析用户是否患有睡眠呼吸暂停综合征以及患有睡眠呼吸暂停综合征时用户的病情严重程度等,这样带来了大量人力成本和设备成本的消耗,不易普及。因此需设计一种简便地病症评估方案。
发明内容
本发明实施例提供一种病症评估方法,能够智能便捷地诊断用户所属的睡眠呼吸暂停病症等级,提升病症评估的方便快捷性和准确性。
第一方面,本发明实施例提供了一种病症评估方法,该方法包括:
获取第一单位时间内的目标睡眠呼吸暂停数据;
将所述目标睡眠呼吸暂停数据输入a个改进HMM模型,所述改进HMM模型的观察概率矩阵为RF模型,不同所述改进HMM模型的RF模型通过输入基于第一分类病症等级的不同的第一睡眠呼吸暂停样本数据训练得到,所述a为正整数;
确定所述a个改进HMM模型中似然度最大的改进HMM模型为目标改进HMM模型,并获取所述目标改进HMM模型输出的睡眠呼吸暂停评估结果,所述睡眠呼吸暂停评估结果用于指示与所述目标睡眠呼吸暂停数据对应的用户在所述第一单位时间内是否出现睡眠呼吸暂停。
在一些可能的实施例中,不同所述改进HMM模型的转移概率矩阵基于不同第二分类病症等级的第二睡眠呼吸暂停样本数据获取,同一所述改进HMM模型的所述第一睡眠呼吸暂停样本数据与所述第二睡眠呼吸暂停样本数据均包含同一病症等级的睡眠呼吸暂停样本数据。
在一些可能的实施例中,所述目标睡眠呼吸暂停数据包括第二单位时间的睡眠呼吸暂停数据,所述第一单位时间包括所述第二单位时间且所述第一单位时间大于所述第二单位时间。
在一些可能的实施例中,所述目标睡眠呼吸暂停数据包括第i-n个第二单位时间至第i+m个第二单位时间内的睡眠呼吸暂停数据,其中,i为正整数,n为正整数,m为正整数。
在一些可能的实施例中,所述第一睡眠呼吸暂停样本数据包括第二单位时间的第一睡眠呼吸暂停样本数据,所述第一睡眠呼吸暂停样本数据包括所述第一睡眠呼吸暂停样本数据的睡眠呼吸暂停标签,所述第一睡眠呼吸暂停标签用于指示与所述第一睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内是否出现睡眠呼吸暂停。
在一些可能的实施例中,所述第二睡眠呼吸暂停样本数据包括第二单位时间的第二睡眠呼吸暂停样本数据,所述第二睡眠呼吸暂停样本数据包括所述第二睡眠呼吸暂停样本数据的睡眠呼吸暂停标签,所述第二睡眠呼吸暂停标签用于指示与所述第二睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内是否出现睡眠呼吸暂停。
在一些可能的实施例中,所述将所述目标睡眠呼吸暂停数据输入睡眠呼吸暂停评估模型之前,所述方法还包括:
获取所述a个改进HMM模型。
在一些可能的实施例中,所述获取所述a个改进HMM模型包括:
获取所述第一单位时间的基于第二分类病症等级的a个第三睡眠呼吸暂停样本数据;
将所述a个第三睡眠呼吸暂停样本数据分别作为所述a个改进HMM模型的输入,训练所述a个改进HMM模型,对应得到训练后的所述a个改进HMM模型,其中,同一所述改进HMM模型的所述第二睡眠呼吸暂停样本数据与所述第三睡眠呼吸暂停样本数据均包含同一病症等级的睡眠呼吸暂停样本数据。
在一些可能的实施例中,所述方法还包括:
获取预设数量的所述第一单位时间的睡眠呼吸暂停样本数据,所述睡眠呼吸暂停样本数据包括以下中的任一项:第一睡眠呼吸暂停样本数据、第二睡眠呼吸暂停样本数据以及第三睡眠呼吸暂停样本数据。
在一些可能的实施例中,所述获取预设数量的所述第一单位时间的睡眠呼吸暂停样本数据包括:
获取预设数量的用户的睡眠呼吸暂停数据;
基于第三单位时间对所述睡眠呼吸暂停样本数据进行标记处理,从而获得包括一个或多个睡眠呼吸暂停标记的所述睡眠呼吸暂停标记数据,其中,所述第二单位时间包括多个所述第三单位时间;
根据所述睡眠呼吸暂停标记数据以及所述第二单位时间,获得所述预设数量的睡眠呼吸暂停样本数据以及所述睡眠呼吸暂停样本数据的睡眠呼吸暂停标签;其中,在所述第二单位时间内出现连续的所述睡眠呼吸暂停标记的数量超过预设阈值的情况下,所述睡眠呼吸暂停标签用于指示与所述睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内出现睡眠呼吸暂停;否则,所述睡眠呼吸暂停标签用于指示与所述睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内未出现睡眠呼吸暂停。
在一些可能的实施例中,所述获取所述目标改进HMM模型输出的睡眠呼吸暂停评估结果之后,所述方法还包括:
根据多个所述睡眠呼吸暂停评估结果确定所述用户所属的睡眠呼吸暂停病症等级;
其中,所述睡眠呼吸暂停病症等级包括以下中的任一项:健康等级、重度等级、中度等级、轻度等级。
第二方面,本发明实施例提供了一种终端设备,该终端设备包括用于执行上述第一方面的方法的单元。
第三方面,本发明实施例提供了另一种终端设备,包括:处理器、存储器、通信接口和总线;所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信;所述存储器存储可执行程序代码;所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以执行上述第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例中终端设备获取第一单位时间内的目标睡眠呼吸暂停数据,将所述目标睡眠呼吸暂停数据输入a个改进HMM模型,以获得目标改进HMM模型输出的睡眠呼吸暂停评估结果,所述睡眠呼吸暂停评估结果用于指示与所述目标睡眠呼吸暂停数据对应的用户在所述第一单位时间内是否出现睡眠呼吸暂停,所述目标改进HMM模型为所述a个改进HMM模型中似然度最大的改进HMM模型,所述改进HMM模型的观察概率矩阵为RF模型,不同所述改进HMM模型的RF模型通过输入基于第一分类病症等级的不同的第一睡眠呼吸暂停样本数据训练得到,a为正整数。采用本发明实施例,能够智能地针对不同呼吸暂停病症等级的用户选择适合的HMM模型进行睡眠呼吸暂停病症诊断,提升了病症评估的方便快捷性和准确性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种病症评估方法的示意流程图;
图2是本发明实施例提供的一种预设HMM模型的示意性框图;
图3是本发明另一实施例提供的一种病症评估方法的示意流程图;
图4是本发明实施例提供的一种终端设备的示意性框图;
图5是本发明另一实施例提供的一种终端设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中,本发明实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端。然而,应当理解的是,终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
参见图1,是本发明实施例提供一种病症评估方法的示意流程图,如图1所示的方法可包括如下实施步骤:
步骤S102、终端设备获取第一单位时间内的目标睡眠呼吸暂停数据。
本申请中,所述目标睡眠呼吸暂停数据可包括第二单位时间的睡眠呼吸暂停数据,所述第一单位时间包括所述第二单位时间且所述第一单位时间大于所述第二单位时间。
所述睡眠呼吸暂停数据可为用于判定用户是否出现睡眠呼吸暂停的生理数据,所述生理数据包括但不限于心电(ectrocarduiography,ECG)数据、光电容积脉搏波描记法(photoplethysmography,PPG)数据、心冲击信号(ballistocardiogram,BCG)数据、心震图(seismocardiogram,SCG)数据、心阻抗图(impedance cardiogram,ICG)数据、脉搏(PulseWave,PW)数据、血压(Blood Pressure,BP)数据等等。
所述第一单位时间和所述第二单位时间为用户侧或所述终端设备侧自主设置的时段度量单位,该时段度量单位可为分钟min、小时h、秒s等等,本发明不做限定。本申请中,所述第一单位时间所包含的时段时长大于所述第二时间单元所对应包含的时段时长,即是所述第一单位时间大于所述第二单位时间,具体地,该第一单位时间可以为第二单位时间的整数倍,例如第一单位时间为第二单位时间的3倍,该第一单位时间也可以不为第二单位时间的整数倍,例如第一单位时间为第二单位时间的1.5倍。例如当前所述第二单位时间的睡眠呼吸暂停数据为第5分钟的睡眠呼吸暂停数据,则对应的所述第一单位时间的目标呼吸暂停数据可为包括距离第5分钟前后3分钟的睡眠呼吸暂停数据,也即是包含第2分钟至第8分钟内的睡眠呼吸暂停数据,又例如当前所述第二单位时间的睡眠呼吸暂停数据为第5分钟的睡眠呼吸暂停数据,则对应的所述第一单位时间的目标呼吸暂停数据可为包括距离第5分钟前后0.5分钟的睡眠呼吸暂停数据,也即是包含第4.5分钟至第6.5分钟内的睡眠呼吸暂停数据。
步骤S104、所述终端设备将所述目标睡眠呼吸暂停数据输入a个改进隐马尔可夫(Hidden Markov Model,HMM)模型,从而获得目标改进HMM模型输出的睡眠呼吸暂停评估结果。
其中,所述睡眠呼吸暂停评估结果用于指示与所述目标睡眠呼吸暂停数据对应的用户在所述第一单位时间内是否出现睡眠呼吸暂停,所述目标改进HMM模型为所述a个改进HMM模型中似然度最大的改进HMM模型,所述改进HMM模型的观察概率矩阵为随机森林(Random Forest,RF)模型,不同所述改进HMM模型的RF模型通过输入基于第一分类病症等级的不同的第一睡眠呼吸暂停样本数据训练得到,a为正整数。
本申请中,所述改进HMM模型为将HMM模型中的观察概率矩阵替换为RF模型。现有技术中HMM模型中的观察概率矩阵是通过高斯混合模型(Gaussian Mixture-based Model,GMM)自动生成的,也即是HMM模型中的观察概率矩阵服从高斯分布。由于GMM表达能力有限,将影响HMM模型病症诊断的准确性,且HMM的状态转移概率矩阵(本申请下文也称转移概率矩阵)是随机赋值的,增加了模型优化的难度和时间。因此本申请中,采用RF模型代替GMM(即采用改进HMM模型)可以增强HMM模型的标定能力,提高病症评估的精准性和准确率,而且简化了模型的优化过程,降低模型复杂度,提高终端运算效率。具体将在下文进行详细阐述。
此外,本申请还考虑到不同用户的睡眠呼吸暂停数据的差异性较大,例如重度用户和健康用户各自对应的睡眠呼吸暂停数据之间差异性最为明显,特提出基于不同用户的分类病症等级(如健康、轻度、中度以及重度等级等)给出不同的病症评估模型(即改进HMM模型),以选取最优模型来对用户进行病症评估和预测,即本申请中利用a个改进HMM模型来同时对用户进行病症评估,从中选择出似然度最大的改进HMM模型作为目标改进HMM模型,获得该目标改进HMM模型输出的睡眠呼吸暂停评估结果,作为该用户的病症评估结果。其具体实施将在下文进行详细阐述。
下面介绍本申请涉及的一些具体实施例以及可选实施例。
步骤S102中,首先所述终端设备可获取用户在第一单位时间内的生理数据,关于所述生理数据的获取方式本发明不做限定,例如通过网络从服务器或其他设备中获取,或者从本地数据库中提取等。关于所述生理数据可参见前述实施例中的相关阐述,这里不再赘述。
其次,所述终端设备可对所述生理数据进行特征提取,得到所述第一单位时间内的生理特征数据(本申请中称为目标睡眠呼吸暂停数据)。该生理特征数据可用于判定用户在所述第一单位时间内是否出现睡眠呼吸暂停。以所述生理数据包括心电ECG数据(ECG信号)为例,所述终端设备可对所述ECG数据进行诸如R波监测、RR间距的计算等特征提取处理,以提取出所述ECG数据中的ECG特征数据。所述ECG特征数据也可称心率变异性(HeartRate Variability,HSV)数据。具体的,所述终端设备可对所述ECG数据进行线性特征提取和/或非线性特征提取处理。相应地,当所述终端设备对所述ECG数据进行线性特征提取处理时,得到的所述ECG特征数据可为线性域特征数据。当所述终端设备对所述ECG数据进行非线性特征提取处理时,得到的所述ECG特征数据可为非线性域特征数据。
在可选实施例中,所述线性特征提取处理具体可分为时域特征提取和频域特征提取处理。相应地,所述线性域特征数据可包括时域特征数据和频域特征数据。下面示例性地给出几种时域特征提取方法和频域特征提取方法。例如,所述时域特征提取方法可包括以下中的任一项:Mean RR、MSD、Mean SD、SDNN、SDANN、r MSSD、PNN50、SDSD、NN50等等。其中,Mean RR为间期平均值,用于反映心率变异性HSV的平均水平,英文全称为mean of RRintervals。MSD为相邻RR间期之间差的绝对值的平均值,英文全称为mean suecessivedifferenees。Mean SD为RR间期标准差均值,英文全称RR interphase sd means。SDNN为窦性心搏RR间期的标准差,英文全称为standard deviation of normal to normalintervals。SDANN用于表示5分钟时间内RR间期的平均值的标准差,英文全称为Standarddeviation of the average of NN intervals in alls minutes of the entirerecording。r MSSD用于表示相邻RR间期之间差值的均方根,英文全称为The root meansquare of difference between adjacent NN intervals。PNN50表示窦性相邻RR间期之间差值超过50毫秒的心搏数与RR间期总心搏数的比值,英文全称为Percent of NN 50inthe total number of RR intervals。SDSD用于表示全部RR间期差值的标准差,英文全称为Standard deviation of Successive Difference between adjacent cycles。NN50为全部RR间期中,相邻的RR间期之差大于50ms的心搏数,英文全称为number of pairs ofadjacent normal to normal intervals differing by more than 50ms。
所述频域特征提取方法包括以下提取方法中的任一项:ULF、VLF、HF、LF、nULF、nVLF、nHF、nLF等等。其中,ULF为超低频,用于反映昼夜周期节律和神经内分泌节律的影响,英文全称为Ultra Low Frequency。VLF为极低频,与热量调节和体液调节相关,英文全称为Very Low Frequency。相应地,HF为高频,英文全称为High Frequency。LF为低频,英文全称为Low Frequency。nULF为归一化的超低频,英文全称为normal Ultra Low Frequency。nVLF为归一化的极低频,英文全称为normal Very Low Frequency。nHF为归一化的高频,英文全称为normal High Frequency。nLF为归一化的低频,英文全称为normal LowFrequency。
在可选实施例中,所述非线性特征提取处理的具体方式本发明不做限定。例如,所述终端设备通常可通过非线性的系统理论和方法对ECG信号(即ECG数据)进行探究,通过处理庞加莱散点图的方式得出非线性域数据。关于非线性域特征提取的具体实施方式本发明实施例不做详述和限定。
在步骤S104之前,所述终端设备还需训练所述a个改进HMM模型。其中,每个改进HMM模型的训练具体将涉及RF模型和改进HMM模型的训练,下面进行分别阐述。
第一、训练q个RF模型。
首先,所述终端设备需获取训练样本数据(本申请也称为第一睡眠呼吸暂停样本数据)。其中,所述训练样本数据包括基于第一分类病症等级的q个第一睡眠呼吸暂停样本数据,所述q个第一睡眠呼吸暂停样本数据分别为用于训练所述q个RF模型的训练样本数据,其中一个RF模型对应一个第一睡眠呼吸暂停样本数据。
应理解的,所述第一分类病症等级是指根据RF模型训练需求,可将不同用户的睡眠呼吸暂停样本数据进行病症等级分类,使得每个所述第一睡眠呼吸暂停样本数据可包括q1种用户病症等级的睡眠呼吸暂停样本数据。
即是,每个所述第一睡眠呼吸暂停样本数据中可包括q1种用户病症等级的睡眠呼吸暂停样本数据,其中q1为正整数,且所述q1种用户病症等级的睡眠呼吸暂停样本数据为用户侧或终端设备侧自定义设置的。可选的,每个所述第一睡眠呼吸暂停样本数据可包括以下用户病症等级的睡眠呼吸暂停样本数据中的任一项或多项的组合:重度等级、中度等级、轻度等级以及健康等级等等。例如,设计一个用于诊断所有用户的睡眠呼吸暂停病症的RF模型,则相应地该RF模型使用的训练样本数据(即一个所述第一睡眠呼吸暂停样本数据)可包括所有病症等级的用户的睡眠呼吸暂停样本数据,如重度用户、轻度用户、中度用户以及健康用户睡眠呼吸暂停样本数据。又如,设计一个用于诊断重度用户的睡眠呼吸暂停病症的RF模型,则相应地该RF模型使用的训练样本数据(即一个所述第一睡眠呼吸暂停样本数据)可仅包括重度用户的睡眠呼吸暂停样本数据等,本申请不做限定。
每个所述第一睡眠呼吸暂停样本数据可包括预设数量的用户的生理数据以及医生对应给出的病情诊断结果数据(本申请中称为病情诊断数据)。所述预设数量的用户包括一组或多组的用户,且每组用户的数量也不做限定。
具体实现中,所述终端设备可获取预设数量的用户在第一单位时间内的生理数据,然后对该生理数据进行特征提取,从而获得预设数量的用户在第一单位时间内的生理特征数据(即本申请中的睡眠呼吸暂停数据)。关于所述特征提取可参见前述步骤S102中的相关阐述,这里不再赘述。
进一步地,所述终端设备可对所述生理特征数据进行标记处理,即对所述睡眠呼吸暂停数据打标签,以获得对应的睡眠呼吸暂停标记数据,所述睡眠呼吸暂停标记数据携带/包含有睡眠呼吸暂停标记,所述睡眠呼吸暂停标记用于指示所述用户是否出现睡眠呼吸暂停。然后,根据所述睡眠呼吸暂停标记数据获得睡眠呼吸暂停标签数据。
具体的,所述终端设备可按照第三单位时间来对所述睡眠呼吸暂停数据(即上述的生理特征数据)进行标记处理,从而获得多个连续的睡眠呼吸暂停标记数据。所述睡眠呼吸暂停标记或者所述睡眠呼吸暂停标记数据用于指示/反映所述用户在第三单位时间内是否出现了睡眠呼吸暂停。所述第三单位时间为用户侧或所述终端设备侧自主设置的,所述第二单位时间大于所述第三单位时间,例如所述第二单位时间可以分钟min为度量单位,所述第三单位时间以秒s为度量单位。
所述终端设备按照所述第二单位时间对所述多个连续的睡眠呼吸暂停标记数据进行划分,从而得到多个所述第二单位时间内的睡眠呼吸暂停样本数据以及所述睡眠呼吸暂停样本数据的睡眠呼吸暂停标签。所述睡眠呼吸暂停标签或所述睡眠呼吸暂停样本数据用于指示所述用户在所述第二单位时间内是否出现了睡眠呼吸暂停。每个所述睡眠呼吸暂停样本数据可包含多个所述睡眠呼吸暂停标记数据,例如1min的睡眠呼吸暂停样本数据包括有60个1s的睡眠呼吸暂停标记数据。进一步地,当所述终端设备检测到所述第二单位时间内出现连续的目标睡眠呼吸暂停标记数据的数量超过第一阈值的情况下,则所述第二单位时间内对应的睡眠呼吸暂停样本数据或者睡眠呼吸暂停标签用于指示所述用户在所述第二单位时间内出现了睡眠呼吸暂停;否则,所述第二单位时间内对应的睡眠呼吸暂停样本数据或者睡眠呼吸暂停标签用于指示所述用户在所述第二单位时间内并未出现睡眠呼吸暂停。其中,所述目标睡眠呼吸暂停标记数据用于指示所述用户在所述第三单位时间内出现了睡眠呼吸暂停。所述第一阈值为用户侧或终端设备侧自主设置的。
在可选实施例中,所述睡眠呼吸暂停标记或者所述睡眠呼吸暂停标签可用预设字符串、预设数值等形式表示。例如,所述睡眠呼吸暂停标记可用“0”表示用户在第三单位时间内并未出现睡眠呼吸暂停;相应地,用“1”表示用户在第三单位时间内出现了睡眠呼吸暂停。
在可选实施例中,所述第一阈值可为用户侧或终端设备侧自定义设置的,本申请不做限定。
下面通过一个例子进行详细说明。以所述第三单位时间为秒,所述第二单位时间为分钟为例,所述终端设备以第三单位时间(秒)为单位,对所述第二单位时间内的睡眠呼吸暂停数据进行标记,得到多个连续的睡眠呼吸暂停标记数据。例如用“1”表示当前一秒内用户发生/出现了睡眠呼吸暂停;相应地,用“0”表示当前一秒内用户未发生睡眠呼吸暂停。以60秒(1分钟)为第二单位时间进行划分,所述终端设备可统计得到所述第二单位时间内的睡眠呼吸暂停样本数据。每个睡眠呼吸暂停样本数据可包括多个睡眠呼吸暂停标记数据,这里即是每分钟的睡眠呼吸暂停样本数据可包括60个睡眠呼吸暂停标记数据。进一步地,所述终端设备可统计每分钟内(即第二单位时间内)出现连续“1”的数量是否超过第一阈值(如40),若超过,则所述终端设备可认为所述用户在这一分钟内(所述第二单位时间内)出现了睡眠呼吸暂停,可将这一分钟(第二单位时间内)的睡眠呼吸暂停样本数据标记为睡眠呼吸暂停数据,即是所述第二单位时间内的睡眠呼吸暂停样本数据的睡眠呼吸暂停标签用于指示用户在所述第二单位时间内出现睡眠呼吸暂停;否则,认为所述用户在这一分钟内(所述第二单位时间内)未出现睡眠呼吸暂停,将这一分钟的睡眠呼吸暂停样本数据标记为正常数据,即是所述第二单位时间内的睡眠呼吸暂停样本数据的睡眠呼吸暂停标签用于指示用户在所述第二单位时间内并未出现睡眠呼吸暂停。
应理解的是,在模型训练时,所述第一阈值是可调的。具体可根据真实用户的睡眠呼吸暂停样本数据来调整该第一阈值,以保证模型更优、更准确。
其次,所述终端设备需创建待训练的q个模式识别模型。该模式识别模型可用于评估用户的睡眠呼吸暂停病症,这里即可为随机森林(Random Forest,RF)模型。
在可选实施例中,在特征提取之后,所述终端设备还可对所述生理特征数据(即睡眠呼吸暂停数据)进行预处理,从而获得处理后的生理特征数据,以便终端设备利用处理后的生理特征数据进行后续的相关处理,如标记处理等。
所述预处理包括以下中的任一项或多项组合:数据去重处理、异常数据处理、归一化处理、格式转换处理等等。以异常数据处理为例,由于采集信号不连续,造成特征提取后的数据出现异常,因此所述终端设备可将训练样本数据中心率超过100次/分钟的数据剔除以及将心率为0次/分钟的数据剔除。又如以归一化数据为例,由于生理数据的种类或数据之间的不单一性,因此需将数据处理为统一格式的数据,利于模型优化。
在可选实施例中,在打完标签之后,所述终端设备还可对所述睡眠呼吸暂停样本数据进行上下文关联。
具体的,每个用户的睡眠呼吸暂停数据都有一定的关联性,这里即是用户每一时刻的睡眠呼吸暂停样本数据与前一段时间和后一段时间的睡眠呼吸暂停样本数据均有关联。因此所述终端设备在诊断第i时段的睡眠呼吸暂停样本数据时,所述终端设备可将距离第i时段的前m个时段以及后n个时段之间的睡眠呼吸暂停样本数据进行关联,其中,i、m、n均为正整数。也即是本申请中,针对每个第一单位时间内的目标睡眠呼吸暂停数据而言,其具体可包括第i-n个第二单位时间至第i+m个第二单位时间内的睡眠呼吸暂停数据。
假设模式识别模型支持的输入数据的格式为列向量,则所述终端设备可将第i时段的L*1的列向量Dn以及前m时段和后n时段内的睡眠呼吸暂停样本数据,组合成为一个L*(m+m+1)的矩阵,然后所述终端设备可将该矩阵转换为一维列向量,所述终端设备最终将该一维列向量作为用于表征第i时段的睡眠呼吸暂停样本数据(即第i个第一单位时间内的睡眠呼吸暂停样本数据)。关于针对矩阵或向量数据的转换,本发明不做详述,但为保证数据处理过程中矩阵/向量维度的一致性,可采用部0的方式处理,即在一组数据的前面或后面补0。这里的睡眠呼吸暂停样本数据可以是打完标签以及预处理之后所得的睡眠呼吸暂停样本数据。可以理解,由于呼吸暂停事件发生时间上的前后关联性,所以通过对呼吸暂停样本数据进行上下文关联处理,将使得基于该呼吸暂停样本数据获取到的改进HMM模型更为准确。
需要说明的是,所述第i时段、前m时段、后n时段中关于时段的度量单位与所述第二单位时间的度量单位相同,例如都以分钟为度量单位,下文将以一个实例进行详细说明。
需要说明的是,上述打标签、预处理以及上下文关联的过程可具体放在所述模式识别模型内部进行处理,也可放在所述模式识别模型外部处理。应理解的,当放在模式识别模型处理时,则输入至所述模式识别模型中的睡眠呼吸暂停样本数据是未经标记/打标签、预处理以及上下文关联的睡眠呼吸暂停样本数据。
应理解的,在数据处理过程中,所述睡眠呼吸暂停样本数据中携带的睡眠呼吸暂停标签(具体为所述终端设备对所述睡眠呼吸暂停样本数据打完标签后所产生获得的)并不会随着数据的中间处理过程(如预处理、上下文关联处理等)而发生变化。
最后,所述终端设备分别利用所述q个第一睡眠呼吸暂停样本数据对所述q个模式识别模型进行训练,从而获得训练好的所述q个RF模型。其中,一个所述第一睡眠呼吸暂停样本数据用于训练一个所述模式识别模型,以对应获得一个所述RF模型。
下面以利用一个所述第一睡眠呼吸暂停样本数据对应训练一个所述RF模型为例,例如所述第一睡眠呼吸暂停样本数据为上下文关联后的数据,相应地所述终端设备将上行文关联处理后的第一睡眠呼吸暂停样本数据输入至所述模式识别模型中进行模型训练,以获得所述RF模型。
为帮助用户理解,下面举例说明一个RF模型的训练,首先获取40个用户的ECG数据为训练样本数据,其中所述训练样本数据中包括健康用户、重度用户、中度用户和轻度用户各10组的生理数据记录。参见前述实施例中的相关描述,所述终端设备可对这40组ECG数据分别进行特征提取和打标签处理,从而以第二单位时间(分钟)为单位的多个睡眠呼吸暂停样本数据(即前文所述的第一睡眠呼吸暂停样本数据),该睡眠呼吸暂停样本数据携带有睡眠呼吸暂停标签。假设特征提取时,所述终端设备对每组ECG数据提取了19维特征数据,则每个睡眠呼吸暂停样本数据可表示为19*1的列向量。可选地,所述终端设备可对每个睡眠呼吸暂停样本数据进行预处理,如筛除异常数据、归一化等等。进一步地,所述终端设备还可对这些睡眠呼吸暂停样本数据进行上下文关联,例如将距离第i分钟之前的m分钟以及之后的n分钟内的数据关联在一起,也即是将第i+m分钟至第i-n分钟内的睡眠呼吸暂停样本数据关联,得到一个L*(m+n+1)的矩阵。然后对该矩阵进行首尾拼接,转换为一维向量得到一个长度为L*(m+n+1)的一维列向量,其中L=19;i,m,n可为用户侧或终端设备侧自主设置的正整数。
接着,所述终端设备创建RF模型,并用睡眠呼吸暂停样本数据对RF模型进行训练,得到训练好的RF模型。具体的,设置RF决策树的数量T以及每个决策树的决策阈值,采用自助重采样技术有放回地随机抽取T个新的自助样本集,由此构建T棵分类树。RF中每一棵分类树均为二叉树,按照自顶而下的原则,进行节点的分裂生长或停止。进一步地,设置Mall个变量,如Mall=L*(m+n+1)。所述终端设备在每一棵树的节点处随机抽取Mtry个变量,并从中选取一个分裂能力最强的变量,然后通过基尼准则(Gini准则)判断该节点是否支持分裂。具体的,当Gini准则的计算结果小于预设阈值时,则不再分裂;否则,继续分裂。按照上述原理,可利用40个用户的睡眠呼吸暂停样本数据对RF模型进行训练,得到由T棵决策树构成的RF模型。关于Gini准则和RF模型的构建本发明不做过多详述。
相应地,如果所述训练样本数据仅使用包括重度用户的生理数据记录,则相应地也可训练出用于准确评估重度用户的睡眠呼吸暂停病症的RF模型。同理,当所述训练样本数据包括其他病症等级的用户的生理数据记录(即不同病症等级的用户的所述第一睡眠呼吸暂停样本数据),则相应地可训练出用于准确评估对应不同病症等级用户的睡眠呼吸暂停病症的RF模型,本申请不做限定。
第二,训练所述a个改进HMM模型,每个所述改进HMM模型的观察概率矩阵A为训练后的所述q个RF模型中的一个RF模型,其中,q为小于等于a的正整数。每个所述改进HMM模型的转移概率矩阵B是通过基于第二分类病症等级的一个第二睡眠呼吸暂停样本数据获得的。相应地,所述a个改进HMM模型的转移概率矩阵B是通过基于第二分类病症等级的a个第二睡眠呼吸暂停样本数据获得的。即一个改进HMM模型的转移概率矩阵B是通过基于第一分类病症等级的一个第二睡眠呼吸暂停样本数据获得的,a个改进HMM模型对应的a个转移概率矩阵B是通过基于第二分类病症等级的a个第二睡眠呼吸暂停样本数据获得的。所述a个第二睡眠呼吸暂停样本数据可为相同的或者不同的第二睡眠呼吸暂停样本数据,本申请不做限定。
所述第二分类病症等级是指根据HMM模型的实际需求,将不同用户的睡眠呼吸暂停样本数据进行分类,使得每个所述第二睡眠呼吸暂停样本数据包括q2种用户病症等级的睡眠呼吸暂停样本数据,其中q2为正整数。关于所述第二睡眠呼吸暂停样本数据可参见前述实施例中的相关介绍,例如所述第二睡眠呼吸暂停睡眠样本数据可仅包括重度用户、中度用户以及健康用户的睡眠呼吸暂停样本数据等等,本申请不做限定。
在可选实施例中,针对于同一改进HMM模型而言,用于训练该改进HMM模型的观察概率矩阵A(即RF模型)所使用的所述第一睡眠呼吸暂停样本数据、以及用于训练该改进HMM模型的转移概率矩阵B所使用的所述第二睡眠呼吸暂停样本数据均包括同一病症等级的用户的睡眠呼吸暂停样本数据,从而使得所训练得到的改进HMM适合于同一病症等级的用户进行睡眠呼吸暂停病症评估。关于所述转移概率矩阵B的具体实施将在下文进行详细阐述。
例如,本申请设计有3个改进HMM模型,且这三个改进HMM模型对应的观察概率矩阵将使用到2个RF模型。训练这3个改进HMM模型涉及的实施例具体如下:首先,终端设备将获得2个第一睡眠呼吸暂停样本数据,均用于训练RF模型。其中,一个所述第一睡眠呼吸暂停样本数据包括所有病症等级的用户的睡眠呼吸暂停样本数据,如包括重度用户、轻度用户、中度用户以及健康用户的睡眠呼吸暂停样本数据;相应地,利用该第一睡眠呼吸暂停样本数据训练出的RF模型,这里称为第一RF模型。相应地,另一个所述第一睡眠呼吸暂停样本数据仅包括一个病症等级的用户的睡眠呼吸暂停样本数据,如重度用户的睡眠呼吸暂停样本数据;相应地,利用该重度用户的第一睡眠呼吸暂停样本数据训练出的RF模型,这里称为第二RF模型。
其次,终端设备将获得3个第二睡眠呼吸暂停样本数据,均用于训练改进HMM模型以及对应获得该改进HMM模型的转移概率矩阵B。具体的,3个改进模型可为第一改进HMM模型、第二改进HMM模型以及第三改进HMM模型,其中第一改进HMM模型的观察概率矩阵可为第二RF模型,第二改进HMM模型和第三改进HMM模型的观察概率矩阵可为第一RF模型。
相应地,再分别利用上述3个第二睡眠呼吸暂停样本数据分别训练出三个改进HMM模型,同时也训练出三个改进HMM模型各自的转移概率矩阵B。具体的,其中一个所述第二睡眠呼吸暂停样本数据仅包括一个病症等级的用户的睡眠呼吸暂停样本数据,如重度用户的睡眠呼吸暂停样本数据;相应地,所述终端设备可利用该重度用户的第二睡眠呼吸暂停样本数据统计出第一改进HMM模型的转移概率矩阵B,并同时训练出第一改进HMM模型。
相应地,另一个所述第二睡眠呼吸暂停样本数据可包括至少一个病症等级的用户的睡眠呼吸暂停样本数据,如中度用户和轻度用户的睡眠呼吸暂停样本数据;相应地,所述终端设备可利用该中度和轻度用户对应的第二睡眠呼吸暂停样本数据统计出第二改进HMM模型的转移概率矩阵B,并同时训练出第二改进HMM模型。
相应地,最后一个所述第二睡眠呼吸暂停样本数据可包括一个病症等级的用户的睡眠呼吸暂停样本数据,如健康用户的睡眠呼吸暂停样本数据;相应地,所述终端设备可利用该健康用户对应的第二睡眠呼吸暂停样本数据统计出第三改进HMM模型的转移概率矩阵B,并同时训练出第三改进HMM模型。
具体的,如下表1给出上述三个改进HMM模型各自对应的转移概率矩阵、观察概率矩阵以及训练它们时所使用的不同病症等级的睡眠呼吸暂停样本数据。
表1
下面具体阐述训练所述a个改进HMM模型以及确定所述a个改进HMM模型各自的转移概率矩阵所涉及的一些实施例。
首先,所述终端设备获取训练样本数据(这里本申请可具体为基于第二分类病症等级的a个第二睡眠呼吸暂停样本数据),用于训练/确定所述a个改进HMM模型各自的转移概率矩阵B。其中一个所述第二睡眠呼吸暂停样本数据用于训练/确定一个所述改进HMM模型的转移概率矩阵,可参见前文所述。所述第二睡眠呼吸暂停样本数据可具体参见前述所述第一睡眠呼吸暂停样本数据中的相关阐述,这里不再赘述。例如,所述第二睡眠呼吸暂停数据中同样也涉及打标签、预设处理以及上下文关联等操作处理等。
基于前文针对所述第一睡眠呼吸暂停样本数据的相关阐述,相应地所述第二睡眠呼吸暂停样本数据包括第二单位时间的第二睡眠呼吸暂停样本数据以及所述第二睡眠呼吸暂停样本数据的睡眠呼吸暂停标签,其中,所述第二睡眠呼吸暂停标签用于指示与所述第二睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内是否出现睡眠呼吸暂停。
下面以一个所述第二睡眠呼吸暂停样本数据为例,阐述如何获得一个所述改进HMM模型的转移概率矩阵。例如,所述第二睡眠呼吸暂停样本数据为某个重度用户A在1分钟内被标记处理后的生理数据{0110…011},其中0和1的总数量为60个,0表示该用户在1s内未发生睡眠呼吸暂停,本申请可标记为状态S1。1表示该用户在1s发生了睡眠呼吸暂停,本申请可标记为状态S2。相应地,所述终端设备基于第二睡眠呼吸暂停样本数据{0110…011},可统计出转移概率矩阵其中,b11表示第二睡眠呼吸暂停样本数据中出现“00”的概率,即从状态S1转移至状态S1的概率。b12表示第二睡眠呼吸暂停样本数据中出现“01”的概率,即从状态S1转移至状态S2的概率。b21表示第二睡眠呼吸暂停样本数据中出现“10”的概率,即从状态S2转移至状态S1的概率。b22表示第二睡眠呼吸暂停样本数据中出现“11”的概率,即从状态S2转移至状态S2的概率。
以第二睡眠呼吸暂停样本数据为{010011}为例,根据上述统计方法可获知相应地,基于第二睡眠呼吸暂停样本数据统计出的转移概率矩阵
可以理解,通过上述方式计算得到的转移概率矩阵,使得参数更接近全局最优,后续优化时不会因为初始点距离最优点距离过长而陷入局部最优,同时优化速度也得到了提升。其次,所述终端设备可再获取训练样本数据所述终端设备获取训练样本数据(这里本申请可具体为基于第二分类病症等级的a个第三睡眠呼吸暂停样本数据),用于训练所述a个改进HMM模型。其中,一个所述第三睡眠呼吸暂停样本数据对应用于训练一个所述改进HMM模型。所述第三睡眠呼吸暂停样本数据可具体参见前述所述第一睡眠呼吸暂停样本数据中的相关阐述,这里不再赘述。例如,所述第三睡眠呼吸暂停数据中同样也涉及打标签、预设处理以及上下文关联等操作处理等。
基于前文针对所述第一睡眠呼吸暂停样本数据的相关阐述,相应地所述第三睡眠呼吸暂停样本数据包括第二单位时间的第三睡眠呼吸暂停样本数据以及所述第三睡眠呼吸暂停样本数据的睡眠呼吸暂停标签,其中,所述第三睡眠呼吸暂停标签用于指示与所述第三睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内是否出现睡眠呼吸暂停。
需要说明的是,本申请中所述第一睡眠呼吸暂停样本数据、所述第二睡眠呼吸暂停样本数据以及所述第三睡眠呼吸暂停样本数据可为同一组相同用户的睡眠呼吸暂停样本数据,也可为不同组用户的睡眠呼吸暂停样本数据。即是上述训练样本数据可为一组或多组用户的训练样本数据,本申请不做限定。
在可选实施例中,针对于同一个改进HMM模型而言,用于训练/确定该改进HMM模型的转移概率矩阵B所使用的所述第二睡眠呼吸暂停样本数据以及和用于训练该改进HMM模型所使用的所述第三睡眠呼吸暂停样本数据可为包括同一病症等级的睡眠呼吸暂停样本数据,具体可参见前述表1所述实施例中的相关阐述,例如同时都可包括重度用户或健康用户的睡眠呼吸暂停样本数据等等,这里不再赘述。
然后,所述终端设备可创建a个预设HMM模型,其中,每个所述预设HMM模型的观察概率矩阵A为上述训练好的所述q个RF模型中的任一个,所述预设HMM模型的转移概率矩阵为上述基于第二分类病症等级的第二睡眠呼吸暂停样本数据确定的转移概率矩阵B。具体可参见前述实施例中所述,这里不再赘述。
最后,所述终端设备利用基于第二分类病症等级的所述a个第三睡眠呼吸暂停样本数据对应对所述a个预设HMM模型进行训练,从而获得训练好的所述a个改进HMM模型。
以a=3,所述第一睡眠呼吸暂停样本数据至第三睡眠呼吸暂停样本数据为同一组用户中不同分类病症等级的用户的睡眠呼吸暂停样本数据为例,下面阐述三个改进HMM模型(即第一至第三改进HMM模型)的训练。首先获取40个用户的ECG数据为训练样本数据,其中所述训练样本数据中包括健康用户、重度用户、中度用户和轻度用户各10组的生理数据记录。参见前述实施例中的相关描述,所述终端设备可对这40组ECG数据分别进行特征提取和打标签处理,从而获得以第二单位时间(分钟)为单位的多个睡眠呼吸暂停样本数据(具体为包括重度用户、中度用户、轻度用户以及健康用户各10个的睡眠呼吸暂停样本数据),该睡眠呼吸暂停样本数据携带有睡眠呼吸暂停标签。假设特征提取时,所述终端设备对每组ECG数据提取了19维特征数据,则每个睡眠呼吸暂停样本数据可表示为19*1的列向量。可选地,所述终端设备可对每个睡眠呼吸暂停样本数据进行预处理,如筛除异常数据、归一化等等。进一步地,所述终端设备还可对这些睡眠呼吸暂停样本数据进行上下文关联,例如将距离第i分钟之前的m分钟以及之后的n分钟内的数据关联在一起,也即是将第i+m分钟至第i-n分钟内的睡眠呼吸暂停样本数据关联,得到一个L*(m+n+1)的矩阵。然后对该矩阵进行首尾拼接,转换为一维向量得到一个长度为L*(m+n+1)的一维列向量,其中L=19;i,m,n可为用户侧或终端设备侧自主设置的正整数。
接着,所述终端设备创建3个预设HMM模型。其中,第一预设HMM模型的观察概率矩阵A为第一RF模型,第一预设HMM模型的转移概率矩阵B是基于上述中度用户和轻度用户对应的睡眠呼吸暂停样本数据(即上下文关联后的睡眠呼吸暂停样本数据)确定的。第二预设HMM模型的观察概率矩阵A为第一RF模型,第二预设HMM模型的转移概率矩阵B是基于上述健康用户对应的睡眠呼吸暂停样本数据(即上下文关联后的睡眠呼吸暂停样本数据)确定的。第三预设HMM模型的观察概率矩阵A为第二RF模型,第三预设HMM模型的转移概率矩阵B是基于上述重度用户对应的睡眠呼吸暂停样本数据(即上下文关联后的睡眠呼吸暂停样本数据)确定的。
其中,第一RF模型使用的训练样本数据(即前文的第一睡眠呼吸暂停样本数据)为所有病症等级用户的睡眠呼吸暂停样本数据,这里即包括重度用户、中度用户、轻度用户以及健康用户在内的40个睡眠呼吸暂停样本数据。第二RF模型使用的训练样本数据(即第一睡眠暂停呼吸样本数据)为重度病症等级用户的睡眠呼吸暂停样本数据,即重度用户的10个睡眠呼吸暂停样本数据。关于RF模型(这里即第一RF模型和第二RF模型)的训练以及预设HMM模型的转移概率矩阵B的确定可参见前述实施例中的相关介绍,这里不再赘述。
最后,所述终端设备可利用上述中度用户和轻度用户对应的睡眠呼吸暂停样本数据对所述第一预设HMM模型进行训练,从而获得训练好的所述第一改进HMM模型。相应地,所述终端设备可利用上述健康用户对应的睡眠呼吸暂停样本数据对所述第二预设HMM模型进行训练,从而获得训练好的所述第二改进HMM模型。相应地,所述终端设备可利用上述重度用户对应的睡眠呼吸暂停样本数据对所述第三预设HMM模型进行训练,从而获得训练好的所述第三改进HMM模型。
具体的,如图2示出一种预设HMM模型的架构示意图。如图2,HMM模型由以下5部分组成:状态空间S、观测空间V、初始概率矩阵PI、观察概率矩阵A以及转移概率矩阵B。其中,状态空间S图示给出a个状态,其中每个状态均为前文所述的状态S1和S2中的任一项,这里不再赘述。观测空间V是本申请模型的输入参数,即上述睡眠呼吸暂停样本数据。初始概率矩阵PI用于表示最初状态时状态S1和S2各自对应的初始概率,该初始概率可为用户侧或终端设备侧自定义设置的,例如本申请可将PI=(0.5,0.5),即状态S1发生用户睡眠暂停呼吸的概率为0.5以及状态S2未发生用户睡眠暂停呼吸的概率也为0.5等,本申请不做详述。关于观察概率矩阵A以及转移概率矩阵B参见前述实施例中的相关阐述,这里不再赘述。
相应地,所述终端设备可将上述睡眠呼吸暂停样本数据对上述预设HMM模型进行训练,以迭代计算出该预设HMM模型中的模型参数,例如修正后的初始概率矩阵PI、观察概率矩阵A以及转移概率矩阵B等等,关于预设HMM模型的训练,本申请不做过多详述。由于HMM模型的观察概率矩阵A和转移概率矩阵B已通过上述方法计算得到,所以在训练预设HMM模型时只需要几步微调即可得到有效的改进HMM模型。
在可选实施例中,每个所述改进HMM模型中还可包括有似然度的计算,该似然度用于指示所述改进HMM模型的可信度,即利用所述改进HMM模型进行用户病症评估时的可信度/可靠性大小。
应理解的,所述改进HMM模型的似然度可为模型内部自定义设置好运算规则所计算出的参数。例如图2所示的预设HMM模型训练后,可对应获得所述改进HMM模型。相应地,在改进HMM模型内部可获知隐藏状态S1、S2…Sa各自对应的概率。进一步地,可根据每个隐藏状态各自对应的概率来计算该改进HMM模型的似然度。例如,似然度P=PS1*PS2…*PSa等,本申请不做限定。
相应地,步骤S104中所述终端设备可可将所述第一单位时间内的目标睡眠呼吸暂停数据输入至所述a个改进HMM模型中,利用该模型进行病症诊断和评估,可对应获得所述a个改进HMM模型各自对应的睡眠呼吸暂停评估结果。可选的,为保证用户查看评估结果的直观性,可仅输出目标改进HMM模型对应的睡眠呼吸暂停评估结果。其中,所述睡眠呼吸暂停评估结果用于指示用户在所述第二单位时间内是否出现睡眠呼吸暂停。所述目标改进HMM模型为所述a个改进HMM模型中似然度最大的改进HMM模型。
即本申请中,所述终端设备可先从所述a个改进HMM模型中确定出似然度最大的改进HMM模型为目标改进HMM模型,然后获取所述目标改进HMM模型输出的睡眠呼吸暂停评估结果。从而能够智能地针对不同呼吸暂停病症等级的用户选择适合的HMM模型进行睡眠呼吸暂停病症诊断,提升了病症评估的方便快捷性和准确性。
具体的,以所述第二单位时间为分钟,预测第i分钟的睡眠呼吸暂停数据所对应的睡眠呼吸暂停评估结果为例,所述终端设备可获取第i+m个第二单位时间至第i-n个第二单位时间内的睡眠呼吸暂停数据,并将它们关联在一起,以作为第i个第二单位时间内的睡眠呼吸暂停数据(也即是本申请中所述第一单位时间内的目标睡眠呼吸暂停数据,该第一单位时间包括第i+m至第i-n个第二单位时间)。进一步地,所述终端设备可将所述第i个第二单位时间内的睡眠呼吸暂停数据输入至某个改进HMM模型中,以预测获得对应的睡眠呼吸暂停评估结果,该结果用于指示用户在第i个第二单位时间内是否出现睡眠呼吸暂停。可选的,同时还能获得该改进HMM模型的似然度,这里不做详述。可以理解,由于呼吸暂停事件发生时间上的前后关联性,所以通过对目标睡眠呼吸暂停数据进行上下文关联处理,将使得评估结果更为准确。
在可选实施例中,所述终端设备可利用上述睡眠呼吸暂停评估原理,获得多个睡眠呼吸暂停评估结果,也即是多个第二单位时间内用户是否发生睡眠呼吸暂停。进一步地,所述终端设备可根据所述多个睡眠呼吸暂停评估结果来确定所述用户所属的睡眠呼吸暂停病症等级。其中,所述多个第二单位时间可为多个连续的第二单位时间,例如连续几分钟内,所述多个睡眠呼吸暂停评估结果可为终端设备根据每分钟睡眠呼吸暂停数据利用上述睡眠呼吸暂停评估模型所计算获得的睡眠呼吸暂停评估结果。
在可选实施例中,所述睡眠呼吸暂停病症等级用于反映所述用户是否患有睡眠呼吸暂停病症以及当所述用户患有睡眠呼吸暂停病症时所处的病情状态。例如,本申请中可根据用户的健康状态,将所述睡眠呼吸暂停病症等级划分为以下几个等级:健康等级、重度等级、中度等级、轻度等级等等,本申请不做限定。
具体的,在一种实施方式中,所述终端设备可根据所述多个睡眠呼吸暂停评估结果,确定发生用户睡眠呼吸暂停所对应睡眠呼吸暂停评估结果的数量;然后根据该数量所处的阈值区间来确定所述用户所属的睡眠呼吸暂停病症等级。例如,该数量处于第一预设阈值区间(大于10),则确定所述用户所属的睡眠呼吸暂停病症等级为重度等级等。
在又一种实施方式中,所述终端设备可根据所述多个睡眠呼吸暂停评估结果,计算用户发生睡眠呼吸暂停的频次,例如在第四单位时间(如小时)内用户发生睡眠呼吸暂停的次数。然后根据该频次所处的阈值区间来确定所述用户所属的睡眠呼吸暂停病症等级。例如,所述终端设备利用上述睡眠呼吸暂停评估模型统计出每小时内用户出现睡眠呼吸暂停的次数Y处于第一阈值区间(如大于等于30),则可确定所述用户患有睡眠呼吸暂停病症,且处于重度等级。相应地,Y处于第二阈值区间(如Y大于15,小于30),则可确定所述用户患有睡眠呼吸暂停病症,且处于中度等级。Y处于第三阈值区间(如Y大于5,小于15),则可确定所述用户患有睡眠呼吸暂停病症,且处于轻度等级。Y处于第四阈值区间(如Y小于5),则可确定所述用户没患有睡眠呼吸暂停病症,且处于健康等级。
在可选实施例中,所述终端设备可以包括用户设备、智能手机(如Android手机、IOS手机等)、个人电脑、平板电脑、掌上电脑、移动互联网设备(MID,Mobile InternetDevices)或穿戴式智能设备等互联网设备,本发明实施例不作限定。
请参见图3,是本发明实施例提供的又一种病症评估方法的流程示意图。如图3所示的方法可包括如下实施步骤:
步骤S202、终端设备获取预设数量的用户的睡眠呼吸暂停数据。
步骤S204、所述终端设备基于第三单位时间对所述睡眠呼吸暂停数据进行标记处理,从而获得包括一个或多个睡眠呼吸暂停标记的所述睡眠呼吸暂停标记数据,其中,所述第二单位时间包括多个所述第三单位时间;
步骤S206、所述终端设备根据所述睡眠呼吸暂停标记数据以及所述第二单位时间,获得所述预设数量的睡眠呼吸暂停样本数据以及所述睡眠呼吸暂停样本数据的睡眠呼吸暂停标签;
其中,在所述第二单位时间内出现连续的所述睡眠呼吸暂停标记的数量超过预设阈值的情况下,所述睡眠呼吸暂停标签用于指示与所述睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内出现睡眠呼吸暂停;否则,所述睡眠呼吸暂停标签用于指示与所述睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内未出现睡眠呼吸暂停。
也即是,所述终端设备可获得第一单位时间的睡眠呼吸暂停样本数据,其中,该睡眠呼吸暂停样本数据包括睡眠呼吸暂停标签,用于指示与所述睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内是否出现睡眠呼吸暂停。
需要说明的是,所述睡眠呼吸暂停样本数据具体可为以下中的任一项:第一睡眠呼吸暂停样本数据、第二睡眠呼吸暂停样本数据以及第三睡眠呼吸暂停样本数据。应理解的,所述第一睡眠呼吸暂停样本数据至所述第三睡眠呼吸暂停样本数据各自对应使用的所述预设数量的用户的睡眠呼吸暂停数据可为同一组用户的睡眠呼吸暂停数据,也可为不同组用户的睡眠呼吸暂停数据,本申请不做限定。
步骤S208、所述终端设备将所述第一单位时间基于第二分类病症等级的a个第三睡眠呼吸暂停样本数据作为输入,分别训练a个预设HMM模型,得到训练后的所述a个改进HMM模型,其中所述改进HMM模型的观察概率矩阵为RF模型,不同所述改进HMM模型的RF模型是通过输入基于第一分类病症等级的不同的所述第一睡眠呼吸暂停样本数据训练得到;不同所述改进HMM模型的转移概率矩阵基于不同第二分类病症等级的第二睡眠呼吸暂停样本数据获取。
在可选实施例中,同一所述改进HMM模型的所述第一睡眠呼吸暂停样本数据与所述第二睡眠呼吸暂停样本数据均包含同一病症等级的睡眠呼吸暂停样本数据。
在可选实施例中,同一所述改进HMM模型的所述第二睡眠呼吸暂停样本数据与所述第三睡眠呼吸暂停样本数据均包含同一病症等级的睡眠呼吸暂停样本数据。
步骤S210、所述终端设备获取第一单位时间内的目标睡眠呼吸暂停数据。
在可选实施例中,所述目标睡眠呼吸暂停数据包括第二单位时间的睡眠呼吸暂停数据,所述第一单位时间包括所述第二单位时间且所述第一单位时间大于所述第二单位时间。
在可选实施例中,所述目标睡眠呼吸暂停数据包括第i-n个第二单位时间至第i+m个第二单位时间内的睡眠呼吸暂停数据,其中,i为正整数,n为正整数,m为正整数。
步骤S212、所述终端设备将所述目标睡眠呼吸暂停数据输入所述a个改进HMM模型,得到目标改进HMM模型输出的睡眠呼吸暂停评估结果,所述睡眠呼吸暂停评估结果用于指示与所述目标睡眠呼吸暂停数据对应的用户在所述第一单位时间内是否出现睡眠呼吸暂停。所述目标改进HMM模型为所述a个改进HMM模型中似然度最大的改进HMM模型。
步骤S214、所述终端设备根据多个所述睡眠呼吸暂停评估结果确定所述用户所属的睡眠呼吸暂停病症等级;其中,所述睡眠呼吸暂停病症等级包括以下中的任一项:健康等级、重度等级、中度等级、轻度等级。
关于本发明实施例未示出和未描述的部分,可具体参见图1-图2所述实施例中的相关描述,这里不再赘述。
本发明实施例还提供一种终端设备,该终端用于执行前述任一项所述的方法的单元。具体地,参见图4,是本发明实施例提供的一种终端设备的示意框图。本实施例的终端设备400包括:获取单元302和处理单元304;其中:
所述获取单元302用于获取第一单位时间内的目标睡眠呼吸暂停数据;
所述处理单元304用于将所述目标睡眠呼吸暂停数据输入a个改进HMM模型,所述改进HMM模型的观察概率矩阵为RF模型,不同所述改进HMM模型的RF模型通过输入基于第一分类病症等级的不同的第一睡眠呼吸暂停样本数据训练得到,所述a为正整数;
所述处理单元304还用于确定所述a个改进HMM模型中似然度最大的改进HMM模型为目标改进HMM模型,并获取所述目标改进HMM模型输出的睡眠呼吸暂停评估结果,所述睡眠呼吸暂停评估结果用于指示与所述目标睡眠呼吸暂停数据对应的用户在所述第一单位时间内是否出现睡眠呼吸暂停。
在可选实施例中,不同所述改进HMM模型的转移概率矩阵基于不同第二分类病症等级的第二睡眠呼吸暂停样本数据获取,同一所述改进HMM模型的所述第一睡眠呼吸暂停样本数据与所述第二睡眠呼吸暂停样本数据均包含同一病症等级的睡眠呼吸暂停样本数据。
在可选实施例中,所述目标睡眠呼吸暂停数据包括第二单位时间的睡眠呼吸暂停数据,所述第一单位时间包括所述第二单位时间且所述第一单位时间大于所述第二单位时间。
在可选实施例中,所述目标睡眠呼吸暂停数据包括第i-n个第二单位时间至第i+m个第二单位时间内的睡眠呼吸暂停数据,其中,i为正整数,n为正整数,m为正整数。
在可选实施例中,所述第一睡眠呼吸暂停样本数据包括第二单位时间的第一睡眠呼吸暂停样本数据,所述第一睡眠呼吸暂停样本数据包括所述第一睡眠呼吸暂停样本数据的睡眠呼吸暂停标签,所述第一睡眠呼吸暂停标签用于指示与所述第一睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内是否出现睡眠呼吸暂停。
在可选实施例中,所述第二睡眠呼吸暂停样本数据包括第二单位时间的第二睡眠呼吸暂停样本数据,所述第二睡眠呼吸暂停样本数据包括所述第二睡眠呼吸暂停样本数据的睡眠呼吸暂停标签,所述第二睡眠呼吸暂停标签用于指示与所述第二睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内是否出现睡眠呼吸暂停。
在可选实施例中,所述获取单元302还用于获取所述a个改进HMM模型。
在可选实施例中,
所述获取单元302用于获取所述第一单位时间的基于第二分类病症等级的a个第三睡眠呼吸暂停样本数据;
所述处理单元304用于将所述a个第三睡眠呼吸暂停样本数据分别作为所述a个改进HMM模型的输入,训练所述a个改进HMM模型,对应得到训练后的所述a个改进HMM模型,其中,同一所述改进HMM模型的所述第二睡眠呼吸暂停样本数据与所述第三睡眠呼吸暂停样本数据均包含同一病症等级的睡眠呼吸暂停样本数据。
在可选实施例中,所述获取单元302还用于获取预设数量的所述第一单位时间的睡眠呼吸暂停样本数据,所述睡眠呼吸暂停样本数据包括以下中的任一项:第一睡眠呼吸暂停样本数据、第二睡眠呼吸暂停样本数据以及第三睡眠呼吸暂停样本数据。
在可选实施例中,
所述获取单元302用于获取预设数量的用户的睡眠呼吸暂停数据;
所述处理单元304用于基于第三单位时间对所述睡眠呼吸暂停样本数据进行标记处理,从而获得包括一个或多个睡眠呼吸暂停标记的所述睡眠呼吸暂停标记数据,其中,所述第二单位时间包括多个所述第三单位时间;
所述处理单元304还用于根据所述睡眠呼吸暂停标记数据以及所述第二单位时间,获得所述预设数量的睡眠呼吸暂停样本数据以及所述睡眠呼吸暂停样本数据的睡眠呼吸暂停标签;其中,在所述第二单位时间内出现连续的所述睡眠呼吸暂停标记的数量超过预设阈值的情况下,所述睡眠呼吸暂停标签用于指示与所述睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内出现睡眠呼吸暂停;否则,所述睡眠呼吸暂停标签用于指示与所述睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内未出现睡眠呼吸暂停。
在可选实施例中,
所述处理单元304还用于根据多个所述睡眠呼吸暂停评估结果确定所述用户所属的睡眠呼吸暂停病症等级;
其中,所述睡眠呼吸暂停病症等级包括以下中的任一项:健康等级、重度等级、中度等级、轻度等级。
本发明实施例中未示出或未描述的内容,可具体参见图1-图3所述方法实施例中的相关阐述,这里不再赘述。
请参见图5,图5为本发明实施例公开的一种终端设备的结构示意图。本实施例的终端设备包括:至少一个处理器601、通信接口602、用户接口603和存储器604,处理器601、通信接口602、用户接口603和存储器604可通过总线或者其它方式连接,本发明实施例以通过总线605连接为例。其中,
处理器601可以是通用处理器,例如中央处理器(Central Processing Unit,CPU)。
通信接口602可以为有线接口(例如以太网接口)或无线接口(例如蜂窝网络接口或使用无线局域网接口),用于与其他电子设备或网站进行通信。本发明实施例中,通信接口602具体用于将目标推荐对象推荐给电子设备的用户。
用户接口603具体可为触控面板,包括触摸屏和触控屏,用于检测触控面板上的操作指令,用户接口603也可以是物理按键或者鼠标。用户接口603还可以为显示屏,用于输出、显示图像或数据。
存储器604可以包括易失性存储器(Volatile Memory),例如随机存取存储器(Random Access Memory,RAM);存储器也可以包括非易失性存储器(Non-VolatileMemory),例如只读存储器(Read-Only Memory,ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);存储器604还可以包括上述种类的存储器的组合。存储器604用于存储一组程序代码,处理器601用于调用存储器604中存储的程序代码,执行如下操作:
获取第一单位时间内的目标睡眠呼吸暂停数据;
将所述目标睡眠呼吸暂停数据输入a个改进HMM模型,所述改进HMM模型的观察概率矩阵为RF模型,不同所述改进HMM模型的RF模型通过输入基于第一分类病症等级的不同的第一睡眠呼吸暂停样本数据训练得到,所述a为正整数;
确定所述a个改进HMM模型中似然度最大的改进HMM模型为目标改进HMM模型,并获取所述目标改进HMM模型输出的睡眠呼吸暂停评估结果,所述睡眠呼吸暂停评估结果用于指示与所述目标睡眠呼吸暂停数据对应的用户在所述第一单位时间内是否出现睡眠呼吸暂停。
在一些可能的实施例中,不同所述改进HMM模型的转移概率矩阵基于不同第二分类病症等级的第二睡眠呼吸暂停样本数据获取,同一所述改进HMM模型的所述第一睡眠呼吸暂停样本数据与所述第二睡眠呼吸暂停样本数据均包含同一病症等级的睡眠呼吸暂停样本数据。
在一些可能的实施例中,所述目标睡眠呼吸暂停数据包括第二单位时间的睡眠呼吸暂停数据,所述第一单位时间包括所述第二单位时间且所述第一单位时间大于所述第二单位时间。
在一些可能的实施例中,所述目标睡眠呼吸暂停数据包括第i-n个第二单位时间至第i+m个第二单位时间内的睡眠呼吸暂停数据,其中,i为正整数,n为正整数,m为正整数。
在一些可能的实施例中,所述第一睡眠呼吸暂停样本数据包括第二单位时间的第一睡眠呼吸暂停样本数据,所述第一睡眠呼吸暂停样本数据包括所述第一睡眠呼吸暂停样本数据的睡眠呼吸暂停标签,所述第一睡眠呼吸暂停标签用于指示与所述第一睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内是否出现睡眠呼吸暂停。
在一些可能的实施例中,所述第二睡眠呼吸暂停样本数据包括第二单位时间的第二睡眠呼吸暂停样本数据,所述第二睡眠呼吸暂停样本数据包括所述第二睡眠呼吸暂停样本数据的睡眠呼吸暂停标签,所述第二睡眠呼吸暂停标签用于指示与所述第二睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内是否出现睡眠呼吸暂停。
在一些可能的实施例中,所述将所述目标睡眠呼吸暂停数据输入睡眠呼吸暂停评估模型之前,所述处理器601还用于:
获取所述a个改进HMM模型。
在一些可能的实施例中,所述获取所述a个改进HMM模型包括:
获取所述第一单位时间的基于第二分类病症等级的a个第三睡眠呼吸暂停样本数据;
将所述a个第三睡眠呼吸暂停样本数据分别作为所述a个改进HMM模型的输入,训练所述a个改进HMM模型,对应得到训练后的所述a个改进HMM模型,其中,同一所述改进HMM模型的所述第二睡眠呼吸暂停样本数据与所述第三睡眠呼吸暂停样本数据均包含同一病症等级的睡眠呼吸暂停样本数据。
在一些可能的实施例中,所述处理器601还用于:
获取预设数量的所述第一单位时间的睡眠呼吸暂停样本数据,所述睡眠呼吸暂停样本数据包括以下中的任一项:第一睡眠呼吸暂停样本数据、第二睡眠呼吸暂停样本数据以及第三睡眠呼吸暂停样本数据。
在一些可能的实施例中,所述获取预设数量的所述第一单位时间的睡眠呼吸暂停样本数据包括:
获取预设数量的用户的睡眠呼吸暂停数据;
基于第三单位时间对所述睡眠呼吸暂停样本数据进行标记处理,从而获得包括一个或多个睡眠呼吸暂停标记的所述睡眠呼吸暂停标记数据,其中,所述第二单位时间包括多个所述第三单位时间;
根据所述睡眠呼吸暂停标记数据以及所述第二单位时间,获得所述预设数量的睡眠呼吸暂停样本数据以及所述睡眠呼吸暂停样本数据的睡眠呼吸暂停标签;其中,在所述第二单位时间内出现连续的所述睡眠呼吸暂停标记的数量超过预设阈值的情况下,所述睡眠呼吸暂停标签用于指示与所述睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内出现睡眠呼吸暂停;否则,所述睡眠呼吸暂停标签用于指示与所述睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内未出现睡眠呼吸暂停。
在一些可能的实施例中,所述获取所述目标改进HMM模型输出的睡眠呼吸暂停评估结果之后,所述处理器601还用于:
根据多个所述睡眠呼吸暂停评估结果确定所述用户所属的睡眠呼吸暂停病症等级;
其中,所述睡眠呼吸暂停病症等级包括以下中的任一项:健康等级、重度等级、中度等级、轻度等级。
在本发明的另一实施例中提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现如上所述方法实施例中的所有或部分实施方式或实施步骤。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种病症评估方法,其特征在于,所述方法包括:
获取第一单位时间内的目标睡眠呼吸暂停数据;
将所述目标睡眠呼吸暂停数据输入a个改进隐马尔可夫HMM模型,所述改进HMM模型的观察概率矩阵为随机森林RF模型,不同所述改进HMM模型的RF模型通过输入基于第一分类病症等级的不同的第一睡眠呼吸暂停样本数据训练得到,所述a为正整数;
确定所述a个改进HMM模型中似然度最大的改进HMM模型为目标改进HMM模型,并获取所述目标改进HMM模型输出的睡眠呼吸暂停评估结果,所述睡眠呼吸暂停评估结果用于指示与所述目标睡眠呼吸暂停数据对应的用户在所述第一单位时间内是否出现睡眠呼吸暂停。
2.根据权利要求1所述的方法,其特征在于,不同所述改进HMM模型的转移概率矩阵基于不同第二分类病症等级的第二睡眠呼吸暂停样本数据获取,同一所述改进HMM模型的所述第一睡眠呼吸暂停样本数据与所述第二睡眠呼吸暂停样本数据均包含同一病症等级的睡眠呼吸暂停样本数据。
3.根据权利要求2所述的方法,其特征在于,所述目标睡眠呼吸暂停数据包括第二单位时间的睡眠呼吸暂停数据,所述第一单位时间包括所述第二单位时间且所述第一单位时间大于所述第二单位时间。
4.根据权利要求3所述的方法,其特征在于,所述目标睡眠呼吸暂停数据包括第i-n个第二单位时间至第i+m个第二单位时间内的睡眠呼吸暂停数据,其中,i为正整数,n为正整数,m为正整数。
5.根据权利要求4所述的方法,其特征在于,所述第一睡眠呼吸暂停样本数据包括第二单位时间的第一睡眠呼吸暂停样本数据,所述第一睡眠呼吸暂停样本数据包括所述第一睡眠呼吸暂停样本数据的睡眠呼吸暂停标签,所述第一睡眠呼吸暂停标签用于指示与所述第一睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内是否出现睡眠呼吸暂停。
6.根据权利要求4所述的方法,其特征在于,所述第二睡眠呼吸暂停样本数据包括第二单位时间的第二睡眠呼吸暂停样本数据,所述第二睡眠呼吸暂停样本数据包括所述第二睡眠呼吸暂停样本数据的睡眠呼吸暂停标签,所述第二睡眠呼吸暂停标签用于指示与所述第二睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内是否出现睡眠呼吸暂停。
7.根据权利要求1所述的方法,其特征在于,所述将所述目标睡眠呼吸暂停数据输入睡眠呼吸暂停评估模型之前,所述方法还包括:
获取所述a个改进HMM模型。
8.根据权利要求7所述的方法,其特征在于,所述获取所述a个改进HMM模型包括:
获取所述第一单位时间的基于第二分类病症等级的a个第三睡眠呼吸暂停样本数据;
将所述a个第三睡眠呼吸暂停样本数据分别作为所述a个改进HMM模型的输入,训练所述a个改进HMM模型,对应得到训练后的所述a个改进HMM模型,其中,同一所述改进HMM模型的所述第二睡眠呼吸暂停样本数据与所述第三睡眠呼吸暂停样本数据均包含同一病症等级的睡眠呼吸暂停样本数据。
9.根据权利要求1-8中任一项所述的方法,其特征在于,所述方法还包括:
获取预设数量的所述第一单位时间的睡眠呼吸暂停样本数据,所述睡眠呼吸暂停样本数据包括以下中的任一项:第一睡眠呼吸暂停样本数据、第二睡眠呼吸暂停样本数据以及第三睡眠呼吸暂停样本数据。
10.根据权利要求9所述的方法,其特征在于,所述获取预设数量的所述第一单位时间的睡眠呼吸暂停样本数据包括:
获取预设数量的用户的睡眠呼吸暂停数据;
基于第三单位时间对所述睡眠呼吸暂停样本数据进行标记处理,从而获得包括一个或多个睡眠呼吸暂停标记的所述睡眠呼吸暂停标记数据,其中,所述第二单位时间包括多个所述第三单位时间;
根据所述睡眠呼吸暂停标记数据以及所述第二单位时间,获得所述预设数量的睡眠呼吸暂停样本数据以及所述睡眠呼吸暂停样本数据的睡眠呼吸暂停标签;其中,在所述第二单位时间内出现连续的所述睡眠呼吸暂停标记的数量超过预设阈值的情况下,所述睡眠呼吸暂停标签用于指示与所述睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内出现睡眠呼吸暂停;否则,所述睡眠呼吸暂停标签用于指示与所述睡眠呼吸暂停样本数据对应的用户在所述第二单位时间内未出现睡眠呼吸暂停。
11.根据权利要求1-8中任一项所述的方法,其特征在于,所述获取所述目标改进HMM模型输出的睡眠呼吸暂停评估结果之后,所述方法还包括:
根据多个所述睡眠呼吸暂停评估结果确定所述用户所属的睡眠呼吸暂停病症等级;
其中,所述睡眠呼吸暂停病症等级包括以下中的任一项:健康等级、重度等级、中度等级、轻度等级。
12.一种终端设备,其特征在于,所述终端设备包括获取单元以及处理单元,其中,
所述获取单元用于获取第一单位时间内的目标睡眠呼吸暂停数据;
所述处理单元用于将所述目标睡眠呼吸暂停数据输入a个改进隐马尔可夫HMM模型,获取目标改进HMM模型输出的睡眠呼吸暂停评估结果,其中,所述睡眠呼吸暂停评估结果用于指示与所述目标睡眠呼吸暂停数据对应的用户在所述第一单位时间内是否出现睡眠呼吸暂停,所述目标改进HMM模型为所述a个改进HMM模型中似然度最大的改进HMM模型,所述改进HMM模型的观察概率矩阵为随机森林RF模型,不同所述改进HMM模型的RF模型通过输入基于第一分类病症等级的不同的第一睡眠呼吸暂停样本数据训练得到,所述a为正整数。
13.一种终端设备,其特征在于,包括:处理器、存储器、通信接口和总线;所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信;所述存储器存储可执行程序代码;所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以执行如权利要求1-11任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711468296.XA CN108091391A (zh) | 2017-12-27 | 2017-12-27 | 病症评估方法、终端设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711468296.XA CN108091391A (zh) | 2017-12-27 | 2017-12-27 | 病症评估方法、终端设备及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108091391A true CN108091391A (zh) | 2018-05-29 |
Family
ID=62180485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711468296.XA Pending CN108091391A (zh) | 2017-12-27 | 2017-12-27 | 病症评估方法、终端设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108091391A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986908A (zh) * | 2018-05-31 | 2018-12-11 | 平安医疗科技有限公司 | 问诊数据处理方法、装置、计算机设备和存储介质 |
CN109540393A (zh) * | 2018-12-11 | 2019-03-29 | 东风马勒热系统有限公司 | 一种用于中冷器密封性检测的封堵装置 |
CN109992663A (zh) * | 2019-03-11 | 2019-07-09 | 出门问问信息科技有限公司 | 意向评级模型及其构建方法、计算机设备及存储介质 |
CN110251119A (zh) * | 2019-05-28 | 2019-09-20 | 深圳和而泰家居在线网络科技有限公司 | 分类模型获取方法、hrv数据分类方法、装置及相关产品 |
CN110558934A (zh) * | 2019-08-02 | 2019-12-13 | 杭州连帆科技有限公司 | 睡眠质量评估方法、装置、电子设备及介质 |
WO2020010668A1 (zh) * | 2018-07-13 | 2020-01-16 | 浙江清华长三角研究院 | 基于睡眠大数据的人体健康评估方法及评估系统 |
CN113576401A (zh) * | 2021-06-11 | 2021-11-02 | 广东工业大学 | 基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106361277A (zh) * | 2016-08-26 | 2017-02-01 | 中山大学 | 一种基于心电信号的睡眠呼吸暂停综合征的评估方法 |
CN106419869A (zh) * | 2016-08-24 | 2017-02-22 | 电子科技大学 | 一种基于压电传感器的实时睡眠分期检测方法及其装置 |
-
2017
- 2017-12-27 CN CN201711468296.XA patent/CN108091391A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106419869A (zh) * | 2016-08-24 | 2017-02-22 | 电子科技大学 | 一种基于压电传感器的实时睡眠分期检测方法及其装置 |
CN106361277A (zh) * | 2016-08-26 | 2017-02-01 | 中山大学 | 一种基于心电信号的睡眠呼吸暂停综合征的评估方法 |
Non-Patent Citations (2)
Title |
---|
LICHENG ZHANG, ET AL.: "《Human Activity Recognition with HMM-DNN Mode》", 《PROC. 2015 IEEE 14TH INT"L CONF. ON COGNITIVE INFORMATICS & COGNITIVE COMPUTING (ICCI"CC"15)》 * |
孙泽光: "《基于压电感知的科学睡眠监护系统》", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986908A (zh) * | 2018-05-31 | 2018-12-11 | 平安医疗科技有限公司 | 问诊数据处理方法、装置、计算机设备和存储介质 |
CN108986908B (zh) * | 2018-05-31 | 2023-04-18 | 平安医疗科技有限公司 | 问诊数据处理方法、装置、计算机设备和存储介质 |
WO2020010668A1 (zh) * | 2018-07-13 | 2020-01-16 | 浙江清华长三角研究院 | 基于睡眠大数据的人体健康评估方法及评估系统 |
CN109540393A (zh) * | 2018-12-11 | 2019-03-29 | 东风马勒热系统有限公司 | 一种用于中冷器密封性检测的封堵装置 |
CN109992663A (zh) * | 2019-03-11 | 2019-07-09 | 出门问问信息科技有限公司 | 意向评级模型及其构建方法、计算机设备及存储介质 |
CN110251119A (zh) * | 2019-05-28 | 2019-09-20 | 深圳和而泰家居在线网络科技有限公司 | 分类模型获取方法、hrv数据分类方法、装置及相关产品 |
CN110558934A (zh) * | 2019-08-02 | 2019-12-13 | 杭州连帆科技有限公司 | 睡眠质量评估方法、装置、电子设备及介质 |
CN113576401A (zh) * | 2021-06-11 | 2021-11-02 | 广东工业大学 | 基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108091391A (zh) | 病症评估方法、终端设备及计算机可读介质 | |
US20230333635A1 (en) | Systems, methods, apparatuses and devices for detecting facial expression and for tracking movement and location in at least one of a virtual and augmented reality system | |
EP3600018B1 (en) | Determining artery location using camera-based sensing | |
US11195316B2 (en) | System, method and apparatus for detecting facial expression in a virtual reality system | |
KR101284561B1 (ko) | 멀티 모달리티 감정인식 시스템, 감정인식 방법 및 그 기록매체 | |
CN107106028B (zh) | 用于心肺睡眠阶段分类的系统和方法 | |
US11723568B2 (en) | Mental state monitoring system | |
CN108201435A (zh) | 睡眠分期确定方法、相关设备及计算机可读介质 | |
WO2021208656A1 (zh) | 睡眠风险预测方法、装置和终端设备 | |
CN108305688A (zh) | 病症评估方法、终端设备及计算机可读介质 | |
CN108198617A (zh) | 病症评估方法、终端设备及计算机可读介质 | |
Tabatabaei et al. | Methods for adventitious respiratory sound analyzing applications based on smartphones: A survey | |
Jiang et al. | Recent research for unobtrusive atrial fibrillation detection methods based on cardiac dynamics signals: A survey | |
CN109674474A (zh) | 睡眠呼吸暂停识别方法、设备及计算机可读介质 | |
WO2023097780A1 (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
CN108182974A (zh) | 病症评估方法、终端设备及计算机可读介质 | |
KR102169637B1 (ko) | 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도의 예측 디바이스 | |
CN110353641A (zh) | 生命体征监测方法及系统 | |
US20210085242A1 (en) | System and method for determining sleep stages based on non-cardiac body signals | |
Zheng et al. | Multi-modal physiological signals based fear of heights analysis in virtual reality scenes | |
Senyurek et al. | A comparison of SVM and CNN-LSTM based approach for detecting smoke inhalations from respiratory signal | |
CN112328072A (zh) | 一种基于脑电和眼电的多模态字符输入系统及方法 | |
US20230290506A1 (en) | Systems and methods for rapidly screening for signs and symptoms of disorders | |
Pantelopoulos et al. | Design of the new prognosis wearable system-prototype for health monitoring of people at risk | |
Alzamzmi | Automatic multimodal assessment of neonatal pain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180529 |