CN111227792A - 呼吸暂停的检测方法、系统、电子设备及存储介质 - Google Patents
呼吸暂停的检测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111227792A CN111227792A CN202010024888.8A CN202010024888A CN111227792A CN 111227792 A CN111227792 A CN 111227792A CN 202010024888 A CN202010024888 A CN 202010024888A CN 111227792 A CN111227792 A CN 111227792A
- Authority
- CN
- China
- Prior art keywords
- respiratory
- energy ratio
- standard deviation
- sequence
- value
- 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.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开提出一种呼吸暂停的检测方法、系统、电子设备及存储介质,所述方法包括:获取待测呼吸信号,对待测呼吸信号预处理;对待测呼吸信号进行提取呼吸特征获得第一呼吸特征集;将所述第一呼吸特征集输入预定分类模型,输出正常呼吸或睡眠呼吸暂停的检测结果。本公开仅利用胸部呼吸信号实现睡眠呼吸暂停的筛查,并且具有实时性,能够准确地识别睡眠呼吸暂停事件;极大地提高结果的准确性避免普遍存在的个体差异性问题。
Description
技术领域
本公开涉及睡眠监测技术技术领域,具体涉及一种呼吸暂停的检测方法、系统、电子设备及存储介质。
背景技术
睡眠障碍是睡眠量的异常及睡眠质的异常,或在睡眠时发生某些临床症状,其中,阻塞性睡眠呼吸暂停综合征(Obstructive sleep apnea,OSA)是常见疾病,严重影响睡眠结构和睡眠质量,同时还是高血压、心脏病、脑血管疾病等多种疾病的危险因素,现有的诊断检测方法存在以下问题:
1、设备操作复杂、体验感差、专业技术人员投入大,并且局限于医院或睡眠中心这类场景,难以普遍推广;
2、或者需要同时采集脉搏血氧、鼾声、呼吸、体动等多种信号,信号采集过程复杂,不易实施,受外界环境因素影响较多,导致检测结果不稳定;
3、对采集的信号采用阈值判别方式获得诊断结果,而常规的基于阈值判别的方法受到个体差异性等影响准确性较差。
发明内容
为了解决上述技术问题,本公开实施例提供了如下的技术方案:
本公开提供了一种呼吸暂停的检测方法,所述方法包括:获取待测呼吸信号,对待测呼吸信号预处理;对待测呼吸信号进行呼吸特征的提取处理,获得第一呼吸特征集;将所述第一呼吸特征集输入预定分类模型,输出呼吸检测结果。
在一些实施例中,所述方法还包括所述预定分类模型的训练步骤:从呼吸信号训练集中获取具有标签的呼吸信号;对所述具有标签的呼吸信号进行呼吸特征的提取处理,获得第二呼吸特征集;以所述第二呼吸特征集为输入,以与所述标签一致的检测结果为输出,采用逐步线性判别分析法对所述预定分类模型的显著性特征的参数进行分析,以调整所述预定分类模型的显著性特征的参数;其中,所述逐步线性判别分析法包括线性判别分析法和双向逐步分析法,所述显著性特征为权重值大于预定权重值的特征。
在一些实施例中,所述呼吸特征的提取处理,具体包括:对目标呼吸信号滤波,其中,所述目标呼吸信号为所述待测呼吸信号或所述具有标签的呼吸信号;将滤波后的呼吸信号均分为n个分窗,每个分窗内的呼吸信号均分为m个段;分别计算每一段呼吸信号的标准方差值,得到m*n个标准方差值;将所述m*n个标准方差值顺次排列,获二级标准方差序列;基于二级标准方差序列,得第一标准方差序列;基于所述第一标准方差序列提取标准方差特征参数,构建第一标准方差特征集;分别对每一段呼吸信号进行傅里叶变换并计算能量比值,得到m*n个能量比值;将所述m*n个能量比值顺次排列,获得第一能量比值序列;基于所述第一能量比值序列提取能量比特征参数,构建第一能量比值特征集;将所述第一标准方差特征集和第一能量比值特征集确定呼吸特征集。
在一些实施例中,所述基于所述第一标准方差序列提取标准方差特征参数,构建第一标准方差特征集,具体包括:根据所述第一标准方差序列计算一级标准方差下降百分比值;根据所述一级标准方差下降百分比值确定二级标准方差下降百分比序列;根据所述第一标准方差序列计算一级标准方差下降时间;根据所述一级标准方差下降时间确定二级标准方差下降时间序列;基于所述二级标准方差序列、所述二级标准方差下降百分比序列和所述二级下降时间序列确定每个分窗内呼吸信号的标准方差特征参数,根据所述标准方差特征参数构建所述第一标准方差特征集。
在一些实施例中,所述标准方差特征参数至少包括以下之一:第一标准方差均值、第一二级标准方差值、第一平均一级标准方差下降百分比值、第一平均一级标准方差下降时间值、第一二级标准方差下降百分比值、第一二级标准方差下降时间值;其中,所述第一二级标准方差下降百分比值为相邻两窗呼吸信号的标准方差值的下降百分比值,所述第一二级标准方差下降时间值为相邻两窗呼吸信号的标准方差值的下降时间值。
在一些实施例中,所述基于所述第一能量比值序列提取能量比特征参数,构建第一能量比值特征集,具体包括:基于所述第一能量比值序列计算一级能量比下降百分比值;根据所述一级能量比下降百分比值确定二级能量比下降百分比序列;基于所述第一能量比值序列计算一级能量比下降时间值;根据所述一级能量比下降时间值确定二级能量比下降时间序列;基于所述第一能量比值序列、所述二级能量比下降百分比序列和所述二级能量比下降时间序列确定每个分窗内的呼吸信号的能量比特征参数,根据所述能量比特征参数构建第一能量比值特征集。
在一些实施例中,所述能量比特征参数至少包括以下之一:第一能量比值均值、第一能量比值标准方差、第一平均一级能量比下降百分比值,第一平均一级能量比下降时间值、第一二级能量比下降百分比值和第一二级能量比下降时间值。
在一些实施例中,所述对待测呼吸信号预处理,具体包括:对待测呼吸信号进行滤波,使用低通数字滤波器去除信号中的基线漂移和噪音。
本公开还提出一种呼吸暂停的检测系统,包括:信号获取模块,用于获取待测呼吸信号;第一呼吸特征提取模块,用于对所述待测呼吸信号进行呼吸特征的提取处理,获得第一呼吸特征集;和呼吸检测模块,用于将所述第一呼吸特征集输入预定分类模型,输出呼吸检测结果。
在一些实施例中,所述系统还包括预定分类模型的训练模块,用于:从呼吸信号训练集中获取具有标签的呼吸信号;对所述具有标签的呼吸信号进行呼吸特征的提取处理,获得第二呼吸特征集;以第二呼吸特征集为输入,以与所述标签一致的检测结果为输出,采用逐步线性判别分析法对所述预定分类模型的显著性特征的参数进行分析,以调整所述预定分类模型显著性特征的参数;其中,所述逐步线性判别分析法包括线性判别分析法和双向逐步分析法,所述显著性特征为权重值大于预定权重值的特征。
本公开还提出一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
本公开还提出一种存储介质,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述任一项所述的方法。
基于上述实施例的公开可以获知,本公开具备如下的有益效果:
1、本公开所述呼吸暂停的检测方法仅利用呼吸信号单信号源就能够实现睡眠呼吸暂停的实时、准确识别;
2、本公开所述的呼吸暂停的检测方法采用逐步线性判别分析方法来训练分类器,较常规的基于阈值判别的方法,能够极大地提高结果的准确性;
3、本公开所述的呼吸暂停的检测方法采用预定分类模型,避免普遍存在的个体差异性问题。
附图说明
图1为本公开的呼吸暂停的检测方法的一实施例提供的方法整体流程示意图;
图2为本公开的呼吸暂停的检测方法的一实施例提供的具体呼吸特征的提取处理和呼吸暂停的检测流程图;
图3为本公开的呼吸暂停的检测方法的一个实施例提供的一级标准方差下降时间计算方法;
图4为本公开的呼吸暂停的检测方法的一个实施例提供的二级标准方差下降时间计算方法;
图5为本公开的呼吸暂停的检测方法的一个实施例提供的一级能量比下降时间计算方法;
图6为本公开的呼吸暂停的检测方法的一个实施例提供的二级能量比下降时间计算方法;
图7为本公开的呼吸暂停的检测系统的一个实施例提供的各个功能模块框图;
图8为本公开的呼吸暂停的检测系统的一个实施例提供的预定分类模型的训练模块的功能模块框图。
具体实施方式
下面,结合附图对本公开的具体实施例进行详细的描述,但不作为本公开的限定。
应理解的是,可以对此处公开的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例,并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本公开的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本公开进行了描述,但本领域技术人员能够确定地实现本公开的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例;然而,应当理解,所公开的实施例仅仅是本公开的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此,本文所公开的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本公开的相同或不同实施例中的一个或多个。
本公开涉及一种呼吸暂停的检测方法,利用呼吸信号实现睡眠呼吸暂停的准确识别。其流程如图1所示,包括以下步骤S1至S3:
S1,获取待测呼吸信号,对待测呼吸信号进行预处理;
S2,对预处理后的呼吸信号进行呼吸特征的提取处理,获得第一呼吸特征集;
S3,将所述第一呼吸特征集输入预定分类模型,输出呼吸检测结果。
下面结合图2对上述呼吸暂停的检测方法进行详细说明。如图2所示,所述呼吸特征的提取处理包括标准方差特征的提取处理,如以下步骤S201至S203:
S201,获取待测呼吸信号,对待测呼吸信号进行滤波等预处理操作,减小噪声干扰。采用Moving Average Filter(MAF)对信号进行初步的平滑处理以去除没有频率特性的白噪声毛刺。之后,通过使用一个Butterworth(巴特沃斯)低通数字滤波器对信号进行处理,以去除信号中的基线漂移和其他频段的噪音。
S202,将预处理后的呼吸信号进行分窗、分段处理,平均分为n个分窗,每个分窗内的呼吸信号均分为m个段;分别计算每一段呼吸信号的标准方差值,得到m*n个标准方差值;将所述m*n个标准方差值顺次排列,获二级标准方差序列;基于二级标准方差序列,得第一标准方差序列。
例如,在一个实施例中可以将呼吸信号按时间长度设置n个分窗,每个分窗呼吸信号的时长均为30s,每段呼吸信号的时长均为5s;s为时间单位秒;则每个分窗内的呼吸信号包括6段;在另外一些实施例中分窗内呼吸信号的时长和每段呼吸信号的时长可以为根据情况的设定值。
对于各分窗内的每段呼吸信号分别计算标准方差值,获得m*n个标准方差值;所述标准方差值采用现有技术的常规计算方法计算;n和m均为自然数。
进一步地,在一个实施例中,对于各分窗内的每段待测呼吸信号,分别计算每段的呼吸信号的标准方差值,将每段标准方差值依次排列为二级标准方差序列[Swndm]:Sw1d1,Sw1d2,…,Sw1dm,Sw2d1,Sw2d2,…,,Sw2dm,…,Swnd1,Swnd2,…,Swndm;其中w为分窗标识,d为分段标识,例如Sw1d1表示呼吸信号第1窗第1段的标准方差值,以此类推Swndm为呼吸信号第n窗第m段的标准方差值。
然后将二级标准方差序列[Swndm]去除分窗标识,获得第一标准方差序列[Sdn*m]:Sd1、Sd2、Sd3、…、Sd(n*m)。其中Sd1为第1个呼吸信号的标准方差,第一标准方差序列[Sdn*m]包括n*m个标准方差值,*为乘法运算。基于第一标准方差序列计算一级标准方差下降百分比值,获得一级标准方差下降百分比序列[Ds1_d(n*m)],一级标准方差下降百分比值为相邻两段呼吸信号的标准方差值Sdk和Sdi的下降百分比值:
其中,Ds1_di为第i段呼吸信号的一级标准方差下降百分比,k=i-1,i=2,3,4…n*m,一级标准方差下降百分比初始值Ds1_d1为0。
将一级标准方差下降百分比序列[Ds1_d(n*m)]采用分窗标识表示为二级标准方差下降百分比序列[Dswndm]:Dsw1d1,Dsw1d2,…,Dsw1dm,Dsw2d1,Dsw2d2,…,Dsw2dm,…,Dswnd1,Dswnd2,…、Dswndm。
基于第一标准方差序列计算一级标准方差下降时间。其流程如图3所示,包括以下步骤S301至S304:
S301,设一级标准方差下降时间初始值Ts1_d1为0。
S302,比较第一标准方差序列[Sdn*m]中相邻两个标准方差值Sdk和Sdi的大小,以判断Sdi是否大于Sdk。如果是,执行S303,否则执行S304。
S303,在Sdi大于Sdk的情况下,Ts1_di=0。
S304,在Sdi不大于Sdk的情况下,Ts1_di=Ts1_dk+dt。
其中,Ts1_di为一级标准方差下降时间序列[Ts1_d(n*m)]的第i个标准方差的一级下降时间,Ts1_dk为一级标准方差下降时间序列[Ts1_d(n*m)]的第k个呼吸信号的一级标准方差值下降时间,dt为设置的每段呼吸信号的时长。
将一级标准方差下降时间序列[Ts1_d(n*m)]采用分窗标识表示为二级标准方差下降时间序列[Tswndm]:Tsw1d1,Tsw1d2,…,Tsw1dm,Tsw2d1,Tsw2d2,…,Tsw2dm,…,Tswnd1,Tswnd2,…,Tswndm。
S203,基于所述第一标准方差序列提取标准方差特征参数,构建第一标准方差特征集。具体的,基于以上二级标准方差序列、二级标准方差下降百分比序列和二级标准方差下降时间序列,分别提取各分窗信号的标准方差特征参数,基于标准方差特征参数构建第一标准方差特征集。标准方差特征参数包括:第一标准方差均值、第一二级标准方差值、第一平均一级标准方差下降百分比值、第一平均一级标准方差下降时间值、第一二级标准方差下降百分比值、第一二级标准方差下降时间值。
以上各个标准方差特征参数计算方法如下:
第一标准方差均值Means_wx:
第一二级标准方差值Sds_wx:
第一平均一级标准方差下降百分比值MDs1_wx:
第一二级标准方差下降百分比值Ds2_wi:
第一平均一级标准方差下降时间值MTs1_wx:
其中,二级标准方差下降百分比初始值Ds2_w1=0。
如图4所示,根据第一标准方差均值计算二级标准方差下降时间,包括以下步骤S401至S404:
S401,设二级标准方差下降时间的初始值Ts2_w1=0;
S402,依次比较呼吸信号相邻的两个分窗的第一标准方差均值Mean_wi和Means_wk,以判断Means_wi是否大于Means_wk。如果是,执行S403,否则执行S404;
S403,在Means_wi大于Means_wk的情况下,Ts2_wi=0;
S404,在Means_wi不大于Means_wk的情况下,Ts2_wi=Ts2_wk+wt。
其中,T2_wi为第i个分窗呼吸信号的二级标准方差下降时间,T2_wk为第k个分窗呼吸信号的二级标准方差下降时间,wt为设置的每个分窗呼吸信号的时长。
如图2所示,在本公开实施例中,所述呼吸特征的提取处理还包括能量比特征参数的提取处理,如以下步骤S204至S206:
S204,获取待测呼吸信号,对待测呼吸信号进行滤波等预处理操作,减小噪声干扰。采用Moving Average Filter(MAF)对信号进行初步的平滑处理以去除没有频率特性的白噪声毛刺。之后,通过使用一个Butterworth(巴特沃斯)低通数字滤波器对信号进行处理,以去除信号中的基线漂移和其他频段的噪音。
S205,将预处理后的呼吸信号进行分窗、分段处理,平均分为n个分窗,每个分窗内的呼吸信号均分为m个段;分别对每一段呼吸信号进行傅里叶变换并计算能量比值,得到m*n个能量比值;将所述m*n个能量比值顺次排列,获得第一能量比值序列。
上述S204和S205中的预处理、分窗、分段等处理过程与上述S201和S202中记载的处理过程相同,具体实现时可以只实现一次处理过程,本公开实施例为了清楚的说明每个特征参数的提取处理所包括的全部内容,因此在S204和S205中对S201和S202的处理过程进行了重复说明。
对于每段待测各分窗内的呼吸信号,分别对每段呼吸信号进行傅里叶变换并计算能量比值,获得m*n个能量比值;将m*n个能量比值顺次排列为二级能量比值序列[Rwndm]:Rw1d1,Rw1d2,…,Rw1dm,Rw2d1,Rw2d2,…,Rw2dm,…,Rwnd1,Rwnd2…,Rwndm。
其中,w为分窗标识,d为分段标识,例如Rw1d1表示呼吸信号第1窗第1段的能量比值,以此类推Rwndm为呼吸信号第n窗第m段的能量比值。
每段呼吸信号的能量比值为每段呼吸信号的中心频率范围0~1.5Hz的总能量与每段呼吸信号的中心频率范围1.5~12Hz总能量的比值,计算方法如下:
其中,X(f)表示将呼吸信号进行傅里叶变换后获得的各个分窗内每段呼吸信号在f频率点处的能量的绝对值,f=0,…,Fn,Fn为奈奎斯特频率。
将二级能量比值序列去除分窗界限,表示为第一能量比值序列[Rd(n*m)]:Rd1、Rd2、Rd3、…、Rd(n*m)。根据第一能量比值序列计算一级能量比下降百分比值,获得一级能量比下降百分比序列[Dr1_d(n*m)];
计算一级能量比下降百分比值Dr1_di:
其中,Dr1_di为第i段呼吸信号的一级能量比下降百分比,k=i-1,i=2,3,4…n*m,一级能量比下降百分比初始值Dr1_d1为0。
将一级能量比下降百分比序列添加分窗标记,表示为二级能量比下降百分比序列[Drwndm]:Drw1d1,Drw1d2,…,Drw1dm,Drw2d1,Drw2d2,…,Drw2dm,…,Drwnd1,Drwnd2,…、Drwndm。
根据第一能量比值序列计算一级能量比下降时间值,获得一级能量比下降时间序列[Tr1_d(n*m)]:Tr1_d1、Tr1_d2、…、Tr1_d(n*m),其流程如图5所示,包括以下步骤S501至S504:
S501,设一级下降时间初始值Tr1_d1为0。
S502,比较第一能量比值序列[Rdn*m]中相邻两个能量比值Rdk和Rdi的大小,以判断Rdi是否大于Rdk。如果是,执行S503,否则执行S504。
S503,在Rdi大于Rdk的情况下,Tr1_di=0。
S504,在Rdi不大于Rdk的情况下,Tr1_di=Tr1_dk+dt。
其中,Tr1_di为一级能量比下降时间值[Tr1_d(n*m)]的第i个能量比值的一级下降时间,Tr1_dk为一级能量比下降时间值[Tr1_d(n*m)]的第k个能量比值的一级下降时间,dt为设置的每段信号的时长。
将一级能量比下降时间序列添加分窗标记,表示为二级能量比下降时间序列[Trwndm]:Trw1d1,Trw1d2,…,Trw1dm,Trw2d1,Trw2d2,…,Trw2dm,…,Trwnd1,Trwnd2,…、Trwndm。
S206,基于所述第一能量比值序列提取能量比特征参数,构建第一能量比值特征集。具体的,基于以上第一能量比值序列、二级能量比下降百分比序列和二级能量比下降时间序列,分别提取各分窗信号的能量比值特征参数,构建第一能量比值特征集。能量比值特征参数包括:第一能量比值均值、第一能量比值标准方差、第一平均一级能量比下降百分比值、第一平均一级能量比下降时间值、第一二级能量比下降百分比值、第一二级能量比下降时间值。上述能量比值特征参数计算方法如下:
第一能量比值均值Meanr_wx:
第一能量比值标准方差Sdr_wx:
第一平均一级能量比下降百分比值MDr1_wx:
第一平均一级能量比下降时间值MTr1_wx:
第一二级能量比下降百分比值Dr2_wi
其中,第一二级能量比下降百分比值初始值Dr2_w1=0。
如图6所示,根据第一能量比值均值计算第一二级能量比下降时间值,包括以下步骤S601至S604:
S601,设第一二级能量比下降时间值的初始值Tr2_w1=0;
S602,依次比较呼吸信号相邻的两个分窗的第一能量比值均值Meanr_wi和Meanr_wk,以判断Meanr_wi是否大于Meanr_wk。如果是,执行S603,否则执行S604;
S603,在Meanr_wi大于Meanr_wk的情况下,Tr2_wi=0;
S604,在Meanr_wi不大于Meanr_wk的情况下,Tr2_wi=Tr2_wk+wt。
其中,Tr2_wi为第i个呼吸信号的第一二级能量比下降时间值,Tr2_wk为第k个呼吸信号的第一二级能量比下降时间值,wt为设置的每个分窗信号的时长。
上述第一标准方差特征集和第一能量比值特征集均可以以矩阵形式存在。
S207,基于第一标准方差特征集和第一能量比值特征集确定第一呼吸特征集。
S208,将第一呼吸特征集输入预定分类模型,输出检测结果。其中,检测结果包括呼吸正常和呼吸暂停两类,从而实现睡眠呼吸暂停的实时监测。第一呼吸特征集包括:第一标准方差均值、第一二级标准方差值、第一平均一级标准方差下降百分比值,第一平均一级标准方差下降时间值、第一二级标准方差下降百分比值、第一二级标准方差下降时间值、第一能量比值均值、第一能量比值标准方差、第一平均一级能量比下降百分比值,第一平均一级能量比下降时间值、第一二级能量比下降百分比值和第一二级能量比下降时间值。
本公开实施例的一种呼吸暂停的检测方法还包括预定分类模型的训练过程,针对不同的使用者可以训练不同的分类模型,以解决普遍存在的个体差异问题。
其中信号MAF滤波可替换为其他数字滤波器,但可能会发生由于数字滤波器非线性的相位偏移而导致的波形扭曲问题。
在训练分类模型时,其也需要对训练集的呼吸信号进行呼吸特征提取处理。对于训练集的呼吸信号的呼吸特征的提取处理,其也可以按照上述S201~S206的过程进行,只是与实时检测过程的差异在于目标呼吸信号不是待测呼吸信号,而是训练集的具有标签的呼吸信号,进而才能够获得用于训练分类模型的第二标准方差特征集和第二能量比值特征集。其中,上述标签包括睡眠呼吸正常标签和睡眠呼吸暂停标签。在得到第二标准方差特征集和能量比值特征集后,基于第二标准方差特征集和第二能量比值特征集确定第二呼吸特征集,将第二呼吸特征集输入分类模型,采用逐步线性辨别分析算法SWLDA来训练分类模型,进而通过多次训练得到预定分类模型。
上述第二呼吸特征集至少可以包括如下特征参数:第二标准方差均值、第二二级标准方差值、第二平均一级标准方差下降百分比值、第二平均一级标准方差下降时间值、第二二级标准方差下降百分比值、第二二级标准方差下降时间值、第二能量比值均值、第二能量比值标准方差、第二平均一级能量比下降百分比值、第二平均一级能量比下降时间值、第二二级能量比下降百分比值、第二二级能量比下降时间值。
上述第二呼吸特征集的各个特征参数的计算方法与第一呼吸特征集的特征参数计算方法相同,在此不再赘述。
上述逐步线性辨别分析算法SWLDA包括线性辨别分析算法LDA和双向逐步分析方法,具体实现时,以第二呼吸特征集为输入,以与标签一致的检测结果为输出,进行各个特征维度的显著性分析,最后保留对分类贡献最大的特征为显著性特征,贡献最大的特征通常情况下为权重值大于预定权重值的特征,检测结果包括睡眠呼吸正常和睡眠呼吸暂停,最终获得预定分类模型。
采用逐步线性辨别分析算法SWLDA来建立分类模型。SWLDA通过结合LDA和双向逐步分析这两种方法,对输入的特征进行各个特征维度的显著性检验,最后只保留对分类贡献最大的特征组合来建立分类模型,因此可以大幅度地降低样本特征的维度,进而有效地避免过拟合现象。算法中有3个比较重要的参数,包括:引入显著特征的p1值,剔除显著特征的p2值以及显著性特征的总个数,通过调整三个参数来优化分类模型。
本公开实施例所述的呼吸暂停的检测方法采用预定分类模型,节省针对每位使用者分别训练模型的时间,仅利用胸部呼吸信号即可实现睡眠呼吸暂停的筛查,并且具有实时性,能够准确识别睡眠呼吸暂停事件。
本公开实施例所述的呼吸暂停的检测方法提出分窗分段操作后基于时域信号标准方差和频域信号能量比值这两个特征构建呼吸特征集,采用逐步线性判别分析方法来训练分类模型,较常规的基于阈值判别的方法,能够极大地提高结果的准确性。
本公开所述的呼吸暂停的检测方法采用预定分类模型进行睡眠呼吸暂停事件的检测,能够避免普遍存在的个体差异性问题。
实施例2
本公开实施例提出一种呼吸暂停的检测系统,如图7所示,包括:信号获取模块710、第一呼吸特征提取模块720、呼吸检测模块730。其中,图7示出的各个模块的耦合关系仅为一种示例,本领域技术人员也可以根据实际需求进行适当调整。
信号获取模块710,用于获取待测呼吸信号,对待测呼吸信号进行预处理。
第一呼吸特征提取模块720,用于对待测呼吸信号进行呼吸特征的提取处理,获得第一呼吸特征集。第一呼吸特征提取模块720具体用于:
对待测的呼吸信号滤波;将滤波后的待测呼吸信号平均分为若干个分窗,每个分窗内的呼吸信号均分为若干个段;分别计算每一段呼吸信号的标准方差值,获得若干个标准方差值;将若干个标准方差值顺次排列,获得第一标准方差序列。
分别对每一段呼吸信号进行傅里叶变换并计算能量比值,获得若干个能量比值;将若干个能量比值顺次排列,获得第一能量比值序列。
根据所述第一标准方差序列计算一级标准方差下降百分比值;根据一级标准方差下降百分比值确定二级标准方差下降百分比序列;根据第一标准方差序列计算一级标准方差下降时间;根据一级标准方差下降时间确定二级标准方差下降时间序列;基于二级标准方差序列、二级标准方差下降百分比序列和二级标准方差下降时间序列确定每个分窗内呼吸信号的标准方差特征参数,根据标准方差特征参数构建所述第一标准方差特征集。
基于所述第一能量比值序列计算一级能量比下降百分比值;根据一级能量比下降百分比值确定二级能量比下降百分比序列;基于第一能量比值序列计算一级能量比下降时间值;根据一级能量比下降时间值确定二级能量比下降时间序列;基于第一能量比值序列、二级能量比下降百分比序列和二级能量比下降时间序列确定每个分窗内的呼吸信号的能量比特征参数,根据能量比特征参数构建第一能量比值特征集。
基于第一标准方差特征集和第一能量比值特征集确定每个分窗内的呼吸信号中的第一呼吸特征参数;基于第一呼吸特征参数确定第一呼吸特征集。
上述第一呼吸特征参数至少包括以下之一:第一标准方差均值、第一二级标准方差值、第一平均一级标准方差下降百分比值、第一平均一级标准方差下降时间值、第一二级标准方差下降百分比值、第一二级标准方差下降时间值、第一能量比值均值、第一能量比值标准方差、第一平均一级能量比下降百分比值,第一平均一级能量比下降时间值、第一二级能量比下降百分比值和第一二级能量比下降时间值。
上述第一呼吸特征参数的计算方法与实施例1的第一呼吸特征参数的计算方法相同,此处不再赘述。
呼吸检测模块730,用于将第一呼吸特征集的第一呼吸特征参数输入预定分类模型,输出呼吸检测结果。
本公开实施例2呼吸暂停的识别系统还包括预定分类模型的训练模块740,用于:从呼吸信号训练集中获取具有标签的呼吸信号;对具有标签的呼吸信号进行呼吸特征的提取处理,获得第二呼吸特征集;以第二呼吸特征集为输入,以与标签一致的检测结果为输出,采用逐步线性判别分析法对预定分类模型的显著性特征的参数进行分析,以调整预定分类模型显著性特征的参数;其中,逐步线性判别分析法包括线性判别分析法和双向逐步分析法,显著性特征为权重值大于预定权重值的特征。
如图8所示,预定分类模型的训练模块740具体包括:标签信号获取单元741、第二呼吸特征集获取单元742和预定分类模型确定单元743。图8示出的各个单元的耦合关系仅为一种示例,本领域技术人员也可以根据实际需求进行适当调整。
标签信号获取单元741,用于从呼吸信号训练集中获取具有标签的呼吸信号。
第二呼吸特征集获取单元742,用于对具有标签的呼吸信号滤波;将滤波后的具有标签的呼吸信号平均分为若干个分窗,每个分窗内的呼吸信号均分为若干个段;分别计算每一段呼吸信号的第二标准方差值,获得若干个第二标准方差值;将若干个第二标准方差值顺次排列,获得第二标准方差序列;分别对每一段呼吸信号进行傅里叶变换并计算能量比值,获得若干个第二能量比值;将若干个第二能量比值顺次排列,获得第二能量比值序列;基于第二标准方差序列获得用于训练分类模型的第二标准方差特征集,基于第二能量比值序列获得用于训练分类模型的第二能量比值特征集。其中,上述标签包括睡眠呼吸正常标签和睡眠呼吸暂停标签。基于第二标准方差特征集和第二能量比值特征集确定第二呼吸特征集。
上述第二呼吸特征集至少可以包括如下特征参数:第二标准方差均值、第二二级标准方差值、第二平均一级标准方差下降百分比值、第二平均一级标准方差下降时间值、第二二级标准方差下降百分比值、第二二级标准方差下降时间值、第二能量比值均值、第二能量比值标准方差、第二平均一级能量比下降百分比值、第二平均一级能量比下降时间值、第二二级能量比下降百分比值、第二二级能量比下降时间值。
上述第二呼吸特征集的特征参数的计算方法与实施例1的第一呼吸特征参数的计算方法相同,此处不再赘述。
预定分类模型确定单元743,用于以第二呼吸特征集的特征参数为输入,以与标签一致的检测结果为输出,采用逐步线性判别分析法对预定分类模型的显著性特征的参数进行分析,调整预定分类模型显著性特征的参数,获得优化的预定分类模型。其中,逐步线性判别分析法包括线性判别分析法和双向逐步分析法,显著性特征为权重值大于预定权重值的特征。
具体地,逐步线性辨别分析算法SWLDA包括有3个重要的参数:引入显著特征的p1值,剔除显著特征的p2值以及显著性特征的总个数。通过调整上述三个参数值优化模型。逐步线性辨别分析算法能够大幅度地降低样本特征的维度,进而有效地避免过拟合现象。
实施例3
本公开实施例还提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现实施例1的方法步骤,此处不再赘述。
实施例4
本公开实施例还提出一种存储介质,存储介质存储有计算机程序,计算机程序当被处理器执行时使处理器执行实施例1的方法步骤,此处不再赘述。
以上实施例仅为本公开的示例性实施例,不用于限制本公开,本公开的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内,对本公开做出各种修改或等同替换,这种修改或等同替换也应视为落在本公开的保护范围内。
Claims (12)
1.一种呼吸暂停的检测方法,其特征在于,所述方法包括:
获取待测呼吸信号,对待测呼吸信号预处理;
对待测呼吸信号进行呼吸特征的提取处理,获得第一呼吸特征集;
将所述第一呼吸特征集输入预定分类模型,输出呼吸检测结果。
2.根据权利要求1所述的呼吸暂停的检测方法,其特征在于,所述方法还包括所述预定分类模型的训练步骤:
从呼吸信号训练集中获取具有标签的呼吸信号;
对所述具有标签的呼吸信号进行呼吸特征的提取处理,获得第二呼吸特征集;
以所述第二呼吸特征集为输入,采用逐步线性判别分析法对分类模型的显著性特征的参数进行分析,以调整所述分类模型的显著性特征的参数,获得所述预定分类模型;
其中,所述逐步线性判别分析法包括线性判别分析法和双向逐步分析法,所述显著性特征为权重值大于预定权重值的特征。
3.根据权利要求1或2所述的呼吸暂停的检测方法,其特征在于,所述呼吸特征的提取处理,具体包括:
对目标呼吸信号滤波,其中,所述目标呼吸信号为所述待测呼吸信号或所述具有标签的呼吸信号;
将滤波后的呼吸信号均分为n个分窗,每个分窗内的呼吸信号均分为m个段;
分别计算每一段呼吸信号的标准方差值,得到m*n个标准方差值;
将所述m*n个标准方差值顺次排列,获二级标准方差序列;
基于二级标准方差序列,得第一标准方差序列;
基于所述第一标准方差序列提取标准方差特征参数,构建第一标准方差特征集;
分别对每一段呼吸信号进行傅里叶变换并计算能量比值,得到m*n个能量比值;
将所述m*n个能量比值顺次排列,获得第一能量比值序列;
基于所述第一能量比值序列提取能量比特征参数,构建第一能量比值特征集;
基于所述第一标准方差特征集和第一能量比值特征集确定呼吸特征集。
4.根据权利要求3所述的呼吸暂停的检测方法,其特征在于,所述基于所述第一标准方差序列提取标准方差特征参数,构建第一标准方差特征集,具体包括:
根据所述第一标准方差序列计算一级标准方差下降百分比值;
根据所述一级标准方差下降百分比值确定二级标准方差下降百分比序列;
根据所述第一标准方差序列计算一级标准方差下降时间;
根据所述一级标准方差下降时间确定二级标准方差下降时间序列;
基于所述二级标准方差序列、所述二级标准方差下降百分比序列和所述二级下降时间序列确定每个分窗内呼吸信号的标准方差特征参数,根据所述标准方差特征参数构建所述第一标准方差特征集。
5.根据权利要求4所述的呼吸暂停的检测方法,其特征在于,所述标准方差特征参数至少包括以下之一:第一标准方差均值、第一二级标准方差值、第一平均一级标准方差下降百分比值、第一平均一级标准方差下降时间值、第一二级标准方差下降百分比值、第一二级标准方差下降时间值;
其中,所述第一二级标准方差下降百分比值为相邻两窗呼吸信号的标准方差值的下降百分比值,所述第一二级标准方差下降时间值为相邻两窗呼吸信号的标准方差值的下降时间值。
6.根据权利要求3所述的呼吸暂停的检测方法,其特征在于,所述基于所述第一能量比值序列提取能量比特征参数,构建第一能量比值特征集,具体包括:
基于所述第一能量比值序列计算一级能量比下降百分比值;
根据所述一级能量比下降百分比值确定二级能量比下降百分比序列;
基于所述第一能量比值序列计算一级能量比下降时间值;
根据所述一级能量比下降时间值确定二级能量比下降时间序列;
基于所述第一能量比值序列、所述二级能量比下降百分比序列和所述二级能量比下降时间序列确定每个分窗内的呼吸信号的能量比特征参数,根据所述能量比特征参数构建第一能量比值特征集。
7.根据权利要求6所述的呼吸暂停的检测方法,其特征在于,所述能量比特征参数至少包括以下之一:第一能量比值均值、第一能量比值标准方差、第一平均一级能量比下降百分比值,第一平均一级能量比下降时间值、第一二级能量比下降百分比值和第一二级能量比下降时间值。
8.根据权利要求1所述的呼吸暂停的检测方法,其特征在于,所述对待测呼吸信号预处理,具体包括:对待测呼吸信号进行滤波,使用低通数字滤波器去除信号中的基线漂移和噪音。
9.一种呼吸暂停的检测系统,其特征在于,包括:
信号获取模块,用于获取待测呼吸信号;
第一呼吸特征提取模块,用于对所述待测呼吸信号进行呼吸特征的提取处理,获得第一呼吸特征集;
呼吸检测模块,用于将所述第一呼吸特征集输入预定分类模型,输出呼吸检测结果。
10.根据权利要求9所述的呼吸暂停的识别系统,其特征在于,所述系统还包括预定分类模型的训练模块,用于:
从呼吸信号训练集中获取具有标签的呼吸信号;
对所述具有标签的呼吸信号进行呼吸特征的提取处理,获得第二呼吸特征集;
以第二呼吸特征集为输入,采用逐步线性判别分析法对所述预定分类模型的显著性特征的参数进行分析,以调整所述预定分类模型显著性特征的参数;
其中,所述逐步线性判别分析法包括线性判别分析法和双向逐步分析法,所述显著性特征为权重值大于预定权重值的特征。
11.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述的方法。
12.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010024888.8A CN111227792B (zh) | 2020-01-10 | 2020-01-10 | 呼吸暂停的检测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010024888.8A CN111227792B (zh) | 2020-01-10 | 2020-01-10 | 呼吸暂停的检测方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111227792A true CN111227792A (zh) | 2020-06-05 |
CN111227792B CN111227792B (zh) | 2022-11-01 |
Family
ID=70862905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010024888.8A Active CN111227792B (zh) | 2020-01-10 | 2020-01-10 | 呼吸暂停的检测方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111227792B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111685735A (zh) * | 2020-06-08 | 2020-09-22 | 清华大学 | 基于鼾声信号的睡眠呼吸暂停监测方法及装置 |
CN111814830A (zh) * | 2020-06-08 | 2020-10-23 | 珠海格力电器股份有限公司 | 睡眠状态检测模型构建、睡眠状态检测方法及装置 |
CN112598033A (zh) * | 2020-12-09 | 2021-04-02 | 兰州大学 | 生理信号处理方法、装置、设备及存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030055348A1 (en) * | 2001-09-14 | 2003-03-20 | University College Dublin | Apparatus for detecting sleep apnea using electrocardiogram signals |
CN102075263A (zh) * | 2010-12-21 | 2011-05-25 | 西安电子科技大学 | 基于分段能量处理的截尾型序贯检验方法 |
US20110172504A1 (en) * | 2010-01-14 | 2011-07-14 | Venture Gain LLC | Multivariate Residual-Based Health Index for Human Health Monitoring |
US20120071741A1 (en) * | 2010-09-21 | 2012-03-22 | Zahra Moussavi | Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals |
US20150157258A1 (en) * | 2013-12-11 | 2015-06-11 | Oregon Health & Science University | Method and apparatus for assessment of sleep apnea |
US20160120464A1 (en) * | 2004-12-23 | 2016-05-05 | Resmed Limited | Discrimination of cheyne-stokes breathing patterns by use of oximetry signals |
CN106037671A (zh) * | 2016-07-11 | 2016-10-26 | 西北工业大学 | 一种基于bcg信号的呼吸暂停事件检测方法及系统 |
CN107713991A (zh) * | 2017-11-08 | 2018-02-23 | 四川大学 | 体征检测装置、方法及系统 |
CN108392186A (zh) * | 2018-04-19 | 2018-08-14 | 广西欣歌拉科技有限公司 | 一种非接触式睡眠呼吸暂停症检测方法及系统 |
CN108630225A (zh) * | 2018-03-29 | 2018-10-09 | 太原理工大学 | 基于模糊综合评价的听障儿童元音评估方法 |
US20180310876A1 (en) * | 2015-05-19 | 2018-11-01 | Shanghai Megahealth Technologies Co., Ltd | Noncontact detection method of sleep stages and sleep-disordered breathing |
CN108814606A (zh) * | 2018-05-15 | 2018-11-16 | 京东方科技集团股份有限公司 | 监测呼吸状态的装置、方法及系统 |
CN109480783A (zh) * | 2018-12-20 | 2019-03-19 | 深圳和而泰智能控制股份有限公司 | 一种呼吸暂停检测方法、装置及计算设备 |
CN109528159A (zh) * | 2018-10-24 | 2019-03-29 | 浙江大学 | 一种基于床体的人体睡眠和呼吸监控系统和方法 |
CN109646044A (zh) * | 2019-02-19 | 2019-04-19 | 山东大学 | 一种心音信号质量评价方法及装置 |
CN109843166A (zh) * | 2016-10-18 | 2019-06-04 | 心脏起搏器股份公司 | 用于心律失常检测的系统 |
CN110110738A (zh) * | 2019-03-20 | 2019-08-09 | 西安电子科技大学 | 一种基于多特征融合的雷达辐射源识别方法 |
CN110236491A (zh) * | 2019-05-16 | 2019-09-17 | 华南师范大学 | 一种睡眠分期监控方法 |
CN110547802A (zh) * | 2019-09-11 | 2019-12-10 | 京东方科技集团股份有限公司 | 识别呼吸状态的方法、计算机装置和存储介质 |
-
2020
- 2020-01-10 CN CN202010024888.8A patent/CN111227792B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030055348A1 (en) * | 2001-09-14 | 2003-03-20 | University College Dublin | Apparatus for detecting sleep apnea using electrocardiogram signals |
US20160120464A1 (en) * | 2004-12-23 | 2016-05-05 | Resmed Limited | Discrimination of cheyne-stokes breathing patterns by use of oximetry signals |
US20110172504A1 (en) * | 2010-01-14 | 2011-07-14 | Venture Gain LLC | Multivariate Residual-Based Health Index for Human Health Monitoring |
US20120071741A1 (en) * | 2010-09-21 | 2012-03-22 | Zahra Moussavi | Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals |
CN102075263A (zh) * | 2010-12-21 | 2011-05-25 | 西安电子科技大学 | 基于分段能量处理的截尾型序贯检验方法 |
US20150157258A1 (en) * | 2013-12-11 | 2015-06-11 | Oregon Health & Science University | Method and apparatus for assessment of sleep apnea |
US20180310876A1 (en) * | 2015-05-19 | 2018-11-01 | Shanghai Megahealth Technologies Co., Ltd | Noncontact detection method of sleep stages and sleep-disordered breathing |
CN106037671A (zh) * | 2016-07-11 | 2016-10-26 | 西北工业大学 | 一种基于bcg信号的呼吸暂停事件检测方法及系统 |
CN109843166A (zh) * | 2016-10-18 | 2019-06-04 | 心脏起搏器股份公司 | 用于心律失常检测的系统 |
CN107713991A (zh) * | 2017-11-08 | 2018-02-23 | 四川大学 | 体征检测装置、方法及系统 |
CN108630225A (zh) * | 2018-03-29 | 2018-10-09 | 太原理工大学 | 基于模糊综合评价的听障儿童元音评估方法 |
CN108392186A (zh) * | 2018-04-19 | 2018-08-14 | 广西欣歌拉科技有限公司 | 一种非接触式睡眠呼吸暂停症检测方法及系统 |
CN108814606A (zh) * | 2018-05-15 | 2018-11-16 | 京东方科技集团股份有限公司 | 监测呼吸状态的装置、方法及系统 |
CN109528159A (zh) * | 2018-10-24 | 2019-03-29 | 浙江大学 | 一种基于床体的人体睡眠和呼吸监控系统和方法 |
CN109480783A (zh) * | 2018-12-20 | 2019-03-19 | 深圳和而泰智能控制股份有限公司 | 一种呼吸暂停检测方法、装置及计算设备 |
CN109646044A (zh) * | 2019-02-19 | 2019-04-19 | 山东大学 | 一种心音信号质量评价方法及装置 |
CN110110738A (zh) * | 2019-03-20 | 2019-08-09 | 西安电子科技大学 | 一种基于多特征融合的雷达辐射源识别方法 |
CN110236491A (zh) * | 2019-05-16 | 2019-09-17 | 华南师范大学 | 一种睡眠分期监控方法 |
CN110547802A (zh) * | 2019-09-11 | 2019-12-10 | 京东方科技集团股份有限公司 | 识别呼吸状态的方法、计算机装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
余晓敏,等: "基于心电信号的睡眠呼吸暂停综合征检测算法", 《生物医学工程学杂志》 * |
孟桂芳: "重症肺炎的诊断和治疗", 《家庭生活指南》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111685735A (zh) * | 2020-06-08 | 2020-09-22 | 清华大学 | 基于鼾声信号的睡眠呼吸暂停监测方法及装置 |
CN111814830A (zh) * | 2020-06-08 | 2020-10-23 | 珠海格力电器股份有限公司 | 睡眠状态检测模型构建、睡眠状态检测方法及装置 |
CN111685735B (zh) * | 2020-06-08 | 2022-01-21 | 清华大学 | 基于鼾声信号的睡眠呼吸暂停监测方法及装置 |
CN112598033A (zh) * | 2020-12-09 | 2021-04-02 | 兰州大学 | 生理信号处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111227792B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111227792B (zh) | 呼吸暂停的检测方法、系统、电子设备及存储介质 | |
US11324420B2 (en) | Detection of sleep apnea using respiratory signals | |
US9357953B2 (en) | System and method for diagnosing sleep apnea | |
EP2677927B1 (en) | Respiration monitoring method and system | |
CN104739412B (zh) | 一种对睡眠呼吸暂停进行监测的方法和设备 | |
JP2015134192A (ja) | 酸素測定信号を用いるチェーンストークス呼吸パターンの識別 | |
CN107252313A (zh) | 一种安全驾驶的监测方法及系统、汽车、可读存储介质 | |
EP1819272A2 (en) | Sleep staging based on cardio-respiratory signals | |
CN106618560B (zh) | 脑电波信号的处理方法和装置 | |
CN111919242B (zh) | 用于处理多个信号的系统和方法 | |
CN112949639A (zh) | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 | |
CN111227793B (zh) | 呼吸暂停的识别方法、系统、电子设备及存储介质 | |
CN111839494A (zh) | 一种心率监测方法及系统 | |
EP3581098B1 (en) | Method of generating respiratory status classifier and method of determining respiratory status | |
CN109674474B (zh) | 睡眠呼吸暂停识别方法、设备及计算机可读介质 | |
CN100508885C (zh) | 一种呼吸力学监测系统中容错的方法和装置 | |
CN111317458A (zh) | 一种基于深度学习的血压检测系统 | |
CN100508884C (zh) | 呼吸力学监测系统中容错的方法和装置 | |
CN115414026A (zh) | 一种基于流速波形的呼吸自动切分方法及其系统 | |
CN113520368A (zh) | 一种咳嗽监测的方法、系统和存储设备 | |
CN113273992A (zh) | 信号处理方法及装置 | |
JP2020151358A (ja) | 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法および睡眠時無呼吸症候群判定プログラム | |
CN114288500B (zh) | 一种基于模糊熵特征提取的人机通气异步检测模型及装置 | |
KR102637473B1 (ko) | 수면다원검사에 따른 rera 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법 | |
Bandyopadhyay et al. | Pattern Analysis in Physiological Pulsatile Signals: An Aid to Personalized Healthcare |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |