CN111227793A - 呼吸暂停的识别方法、系统、电子设备及存储介质 - Google Patents
呼吸暂停的识别方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111227793A CN111227793A CN202010024902.4A CN202010024902A CN111227793A CN 111227793 A CN111227793 A CN 111227793A CN 202010024902 A CN202010024902 A CN 202010024902A CN 111227793 A CN111227793 A CN 111227793A
- Authority
- CN
- China
- Prior art keywords
- blood oxygen
- respiratory
- signal
- value
- sequence
- 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
Abstract
本公开实施例提出一种呼吸暂停的识别方法、系统、电子设备及存储介质,方法包括:获取待测血氧信号和待测呼吸信号;对待测血氧信号进行提取血氧特征获得第一血氧特征集;对待测呼吸信号进行提取呼吸特征获得第一呼吸特征集;将第一血氧特征集和第一呼吸特征集合并,获得第一联合特征集;将第一联合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。本公开采用逐步线性判别分析方法来训练分类模型,对输入的特征进行各个特征维度的显著性检验,降低样本特征的维度,有效地避免过拟合现象;利用血氧、胸部呼吸信号联合方式实时并准确地识别睡眠呼吸暂停事件,较常规的基于阈值判别的方法,能够提高结果的准确性。
Description
技术领域
本公开涉及睡眠监测技术领域,具体涉及一种呼吸暂停的识别方法、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、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识别方法,所述方法包括:获取待测血氧信号和待测呼吸信号;对所述待测血氧信号进行血氧特征的提取处理,获得第一血氧特征集;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;根据所述第一血氧特征集和所述第一呼吸特征集确定第一联合特征集;将所述第一联合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:从血氧信号训练集中获取具有标签的血氧信号;对所述具有标签的血氧信号进行血氧特征的提取处理,获得第二血氧特征集;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;根据所述第二血氧特征集和所述第二呼吸特征集确定第二联合特征集;以第二联合特征集为输入,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。
在一些实施例中,所述血氧特征的提取处理,具体包括:对目标血氧信号滤波,其中,所述目标血氧信号为所述待测血氧信号或所述具有标签的血氧信号;将滤波后的所述目标血氧信号均分为n个窗,每个分窗内的血氧信号均分为m个段;分别检测每一段血氧信号的血氧饱和度值,获得m*n个血氧饱和度值;将所述m*n个血氧饱和度值顺次排列,获得一级血氧饱和度序列;根据所述一级血氧饱和度序列依次计算一级下降百分比值,获得一级下降百分比序列,所述一级下降百分比值为相邻两段血氧信号的血氧饱和度值的下降百分比值;根据所述一级血氧饱和度序列依次计算一级持续下降时间值,获得一级持续下降时间序列,所述一级持续下降时间值为相邻两段血氧信号的血氧饱和度值的持续下降时间值;基于所述一级血氧饱和度序列、所述一级下降百分比序列和所述一级持续下降时间序列确定所述每个分窗内的血氧信号中的第一血氧特征参数;基于所述第一血氧特征参数构建血氧特征集。
在一些实施例中,所述第一血氧特征参数至少包括以下之一:血氧饱和度均值、血氧饱和度标准方差值、血氧局部最大值、血氧局部最小值、血氧局部极差值、平均一级下降百分比值、平均一级持续下降时间值、二级下降百分比值和二级持续下降时间值,其中,所述二级下降百分比值为相邻两窗血氧信号的血氧饱和度值的下降百分比值,所述二级持续下降时间值为相邻两窗血氧信号的血氧饱和度值的持续下降时间值。
在一些实施例中,所述根据所述一级血氧饱和度序列依次计算一级下降百分比值,包括:比较所述一级血氧饱和度序列中相邻两个血氧饱和度Sdk和Sdi的大小;如果Sdi>Sdk,则T1_di=0;否则T1_di=T1_dk+dt;其中,k=i-1,i=2,3,4…n*m,T1_di为第i个血氧饱和度的一级持续下降时间,T1_dk为第k个血氧饱和度的一级持续下降时间,dt为设置的每段血氧信号的时长。
在一些实施例中,按照如下方法计算所述二级持续下降时间:依次比较所述血氧信号相邻的两个分窗的血氧饱和度均值Mean_wi和Mean_wk;如果Mean_wi>Mean_wk,则T2_wi=0;否则T2_wi=T2_wk+wt;其中,T2_wi为第i个分窗的血氧饱和度的二级持续下降时间,T2_wk为第k个血氧饱和度的二级持续下降时间,wt为设置的每个分窗的时长。
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;将滤波后的所述目标呼吸信号平均分为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一级呼吸标准方差值,获得m*n个一级呼吸标准方差值;将所述m*n个一级呼吸标准方差值顺次排列,获得第一呼吸标准方差序列;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m*n个能量比值;将所述m*n个能量比值顺次排列,获得能量比值序列;基于所述第一呼吸标准方差序列和所述能量比值序列确定所述每个分窗内的呼吸信号中的第一呼吸特征参数;基于所述第一呼吸特征参数构建呼吸特征集。
在一些实施例中,所述第一呼吸特征参数至少包括以下之一:第一呼吸标准方差均值、第一二级呼吸标准方差、能量比值均值和能量比值标准方差值。
本公开还提出一种呼吸暂停的识别系统,包括:信号获取模块,用于获取待测血氧信号和待测呼吸信号;第一血氧特征提取模块,用于对所述待测血氧信号进行血氧特征的提取处理,获得第一血氧特征集;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,用于根据所述第一血氧特征集和所述第一呼吸特征集确定第一联合特征集;将所述第一联合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:从血氧信号训练集中获取具有标签的血氧信号;对所述具有标签的血氧信号进行血氧特征的提取处理,获得第二血氧特征集;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;根据所述第二血氧特征集和所述第二呼吸特征集确定第二联合特征集;以第二联合特征集为输入,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。
本公开还提供一种电子设备,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。
本公开还提供一种存储介质,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,本公开实施例具备如下的有益效果:
1、本公开实施例所述的呼吸暂停的识别方法利用血氧和胸部呼吸信号联合对睡眠呼吸暂停进行筛查,且采用训练好的预定分类模型来识别睡眠呼吸暂停事件,利用血氧、胸部呼吸信号联合方式实时并准确地识别睡眠呼吸暂停事件,操作简便,容易实施,受外界环境因素影响少,检测结果稳定,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。
2、本公开实施例所述的呼吸暂停的识别方法通过提取血氧信号和胸部呼吸信号的特征,构建分类模型;采用逐步线性判别分析方法来训练所述分类模型,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器模型,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。
附图说明
图1为本公开实施例1提供的呼吸暂停的识别方法的整体流程示意图;
图2为本公开实施例1提供的呼吸暂停的识别方法的血氧信号和呼吸信号提取特征进行检测的详细流程图;
图3为本公开实施例1提供的血氧饱和度一级持续下降时间计算方法的流程示意图;
图4为本公开实施例1提供的血氧饱和度二级持续下降时间计算方法的流程示意图;
图5为本公开实施例2提供的呼吸暂停的识别系统的结构示意图;
图6为本公开实施例2提供的呼吸暂停的识别系统的预定分类模型的训练模块的结构示意图。
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。
实施例1
本公开实施例涉及一种呼吸暂停的识别方法,其流程如图1所示,包括以下步骤S1至S5:
S1,获取待测血氧信号和待测呼吸信号;
S2,对待测血氧信号进行血氧特征的提取处理,获得第一血氧特征集;
S3,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;
S4,根据第一血氧特征集和第一呼吸特征集确定第一联合特征集;
S5,将第一联合特征集输入预定分类模型,输出呼吸检测结果,实现睡眠呼吸暂停事件的实时监测。
下面结合图2,对上述呼吸暂停的识别方法进行详细说明。
如图2所示,血氧特征的提取处理具体包括以下步骤S101至S103:
S101,获取待测血氧信号。
S102,对血氧信号进行预处理,包括滤波,以减小噪声干扰。将滤波后的血氧信号平均分为n个分窗,每个分窗内的呼吸信号均分为m个段,对于各分窗内的每段血氧信号分别检测血氧饱和度值(SpO2),获得m*n个血氧饱和度值;血氧饱和度值(SpO2)采用现有技术的常规检测方法检测;n和m均为自然数。
例如,在一个实施例中可以将血氧信号按时间长度设置n个分窗,每个分窗血氧信号的时长均为60s,每段血氧信号的时长均为10s;s为时间单位秒;则每个分窗内的血氧信号包括6段;在另外一些实施例中分窗内血氧信号的时长和每段血氧信号的时长可以为根据情况的设定值。
在一个实施例中,对于各分窗内的每段待测血氧信号分别检测血氧饱和度值,获得m*n个血氧饱和度值(SpO2),每段血氧信号的血氧饱和度值依次排列,获得二级血氧饱和度序列[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表示血氧信号第1窗第1段的血氧饱和度值,以此类推Swndm为血氧信号第n窗第m段的血氧饱和度值。
将二级血氧饱和度序列[Swndm]去除分窗标识,获得一级血氧饱和度序列[Sdn*m]:Sd1、Sd2、Sd3、…、Sd(n*m);其中Sd1为第1个血氧饱和度值,一级血氧饱和度序列[Sdn*m]包括n*m个血氧饱和度值,*为乘法运算。
根据一级血氧饱和度序列[Sdn*m]依次计算一级下降百分比值,获得一级下降百分比序列[D1_d(n*m)],一级下降百分比值为相邻两段血氧信号的血氧饱和度值Sdk和Sdi的下降百分比值:
其中,D1_di为第i段血氧信号的一级下降百分比,k=i-1,i=2,3,4…n*m,一级下降百分比初始值D1_d1为0。
根据一级血氧饱和度序列[Sdn*m]计算一级持续下降时间,其流程如图3所示,包括以下步骤S201至S204:
S201,设一级下降时间初始值T1_d1为0。
S202,比较一级血氧饱和度序列[Sdn*m]中相邻两个血氧饱和度值Sdk和Sdi的大小,以判断Sdi是否大于Sdk。如果是,执行S203,否则执行S204。
S203,在Sdi大于Sdk的情况下,T1_di=0。
S204,在Sdi不大于Sdk的情况下,T1_di=T1_dk+dt。
其中,T1_di为一级持续下降时间序列[T1_d(n*m)]的第i个血氧饱和度的一级持续下降时间,T1_dk为一级持续下降时间序列[T1_d(n*m)]的第k个血氧饱和度的一级持续下降时间,dt为设置的每段信号的时长。
将一级下降百分比序列[D1_d(n*m)]采用分窗标识表示为二级下降百分比序列[Dwndm]:Dw1d1,Dw1d2,…,Dw1dm,Dw2d1,Dw2d2,…,Dw2dm,…,Dwnd1,Dwnd2,…、Dwndm。
将一级下降时间序列[T1_d(n*m)]采用分窗标识表示为二级下降时间序列
[Twndm]:Tw1d1,Tw1d2,…,Tw1dm,Tw2d1,Tw2d2,…,Tw2dm,…,Twnd1,Twnd2,…、Twndm。
S103,基于一级血氧饱和度序列、一级下降百分比序列和一级持续下降时间序列,确定每个分窗内的血氧信号中的第一血氧特征参数,构建第一血氧特征集。
第一血氧特征参数包括:血氧饱和度均值、血氧饱和度标准方差值、血氧局部最大值、血氧局部最小值、血氧局部极差、平均一级下降百分比、平均一级持续下降时间、二级下降百分比和二级持续下降时间。各参数计算方法如下:
血氧饱和度均值Mean_wx:
血氧饱和度标准方差值Sd_wx:
血氧局部最大值Max_wx:
Max_wx=max{Swxd1,Swxd2,…,Swxdm},x=1,2,3…n;
血氧局部最小值Min_wi:
Min_wi=min{Swxd1,Swxd2,…,Swxdm},i=1,2,3…n;
血氧局部极差R_wx:
R_wx=Max_wx-Min_wx,x=1,2,3…n;
平均一级下降百分比MD1_wx:
平均一级持续下降时间MT1_wx:
二级下降百分比D2_wi:
设血氧饱和度二级下降百分比的初始值D2_w1=0,则:
如图4所示,根据血氧饱和度均值计算二级持续下降时间,包括以下步骤S301至S304:
S301,设二级持续下降时间的初始值T2_w1=0;
S302,依次比较血氧信号相邻的两个分窗的血氧饱和度均值Mean_wi和Mean_wk,以判断Mean_wi是否大于Mean_wk。如果是,执行S303,否则执行S304;
S303,在Mean_wi大于Mean_wk的情况下,T2_wi=0;
S304,在Mean_wi不大于Mean_wk的情况下,T2_wi=T2_wk+wt。
其中,T2_wi为第i个血氧饱和度的二级持续下降时间,T2_wk为第k个血氧饱和度的二级持续下降时间,wt为设置的每个分窗信号的时长。
如图2所示,在本公开实施例中,呼吸特征的提取处理具体包括以下步骤S104至S106:
S104,获取呼吸信号;
S105,对呼吸信号进行预处理,包括滤波,以减小噪声干扰;将滤波后的呼吸信号平均分为n个分窗,每个分窗内的呼吸信号平均分为m个段,例如设置每个分窗呼吸信号时长为60s,每段时长为10s;对于各分窗内呼吸信号,分别计算每一段呼吸信号的一级呼吸标准方差值,获得m*n个一级呼吸标准方差值;将m*n个一级呼吸标准方差值顺次排列,获得一级呼吸标准方差值序列[Sdwndm]:Sdw1d1,Sdw1d2,…,Sdw1dm,Sdw2d1,Sdw2d2,…,Sdw2dm,…,Sdwnd1,Sdwnd2,…,Sdwndm。
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获得呼吸信号能量比值序列[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R表示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。
S106,基于一级呼吸标准方差值序列和能量比值序列,分别提取呼吸信号每个分窗内的第一呼吸特征参数,基于第一呼吸特征参数构建第一呼吸特征集。
第一呼吸特征参数包括:第一呼吸标准方差均值、第一二级呼吸标准方差、能量比值均值和能量比值标准方差值。各参数计算方法如下:
第一呼吸标准方差均值Meansd_wx:
第一二级呼吸标准方差Sdsd_wx:
能量比值均值Meanr_wx:
能量比值标准方差值Sdr_wx:
上述的第一血氧特征集和第一呼吸特征集均可以以矩阵形式存在。
S107,根据第一血氧特征集和第一呼吸特征集确定第一联合特征集。
S108,将第一联合特征集输入预定分类模型,输出检测结果。其中,检测结果包括正常呼吸和睡眠呼吸暂停两类,从而实现睡眠呼吸暂停事件的实时监测。第一联合特征集包括通过待测的血氧信号和待测呼吸信号提取的:血氧饱和度均值、血氧饱和度标准方差值、血氧局部最大值、血氧局部最小值、血氧局部极差值、平均一级下降百分比、平均一级持续下降时间、二级下降百分比、二级持续下降时间、第一呼吸标准方差均值、第一二级呼吸标准方差值、能量比值均值和能量比值标准方差值。
本公开实施例公开的一种呼吸暂停的识别方法还包括预定分类模型的训练过程,在训练分类模型时,其也需要对血氧特征和呼吸特征进行提取处理。对于血氧特征的提取处理,其也可以按照上述S101~S103的过程进行血氧特征的提取处理,只是与实时检测过程的差异在于目标血氧信号不是待测血氧信号,而是具有标签的血氧信号,进而才能够获得用于训练分类模型的第二血氧特征集。对于呼吸特征的提取处理,其也可以按照上述S104~S106的过程进行呼吸特征的提取处理,只是与实时检测过程的差异在于目标呼吸信号不再是待测呼吸信号,而是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呼吸特征集。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。在得到第二血氧特征集和第二呼吸特征集后,就可以训练分类模型,即基于第二血氧特征集和第二呼吸特征集确定第二联合特征集,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可以使用的预定分类模型。
上述第二联合特征集至少可以包括如下特征:第二血氧饱和度均值、第二血氧饱和度标准方差值、血氧局部最大值、第二血氧局部最小值、第二血氧局部极差值、第二平均一级下降百分比、第二平均一级持续下降时间、第二二级下降百分比、第二二级持续下降时间、第二呼吸标准方差均值、第二二级呼吸标准方差值、能量比值均值和能量比值标准方差值。
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,以第二联合特征集的特征为输入,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。
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分类模型。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。
本公开实施例的呼吸暂停的识别方法利用血氧和胸部呼吸信号联合对睡眠呼吸暂停进行筛查,且采用训练好的预定分类模型来识别睡眠呼吸暂停事件,利用血氧、胸部呼吸信号联合方式实时并准确第识别睡眠呼吸暂停事件,操作简便,容易实施,受外界环境因素影响少,检测结果稳定,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。
实施例2
本公开实施例提出一种呼吸暂停的识别系统,如图5所示,包括:信号获取模块10、第一血氧特征提取模块20、第一呼吸特征提取模块30、第一联合特征集确定模块40和呼吸检测模块50。其中,图5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。
第一信号获取模块10,用于获取待测血氧信号和待测呼吸信号。
第一血氧特征提取模块20,用于对待测血氧信号进行血氧特征的提取处理,获得第一血氧特征集。第一血氧特征提取模块具体用于:
对待测的血氧信号滤波;将滤波后的待测血氧信号均分为若干个窗,每个分窗内的血氧信号均分为若干个段;分别检测每一段血氧信号的血氧饱和度值,获得若干个血氧饱和度值;将若干个血氧饱和度值顺次排列,获得一级血氧饱和度序列;根据一级血氧饱和度序列依次计算一级下降百分比值,获得一级下降百分比序列,一级下降百分比值为相邻两段血氧信号的血氧饱和度值的下降百分比值;根据一级血氧饱和度序列依次计算一级持续下降时间值,获得一级持续下降时间序列,一级持续下降时间值为相邻两段血氧信号的血氧饱和度值的持续下降时间值;基于一级血氧饱和度序列、一级下降百分比序列和一级持续下降时间序列确定每个分窗内的血氧信号中的第一血氧特征参数;基于第一血氧特征参数构建第一血氧特征集。
第一血氧特征参数至少包括以下之一:血氧饱和度均值、血氧饱和度标准方差值、血氧局部最大值、血氧局部最小值、血氧局部极差值、平均一级下降百分比值、平均一级持续下降时间值、二级下降百分比值和二级持续下降时间值,其中,二级下降百分比值为相邻两窗血氧信号的血氧饱和度值的下降百分比值,二级持续下降时间值为相邻两窗血氧信号的血氧饱和度值的持续下降时间值。第一血氧特征参数的计算方法与实施例1的第一血氧特征参数的计算方法相同,此处不再赘述。
第一呼吸特征提取模块30,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一级呼吸标准方差值,获得若干个一级呼吸标准方差值;将若干个一级呼吸标准方差值顺次排列,获得第一呼吸标准方差序列;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,获得能量比值序列;基于第一呼吸标准方差序列和能量比值序列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构建第一呼吸特征集。
上述第一呼吸特征参数可以包括:第一呼吸标准方差均值、第一二级呼吸标准方差、能量比值均值和能量比值标准方差值。
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。
第一联合特征集确定模块40,用于根据第一血氧特征集和第一呼吸特征集确定第一联合特征集;第一联合特征集包括通过待测的血氧信号和待测呼吸信号提取的:血氧饱和度均值、血氧饱和度标准方差值、血氧局部最大值、血氧局部最小值、血氧局部极差值、平均一级下降百分比、平均一级持续下降时间、二级下降百分比、二级持续下降时间、第一呼吸标准方差均值、第一二级呼吸标准方差值、能量比值均值和能量比值标准方差值。
呼吸检测模块50,用于将第一联合特征集输入预定分类模型,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60,用于:从血氧信号训练集中获取具有标签的血氧信号;对具有标签的血氧信号进行血氧特征的提取处理,获得第二血氧特征集;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;根据第二血氧特征集和第二呼吸特征集确定第二联合特征集;以第二联合特征集为输入,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6所示,预定分类模型的训练模块60具体包括:标签信号获取单元601、第二血氧特征集获取单元602、第二呼吸特征集获取单元603、第二联合特征集获取单元604和预定分类模型确定单元605。图6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601,用于从血氧信号训练集中获取具有标签的血氧信号,从呼吸信号训练集中获取具有标签的呼吸信号。
第二血氧特征集获取单元602,用于对具有标签的血氧信号滤波;将滤波后的血氧信号均分为若干个窗,每个分窗内的血氧信号均分为若干个段;分别检测每一段血氧信号的血氧饱和度值,获得若干个第二血氧饱和度值;将若干个第二血氧饱和度值顺次排列,获得第二一级血氧饱和度序列;根据第二一级血氧饱和度序列依次计算第二一级下降百分比值,获得第二一级下降百分比序列,第二一级下降百分比值为相邻两段血氧信号的血氧饱和度值的下降百分比值;根据第二一级血氧饱和度序列依次计算第二一级持续下降时间值,获得第二一级持续下降时间序列,第二一级持续下降时间值为相邻两段血氧信号的血氧饱和度值的持续下降时间值;基于第二一级血氧饱和度序列、第二一级下降百分比序列和第二一级持续下降时间序列确定每个分窗内的血氧信号中的第二血氧特征参数;基于第二血氧特征参数构建第二血氧特征集。
第二血氧特征参数至少包括以下之一:第二血氧饱和度均值、第二血氧饱和度标准方差值、第二血氧局部最大值、第二血氧局部最小值、第二血氧局部极差值、第二平均一级下降百分比值、第二平均一级持续下降时间值、第二二级下降百分比值和第二二级持续下降时间值,其中,第二二级下降百分比值为相邻两窗血氧信号的第二血氧饱和度值的下降百分比值,第二二级持续下降时间值为相邻两窗血氧信号的第二血氧饱和度值的持续下降时间值。上述第二血氧特征参数的计算方法与实施例1的第一血氧特征参数的计算方法相同,此处不再赘述。
第二呼吸特征集获取单元603,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;基于第一二级呼吸标准方差序列和第二能量比值序列确定每个分窗内的呼吸信号中的第二呼吸特征参数;基于第二呼吸特征参数构建第二呼吸特征集。第二呼吸特征参数包括:第二呼吸标准方差均值、第二二级呼吸标准方差、第二能量比值均值和第二能量比值标准方差值。
上述第二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。
第二联合特征集获取单元604,用于根据第二血氧特征集和第二呼吸特征集确定第二联合特征集。第二联合特征集包括通过训练集的具有标签的血氧信号和训练集的具有标签的呼吸信号提取的:第二血氧饱和度均值、第二血氧饱和度标准方差值、血氧局部最大值、第二血氧局部最小值、第二血氧局部极差值、第二平均一级下降百分比、第二平均一级持续下降时间、第二二级下降百分比、第二二级持续下降时间、第二呼吸标准方差均值、第二二级呼吸标准方差值、第二能量比值均值和第二能量比值标准方差值。
预定分类模型确定单元605,以第二联合特征集为输入,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分类模型的显著性特征的参数进行分析,调整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分类模型。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)
1.一种呼吸暂停的识别方法,其特征在于,所述方法包括:
获取待测血氧信号和待测呼吸信号;
对所述待测血氧信号进行血氧特征的提取处理,获得第一血氧特征集;
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;
根据所述第一血氧特征集和所述第一呼吸特征集确定第一联合特征集;
将所述第一联合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所述的呼吸暂停的识别方法,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:
从血氧信号训练集中获取具有标签的血氧信号;
对所述具有标签的血氧信号进行血氧特征的提取处理,获得第二血氧特征集;
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;
根据所述第二血氧特征集和所述第二呼吸特征集确定第二联合特征集;
以第二联合特征集为输入,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显著性特征的参数,获得预定分类模型;
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所述的呼吸暂停的识别方法,其特征在于,所述血氧特征的提取处理,具体包括:
对目标血氧信号滤波,其中,所述目标血氧信号为所述待测血氧信号或所述具有标签的血氧信号;
将滤波后的所述目标血氧信号均分为n个窗,每个分窗内的血氧信号均分为m个段;
分别检测每一段血氧信号的血氧饱和度值,获得m*n个血氧饱和度值;
将所述m*n个血氧饱和度值顺次排列,获得一级血氧饱和度序列;
根据所述一级血氧饱和度序列依次计算一级下降百分比值,获得一级下降百分比序列,所述一级下降百分比值为相邻两段血氧信号的血氧饱和度值的下降百分比值;
根据所述一级血氧饱和度序列依次计算一级持续下降时间值,获得一级持续下降时间序列,所述一级持续下降时间值为相邻两段血氧信号的血氧饱和度值的持续下降时间值;
基于所述一级血氧饱和度序列、所述一级下降百分比序列和所述一级持续下降时间序列确定所述每个分窗内的血氧信号中的第一血氧特征参数;
基于所述第一血氧特征参数构建血氧特征集。
4.根据权利要求3所述的呼吸暂停的识别方法,其特征在于,所述第一血氧特征参数至少包括以下之一:血氧饱和度均值、血氧饱和度标准方差值、血氧局部最大值、血氧局部最小值、血氧局部极差值、平均一级下降百分比值、平均一级持续下降时间值、二级下降百分比值和二级持续下降时间值,其中,所述二级下降百分比值为相邻两窗血氧信号的血氧饱和度值的下降百分比值,所述二级持续下降时间值为相邻两窗血氧信号的血氧饱和度值的持续下降时间值。
5.根据权利要求3所述的呼吸暂停的识别方法,其特征在于,所述根据所述一级血氧饱和度序列依次计算一级下降百分比值,包括:
比较所述一级血氧饱和度序列中相邻两个血氧饱和度Sdk和Sdi的大小;
如果Sdi>Sdk,则T1_di=0;否则T1_di=T1_dk+dt;
其中,k=i-1,i=2,3,4…n*m,T1_di为第i个血氧饱和度的一级持续下降时间,T1_dk为第k个血氧饱和度的一级持续下降时间,dt为设置的每段血氧信号的时长。
6.根据权利要求4所述的呼吸暂停的识别方法,其特征在于,按照如下方法计算所述二级持续下降时间:
依次比较所述血氧信号相邻的两个分窗的血氧饱和度均值Mean_wi和Mean_wk;
如果Mean_wi>Mean_wk,则r2_wi=0;否则T2_wi=T2_wk+wt;
其中,T2_wi为第i个分窗的血氧饱和度的二级持续下降时间,T2_wk为第k个血氧饱和度的二级持续下降时间,wt为设置的每个分窗的时长。
7.根据权利要求1或2所述的呼吸暂停的识别方法,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;
将滤波后的所述目标呼吸信号平均分为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一级呼吸标准方差值,获得m*n个一级呼吸标准方差值;
将所述m*n个一级呼吸标准方差值顺次排列,获得第一呼吸标准方差序列;
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m*n个能量比值;
将所述m*n个能量比值顺次排列,获得能量比值序列;
基于所述第一呼吸标准方差序列和所述能量比值序列确定所述每个分窗内的呼吸信号中的第一呼吸特征参数;
基于所述第一呼吸特征参数构建呼吸特征集。
8.根据权利要求7所述的呼吸暂停的识别方法,其特征在于,所述第一呼吸特征参数至少包括以下之一:第一呼吸标准方差均值、第一二级呼吸标准方差、能量比值均值和能量比值标准方差值。
9.一种呼吸暂停的识别系统,其特征在于,包括:
信号获取模块,用于获取待测血氧信号和待测呼吸信号;
第一血氧特征提取模块,用于对所述待测血氧信号进行血氧特征的提取处理,获得第一血氧特征集;
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,用于根据所述第一血氧特征集和所述第一呼吸特征集确定第一联合特征集;将所述第一联合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:
从血氧信号训练集中获取具有标签的血氧信号;
对所述具有标签的血氧信号进行血氧特征的提取处理,获得第二血氧特征集;
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;
根据所述第二血氧特征集和所述第二呼吸特征集确定第二联合特征集;
以第二联合特征集为输入,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显著性特征的参数,获得预订分类模型;
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。
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 |
---|---|---|---|
CN202010024902.4A CN111227793B (zh) | 2020-01-10 | 2020-01-10 | 呼吸暂停的识别方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010024902.4A CN111227793B (zh) | 2020-01-10 | 2020-01-10 | 呼吸暂停的识别方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111227793A true CN111227793A (zh) | 2020-06-05 |
CN111227793B CN111227793B (zh) | 2022-11-01 |
Family
ID=70874432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010024902.4A Active CN111227793B (zh) | 2020-01-10 | 2020-01-10 | 呼吸暂停的识别方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111227793B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114795133A (zh) * | 2022-06-29 | 2022-07-29 | 华南师范大学 | 睡眠呼吸暂停检测方法、装置、设备以及存储介质 |
CN116401598A (zh) * | 2023-03-16 | 2023-07-07 | 华南师范大学 | 基于生理信号的睡眠呼吸暂停检测方法以及装置 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6840907B1 (en) * | 1999-04-14 | 2005-01-11 | Resmed Limited | Detection and classification of breathing patterns |
US20120016218A1 (en) * | 2009-04-20 | 2012-01-19 | Resmed Limited | Discrimination of cheyne-stokes breathing patterns by use of oximetry signals |
CN104434064A (zh) * | 2014-11-26 | 2015-03-25 | 中国科学院计算技术研究所 | 一种心率和呼吸率信号处理与跟踪方法及其系统 |
CN104545818A (zh) * | 2015-01-29 | 2015-04-29 | 吉林大学 | 一种基于脉搏与血氧信号的睡眠呼吸暂停综合征检测方法 |
US20150164410A1 (en) * | 2013-12-13 | 2015-06-18 | Vital Connect, Inc. | Sleep apnea syndrome (sas) screening using wearable devices |
AU2015203494A1 (en) * | 2009-07-16 | 2015-07-16 | Resmed Limited | Detection of Sleep Condition |
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 |
CN107468212A (zh) * | 2017-08-15 | 2017-12-15 | 杭州医电园科技有限公司 | 睡眠呼吸暂停事件判别方法 |
US20180078189A1 (en) * | 2012-10-30 | 2018-03-22 | Vital Connect, Inc. | Measuring psychological stress from cardiovascular and activity signals |
CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
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 |
CN109106350A (zh) * | 2018-09-20 | 2019-01-01 | 中山大学 | 低生理负荷的睡眠呼吸暂停低通气综合征初步筛查方法 |
CN109656356A (zh) * | 2018-11-13 | 2019-04-19 | 天津大学 | 一种ssvep脑-机接口的异步控制系统 |
CN109963608A (zh) * | 2016-09-26 | 2019-07-02 | 株式会社美全 | 呼吸辅助装置、呼吸辅助方法 |
CN109965848A (zh) * | 2019-04-18 | 2019-07-05 | 天津大学 | 一种基于血氧信号分类的睡眠呼吸暂停综合征的检测方法 |
CN110074765A (zh) * | 2019-04-29 | 2019-08-02 | 中山大学 | 一种sahs筛查及睡眠分期的判别方法 |
CN110558946A (zh) * | 2019-09-11 | 2019-12-13 | 京东方科技集团股份有限公司 | 一种记录用户异常睡眠状态的方法及睡眠仪 |
-
2020
- 2020-01-10 CN CN202010024902.4A patent/CN111227793B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6840907B1 (en) * | 1999-04-14 | 2005-01-11 | Resmed Limited | Detection and classification of breathing patterns |
US20120016218A1 (en) * | 2009-04-20 | 2012-01-19 | Resmed Limited | Discrimination of cheyne-stokes breathing patterns by use of oximetry signals |
AU2015203494A1 (en) * | 2009-07-16 | 2015-07-16 | Resmed Limited | Detection of Sleep Condition |
US20180078189A1 (en) * | 2012-10-30 | 2018-03-22 | Vital Connect, Inc. | Measuring psychological stress from cardiovascular and activity signals |
US20150164410A1 (en) * | 2013-12-13 | 2015-06-18 | Vital Connect, Inc. | Sleep apnea syndrome (sas) screening using wearable devices |
CN104434064A (zh) * | 2014-11-26 | 2015-03-25 | 中国科学院计算技术研究所 | 一种心率和呼吸率信号处理与跟踪方法及其系统 |
CN104545818A (zh) * | 2015-01-29 | 2015-04-29 | 吉林大学 | 一种基于脉搏与血氧信号的睡眠呼吸暂停综合征检测方法 |
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 |
CN109963608A (zh) * | 2016-09-26 | 2019-07-02 | 株式会社美全 | 呼吸辅助装置、呼吸辅助方法 |
CN107468212A (zh) * | 2017-08-15 | 2017-12-15 | 杭州医电园科技有限公司 | 睡眠呼吸暂停事件判别方法 |
CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
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 |
CN109106350A (zh) * | 2018-09-20 | 2019-01-01 | 中山大学 | 低生理负荷的睡眠呼吸暂停低通气综合征初步筛查方法 |
CN109656356A (zh) * | 2018-11-13 | 2019-04-19 | 天津大学 | 一种ssvep脑-机接口的异步控制系统 |
CN109965848A (zh) * | 2019-04-18 | 2019-07-05 | 天津大学 | 一种基于血氧信号分类的睡眠呼吸暂停综合征的检测方法 |
CN110074765A (zh) * | 2019-04-29 | 2019-08-02 | 中山大学 | 一种sahs筛查及睡眠分期的判别方法 |
CN110558946A (zh) * | 2019-09-11 | 2019-12-13 | 京东方科技集团股份有限公司 | 一种记录用户异常睡眠状态的方法及睡眠仪 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114795133A (zh) * | 2022-06-29 | 2022-07-29 | 华南师范大学 | 睡眠呼吸暂停检测方法、装置、设备以及存储介质 |
CN116401598A (zh) * | 2023-03-16 | 2023-07-07 | 华南师范大学 | 基于生理信号的睡眠呼吸暂停检测方法以及装置 |
CN116401598B (zh) * | 2023-03-16 | 2023-11-21 | 华南师范大学 | 基于生理信号的睡眠呼吸暂停检测方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111227793B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9357953B2 (en) | System and method for diagnosing sleep apnea | |
JP6199330B2 (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 | |
US7225013B2 (en) | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signals | |
EP2806932B1 (en) | Discrimination of cheyne-stokes breathing patterns | |
WO2006054306A2 (en) | Sleep staging based on cardio-respiratory signals | |
CN111227793B (zh) | 呼吸暂停的识别方法、系统、电子设备及存储介质 | |
CN111227792B (zh) | 呼吸暂停的检测方法、系统、电子设备及存储介质 | |
WO2005009226A2 (en) | Apparatus and method for identifying sleep disordered breathing | |
CN107887032A (zh) | 一种数据处理方法及装置 | |
DE102018204868A1 (de) | Verfahren, Systeme und Vorrichtung zur Detektion von Atemphasen | |
CN111563451A (zh) | 基于多尺度小波特征的机械通气无效吸气努力识别方法 | |
EP3581098B1 (en) | Method of generating respiratory status classifier and method of determining respiratory status | |
CN110742621B (zh) | 一种信号处理方法及计算机设备 | |
Ghaemmaghami et al. | Normal probability testing of snore signals for diagnosis of obstructive sleep apnea | |
Sá et al. | Automated breath detection on long-duration signals using feedforward backpropagation artificial neural networks | |
CN115775629B (zh) | 一种术前基于亚极量运动试验评估PPCs风险的方法 | |
Mendez et al. | Automatic detection of sleep macrostructure based on bed sensors | |
Novak et al. | Speech recognition methods applied to biomedical signals processing | |
US9020583B2 (en) | Patient signal analysis and characterization | |
TWI777650B (zh) | 基於心跳間隔下降率分組之呼吸暫停與不足事件偵測方法 | |
JP7216408B2 (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 | |
CN113273992A (zh) | 信号处理方法及装置 | |
Bashi et al. | Diagnosis of obstructive apnea disease AHI in chemical warfare veterans based on HRV signals analysis using the ANFIS neural network | |
Ravelo-García et al. | Cepstrum coefficients of the RR series for the detection of obstructive sleep apnea based on different classifiers | |
Ravelo-García et al. | Application of RR series and oximetry to a statistical classifier for the detection of sleep apnoea/hypopnoea |
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 |