CN111657870A - 一种基于d-s证据理论的呼吸暂停判决系统 - Google Patents

Abstract

本发明公开了一种基于D‑S证据理论的呼吸暂停判决系统，包括主控模块、鼾声采集模块、胸腔运动采集模块、呼吸气流采集模块、数据处理模块、无线传输模块、D‑S数据融合模块和服务器平台。本发明利用鼾声、超声波、毫米波等传感器进行OSAHS辅助诊断。

Description

一种基于D-S证据理论的呼吸暂停判决系统

技术领域

本发明涉及一种基于D-S证据理论的呼吸暂停判决系统，具体涉及音频数据、雷达数据、超声波数据采集和对传感器的数据的初始处理以及对四分类后的鼾声数据进行基于D-S的判决系统。

背景技术

睡眠呼吸暂停综合征(OSAHS)是一种睡眠时候呼吸停止的睡眠障碍。最常见的原因是上呼吸道阻塞，经常以大声打鼾、身体抽动或手臂甩动结束。睡眠呼吸暂停伴有睡眠缺陷、白天打盹、疲劳，以及心动过缓或心律失常和脑电图觉醒状态。表现为在连续7h睡眠中发生30次以上的呼吸暂停，每次气流中止10s以上(含10s)，或平均每小时低通气次数(呼吸紊乱指数)超过5次，

研究表明呼吸暂停综合征会出现一、高血压。患者血压极度升高，出现头痛、头昏、胸闷、胸痛的表现。二、糖尿病。患者饮食会越吃越多，出现体重增加，导致胰岛的分泌功能下降，出现糖尿病。三、脑梗塞，脑出血。患者血液黏稠度增加，出现脑血管意外的发生。四、冠心病，心绞痛，心肌梗塞。都是由于长期的体内缺氧，导致血管的病变。

传统的对呼吸暂停综合征的初步筛查使用导睡眠图PSG。多导睡眠图是通过不同部位的生物电或通过不同传感获得生物讯号，经前置放大，输出为不同的电讯号，记录出不同的图形以供分析。因此根据测定要求，选择适当的传感和时间常数等参数十分重要，如监测口、鼻气流选用热敏电阻传感，监测胸腹呼吸选用伸缩阻抗式传感，监测SaO2选用红、紫外线装置传感等。基于上述原理，经微电脑对有关讯号进行收集、整理和分析，即构成多导睡眠图所提供的有关数据，达到临床诊断的目的。由于需要与患者接触，甚至插气管等，对患者睡眠也会造成一定的影响，故本系统采用非接触式传感器对患者睡眠情况进行监测，期待达到更好的效果。

发明内容

本发明旨在鼾声四分类的基础上进一步提升鼾声的准确度，使用一种基于D-S证据理论的呼吸暂停判决系统，参考了更多的数据维度，结合毫米波、超声波、呼吸波的数据，并通过一定的数据处理，且对基本概率分配函数加以修正。

具体技术方案如下：

一种基于D-S证据理论的呼吸暂停判决系统，包括主控模块、鼾声采集模块、胸腔运动采集模块、呼吸气流采集模块、数据处理模块、无线传输模块、D-S数据融合模块和服务器平台，

所述的主控模块：对鼾声采集模块采集的数据进行A/D处理，并将超声波数据和毫米波模块的数据上传至服务器平台；

所述的鼾声采集模块：采集整晚的鼾声数据传至主控模块；

所述的胸腔运动采集模块：使用毫米波模块采集整晚的胸腔运动数据可计算出呼吸次数，并将数据传输至主控模块；

所述的呼吸气流采集模块：使用超声波模块采集整晚呼吸气流数据传至主控模块；

所述的数据处理模块：使用EfficientNeT神经网络得到正常鼾声、阻塞暂停鼾声、中枢暂停鼾声、混合暂停鼾声四分类；

所述的无线传输模块：将采集到的数据上传至服务器平台等待处理；

所述的D-S数据融合模块：对鼾声四分类后的数据进行判决处理；

所述的服务器平台：对传感器的数据进行存储，使用数据处理模块和D-S数据融合模块后对最后结果进行输出。

进一步的，所述鼾声采集模块的麦克风阵列采集被测患者整晚睡眠状态时音频M(t)，通过毫米波模块采集被测患者整晚睡眠状态时的回波信号W(t)，通过超声波模块采集被测患者整晚睡眠状态时的呼吸气流数据Q(t)。

进一步的，所述主控模块对得到的M(t)数据通过端点检测技术识别出鼾声段和无声段，提取出鼾声段。

进一步的，所述数据处理模块对提取出的鼾声段信号进行音频特征提取使用EfficientNeT神经网络得到正常鼾声、阻塞暂停鼾声、中枢暂停鼾声、混合暂停鼾声四分类。

进一步的，所述主控模块对得到的W(t)数据进行特征提取，得到呼吸信号中的体动参数Bf、Bs，每分钟呼吸信号的差值积累Ba，每分钟呼吸次数Bn；所述主控模块对得到的Q(t)数据进行特征提取，得到回波功率谱。

进一步的，所述的D-S数据融合模块根据用户年龄、BMI和性别，对得到的结果进行D-S证据理论的呼吸暂停判决，和AHI指数进行比对，得到测试者的呼吸暂停综合征的具体情况。

本发明利用鼾声、超声波、毫米波等传感器进行OSAHS辅助诊断。毫米波可以识别到胸腔运动的数据，超声波可以检测到呼吸气流，而鼾声与呼吸道生理结构关系紧密。理论上可以根据胸腔运动的幅度和呼吸气流的速度来判断胸腔有没有起伏，患者有没有呼吸，参照阻塞性睡眠呼吸暂停(Obstructive Apnea，OSA)：喉咙附近的软组织松弛而造成上呼吸道阻塞，呼吸道收窄引致睡眠时呼吸暂停。中枢神经性睡眠呼吸暂停(Central Apnea)：呼吸中枢神经曾经受到中风及创伤等损害而受到障碍，不能正常传达呼吸的指令引致睡眠呼吸机能失调。混合性睡眠呼吸暂停(Mixed Apnea)：混合阻塞性睡眠呼吸暂停和中枢神经性睡眠呼吸暂停。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面对实施例中所需要的附图作简单的介绍。

图1为申请实施例提供的一种基于D-S证据理论的呼吸暂停判决系统框图。

图2为实施例中D-S证据判决系统框图。

具体实施方式

下面结合附图对本发明作进一步说明。

本发明实例提供一种基于D-S证据理论的呼吸暂停判决系统，是用于鼾声音频，胸腔运动，呼吸气流的采集和传输，并在服务器平台存储鼾声数据，利用服务器数据对音频进行四分类，再对胸腔运动、呼吸气流数据进行判决处理。以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

如图1和2所示，本发明的基于D-S证据理论的呼吸暂停判决系统，包括主控模块、鼾声采集模块、胸腔运动采集模块、呼吸气流采集模块、数据处理模块、无线传输模块、D-S数据融合模块和服务器平台。

所述的主控模块：对鼾声采集模块采集的数据进行A/D处理，并将超声波数据和毫米波模块的数据上传至服务器平台。

所述的鼾声采集模块：采集整晚的鼾声数据传至主控模块。

所述的胸腔运动采集模块：使用毫米波模块采集整晚的胸腔运动数据可计算出呼吸次数，并将数据传输至主控模块。

所述的呼吸气流采集模块：使用超声波模块采集整晚呼吸气流数据传至主控模块。

所述的数据处理模块：使用EfficientNeT神经网络得到正常鼾声、阻塞暂停鼾声、中枢暂停鼾声、混合暂停鼾声四分类。

所述的无线传输模块：将采集到的数据上传至服务器平台等待处理。

所述的D-S数据融合模块：对鼾声四分类后的数据进行判决处理。

所述的服务器平台：对传感器的数据进行存储，使用数据处理模块和D-S数据融合模块后对最后结果进行输出。

本发明的基于D-S证据理论的呼吸暂停判决系统工作时，采用如下步骤：

S10)通过所述鼾声采集模块的麦克风阵列采集被测患者整晚睡眠状态时音频M(t)，通过毫米波模块采集被测患者整晚睡眠状态时的回波信号W(t)，通过超声波模块采集被测患者整晚睡眠状态时的呼吸气流数据Q(t)；

S20)所述主控模块对步骤S10)得到的M(t)数据通过端点检测技术识别出鼾声段和无声段，提取出鼾声段；

S30)所述数据处理模块对提取出的鼾声段信号进行音频特征提取使用EfficientNeT神经网络得到正常鼾声、阻塞暂停鼾声、中枢暂停鼾声、混合暂停鼾声四分类；

S40)所述主控模块对步骤S10)得到的W(t)数据进行特征提取，得到呼吸信号中的体动参数Bf、Bs，每分钟呼吸信号的差值积累Ba，每分钟呼吸次数Bn；

S50)所述主控模块对步骤S10)得到的Q(t)数据进行特征提取，得到回波功率谱；

S60)所述的D-S数据融合模块根据S40)、S50)、用户年龄、BMI和性别，对S30)得到的结果进行D-S证据理论的呼吸暂停判决，和AHI指数进行比对，得到测试者的呼吸暂停综合征的具体情况；

所述步骤S10)通过所述鼾声采集模块的麦克风阵列采集被测患者整晚睡眠状态时音频M(t)，通过毫米波模块采集被测患者整晚睡眠状态时的回波信号W(t)，通过超声波模块采集被测患者整晚睡眠状态时的呼吸气流数据Q(t)；具体包括：

在被测者床边放置以45°角对准患者的毫米波传感器和超声波传感器；

在被测者床头放置麦克风。

所述的S20)将得到的M(t)数据通过端点检测技术识别出鼾声段和无声段，提取出鼾声段，具体包括：

计算每个时刻的能量，设定一个阈值K，如果大于K，认为是1，否则是0。能量计算公式：

检测确定鼾声段和无声段并滤除鼾声前部语音，并且在前后留出10ms的空余；

所述无声段为两个鼾声段之间的声音片段；

得到数据后将毫米波、超声波、端点检测后的语音数据通过WIFI模块上传至服务器，等待处理。

所述S30)对提取出的鼾声段信号进行音频特征提取使用EfficientNeT神经网络得到正常鼾声、阻塞暂停鼾声、中枢暂停鼾声、混合暂停鼾声四分类，包括：

通过用tensorflow框架运行谷歌的EfficientNeT神经网络，得到每段截取的鼾声的类型并且赋予计算结果的概率。

所述S40)将得到的W(t)数据进行特征提取，得到呼吸信号中的体动参数Bm，每分钟呼吸信号的差值积累Ba，每分钟呼吸次数Bn。其方式包括：

毫米波模块发送连续调频信号并计算发送信号与回波的差频信号来计算信号飞行时间。在时刻t的频率f(t)的公式：

其中fc为载波频率，B为调频宽度，T为调频周期。

对于静态或低速度目标距离R的计算公式：

其中fb是差频信号的频率。

呼吸信号中的体动参数Bf：在距离波形中超过设置幅度Bm_th的计数形成Bf。

呼吸信号中的体动参数Bs：在距离波形中低于设置幅度Bm_th的计数形成Bs。

每分钟呼吸次数Bn：在得到目标距离R后形成的波形从波谷开始计时经过一个波峰到达波谷后停止计时得到时间τ_Bn，在判断此段波形幅度是属于胸腔运动的波形后计算

每分钟呼吸信号的差值积累Ba：

A_Ba(k)为第k分钟的呼吸信号的幅度，A_Ba(k+1)为第k+1分钟的呼吸信号的幅度，Ni为每分钟的差值点数。

所述S50)将得到的Q(t)数据进行特征提取，得到回波功率谱，其中包括：

使用超声波频率在30kHz，由于呼吸气流带有速度，因此被呼吸气流散射回去的超声波中就带有多普勒效应。将超声波发射和接收装置放在同一位置，可以得到和雷达相似的效果，则多普勒频移△f公式为：

又由于C远大于vs所以可简化为

其中f为发送信号频率，C为信号在该介质中的传播速度，v_s信号源径向移动速度。

呼吸产生的气流会形成湍流，会形成许多大小不同的漩涡，因此用平均量

和无规则运动的漩涡的脉动速度v_x′来代替瞬时速度v_s：

其中T是给定的一段时间

写成关于时间的函数

将模型分别投影在XY轴

则投影在x轴的呼吸气流速度大小可以表示为

则投影在y轴的呼吸气流速度大小可以表示为

将投影在x轴和y轴的呼吸气流速度等效于vs信号源径向移动速度

所述S60)根据S40)、S50)、用户年龄、BMI和性别，对S30)得到的结果进行D-S证据理论的呼吸暂停判决，和AHI指数进行比对，得到测试者的呼吸暂停综合征的具体情况：

设待判别问题Ω的所有N个互不相容的结果命题组成的一个非空集合Θ，称为待判别问题Ω的识别框架，本文分别对已做出的呼吸暂停分类的结果做D-S证据理论的呼吸暂停判决识别框架为：Θ＝{ω_is,ω_others}。

设Θ的所有子集组成的集合记为2^Θ，样本空间Θ任意非空子集K的基本概率分配函数BPA为m(K)，若映射函数m:2^Θ→[0,1]满足以下公式：

其中m(K)为K的概率赋值，但应证据对命题K的信任度，若m(K)>0,则称K为Ω的一个焦元。

设Θ的幂集

本专利的检测幂集为

设m₁,m₂,…,m_n为识别框架上不同证据e₁,e₂,…,e_n的BPA，用D-S合成规则将多个证据组合起来可得到证据融合的效果，公式如下：

根据融合结果m(K)的取值与给定阈值的关系，确定最终由多个证据组合判定的检测结果。

利用证据权对基本概率分配函数进行修正。

证据e_i,e_j的基本概率分配函数m_i,m_j的近似度公式如下：

其中i,j＝1,2,…,n

可得到证据数为n的相似矩阵：

可以得到融合系统中证据e_i与系统中其他证据的基本概率分配函数的近似度之和，公式如下：

关键证据符合以下公式：

各证据权β_i公式如下：

根据各证据相对于关键证据的证据权对各证据的基本概率分配函数进行修正，对证据e_i公式如下：

m′_i[Θ]＝β_im_i(Θ)+(1-β_i)

对在S40)S50)中获取的数据和用户年龄age、BMI和性别sex等进行数据预处理，以下是需要处理的数据：

呼吸信号中的体动参数Bm

每分钟呼吸信号的差值积累Ba

每分钟呼吸次数Bn

多普勒频移Δf_b

首先对数据进行预处理，在四分类后，对要判断的呼吸声音片段提取时间数据，计算出时间片段的中间值，并向前向后拓展2分钟，在这4分钟内若上述数据出现体动现象则取消此次判断，如体动参数中出现了快速运动，或者多普勒频移出现大量不规则的波形。呼吸信号中的体动参数Bm不参与判断后续的D-S判决；每分钟呼吸信号的差值积累Ba变为在该时间片段内的呼吸信号差值积累Bai；每分钟呼吸次数Bn不做改动，多普勒频移取该时间片段的波峰的频移Δf_bmax、波谷的频移Δf_bmin、中值频移Δf_bave。

其中Bai公式如下：

将该时间片段切成N份，这是设置为100，A_Ba(N)为该时间片段中切到的第N个点的呼吸幅度。

然后将比值ψ_BAi、ψ_Bn、

ψ_age、ψ_BMI、ψ_SEX按按数值大小划分为多个区间，并称之为比值区间X，统计ψ_BAi、ψ_Bn、

ψ_age、ψ_BMI、ψ_SEX分别在四分类中判断是正确还是错误的概率，将8个证据在各自的比值区间内为是正确还是错误的概率作为概率分配函数。函数如下

P(ω_BAi|X)＝(p(ω_{BAi_true}|X),p(ω_{BAi_false}|X))

P(ω_Bn|X)＝(p(ω_{Bn_true}|X),p(ω_{Bn_false}|X))

P(ω_age|X)＝(p(ω_{age_true}|X),p(ω_{age_false}|X))

P(ω_BMI|X)＝(p(ω_{BMI_true}|X),p(ω_{BMI_false}|X))

P(ω_SEX|X)＝(p(ω_{SEX_true}|X),p(ω_{SEX_false}|X))

其中p(ω_{Bn_true}|X判断为正确的概率，p(ω_{BAi_false}|X)判断为错误的概率，以此类推。

设m_BAi、m_Bn、

m_age、m_BMI、m_SEX分别表示间片段内的呼吸信号差值积累、每分钟呼吸次数、多普勒频移取该时间片段的波峰的频移、多普勒频移取该时间片段的波谷的频移、多普勒频移取该时间片段的中值的频移、用户的年龄、BMI、性别的BPA。则有

对基本概率分配函数加以修正，得到修正的概率分配函数为m′_i(ω_true)、m′_i(ω_false)、m′_i(Θ)，i＝BAi、Bn、Δf_bmax、Δf_bmin、Δf_bave、age、BMI、SEX

进行八个证据融合后得到概率分配函数m_F(ω_true)、m_F(ω_false)，公式如下：

最终结合神经网络准确度Ef，最终决策公式如下：

Claims (6)

1.一种基于D-S证据理论的呼吸暂停判决系统，包括主控模块、鼾声采集模块、胸腔运动采集模块、呼吸气流采集模块、数据处理模块、无线传输模块、D-S数据融合模块和服务器平台，其特征在于：

所述的主控模块：对鼾声采集模块采集的数据进行A/D处理，并将超声波数据和毫米波模块的数据上传至服务器平台；

所述的鼾声采集模块：采集整晚的鼾声数据传至主控模块；

所述的胸腔运动采集模块：使用毫米波模块采集整晚的胸腔运动数据可计算出呼吸次数，并将数据传输至主控模块；

所述的呼吸气流采集模块：使用超声波模块采集整晚呼吸气流数据传至主控模块；

所述的数据处理模块：使用EfficientNeT神经网络得到正常鼾声、阻塞暂停鼾声、中枢暂停鼾声、混合暂停鼾声四分类；

所述的无线传输模块：将采集到的数据上传至服务器平台等待处理；

所述的D-S数据融合模块：对鼾声四分类后的数据进行判决处理；

所述的服务器平台：对传感器的数据进行存储，使用数据处理模块和D-S数据融合模块后对最后结果进行输出。

2.如权利要求1所述的基于D-S证据理论的呼吸暂停判决系统，其特征在于：

所述鼾声采集模块的麦克风阵列采集被测患者整晚睡眠状态时音频M(t)，通过毫米波模块采集被测患者整晚睡眠状态时的回波信号W（t），通过超声波模块采集被测患者整晚睡眠状态时的呼吸气流数据Q（t）。

3.如权利要求2所述的基于D-S证据理论的呼吸暂停判决系统，其特征在于：

所述主控模块对得到的M(t)数据通过端点检测技术识别出鼾声段和无声段，提取出鼾声段。

4.如权利要求1所述的基于D-S证据理论的呼吸暂停判决系统，其特征在于：

所述数据处理模块对提取出的鼾声段信号进行音频特征提取使用EfficientNeT神经网络得到正常鼾声、阻塞暂停鼾声、中枢暂停鼾声、混合暂停鼾声四分类。

5.如权利要求1所述的基于D-S证据理论的呼吸暂停判决系统，其特征在于：

所述主控模块对得到的W(t)数据进行特征提取，得到呼吸信号中的体动参数Bf、Bs，每分钟呼吸信号的差值积累Ba，每分钟呼吸次数Bn；所述主控模块对得到的Q(t)数据进行特征提取，得到回波功率谱。

6.如权利要求1所述的基于D-S证据理论的呼吸暂停判决系统，其特征在于：

所述的D-S数据融合模块根据用户年龄、BMI和性别，对得到的结果进行D-S证据理论的呼吸暂停判决，和AHI指数进行比对，得到测试者的呼吸暂停综合征的具体情况。

Images