CN111685735A - 基于鼾声信号的睡眠呼吸暂停监测方法及装置 - Google Patents
基于鼾声信号的睡眠呼吸暂停监测方法及装置 Download PDFInfo
- Publication number
- CN111685735A CN111685735A CN202010511665.4A CN202010511665A CN111685735A CN 111685735 A CN111685735 A CN 111685735A CN 202010511665 A CN202010511665 A CN 202010511665A CN 111685735 A CN111685735 A CN 111685735A
- Authority
- CN
- China
- Prior art keywords
- signal
- snore
- alternative
- snore signal
- sleep apnea
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于鼾声信号的睡眠呼吸暂停监测方法及装置,该方法包括:从多导睡眠图中提取原始鼾声信号;采用滑动框沿原始鼾声信号滑动,统计每个滑动框内的信号顶点数;根据每个滑动框内的信号顶点数,筛选出信号顶点数大于预设阈值的滑动框对应的一个或多个鼾声信号备选片段;检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件;根据检测结果,将筛选出的各个鼾声信号备选片段标记为与睡眠呼吸暂停有关的第一类鼾声信号,或与睡眠呼吸暂停无关的第二类鼾声信号。本发明利用多导睡眠图中提取的鼾声信号,充分分析鼾声信号与呼吸信号之间的关联性,能够监测出与睡眠呼吸暂停有关的鼾声信号,以及与睡眠呼吸暂停无关的鼾声信号。
Description
技术领域
本发明涉及信号处理领域,尤其涉及一种基于鼾声信号的睡眠呼吸暂停监测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
睡眠呼吸暂停是指睡眠期间呼吸暂时停止的一种症状,对人类健康影响较大。目前,现有的各种睡眠监测装置,或专门用于诊断睡眠呼吸暂停病症的医疗装置,在监测睡眠呼吸是否存在暂停的时候,是基于直接采集的鼾声信号来进行的,由于直接采集的鼾声信号中存在大量噪声信号,会导致监测结果不准确的技术问题。
发明内容
本发明实施例中提供了一种基于鼾声信号的睡眠呼吸暂停监测方法,用以解决现有技术基于直接采集的鼾声信号对睡眠呼吸暂停进行监测,由于直接采集鼾声信号中存在大量噪声信号,会导致监测结果不准确的技术问题,该方法包括:从多导睡眠图中提取原始鼾声信号;采用滑动框沿所述原始鼾声信号滑动,统计每个滑动框内的信号顶点数;根据每个滑动框内的信号顶点数,筛选出一个或多个鼾声信号备选片段,其中,每个鼾声信号备选片段为信号顶点数大于预设阈值的滑动框对应的信号片段;检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件;根据检测结果,将筛选出的各个鼾声信号备选片段标记为第一类鼾声信号或第二类鼾声信号,其中,所述第一类鼾声信号为与睡眠呼吸暂停有关的鼾声信号,所述第二类鼾声信号为与睡眠呼吸暂停无关的鼾声信号。
本发明实施例中还提供了一种基于鼾声信号的睡眠呼吸暂停监测装置,用以解决现有技术基于直接采集的鼾声信号对睡眠呼吸暂停进行监测,由于直接采集鼾声信号中存在大量噪声信号,会导致监测结果不准确的技术问题,该装置包括:原始鼾声信号提取模块,用于从多导睡眠图中提取原始鼾声信号;信号处理模块,用于采用滑动框沿所述原始鼾声信号滑动,统计每个滑动框内的信号顶点数;信号筛选模块,用于根据每个滑动框内的信号顶点数,筛选出一个或多个鼾声信号备选片段,其中,每个鼾声信号备选片段为信号顶点数大于预设阈值的滑动框对应的信号片段;呼吸暂停事件检测模块,用于检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件;信号分类模块,用于根据检测结果,将筛选出的各个鼾声信号备选片段标记为第一类鼾声信号或第二类鼾声信号,其中,所述第一类鼾声信号为与睡眠呼吸暂停有关的鼾声信号,所述第二类鼾声信号为与睡眠呼吸暂停无关的鼾声信号。
本发明实施例中还提供了一种计算机设备,用以解决现有技术基于直接采集的鼾声信号对睡眠呼吸暂停进行监测,由于直接采集鼾声信号中存在大量噪声信号,会导致监测结果不准确的技术问题,该计算机设备包括存储器、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,所述处理器执行所述计算机程序时实现上述基于鼾声信号的睡眠呼吸暂停监测方法。
本发明实施例中还提供了一种计算机可读存储介质,用以解决现有技术基于直接采集的鼾声信号对睡眠呼吸暂停进行监测,由于直接采集鼾声信号中存在大量噪声信号,会导致监测结果不准确的技术问题,该计算机可读存储介质存储有执行上述基于鼾声信号的睡眠呼吸暂停监测方法的计算机程序。
本发明实施例中,通过从多导睡眠图中提取原始鼾声信号,采用滑动框沿提取的原始鼾声信号滑动,统计每个滑动框内的信号顶点数,进而根据每个滑动框内的信号顶点数,筛选出信号顶点数大于预设阈值的滑动框对应的一个或多个鼾声信号备选片段,然后检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件,最后根据检测结果,将筛选出的各个鼾声信号备选片段标记为与睡眠呼吸暂停有关的第一类鼾声信号,或与睡眠呼吸暂停无关的第二类鼾声信号。
通过本发明实施例,利用多导睡眠图中提取的鼾声信号,充分分析鼾声信号与呼吸信号之间的关联性,对鼾声信号进行分类,能够监测出与睡眠呼吸暂停有关的鼾声信号,以及与睡眠呼吸暂停无关的鼾声信号。将本发明实施例应用于睡眠呼吸暂停综合征的监测仪器或设备,能够有助于提高这些仪器或设备的诊断准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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。在附图中:
图1为本发明实施例中提供的一种基于鼾声信号的睡眠呼吸暂停监测方法流程图;
图2为本发明实施例中提供的一种可选的基于鼾声信号的睡眠呼吸暂停监测方法的具体实现流程图;
图3为本发明实施例中提供的一种基于鼾声信号的睡眠呼吸暂停监测装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
本发明实施例中提供了一种基于鼾声信号的睡眠呼吸暂停监测方法,可以应用但不限于各种睡眠监测或鼾声信号分析的仪器设备。
图1为本发明实施例中提供的一种基于鼾声信号的睡眠呼吸暂停监测方法流程图,如图1所示,该方法包括如下步骤:
S101,从多导睡眠图中提取原始鼾声信号。
需要说明的是,本发明实施例中原始鼾声信号是指从多导睡眠仪采集的呼吸相关信号中提取的信号。可选地,提取的原始鼾声信号包括时间戳、采样频率等信息。
由于本发明实施例中用于监测睡眠呼吸暂停的鼾声信号不是直接采集的音频信号,而是从多导睡眠图中提取的与呼吸相关的信号,因而,能够获得更准确睡眠呼吸暂停监测结果。
S102,采用滑动框沿原始鼾声信号滑动,统计每个滑动框内的信号顶点数。
具体地,上述S102可以通过如下步骤来实现:采用预设大小的滑动框,按照预设步长,沿原始鼾声信号滑动;统计每个滑动框内的信号顶点数。
需要说明的是,本发明实施例中采用的滑动框可以是但不限于一个正方形框,滑动框滑动的步长可以设定为信号采集频率的十分之一至八分之一,根据信号特点进行调整;每个框内统计数量依据信号具体变化情况、幅值变化程度调整阈值,选择在设定阈值范围内的框备选,记录备选框的位置、长度等信息。
在一个实施例中,本发明实施例中提供的基于鼾声信号的睡眠呼吸暂停监测方法还可以包括如下步骤:对提取的原始鼾声信号执行如下预处理:滤波、去噪。
可选地,本发明实施例中,可以对提取的鼾声信号进行频段分析,根据分析得到的信号频率分布,采用中值滤波、巴特沃斯带通滤波器等对提取的原始鼾声信号进行降噪处理,以去除不必要的噪声信号。
S103,根据每个滑动框内的信号顶点数,筛选出一个或多个鼾声信号备选片段,其中,每个鼾声信号备选片段为信号顶点数大于预设阈值的滑动框对应的信号片段;
可选地,在上述S103之后,一个实施例中,本发明实施例中提供的基于鼾声信号的睡眠呼吸暂停监测方法还可以包括如下步骤:合并相邻的鼾声信号备选片段;删除信号长度小于预设长度的鼾声信号备选片段。
S104,检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件;
需要说明的是,呼吸暂停事件之后的一段时间内发生的打鼾,与正常情况下打鼾具有一定差异性可区分,因而,本发明实施例中,在筛选出各个鼾声信号备选片段之后,判断每个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件,进而据此对鼾声信号进行分类,以便将鼾声信号标记为与睡眠呼吸暂停有关的第一类鼾声信号,或与睡眠呼吸暂停无关的第二类鼾声信号。
具体地,上述S104可以具体包括如下步骤:提取各个鼾声信号备选片段的信号特征信息,其中,信号特征信息包括:平均能量、最大幅值、频率或声谱特征;根据各个鼾声信号备选片段的信号特征信息,判断各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件。
由于声谱特征中包含重复信息且有稀疏存在的,因而,在一个实施例中,在根据各个鼾声信号备选片段的信号特征信息,判断各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件的时候,可以首先将各个鼾声信号备选片段的声谱特征信息进行降维处理;然后将各个鼾声信号备选片段降维处理后的声谱特征信息,与平均能量、最大幅值、频率中的一项或多项信号特征信息,输入到预先通过机器学习训练得到的分类器中,输出各个鼾声信号备选片段的分类结果。
可选地,本发明实施例中采用的分类器采用的分类方法可依据信号提取特征的不同,采用简单阈值分类或机器学习方法、深度学习方法。在一个实施例中,本发明实施例中的分类器可基于支持向量机法对各个鼾声信号备选片段进行分类。
S105,根据检测结果,将筛选出的各个鼾声信号备选片段标记为第一类鼾声信号或第二类鼾声信号,其中,第一类鼾声信号为与睡眠呼吸暂停有关的鼾声信号,第二类鼾声信号为与睡眠呼吸暂停无关的鼾声信号。
由上可知,本发明实施例中提供的基于鼾声信号的睡眠呼吸暂停监测方法,通过从多导睡眠图中提取原始鼾声信号,采用滑动框沿提取的原始鼾声信号滑动,统计每个滑动框内的信号顶点数,进而根据每个滑动框内的信号顶点数,筛选出信号顶点数大于预设阈值的滑动框对应的一个或多个鼾声信号备选片段,然后检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件,最后根据检测结果,将筛选出的各个鼾声信号备选片段标记为与睡眠呼吸暂停有关的第一类鼾声信号,或与睡眠呼吸暂停无关的第二类鼾声信号。
通过本发明实施例中提供的基于鼾声信号的睡眠呼吸暂停监测方法,利用多导睡眠图中提取的鼾声信号,充分分析鼾声信号与呼吸信号之间的关联性,对鼾声信号进行分类,能够监测出与睡眠呼吸暂停有关的鼾声信号,以及与睡眠呼吸暂停无关的鼾声信号。将本发明实施例应用于睡眠呼吸暂停综合征的监测仪器或设备,能够有助于提高这些仪器或设备的诊断准确率。
图2为本发明实施例中提供的一种可选的基于鼾声信号的睡眠呼吸暂停监测方法的具体实现流程图,如图2所示,可以包括如下步骤:
①从多导睡眠图中提取需要进行信号分析的原始鼾声信号,同时提取相关鼾声的标签,获取信号的时间戳信息及信号的采样频率等基础信息。
②对提取的鼾声信号进行分析前的滤波、降噪等预处理;
③在原始鼾声信号中设置滑动的正方形框,计算信号顶点在每个框内的数量;
④设置步长,对所有滑动框进行统计,选取符合设定阈值的框作为鼾声信号片段;对这些片段进行融合操作(即临近的片段合并),可选地,将过短且无法合并的片段删除;
⑤对得到的鼾声信号片段进行分析所需相关多个特征的提取;
⑥对得到的鼾声信号片段及相关信号进行标记,将鼾声前有呼吸暂停综合症者标记为与呼吸暂停相关的鼾声,片段前无呼吸事件发生的为普通鼾声;在一个实施例中,选取鼾声事件前20秒的时间段为事件参考范围;
⑦对得到的鼾声信号片段进行分类,得到与睡眠呼吸暂停有关的鼾声信号和与睡眠呼吸暂停无关的鼾声信号。
在一个实施例中,当提取的信号特征信息包括平均能量、最大幅值、主要频率及声谱特征等的情况下,由于声谱特征数量众多,对其首先进行降维处理,将声谱特征降至低维,再作为一类特征,同提取的其他特征如能量等一起作为分类器的输入。可选地,本发明实施例中,采用机器学习中支持向量机的方法对鼾声事件的特征进行分类,将筛选出的鼾声信号备选片段划分为与呼吸事件有关的鼾声及与呼吸事件无关的鼾声。
基于同一发明构思,本发明实施例中还提供了一种基于鼾声信号的睡眠呼吸暂停监测装置,如下面的实施例。由于该装置实施例解决问题的原理与基于鼾声信号的睡眠呼吸暂停监测方法相似,因此该装置实施例的实施可以参见方法的实施,重复之处不再赘述。
图3为本发明实施例中提供的一种基于鼾声信号的睡眠呼吸暂停监测装置示意图,如图3所示,该装置可以包括:原始鼾声信号提取模块31、信号处理模块32、信号筛选模块33、呼吸暂停事件检测模块34和信号分类模块35。
其中,原始鼾声信号提取模块31,用于从多导睡眠图中提取原始鼾声信号;信号处理模块32,用于采用滑动框沿原始鼾声信号滑动,统计每个滑动框内的信号顶点数;信号筛选模块33,用于根据每个滑动框内的信号顶点数,筛选出一个或多个鼾声信号备选片段,其中,每个鼾声信号备选片段为信号顶点数大于预设阈值的滑动框对应的信号片段;呼吸暂停事件检测模块34,用于检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件;信号分类模块35,用于根据检测结果,将筛选出的各个鼾声信号备选片段标记为第一类鼾声信号或第二类鼾声信号,其中,第一类鼾声信号为与睡眠呼吸暂停有关的鼾声信号,第二类鼾声信号为与睡眠呼吸暂停无关的鼾声信号。
由上可知,本发明实施例中提供的基于鼾声信号的睡眠呼吸暂停监测装置,通过原始鼾声信号提取模块31从多导睡眠图中提取原始鼾声信号;通过信号处理模块32采用滑动框沿提取的原始鼾声信号滑动,统计每个滑动框内的信号顶点数;通过信号筛选模块33根据每个滑动框内的信号顶点数,筛选出信号顶点数大于预设阈值的滑动框对应的一个或多个鼾声信号备选片段;通过呼吸暂停事件检测模块34检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件;通过信号分类模块35根据检测结果,将筛选出的各个鼾声信号备选片段标记为与睡眠呼吸暂停有关的第一类鼾声信号,或与睡眠呼吸暂停无关的第二类鼾声信号。
通过本发明实施例中提供的基于鼾声信号的睡眠呼吸暂停监测装置,利用多导睡眠图中提取的鼾声信号,充分分析鼾声信号与呼吸信号之间的关联性,对鼾声信号进行分类,能够监测出与睡眠呼吸暂停有关的鼾声信号,以及与睡眠呼吸暂停无关的鼾声信号。将本发明实施例应用于睡眠呼吸暂停综合征的监测仪器或设备,能够有助于提高这些仪器或设备的诊断准确率。
在一个实施例中,本发明实施例中提供的基于鼾声信号的睡眠呼吸暂停监测装置还可以包括:信号预处理模块36,用于对提取的原始鼾声信号执行如下预处理:滤波、去噪。
在一个实施例中,信号处理模块32还可以用于执行如下步骤的功能:采用预设大小的滑动框,按照预设步长,沿原始鼾声信号滑动;统计每个滑动框内的信号顶点数。
在一个实施例中,信号筛选模块33还可以用于执行如下步骤的功能:合并相邻的鼾声信号备选片段;删除信号长度小于预设长度的鼾声信号备选片段。
在一个实施例中,呼吸暂停事件检测模块34还可以用于执行如下步骤的功能:提取各个鼾声信号备选片段的信号特征信息,其中,信号特征信息包括:平均能量、最大幅值、频率或声谱特征;根据各个鼾声信号备选片段的信号特征信息,判断各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件。
进一步地,在上述实施例中,呼吸暂停事件检测模块34还可以用于执行如下步骤的功能:将各个鼾声信号备选片段的声谱特征信息进行降维处理;将各个鼾声信号备选片段降维处理后的声谱特征信息,与平均能量、最大幅值、频率中的一项或多项信号特征信息,输入到预先通过机器学习训练得到的分类器中,输出各个鼾声信号备选片段的分类结果。
可选地,本发明实施例中提供的基于鼾声信号的睡眠呼吸暂停监测装置中,呼吸暂停事件检测模块34采用的分类器基于支持向量机法对各个鼾声信号备选片段进行分类。
基于同一发明构思,本发明实施例中还提供了一种计算机设备,用以解决现有技术基于直接采集的鼾声信号对睡眠呼吸暂停进行监测,由于直接采集鼾声信号中存在大量噪声信号,会导致监测结果不准确的技术问题,该计算机设备包括存储器、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上述基于鼾声信号的睡眠呼吸暂停监测方法。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,用以解决现有技术基于直接采集的鼾声信号对睡眠呼吸暂停进行监测,由于直接采集鼾声信号中存在大量噪声信号,会导致监测结果不准确的技术问题,该计算机可读存储介质存储有执行上述基于鼾声信号的睡眠呼吸暂停监测方法的计算机程序。
综上所述,本发明实施例还提供了一种基于鼾声信号的睡眠呼吸暂停监测方法、装置、计算机设备及计算机可读存储介质,利用从多导睡眠图中得到的鼾声信号,充分分析信号与呼吸及睡眠呼吸障碍的相关联性,将其可能包含的与呼吸事件相关的信号特征提取,利用提取的信号特征信息,通过机器学习方法监测出与睡眠呼吸暂停有关的鼾声信号,以及与睡眠呼吸暂停无关的鼾声信号,能够更准确地判别是否存在呼吸暂停情况。将本发明实施例应用于睡眠呼吸暂停综合征的监测仪器或设备,能够有助于提高这些仪器或设备的诊断准确率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于鼾声信号的睡眠呼吸暂停监测方法,其特征在于,包括:
从多导睡眠图中提取原始鼾声信号;
采用滑动框沿所述原始鼾声信号滑动,统计每个滑动框内的信号顶点数;
根据每个滑动框内的信号顶点数,筛选出一个或多个鼾声信号备选片段,其中,每个鼾声信号备选片段为信号顶点数大于预设阈值的滑动框对应的信号片段;
检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件;
根据检测结果,将筛选出的各个鼾声信号备选片段标记为第一类鼾声信号或第二类鼾声信号,其中,所述第一类鼾声信号为与睡眠呼吸暂停有关的鼾声信号,所述第二类鼾声信号为与睡眠呼吸暂停无关的鼾声信号。
2.如权利要求1所述的方法,其特征在于,在从多导睡眠图中提取原始鼾声信号之后,所述方法还包括:
对提取的原始鼾声信号执行如下预处理:滤波、去噪。
3.如权利要求1所述的方法,其特征在于,采用滑动框沿所述原始鼾声信号滑动,统计每个滑动框内的信号顶点数,包括:
采用预设大小的滑动框,按照预设步长,沿所述原始鼾声信号滑动;
统计每个滑动框内的信号顶点数。
4.如权利要求1所述的方法,其特征在于,在根据每个滑动框内的信号顶点数,筛选出一个或多个鼾声信号备选片段之后,所述方法还包括:
合并相邻的鼾声信号备选片段;
删除信号长度小于预设长度的鼾声信号备选片段。
5.如权利要求1所述的方法,其特征在于,检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件,包括:
提取各个鼾声信号备选片段的信号特征信息,其中,所述信号特征信息包括:平均能量、最大幅值、频率或声谱特征;
根据各个鼾声信号备选片段的信号特征信息,判断各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件。
6.如权利要求5所述的方法,其特征在于,根据各个鼾声信号备选片段的信号特征信息,判断各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件,包括:
将各个鼾声信号备选片段的声谱特征信息进行降维处理;
将各个鼾声信号备选片段降维处理后的声谱特征信息,与平均能量、最大幅值、频率中的一项或多项信号特征信息,输入到预先通过机器学习训练得到的分类器中,输出各个鼾声信号备选片段的分类结果。
7.如权利要求6所述的方法,其特征在于,所述分类器基于支持向量机法对各个鼾声信号备选片段进行分类。
8.一种基于鼾声信号的睡眠呼吸暂停监测装置,其特征在于,包括:
原始鼾声信号提取模块,用于从多导睡眠图中提取原始鼾声信号;
信号处理模块,用于采用滑动框沿所述原始鼾声信号滑动,统计每个滑动框内的信号顶点数;
信号筛选模块,用于根据每个滑动框内的信号顶点数,筛选出一个或多个鼾声信号备选片段,其中,每个鼾声信号备选片段为信号顶点数大于预设阈值的滑动框对应的信号片段;
呼吸暂停事件检测模块,用于检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件;
信号分类模块,用于根据检测结果,将筛选出的各个鼾声信号备选片段标记为第一类鼾声信号或第二类鼾声信号,其中,所述第一类鼾声信号为与睡眠呼吸暂停有关的鼾声信号,所述第二类鼾声信号为与睡眠呼吸暂停无关的鼾声信号。
9.一种计算机设备,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,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至7任一项所述基于鼾声信号的睡眠呼吸暂停监测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至7任一项所述基于鼾声信号的睡眠呼吸暂停监测方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010511665.4A CN111685735B (zh) | 2020-06-08 | 2020-06-08 | 基于鼾声信号的睡眠呼吸暂停监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010511665.4A CN111685735B (zh) | 2020-06-08 | 2020-06-08 | 基于鼾声信号的睡眠呼吸暂停监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111685735A true CN111685735A (zh) | 2020-09-22 |
CN111685735B CN111685735B (zh) | 2022-01-21 |
Family
ID=72479690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010511665.4A Active CN111685735B (zh) | 2020-06-08 | 2020-06-08 | 基于鼾声信号的睡眠呼吸暂停监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111685735B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003030716A2 (en) * | 2001-10-10 | 2003-04-17 | Ric Investments, Inc. | Snore detecting method and apparatus |
JP2010051387A (ja) * | 2008-08-26 | 2010-03-11 | Nagoya City Univ | 睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴うcvhrの検出装置 |
CN103070683A (zh) * | 2012-12-20 | 2013-05-01 | 中山大学 | 基于生物电阻抗的睡眠呼吸模式识别方法及装置 |
CN104757975A (zh) * | 2009-04-20 | 2015-07-08 | 瑞思迈有限公司 | 使用血氧饱和度信号辨别潮式呼吸模式 |
CN106691382A (zh) * | 2016-12-26 | 2017-05-24 | 赛博龙科技(北京)有限公司 | 一种基于时频相似性的鼾声检测方法及装置 |
CN107358965A (zh) * | 2017-06-09 | 2017-11-17 | 华南理工大学 | 一种睡眠鼾声分类检测方法及系统 |
CN108309288A (zh) * | 2018-02-01 | 2018-07-24 | 深圳市禹欣鑫电子有限公司 | 基于脑电和心率的睡眠呼吸暂停监测智能可穿戴设备 |
KR20180109100A (ko) * | 2017-03-27 | 2018-10-08 | 연세대학교 원주산학협력단 | 보호자 스마트폰과 연동되는 수면무호흡상태 모니터링 시스템 |
CN108670200A (zh) * | 2018-05-30 | 2018-10-19 | 华南理工大学 | 一种基于深度学习的睡眠鼾声分类检测方法及系统 |
CN109350014A (zh) * | 2018-12-10 | 2019-02-19 | 苏州小蓝医疗科技有限公司 | 一种鼾声识别方法与系统 |
WO2019103689A1 (en) * | 2017-11-27 | 2019-05-31 | Acosense Ab | Method and system for determining process properties using active acoustic spectroscopy |
CN110338797A (zh) * | 2019-08-12 | 2019-10-18 | 苏州小蓝医疗科技有限公司 | 一种基于鼾声和血氧的中频止鼾仪数据处理方法 |
US20200085321A1 (en) * | 2018-09-18 | 2020-03-19 | Reveal Biosensors, Inc. | Energy conversion monitoring devices, systems, and methods |
CN111227792A (zh) * | 2020-01-10 | 2020-06-05 | 京东方科技集团股份有限公司 | 呼吸暂停的检测方法、系统、电子设备及存储介质 |
-
2020
- 2020-06-08 CN CN202010511665.4A patent/CN111685735B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003030716A2 (en) * | 2001-10-10 | 2003-04-17 | Ric Investments, Inc. | Snore detecting method and apparatus |
JP2010051387A (ja) * | 2008-08-26 | 2010-03-11 | Nagoya City Univ | 睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴うcvhrの検出装置 |
CN104757975A (zh) * | 2009-04-20 | 2015-07-08 | 瑞思迈有限公司 | 使用血氧饱和度信号辨别潮式呼吸模式 |
CN103070683A (zh) * | 2012-12-20 | 2013-05-01 | 中山大学 | 基于生物电阻抗的睡眠呼吸模式识别方法及装置 |
CN106691382A (zh) * | 2016-12-26 | 2017-05-24 | 赛博龙科技(北京)有限公司 | 一种基于时频相似性的鼾声检测方法及装置 |
KR20180109100A (ko) * | 2017-03-27 | 2018-10-08 | 연세대학교 원주산학협력단 | 보호자 스마트폰과 연동되는 수면무호흡상태 모니터링 시스템 |
CN107358965A (zh) * | 2017-06-09 | 2017-11-17 | 华南理工大学 | 一种睡眠鼾声分类检测方法及系统 |
WO2019103689A1 (en) * | 2017-11-27 | 2019-05-31 | Acosense Ab | Method and system for determining process properties using active acoustic spectroscopy |
CN108309288A (zh) * | 2018-02-01 | 2018-07-24 | 深圳市禹欣鑫电子有限公司 | 基于脑电和心率的睡眠呼吸暂停监测智能可穿戴设备 |
CN108670200A (zh) * | 2018-05-30 | 2018-10-19 | 华南理工大学 | 一种基于深度学习的睡眠鼾声分类检测方法及系统 |
US20200085321A1 (en) * | 2018-09-18 | 2020-03-19 | Reveal Biosensors, Inc. | Energy conversion monitoring devices, systems, and methods |
CN109350014A (zh) * | 2018-12-10 | 2019-02-19 | 苏州小蓝医疗科技有限公司 | 一种鼾声识别方法与系统 |
CN110338797A (zh) * | 2019-08-12 | 2019-10-18 | 苏州小蓝医疗科技有限公司 | 一种基于鼾声和血氧的中频止鼾仪数据处理方法 |
CN111227792A (zh) * | 2020-01-10 | 2020-06-05 | 京东方科技集团股份有限公司 | 呼吸暂停的检测方法、系统、电子设备及存储介质 |
Non-Patent Citations (6)
Title |
---|
BAI, L; SUN, CY;SUN, SB 等: "Investigation of Urinary Sestrin2 in Patients with Obstructive Sleep Apnea", 《LUNG》 * |
POUPARD, L; COURT-FORTUNE, I; ROCHE, F 等: "Use of high-frequency peak in spectral analysis of heart rate increment to improve screening of obstructive sleep apnoea", 《SLEEP AND BREATHING》 * |
宋敬东: "第六章 常见疾病防治", 《图解家庭医学百科 全彩图解典藏版》 * |
牛泽 等: "基于短时能量的呼吸暂停信号识别方法", 《科学技术与工程》 * |
王兴军 等: "睡眠监测设备负荷对阻塞性睡眠呼吸暂停低通气综合征诊断的影响", 《中国耳鼻咽喉头颈外科》 * |
赵素文等: "基于心电信号中提取呼吸信号的探讨", 《桂林航天工业高等专科学校学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111685735B (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340142B (zh) | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 | |
CN109431470B (zh) | 睡眠呼吸监测方法及装置 | |
CN107095669B (zh) | 一种癫痫患者脑电信号的处理方法及系统 | |
US20230043406A1 (en) | Noninvasive method and system for sleep apnea detection | |
Barton et al. | Data reduction for cough studies using distribution of audio frequency content | |
JP2004174254A5 (zh) | ||
EP3616605A1 (en) | Non-invasive detection of coronary heart disease from short single-lead ecg | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
Chaibi et al. | A comparaison of methods for detection of high frequency oscillations (HFOs) in human intacerberal EEG recordings | |
Xie et al. | Signal decomposition by multi-scale PCA and its applications to long-term EEG signal classification | |
Tapia et al. | RED: Deep recurrent neural networks for sleep EEG event detection | |
Akbari et al. | Fast and accurate classification F and NF EEG by using SODP and EWT | |
Razi et al. | Sleep apnea classification using random forest via ECG | |
Thomas et al. | Artificial neural network for diagnosing autism spectrum disorder | |
CN111685735B (zh) | 基于鼾声信号的睡眠呼吸暂停监测方法及装置 | |
CN109271889A (zh) | 一种基于双层lstm神经网络的动作识别方法 | |
CN112699744A (zh) | 跌倒姿态的分类识别方法、装置和可穿戴设备 | |
Tawhid et al. | Brain data mining framework involving entropy topography and deep learning | |
CN112057068A (zh) | 一种癫痫病理数据分类方法、装置及存储介质 | |
CN105489228A (zh) | 一种基于频域图处理的干罗音识别方法 | |
Hamidah et al. | Effective heart sounds detection method based on signal's characteristics | |
Sreeram et al. | Investigating the potential of MFCC features in classifying respiratory diseases | |
Elsetrønning et al. | On the effectiveness of signal decomposition, feature extraction and selection on lung sound classification | |
CN115886794A (zh) | 多分类器的选取方法、冻结步态检测系统、设备、存储介质 | |
KR101548453B1 (ko) | 뇌파신호 및 눈 깜빡임 신호의 획득과 분석 기술을 이용한 문화 콘텐츠 평가 방법 및 장치 |
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 |