CN111685774A - 基于概率集成回归模型的osahs诊断方法 - Google Patents

基于概率集成回归模型的osahs诊断方法 Download PDF

Info

Publication number
CN111685774A
CN111685774A CN202010467856.5A CN202010467856A CN111685774A CN 111685774 A CN111685774 A CN 111685774A CN 202010467856 A CN202010467856 A CN 202010467856A CN 111685774 A CN111685774 A CN 111685774A
Authority
CN
China
Prior art keywords
oxygen saturation
blood oxygen
snore
signal
regression 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.)
Granted
Application number
CN202010467856.5A
Other languages
English (en)
Other versions
CN111685774B (zh
Inventor
黑新宏
朱小贝
罗靖
陈浩
任晓勇
刘海琴
赖厚涛
张俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010467856.5A priority Critical patent/CN111685774B/zh
Publication of CN111685774A publication Critical patent/CN111685774A/zh
Application granted granted Critical
Publication of CN111685774B publication Critical patent/CN111685774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0826—Detecting or evaluating apnoea events
    • 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
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • 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
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • A61B5/4815—Sleep quality
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Optics & Photonics (AREA)
  • Anesthesiology (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概率集成回归模型的OSAHS诊断方法，通过采集血氧饱和度并进行预处理，根据血氧饱和度下降段对应的时间找到鼾声信号；利用梅尔倒谱系数进行特征提取，将特征输入到卷积神经网络中结合逻辑回归模型将下降段音频信号分类为鼾声、呼吸和噪声，并对处理后的鼾声与血氧饱和度进行特征提取；最后利用概率集成回归模型自动预测预测患者的睡眠呼吸暂停低通气指数诊断OSAHS，使患者在家就可以对睡眠状态进行初步的检测，解决OSAHS患者在医院排队进行PSG监测，同时减缓医生的压力。

Description

基于概率集成回归模型的OSAHS诊断方法
技术领域
本发明属于睡眠医学、信号处理和机器学习技术领域，具体涉及一种基于鼾声与血氧饱和度分析的OSAHS诊断方法，利用概率集成回归模型预测呼吸暂停低通气指数，对OSAHS进行诊断。
背景技术
梅尔倒谱系数主要应用于自动语音和说话人识别的特征处理算法，根据人耳的机制构建的一种滤波器：在低频区域较多而在高频区域较少的滤波器。梅尔倒谱系数是基于声音频率的非线性梅尔刻度的对数能量频谱的线性变换，是组成梅尔频率倒谱的系数。依据人的听觉实验来分析鼾声音频的频谱，获得更好的鼾声音频特征并且梅尔倒谱系数几乎不随音高变化，因此它适用于对患者鼾声音频信号的处理。
卷积神经网络是一种深度前馈神经网络，目前已广泛应用于图像识别、音频识别、运动分析、自然语言处理等领域。卷积神经网络的核心思想是：通过将局部感受野、权值共享以及时间或空间亚采样三种结构思想，在一定程度上获得位置和方向以及尺度和形状的不变，通常包括以下几种层：卷积层，线性整流层，池化层和全连接层。卷积层由卷积神经网络中的几个卷积单元组成，并且通过反向传播算法优化每个卷积单元的参数，卷积运算的目的是提取输入的不同特征。线性整流层是卷积神经网络的活性化函数。池化层通常在卷积层之后得到大维度的特征，将特征分割成多个区域，取最大值或平均值，得到小尺度的新特征。全连接层将所有局部特征合并到全局特征中，计算每个最终类别的得分。
逻辑回归模型又称逻辑回归分析，是一种线性回归模型，当因变量为二分类时，非常适合利用逻辑回归进行回归分析。逻辑回归模型用来解决二分类问题的机器学习算法，估计某一事物的可能性，描述数据并解释一个因变量与一个或多个名义、序数、区间或比率级自变量之间的关系，相当于在线性回归上添加一个逻辑函数。
阻塞型呼吸暂停低通气综合征(Obstructive Sleep Apnea Hypopnea Syndrome，OSAHS)也称鼾症，也就是常说的打呼噜，会严重影响睡眠期间的呼吸和睡眠质量。目前诊断OSAHS的金标准是多导睡眠监测 (Polysomnography，PSG)，患者需要连接多跟导联线，在专门的病房或者实验室进行整晚睡眠监测，但是PSG存在的缺点是：检查监测费用相对较高，患者需要在专门的实验室或者病房进行，并且需要连接多根导联线，对患者的睡眠干扰比较大，患者不易熟睡，并且人工评分睡眠呼吸暂停低通气事件需要训练有素的睡眠专家或医生进行标记诊断，十分耗费人力，财力以及时间。目前诊断OSAHS的方法主要有三种：基于鼾声的分析，基于血氧饱和度的分析以及基于综合的分析方法。但是仅仅通过鼾声可能无法准确录制到患者的鼾声再加上睡眠期间其他噪声的影响会导致得到的信息并不一定准确。由于血氧饱和度在采集信号的过程中可能会出现失误，美国睡眠医学会目前不推荐使用血氧饱和度作为睡眠呼吸暂停诊断的唯一信号。气管声音、骨导麦克风等多个设备效果较好但是需要与患者连接进行睡眠状态监测。因此提出了一种基于鼾声与血氧饱和度分析检测OSAHS的方法，该方法能够预测患者的睡眠呼吸暂停低通气指数，使患者在家就可以检测。
发明内容
本发明的目的是提供一种基于鼾声与血氧饱和度结合的OSAHS诊断方法，解决了目前单个设备不稳定因素的影响并提高了OSAHS诊断的准确性。
本发明采用的技术方案是，基于概率集成回归模型将鼾声与血氧饱和度结合诊断OSAHS的方法：
首先对血氧饱和度进行了预处理，将采集到的血氧饱和度信号预处理，首先读取血氧饱和度信号，对血氧饱和度进行去零，去除因设备脱落等原因造成的血氧饱和度为零的情况；然后利用窗口为150ms的中值滤波，对血氧饱和度数据进行平滑处理，去除由于设备或外界导致的血氧饱和度出现突变的数据；接着通过对血氧饱和度数据求导，自动发现其下降和上升的阶跃变化，得到血氧饱和度信号下降和上升的起点和终点；
其次根据血氧饱和度下降段对应的时间找到鼾声信号，利用梅尔倒谱系数进行特征提取，将特征输入到卷积神经网络中结合逻辑回归模型将下降段音频信号分类为鼾声、呼吸和噪声，并对处理后的鼾声与血氧饱和度进行特征提取；
最后提出基于概率集成回归模型的呼吸暂停低通气指数预测，通过概率集成回归模型的卷积层，池化层以及全局池化层的计算，利用概率集成回归模型训练出呼吸暂停低通气每小时发生的概率，最终预测出呼吸暂停低通气指数。
本发明的特点还在于，
基于概率集成回归模型的OSAHS诊断方法的具体操作如下：
步骤1：读取血氧饱和度信号：从多导睡眠监测设备读取与鼾声音频信号同步的血氧饱和度信号；
步骤2：去零，将因设备或外界原因未采集到的血氧饱和度信号为零的值去除；
步骤3：去噪，运用中值滤波对血氧饱和度进行去噪，将血氧饱和度信号中突升突降的值用该时刻相邻域的中值代替，使该值与周围的值接近，从而消除孤立的噪声点。
步骤4：求导，血氧饱和度信号特点呈现为离散状态，对离散数据求导其实就是求差分，例如第k秒的导数为：Δf(xk)＝f(xk)-f(xk-1)其中， f(xk)表示第k秒血氧饱和度的值，f(xk-1)表示第k-1秒的血氧饱和度的值，求导后自动发现其下降和上升的阶跃变化，当血氧饱和度下降>＝2％时确定为血氧饱和度的一个下降段；
步骤5：血氧饱和度特征提取：从步骤4得到的血氧饱和度下降段中提取两个特征：一个是下降段下降量，即血氧饱和度从开始下降到下降到最低点下降的多少；另一个是血氧饱和度下降幅值，即血氧饱和度下降到最低点的值；
步骤6：由于血氧饱和度信号与鼾声同时开始采集，因此可根据血氧饱和度下降段的时间找到相应时间段的鼾声信号；
步骤7：对步骤6得到的每个鼾声段利用梅尔倒谱系数进行特征提取，将特征输入卷积神经网络并结合逻辑回归模型将鼾声信号分为鼾声、呼吸和噪声；
步骤8：鼾声信号特征提取：针对鼾声信号特征提取包括下降段鼾声能量以及鼾声在该下降段的占比。
步骤9：将步骤8的鼾声信号特征与步骤5的血氧饱和度特征以及标准AHI输入到概率集成回归模型中进行卷积运算，卷积运算后特征经过 Sigmoid函数运算，将特征分布在0-1范围内；
步骤10：对步骤9处理后的特征进行最大池化操作，求出患者每小时发生呼吸暂停低通气的概率；
步骤11：将步骤10得到的发生呼吸暂停低通气的概率通过全局池化运算，得到患者整夜睡眠发生呼吸暂停事件的总概率；最后将总概率与整晚睡眠时间相乘得到预测AHI；
步骤12：运用均方误差计算预测AHI与标准AHI的损失函数，在训练数据上反复进行训练，当训练损失函数最小时，在测试数据上进行验证得到最终的预测AHI值。
本发明的特点还在于，
步骤9卷积运算的计算公式如下：
Figure RE-GDA0002616833670000051
其中n为输入特征矩阵的个数， Xk代表第k个输入矩阵；Wk表示卷积核的第k个子卷积核矩阵；S(i,j)即卷积核W对应的输出矩阵的对应位置元素的值；
AHI是每小时睡眠内呼吸暂停加上低通气的次数。
步骤11全局池化运算在窗口上计算的函数为：
Figure RE-GDA0002616833670000061
其中 X表示所有特征，x表示某个特征值，p＝1。
步骤1的血氧饱和度信号为edf格式数据。
本发明的有益效果是：本发明的基于鼾声与血氧饱和度分析的 OSAHS诊断方法通过采集鼾声与血氧饱和度信号利用概率集成回归模型自动预测预测患者的睡眠呼吸暂停低通气指数诊断OSAHS，使患者在家就可以对睡眠状态进行初步的检测，解决OSAHS患者在医院排队进行PSG监测，同时减缓医生的压力。
附图说明
图1是本发明的整体设计图；
图2是本发明的全局流程图；
图3是本发明中血氧饱和度预处理流程图；
图4是本发明鼾声音频信号预处理流程图；
图5是本发明概率集成回归模型整体流程图；
图6是本发明概率集成回归模型训练流程图；
图7是本发明实施例对应下降段的鼾声信号示意图；
图8是本发明实施例血氧饱和度下降段示意图；
图9是本发明实施例预测结果图；
图10是本发明最大池化提取主要特征过程图。
具体实施方式
基于概率集成回归模型的OSAHS诊断方法的实现步骤
步骤1：读取血氧饱和度信号，本发明从多导睡眠监测设备读取与鼾声音频信号同步的欧洲数据格式(edf)中读取血氧饱和度信号。
步骤2：去零，将因设备或外界原因未采集到的血氧饱和度信号为零的值去除。
步骤3：去噪，中值滤波对血氧饱和度进行去噪，把数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。
步骤4：求导，就是对血氧饱和度进行差分运算：Δf(xk)＝f(xk)-f(xk-1)
步骤5：特征提取，血氧饱和度提取下降段下降量以及血氧饱和度下降幅值。
步骤6：对鼾声音频信号进行梅尔倒谱系数进行鼾声音频的识别。
步骤7：经过步骤6运用卷积神经网络结合逻辑回归模型对鼾声音频信号进行分类。利用卷积神经网络结合逻辑回归模型将鼾声分为鼾声、呼吸和噪声。
步骤8：特征提取，针对鼾声信号特征提取包括下降段鼾声能量以及鼾声在该下降段的占比。
步骤9：卷积运算。对提取的特征值进行卷积运算，卷积层是卷积神经网路中每层卷积层由若干卷积单元组成，卷积核内的参数以及卷积内其他都是通过不断训练优化得到。卷积层通过卷积核的学习，激活输入信号中的特定模式。卷积核与输入信号进行卷积，同时在输入信号上滑动。通过卷积运算输出特征图，二维卷积层的计算：
Figure RE-GDA0002616833670000071
其中n为输入矩阵的个数(或者是张量的最后一维的维数)，Xk代表第k个输入矩阵。Wk表示卷积核的第k个子卷积核矩阵。S(i,j)即卷积核W对应的输出矩阵的对应位置元素的值。
步骤10：池化层。对输入的特征进行了压缩，不仅使特征图变小，简化了计算复杂度，同时进行了特征压缩并且能够提取主要特征。在概率集成回归模型中利用最大池化对深度特征进行池化操作，相当于得到如图10所示的最大池化提取主要特征。
步骤11：全局池化计算出患者整夜睡眠发生呼吸暂停事件的总概率。使用全局池化层代替卷积神经网络中传统的全连接层，使用全局池化层代替传统的全连接层可以更好的将卷积层的特征对应起来，全局池化层在窗口上计算的函数为：
Figure RE-GDA0002616833670000081
当p＝1时，为总和池。
步骤12：概率集成回归模型的训练。概率集成回归模型的训练过程可以分为三个步骤如图9所示，首先定义概率集成回归模型的结构和前向传播的输出结果，然后定义损失函数以及选择反向传播优化的算法，最后在训练数据上反复运行反向传播优化算法。
基于概率集成回归模型的OSAHS诊断方法的实例
下面通过对鼾声和血氧饱和度信号作为实例说明基于概率集成回归模型的实现过程。
(1)将血氧饱和度与鼾声信号对应，分别对鼾声与血氧饱和度信号进行预处理，执行步骤1～8，得到血氧饱和度下降段和鼾声信号下降段，如图8所示为某患者一个血氧饱和度下降段，图7为该患者对应下降段的鼾声信号。
(2)执行步骤9～12，完成对呼吸暂停低通气指数的预测过程，将鼾声与血氧饱和度的特征结合实现对睡眠呼吸暂停事件的概率训练，最终完成对呼吸暂停低通气指数的预测，预测结果如图9所示。

Claims (6)

1.基于概率集成回归模型的OSAHS诊断方法，其特征在于，首先对血氧饱和度进行了预处理，将采集到的血氧饱和度信号预处理，首先读取血氧饱和度信号，对血氧饱和度进行去零，去除因设备脱落等原因造成的血氧饱和度为零的情况；然后利用窗口为150ms的中值滤波，对血氧饱和度数据进行平滑处理，去除由于设备或外界导致的血氧饱和度出现突变的数据；接着通过对血氧饱和度数据求导，自动发现其下降和上升的阶跃变化，得到血氧饱和度信号下降和上升的起点和终点；
其次根据血氧饱和度下降段对应的时间找到鼾声信号，利用梅尔倒谱系数进行特征提取，将特征输入到卷积神经网络中结合逻辑回归模型将下降段音频信号分类为鼾声、呼吸和噪声，并对处理后的鼾声与血氧饱和度进行特征提取；
最后提出基于概率集成回归模型的呼吸暂停低通气指数预测，通过概率集成回归模型的卷积层，池化层以及全局池化层的计算，利用概率集成回归模型训练出呼吸暂停低通气每小时发生的概率，最终预测出呼吸暂停低通气指数。
2.根据权利要求1所述的基于概率集成回归模型的OSAHS诊断方法，其特征在于，具体操作如下：
步骤1：读取血氧饱和度信号：从多导睡眠监测设备读取与鼾声音频信号同步的血氧饱和度信号；
步骤2：去零，将因设备或外界原因未采集到的血氧饱和度信号为零的值去除；
步骤3：去噪，运用中值滤波对血氧饱和度进行去噪，将血氧饱和度信号中突升突降的值用该时刻相邻域的中值代替，使该值与周围的值接近，从而消除孤立的噪声点。
步骤4：求导，血氧饱和度信号特点呈现为离散状态，对离散数据求导其实就是求差分，例如第k秒的导数为：Δf(xk)＝f(xk)-f(xk-1)其中，f(xk)表示第k秒血氧饱和度的值，f(xk-1)表示第k-1秒的血氧饱和度的值，求导后自动发现其下降和上升的阶跃变化，当血氧饱和度下降>＝2％时确定为血氧饱和度的一个下降段；
步骤5：血氧饱和度特征提取：从步骤4得到的血氧饱和度下降段中提取两个特征：一个是下降段下降量，即血氧饱和度从开始下降到下降到最低点下降的多少；另一个是血氧饱和度下降幅值，即血氧饱和度下降到最低点的值；
步骤6：由于血氧饱和度信号与鼾声同时开始采集，因此可根据血氧饱和度下降段的时间找到相应时间段的鼾声信号；
步骤7：对步骤6得到的每个鼾声段利用梅尔倒谱系数进行特征提取，将特征输入卷积神经网络并结合逻辑回归模型将鼾声信号分为鼾声、呼吸和噪声；
步骤8：鼾声信号特征提取：针对鼾声信号特征提取包括下降段鼾声能量以及鼾声在该下降段的占比。
步骤9：将步骤8的鼾声信号特征与步骤5的血氧饱和度特征以及标准AHI输入到概率集成回归模型中进行卷积运算，卷积运算后特征经过Sigmoid函数运算，将特征分布在0-1范围内；
步骤10：对步骤9处理后的特征进行最大池化操作，求出患者每小时发生呼吸暂停低通气的概率；
步骤11：将步骤10得到的发生呼吸暂停低通气的概率通过全局池化运算，得到患者整夜睡眠发生呼吸暂停事件的总概率；最后将总概率与整晚睡眠时间相乘得到预测AHI；
步骤12：运用均方误差计算预测AHI与标准AHI的损失函数，在训练数据上反复进行训练，当训练损失函数最小时，在测试数据上进行验证得到最终的预测AHI值。
3.根据权利要求2所述的基于概率集成回归模型的OSAHS诊断方法，其特征在于，步骤9所述卷积运算的计算公式如下：
Figure FDA0002513273640000031
其中n为输入特征矩阵的个数，Xk代表第k个输入矩阵；Wk表示卷积核的第k个子卷积核矩阵；S(i,j)即卷积核W对应的输出矩阵的对应位置元素的值。
4.根据权利要求2所述的基于概率集成回归模型的OSAHS诊断方法，其特征在于，所述AHI是每小时睡眠内呼吸暂停加上低通气的次数。
5.根据权利要求2所述的基于概率集成回归模型的OSAHS诊断方法，其特征在于，步骤11所述全局池化运算在窗口上计算的函数为：
Figure FDA0002513273640000032
其中X表示所有特征，x表示某个特征值，p＝1。
6.根据权利要求2所述的基于概率集成回归模型的OSAHS诊断方法，其特征在于，步骤1所述血氧饱和度信号为edf格式数据。
CN202010467856.5A 2020-05-28 2020-05-28 基于概率集成回归模型的osahs诊断方法 Active CN111685774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010467856.5A CN111685774B (zh) 2020-05-28 2020-05-28 基于概率集成回归模型的osahs诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010467856.5A CN111685774B (zh) 2020-05-28 2020-05-28 基于概率集成回归模型的osahs诊断方法

Publications (2)

Publication Number Publication Date
CN111685774A true CN111685774A (zh) 2020-09-22
CN111685774B CN111685774B (zh) 2023-08-25

Family

ID=72478473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010467856.5A Active CN111685774B (zh) 2020-05-28 2020-05-28 基于概率集成回归模型的osahs诊断方法

Country Status (1)

Country Link
CN (1) CN111685774B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113974576A (zh) * 2021-12-23 2022-01-28 北京航空航天大学杭州创新研究院 一种基于心磁图的睡眠质量监测系统及监测方法
CN114424934A (zh) * 2021-12-30 2022-05-03 上海市第六人民医院 呼吸暂停事件筛查模型训练方法、装置和计算机设备
CN115804585A (zh) * 2023-02-08 2023-03-17 浙江大学 一种基于机械通气波形检测气道高阻力的方法及系统
US20230346304A1 (en) * 2022-04-29 2023-11-02 National Yang Ming Chiao Tung University Method for OSA Severity Detection Using Recording-based Electrocardiography Signal

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010066008A1 (en) * 2008-12-10 2010-06-17 The University Of Queensland Multi-parametric analysis of snore sounds for the community screening of sleep apnea with non-gaussianity index
WO2012025892A2 (en) * 2010-08-26 2012-03-01 Ben Gurion University Of The Negev Research And Development Authority Apparatus and method for diagnosing obstructive sleep apnea
US20120071741A1 (en) * 2010-09-21 2012-03-22 Zahra Moussavi Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals
CN105030198A (zh) * 2015-06-18 2015-11-11 苏州安莱光电科技有限公司 用于监测睡眠质量和生命体征的系统及方法
WO2017031489A1 (en) * 2015-08-20 2017-02-23 Serenium, Inc. System and method of diagnosing pediatric obstructive sleep apnea
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
CN110570880A (zh) * 2019-09-04 2019-12-13 杭州深蓝睡眠科技有限公司 一种鼾声信号识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010066008A1 (en) * 2008-12-10 2010-06-17 The University Of Queensland Multi-parametric analysis of snore sounds for the community screening of sleep apnea with non-gaussianity index
WO2012025892A2 (en) * 2010-08-26 2012-03-01 Ben Gurion University Of The Negev Research And Development Authority Apparatus and method for diagnosing obstructive sleep apnea
US20120071741A1 (en) * 2010-09-21 2012-03-22 Zahra Moussavi Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals
CN105030198A (zh) * 2015-06-18 2015-11-11 苏州安莱光电科技有限公司 用于监测睡眠质量和生命体征的系统及方法
WO2017031489A1 (en) * 2015-08-20 2017-02-23 Serenium, Inc. System and method of diagnosing pediatric obstructive sleep apnea
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
CN110570880A (zh) * 2019-09-04 2019-12-13 杭州深蓝睡眠科技有限公司 一种鼾声信号识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
梅桢峰;宋丽娟;金辉;李源;张孝文;: "阻塞性睡眠呼吸暂停低通气综合征患者鼾声间隔期呼吸事件分析", 中国现代医学杂志, no. 27 *
陈斌;李勇;蔡颖;曹晶;刘文广;: "女性阻塞性睡眠呼吸暂停综合征合并高血压患者危险因素分析", no. 10 *
黄鑫炎;谭卫平;黄建强;李志平;罗益锋;: "图解阻塞性睡眠呼吸暂停低通气综合征患者体质量指数与过筛检查若干主要指标的关系" *
黄鑫炎;谭卫平;黄建强;李志平;罗益锋;: "图解阻塞性睡眠呼吸暂停低通气综合征患者体质量指数与过筛检查若干主要指标的关系", 实用医学杂志, no. 21 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113974576A (zh) * 2021-12-23 2022-01-28 北京航空航天大学杭州创新研究院 一种基于心磁图的睡眠质量监测系统及监测方法
CN113974576B (zh) * 2021-12-23 2022-04-22 北京航空航天大学杭州创新研究院 一种基于心磁图的睡眠质量监测系统及监测方法
CN114424934A (zh) * 2021-12-30 2022-05-03 上海市第六人民医院 呼吸暂停事件筛查模型训练方法、装置和计算机设备
US20230346304A1 (en) * 2022-04-29 2023-11-02 National Yang Ming Chiao Tung University Method for OSA Severity Detection Using Recording-based Electrocardiography Signal
CN115804585A (zh) * 2023-02-08 2023-03-17 浙江大学 一种基于机械通气波形检测气道高阻力的方法及系统
CN115804585B (zh) * 2023-02-08 2023-06-13 浙江大学 一种基于机械通气波形检测气道高阻力的方法及系统

Also Published As

Publication number Publication date
CN111685774B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN108670200B (zh) 一种基于深度学习的睡眠鼾声分类检测方法及系统
CN111685774B (zh) 基于概率集成回归模型的osahs诊断方法
CN111291614B (zh) 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法
CN111493828B (zh) 基于全卷积网络的序列到序列的睡眠障碍检测方法
CN111696575B (zh) 基于混合神经网络模型的低通气和呼吸暂停检测识别系统
CN110970042B (zh) 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质
US20200365271A1 (en) Method for predicting sleep apnea from neural networks
WO2010066008A1 (en) Multi-parametric analysis of snore sounds for the community screening of sleep apnea with non-gaussianity index
CN109350014A (zh) 一种鼾声识别方法与系统
Azimi et al. Machine learning-based automatic detection of central sleep apnea events from a pressure sensitive mat
CN114469124B (zh) 一种运动过程中异常心电信号的识别方法
US20210338154A1 (en) A method and apparatus for diagnosis of maladies from patient sounds
CN115530847A (zh) 一种基于多尺度注意力的脑电信号自动睡眠分期方法
CN113974607B (zh) 一种基于脉冲神经网络的睡眠鼾声检测系统
CN113951868B (zh) 机械通气患者人机不同步检测方法及装置
CN111613210A (zh) 一种各类呼吸暂停综合征的分类检测系统
CN111938650A (zh) 监测睡眠时呼吸暂停的方法及装置
Bali et al. Performance comparison of ANN classifiers for sleep apnea detection based on ECG signal analysis using hilbert transform
Ghaemmaghami et al. Normal probability testing of snore signals for diagnosis of obstructive sleep apnea
CN113273992B (zh) 信号处理方法及装置
CN113509169A (zh) 一种基于多参数非接触睡眠呼吸暂停检测系统及方法
CN112617761B (zh) 自适应聚点生成的睡眠阶段分期方法
Tyagi et al. Systematic review of automated sleep apnea detection based on physiological signal data using deep learning algorithm: a meta-analysis approach
CN115956925B (zh) 一种基于多级平滑包络的qrs波检测方法及系统
WO2022183999A1 (en) Evaluation of sleep data

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