CN112426147B

CN112426147B - 睡眠呼吸事件检测模型处理方法、系统和存储介质

Info

Publication number: CN112426147B
Application number: CN202011129246.0A
Authority: CN
Inventors: 庞雄文; 赵淦森; 雷文斌; 陈麒任; 乐慧君
Original assignee: South China Normal University; First Affiliated Hospital of Sun Yat Sen University
Current assignee: South China Normal University; First Affiliated Hospital of Sun Yat Sen University
Priority date: 2020-10-21
Filing date: 2020-10-21
Publication date: 2023-08-08
Anticipated expiration: 2040-10-21
Also published as: CN112426147A

Abstract

本发明公开了一种睡眠呼吸事件检测模型处理方法、系统和存储介质，方法包括以下步骤：获取第一预设时长的多导睡眠监测的呼吸气流数据；对所述呼吸气流数据进行预处理，得到数据集；构建多分辨率残差网络；根据所述数据集对所述多分辨率残差网络进行训练和评估。本发明通过在获取第一预设时长的多导睡眠监测的呼吸气流数据后，对呼吸气流数据进行预处理以得到数据集，接着构建多分辨率残差网络，并通过数据集对构建的多分辨率残差网络进行训练和评估，从而使得后续应用过程中，能有效识别出睡眠呼吸事件，提高识别准确度和处理效率。本发明可广泛应用于卷积网络技术领域。

Description

睡眠呼吸事件检测模型处理方法、系统和存储介质

技术领域

本发明涉及卷积网络技术领域，尤其是一种睡眠呼吸事件检测模型处理方法、系统和存储介质。

背景技术

现有技术中对阻塞性睡眠呼吸暂停识别方法主要有两种：第一种是使用传统机器学习方法，比如多层感知和支持向量机，基于支持向量机的心电信号阻塞性睡眠呼吸暂停识别算法能达到了92％的识别精度，第二种是使用深度学习网络自动提取数据特征并将其分类，准确率可达80％。但是，由于多导睡眠检测的数据量庞大，使得上述两种识别方法在应用过程中，仍然存在识别准确度不高、数据样本含量较少而代表性不足和分析处理效率不高等问题。

发明内容

为解决上述技术问题之一，本发明的目的在于：提供一种睡眠呼吸事件检测模型处理方法、系统和存储介质，其能有效提高识别准确度和处理效率。

第一方面，本发明实施例提供了：

一种睡眠呼吸事件检测模型处理方法，包括以下步骤：

获取第一预设时长的多导睡眠监测的呼吸气流数据；

对所述呼吸气流数据进行预处理，得到数据集；

构建多分辨率残差网络；

根据所述数据集对所述多分辨率残差网络进行训练和评估。

进一步地，所述对所述呼吸气流数据进行预处理，得到数据集，包括：

将所述呼吸气流数据对应的图像分解为第二预设时长的若干子图像；

判断所述若干子图的呼吸事件；

根据判断结果在所述若干子图上标注标签；

通过短时傅里叶变换将标准标签后的若干子图转换为频谱图，将所述频谱图保存到所述数据集。

进一步地，所述构建多分辨率残差网络，包括：

构建ResNeXt网络；

将所述ResNeX网络的卷积核替换为多级模块，得到多分辨率残差网络，所述多级模块为层级状。

进一步地，所述根据所述数据集对所述多分辨率残差网络进行训练，包括：

将所述数据集拆分为训练集和测试集；

将所述训练集输入所述多分辨率残差网络；

通过随机梯度下降法对所述多分辨率残差网络进行训练。

进一步地，所述根据所述数据集对所述多分辨率残差网络进行评估，包括：

将所述测试集输入训练后的所述多分辨率残差网络；

采集测试过程中所述多分辨率残差网络的准确率、精确率、召回率和F1值；

根据所述准确率、精确率、召回率和F1值评估所述多分辨率残差网络的训练效果。

进一步地，在执行所述根据判断结果在所述若干子图上标注标签这一步骤时，还包括以下步骤：

在所述若干子图上标注所述呼吸事件发生的起始时间点和结束时间点。

进一步地，所述频谱图为不包含时间参数的图像。

第二方面，本发明实施例提供了：

一种睡眠呼吸事件检测模型处理系统，包括：

获取模块，用于获取第一预设时长的多导睡眠监测的呼吸气流数据；

预处理模块，用于对所述呼吸气流数据进行预处理，得到数据集；

网络构建模块，用于构建多分辨率残差网络；

网络处理模块，用于根据所述数据集对所述多分辨率残差网络进行训练和评估。

第三方面，本发明实施例提供了：

一种睡眠呼吸事件检测模型处理系统，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行第一方面实施例提供的睡眠呼吸事件检测模型处理方法。

第四方面，本发明实施例提供了：

一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现第一方面实施例提供的睡眠呼吸事件检测模型处理方法。

本发明的有益效果是：本发明通过在获取第一预设时长的多导睡眠监测的呼吸气流数据后，对呼吸气流数据进行预处理以得到数据集，接着构建多分辨率残差网络，并通过数据集对构建的多分辨率残差网络进行训练和评估，从而使得后续应用过程中，能有效识别出睡眠呼吸事件，提高识别准确度和处理效率。

附图说明

图1为本发明一种具体实施例的睡眠呼吸事件检测模型处理方法的流程图；

图2本发明一种具体实施例的Mr-ResNeXt网络模型的示意图；

图3为本发明一种具体实施例的Mr-ResNeXt网络模型的训练流程图；

图4为一种具体实施例的训练对比曲线；

图5为第一种具体实施例的Mr-ResNeXt网络模型与现有网络模型的AUC对比曲线图；

图6为第二种具体实施例的Mr-ResNeXt网络模型与现有网络模型的AUC对比曲线图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请出现的名词进行解释：

OSA，全称Obstructive sleep apnea，中文名称为阻塞性睡眠呼吸暂停，是在睡眠期间由于上气道狭窄或塌陷引起呼吸暂停和低通气，从而引起一系列临床症状的疾病，如睡时打鼾、白天嗜睡、记忆力减退、抑郁焦虑等。OSA也是高血压、冠心病、老年痴呆等多种慢性病的独立危险因素，在儿童还可导致认知缺陷、颅面发育异常、生长迟缓等，影响患者生活质量下降、产生沉重的社会经济负担。

PSG，全称为Polysomnography，中文名称为多导睡眠监测，是诊断OSA的金标准，其包含多个传感器，可同时记录脑电图(EEG)、眼电图(EOG)、肌电图(EMG)、心电图(ECG)、气流、血氧水平、呼吸力和体位，有时还可进行视频和音频监控。

AHI，全称Apnea-hypopnea Index，中文名称为呼吸暂停低通气指数，是诊断和评估OSA严重程度的通用指标，其定义为总睡眠时间(TST)中每小时呼吸暂停和低通气次数。

DL，全称为Deep Learning，中文名称为深度学习，是机器学习(ML)领域中一个新的研究方向，是一种使用深度神经网络来解决特征表达的学习过程。

ResNet是一种深度神经网络，其具有图像分类和任务识别功能。ResNet体系结构有多种变体，即相同的概念，但层数不同。现在已经具有ResNet-1、ResNet-34、ResNet-50、ResNet-101、ResNet-110、ResNet-152、ResNet-164和ResNet-1202等，其中，带有两个或多个数字的ResNet名称仅表示具有一定数量的神经网络层的ResNet体系结构。

ResNeXt是ResNet的升级版。其思想是将传统的单分支1-3-1卷积结构替换为一种平行的，多分支的1-3-1卷积结构，以在保持参数量基本不变的情况下提高了模型的性能，而且由于各个分支具有相同的拓扑结构，所以也降低了模型的超参，方便模型的训练。

SVM，英文名称为Support Vector Machine，中文名称为支持向量机，其是一类按监督学习方式对数据进行二元分类的广义线性分类器。

CNN，英文名称为：Convolutional Neural Network，中文名称为卷积神经网络，其是一类包含卷积计算且具有深度结构的前馈神经网络。

参照图1，本发明实施例提供了一种睡眠呼吸事件检测模型处理方法，本实施例可应用于控制端，所述控制端可以与多个终端设备交互。其中，多个终端设备可以为PSG设备、显示设备等。

本实施例包括以下步骤：

S1、获取第一预设时长的多导睡眠监测的呼吸气流数据；所述第一预设时长为连续的时间段，其可以是7小时、8小时或者9小时。所述多导睡眠监测的呼吸气流数据可以是从监测睡眠的终端系统上提取得到，比如，医院睡眠中心系统。在本实施例中，为了便于网络模型学习以及校验网络模型的识别准确度，每一个数据样本所包含的呼吸事件均需由基于数据采集的PSG软件识别并通过睡眠技师校订后在相应的时间节点标注。

S2、对所述呼吸气流数据进行预处理，得到数据集；

具体地，本步骤可采用以下方式实现：

将所述呼吸气流数据对应的图像分解为第二预设时长的若干子图像；所述第二预设时长小于所述第一预设时长，其中，所述第二预设时长可以为20秒、30秒或者40秒。例如，将呼吸气流数据对应的波形图拆分为长度为30秒的片段。接着，判断所述若干子图的呼吸事件，并根据判断结果在所述若干子图上标注标签；其具体是当在长度为30秒的片段又呼吸事件发生，则进行标注，例如，低通气标注为1，呼吸暂停则标注为2。在标注完成后，通过短时傅里叶变换将标准标签后的若干子图转换为频谱图，将所述频谱图保存到所述数据集，其中，所述频谱图为不包含时间参数的图像。在一些实施例中，在进行标注时，还包括以下步骤：

在所述若干子图上标注所述呼吸事件发生的起始时间点和结束时间点，以便于更好的进行图像转换。

具体地，短时傅里叶变换可采用公式1进行转换：

其中，z(u)是时间点n输入的子图像，g(u-t)是窗口函数。

S3、构建多分辨率残差网络；

在一些实施例中，所述步骤S3可以通过以下方式实现：

构建ResNeXt网络；该ResNeXt网络为残差网络ResNet的升级版。然后，将ResNeX网络内部3×3卷积核替换为一种层叠的多级模块，得到多分辨率残差网络Mr-ResNeXt。具体地，多分辨率残差网络Mr-ResNeXt可以描述为公式2：

其中，R_k(x)是多分辨率组，k为第k支，C是ResNeXt的参数。

在Mr-ResNeXt网络中C可以取32，其具体模型可参照图2所示，其总共包含32个模块，每个模块的结构都是相同的。

S4、根据所述数据集对所述多分辨率残差网络进行训练和评估。

具体地，所述步骤S4中的训练过程为：

将所述数据集拆分为训练集和测试集，例如，如表1所示：

表1

	正常	低通气	呼吸暂停
				训练集	17500	12550	13300
测试集	2500	1550	1200

将表1的训练集输入所述多分辨率残差网络，通过PyTorch机器学习库实施多分辨率残差网络Mr-ResNeXt，并将学习率设置为0.0001后，运用随机梯度下降法对所述多分辨率残差网络进行模型训练。具体地，训练过程可参照图3所示，处理后的图像依次经过1×1卷积、多分辨率识别块后，获取多种分辨率信号，并多个层级模块之间进行信号交流后，将多层次信息融合，再次经过1×1卷积，最后所有信息融合后输出模型识别结果。

在一些实施例中，为了更好的看出训练效果，将所述训练集还输入到其他现有的网络模型中进行同步训练，得到图4所示对比图像。

为了使模型在应用过程中，能够更好的提取睡眠呼吸事件，本实施例对训练完成后的模型进行评估，具体包括以下步骤：

将表1的测试集输入训练后的所述多分辨率残差网络Mr-ResNeXt以及其他现有网络模型ResNeXt、ResNet、Erdenebayar和Haidar中；

采集测试过程中所述多分辨率残差网络的准确率、精确率、召回率、F1值和受试者工作特征曲线下面积，即AUC，其被定义为ROC曲线下与坐标轴围城的面积，这个面积的数值不会大于1且一般处于y＝x这条直线的上方。以及现有网络模型ResNeXt、ResNet、Erdenebayar和Haidar的准确率、精确率、召回率、F1值和受试者工作特征曲线下面积，将准确率、精确率、召回率、F1值整理后得到表2所示数据；将ResNeXt、ResNet和Mr-ResNeXt网络模型的AUC整理成图5所示曲线图，经计算得到ResNet的AUC＝0.808、ResNeXt的AUC＝0.816、Mr-ResNeXt的AUC＝0.833；将Erdenebayar、Haidar和Mr-ResNeXt网络模型的AUC整理成图6所示曲线图，经计算得到Erdenebayar的AUC＝0.800、Haidar的AUC＝0.803、Mr-ResNeXt的AUC＝0.833。

表2

	准确率	精准率	召回率	F1值
					Erdenebayar	80.06％	80.32％	79.98％	79.68％
Haidar	80.28％	79.90％	80.05％	79.36％
					ResNet-50	80.95％	80.25％	80.50％	79.76％
ResNeXt-50	81.81％	80.73％	80.53％	79.63％
					Mr-ResNeXt-50	83.26％	82.17％	81.32％	81.25％

在得到表2、图5和图6信息后，根据上述信息评估所述多分辨率残差网络的训练效果。

具体地，通过以上对比可知Mr-ResNeXt的准确率、精准率、召回率、F1值和AUC均最高：准确率为94.23％、精准率为92.02％、召回率为94.99％、F1值为91.91％和AUC为0.941，性能最出色；对比同领域优秀网络，准确率提高3％；对比ResNeXt，准确率提高近2％。由此可得以下结论：Mr-ResNeXt对于特征复杂的气流信号频谱图具有强大的识别功能，其性能优于同领域优秀网络和升级版残差网络，在确定最佳组数后可通过增加深度提高分类精度，从而有助于提高PSG呼吸事件的判读水平和效率并降低成本。

本发明实施例提供了一种与图1方法相对应的一种睡眠呼吸事件检测模型处理系统，包括：

网络构建模块，用于构建多分辨率残差网络；

本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

本发明实施例提供了一种睡眠呼吸事件检测模型处理系统，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行图1所示的睡眠呼吸事件检测模型处理方法。

此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现图1所示的睡眠呼吸事件检测模型处理方法。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种睡眠呼吸事件检测模型处理方法，其特征在于，包括以下步骤：

获取第一预设时长的多导睡眠监测的呼吸气流数据；

对所述呼吸气流数据进行预处理，得到数据集；

构建多分辨率残差网络；

根据所述数据集对所述多分辨率残差网络进行训练和评估；

其中：

所述对所述呼吸气流数据进行预处理，得到数据集，包括：

判断所述若干子图像的呼吸事件；

根据判断结果在所述若干子图像上标注标签；

通过短时傅里叶变换将标准标签后的若干子图像转换为频谱图，将所述频谱图保存到所述数据集；

在执行所述根据判断结果在所述若干子图像上标注标签这一步骤时，还包括以下步骤：

在所述若干子图像上标注所述呼吸事件发生的起始时间点和结束时间点。

2.根据权利要求1所述的一种睡眠呼吸事件检测模型处理方法，其特征在于，所述构建多分辨率残差网络，包括：

构建ResNeXt网络；

将所述ResNeXt网络的卷积核替换为多级模块，得到多分辨率残差网络，所述多级模块为层级状。

3.根据权利要求1所述的一种睡眠呼吸事件检测模型处理方法，其特征在于，所述根据所述数据集对所述多分辨率残差网络进行训练，包括：

将所述数据集拆分为训练集和测试集；

将所述训练集输入所述多分辨率残差网络；

通过随机梯度下降法对所述多分辨率残差网络进行训练。

4.根据权利要求3所述的一种睡眠呼吸事件检测模型处理方法，其特征在于，所述根据所述数据集对所述多分辨率残差网络进行评估，包括：

将所述测试集输入训练后的所述多分辨率残差网络；

根据所述准确率、所述精确率、所述召回率和所述F1值评估所述多分辨率残差网络的训练效果。

5.根据权利要求1所述的一种睡眠呼吸事件检测模型处理方法，其特征在于，所述频谱图为不包含时间参数的图像。

6.一种睡眠呼吸事件检测模型处理系统，其特征在于，包括：

网络构建模块，用于构建多分辨率残差网络；

网络处理模块，用于根据所述数据集对所述多分辨率残差网络进行训练和评估；

其中：

所述对所述呼吸气流数据进行预处理，得到数据集，包括：

判断所述若干子图像的呼吸事件；

根据判断结果在所述若干子图像上标注标签；

7.一种睡眠呼吸事件检测模型处理系统，其特征在于，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行如权利要求1-5任一项所述的睡眠呼吸事件检测模型处理方法。

8.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-5任一项所述的睡眠呼吸事件检测模型处理方法。