CN113143263B - 一种用于构建睡眠呼吸暂停判别最优模型的系统 - Google Patents

Abstract

本发明公开了一种用于构建睡眠呼吸暂停判别最优模型的系统。PSG检查需要在睡眠监测室进行，需要专门检测人员，检查程序复杂。本发明的心率血氧传感器采集血氧数据和脉搏波数据，并对血氧数据和脉搏波数据进行处理，得到血氧饱和度；数据处理模块将心率血氧传感器传来的血氧饱和度和脉搏波数据进行处理，并基于决策树分类模型训练得到睡眠呼吸暂停判别最优模型。本发明能使最优模型中突出表征数据为睡眠呼吸暂停数据还是呼吸正常数据的特征参数的权重，降低基于有效脉搏波数据提取的多尺度熵特征参数的权重，构建的最优模型能应用于睡眠呼吸暂停的早期监测，具有重要的实用价值。

Description

一种用于构建睡眠呼吸暂停判别最优模型的系统

技术领域

本发明属于信号处理技术领域，具体涉及一种用于构建睡眠呼吸暂停判别最优模型的系统。

背景技术

随着社会的进步，人们的生活质量随之提高，睡眠问题也日益受到人们的重视。以睡眠呼吸暂停综合征(SAS)为代表的睡眠呼吸障碍类疾病正在不断地威胁着人类健康。睡眠呼吸暂停综合征是以睡眠中反复出现呼吸变浅甚至暂停，有时伴随鼾声等为主要症状的睡眠呼吸疾病。该疾病的临床表现为患者有打鼾现象且鼾声不规律，患者会不自觉憋气，甚至被憋醒。当呼吸停止十秒钟或更长时间时，呼吸暂停就会发作。在极端情况下，单次呼吸暂停可能持续一分钟以上。据统计，全球睡眠呼吸紊乱的患病率男性约为4％，女性约为2％，65岁以上的老年人患病率在20％～40％。睡眠呼吸暂停症与高血压、脑中风、老年痴呆症、帕金森病等有很大的关系，睡眠呼吸暂停症的早期检测对该类疾病预防具有极其重要的意义。

目前，确诊SAS的金标准仍为多导睡眠图(Polysomnography，PSG)诊断，但是PSG检查需要在专门的睡眠监测室里进行，需要专门的睡眠呼吸检测人员，检测工作量大，检查程序复杂，成本高昂难以普及，其应用受到了较大的限制。而且其较为昂贵的医疗费用也会延误患者最佳就诊时间。

因此，如有一款能构建睡眠呼吸暂停判别最优模型的系统，采用该系统就能实现用户夜间睡眠呼吸状态的记录与分析，将会很大程度地提高SAS诊断的科学性和便利性，对SAS患者的早期筛查与诊断以及后期的康复监测有显著的现实意义。

发明内容

本发明的目的是提供一种用于构建睡眠呼吸暂停判别最优模型的系统，以解决现有技术存在的问题。

为了达到上述的目的，本发明采用的技术方案是：

本发明一种用于构建睡眠呼吸暂停判别最优模型的系统，包括血氧心率采集模块和数据处理模块；所述的血氧心率采集模块包括心率血氧传感器；所述的心率血氧传感器采集血氧数据和脉搏波数据，并对血氧数据和脉搏波数据进行处理，得到血氧饱和度；所述的数据处理模块将心率血氧传感器传来的血氧饱和度和脉搏波数据进行处理，并基于决策树分类模型训练得到睡眠呼吸暂停判别最优模型。基于决策树分类模型训练得到睡眠呼吸暂停判别最优模型的过程具体如下：

S1：对血氧饱和度数据进行阈值判断，得到有效血氧饱和度数据和非病理性血氧饱和度数据；其中，血氧饱和度下降到20％以下的数据判定为非病理性数据，有效血氧饱和度数据中，将血氧饱和度下降至90％以下，但未下降到20％的数据判定为睡眠呼吸暂停数据，血氧饱和度大于90％的数据判定为呼吸正常数据。

S2：提取血氧饱和度数据中非病理性因素对应的时间区域，将该时间区域对应的脉搏波数据删去，得到有效脉搏波数据。然后，将有效血氧饱和度数据和有效脉搏波数据均分割成若干有效血氧饱和度数据段和有效脉搏波数据段。最后，对各个有效脉搏波数据段进行多尺度熵特征提取，将得到的多尺度熵作为特征参数。

S3：构建一个特征参数表征各有效血氧饱和度数据段中各个数据为睡眠呼吸暂停数据还是呼吸正常数据，并将该特征参数与多尺度熵特征提取得到的多尺度熵特征参数结合构建出特征工程；然后，选用嵌入法对特征工程中各特征参数进行特征选择，并对各特征参数的重要性进行打分，对打分分值在设定阈值以上的各特征参数给予保留，从而得到特征选择后的特征工程。

S4：构建决策树分类模型，用经特征选择后的特征工程训练并测试决策树分类模型，直至决策树分类模型的灵敏度Sn、特异性Sp和准确率Acc三个指标符合设定要求，最终得到最优模型。

优选地，所述心率血氧传感器的型号为MAX30102。

优选地，所述血氧饱和度的计算如下：

心率血氧传感器根据血氧数据分析动脉血液中氧合血红蛋白对红光与红外光的吸收比率，以及动脉血液中脱氧血红蛋白对红光与红外光的吸收比率，得到动脉血液中氧合血红蛋白的浓度

和脱氧血红蛋白的浓度C_Hb，再根据下式计算得到血氧饱和度SpO₂：

优选地，决策树分类模型训练过程中，通过损失函数加权来增加表征数据为睡眠呼吸暂停数据还是呼吸正常数据的特征参数的权重，降低各个多尺度熵特征参数的权重；损失函数loss计算如下：

loss＝∑w*L(x,y)

其中，x为睡眠呼吸是否暂停的真实值，y为决策树分类模型对睡眠呼吸是否暂停的预测值，L(x,y)为损失值，w为表征数据为睡眠呼吸暂停数据还是呼吸正常数据的特征参数或各个多尺度熵特征参数的权重。

优选地，灵敏度Sn、特异性Sp和准确率Acc的计算公式如下：

其中，TP为真阳性个数，TN为真阴性个数，FP为假阳性个数，FN为假阴性个数。

决策树分类模型对呼吸暂停真阳性、真阴性、假阳性或假阴性的判定情况如下：

(1)真实值与预测值均体现睡眠呼吸暂停，则为真阳性；

(2)真实值与预测值均体现睡眠呼吸未暂停，则为真阴性；

(3)预测值体现睡眠呼吸未暂停，真实值体现睡眠呼吸暂停，则为假阳性；

(4)预测值体现睡眠呼吸暂停，真实值体现睡眠呼吸未暂停，则为假阴性。

本发明具有的有益效果如下：

本发明通过同时采集人体血氧和脉搏波数据，对血氧数据和脉搏波数据进行处理，得到血氧饱和度，然后将血氧饱和度和脉搏波数据进行协同处理，并基于决策树分类模型训练得到睡眠呼吸暂停判别最优模型。最优模型构建过程中，通过阈值法得到睡眠呼吸暂停数据、呼吸正常数据以及非病理性血氧饱和度数据，并提取血氧饱和度数据中非病理性因素对应的时间区域，将该时间区域对应的脉搏波数据删去，得到有效脉搏波数据来进行处理，避免无效的脉搏波数据对后续模型训练造成不良影响；通过睡眠呼吸暂停特征参数与多尺度熵特征提取得到的多尺度熵特征参数结合构建出特征工程，并进行特征选择，且通过损失函数对特征参数进行加权，用经特征选择后的特征工程训练并测试决策树分类模型，得到最优模型，能够使最优模型中突出表征数据为睡眠呼吸暂停数据还是呼吸正常数据的特征参数的权重，降低基于有效脉搏波数据提取的多尺度熵特征参数的权重。本发明构建的最优模型能应用于睡眠呼吸暂停的早期监测，具有重要的实用价值。

附图说明

图1是有非病理性原因引起血氧饱和度下降情况的血氧饱和度随时间变化曲线图。

图2是脉搏波随时间变化的曲线图。

图3是数据加权的作用示意图。

图4是采用本发明构建的最优模型进行SAS严重程度精确分类的流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

一种用于构建睡眠呼吸暂停判别最优模型的系统，包括血氧心率采集模块和数据处理模块；血氧心率采集模块包括心率血氧传感器；心率血氧传感器采集血氧数据和脉搏波数据，并对血氧数据和脉搏波数据进行处理，得到血氧饱和度；数据处理模块将心率血氧传感器传来的血氧饱和度和脉搏波数据进行处理，并基于决策树分类模型训练得到睡眠呼吸暂停判别最优模型。优选心率血氧传感器的型号为MAX30102。

其中，血氧饱和度的计算如下：

心率血氧传感器根据血氧数据分析动脉血液中氧合血红蛋白对红光与红外光的吸收比率，以及动脉血液中脱氧血红蛋白对红光与红外光的吸收比率，得到动脉血液中氧合血红蛋白的浓度

和脱氧血红蛋白的浓度C_Hb，再根据公式(1)计算得到血氧饱和度SpO₂：

如图4所示，基于决策树分类模型训练得到睡眠呼吸暂停判别最优模型的过程具体如下：

S1：对血氧饱和度数据进行阈值判断，得到有效血氧饱和度数据和非病理性血氧饱和度数据；其中，血氧饱和度下降到20％以下的数据判定为非病理性数据，有效血氧饱和度数据中，将血氧饱和度下降至90％以下，但未下降到20％的数据判定为睡眠呼吸暂停数据，血氧饱和度大于90％的数据判定为呼吸正常数据，从而区分出呼吸正常情况、睡眠呼吸暂停情况与非病理性因素情况。

在实际检测过程中，并不是检测到的所有血氧饱和度值下降的情况都是由睡眠呼吸暂停造成的。其它非病理性因素常见的情况如当血氧心率采集模块松动，或者发生运动伪差，都会造成非病理性的血氧饱和度下降，进而会造成算法的误判。故需要尽可能地将SAS引起的血氧饱和度下降和其它非病理性因素引起的血氧饱和度下降情况分离出来。非病理性因素情况有一个很明显的特征，即血氧饱和度会在极短的时间内下降到极低的数值，如图1所示的椭圆形圈出区域，其中，x代表时间。通过阈值法能很好地判断出两者的差异。

S2：提取血氧饱和度数据中非病理性因素对应的时间区域，将该时间区域对应的脉搏波数据(视为无效的脉搏波数据)删去，得到有效脉搏波数据。如图2所示为某个实测数据集中前9秒的脉搏波数据，其中，z为脉搏波。然后，将有效血氧饱和度数据和有效脉搏波数据均以60s为窗口进行分割，得到若干有效血氧饱和度数据段和有效脉搏波数据段。最后，对各个有效脉搏波数据段进行多尺度熵特征提取，将得到的多尺度熵作为特征参数。

S3：构建一个特征参数表征各有效血氧饱和度数据段中各个数据为睡眠呼吸暂停数据还是呼吸正常数据，并将该特征参数与多尺度熵特征提取得到的多尺度熵特征参数结合构建出特征工程；然后，选用嵌入法对特征工程中各特征参数进行特征选择，并对各特征参数的重要性进行打分，对打分分值在设定阈值以上的各特征参数给予保留，从而得到特征选择后的特征工程。

S4：构建决策树分类模型，用经特征选择后的特征工程训练并测试决策树分类模型，直至决策树分类模型的灵敏度Sn、特异性Sp和准确率Acc三个指标符合设定要求，得到最优模型。

决策树分类模型训练过程中，通过损失函数加权来增加表征数据为睡眠呼吸暂停数据还是呼吸正常数据的特征参数的权重，降低各个多尺度熵特征参数的权重；其中，损失函数loss如公式(2)所示：

loss＝∑w*L(x,y) (2)

式(2)中，x为睡眠呼吸是否暂停的真实值，y为决策树分类模型对睡眠呼吸是否暂停的预测值，L(x,y)为损失值，w为表征数据为睡眠呼吸暂停数据还是呼吸正常数据的特征参数或各个多尺度熵特征参数的权重。

对分类问题，加权是在判决函数变化剧烈的点上增加权重，越是靠近分界面的样本更重要，需要增加权重，而位于类中心部分的样本可以降低权重。图3举例说明加权的意义所在，图3中，方形代表类别1，圆形代表类别2，两个加号代表对两个类别特征的加权，虚线代表未加权产生的分割线，实线代表加权后的分割线，从图3中可以看出加权后的分割能更好地纠正靠近分界面的样本，有效提高模型的准确率。

灵敏度Sn、特异性Sp和准确率Acc的计算公式如下：

其中，TP为真阳性个数，TN为真阴性个数，FP为假阳性个数，FN为假阴性个数。

决策树分类模型对呼吸暂停真阳性、真阴性、假阳性或假阴性的判定情况如下：

(1)真实值与预测值均体现睡眠呼吸暂停，则为真阳性；

(2)真实值与预测值均体现睡眠呼吸未暂停，则为真阴性；

(3)预测值体现睡眠呼吸未暂停，真实值体现睡眠呼吸暂停，则为假阳性；

(4)预测值体现睡眠呼吸暂停，真实值体现睡眠呼吸未暂停，则为假阴性。

使用本发明最优模型进行呼吸暂停严重程度判断的过程如下：

将有效血氧饱和度数据和有效脉搏波数据输入到最优模型中对每次睡眠呼吸情况进行预测，判断是否出现睡眠呼吸暂停，若出现睡眠呼吸暂停，进一步判断预设时间内睡眠呼吸暂停的次数，并计算出AHI指数。AHI指数即单位时间内睡眠呼吸暂停的次数。

然后，根据AHI指数将呼吸暂停严重程度分为以下四种不同等级：

当AHI＜5时，呼吸正常；

当5≤AHI＜15时，产生轻度SAS；

当15≤AHI＜30时，产生中度SAS；

当AHI≥30时，产生重度SAS。

Claims (3)

1.一种用于构建睡眠呼吸暂停判别最优模型的系统，包括血氧心率采集模块和数据处理模块，其特征在于：所述的血氧心率采集模块包括心率血氧传感器；所述的心率血氧传感器采集血氧数据和脉搏波数据，并对血氧数据和脉搏波数据进行处理，得到血氧饱和度；所述的数据处理模块将心率血氧传感器传来的血氧饱和度和脉搏波数据进行处理，并基于决策树分类模型训练得到睡眠呼吸暂停判别最优模型；基于决策树分类模型训练得到睡眠呼吸暂停判别最优模型的过程具体如下：

S1：对血氧饱和度数据进行阈值判断，得到有效血氧饱和度数据和非病理性血氧饱和度数据；其中，血氧饱和度下降到20％以下的数据判定为非病理性数据，有效血氧饱和度数据中，将血氧饱和度下降至90％以下，但未下降到20％的数据判定为睡眠呼吸暂停数据，血氧饱和度大于90％的数据判定为呼吸正常数据；

S2：提取血氧饱和度数据中非病理性因素对应的时间区域，将该时间区域对应的脉搏波数据删去，得到有效脉搏波数据；然后，将有效血氧饱和度数据和有效脉搏波数据均分割成若干有效血氧饱和度数据段和有效脉搏波数据段；最后，对各个有效脉搏波数据段进行多尺度熵特征提取，将得到的多尺度熵作为特征参数；

S3：构建一个特征参数表征各有效血氧饱和度数据段中各个数据为睡眠呼吸暂停数据还是呼吸正常数据，并将该特征参数与多尺度熵特征提取得到的多尺度熵特征参数结合构建出特征工程；然后，选用嵌入法对特征工程中各特征参数进行特征选择，并对各特征参数的重要性进行打分，对打分分值在设定阈值以上的各特征参数给予保留，从而得到特征选择后的特征工程；

S4：构建决策树分类模型，用经特征选择后的特征工程训练并测试决策树分类模型，直至决策树分类模型的灵敏度Sn、特异性Sp和准确率Acc三个指标符合设定要求，最终得到最优模型；

决策树分类模型训练过程中，通过损失函数加权来增加表征数据为睡眠呼吸暂停数据还是呼吸正常数据的特征参数的权重，降低各个多尺度熵特征参数的权重；损失函数loss计算如下：

loss＝∑w*L(x,y)

其中，x为睡眠呼吸是否暂停的真实值，y为决策树分类模型对睡眠呼吸是否暂停的预测值，L(x,y)为损失值，w为表征数据为睡眠呼吸暂停数据还是呼吸正常数据的特征参数或各个多尺度熵特征参数的权重；

灵敏度Sn、特异性Sp和准确率Acc的计算公式如下：

其中，TP为真阳性个数，TN为真阴性个数，FP为假阳性个数，FN为假阴性个数；

决策树分类模型对呼吸暂停真阳性、真阴性、假阳性或假阴性的判定情况如下：

(1)真实值与预测值均体现睡眠呼吸暂停，则为真阳性；

(2)真实值与预测值均体现睡眠呼吸未暂停，则为真阴性；

(3)预测值体现睡眠呼吸未暂停，真实值体现睡眠呼吸暂停，则为假阳性；

(4)预测值体现睡眠呼吸暂停，真实值体现睡眠呼吸未暂停，则为假阴性。

2.根据权利要求1所述一种用于构建睡眠呼吸暂停判别最优模型的系统，其特征在于：所述心率血氧传感器的型号为MAX30102。

3.根据权利要求1所述一种用于构建睡眠呼吸暂停判别最优模型的系统，其特征在于：所述血氧饱和度的计算如下：

心率血氧传感器根据血氧数据分析动脉血液中氧合血红蛋白对红光与红外光的吸收比率，以及动脉血液中脱氧血红蛋白对红光与红外光的吸收比率，得到动脉血液中氧合血红蛋白的浓度

和脱氧血红蛋白的浓度C_Hb，再根据下式计算得到血氧饱和度SpO₂：

Images