CN113243890B - 睡眠呼吸暂停综合症识别装置 - Google Patents
睡眠呼吸暂停综合症识别装置 Download PDFInfo
- Publication number
- CN113243890B CN113243890B CN202110504487.7A CN202110504487A CN113243890B CN 113243890 B CN113243890 B CN 113243890B CN 202110504487 A CN202110504487 A CN 202110504487A CN 113243890 B CN113243890 B CN 113243890B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- model
- electrocardio
- layer
- 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.)
- Active
Links
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 31
- 230000000241 respiratory effect Effects 0.000 claims abstract description 79
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 208000008784 apnea Diseases 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000033764 rhythmic process Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000011160 research Methods 0.000 description 9
- 238000012512 characterization method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001734 parasympathetic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010021079 Hypopnoea Diseases 0.000 description 1
- 206010028347 Muscle twitching Diseases 0.000 description 1
- 206010038669 Respiratory arrest Diseases 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 210000001002 parasympathetic nervous system Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 210000002820 sympathetic nervous system Anatomy 0.000 description 1
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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (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)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种睡眠呼吸暂停综合症识别装置,针对性改进卷积神经网络卷积核通道的输入,将心电数据和呼吸波数据经过预处理后作为神经网络的输入;针对模型的运算层做出优化,将卷积核个数调整为相对最优个数,卷积步长调整为2,在全连接层前面添加Dropout层;针对模型输出层做出改进,将模型调整为二分类结果输出,得到睡眠呼吸暂停事件发生与否的判别结果。本发明通过将心电数据和呼吸波数据进行融合提高了模型检测能力;针对传统LeNet‑5模型进行优化提升了模型的睡眠呼吸暂停综合症识别能力;模型检测时间较深度神经网络更短,应用成本低,可应用范围广泛。
Description
技术领域
本发明涉及技术领域,尤其涉及一种睡眠呼吸暂停综合症识别装置。
背景技术
睡眠呼吸暂停综合症(Sleep apnea syndrome,SAS)是一种较为普遍且典型的睡眠呼吸疾病,患病人群在夜间睡眠时常会出现打鼾、憋气、呼吸停止、身体抽动甚至休克等症状,具体表现为患者在睡眠期间出现上呼吸道完全(呼吸暂停)或部分(呼吸不足)阻塞的情况,这些症状严重地影响了患者的睡眠质量,从而会导致患者白天困倦、头痛、注意力不集中和学习效率降低,病情发展严重后还会引起高血压、心梗等多种疾病。有研究表明,睡眠障碍性疾病的发病率约为20%-40%,其中SAS最为普遍,SAS影响了约2%-4%的人类睡眠质量,受影响的老年人口的比例更是高达30%,按照中国14亿人口粗略计算,在中国有约4200万人受到SAS疾病困扰,并且随着国内老龄化趋势的加剧,患病人数还会继续增多。因此,针对SAS的检测研究十分重要。
目前,在国内外诊断SAS的主要技术手段是多导睡眠图(PSG),同时该技术也是行业内的黄金标准,PSG通过监测受检者睡眠过程中的多种生理信号(脑电、心电、肌电、呼吸、血氧饱和度等),实现较为精准的睡眠监测,但是该种监测方法的普及还存在两个无法避免的障碍:
1.多导睡眠检测需要使用较多的传感设备,对患者的睡眠干扰较大,并且仪器较为复杂,目前仅适用于医院或实验室,且检测花费较高,不适合居家常态化使用。
2.在国内外能够应用多导睡眠检测的医院床位数量和受过专业训练的睡眠检测技术人员资源有限,如果普通患者想要使用PSG仪器设备,需要等候排队,而这个时间一般而言是非常漫长的。在英国仪器排队时间介于2个月至10个月之间,在美国的仪器排队时间则介于7个月至60个月之间,在中国等候时间则须看每个城市具体的医疗资源而定,平均等待时间也较长。
发明内容
本发明目的就是为了弥补已有技术的缺陷,提供一种睡眠呼吸暂停综合症识别装置。
本发明是通过以下技术方案实现的:
一种睡眠呼吸暂停综合症识别装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序可被处理器执行以实现如下的步骤:
分别采集心电数据信号和呼吸波数据信号;
将得到的心电数据信号、呼吸波数据信号自编码,并转换成标准数据格式;
将转换后的心电数据信号、呼吸波数据信号进行预处理,将预处理后的数据作为卷积神经网络的网络层输入;
对卷积神经网络的运算层做出优化,构建优化的卷积神经网络模型,并提取心电数据信号和呼吸波数据信号特征,构建机器学习模型;
分别训练得到的优化的卷积神经网络模型和机器学习模型,观察优化的卷积神经网络模型和机器学习模型在测试集上得到的分类率,输出实时诊断结果。
所述的采集心电数据信号和呼吸波数据信号,具体内容如下:从PhysioNet的Apnea数据库中获取心电数据信号和呼吸波数据信号,所述的PhysioNet的Apnea数据库连续记载了70条心电信号数据和8条呼吸波数据,将其中35条心电信号和4条呼吸波信号数据作为训练集,其余35条心电信号和4条呼吸波信号数据作为测试集。
所述的将转换后的心电数据信号、呼吸波数据信号进行预处理,具体步骤如下:将获取的心电数据信号和呼吸波数据信号通过中值滤波和低通巴特沃斯滤波去除噪声,针对心电数据信号进行R峰识别,应用汉密尔顿算法得到R峰的对应位置及计算RR间隔和R峰幅值;针对呼吸波数据信号提取波峰和波谷,应用Findpeak函数检测得到呼吸间隔;应用三次样条插值法及批归一化方法处理输入数据,处理后数据维度为900×2,将其作为卷积神经网络的网络层的输入。
所述的优化的卷积神经网络模型有8层,包括1个输入层和1个输出层、2个卷积层、2个最大池化层、1个Dropout层和1个全连接层,第一卷积层包括14个卷积核,激活函数为Relu,步长为2,之后用第一最大池化层进行降采样,第二卷积层包含64个卷积核,激活函数为Relu,步长为2,之后再用第二最大池化层进行降采样,再通过Dropout层处理,经过全连接层应用Softmax激活函数,输出得到预测结果。
所述的心电数据信号和呼吸波数据信号特征是基于R峰值、RR间隔和呼吸间隔来提取时域和频域特征,具体包括如下特征参数:心电信号时域特征、呼吸信号时域特征、心电信号频域特征和呼吸信号频域特征;完成特征提取后,针对所述的特征参数分别构建并训练支持向量机模型、多层感知器模型、逻辑回归模型和K邻近算法模型。
所述的心电信号时域特征具体包括如下参数:
心率平均值MHR;
相邻RR间隔之间差值的均方根RMSSD:
相邻RR间隔超过50ms的个数NN50;
所述的呼吸信号时域特征具体包括如下参数:
中值Median;
最大值Max;
最小值Min;
最大值/最小值Range。
所述的心电信号频域特征具体包括如下参数:
高频HF:0.15-0.4Hz;
低频LF:0.04-0.15Hz;
极低频VLF:0-0.04Hz;
低频/高频LF/HF;
低频/(低频+高频)LF/(LF+HF);
高频/(低频+高频)HF/(LF+HF)。
所述的心电信号频域特征为分别提取0.0-0.1、0.1-0.2、0.2-0.3和0.3-0.4四个频段功率谱的均值、中值、标准差、最小值、最大值、最小最大值之差。
本发明的优点是:本发明可以自动选取特征,避免了传统睡眠呼吸暂停综合症识别研究需人工选取特征的问题,提升了模型的睡眠呼吸暂停综合症识别能力。
在一些实施例中,本发明还具有如下优点:
1、本发明所提出的优化的卷积神经网络相较于传统的机器学习方法识别效果更好;
2、本发明通过将心电数据和呼吸波数据进行融合提高了模型检测能力,相较于仅应用心电信号或呼吸信号数据的检测模型准确度更高;
3、模型检测时间较深度神经网络更短,应用成本低,可应用范围广泛。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例改进的卷积神经网络模型图;
图3为本发明实施例基于心电数据和呼吸波数据在不同模型上识别正确率评价图;
图4为本发明实施例系统框图;
图5为本发明实施例工作原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明的技术方案做进一步的阐述。
本发明包括以下技术内容,步骤如下:
1.心电数据和呼吸波数据获取;
2.心电数据和呼吸波数据预处理;
3.构建优化的卷积神经网络模型(LeNet-5);
4.提取心电数据和呼吸波数据特征,构建机器学习模型(SVM、LR、KNN、MLP);
5.训练模型,应用测试集测试得到模型分类率。
所述步骤1包括:从PhysioNet的Apnea数据库中获取由专家标注过的心电数据和呼吸波数据,该数据库连续记载了70条心电信号数据和8条呼吸波数据,将其中35条心电信号和4条呼吸波信号数据作为训练集,其余35条心电信号和4条呼吸波信号数据作为测试集;
所述步骤2包括:通过中值滤波和低通巴特沃斯滤波去除数据噪声,针对心电信号进行R峰识别,应用汉密尔顿算法得到R峰的对应位置及计算RR间隔和R峰幅值。针对呼吸波信号提取波峰和波谷,应用Findpeak函数检测得到呼吸间隔。应用三次样条插值法及批归一化方法处理输入数据,处理后数据维度为900×2,将其作为网络层的输入;
所述步骤3包括:改进后模型网络主要有8层,其中包含1个输入层和1个输出层、2个卷积层、2个最大池化层、1个Dropout层和1个全连接层,卷积层1包括14个卷积核,激活函数为Relu,步长为2,之后用最大池化层1进行降采样,卷积层2包含64个卷积核,激活函数为Relu,步长为2,之后再用最大池化层2进行降采样,再通过Dropout层处理,经过全连接层应用Softmax激活函数,输出得到预测结果。具体改进方式如下:原LeNet-5模型中输入的数据大小为25×25,经过类比调整网络的输入层,处理后的心电数据和呼吸波数据维度为900×2,将其作为网络层的输入。输出层的设置需结合具体研究分类需求,应用Softmax激活函数,将输出层神经元数目设置为2。在原先提出的LeNet-5模型中,其输入的图片维度为32×32,网络中包含的卷积核个数分别为6、16、120,为适应本研究数据特点,经过多次试验,确定将卷积核个数改为14、64、32;将卷积步长由1调整为2;在全连接层前面特添加Dropout层,将神经网络的训练单元按照一定的概率从网络中移除。
本发明为一种基于心电数据及呼吸波数据特征融合的睡眠呼吸暂停综合症识别方法,首先针对心电数据及呼吸波数据,对卷积神经网络(LeNet-5模型)输入层进行改进,将心电数据和呼吸波数据经过预处理后大小为900×2,将其作为网络层的输入;其次针对模型的运算层做出优化,将卷积核个数调整为相对最优个数,卷积步长调整为2,在全连接层前面添加Dropout层;最后针对模型输出层做出改进,根据睡眠呼吸暂停综合症识别问题特点将模型调整为二分类结果输出,具体步骤请参阅图1,具体情况如下:
S1获取心电数据和呼吸波数据:从PhysioNet的Apnea数据库中获取由专家标注过的心电数据和呼吸波数据,该数据库连续记载了70条心电信号数据和8条呼吸波数据,将其中35条心电信号和4条呼吸波信号数据作为训练集,其余35条心电信号和4条呼吸波信号数据作为测试集;
S2心电数据和呼吸波数据预处理:通过中值滤波和低通巴特沃斯滤波去除数据噪声,针对心电信号进行R峰识别,应用汉密尔顿算法得到R峰的对应位置及计算RR间隔和R峰幅值。针对呼吸波信号提取波峰和波谷,应用Findpeak函数检测得到呼吸间隔。应用三次样条插值法及批归一化方法处理输入数据,处理后数据维度为900×2,将其作为卷积神经网络网络层的输入;
S3由图2可知,构建优化的卷积神经网络模型(LeNet-5)具体细节如下:改进后模型网络主要有8层,其中包含1个输入层和1个输出层、2个卷积层、2个最大池化层、1个Dropout层和1个全连接层,第一卷积层包括14个卷积核,激活函数为Relu,步长为2,之后用第一最大池化层进行降采样,第二卷积层包含64个卷积核,激活函数为Relu,步长为2,之后再用第二最大池化层进行降采样,再通过Dropout层处理,经过全连接层应用Softmax激活函数,输出得到预测结果。具体改进方式如下:原LeNet-5模型中输入的数据大小为25×25,经过类比调整网络的输入层,处理后的心电数据和呼吸波数据维度为900×2,将其作为网络层的输入。输出层的设置需结合具体研究分类需求,应用Softmax激活函数,将输出层神经元数目设置为2。在原先提出的LeNet-5模型中,其输入的图片维度为32×32,网络中包含的卷积核个数分别为6、16、120,为适应本研究数据特点,经过多次试验,确定将卷积核个数改为14、64、32;将卷积步长由1调整为2;在全连接层前面特添加Dropout层,将神经网络的训练单元按照一定的概率从网络中移除。
S4人工提取心电数据和呼吸波数据特征,构建机器学习模型(SVM、LR、KNN、MLP):
基于R峰值、RR间隔和呼吸间隔来提取时域和频域特征,主要包含以下特征参数:
(1)心电信号时域特征
②MHR(心率平均值)。
③RMSSD(相邻RR间隔之间差值的均方根):
⑤NN50(相邻RR间隔超过50ms的个数)。
(2)呼吸信号时域特征
②Median(中值)
④Max(最大值)
⑤Min(最小值)
⑥Range(最大值/最小值)
(3)心电信号频域特征
①高频(HF):0.15-0.4Hz,该参数数值与呼吸有关,主要反映副交感神经调控作用。
②低频(LF):0.04-0.15Hz,该参数数值与交感和副交感神经调节作用有关。
③极低频(VLF):0-0.04Hz,该参数数值与体液及热量调节有关。
④LF/HF:反映交感神经系统与副交感神经系统均衡性变化情况。
⑤LF/(LF+HF)
⑥HF/(LF+HF)
因为过往研究表明R峰和RR间隔的功率谱密度与睡眠呼吸暂停综合症识别均密切相关,故分别从R峰值和RR间隔数值中提取以上6个频域特征,共计12个特征。
(4)呼吸信号频域特征
在频域里,分别提取了0.0-0.1、0.1-0.2、0.2-0.3和0.3-0.4四个频段功率谱的均值、中值、标准差、最小值、最大值、最小最大值之差等特征。
完成特征提取后,针对以上特征分别构建并训练支持向量机(SVM)、多层感知器(MLP)、逻辑回归(LR)、K邻近算法(KNN)等模型。
S5训练模型,应用测试集测试得到模型分类率。由图3的结果可知,改进后的卷积神经网络用于睡眠呼吸暂停综合症识别准确率高达97.14%,F1分数高达0.98,相较于传统的机器学习方法(SVM、LR、KNN、MLP)有着显著提升。
如图4、5所示,一种基于心电数据及呼吸波数据特征融合的睡眠呼吸暂停综合症识别系统,包括有心电信号采集模块6、呼吸波信号采集模块7、信号处理模块3、数据预处理模块8、算法模块4和诊断结果模块5;
所述的心电信号采集模块6和呼吸波信号采集模块7由正电极1、负电极2贴片组成,分别用于采集心电数据信号和呼吸波数据信号;
所述的信号处理模块3将得到的心电数据信号、呼吸波数据信号自编码,并转换成标准数据格式,传送到数据预处理模块8;
数据预处理模块8针对心电数据信号和呼吸波数据信号进行预处理,将预处理后的数据作为卷积神经网络的网络层输入;
算法模块4对预处理后的心电数据信号和呼吸波数据信号进行处理和分析,完成对卷积神经网络模型和机器学习模型的训练;
诊断结果模块5输出实时诊断结果。
本发明应用公开数据集数据及实际采集的实验数据对该装置的模型进行初始化,在实时监测过程中,经过训练后的卷积神经网络模型算法可以完成对用户的睡眠呼吸暂停事件进行判别,输出是否发生呼吸暂停事件并最后生成显示报告。
本发明提出一种改进后的卷积神经网络模型,可以自动选取特征,避免了传统睡眠呼吸暂停综合症识别研究需人工选取特征的问题,提升了模型的睡眠呼吸暂停综合症识别能力;本发明所提出的优化的卷积神经网络相较于传统的机器学习方法识别效果更好;通过将心电数据和呼吸波数据进行融合提高了模型检测能力,相较于仅应用心电信号或呼吸信号数据的检测模型准确度更高;模型较深度神经网络更简单,应用成本低,可应用范围广泛。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (6)
1.一种睡眠呼吸暂停综合症识别装置,其特征在于:包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序可被处理器执行以实现如下的步骤:
分别采集心电数据信号和呼吸波数据信号;
将得到的心电数据信号、呼吸波数据信号自编码,并转换成标准数据格式;
将转换后的心电数据信号、呼吸波数据信号进行预处理,将预处理后的数据作为卷积神经网络的网络层输入;
对卷积神经网络的运算层做出优化,构建优化的卷积神经网络模型,并提取心电数据信号和呼吸波数据信号特征,构建机器学习模型;所述的优化的卷积神经网络模型有8层,包括1个输入层和1个输出层、2个卷积层、2个最大池化层、1个Dropout层和1个全连接层,第一卷积层包括14个卷积核,激活函数为Relu,步长为2,之后用第一最大池化层进行降采样,第二卷积层包含64个卷积核,激活函数为Relu,步长为2,之后再用第二最大池化层进行降采样,再通过Dropout层处理,经过全连接层应用Softmax激活函数,输出得到预测结果;
分别训练得到的优化的卷积神经网络模型和机器学习模型,观察优化的卷积神经网络模型和机器学习模型在测试集上得到的分类率,输出实时诊断结果;
所述的心电数据信号和呼吸波数据信号特征是基于R峰值、RR间隔和呼吸间隔来提取时域和频域特征,具体包括如下特征参数:心电信号时域特征、呼吸信号时域特征、心电信号频域特征和呼吸信号频域特征;完成特征提取后,针对所述的特征参数分别构建并训练支持向量机模型、多层感知器模型、逻辑回归模型和K邻近算法模型;所述的心电信号频域特征为分别提取0.0-0.1、0.1-0.2、0.2-0.3和0.3-0.4四个频段功率谱的均值、中值、标准差、最小值、最大值、最小最大值之差。
2.根据权利要求1所述的一种睡眠呼吸暂停综合症识别装置,其特征在于:所述的分别采集心电数据信号和呼吸波数据信号,具体内容如下:从PhysioNet的Apnea数据库中获取心电数据信号和呼吸波数据信号,所述的PhysioNet的Apnea数据库连续记载了70条心电信号数据和8条呼吸波数据,将其中35条心电信号和4条呼吸波信号数据作为训练集,其余35条心电信号和4条呼吸波信号数据作为测试集。
3.根据权利要求2所述的一种睡眠呼吸暂停综合症识别装置,其特征在于:所述的将转换后的心电数据信号、呼吸波数据信号进行预处理,具体步骤如下:将获取的心电数据信号和呼吸波数据信号通过中值滤波和低通巴特沃斯滤波去除噪声,针对心电数据信号进行R峰识别,应用汉密尔顿算法得到R峰的对应位置及计算RR间隔和R峰幅值;针对呼吸波数据信号提取波峰和波谷,应用Findpeak函数检测得到呼吸间隔;应用三次样条插值法及批归一化方法处理输入数据,处理后数据维度为900×2,将其作为卷积神经网络的网络层的输入。
6.根据权利要求1所述的一种睡眠呼吸暂停综合症识别装置,其特征在于:所述的心电信号频域特征具体包括如下参数:
高频HF:0.15-0.4Hz;
低频LF:0.04-0.15Hz;
极低频VLF:0-0.04Hz;
低频/高频LF/HF;
低频/(低频+高频)LF/(LF+HF);
高频/(低频+高频)HF/(LF+HF)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110504487.7A CN113243890B (zh) | 2021-05-10 | 2021-05-10 | 睡眠呼吸暂停综合症识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110504487.7A CN113243890B (zh) | 2021-05-10 | 2021-05-10 | 睡眠呼吸暂停综合症识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113243890A CN113243890A (zh) | 2021-08-13 |
CN113243890B true CN113243890B (zh) | 2023-01-13 |
Family
ID=77222399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110504487.7A Active CN113243890B (zh) | 2021-05-10 | 2021-05-10 | 睡眠呼吸暂停综合症识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113243890B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113797445A (zh) * | 2021-09-27 | 2021-12-17 | 南方医科大学珠江医院 | 一种新生儿呼吸暂停的早期智能抢救系统 |
CN114711725B (zh) * | 2022-04-15 | 2024-08-06 | 华南师范大学 | 一种基于双重注意力机制的睡眠呼吸暂停检测方法及装置 |
CN114869241B (zh) * | 2022-07-11 | 2022-09-23 | 西南交通大学 | 睡眠呼吸事件预测方法、装置、设备及可读存储介质 |
CN115952450A (zh) * | 2023-03-14 | 2023-04-11 | 首都医科大学附属北京同仁医院 | 睡眠呼吸暂停综合征识别方法、装置、计算机和存储介质 |
CN115952449A (zh) * | 2023-03-14 | 2023-04-11 | 首都医科大学附属北京同仁医院 | 睡眠阶段监测方法、装置、计算机和存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10103973A1 (de) * | 2001-01-30 | 2002-08-01 | Peter L Kowallik | Verfahren und Vorrichtung zur Schlafüberwachung |
US7252640B2 (en) * | 2002-12-04 | 2007-08-07 | Cardiac Pacemakers, Inc. | Detection of disordered breathing |
US7343198B2 (en) * | 2004-08-23 | 2008-03-11 | The University Of Texas At Arlington | System, software, and method for detection of sleep-disordered breathing using an electrocardiogram |
CN110876621A (zh) * | 2018-09-06 | 2020-03-13 | 南京大学 | 一种基于神经网络的睡眠呼吸暂停综合症检测系统 |
CN109106350A (zh) * | 2018-09-20 | 2019-01-01 | 中山大学 | 低生理负荷的睡眠呼吸暂停低通气综合征初步筛查方法 |
CN109259733A (zh) * | 2018-10-25 | 2019-01-25 | 深圳和而泰智能控制股份有限公司 | 一种睡眠中呼吸暂停检测方法、装置和检测设备 |
CN109480783B (zh) * | 2018-12-20 | 2022-02-18 | 深圳和而泰智能控制股份有限公司 | 一种呼吸暂停检测方法、装置及计算设备 |
CN110151138B (zh) * | 2019-05-29 | 2021-08-24 | 中山大学 | 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备 |
CN111248859A (zh) * | 2019-12-27 | 2020-06-09 | 黄淮学院 | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 |
CN111166294B (zh) * | 2020-01-29 | 2021-09-14 | 北京交通大学 | 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 |
CN112089413A (zh) * | 2020-09-08 | 2020-12-18 | 长春理工大学 | 一种阻塞式睡眠呼吸暂停综合症筛查系统 |
-
2021
- 2021-05-10 CN CN202110504487.7A patent/CN113243890B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113243890A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113243890B (zh) | 睡眠呼吸暂停综合症识别装置 | |
Feng et al. | A sleep apnea detection method based on unsupervised feature learning and single-lead electrocardiogram | |
Zhou et al. | Automatic sleep stage classification with single channel EEG signal based on two-layer stacked ensemble model | |
US7623912B2 (en) | Method, apparatus and system for characterizing sleep | |
JP6159250B2 (ja) | 患者の生存性を予測するためのシステムの制御方法およびプログラム | |
Bhagyalakshmi et al. | GB-SVNN: Genetic BAT assisted support vector neural network for arrhythmia classification using ECG signals | |
CN114010171B (zh) | 一种基于心跳数据的分类器设置方法 | |
JP2021517008A (ja) | 睡眠時無呼吸検出システム及び方法 | |
Subramanian et al. | Machine Learning based Cardiac Arrhythmia detection from ECG signal | |
JPWO2018221750A1 (ja) | 睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム | |
CN114847905B9 (zh) | 一种心律失常数据检测识别方法及系统 | |
CN113633260A (zh) | 多导睡眠监测方法、监测仪、计算机设备及可读存储介质 | |
Gupta et al. | A support system for automatic classification of hypertension using BCG signals | |
Gupta et al. | Multi-resolution assessment of ECG sensor data for sleep apnea detection using wide neural network | |
CN116211308A (zh) | 一种高强度运动下机体疲劳评估方法 | |
Widasari et al. | A new investigation of automatic sleep stage detection using decision-tree-based support vector machine and spectral features extraction of ecg signal | |
KR102488616B1 (ko) | 심장의 동적 특성을 이용한 감성 인식 방법 및 시스템 | |
Khan et al. | Deep convolutional neural network based sleep apnea detection scheme using spectro-temporal subframes of EEG signal | |
Dharma et al. | Hypertension Identification Using Naive Bayes Classification Method and Pan Tompkins Feature Extraction | |
Rohan et al. | Classification of cardiac arrhythmia diseases from obstructive sleep apnea signals using decision tree classifier | |
Stewart et al. | Decision Fusion in Automated Sleep Apnea Classification Using Multple Polysomnography Sensors and Convolutional Neural Networks | |
Misra et al. | Obstructive Sleep-Apnea Detection using Signal Preprocessing and 1-D Channel Attention Network | |
Bashi et al. | Diagnosis of obstructive apnea disease AHI in chemical warfare veterans based on HRV signals analysis using the ANFIS neural network | |
Hammour et al. | Hearables: Automatic Sleep Scoring from Single-Channel Ear-EEG in Older Adults | |
TW202341933A (zh) | 使用濾波器組與類神經網路之呼吸暫停與不足事件偵測方法 |
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 |