CN113409944A - 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置 - Google Patents
基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置 Download PDFInfo
- Publication number
- CN113409944A CN113409944A CN202110709556.8A CN202110709556A CN113409944A CN 113409944 A CN113409944 A CN 113409944A CN 202110709556 A CN202110709556 A CN 202110709556A CN 113409944 A CN113409944 A CN 113409944A
- Authority
- CN
- China
- Prior art keywords
- image data
- model
- sleep apnea
- obstructive sleep
- ahi
- 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.)
- Pending
Links
- 208000001797 obstructive sleep apnea Diseases 0.000 title claims abstract description 141
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 238000013135 deep learning Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 61
- 206010021079 Hypopnoea Diseases 0.000 claims abstract description 15
- 208000008784 apnea Diseases 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 65
- 238000012360 testing method Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 206010041349 Somnolence Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000037007 arousal Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 201000002859 sleep apnea Diseases 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020591 Hypercapnia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 206010013781 dry mouth Diseases 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 230000005586 smoking cessation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (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深度学习的阻塞性睡眠呼吸暂停检测方法及装置，其中，该方法包括：将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果；将被检测对象从多个预设角度拍摄的头部图像输入到预先训练好的各个图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果；将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出被检测对象的AHI分类结果。本发明无需用户穿戴各种PSG设备，操作简单，且能够检测到低AHI值的阻塞性睡眠呼吸暂停情况。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置。
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。
阻塞性睡眠暂停低通气综合征(Obstructive Sleep Apnea Hypopnea Syndrome，OSAHS，简称OSA)，是常见的睡眠呼吸障碍疾病之一，主要因为睡眠期间上呼吸道的反复塌陷，口鼻呼吸气流反复停止引起，并伴有皮质唤醒或血氧饱和度下降，从而导致反复的间歇性缺氧和高碳酸血症，以夜间睡觉打鼾、日间嗜睡、晨起口干、头痛等为主要临床表现。在睡眠期间反复发作上呼吸道部分或完全塌陷，导致气流持续减少(呼吸不足)或缺乏(呼吸暂停)持续至少10秒，并伴有皮质唤醒或血氧饱和度下降。OSA是导致过度困倦、生活质量下降、工作表现受损和增加机动车碰撞风险的主要原因。OSA与高血压，2型糖尿病，心房纤颤，心力衰竭，冠心病，中风和死亡的发生率增加有关。
通常，利用呼吸暂停低通气指数(Apnea Hypopnea Index,AHI)来量化OSA是否存在及其严重程度，AHI定义为每小时睡眠时间(或家庭测试记录的每小时)内呼吸暂停加低通气的次数。当每夜7h睡眠时间内呼吸暂停加低通气反复发作30次以上，或呼吸暂停低通气指数AHI≥5次/h，则被认为是OSA。
据统计，在美国30至70岁的人群中，有17.4％的女性和33.9％的男性至少患有轻度OSA，定义为每小时睡眠发生5至14.9事件的AHI，而5.6％的女性和13.0％的男性患有中度(AHI为15-29.9)或严重(AHI 30)OSA]。2018年，在中国轻度OSA患者(AHI≥5)大约有1.76亿人，中度以上OSA患者(AHI≥15)约有6600万人。由于轻度OSA患者一般可通过健身、减肥、戒烟、改变睡姿等改善生活习惯来缓解，且患者不易发觉，保守估计中度以上OSA患者才需要用到呼吸机，且渗透率仅仅以10％计算，OSA患者中我国仍需660万台呼吸机，而2018年我国呼吸机年销量不足16～17万台，在诊断OSA方面仍需提高效率。
现有技术基于多导睡眠图(例如，神经生理、心脏和呼吸信号)来诊断其是否患有OSA，这种方法，不仅需要患者穿戴各种PSG设备，而且要监测患者整晚的睡眠记录，且只有患者出现相应症状时才被认为患有OSA，在睡眠记录中发现的无任何症状的睡眠呼吸暂停或低通气，往往不被会认为是OSA，导致患者难以及时了解其病情，没有早日治疗。
由此，如何提供一种方便、准确的阻塞性睡眠呼吸暂停检测方法，是目前亟待解决的技术问题。
发明内容
本发明实施例中提供了一种基于深度学习的阻塞性睡眠呼吸暂停检测方法，用以解决现有基于患者整晚的睡眠记录来诊断OSA的方法操作繁琐的技术问题，该方法包括：将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果；将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，其中，所述图像数据中包含：从多个预设角度拍摄所述被检测对象头部区域得到的多个头部图像，每个预设角度的头部图像输入到不同的图像数据阻塞性睡眠呼吸暂停检测模型中；将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出所述被检测对象的AHI分类结果。
本发明实施例中还提供了一种基于深度学习的阻塞性睡眠呼吸暂停检测装置，用以解决现有基于患者整晚的睡眠记录来诊断OSA的方法操作繁琐的技术问题，该装置包括：生理数据处理模块，用于将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果；图像数据处理模块，用于将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，其中，所述图像数据中包含：从多个预设角度拍摄所述被检测对象头部区域得到的多个头部图像，每个预设角度的头部图像输入到不同的图像数据阻塞性睡眠呼吸暂停检测模型中；阻塞性睡眠呼吸暂停检测模块，用于将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出所述被检测对象的AHI分类结果。
本发明实施例中还提供了一种计算机设备，用以解决现有基于患者整晚的睡眠记录来诊断OSA的方法操作繁琐的技术问题，所述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深度学习的阻塞性睡眠呼吸暂停检测方法。
本发明实施例中还提供了一种计算机可读存储介质，用以解决现有基于患者整晚的睡眠记录来诊断OSA的方法操作繁琐的技术问题，所述计算机可读存储介质存储有执行上述基于深度学习的阻塞性睡眠呼吸暂停检测方法的计算机程序。
本发明实施例中，在获取到被检测对象的生理数据和从多个角度对被检测对象的头部区域进行拍摄得到的多个头部图像后，将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果，并将被检测对象的多个头部图像输入到预先训练好的不同预设角度对应的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，最后将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出所述被检测对象的AHI分类结果。
与现有技术中基于患者整晚睡眠记录进行诊断OSA的技术方案相比，本发明实施例中提供的阻塞性睡眠呼吸暂停检测方法，只需要采集患者多个角度的头部图像即可，不仅无需用户穿戴各种PSG设备，操作简单，而且能够检测到低AHI值的阻塞性睡眠呼吸暂停情况，使得用户能够在出现OSA早期及时治疗。
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深度学习的阻塞性睡眠呼吸暂停检测方法流程图；
图2为本发明实施例中提供的一种基于深度学习的阻塞性睡眠呼吸暂停检测方法具体实现流程图；
图3为本发明实施例中提供的一种模型训练流程图；
图4为本发明实施例中提供的一种图像数据阻塞性睡眠呼吸暂停检测模型训练流程图；
图5为本发明实施例中提供的一种生理数据阻塞性睡眠呼吸暂停检测模型训练流程图；
图6为本发明实施例中提供的一种基于深度学习的阻塞性睡眠呼吸暂停检测装置示意图；
图7为本发明实施例中提供的一种计算机设备示意图。
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。
深度学习是人工智能(AI)的一个子领域，在医学领域正在迅速发展。深度学习系统可以接受多种数据类型，例如图像或时间序列，这些数据类型将基于机器学习模型通过多个处理层进行处理，以逐步学习数据的表示形式并最终提供输出。在医疗保健领域，深度学习技术可能具有诊断，治疗，人群健康管理以及管理和调节的潜在用途。
本发明实施例中提供了一种基于深度学习的阻塞性睡眠呼吸暂停检测方法，图1为本发明实施例中提供的一种基于深度学习的阻塞性睡眠呼吸暂停检测方法流程图，如图1所示，该方法包括如下步骤：
S101，将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果。
可选地，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法，在训练生理数据阻塞性睡眠呼吸暂停检测模型时，采用的网络模型包括如下任意之一：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型。
S102，将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，其中，图像数据中包含：从多个预设角度拍摄被检测对象头部区域得到的多个头部图像，每个预设角度的头部图像输入到不同的图像数据阻塞性睡眠呼吸暂停检测模型中。
需要说明的是，为了简化模型运算，且能够获得较好的分类结果，本发明实施例中采用的预设角度包括但不限于如下五个方向：正面、侧面朝左、侧面朝右、45度朝左、45度朝右。
可选地，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法，在训练各个预设角度的图像数据阻塞性睡眠呼吸暂停检测模型时，采用的网络模型包括如下任意之一：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型。
S103，将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出被检测对象的AHI分类结果。
需要说明的是，本发明实施例中采用的图像数据阻塞性睡眠呼吸暂停检测模型个数取决于拍摄的角度，如果拍摄角度为N个方向，则需要训练对应N个图像数据阻塞性睡眠呼吸暂停检测模型，最终将N个图像数据阻塞性睡眠呼吸暂停检测模型输出的分类结果与1个生理数据阻塞性睡眠呼吸暂停检测模型输出的分类结果，进行合并，得到最终的分类结果。
在一个实施例中，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法中，通过生理数据阻塞性睡眠呼吸暂停检测模型和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果为属于不同AHI分类的概率，上述集成学习算法模型用于将生理数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率进行加权求和，得到被检测对象的AHI分类结果。
在一个实施例中，在将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果之前，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法还可以包括如下步骤：获取样本生理数据，其中，样本生理数据包括：具有不同AHI标签的样本对象的生理数据；按照预设比例，将样本生理数据划分为训练生理数据、验证生理数据和测试生理数据；根据训练生理数据，使用深度学习方法对如下任一种网络模型进行训练，得到生理数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；根据验证生理数据，对训练得到的生理数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；根据测试生理数据，对符合预设条件的生理数据阻塞性睡眠呼吸暂停检测模型进行测试。
进一步地，在将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果之前，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法还可以包括如下步骤：获取样本图像数据，其中，样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；按照预设比例，将样本图像数据划分为训练图像数据、验证图像数据和测试图像数据；根据训练图像数据，使用深度学习方法对如下任一种网络模型进行训练，得到对应多个预设角度头部图像的多个图像数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、LightGBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；根据验证图像数据，对训练得到的各个图像数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；根据测试图像数据，对符合预设条件的图像数据阻塞性睡眠呼吸暂停检测模型进行测试。
进一步地，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法，在将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果的时候，还可以通过如下步骤来实现：将被检测对象的图像数据输入到预先训练好的人脸识别模型中，输出对应的脸部图像数据，其中，人脸识别模型是对神经网络模型进行训练得到的模型；将人脸识别模型输出的脸部图像数据，输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果。
在一个实施例中，在将被检测对象的图像数据输入到预先训练好的人脸识别模型中，输出对应的脸部图像数据之前，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法，还包括如下步骤：获取样本图像数据，其中，样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；对样本图像数据中不同预设角度的头部图像进行聚类分析，得到属于每类OSA的高层表示子集；根据属于每类OSA的高层表示子集，对如下神经网络模型进行训练，得到属于每类OSA的人脸识别模型：残差神经网络模型、基于倒置残差模块的卷积神经网络模型。
图2为本发明实施例中提供的一种基于深度学习的阻塞性睡眠呼吸暂停检测方法具体实现流程图，如图2所示，具体包括如下步骤：
S201，获取被检测对象的图像数据以及生理数据。
在具体实施时，获取的图像述数据包括但不限于被检测对象正面、侧面朝左、侧面朝右、45度朝左、45度朝右五个角度的头部图像。
S202，将获得的图像数据的输入进行图像预处理，仅保留脸部图像，并将图像放缩成为同样的大小。
在具体实施时，利用已知数据及相应AHI标签作为训练样本，其中已知数据对应的AHI标签可以是由对应的病人在佩戴PSG设备监控整晚之后确定的，本发明对此不作限定。利用AHI标签进行有无OSA类别划分，分类可包括但不限于：以AHI＝15为分类界限进行划分，也可以选择其他值进行分类，本发明对此不作限定。
S203，将被检测对象五个角度的图像数据作为五个图像数据阻塞性睡眠呼吸暂停检测模型的输入，得到五个模型对应的输出；同时将被检测对象的生理数据作为生理数据阻塞性睡眠呼吸暂停检测模型的输入，从而得到对应的输出。
在具体实施时，将处理好的样本划分为训练集、验证集和测试集，进行神经网络训练，通过训练分类器得到初步的人脸检测OSA模型；将处理好的样本划分为训练集、验证集和测试集，进行机器学习训练，通过训练分类器得到初步的生理数据检测OSA模型；在得到上述初步的检测OSA模型后，将经过处理的数据作为人脸模型OSA的输入信息，得到人脸识别OSA模型处理图像样本的输出作为相应图像的高层表示样本，进而得到各个样本的高层表示样本。其中人脸检测OSA模型处理图像数据样本的中间层输出应通过初步人脸检测OSA模型的特征层输出，将人脸检测OSA模型的特征曾输出作为相应样本的高层表示样本。
S204，对六个模型得到的输出进行加权求和获取最终的输出，得到最终的预测结果。本发明实施例中，采用的人脸检测阻塞性睡眠呼吸暂停疾病模型是根据已有的照片以及生理数据并以对应的病人在佩戴PSG设备监控整晚之后得到的呼吸暂停低通气指数(AHI)值作为标签经过深度学习方法训练得到的。
在具体实施时，利用上述各人脸检测OSA模型的特征层输出作为高层表示子集进行分类器训练，进行集成学习，得到最终的预测结果。
图3为本发明实施例中提供的一种模型训练流程图，如图3所示，具体包括：
S301，获取图像信息。
在具体实施时，可被检测对象的头部区域进行但不限于如下五个预设角度的拍摄，得到对应的头部图像：正面、侧面朝左、侧面朝右、45度朝左以及45度朝右角度的信息。
S302，对图像进行预处理。
在具体实施时，可将被检测对象头部区域的五个角度的头部图像放入人脸识别模型中，得到被检测对象的脸部图像，通过增加阈值的方式获取到被检测对象整个头部区域，包含头发、耳朵及颈部。之后再将图片按原有的长宽比等比例压缩至较长边为384像素，然后将短边填充固定值，使其长度与长边相同。
S303，划分训练集、测试集与验证集，并对训练集进行图像增强。
在具体实施时，在具体实施时，将获取的生理数据按照正常、轻度、中度和重度进行类别的划分，并从每个亚类中按预设比例划分训练集、验证集与测试集。可选地，为了提高模型的泛化能力，还可对模型训练的样本图像数据进行如下图像增强处理，以防止过拟合：生成对抗网络、数据训练权重调整、增采样与减采样等。
S304，训练模型并得到最优解。
在具体实施时，可通过对如下神经网络进行训练，得到人脸识别模型：残差神经网络，基于倒置残差模块的卷积神经网络等。通过调整合适的网络超参数，对神经网络进行训练，得到人脸识别模型。
S305，输出为各类别对应概率。
在具体实施时，输出各类别对应概率，每个模型输出结果为各类别概率，即有病/无病的概率，但在实际应用中神经网络的输出为图片对应的高层特征样本。
图4为本发明实施例中提供的一种图像数据阻塞性睡眠呼吸暂停检测模型训练流程图图像数据阻塞性睡眠呼吸暂停检测模型训练流程图，如图所示，具体包括：
S401，获取高层样本。
在具体实施时，可将图片放入神经网络当中，对其特征提取层进行输出，获取其对应的高层样本。
S402，对高层样本数据进行特征工程。
在具体实施时，对生理数据进行特征工程包括但不限于：特征的归一化，特征融合，主成分分析、局部保留投影、拉普拉斯特征映射、局部线性嵌入以及线性判别分析等。
S403，划分训练集、测试集与验证集。
在具体实施时，将获取的生理数据按照正常、轻度、中度和重度进行类别的划分，并从每个亚类中按预设比例划分训练集、验证集与测试集。
S404，训练模型并得到最优解。
在具体实施时，训练模型包含但不限于用机器学习的算法进行分类，其中使用的分类器可以包括但不限于：xgboost、lightgbm、神经网络、支持向量机、决策树分类器、贝叶斯判决分类器。
S405，输出为各类别对应概率。
在具体实施时，输出各类别对应概率，每个模型输出结果为各类别概率，即有病/无病的概率。
图5为本发明实施例中提供的一种生理数据阻塞性睡眠呼吸暂停检测模型训练流程图，如图5所示，具体包括：
S501，获取生理数据。
在具体实施时，获取的生理数据包括但不限于：被检测对象的年龄、性别、颈围、BMI等。
S502，对生理数据进行特征工程。
在具体实施时，对生理数据进行特征工程包括但不限于：特征的归一化，特征融合，主成分分析、局部保留投影、拉普拉斯特征映射、局部线性嵌入以及线性判别分析等。
S503，划分训练集、测试集与验证集。
在具体实施时，将获取的生理数据按照正常、轻度、中度和重度进行类别的划分，并从每个亚类中按预设比例划分训练集、验证集与测试集。
S504，训练模型并得到最优解。
在具体实施时，训练模型包含但不限于用机器学习的算法进行分类，其中使用的分类器可以包括但不限于：xgboost、lightgbm、神经网络、支持向量机、决策树分类器、贝叶斯判决分类器。
S505，输出为各类别对应概率。
在具体实施时，输出各类别对应概率，每个模型输出结果为各类别概率，即有病/无病的概率。
基于同一发明构思，本发明实施例中还提供了一种基于深度学习的阻塞性睡眠呼吸暂停检测装置，如下面的实施例所述。由于该装置解决问题的原理与基于深度学习的阻塞性睡眠呼吸暂停检测方法相似，因此该装置的实施可以参见基于深度学习的阻塞性睡眠呼吸暂停检测方法的实施，重复之处不再赘述。
图6为本发明实施例中提供的一种基于深度学习的阻塞性睡眠呼吸暂停检测装置示意图，如图6所示，该装置包括：生理数据处理模块61、图像数据处理模块62和阻塞性睡眠呼吸暂停检测模块63。
其中，生理数据处理模块61，用于将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果；图像数据处理模块62，用于将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，其中，图像数据中包含：从多个预设角度拍摄被检测对象头部区域得到的多个头部图像，每个预设角度的头部图像输入到不同的图像数据阻塞性睡眠呼吸暂停检测模型中；阻塞性睡眠呼吸暂停检测模块63，用于将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出被检测对象的AHI分类结果。
在一个实施例中，如图6所示，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测装置还可以包括：样本生理数据获取模块64，用于获取样本图像数据，其中，样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；生理数据阻塞性睡眠呼吸暂停检测模型训练模块65，用于按照预设比例，将样本生理数据划分为训练生理数据、验证生理数据和测试生理数据；根据训练生理数据，使用深度学习方法对如下任一种网络模型进行训练，得到生理数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；根据验证生理数据，对训练得到的生理数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；根据测试生理数据，对符合预设条件的生理数据阻塞性睡眠呼吸暂停检测模型进行测试。
在一个实施例中，如图6所示，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测装置还可以包括：样本图像数据获取模块66，用于获取样本图像数据，其中，样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；图像数据阻塞性睡眠呼吸暂停检测模型训练模块67，用于按照预设比例，将样本图像数据划分为训练图像数据、验证图像数据和测试图像数据；根据训练图像数据，使用深度学习方法对如下任一种网络模型进行训练，得到对应多个预设角度头部图像的多个图像数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；根据验证图像数据，对训练得到的各个图像数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；根据测试图像数据，对符合预设条件的图像数据阻塞性睡眠呼吸暂停检测模型进行测试。
在一个实施例中，如图6所示，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测装置还可以包括：人脸识别模块68，用于将被检测对象的图像数据输入到预先训练好的人脸识别模型中，输出对应的脸部图像数据，其中，人脸识别模型是对神经网络模型进行训练得到的模型；其中，图像数据处理模块62还用于将人脸识别模型输出的脸部图像数据，输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果。
可选地，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测装置还包括：人脸识别模型训练模块69，用于获取样本图像数据，其中，样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；对样本图像数据中不同预设角度的头部图像进行聚类分析，得到属于每类OSA的高层表示子集；根据属于每类OSA的高层表示子集，对如下神经网络模型进行训练，得到属于每类OSA的人脸识别模型：残差神经网络模型、基于倒置残差模块的卷积神经网络模型。
在一个实施例中，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测装置中，通过生理数据阻塞性睡眠呼吸暂停检测模型和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果为属于不同AHI分类的概率，上述集成学习算法模型用于将生理数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率进行加权求和，得到被检测对象的AHI分类结果。
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，用以解决现有基于患者整晚的睡眠记录来诊断OSA的方法操作繁琐的技术问题，图7为本发明实施例中提供的一种计算机设备示意图，如图7所示，该计算机设备70包括存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序，处理器702执行计算机程序时实现上述基于深度学习的阻塞性睡眠呼吸暂停检测方法。
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，用以解决现有基于患者整晚的睡眠记录来诊断OSA的方法操作繁琐的技术问题，该计算机可读存储介质存储有执行上述基于深度学习的阻塞性睡眠呼吸暂停检测方法的计算机程序。
综上所述，本发明实施例中提供了一种基于深度学习的阻塞性睡眠呼吸暂停检测方法、装置、计算机设备及计算机可读存储介质，在获取到被检测对象的生理数据和从多个角度对被检测对象的头部区域进行拍摄得到的多个头部图像后，将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果，并将被检测对象的多个头部图像输入到预先训练好的不同预设角度对应的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，最后将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出所述被检测对象的AHI分类结果。
与现有技术中基于患者整晚睡眠记录进行诊断OSA的技术方案相比，本发明实施例中提供的阻塞性睡眠呼吸暂停检测方案，只需要采集患者多个角度的头部图像即可，不仅无需用户穿戴各种PSG设备，操作简单，而且能够检测到低AHI值的阻塞性睡眠呼吸暂停情况，使得用户能够在出现OSA早期及时治疗。
在本发明实施例中，基于深度学习技术，结合被检测对象多个角度的头部图像和生理数据，对被检测对象的AHI进行预测，以判断被检测对象是否患有OSA。相较现有技术利用被检测对象整晚PSG进行OSA预测的方案，本发明实施例中提供的方案，能够方便用户及时了解病情，并早日治疗，方便便捷，被测人不需要穿戴各种PSG设备，易于操作，经验证，识别准确率可达83％。
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)
1.一种基于深度学习的阻塞性睡眠呼吸暂停检测方法，其特征在于，包括：
将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果；
将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，其中，所述图像数据中包含：从多个预设角度拍摄所述被检测对象头部区域得到的多个头部图像，每个预设角度的头部图像输入到不同的图像数据阻塞性睡眠呼吸暂停检测模型中；
将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出所述被检测对象的AHI分类结果。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取样本生理数据，其中，所述样本生理数据包括：具有不同AHI标签的样本对象的生理数据；
按照预设比例，将所述样本生理数据划分为训练生理数据、验证生理数据和测试生理数据；
根据所述训练生理数据，使用深度学习方法对如下任一种网络模型进行训练，得到所述生理数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；
根据所述验证生理数据，对训练得到的生理数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；
根据所述测试生理数据，对符合预设条件的生理数据阻塞性睡眠呼吸暂停检测模型进行测试。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取样本图像数据，其中，所述样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；
按照预设比例，将所述样本图像数据划分为训练图像数据、验证图像数据和测试图像数据；
根据所述训练图像数据，使用深度学习方法对如下任一种网络模型进行训练，得到对应多个预设角度头部图像的多个图像数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；
根据所述验证图像数据，对训练得到的各个图像数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；
根据所述测试图像数据，对符合预设条件的图像数据阻塞性睡眠呼吸暂停检测模型进行测试。
4.如权利要求1所述的方法，其特征在于，将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，包括：
将被检测对象的图像数据输入到预先训练好的人脸识别模型中，输出对应的脸部图像数据，其中，所述人脸识别模型是对神经网络模型进行训练得到的模型；
将所述人脸识别模型输出的脸部图像数据，输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果。
5.如权利要求4所述的方法，其特征在于，在将被检测对象的图像数据输入到预先训练好的人脸识别模型中，输出对应的脸部图像数据之前，所述方法还包括：
获取样本图像数据，其中，所述样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；
对样本图像数据中不同预设角度的头部图像进行聚类分析，得到属于每类OSA的高层表示子集；
根据属于每类OSA的高层表示子集，对如下神经网络模型进行训练，得到属于每类OSA的人脸识别模型：残差神经网络模型、基于倒置残差模块的卷积神经网络模型。
6.如权利要求1所述的方法，其特征在于，所述AHI分类结果为属于不同AHI分类的概率，所述集成学习算法模型用于将生理数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率进行加权求和，得到所述被检测对象的AHI分类结果。
7.如权利要求1至6任一项所述的方法，其特征在于，所述预设角度至少包括如下五个方向：正面、侧面朝左、侧面朝右、45度朝左、45度朝右。
8.一种基于深度学习的阻塞性睡眠呼吸暂停检测装置，其特征在于，包括：
生理数据处理模块，用于将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果；
图像数据处理模块，用于将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，其中，所述图像数据中包含：从多个预设角度拍摄所述被检测对象头部区域得到的多个头部图像，每个预设角度的头部图像输入到不同的图像数据阻塞性睡眠呼吸暂停检测模型中；
阻塞性睡眠呼吸暂停检测模块，用于将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出所述被检测对象的AHI分类结果。
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任一项所述基于深度学习的阻塞性睡眠呼吸暂停检测方法。
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任一项所述基于深度学习的阻塞性睡眠呼吸暂停检测方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110709556.8A CN113409944A (zh) | 2021-06-25 | 2021-06-25 | 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110709556.8A CN113409944A (zh) | 2021-06-25 | 2021-06-25 | 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113409944A true CN113409944A (zh) | 2021-09-17 |
Family
ID=77679317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110709556.8A Pending CN113409944A (zh) | 2021-06-25 | 2021-06-25 | 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113409944A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114267444A (zh) * | 2021-12-23 | 2022-04-01 | 成都信息工程大学 | 利用睡眠结构检测阻塞性呼吸暂停及夜间额叶癫痫的方法 |
| CN114496233A (zh) * | 2022-04-07 | 2022-05-13 | 广东工业大学 | 一种心肌梗死并发症的辅助诊断系统 |
| CN114795133A (zh) * | 2022-06-29 | 2022-07-29 | 华南师范大学 | 睡眠呼吸暂停检测方法、装置、设备以及存储介质 |
| CN115919287A (zh) * | 2022-08-24 | 2023-04-07 | 湖南万脉医疗科技有限公司 | 一种基于智能算法的呼吸监测预测方法及呼吸机 |
| CN116469148A (zh) * | 2023-03-09 | 2023-07-21 | 山东省大健康精准医疗产业技术研究院 | 一种基于面部结构识别的概率预测系统及预测方法 |
| CN117275726A (zh) * | 2023-09-21 | 2023-12-22 | 复旦大学 | 一种基于多组学生物标志物的osa发病风险预测方法及装置 |
| CN117747100A (zh) * | 2023-12-11 | 2024-03-22 | 南方医科大学南方医院 | 一种预测阻塞性睡眠呼吸暂停发生风险的系统 |
| CN118053192A (zh) * | 2024-03-01 | 2024-05-17 | 中国人民解放军空军军医大学 | 一种基于多角度人脸图像的腺样体肥大识别系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050131283A1 (en) * | 2003-09-23 | 2005-06-16 | Grant Brydon J. | Method for predicting apnea-hypopnea index from overnight pulse oximetry readings |
| CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
| WO2020242239A1 (ko) * | 2019-05-29 | 2020-12-03 | (주)제이엘케이 | 앙상블 학습 알고리즘을 이용한 인공지능 기반 진단 보조 시스템 |
-
2021
- 2021-06-25 CN CN202110709556.8A patent/CN113409944A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050131283A1 (en) * | 2003-09-23 | 2005-06-16 | Grant Brydon J. | Method for predicting apnea-hypopnea index from overnight pulse oximetry readings |
| CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
| WO2020242239A1 (ko) * | 2019-05-29 | 2020-12-03 | (주)제이엘케이 | 앙상블 학습 알고리즘을 이용한 인공지능 기반 진단 보조 시스템 |
Non-Patent Citations (2)
| Title |
|---|
| FERNANDO ESPINOZA-CUADROS 等: "Speech Signal and Facial Image Processing for Obstructive Sleep Apnea Assessment", 《COMPUTATIONAL AND MATHEMATICAL METHODS IN MEDICINE》, 17 November 2015 (2015-11-17), pages 1 - 13, XP055856628, DOI: 10.1155/2015/489761 * |
| 王青天 等: "《Python金融大数据风控建模实战》", 机械工业出版社, pages: 287 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114267444A (zh) * | 2021-12-23 | 2022-04-01 | 成都信息工程大学 | 利用睡眠结构检测阻塞性呼吸暂停及夜间额叶癫痫的方法 |
| CN114496233A (zh) * | 2022-04-07 | 2022-05-13 | 广东工业大学 | 一种心肌梗死并发症的辅助诊断系统 |
| CN114496233B (zh) * | 2022-04-07 | 2022-07-08 | 广东工业大学 | 一种心肌梗死并发症的辅助诊断系统 |
| CN114795133A (zh) * | 2022-06-29 | 2022-07-29 | 华南师范大学 | 睡眠呼吸暂停检测方法、装置、设备以及存储介质 |
| CN115919287A (zh) * | 2022-08-24 | 2023-04-07 | 湖南万脉医疗科技有限公司 | 一种基于智能算法的呼吸监测预测方法及呼吸机 |
| CN116469148A (zh) * | 2023-03-09 | 2023-07-21 | 山东省大健康精准医疗产业技术研究院 | 一种基于面部结构识别的概率预测系统及预测方法 |
| CN117275726A (zh) * | 2023-09-21 | 2023-12-22 | 复旦大学 | 一种基于多组学生物标志物的osa发病风险预测方法及装置 |
| CN117747100A (zh) * | 2023-12-11 | 2024-03-22 | 南方医科大学南方医院 | 一种预测阻塞性睡眠呼吸暂停发生风险的系统 |
| CN117747100B (zh) * | 2023-12-11 | 2024-05-14 | 南方医科大学南方医院 | 一种预测阻塞性睡眠呼吸暂停发生风险的系统 |
| CN118053192A (zh) * | 2024-03-01 | 2024-05-17 | 中国人民解放军空军军医大学 | 一种基于多角度人脸图像的腺样体肥大识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113409944A (zh) | 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置 | |
| Van Steenkiste et al. | Automated sleep apnea detection in raw respiratory signals using long short-term memory neural networks | |
| Zhao et al. | Learning sleep stages from radio signals: A conditional adversarial architecture | |
| CN107392109A (zh) | 一种基于深度神经网络的新生儿疼痛表情识别方法 | |
| CA3053958A1 (en) | Systems and methods of automatic cough identification | |
| WO2022031725A1 (en) | Ensemble machine-learning models to detect respiratory syndromes | |
| Zamzami et al. | Pain assessment in infants: Towards spotting pain expression based on infants' facial strain | |
| Karamanli et al. | A prediction model based on artificial neural networks for the diagnosis of obstructive sleep apnea | |
| Zhang et al. | A noninvasive method to detect diabetes mellitus and lung cancer using the stacked sparse autoencoder | |
| CN115040074A (zh) | 阻塞性睡眠呼吸暂停检测方法及装置 | |
| Wang et al. | Sleep Apnea Prediction Using Deep Learning | |
| Kumar et al. | Self-Supervised Representation Learning-Based OSA Detection Method Using Single-Channel ECG Signals | |
| CN116386845A (zh) | 基于卷积神经网络和面部动态视频的精神分裂症诊断系统 | |
| Locharla et al. | EEG-based deep learning neural net for apnea detection | |
| TW202239369A (zh) | 睡眠資料之評估 | |
| Mohammadi et al. | Two-step deep learning for estimating human sleep pose occluded by bed covers | |
| Mohan et al. | Analysis of ECG Data to Detect Sleep Apnea using Deep Learning | |
| Luckett | Nonlinear methods for detection and prediction of epileptic seizures | |
| Kumari et al. | Detection of sleep apnea from ECG signal using various machine learning algorithms | |
| US20230309915A1 (en) | System and method for attentional multimodal pain estimation | |
| Mohan et al. | Edge artificial intelligence-based facial pain recognition during myocardial infarction | |
| Sert | Feature Selection for Obstructive Sleep Apnea Recognition | |
| Mortazavi et al. | Assessing Pediatric Sleep Apnea-Hypopnea Severity: Analyzing SpO2 Signals Spectrograms with Inception V3 Model | |
| Hafezi | In Depth Analysis of Sleep Apnea Severity | |
| Juhari | Check for updates E-Stethoscope: Preliminary Classification of Chest Sound for Proper Intubation in Paediatrics |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210917 |