CN113633260B - 多导睡眠监测方法、监测仪、计算机设备及可读存储介质 - Google Patents
多导睡眠监测方法、监测仪、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN113633260B CN113633260B CN202110916967.4A CN202110916967A CN113633260B CN 113633260 B CN113633260 B CN 113633260B CN 202110916967 A CN202110916967 A CN 202110916967A CN 113633260 B CN113633260 B CN 113633260B
- Authority
- CN
- China
- Prior art keywords
- artificial experience
- experience feature
- module
- signal
- signals
- 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
- 230000007958 sleep Effects 0.000 claims abstract description 66
- 208000037656 Respiratory Sounds Diseases 0.000 claims abstract description 61
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 61
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 61
- 239000001301 oxygen Substances 0.000 claims abstract description 61
- 239000008280 blood Substances 0.000 claims abstract description 58
- 210000004369 blood Anatomy 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 230000008878 coupling Effects 0.000 claims abstract description 9
- 238000010168 coupling process Methods 0.000 claims abstract description 9
- 238000005859 coupling reaction Methods 0.000 claims abstract description 9
- 208000023504 respiratory system disease Diseases 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 35
- 238000001914 filtration Methods 0.000 claims description 32
- 230000033001 locomotion Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000000241 respiratory effect Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 26
- 230000029058 respiratory gaseous exchange Effects 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012806 monitoring device Methods 0.000 abstract description 5
- 210000004556 brain Anatomy 0.000 description 14
- 208000008784 apnea Diseases 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 230000002829 reductive effect Effects 0.000 description 10
- 238000003199 nucleic acid amplification method Methods 0.000 description 9
- 230000003321 amplification Effects 0.000 description 7
- 230000036544 posture Effects 0.000 description 7
- 206010021143 Hypoxia Diseases 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 230000007954 hypoxia Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 6
- 206010021079 Hypopnoea Diseases 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 4
- 230000001269 cardiogenic effect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000002889 sympathetic effect Effects 0.000 description 3
- 210000003437 trachea Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000003928 nasal cavity Anatomy 0.000 description 2
- 208000001797 obstructive sleep apnea Diseases 0.000 description 2
- 210000005037 parasympathetic nerve Anatomy 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 208000001705 Mouth breathing Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008452 non REM sleep Effects 0.000 description 1
- 230000008518 non respiratory effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008816 organ damage Effects 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61B5/4809—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
- A61B5/145—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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
Abstract
本发明公开了多导睡眠监测方法、监测仪、计算机设备及可读存储介质,其方法包括构建基于气管呼吸音、血氧饱和度信号、心电信号和脑电信号的人工经验特征池;基于至少两种人工经验特征池的集合,构建深度非线性变换神经网络,并增加不同的人工经验特征池之间的重构连接;发掘不同的人工经验特征池之间的共有表达部分和特有表达部分;使共有表达部分和特有表达部分与线性DCCA算法的输出层之间进行全连接,拟合PSG标签信号;训练获得睡眠监测模型,自动进行睡眠呼吸障碍监测。本发明具有融合多模态数据、充分发掘多模态信号之间的深层非线性耦合关系、解决了现有的睡眠呼吸监测设备检测精度低的问题,提高多导睡眠监测精度的效果。
Description
技术领域
本发明涉及睡眠监测技术领域,尤其是涉及多导睡眠监测方法、监测仪、设备及可读存储介质。
背景技术
OSA(Obstructive sleep apnea阻塞性睡眠呼吸暂停)发病率高,可造成多系统器官损害,引起多种并发症,其致死率和病残率高。目前,PSG(Polysomnography多导睡眠图监测)是诊断OSA的“金标准”,其检测的生理信号主要包括脑电图、心电图、肌电图、眼动图、胸式和腹式呼吸张力图、鼻及口通气量、血氧饱和度等。
PSG监测采用的传感器众多、监测的生理参数较多,操作复杂,且设备体积大、不便移动,因此患者需住院监测,由此带来的睡眠环境的改变及监测设备的影响导致入睡困难,进而影响诊断的准确性。同时,PSG设备价格昂贵,难以在基层医院及家庭中推广应用。
针对PSG的局限性,市面上出现了一些适用于院外使用的便携式睡眠呼吸监测设备,但各有不足,缺乏有效的信号检测和处理手段。
针对上述中的相关技术,发明人认为存在有现有的睡眠呼吸监测设备检测精度低的缺陷。
发明内容
为了提高检测精度,本发明提供了多导睡眠监测方法、监测仪、设备及可读存储介质。
第一方面,本发明提供多导睡眠监测方法,具有提高多导睡眠监测精度的特点。
本发明是通过以下技术方案得以实现的:
多导睡眠监测方法,包括以下步骤,
构建基于气管呼吸音、血氧饱和度信号、心电信号和脑电信号的人工经验特征池;
基于至少两种所述人工经验特征池的集合,构建深度非线性变换神经网络,并增加不同的所述人工经验特征池之间的重构连接;
采用线性DCCA算法对不同的所述人工经验特征池进行分析,发掘不同的所述人工经验特征池之间的共有表达部分和特有表达部分;
使所述共有表达部分和所述特有表达部分与所述线性DCCA算法的输出层之间进行全连接,拟合PSG标签信号;
基于所述人工经验特征池和所述PSG标签信号进行训练,获得睡眠监测模型;
基于采集的所述气管呼吸音、所述血氧饱和度信号、所述心电信号和所述脑电信号,所述睡眠监测模型自动进行睡眠呼吸障碍监测。
通过采用上述技术方案,基于气管呼吸音、血氧饱和度信号、心电信号和脑电信号的人工经验特征池,以呼吸音联合血氧、脑电、心电来准确识别呼吸暂停及缺氧事件,相比于现有的PSG检测参数大大减少,利于后续的信号处理效率;构建深度非线性变换神经网络,通过对人工经验特征池进行深度非线性变换,获得不同模态特征的潜在表示之间的线性相关性最大化信息,从而找出各模态特征之间的共同信息;并增加不同的人工经验特征池之间的重构连接,以体现不同模态特征间的推断关系;以及采用线性DCCA算法发掘不同的人工经验特征池之间的共有表达部分和特有表达部分,使共有表达部分和特有表达部分与线性DCCA算法的输出层之间进行全连接,拟合PSG标签信号,以获取不同模态特征之间的共有和互补关系,发掘各模态睡眠呼吸数据之间潜在的相关性;最后基于人工经验特征池和PSG标签信号进行训练,获得睡眠监测模型,自动进行睡眠呼吸障碍监测,进而多导便携睡眠监测方法融合多模态数据,充分地发掘多模态信号之间的深层的非线性耦合关系,提高了不同模态人工经验特征潜在相关信息的利用率,也降低了启动阶段PSG标注数据量较小时深度学习网络过拟合的风险,能准确检测OSA AHI(Apnea hypopnea index呼吸暂停低通气指数)和预测并发症,提高了多导睡眠监测精度,有效地提高了患者舒适度,减少操作难度。
本发明在一较佳示例中可以进一步配置为:所述基于所述人工经验特征池和所述PSG标签信号进行训练的步骤包括,
以PSG拟合偏差为代价函数,预先单独训练所述人工经验特征池所对应的网络连接;
以最大化不同的人工经验特征池之间的相关性为目标函数,预先单独训练DCCA网络;
以不同的所述人工经验特征池之间相关性的重构误差为代价函数,调整不同的人工经验特征池之间相关性的连接权值;
以所述PSG标签信号与调整的所述连接权值之间的差值为目标函数,在模态分组稀疏约束下,联合优化所述人工经验特征池所对应的网络连接和所述DCCA网络。
通过采用上述技术方案,以PSG拟合偏差为代价函数,训练人工经验特征池所对应的网络连接;以最大化不同的人工经验特征池之间的相关性为目标函数,训练DCCA(Detrended Canonical Correspondence Analysis去趋势互相关分析)网络;以不同的人工经验特征池之间相关性的重构误差为代价函数,调整不同的人工经验特征池之间相关性的连接权值;以PSG标签信号与连接权值之间的差值为目标函数,在模态分组稀疏约束下,联合优化人工经验特征池所对应的网络连接和DCCA网络,以训练睡眠监测模型,设计思路简洁高效,剔除了冗余的生理参数,实现了简约准确的OSA和并发症预测。
本发明在一较佳示例中可以进一步配置为:所述构建气管呼吸音的人工经验特征池的步骤还包括,
以血氧脉搏信号作为参考信号,通过自适应滤波去除心音。
通过采用上述技术方案,呼吸音的频率范围包含了心音的频率范围,因此气管呼吸音可能掺杂心音,以血氧脉搏信号作为参考信号,通过自适应滤波去除心音,剔除了冗余的生理参数,提高了呼吸音的质量,有利于后续对OSA和并发症进行更精准的预测。
本发明在一较佳示例中可以进一步配置为:所述构建气管呼吸音的人工经验特征池的步骤还包括,
基于加速度传感器与陀螺仪获得睡眠过程中的体动数据,并将睡眠过程中的体动数据作为参考信号,滤除气管呼吸音中的睡姿变化伪迹。
通过采用上述技术方案,不同的睡姿会影响呼吸音的振幅,给呼吸音带来很大的干扰,直接影响气管呼吸音的波形,基于加速度传感器与陀螺仪获得睡眠过程中的体动数据,并将睡眠过程中的体动数据作为参考信号,滤除气管呼吸音中的睡姿变化伪迹,剔除了冗余的生理参数,提高了呼吸音的质量,有利于后续对OSA和并发症进行更精准的预测。
本发明在一较佳示例中可以进一步配置为:所述深度非线性变换神经网络包括受限玻尔兹曼机神经网络和自编码解码器神经网络。
通过采用上述技术方案,受限玻尔兹曼机神经网络包含一层可视层和一层隐藏层,在同一层的神经元之间是相互独立的,在不同的网络层之间的神经元是相互连接的,在网络进行训练以及使用时信息会在两个方向上流动,而且两个方向上的权值是相同的,偏置值是不同的,模型参数较多,迭代求解参数也更加复杂,有利于降维、分类、回归和协同过滤;自编码解码器神经网络是一个含有输入、隐含、输出的三层神经网络,可复现输入输出的关系,自动学习缩减过后的信息数据的相关性,准确率高。
本发明在一较佳示例中可以进一步配置为:所述基于所述PSG标签信号进行训练前,还包括,
预设不同的所述人工经验特征池之间的重构连接的权值,筛选保留大于预设权值的所述PSG标签信号。
通过采用上述技术方案,筛选出符合条件的PSG标签信号,以约束PSG拟合误差,进而能用尽量少的模态特征获得尽量准确的OSA和并发症预测结果,提高检测精度。
本发明在一较佳示例中可以进一步配置为:还包括以下步骤,
批量更新所述睡眠监测模型,仅调整所述共有表达部分和所述特有表达部分与所述输出层之间的连接关系。
通过采用上述技术方案,批量更新模型时仅调整共有表达部分和特有表达部分与输出层之间的连接关系,以在大规模数据计算时提高计算效率,检测速度更快。
第二方面,本发明提供多导睡眠监测装置,具有提高多导睡眠监测精度的特点。
本发明是通过以下技术方案得以实现的:
多导睡眠监测装置,包括:
人工经验特征池模块,用于构建基于气管呼吸音、血氧饱和度信号、心电信号和脑电信号的人工经验特征池;
神经网络模块,用于基于至少两种所述人工经验特征池的集合,构建深度非线性变换神经网络,并增加不同的人工经验特征池之间的重构连接;
耦合模块,用于采用线性DCCA算法对不同的所述人工经验特征池进行分析,发掘不同的人工经验特征池之间的共有表达部分和特有表达部分;
标签模块,用于使所述共有表达部分和特有表达部分与线性DCCA算法的输出层之间进行全连接,拟合PSG标签信号;
睡眠监测模块,用于基于所述人工经验特征池和PSG标签信号进行训练,获得睡眠监测模型,自动进行睡眠呼吸障碍监测。
第三方面,本发明提供多导睡眠监测仪,具有提高多导睡眠监测精度的特点。
本发明是通过以下技术方案得以实现的:
多导睡眠监测仪,包括,
信号采集模块,用于采集呼吸音、血氧饱和度、心电信号以及脑电信号,并过滤后输出;
信号处理模块,用于接收信号采集模块输出的信号并进行预处理,滤除接收信号的干扰成分;
嵌入式开发模块,用于执行上述的多导睡眠监测方法,控制所述信号采集模块并转发所述信号处理模块的输出信号至服务器。
通过采用上述技术方案,信号采集模块采集气管呼吸音、血氧饱和度信号、心电信号和脑电信号并过滤后输出,相比于现有的PSG检测参数大大减少,利于后续的信号处理效率;信号处理模块接收信号采集模块输出的信号并进行预处理,滤除接收信号的干扰成分,使得采集的气管呼吸音、血氧饱和度信号、心电信号和脑电信号更纯净,有利于提高后续检测分析结果的准确性;嵌入式开发模块执行上述的多导睡眠监测方法,控制信号采集模块并转发信号处理模块的输出信号至服务器,实现融合多模态数据,充分地发掘多模态信号之间的深层的非线性耦合关系,提高了不同模态人工经验特征潜在相关信息的利用率,也降低了启动阶段PSG标注数据量较小时深度学习网络过拟合的风险,能准确检测OSA AHI指数和预测并发症,提高了多导睡眠监测精度。
第四方面,本发明提供一种计算机设备,具有提高多导睡眠监测精度的特点。
本发明是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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多导睡眠监测方法的步骤。
第五方面,本发明提供一种计算机可读存储介质,具有提高多导睡眠监测精度的特点。
本发明是通过以下技术方案得以实现的:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述多导睡眠监测方法的步骤。
综上所述,本发明包括以下至少一种有益技术效果:
1、多导睡眠监测方法融合了多模态数据,以呼吸音联合血氧、脑电、心电来准确识别呼吸暂停及缺氧事件,充分地发掘多模态信号之间的深层的非线性耦合关系,提高了不同模态人工经验特征潜在相关信息的利用率,也降低了启动阶段PSG标注数据量较小时深度学习网络过拟合的风险,能准确检测OSA AHI指数和预测并发症,提高了多导睡眠监测精度,有效地提高了患者舒适度,减少操作难度;
2、训练睡眠监测模型的步骤简洁高效,剔除了冗余的生理参数,实现了简约准确的OSA和并发症预测;
3、去除呼吸音中的心音和睡姿变化伪迹,剔除了冗余的生理参数,提高了呼吸音的质量,有利于后续对OSA和并发症进行更精准的预测;
4、对PSG标签信号进行筛选,以约束PSG拟合误差,进而能用尽量少的模态特征获得尽量准确的OSA和并发症预测结果,提高检测精度;
5、更新模型时仅调整共有表达部分和特有表达部分与输出层之间的连接关系,以在大规模数据计算时提高计算效率,检测速度更快。
附图说明
图1是本发明其中一实施例多导睡眠监测方法的整体流程示意图。
图2是本发明训练睡眠监测模型的步骤流程图。
图3是本发明其中一实施例多导睡眠监测仪的结构框图。
图4是呼吸音的部分采集电路连接关系示意图。
图5是血氧饱和度信号的部分采集处理电路连接关系示意图。
图6是心电信号的部分采集电路连接关系示意图。
图7是嵌入式开发模块的工作状态图。
具体实施方式
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
现有的便携式睡眠呼吸监测设备,如鼻腔气流监测设备,无法捕捉口腔呼吸气流数据。针对睡觉时的口呼吸情况,鼻腔监测的气流数据不完备,会影响睡眠呼吸暂停的判断,而且在鼻腔出口安装热敏传感器,会影响睡眠舒适度,从而降低睡眠监测数据的准确性。
如非接触呼吸音监测设备,容易受到噪声的影响,无法准确捕捉睡眠呼吸音。该方法通过在床旁或枕边放置拾音器记录睡眠呼吸音,但是,睡眠呼吸音极其微弱,容易受到体动声等噪音的干扰,使得该设备检测呼吸暂停的准确度较低。
如血氧饱和度检测方法,由于轻度OSA病人在清醒期与睡眠期的SPO2(PulseOxygen Saturation脉搏氧气饱和度)水平,即血液循环系统中附着在血红蛋白细胞上的氧气量,并没有显著差异,因此无法判别轻度OSA。
如心电检测设备,易受运动伪迹的干扰,降低检测精度,且需要布置多个电极,使用不便。
目前,PSG设备或已有的移动睡眠呼吸监测设备均缺乏有效的信号检测和处理手段,导致睡眠呼吸监测设备的检测精度低,影响检测结果。
本发明以呼吸音联合血氧信号、脑电信号、心电信号来准确识别呼吸暂停及缺氧事件,融合多模态数据,发掘各模态睡眠呼吸数据之间潜在的相关性,获取多模态信号之间的深层的非线性耦合关系,提高了不同模态人工经验特征潜在相关信息的利用率,也降低了启动阶段PSG标注数据量较小时深度学习网络过拟合的风险,能准确检测OSA AHI指数和预测并发症,提高了多导睡眠监测精度。
下面结合说明书附图对本发明实施例作进一步详细描述。
参照图1,本发明实施例提供多导睡眠监测方法,包括以下步骤,
S1:构建基于气管呼吸音、血氧饱和度信号、心电信号和脑电信号的人工经验特征池;
S2:基于至少两种人工经验特征池的集合,构建深度非线性变换神经网络,并增加不同的人工经验特征池之间的重构连接;
S3:采用线性DCCA算法对不同的人工经验特征池进行分析,发掘不同的人工经验特征池之间的共有表达部分和特有表达部分;
S4:使共有表达部分和特有表达部分与线性DCCA算法的输出层之间进行全连接,拟合PSG标签信号;
S5:基于人工经验特征池和PSG标签信号进行训练,获得睡眠监测模型;
S6:批量更新睡眠监测模型,当调整后连接权重改变量较小时,仅调整共有表达部分和特有表达部分与输出层之间的连接关系;当调整后连接权重改变量较大时,重新更新模型的整个网络;
S7:基于采集的气管呼吸音、血氧饱和度信号、心电信号和脑电信号,睡眠监测模型自动进行睡眠呼吸障碍监测。
其中,S1:构建基于气管呼吸音、血氧饱和度信号、心电信号和脑电信号的人工经验特征池的具体内容如下。
气管呼吸音是对上呼吸道活动的直接反映。针对气管呼吸音,本实施例通过提取呼吸率/非呼吸率、最近呼吸事件持续时间、呼吸能量变化、平均能量值、梅尔倒谱系数等时频谱或包络线特征,构建气管呼吸音的人工经验特征池。
由于OSA会引起间歇性低氧,从而表现出血样饱和度下降及睡眠结构紊乱的症状。针对血氧饱和度信号,本实施例通过提取饱和度门限下累计时间(比如T90)、低于血氧饱和度门限的次数、血氧饱和度二阶、四阶统计量、血氧饱和度直方图、低频幅度峰值、能量谱密度、Lempel-Ziv复杂度、近似熵、集中趋势指数、光电血管容积图、血氧脉搏信号,提取脉率变化、脉间间隔、过零率等特征,构建基于血氧饱和度信号的人工经验特征池。
进一步地,为了使得采集的呼吸音信号更纯净,本实施例以血氧脉搏信号作为参考信号,通过自适应滤波去除心音,剔除了冗余的生理参数,提高了呼吸音的质量,有利于后续对OSA和并发症进行更精准的预测
同时,基于加速度传感器与陀螺仪获得睡眠过程中的体动数据,并将睡眠过程中的体动数据作为参考信号,滤除气管呼吸音中的睡姿变化伪迹,剔除了冗余的生理参数,提高了呼吸音的质量,有利于后续对OSA和并发症进行更精准的预测。
又因心电信号受心交感和副交感神经双重调节和相互制约的影响,而OSA患者的心交感神经和副交感神经活动增强,交感神经的活跃尤其明显;另外,呼吸会导致胸腔收缩与扩张,从而使胸部的电极会产生位移,并在心电信号中得到体现。基于以上两个生理背景,针对心电信号,本实施例通过提取RR间期均值、RR间期标准差、相邻窦性间期差值的标准差、TT间期均值、归一化低频段功率、归一化高频段功率、高低频功率比、心源性呼吸信号平均值、心源性呼吸信号标准差、心源性呼吸信号功率谱密度等特征,构建基于心电信号的人工经验特征池。
再者,OSA患者由于呼吸障碍,会导致觉醒或者频繁而短暂的微觉醒(快速眼动睡眠时期和非快速眼动睡眠时期),可借助其脑电信号判断出患者的睡眠状态,辅助呼吸强度以及血氧饱和度等信息,监测出呼吸暂停或低通气事件发生。基于以上生理背景,针对脑电信号,本实施例通过提取α波以及θ波的持续时间、高低频功率比、趋势波动分析系数、过零点、近似熵、Lempel-Ziv复杂度、频谱熵、峰值功率频率等特征,构建基于脑电信号的人工经验特征池。
本实施例以呼吸音联合血氧、脑电、心电来准确识别呼吸暂停及缺氧事件,同时,采集的信号相比于现有的PSG检测参数数量大大减少,利于后续的信号处理效率。
针对S2:基于至少两种人工经验特征池的集合,构建深度非线性变换神经网络,本实施例基于两种人工经验特征池的集合构建深度非线性变换神经网络,如基于气管呼吸音的人工经验特征池和血氧饱和度信号的人工经验特征池构建深度非线性变换神经网络。或者,通过气管呼吸音的人工经验特征池、血氧饱和度信号的人工经验特征池和心电信号的人工经验特征池构建深度非线性变换神经网络,并通过采用两两连接的方式在模型的潜在层进行扩展。本实施例中,深度非线性变换神经网络可以为受限玻尔兹曼机神经网络和自编码解码器神经网络等等,以寻找一组最佳深度非线性变换,使得变换后不同模态特征的潜在表示之间的线性相关性最大化,从而找出各模态特征之间的共同信息。
S2:增加不同的人工经验特征池之间的重构连接,以体现不同模态特征间的推断关系。
S3:采用线性DCCA算法对不同的人工经验特征池进行分析,发掘不同的人工经验特征池之间的共有表达部分和特有表达部分,以体现不同模态特征之间的共有和互补关系。本实施例通过线性DCCA算法,获得不同模态特征的潜在表示之间的线性相关性最大化信息,从而找出各模态特征之间的共同信息,得到了不同模态特征的共有部分和各异部分。
S4:使共有表达部分和特有表达部分与线性DCCA算法的输出层之间进行全连接,拟合PSG标签信号,以获取不同模态特征之间的共有和互补关系,发掘各模态睡眠呼吸数据之间潜在的相关性。
进一步地,针对拟合的PSG标签信号,预设不同的人工经验特征池之间的重构连接的权值和筛选条件,约束PSG拟合误差,进而能用尽量少的模态特征获得尽量准确的OSA和并发症预测结果,提高检测精度。本实施例中,以不同的人工经验特征池之间的重构连接的权值作为正则项,如预设权值为11,则筛选保留权值大于11的PSG标签信号。
参照图2,S5:基于人工经验特征池和PSG标签信号进行训练,获得睡眠监测模型的具体步骤描述如下。
本实施例中,睡眠监测模型的训练分为四个步骤。
S51:以PSG拟合偏差为代价函数,预先单独训练人工经验特征池所对应的网络连接。其中,PSG拟合偏差指PSG标签信号与预设值之间的差值。
S52:以最大化不同的人工经验特征池之间的相关性为目标函数,预先单独训练DCCA网络,此时需要输入各模态信号的特征,以学习各模态特征之间的不同层次的潜在的共同信息和各异信息。
S53:以不同的人工经验特征池之间相关性的重构误差为代价函数,调整不同的人工经验特征池之间相关性的连接权值。本实施例中,不同的人工经验特征池之间相关性信息位于深度学习模型的隐含层中,并通过人工经验设置连接权值的大小。
S54:以PSG标签信号与调整的连接权值之间的差值为目标函数,在模态分组稀疏约束下,联合优化人工经验特征池所对应的网络连接和DCCA网络。其中,PSG标签信号为最小化Wide&Deep模型的输出,调整的连接权值为预设的PSG诊断值,在模态分组稀疏约束下,联合优化人工经验特征池所对应的网络连接和DCCA网络,从而剔除冗余生理参数,实现简约准确的OSA与并发症预测。
睡眠监测模型训练的设计思路简洁高效,剔除了冗余的生理参数,能够实现简约准确的OSA和并发症预测。
进一步地,睡眠监测模型的更新采用批量更新的方法。随着数据规模的不断增加,当调整后连接权重改变量较小时,仅调整共有表达部分和特有表达部分与输出层之间的连接关系;当调整后连接权重改变量较大时,重新更新模型的整个网络,更新整个Wide&Deep网络的参数;进而提高了计算效率,使得更新检测速度更快。
在批量更新时,本实施例采用batch-normalization算法,以抑制由OSA特征的个体差异所带来的影响,以及采用dropout算法,缓解睡眠监测模型的过拟合现象,以提高睡眠监测模型的检测精度。
进而多导睡眠监测方法融合了多模态数据,以呼吸音联合血氧、脑电、心电来准确识别呼吸暂停及缺氧事件,充分地发掘多模态信号之间的深层的非线性耦合关系,提高了不同模态人工经验特征潜在相关信息的利用率,也降低了启动阶段PSG标注数据量较小时深度学习网络过拟合的风险,能准确检测OSA AHI指数和预测并发症,提高了多导睡眠监测精度,有效地提高了患者舒适度,减少操作难度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例还提供多导睡眠监测装置,包括:
人工经验特征池模块,用于构建基于气管呼吸音、血氧饱和度信号、心电信号和脑电信号的人工经验特征池;
神经网络模块,用于基于至少两种人工经验特征池的集合,构建深度非线性变换神经网络,并增加不同的人工经验特征池之间的重构连接;
耦合模块,用于采用线性DCCA算法对不同的人工经验特征池进行分析,发掘不同的人工经验特征池之间的共有表达部分和特有表达部分;
标签模块,用于使共有表达部分和特有表达部分与线性DCCA算法的输出层之间进行全连接,拟合PSG标签信号;
睡眠监测模块,用于基于人工经验特征池和PSG标签信号进行训练,获得睡眠监测模型,自动进行睡眠呼吸障碍监测。
参照图3,本发明实施例还提供多导睡眠监测仪,包括,
信号采集模块,用于采集呼吸音、体姿、血氧饱和度、心电信号以及脑电信号,并过滤后输出;
信号处理模块,连接于信号采集模块的输出端,用于接收信号采集模块输出的信号并进行预处理,滤除接收信号的干扰成分;
嵌入式开发模块,连接于信号处理模块的输出端,用于控制信号采集模块并转发信号处理模块的输出信号至服务器。
其中,信号采集模块包括用于采集高信噪比呼吸音、体姿采集、高灵敏血氧饱和度的基础功能模组和用于采集鲁棒心电信号和鲁棒脑电信号的拓展功能模组,信号采集模块与信号处理模块通过有线或无线连接。
基础功能模组通过加速度传感器、呼吸音采集模块和血氧饱和度采集模块,分别采集人体运动信号、气管呼吸音和血氧饱和度信号。其中,呼吸音采集模块可以为拾音器,血氧饱和度采集模块可以为血氧探头。
其中,加速度传感器和拾音器采用MEMS技术高度集成在一起,采用一至两个薄膜贴片放置在颈部。拾音器采用MEMS电容式声音传感器,其频带覆盖了呼吸音,可保证微弱的声音信号在此空间内不失真;低频部份失真度小,更加贴近气管呼吸音的频率要求;模拟放大滤波部分电路采用低漂移、高共模抑制比的精密仪器运放,可对拾音器的毫伏范围内的信号进行可变增益放大、滤波;模拟滤波器有能够快速滤波的电路,信号的输出与输入几乎同步地功能;能够利用这些优势获取高质量的呼吸音信号用于数据分析,使得采集的呼吸音具有较高的灵敏度、带宽及共模抑制比。
加速度传感器与9轴陀螺仪集成,采集人体睡眠过程中的体姿变化,用于去除呼吸音中的运动伪迹。
由于人的睡姿/运动状态改变会影响呼吸音的振幅,给呼吸音带来很大的干扰,所以此时的呼吸音信号不能直接用于分析。通过在薄膜贴片上增加体动传感器,用于检测病人的运动状态,结合病人的运动状态对呼吸音信号进行处理,提高呼吸音信号的质量。另外,呼吸音的频率范围包含了心音的频率范围,所以需要利用硬件配合软件算法来分离呼吸音与心音。两种传感器集成于一个电极片上,提高了使用的便捷性,也给病人带来更良好的用户体验。
血氧探头测量SPO2,依据SPO2的变化推断AHI。呼吸暂停低通气引起的血氧饱和度变化,对于OSA的诊断取得很好的效果。对于低通气引起的血氧饱和度变化对某些病人变化并不明显,数值存在滞后的情况;有研究表明,部分患者呼吸暂停与血氧饱和度降低并不完全平行。但可以通过分析人睡眠时血氧的变化的趋势,综合气管呼吸音来诊断病情。
拓展功能模组包括心电导联电极和脑电导联电极,以采集人体心电(ECG)和脑电(EEG),获取心率、R-R峰间隔、频谱能量、复杂度等信息。
其中,人体脑电是大脑在活动时,大量神经元同步发生的突触后电位经总和后形成的,使用电生理指标可记录大脑活动。一般在人体表皮能够采集到的信号一般是uV级别的,容易受到肌电以及眼电的干扰,再加上50Hz的工频干扰,使得脑电信号的测量条件非常复杂。
信号处理模块包括放大低通滤波模块、放大滤波模块、缓冲级低通滤波模块、信号解调检波模块、前级差分放大模块、带通滤波模块、放大模块和电平调节模块。
进一步地,加速度传感器的输出端连接去除运动伪迹及心音干扰模块,呼吸音采集模块的输出端经放大低通滤波模块连接去除运动伪迹及心音干扰模块,去除运动伪迹及心音干扰模块的输出端连接分析模块和上传模块,血氧饱和度采集模块的输出端连接放大滤波模块,放大滤波模块的输出端与分析模块连接,分析模块的输出端和上传模块连接。
参照图4,呼吸音部分采集电路包括用于放大采集的呼吸音的前级放大模块A1、用于过滤和放大呼吸音的后级滤波放大模块B1。前级放大模块A1的输出端与后级滤波放大模块B1的输入端电性连接。具体的前级放大模块A1和后级滤波放大模块B1可参见图4所示,在此不再赘述。
参照图5,血氧饱和度信号部分采集处理电路包括血氧探头A2和单片机最小系统模块B2,血氧探头A2通过接口与单片机最小系统模块B2的输入端电性连接,单片机最小系统模块B2的输出端将处理后的血氧饱和度信号通过UART串口发送。具体的单片机最小系统模块B2可参见图5所示,在此不再赘述。
心电导联电极的输入端连接有驱动模块,心电导联电极的输出端依次与缓冲级低通滤波模块、前级差分放大模块、带通滤波模块、放大模块和电平调节模块连接,电平调节模块的输出端连接分析模块和上传模块,心电导联电极的输出端还与信号解调检波模块连接,信号解调检波模块与放大模块连接。
参照图6,心电信号部分采集电路包括用于将采集的心电信号经差分后转换为单端信号并放大的信号处理模块A3、用于对心电信号进行滤波处理的带通滤波模块B3和用于对过滤的心电信号进行放大的后级放大保护模块C3。其中,信号处理模块A3的输出端与带通滤波模块B3的输入端电性连接,带通滤波模块B3的输出端与后级放大保护模块C3的输入端电性连接。具体的信号处理模块A3、带通滤波模块B3和后级放大保护模块C3可参见图6所示,在此不再赘述。
脑电导联电极的输出端依次与缓冲级低通滤波模块、前级差分放大模块、50Hz陷波的带通滤波模块、放大模块和电平调节模块连接,前级差分放大模块的输出端与脑电导联电极连接。
拓展功能模组采集人体心电的同时,能够采集到人体胸廓呼吸运动,借助分析胸廓呼吸变化波形,能得到的心电信号以及呼吸波,以用于辅助脑电进行睡眠分析,进而能够对人们睡眠状态进行更精确地判断。拓展功能模组在基础功能模组的基础上,进一步提高了睡眠呼吸障碍的检测准确率。
又单导脑电的电极片个数很少,基本不会影响人们睡眠质量,进而有利于比较准确地分析当前的睡眠阶段。
进一步地,嵌入式开发模块包括分析模块、去除运动伪迹及心音干扰模块、睡眠监测模块和上传模块。嵌入式开发模块还包括串口数据来源模块、电源模块、网络模块、蓝牙模块、显示模块和按键模块。上传模块与服务器通讯连接,数据信息经上传模块转发至服务器。具体的嵌入式开发模块的结构图可参见图7,在此不再赘述。
本实施例中,基础功能模组和拓展功能模组安装于一个小型电池盒中,并通过导联电线引出,再贴上电极片,经网络上传至服务器,以支持医生对数据进行人工分析。
关于多导睡眠监测仪的具体限定可以参见上文中对于多导睡眠监测方法的限定,在此不再赘述。上述多导睡眠监测仪中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明使用基础功能模组采集气管呼吸音和血氧饱和度数据,以准确预测AHI,并兼顾良好的用户体验;同时,基础功能模组联合拓展功能模组采集气管呼吸音、血氧饱和度信号、心电信号和脑电信号数据;进一步地,本发明采用Wide&Deep一体化模型,将人工经验特征与深度特征学习相结合,一方面克服了不同模态人工经验特征潜在相关信息利用不足的缺点,另一方面降低了启动阶段PSG标注数据量较小时深度学习网络过拟合的风险,进而实现了近似PSG的全面的高精度的睡眠呼吸障碍监测功能,提高了多导睡眠监测仪的检测精度。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述多导睡眠监测方法。
在一个实施例中,提供了一种计算机可读存储介质,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,处理器执行计算机程序时实现以下步骤:
构建基于气管呼吸音、血氧饱和度信号、心电信号和脑电信号的人工经验特征池;
基于至少两种人工经验特征池的集合,构建深度非线性变换神经网络,并增加不同的人工经验特征池之间的重构连接;
采用线性DCCA算法对不同的人工经验特征池进行分析,发掘不同的人工经验特征池之间的共有表达部分和特有表达部分;
使共有表达部分和特有表达部分与线性DCCA算法的输出层之间进行全连接,拟合PSG标签信号;
基于人工经验特征池和PSG标签信号进行训练,获得睡眠监测模型;
基于采集的气管呼吸音、血氧饱和度信号、心电信号和脑电信号,睡眠监测模型自动进行睡眠呼吸障碍监测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
Claims (10)
1.多导睡眠监测方法,其特征在于,包括以下步骤:
构建基于气管呼吸音、血氧饱和度信号、心电信号和脑电信号的人工经验特征池;
基于至少两种所述人工经验特征池的集合,构建深度非线性变换神经网络,并增加不同的人工经验特征池之间的重构连接;
采用线性DCCA算法对不同的所述人工经验特征池进行分析,发掘不同的人工经验特征池之间的共有表达部分和特有表达部分;
使所述共有表达部分和特有表达部分与线性DCCA算法的输出层之间进行全连接,拟合PSG标签信号;
基于所述人工经验特征池和PSG标签信号进行训练,获得睡眠监测模型,包括,
以PSG拟合偏差为代价函数,预先单独训练所述人工经验特征池所对应的网络连接;
以最大化不同的人工经验特征池之间的相关性为目标函数,预先单独训练DCCA网络;
以不同的所述人工经验特征池之间相关性的重构误差为代价函数,调整不同的人工经验特征池之间相关性的连接权值;
以所述PSG标签信号与调整的连接权值之间的差值为目标函数,在模态分组稀疏约束下,联合优化人工经验特征池所对应的网络连接和DCCA网络;
基于采集的所述气管呼吸音、血氧饱和度信号、心电信号和脑电信号,睡眠监测模型自动进行睡眠呼吸障碍监测。
2.根据权利要求1所述的多导睡眠监测方法,其特征在于,所述构建气管呼吸音的人工经验特征池的步骤还包括:
以血氧脉搏信号作为参考信号,通过自适应滤波去除心音。
3.根据权利要求1所述的多导睡眠监测方法,其特征在于,所述构建气管呼吸音的人工经验特征池的步骤还包括:
基于加速度传感器与陀螺仪获得睡眠过程中的体动数据,并将睡眠过程中的体动数据作为参考信号,滤除气管呼吸音中的睡姿变化伪迹。
4.根据权利要求1所述的多导睡眠监测方法,其特征在于,所述深度非线性变换神经网络包括受限玻尔兹曼机神经网络和自编码解码器神经网络。
5.根据权利要求1所述的多导睡眠监测方法,其特征在于,基于所述PSG标签信号进行训练前,还包括:
预设不同的所述人工经验特征池之间的重构连接的权值,筛选保留大于预设权值的PSG标签信号。
6.根据权利要求1-5任一项所述的多导睡眠监测方法,其特征在于,还包括以下步骤:
批量更新所述睡眠监测模型,仅调整所述共有表达部分和特有表达部分与输出层之间的连接关系。
7.多导睡眠监测装置,其特征在于,包括:
人工经验特征池模块,用于构建基于气管呼吸音、血氧饱和度信号、心电信号和脑电信号的人工经验特征池;
神经网络模块,用于基于至少两种所述人工经验特征池的集合,构建深度非线性变换神经网络,并增加不同的人工经验特征池之间的重构连接;
耦合模块,用于采用线性DCCA算法对不同的所述人工经验特征池进行分析,发掘不同的人工经验特征池之间的共有表达部分和特有表达部分;
标签模块,用于使所述共有表达部分和特有表达部分与线性DCCA算法的输出层之间进行全连接,拟合PSG标签信号;
睡眠监测模块,用于基于所述人工经验特征池和PSG标签信号进行训练,获得睡眠监测模型,自动进行睡眠呼吸障碍监测,其中,训练步骤包括以PSG拟合偏差为代价函数,预先单独训练所述人工经验特征池所对应的网络连接;以最大化不同的人工经验特征池之间的相关性为目标函数,预先单独训练DCCA网络;以不同的所述人工经验特征池之间相关性的重构误差为代价函数,调整不同的人工经验特征池之间相关性的连接权值;以所述PSG标签信号与调整的连接权值之间的差值为目标函数,在模态分组稀疏约束下,联合优化人工经验特征池所对应的网络连接和DCCA网络。
8.多导睡眠监测仪,其特征在于,包括:
信号采集模块,用于采集呼吸音、血氧饱和度、心电信号以及脑电信号,并过滤后输出;
信号处理模块,用于接收信号采集模块输出的信号并进行预处理,滤除接收信号的干扰成分;
嵌入式开发模块,用于执行权利要求1-6任一项所述的多导睡眠监测方法,控制所述信号采集模块并转发所述信号处理模块的输出信号至服务器。
9.一种计算机设备,其特征在于,包括:存储器、处理器、以及存储在所述存储器中并可在所述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权利要求1-6任一项所述的多导睡眠监测方法的步骤。
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计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的多导睡眠监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110916967.4A CN113633260B (zh) | 2021-08-11 | 2021-08-11 | 多导睡眠监测方法、监测仪、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110916967.4A CN113633260B (zh) | 2021-08-11 | 2021-08-11 | 多导睡眠监测方法、监测仪、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113633260A CN113633260A (zh) | 2021-11-12 |
CN113633260B true CN113633260B (zh) | 2024-03-12 |
Family
ID=78420710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110916967.4A Active CN113633260B (zh) | 2021-08-11 | 2021-08-11 | 多导睡眠监测方法、监测仪、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113633260B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114391807B (zh) * | 2021-12-17 | 2023-12-19 | 珠海脉动时代健康科技有限公司 | 睡眠呼吸障碍分析方法、装置、设备及可读介质 |
CN114176542A (zh) * | 2021-12-24 | 2022-03-15 | 江西洪都航空工业集团有限责任公司 | 一种飞行员瞬间生理状态评估方法 |
CN115956884B (zh) * | 2023-02-14 | 2023-06-06 | 浙江强脑科技有限公司 | 一种睡眠状态和睡眠分期的监测方法、装置及终端设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6839581B1 (en) * | 2000-04-10 | 2005-01-04 | The Research Foundation Of State University Of New York | Method for detecting Cheyne-Stokes respiration in patients with congestive heart failure |
WO2018052407A2 (en) * | 2016-09-14 | 2018-03-22 | Dymedix Corporation | Screening system for assessing sleep abnormalities |
CN109497988A (zh) * | 2018-12-13 | 2019-03-22 | 复旦大学 | 用于家庭睡眠监测领域的多模态生理电信号监护系统 |
CN109745000A (zh) * | 2017-11-07 | 2019-05-14 | 南京大学 | 一种基于神经网络的全自动婴儿睡眠分期系统 |
CN209712905U (zh) * | 2018-12-13 | 2019-12-03 | 复旦大学 | 用于家庭睡眠监测的便携式多模态生理电信号监护系统 |
CN110801221A (zh) * | 2019-12-09 | 2020-02-18 | 中山大学 | 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备 |
CN110811558A (zh) * | 2019-11-18 | 2020-02-21 | 郑州大学 | 基于深度学习的睡眠觉醒分析方法 |
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 |
CN111292851A (zh) * | 2020-02-27 | 2020-06-16 | 平安医疗健康管理股份有限公司 | 数据分类方法、装置、计算机设备和存储介质 |
CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
-
2021
- 2021-08-11 CN CN202110916967.4A patent/CN113633260B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6839581B1 (en) * | 2000-04-10 | 2005-01-04 | The Research Foundation Of State University Of New York | Method for detecting Cheyne-Stokes respiration in patients with congestive heart failure |
WO2018052407A2 (en) * | 2016-09-14 | 2018-03-22 | Dymedix Corporation | Screening system for assessing sleep abnormalities |
CN109745000A (zh) * | 2017-11-07 | 2019-05-14 | 南京大学 | 一种基于神经网络的全自动婴儿睡眠分期系统 |
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 |
CN109497988A (zh) * | 2018-12-13 | 2019-03-22 | 复旦大学 | 用于家庭睡眠监测领域的多模态生理电信号监护系统 |
CN209712905U (zh) * | 2018-12-13 | 2019-12-03 | 复旦大学 | 用于家庭睡眠监测的便携式多模态生理电信号监护系统 |
CN110811558A (zh) * | 2019-11-18 | 2020-02-21 | 郑州大学 | 基于深度学习的睡眠觉醒分析方法 |
CN110801221A (zh) * | 2019-12-09 | 2020-02-18 | 中山大学 | 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备 |
CN111292851A (zh) * | 2020-02-27 | 2020-06-16 | 平安医疗健康管理股份有限公司 | 数据分类方法、装置、计算机设备和存储介质 |
CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113633260A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113633260B (zh) | 多导睡眠监测方法、监测仪、计算机设备及可读存储介质 | |
WO2019161607A1 (zh) | 心电信息动态监护方法和动态监护系统 | |
CN104257368A (zh) | 一种睡眠监测及筛查阻塞性睡眠呼吸暂停综合症的装置 | |
Bozkurt et al. | Detection of abnormal respiratory events with single channel ECG and hybrid machine learning model in patients with obstructive sleep apnea | |
CN104257353A (zh) | 一种睡眠呼吸暂停综合症检测系统 | |
WO2020187109A1 (zh) | 一种用户睡眠检测方法及系统 | |
WO2018120643A1 (zh) | 生理监测结果的反馈方法及装置 | |
CN102579020A (zh) | 一种基于压电电缆传感器的呼吸和心跳监测系统 | |
CN113317794B (zh) | 一种生命体征分析方法与系统 | |
CN113243890B (zh) | 睡眠呼吸暂停综合症识别装置 | |
JP6710636B2 (ja) | 生体信号の局所的収集、生体電気信号に基づく発話補助インターフェース内のカーソル制御、および生体電気信号に基づく覚醒検出 | |
CN104799849A (zh) | 一种便携式的睡眠呼吸暂停综合症监测方法与装置 | |
CN110477887A (zh) | 一种非入侵式长程呼吸暂停综合征的监测装置 | |
Shouldice et al. | Real time breathing rate estimation from a non contact biosensor | |
CN107569212B (zh) | 一种基于心率检测呼吸睡眠暂停综合征的设备和系统 | |
Gong et al. | Design and implementation of wearable dynamic electrocardiograph real-time monitoring terminal | |
CN111639693A (zh) | 一种用于睡姿监测的系统及方法 | |
TWM585969U (zh) | 結合智慧床組的健康管理系統 | |
TWI777650B (zh) | 基於心跳間隔下降率分組之呼吸暫停與不足事件偵測方法 | |
Oh et al. | Ubiquitous health monitoring system for diagnosis of sleep apnea with Zigbee network and wireless LAN | |
CN115349821A (zh) | 一种基于多模态生理信号融合的睡眠分期方法及系统 | |
CN113662519A (zh) | 一种非接触式心肺监测仪及心肺监测系统 | |
Sanchez-Perez et al. | Enabling Continuous Breathing-Phase Contextualization via Wearable-based Impedance Pneumography and Lung Sounds: A Feasibility Study | |
Locharla et al. | EEG-based deep learning neural net for apnea detection | |
Ying et al. | A novel in-home sleep monitoring system based on fully integrated multichannel front-end chip and its multilevel analyses |
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 |