CN113749620A - 一种睡眠呼吸暂停检测方法、系统、设备及存储介质 - Google Patents
一种睡眠呼吸暂停检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113749620A CN113749620A CN202111133673.0A CN202111133673A CN113749620A CN 113749620 A CN113749620 A CN 113749620A CN 202111133673 A CN202111133673 A CN 202111133673A CN 113749620 A CN113749620 A CN 113749620A
- Authority
- CN
- China
- Prior art keywords
- sleep apnea
- respiration sound
- tracheal respiration
- envelope
- tracheal
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 102
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 70
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 110
- 230000005236 sound signal Effects 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 17
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 208000001797 obstructive sleep apnea Diseases 0.000 description 49
- 230000000241 respiratory effect Effects 0.000 description 13
- 210000003437 trachea Anatomy 0.000 description 9
- 208000008784 apnea Diseases 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 230000009747 swallowing Effects 0.000 description 2
- 230000000152 swallowing effect Effects 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 206010008132 Cerebral thrombosis Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 201000001429 Intracranial Thrombosis Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 238000012360 testing method Methods 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (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)
Abstract
本申请涉及睡眠监测技术领域,旨在提供一种睡眠呼吸暂停检测方法、系统、设备及存储介质,其方法包括基于峭度的原始气管呼吸音信号异常值消除与随机修复;去除原始气管呼吸音信号中的异常值;获取第一包络线;计算第一包络线的均值,将第一包络线中低于均值且持续时间超过预设时间的部分,作为可能出现OSA的第一时间片段;获得第二包络线;预设初始阈值,并基于改进的大律法,求得最佳阈值;使第二包络线中低于最佳阈值且持续时间超过预设时间的部分,作为OSA事件的第二时间片段,同时,记录第二时间片段的起始点与终止点。解决了通过睡眠时呼吸状况判断方法判别睡眠呼吸暂停事件时,存在有检测精度低的问题。本申请具有提高睡眠呼吸暂停事件检测精度的效果。
Description
技术领域
本申请涉及睡眠监测技术领域,尤其是涉及一种睡眠呼吸暂停检测方法、系统、设备及存储介质。
背景技术
OSA(Obstructive sleep apnea阻塞性睡眠呼吸暂停)是一种常见的睡眠障碍疾病,严重危害健康,可导致高血压、冠心病、糖尿病和脑血栓等多种并发症。睡眠时呼吸状况的准确判断依赖于对呼吸气流的检测。
目前,已有的呼吸气流检测方法主要将热敏、湿敏或压电传感器放置于鼻孔下方以及口部,来检测口鼻气流。但这种方法舒适度差,影响被测者的睡眠,易受环境温度、湿度影响,影响检测精度,且消毒和存储复杂,使用不便。还有,通过检测待测对象喉部震动信号、通过采集患者颈部的气管呼吸声、通过检测受试者的胸、腹呼吸信号和对应的血氧饱和度等方法来判别睡眠呼吸暂停事件。但是上述方法无法去除患者在吞口水或其他身体运动过程中,对喉咙部位震动信号或者颈部的气管呼吸信号或胸、腹呼吸信号和对应的血氧饱和度造成的干扰,且不能很好地适应个体差异,严重影响睡眠呼吸暂停的检测精度。
针对上述中的相关技术,发明人认为通过睡眠时呼吸状况判断方法判别睡眠呼吸暂停事件时,存在有检测精度低的缺陷。
发明内容
为了提高睡眠呼吸暂停事件的检测精度,本申请提供了一种睡眠呼吸暂停检测方法、系统、设备及存储介质。
第一方面,本申请提供一种睡眠呼吸暂停检测方法,具有提高睡眠呼吸暂停事件检测精度的特点。
本申请是通过以下技术方案得以实现的:
一种睡眠呼吸暂停检测方法,包括以下步骤:
获取原始气管呼吸音信号;
对所述原始气管呼吸音信号进行预处理,去除所述原始气管呼吸音信号中的异常值,获得目标信号;
基于所述目标信号取绝对值并进行遍历,以获取第一包络线;
计算所述第一包络线的均值,将所述第一包络线中低于所述均值且持续时间超过预设时间的部分,作为可能出现OSA的第一时间片段;
取所述第一时间片段的自然对数,获得第二包络线;
预设初始阈值,并基于改进的大律法,求得最佳阈值;
使所述第二包络线中低于所述最佳阈值且持续时间超过预设时间的部分,作为OSA事件的第二时间片段,同时,记录所述第二时间片段的起始点与终止点,作为OSA事件的起止点。
通过采用上述技术方案,对获取的原始气管呼吸音信号进行预处理,去除异常值,以获得目标信号,因异常值多为采集电路中的噪声以及被试者吞咽动作引起的伪迹,若不对异常值做处理,会直接影响后续OSA阈值的选取而不利于准确检测气管呼吸音信号;基于目标信号取绝对值并进行遍历,以获取第一包络线,计算第一包络线的均值,将第一包络线中低于均值且持续时间超过预设时间的部分,作为可能出现OSA的第一时间片段,以估计可能出现OSA的时间片段,确定出现OSA的大致区域;取第一时间片段的自然对数,获得第二包络线,预设初始阈值,并基于改进的大律法,求得最佳阈值,使第二包络线中低于最佳阈值且持续时间超过预设时间的部分,作为OSA事件的第二时间片段,同时,记录第二时间片段的起始点与终止点,作为OSA事件的起止点,进而使用改进的大律法,以获得较准确的阈值,使得OSA时段起止点的判定更精准;故一种睡眠呼吸暂停检测方法基于异常值去除与改进的大津法配合,可以有效降低OSA事件检测的误检率与漏检率,并显著降低OSA时段起止点检测的误差,提高了基于气管呼吸音的睡眠呼吸暂停事件的检测精度。
本申请在一较佳示例中可以进一步配置为:所述预设初始阈值,并基于改进的大律法,求得最佳阈值的步骤包括:
在所述第二包络线中,使大于等于所述初始阈值的数值形成集合B,使小于所述初始阈值的数值形成集合A;
在所提出的改进大律法的分母计算中,进行所述集合A和所述集合B的幅值的分位数间隔的平方计算,在大津法的分子计算中,进行所述集合A和所述集合B的分布之间Wasserstein距离的近似估计;
当所提出的改进大律法的计算结果达到最大值时,所对应的阈值,作为最佳阈值。
通过采用上述技术方案,经过初始阈值划分之后,集合A和集合B的幅值呈长尾分布,不服从高斯分布,若呈长尾分布的数据使用经典大津法计算,往往会获得较小的阈值,导致OSA时段起止点的判定出现偏差,而基于改进的大律法,将大津法分母计算中集合A、集合B幅值的方差变换为集合A、集合B幅值的分位数间隔的平方计算,将大津法分子计算中集合A、集合B幅值的均值之差的平方变换为集合A、集合B的分布之间Wasserstein距离的近似估计,进而当大律法的计算结果达到最大值时,所对应的阈值作为最佳阈值,以获得较准确的最佳阈值,使得OSA时段起止点的判定更精准。
本申请在一较佳示例中可以进一步配置为:去除所述原始气管呼吸音信号中的异常值的步骤包括:
基于峭度,利用滑动窗对所述原始气管呼吸音信号进行遍历,并计算滑动窗内原始气管呼吸音信号的峭度;
当峭度大于预设阈值时,获取原始气管呼吸音信号振幅最大的1%的点,并随机抽取所述滑动窗内剩余原始气管呼吸音信号的振幅来替换已获取的所述点的振幅;
反复迭代,直至峭度小于预设阈值。
通过采用上述技术方案,基于峭度,利用滑动窗对原始气管呼吸音信号进行遍历,并计算滑动窗内原始气管呼吸音信号的峭度,获取原始气管呼吸音信号振幅最大的1%的点,并随机抽取滑动窗内剩余原始气管呼吸音信号的振幅来替换已获取的点的振幅,反复迭代,直至峭度小于预设阈值,以去除原始气管呼吸音信号中的异常值,对异常值做处理,避免影响后续OSA阈值的选取,有利于准确检测气管呼吸音信号。
本申请在一较佳示例中可以进一步配置为:基于所述目标信号取绝对值并进行遍历,以获取第一包络线的步骤包括:
利用所述滑动窗对所述目标信号进行遍历,使各滑动窗内数据的均值形成集合M,所述滑动窗内数据的均值所对应的索引形成集合I;
基于所述集合M和所述集合I进行三次插值,得到第一包络线。
通过采用上述技术方案,利用滑动窗对目标信号进行遍历,使各滑动窗内数据的均值形成集合M,滑动窗内数据的均值所对应的索引形成集合I,基于集合M和集合I进行三次插值,得到第一包络线,以便于进行后续估计可能出现OSA的时间片段的操作,以确定出现OSA的大致区域。
本申请在一较佳示例中可以进一步配置为:所述集合A和所述集合B的分布之间Wasserstein距离的近似估计包括所述集合A和所述集合B幅值的各个分位数的差方和计算。
通过采用上述技术方案,集合A、集合B的分布之间Wasserstein距离的近似估计即为集合A和集合B幅值的各个分位数的差方和计算,以获得改进的大律法的分子计算结果。
本申请在一较佳示例中可以进一步配置为:对所述原始气管呼吸音信号进行预处理的步骤还包括:先使用滤波器对所述原始气管呼吸音信号进行滤波处理后,再去除所述原始气管呼吸音信号中的异常值。
通过采用上述技术方案,先使用滤波器对原始气管呼吸音信号进行滤波处理后,再去除原始气管呼吸音信号中的异常值,以过滤原始气管呼吸音信号中的高频环境噪声和工频干扰,有利于提高检测气管呼吸音的检测精度。
第二方面,本申请提供一种睡眠呼吸暂停检测系统,具有提高睡眠呼吸暂停事件检测精度的特点。
本申请是通过以下技术方案得以实现的:
一种睡眠呼吸暂停检测系统,应用上述的睡眠呼吸暂停检测方法,包括:
气管呼吸音采集模块,用于采集气管呼吸音信号;
数据分析模块,用于接收和存储所述气管呼吸音采集模块发送的气管呼吸音信号,对采集到的气管呼吸音信号进行分析。
通过采用上述技术方案,气管呼吸音采集模块采集气管呼吸音信号,数据分析模块接收和存储气管呼吸音采集模块发送的气管呼吸音信号,应用上述的睡眠呼吸暂停检测方法,对采集到的气管呼吸音信号进行分析,故一种睡眠呼吸暂停检测系统基于异常值去除与改进的大津法配合,可以有效降低OSA事件检测的误检率与漏检率,并显著降低OSA时段起止点检测的误差,提高了基于气管呼吸音的睡眠呼吸暂停事件的检测精度。
本申请在一较佳示例中可以进一步配置为:所述数据分析模块包括:
发送控制子模块,用于接收气管呼吸音采集模块发送的气管呼吸音数据并发送;
分析计算子模块,用于接收发送控制子模块的数据,并应用上述的睡眠呼吸暂停检测方法,对气管呼吸音数据进行睡眠呼吸暂停判别检测;
储存子模块,用于接收分析计算子模块输出的检测数据,存储待测对象的生理数据及处理结果。
通过采用上述技术方案,发送控制子模块接收气管呼吸音采集模块发送的气管呼吸音数据,分析计算子模块接收发送控制子模块的数据,并应用上述的睡眠呼吸暂停检测方法,对气管呼吸音数据进行睡眠呼吸暂停判别检测,储存子模块接收分析计算子模块输出的检测数据,存储待测对象的生理数据及处理结果;以有效降低OSA事件检测的误检率与漏检率,并显著降低OSA时段起止点检测的误差,提高了基于气管呼吸音的睡眠呼吸暂停事件的检测精度。
第三方面,本申请提供一种计算机设备,具有提高睡眠呼吸暂停事件检测精度的特点。
本申请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睡眠呼吸暂停检测方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,具有提高睡眠呼吸暂停事件检测精度的特点。
本申请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睡眠呼吸暂停检测方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1、一种睡眠呼吸暂停检测方法基于异常值去除与改进的大津法配合,可以有效降低OSA事件检测的误检率与漏检率,并显著降低OSA时段起止点检测的误差,提高了基于气管呼吸音的睡眠呼吸暂停事件的检测精度;
2、基于改进的大律法,将大津法分母计算中集合A、集合B幅值的方差变换为集合A、集合B幅值的分位数间隔的平方计算,将大津法分子计算中集合A、集合B幅值的均值之差的平方变换为集合A、集合B的分布之间Wasserstein距离的近似估计,以获得较准确的最佳阈值,使得OSA时段起止点的判定更精准;
3、基于峭度,利用滑动窗对原始气管呼吸音信号进行遍历,并计算滑动窗内原始气管呼吸音信号的峭度,替换已获取的点的振幅,反复迭代,直至峭度小于预设阈值,以去除原始气管呼吸音信号中的异常值,对异常值做处理,避免影响后续OSA阈值的选取,有利于准确检测气管呼吸音信号;
4、利用滑动窗对目标信号进行遍历,使各滑动窗内数据的均值形成集合M,滑动窗内数据的均值所对应的索引形成集合I,基于集合M和集合I进行三次插值,得到第一包络线,以便于进行后续估计可能出现OSA的时间片段的操作,以确定出现OSA的大致区域;
5、使用滤波器对原始气管呼吸音信号进行滤波处理后,以过滤原始气管呼吸音信号中的高频环境噪声和工频干扰,有利于提高检测气管呼吸音的检测精度。
附图说明
图1是本申请其中一实施例一种睡眠呼吸暂停检测方法的流程示意图。
图2是去除原始气管呼吸音信号中异常值的流程图。
图3是基于目标信号取绝对值并进行遍历,获取第一包络线的流程图。
图4是基于改进的大律法,求最佳阈值的步骤。
图5是本申请其中一实施例一种睡眠呼吸暂停检测系统的结构框图。
具体实施方式
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,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,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
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。
目前已有的呼吸气流检测方法主要将热敏、湿敏或压电传感器放置于鼻孔下方以及口部,来检测口鼻气流。但这种方法舒适度差,影响被测者睡眠,易受环境温度、湿度影响,且消毒和存储复杂,使用不便。
现有的通过采集患者颈部的气管呼吸声,来分析患者睡眠期间的呼吸强度变化,根据患者呼吸信号的包络线特征确定呼吸阈值,从而判别呼吸暂停事件。但这种方法容易受到吞咽或肢体运动所引起的尖峰伪迹的干扰。当这些干扰出现在OSA时段,所获得的信号包络线将显著凸起超过预设阈值,导致对OSA时长的估计值偏小,从而出现漏检;同时,这种方法根据个体呼吸幅值特征来计算,严重依赖人工经验参数的设置,并不能很好地适应气管呼吸音强度个体差异。
现有的通过检测受试者的胸、腹呼吸信号和对应的血氧饱和度来确定患者呼吸状态的睡眠呼吸事件的方法中,通过阈值设定模块设定受试者的呼吸阈值,判断受试者睡眠呼吸暂停结果。但这种方法根据个体呼吸幅值特征来计算,严重依赖人工经验参数的设置,并不能很好地适应气管呼吸音强度个体差异;同时,通过采集胸、腹腔呼吸运动信号来监测患者的夜间睡眠呼吸状态时,因设备采集信号分辨率不高、信噪比低等原因,难以得到清晰的呼吸音信号;部署胸腹带等检测设备时,会严重影响患者的睡眠质量,难以保证患者睡眠呼吸检测的准确性。
现有的通过检测待测对象喉部震动信号来判别睡眠呼吸暂停的方法,通过采集喉部震动信号来监测患者的夜间睡眠呼吸状态。但因设备采集信号分辨率不高、信噪比低等原因,难以得到清晰的呼吸音信号;同时,部署检测设备时,会严重影响患者的睡眠质量,难以保证患者睡眠呼吸检测的准确性。
下面结合说明书附图对本申请实施例作进一步详细描述。
参照图1,本申请实施例提供一种睡眠呼吸暂停检测方法,所述方法的主要步骤描述如下。
S1:获取原始气管呼吸音信号;
S2:对原始气管呼吸音信号进行预处理,去除原始气管呼吸音信号中的异常值,获得目标信号;
S3:基于目标信号取绝对值并进行遍历,以获取第一包络线;
S4:计算第一包络线的均值,将第一包络线中低于均值且持续时间超过预设时间的部分,作为可能出现OSA的第一时间片段;
S5:取第一时间片段的自然对数,获得第二包络线;
S6:预设初始阈值,并基于改进的大律法,求得最佳阈值;
S7:使第二包络线中低于最佳阈值且持续时间超过预设时间的部分,作为OSA事件的第二时间片段,同时,记录第二时间片段的起始点与终止点,作为OSA事件的起止点。
其中,S2:对原始气管呼吸音信号进行预处理的步骤包括:先使用滤波器对原始气管呼吸音信号进行滤波处理后,再去除原始气管呼吸音信号中的异常值。
本实施例中,使用200Hz-2000Hz的FIR带通滤波器对原始气管呼吸音信号进行滤波处理,去除原始信号中的高频环境噪声和工频干扰,获取初始气管呼吸音信号Y(t)。
参照图2,进一步地,S2:去除原始气管呼吸音信号中的异常值的步骤包括:
S21:基于峭度,利用滑动窗对原始气管呼吸音信号进行遍历,并计算滑动窗内原始气管呼吸音信号的峭度;
S22:当峭度大于预设阈值时,获取原始气管呼吸音信号振幅最大的1%的点,并随机抽取滑动窗内剩余原始气管呼吸音信号的振幅来替换已获取的点的振幅;
S23:反复迭代,直至峭度小于预设阈值。
本实施例中,基于峭度去除初始气管呼吸音信号Y(t)中绝对值较大的异常值,以得到目标信号X(t)。具体地,峭度的计算如下
kurt=E(x-μ)4/σ4 (1)
其中,μ为x的均值,σ为x的标准差,x为需要计算峭度的采样点集合。本申请所使用的滑动窗的窗长为0.25秒,步进为0.25秒。
去除异常值时,首先,利用滑动窗对初始气管呼吸音信号Y(t)进行遍历,并利用公式(1)计算滑动窗内信号的峭度。
当峭度大于预设阈值时,则将信号振幅最大的1%的点挑出来,并随机抽取滑动窗内剩余采样点的振幅来替换所挑出点的振幅。本申请设置的预设阈值可以为7。
从挑出点的振幅最大的1%的点中继续挑选,并随机抽取滑动窗内剩余采样点的振幅来替换所挑出点的振幅,如此反复迭代,直到峭度小于设定阈值时,则停止操作。本申请中,当峭度小于3时,停止操作。
异常值多为采集电路噪声以及被试者吞咽动作引起的伪迹,若不对异常值做处理,会直接影响后续OSA阈值的选取。
综上,本申请利用含有大幅尖峰伪迹的呼吸音数据具有较强的超高斯性这一特点,基于峭度去除异常值,通过滑动窗遍历整段信号,同时计算滑动窗内信号的峭度。若计算出的峭度超过预设阈值时,则将信号振幅最大的1%的点挑出来,并随机抽取滑动窗内剩余采样点的振幅来替换所挑出点的振幅,如此反复迭代,直到峭度小于设定阈值时,则停止操作。
参照图3,进一步地,S3:基于目标信号取绝对值并进行遍历,以获取第一包络线的步骤包括:
S31:利用滑动窗对目标信号进行遍历,使各滑动窗内数据的均值形成集合M,滑动窗内数据的均值所对应的索引形成集合I;
S32:基于集合M和集合I进行三次插值,得到第一包络线。
具体地,首先对目标信号X(t)取绝对值,并利用上述步骤使用的滑动窗对目标信号X(t)进行遍历,得到两个集合M与I。其中,集合M为各滑动窗内数据的均值,集合I为均值所对应的索引。
基于集合M和集合I进行三次插值运算,得到初始包络线E。
对初始包络线E取绝对值,并进行平滑处理得到曲线E1,曲线E1即为第一包络线E1。
计算第一包络线E1的均值,将第一包络线E1中低于均值且持续时间超过预设时间的部分,作为可能出现呼吸暂停的片段,以估计可能出现OSA的第一时间片段。本申请中,预设时间可以为10秒。
参照图4,进一步地,S6:预设初始阈值,并基于改进的大律法,求得最佳阈值的步骤包括:
S61:在第二包络线中,使大于等于初始阈值的数值形成集合B,使小于初始阈值的数值形成集合A;
S62:在所提出的改进大律法的分母计算中,进行集合A和集合B幅值的分位数间隔的平方计算,在大津法的分子计算中,进行集合A和集合B的分布之间Wasserstein距离的近似估计;
S63:当所提出的改进大律法的计算结果达到最大值时,所对应的阈值,作为最佳阈值。
Wasserstein距离又叫Earth-Mover距离(EM距离),用于衡量两个分布之间的距离。
其中,进行集合A和集合B的分布之间Wasserstein距离的近似估计包括集合A和集合B幅值的各个分位数的差方和计算。
具体地,将预估的可能出现OSA的时间片段,即将E1曲线中低于均值且持续时间超过预设时间的片段带入公式(2)得到第二包络线E2。公式(2)描述如下:
E2=ln(E1) (2)
再预设呼吸事件与呼吸暂停事件的阈值,例如设置为th,将第二包络线E2中数值大于等于th的点放入集合B,小于th的点放入集合A。经过阈值划分之后,集合A和集合B的幅值不服从高斯分布,而是呈长尾分布。
接着将th、A和B带入公式(3)中,以计算出K。
其中,b5、b25、b50、b75、b95分别为集合B的5%分位数、四分之一分位数、中位数、四分之三分位数和95%分位数;a5、a25、a50、a75、a95分别为集合A的5%分位数、四分之一分位数、中位数、四分之三分位数和95%分位数;分子为集合B与集合A的5%分位数至95%分位数的差方和。
当K取得最大值时,所对应的th为呼吸事件与呼吸暂停事件的最佳阈值。
将第二包络线E2中低于最佳阈值并持续时间超过预设时间的片段,作为OSA事件的第二时间片段,并判断为呼吸暂停事件,同时记录暂停事件的起始点与终止点。本申请中,第二包络线E2中低于最佳阈值并持续时间超过10秒的片段判断为呼吸暂停事件。
本实施例中,判定单次OSA事件漏检与误检的阈值标准是起始点与终止点的检测偏差之和不超过3秒。th的备选值还可以为E2幅值的2%,4%,6%,…,98%分位数。
本申请将大津法分母计算中集合A、集合B幅值的方差改为分位数间隔的平方;将大津法分子计算中集合A、集合B幅值的均值之差的平方改为各个分位数的差方和,该分子实质是集合A、B的分布之间的Wasserstein距离的近似估计。
进一步地,通过实验获得:
表1.OSA检测结果比较
即基于异常值去除与改进的大津法,能避免对集合A和集合B的对方差较大的长尾分布数据使用经典大津法时,因往往会获得较小的阈值,而导致OSA时段起止点的判定出现偏差的情况。
本申请基于顺序统计量的大津法,以自动设定呼吸音信号强度的阈值,实现OSA自适应检测。该方法是对经典大津法的改进,对长尾分布具有良好的鲁棒性。利用该方法能够根据不同个体气管呼吸音的强度,自适应地调节阈值,从而准确定位OSA片段。
进而一种睡眠呼吸暂停检测方法,基于异常值去除与改进的大津法配合,可以有效降低OSA事件检测的误检率与漏检率,并显著降低OSA时段起止点检测的误差,提高了基于气管呼吸音的睡眠呼吸暂停事件的检测精度。
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,而不应对本申请实施例的实施过程构成任何限定。
参照图5,本申请实施例还提供一种睡眠呼吸暂停检测系统,该一种睡眠呼吸暂停检测系统与上述实施例中一种睡眠呼吸暂停检测方法一一对应。该一种睡眠呼吸暂停检测系统包括:
气管呼吸音采集模块,用于采集气管呼吸音信号;
数据分析模块,用于接收和存储气管呼吸音采集模块发送的气管呼吸音信号,应用上述的睡眠呼吸暂停检测方法,对采集到的气管呼吸音信号进行分析。
其中,气管呼吸音采集模块包括:
固定在待测对象喉咙部位的采集子模块;
转化子模块,连接于采集子模块的输出端,用于将气管呼吸音信号转化为电信号;
滤波放大子模块,连接于麦克风的输出端,用于去除气管呼吸音电信号的高频噪声并放大。
具体地,采集子模块可以为拾音器,拾音器由吸音膜和腔体组成,在采集气管呼吸音的过程中,拾音器可用医用胶带固定在待测对象的喉咙部位。喉咙部位的具体位置可参考男性喉结左侧约0.5厘米处。
转化子模块可以为一驻极体硅麦克风,在采集过程中可通过医用胶带固定在腔体的背面小孔上,并使用长导电线与滤波放大子模块电连接,以将电信号传送给滤波放大子模块。
滤波放大子模块包括运算放大器、若干电容、若干电阻组成的滤波放大电路。其中,运算放大器可以为OPA2335精密运算放大器,具有高共模抑制比和低失调电压的优点。
滤波放大电路可去除电路中的高频噪声,保留原有的气管呼吸音信号;同时,可对滤波后的信号进行多级放大,放大倍数可以为18倍。
进一步地,数据分析模块包括:
发送控制子模块,用于接收气管呼吸音采集模块发送的气管呼吸音数据并发送;
分析计算子模块,用于接收发送控制子模块的数据,并应用上述的睡眠呼吸暂停检测方法,对气管呼吸音数据进行睡眠呼吸暂停判别检测;
储存子模块,用于接收分析计算子模块输出的检测数据,存储待测对象的生理数据及处理结果。
本实施例中,发送控制子模块包括STM32f407VET6核心芯片及其外围电路,发送控制子模块接收气管呼吸音采集模块发送的气管呼吸音数据后,按照既定的通信协议,通过TCP网络通信的方式发送给分析计算子模块。
分析计算子模块可选用一台个人计算机设备,在该计算机设备上部署上述的睡眠呼吸暂停检测方法,根据发送控制子模块发送的气管呼吸音数据进行睡眠呼吸暂停判别检测。
储存子模块可以为个人计算机的内部存储空间。
进一步地,一种睡眠呼吸暂停检测系统还包括:
人机交互模块,与数据分析模块电连接,用于存储待测对象的生理数据及处理结果,并显示出来。
本实施例中,人机交互模块可以为个人计算机自带显示屏。
人机交互模块方便医护人员翻看病人的历史监护数据和处理结果,从而可以令医护人员了解到病人的睡眠呼吸状态。
进一步地,一种睡眠呼吸暂停检测系统还包括:
供电模块,用于提供电源。
供电模块可选用16.8V的锂电池组,搭配各种线性稳压器、基准电压源芯片及其外围电路,以为气管呼吸音采集模块以及数据分析模块中的发送控制子模块供电。
故一种睡眠呼吸暂停检测系统通过在患者喉咙部位固定一个轻巧的拾音器以及高精度硅麦克风,实现患者原始气管呼吸音的采集;搭配上放大滤波的处理电路和数据处理芯片,去除环境高频噪声和工频噪声的干扰,同时,应用上述睡眠呼吸暂停检测方法,判别呼吸事件与呼吸暂停事件。
关于一种睡眠呼吸暂停检测系统的具体限定可以参见上文中对于一种睡眠呼吸暂停检测方法的限定,在此不再赘述。上述一种睡眠呼吸暂停检测系统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。
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一种睡眠呼吸暂停检测方法。
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:
获取原始气管呼吸音信号;
对原始气管呼吸音信号进行预处理,去除原始气管呼吸音信号中的异常值,获得目标信号;
基于目标信号取绝对值并进行遍历,以获取第一包络线;
计算第一包络线的均值,将第一包络线中低于均值且持续时间超过预设时间的部分,作为可能出现OSA的第一时间片段;
取第一时间片段的自然对数,获得第二包络线;
预设初始阈值,并基于改进的大律法,求得计算结果达到最大值时所对应的阈值,作为最佳阈值;
使第二包络线中低于最佳阈值且持续时间超过预设时间的部分,作为OSA事件的第二时间片段,同时,记录第二时间片段的起始点与终止点,作为OSA事件的起止点。
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,本申请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)
1.一种睡眠呼吸暂停检测方法,其特征在于,包括以下步骤:
获取原始气管呼吸音信号;
对所述原始气管呼吸音信号进行预处理,去除所述原始气管呼吸音信号中的异常值,获得目标信号;
基于所述目标信号取绝对值并进行遍历,以获取第一包络线;
计算所述第一包络线的均值,将所述第一包络线中低于所述均值且持续时间超过预设时间的部分,作为可能出现OSA的第一时间片段;
取所述第一时间片段的自然对数,获得第二包络线;
预设初始阈值,并基于改进的大律法,求得最佳阈值;
使所述第二包络线中低于所述最佳阈值且持续时间超过预设时间的部分,作为OSA事件的第二时间片段,同时,记录所述第二时间片段的起始点与终止点,作为OSA事件的起止点。
2.根据权利要求1所述的睡眠呼吸暂停检测方法,其特征在于,所述预设初始阈值,并基于改进的大律法,求得最佳阈值的步骤包括:
在所述第二包络线中,使大于等于所述初始阈值的数值形成集合B,使小于所述初始阈值的数值形成集合A;
在所提出的改进大律法的分母计算中,进行所述集合A和所述集合B的幅值的分位数间隔的平方计算,在大津法的分子计算中,进行所述集合A和所述集合B的分布之间Wasserstein距离的近似估计;
当所提出的改进大律法的计算结果达到最大值时,所对应的阈值,作为最佳阈值。
3.根据权利要求1所述的睡眠呼吸暂停检测方法,其特征在于,去除所述原始气管呼吸音信号中的异常值的步骤包括:
基于峭度,利用滑动窗对所述原始气管呼吸音信号进行遍历,并计算滑动窗内原始气管呼吸音信号的峭度;
当峭度大于预设阈值时,获取原始气管呼吸音信号振幅最大的1%的点,并随机抽取所述滑动窗内剩余原始气管呼吸音信号的振幅来替换已获取的点的振幅;
反复迭代,直至峭度小于预设阈值。
4.根据权利要求3所述的睡眠呼吸暂停检测方法,其特征在于,基于所述目标信号取绝对值并进行遍历,以获取第一包络线的步骤包括:
利用所述滑动窗对所述目标信号进行遍历,使各滑动窗内数据的均值形成集合M,所述滑动窗内数据的均值所对应的索引形成集合I;
基于所述集合M和所述集合I进行三次插值,得到第一包络线。
5.根据权利要求2所述的睡眠呼吸暂停检测方法,其特征在于,进行所述集合A和所述集合B的分布之间Wasserstein距离的近似估计包括所述集合A和所述集合B幅值的各个分位数的差方和计算。
6.根据权利要求1-5任意一项所述的睡眠呼吸暂停检测方法,其特征在于,对所述原始气管呼吸音信号进行预处理的步骤还包括:先使用滤波器对所述原始气管呼吸音信号进行滤波处理后,再去除所述原始气管呼吸音信号中的异常值。
7.一种睡眠呼吸暂停检测系统,其特征在于,应用权利要求1-6任意一项所述的睡眠呼吸暂停检测方法,包括:
气管呼吸音采集模块,用于采集气管呼吸音信号;
数据分析模块,用于接收和存储所述气管呼吸音采集模块发送的气管呼吸音信号,对采集到的气管呼吸音信号进行分析。
8.根据权利要求7所述的睡眠呼吸暂停检测系统,其特征在于,所述数据分析模块包括:
发送控制子模块,用于接收气管呼吸音采集模块发送的气管呼吸音数据并发送;
分析计算子模块,用于接收发送控制子模块的数据,并应用上述的睡眠呼吸暂停检测方法,对气管呼吸音数据进行睡眠呼吸暂停判别检测;
储存子模块,用于接收分析计算子模块输出的检测数据,存储待测对象的生理数据及处理结果。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现权利要求1-6任意一项所述方法的步骤。
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任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111133673.0A CN113749620B (zh) | 2021-09-27 | 2021-09-27 | 一种睡眠呼吸暂停检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111133673.0A CN113749620B (zh) | 2021-09-27 | 2021-09-27 | 一种睡眠呼吸暂停检测方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113749620A true CN113749620A (zh) | 2021-12-07 |
CN113749620B CN113749620B (zh) | 2024-03-12 |
Family
ID=78797601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111133673.0A Active CN113749620B (zh) | 2021-09-27 | 2021-09-27 | 一种睡眠呼吸暂停检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113749620B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4535473A (en) * | 1981-10-31 | 1985-08-13 | Tokyo Shibaura Denki Kabushiki Kaisha | Apparatus for detecting the duration of voice |
CN101327126A (zh) * | 2008-07-23 | 2008-12-24 | 天津大学 | 人体赤足迹形态学特征提取方法 |
CN104346067A (zh) * | 2013-11-15 | 2015-02-11 | 上海触乐信息科技有限公司 | 连续滑动输入单词的方法和系统 |
CN106409311A (zh) * | 2015-07-31 | 2017-02-15 | 阿里巴巴集团控股有限公司 | 副歌提取装置和方法 |
CN109932624A (zh) * | 2019-04-01 | 2019-06-25 | 珠海华网科技有限责任公司 | 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法 |
WO2019174492A1 (zh) * | 2018-03-12 | 2019-09-19 | Oppo广东移动通信有限公司 | 语音通话数据检测方法、装置、存储介质及移动终端 |
WO2020132528A1 (en) * | 2018-12-20 | 2020-06-25 | University Of Washington | Detection of agonal breathing using a smart device |
CN113066502A (zh) * | 2021-03-11 | 2021-07-02 | 电子科技大学 | 基于vmd和多小波的心音分割定位方法 |
CN113066083A (zh) * | 2021-04-25 | 2021-07-02 | 青岛海信医疗设备股份有限公司 | 流体的多普勒参数确定方法和电子设备 |
-
2021
- 2021-09-27 CN CN202111133673.0A patent/CN113749620B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4535473A (en) * | 1981-10-31 | 1985-08-13 | Tokyo Shibaura Denki Kabushiki Kaisha | Apparatus for detecting the duration of voice |
CN101327126A (zh) * | 2008-07-23 | 2008-12-24 | 天津大学 | 人体赤足迹形态学特征提取方法 |
CN104346067A (zh) * | 2013-11-15 | 2015-02-11 | 上海触乐信息科技有限公司 | 连续滑动输入单词的方法和系统 |
CN106409311A (zh) * | 2015-07-31 | 2017-02-15 | 阿里巴巴集团控股有限公司 | 副歌提取装置和方法 |
WO2019174492A1 (zh) * | 2018-03-12 | 2019-09-19 | Oppo广东移动通信有限公司 | 语音通话数据检测方法、装置、存储介质及移动终端 |
WO2020132528A1 (en) * | 2018-12-20 | 2020-06-25 | University Of Washington | Detection of agonal breathing using a smart device |
CN109932624A (zh) * | 2019-04-01 | 2019-06-25 | 珠海华网科技有限责任公司 | 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法 |
CN113066502A (zh) * | 2021-03-11 | 2021-07-02 | 电子科技大学 | 基于vmd和多小波的心音分割定位方法 |
CN113066083A (zh) * | 2021-04-25 | 2021-07-02 | 青岛海信医疗设备股份有限公司 | 流体的多普勒参数确定方法和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113749620B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9724016B1 (en) | Respiration processor | |
EP4154805B1 (en) | Apparatus for monitoring heart rate and respiration | |
US8398555B2 (en) | System and method for detecting ventilatory instability | |
US20130331723A1 (en) | Respiration monitoring method and system | |
US7761302B2 (en) | Method for generating output data | |
JP2013518607A (ja) | 携帯型モニタリングのための生理学的信号の品質を分類する方法およびシステム | |
US10004452B2 (en) | System and methods for estimating respiratory airflow | |
KR101706197B1 (ko) | 압전센서를 이용한 폐쇄성수면무호흡 선별검사를 위한 장치 및 방법 | |
CN110710955A (zh) | 睡眠过程中健康指标的监测方法 | |
CN104739371B (zh) | 监护仪及其多导联信号自动切换方法和装置 | |
CN113080857A (zh) | 呼吸监测方法、装置及终端设备 | |
CN112587133A (zh) | 一种血氧饱和度的测量方法 | |
US9706945B2 (en) | Respiration rate determination in impedance pneumography | |
US20140350430A1 (en) | Apparatus for testing respiratory function | |
CN113749620A (zh) | 一种睡眠呼吸暂停检测方法、系统、设备及存储介质 | |
WO2006129098A2 (en) | A method for generating output data | |
Teeramongkonrasmee et al. | Performance of a QRS detector on self-collected database using a handheld two-electrode ECG | |
Wu et al. | An ECG extraction and reconstruction system with dynamic EMG filtering implemented on an ARM chip | |
WO2022141119A1 (zh) | 生理信号处理方法、装置、监护仪及计算机可读存储介质 | |
WO2020090763A1 (ja) | 処理装置、システム、処理方法、およびプログラム | |
CN113520368A (zh) | 一种咳嗽监测的方法、系统和存储设备 | |
JP2021137332A (ja) | 生体情報処理装置、生体情報処理システムおよび生体情報処理方法 | |
CN112971766B (zh) | 睡眠呼吸事件检测方法 | |
Shoji et al. | Robust R-Wave Detection Under Long-Term Measurement Using HRV Sensor System with Automatic Gain Readjustment | |
CN116458848A (zh) | 一种基于驻极体柔性传感器的生命体征监测方法 |
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 |