CN114550932A - 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 - Google Patents
一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114550932A CN114550932A CN202210167175.6A CN202210167175A CN114550932A CN 114550932 A CN114550932 A CN 114550932A CN 202210167175 A CN202210167175 A CN 202210167175A CN 114550932 A CN114550932 A CN 114550932A
- Authority
- CN
- China
- Prior art keywords
- data set
- signal
- preset
- obtaining
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 57
- 238000012502 risk assessment Methods 0.000 title claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 14
- 208000035475 disorder Diseases 0.000 claims abstract description 10
- 230000007958 sleep Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 60
- 238000012216 screening Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 32
- 230000004622 sleep time Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 11
- 230000002354 daily effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000036578 sleeping time Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 230000002829 reductive effect Effects 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 abstract 1
- 208000001797 obstructive sleep apnea Diseases 0.000 description 47
- 238000002372 labelling Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 206010021079 Hypopnoea Diseases 0.000 description 3
- 208000008784 apnea Diseases 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000003370 grooming effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明提供了一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质,涉及睡眠呼吸暂停风险评估技术领域。本申请中基于不确定性采样策略选择蕴含信息量大的ECG信号片段进行标注并用其训练神经网络模型,不仅降低获得标注样例的成本和难度,还降低神经网络模型算法样本的复杂度,提高对OSA病症片段的自动检测效率。将用户前一晚睡眠期间收集到的ECG信号输入到训练后的神经网络模型中,得到描述当前片段为正常生理状态的概率和患有OSA病症的概率。然后根据确定患有OSA病症的所有片段计算得到用户前一晚的AHI指数,根据AHI指数得到OSA病症的等级程度,帮助用户结合当前自身的身体状态采取相应的治疗措施。
Description
技术领域
本发明涉及睡眠呼吸暂停风险评估技术领域,具体而言,涉及一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质。
背景技术
阻塞性睡眠呼吸暂停(Obstructive Sleep Apnea,OSA)是一种普遍存在的睡眠呼吸紊乱疾病,估计全世界有近10亿人受到影响。OSA患者普遍存在疲劳和日间嗜睡,这不仅影响了他们的生活质量,而且增加了交通事故和工作场所事故的风险。此外,未经治疗的OSA可能导致或加重心脑血管疾病和代谢紊乱。
通常,利用呼吸暂停低通气指数(Apnea Hypopnea Index,AHI)来量化OSA是否存在及其病情分度,AHI指的是平均每小时睡眠时间内呼吸暂停和低通气的次数。每夜7h睡眠过程中呼吸暂停及低通气反复发作30次以上,或AHI≥5次/h,则被认为是OSA。另外根据AHI可将OSA分为轻、中、重度。
多导睡眠图(Polysomnography,PSG)是诊断OSA的黄金标准,它记录各种睡眠生理信号,包括肌电图(EMG)、脑电图(EEG)、心电图(ECG)、眼电图(EOG)、血氧饱和度(SpO2)、气流、呼吸努力、鼾声和身体姿势等。但是,PSG是一种环境要求严苛、费时费力的检测程序,其必须在专业的睡眠实验室进行,并且需要由专业技术人员对整夜PSG监测信号进行人工分析并给出OSA病情分度评估,这是一项繁琐且易出错的过程。
因此,如何提供一种方便、易用、准确的OSA检测与风险评估方法是目前需要解决的技术问题。
发明内容
本发明的目的在于提供一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种睡眠呼吸暂停风险评估方法,包括:
获取用户每天睡眠时间内的第一ECG信号。
根据所述第一ECG信号,得到第一ECG信号片段集合,所述第一ECG信号片段集合中的每个第一ECG信号片段为单位时间内的第一子信号集合,所述第一子信号集合中的每个第一子信号为对当前所述第一子信号进行等间期获取信号参数后得到的第二信号片段。
将所述第一ECG信号片段集合中的所有所述第二信号片段导入训练后的神经网络模型中,得到第一概率矩阵,所述第一概率矩阵用于描述所述第二信号片段的事件概率,所述事件概率包括正常生理状态的概率和患有OSA病症的概率。
根据所述第一概率矩阵,得到用户在每天睡眠时间内单位小时的AHI指数。
根据所述AHI指数,得到用户患有OSA病症的等级。
第二方面,本申请还提供了一种睡眠呼吸暂停风险评估装置,包括第一获取模块、第一提取模块、第一计算模块、第二计算模块和评级模块,其中:
第一获取模块:用于获取用户每天睡眠时间内的第一ECG信号;
第一提取模块:用于根据所述第一ECG信号,得到第一ECG信号片段集合,所述第一ECG信号片段集合中的每个第一ECG信号片段为单位时间内的第一子信号集合,所述第一子信号集合中的每个第一子信号为对当前所述第一子信号进行等间期获取信号参数后得到的第二信号片段;
第一计算模块:用于将所述第一ECG信号片段集合中的所有所述第二信号片段导入训练后的神经网络模型中,得到第一概率矩阵,所述第一概率矩阵用于描述所述第二信号片段的事件概率,所述事件概率包括正常生理状态的概率和患有OSA病症的概率;
第二计算模块:用于根据所述第一概率矩阵,得到用户在每天睡眠时间内单位小时的AHI指数;
评级模块:用于根据所述AHI指数,得到用户患有OSA病症的等级。
第三方面,本申请还提供了一种睡眠呼吸暂停风险评估设备,包括存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现所述的睡眠呼吸暂停风险评估方法的步骤。
第四方面,本申请还提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于睡眠呼吸暂停风险评估方法的步骤。
本发明的有益效果为:
本申请中,基于不确定性采样策略选择蕴含信息量大的信号片段进行标注,降低获得标注样例的成本(时间成本以及金钱成本)和难度,利用这些筛选出来的标注片段进行神经网络模型的训练,降低神经网络模型算法样本的复杂度,提高对ECG信号片段识别分类性能和对OSA病症片段的自动检测效率。而且训练神经网络模型用到的参数类别较少,不但能够有效地缩短对神经网络模型的训练时间,而且也便于将其应用于移动设备中。将用户前一晚睡眠期间内收集到的ECG信号输入到训练后的神经网络模型中,得到当前信息片段的事件概率的矩阵,描述当前信息片段为正常生理状态的概率和患有OSA病症的概率。然后根据事件概率的矩阵计算得到用户前一晚的AHI指数,根据AHI指数得到OSA病症的等级程度,通过OSA病症的等级程度知道用户当前的生理状态,并对未来状况进行一定的预测,帮助用户结合当前自身的身体状态采取相应的治疗措施。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中的睡眠呼吸暂停风险评估方法流程框图;
图2为本发明实施例中的睡眠呼吸暂停风险评估装置的框图;
图3为本发明实施例中的另一种睡眠呼吸暂停风险评估装置的框图;
图4为本发明实施例中的睡眠呼吸暂停风险评估设备的框图。
图中标记:700-睡眠呼吸暂停风险评估装置;701-第一获取模块;702-第一提取模块;7021-第一子提取单元;7022-第二子提取单元;7023-第三子提取单元;7024-第四子提取单元;703-第一计算模块;7031-第一获取子单元;7032-样本集单元;7033-第一拟合单元;7034-第一计算子单元;7035-第二计算子单元;70351-第三计算子单元;70352-第一排序单元;70353-第一筛选单元;71350-第二获取子单元;71351-第四计算子单元;71352-第五计算子单元;71353-第二排序单元;71354-第二筛选单元;71355-第三拟合单元;71356-第一判断单元;71357-迭代单元;7036-第二拟合单元;7037-性能评价单元;704-第二计算模块;7041-第二判断单元;7042-第六计算子单元;7043-第三获取子单元;7044-第七计算子单元;705-评级模块;800-睡眠呼吸暂停风险评估设备;801-处理器;802-存储器;803-多媒体组件;804-I/O接口;805-通信组件。
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,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种睡眠呼吸暂停风险评估方法。
参见图1为本发明实施例中的睡眠呼吸暂停风险评估方法流程框图,图1为本实施例中的睡眠呼吸暂停风险评估方法流程框图,图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500。
步骤S100、获取用户每天睡眠时间内的第一ECG信号。
可以理解的是,在本步骤中,多导睡眠图监测仪的监测系统收集用户整晚睡眠时间内(设监测时间为24点至第二天的7点,共计7小时)的第一ECG信号,并于第二天发送至多导睡眠图监测仪的分析系统进行OSA风险评估。监测系统主要由单导联的无线ECG信号传感器组成,该传感器采用凝胶湿电极来采集用户胸部的信号,传感器采用300mAh锂离子电池,采用蓝牙5.0协议进行低功耗通信,满足通宵监测的高采样率的需要,实时数据可以通过蓝牙传输到智能设备,如智能手机、平板电脑和个人电脑,从而提高对第一ECG信号的诊断效率和利用效率。
步骤S200、根据第一ECG信号,得到第一ECG信号片段集合,第一ECG信号片段集合中的每个第一ECG信号片段为单位时间内的第一子信号集合,第一子信号集合中的每个第一子信号为对当前第一子信号进行等间期获取信号参数后得到的第二信号片段。
可以理解的是,在本步骤中,分析系统根据第一ECG信号进行分段获取信息参数。步骤S200包括步骤S201、步骤S202、步骤S203和步骤S204,其中:
步骤S201、根据第一ECG信号,得到第一特征参数,第一特征参数包括第一R波波峰的振幅值和相邻两个第一R波波峰的间期。
可以理解的是,在本步骤中,分析系统通过Hamilton算法从第一ECG信号中得到R波的位置,然后根据R波的位置计算相邻两个R波之间的时间间隔得到相邻两个第一R波波峰的间期;同时计算R波的峰值幅度得到第一R波波峰的振幅值。
步骤S202、根据第一特征参数,得到剔除后的第一ECG信号片段集合,剔除后的第一ECG信号片段集合中至少包括一个第一ECG信号片段。
可以理解的是,在本步骤中,根据相邻两个第一R波波峰的间期,利用中值滤波器通过设置下界和上界的约束条件对第一ECG信号进行处理,剔除用户在真实生理情况下(包括正常生理或患有OSA病症的状态)不会出现的异常信息,避免干扰最终的测试结果,得到剔除后的第一ECG信号片段,所有第一ECG信号片段构成第一ECG信号片段集合。人的正常生理状态下,相邻两个第一R波波峰的间期范围为[0.6,1.2](心率50bmp-100bmp),设本步骤中的值滤波器的下界和上界分别设置为0.2和3(心率20bmp-300bmp)。
步骤S203、根据剔除后的第一ECG信号片段集合中的所有第一ECG信号片段,得到第一子信号集合,第一子信号集合中的每个第一子信号为对当前第一子信号片段按照单位时间获取信号参数后得到的第一子信号。
可以理解的是,在本步骤中,将上述剔除异常信息后得到的每个第一ECG信号片段按照单位时间进行获取点的标注,然后根据获取点利用Hamilton算法提取第一特征参数得到第一子信号。单位时间下的所有获取点所对应提取的第一子信号构成第一子信号集合。设本步骤中,单位时间设置为1分钟,根据420个获取点获得与其相对应的420个第一特征参数。
步骤S204、根据第一子信号集合中的所有第一子信号,得到第二信号片段,第二信号片段为对当前第一子信号进行等间期获取信号参数后得到的第二信号片段。
可以理解的是,在本步骤中,每个第一子信号通过三次样条插值进行等间期获取点的标注,得到等时间间距的等间期获取点,然后根据等间期获取点利用Hamilton算法得到第一特征参数,得到第二信号片段。设本步骤中,利用三次样条插值对每个第一子信号标注900个等间期获取点,每个等间期获取点通过Hamilton算法提取第一特征参数得到第二信号片段,420×900个第二信号片段构成第一子信号集合。
步骤S300、将第一ECG信号片段集合中的所有第二信号片段导入训练后的神经网络模型中,得到第一概率矩阵,第一概率矩阵用于描述第二信号片段的事件概率,事件概率包括正常生理状态的概率和患有OSA病症的概率。
可以理解的是,在本步骤中,根据所有的第二信号片段利用训练后的神经网络模型计算,得到第一概率矩阵。训练后的神经网络模型的输入值为第二信号片段,输出值为第二信号片段对应的第一概率矩阵。设输出的第一概率矩阵为[0.3,0.7],表示当前第二信号片段描述用户处于正常整理状态的概率为0.3,而患有OSA病症的概率为0.7。
在步骤S300中训练神经网络模型的方法包括步骤S301、步骤S302、步骤S303、步骤S304、步骤S305、步骤S306和步骤S307,其中:
步骤S301、获取第二参数,第二参数为从OSA研究实际案例中获取的第二ECG信号的特征参数。
可以理解的是,在本步骤中,从大量的文献资料中收集有关OSA研究实际案例的相关数据,得到第二ECG信号的特征参数。第二ECG信号的特征参数为不同生理状态下试验者的相关信息数据,包括患有OSA病症试验者的第二ECG信号,及其对应的第二R波波峰的振幅值、相邻两个第二R波波峰的间期以及OSA病症的等级;第二ECG信号的特征参数还包括正常生理状态下试验者的第二ECG信号,及其对应的第二R波波峰的振幅值、相邻两个第二R波波峰的间期。
步骤S302、根据第一预设比例,将第二参数划分为训练数据集、未标记数据集和测试数据集。
可以理解的是,在本步骤中,根据第二参数中各数据之间一一对应的关系建立样本集,然后将样本集按照一定的比例划分为训练数据集、未标记数据集和测试数据集,设步骤中训练数据集、未标记数据集和测试数据集对应的划分比例为0.07:0.63:0.30。
步骤S303、根据预设损失函数和训练数据集对神经网络模型进行拟合,得到拟合后的神经网络模型。
可以理解的是,在本步骤中,将训练集中的数据导入神经网络模型中,然后根据预设损失函数训练神经网络模型的参数。设训练集中的数据为真实标签,利用真实标签和预测标签的二元交叉熵作为目标损失函数,目标损失函数的公式如下:
步骤S304、根据未标记数据集和拟合后的神经网络模型,得到第二概率矩阵,第二概率矩阵用于描述未标记数据集的事件概率,事件概率包括正常生理状态的概率和患有OSA病症的概率。
可以理解的是,在本步骤中,神经网络模型主要为由卷积网络组成,该网络结构主要包括输入层、卷积层、池化层、Dropout层和输出层。输入层,用于输入从ECG信号数据中提取的特征序列,该特征序列是由相邻两个R波波峰的间期和R波波峰的振幅值序列组成的。卷积层用于完成输入数据的卷积滤波,从数据中提取获取点的特征参数,然后将该参数传播到后续层,其中选择ReLU作为激活函数,避免模型在反向传播中梯度的消失。池化层采用Maxpooling来降低维度。Dropout层通过预设的概率来滤除部分数据防止模型过拟合,可提高模型的泛化能力。输出层由完全连接层和Softmax构成,输出所有未标记数据的第二概率矩阵。
步骤S305、根据第二概率矩阵,得到筛选后的未标记数据集。
可以理解的是,在本步骤中,基于不确定性采样的主动学习策略,根据第二概率矩阵从未标记数据集中选取部分蕴含信息量较大的未标记数据集,并将其作为标注样例以便对神经网络模型的进行训练,降低神经网络模型算法样本的复杂度,提高其识别分类性能。
步骤S305中未标记数据集的筛选方法包括步骤S3051、步骤S3052和步骤S3053,其中:
步骤S3051、根据第二概率矩阵,得到未标记数据集中的每个元素所对应的信息熵,信息熵用于描述每个元素中所蕴含信息量的大小。
可以理解的是,在本步骤中,根据不确定性采样规则对所有未标记数据片段进行信息量的衡量,一个片段的信息熵越大,代表其蕴含的信息量越大,信息熵的度量公式如下:
步骤S3052、根据信息熵的大小进行排序,得到由大到小排列的信息熵序列。
可以理解的是,在本步骤中,对未标记数据集中的每个元素按照上述公式进行信息熵的计算,然后根据信息熵的大小进行由大到小的排列,得到信息熵序列。
步骤S3053、根据预设标注代价和信息熵序列,得到筛选后的未标记数据集,预设标注代价为选取元素的第一总个数,第一总个数为第二参数总数与第二预设比例的乘积,第二预设比例为自定义参数。
可以理解的是,在本步骤中,根据自定义的第二预设比例和第二参数总数相乘得到第一总个数,将第一总个数设定为预设标注代价。然后从信息熵序列中由大到小选取预设标注代价所规定的数量的未标记数据集,得到筛选后的未标记数据集,将其作为目标数据加入到训练数据集中再次训练神经网络模型。
可选地,为了更好地训练神经网络模型,步骤S305中未标记数据集的筛选方法还可以是包括步骤S3150、S3151、S3152、S3153、S3154、S3155、S3156和S3157,其中:
S3150、获取预设标注代价、预设参数和实际筛选次数,预设标注代价为选取未标记数据集的第一总个数,第一总个数为第二参数总数与第二预设比例的乘积,预设参数为每次选取未标记数据集的个数。
可以理解的是,在本步骤中,预设标注代价为从未标记数据集中自定义选取元素的第一总个数,预设参数为每次从未标记数据集中自定义选取元素的个数,预设标注代价设置的最大值为第二参数总数的50%,设本步骤中的,预设标注代价为200个。预设参数为每次选取未标记数据50个。
S3151、根据预设标注代价和预设参数,得到预设筛选次数,预设筛选次数为预设标注代价与预设参数的比值。
可以理解的是,在本步骤中,根据上述200个预设标注代价以及50个预设参数,得到预设筛选次数为4次。
S3152、根据第二概率矩阵,得到未标记数据集中每个元素对应的信息熵,信息熵用于描述每个元素中所蕴含信息量的大小。
S3153、根据信息熵的大小进行排序,得到由大到小排列的信息熵序列。
S3154、根据信息熵序列和预设参数,得到第三数据集合,第三数据集合为对当前未标记数据集进行筛选操作后得到的数据集合。
可以理解的是,在本步骤中,根据预设参数的设置,从信息熵序列中选取前50个蕴含信息量较大的未标记数据,所有未标记数据构成第三数据集合。
S3155、将更新后的训练数据集导入拟合后的神经网络模型进行拟合,得到更新后的神经网络模型,更新后的训练数据集为训练数据集与第三数据集合累计叠加的数据。
可以理解的是,在本步骤中,将每次从未标记数据集中筛选出的第三数据集合加入上一次的训练数据集中,构成更新后的训练数据集。然后将更新后的训练数据集加入拟合后的神经网络模型进行拟合,得到更新后的神经网络模型。
S3156、判断实际筛选次数与预设筛选次数是否一致,若是,则得到筛选后的未标记数据集;若不是,则根据筛选的未标记数据集,得到剩余的未标记数据集。
S3157、将剩余的未标记数据集导入更新后的神经网络模型,得到更新后的第二概率矩阵,迭代上述所有步骤直至实际筛选次数与预设筛选次数一致。
可以理解的是,在本步骤中,将未标记数据集中剩余的元素导入更新后的神经网络模型中,得到更新后的第二概率矩阵,根据更新后的第二概率矩阵计算每个元素对应的信息熵,并从剩余的元素中选取前50个信息熵大的未标记数据加入上一次更新后的训练数据集中,训练神经网络模型直至实际筛选次数与预设筛选次数相等时结束本操作,并将当前筛选出的第三数据集合作为筛选后的未标记数据集。
步骤S306、将筛选后的未标记数据集和训练数据集导入拟合后的神经网络模型进行拟合,得到训练后的神经网络模型。
步骤S307、将测试数据集导入训练后的神经网络模型,得到训练后的神经网络模型的性能评价。
可以理解的是,将测试集中的各元素导入训练后的神经网络模型中,输出当前片段的第二概率矩阵,根据输出的概率矩阵与实际案例中的实际概率相对比,检验神经网络模型的评估性能。
通过上述方法对未标记数据集进行多次筛选,并将每次筛选的元素加入训练数据集中训练神经网络,分多次对神经网络模型进行参数拟合,可以提高最终模型的精准度,进而提高风险等级预测的准确性。
步骤S400、根据第一概率矩阵,得到用户在每天睡眠时间内单位小时的AHI指数。
可以理解的是,在本步骤中,根据第一概率矩阵计算患有OSA病症的第二信号片段,然后根据第二信号片段计算用户在睡眠期间内单位小时的AHI指数。步骤S400包括步骤S401、步骤S402、步骤S403和步骤S404,其中:
步骤S401、根据第一概率矩阵,判断描述当前第二信号片段患有OSA病症的概率是否大于0.5;若是,则将第二信号片段标记为1;若不是,则将第二信号片段标记为0。
可以理解的是,在本步骤中,根据训练后的神经网络模型输出的第一概率矩阵,判断第一概率矩阵中代表当前第二信号片段患有OSA病症的概率是否大于0.5,若是则将其标记为1,否则标记为0。设当前第二信号片段对应的第一概率为[0.3,0.7],该第二信号片段患有OSA病症的概率0.7大于0.5,将该第二信号片段标记为1。
步骤S402、统计第二信号片段标记为1的第二总个数。
可以理解的是,在本步骤中,根据上述步骤S401的方法将所有第二信号片段进行1或0的标注,然后统计标记为1的第二总个数,第二总个数为用户整晚睡眠时间内患有OSA病症概率事件的第二信号片段的总次数。
步骤S403、获取用户每天的睡眠时间,睡眠时间单位以小时计。
步骤S404、根据第二总个数和睡眠时间,得到AHI指数,AHI指数为第二总个数和睡眠时间的比值。
步骤S500、根据AHI指数,得到用户患有OSA病症的等级。
可以理解的是,在本步骤中,根据AHI指数进行OSA病症等级的评定。当AHI指数大于5时,则视为当前用户患有OSA病症,需结合具体情况采取相应的治疗措施。OSA病症具体的评级情况如下:当AHI指数小于15时,视为用户患有轻度OSA病症;当AHI指数大于15并且小于30,视为用户患有中度OSA病症;当AHI指数大于30,视为用户患有重度OSA病症。
实施例2:
参见图2,图2是根据示例性实施例示出的睡眠呼吸暂停风险评估装置700的框图,包括第一获取模块701、第一提取模块702、第一计算模块703、第二计算模块704和评级模块705,其中:
第一获取模块701:用于获取用户每天睡眠时间内的第一ECG信号。
第一提取模块702:用于根据第一ECG信号,得到第一ECG信号片段集合,第一ECG信号片段集合中的每个第一ECG信号片段为单位时间内的第一子信号集合,第一子信号集合中的每个第一子信号为对当前第一子信号进行等间期获取信号参数后得到的第二信号片段。
详细地,第一提取模块702包括第一子提取单元7021、第二子提取单元7022、第三子提取单元7023和第四子提取单元7024,其中:
第一子提取单元7021:用于根据第一ECG信号,得到第一特征参数,第一特征参数包括第一R波波峰的振幅值和相邻两个第一R波波峰的间期。
第二子提取单元7022:用于根据第一特征参数,得到剔除后的第一ECG信号片段集合,剔除后的第一ECG信号片段集合中至少包括一个第一ECG信号片段。
第三子提取单元7023:用于根据剔除后的第一ECG信号片段集合中的所有第一ECG信号片段,得到第一子信号集合,第一子信号集合中的每个第一子信号为对当前第一子信号片段按照单位时间获取信号参数后得到的第一子信号。
第四子提取单元7024:用于根据第一子信号集合中的所有第一子信号,得到第二信号片段,第二信号片段为对当前第一子信号进行等间期获取信号参数后得到的第二信号片段。
第一计算模块703:用于将第一ECG信号片段集合中的所有第二信号片段导入训练后的神经网络模型中,得到第一概率矩阵,第一概率矩阵用于描述第二信号片段的事件概率,事件概率包括正常生理状态的概率和患有OSA病症的概率。
详细地,第一计算模块703包括第一获取子单元7031、样本集单元7032、第一拟合单元7033、第一计算子单元7034、第二计算子单元7035、第二拟合单元7036和性能评价单元7037,其中:
第一获取子单元7031:用于获取第二参数,第二参数为从OSA研究实际案例中获取的第二ECG信号的特征参数。
样本集单元7032:用于根据第一预设比例,将第二参数划分为训练数据集、未标记数据集和测试数据集。
第一拟合单元7033:用于根据预设损失函数和训练数据集对神经网络模型进行拟合,得到拟合后的神经网络模型。
第一计算子单元7034:用于根据未标记数据集和拟合后的神经网络模型,得到第二概率矩阵,第二概率矩阵用于描述未标记数据集的事件概率,事件概率包括正常生理状态的概率和患有OSA病症的概率。
第二计算子单元7035:用于根据第二概率矩阵,得到筛选后的未标记数据集。
详细地,第二计算子单元7035包括第三计算子单元70351、第一排序单元70352和第一筛选单元70353,其中:
第三计算子单元70351:用于根据第二概率矩阵,得到未标记数据集中的每个元素所对应的信息熵,信息熵用于描述每个元素中所蕴含信息量的大小;
第一排序单元70352:用于根据信息熵的大小进行排序,得到由大到小排列的信息熵序列;
第一筛选单元70353:用于根据预设标注代价和信息熵序列,得到筛选后的未标记数据集,预设标注代价为选取元素的第一总个数,第一总个数为第二参数总数与第二预设比例的乘积,第二预设比例为自定义参数。
参见图3,图3所示为另一种睡眠呼吸暂停风险评估装置700的框图。可选地,第二计算子单元7035包括第二获取子单元71350、第四计算子单元71351、第五计算子单元71352、第二排序单元71353、第二筛选单元71354、第三拟合单元71355、第一判断单元71356和迭代单元71357,其中:
第二获取子单元71350:用于获取预设标注代价、预设参数和实际筛选次数,预设标注代价为选取未标记数据集的第一总个数,第一总个数为第二参数总数与第二预设比例的乘积,预设参数为每次选取未标记数据集的个数。
第四计算子单元71351:用于根据预设标注代价和预设参数,得到预设筛选次数,预设筛选次数为预设标注代价与预设参数的比值。
第五计算子单元71352:用于根据第二概率矩阵,得到未标记数据集中每个元素对应的信息熵,信息熵用于描述每个元素中所蕴含信息量的大小。
第二排序单元71353:用于根据信息熵的大小进行排序,得到由大到小排列的信息熵序列。
第二筛选单元71354:用于根据信息熵序列和预设参数,得到第三数据集合,第三数据集合为对当前未标记数据集进行筛选操作后得到的数据集合。
第三拟合单元71355:用于将更新后的训练数据集导入拟合后的神经网络模型进行拟合,得到更新后的神经网络模型,更新后的训练数据集为训练数据集与第三数据集合累计叠加的数据。
第一判断单元71356:用于判断实际筛选次数与预设筛选次数是否一致,若是,则得到筛选后的未标记数据集;若不是,则根据筛选的未标记数据集,得到剩余的未标记数据集。
迭代单元71357:用于将剩余的未标记数据集导入更新后的神经网络模型,得到更新后的第二概率矩阵,迭代上述所有步骤直至实际筛选次数与预设筛选次数一致。
第二拟合单元7036:用于将筛选后的未标记数据集和训练数据集导入拟合后的神经网络模型进行拟合,得到训练后的神经网络模型。
性能评价单元7037:将测试数据集导入训练后的神经网络模型,得到训练后的神经网络模型的性能评价。
第二计算模块704:用于根据第一概率矩阵,得到用户在每天睡眠时间内单位小时的AHI指数。
详细地,第二计算模块704包括第二判断单元7041、第六计算子单元7042、第三获取子单元7043和第七计算子单元7044,其中:
第二判断单元7041:用于根据第一概率矩阵,判断描述当前第二信号片段患有OSA病症的概率是否大于0.5;若是,则将第二信号片段标记为1;若不是,则将第二信号片段标记为0。
第六计算子单元7042:用于统计第二信号片段标记为1的第二总个数。
第三获取子单元7043:用于获取用户每天的睡眠时间,睡眠时间单位以小时计。
第七计算子单元7044:用于根据第二总个数和睡眠时间,得到AHI指数,AHI指数为第二总个数和睡眠时间的比值。
评级模块705:用于根据AHI指数,得到用户患有OSA病症的等级。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种睡眠呼吸暂停风险评估设备800,下文描述的一种睡眠呼吸暂停风险评估设备800与上文描述的一种睡眠呼吸暂停风险评估方法可相互对应参照。
图4是根据示例性实施例示出的一种睡眠呼吸暂停风险评估设备800的框图。如图4所示,该睡眠呼吸暂停风险评估设备800可以包括:处理器801,存储器802。该睡眠呼吸暂停风险评估设备800还可以包括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该睡眠呼吸暂停风险评估设备800的整体操作,以完成上述的睡眠呼吸暂停风险评估方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该睡眠呼吸暂停风险评估设备800的操作,这些数据例如可以包括用于在该睡眠呼吸暂停风险评估设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(StaticRandom Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该睡眠呼吸暂停风险评估设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,睡眠呼吸暂停风险评估设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的睡眠呼吸暂停风险评估方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机存储介质,该程序指令被处理器执行时实现上述的睡眠呼吸暂停风险评估方法的步骤。例如,该计算机存储介质可以为上述包括程序指令的存储器802,上述程序指令可由睡眠呼吸暂停风险评估设备800的处理器801执行以完成上述的睡眠呼吸暂停风险评估方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种存储介质,下文描述的一种存储介质与上文描述的一种睡眠呼吸暂停风险评估方法可相互对应参照。
一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的睡眠呼吸暂停风险评估方法的步骤。
该存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的存储介质。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种睡眠呼吸暂停风险评估方法,其特征在于,包括:
获取用户每天睡眠时间内的第一ECG信号;
根据所述第一ECG信号,得到第一ECG信号片段集合,所述第一ECG信号片段集合中的每个第一ECG信号片段为单位时间内的第一子信号集合,所述第一子信号集合中的每个第一子信号为对当前所述第一子信号进行等间期获取信号参数后得到的第二信号片段;
将所述第一ECG信号片段集合中的所有所述第二信号片段导入训练后的神经网络模型中,得到第一概率矩阵,所述第一概率矩阵用于描述所述第二信号片段的事件概率,所述事件概率包括正常生理状态的概率和患有OSA病症的概率;
根据所述第一概率矩阵,得到用户在每天睡眠时间内单位小时的AHI指数;
根据所述AHI指数,得到用户患有OSA病症的等级。
2.根据权利要求1所述的睡眠呼吸暂停风险评估方法,其特征在于,所述神经网络模型的训练方法包括:
获取第二参数,所述第二参数为从OSA研究实际案例中获取的第二ECG信号的特征参数;
根据第一预设比例,将所述第二参数划分为训练数据集、未标记数据集和测试数据集;
根据预设损失函数和所述训练数据集对神经网络模型进行拟合,得到拟合后的所述神经网络模型;
根据所述未标记数据集和拟合后的所述神经网络模型,得到第二概率矩阵,所述第二概率矩阵用于描述所述未标记数据集的事件概率,所述事件概率包括正常生理状态的概率和患有OSA病症的概率;
根据所述第二概率矩阵,得到筛选后的所述未标记数据集;
将筛选后的所述未标记数据集和所述训练数据集导入拟合后的所述神经网络模型进行拟合,得到训练后的所述神经网络模型;
将所述测试数据集导入训练后的所述神经网络模型,得到训练后的所述神经网络模型的性能评价。
3.根据权利要求2所述的睡眠呼吸暂停风险评估方法,其特征在于,所述未标记数据集的筛选方法,包括:
根据所述第二概率矩阵,得到所述未标记数据集中的每个元素所对应的信息熵,所述信息熵用于描述每个所述元素中所蕴含信息量的大小;
根据所述信息熵的大小进行排序,得到由大到小排列的信息熵序列;
根据预设标注代价和所述信息熵序列,得到筛选后的所述未标记数据集,所述预设标注代价为选取所述元素的第一总个数,所述第一总个数为所述第二参数总数与第二预设比例的乘积,所述第二预设比例为自定义参数。
4.根据权利要求2所述的睡眠呼吸暂停风险评估方法,其特征在于,所述未标记数据集的筛选方法,包括:
获取预设标注代价、预设参数和实际筛选次数,所述预设标注代价为选取所述未标记数据集的第一总个数,所述第一总个数为所述第二参数总数与第二预设比例的乘积,所述预设参数为每次选取所述未标记数据集的个数;
根据所述预设标注代价和所述预设参数,得到预设筛选次数,所述预设筛选次数为所述预设标注代价与所述预设参数的比值;
根据所述第二概率矩阵,得到所述未标记数据集中每个元素对应的信息熵,所述信息熵用于描述每个所述元素中所蕴含信息量的大小;
根据所述信息熵的大小进行排序,得到由大到小排列的信息熵序列;
根据所述信息熵序列和所述预设参数,得到第三数据集合,所述第三数据集合为对当前所述未标记数据集进行筛选操作后得到的数据集合;
将更新后的所述训练数据集导入拟合后的所述神经网络模型进行拟合,得到更新后的所述神经网络模型,更新后的所述训练数据集为所述训练数据集与所述第三数据集合累计叠加的数据;
判断所述实际筛选次数与所述预设筛选次数是否一致,若是,则得到筛选后的所述未标记数据集;
若不是,则根据筛选的所述未标记数据集,得到剩余的所述未标记数据集;
将剩余的所述未标记数据集导入更新后的所述神经网络模型,得到更新后的所述第二概率矩阵,迭代上述所有步骤直至实际筛选次数与所述预设筛选次数一致。
5.根据权利要求1所述的睡眠呼吸暂停风险评估方法,其特征在于,根据所述第一概率矩阵,得到用户在每天睡眠时间内单位小时的AHI指数,包括:
根据第一概率矩阵,判断描述当前第二信号片段患有OSA病症的概率是否大于0.5;
若是,则将所述第二信号片段标记为1;
若不是,则将所述第二信号片段标记为0;
统计所述第二信号片段标记为1的第二总个数;
获取用户每天的睡眠时间,所述睡眠时间单位以小时计;
根据所述第二总个数和所述睡眠时间,得到AHI指数,所述AHI指数为所述第二总个数和所述睡眠时间的比值。
6.根据权利要求1所述的睡眠呼吸暂停风险评估方法,其特征在于,获取所述第二信号片段的方法,包括:
根据所述第一ECG信号,得到第一特征参数,所述第一特征参数包括第一R波波峰的振幅值和相邻两个所述第一R波波峰的间期;
根据所述第一特征参数,得到剔除后的所述第一ECG信号片段集合,剔除后的所述第一ECG信号片段集合中至少包括一个所述第一ECG信号片段;
根据剔除后的所述第一ECG信号片段集合中的所有所述第一ECG信号片段,得到第一子信号集合,所述第一子信号集合中的每个第一子信号为对当前所述第一子信号片段按照单位时间获取信号参数后得到的第一子信号;
根据所述第一子信号集合中的所有所述第一子信号,得到第二信号片段,所述第二信号片段为对当前所述第一子信号进行等间期获取信号参数后得到的第二信号片段。
7.一种睡眠呼吸暂停风险评估装置,其特征在于,包括:
第一获取模块:用于获取用户每天睡眠时间内的第一ECG信号;
第一提取模块:用于根据所述第一ECG信号,得到第一ECG信号片段集合,所述第一ECG信号片段集合中的每个第一ECG信号片段为单位时间内的第一子信号集合,所述第一子信号集合中的每个第一子信号为对当前所述第一子信号进行等间期获取信号参数后得到的第二信号片段;
第一计算模块:用于将所述第一ECG信号片段集合中的所有所述第二信号片段导入训练后的神经网络模型中,得到第一概率矩阵,所述第一概率矩阵用于描述所述第二信号片段的事件概率,所述事件概率包括正常生理状态的概率和患有OSA病症的概率;
第二计算模块:用于根据所述第一概率矩阵,得到用户在每天睡眠时间内单位小时的AHI指数;
评级模块:用于根据所述AHI指数,得到用户患有OSA病症的等级。
8.根据权利要求7所述的睡眠呼吸暂停风险评估装置,其特征在于,所述第一计算模块包括:
第一获取子单元:用于获取第二参数,所述第二参数为从OSA研究实际案例中获取的第二ECG信号的特征参数;
样本集单元:用于根据第一预设比例,将所述第二参数划分为训练数据集、未标记数据集和测试数据集;
第一拟合单元:用于根据预设损失函数和所述训练数据集对神经网络模型进行拟合,得到拟合后的所述神经网络模型;
第一计算子单元:用于根据所述未标记数据集和拟合后的所述神经网络模型,得到第二概率矩阵,所述第二概率矩阵用于描述所述未标记数据集的事件概率,所述事件概率包括正常生理状态的概率和患有OSA病症的概率;
第二计算子单元:用于根据所述第二概率矩阵,得到筛选后的所述未标记数据集;
第二拟合单元:用于将筛选后的所述未标记数据集和所述训练数据集导入拟合后的所述神经网络模型进行拟合,得到训练后的所述神经网络模型;
性能评价单元:将所述测试数据集导入训练后的所述神经网络模型,得到训练后的所述神经网络模型的性能评价。
9.根据权利要求8所述的睡眠呼吸暂停风险评估装置,其特征在于,所述第二计算子单元包括:
第三计算子单元:用于根据所述第二概率矩阵,得到所述未标记数据集中的每个元素所对应的信息熵,所述信息熵用于描述每个所述元素中所蕴含信息量的大小;
第一排序单元:用于根据所述信息熵的大小进行排序,得到由大到小排列的信息熵序列;
第一筛选单元:用于根据预设标注代价和所述信息熵序列,得到筛选后的所述未标记数据集,所述预设标注代价为选取所述元素的第一总个数,所述第一总个数为所述第二参数总数与第二预设比例的乘积,所述第二预设比例为自定义参数。
10.根据权利要求8所述的睡眠呼吸暂停风险评估装置,其特征在于,所述第二计算子单元包括:
第二获取子单元:用于获取预设标注代价、预设参数和实际筛选次数,所述预设标注代价为选取所述未标记数据集的第一总个数,所述第一总个数为所述第二参数总数与第二预设比例的乘积,所述预设参数为每次选取所述未标记数据集的个数;
第四计算子单元:用于根据所述预设标注代价和所述预设参数,得到预设筛选次数,所述预设筛选次数为所述预设标注代价与所述预设参数的比值;
第五计算子单元:用于根据所述第二概率矩阵,得到所述未标记数据集中每个元素对应的信息熵,所述信息熵用于描述每个所述元素中所蕴含信息量的大小;
第二排序单元:用于根据所述信息熵的大小进行排序,得到由大到小排列的信息熵序列;
第二筛选单元:用于根据所述信息熵序列和所述预设参数,得到第三数据集合,所述第三数据集合为对当前所述未标记数据集进行筛选操作后得到的数据集合;
第三拟合单元:用于将更新后的所述训练数据集导入拟合后的所述神经网络模型进行拟合,得到更新后的所述神经网络模型,更新后的所述训练数据集为所述训练数据集与所述第三数据集合累计叠加的数据;
第一判断单元:用于判断所述实际筛选次数与所述预设筛选次数是否一致,若是,则得到筛选后的所述未标记数据集;若不是,则根据筛选的所述未标记数据集,得到剩余的所述未标记数据集;
迭代单元:用于将剩余的所述未标记数据集导入更新后的所述神经网络模型,得到更新后的所述第二概率矩阵,迭代上述所有步骤直至实际筛选次数与所述预设筛选次数一致。
11.根据权利要求7所述的睡眠呼吸暂停风险评估装置,其特征在于,所述第二计算模块包括:
第二判断单元:用于根据第一概率矩阵,判断描述当前第二信号片段患有OSA病症的概率是否大于0.5;若是,则将所述第二信号片段标记为1;若不是,则将所述第二信号片段标记为0;
第六计算子单元:用于统计所述第二信号片段标记为1的第二总个数;
第三获取子单元:用于获取用户每天的睡眠时间,所述睡眠时间单位以小时计;
第七计算子单元:用于根据所述第二总个数和所述睡眠时间,得到AHI指数,所述AHI指数为所述第二总个数和所述睡眠时间的比值。
12.根据权利要求7所述的睡眠呼吸暂停风险评估装置,其特征在于,所述第一提取模块包括:
第一子提取单元:用于根据所述第一ECG信号,得到第一特征参数,所述第一特征参数包括第一R波波峰的振幅值和相邻两个所述第一R波波峰的间期;
第二子提取单元:用于根据所述第一特征参数,得到剔除后的所述第一ECG信号片段集合,剔除后的所述第一ECG信号片段集合中至少包括一个所述第一ECG信号片段;
第三子提取单元:用于根据剔除后的所述第一ECG信号片段集合中的所有所述第一ECG信号片段,得到第一子信号集合,所述第一子信号集合中的每个第一子信号为对当前所述第一子信号片段按照单位时间获取信号参数后得到的第一子信号;
第四子提取单元:用于根据所述第一子信号集合中的所有所述第一子信号,得到第二信号片段,所述第二信号片段为对当前所述第一子信号进行等间期获取信号参数后得到的第二信号片段。
13.一种睡眠呼吸暂停风险评估设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的睡眠呼吸暂停风险评估方法的步骤。
14.一种存储介质,其特征在于:所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的睡眠呼吸暂停风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210167175.6A CN114550932A (zh) | 2022-02-23 | 2022-02-23 | 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210167175.6A CN114550932A (zh) | 2022-02-23 | 2022-02-23 | 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114550932A true CN114550932A (zh) | 2022-05-27 |
Family
ID=81677886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210167175.6A Pending CN114550932A (zh) | 2022-02-23 | 2022-02-23 | 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550932A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114869241A (zh) * | 2022-07-11 | 2022-08-09 | 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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875816A (zh) * | 2018-06-05 | 2018-11-23 | 南京邮电大学 | 融合置信度准则和多样性准则的主动学习样本选择策略 |
-
2022
- 2022-02-23 CN CN202210167175.6A patent/CN114550932A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875816A (zh) * | 2018-06-05 | 2018-11-23 | 南京邮电大学 | 融合置信度准则和多样性准则的主动学习样本选择策略 |
Non-Patent Citations (2)
Title |
---|
杨菊: "主动学习停止准则与评价测度研究" * |
高群霞 等: "基于卷积神经网络的睡眠呼吸暂停自动检测方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114869241A (zh) * | 2022-07-11 | 2022-08-09 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190365332A1 (en) | Determining wellness using activity data | |
Menshawy et al. | An automatic mobile-health based approach for EEG epileptic seizures detection | |
Yu et al. | Personalized health monitoring system of elderly wellness at the community level in Hong Kong | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
WO2019018879A1 (en) | METHODS AND SYSTEMS FOR PREDICTING EPILEPSY CRISIS | |
WO2018227239A1 (en) | Mental state indicator | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
CN112641451B (zh) | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 | |
CN112509696A (zh) | 基于卷积自编码器高斯混合模型的健康数据检测方法 | |
CN111063437A (zh) | 一种个性化慢病分析系统 | |
WO2019075522A1 (en) | RISK INDICATOR | |
Li et al. | Patient-specific seizure prediction from electroencephalogram signal via multi-channel feedback capsule network | |
Ma et al. | Quantitative assessment of essential tremor based on machine learning methods using wearable device | |
CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
CN114550932A (zh) | 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 | |
Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
CN108962379B (zh) | 一种脑神经系统疾病的手机辅助检测系统 | |
Teng et al. | Multimedia monitoring system of obstructive sleep apnea via a deep active learning model | |
Chen et al. | An auxiliary diagnostic system for Parkinson’s disease based on wearable sensors and genetic algorithm optimized random forest | |
Liu et al. | Comprehensive analysis of resting tremor based on acceleration signals of patients with Parkinson’s disease | |
Arora et al. | Deep‐SQA: A deep learning model using motor activity data for objective sleep quality assessment assisting digital wellness in healthcare 5.0 | |
Li et al. | A smart detection technology for personal ECG monitoring via chaos-based data mapping strategy | |
KR20210076594A (ko) | 수치 데이터를 이용한 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 | |
Sudarmaa et al. | Detecting Excessive Daytime Sleepiness With CNN And Commercial Grade EEG | |
WO2022183999A1 (en) | Evaluation of sleep data |
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 |
Application publication date: 20220527 |
|
RJ01 | Rejection of invention patent application after publication |