CN114795133A - 睡眠呼吸暂停检测方法、装置、设备以及存储介质 - Google Patents

睡眠呼吸暂停检测方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN114795133A
CN114795133A CN202210745397.1A CN202210745397A CN114795133A CN 114795133 A CN114795133 A CN 114795133A CN 202210745397 A CN202210745397 A CN 202210745397A CN 114795133 A CN114795133 A CN 114795133A
Authority
CN
China
Prior art keywords
detection
blood oxygen
oxygen saturation
classification model
signal
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
Application number
CN202210745397.1A
Other languages
English (en)
Inventor
张涵
田媛媛
余宝贤
朱玮玮
侯月
莫志锋
陈锡和
邓伟杰
庞志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Normal University
Original Assignee
South China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China Normal University filed Critical South China Normal University
Priority to CN202210745397.1A priority Critical patent/CN114795133A/zh
Publication of CN114795133A publication Critical patent/CN114795133A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/4809—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
    • A61B5/48—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
    • A61B5/48—Other medical applications
    • A61B5/4821—Determining level or depth of anaesthesia
    • 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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06F2218/12—Classification; Matching

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Anesthesiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Optics & Photonics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及睡眠呼吸暂停检测领域，涉及一种睡眠呼吸暂停检测方法，包括：获取待测用户在预设的时间段内血氧饱和度信号以及呼吸努力信号，将血氧饱和度信号划分为若干个血氧饱和度信号段，将呼吸努力信号划分为若干个呼吸努力信号段；将若干个血氧饱和度信号段输入至第一深度分类模型，获得各个血氧饱和度信号段对应的第一检测序列，将若干个呼吸努力信号段输入至第二深度分类模型，获得各个呼吸努力信号段对应的第二检测序列；将同一采样周期对应的第一检测序列以及第二检测序列进行融合处理，获取融合处理后各个采样周期对应的第三检测序列；根据第三检测序列，获取作为待测用户在时间段内的睡眠呼吸暂停检测信息。

Description

睡眠呼吸暂停检测方法、装置、设备以及存储介质
技术领域
本发明涉及睡眠呼吸暂停检测领域，特别涉及是一种睡眠呼吸暂停检测方法、装置、设备以及存储介质。
背景技术
睡眠是一种重要的生理活动，对于人体的物理和精神方面的自我恢复具有非常关键的作用。近年来，随着人们生活节奏的加快和工作压力的增加，人们对于自身的健康意识日益增强，而睡眠呼吸暂停检测能够反映出睡眠质量；
现有的睡眠呼吸暂停检测主要是通过接触式传感器采集睡眠过程中的用户的生理状态，如血氧饱和度信号、呼吸努力信号等等，但是，接触式传感器具有生理负荷高、检查分析技术复杂、人力费用消耗大的缺点。非接触式传感器存在信号混叠、鲁棒性差及个体差异性明显的特点，会受到运动伪影、工频噪声、环境噪声等干扰，导致获得的信号质量不一致，无法获取准确的睡眠呼吸暂停检测信息，造成睡眠呼吸暂停检测的准确率低。
发明内容
基于此，本发明的目的在于，提供一种睡眠呼吸暂停检测方法、装置、设备以及存储介质，采用深度学习的方式，对血氧饱和度信号段以及呼吸努力信号进行处理，获取相应的检测序列，进行融合处理，获取融合处理后的检测序列，用于反映用户的睡眠呼吸暂停检测信息，提高了睡眠呼吸暂停检测的效率以及精准性，降低了人力成本以及设备成本，提高了检测的实用性。
第一方面，本申请实施例提供了一种睡眠呼吸暂停检测方法，包括以下步骤：
构建第一深度分类模型以及第二深度分类模型，其中，所述第一深度分类模型为基于单通道血氧饱和度信号的深度分类模型，所述第二深度分类模型为基于单通道呼吸努力信号的深度分类模型；
获取待测用户在预设的时间段内的血氧饱和度信号以及呼吸努力信号，根据预设的采样周期，将所述血氧饱和度信号划分为若干个血氧饱和度信号段，以及将所述呼吸努力信号划分为若干个呼吸努力信号段；
将所述若干个血氧饱和度信号段输入至所述第一深度分类模型，获得各个血氧饱和度信号段对应的第一检测序列，将所述若干个呼吸努力信号段输入至所述第二深度分类模型，获得各个呼吸努力信号段对应的第二检测序列；
将同一采样周期对应的所述第一检测序列以及第二检测序列进行融合处理，获取融合处理后各个采样周期对应的第三检测序列，其中，所述第三检测序列包括若干个检测向量，所述检测向量包括呼吸暂停向量以及呼吸正常向量；
根据所述第三检测序列中呼吸暂停向量以及呼吸正常向量，获取所述各个采样周期对应的第三检测序列的睡眠呼吸暂停检测信息，进行组合，作为所述待测用户在所述时间段内的睡眠呼吸暂停检测信息。
第二方面，本申请实施例提供了一种睡眠呼吸暂停检测装置，包括：
模型构建模块，用于构建第一深度分类模型以及第二深度分类模型，其中，所述第一深度分类模型为基于单通道血氧饱和度信号的深度分类模型，所述第二深度分类模型为基于单通道呼吸努力信号的深度分类模型；
信号获取模块，用于获取待测用户在预设的时间段内的血氧饱和度信号以及呼吸努力信号，根据预设的采样周期，将所述血氧饱和度信号划分为若干个血氧饱和度信号段，以及将所述呼吸努力信号划分为若干个呼吸努力信号段；
检测序列获取模块，用于将所述若干个血氧饱和度信号段输入至所述第一深度分类模型，获得各个血氧饱和度信号段对应的第一检测序列，将所述若干个呼吸努力信号段输入至所述第二深度分类模型，获得各个呼吸努力信号段对应的第二检测序列；
检测序列融合模块，用于将同一采样周期对应的所述第一检测序列以及第二检测序列进行融合处理，获取融合处理后各个采样周期对应的第三检测序列，其中，所述第三检测序列包括若干个检测向量，所述检测向量包括呼吸暂停向量以及呼吸正常向量；
睡眠呼吸暂停检测模块，用于根据所述第三检测序列中呼吸暂停向量以及呼吸正常向量，获取所述各个采样周期对应的第三检测序列的睡眠呼吸暂停检测信息，进行组合，作为所述待测用户在所述时间段内的睡眠呼吸暂停检测信息。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述睡眠呼吸暂停检测方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述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如第一方面所述的睡眠呼吸暂停检测方法的步骤。
在本申请实施例中，提供一种睡眠呼吸暂停检测方法、装置、设备以及存储介质，采用深度学习的方式，对血氧饱和度信号段以及呼吸努力信号进行处理，获取相应的检测序列，进行融合处理，获取融合处理后的检测序列，用于反映用户的睡眠呼吸暂停检测信息，提高了睡眠呼吸暂停检测的效率以及精准性，降低了人力成本以及设备成本，提高了检测的实用性。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的睡眠呼吸暂停检测方法的流程示意图；
图2为本申请一个实施例提供的睡眠呼吸暂停检测方法中S1的流程示意图；
图3为本申请一个实施例提供的睡眠呼吸暂停检测方法中S103的流程示意图；
图4为本申请一个实施例提供的睡眠呼吸暂停检测方法中S3的流程示意图；
图5为本申请一个实施例提供的睡眠呼吸暂停检测方法中S4的流程示意图；
图6为本申请一个实施例提供的睡眠呼吸暂停检测方法中S5的流程示意图；
图7为本申请一个实施例提供的睡眠呼吸暂停检测装置的结构示意图；
图8为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请一个实施例提供的睡眠呼吸暂停检测方法的流程示意图，方法包括如下步骤：
S1：构建第一深度分类模型以及第二深度分类模型，其中，所述第一深度分类模型为基于单通道血氧饱和度信号的深度分类模型，所述第二深度分类模型为基于单通道呼吸努力信号的深度分类模型。
睡眠呼吸暂停检测方法的执行主体为睡眠呼吸暂停检测方法的分析设备（以下简称分析设备）。分析设备可以通过软件和/或硬件的方式实现，可以通过软件和/或硬件的方式实现睡眠呼吸暂停检测方法，该分析设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。分析设备所指向的硬件，本质上均是指计算机设备，例如，分析设备可以是电脑、手机、平板或交互平板等设备。在一个可选的实施例中，分析设备具体可以是服务器，或是多台计算机设备联合而成的服务器机群。
在本实施例中，检测设备通过构建基于单通道血氧饱和度信号的深度分类模型作为第一深度分类模型，构建基于单通道呼吸努力信号的深度分类模型作为第二深度分类模型，分别用于处理血氧饱和度信号以及呼吸努力信号。
请参阅图2，图2为本申请一个实施例提供的睡眠呼吸暂停检测方法中S1的流程示意图，包括步骤S101~S104，具体如下：
S101：获取若干个样本用户对应的若干个样本血氧饱和度信号以及若干个样本呼吸努力信号。
在本实施例中，检测设备可以通过多导睡眠图的指夹传感器采集样本用户睡眠时的血氧饱和度信号，作为样本血氧饱和度信号。
以及通过非接触式体征监测设备样本用户睡眠时的压电混叠信号，将所述压电混叠信号通过一个截止频率为0.7Hz的二阶巴特沃斯低通滤波器，从中提取用户对应的样本呼吸努力信号。
S102：按照预设的采样周期，对所述若干个样本用户对应的若干个样本血氧饱和度信号进行划分，获取若干个样本血氧饱和度信号对应的若干个样本血氧饱和度信号段，其中，所述样本血氧饱和度信号段包括若干个样本血氧饱和度信号点。
由于人眼观测的时间尺度需尽可能包含一次完整的睡眠呼吸暂停片段，但又要避免尺度过大造成的信息浪费，在本实施例中，分析设备将采样周期设置为30s，并按照该采样周期，对所述各个样本血氧饱和度信号进行划分，获取各个样本血氧饱和度信号对应的若干个样本血氧饱和度信号段。
具体地，分析设备采用滑窗分割的方法，将滑动窗户的尺度设置为30s，滑动窗口的起始点设置为信号起始点，滑动窗口的单位时间粒度（步长）为1s，以获取数据量足够大的样本，每步进1s滑窗一次，获取该1s的样本血氧饱和度信号点，每隔30s将获取的样本血氧饱和度信号点进行一次组合，获取样本血氧饱和度信号段，以此类推，获取若干个样本血氧饱和度信号对应的样本血氧饱和度信号段，如下所示：
SpO2’=[org_SpO2’n，org_SpO2’n+1，…，org_SpO2’n+29]
式中，SpO2’为所述样本血氧饱和度信号段，org_SpO2’n为第n秒的样本血氧饱和度信号点。
在一个可选的实施例中，分析设备对所述样本血氧饱和度信号段进行标准化处理，获取标准化处理后的样本血氧饱和度信号段。
S103：分别对若干个样本血氧饱和度信号段的样本血氧饱和度信号点进行标签标注，获取若干个样本血氧饱和度信号段对应的第一标签序列，将所述若干个样本血氧饱和度信号段以及对应的第一标签序列输入至预设的第一神经网络模型中进行训练，获取训练好的第一神经网络模型，作为所述第一深度分类模型。
第一神经网络模型为集成循环神经网络（RNN）和卷积神经网络（CNN）的二分类器，其中RNN以及CNN均为三层长短期记忆循环单元（Long Short Term Memory，LSTM），LSTM是一种特殊的循环神经网络（Recurrent neural network，RNN），它能够学习长的依赖关系，解决长序列训练过程中的梯度消失和梯度爆炸问题。
为了使第一神经网络模型能够同时从血氧饱和度信号的时序和形态上学习睡眠呼吸暂停片段与正常片段之间的差异性特征，在本实施例中，分析设备分别对若干个样本血氧饱和度信号段中的样本血氧饱和度信号点进行标签标注，获取若干个样本血氧饱和度信号段对应的第一标签序列，其中，所述血氧饱和度信号段对应的第一标签序列为：
SpO2’_Result=[r’n，r’n+1，…，r’n+29]
式中，SpO2’_Result为所述样本血氧饱和度信号段对应的第一标签序列，r’n为第n秒的样本血氧饱和度信号点的对应的标签向量；r’n=1时，表示该样本血氧饱和度信号点为氧降点，r’n=0时，表示该样本血氧饱和度信号点为正常点。
将所述各个样本血氧饱和度信号段以及对应的第一标签序列输入至预设的第一神经网络模型中进行训练，获取训练好的第一神经网络模型，作为所述第一深度分类模型。
S104：对所述若干个样本呼吸努力信号进行结构化预处理，获取若干个样本呼吸努力信号对应的若干个第二标签序列，并将所述若干个样本呼吸努力信号段以及对应的第二标签序列输入至预设的第二神经网络模型中进行训练，获取训练好的第二神经网络模型，作为所述第二深度分类模型。
在本实施例中，分析设备对所述若干个样本呼吸努力信号进行结构化预处理，获取若干个样本呼吸努力信号对应的若干个第二标签序列，其中，所述结构化预处理包括降采样、滑窗分割、标签标注以及标准化处理，具体如下：
以采样率4Hz，将所述若干个样本呼吸努力信号进行降采样处理，获取降采样处理后的样本呼吸努力信号，并采用滑窗分割的方法，将滑动窗户的尺度设置为30s，对所述降采样处理后的样本呼吸努力信号进行滑窗分割处理，获取若干个样本呼吸努力信号对应的样本呼吸努力信号段，如下所示：
Resp’=[org_Resp’n，org_Resp’n+1，…，org_Resp’n+29]
式中，Resp’为所述样本呼吸努力信号段，org_Resp’n为第n秒的样本呼吸努力信号点。
对各个样本呼吸努力信号段中的样本呼吸努力信号段进行标签标注，获取各个样本呼吸努力信号段对应的第二标签序列，其中，所述样本呼吸努力信号段对应的第二标签序列为：
Resp’_Result=[s’n，s’n+1，…，s’n+29]
式中，Resp’_Result为所述样本呼吸努力信号段对应的第二标签序列，s’n为第n秒的样本血氧饱和度信号点的对应的标签向量；s’n=1时，表示该样本呼吸努力信号点为暂停点，s’n=0时，表示该样本呼吸努力信号点为正常点。
对所述样本呼吸努力信号段进行标准化处理，获取标准化处理后的样本呼吸努力信号段。
第二神经网络模型为集成循环神经网络（RNN）和卷积神经网络（CNN）的二分类器，在本实施例中，分析设备将所述若干个样本呼吸努力信号段以及对应的第二标签序列输入至预设的第二神经网络模型中进行训练，获取训练好的第二神经网络模型，作为所述第二深度分类模型。
请参阅图3，图3为本申请一个实施例提供的睡眠呼吸暂停检测方法中S103的流程示意图，包括步骤S1031~S1032，具体如下：
S1031：获取所述若干个样本用户对应的若干个样本血氧饱和度信号的氧减饱和度指数，根据所述氧减饱和度指数以及预设的氧减饱和度阈值区间，获取若干个样本用户对应的睡眠呼吸暂停严重程度标签。
所述氧减饱和度指数为血氧指标的一种；在一个可选的实施例中，检测设备基于所采集的若干个样本用户对应的若干个样本血氧饱和度信号，计算出所述样本血氧饱和度信号稳定后前三分钟的平均值作为基线，并将所述样本血氧饱和度信号的幅值与所述基线作对比，其中，所述基线的表达式为：
baseline=Mean(o_SpO2’k，o_SpO2’k+1，...，o_SpO2’k+180)
k为所述样本血氧饱和度信号开始稳定的稳定时间点，o_SpO2’k为第k个稳定时间点前后三分钟的样本血氧饱和度信号段；
当检测到所述样本血氧饱和度信号的幅值比基线低3%的单次计数时，记为氧减饱和事件的开始，当所述样本血氧饱和度信号的幅值回升3%时，记为氧减饱和事件的结束，计算氧减饱和事件的次数，根据所述氧减饱和事件的次数，获取所述若干个样本用户对应的若干个样本血氧饱和度信号的氧减饱和度指数；
获取所述若干个个样本用户对应的呼吸紊乱指数，根据所述氧减饱和度指数和呼吸紊乱指数，进行Bland-Altman一致性分析，设置氧减饱和度阈值区间，其中，所述氧减饱和度阈值区间为：
M_ODI3=[Mild-Moderate_ODI3，Moderate-Severe_ODI3]
式中，M_ODI3为所述氧减饱和度阈值区间，Mild-Moderate_ODI3为第一氧减饱和度阈值以及第二氧减饱和度阈值。
根据所述氧减饱和度指数以及氧减饱和度阈值区间，获取若干个个样本用户对应的睡眠呼吸暂停严重程度标签，具体地，当所述氧减饱和度指数小于第一氧减饱和度阈值，则将该样本用户的睡眠呼吸暂停严重程度标签设置为轻度，当所述氧减饱和度指数大于或者等于第一氧减饱和度阈值，且小于第二氧减饱和度阈值，则将该样本用户的睡眠呼吸暂停严重程度标签设置为中度，当所述氧减饱和度指数大于第二氧减饱和度阈值，则将该样本用户的睡眠呼吸暂停严重程度标签设置为重度。
S1032：根据所述若干个样本用户对应的睡眠呼吸暂停严重程度标签，分别将所述若干个样本用户对应的样本血氧饱和度信号段以及对应的第一标签序列输入至相应的第一深度分类模型中进行训练，获取所述轻度深度分类模型、中度深度分类模型以及重度深度分类模型。
在本实施例中，分析设备根据所述若干个样本用户对应的睡眠呼吸暂停严重程度标签，分别将所述若干个样本用户对应的样本血氧饱和度信号段以及对应的第一标签序列输入至相应的第一深度分类模型中进行训练，获取所述轻度深度分类模型、中度深度分类模型以及重度深度分类模型。通过仅对样本血氧饱和度信号的氧减饱和度指数统计分析，将样本用户按轻、中、重度分层次训练而非混合训练，使得可以在不同严重程度暂停的大类分类内忽略样本用户之间的氧降模式之间的差异性，以使相同模型在分层方案下相较于混合方案检测性能有所提升，提高第一深度分类模型的准确性。
S2：获取待测用户在预设的时间段内的血氧饱和度信号以及呼吸努力信号，根据预设的采样周期，将所述血氧饱和度信号划分为若干个血氧饱和度信号段，以及将所述呼吸努力信号划分为若干个呼吸努力信号段。
在本实施例中，检测设备可以通过多导睡眠图的指夹传感器采集样本用户睡眠时的血氧饱和度信号，作为样本血氧饱和度信号，以及通过非接触式体征监测设备样本用户睡眠时的压电混叠信号，将所述压电混叠信号通过一个截止频率为0.7Hz的二阶巴特沃斯低通滤波器，从中提取用户对应的样本呼吸努力信号，并根据预设的采样周期，将所述血氧饱和度信号划分为若干个采样周期对应的血氧饱和度信号段，以及将所述呼吸努力信号划分为若干个采样周期对应的呼吸努力信号段，如下所示：
SpO2=[org_SpO2n，org_SpO2n+1，…，org_SpO2n+29]
式中，SpO2为所述血氧饱和度信号段，org_SpO2n为第n秒的血氧饱和度信号点；
Resp=[org_Respn，org_Respn+1，…，org_Respn+29]
式中，Resp为所述呼吸努力信号段，org_Respn为第n秒的呼吸努力信号点。
S3：将所述若干个血氧饱和度信号段输入至所述第一深度分类模型，获得各个血氧饱和度信号段对应的第一检测序列，将所述若干个呼吸努力信号段输入至所述第二深度分类模型，获得各个呼吸努力信号段对应的第二检测序列。
在本实施例中，检测设备将所述若干个采样周期对应的血氧饱和度信号段输入至所述第一深度分类模型，获得各个血氧饱和度信号段对应的第一检测序列，其中，所述血氧饱和度信号段对应的第一检测序列为：
SpO2_Result=[rn，rn+1，…，rn+29]
式中，SpO2_Result为所述血氧饱和度信号段对应的第一标签序列，rn为第n秒的血氧饱和度信号点的对应的标签向量；rn=1时，表示该血氧饱和度信号点为氧降点，rn=0时，表示该血氧饱和度信号点为正常点。
将所述若干个采样周期对应的呼吸努力信号段输入至所述第二深度分类模型，获得各个呼吸努力信号段对应的第二检测序列，其中，所述呼吸努力信号段对应的第二检测序列为：
Resp_Result=[sn，sn+1，…，sn+29]
式中，Resp_Result为所述呼吸努力信号段对应的第二标签序列，sn为第n秒的呼吸努力信号点的对应的标签向量，sn=1时，表示该呼吸努力信号点为暂停点，sn=0时，表示该呼吸努力信号点为正常点。
请参阅图4，图4为本申请一个实施例提供的睡眠呼吸暂停检测方法中S3的流程示意图，包括步骤S301~S304，具体如下：
S301：将所述各个血氧饱和度信号段输入至所述第一深度分类模型，获取各个血氧饱和度信号段对应的第一初步检测序列。
在本实施例中，检测设备将所述各个血氧饱和度信号段输入至所述第一深度分类模型，获取所述第一深度分类模型输出的各个血氧饱和信号段对应的检测序列，其中，所述第一深度分类模型输出的各个血氧饱和信号段对应的检测序列包括氧降点对应的检测向量以及正常点对应的检测向量；
由于第一深度分类模型是对氧降点的进行判定，若要得到血氧饱和信号段中暂停点的位置，需要根据氧降点的位置向前回溯，具体地，检测设备通过预设的氧降点回溯时间，对各个血氧饱和信号段中的氧降点进行回溯处理，获取各个血氧饱和信号段对应的暂停点，从而获取各个血氧饱和度信号段对应的第一初步检测序列，其中，所述第一初步检测序列包括若干个检测向量，所述检测向量包括呼吸暂停向量以及呼吸正常向量，所述呼吸暂停向量为暂停点对应的检测向量；所述呼吸正常向量为正常点对应的检测向量。
S302：根据所述第一初步检测序列以及预设的暂停点检测向量数目阈值，将所述第一初步检测序列中的检测向量的值进行修正，获取修正后的第一初步检测序列，作为所述第一检测序列。
根据睡眠呼吸暂停的定义，暂停持续时间至少为10s，对于任意一个30s的血氧饱和度信号段，30s内只有检测出至少10个暂停点，该30s片段才会被判断为睡眠呼吸暂停片段，即获取的每个采样周期内的第一检测序列中，血氧饱和度信号点为暂停点对应的检测向量的数目至少为10，因此在本实施例中，检测设备将所述暂停点检测向量数目阈值设定为10，并获取各个第一初步检测序列中，血氧饱和度信号点为暂停点对应的检测向量的数目，分别与暂停点检测向量数目阈值进行对比，当所述血氧饱和度信号点为暂停点对应的检测向量的数目大于暂停点检测向量数目阈值，获取呼吸暂停判断信息，根据所述呼吸暂停判断信息，将对应的第一初步检测序列中的检测向量的值修正为1，即将正常点对应的检测向量修正为暂停点对应的检测向量；当所述血氧饱和度信号点为暂停点对应的检测向量的数目小于或等于暂停点检测向量数目阈值，获取呼吸正常判断信息，根据所述呼吸正常判断信息，将对应的第一初步检测序列中的检测向量的值修正为0，即将暂停点对应的检测向量修正为正常点对应的检测向量，获取修正后的第一初步检测序列，作为所述第一检测序列。
S303：将所述各个呼吸努力信号段输入至所述第二深度分类模型，获取所述第二深度分类模型输出的各个呼吸努力信号段对应的第二初步检测序列。
在本实施例中，检测设备将所述各个呼吸努力信号段输入至所述第二深度分类模型，获取所述第二深度分类模型输出的各个呼吸努力信号段对应的第二初步检测序列，其中，所述第二初步检测序列包括若干个检测向量，所述检测向量包括呼吸暂停向量以及呼吸正常向量，所述呼吸暂停向量为暂停点对应的检测向量；所述呼吸正常向量为正常点对应的检测向量。
S304：根据所述第二初步检测序列以及预设的暂停点检测向量数目阈值，从所述第二初步检测序列中提取若干个第二目标检测序列，作为所述第二检测序列。
本实施例中，检测设备获取各个第二初步检测序列中，呼吸努力信号点为暂停点对应的检测向量的数目，分别与暂停点检测向量数目阈值进行对比，当所述呼吸努力点为暂停点对应的检测向量的数目大于暂停点检测向量数目阈值，获取呼吸暂停判断信息，根据所述呼吸暂停判断信息，将对应的第二初步检测序列中的检测向量的值修正为1，即将正常点对应的检测向量修正为暂停点对应的检测向量；当所述呼吸努力信号点为暂停点对应的检测向量的数目小于或等于暂停点检测向量数目阈值，获取呼吸正常判断信息，根据所述呼吸正常判断信息，将对应的第二初步检测序列中的检测向量的值修正为0，即将暂停点对应的检测向量修正为正常点对应的检测向量，获取修正后的第二初步检测序列，作为所述第二检测序列。
S4：将同一采样周期对应的所述第一检测序列以及第二检测序列进行融合处理，获取融合处理后各个采样周期对应的第三检测序列。
在本实施例中，检测设备将同一采样周期对应的所述第一检测序列以及第二检测序列进行融合处理，具体地，检测设备将相同位置索引对应的检测向量的值进行或运算，从而使第一检测序列以及第二检测序列进行融合处理，获取融合处理后各个采样周期对应的第三检测序列，其中，所述检测向量包括呼吸暂停向量以及呼吸正常向量。
请参阅图5，图5为本申请一个实施例提供的睡眠呼吸暂停检测方法中S4的流程示意图，包括步骤S401~S402，具体如下：
S401：获取所述第一检测序列以及第二检测序列中同一位置索引下的检测向量，进行组合，获取若干个位置索引对应的检测向量组。
在本实施例中，检测设备获取所述第一检测序列以及第二检测序列中同一位置索引下的检测向量，进行组合，作为各个位置索引对应的检测向量组。
S402：分别对所述若干个位置索引对应的检测向量组中的检测向量的值进行或运算处理，获取或运算处理后的目标值，作为第三检测序列相应的位置索引的检测向量，获取所述第三检测序列。
在本实施例中，检测设备分别对所述若干个检测向量组中的检测向量的值进行或运算处理，获取或运算处理后的目标值，并根据该检测向量组对应的位置索引，作为第三检测序列，该位置索引对应的检测向量。如下所示：
Union_result=SpO2_Result | Resp_Result=[u1，u2，…，un]
Union_result为所述第三检测序列，“|”为或运算符,（n=1,2,...,N-29），N为所述第一检测序列以及第二检测序列的长度。
S5：根据所述第三检测序列中呼吸暂停向量以及呼吸正常向量，获取所述各个采样周期对应的第三检测序列的睡眠呼吸暂停检测信息，进行组合，作为所述待测用户在所述时间段内的睡眠呼吸暂停检测信息。
所述睡眠呼吸暂停检测信息包括睡眠呼吸暂停信息以及睡眠呼吸正常信息。
在本实施例中，检测设备根据所述第三检测序列中呼吸暂停向量以及呼吸正常向量，获取所述各个采样周期对应的第三检测序列的睡眠呼吸暂停检测信息，具体地，检测设备可以判断所述第三检测序列中呼吸暂停向量的值，如果值为1，将所述第三检测序列判断为睡眠呼吸暂停信息，如果值为0，将所述第三检测序列判断为睡眠呼吸正常信息。
请参阅图6，图6为本申请一个实施例提供的睡眠呼吸暂停检测方法中S5的流程示意图，包括步骤S501~S502，具体如下：
S501：基于所述第三检测序列对应的采样周期，获取所述第三检测序列对应的血氧饱和度信号段，并获取所述第三检测序列对应的血氧饱和度信号段的血氧饱和度幅值。
在本实施例中，检测设备根据第三检测序列对应的采样周期，获取该第三检测序列对应的血氧饱和度信号段，并获取该血氧饱和度信号段的血氧饱和度幅值，其中，所述血氧饱和度幅值包括最大血氧饱和度幅值Max以及最小血氧饱和度幅值Min。
S502：获取所述最大血氧饱和度幅值与最小血氧饱和度幅值的差值，根据所述差值以及预设的血氧饱和度阈值，对所述第三检测序列的检测向量的值进行修正，获取修正后的第三检测序列，根据所述修正后的第三检测序列中呼吸暂停向量以及呼吸正常向量，获取所述各个采样周期对应的第三检测序列的睡眠呼吸暂停检测信息。
根据睡眠呼吸暂停的定义，暂停会伴随氧降至少3%，为了将血氧饱和度信号段中的多检片段剔除，在本实施例中，检测设备将血氧饱和度阈值设定为1.5。
计算所述第三检测序列的各个采样周期对应的血氧饱和度信号段的最大血氧饱和度幅值Max以及最小血氧饱和度幅值Min的差值Diff，分别与预设的血氧饱和度阈值进行对比，获取对比信息，并根据该对比信息，对所述第三检测序列的检测向量的值进行修正，具体如下：
当差值Diff小于血氧饱和度阈值，获取第一对比信息，根据第一对比信息，将对应的第三检测序列中的检测向量的值修正为0；
当差值Diff大于或等于血氧饱和度阈值，获取第二对比信息，根据第二对比信息，将对应的第三检测序列中的检测向量的值修正为1。
请参考图7，图7为本申请一个实施例提供的睡眠呼吸暂停检测装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现睡眠呼吸暂停检测装置的全部或一部分，该装置7包括：
模型构建模块71，用于构建第一深度分类模型以及第二深度分类模型，其中，所述第一深度分类模型为基于单通道血氧饱和度信号的深度分类模型，所述第二深度分类模型为基于单通道呼吸努力信号的深度分类模型；
信号获取模块72，用于获取待测用户在预设的时间段内的血氧饱和度信号以及呼吸努力信号，根据预设的采样周期，将所述血氧饱和度信号划分为若干个血氧饱和度信号段，以及将所述呼吸努力信号划分为若干个呼吸努力信号段；
检测序列获取模块73，用于将所述若干个血氧饱和度信号段输入至所述第一深度分类模型，获得各个血氧饱和度信号段对应的第一检测序列，将所述若干个呼吸努力信号段输入至所述第二深度分类模型，获得各个呼吸努力信号段对应的第二检测序列；
检测序列融合模块74，用于将同一采样周期对应的所述第一检测序列以及第二检测序列进行融合处理，获取融合处理后各个采样周期对应的第三检测序列，其中，所述第三检测序列包括若干个检测向量，所述检测向量包括呼吸暂停向量以及呼吸正常向量；
睡眠呼吸暂停检测模块75，用于根据所述第三检测序列中呼吸暂停向量以及呼吸正常向量，获取所述各个采样周期对应的第三检测序列的睡眠呼吸暂停检测信息，进行组合，作为所述待测用户在所述时间段内的睡眠呼吸暂停检测信息。
在本实施例中，通过模型构建模块，构建第一深度分类模型以及第二深度分类模型，其中，所述第一深度分类模型为基于单通道血氧饱和度信号的深度分类模型，所述第二深度分类模型为基于单通道呼吸努力信号的深度分类模型；通过信号获取模块，获取待测用户在预设的时间段内的血氧饱和度信号以及呼吸努力信号，根据预设的采样周期，将所述血氧饱和度信号划分为若干个血氧饱和度信号段，以及将所述呼吸努力信号划分为若干个呼吸努力信号段；通过检测序列获取模块，将所述若干个血氧饱和度信号段输入至所述第一深度分类模型，获得各个血氧饱和度信号段对应的第一检测序列，将所述若干个呼吸努力信号段输入至所述第二深度分类模型，获得各个呼吸努力信号段对应的第二检测序列；通过检测序列融合模块，将同一采样周期对应的所述第一检测序列以及第二检测序列进行融合处理，获取融合处理后各个采样周期对应的第三检测序列，其中，所述第三检测序列包括若干个检测向量，所述检测向量包括呼吸暂停向量以及呼吸正常向量；通过睡眠呼吸暂停检测模块，根据所述第三检测序列中呼吸暂停向量以及呼吸正常向量，获取所述各个采样周期对应的第三检测序列的睡眠呼吸暂停检测信息，进行组合，作为所述待测用户在所述时间段内的睡眠呼吸暂停检测信息。采用深度学习的方式，对血氧饱和度信号段以及呼吸努力信号进行处理，获取相应的检测序列，进行融合处理，获取融合处理后的检测序列，用于反映用户的睡眠呼吸暂停检测信息，提高了睡眠呼吸暂停检测的效率以及精准性，降低了人力成本以及设备成本，提高了检测的实用性。
请参考图8，图8为本申请一个实施例提供的计算机设备的结构示意图，计算机设备8包括：处理器81、存储器82以及存储在存储器82上并可在处理器81上运行的计算机程序83；计算机设备可以存储有多条指令，指令适用于由处理器81加载并执行上述图1至图6的方法步骤，具体执行过程可以参见图1至图6的具体说明，在此不进行赘述。
其中，处理器81可以包括一个或多个处理核心。处理器81利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器82内的指令、程序、代码集或指令集，以及调用存储器82内的数据，执行睡眠呼吸暂停检测装置7的各种功能和处理数据，可选的，处理器81可以采用数字信号处理（Digital Signal Processing,DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programble LogicArray，PLA）中的至少一个硬件形式来实现。处理器81可集成中央处理器81（CentralProcessing Unit，CPU）、图像处理器81（Graphics Processing Unit，GPU）和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器81中，单独通过一块芯片进行实现。
其中，存储器82可以包括随机存储器82（Random Access Memory，RAM），也可以包括只读存储器82（Read-Only Memory）。可选的，该存储器82包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器82可用于存储指令、程序、代码、代码集或指令集。存储器82可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控指令等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器82可选的还可以是至少一个位于远离前述处理器81的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图6的方法步骤，具体执行过程可以参见图1至图6的具体说明，在此不进行赘述。
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，即将所述装置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。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

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：
构建第一深度分类模型以及第二深度分类模型，其中，所述第一深度分类模型为基于单通道血氧饱和度信号的深度分类模型，所述第二深度分类模型为基于单通道呼吸努力信号的深度分类模型；
获取待测用户在预设的时间段内的血氧饱和度信号以及呼吸努力信号，根据预设的采样周期，将所述血氧饱和度信号划分为若干个血氧饱和度信号段，以及将所述呼吸努力信号划分为若干个呼吸努力信号段；
将所述若干个血氧饱和度信号段输入至所述第一深度分类模型，获得各个血氧饱和度信号段对应的第一检测序列，将所述若干个呼吸努力信号段输入至所述第二深度分类模型，获得各个呼吸努力信号段对应的第二检测序列；
将同一采样周期对应的所述第一检测序列以及第二检测序列进行融合处理，获取融合处理后各个采样周期对应的第三检测序列，其中，所述第三检测序列包括若干个检测向量，所述检测向量包括呼吸暂停向量以及呼吸正常向量；
根据所述第三检测序列中呼吸暂停向量以及呼吸正常向量，获取所述各个采样周期对应的第三检测序列的睡眠呼吸暂停检测信息，进行组合，作为所述待测用户在所述时间段内的睡眠呼吸暂停检测信息。
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，所述构建基于单通道血氧饱和度信号的深度分类模型以及基于单通道呼吸努力信号的深度分类模型，包括步骤：
获取若干个样本用户对应的若干个样本血氧饱和度信号以及若干个样本呼吸努力信号；
按照预设的采样周期，对所述若干个样本用户对应的若干个样本血氧饱和度信号进行划分，获取若干个样本血氧饱和度信号对应的若干个样本血氧饱和度信号段，其中，所述样本血氧饱和度信号段包括若干个样本血氧饱和度信号点；
分别对若干个样本血氧饱和度信号段的样本血氧饱和度信号点进行标签标注，获取若干个样本血氧饱和度信号段对应的第一标签序列，将所述若干个样本血氧饱和度信号段以及对应的第一标签序列输入至预设的第一神经网络模型中进行训练，获取训练好的第一神经网络模型，作为所述第一深度分类模型；
对所述若干个样本呼吸努力信号进行结构化预处理，获取若干个样本呼吸努力信号对应的若干个第二标签序列，并将所述若干个样本呼吸努力信号段以及对应的第二标签序列输入至预设的第二神经网络模型中进行训练，获取训练好的第二神经网络模型，作为所述第二深度分类模型，其中，所述结构化预处理包括降采样、滑窗分割、标签标注以及标准化处理。
3.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：所述第一神经网络模型包括轻度神经网络模型、中度神经网络模型以及重度神经网络模型，所述第一深度分类模型包括轻度深度分类模型、中度深度分类模型以及重度深度分类模型。
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，所述将所述各个样本血氧饱和度信号段以及对应的第一标签序列输入至预设的第一神经网络模型中进行训练，获取训练好的第一神经网络模型，作为所述第一深度分类模型，包括步骤：
获取所述若干个样本用户对应的若干个样本血氧饱和度信号的氧减饱和度指数，根据所述氧减饱和度指数以及预设的氧减饱和度阈值区间，获取若干个样本用户对应的睡眠呼吸暂停严重程度标签；
根据所述若干个样本用户对应的睡眠呼吸暂停严重程度标签，分别将所述若干个样本用户对应的样本血氧饱和度信号段以及对应的第一标签序列输入至相应的第一深度分类模型中进行训练，获取所述轻度深度分类模型、中度深度分类模型以及重度深度分类模型。
5.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，所述将所述若干个血氧饱和度信号段输入至所述第一深度分类模型，获得各个血氧饱和度信号段对应的第一检测序列，将所述若干个呼吸努力信号段输入至所述第二深度分类模型，获得各个呼吸努力信号段对应的第二检测序列，包括步骤：
将所述各个血氧饱和度信号段输入至所述第一深度分类模型，获取各个血氧饱和度信号段对应的第一初步检测序列，其中，所述第一初步检测序列包括若干个检测向量，所述检测向量包括暂停点检测向量以及正常点检测向量；
根据所述第一初步检测序列以及预设的暂停点检测向量数目阈值，从所述第一初步检测序列中提取若干个第一目标检测序列，作为所述第一检测序列；
将所述各个呼吸努力信号段输入至所述第二深度分类模型，获取所述第二深度分类模型输出的各个呼吸努力信号段对应的第二初步检测序列，其中，所述第二初步检测序列包括若干个检测向量，所述检测向量包括暂停点检测向量以及正常点检测向量；
根据所述第二初步检测序列以及预设的暂停点检测向量数目阈值，从所述第二初步检测序列中提取若干个第二目标检测序列，作为所述第二检测序列。
6.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，所述将同一采样周期对应的所述第一检测序列以及第二检测序列进行融合处理，获取融合处理后各个采样周期对应的第三检测序列，包括步骤：
获取所述第一检测序列以及第二检测序列中同一位置索引下的检测向量，进行组合，获取若干个位置索引对应的检测向量组；
分别对所述若干个位置索引对应的检测向量组中的检测向量的值进行或运算处理，获取或运算处理后的目标值，作为第三检测序列相应的位置索引的检测向量，获取所述第三检测序列。
7.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，所述根据所述第三检测序列中呼吸暂停向量以及呼吸正常向量，获取所述各个采样周期对应的第三检测序列的睡眠呼吸暂停检测信息，包括步骤：
基于所述第三检测序列对应的采样周期，获取所述第三检测序列对应的血氧饱和度信号段，并获取所述第三检测序列对应的血氧饱和度信号段的血氧饱和度幅值，其中，所述血氧饱和度幅值包括最大血氧饱和度幅值以及最小血氧饱和度幅值；
获取所述最大血氧饱和度幅值与最小血氧饱和度幅值的差值，根据所述差值以及预设的血氧饱和度阈值，对所述第三检测序列的检测向量的值进行修正，获取修正后的第三检测序列，根据所述修正后的第三检测序列中呼吸暂停向量以及呼吸正常向量，获取所述各个采样周期对应的第三检测序列的睡眠呼吸暂停检测信息。
8.一种睡眠呼吸暂停检测装置，其特征在于，包括：
模型构建模块，用于构建第一深度分类模型以及第二深度分类模型，其中，所述第一深度分类模型为基于单通道血氧饱和度信号的深度分类模型，所述第二深度分类模型为基于单通道呼吸努力信号的深度分类模型；
信号获取模块，用于获取待测用户在预设的时间段内的血氧饱和度信号以及呼吸努力信号，根据预设的采样周期，将所述血氧饱和度信号划分为若干个血氧饱和度信号段，以及将所述呼吸努力信号划分为若干个呼吸努力信号段；
检测序列获取模块，用于将所述若干个血氧饱和度信号段输入至所述第一深度分类模型，获得各个血氧饱和度信号段对应的第一检测序列，将所述若干个呼吸努力信号段输入至所述第二深度分类模型，获得各个呼吸努力信号段对应的第二检测序列；
检测序列融合模块，用于将同一采样周期对应的所述第一检测序列以及第二检测序列进行融合处理，获取融合处理后各个采样周期对应的第三检测序列，其中，所述第三检测序列包括若干个检测向量，所述检测向量包括呼吸暂停向量以及呼吸正常向量；
睡眠呼吸暂停检测模块，用于根据所述第三检测序列中呼吸暂停向量以及呼吸正常向量，获取所述各个采样周期对应的第三检测序列的睡眠呼吸暂停检测信息，进行组合，作为所述待测用户在所述时间段内的睡眠呼吸暂停检测信息。
9.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的睡眠呼吸暂停检测方法的步骤。
10.一种存储介质，其特征在于：所述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如权利要求1至7任一项所述的睡眠呼吸暂停检测方法的步骤。
CN202210745397.1A 2022-06-29 2022-06-29 睡眠呼吸暂停检测方法、装置、设备以及存储介质 Pending CN114795133A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210745397.1A CN114795133A (zh) 2022-06-29 2022-06-29 睡眠呼吸暂停检测方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210745397.1A CN114795133A (zh) 2022-06-29 2022-06-29 睡眠呼吸暂停检测方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN114795133A true CN114795133A (zh) 2022-07-29

Family

ID=82522274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210745397.1A Pending CN114795133A (zh) 2022-06-29 2022-06-29 睡眠呼吸暂停检测方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN114795133A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401598A (zh) * 2023-03-16 2023-07-07 华南师范大学 基于生理信号的睡眠呼吸暂停检测方法以及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198617A (zh) * 2017-12-27 2018-06-22 深圳和而泰数据资源与云技术有限公司 病症评估方法、终端设备及计算机可读介质
CN109965848A (zh) * 2019-04-18 2019-07-05 天津大学 一种基于血氧信号分类的睡眠呼吸暂停综合征的检测方法
CN110742621A (zh) * 2019-10-31 2020-02-04 京东方科技集团股份有限公司 一种信号处理方法及计算机设备
CN111035395A (zh) * 2020-01-03 2020-04-21 上海市第六人民医院 血氧饱和度信号分析方法、装置、计算机设备和存储介质
CN111227793A (zh) * 2020-01-10 2020-06-05 京东方科技集团股份有限公司 呼吸暂停的识别方法、系统、电子设备及存储介质
CN113180691A (zh) * 2020-12-28 2021-07-30 天津大学 一种三通道睡眠呼吸暂停与低通气综合征识别装置
CN113409944A (zh) * 2021-06-25 2021-09-17 清华大学深圳国际研究生院 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置
CN113576401A (zh) * 2021-06-11 2021-11-02 广东工业大学 基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置
CN114424934A (zh) * 2021-12-30 2022-05-03 上海市第六人民医院 呼吸暂停事件筛查模型训练方法、装置和计算机设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198617A (zh) * 2017-12-27 2018-06-22 深圳和而泰数据资源与云技术有限公司 病症评估方法、终端设备及计算机可读介质
CN109965848A (zh) * 2019-04-18 2019-07-05 天津大学 一种基于血氧信号分类的睡眠呼吸暂停综合征的检测方法
CN110742621A (zh) * 2019-10-31 2020-02-04 京东方科技集团股份有限公司 一种信号处理方法及计算机设备
CN111035395A (zh) * 2020-01-03 2020-04-21 上海市第六人民医院 血氧饱和度信号分析方法、装置、计算机设备和存储介质
CN111227793A (zh) * 2020-01-10 2020-06-05 京东方科技集团股份有限公司 呼吸暂停的识别方法、系统、电子设备及存储介质
CN113180691A (zh) * 2020-12-28 2021-07-30 天津大学 一种三通道睡眠呼吸暂停与低通气综合征识别装置
CN113576401A (zh) * 2021-06-11 2021-11-02 广东工业大学 基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置
CN113409944A (zh) * 2021-06-25 2021-09-17 清华大学深圳国际研究生院 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置
CN114424934A (zh) * 2021-12-30 2022-05-03 上海市第六人民医院 呼吸暂停事件筛查模型训练方法、装置和计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401598A (zh) * 2023-03-16 2023-07-07 华南师范大学 基于生理信号的睡眠呼吸暂停检测方法以及装置
CN116401598B (zh) * 2023-03-16 2023-11-21 华南师范大学 基于生理信号的睡眠呼吸暂停检测方法以及装置

Similar Documents

Publication Publication Date Title
JP6985005B2 (ja) 感情推定方法、感情推定装置、及び、プログラムを記録した記録媒体
US8781991B2 (en) Emotion recognition apparatus and method
US11006874B2 (en) Real-time stress determination of an individual
CN107595243B (zh) 一种病症评估方法及终端设备
EP3868293B1 (en) System and method for monitoring pathological breathing patterns
US20090292770A1 (en) Determination of extent of congruity between observation of authoring user and observation of receiving user
CN111797858A (zh) 模型训练方法、行为预测方法、装置、存储介质及设备
Feese et al. Quantifying behavioral mimicry by automatic detection of nonverbal cues from body motion
WO2019182510A1 (en) Systems and methods for personalized medication therapy management
CN113642512B (zh) 呼吸机人机异步检测方法、装置、设备及存储介质
WO2016075529A1 (en) System and method for detecting and quantifying deviations from physiological signals normality
US20190156953A1 (en) Statistical analysis of subject progress and responsive generation of influencing digital content
CN114795133A (zh) 睡眠呼吸暂停检测方法、装置、设备以及存储介质
CN111798978A (zh) 用户健康评估方法、装置、存储介质及电子设备
CN108348157B (zh) 利用多用途电容式触摸传感器的心率检测
Kwon et al. Sinabro: A smartphone-integrated opportunistic electrocardiogram monitoring system
CN110811638A (zh) 一种用于监测睡眠的svm分类器构建方法、系统及方法
CN107970027A (zh) 一种桡动脉检测与人体体质识别系统和方法
CN109770904A (zh) 呼吸暂停的监测方法、装置、计算机设备和存储介质
CN113647950A (zh) 心理情绪检测方法及系统
CN108962379B (zh) 一种脑神经系统疾病的手机辅助检测系统
JP7325576B2 (ja) 端末装置、出力方法及びコンピュータプログラム
CN115905920A (zh) 训练睡眠检测模型的方法、睡眠检测方法及相关装置
TWI646438B (zh) 情緒偵測系統及方法
US11432727B2 (en) SpO2 miniprogram: AI SpO2 measurement app

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: 20220729