CN114869241B

CN114869241B - 睡眠呼吸事件预测方法、装置、设备及可读存储介质

Info

Publication number: CN114869241B
Application number: CN202210812071.6A
Authority: CN
Inventors: 张恩铭; 滕飞; 袁玥; 许家琛; 李鹏; 李超; 王文春
Original assignee: Southwest Jiaotong University
Current assignee: Southwest Jiaotong University
Priority date: 2022-07-11
Filing date: 2022-07-11
Publication date: 2022-09-23
Anticipated expiration: 2042-07-11
Also published as: CN114869241A

Abstract

本发明提供了一种睡眠呼吸事件预测方法、装置、设备及可读存储介质，涉及医疗信息技术领域，包括获取第一信息包括待测试人员的四个睡眠通道的信号；对第一信息的特征向量的相关性进行计算，并构建睡眠呼吸图；构建RCCN模型，对所述待测试人员的呼吸信号进行预测，得到预测结果；根据所述预测结果进行分类，判断分类后的所述待测试人员的呼吸信号是否属于暂停事件，若是则输出所述暂停事件的结果。本发明的有益效果为综合考虑了时间和空间维度中的四通道呼吸信号特征，充分应用瓶颈策略，实现数据的特征压缩和尺度压缩；通过堆叠时空循环卷积块对空间和时间特征分别进行提取，从而综合多维度的信息提高情感识别的准确率和鲁棒性。

Description

睡眠呼吸事件预测方法、装置、设备及可读存储介质

技术领域

本发明涉及医疗信息技术领域，具体而言，涉及睡眠呼吸事件预测方法、装置、设备及可读存储介质。

背景技术

阻塞性睡眠呼吸暂停是影响人体睡眠健康的重要疾病之一。 OSA的症状包括睡眠时气短、喘息、身体抽动、呼吸停止，甚至休克。所以OSA严重影响了人们的生活质量，不仅可能导致疲劳、抑郁、记忆障碍和脾气暴躁等问题，而且也成为了道路交通事故、工伤、猝死的主要原因。由于长期慢性间歇性低氧，OSA还会引发一系列包括高血压、冠心病、脑卒中、糖尿病在内的严重心脑血管疾病和代谢疾病，产生一系列社会经济问题。然而，大多数OSA患者直到病情变得严重时才意识到自己的病情，因此错过了早期治疗的机会。因此，在这种情况下，OSA 的早期预警是一个值得关注的问题。

发明内容

本发明的目的在于提供一种睡眠呼吸事件预测方法、装置、设备及可读存储介质，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事件预测方法，包括：

获取第一信息，所述第一信息包括待测试人员的四个睡眠通道的信号，四个睡眠通道的信号包括待测试人员的鼻腔气流呼吸信号、胸部呼吸努力信号、腹部呼吸努力信号和血氧信号；

对第一信息的特征向量的相关性进行计算，并构建睡眠呼吸图；

根据所述睡眠呼吸图，构建RCCN模型，对所述待测试人员的呼吸信号进行预测，得到预测结果，所述RCCN模型包括两个时空循环卷积块，每个所述时空循环卷积块均包含时间循环卷积块和空间图卷积块；

根据所述预测结果进行分类，判断分类后的所述待测试人员的呼吸信号是否属于暂停事件，若是则输出所述暂停事件的结果。

第二方面，本申请还提供了一种睡眠呼吸事件预测装置，包括获取模块、构建模块、预测模块和分类模块，其中：

获取模块：用于获取第一信息，所述第一信息包括待测试人员的四个睡眠通道的信号，四个睡眠通道的信号包括待测试人员的鼻腔气流呼吸信号、胸部呼吸努力信号、腹部呼吸努力信号和血氧信号；

构建模块：用于对第一信息的特征向量的相关性进行计算，并构建睡眠呼吸图；

预测模块：用于根据所述睡眠呼吸图，构建RCCN模型，对所述待测试人员的呼吸信号进行预测，得到预测结果，所述 RCCN模型包括两个时空循环卷积块，每个所述时空循环卷积块均包含时间循环卷积块和空间图卷积块；

分类模块：用于根据所述预测结果进行分类，判断分类后的所述待测试人员的呼吸信号是否属于暂停事件，若是则输出所述暂停事件的结果。

第三方面，本申请还提供了一种睡眠呼吸事件预测设备，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睡眠呼吸暂停事件预测方法的步骤。

第四方面，本申请还提供了一种可读存储介质，所述可读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事件预测方法的步骤。

本发明的有益效果为：综合考虑了时间和空间中的四通道呼吸信号特征，充分应用瓶颈策略，利用了图卷积层对通道进行维度的升降，实现数据的特征压缩和尺度压缩；首先利用四通道的呼吸信号进行特征提取，并将信号之间的相关性转化为图结构，通过堆叠时空循环卷积块对空间和时间特征分别进行提取，从而综合多维度的信息提高预警的准确性。

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为本发明实施例中所述的睡眠呼吸事件预测方法流程示意图；

图2为本发明实施例中所述的睡眠呼吸事件预测装置结构示意图；

图3为本发明实施例中所述的睡眠呼吸事件预测设备结构示意图。

图中:701、获取模块；702、构建模块；7021、第一获取单元；7022、第二获取单元；7023、第一构建单元；7024、第三获取单元；7025、第二构建单元；7026、第一计算单元；7027、第二计算单元；703、预测模块；7031、第一提取单元；7032、第一预测单元；7033、第二提取单元；7034、第四获取单元； 7035、第三构建单元；7036、处理单元；7037、拟合单元；7038、第二预测单元；7039、第三提取单元；7040、第三计算单元； 7041、第四计算单元；704、分类模块；800、睡眠呼吸暂停事件预测设备；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事件预测方法。

参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。

S100、获取第一信息，所述第一信息包括待测试人员的四个睡眠通道的信号，四个睡眠通道的信号包括待测试人员的鼻腔气流呼吸信号、胸部呼吸努力信号、腹部呼吸努力信号和血氧信号。

可以理解为综合考虑了时间和空间中的四通道呼吸信号特征，根据预测得到的呼吸信号序列来更好地判断受试者的睡眠呼吸暂停事件。

S200、对第一信息的特征向量的相关性进行计算，并构建睡眠呼吸图。

可以理解的是，在S200步骤中包括S201、S202、S203、 S204、S205、S206和S207，其中：

S201、根据所述第一信息进行相关性计算，得到呼吸结构图，所述呼吸结构图为网络矩阵结构图；

可以理解的是，从步骤S100提到了从四种信号中获取的特征向量进行了相关性计算，得到的这个相关性在本步骤中用来构造呼吸结构图(顶点+每个顶点的特征向量+特征向量的相关性＝网络矩阵结构图，即呼吸结构图)。

S202、获取第二信息，所述第二信息包括所述呼吸结构图中顶点的个数和所述顶点的特征向量；

S203、根据所述第二信息，构建特征矩阵；

S204、获取第三信息，所述第三信息包括所述呼吸结构图中所述顶点之间的相关性；

S205、根据所述第三信息，构建邻接矩阵；

S206、对所述特征矩阵进行预处理，并根据皮尔森相关系数计算所述邻接矩阵；

S207、根据预处理后的所述特征矩阵和计算得出的所述邻接矩阵，构建睡眠呼吸图。

优选地，利用皮尔森相关系数计算睡眠呼吸图的邻接矩阵，其中每个睡眠呼吸图都由30秒的呼吸信号序列构造而成。

可以理解的是，在本步骤中，从四通道呼吸信号中构建睡眠呼吸图表示为：G＝(V，E，A)

其中V表示顶点集合，网络中的每个顶点分别代表鼻腔气流呼吸信号、胸部呼吸努力信号、腹部呼吸努力信号和血氧信号；|V|＝N是睡眠呼吸网络中的顶点个数；E表示边的集合，表示顶点之间的连接线；A表示睡眠呼吸网络G的邻接矩阵。

需要说明的是，从四通道呼吸信号中构建睡眠呼吸图，图中的每个顶点分别代表鼻腔气流呼吸信号、胸部呼吸努力信号、腹部呼吸努力信号、血氧信号。邻接矩阵A的计算公式如(1)所示。

其中，A_mn＝r(x_m，x_n)(m，n∈{1，2，···，N}) 来表示节点x_m和x_n之间基于输入特征矩阵

的连接关系，其中，F表示特征向量维度。r代表两个节点间的皮尔逊相关系数，

表示节点m的第i维特征向量值，

表示节点n的第i维特征向量值。

和

表示两者的样本均值，r(x_m，x_n)＝1表示两个变量完全正向线性相关，即满足Y＝aX+b(a>0)的关系，r(x_m，x_n)＝0表示两个变量无关，r(x_m，x_n)＝-1表示两个变量完全负相关，即满足Y＝aX+b(a<0)。

通过待测试人员的鼻腔气流呼吸信号、胸部呼吸努力信号、腹部呼吸努力信号以及血氧信号共四个通道，进行数据预处理操作得到各自的特征向量。通过皮尔斯系数构建睡眠呼吸图后，分别获取时间和空间特征，并以此为基础构建深度神经网络模型对多通道信号片段进行预测，根据预测得到的呼吸信号序列预测受试者的睡眠呼吸暂停事件。

S300、根据所述睡眠呼吸图，构建RCCN模型，对所述待测试人员的呼吸信号进行预测，得到预测结果，所述RCCN模型包括两个时空循环卷积块，每个所述时空循环卷积块均包含时间循环卷积块和空间图卷积块。

可以理解的是，在本步骤中S300包括S301、S302和S303，其中：

S301、根据循环图卷积神经网络，提取对所述睡眠呼吸图的空间特征和时间特征；

S302、根据提取到的所述空间特征和所述时间特征，预测所述待测试人员的呼吸信号；

S303、通过预设的CNN层对所述呼吸信号进行特征提取，得到预测睡眠呼吸暂停事件预测的预测结果。

上述叙述中“时间循环卷积块”为：使用一个CNN(卷积神经网络)接上一个GRU(门控循环神经网络)在时间维度上执行卷积操作。这样一个结构称为时间循环卷积块。目的是在时间维度上捕捉呼吸信号转换规则。此处的GRU：门控循环神经网络，是基于门控单元的循环神经网络(Recurrent Neural Network,RNN)；是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元) 按链式连接的递归神经网络。本实施例中“CNN层”为：指卷积神经网络，即卷积神经网络(Convolutional NeuralNetworks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeural Networks)，是深度学习(deep learning) 的代表算法之一。

“空间图卷积块”为：对步骤S200中得到的呼吸睡眠图进行图卷积得到空间特征。这样一个结构称为空间图卷积块。目的是通过图卷积的方法从空间维度中提取出相应的特征。此处的图卷积为指图卷积神经网络，即扩展到图结构中的卷积神经网络，一类能处理图结构数据的包含卷积计算且具有深度结构的前馈神经网络，即为一种特殊的卷积神经网络。

使用卷积神经网络(CNN)结合GRU在时间维度上执行卷积操作；在时间轴上采用CNN+GRU的结构，通过单元间的信息传递捕捉呼吸信号的时间动态特征更加具体。

优选地，步骤S301之后包括S3011、S3012和S3013，其中：

S3011、利用图卷积神经网络模型，提取所述睡眠呼吸图中节点间的空间依赖关系；

S3012、根据图拉普拉斯算子中的切比雪夫不等式定理和所述空间依赖关系，对所述特征向量进行计算，得到空间特征；

S3013、利用卷积神经网络和循环神经网络，根据所述空间特征，计算得到所述待测试人员的呼吸信号中的时间动态特征。

需要说明的是，应用循环图卷积神经网络对睡眠呼吸图提取空间和时间特征，首先对于要预测的每段呼吸信号，通过图卷积的方法从空间维度中提取出相应的特征，通过已经得到的邻接矩阵和特征矩阵共同构成睡眠呼吸图。切比雪夫图卷积使用 K-1阶多项式定义为：

其中，g_θ为多项式系数，*_G表示图卷积操作，K表示卷积核大小，θ_k表示切比雪夫第k系数的向量值，x为输入数据。L 表示拉普拉斯矩阵。T_k递归地表示切尔雪夫多项式。

表示 L_k近似，其中L_k表示L的特征向量构成的对角阵。

每个睡眠呼吸图使用图卷积神经网络模型提取遥远区域的空间依赖性并且利用图拉普拉斯算子中的切比雪夫展开来减少模型的计算量。

需要说明的是，在本步骤中S300还包括S304、S305、S306、 S307和S308，其中：

S304、获取至少两个时空循环卷积块；

S305、根据2个所述时空循环卷积块进行堆叠，构建动态时空图卷积块，所述动态时空图卷积块包括2个时间层和1个连接时间域的空间层；

S306、利用瓶颈理论，利用了图卷积层对每个所述时空循环卷积块相对应的输出维度进行升降处理；

S307、根据随机丢弃法，对升降处理后的所述时空循环卷积块进行过拟合缓解；

S308、根据线性转换，对过拟合缓解后的所述时空循环卷积块进行信号预测，得到预测结果。

在本实施例中，使用了2块时空循环卷积块进行堆叠构建动态时空图卷积块，中间的空间层是连接2个时间时域的桥梁，它能够实现图卷积和时间循环卷积之间的过渡，有利于在空间状态中实现快速传播。

该架构充分应用瓶颈策略，利用了图卷积层对通道c进行维度的升降，实现数据的特征压缩和尺度压缩。另外，在每个时空循环卷积块中，为了避免过度的拟合，在每一层后都采用了随机丢弃处理。在叠加2个动态时空图卷积块之后，添加一个输出层，该输出层为增添了全连接层的时间循环卷积层。该输出层将最后一个动态时空图卷积块的输出与单步预测之间做了映射，所以可以利用该模型得到最后的输出Z，再利用线性转换

最后预测出n个节点的呼吸信号值，其中w是权重向量，b是偏置。

S400、根据所述预测结果进行分类，判断分类后的所述待测试人员的呼吸信号是否属于暂停事件，若是则输出所述暂停事件的结果。

可以理解的是，在本步骤S400中，包括S401、S402和S403，其中：

S401、根据预测结果，输出两种分类事件，两种分类事件包括阻塞性睡眠呼吸暂停事件和正常事件；

S402、根据概率矩阵和预设的阈值，判断待测试人员的呼吸信号是否为阻塞性睡眠呼吸暂停事件；

S403、对概率矩阵中的两个上下元素来作比较；两个元素中较大的一个等于1，另一个等于0，所以，

输出表示阻塞性睡眠呼吸暂停事件，

输出表示正常事件。

通过概率矩阵和预设的阈值来进行判断待测试人员的呼吸信号是否为暂停事件，综合考虑了时间和空间中的四个通道呼吸信号特征，充分应用瓶颈策略，利用了图卷积层对通道进行维度的升降，实现数据的特征压缩和尺度压缩；并且利用四通道的呼吸信号进行特征提取，并将信号之间的相关性转化为图结构，通过堆叠时空循环卷积块对空间和时间特征分别进行提取，从而综合多维度的信息提高预警的准确性。

实施例2：

如图2所示，本实施例提供了一种睡眠呼吸事件预测装置，参见图2所述装置包括获取模块701、构建模块702、预测模块 703和分类模块704，其中：

获取模块701：用于获取第一信息，所述第一信息包括待测试人员的四个睡眠通道的信号，四个睡眠通道的信号包括待测试人员的鼻腔气流呼吸信号、胸部呼吸努力信号、腹部呼吸努力信号和血氧信号；

构建模块702：用于对第一信息的特征向量的相关性进行计算，并构建睡眠呼吸图；

预测模块703：用于根据所述睡眠呼吸图，构建RCCN模型，对所述待测试人员的呼吸信号进行预测，得到预测结果，所述 RCCN模型包括两个时空循环卷积块，每个所述时空循环卷积块均包含时间循环卷积块和空间图卷积块；

分类模块704：用于根据所述预测结果进行分类，判断分类后的所述待测试人员的呼吸信号是否属于暂停事件，若是则输出所述暂停事件的结果。

优选地，构建模块702其中包括第一获取单元7021、第二获取单元7022、第一构建单元7023、第三获取单元7024、第二构建单元7025、第一计算单元7026和第二计算单元7027，其中：

第一获取单元7021：根据所述第一信息进行相关性计算，得到呼吸结构图，所述呼吸结构图为网络矩阵结构图；

第二获取单元7022：用于获取第二信息，所述第二信息包括所述呼吸结构图中顶点的个数和所述顶点的特征向量；

第一构建单元7023：用于根据所述第二信息，构建特征矩阵；

第三获取单元7024：用于获取第三信息，所述第三信息包括所述呼吸结构图中所述顶点之间的相关性；

第二构建单元7025：用于根据所述第三信息，构建邻接矩阵；

第一计算单元7026：用于对所述特征矩阵进行预处理，并根据皮尔森相关系数计算所述邻接矩阵；

第二计算单元7027：用于根据预处理后的所述特征矩阵和计算得出的所述邻接矩阵，构建睡眠呼吸图。

优选地，预测模块703，其中包括第一提取单元7031、第一预测单元7032和第二提取单元7033，其中：

第一提取单元7031：用于根据循环图卷积神经网络，提取对所述睡眠呼吸图的空间特征和时间特征；

第一预测单元7032：用于根据提取到的所述空间特征和所述时间特征，预测所述待测试人员的呼吸信号；

第二提取单元7033：用于通过预设的CNN层对所述呼吸信号进行特征提取，得到预测睡眠呼吸暂停事件预测的预测结果。

优选地，预测模块703，还包括第四获取单元7034、第三构建单元7035、处理单元7036、拟合单元7037和第二预测单元7038，其中：

第四获取单元7034：用于获取至少两个时空循环卷积块；

第三构建单元7035：用于根据2个所述时空循环卷积块进行堆叠，构建动态时空图卷积块，所述动态时空图卷积块包括 2个时间层和1个连接时间域的空间层；

处理单元7036：用于利用瓶颈理论，利用了图卷积层对每个所述时空循环卷积块相对应的输出维度进行升降处理；

拟合单元7037：用于根据随机丢弃法，对升降处理后的所述时空循环卷积块进行过拟合缓解；

第二预测单元7038：用于根据线性转换，对过拟合缓解后的所述时空循环卷积块进行信号预测，得到预测结果。

优选地，第一提取单元7031之后还包括第三提取单元7039、第三计算单元7040和第四计算单元7041，其中：

第三提取单元7039：用于利用图卷积神经网络模型，提取所述睡眠呼吸图中节点间的空间依赖关系；

第三计算单元7040：用于根据图拉普拉斯算子中的切比雪夫不等式定理和所述空间依赖关系，对所述特征向量进行计算，得到空间特征；

第四计算单元7041：用于利用卷积神经网络和循环神经网络，根据所述空间特征，计算得到所述待测试人员的呼吸信号中的时间动态特征。

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事件预测设备，下文描述的一种睡眠呼吸事件预测设备与上文描述的一种睡眠呼吸事件预测方法可相互对应参照。

图3是根据示例性实施例示出的一种睡眠呼吸事件预测设备800的框图。如图3所示，该睡眠呼吸事件预测设备800可以包括：处理器801，存储器802。该睡眠呼吸事件预测设备 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事件预测设备800 的整体操作，以完成上述的睡眠呼吸事件预测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事件预测设备800的操作，这些数据例如可以包括用于在该睡眠呼吸事件预测设备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(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-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事件预测设备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 FieldCommunication，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，睡眠呼吸事件预测设备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(DigitalSignal 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事件预测方法。

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可读存储介质，该程序指令被处理器执行时实现上述的睡眠呼吸事件预测方法的步骤。例如，该计算机可读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事件预测设备800的处理器801执行以完成上述的睡眠呼吸事件预测方法。

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可读存储介质，下文描述的一种可读存储介质与上文描述的一种睡眠呼吸事件预测方法可相互对应参照。

一种可读存储介质，可读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事件预测方法的步骤。

该可读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可读存储介质。

综上所述，本发明设计了一种时空特征提取方法，综合考虑了时间和空间中的四个通道呼吸信号特征，充分应用瓶颈策略，利用了图卷积层对通道进行维度的升降，实现数据的特征压缩和尺度压缩；并且提出了一种睡眠呼吸事件预测方法，首先利用四通道的呼吸信号进行特征提取，并将信号之间的相关性转化为图结构，通过堆叠时空循环卷积块对空间和时间特征分别进行提取，从而综合多维度的信息提高预警的准确性。

以上所述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。

以上所述，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

1.一种睡眠呼吸事件预测装置，其特征在于，包括：

预测模块：用于根据所述睡眠呼吸图，构建RCCN模型，对所述待测试人员的呼吸信号进行预测，得到预测结果，所述RCCN模型包括两个时空循环卷积块，每个所述时空循环卷积块均包含时间循环卷积块和空间图卷积块；

分类模块：用于根据所述预测结果进行分类，判断分类后的所述待测试人员的呼吸信号是否属于暂停事件，若是则输出所述暂停事件的结果；

其中，从四通道呼吸信号中构建睡眠呼吸图表示为：G＝(V，E，A)，式中，V表示顶点集合，网络中的每个顶点分别代表鼻腔气流呼吸信号、胸部呼吸努力信号、腹部呼吸努力信号和血氧信号；|V|＝N是睡眠呼吸网络中的顶点个数；E表示边的集合，表示顶点之间的连接线；A表示睡眠呼吸网络G的邻接矩阵。

2.根据权利要求1所述的睡眠呼吸事件预测装置，其特征在于，所述构建模块，其中包括：

第一获取单元：根据所述第一信息进行相关性计算，得到呼吸结构图，所述呼吸结构图为网络矩阵结构图；

第二获取单元：用于获取第二信息，所述第二信息包括所述呼吸结构图中顶点的个数和所述顶点的特征向量；

第一构建单元：用于根据所述第二信息，构建特征矩阵；

第三获取单元：用于获取第三信息，所述第三信息包括所述呼吸结构图中所述顶点之间的相关性；

第二构建单元：用于根据所述第三信息，构建邻接矩阵；

第一计算单元：用于对所述特征矩阵进行预处理，并根据皮尔森相关系数计算所述邻接矩阵；

第二计算单元：用于根据预处理后的所述特征矩阵和计算得出的所述邻接矩阵，构建睡眠呼吸图。

3.根据权利要求1所述的睡眠呼吸事件预测装置，其特征在于，所述预测模块，其中包括：

第一提取单元：用于根据循环图卷积神经网络，提取对所述睡眠呼吸图的空间特征和时间特征；

第一预测单元：用于根据提取到的所述空间特征和所述时间特征，预测所述待测试人员的呼吸信号；

第二提取单元：用于通过预设的CNN层对所述呼吸信号进行特征提取，得到预测睡眠呼吸暂停事件预测的预测结果。

4.根据权利要求1所述的睡眠呼吸事件预测装置，其特征在于，所述预测模块，还包括：

第四获取单元：用于获取至少两个时空循环卷积块；

第三构建单元：用于根据2个所述时空循环卷积块进行堆叠，构建动态时空图卷积块，所述动态时空图卷积块包括2个时间层和1个连接时间域的空间层；

处理单元：用于利用瓶颈理论，利用了图卷积层对每个所述时空循环卷积块相对应的输出维度进行升降处理；

拟合单元：用于根据随机丢弃法，对升降处理后的所述时空循环卷积块进行过拟合缓解；

第二预测单元：用于根据线性转换，对过拟合缓解后的所述时空循环卷积块进行信号预测，得到预测结果。