CN114916913B - 一种便携式睡眠呼吸状态实时监测系统及方法 - Google Patents

一种便携式睡眠呼吸状态实时监测系统及方法 Download PDF

Info

Publication number
CN114916913B
CN114916913B CN202210497820.0A CN202210497820A CN114916913B CN 114916913 B CN114916913 B CN 114916913B CN 202210497820 A CN202210497820 A CN 202210497820A CN 114916913 B CN114916913 B CN 114916913B
Authority
CN
China
Prior art keywords
tree
monitoring
transmission module
data acquisition
physiological data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210497820.0A
Other languages
English (en)
Other versions
CN114916913A (zh
Inventor
杜宗霖
任颖歆
任颖桐
王骄
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202210497820.0A priority Critical patent/CN114916913B/zh
Publication of CN114916913A publication Critical patent/CN114916913A/zh
Application granted granted Critical
Publication of CN114916913B publication Critical patent/CN114916913B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • A61B5/1135—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing by monitoring thoracic expansion
    • 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
    • A61B5/1455—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 using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—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 using optical sensors, e.g. spectral photometrical oximeters 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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7455—Details of notification to user or communication with user or patient ; user input means characterised by tactile indication, e.g. vibration or electrical stimulation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

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

Abstract

本发明属于电子医疗设备领域，具体说是一种便携式睡眠呼吸状态实时监测系统及方法。包括多个监测传感器、数据采集传输模块以及显示处理模块，其中：所述监测传感器，用于监测不同部位的生理数据，并发送给数据采集传输模块；所述数据采集传输模块，用于接收各个监测传感器采集的生理数据并通过WIFI发送给显示处理模块；所述显示处理模块，用于存储并显示多维生理数据，以及对多维生理数据进行处理分析，得到当前的睡眠呼吸状态。本发明装置采用多通道生理特征信号包括鼻气流信号、血氧信号和胸腹运动信号对睡眠呼吸状态进行监测，并利用人工智能算法技术提高检测的准确性，实现较为全面准确地监测睡眠呼吸状态。

Description

一种便携式睡眠呼吸状态实时监测系统及方法
技术领域
本发明属于电子医疗设备领域，具体说是一种便携式睡眠呼吸状态实时监测系统及方法。
背景技术
当前的睡眠呼吸状态监测装备存在的问题主要体现在如下几个方面：一是多数设备的睡眠监测模块应用单路传感器，如心电信号、鼾声信号或者血氧信号进行分析，利用人工智能算法研究睡眠呼吸状态分类，研究中选取的单一特征信号虽然与睡眠呼吸事件有一定关系，但是无法全面准确反映真实睡眠呼吸情况，仅能估计睡眠呼吸暂停的严重程度。二是多数设备对获取的生理信号处理方式较为简单，其生理信号的分类方法多局限于单一维度的经验统计或某个生理信号数据集的训练模型，未结合多维特征来对信号检测模型进行有效训练，导致对睡眠呼吸状态的判断不够准确。
发明内容
针对上述现有技术的不足，本发明提供一种便携式睡眠呼吸状态实时监测系统及方法，实现睡眠呼吸状态的实时精准判定。
本发明为实现上述目的所采用的技术方案是：
一种便携式睡眠呼吸状态实时监测系统，包括多个监测传感器、数据采集传输模块以及显示处理模块，其中：
所述监测传感器，用于监测不同部位的生理数据，并发送给数据采集传输模块；
所述数据采集传输模块，用于接收各个监测传感器采集的生理数据并通过WIFI发送给显示处理模块；
所述显示处理模块，用于存储并显示多维生理数据，以及对多维生理数据进行处理分析，得到当前的睡眠呼吸状态。
所述监测传感器包括：
口鼻气流监测传感器，用于通过粘贴在口鼻处的口鼻气流管将口鼻处气流导入至气压传感器芯片，监测口鼻气流信息，并发送给数据采集传输模块；
血氧监测传感器，用于通过穿戴在手指上的指夹式血氧仪，测量血氧饱和度，并发送给数据采集传输模块；
胸部运动监测传感器，用于通过穿戴在胸部的压电传感器，监测胸部呼吸运动信号，并发送给数据采集传输模块；
腹部运动监测传感器，用于通过穿戴在腹部的压电传感器，监测腹部呼吸运动信号，并发送给数据采集传输模块；
鼾声监测传感器，用于通过粘贴在脖子上的鼾声麦克风，监测睡眠时发出的鼾声，并发送给数据采集传输模块。
还包括腕部振动提醒模块，用于通过佩戴在腕部的振动马达电机，当睡眠呼吸状态异常时，根据显示处理模块通过数据采集传输模块发送的指令，进行振动提醒。
一种便携式睡眠呼吸状态实时监测方法，包括以下步骤：
监测传感器监测不同部位的生理数据，并发送给数据采集传输模块；
数据采集传输模块接收各个监测传感器采集的生理数据并通过WIFI发送给显示处理模块；
显示处理模块存储并显示多维生理数据，以及对多维生理数据进行处理分析，得到当前的睡眠呼吸状态。
所述监测传感器为多个，分别执行以下步骤：
口鼻气流监测传感器通过粘贴在口鼻处的口鼻气流管将口鼻处气流导入至气压传感器芯片，监测口鼻气流信息，并发送给数据采集传输模块；
血氧监测传感器通过穿戴在手指上的指夹式血氧仪，测量血氧饱和度，并发送给数据采集传输模块；
胸部运动监测传感器通过穿戴在胸部的压电传感器，监测胸部呼吸运动信号，并发送给数据采集传输模块；
腹部运动监测传感器通过穿戴在腹部的压电传感器，监测腹部呼吸运动信号，并发送给数据采集传输模块；
鼾声监测传感器通过粘贴在脖子上的鼾声麦克风，监测睡眠时发出的鼾声，并发送给数据采集传输模块。
所述口鼻气流信息、胸部呼吸运动信号和腹部呼吸运动信号均包括幅度相对变化量Peak_Var和高频率分量能量占比EnergyProp，其中：
Figure BDA0003633540170000031
其中，将n秒时间内生理数据作为1个数据帧，CE(i)为第i个数据帧当前n秒时间内生理数据有效幅度值，CE(i，b)为第i个数据帧前k秒时间内生理数据的参考幅度值，k＞n；
Figure BDA0003633540170000032
其中，E表示为当前生理数据波形总能量，E1和E2为当前生理数据波形高频率分量能量。
所述血氧饱和度参数使用血氧饱和度下降值DeclineSPO2表示，
DeclineSPO2＝UPSPO2-DNSPO2
其中，UPSPO2表示下降曲线段血氧饱和度最大值，DNSPO2表示下降曲线段血氧饱和度最小值。
所述显示处理模块利用梯度均衡提升树算法对多维生理数据进行处理分析，包括以下步骤：
1)构建梯度均衡提升树模型的第0棵CART树模型函数F0(X)：
Figure BDA0003633540170000033
将生理数据的特征向量及其对应的标签作为训练样本，其中，P(y＝1|X)、P(y＝0|X)表示训练样本中y＝1、y＝0的比例，且P(y＝0|X)≠0，y为标签，y＝1和y＝0分别表示睡眠呼吸状态异常和睡眠呼吸状态正常；
2)计算第0棵CART树的伪残差，作为第1棵CART树需要拟合的伪残差：
通过Logistic函数计算每个样本为睡眠呼吸状态异常的概率值，则第i个样本为睡眠呼吸状态异常的概率值为：
Figure BDA0003633540170000041
F0(Xi)表示样本Xi在第0棵CART树确定后通过梯度均衡提升树模型函数计算出的结果；
将损失函数L增加两个调节参数α、β，新的损失函数L(yi，F0(Xi))表示为：
Figure BDA0003633540170000042
其中，α、β为参数；
第1棵CART树需要拟合的伪残差r1，i表示为：
Figure BDA0003633540170000043
3)寻找CART树的最佳划分节点：遍历每个特征的可能取值，利用费尔德曼均方误差方法，计算得到费尔德曼均方误差最小的节点，完成该节点的分裂；对下层节点采用相同方法进行迭代分裂，直到树的深度达到指定阈值，完成CART树的构建；
4)CART树的结构确定后，计算第1棵树、第j个叶子的节点值δ1，j：
Figure BDA0003633540170000044
其中，R1，j表示第1棵树、第j个叶子节点的样本集合；
5)计算第1棵树的模型函数F1(X)：将第0棵树的模型函数F0(X)加上第1棵树的叶节点函数学习率的乘积，即：
Figure BDA0003633540170000045
其中X表示训练样本集合，lr表示学习率，I(Xi∈Rt+1，j)表示指示函数，符合条件时输出为1，否则为0；j表示叶子节点的个数；
6)重复执行步骤2)至步骤5)，直到模型性能达到指定指标，或增加树的数量而模型性能提升率小于阈值，在已有模型的基础上构建2-T棵CART树，最终的强学习器表示为：
Figure BDA0003633540170000051
其中T表示达到指定指标后，除F0外CART树的数量；
7)对于需要进行分类预测的样本，计算FT(X)的值，并将该值通过Logistic函数转化为概率进行分类：
Figure BDA0003633540170000052
若
Figure BDA0003633540170000053
A∈(0，1)时，判定该样本为睡眠呼吸状态异常，否则判定为睡眠呼吸状态正常。
腕部振动提醒模块通过佩戴在腕部的振动马达电机，当睡眠呼吸状态异常时，根据显示处理模块通过数据采集传输模块发送的指令，进行振动提醒。
本发明具有以下有益效果及优点：
本发明装置采用多通道生理特征信号包括鼻气流信号、血氧信号和胸腹运动信号对睡眠呼吸状态进行监测，并利用人工智能算法技术提高检测的准确性，实现较为全面准确地监测睡眠呼吸状态。
附图说明
图1为本实施方式的结构示意图；
图2为本实施方式的流程示意图；
图3为本实施方式基于增加均衡机制的梯度提升方法模型流程图；
图4a～图4b为系数与呼吸正常样本概率关系。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
图1为本实施方式一种便携式睡眠呼吸状态实时监测系统的结构示意图。
如图1所示，所述一种便携式睡眠呼吸状态实时监测系统包括：
口鼻气流监测传感器，用于监测口鼻气流信息；本实施方式的口鼻气流监测传感器采用的是内部集成霍尼韦尔气压传感器芯片(HSCDRRD006MD2A3)，口鼻气流管粘贴在口鼻处获取口鼻处气流，导入至气压传感器芯片监测气流的大小变化。
血氧监测传感器，用于测量血氧饱和度；本实施方式的血氧监测传感器采用的是指夹式血氧仪，具体是使用NONIN(燕牌)成人血氧探头及3012XPOD型转接线采集血氧饱和度数值信息；
胸部运动监测传感器，用于检测胸部呼吸运动信号；
腹部运动监测传感器，用于检测腹部呼吸运动信号；在本实施方式中，具体的胸部运动监测传感器和腹部运动监测传感器是利用ADXL327BCPZ型ACC重力加速度芯片及外围电路来实现的，通过在胸腹部位安置束带形式的压电传感器来检测胸腹呼吸运动信号；
鼾声监测传感器，用于检测睡眠时发出的鼾声；本实施方式的鼾声监测传感器采用的是鼾声麦克风，具体是使用检测距离为30mm-700mm的PI-36型双硅麦克风DSP远距离拾取降噪模块，使用时粘贴在患者脖子附近。
数据采集传输模块，上述传感器的监测数据经数据线传输至数据采集传输模块，并通过WIFI发送给显示处理模块，同时接收显示处理模块发来的判定结果，并通过蓝牙方式发送动作指令给腕部振动提醒模块。
腕部振动提醒模块，佩戴于腕部位置，用于呼吸状态异常发生时根据接收的动作指令产生较为强烈的振动，本实施方式的腕部振动提醒模块采用的是小型振动马达电机；
显示处理模块，具体实现方式为手机App端或电脑客户端，通过WIFI接收数据采集传输模块发送的数据，如果是异地登陆手机App端或电脑客户端，数据可经过网络中继传输。显示处理模块实时存储数据。利用多维数据，基于人工智能算法分析当前的呼吸状态，将判定结果发送给数据采集传输模块，数据采集传输模块通过蓝牙方式发送动作指令给腕部振动提醒模块。实时保存整晚监测数据，并得出患者的睡眠分析报告。
图2为本实施方式一种便携式睡眠呼吸状态实时监测方法的流程示意图。
如图2所示，所述一种便携式睡眠呼吸状态实时监测方法，具体包括如下步骤：
步骤1：数据采集传输模块实时采集多路传感器信号包括口鼻气流信号、血氧饱和度信号、胸腹运动信号、鼾声信号，从多维睡眠状态信息提取的特征值，具体如表1所示，较为全面体现睡眠状态。
表1多维睡眠状态生理信息提取的特征值
Figure BDA0003633540170000071
各特征值详细解释如下
·口鼻气流幅度相对变化量Peak_VarAF
具体可表示为：
Figure BDA0003633540170000081
其中，Peak_VarAF表示当前口鼻气流幅度相对变化量。人的呼吸频率一般情况下在每分钟12到22次左右，为保证至少能够采集到2个完整的呼吸过程数据，在本实施方式中将10秒时间内口鼻气流数据作为1个数据帧，
Figure BDA0003633540170000082
为第i个数据帧当前10秒时间内口鼻气流数据有效幅度值。为了获取口鼻气流的幅度变化，首先对口鼻气流信号利用envelope函数取上下包络时间序列
Figure BDA0003633540170000083
和
Figure BDA0003633540170000084
口鼻气流传感器的采样率为10Hz，即10秒钟(1个数据帧)内的采样点数为100；然后对上包络时间序列和下包络时间序列延时作差，差值可作为10秒时间内口鼻气流幅度绝对变化量，在本实施方式中采用上下包络时间序列1秒延时作差，即第i帧当前10秒时间内口鼻气流幅度绝对变化量可写作：
Figure BDA0003633540170000085
Figure BDA0003633540170000086
为第i个数据帧前120秒时间内(本实施方式设定)口鼻气流幅度绝对变化量，与当前10秒口鼻气流数据类似，首先利用envelope函数取上下包络时间序列
Figure BDA0003633540170000087
和
Figure BDA0003633540170000088
然后计算上包络时间序列和下包络时间序列1秒延时作差，最后对延时作差后的序列值从大到小排序，取其中前200个点的平均值作为口鼻气流幅度有效变化量，用来表征第i个数据帧前120秒时间内呼吸状态较好的口鼻气流幅度变化情况，写作：
Figure BDA0003633540170000089
其中，AMP(t)为内所有上下包络时间序列延时作差后从大到小排序后的序列值。
以上1秒、10秒、120秒、200个点等参数值可以根据实际效果调整。
·气流高频率分量能量占比EnergyPropAF
首先对口鼻气流监测传感器采集的数据波形进行经验模态分解，取高频分量IMF1和IMF2进行希尔伯特变换，并计算变换结果振幅的平方和来反映高频率分量能量，记为E1和E2，为了反映当前口鼻气流中呼吸动作在时频分量上的占比情况，可表示为：
Figure BDA0003633540170000091
其中，E表示为当前口鼻气流波形总能量
·胸部运动幅度相对变化Peak_VarTE
睡眠呼吸暂停监测过程中，口鼻处气流变化随着睡姿体位有较大波动，因此还需要胸腹运动的状态综合反映人体呼吸状态，胸部呼吸状态衰减可通过胸部运动幅度相对变化来体现，采样率与计算方式与口鼻气流类似；
·胸部运动高频率分量能量占比EnergyPropTE
采样率与计算方式与口鼻气流类似；
·腹部运动幅度相对变化Peak_VarAE
腹部呼吸状态衰减可通过腹部运动幅度相对变化来体现，采样率与计算方式与口鼻气流类似；
·腹部运动高频率分量能量占比EnergyPropAE
采样率与计算方式与口鼻气流类似，不再赘述；
·血氧饱和度下降值DeclineSPO2
血氧饱和度与睡眠呼吸暂停综合征有着密切的联系，可表示为：
DeclineSPO2＝UPSPO2-DNSPO2
具体方法为，利用差值法寻找第i帧后30秒内血氧数据中的下降曲线，血氧饱和度采样率为1Hz，前一数据与后一数据作差，若差值＞0，则标记为下降，计数加1，否则不标记；作差结束后对计数最大的区间段认定为下降曲线段，UPSPO2表示下降曲线段血氧饱和度最大值，DNSPO2表示下降曲线段血氧饱和度最小值。
·鼾声梅尔频率倒谱系数MFCCSN
梅尔频率倒谱系数声学信号处理领域中常用的特征，在信噪比降低时仍然具有较好的识别性能，因此可以用于反映鼾声与非鼾声片段的差异。具体计算过程为对语音信号进行预处理、端点检测、离散傅里叶变换、语音信号功率谱计算、梅尔尺度滤波器平滑化、对数变换、离散余弦变换，最终求得鼾声信号的梅尔频率倒谱系数MFCCSN。
步骤2：利用梯度均衡提升树算法进行实时分析，判断是否发生呼吸异常事件。分析判断识别过程参照图3，利用梯度均衡提升树算法将睡眠状态划分为两类，第一类为呼吸正常，第二类为呼吸异常。
本发明提出一种改进的梯度均衡提升树算法，在梯度提升树的基础上增加均衡机制，提升少数类样本在损失函数中的作用，同时增加系数提升困难样本的分辨能力，并抑制离群点样本的干扰。梯度提升使用CART(Classification and Regression Tree，分类与回归)树作为每一轮训练的基学习器，每个基分类器在上一轮基分类器的残差基础上进行训练。
输入数据可定义为：全体样本集为S＝{(y1；X1)，(y2；X2)，......，(yn；Xn)}，其中yi∈{0，1}表示每个样本的标签，其中0表示呼吸正常，1表示呼吸异常；Xi表示特征向量，本实施例中，该特征向量包含8维数据，即Xi＝(xi，1，xi，2，xi，3...xi，8)，分别表示表1中的气流幅度相对变化Peak_VarAF、气流高频率分量能量占比EnergyPropAF、胸部运动幅度相对变化Peak_VarTE、胸部运动高频率分量能量占比EnergyPropTE、腹部运动幅度相对变化Peak_VarAE、腹部运动高频率分量能量占比EnergyPropAE、血氧饱和度下降值DeclineSPO2、鼾声梅尔频率倒谱系数MFCCSN；样本的总数量为n。
构建梯度均衡提升树的步骤包括：
步骤2.1，构建梯度均衡提升树模型的第0棵CART树模型函数F0(X)：
Figure BDA0003633540170000111
其中P(y＝1|X)、P(y＝0|X)表示训练样本中y＝1、y＝0的比例，且P(y＝0|X)≠0。对于F0(X)来说，训练样本确定后，P(y＝1|X)、P(y＝0|X)都是确定值，因此F0(X)只需要计算一次。
步骤2.2，计算第0棵CART树的伪残差，作为第1棵CART树需要拟合的伪残差。
通过Logistic函数计算每个样本是呼吸异常概率值，则第i个样本是呼吸异常概率值为：
Figure BDA0003633540170000112
F0(Xi)表示Xi这个样本，在第0棵CART树确定后通过梯度均衡提升树模型函数计算出的结果，用来计算该样本呼吸异常概率值。
损失函数L增加两个调节参数α、β，新的损失函数L(yi，F0(Xi))可表示为：
Figure BDA0003633540170000113
其中，参数α、β，其取值可根据样本分布情况进行调整。α∈(0，1)，用于调节不平衡样本的权重，对于少数类样本增加α的值，使其在梯度均衡提升树模型训练过程中占据较大的权重，本例中取α＝0.75；β用于调整易分样本与难分样本的损失权重，越容易区分的样本在整体损失中占据越小的比重，越难区分的样本在整体损失中占据越大的比重，然而对极难区分的样本也不应该给予最大的关注，防止过度关注离群点样本造成性能下降。本例中取β＝0.8，则系数(0.8-|pi-0.8|)用于降低标签为0的离群点样本噪声干扰，如图4(a)所示，表示系数
Figure BDA0003633540170000114
与呼吸正常(标签为0)样本概率关系；系数
Figure BDA0003633540170000115
用于降低标签为1的离群点样本噪声干扰，如图4(b)所示，表示系数
Figure BDA0003633540170000116
与呼吸异常(标签为1)样本概率关系。
其中，横坐标p表示样本的分类概率，纵坐标w表示系数值。
将系数
Figure BDA0003633540170000121
和系数
Figure BDA0003633540170000122
看作常数，第1棵CART树需要拟合的伪残差r1，i可表示为：
Figure BDA0003633540170000123
步骤2.3，寻找CART树的最佳划分节点，遍历每个特征的可能取值，利用费尔德曼均方误差方法，计算得到费尔德曼均方误差最小的节点，完成该节点的分裂；对下层节点采用相同方法进行迭代分裂，直到树的深度达到指定阈值，完成CART树的构建。
步骤2.4，CART树的结构确定后，计算第1棵树、第j个叶子的节点值δ1，j：
Figure BDA0003633540170000124
其中R1，j表示第1棵树、第j个叶子节点的样本集合。
步骤2.5，计算第1棵树的模型函数F1(X)，将第0棵树的模型函数F0(X)加上第1棵树的叶节点函数学习率的乘积，即：
Figure BDA0003633540170000125
其中X表示训练样本集合；lr表示学习率，本实施例中设置学习率为一个固定数值，取值为0.1；I(Xi∈Rt+1，j)是指示函数，符合条件时输出为1，否则为0；j表示叶子节点的个数。
步骤2.6，按照相似的操作，重复执行步骤2.2至步骤2.5，在已有模型的基础上构建CART树，直到模型性能达到指定指标(准确率超过90％)，或增加树的数量而模型性能没有明显提升(如增加10棵树，准确率提升小于0.2％)，在已有模型的基础上构建2-T棵CART树，最终的强学习器可表示为：
Figure BDA0003633540170000131
其中T表示达到指定指标后，除F0外CART树的数量。
步骤2.7，以上步骤完成对梯度均衡提升树模型的构建，对于需要进行分类预测的样本，计算FT(X)的值，并将该值通过Logistic函数转化为概率进行分类：
Figure BDA0003633540170000132
若
Figure BDA0003633540170000133
判定该样本为呼吸异常，否则判定为呼吸正常。
上述对本发明的一个实施例进行了详细说明。显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例；上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (3)

1.一种便携式睡眠呼吸状态实时监测系统，其特征在于，包括多个监测传感器、数据采集传输模块以及显示处理模块，其中：
所述监测传感器，用于监测不同部位的生理数据，并发送给数据采集传输模块；
所述数据采集传输模块，用于接收各个监测传感器采集的生理数据并通过WIFI发送给显示处理模块；
所述显示处理模块，用于存储并显示多维生理数据，以及对多维生理数据进行处理分析，得到当前的睡眠呼吸状态；
所述显示处理模块利用梯度均衡提升树算法对多维生理数据进行处理分析，包括以下步骤：
1）构建梯度均衡提升树模型的第0棵CART树模型函数
Figure 371306DEST_PATH_IMAGE001
：
Figure 21730DEST_PATH_IMAGE002
将生理数据的特征向量及其对应的标签作为训练样本，其中，
Figure 680244DEST_PATH_IMAGE003
、
Figure 48909DEST_PATH_IMAGE004
表示训练样本中
Figure 349440DEST_PATH_IMAGE005
、
Figure 119950DEST_PATH_IMAGE006
的比例，且
Figure 949366DEST_PATH_IMAGE007
，y为标签，
Figure 805326DEST_PATH_IMAGE005
和
Figure 909549DEST_PATH_IMAGE006
分别表示睡眠呼吸状态异常和睡眠呼吸状态正常；
2）计算第0棵CART树的伪残差，作为第1棵CART树需要拟合的伪残差：
通过Logistic函数计算每个样本为睡眠呼吸状态异常的概率值，则第i个样本为睡眠呼吸状态异常的概率值为：
Figure 268986DEST_PATH_IMAGE008
Figure 534882DEST_PATH_IMAGE009
表示样本
Figure 612559DEST_PATH_IMAGE010
在第0棵CART树确定后通过梯度均衡提升树模型函数计算出的结果；
将损失函数L增加两个调节参数
Figure 520473DEST_PATH_IMAGE011
，新的损失函数
Figure 991206DEST_PATH_IMAGE012
表示为：
Figure 428004DEST_PATH_IMAGE013
Figure 992977DEST_PATH_IMAGE015
其中，
Figure 173423DEST_PATH_IMAGE011
为参数；
第
Figure 773032DEST_PATH_IMAGE016
棵CART树需要拟合的伪残差
Figure 380731DEST_PATH_IMAGE017
表示为：
Figure 433000DEST_PATH_IMAGE018
；
3）寻找CART树的最佳划分节点：遍历每个特征的可能取值，利用费尔德曼均方误差方法，计算得到费尔德曼均方误差最小的节点，完成该节点的分裂；对下层节点采用相同方法进行迭代分裂，直到树的深度达到指定阈值，完成CART树的构建；
4）CART树的结构确定后，计算第
Figure 151557DEST_PATH_IMAGE016
棵树、第j个叶子的节点值
Figure 605673DEST_PATH_IMAGE019
：
Figure 649852DEST_PATH_IMAGE020
其中，
Figure 189418DEST_PATH_IMAGE021
表示第
Figure 711666DEST_PATH_IMAGE016
棵树、第
Figure 20287DEST_PATH_IMAGE022
个叶子节点的样本集合；
5）计算第1棵树的模型函数
Figure 969789DEST_PATH_IMAGE023
：将第0棵树的模型函数
Figure 996651DEST_PATH_IMAGE024
加上第1棵树的叶节点函数学习率的乘积，即：
Figure 322590DEST_PATH_IMAGE025
其中，X表示训练样本集合，
Figure 485718DEST_PATH_IMAGE026
表示学习率，
Figure 871700DEST_PATH_IMAGE027
表示指示函数，符合条件时输出为1，否则为0；j表示叶子节点的个数；
6）重复执行步骤2）至步骤5），直到模型性能达到指定指标，或增加树的数量而模型性能提升率小于阈值，在已有模型的基础上构建2-T棵CART树，最终的强学习器表示为：
Figure 382928DEST_PATH_IMAGE028
其中，T表示达到指定指标后，除
Figure 246979DEST_PATH_IMAGE029
外CART树的数量；
7）对于需要进行分类预测的样本，计算
Figure 264614DEST_PATH_IMAGE030
的值，并将该值通过Logistic函数转化为概率进行分类：
Figure 87076DEST_PATH_IMAGE031
若
Figure 822951DEST_PATH_IMAGE032
，
Figure 490693DEST_PATH_IMAGE033
时，判定该样本为睡眠呼吸状态异常，否则判定为睡眠呼吸状态正常。
2.根据权利要求1所述的一种便携式睡眠呼吸状态实时监测系统，其特征在于，所述监测传感器包括：
口鼻气流监测传感器，用于通过粘贴在口鼻处的口鼻气流管将口鼻处气流导入至气压传感器芯片，监测口鼻气流信息，并发送给数据采集传输模块；
血氧监测传感器，用于通过穿戴在手指上的指夹式血氧仪，测量血氧饱和度，并发送给数据采集传输模块；
胸部运动监测传感器，用于通过穿戴在胸部的压电传感器，监测胸部呼吸运动信号，并发送给数据采集传输模块；
腹部运动监测传感器，用于通过穿戴在腹部的压电传感器，监测腹部呼吸运动信号，并发送给数据采集传输模块；
鼾声监测传感器，用于通过粘贴在脖子上的鼾声麦克风，监测睡眠时发出的鼾声，并发送给数据采集传输模块。
3.根据权利要求1所述的一种便携式睡眠呼吸状态实时监测系统，其特征在于，还包括腕部振动提醒模块，用于通过佩戴在腕部的振动马达电机，当睡眠呼吸状态异常时，根据显示处理模块通过数据采集传输模块发送的指令，进行振动提醒。
CN202210497820.0A 2022-05-09 2022-05-09 一种便携式睡眠呼吸状态实时监测系统及方法 Active CN114916913B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210497820.0A CN114916913B (zh) 2022-05-09 2022-05-09 一种便携式睡眠呼吸状态实时监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210497820.0A CN114916913B (zh) 2022-05-09 2022-05-09 一种便携式睡眠呼吸状态实时监测系统及方法

Publications (2)

Publication Number Publication Date
CN114916913A CN114916913A (zh) 2022-08-19
CN114916913B true CN114916913B (zh) 2023-01-13

Family

ID=82808102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210497820.0A Active CN114916913B (zh) 2022-05-09 2022-05-09 一种便携式睡眠呼吸状态实时监测系统及方法

Country Status (1)

Country Link
CN (1) CN114916913B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115089128A (zh) * 2022-08-26 2022-09-23 北京大众益康科技有限公司 睡眠呼吸检查系统及方法
CN117558140B (zh) * 2024-01-11 2024-04-12 四川九通智路科技有限公司 一种用于双车道隧道的车流量检测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203468609U (zh) * 2013-06-18 2014-03-12 陈家良 一种睡眠呼吸暂停综合症的监控及治疗系统
CN105725993A (zh) * 2016-04-13 2016-07-06 思澜科技（成都）有限公司 便携式睡眠监测设备及其监测方法
CN106899440A (zh) * 2017-03-15 2017-06-27 苏州大学 一种面向云计算的网络入侵检测方法及系统
CN106943673A (zh) * 2017-04-28 2017-07-14 北京雅果科技有限公司 一种睡眠呼吸暂停监测治疗系统
WO2017198787A1 (en) * 2016-05-19 2017-11-23 Pmd Device Solutions Limited An apparatus and method for detection of dysfunctional breathing
CN108135486A (zh) * 2015-08-17 2018-06-08 瑞思迈传感器技术有限公司 睡眠呼吸障碍筛查仪
CN108567434A (zh) * 2018-05-15 2018-09-25 无锡市人民医院 一种人工智能睡眠呼吸障碍疾病自筛查系统
CN110232448A (zh) * 2019-04-08 2019-09-13 华南理工大学 提高梯度提升树模型的特征值作用和防止过拟合的方法
CN110929347A (zh) * 2019-10-25 2020-03-27 东北大学 一种基于梯度提升树模型的热连轧带钢凸度预测方法
CN111313971A (zh) * 2020-02-28 2020-06-19 杭州电子科技大学 一种用于IMDD短距离光通信系统改进的Lightgbm均衡系统及方法
CN111932091A (zh) * 2020-07-29 2020-11-13 上海交通大学 一种基于梯度生存提升树的生存分析风险函数预测方法
CN113607676A (zh) * 2021-08-04 2021-11-05 淮北师范大学 基于异形比色皿和近红外图像的牛奶成分快速检测方法
CN114287911A (zh) * 2021-12-31 2022-04-08 佳禾智能科技股份有限公司 一种腕表式睡眠呼吸暂停监测装置、系统及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104257353A (zh) * 2014-10-22 2015-01-07 南京邮电大学 一种睡眠呼吸暂停综合症检测系统
CN106548210B (zh) * 2016-10-31 2021-02-05 腾讯科技（深圳）有限公司 基于机器学习模型训练的信贷用户分类方法及装置
JP7176359B2 (ja) * 2018-11-05 2022-11-22 株式会社リコー 学習装置および学習方法
US11468363B2 (en) * 2019-07-03 2022-10-11 Kpn Innovations, Llc. Methods and systems for classification to prognostic labels using expert inputs
CN110476879B (zh) * 2019-08-26 2022-02-22 重庆邮电大学 基于多标签链式生态环境的奶牛行为分类判别方法及装置
US11392195B2 (en) * 2020-06-15 2022-07-19 Strongarm Technologies, Inc. Methods and apparatus for actions, activities and tasks classifications based on machine learning techniques

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203468609U (zh) * 2013-06-18 2014-03-12 陈家良 一种睡眠呼吸暂停综合症的监控及治疗系统
CN108135486A (zh) * 2015-08-17 2018-06-08 瑞思迈传感器技术有限公司 睡眠呼吸障碍筛查仪
CN105725993A (zh) * 2016-04-13 2016-07-06 思澜科技（成都）有限公司 便携式睡眠监测设备及其监测方法
WO2017198787A1 (en) * 2016-05-19 2017-11-23 Pmd Device Solutions Limited An apparatus and method for detection of dysfunctional breathing
CN106899440A (zh) * 2017-03-15 2017-06-27 苏州大学 一种面向云计算的网络入侵检测方法及系统
CN106943673A (zh) * 2017-04-28 2017-07-14 北京雅果科技有限公司 一种睡眠呼吸暂停监测治疗系统
CN108567434A (zh) * 2018-05-15 2018-09-25 无锡市人民医院 一种人工智能睡眠呼吸障碍疾病自筛查系统
CN110232448A (zh) * 2019-04-08 2019-09-13 华南理工大学 提高梯度提升树模型的特征值作用和防止过拟合的方法
CN110929347A (zh) * 2019-10-25 2020-03-27 东北大学 一种基于梯度提升树模型的热连轧带钢凸度预测方法
CN111313971A (zh) * 2020-02-28 2020-06-19 杭州电子科技大学 一种用于IMDD短距离光通信系统改进的Lightgbm均衡系统及方法
CN111932091A (zh) * 2020-07-29 2020-11-13 上海交通大学 一种基于梯度生存提升树的生存分析风险函数预测方法
CN113607676A (zh) * 2021-08-04 2021-11-05 淮北师范大学 基于异形比色皿和近红外图像的牛奶成分快速检测方法
CN114287911A (zh) * 2021-12-31 2022-04-08 佳禾智能科技股份有限公司 一种腕表式睡眠呼吸暂停监测装置、系统及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CPSO聚类和KMP相结合的说话人识别方法;李晶皎，安冬等;《小型微型计算机系统》;20130715;第34卷(第7期);全文 *
Long-term trends in herring growth primarily linked to temperature by gradient boosting regression trees;Lyashevska O等;《ECOLOGICAL INFORMATICS》;20201210;第60卷;全文 *
一种可用于分类型属性数据的多变量回归森林;刘振宇;《计算机科学》;20210820;第49卷(第1期);全文 *

Also Published As

Publication number Publication date
CN114916913A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN114916913B (zh) 一种便携式睡眠呼吸状态实时监测系统及方法
US11974841B2 (en) Respiration processor
CN108388912B (zh) 基于多传感器特征优化算法的睡眠分期方法
Bi et al. AutoDietary: A wearable acoustic sensor system for food intake recognition in daily life
US20180242908A1 (en) Food intake monitor
CN103841888B (zh) 使用呼吸模式识别的呼吸暂停和呼吸不足检测
EP3376953B1 (en) Method and apparatus for determining a respiration rate of a subject
US20160302003A1 (en) Sensing non-speech body sounds
US11089995B2 (en) Method and system for identifying respiratory events
CN108416367A (zh) 基于多传感器数据决策级融合的睡眠分期方法
CN107249449B (zh) 用于感测胎儿活动的系统、装置和方法
CN109528159B (zh) 一种基于床体的人体睡眠和呼吸监控系统和方法
WO2020047264A1 (en) A device embedded in, or attached to, a pillow configured for in-bed monitoring of respiration
WO2021208656A1 (zh) 睡眠风险预测方法、装置和终端设备
CN202069591U (zh) 基于鼾声分析的睡眠监测阻塞定位仪
US20110230778A1 (en) Methods and devices for continual respiratory monitoring using adaptive windowing
CN115191961A (zh) 心肺健康检测方法及装置、可穿戴设备、存储介质
JP2019051129A (ja) 嚥下機能解析システム及びプログラム
Porieva et al. Investigation of lung sounds features for detection of bronchitis and COPD using machine learning methods
CN113164101B (zh) 一种呼吸中止检测系统、方法、计算设备和储存介质
WO2018140288A1 (en) Sleep apnea therapy enhancement method and apparatus
CN204744130U (zh) 一种基于4g移动通讯技术的多参数睡眠监测与智能诊断系统
Sofwan et al. Normal and murmur heart sound classification using linear predictive coding and k-Nearest neighbor methods
TWI442904B (zh) 辨識睡眠呼吸中止、咳嗽與氣喘之特徵的方法及其裝置
CN109961090B (zh) 一种基于智能穿戴设备的行为分类方法及系统

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