CN115040074A - 阻塞性睡眠呼吸暂停检测方法及装置 - Google Patents

阻塞性睡眠呼吸暂停检测方法及装置 Download PDF

Info

Publication number
CN115040074A
CN115040074A CN202210489358.XA CN202210489358A CN115040074A CN 115040074 A CN115040074 A CN 115040074A CN 202210489358 A CN202210489358 A CN 202210489358A CN 115040074 A CN115040074 A CN 115040074A
Authority
CN
China
Prior art keywords
frame
sample
training
samples
classification model
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
CN202210489358.XA
Other languages
English (en)
Inventor
王兴军
苏杭
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.)
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Shenzhen International Graduate School of Tsinghua 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 Shenzhen International Graduate School of Tsinghua University filed Critical Shenzhen International Graduate School of Tsinghua University
Priority to CN202210489358.XA priority Critical patent/CN115040074A/zh
Publication of CN115040074A publication Critical patent/CN115040074A/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
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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

Landscapes

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

Abstract

本发明提供一种阻塞性睡眠呼吸暂停检测方法及装置，属于信号处理技术领域。所述阻塞性睡眠呼吸暂停检测方法，包括：获取被测人的生理数据以及在预设时间段的一组睡眠监测信号；所述睡眠监测信号包括心电信号、血氧信号和脉搏波信号中的至少一项；对所述睡眠监测信号进行切片处理和滤波处理，得到至少一帧切片信号；将所述生理数据和所述至少一帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型，得到所述被测人的阻塞性睡眠暂停低通气综合征OSA患病程度；其中，所述阻塞性睡眠呼吸暂停检测模型包括睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型。

Description

阻塞性睡眠呼吸暂停检测方法及装置
技术领域
本发明涉及信号处理技术领域，尤其涉及一种阻塞性睡眠呼吸暂停检测方法及装置。
背景技术
阻塞性睡眠暂停低通气综合征(obstructive sleep apnea hypopnea syndrome,OSAHS)，简称OSA，是常见的睡眠呼吸障碍之一，主要因为睡眠期间上呼吸道的反复塌陷，口鼻呼吸气流反复停止引起，并伴有皮质唤醒或血氧饱和度下降。从而导致反复的间歇性缺氧和高碳酸血症，以夜间睡觉打鼾、日间嗜睡、晨起口干、头痛等为主要临床表现。在睡眠期间反复发作上呼吸道部分或完全塌陷，导致气流持续减少(呼吸不足)或缺乏(呼吸暂停)持续至少10秒，并伴有皮质唤醒或血氧饱和度下降。OSA是导致过度困倦，导致生活质量下降，工作表现受损和增加的机动车碰撞风险的主要原因。OSA与高血压，2型糖尿病，心房纤颤，心力衰竭，冠心病，中风和死亡的发生率增加有关。OSA的存在和严重程度通常通过呼吸暂停低通气指数(Apnea Hypopnea Index,AHI)来量化，呼吸暂停低通气指数定义为每睡眠小时(或家庭测试记录的小时数)呼吸暂停加呼吸不足的次数。OSA是指每夜7h睡眠过程中呼吸暂停及低通气反复发作30次以上，或呼吸暂停低通气指数(AHI)≥5次/h。
现有技术下检测OSA方法有两种，一种是利用PSG设备进行多导睡眠监测，这种方法在检测时需要有睡眠技师在场监测，而且要在睡眠实验室进行整晚的检测，消耗大量人力。检测结果一般也由睡眠技师根据经验人工得出，这使得检测效率低下，此外，只有当阻塞性睡眠呼吸暂停事件导致明显症状时技师才认为被测人患有OSA，而在睡眠记录中没有任何症状的睡眠呼吸暂停通常不被认为是OSA，又使得OSA检测结果不够准确；另一种是利用深度学习方法进行检测，但是现有的研究当中，大多仅使用心电信号，这使得呼吸事件分类准确率低，而且没有针对未进入睡眠状态数据的处理。
发明内容
本发明提供一种阻塞性睡眠呼吸暂停检测方法及装置，用以解决现有技术中OSA检测结果不够准确的缺陷，提高OSA检测结果的准确率。
本发明提供一种阻塞性睡眠呼吸暂停检测方法，包括：获取被测人的生理数据以及在预设时间段的一组睡眠监测信号，所述睡眠监测信号包括心电信号、血氧信号和脉搏波信号中的至少一项；对所述睡眠监测信号进行切片处理和滤波处理，得到至少一帧切片信号；将所述生理数据和所述至少一帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型，得到所述被测人的阻塞性睡眠暂停低通气综合征OSA患病程度；其中，所述阻塞性睡眠呼吸暂停检测模型包括睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型。
根据本发明提供的一种阻塞性睡眠呼吸暂停检测方法，所述将所述生理数据和所述至少一帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型，得到所述被测人的阻塞性睡眠暂停低通气综合征OSA患病程度，包括：将所述至少一帧切片信号输入至训练成功的睡眠分期分类模型，得到每帧所述切片信号对应的睡眠分期高层特征向量；将所述至少一帧切片信号输入至训练成功的呼吸事件分类模型，得到每帧所述切片信号对应的呼吸事件分类高层特征向量；将每帧所述切片信号对应的睡眠分期高层特征向量以及每帧所述切片信号对应的呼吸事件分类高层特征向量输入至训练成功的高层样本分类模型，得到每帧所述切片信号对应的特征向量；对所有所述切片信号的特征向量进行整合，计算所有处于睡眠状态且发生呼吸事件的切片信号在所有切片信号中的占比结果；将所述占比结果和所述生理数据输入至训练成功的多模态数据检测OSA模型，得到所述被测人患有阻塞性睡眠呼吸暂停的严重程度。
根据本发明提供的一种阻塞性睡眠呼吸暂停检测方法，所述方法还包括：训练所述阻塞性睡眠呼吸暂停检测模型；所述训练所述阻塞性睡眠呼吸暂停检测模型，包括：构建阻塞性睡眠呼吸暂停检测模型；获取至少一个受试者的一组睡眠监测信号样本、所述受试者对应的睡眠分期标签、所述受试者对应的呼吸事件标签、所述受试者对应的OSA类别标签以及所述受试者的生理数据；对每个所述受试者的睡眠监测信号样本进行切片处理和滤波处理，得到至少一帧切片信号样本；根据每个所述受试者对应的睡眠分期标签以及所述受试者对应的呼吸事件标签，得到每帧所述切片信号样本对应的睡眠分期标签以及对应的呼吸事件标签；构建训练样本集；其中，所述训练样本集中包括至少一个训练样本，每个所述训练样本包括一个受试者所有切片信号样本、所述受试者的生理数据，每帧所述切片信号样本对应的睡眠分期标签、每帧所述切片信号样本对应的呼吸事件标签以及所述受试者对应的OSA类别标签；利用所述训练样本集训练所述阻塞性睡眠呼吸暂停检测模型。
根据本发明提供的一种阻塞性睡眠呼吸暂停检测方法，所述利用所述训练样本集训练所述阻塞性睡眠呼吸暂停检测模型，包括：根据所述训练样本中的所有所述切片信号样本以及每帧所述切片信号样本对应的睡眠分期标签，对所述睡眠分期分类模型进行训练，在训练结束后得到训练成功的睡眠分期分类模型；根据所述训练样本中的所有所述切片信号样本以及每帧所述切片信号样本对应的呼吸事件标签，对所述呼吸事件分类模型进行训练，在训练结束后得到训练成功的呼吸事件分类模型；将所述训练样本中的所有所述切片信号样本输入至训练成功的睡眠分期分类模型，得到每帧所述切片信号样本对应的睡眠分期高层特征样本，将所述训练样本中的所有所述切片信号样本输入至训练成功的呼吸事件分类模型，得到每帧所述切片信号样本对应的呼吸事件分类高层特征样本；根据所述每帧所述切片信号样本对应的睡眠分期高层特征样本和呼吸事件分类高层特征样本、每帧所述切片信号样本对应的睡眠分期标签以及每帧所述切片信号样本对应的呼吸事件标签，对所述高层样本分类模型进行训练，在训练结束后得到训练成功的高层样本分类模型；将每帧所述切片信号样本对应的睡眠分期高层特征样本和每帧所述切片信号样本对应的呼吸事件分类高层特征样本输入至训练成功的高层样本分类模型，得到所有所述切片信号样本的特征向量；对所有所述切片信号样本的特征向量进行整合，计算所有处于睡眠状态且发生呼吸事件的切片信号样本在所有切片信号样本中的占比结果；根据所述占比结果、所述训练样本中所述受试者的生理数据以及所述受试者对应的OSA类别标签，对所述多模态数据检测OSA模型进行训练，在训练结束后得到所述训练成功的多模态数据检测OSA模型。
根据本发明提供的一种阻塞性睡眠呼吸暂停检测方法，所述对所述睡眠分期分类模型进行训练，包括：将所述训练样本中的所有所述切片信号样本输入至所述睡眠分期分类模型，获取每帧所述切片信号样本对应的睡眠分期高层特征样本；根据每个所述训练样本中每帧所述切片信号样本对应的睡眠分期高层特征样本以及每帧所述切片信号样本对应的睡眠分期标签，计算所述睡眠分期分类模型的损失值，利用所述损失值更新所述睡眠分期分类模型的参数。
根据本发明提供的一种阻塞性睡眠呼吸暂停检测方法，所述将所述训练样本中的所有所述切片信号样本输入至所述睡眠分期分类模型，获取每帧所述切片信号样本对应的睡眠分期高层特征样本，包括：将所有所述切片信号样本输入至所述睡眠分期分类模型的神经网络，提取每帧所述切片信号样本的高层表示样本；将每帧所述切片信号样本的高层表示样本输入至所述睡眠分期分类模型的多个带有分组注意力机制的反转残差模块，对属于同类OSA样本的高层表示样本进行密度聚类，得到每类OSA的高层表示子集；将所述每类OSA的高层表示子集输入至睡眠分期分类模型的平均池化层和全连接层，获取每帧所述切片信号样本对应的睡眠分期高层特征样本。
根据本发明提供的一种阻塞性睡眠呼吸暂停检测方法，所述对所述呼吸事件分类模型进行训练，包括：将所述训练样本中的所有所述切片信号样本输入至所述呼吸事件分类模型，获取每帧所述切片信号样本对应的呼吸事件分类高层特征样本；根据每个所述训练样本中每帧所述切片信号样本对应的呼吸事件分类高层特征样本以及每帧所述切片信号样本对应的呼吸事件标签，计算所述呼吸事件分类模型的损失值，利用所述损失值更新所述呼吸事件分类模型的参数。
根据本发明提供的一种阻塞性睡眠呼吸暂停检测方法，所述对所述高层样本分类模型进行训练，包括：将所述每帧所述切片信号样本对应的睡眠分期高层特征样本和呼吸事件分类高层特征样本，输入至所述高层样本分类模型，得到每帧所述切片信号样本的特征向量；根据每个所述训练样本中每帧所述切片信号样本的特征向量、每帧所述切片信号样本对应的睡眠分期标签以及每帧所述切片信号样本对应的呼吸事件标签，计算所述高层样本分类模型的损失值，利用所述损失值更新所述高层样本分类模型的参数。
根据本发明提供的一种阻塞性睡眠呼吸暂停检测方法，所述对所述多模态数据检测OSA模型进行训练，包括：将所述占比结果以及所述训练样本中所述受试者的生理数据输入至所述多模态数据检测OSA模型，获取所述训练样本对应的受试者的OSA患病程度，根据每个所述训练样本对应的受试者的OSA患病程度以及所述受试者对应的OSA类别标签，计算所述多模态数据检测OSA模型的损失值，利用所述损失值更新所述多模态数据检测OSA模型的参数，在训练结束后得到所述训练成功的多模态数据检测OSA模型。
本发明还提供一种阻塞性睡眠呼吸暂停检测装置，包括：
数据获取模块，用于获取被测人的生理数据以及在预设时间段的一组睡眠监测信号，所述睡眠监测信号包括心电信号、血氧信号和脉搏波信号中的至少一项；
信号处理模块，用于对所述睡眠监测信号进行切片处理和滤波处理，得到至少一帧切片信号；
结果获取模块，用于将所述生理数据和所述至少一帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型，得到所述被测人的阻塞性睡眠暂停低通气综合征OSA患病程度；
其中，所述阻塞性睡眠呼吸暂停检测模型包括睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述阻塞性睡眠呼吸暂停检测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述阻塞性睡眠呼吸暂停检测方法。
本发明提供的阻塞性睡眠呼吸暂停检测方法及装置，首先获取待测人的生理数据以及在预设时间段的一组睡眠监测信号，然后对睡眠监测信号进行切片处理和滤波处理，得到多帧切片信号，最后将多帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型中，自动对被测人的OSA患病程度进行预测，减少了OSA检测过程中大量的人工干预，提高了检测效率，同时提高了准确率，而且由于每次检测都是用同一个训练成功的阻塞性睡眠呼吸暂停检测模型，在一定程度上也提高了检测结果的稳定性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1本发明提供的阻塞性睡眠呼吸暂停检测方法的流程示意图；
图2是本发明提供的利用训练成功的阻塞性睡眠呼吸暂停检测模型得到被测人OSA患病程度的流程示意图；
图3是本发明提供的训练阻塞性睡眠呼吸暂停检测模型的流程示意图；
图4是本发明提供的睡眠分期分类模型处理训练样本中切片信号样本的流程示意图；
图5是本发明提供的阻塞性睡眠呼吸暂停检测装置的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。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。
本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
应理解，说明书中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
下面结合图1-图4描述本发明的阻塞性睡眠呼吸暂停检测方法。
图1本发明提供的阻塞性睡眠呼吸暂停检测方法的流程示意图。如图1所示，所述方法包括：
步骤101，获取被测人的生理数据以及在预设时间段的一组睡眠监测信号。
需要说明的是，需要保证被测人在预设时间段内进入过睡眠状态，预设时间段的具体时长可以根据实际需要自定义，例如，7小时。
需要说明的是，被测人的生理数据包括但不限于以下内容：被测人的身高、体重、年龄、性别、BMI以及颈围。
相关技术下，在检测被测人是否患有OSA时，通常仅选择单一的生理信号进行判断，例如通过心电或者血氧进行判断，这可能会使得检测结果不够准确。
本发明中，一组睡眠监测信号中可以包括多种不同的生理信号，以提高最终检测结果的准确性。
可选地，所述睡眠监测信号包括心电信号、血氧信号和脉搏波信号中的至少一项。
一种实施方式中，睡眠监测信号包括但不限于脑电信号、眼电信号、下颌肌电信号、心电信号、鼻气流信号、胸腹运动信号以及血氧饱和度信号。
可选地，获取由可穿戴设备或PSG便携设备采集到的生理信号。
需要说明的是，可穿戴设备或PSG便携设备相较于传统的PSG设备而言，更加易于操作，使得OSA检测过程更为方便。
需要说明的是，每种生理信号是一维信号。
可以理解的是，电子设备获取被测人的生理数据，同时获取被测人在预设时间段由可穿戴设备或PSG便携设备等采集得到的一组睡眠监测信号。
步骤102，对所述睡眠监测信号进行切片处理和滤波处理，得到至少一帧切片信号。
需要说明的是，切片处理的方法是将睡眠监测信号中的每种生理信号都按照预设时长切割为多帧切片信号，其中，预设时长可以根据实际需要自定义。
一种实施方式中，按照30s将每种生理信号切割为多帧切片信号。
另一种实施方式中，按照60s将每种生理信号切割为多帧切片信号。
可以理解，在对睡眠监测信号进行切片处理后还需要进行滤波处理，目的是去除信号上不相关的噪声，提高信号的信噪比，能够提高信号的可靠性。
其中，滤波处理时使用的方法可以是现有的滤波方法，包括但不限于低通滤波、FFT滤波或小波去噪滤波等方法。
可以理解，电子设备对睡眠监测信号按照预设时长进行切片处理，以及滤波处理，然后得到至少一帧切片信号。
步骤103，将所述生理数据和所述至少一帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型，得到所述被测人的阻塞性睡眠暂停低通气综合征OSA患病程度。
其中，所述阻塞性睡眠呼吸暂停检测模型包括睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型。
其中，所述阻塞性睡眠呼吸暂停检测模型包括睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型。
可以理解的是，阻塞性睡眠呼吸暂停检测模型的输入是被测人的生理数据以及切片信号，输出是被测人的OSA患病程度。
需要说明的是，睡眠分期分类模型用于对切片信号对应的睡眠时期进行分类；
呼吸事件分类模型用于对切片信号是否发生呼吸事件进行分类；
其中，本发明中发生呼吸事件是指出现了呼吸暂停或低通气。
高层样本分类模型用于对切片信号是否处于睡眠状态且发生呼吸事件进行分类；
多模态数据检测OSA模型用于预测被测人的OSA患病程度。
需要说明的是，OSA的患病程度可以通过AHI的值进行划分，例如，在AHI<5时，被测人没有OSA情况，即正常，在5<AHI<15时，被测人OSA患病程度为轻度，在15<AHI<30时，被测人OSA患病程度为中度，在AHI>30时，被测人OSA患病程度为重度。
本发明提供的阻塞性睡眠呼吸暂停检测方法，首先获取待测人的生理数据以及在预设时间段的一组睡眠监测信号，然后对睡眠监测信号进行切片处理和滤波处理，得到多帧切片信号，最后将多帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型中，自动对被测人的OSA患病程度进行预测，减少了OSA检测过程中大量的人工干预，提高了检测效率，同时提高了准确率，而且由于每次检测都是用同一个训练成功的阻塞性睡眠呼吸暂停检测模型，在一定程度上也提高了检测结果的稳定性。
可选地，图2是本发明提供的利用训练成功的阻塞性睡眠呼吸暂停检测模型得到被测人OSA患病程度的流程示意图，如图2所示步骤102包括步骤1021～1025：
步骤1021，将所述至少一帧切片信号输入至训练成功的睡眠分期分类模型，得到每帧所述切片信号对应的睡眠分期高层特征向量。
需要说明的是，睡眠分期高层特征向量可以理解为对切片信号对应的一个特征向量，通过该特征向量还能得到切片信号对应的睡眠时期以及相应的概率。
其中，睡眠时期包括清醒期、非眼球快速运动睡眠N期以及眼球快速运动睡眠REM期。当切片信号对应的睡眠时期为N期或REM期时，表明在该切片信号对应的时间帧，被测人进入睡眠状态。
可以理解的是，睡眠分期分类模型的输入是切片信号，输出是切片信号对应的睡眠分期高层特征向量。
步骤1022，将所述至少一帧切片信号输入至训练成功的呼吸事件分类模型，得到每帧所述切片信号对应的呼吸事件分类高层特征向量。
需要说明的是，呼吸事件分类高层特征向量可以理解为对切片信号对应的一个特征向量，通过该特征向量还能得到切片信号是否发生呼吸事件以及概率。
可以理解的是，呼吸事件分类模型的输入是切片信号，输出是切片信号对应的呼吸事件分类高层特征向量。
需要说明的是，睡眠分期分类模型与呼吸事件分类模型是两个相互独立的模型，可以先将切片信号输入至睡眠分期分类模型，然后再将切片信号输入至呼吸事件分类模型，也可以先将切片信号输入至呼吸事件分类模型，然后再将切片信号输入至睡眠分期分类模型，还可以同时将切片信号输入至睡眠分期分类模型与呼吸事件分类模型。本发明对于切片信号输入至睡眠分期分类模型与呼吸事件分类模型的先后顺序不做限制。
步骤1023，将每帧所述切片信号对应的睡眠分期高层特征向量以及每帧所述切片信号对应的呼吸事件分类高层特征向量输入至训练成功的高层样本分类模型，得到每帧所述切片信号对应的特征向量。
需要说明的是，每帧所述切片信号对应的特征向量可以理解为对于切片信号处于的睡眠时期以及是否发生呼吸事件同时进行分类后得到的结果。例如：每帧所述切片信号对应的特征向量可以表示一个切片信号处于N期且发生呼吸事件，或者每帧所述切片信号对应的特征向量可以表示一个切片信号处于清醒期且没有发生呼吸事件等等。
可以理解的是，高层样本分类模型的输入包括两部分，一部分是睡眠分期分类模型输出的睡眠分期高层特征向量，另一部分是呼吸事件分类模型输出的呼吸事件分类高层特征向量，输出是切片信号对应的特征向量。
步骤1024，对所有所述切片信号的特征向量进行整合，计算所有处于睡眠状态且发生呼吸事件的切片信号在所有切片信号中的占比结果。
需要说明的是，计算所有处于睡眠状态且发生呼吸事件的切片信号在所有切片信号中的占比结果是针对一个被测人，该被测人对应的占比结果为所有处于睡眠状态且发生呼吸事件的切片信号的帧数与该被测人所有切片信号的帧数的比值。
需要理解的是，睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型的输入输出都是针对切片信号的，通过计算所有处于睡眠状态且发生呼吸事件的切片信号在所有切片信号中的占比结果，能够将描述切片信号的相关信息转换为能够描述被测人AHI值的信息。
一个被测人的占比结果与该被测人的AHI值是正相关的，但是它并不是真正的AHI值。
步骤1025，将所述占比结果和所述生理数据输入至训练成功的多模态数据检测OSA模型，得到所述被测人患有阻塞性睡眠呼吸暂停的严重程度。
需要说明的是，虽然帧数占比结果不是真正的AHI值，但是仍然可以使用帧数占比结果来反映被测人患有阻塞性睡眠呼吸暂停严重程度。例如：在帧数占比结果<5％时(对应AHI<5时)，被测人没有OSA情况，即正常，在5％<帧数占比结果<15％(对应5<AHI<15)时，被测人OSA患病程度为轻度，在5％<帧数占比结果<15％(对应15<AHI<30时)，被测人OSA患病程度为中度，在帧数占比结果>30％(对应AHI>30时)，被测人OSA患病程度为重度。
可以理解的是，多模态数据检测OSA模型的输入是被测人对应的所有处于睡眠状态且发生呼吸事件的切片信号在所有切片信号中的占比结果和被测人的生理数据，输出是被测人患有阻塞性睡眠呼吸暂停的严重程度。
在本发明实施例中，首先将待测人的切片信号使用训练成功的睡眠分期分类模型进行特征提取，得到对应的睡眠分期高层特征向量，将待测人的切片信号使用训练成功的呼吸事件分类模型进行特征提取，得到对应的呼吸事件分类高层特征向量，然后将每帧切片信号对应的睡眠分期高层特征样本和呼吸事件分类高层特征样本输入至训练成功的高层样本分类模型，得到每帧切片信号对应的特征向量，接着计算所有处于睡眠状态且发生呼吸事件状态的切片信号在所有切片信号中的占比结果，最后根据占比结果利用训练成功的多模态数据检测OSA模型预测被测人的OSA严重程度，实现对OSA的自动检测，由于检测过程中即考虑了被测人的睡眠状态又考虑了呼吸事件，相较于传统的仅参考呼吸事件检测OSA的方法而言，检测结果更加准确，而且由于每次检测都是用相同的模型，在一定程度上也提高了检测结果的稳定性。
可选地，图3是本发明提供的训练阻塞性睡眠呼吸暂停检测模型的流程示意图，如图3所示：
所述方法还包括：训练所述阻塞性睡眠呼吸暂停检测模型；
所述训练所述阻塞性睡眠呼吸暂停检测模型，包括：
步骤301，构建阻塞性睡眠呼吸暂停检测模型。
需要说明的是，通过构建睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型实现对阻塞性睡眠呼吸暂停模型的构建。
步骤302，获取至少一个受试者的一组睡眠监测信号样本、所述受试者对应的睡眠分期标签、所述受试者对应的呼吸事件标签、所述受试者对应的OSA类别标签以及所述受试者的生理数据。
需要说明的是，受试者对应的睡眠分期标签、受试者对应的呼吸事件标签以及受试者对应的OSA类别标签是事先已经确定的，电子设备需要这些数据时直接获取即可。
其中，标签的确定可以按照以下步骤：首先使用PSG设备获取受试者的多导睡眠图，包括脑电图(C3/A2，C4/A1)，眼电图，肌电图，心电图，鼻气流，胸腹运动和脉搏血氧饱和度，然后利用美国睡眠医学学会的标准对多导睡眠图进行评分，得到受试者的睡眠分期标签以及呼吸事件标签，最后从多导睡眠图中分析受试者发生呼吸暂停和呼吸不足的次数，利用呼吸暂停低通气指数(AHI)的定义，即每小时睡眠时间的呼吸暂停和呼吸不足的次数计算得到受试者的AHI值，进而得到受试者的OSA类别标签。
受试者对应的睡眠分期标签能够反映出在睡眠监测信号样本的各个时间帧，受试者所处于的睡眠时期，即受试者处于清醒期、N期或REM期。
受试者对应的呼吸事件标签能够反映出在睡眠监测信号样本各个时间帧，受试者是否发生呼吸事件。
受试者对应的OSA类别标签能够反映出受试者的OSA患病程度。
需要说明的是，受试者的生理数据包括但不限于身高、体重、年龄、性别、BMI以及颈围。
受试者的睡眠监测信号包括但不限于脑电信号、眼电信号、下颌肌电信号、心电信号、鼻气流信号、胸腹运动信号以及血氧饱和度信号。
步骤303，对每个所述受试者的睡眠监测信号样本进行切片处理和滤波处理，得到至少一帧切片信号样本。
需要说明的是，切片处理的方法是将睡眠监测信号样本中的每种生理信号都按照预设时长切割为多帧切片信号样本，其中，预设时长可以根据实际需要自定义。
滤波处理时使用的方法可以是现有的滤波方法，包括但不限于低通滤波、FFT或小波去噪滤波等方法。
步骤304，根据每个所述受试者对应的睡眠分期标签以及所述受试者对应的呼吸事件标签，得到每帧所述切片信号样本对应的睡眠分期标签以及对应的呼吸事件标签。
需要说明的是，受试者对应的睡眠分期标签以及对应的呼吸事件标签都是人对应的标签，也可以理解为受试者对应的睡眠分期标签以及呼吸事件标签都是完整的睡眠监测信号样本对应的标签，由于切片信号样本是睡眠监测信号样本中的部分信号片帧，那么能够从受试者对应的睡眠分期标签以及呼吸事件标签中得到每帧切片信号样本对应的睡眠分期标签以及对应的呼吸事件标签。
步骤305，构建训练样本集。
其中，所述训练样本集中包括至少一个训练样本，每个所述训练样本包括一个受试者所有切片信号样本、所述受试者的生理数据，每帧所述切片信号样本对应的睡眠分期标签、每帧所述切片信号样本对应的呼吸事件标签以及所述受试者对应的OSA类别标签。
步骤306，利用所述训练样本集训练所述阻塞性睡眠呼吸暂停检测模型。
需要说明的是，可以将训练样本集划分为训练集、验证集和测试集来训练阻塞性睡眠呼吸暂停检测模型。例如，将训练样本集等比例划分为训练集、验证集和测试集。
在本发明实施例中，通过现有的多个受试者的睡眠监测数据，对每个受试者的睡眠监测数据进行切片和滤波处理，得到每个受试者对应的多帧切片信号样本数据，然后利用受试者对应的切片信号样本数据、受试者对应的睡眠分期标签、受试者对应的呼吸事件标签、受试者对应的OSA类别标签以及受试者的生理数据构建训练样本集，利用该训练样本集训练阻塞性睡眠呼吸暂停检测模型，训练好的阻塞性睡眠呼吸暂停检测模型能够预测OSA患病严重程度，进而减少OSA检测过程中过多的人工干预，提高监测效率以及检测结果的准确率。
可选地，所述利用所述训练样本集训练所述阻塞性睡眠呼吸暂停检测模型，包括：
根据所述训练样本中的所有所述切片信号样本以及每帧所述切片信号样本对应的睡眠分期标签，对所述睡眠分期分类模型进行训练，在训练结束后得到训练成功的睡眠分期分类模型；
根据所述训练样本中的所有所述切片信号样本以及每帧所述切片信号样本对应的呼吸事件标签，对所述呼吸事件分类模型进行训练，在训练结束后得到训练成功的呼吸事件分类模型；
将所述训练样本中的所有所述切片信号样本输入至训练成功的睡眠分期分类模型，得到每帧所述切片信号样本对应的睡眠分期高层特征样本，将所述训练样本中的所有所述切片信号样本输入至训练成功的呼吸事件分类模型，得到每帧所述切片信号样本对应的呼吸事件分类高层特征样本；
根据所述每帧所述切片信号样本对应的睡眠分期高层特征样本和呼吸事件分类高层特征样本、每帧所述切片信号样本对应的睡眠分期标签以及每帧所述切片信号样本对应的呼吸事件标签，对所述高层样本分类模型进行训练，在训练结束后得到训练成功的高层样本分类模型；
将每帧所述切片信号样本对应的睡眠分期高层特征样本和每帧所述切片信号样本对应的睡眠分期高层特征样本输入至训练成功的高层样本分类模型，得到所有所述切片信号样本的特征向量；
对所有所述切片信号样本的特征向量进行整合，计算所有处于睡眠状态且发生呼吸事件的切片信号样本在所有切片信号样本中的占比结果；
根据所述占比结果、所述训练样本中所述受试者的生理数据以及所述受试者对应的OSA类别标签，对所述多模态数据检测OSA模型进行训练，在训练结束后得到所述训练成功的多模态数据检测OSA模型。
需要理解的是，睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型和多模态数据检测OSA模型相当于分类器；
其中，分类器可以是现有的分类器，例如：xgboost、lightgbm、神经网络、支持向量机、决策树分类器或贝叶斯判决分类器。
需要说明的是，训练成功的睡眠分期分类模型、训练成功的呼吸事件分类模型、训练成功的高层样本分类模型以及训练成功的多模态数据检测OSA模型构成训练成功的阻塞性睡眠呼吸暂停检测模型。
需要说明的是，对于睡眠分期分类模型和呼吸事件分类模型的训练顺序没有要求，可以先训练睡眠分期分类模型，然后训练呼吸事件分类模型，也可以先训练呼吸事件分类模型然后训练睡眠分期分类模型，还可以同时训练睡眠分期分类模型和呼吸事件分类模型；在睡眠分期分类模型和呼吸事件分类模型都训练成功的情况下才能训练高层样本分类模型；在高层样本分类模型训练成功的情况下，才能训练多模态数据检测OSA模型。
可选地，在将训练样本集输入到阻塞性睡眠呼吸暂停检测模型之前，还可以通过数据增强的方式提高阻塞性睡眠呼吸暂停检测模型的泛化能力，以防止过拟合，其中数据增强的方式包括但不限于：生成对抗网络、数据训练权重调整、增采样与减采样等。
可选地，在将训练样本集输入到阻塞性睡眠呼吸暂停检测模型之前，还需要对训练样本中每个受试者的生理数据进行特征工程，其中，特征工程包括但不限于：特征的归一化，特征融合，主成分分析、局部保留投影、拉普拉斯特征映射、局部线性嵌入以及线性判别分析。
在本发明实施例中，通过训练样本中的切片信号样本、睡眠分期标签、呼吸事件标签、OSA类别标签以及受试者的生理数据逐一训练睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型，然后由训练成功的各个模型构成了训练成功的阻塞性睡眠呼吸暂停检测模型，为预测被测人是否患有OSA以及OSA严重程度提供了模型支持。
可选地，所述对所述睡眠分期分类模型进行训练，包括：
将所述训练样本中的所有所述切片信号样本输入至所述睡眠分期分类模型，获取每帧所述切片信号样本对应的睡眠分期高层特征样本；
根据每个所述训练样本中每帧所述切片信号样本对应的睡眠分期高层特征样本以及每帧所述切片信号样本对应的睡眠分期标签，计算所述睡眠分期分类模型的损失值，利用所述损失值更新所述睡眠分期分类模型的参数。
需要说明的是，睡眠分期分类模型输出的睡眠分期高层特征样本相当于预测值，而睡眠分期标签相当于实际值，那么利用现有的损失函数计算预测值与实际值之间的损失值，然后利用计算得到的损失值更新睡眠分期分类模型的参数。
在本发明实施例中，利用睡眠分期分类模型输出的睡眠分期高层特征样本与每帧切片信号样本的睡眠分期标签计算损失值，然后反向更新睡眠分期分类模型，按照此步骤不断训练能够得到训练成功的睡眠分期分类模型，为获得训练成功的阻塞性睡眠呼吸暂停检测模型提供了基础模型支持。
可选地，图4是本发明提供的睡眠分期分类模型处理训练样本中切片信号样本的流程示意图。如图4所示，所述将所述训练样本中的所有所述切片信号样本输入至所述阻塞性睡眠呼吸暂停检测模型的睡眠分期分类模型，获取每帧所述切片信号样本对应的睡眠分期高层特征样本，包括：
步骤401，将所有所述切片信号样本输入至所述睡眠分期分类模型的神经网络，提取每帧所述切片信号样本的高层表示样本。
需要说明的是，神经网络的选择包含但不限于残差神经网络、基于倒置残差模块的卷积神经网络等。
步骤402，将每帧所述切片信号样本的高层表示样本输入至所述睡眠分期分类模型的多个带有分组注意力机制的反转残差模块，对属于同类OSA样本的高层表示样本进行密度聚类，得到每类OSA的高层表示子集。
步骤403，将所述每类OSA的高层表示子集输入至睡眠分期分类模型的平均池化层和全连接层，获取每帧所述切片信号样本对应的睡眠分期高层特征样本。
可以理解的是，睡眠分期分类模型的结构包括神经网络、多个带有分组注意力机制的反转残差模块、平均池化层以及全连接层。
需要说明的是，本发明中呼吸事件分类网络的结构与睡眠分期分类网络的结构完全一致。
在本发明实施例中，首先利用睡眠分期分类模型的神经网络提取每帧所述切片信号样本的高层表示样本，然后利用睡眠分期分类模型的多个带有分组注意力机制的反转残差模块对所有高层表示样本进行密度聚类得到每类OSA的高层表示子集，最后将每类OSA的高层表示子集输入至睡眠分期分类模型的平均池化层和全连接层，获取每帧切片信号样本对应的睡眠分期高层特征样本。睡眠分期分类模型内部各个模块相互配合共同得出切片信号样本的睡眠分期预测值，为计算睡眠分期分类模型的损失值提供了部分数据。
可选地，所述对所述呼吸事件分类模型进行训练，包括：
将所述训练样本中的所有所述切片信号样本输入至所述呼吸事件分类模型，获取每帧所述切片信号样本对应的呼吸事件分类高层特征样本；
根据每个所述训练样本中每帧所述切片信号样本对应的呼吸事件分类高层特征样本以及每帧所述切片信号样本对应的呼吸事件标签，计算所述呼吸事件分类模型的损失值，利用所述损失值更新所述呼吸事件分类模型的参数。
在本发明实施例中，利用呼吸事件分类模型输出的呼吸事件分类高层特征样本与每帧切片信号样本的呼吸事件标签计算损失值，然后反向更新呼吸事件分类模型，按照此步骤不断训练能够得到训练成功的呼吸事件分类模型，为获得训练成功的阻塞性睡眠呼吸暂停检测模型提供了基础模型支持。
可选地，所述对所述高层样本分类模型进行训练，包括：
将所述每帧所述切片信号样本对应的睡眠分期高层特征样本和呼吸事件分类高层特征样本，输入至所述高层样本分类模型，得到每帧所述切片信号样本的特征向量；
根据每个所述训练样本中每帧所述切片信号样本的特征向量、每帧所述切片信号样本对应的睡眠分期标签以及每帧所述切片信号样本对应的呼吸事件标签，计算所述高层样本分类模型的损失值，利用所述损失值更新所述高层样本分类模型的参数。
在本发明实施例中，利用高层样本分类模型输出的特征向量、每帧切片信号的睡眠分期标签以及呼吸事件标签计算损失值，然后反向更新高层样本分类模型，按照此步骤不断训练能够得到训练成功的高层样本分类模型，为获得训练成功的阻塞性睡眠呼吸暂停检测模型提供了基础模型支持。
可选地，所述对所述多模态数据检测OSA模型进行训练，包括：
将所述占比结果以及所述训练样本中所述受试者的生理数据输入至所述多模态数据检测OSA模型，获取所述训练样本对应的受试者的OSA患病程度，根据每个所述训练样本对应的受试者的OSA患病程度以及所述受试者对应的OSA类别标签，计算所述多模态数据检测OSA模型的损失值，利用所述损失值更新所述多模态数据检测OSA模型的参数，在训练结束后得到所述训练成功的多模态数据检测OSA模型。
在本发明实施例中，利用多模态数据检测OSA模型输出的OSA患病程度以及受试者的OSA类别标签计算损失值，然后反向更新多模态数据检测OSA模型，按照此步骤不断训练能够得到训练成功的多模态数据检测OSA模型，为获得训练成功的阻塞性睡眠呼吸暂停检测模型提供了基础模型支持。
下面对本发明提供的阻塞性睡眠呼吸暂停检测装置进行描述，下文描述的阻塞性睡眠呼吸暂停检测装置与上文描述的阻塞性睡眠呼吸暂停检测方法可相互对应参照。
图5为本发明实施例提供的阻塞性睡眠呼吸暂停检测装置的结构示意图，如图5所示，本发明实施例提供了一种阻塞性睡眠呼吸暂停检测装置，包括：
数据获取模块501，用于获取被测人的生理数据以及在预设时间段的一组睡眠监测信号，所述睡眠监测信号包括心电信号、血氧信号和脉搏波信号中的至少一项；
信号处理模块502，用于对所述睡眠监测信号进行切片处理和滤波处理，得到至少一帧切片信号；
结果获取模块503，用于将所述生理数据和所述至少一帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型，得到所述被测人的阻塞性睡眠暂停低通气综合征OSA患病程度；
其中，所述阻塞性睡眠呼吸暂停检测模型包括睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型。
本发明提供的阻塞性睡眠呼吸暂停检测装置，首先获取待测人的生理数据以及在预设时间段的一组睡眠监测信号，然后对睡眠监测信号进行切片处理和滤波处理，得到多帧切片信号，最后将多帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型中，自动对被测人的OSA患病程度进行预测，减少了OSA检测过程中大量的人工干预，提高了检测效率，同时提高了准确率，而且由于每次检测都是用同一个训练成功的阻塞性睡眠呼吸暂停检测模型，在一定程度上也提高了检测结果的稳定性。
可选地，所述结果获取模块503，用于：
将所述至少一帧切片信号输入至训练成功的睡眠分期分类模型，得到每帧所述切片信号对应的睡眠分期高层特征向量；
将所述至少一帧切片信号输入至训练成功的呼吸事件分类模型，得到每帧所述切片信号对应的呼吸事件分类高层特征向量；
将每帧所述切片信号对应的睡眠分期高层特征向量以及每帧所述切片信号对应的呼吸事件分类高层特征向量输入至训练成功的高层样本分类模型，得到每帧所述切片信号对应的特征向量；
对所有所述切片信号的特征向量进行整合，计算所有处于睡眠状态且发生呼吸事件的切片信号在所有切片信号中的占比结果；
将所述占比结果和所述生理数据输入至训练成功的多模态数据检测OSA模型，得到所述被测人患有阻塞性睡眠呼吸暂停的严重程度。
可选地，所述装置还包括模型训练模块，所述模型训练模块用于训练所述阻塞性睡眠呼吸暂停检测模型；
所述训练所述阻塞性睡眠呼吸暂停检测模型，包括：
构建阻塞性睡眠呼吸暂停检测模型；
获取至少一个受试者的一组睡眠监测信号样本、所述受试者对应的睡眠分期标签、所述受试者对应的呼吸事件标签、所述受试者对应的OSA类别标签以及所述受试者的生理数据；
对每个所述受试者的睡眠监测信号样本进行切片处理和滤波处理，得到至少一帧切片信号样本；
根据每个所述受试者对应的睡眠分期标签以及所述受试者对应的呼吸事件标签，得到每帧所述切片信号样本对应的睡眠分期标签以及对应的呼吸事件标签；
构建训练样本集；其中，所述训练样本集中包括至少一个训练样本，每个所述训练样本包括一个受试者所有切片信号样本、所述受试者的生理数据，每帧所述切片信号样本对应的睡眠分期标签、每帧所述切片信号样本对应的呼吸事件标签以及所述受试者对应的OSA类别标签；
利用所述训练样本集训练所述阻塞性睡眠呼吸暂停检测模型。
可选地，所述利用所述训练样本集训练所述阻塞性睡眠呼吸暂停检测模型，包括：
根据所述训练样本中的所有所述切片信号样本以及每帧所述切片信号样本对应的睡眠分期标签，对所述睡眠分期分类模型进行训练，在训练结束后得到训练成功的睡眠分期分类模型；
根据所述训练样本中的所有所述切片信号样本以及每帧所述切片信号样本对应的呼吸事件标签，对所述呼吸事件分类模型进行训练，在训练结束后得到训练成功的呼吸事件分类模型；
将所述训练样本中的所有所述切片信号样本输入至训练成功的睡眠分期分类模型，得到每帧所述切片信号样本对应的睡眠分期高层特征样本，将所述训练样本中的所有所述切片信号样本输入至训练成功的呼吸事件分类模型，得到每帧所述切片信号样本对应的呼吸事件分类高层特征样本；
根据所述每帧所述切片信号样本对应的睡眠分期高层特征样本和呼吸事件分类高层特征样本、每帧所述切片信号样本对应的睡眠分期标签以及每帧所述切片信号样本对应的呼吸事件标签，对所述高层样本分类模型进行训练，在训练结束后得到训练成功的高层样本分类模型；
将每帧所述切片信号样本对应的睡眠分期高层特征样本和每帧所述切片信号样本对应的呼吸事件分类高层特征样本输入至训练成功的高层样本分类模型，得到所有所述切片信号样本的特征向量；
对所有所述切片信号样本的特征向量进行整合，计算所有处于睡眠状态且发生呼吸事件的切片信号样本在所有切片信号样本中的占比结果；
根据所述占比结果、所述训练样本中所述受试者的生理数据以及所述受试者对应的OSA类别标签，对所述多模态数据检测OSA模型进行训练，在训练结束后得到所述训练成功的多模态数据检测OSA模型。
可选地，所述对所述睡眠分期分类模型进行训练，包括：
将所述训练样本中的所有所述切片信号样本输入至所述睡眠分期分类模型，获取每帧所述切片信号样本对应的睡眠分期高层特征样本；
根据每个所述训练样本中每帧所述切片信号样本对应的睡眠分期高层特征样本以及每帧所述切片信号样本对应的睡眠分期标签，计算所述睡眠分期分类模型的损失值，利用所述损失值更新所述睡眠分期分类模型的参数。
可选地，所述将所述训练样本中的所有所述切片信号样本输入至所述睡眠分期分类模型，获取每帧所述切片信号样本对应的睡眠分期高层特征样本，包括：
将所有所述切片信号样本输入至所述睡眠分期分类模型的神经网络，提取每帧所述切片信号样本的高层表示样本；
将每帧所述切片信号样本的高层表示样本输入至所述睡眠分期分类模型的多个带有分组注意力机制的反转残差模块，对属于同类OSA样本的高层表示样本进行密度聚类，得到每类OSA的高层表示子集；
将所述每类OSA的高层表示子集输入至睡眠分期分类模型的平均池化层和全连接层，获取每帧所述切片信号样本对应的睡眠分期高层特征样本。
可选地，所述对所述呼吸事件分类模型进行训练，包括：
将所述训练样本中的所有所述切片信号样本输入至所述呼吸事件分类模型，获取每帧所述切片信号样本对应的呼吸事件分类高层特征样本；
根据每个所述训练样本中每帧所述切片信号样本对应的呼吸事件分类高层特征样本以及每帧所述切片信号样本对应的呼吸事件标签，计算所述呼吸事件分类模型的损失值，利用所述损失值更新所述呼吸事件分类模型的参数。
可选地，所述对所述高层样本分类模型进行训练，包括：
将所述每帧所述切片信号样本对应的睡眠分期高层特征样本和呼吸事件分类高层特征样本，输入至所述高层样本分类模型，得到每帧所述切片信号样本的特征向量；
根据每个所述训练样本中每帧所述切片信号样本的特征向量、每帧所述切片信号样本对应的睡眠分期标签以及每帧所述切片信号样本对应的呼吸事件标签，计算所述高层样本分类模型的损失值，利用所述损失值更新所述高层样本分类模型的参数。
可选地，所述对所述多模态数据检测OSA模型进行训练，包括：
将所述占比结果以及所述训练样本中所述受试者的生理数据输入至所述多模态数据检测OSA模型，获取所述训练样本对应的受试者的OSA患病程度，根据每个所述训练样本对应的受试者的OSA患病程度以及所述受试者对应的OSA类别标签，计算所述多模态数据检测OSA模型的损失值，利用所述损失值更新所述多模态数据检测OSA模型的参数，在训练结束后得到所述训练成功的多模态数据检测OSA模型。
在此需要说明的是，本发明实施例提供的上述阻塞性睡眠呼吸暂停检测装置，能够实现上述阻塞性睡眠呼吸暂停检测装置实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行阻塞性睡眠呼吸暂停检测方法，该方法包括：获取被测人的生理数据以及在预设时间段的一组睡眠监测信号，所述睡眠监测信号包括心电信号、血氧信号和脉搏波信号中的至少一项；对所述睡眠监测信号进行切片处理和滤波处理，得到至少一帧切片信号；将所述生理数据和所述至少一帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型，得到所述被测人的阻塞性睡眠暂停低通气综合征OSA患病程度；其中，所述阻塞性睡眠呼吸暂停检测模型包括睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型。
此外，上述的存储器630中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的阻塞性睡眠呼吸暂停检测方法，该方法包括：获取被测人的生理数据以及在预设时间段的一组睡眠监测信号，所述睡眠监测信号包括心电信号、血氧信号和脉搏波信号中的至少一项；对所述睡眠监测信号进行切片处理和滤波处理，得到至少一帧切片信号；将所述生理数据和所述至少一帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型，得到所述被测人的阻塞性睡眠暂停低通气综合征OSA患病程度；其中，所述阻塞性睡眠呼吸暂停检测模型包括睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (12)

1.一种阻塞性睡眠呼吸暂停检测方法，其特征在于，包括：
获取被测人的生理数据以及在预设时间段的一组睡眠监测信号，所述睡眠监测信号包括心电信号、血氧信号和脉搏波信号中的至少一项；
对所述睡眠监测信号进行切片处理和滤波处理，得到至少一帧切片信号；
将所述生理数据和所述至少一帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型，得到所述被测人的阻塞性睡眠暂停低通气综合征OSA患病程度；
其中，所述阻塞性睡眠呼吸暂停检测模型包括睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型。
2.根据权利要求1所述的阻塞性睡眠呼吸暂停检测方法，其特征在于，所述将所述生理数据和所述至少一帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型，得到所述被测人的阻塞性睡眠暂停低通气综合征OSA患病程度，包括：
将所述至少一帧切片信号输入至训练成功的睡眠分期分类模型，得到每帧所述切片信号对应的睡眠分期高层特征向量；
将所述至少一帧切片信号输入至训练成功的呼吸事件分类模型，得到每帧所述切片信号对应的呼吸事件分类高层特征向量；
将每帧所述切片信号对应的睡眠分期高层特征向量以及每帧所述切片信号对应的呼吸事件分类高层特征向量输入至训练成功的高层样本分类模型，得到每帧所述切片信号对应的特征向量；
对所有所述切片信号的特征向量进行整合，计算所有处于睡眠状态且发生呼吸事件的切片信号在所有切片信号中的占比结果；
将所述占比结果和所述生理数据输入至训练成功的多模态数据检测OSA模型，得到所述被测人患有阻塞性睡眠呼吸暂停的严重程度。
3.根据权利要求1或2所述的任一阻塞性睡眠呼吸暂停检测方法，其特征在于，所述方法还包括：训练所述阻塞性睡眠呼吸暂停检测模型；
所述训练所述阻塞性睡眠呼吸暂停检测模型，包括：
构建阻塞性睡眠呼吸暂停检测模型；
获取至少一个受试者的一组睡眠监测信号样本、所述受试者对应的睡眠分期标签、所述受试者对应的呼吸事件标签、所述受试者对应的OSA类别标签以及所述受试者的生理数据；
对每个所述受试者的睡眠监测信号样本进行切片处理和滤波处理，得到至少一帧切片信号样本；
根据每个所述受试者对应的睡眠分期标签以及所述受试者对应的呼吸事件标签，得到每帧所述切片信号样本对应的睡眠分期标签以及对应的呼吸事件标签；
构建训练样本集；其中，所述训练样本集中包括至少一个训练样本，每个所述训练样本包括一个受试者所有切片信号样本、所述受试者的生理数据，每帧所述切片信号样本对应的睡眠分期标签、每帧所述切片信号样本对应的呼吸事件标签以及所述受试者对应的OSA类别标签；
利用所述训练样本集训练所述阻塞性睡眠呼吸暂停检测模型。
4.根据权利要求3所述的阻塞性睡眠呼吸暂停检测方法，其特征在于，所述利用所述训练样本集训练所述阻塞性睡眠呼吸暂停检测模型，包括：
根据所述训练样本中的所有所述切片信号样本以及每帧所述切片信号样本对应的睡眠分期标签，对所述睡眠分期分类模型进行训练，在训练结束后得到训练成功的睡眠分期分类模型；
根据所述训练样本中的所有所述切片信号样本以及每帧所述切片信号样本对应的呼吸事件标签，对所述呼吸事件分类模型进行训练，在训练结束后得到训练成功的呼吸事件分类模型；
将所述训练样本中的所有所述切片信号样本输入至训练成功的睡眠分期分类模型，得到每帧所述切片信号样本对应的睡眠分期高层特征样本，将所述训练样本中的所有所述切片信号样本输入至训练成功的呼吸事件分类模型，得到每帧所述切片信号样本对应的呼吸事件分类高层特征样本；
根据所述每帧所述切片信号样本对应的睡眠分期高层特征样本和呼吸事件分类高层特征样本、每帧所述切片信号样本对应的睡眠分期标签以及每帧所述切片信号样本对应的呼吸事件标签，对所述高层样本分类模型进行训练，在训练结束后得到训练成功的高层样本分类模型；
将每帧所述切片信号样本对应的睡眠分期高层特征样本和每帧所述切片信号样本对应的呼吸事件分类高层特征样本输入至训练成功的高层样本分类模型，得到所有所述切片信号样本的特征向量；
对所有所述切片信号样本的特征向量进行整合，计算所有处于睡眠状态且发生呼吸事件的切片信号样本在所有切片信号样本中的占比结果；
根据所述占比结果、所述训练样本中所述受试者的生理数据以及所述受试者对应的OSA类别标签，对所述多模态数据检测OSA模型进行训练，在训练结束后得到所述训练成功的多模态数据检测OSA模型。
5.根据权利要求4所述的阻塞性睡眠呼吸暂停检测方法，所述对所述睡眠分期分类模型进行训练，包括：
将所述训练样本中的所有所述切片信号样本输入至所述睡眠分期分类模型，获取每帧所述切片信号样本对应的睡眠分期高层特征样本；
根据每个所述训练样本中每帧所述切片信号样本对应的睡眠分期高层特征样本以及每帧所述切片信号样本对应的睡眠分期标签，计算所述睡眠分期分类模型的损失值，利用所述损失值更新所述睡眠分期分类模型的参数。
6.根据权利要求5所述的阻塞性睡眠呼吸暂停检测方法，其特征在于，所述将所述训练样本中的所有所述切片信号样本输入至所述睡眠分期分类模型，获取每帧所述切片信号样本对应的睡眠分期高层特征样本，包括：
将所有所述切片信号样本输入至所述睡眠分期分类模型的神经网络，提取每帧所述切片信号样本的高层表示样本；
将每帧所述切片信号样本的高层表示样本输入至所述睡眠分期分类模型的多个带有分组注意力机制的反转残差模块，对属于同类OSA样本的高层表示样本进行密度聚类，得到每类OSA的高层表示子集；
将所述每类OSA的高层表示子集输入至睡眠分期分类模型的平均池化层和全连接层，获取每帧所述切片信号样本对应的睡眠分期高层特征样本。
7.根据权利要求4所述的阻塞性睡眠呼吸暂停检测方法，所述对所述呼吸事件分类模型进行训练，包括：
将所述训练样本中的所有所述切片信号样本输入至所述呼吸事件分类模型，获取每帧所述切片信号样本对应的呼吸事件分类高层特征样本；
根据每个所述训练样本中每帧所述切片信号样本对应的呼吸事件分类高层特征样本以及每帧所述切片信号样本对应的呼吸事件标签，计算所述呼吸事件分类模型的损失值，利用所述损失值更新所述呼吸事件分类模型的参数。
8.根据权利要求4所述的阻塞性睡眠呼吸暂停检测方法，所述对所述高层样本分类模型进行训练，包括：
将所述每帧所述切片信号样本对应的睡眠分期高层特征样本和呼吸事件分类高层特征样本，输入至所述高层样本分类模型，得到每帧所述切片信号样本的特征向量；
根据每个所述训练样本中每帧所述切片信号样本的特征向量、每帧所述切片信号样本对应的睡眠分期标签以及每帧所述切片信号样本对应的呼吸事件标签，计算所述高层样本分类模型的损失值，利用所述损失值更新所述高层样本分类模型的参数。
9.根据权利要求4所述的阻塞性睡眠呼吸暂停检测方法，所述对所述多模态数据检测OSA模型进行训练，包括：
将所述占比结果以及所述训练样本中所述受试者的生理数据输入至所述多模态数据检测OSA模型，获取所述训练样本对应的受试者的OSA患病程度，根据每个所述训练样本对应的受试者的OSA患病程度以及所述受试者对应的OSA类别标签，计算所述多模态数据检测OSA模型的损失值，利用所述损失值更新所述多模态数据检测OSA模型的参数，在训练结束后得到所述训练成功的多模态数据检测OSA模型。
10.一种阻塞性睡眠呼吸暂停检测装置，其特征在于，包括：
数据获取模块，用于获取被测人的生理数据以及在预设时间段的一组睡眠监测信号，所述睡眠监测信号包括心电信号、血氧信号和脉搏波信号中的至少一项；
信号处理模块，用于对所述睡眠监测信号进行切片处理和滤波处理，得到至少一帧切片信号；
结果获取模块，用于将所述生理数据和所述至少一帧切片信号输入至训练成功的阻塞性睡眠呼吸暂停检测模型，得到所述被测人的阻塞性睡眠暂停低通气综合征OSA患病程度；
其中，所述阻塞性睡眠呼吸暂停检测模型包括睡眠分期分类模型、呼吸事件分类模型、高层样本分类模型以及多模态数据检测OSA模型。
11.一种电子设备，包括存储器、处理器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，其特征在于，所述处理器执行所述程序时实现如权利要求1至9任一项所述阻塞性睡眠呼吸暂停检测方法。
12.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述阻塞性睡眠呼吸暂停检测方法。
CN202210489358.XA 2022-05-06 2022-05-06 阻塞性睡眠呼吸暂停检测方法及装置 Pending CN115040074A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210489358.XA CN115040074A (zh) 2022-05-06 2022-05-06 阻塞性睡眠呼吸暂停检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210489358.XA CN115040074A (zh) 2022-05-06 2022-05-06 阻塞性睡眠呼吸暂停检测方法及装置

Publications (1)

Publication Number Publication Date
CN115040074A true CN115040074A (zh) 2022-09-13

Family

ID=83158091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210489358.XA Pending CN115040074A (zh) 2022-05-06 2022-05-06 阻塞性睡眠呼吸暂停检测方法及装置

Country Status (1)

Country Link
CN (1) CN115040074A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116211256A (zh) * 2023-03-16 2023-06-06 武汉理工大学 一种非接触式的睡眠呼吸信号获取方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116211256A (zh) * 2023-03-16 2023-06-06 武汉理工大学 一种非接触式的睡眠呼吸信号获取方法和装置
CN116211256B (zh) * 2023-03-16 2023-12-22 武汉理工大学 一种非接触式的睡眠呼吸信号获取方法和装置

Similar Documents

Publication Publication Date Title
Van Steenkiste et al. Automated sleep apnea detection in raw respiratory signals using long short-term memory neural networks
Mendonca et al. A review of obstructive sleep apnea detection approaches
Wei et al. The research of sleep staging based on single-lead electrocardiogram and deep neural network
JP6199330B2 (ja) 酸素測定信号を用いるチェーンストークス呼吸パターンの識別
JP6727432B2 (ja) 睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム
Mashrur et al. SCNN: Scalogram-based convolutional neural network to detect obstructive sleep apnea using single-lead electrocardiogram signals
CN110151138B (zh) 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备
KR102068484B1 (ko) 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법
US11419542B2 (en) System and method for non-apnea sleep arousal detection
VISHWAKARMA et al. Detection of sleep apnea through heart rate signal using Convolutional Neural Network.
Bsoul et al. Real-time sleep quality assessment using single-lead ECG and multi-stage SVM classifier
KR20080025673A (ko) 수면 상태 및 각성 상태의 자동 검출 방법 및 장치
Nikkonen et al. Automatic respiratory event scoring in obstructive sleep apnea using a long short-term memory neural network
Chaw et al. Sleep apnea detection using deep learning
CN113409944A (zh) 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置
Liu et al. Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest
Mahmud et al. Sleep apnea event detection from sub-frame based feature variation in EEG signal using deep convolutional neural network
CN115040074A (zh) 阻塞性睡眠呼吸暂停检测方法及装置
WO2013086615A1 (en) Device and method for detecting congenital dysphagia
CN114901128A (zh) 心律失常性心跳弹性睡眠呼吸暂停检测
CN114746005A (zh) 用于指定rem和唤醒状态的系统和方法
Gupta et al. Automatic detection of sleep apnea using sub-band features from EEG signals
FR3064463A1 (fr) Procede de determination d&#39;un ensemble d&#39;au moins un descripteur cardio-respiratoire d&#39;un individu pendant son sommeil et systeme correspondant.
KR102345884B1 (ko) 수치 데이터를 이용한 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법
Umut et al. Detection of periodic leg movements by machine learning methods using polysomnographic parameters other than leg electromyography

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