CN116401598B - 基于生理信号的睡眠呼吸暂停检测方法以及装置 - Google Patents

基于生理信号的睡眠呼吸暂停检测方法以及装置 Download PDF

Info

Publication number
CN116401598B
CN116401598B CN202310260674.4A CN202310260674A CN116401598B CN 116401598 B CN116401598 B CN 116401598B CN 202310260674 A CN202310260674 A CN 202310260674A CN 116401598 B CN116401598 B CN 116401598B
Authority
CN
China
Prior art keywords
signal
ballistocardiogram
respiratory
scales
respiration
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
CN202310260674.4A
Other languages
English (en)
Other versions
CN116401598A (zh
Inventor
张涵
莫志锋
陈锡和
朱玮玮
余宝贤
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 CN202310260674.4A priority Critical patent/CN116401598B/zh
Publication of CN116401598A publication Critical patent/CN116401598A/zh
Application granted granted Critical
Publication of CN116401598B publication Critical patent/CN116401598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明涉及信号处理技术领域，特别涉及一种基于生理信号的睡眠呼吸暂停检测方法，无需将大量的传感器附着在人体的头部、胸口等位置来获得等各种信号，只需要检测用户的生理信号，进而从生理信号分离出心冲击信号以及呼吸信号，并基于心冲击信号以及呼吸信号，获取不同尺度下对应的睡眠特征数据，根据不同尺度下对应的睡眠特征数据以及树突神经网络模型，获取生理信号的睡眠呼吸暂停检测结果，检测方式方便快捷，无需要专家评估，可以提高检测结果的准确性，有效地对用户的睡眠暂停进行分析。

Description

基于生理信号的睡眠呼吸暂停检测方法以及装置
技术领域
本发明涉及信号处理技术领域，特别涉及是一种基于生理信号的睡眠呼吸暂停检测方法、装置、设备以及存储介质。
背景技术
睡眠呼吸暂停检测指的是通过检测人体各种信号来确定睡眠呼吸质量的好坏，睡眠呼吸质量的好坏对于人的认知和工作能力有重大影响，因此，需要便捷准确获得睡眠呼吸暂停检测结果，以便及时调整睡眠呼吸状态。
相关技术中，睡眠呼吸暂停检测需要将大量的传感器附着在人体的头部、胸口等位置来检测人体心冲击信、呼吸信号、体动特征信号等各种信号，整个过程不仅耗时，而且对于使用者来说侵入性高，使用者在使用过程中会影响正常的睡眠，测试结果还需要由专家人工校正，检测效率低，检测精度低。
发明内容
基于此，本发明的目的在于，提供一种基于生理信号的睡眠呼吸暂停检测方法、装置、设备以及存储介质，无需将大量的传感器附着在人体的头部、胸口等位置来获得等各种信号，只需要检测用户的生理信号，进而从生理信号分离出心冲击信号以及呼吸信号，并基于心冲击信号以及呼吸信号，获取不同尺度下对应的睡眠特征数据，根据不同尺度下对应的睡眠特征数据以及树突神经网络模型，获取生理信号的睡眠呼吸暂停检测结果，检测方式方便快捷，无需要专家评估，可以提高检测结果的准确性，有效地对用户的睡眠暂停进行分析。
第一方面，本申请实施例提供了一种基于生理信号的睡眠呼吸暂停检测方法，包括以下步骤：
获得待检测的生理信号，从所述待检测的生理信号中提取心冲击信号以及呼吸信号；
获得所述心冲击信号以及呼吸信号对应的体动特征数据，基于所述心冲击信号以及呼吸信号对应的体动特征数据，分别对所述心冲击信号以及呼吸信号进行标签标注，获得所述心冲击信号以及呼吸信号对应的标签数据；
根据所述标签数据，分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，其中，所述第一心冲击信号段集包括若干个第一心冲击信号段，所述第一呼吸信号段集包括若干个第一呼吸信号段；
根据所述若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，进行特征提取，获得若干个尺度的睡眠特征数据，其中，所述睡眠特征数据包括呼吸努力特征数据、心率变异特征数据以及心肺耦联特征数据；
将所述若干个尺度的睡眠特征数据输入至预设的树突神经网络模型中，获得所述待检测的生理信号的睡眠呼吸暂停检测结果。
第二方面，本申请实施例提供了一种基于生理信号的睡眠呼吸暂停检测装置，包括：
信号提取模块，用于获得待检测的生理信号，从所述待检测的生理信号中提取心冲击信号以及呼吸信号；
标签标注模块，用于获得所述心冲击信号以及呼吸信号对应的体动特征数据，基于所述心冲击信号以及呼吸信号对应的体动特征数据，分别对所述心冲击信号以及呼吸信号进行标签标注，获得所述心冲击信号以及呼吸信号对应的标签数据；
分窗处理模块，用于根据所述标签数据，分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，其中，所述第一心冲击信号段集包括若干个第一心冲击信号段，所述第一呼吸信号段集包括若干个第一呼吸信号段；
特征提取模块，用于根据所述若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，进行特征提取，获得若干个尺度的睡眠特征数据，其中，所述睡眠特征数据包括呼吸努力特征数据、心率变异特征数据以及心肺耦联特征数据；
睡眠呼吸暂停检测模块，用于将所述若干个尺度的睡眠特征数据输入至预设的树突神经网络模型中，获得所述待检测的生理信号的睡眠呼吸暂停检测结果。
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中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于生理信号的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基于生理信号的睡眠呼吸暂停检测方法的步骤。
在本申请实施例中，提供一种基于生理信号的睡眠呼吸暂停检测方法、装置、设备以及存储介质，无需将大量的传感器附着在人体的头部、胸口等位置来获得等各种信号，只需要检测用户的生理信号，进而从生理信号分离出心冲击信号以及呼吸信号，并基于心冲击信号以及呼吸信号，获取不同尺度下对应的睡眠特征数据，根据不同尺度下对应的睡眠特征数据以及树突神经网络模型，获取生理信号的睡眠呼吸暂停检测结果，检测方式方便快捷，无需要专家评估，可以提高检测结果的准确性，有效地对用户的睡眠暂停进行分析。
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基于生理信号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基于生理信号的睡眠呼吸暂停检测方法的流程中S3的示意图；
图3为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测方法的流程中S3的示意图；
图4为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测方法的流程中S4的示意图；
图5为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S4的示意图；
图6为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S4的示意图；
图7为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测方法的流程中S426的示意图；
图8为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测装置的结构示意图；
图9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基于生理信号的睡眠呼吸暂停检测方法的流程示意图，所述方法包括如下步骤：
S1：获得待检测的生理信号，从所述待检测的生理信号中提取心冲击信号以及呼吸信号。
所述基于生理信号的睡眠呼吸暂停检测方法的执行主体为基于生理信号的睡眠呼吸暂停检测方法的检测设备(以下简称检测设备)，在一个可选的实施例中，检测设备可以是一台计算机设备，可以是服务器，或多台计算机设备联合而成的服务器机群。
在一个可选的实施例中，检测设备可以通过在预设的数据库中进行查询，获取用户的生理信号，在另一个可选的实施例中，检测设备可以采用压电传感器，在不影响到用户的正常睡眠下，获取用户的人体微振信号，并根据模数转换模块，将该人体微振信号转换为数字信号，根据数据处理模块对该数字信号进行分析，从该数字信号中提取用户的生理信号，其中，所述生理信号表示为若干个采样点对应的向量组成的时间序列；
由于生理信号的能量主要在0到50Hz，其中呼吸信号的能量频谱范围在0.01到1Hz，而心冲击信号的能量频谱范围主要在1到10Hz，检测设备可以通过滤波的方式，对所述生理信号进行滤波处理，分离出呼吸信号以及心冲击信号，具体地，检测设备可以将生理信号输入至预设的低通滤波器，获得呼吸信号。检测设备可以将生理信号输入至预设的巴特沃斯带通滤波器，滤除呼吸信息以及高频干扰噪声，获得心冲击信号。
所述心冲击信号应用于心率检测、心率变异性监测、心脏收缩性以及心输出量变化监测等方面。
所述压电传感器可以是压电陶瓷传感器、压电薄膜传感器等，可以放在平躺位置心脏的下方，也可以放在枕头下方，来获取用户的人体微振信号。
所述模数转换模块可以采用外置芯片，也可以采用相应的内置模数转换接口来对人体微振信号转换为数字信号。
所述数据处理模块可以采用DSP(Digital Signal Processing)或者ARM(Advanced RISC Machines)处理器，对该数字信号进行分析，从该数字信号中提取用户的生理信号。
由于生理信号还包含体动信号，体动信号是由于压电传感单元灵敏度较强的特性，导致在时域上表现为短时剧烈震荡的高振幅信号，在计算特征数值过程中，容易将含有剧烈体动的片段误判为睡眠呼吸暂停事件，因此需要对其进行检测以及剔除，以获取到有效的体动特征数据。
S2：获得所述心冲击信号以及呼吸信号对应的体动特征数据，基于所述心冲击信号以及呼吸信号对应的体动特征数据，分别对所述心冲击信号以及呼吸信号进行标签标注，获得所述心冲击信号以及呼吸信号对应的标签数据。
所述标签数据包括重度标签以及非重度标签，以表现待检测的生理信号的用户的当前状况。
重度标签对应的重度患者与非重度标签对应的非重度患者表现出不同的信号特征，由于发生睡眠呼吸暂停的次数多，且每次持续时间长，一般地，重度患者的特定如下所示：平均每小时发生睡眠呼吸暂停-低通气次数大于30次，每一次的呼吸暂停一般在30～90秒之间。而非重度患者平均每小时发生睡眠呼吸暂停-低通气次数小于30次，每一次的呼吸暂停一般在10～30秒之间。
为了准确地对待检测的生理信号进行准确的睡眠呼吸暂停的检测，在本实施例中，检测设备获得所述心冲击信号以及呼吸信号对应的体动特征数据，基于所述心冲击信号以及呼吸信号对应的体动特征数据，分别对所述心冲击信号以及呼吸信号进行标签标注，实现睡眠呼吸暂停严重层度的分层，获得所述心冲击信号以及呼吸信号对应的标签数据，以调整睡眠呼吸暂停检测方法，从而适应不同严重程度的信号特征。
具体地，检测设备采用支持向量机(support vector machines,SVM)作为睡眠呼吸暂停严重层度分层的分类器，SVM对于输入空间中的非线性分类问题，可以通过非线性变换将它转化为某个维特征空间中的线性分类问题，在高维特征空间中学习线性支持向量机，在高维空间构造超平面集合，划分出分界面实现分类，对用于信号形态多样的生理信号有较好的作用。
所述体动特征数据包括体动次数累计值、体动时间持续均值以及体动占空比；请参阅图2，图2为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测方法的流程中S3的示意图，包括步骤S21～S23，具体如下：
S21：根据预设的窗口长度，对所述心冲击信号以及呼吸信号进行分窗处理，构建第二心冲击信号段集以及第二呼吸信号段集，对所述第二心冲击信号段集以及第二呼吸信号段集进行体动信号检测，获得所述心冲击信号以及呼吸信号对应的体动持续时间以及体动次数累计值。
所述第二心冲击信号段集包括若干个第二心冲击信号段，所述第二呼吸信号段集包括若干个第二呼吸信号段；
在本实施例中，检测设备根据预设的窗口长度，对所述心冲击信号以及呼吸信号进行分窗处理，构建第二心冲击信号段集以及第二呼吸信号段集，其中，所述第二心冲击信号段集包括若干个第二心冲击信号段，所述第二呼吸信号段集包括若干个第二呼吸信号段。
具体地，检测设备分别对所述第二心冲击信号段集中的第二心冲击信号段以及第二呼吸信号段集中的第二呼吸信号段按照每2s的时间长度切片为一个个窗口。检测设备对所述第二心冲击信号段集以及第二呼吸信号段集进行体动信号检测，获得所述第二心冲击信号段集以及第二呼吸信号段集对应的体动标签序列集，具体地，检测设备分别计算每一个2s窗口的峰谷差，并记为M，分别计算30s/60s/120s/300s内M的中位数2.2倍，分别记为Q1/Q2/Q3/Q4，如果M>Q1/Q2/Q3/Q4，则此2s窗口对应的体动伪迹，获得若干个第二心冲击信号段对应的体动标签序列以及若干个第二呼吸信号段对应的体动标签序列，其中，所述体动标签序列包括若干个信号段的采样点对应的体动标签向量，体动标签向量的值设置为1或者0，所述体动标签向量的值为1时，表示所述体动标签向量对应的信号段中的采样点为体动采样点，所述体动标签向量的值为0时，表示所述体动标签向量对应的信号段中的采样点为非体动采样点。
检测设备基于所述若干个第二心冲击信号段对应的体动标签序列以及若干个第二呼吸信号段对应的体动标签序列，获得所述心冲击信号以及呼吸信号对应的体动持续时间以及体动次数累计值，具体地，检测设备根据所述体动标签序列中各个体动标签向量的值，获得相应的若干个体动采样点，并根据若干个体动采样点，获取若干个相应的体动信号段。
检测设备根据体动信号段的数目以及窗口时间，进行乘积，分别获得所述心冲击信号以及呼吸信号对应的体动持续时间，检测设备根据预设的体动次数累计值计算算法，分别获得所述心冲击信号以及呼吸信号对应的体动次数累计值，其中，所述体动次数累计值计算算法为：
式中，MotionNums为体动次数累计值，len为体动标签序列的长度，i为第i个体动信号段，BM为体动信号段。
在本实施例中，检测设备根据所述第二心冲击信号段集、第二呼吸信号段集对应的体动标签序列集以及预设的体动次数累计值计算算法，分别获得所述心冲击信号以及呼吸信号对应的体动次数累计值。
S22：根据所述心冲击信号、呼吸信号对应的体动持续时间、体动次数累计值以及预设的体动时间持续均值计算算法，分别获得所述心冲击信号以及呼吸信号对应的体动时间持续均值。
所述体动时间持续均值计算算法为：
式中，DurationMean为体动时间持续均值，Duration为体动时间持续均值。
在本实施例中，检测设备根据所述心冲击信号、呼吸信号对应的体动持续时间、体动次数累计值以及预设的体动时间持续均值计算算法，分别获得所述心冲击信号以及呼吸信号对应的体动时间持续均值。
S23：根据所述心冲击信号、呼吸信号对应的体动时间持续均值，以及预设的体动占空比计算算法，分别获得所述心冲击信号以及呼吸信号对应的体动占空比。
所述体动占空比计算算法为：
式中，MotionRatio为体动占空比。
在本实施例中，检测设备根据所述心冲击信号、呼吸信号对应的体动时间持续均值，以及预设的体动占空比计算算法，分别获得所述心冲击信号以及呼吸信号对应的体动占空比。
S3：根据所述标签数据，分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集。
所述第一心冲击信号段集包括若干个第一心冲击信号段，所述第一呼吸信号段集包括若干个第一呼吸信号段。
在本实施例中，检测设备根据所述标签数据，分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集。
请参阅图3，图3为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测方法的流程中S3的示意图，包括步骤S31～S32，具体如下：
S31：根据预设的与所述标签数据对应的第一窗口长度，以前后不交叠的方式分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的初始心冲击信号段集以及所述呼吸信号对应的若干个尺度的初始呼吸信号段集。
在本实施例中，当标签数据为重度标签，检测设备根据预设的与所述重度标签对应的第一窗口长度，以前后不交叠的方式分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的初始心冲击信号段集以及所述呼吸信号对应的若干个尺度的初始呼吸信号段集。
具体地，所述重度标签对应的第一窗口长度可以设置为90s，分别将心冲击信号或者呼吸信号作为输入信号，以前后不交叠的方式进行分窗处理，获得分窗处理后的90s时间窗信号片段集合，如下所述：
orgdata(d1)＝[orgdata1,orgdata2,…,orgdata90]，其中d1＝1,2,...,90。
当标签数据为非重度标签，检测设备根据预设的与所述非重度标签对应的第一窗口长度，以前后不交叠的方式分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的初始心冲击信号段集以及所述呼吸信号对应的若干个尺度的初始呼吸信号段集。
具体地，所述非重度标签对应的第一窗口长度可以设置为30s，分别将心冲击信号或者呼吸信号作为输入信号，以前后不交叠的方式进行分窗处理，获得分窗处理后的30s时间窗信号片段集合，如下所述：
orgdata(g)＝[orgdata1,orgdata1,…,orgdata30]，其中g＝1,2,...,30。
S32：根据预设的与所述标签数据对应的第二窗口长度，以前后交叠的方式分别对所述心冲击信号对应的若干个尺度的初始心冲击信号段集以及所述呼吸信号对应的若干个尺度的初始呼吸信号段集进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集。
在本实施例中，当标签数据为重度标签，检测设备根据预设的与所述重度标签对应的第二窗口长度，以前后交叠的方式分别对所述心冲击信号对应的若干个尺度的初始心冲击信号段集以及所述呼吸信号对应的若干个尺度的初始呼吸信号段集进行相应的分窗处理。
具体地，检测设备对所述分窗处理后的90s时间窗信号片段集合，以前后交叠50％(即交叠30s)进行分窗处理，获得分窗处理后的60s时间窗信号片段集合，如下所述：
orgdata(e1)＝[orgdata1,orgdata2,…,orgdata60]，其中e1＝1,2,...,60。
orgdata(e2)＝[orgdata31,orgdata32,…,orgdata90]，其中e2＝31,32,...,90。
对所述分窗处理后的60s时间窗信号片段集合，以前后交叠50％(即交叠30s)进行分窗处理，获得分窗处理后的30s时间窗信号片段集合，如下所述：
orgdata(f1)＝[orgdata1,orgdata2,…,orgdata30]，其中f1＝1,2,...,30。
orgdata(f2)＝[orgdata16,orgdata17,…,orgdata45]，其中f2＝16,17,...,45。
orgdata(f3)＝[orgdata31,orgdata32,…,orgdata60]，其中f3＝31,32,...,60。
orgdata(f4)＝[orgdata46,orgdata47,…,orgdata75]，其中f4＝46,47,...,75。
orgdata(f5)＝[orgdata61,orgdata62,…,orgdata90]，其中f5＝61,62,...,90。
当标签数据为非重度标签，检测设备根据预设的与所述非重度标签对应的第二窗口长度，以前后交叠的方式分别对所述心冲击信号对应的若干个尺度的初始心冲击信号段集以及所述呼吸信号对应的若干个尺度的初始呼吸信号段集进行相应的分窗处理。
具体地，检测设备对所述分窗处理后的30s时间窗信号片段集合，以前后交叠50％(即交叠10s)进行分窗处理，获得分窗处理后的10s时间窗信号片段集合，如下所述：
orgdata(h1)＝[orgdata1,orgdata2,…,orgdata20]，其中g＝1,2,...,20。
orgdata(h2)＝[orgdata11,orgdata12,…,orgdata30]，其中g＝11,2,...,30。
检测设备对所述分窗处理后的10s时间窗信号片段集合，以前后交叠50％(即交叠5s)进行分窗处理，获得分窗处理后的5s时间窗信号片段集合，如下所述：
orgdata(i1)＝[orgdata1,orgdata2,…,orgdata10]，其中g＝1,2,...,10。
orgdata(i2)＝[orgdata6,orgdata7,…,orgdata15]，其中g＝6,7,...,15。
orgdata(i3)＝[orgdata11,orgdata12,…,orgdata20]，其中g＝11,12,...,20。
orgdata(i4)＝[orgdata16,orgdata17,…,orgdata25]，其中g＝16,17,...,25。
orgdata(i5)＝[orgdata21,orgdata22,…,orgdata30]，其中g＝21,22,...,30。
S4：根据所述若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，进行特征提取，获得若干个尺度的睡眠特征数据。
所述睡眠特征数据包括呼吸努力特征数据、心率变异特征数据以及心肺耦联特征数据。
在本实施例中，检测设备根据所述若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，进行特征提取，获得若干个尺度的睡眠特征数据。
在一个可选的实施例中，所述呼吸努力特征数据包括方差、样本熵以及峰值均值；请参阅图4，图4为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测方法的流程中S4的示意图，包括步骤S401～S403，
S401：获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的幅值，根据所述若干个第一呼吸信号段对应的幅值以及预设的方差计算算法，获得若干个尺度的方差。
所述方差计算算法为：
式中，yar为方差，N为第一呼吸信号段的数目，xi为第i个第一呼吸信号段对应的幅值，μ为各个尺度的第一呼吸信号段集的幅值均值。
在本实施例中，检测设备获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的幅值，根据所述若干个第一呼吸信号段对应的幅值以及预设的方差计算算法，获得若干个尺度的方差。
S402：根据所述呼吸信号对应的若干个尺度的第一呼吸信号段集以及预设的样本熵计算算法，获得若干个尺度的样本熵。
在本实施例中，检测设备根据所述呼吸信号对应的若干个尺度的第一呼吸信号段集以及预设的样本熵计算算法，获得若干个尺度的样本熵，具体地，所述样本熵计算算法步骤如下：
检测设备将所述呼吸信号对应的若干个尺度的第一呼吸信号段集中的各个第一呼吸信号段分别作为目标序列，其中，所述目标序列的表达式为：
{u(i)，1≤i≤t}
根据所述目标序列，构建m维相空间，其中，所述m维相空间为：
其中，
式中，m为嵌入维数，u(i)，u(i+1)，...，u(i+m-1)代表从第i个点开始的连续m个u的值，u0(i)为其均值，其表达式为：
计算所述m维相空间中的一个任意向量与另一个向量/>之间的距离最大值dij，其表达式为：
计算所述向量与向量/>的相似度/>其表达式为：
式中，为模糊隶属度指数函数，n为所述模糊隶属度指数函数边界的梯度，r为所述模糊隶属度指数函数边界的宽度。
输入所述相似度至预设的样本熵参数定义函数中，获取Cm(r)以及Cm+1(r)，其中，所述样本熵参数定义函数为：
根据所述Cm(r)、Cm+1(r)，以及样本熵计算公式，获得各个第一呼吸信号段的样本熵，获得若干个尺度的样本熵，其中，所述样本熵计算公式为：
式中，FE(X，m，n，r)为所述样本熵。
S403：获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰序列，根据所述若干个第一呼吸信号段对应的呼吸波峰序列以及预设的峰值均值计算算法，获得若干个尺度的峰值均值。
所述呼吸波峰序列包括若干个呼吸波峰对应的采样点，表现了呼吸信号段的波峰索引以及波峰幅值。
在本实施例中，检测设备得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰序列，根据所述若干个第一呼吸信号段对应的呼吸波峰序列以及预设的峰值均值计算算法，获得若干个尺度的峰值均值，其中，所述峰值均值计算算法为：
式中，MeanPeakAmp为峰值均值，C为呼吸波峰序列中呼吸波峰的数目，PeakAmpi为呼吸波峰间期序列中第i个呼吸波峰。
在一个可选的实施例中，所述心率变异特征数据包括时域特征数据以及频域特征数据，其中，所述时域特征数据包括RMSSD参数、SDSD参数以及SDNN参数，所述频域特征数据包括能量比例参数；请参阅图5，图5为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S4的示意图，包括步骤S411～S415，具体如下：
S411：获得所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的J-J波峰间期序列，根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的波峰间期序列以及预设的RMSSD参数计算算法，获得若干个尺度的RMSSD参数。
J-J波峰间期序列包括若干个J-J波峰间期，表现了心冲击信号段的后一个波峰索引与前一个波峰索引的差值。
在本实施例中，检测设备可以采用模板匹配法，对所述第一心冲击信号段信号的波峰进行定位，获得所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的J-J波峰间期序列，具体地，检测设备通过采用一阶差分阈值的方法检测出第一心冲击信号段的第1个J波的位置，并根据预设的初始模板以及幅度阈值，将所述初始模板与第一个J波后的数据段进行比较，若所述数据段中的最大值大于设定的幅度阈值，则所述数据段中存在J峰，否则无J峰，若所述数据段中存在J峰，则将此段数据与所述初始模板匹配，获取匹配系数，根据预设的匹配系数阈值，若匹配系数大于预设的匹配系数阈值，则提取在所述数据段的J峰，获取所述第一心冲击信号段对应的J-J波峰间期，构建J-J波峰间期序列，其中，所述初始模板可以选取峰值点前0.5s或者后2s的第一心冲击信号段。
检测设备根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的波峰间期序列以及预设的RMSSD参数计算算法，获得若干个尺度的RMSSD参数，其中，所述RMSSD参数计算算法为：
式中，JJj为J-J波峰间期序列中第j个J-J波峰间期，P为J-J波峰间期序列中J-J波峰间期的数目；
S412：根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的波峰间期序列以及预设的SDSD参数计算算法，获得若干个尺度的SDSD参数。
所述SDSD参数计算算法为：
式中，JJj为J-J波峰间期序列中第j个J-J波峰间期；为第j个J-J波峰间期与第j-1个J-J波峰间期的差值的均值。
在本实施例中，检测设备根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的波峰间期序列以及预设的SDSD参数计算算法，获得若干个尺度的SDSD参数。
S413：根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的波峰间期序列以及预设的SDNN参数计算算法，获得若干个尺度的SDNN参数。
所述SDNN参数计算算法为：
式中，为J-J波峰间期序列中所有J-J波峰间期的均值；
在本实施例中，检测设备根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的波峰间期序列以及预设的SDNN参数计算算法，获得若干个尺度的SDNN参数。
S414：对所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段分别进行离散傅里叶变换，获得若干个尺度的低频域段以及高频域段对应的离散傅里叶变换数据，根据所述若干个尺度的低频域段以及高频域段对应的离散傅里叶变换数据以及预设的功率谱密度计算算法，获得若干个尺度的低频域段以及高频域段对应的功率谱密度。
所述功率谱密度计算算法为：
式中，PSDLow为低频域段对应的功率谱密度，F(k1)为低频域段对应的离散傅里叶变换数据，O为第一心冲击信号段的数目，PSDHigh为高频域段对应的功率谱密度，F(k2)为高频域段对应的离散傅里叶变换数据。
在本实施例中，检测设备对所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段分别进行离散傅里叶变换，获得若干个尺度的低频域段以及高频域段对应的离散傅里叶变换数据，根据所述若干个尺度的低频域段以及高频域段对应的离散傅里叶变换数据以及预设的功率谱密度计算算法，获得若干个尺度的低频域段以及高频域段对应的功率谱密度。
S415：根据所述若干个尺度对应的低频域段、高频域段对应的功率谱密度以及预设的能量比例参数计算算法，获得若干个尺度的能量比例参数。
所述能量比例参数计算算法为：
式中，LF/HF为能量比例参数。
所述能量比例参数LF/HF反映了自主神经平衡的能力。在本实施例中，检测设备根据所述若干个尺度对应的低频域段、高频域段对应的功率谱密度以及预设的能量比例参数计算算法，获得若干个尺度的能量比例参数。
在一个可选的实施例中，所述心肺耦联特征数据包括心肺耦合功率比值、心率呼吸率的变异系数比值以及心率呼吸率的中值绝对偏差；请参阅图6，图6为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S4的示意图，包括步骤S421～S426，具体如下：
S421：对所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的J-J波峰间期序列进行样条插值处理，获得所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的样条插值处理后的J-J波峰间期序列。
S422：对所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段进行重采样，获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个重采样处理后的第一呼吸信号序列。
在本实施例中，检测设备对所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的J-J波峰间期序列进行样条插值处理，获得所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的样条插值处理后的J-J波峰间期序列，对所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段进行重采样，获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个重采样处理后的第一呼吸信号序列。
S423：根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的样条插值处理后的J-J波峰间期序列、所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个重采样处理后的第一呼吸信号序列以及预设的互相关函数，获得若干个尺度的互相关系数。
所述互相关函数为：
式中，为互相关系数，T为时间参数，a(t)为重采样处理后的第一呼吸信号序列，，b(t+τ)为第一心冲击信号段对应的样条插值处理后的J-J波峰间期序列；
在本实施例中，检测设备根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的样条插值处理后的J-J波峰间期序列、所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个重采样处理后的第一呼吸信号序列以及预设的互相关函数，获得若干个尺度的互相关系数。
S424：根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的样条插值处理后的J-J波峰间期序列、所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个重采样处理后的第一呼吸信号序列以及预设的自功率谱密度计算函数，获得若干个尺度的心冲击信号、呼吸信号对应的自功率谱密度以及心冲击信号与呼吸信号之间的互功率谱密度。
所述自功率谱密度计算函数为：
式中，Sab(ω)为心冲击信号与呼吸信号之间的互功率谱密度，Saa(ω)为呼吸信号对应的自功率谱密度，Sbb(ω)为心冲击信号对应的自功率谱密度；
在本实施例中，检测设备根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的样条插值处理后的J-J波峰间期序列、所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个重采样处理后的第一呼吸信号序列以及预设的自功率谱密度计算函数，获得若干个尺度的心冲击信号、呼吸信号对应的自功率谱密度以及心冲击信号与呼吸信号之间的互功率谱密度。
S425：根据所述若干个尺度的心冲击信号、呼吸信号对应的自功率谱密度、心冲击信号与呼吸信号之间的互功率谱密度以及预设的心肺耦合功率比值计算算法，获得若干个尺度的心肺耦合功率比值。
所述心肺耦合功率比值计算算法为：
CPCLow＝Cab(ω1)*|Sab(ω1)|2
CPCHigh＝Cab(ω2)*|Sab(ω2)|2
式中，Cab(ω)为相干性系数，CPCLow为低频段对应的耦合强度，ω1为低频段对应的角频率，CPCHigh为高频段对应的耦合强度，ω2为高频段对应的角频率，LFC/HFC为心肺耦合功率比值。
在本实施例中，检测设备根据所述若干个尺度的心冲击信号、呼吸信号对应的自功率谱密度、心冲击信号与呼吸信号之间的互功率谱密度以及预设的心肺耦合功率比值计算算法，获得若干个尺度的心肺耦合功率比值。
S426：获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰间期序列，以及所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的心动间期序列，根据所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰间期序列、所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的心动间期序列以及预设的心率呼吸率的变异系数比值计算算法，获得若干个尺度的心率呼吸率的变异系数比值。
所述心率呼吸率的变异系数比值计算算法为：
式中，CVheart为心率变异系数，Q为心动间期序列中心动间期的数目，breatrate q为心动间期序列中第q个心动间期，breatrate win为心动间期序列中所有心动间期的均值，Mean()为平均值函数，CVbreath为呼吸率变异系数，Y为呼吸波峰间期序列中呼吸波峰间期的数目，breathratey为呼吸波峰间期序列中第i个呼吸波峰间期，breathratewin为呼吸波峰间期序列中中所有呼吸波峰间期的均值，CVheart_breath为心率呼吸率变异系数比值；
在本实施例中，检测设备获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰间期序列，以及所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的心动间期序列，根据所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰间期序列、所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的心动间期序列以及预设的心率呼吸率的变异系数比值计算算法，获得若干个尺度的心率呼吸率的变异系数比值。
请参阅图7，图7为本申请一个实施例提供的基于生理信号的睡眠呼吸暂停检测方法的流程中S426的示意图，包括步骤S4261～S4264，具体如下：
S4261：分别将所述若干个第一呼吸信号段作为输入信号，根据预设的采样点数目，将所述输入信号划分为若干个第一输入信号段，获取各个所述第一输入信号段中幅值最大的采样点，作为第一峰值点。
在本实施例中，检测设备分别将所述若干个第一呼吸信号段作为输入信号，根据预设的采样点数目，将所述输入信号划分为若干个第一输入信号段，获取各个所述第一输入信号段中幅值最大的采样点，作为第一峰值点。
S4262：根据预设的延迟点数目，以所述第一峰值点为划分原点，将所述输入信号划分为若干个第二输入信号段，获取各个所述第二输入信号中幅值最大的采样点，作为第二峰值点。
在本实施例中，检测设备根据预设的延迟点数目，以所述第一峰值点为划分原点，将所述输入信号划分为若干个第二输入信号段，获取各个所述第二输入信号中幅值最大的采样点，作为第二峰值点。
S4263：将相邻的第一峰值点与第二峰值点作为峰值点组，获取各个所述峰值点组的距离，根据各个所述峰值点组的距离以及预设的第一距离阈值，获取各个所述峰值点组对应的峰值点，作为第三峰值点。
为了获取所述输入信号的真正峰值点，提高获取峰值点的精准性，在本实施例中检测设备将相邻的第一峰值点与第二峰值点作为峰值点组，获取各个所述峰值点组的距离，根据各个所述峰值点组的距离以及预设的第一距离阈值，当所述峰值点组的距离小于所述第一距离阈值，对比所述峰值点组中第一峰值点与第二峰值点的幅值，保留所述峰值点组中幅值相对较高的峰值点，去除所述峰值点组中幅值相对较低的峰值点，获取各个峰值点组对应的峰值点，作为第三峰值点。
S4264：根据所述第三峰值点，计算相邻的第三峰值点之间的距离，根据所述相邻的第三峰值点之间的距离以及预设的第二距离阈值，去除所述第三峰值点之间的采样点，获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的波峰间期。
在本实施例中，预测设备根据所述第三峰值点，计算相邻的第三峰值点之间的距离，根据所述相邻的第三峰值点之间的距离以及预设的第二距离阈值，当所述相邻的各个峰值点组对应的峰值点之间的距离大于第二距离阈值，去除所述峰值点之间的采样点，从所述输入信号中提取相对应的目标序列，获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的波峰间期。
S427：根据所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰间期序列、所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的心动间期序列以及预设的心率呼吸率的中值绝对偏差计算算法，获得若干个尺度的心率呼吸率的中值绝对偏差。
所述心率呼吸率的中值绝对偏差计算算法为：
MADheart＝median(|breatrate q-median(heartrate q)|)
MADbreath＝median(|breathrate y-median(breathrate y)|)
式中，MADheart为心率中值，MADbreath为呼吸率中值，median()为中值函数，MADheart_breath为心率呼吸率的中值绝对偏差。
在本实施例中，检测设备根据所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰间期序列、所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的心动间期序列以及预设的心率呼吸率的中值绝对偏差计算算法，获得若干个尺度的心率呼吸率的中值绝对偏差。
S5：将所述若干个尺度的睡眠特征数据输入至预设的树突神经网络模型中，获得所述待检测的生理信号的睡眠呼吸暂停检测结果。
在本实施例中，检测设备预先对所述树突神经网络模型进行训练，具体地，检测设备获得若干个尺度的样本睡眠特征数据，将所述同一尺度下的样本睡眠特征数据作为输入向量输入至所述树突神经网络模型，根据所述树突神经网络模型中的前向传播算法，获取所述树突神经网络模型输出的预测值，其中，所述前向传播算法为：
/>
f2＝Al＝WL，L-1AL-1
式中，f1为所述树突神经网络模型的输入层以及输出层的前向传播算法，f2为所述树突神经网络模型的输出层的前向传播算法，f3为基于所述树突神经网络模型的前向传播算法，Al-1为所述树突神经网络模型的第l-1层的输入值，Al为所述树突神经网络模型的第l-1层的输出值，并作为第l层的输入值，X表示所述树突神经网络模型的输入向量，AL表示所述树突神经网络模型的输出层的输出值，AL-1表示所述树突神经网络模型的输出层的输入值，Wl,l-1为所述树突神经网络模型的第l-1层到第l层的权重矩阵，Y表示所述树突神经网络模型的预测值，ο表示哈达玛积；
获取与所述预测值相对应的真实值，根据所述预测值、真实值以及所述树突神经网络模型中的误差反向传播算法，获取所述树突神经网络模型每一层的误差值，其中，所述误差反向传播算法为：
dAl-1(Wl，l-1)TdZl
式中，ZL为所述树突神经网络模型的输出层的误差值，dZL为所述输出层的误差值的求偏导，Zl为所述树突神经网络模型的中间层的误差值，dZl为所述中间层的误差值的求偏导，MSE为所述树突神经网络模型的误差损失值；dAl-1为所述第l-1层的输入值的求偏导，(W1,l-1)T为所述树突神经网络模型的第l-1层到第l层的权重矩阵的转置；
根据所述树突神经网络模型每一层的误差值以及所述树突神经网络模型中的权重更新算法，更新所述树突神经网络模型每一层的权重矩阵，获取训练后的树突神经网络模型，其中，所述权重更新算法为：
wl，l-1(new)＝Wl，l-1αdl，l-1
式中，m为所述树突神经网络模型每次训练的输入向量的数量，(Al-1)T为所述第l-1层的输入值的转置，dWl,l-1为所述树突神经网络模型的第l-1层到第l层的权重矩阵的求偏导，α为学习率，Wl,l-1(old)表示未更新时的所述树突神经网络模型的第l-1层到第l层的权重矩阵，Wl,l-1表示更新后的为所述树突神经网络模型的第l-1层到第l层的权重矩阵。
检测设备根据所述树突神经网络模型每一层的误差值以及所述神经网络模型中的权重更新算法，更新所述神经网络模型每一层的权重矩阵，获取训练后的树突神经网络模型，检测设备将所述若干个尺度的睡眠特征数据输入至预设的树突神经网络模型中，获得所述待检测的生理信号的睡眠呼吸暂停检测结果。
请参考图8，图8为本申请一个实施例提供的基于生理信号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基于生理信号的睡眠呼吸暂停检测装置的全部或一部分，该装置8包括：
信号提取模块81，用于获得待检测的生理信号，从所述待检测的生理信号中提取心冲击信号以及呼吸信号；
标签标注模块82，用于获得所述心冲击信号以及呼吸信号对应的体动特征数据，基于所述心冲击信号以及呼吸信号对应的体动特征数据，分别对所述心冲击信号以及呼吸信号进行标签标注，获得所述心冲击信号以及呼吸信号对应的标签数据；
分窗处理模块83，用于根据所述标签数据，分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，其中，所述第一心冲击信号段集包括若干个第一心冲击信号段，所述第一呼吸信号段集包括若干个第一呼吸信号段；
特征提取模块84，用于根据所述若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，进行特征提取，获得若干个尺度的睡眠特征数据，其中，所述睡眠特征数据包括呼吸努力特征数据、心率变异特征数据以及心肺耦联特征数据；
睡眠呼吸暂停检测模块85，用于将所述若干个尺度的睡眠特征数据输入至预设的树突神经网络模型中，获得所述待检测的生理信号的睡眠呼吸暂停检测结果。
在本申请实施例中，通过信号提取模块，获得待检测的生理信号，从所述待检测的生理信号中提取心冲击信号以及呼吸信号；通过标签标注模块，获得所述心冲击信号以及呼吸信号对应的体动特征数据，基于所述心冲击信号以及呼吸信号对应的体动特征数据，分别对所述心冲击信号以及呼吸信号进行标签标注，获得所述心冲击信号以及呼吸信号对应的标签数据；通过分窗处理模块，根据所述标签数据，分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，其中，所述第一心冲击信号段集包括若干个第一心冲击信号段，所述第一呼吸信号段集包括若干个第一呼吸信号段；通过特征提取模块，根据所述若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，进行特征提取，获得若干个尺度的睡眠特征数据，其中，所述睡眠特征数据包括呼吸努力特征数据、心率变异特征数据以及心肺耦联特征数据；通过睡眠呼吸暂停检测模块，将所述若干个尺度的睡眠特征数据输入至预设的树突神经网络模型中，获得所述待检测的生理信号的睡眠呼吸暂停检测结果。无需将大量的传感器附着在人体的头部、胸口等位置来获得等各种信号，只需要检测用户的生理信号，进而从生理信号分离出心冲击信号以及呼吸信号，并基于心冲击信号以及呼吸信号，获取不同尺度下对应的睡眠特征数据，根据不同尺度下对应的睡眠特征数据以及树突神经网络模型，获取生理信号的睡眠呼吸暂停检测结果，检测方式方便快捷，无需要专家评估，可以提高检测结果的准确性，有效地对用户的睡眠暂停进行分析。
请参考图9，图9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10包括：处理器91、存储器92以及存储在存储器92上并可在处理器91上运行的计算机程序93；计算机设备可以存储有多条指令，指令适用于由处理器91加载并执行上述图1至图7所示实施例的方法步骤，具体执行过程可以参见图1至图7所示实施例的具体说明，在此不进行赘述。
其中，处理器91可以包括一个或多个处理核心。处理器91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92内的指令、程序、代码集或指令集，以及调用存储器92内的数据，执行基于生理信号的睡眠呼吸暂停检测装置8的各种功能和处理数据，可选的，处理器91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 Logic Array，PLA)中的至少一个硬件形式来实现。处理器91可集成中央处理器91(Central Processing Unit，CPU)、图像处理器91(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91中，单独通过一块芯片进行实现。
其中，存储器92可以包括随机存储器92(Random Access Memory，RAM)，也可以包括只读存储器92(Read-Only Memory)。可选的，该存储器92包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器92可用于存储指令、程序、代码、代码集或指令集。存储器92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92可选的还可以是至少一个位于远离前述处理器91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7所述实施例的方法步骤，具体执行过程可以参见图1至图7所述实施例的具体说明，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)

1.一种基于生理信号的睡眠呼吸暂停检测方法，其特征在于，包括以下步骤：
获得待检测的生理信号，从所述待检测的生理信号中提取心冲击信号以及呼吸信号；
获得所述心冲击信号以及呼吸信号对应的体动特征数据，基于所述心冲击信号以及呼吸信号对应的体动特征数据，分别对所述心冲击信号以及呼吸信号进行标签标注，获得所述心冲击信号以及呼吸信号对应的标签数据，其中，所述体动特征数据包括体动次数累计值、体动时间持续均值以及体动占空比；
根据所述标签数据，分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，其中，所述第一心冲击信号段集包括若干个第一心冲击信号段，所述第一呼吸信号段集包括若干个第一呼吸信号段；
根据所述若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，进行特征提取，获得若干个尺度的睡眠特征数据，其中，所述睡眠特征数据包括呼吸努力特征数据、心率变异特征数据以及心肺耦联特征数据，所述呼吸努力特征数据包括方差、样本熵以及峰值均值，所述心肺耦联特征数据包括心肺耦合功率比值、心率呼吸率的变异系数比值以及心率呼吸率的中值绝对偏差；
将所述若干个尺度的睡眠特征数据输入至预设的树突神经网络模型中，获得所述待检测的生理信号的睡眠呼吸暂停检测结果。
2.根据权利要求1所述的基于生理信号的睡眠呼吸暂停检测方法，其特征在于，所述获得所述心冲击信号以及呼吸信号对应的体动特征数据，包括步骤：
根据预设的窗口长度，对所述心冲击信号以及呼吸信号进行分窗处理，构建第二心冲击信号段集以及第二呼吸信号段集，对所述第二心冲击信号段集以及第二呼吸信号段集进行体动信号检测，获得所述心冲击信号以及呼吸信号对应的体动持续时间以及体动次数累计值；其中，所述第二心冲击信号段集包括若干个第二心冲击信号段，所述第二呼吸信号段集包括若干个第二呼吸信号段；
根据所述心冲击信号、呼吸信号对应的体动持续时间、体动次数累计值以及预设的体动时间持续均值计算算法，分别获得所述心冲击信号以及呼吸信号对应的体动时间持续均值，其中，所述体动时间持续均值计算算法为：
式中，DurationMean为体动时间持续均值，i为第i个体动信号段，MotionNums为体动次数累计值，Duration为体动持续时间；
根据所述心冲击信号、呼吸信号对应的体动时间持续均值，以及预设的体动占空比计算算法，分别获得所述心冲击信号以及呼吸信号对应的体动占空比，其中，所述体动占空比计算算法为：
式中，MotionRatio为体动占空比，len为体动标签序列的长度。
3.根据权利要求1所述的基于生理信号的睡眠呼吸暂停检测方法，其特征在于：
所述根据所述标签数据，分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，包括步骤：
根据预设的与所述标签数据对应的第一窗口长度，以前后不交叠的方式分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的初始心冲击信号段集以及所述呼吸信号对应的若干个尺度的初始呼吸信号段集；
根据预设的与所述标签数据对应的第二窗口长度，以前后交叠的方式分别对所述心冲击信号对应的若干个尺度的初始心冲击信号段集以及所述呼吸信号对应的若干个尺度的初始呼吸信号段集进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集。
4.根据权利要求1所述的基于生理信号的睡眠呼吸暂停检测方法，其特征在于，所述根据所述若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，进行特征提取，获得若干个尺度的睡眠特征数据，包括步骤：
获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的幅值，根据所述若干个第一呼吸信号段对应的幅值以及预设的方差计算算法，获得若干个尺度的方差，其中，所述方差计算算法为：
式中，Var为方差，N为第一呼吸信号段的数目，xi为第i个第一呼吸信号段对应的幅值，μ为各个尺度的第一呼吸信号段集的幅值均值；
根据所述呼吸信号对应的若干个尺度的第一呼吸信号段集以及预设的样本熵计算算法，获得若干个尺度的样本熵；
获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰序列，根据所述若干个第一呼吸信号段对应的呼吸波峰序列以及预设的峰值均值计算算法，获得若干个尺度的峰值均值，其中，所述峰值均值计算算法为：
式中，MeanPeakAmp为峰值均值，C为呼吸波峰序列中呼吸波峰的数目，PeakAmpi为呼吸波峰间期序列中第i个呼吸波峰。
5.根据权利要求1所述的基于生理信号的睡眠呼吸暂停检测方法，其特征在于：所述心率变异特征数据包括时域特征数据以及频域特征数据，其中，所述时域特征数据包括RMSSD参数、SDSD参数以及SDNN参数，所述频域特征数据包括能量比例参数；
所述根据所述若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，进行特征提取，获得若干个尺度的睡眠特征数据，包括步骤：
获得所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的J-J波峰间期序列，根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的波峰间期序列以及预设的RMSSD参数计算算法，获得若干个尺度的RMSSD参数，其中，所述RMSSD参数计算算法为：
式中，JJj为J-J波峰间期序列中第j个J-J波峰间期，P为J-J波峰间期序列中J-J波峰间期的数目；
根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的波峰间期序列以及预设的SDSD参数计算算法，获得若干个尺度的SDSD参数，其中，所述SDSD参数计算算法为：
式中，为第j个J-J波峰间期与第j-1个J-J波峰间期的差值的均值；
根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的波峰间期序列以及预设的SDNN参数计算算法，获得若干个尺度的SDNN参数，其中，所述SDNN参数计算算法为：
式中，为J-J波峰间期序列中所有J-J波峰间期的均值；
对所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段分别进行离散傅里叶变换，获得若干个尺度的低频域段以及高频域段对应的离散傅里叶变换数据，根据所述若干个尺度的低频域段以及高频域段对应的离散傅里叶变换数据以及预设的功率谱密度计算算法，获得若干个尺度的低频域段以及高频域段对应的功率谱密度，其中，所述功率谱密度计算算法为：
式中，PSDLow为低频域段对应的功率谱密度，F(k1)为低频域段对应的离散傅里叶变换数据，O为第一心冲击信号段的数目，PSDHigh为高频域段对应的功率谱密度，F(k2)为高频域段对应的离散傅里叶变换数据；
根据所述若干个尺度对应的低频域段、高频域段对应的功率谱密度以及预设的能量比例参数计算算法，获得若干个尺度的能量比例参数，其中，所述能量比例参数计算算法为：
式中，LF/HF为能量比例参数。
6.根据权利要求5所述的基于生理信号的睡眠呼吸暂停检测方法，其特征在于，所述根据所述若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，进行特征提取，获得若干个尺度的睡眠特征数据，包括步骤：
对所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的J-J波峰间期序列进行样条插值处理，获得所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的样条插值处理后的J-J波峰间期序列；
对所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段进行重采样，获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个重采样处理后的第一呼吸信号序列；
根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的样条插值处理后的J-J波峰间期序列、所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个重采样处理后的第一呼吸信号序列以及预设的互相关函数，获得若干个尺度的互相关系数，其中，所述互相关函数为：
式中，Rab(τ)为互相关系数，T为时间参数，a(t)为重采样处理后的第一呼吸信号序列，b(t+τ)为第一心冲击信号段对应的样条插值处理后的J-J波峰间期序列；
根据所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的样条插值处理后的J-J波峰间期序列、所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个重采样处理后的第一呼吸信号序列以及预设的自功率谱密度计算函数，获得若干个尺度的心冲击信号、呼吸信号对应的自功率谱密度以及心冲击信号与呼吸信号之间的互功率谱密度，其中，所述自功率谱密度计算函数为：
式中，Sab(ω)为心冲击信号与呼吸信号之间的互功率谱密度，Saa(ω)为呼吸信号对应的自功率谱密度，Sbb(ω)为心冲击信号对应的自功率谱密度；
根据所述若干个尺度的心冲击信号、呼吸信号对应的自功率谱密度、心冲击信号与呼吸信号之间的互功率谱密度以及预设的心肺耦合功率比值计算算法，获得若干个尺度的心肺耦合功率比值，其中，所述心肺耦合功率比值计算算法为：
CPCLow＝Cab(ω1)*|Sab(ω1)|2
CPCHigh＝Cab(ω2)*|Sab(ω2)|2
式中，Cab(ω)为相干性系数，CPCLow为低频段对应的耦合强度，ω1为低频段对应的角频率，CPCHigh为高频段对应的耦合强度，ω2为高频段对应的角频率，LFC/HFC为心肺耦合功率比值；
获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰间期序列，以及所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的心动间期序列，根据所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰间期序列、所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的心动间期序列以及预设的心率呼吸率的变异系数比值计算算法，获得若干个尺度的心率呼吸率的变异系数比值，其中，所述心率呼吸率的变异系数比值计算算法为：
式中，CVheart为心率变异系数，Q为心动间期序列中心动间期的数目，heartrate q为心动间期序列中第q个心动间期，heartrate win为心动间期序列中所有心动间期的均值，Mean()为平均值函数，CVbreath为呼吸率变异系数，Y为呼吸波峰间期序列中呼吸波峰间期的数目，breathrate y为呼吸波峰间期序列中第i个呼吸波峰间期，breathrate win为呼吸波峰间期序列中中所有呼吸波峰间期的均值，CVheart_breath为心率呼吸率变异系数比值；
根据所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的呼吸波峰间期序列、所述心冲击信号对应的若干个尺度的第一心冲击信号段集的若干个第一心冲击信号段对应的心动间期序列以及预设的心率呼吸率的中值绝对偏差计算算法，获得若干个尺度的心率呼吸率的中值绝对偏差，其中，所述心率呼吸率的中值绝对偏差计算算法为：
MADheart＝median(|heartrate q-median(heartrate q)|)
MADbreath＝median(|breathrate y-median(breathrate y)|)
式中，MADheart为心率中值，MADbreath为呼吸率中值，median()为中值函数，MADheart_breath为心率呼吸率的中值绝对偏差。
7.根据权利要求6所述的基于生理信号的睡眠呼吸暂停检测方法，其特征在于，所述获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的波峰间期，包括步骤：
分别将所述若干个第一呼吸信号段作为输入信号，根据预设的采样点数目，将所述输入信号划分为若干个第一输入信号段，获取各个所述第一输入信号段中幅值最大的采样点，作为第一峰值点；
根据预设的延迟点数目，以所述第一峰值点为划分原点，将所述输入信号划分为若干个第二输入信号段，获取各个所述第二输入信号中幅值最大的采样点，作为第二峰值点；
将相邻的第一峰值点与第二峰值点作为峰值点组，获取各个所述峰值点组的距离，根据各个所述峰值点组的距离以及预设的第一距离阈值，获取各个所述峰值点组对应的峰值点，作为第三峰值点；
根据所述第三峰值点，计算相邻的第三峰值点之间的距离，根据所述相邻的第三峰值点之间的距离以及预设的第二距离阈值，去除所述第三峰值点之间的采样点，获得所述呼吸信号对应的若干个尺度的第一呼吸信号段集的若干个第一呼吸信号段对应的波峰间期。
8.一种基于生理信号的睡眠呼吸暂停检测装置，其特征在于，包括：
信号提取模块，用于获得待检测的生理信号，从所述待检测的生理信号中提取心冲击信号以及呼吸信号；
标签标注模块，用于获得所述心冲击信号以及呼吸信号对应的体动特征数据，基于所述心冲击信号以及呼吸信号对应的体动特征数据，分别对所述心冲击信号以及呼吸信号进行标签标注，获得所述心冲击信号以及呼吸信号对应的标签数据，其中，所述体动特征数据包括体动次数累计值、体动时间持续均值以及体动占空比；
分窗处理模块，用于根据所述标签数据，分别对所述心冲击信号以及呼吸信号进行相应的分窗处理，构建所述心冲击信号对应的若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，其中，所述第一心冲击信号段集包括若干个第一心冲击信号段，所述第一呼吸信号段集包括若干个第一呼吸信号段；
特征提取模块，用于根据所述若干个尺度的第一心冲击信号段集以及所述呼吸信号对应的若干个尺度的第一呼吸信号段集，进行特征提取，获得若干个尺度的睡眠特征数据，其中，所述睡眠特征数据包括呼吸努力特征数据、心率变异特征数据以及心肺耦联特征数据，所述呼吸努力特征数据包括方差、样本熵以及峰值均值，所述心肺耦联特征数据包括心肺耦合功率比值、心率呼吸率的变异系数比值以及心率呼吸率的中值绝对偏差；
睡眠呼吸暂停检测模块，用于将所述若干个尺度的睡眠特征数据输入至预设的树突神经网络模型中，获得所述待检测的生理信号的睡眠呼吸暂停检测结果。
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中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于生理信号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任一项所述的基于生理信号的睡眠呼吸暂停检测方法的步骤。
CN202310260674.4A 2023-03-16 2023-03-16 基于生理信号的睡眠呼吸暂停检测方法以及装置 Active CN116401598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310260674.4A CN116401598B (zh) 2023-03-16 2023-03-16 基于生理信号的睡眠呼吸暂停检测方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310260674.4A CN116401598B (zh) 2023-03-16 2023-03-16 基于生理信号的睡眠呼吸暂停检测方法以及装置

Publications (2)

Publication Number Publication Date
CN116401598A CN116401598A (zh) 2023-07-07
CN116401598B true CN116401598B (zh) 2023-11-21

Family

ID=87013414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310260674.4A Active CN116401598B (zh) 2023-03-16 2023-03-16 基于生理信号的睡眠呼吸暂停检测方法以及装置

Country Status (1)

Country Link
CN (1) CN116401598B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117205018B (zh) * 2023-10-30 2024-03-01 江苏永发医用设备科技股份有限公司 一种带有体征监测的居家护理床及其监控方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111543942A (zh) * 2020-04-02 2020-08-18 南京润楠医疗电子研究院有限公司 睡眠呼吸暂停低通气事件的分类识别装置及方法
EP3875026A1 (en) * 2020-03-03 2021-09-08 Koninklijke Philips N.V. Sleep apnea detection system and method
CN113892913A (zh) * 2021-10-08 2022-01-07 珠海格力电器股份有限公司 提示信息的生成方法、装置、电子设备和存储介质
WO2022130205A1 (en) * 2020-12-15 2022-06-23 ResMed Pty Ltd Systems and methods for determining untreated health-related issues
CN114732361A (zh) * 2022-04-07 2022-07-12 华南师范大学 基于生理信号的睡眠分期预测方法、设备以及存储介质
CN114795133A (zh) * 2022-06-29 2022-07-29 华南师范大学 睡眠呼吸暂停检测方法、装置、设备以及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
EP3875026A1 (en) * 2020-03-03 2021-09-08 Koninklijke Philips N.V. Sleep apnea detection system and method
CN111543942A (zh) * 2020-04-02 2020-08-18 南京润楠医疗电子研究院有限公司 睡眠呼吸暂停低通气事件的分类识别装置及方法
WO2022130205A1 (en) * 2020-12-15 2022-06-23 ResMed Pty Ltd Systems and methods for determining untreated health-related issues
CN113892913A (zh) * 2021-10-08 2022-01-07 珠海格力电器股份有限公司 提示信息的生成方法、装置、电子设备和存储介质
CN114732361A (zh) * 2022-04-07 2022-07-12 华南师范大学 基于生理信号的睡眠分期预测方法、设备以及存储介质
CN114795133A (zh) * 2022-06-29 2022-07-29 华南师范大学 睡眠呼吸暂停检测方法、装置、设备以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Sleep Staging Using Noncontact-Measured Vital Signs";Zixia Wang et al.;《Research Article》;全文 *
"阻塞性睡眠呼吸暂停影响右心心肺耦联系统的研究进展";马晨瑶等;《心肺血管病杂志》;第39卷(第2期);全文 *

Also Published As

Publication number Publication date
CN116401598A (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
TWI720215B (zh) 提供即時訊號分段和基準點對準架構的系統與方法
Nayak et al. A review on the nonlinear dynamical system analysis of electrocardiogram signal
CN108388912B (zh) 基于多传感器特征优化算法的睡眠分期方法
Deng et al. Extracting cardiac dynamics within ECG signal for human identification and cardiovascular diseases classification
US11311201B2 (en) Feature selection for cardiac arrhythmia classification and screening
Zhang et al. Towards heart sound classification without segmentation using convolutional neural network
Raghavendra et al. Cardiac arrhythmia detection using dynamic time warping of ECG beats in e-healthcare systems
CN110495877B (zh) 一种基于ecg的多尺度特征提取方法及装置
CN116401598B (zh) 基于生理信号的睡眠呼吸暂停检测方法以及装置
CN106880351A (zh) 减少光体积描记(ppg)信号中运动诱发的伪影
Chikhaoui et al. Towards automatic feature extraction for activity recognition from wearable sensors: a deep learning approach
CN106388825B (zh) 一种呼吸率提取方法及装置
CN114732361B (zh) 基于生理信号的睡眠分期预测方法、设备以及存储介质
CN114699040A (zh) 基于生理信号的醒睡检测方法、装置、设备以及存储介质
CN106175747A (zh) 利用导程的差动电压产生导程心电图信号的方法与系统
CN108937916A (zh) 一种心电信号检测方法、装置及存储介质
CN109770912A (zh) 一种基于深度卷积神经网络的步态异常分类方法
CN114145735B (zh) 基于bcg信号的运动规划方案生成方法、系统以及设备
CN114041786A (zh) 心冲击图信号的检测方法、装置以及设备
Yan et al. Topological descriptors of gait nonlinear dynamics toward freezing-of-gait episodes recognition in parkinson’s disease
Sathawane et al. Prediction and analysis of ECG signal behaviour using soft computing
Bie et al. Smart assisted diagnosis solution with multi-sensor Holter
Degirmenci et al. Synchrosqueezing transform in biomedical applications: A mini review
CN106682605B (zh) 一种识别脑电放松度的方法及系统
Rana et al. A lightweight dnn for ecg image classification

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