CN117017233B - 一种睡眠呼吸暂停检测方法、装置、设备以及存储介质 - Google Patents
一种睡眠呼吸暂停检测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN117017233B CN117017233B CN202311286168.9A CN202311286168A CN117017233B CN 117017233 B CN117017233 B CN 117017233B CN 202311286168 A CN202311286168 A CN 202311286168A CN 117017233 B CN117017233 B CN 117017233B
- Authority
- CN
- China
- Prior art keywords
- respiratory
- signal
- relative
- feature
- signal segment
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 174
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 69
- 230000000241 respiratory effect Effects 0.000 claims description 251
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 73
- 238000000034 method Methods 0.000 claims description 59
- 238000004422 calculation algorithm Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 37
- 238000005070 sampling Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 23
- 230000033001 locomotion Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 208000008784 apnea Diseases 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
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
- A61B5/08—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
- A61B5/72—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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及睡眠呼吸暂停检测领域，涉及一种睡眠呼吸暂停检测方法、装置、设备以及存储介质，通过分析小尺度相对大尺度信号的变化，进行统计比较，获得表征呼吸信号变化的相对特征，采用特征选择的方式，提取目标相对特征构建训练特征集，用于模型训练，利用训练好的模型进行成睡眠呼吸暂停检测，可以兼顾不同时长的呼吸暂停事件的相对特征表达，提高了睡眠呼吸暂停检测的效率以及精准性，降低了人力成本以及设备成本，提高了检测的实用性。
Description
技术领域
本发明涉及睡眠呼吸暂停检测领域，特别涉及是一种睡眠呼吸暂停检测方法、装置、设备以及存储介质。
背景技术
睡眠是一种重要的生理活动，对于人体的物理和精神方面的自我恢复具有非常关键的作用。近年来，随着人们生活节奏的加快和工作压力的增加，人们对于自身的健康意识日益增强，而睡眠呼吸暂停检测能够反映出睡眠质量；
现有的睡眠呼吸暂停检测主要是通过接触式传感器采集睡眠过程中的用户的生理状态，如血氧饱和度信号、呼吸努力信号等等，但是，接触式传感器具有生理负荷高、检查分析技术复杂、人力费用消耗大的缺点。非接触式传感器存在信号混叠、鲁棒性差及个体差异性明显的特点，会受到运动伪影、工频噪声、环境噪声等干扰，对信号质量的要求较高，并且由于每次呼吸暂停事件的持续时长也存在差别，针对固定长度的信号片段进行睡眠呼吸暂停检测的方法难以获取准确的睡眠呼吸暂停检测信息，造成睡眠呼吸暂停检测的准确率低。
发明内容
基于此，本发明的目的在于，提供一种睡眠呼吸暂停检测方法、装置、设备以及存储介质，通过分析小尺度相对大尺度信号的变化，进行统计比较，获得表征呼吸信号变化的相对特征，采用特征选择的方式，提取目标相对特征构建训练特征集，用于模型训练，利用训练好的模型进行成睡眠呼吸暂停检测，可以兼顾不同时长的呼吸暂停事件的相对特征表达，提高了睡眠呼吸暂停检测的效率以及精准性，降低了人力成本以及设备成本，提高了检测的实用性。
第一方面，本申请实施例提供了一种睡眠呼吸暂停检测方法，包括以下步骤：
获取样本用户的生理信号，从所述生理信号中提取呼吸信号，根据预设的若干个时间尺度，对所述呼吸信号进行划分，获得若干个所述时间尺度对应的呼吸信号段集，其中，所述呼吸信号段集包括若干个呼吸信号段；
根据预设的单元长度，对各个所述呼吸信号段进行划分，获得各个所述呼吸信号段的呼吸单元信号段；对各个所述时间尺度对应的呼吸信号段集中的各个呼吸信号段进行多维特征提取，获得各个所述时间尺度对应的多维特征集，其中，所述多维特征集包括各个所述呼吸信号段中各个呼吸单元信号段的多维特征，所述多维特征包括时域特征以及频域特征；
根据各个所述时间尺度对应的多维特征集，对各个所述呼吸单元信号段进行相对特征提取，获得各个所述时间尺度对应的相对特征集，其中，所述相对特征集包括各个所述呼吸信号段的相对特征，所述相对特征包括时域相对特征以及频域相对特征；
将各个所述时间尺度对应的相对特征集进行特征融合，获得多尺度相对特征集，从所述多尺度相对特征集中提取若干个目标相对特征，构建训练特征集，将所述训练特征集输入至待训练的睡眠检测模型中进行训练，获得目标睡眠检测模型；
响应于检测指令，所述检测指令包括待测用户的呼吸信号，获得所述待测用户的呼吸信号的相对特征，将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中进行检测，获得待测用户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睡眠呼吸暂停检测装置，包括：
信号获取模块，用于获取样本用户的生理信号，从所述生理信号中提取呼吸信号，根据预设的若干个时间尺度，对所述呼吸信号进行划分，获得若干个所述时间尺度对应的呼吸信号段集，其中，所述呼吸信号段集包括若干个呼吸信号段；
多维特征提取模块，用于根据预设的单元长度，对各个所述呼吸信号段进行划分，获得各个所述呼吸信号段的呼吸单元信号段；对各个所述时间尺度对应的呼吸信号段集中的各个呼吸信号段进行多维特征提取，获得各个所述时间尺度对应的多维特征集，其中，所述多维特征集包括各个所述呼吸信号段中各个呼吸单元信号段的多维特征，所述多维特征包括时域特征以及频域特征；
相对特征提取模块，用于根据各个所述时间尺度对应的多维特征集，对各个所述呼吸单元信号段进行相对特征提取，获得各个所述时间尺度对应的相对特征集，其中，所述相对特征集包括各个所述呼吸信号段的相对特征，所述相对特征包括时域相对特征以及频域相对特征；
模型训练模块，用于将各个所述时间尺度对应的相对特征集进行特征融合，获得多尺度相对特征集，从所述多尺度相对特征集中提取若干个目标相对特征，构建训练特征集，将所述训练特征集输入至待训练的睡眠检测模型中进行训练，获得目标睡眠检测模型；
睡眠呼吸检测模块，用于响应于检测指令，所述检测指令包括待测用户的呼吸信号，获得所述待测用户的呼吸信号的相对特征，将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中进行检测，获得待测用户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上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述睡眠呼吸暂停检测方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的睡眠呼吸暂停检测方法的步骤。
在本申请实施例中，提供一种睡眠呼吸暂停检测方法、装置、设备以及存储介质，通过分析小尺度相对大尺度信号的变化，进行统计比较，获得表征呼吸信号变化的相对特征，采用特征选择的方式，提取目标相对特征构建训练特征集，用于模型训练，利用训练好的模型进行成睡眠呼吸暂停检测，可以兼顾不同时长的呼吸暂停事件的相对特征表达，提高了睡眠呼吸暂停检测的效率以及精准性，降低了人力成本以及设备成本，提高了检测的实用性。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的睡眠呼吸暂停检测方法的流程示意图；
图2为本申请一个实施例提供的睡眠呼吸暂停检测方法中S1的流程示意图；
图3为本申请一个实施例提供的睡眠呼吸暂停检测方法中S2的流程示意图；
图4为本申请另一个实施例提供的睡眠呼吸暂停检测方法中S2的流程示意图；
图5为本申请一个实施例提供的睡眠呼吸暂停检测方法中S3的流程示意图；
图6为本申请一个实施例提供的睡眠呼吸暂停检测方法中S4的流程示意图；
图7为本申请一个实施例提供的睡眠呼吸暂停检测方法中S5的流程示意图；
图8为本申请一个实施例提供的睡眠呼吸暂停检测装置的结构示意图；
图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睡眠呼吸暂停检测方法的流程示意图，方法包括如下步骤：
S1：获取样本用户的生理信号，从所述生理信号中提取呼吸信号，根据预设的若干个时间尺度，对所述呼吸信号进行划分，获得若干个所述时间尺度对应的呼吸信号段集。
睡眠呼吸暂停检测方法的执行主体为睡眠呼吸暂停检测方法的检测设备（以下简称检测设备）。检测设备可以通过软件和/或硬件的方式实现，可以通过软件和/或硬件的方式实现睡眠呼吸暂停检测方法，该检测设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。检测设备所指向的硬件，本质上均是指计算机设备，例如，检测设备可以是电脑、手机、平板或交互平板等设备。在一个可选的实施例中，检测设备具体可以是服务器，或是多台计算机设备联合而成的服务器机群。
在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。
在一个可选的实施例中，检测设备可以对提取的生理信号进行工频滤波处理，并对工频滤波处理后的生理信号进行离床检测处理，获得离床检测处理后的生理信号。
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，检测设备可以对提取的生理信号进行工频滤波处理，通过滤波的方式，对工频滤波处理后的生理信号进行滤波处理，分离出呼吸信号，具体地，检测设备可以将离床检测处理后的生理信号输入至预设的低通滤波器，获得呼吸信号。
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。
检测设备根据预设的若干个时间尺度，对所述呼吸信号进行划分，获得若干个所述时间尺度对应的呼吸信号段集，其中，所述呼吸信号段集包括若干个呼吸信号段，所述时间尺度采用30 秒、40 秒、50 秒以及60 秒。
请参阅图2，图2为本申请一个实施例提供的睡眠呼吸暂停检测方法中S1的流程示意图，包括步骤S11~S12，具体如下：
S11：对所述生理信号进行体动检测以及离床检测，对所述呼吸信号中的体动信号以及离床信号进行剔除处理，获得剔除处理后的生理信号。
由于生理信号还包含体动信号以及离床信号，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。
在本实施例中，检测设备对所述生理信号进行体动检测，对所述呼吸信号中的体动信号进行剔除处理。具体地，检测设备对所述生理信号进行30 s不交叠分段，在体动初筛阶段，首先计算30 秒窗范围平均能，然后根据平均能量设定两个经验阈值，一个为针对30秒窗的体动发生阈值Th_mov，用以判断该片段是否有体动发生；另一个为针对1 秒信号的体动位置阈值Th_loc，用以定位不交叠分段处理后的生理信号中的体动发生的具体位置。若前30 秒生理信号满足了体动发生阈值Th_mov之后，再通过体动位置阈值对发生体动的1秒生理信号进行选取，得到精确度1 秒的体动定位，获得所述生理信号的体动信号。
离床信号的输出信号仅包括热噪声，表现出相当低的信号幅值，在本实施例中，检测设备对所述生理信号进行离床检测，对所述呼吸信号中的离床信号进行剔除处理，具体地，检测设备可以对生理信号的最大幅值进行检测，当最大幅值小于固定经验阈值Th_invalid时，可以有效标记所述生理信号中的离床信号，以对所述生理信号中的离床信号进行剔除。
S12：对所述剔除处理后的生理信号进行呼吸信号提取，获得所述呼吸信号。
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，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，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，滤除高频干扰噪声，获得呼吸信号。
S2：根据预设的单元长度，对各个所述呼吸信号段进行划分，获得各个所述呼吸信号段的呼吸单元信号段；对各个所述时间尺度对应的呼吸信号段集中的各个呼吸信号段进行多维特征提取，获得各个所述时间尺度对应的多维特征集。
在本实施例中，检测设备根据预设的单元长度，对各个所述呼吸信号段进行划分，获得各个所述呼吸信号段的呼吸单元信号段，具体地，所述单元长度可以设为10s。
检测设备对各个所述时间尺度对应的呼吸信号段集中的各个呼吸信号段进行多维特征提取，获得各个所述时间尺度对应的多维特征集，其中，所述多维特征集包括各个所述呼吸信号段中各个呼吸单元信号段的多维特征，所述多维特征包括时域特征以及频域特征。
所述时域特征包括平均值特征、方差特征、中位数偏差特征、均方根特征、信号过线率特征以及信号过线时长特征；请参阅图3，图3为本申请一个实施例提供的睡眠呼吸暂停检测方法中S2的流程示意图，包括步骤S21~S26，具体如下：
S21：根据所述呼吸单元信号段以及预设的平均值特征计算算法，获得各个所述呼吸单元信号段的平均值特征。
平均值是统计学中常用的统计量，是表示一组数据集中趋势的一项指标，计算方式是一组数据中所有数据之和再除以这组数据的个数。测试对象处于正常呼吸状态时，呼吸波动明显，呼吸波峰值普遍较大，整体均值也较大；当处于睡眠呼吸暂停状态时，信号幅值下降趋于平缓，信号幅值普遍较小，均值也较小。
考虑到呼吸信号存在一定的幅值对称性，在本实施例中，检测设备根据所述呼吸单元信号段以及预设的平均值特征计算算法，获得各个所述呼吸单元信号段的平均值特征，其中，所述平均值特征计算算法为：
式中，Mean为所述平均值特征，N为呼吸单元信号段的数目，为第n个呼吸单元信号段。
S22：根据所述呼吸单元信号段以及预设的方差特征计算算法，获得各个所述呼吸单元信号段的方差特征。
方差用于衡量一组数据离散程度，在计算生命体征信号的特征时，方差的主要作用是衡量信号的波动偏离程度。测试对象处于正常呼吸状态时，此时信号波动剧烈，幅值变化大，方差值也大；当处于睡眠呼吸暂停状态时，信号趋于平缓，幅值变化小，方差随着呼吸暂停事件的发生而降低。
在本实施例中，检测设备根据所述呼吸单元信号段以及预设的方差特征计算算法，获得各个所述呼吸单元信号段的方差特征，其中，所述方差特征计算算法为：
式中，Var为平均值特征，所述呼吸单元信号段相应的呼吸信号段的均值。
S23：根据所述呼吸单元信号段以及预设的中位数偏差特征计算算法，获得各个所述呼吸单元信号段的中位数偏差特征。
中位绝对偏差（MAD）是一种统计度量，用于描述一组数据的离散程度或波动性。它是基于中位数而不是平均数的，对于存在异常值的数据统计具有鲁棒性。当出现暂停事件时，该片段的中位数会偏小，在本实施例中，检测设备根据所述呼吸单元信号段以及预设的中位数偏差特征计算算法，获得各个所述呼吸单元信号段的中位数偏差特征，其中，所述中位数偏差特征计算算法为：
式中，MAD为中位数偏差特征，median( )为取中值函数，为第i个呼吸单元信号段。
S24：根据所述呼吸单元信号段以及预设的均方根特征计算算法，获得各个所述呼吸单元信号段的均方根特征。
均方根RMS是一种用于分析呼吸信号变化幅度的统计量。它常用于研究呼吸活动的稳定性、振幅以及波动性。在本实施例中，检测设备根据所述呼吸单元信号段以及预设的均方根特征计算算法，获得各个所述呼吸单元信号段的均方根特征，其中，所述均方根特征计算算法为：
式中，RMS为均方根特征。
S25：获得各个所述呼吸信号段的均方根特征，将各个所述呼吸信号的均方根特征的值作为相应的均方根阈值；根据各个所述呼吸单元信号段的均方根特征以及预设的采样点数目，获得各个所述呼吸单元信号段中若干个采样点的均方根特征的值，将各个所述采样点的均方根特征的值与相应的所述均方根阈值进行对比，获得各个所述呼吸单元信号段中大于所述均方根阈值的采样点的数目，作为所述信号过线率特征，获得各个所述呼吸单元信号段的信号过线率特征。
信号过线率表征了呼吸单元信号段与呼吸信号段对应的RMS 基线所交叉的次数，对于正常呼吸信号段而言，会有稳定的过线率；但对于其中发生了呼吸暂停的呼吸信号段而言，信号幅值降低以至于呼吸信号段中的呼吸单元信号段基本难以超过RMS基线。
在本实施例中，检测设备获得各个所述呼吸信号段的均方根特征，将各个所述呼吸信号的均方根特征的值作为相应的均方根阈值，具体实施例可参照S24，在此不在赘述。
检测设备根据各个所述呼吸单元信号段的均方根特征以及预设的采样点数目，获得各个所述呼吸单元信号段中若干个采样点的均方根特征的值，将各个所述采样点的均方根特征的值与相应的所述均方根阈值进行对比，获得各个所述呼吸单元信号段中大于所述均方根阈值的采样点的数目，作为所述信号过线率特征，获得各个所述呼吸单元信号段的信号过线率特征。
S26：根据各个所述呼吸单元信号段中大于所述均方根阈值的采样点的数目以及预设的采样时长，将各个所述呼吸单元信号段中大于所述均方根阈值的采样点的数目与所述采样时长进行乘积，获得各个所述呼吸单元信号段对应的乘积结果，作为所述信号过线时长特征，获得各个所述呼吸单元信号段的信号过线时长特征。
信号过线时长（Time_RMS）表征了呼吸单元信号段与呼吸信号段对应的RMS 基线的时间关系，描述了呼吸信号段中的呼吸单元信号段的信号幅值高于呼吸信号段对应的RMS 基线的时长变化情况。
在本实施例中，检测设备根据各个所述呼吸单元信号段中大于所述均方根阈值的采样点的数目以及预设的采样时长，将各个所述呼吸单元信号段中大于所述均方根阈值的采样点的数目与所述采样时长进行乘积，获得各个所述呼吸单元信号段对应的乘积结果，作为所述信号过线时长特征，获得各个所述呼吸单元信号段的信号过线时长特征。
所述频域特征包括重心频率特征、频率标准差特征以及呼吸功率特征；请参阅图4，图4为本申请另一个实施例提供的睡眠呼吸暂停检测方法中S2的流程示意图，还包括步骤S27~S29，具体如下：
S27：对各个所述呼吸单元信号段的进行傅里叶变换，获得各个所述呼吸单元信号段的傅里叶特征，根据各个所述呼吸单元信号段的傅里叶特征以及预设的重心频率特征计算算法，获得各个所述呼吸单元信号段的重心频率特征。
在本实施例中，检测设备对各个所述呼吸单元信号段的进行傅里叶变换，获得各个所述呼吸单元信号段的傅里叶特征，其中，所述傅里叶特征包括若干个频率成分特征。
当发生呼吸事件时低频分量较多，重心频率相对较低，通常用来描述信号的主要频率成分的分布情况，检测设备根据各个所述呼吸单元信号段的傅里叶特征以及预设的重心频率特征计算算法，获得各个所述呼吸单元信号段的重心频率特征，其中，所述重心频率特征计算算法为：
式中，为所述重心频率特征，K为频率成分的数目，/>为第i个频率成分特征，为功率谱密度计算函数。
S28：根据各个所述呼吸单元信号段的傅里叶特征、重心频率特征以及预设的频率标准差特征计算算法，获得各个所述呼吸单元信号段的频率标准差特征。
频率标准差是用于衡量一组频率数据分布的离散程度或变异性的统计量。它指示了这组频率数据的各个频率值相对于平均频率值的离散程度，即频率数据在频率轴上的分散程度。当没有呼吸暂停事件，呼吸相对规律则频谱分布相对集中，反之则分布较宽。
在本实施例中，检测设备根据各个所述呼吸单元信号段的傅里叶特征、重心频率特征以及预设的频率标准差特征计算算法，获得各个所述呼吸单元信号段的频率标准差特征，其中，所述频率标准差特征计算算法为：
式中，为所述频率标准差特征。
S29：根据各个所述呼吸单元信号段的傅里叶特征以及预设的呼吸功率特征计算算法，获得各个所述呼吸单元信号段的呼吸功率特征。
在呼吸暂停发生时，呼吸功率会比正常呼吸低，所以呼吸功率可以表征呼吸事件发生，在本实施例中，检测设备根据各个所述呼吸单元信号段的傅里叶特征以及预设的呼吸功率特征计算算法，获得各个所述呼吸单元信号段的呼吸功率特征，其中，所述呼吸功率特征计算算法为：
式中，为所述呼吸功率特征。
S3：根据各个所述时间尺度对应的多维特征集，对各个所述呼吸单元信号段进行相对特征提取，获得各个所述时间尺度对应的相对特征集。
在本实施例中，检测设备根据各个所述时间尺度对应的多维特征集，对各个所述呼吸单元信号段进行相对特征提取，获得各个所述时间尺度对应的相对特征集，其中，所述相对特征集包括各个所述呼吸信号段的相对特征，所述相对特征包括时域相对特征以及频域相对特征。
借助相对特征的特征表征方法，在特征描述过程无需考虑信号归一化的问题，并且能够准确地描述呼吸事件相对正常呼吸的呼吸信号变化，减小睡眠位置或者睡姿对枕下无扰式压电采集的影响。
请参阅图5，图5为本申请一个实施例提供的睡眠呼吸暂停检测方法中S3的流程示意图，包括步骤S31，具体如下：
S31：根据各个所述时间尺度对应的多维特征集中各个所述呼吸信号段的各个呼吸单元信号段的相对特征以及预设的相对特征计算算法，获得各个所述呼吸信号段的相对特征，构建各个所述时间尺度对应的相对特征集。
所述相对特征计算算法为：
式中，为第i个呼吸信号段的相对特征，/>为第i个呼吸信号段，/>为所述呼吸信号段对应的目标呼吸单元信号段的多维特征，具体地，所述目标呼吸单元信号段可以是相应的呼吸信号段中最后一个呼吸单元信号段，avg（）为取平均函数，为所述呼吸信号段的多维特征的均值。
在本实施例中，检测设备根据各个所述时间尺度对应的多维特征集中各个所述呼吸信号段的各个呼吸单元信号段的相对特征以及预设的相对特征计算算法，获得各个所述呼吸信号段的相对特征，构建各个所述时间尺度对应的相对特征集。
通过计算小尺度的呼吸单元信号段的多维特征对应大尺度的呼吸信号段的多维特征的比值，得到呼吸信号段的相对特征，准确地描述了呼吸信号段中的呼吸努力变化，以提高睡眠呼吸暂停检测的准确性。
S4：将各个所述时间尺度对应的相对特征集进行特征融合，获得多尺度相对特征集，从所述多尺度相对特征集中提取若干个目标相对特征，构建训练特征集，将所述训练特征集输入至待训练的睡眠检测模型中进行训练，获得目标睡眠检测模型。
在本实施例中，检测设备将各个所述时间尺度对应的相对特征集进行特征融合，获得多尺度相对特征集，具体地，检测设备采用特征拼接的方式，将各个所述时间尺度对应的相对特征集中的相对特征进行拼接，构建多尺度相对特征集。
检测设备从所述多尺度相对特征集中提取若干个目标相对特征，构建训练特征集，将所述训练特征集输入至待训练的睡眠检测模型中进行训练，获得目标睡眠检测模型。
采用筛选特征的方法进行特征集合的优化，能够降低特征的冗余度。从而提高了特征的表征效果，从时间尺度上提高了特征描述的完备性，构建贡献率更高的训练特征集，以提高睡眠检测模型训练的准确性以及模型的鲁棒性。
请参阅图6，图6为本申请一个实施例提供的睡眠呼吸暂停检测方法中S4的流程示意图，包括步骤S41~S42，具体如下：
S41：获得所述多尺度相对特征集中若干个相对特征对应的夏普利值以及夏普利平均值。
夏普利值（Shapley Value, SHAP）是博弈论中的概念，用于计算每个合作成员对于整体收益的贡献。在机器学习中，SHAP 被应用于计算每个特征对于模型预测结果的贡献，即，每个特征都会对应一个SHAP，借助SHAP 进行特征单独的贡献度评估，可以更灵活地用于特征重要性评估及特征选择中。
在本实施例中，检测设备分别对所述多尺度相对特征集中若干个相对特征进行夏普利值计算，获得若干个相对特征对应的夏普利值，并根据若干个相对特征对应的夏普利值进行平均求值，获得所述夏普利平均值。
S42：根据各个所述相对特征对应的夏普利值、夏普利平均值以及预设的检验算法，获得各个所述相对特征对应的检验值，根据所述检验值以及预设的检验阈值，从所述多尺度相对特征集中提取若干个目标相对特征。
在本实施例中，检测设备根据各个所述相对特征对应的夏普利值、夏普利平均值以及预设的检验算法，获得各个所述相对特征对应的检验值，其中，所述检验算法为：
式中，R为所述检验值，为第k个相对特征的夏普利平均值，/>为第n个相对特征的夏普利值。
检测设备根据所述检验值以及预设的检验阈值，若所述检验值大于所述检测阈值，将所述相对特征作为目标相对特征，从所述多尺度相对特征集中提取若干个目标相对特征。以剔除所述多尺度相对特征集中重要性低、负向贡献的相对特征，构建贡献率更高的训练特征集，以提高睡眠检测模型训练的准确性以及模型的鲁棒性。
S5：响应于检测指令，所述检测指令包括待测用户的呼吸信号，获得所述待测用户的呼吸信号的相对特征，将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中进行检测，获得待测用户的睡眠呼吸暂停检测结果。
所述检测指令是用户发出，检测设备接收的。
在本实施例中，检测设备响应于检测指令，获得用户发送的待测用户的呼吸信号，根据所述呼吸信号，获得所述待测用户的呼吸信号的相对特征，将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中进行检测，获得待测用户的睡眠呼吸暂停检测结果。
请参阅图7，图7为本申请一个实施例提供的睡眠呼吸暂停检测方法中S5的流程示意图，包括步骤S51，具体如下：
S51：将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中，获得所述待测用户的睡眠呼吸概率向量，根据所述睡眠呼吸概率向量以及预设的概率向量阈值，获得待测用户的睡眠呼吸暂停检测结果。
所述目标睡眠检测模型采用分类器模型，是以对称决策树为基础的分类器，基于它的对称结构可以减少模型过拟合问题，更好处理高维特征以及提高准确性。
在本实施例中，检测设备将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中，获得所述待测用户的睡眠呼吸概率向量，根据所述睡眠呼吸概率向量以及预设的概率向量阈值，采用二分类判决方法，若所述睡眠呼吸概率向量大于概率向量阈值，获得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睡眠呼吸暂停检测装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现睡眠呼吸暂停检测装置的全部或一部分，该装置8包括：
信号获取模块81，用于获取样本用户的生理信号，从所述生理信号中提取呼吸信号，根据预设的若干个时间尺度，对所述呼吸信号进行划分，获得若干个所述时间尺度对应的呼吸信号段集，其中，所述呼吸信号段集包括若干个呼吸信号段；
多维特征提取模块82，用于根据预设的单元长度，对各个所述呼吸信号段进行划分，获得各个所述呼吸信号段的呼吸单元信号段；对各个所述时间尺度对应的呼吸信号段集中的各个呼吸信号段进行多维特征提取，获得各个所述时间尺度对应的多维特征集，其中，所述多维特征集包括各个所述呼吸信号段中各个呼吸单元信号段的多维特征，所述多维特征包括时域特征以及频域特征；
相对特征提取模块83，用于根据各个所述时间尺度对应的多维特征集，对各个所述呼吸单元信号段进行相对特征提取，获得各个所述时间尺度对应的相对特征集，其中，所述相对特征集包括各个所述呼吸信号段的相对特征，所述相对特征包括时域相对特征以及频域相对特征；
模型训练模块84，用于将各个所述时间尺度对应的相对特征集进行特征融合，获得多尺度相对特征集，从所述多尺度相对特征集中提取若干个目标相对特征，构建训练特征集，将所述训练特征集输入至待训练的睡眠检测模型中进行训练，获得目标睡眠检测模型；
睡眠呼吸检测模块85，用于响应于检测指令，所述检测指令包括待测用户的呼吸信号，获得所述待测用户的呼吸信号的相对特征，将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中进行检测，获得待测用户的睡眠呼吸暂停检测结果。
在本实施例中，通过信号获取模块，获取样本用户的生理信号，从所述生理信号中提取呼吸信号，根据预设的若干个时间尺度，对所述呼吸信号进行划分，获得若干个所述时间尺度对应的呼吸信号段集，其中，所述呼吸信号段集包括若干个呼吸信号段；通过多维特征提取模块，根据预设的单元长度，对各个所述呼吸信号段进行划分，获得各个所述呼吸信号段的呼吸单元信号段；对各个所述时间尺度对应的呼吸信号段集中的各个呼吸信号段进行多维特征提取，获得各个所述时间尺度对应的多维特征集，其中，所述多维特征集包括各个所述呼吸信号段中各个呼吸单元信号段的多维特征，所述多维特征包括时域特征以及频域特征；通过相对特征提取模块，根据各个所述时间尺度对应的多维特征集，对各个所述呼吸单元信号段进行相对特征提取，获得各个所述时间尺度对应的相对特征集，其中，所述相对特征集包括各个所述呼吸信号段的相对特征，所述相对特征包括时域相对特征以及频域相对特征；通过模型训练模块，将各个所述时间尺度对应的相对特征集进行特征融合，获得多尺度相对特征集，从所述多尺度相对特征集中提取若干个目标相对特征，构建训练特征集，将所述训练特征集输入至待训练的睡眠检测模型中进行训练，获得目标睡眠检测模型；通过睡眠呼吸检测模块，响应于检测指令，所述检测指令包括待测用户的呼吸信号，获得所述待测用户的呼吸信号的相对特征，将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中进行检测，获得待测用户的睡眠呼吸暂停检测结果。通过分析小尺度相对大尺度信号的变化，进行统计比较，获得表征呼吸信号变化的相对特征，采用特征选择的方式，提取目标相对特征构建训练特征集，用于模型训练，利用训练好的模型进行成睡眠呼吸暂停检测，可以兼顾不同时长的呼吸暂停事件的相对特征表达，提高了睡眠呼吸暂停检测的效率以及精准性，降低了人力成本以及设备成本，提高了检测的实用性。
请参考图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9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的方法步骤，具体执行过程可以参见图1至图7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 LogicArray，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（CentralProcessing 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的方法步骤，具体执行过程可以参见图1至图7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 (8)
1.一种睡眠呼吸暂停检测方法，其特征在于，包括以下步骤：
获取样本用户的生理信号，从所述生理信号中提取呼吸信号，根据预设的若干个时间尺度，对所述呼吸信号进行划分，获得若干个所述时间尺度对应的呼吸信号段集，其中，所述呼吸信号段集包括若干个呼吸信号段；
根据预设的单元长度，对各个所述呼吸信号段进行划分，获得各个所述呼吸信号段的呼吸单元信号段；对各个所述时间尺度对应的呼吸信号段集中的各个呼吸信号段进行多维特征提取，获得各个所述时间尺度对应的多维特征集，其中，所述多维特征集包括各个所述呼吸信号段中各个呼吸单元信号段的多维特征，所述多维特征包括时域特征以及频域特征；
根据各个所述时间尺度对应的多维特征集中各个所述呼吸信号段的各个呼吸单元信号段的多维特征以及预设的相对特征计算算法，获得各个所述呼吸信号段的相对特征，构建各个所述时间尺度对应的相对特征集，其中，所述相对特征集包括各个所述呼吸信号段的相对特征，所述相对特征包括时域相对特征以及频域相对特征，所述相对特征计算算法为：
式中，为第i个呼吸信号段的相对特征，/>为第i个呼吸信号段，/>为所述呼吸信号段对应的目标呼吸单元信号段的多维特征，avg（）为取平均函数，/>为所述呼吸信号段的多维特征的均值；
将各个所述时间尺度对应的相对特征集进行特征融合，获得多尺度相对特征集，从所述多尺度相对特征集中提取若干个目标相对特征，构建训练特征集，将所述训练特征集输入至待训练的睡眠检测模型中进行训练，获得目标睡眠检测模型；
响应于检测指令，获得待测用户的呼吸信号，获得所述待测用户的呼吸信号的相对特征，将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中进行检测，获得待测用户的睡眠呼吸暂停检测结果。
2.根据权利要求1所述的睡眠呼吸暂停检测方法，其特征在于，所述获取样本用户的生理信号，从所述生理信号中提取呼吸信号，包括步骤：
对所述生理信号进行体动检测以及离床检测，对所述呼吸信号中的体动信号以及离床信号进行剔除处理，获得剔除处理后的生理信号；
对所述剔除处理后的生理信号进行呼吸信号提取，获得所述呼吸信号。
3.根据权利要求2所述的睡眠呼吸暂停检测方法，其特征在于：所述时域特征包括平均值特征、方差特征、中位数偏差特征、均方根特征、信号过线率特征以及信号过线时长特征；
所述对各个所述时间尺度对应的呼吸信号段集中的各个呼吸信号段进行多维特征提取，获得各个所述时间尺度对应的多维特征集，包括步骤：
根据所述呼吸单元信号段以及预设的平均值特征计算算法，获得各个所述呼吸单元信号段的平均值特征，其中，所述平均值特征计算算法为：
式中，Mean为所述平均值特征，N为呼吸单元信号段的数目，为第n个呼吸单元信号段；
根据所述呼吸单元信号段以及预设的方差特征计算算法，获得各个所述呼吸单元信号段的方差特征，其中，所述方差特征计算算法为：
式中，Var为平均值特征，所述呼吸单元信号段相应的呼吸信号段的均值；
根据所述呼吸单元信号段以及预设的中位数偏差特征计算算法，获得各个所述呼吸单元信号段的中位数偏差特征，其中，所述中位数偏差特征计算算法为：
式中，MAD为中位数偏差特征，median( )为取中值函数，为第i个呼吸单元信号段；
根据所述呼吸单元信号段以及预设的均方根特征计算算法，获得各个所述呼吸单元信号段的均方根特征，其中，所述均方根特征计算算法为：
式中，RMS为均方根特征；
获得各个所述呼吸信号段的均方根特征，将各个所述呼吸信号的均方根特征的值作为相应的均方根阈值；根据各个所述呼吸单元信号段的均方根特征以及预设的采样点数目，获得各个所述呼吸单元信号段中若干个采样点的均方根特征的值，将各个所述采样点的均方根特征的值与相应的所述均方根阈值进行对比，获得各个所述呼吸单元信号段中大于所述均方根阈值的采样点的数目，作为所述信号过线率特征，获得各个所述呼吸单元信号段的信号过线率特征；
根据各个所述呼吸单元信号段中大于所述均方根阈值的采样点的数目以及预设的采样时长，将各个所述呼吸单元信号段中大于所述均方根阈值的采样点的数目与所述采样时长进行乘积，获得各个所述呼吸单元信号段对应的乘积结果，作为所述信号过线时长特征，获得各个所述呼吸单元信号段的信号过线时长特征。
4.根据权利要求2所述的睡眠呼吸暂停检测方法，其特征在于：所述频域特征包括重心频率特征、频率标准差特征以及呼吸功率特征；
所述对各个所述时间尺度对应的呼吸信号段集中的各个呼吸信号段进行多维特征提取，获得各个所述时间尺度对应的多维特征集，包括步骤：
对各个所述呼吸单元信号段的进行傅里叶变换，获得各个所述呼吸单元信号段的傅里叶特征，根据各个所述呼吸单元信号段的傅里叶特征以及预设的重心频率特征计算算法，获得各个所述呼吸单元信号段的重心频率特征，其中，所述傅里叶特征包括若干个频率成分特征，所述重心频率特征计算算法为：
式中，为所述重心频率特征，K为频率成分的数目，/>为第i个频率成分特征，/>为功率谱密度计算函数；
根据各个所述呼吸单元信号段的傅里叶特征、重心频率特征以及预设的频率标准差特征计算算法，获得各个所述呼吸单元信号段的频率标准差特征，其中，所述频率标准差特征计算算法为：
式中，为所述频率标准差特征；
根据各个所述呼吸单元信号段的傅里叶特征以及预设的呼吸功率特征计算算法，获得各个所述呼吸单元信号段的呼吸功率特征，其中，所述呼吸功率特征计算算法为：
式中，为所述呼吸功率特征。
5.根据权利要求1所述的睡眠呼吸暂停检测方法，其特征在于，所述将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中进行检测，获得待测用户的睡眠呼吸暂停检测结果，包括步骤：
将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中，获得所述待测用户的睡眠呼吸概率向量，根据所述睡眠呼吸概率向量以及预设的概率向量阈值，获得待测用户的睡眠呼吸暂停检测结果。
6.一种睡眠呼吸暂停检测装置，其特征在于，包括：
信号获取模块，用于获取样本用户的生理信号，从所述生理信号中提取呼吸信号，根据预设的若干个时间尺度，对所述呼吸信号进行划分，获得若干个所述时间尺度对应的呼吸信号段集，其中，所述呼吸信号段集包括若干个呼吸信号段；
多维特征提取模块，用于根据预设的单元长度，对各个所述呼吸信号段进行划分，获得各个所述呼吸信号段的呼吸单元信号段；对各个所述时间尺度对应的呼吸信号段集中的各个呼吸信号段进行多维特征提取，获得各个所述时间尺度对应的多维特征集，其中，所述多维特征集包括各个所述呼吸信号段中各个呼吸单元信号段的多维特征，所述多维特征包括时域特征以及频域特征；
相对特征提取模块，用于根据各个所述时间尺度对应的多维特征集中各个所述呼吸信号段的各个呼吸单元信号段的多维特征以及预设的相对特征计算算法，获得各个所述呼吸信号段的相对特征，构建各个所述时间尺度对应的相对特征集，其中，所述相对特征集包括各个所述呼吸信号段的相对特征，所述相对特征包括时域相对特征以及频域相对特征，所述相对特征计算算法为：
式中，为第i个呼吸信号段的相对特征，/>为第i个呼吸信号段，/>为所述呼吸信号段对应的目标呼吸单元信号段的多维特征，avg（）为取平均函数，/>为所述呼吸信号段的多维特征的均值；
模型训练模块，用于将各个所述时间尺度对应的相对特征集进行特征融合，获得多尺度相对特征集，从所述多尺度相对特征集中提取若干个目标相对特征，构建训练特征集，将所述训练特征集输入至待训练的睡眠检测模型中进行训练，获得目标睡眠检测模型；
睡眠呼吸检测模块，用于响应于检测指令，获得待测用户的呼吸信号，获得所述待测用户的呼吸信号的相对特征，将所述待测用户的呼吸信号的相对特征输入至所述目标睡眠检测模型中进行检测，获得待测用户的睡眠呼吸暂停检测结果。
7.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的睡眠呼吸暂停检测方法的步骤。
8.一种计算机存储介质，其特征在于：所述计算机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5任一项所述的睡眠呼吸暂停检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311286168.9A CN117017233B (zh) | 2023-10-08 | 2023-10-08 | 一种睡眠呼吸暂停检测方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311286168.9A CN117017233B (zh) | 2023-10-08 | 2023-10-08 | 一种睡眠呼吸暂停检测方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117017233A CN117017233A (zh) | 2023-11-10 |
| CN117017233B true CN117017233B (zh) | 2024-01-09 |
Family
ID=88639874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311286168.9A Active CN117017233B (zh) | 2023-10-08 | 2023-10-08 | 一种睡眠呼吸暂停检测方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117017233B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109259733A (zh) * | 2018-10-25 | 2019-01-25 | 深圳和而泰智能控制股份有限公司 | 一种睡眠中呼吸暂停检测方法、装置和检测设备 |
| CN111814830A (zh) * | 2020-06-08 | 2020-10-23 | 珠海格力电器股份有限公司 | 睡眠状态检测模型构建、睡眠状态检测方法及装置 |
| WO2021135672A1 (zh) * | 2019-12-31 | 2021-07-08 | 华南师范大学 | 一种用于判断睡眠呼吸暂停的信号检测方法及系统 |
| WO2021208902A1 (zh) * | 2020-04-15 | 2021-10-21 | 华为技术有限公司 | 一种睡眠报告的生成方法、装置、终端以及存储介质 |
| CN116584891A (zh) * | 2023-04-04 | 2023-08-15 | 华南理工大学 | 一种基于多层次特征融合的睡眠呼吸暂停综合征检测方法 |
| CN116635877A (zh) * | 2021-01-29 | 2023-08-22 | 欧姆龙株式会社 | 模型生成装置、推测装置、模型生成方法以及模型生成程序 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3637432B1 (en) * | 2018-09-21 | 2022-03-23 | Tata Consultancy Services Limited | System and method for non-apnea sleep arousal detection |
-
2023
- 2023-10-08 CN CN202311286168.9A patent/CN117017233B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109259733A (zh) * | 2018-10-25 | 2019-01-25 | 深圳和而泰智能控制股份有限公司 | 一种睡眠中呼吸暂停检测方法、装置和检测设备 |
| WO2021135672A1 (zh) * | 2019-12-31 | 2021-07-08 | 华南师范大学 | 一种用于判断睡眠呼吸暂停的信号检测方法及系统 |
| WO2021208902A1 (zh) * | 2020-04-15 | 2021-10-21 | 华为技术有限公司 | 一种睡眠报告的生成方法、装置、终端以及存储介质 |
| CN111814830A (zh) * | 2020-06-08 | 2020-10-23 | 珠海格力电器股份有限公司 | 睡眠状态检测模型构建、睡眠状态检测方法及装置 |
| CN116635877A (zh) * | 2021-01-29 | 2023-08-22 | 欧姆龙株式会社 | 模型生成装置、推测装置、模型生成方法以及模型生成程序 |
| CN116584891A (zh) * | 2023-04-04 | 2023-08-15 | 华南理工大学 | 一种基于多层次特征融合的睡眠呼吸暂停综合征检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117017233A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020119245A1 (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
| US20230043406A1 (en) | Noninvasive method and system for sleep apnea detection | |
| EP2698112B1 (en) | Real-time stress determination of an individual | |
| US11593468B2 (en) | System and method for identifying user | |
| Casado et al. | Face2PPG: An unsupervised pipeline for blood volume pulse extraction from faces | |
| Ni et al. | Automated recognition of hypertension through overnight continuous HRV monitoring | |
| Banerjee et al. | PhotoECG: Photoplethysmographyto estimate ECG parameters | |
| CN114041786B (zh) | 心冲击图信号的检测方法、装置以及设备 | |
| CN112057066A (zh) | 心率的检测方法、可穿戴设备及计算机存储介质 | |
| CN114732361A (zh) | 基于生理信号的睡眠分期预测方法、设备以及存储介质 | |
| CN114145735B (zh) | 基于bcg信号的运动规划方案生成方法、系统以及设备 | |
| Yan et al. | Topological descriptors of gait nonlinear dynamics toward freezing-of-gait episodes recognition in parkinson’s disease | |
| Wu et al. | Intelligent clothing for automated recognition of human physical activities in free-living environment | |
| CN115120236A (zh) | 情绪识别方法、装置、可穿戴设备及存储介质 | |
| CN117017233B (zh) | 一种睡眠呼吸暂停检测方法、装置、设备以及存储介质 | |
| CN108962379B (zh) | 一种脑神经系统疾病的手机辅助检测系统 | |
| CN117322852A (zh) | 一种基于深度学习的智能服装健康监护系统及方法 | |
| CN116439690A (zh) | 心冲击图信号的提取方法、装置、设备以及存储介质 | |
| CN116250834A (zh) | 无创个性化动态血糖趋势监测及预警方法、装置 | |
| CN115905920A (zh) | 训练睡眠检测模型的方法、睡眠检测方法及相关装置 | |
| Zhu et al. | FM-FCN: a neural network with filtering modules for accurate vital signs extraction | |
| CN106361327B (zh) | 睡眠状态分析中清醒状态检测方法和系统 | |
| CN114795133A (zh) | 睡眠呼吸暂停检测方法、装置、设备以及存储介质 | |
| CN115054248A (zh) | 情绪监测方法和情绪监测装置 | |
| Butkevičiūtė et al. | Mobile platform for fatigue evaluation: Hrv analysis |
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 |