CN117064333B - 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 - Google Patents
一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 Download PDFInfo
- Publication number
- CN117064333B CN117064333B CN202310957141.1A CN202310957141A CN117064333B CN 117064333 B CN117064333 B CN 117064333B CN 202310957141 A CN202310957141 A CN 202310957141A CN 117064333 B CN117064333 B CN 117064333B
- Authority
- CN
- China
- Prior art keywords
- convolution
- network
- module
- sleep
- training
- 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
- 208000001797 obstructive sleep apnea Diseases 0.000 title claims abstract description 43
- 238000012216 screening Methods 0.000 title claims abstract description 29
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000007958 sleep Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 22
- 230000000241 respiratory effect Effects 0.000 claims description 15
- 102000015225 Connective Tissue Growth Factor Human genes 0.000 claims description 12
- 108010039419 Connective Tissue Growth Factor Proteins 0.000 claims description 12
- 230000008667 sleep stage Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 206010062519 Poor quality sleep Diseases 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 102000005889 Cysteine-Rich Protein 61 Human genes 0.000 claims description 4
- 108010019961 Cysteine-Rich Protein 61 Proteins 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004622 sleep time Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 208000010340 Sleep Deprivation Diseases 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 201000010099 disease Diseases 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 2
- 230000036578 sleeping time Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000003860 sleep quality Effects 0.000 description 6
- 206010021079 Hypopnoea Diseases 0.000 description 3
- 208000008784 apnea Diseases 0.000 description 3
- 230000037007 arousal Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 206010041235 Snoring Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000004620 sleep latency Effects 0.000 description 1
- 239000007787 solid Substances 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
- G06F18/24—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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Software Systems (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明属于医学信号处理技术领域,公开了一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置,包括网络训练模块和OSAHS初筛模块。相较于其他对正常人睡眠数据分析的研究,本发明旨在使用更少的信号导联,对OSAHS患者的PSG记录进行分析,为发展家庭或便携式OSAHS初筛提供计算支持和基础;此外,相较于现有单一任务的睡眠数据分析,本发明结合临床实际工作中多任务协同的实际,使用多任务深度学习方法,把与OSAHS诊断相关的几个任务联合起来,同时分析,促进算法的有效性,从而更精准的实现OSAHS的初步筛查。
Description
技术领域
本发明属于医学信号处理技术领域,尤其涉及一种针对阻塞型睡眠呼吸暂停低通气综合症的初筛装置。
背景技术
阻塞型睡眠呼吸暂停低通气综合症(Obstructive Sleep Apnea HypopneaSyndrome,OSAHS)是一种常见的、发病率较高的睡眠呼吸障碍,其临床表现主要为夜间打鼾、睡眠过程中出现呼吸暂停或低通气。
对OSAHS患者的PSG记录的人工分析包括睡眠分期、觉醒检测、呼吸事件检测。现有对这些分析的研究多基于传统机器学习和深度学习的方法。传统机器学习方法对这些事件的分析效果好坏依赖于所提取的特征种类和分类器的选择,模型的泛化能力有限。深度学习,如卷积神经网络(Convolutional neural network,CNN)是一种大数据驱动的方法,能够自动从数据中提取出与任务相关的特征。根据训练的任务数,可以将深度学习分为单任务学习(Single-task learning,STL)和多任务学习(Multi-task learning,MTL)。现有对OSAHS睡眠数据分析多使用STL方法,这与临床实际工作中的多任务协同方式不符,导致很多研究停留在实验室仿真阶段无法在临床真实场景中使用。“BISWAL S,SUN H,GOPARAJUB,et al.Expert-Level Sleep Scoring with Deep Neural Networks[J].Journal ofthe American Medical Informatics Association,2018,25(12):1643–1650.”通过构建CNN网络实现多个任务的分析。但该方法并非真正意义上的MTL,只是用同一个网络模型来分别训练和测试来实现多个任务。“PHAN H,ANDREOTTI F,COORA Y N,et al.SeqSleepNet:End-to-End Hierarchical Recurrent Neural Network for Sequence-to-SequenceAutomatic Sleep Staging[J].IEEE Transactions on Neural Systems andRehabilitation Engineering,2019,27(3):400–410.”基于CNN模型,只是实现了睡眠期的分类以及预测,并未涉及睡眠的其它事件。“POURBABAEE B,PATTERSON M H,PATTERSON MR,et al.SleepNet:Automated Sleep Analysis via Dense Convolutional NeuralNetwork Using Physiological Time Series[J].Physiological Measurement,2019,40(8):1-14.”基于构建的深度网络模型进行清醒/睡眠、觉醒/非觉醒、呼吸事件/正常呼吸三个任务的分类,但不同于真正意义上MTL的输出。MTL要求同一个网络能够同时实现多个相关任务。OSAHS精准筛查算法的设计,需要结合临床实际工作中多任务协同的模式,但现有研究忽略这一事实。
发明内容
针对当前存在的问题,本发明提供了一种针对OSAHS的初筛装置。该装置结合临床睡眠医生的工作经验,通过构建MTL模型,使用EEG、ECG和Airflow信号,并设计有效的信号融合方法,同时实现睡眠分期、觉醒判定和呼吸事件检测,基于这三个任务的结果,计算AHI,进而实现睡眠质量的评估以及OSAHS的初筛。
本发明的技术方案:
一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置,包括网络训练模块和OSAHS初筛模块;
网络训练模块中使用的数据库来源于国际睡眠研究数据库(National sleepresearch resource,NSRR)中的ABC睡眠数据库(https://sleepdata.org/datasets/abc)。该模块包含信号预处理、网络设计以及模型的训练和权重的存储;具体步骤如下:
(1)信号预处理;
首先,从ABC睡眠数据库中的PSG记录中提取出中央区EEG(C4-A1)信号、ECG信号、热敏信号和鼻压力气流信号,并从标签文件中提取出睡眠分期、觉醒事件以及呼吸暂停/低通气三个事件;其次,对提取的信号进行重采样fs,之后对重采样后的信号进行每一帧30s的分割;最后,将提取出的三个事件标签与每一帧信号对齐,形成MTL网络的训练样本,作为输入样本;
(2)网络设计;
MTL网络包括多尺度卷积模块、CCN-SE模块、特征融合模块;首先,输入样本中每个模态的信号分别输入至多尺度卷积模块;多尺度卷积块包括大、中、小尺寸卷积核的卷一维积层;每个卷积层后分别跟随ReLU层和批归一化层;其中,大尺寸和中尺寸卷积核大小分别设置为fs和fs/2,用来提取电生理信号随时间变化的频率信息;小尺寸卷积核大小为3,用来提取电生理信号不同时间点上的时域信息;若输入样本为I,多尺度卷积块从输入样本I中首先提取出底层初级特征,随后将三个不同尺寸卷积核提取出的特征进行拼接;这一过程如下公式所示:
Bmax=BN(ReLU(Conv1D(64,fs)))(I)
Bmid=BN(ReLU(Conv1D(64,fs/2)))(I)
Bmin=BN(ReLU(Conv1D(64,3)))(I)
B=Concat(Bmax,Bmid,Bmin)
其中,Conv1D(m,n)表示卷积核数为m,卷积核尺寸为n的一维卷积层;Bmax、Bmid和Bmin分别表示输入样本I经过多尺度卷积块中的大、中、小尺寸卷积层后形成的特征向量;BN代表批归一化层;Concat代表拼接层(Concatenate,Concat);B表示拼接后卷积块提取的特征;
随后,把多尺度卷积块提取的特征B输入到CCN-SE模块中;CCN-SE模块主要由CCN1、CCN2和SE块组成;其中CCN(Cascade convolutional network)块是由卷积核数为m,卷积核尺寸为n的一维卷积层Conv1D(m,n)和Conv1D(m,1)级联组成,n>1;CCN1块中的所有卷积层的卷积核数为64,CCN2块中的所有卷积层的卷积核数为128;每个一维卷积层后跟随ReLU层;SE块由全局平均池化层和两个Conv1D层组成,全局平均池化层用来对CCN2块中提取的每个特征图进行降维;第一个Conv1D层的卷积核数小于CCN2的特征图数,以此对特征的维数降维;随后,设置第二个Conv1D层的卷积核数为CCN2块特征图数,对前一步的特征进行扩增;并将扩增后的特征图的特征值与CCN2块的特征图进行加权,得到SE块的输出;SE块是注意力机制中的一种形式,最早出现在“HU J,SHEN L,SUN G,et al.Squeeze-and-Excitation Networks[C].Salt Lake:The IEEE Computer Society Conference onComputer Vision and Pattern Recognition(CVPR),2018:7132-7141.”的研究中,用来提取与任务最相关的特征。
此外,由于使用四种不同模态的信号,不同的信号在分别流经多尺度卷积模块和CCN-SE模块后,使用特征融合模块使每个模态的特征进行融合;特征融合模块由transformer结构中使用的自注意力机制组成,对四个模态的特征信息按权重大小进行排序,使融合后的特征与任务紧密结合;
最后,融合后的特征,经过三个分类层,分类层的激活函数均为Softmax,分别进行三个任务的分类;因网络的输出端包括三个任务的输出,且三个任务对OSAHS初筛结果的重要程度不同,故在输出端以呼吸事件检测为主任务,睡眠分期和觉醒检测为辅助任务,设计残差结构,用CCN-SE模块提取的特征信息和两个辅助任务的输出信息,得到主任务输出,以此同一个网络实现三个相关任务;
(3)网络训练和权重存储
基于步骤(1)生成的输入样本和步骤(2)构建的网络,进行网络训练;因三个任务都为多类别分类,故使用三个目标函数“categorical_crossentropy”对网络进行训练,其公式为:
其中,N为输出结果的数目,yi和分别是第i个训练样本的真实标签和预测标签;网络设置最大训练迭代次数为200,每次训练的最小批样本数为128;基于这些设置的参数,对目标函数进行优化训练;网络每次训练结束后,都会在从训练集中分割出的验证集上进行测试,最终,保留200次验证集测试中所得准确率最高次的网络权重;
疾病初筛模块:OSAHS的初筛是由网络训练模块得到的权重计算出的;在网络的测试阶段,使用网络训练过程中存储的权重对测试样本进行测试,得到每个测试样本的睡眠分期、觉醒检测、呼吸事件检测结果;OSAHS的初筛需要计算每个输入PSG记录的AHI,而AHI是由睡眠时间和呼吸事件频次计算得来的;睡眠时间根据睡眠分期的结果得来;觉醒检测的结果为测试样本提供因呼吸事件而导致的睡眠片段化的严重程度;AHI的值以5,15,30为临界点,将OSAHS分为轻度、中度、重度。
此外,除了计算AHI的值,该装置还提供临床常用的睡眠质量评估相关的参数以及觉醒指数,对样本的睡眠质量进行初步评估。
本发明的有益效果:本发明提供了一种针对阻塞型睡眠呼吸暂停低通气综合症的初筛装置,相较于其他对正常人睡眠数据分析的研究,本发明旨在使用更少的信号导联,对OSAHS患者的PSG记录进行分析,为发展家庭或便携式OSAHS初筛提供计算支持和基础;此外,相较于现有单一任务的睡眠数据分析,本研究结合临床实际工作中多任务协同的实际,使用多任务深度学习方法,把与OSAHS诊断相关的几个任务联合起来,同时分析,促进算法的有效性,从而更精准的实现OSAHS的初步筛查。
附图说明
图1为本发明实施例的针对阻塞型睡眠呼吸暂停低通气综合症的筛查装置流程图。
图2为本发明实施例中,使用该初筛装置对测试样本的检测效果示意图,其中(a)、(b)、(c)分别为睡眠分期、呼吸事件检测、觉醒检测结果,(d)为所分析信号的每30s展示,(e)为该测试样本的AHI结果展示。
图3为本发明实施例针对阻塞型睡眠呼吸暂停低通气综合症的初筛装置算法整体结构示意图,其中(a)是一种针对阻塞型睡眠呼吸暂停低通气综合症的初筛装置算法整体结构图,(b)是CCN块的结构,(c)是SE块的结构。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整的描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。
图1为本发明实施例的针对阻塞型睡眠呼吸暂停低通气综合症的筛查装置流程图。如图1所示,本发明实施例提供了一种针对阻塞型睡眠呼吸暂停低通气综合症的初筛装置,包括网络训练模块和初筛模块;
其中,网络训练模块基于国际睡眠研究数据库NSRR中的ABC睡眠数据库;步骤101,取ABC睡眠数据库中的整夜PSG记录做为训练样本,对该训练样本的.edf数据和.XML标签文件进行预处理,使之成为满足网络需求的输入样本;步骤102,构建训练网络模型。网络的输入端为四种不同模态的信号:EEG、ECG和口、鼻气流。网络的主体结构主要包括多尺度卷积模块、级联卷积网络-挤压-激励模块和特征融合模块。在输出端,根据任务的主、辅性质,设计残差任务输出结构,用特征融合模块的特征信息和辅助任务的输出信息,决定主任务的输出;步骤103,训练网络,并保存迭代训练过程中在验证集上获得准确率最高次的权重。最后,用保存的权重对ABC睡眠数据库中除训练集以外的数据做测试样本,得到测试样本的睡眠分期、觉醒检测和呼吸事件检测的结果。
图2为本发明实施例中,使用该初筛装置对检测样本的检测效果示意图。该图(a)、(b)、(c)分别为睡眠分期、呼吸事件检测、觉醒检测结果。图2(d)为所分析信号的每30s展示。2(e)为该测试样本的AHI结果展示,实心圆球落在重度范围内(>30),表明该检测样本有患重度OSAHS的风险。
图3(a)是一种针对阻塞型睡眠呼吸暂停低通气综合症的初筛装置算法整体结构图。在输入训练样本后,首先,EEG、ECG和口鼻气流信号分别输入到多尺度卷积块、CCN和SE块中进行特征提取,其中CCN和SE块的结构如图3(b)和3(c)所示;然后,将这些不同模态信号的特征进行融合,融合之后将这些特征输入到分类函数Softmax中计算输入样本属于不同类别的概率;最后,得到不同任务的输出,并根据任务输出结果,计算样本的AHI,得出样本是否可能患有OSAHS初筛结果。
表1睡眠质量评估相关参数
表1为该初筛装置对测试样本睡眠质量评估的相关参数列表。计算的参数为临床上常用的用于评估睡眠质量的指标。其中,睡眠效率、总睡眠时间、睡眠潜伏期、深度睡眠时间是根据睡眠分期的结果得来的,反映睡眠的宏观结构。呼吸暂停低通气指数由呼吸事件检测和睡眠分期两个任务的结果共同计算得到,反映OSAHS的严重程度。觉醒指数由觉醒事件和睡眠分期两个任务的结果共同计算得到,反映睡眠的片段化程度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置,其特征在于,该针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置包括网络训练模块和OSAHS初筛模块;
网络训练模块中使用的数据库来源于国际睡眠研究数据库中的ABC睡眠数据库;网络训练模块包含信号预处理、网络设计以及模型的训练和权重的存储;具体步骤如下:
(1)信号预处理;
首先,从ABC睡眠数据库中的PSG记录中提取出中央区EEG信号、ECG信号、热敏信号和鼻压力气流信号,并从标签文件中提取出睡眠分期、觉醒分期以及觉醒检测三个事件;其次,对提取的信号进行重采样fs,之后对重采样后的信号进行每一帧为30s时间帧的分割;最后,将提取出的三个事件标签与每一帧信号对齐,形成MTL网络的训练样本,作为输入样本;
(2)网络设计;
MTL网络包括多尺度卷积模块、CCN-SE模块和特征融合模块;首先,将输入样本中每个模态的信号分别输入至多尺度卷积模块;多尺度卷积块包括大、中、小尺寸卷积核的一维积卷层;每个卷积层后分别跟随ReLU层和批归一化层;其中,大尺寸和中尺寸卷积核大小分别设置为fs和fs/2,用来提取电生理信号随时间变化的频率信息;小尺寸卷积核大小为3,用来提取电生理信号不同时间点上的时域信息;若输入样本为I,多尺度卷积块从输入样本I中首先提取出底层初级特征,随后将三个不同尺寸卷积核提取出的特征进行拼接;这一过程如下公式所示:
Bmax=BN(ReLU(Conv1D(64,fs)))(I)
Bmid=BN(ReLU(Conv1D(64,fs/2)))(I)
Bmin=BN(ReLU(Conv1D(64,3)))(I)
B=Concat(Bmax,Bmid,Bmin)
其中,Conv1D(m,n)表示卷积核数为m,卷积核尺寸为n的一维卷积层;Bmax、Bmid和Bmin分别表示输入样本I经过多尺度卷积块中的大、中、小尺寸卷积层后形成的特征向量;BN代表批归一化层;Concat代表拼接层;B表示拼接后多尺度卷积块提取的特征;
随后,把拼接后多尺度卷积块提取的特征B输入到CCN-SE模块中;CCN-SE模块主要由CCN1、CCN2和SE块组成;其中CCN块是由卷积核数为m,卷积核尺寸为n的一维卷积层Conv1D(m,n)和Conv1D(m,1)级联组成,n>1;CCN1块中的所有卷积层的卷积核数为64,CCN2块中的所有卷积层的卷积核数为128;每个一维卷积层后跟随ReLU层;SE块由全局平均池化层和两个Conv1D层组成,全局平均池化层用来对CCN2块中提取的每个特征图进行降维;第一个Conv1D层的卷积核数小于CCN2的特征图数,以此对特征的维数降维;随后,设置第二个Conv1D层的卷积核数为CCN2块特征图数,对前一步的特征进行扩增;并将扩增后的特征图的特征值与CCN2块的特征图进行加权,得到SE块的输出;
此外,由于使用四种不同模态的信号,不同的信号在分别流经多尺度卷积模块和CCN-SE模块后,使用特征融合模块使每个模态的特征进行融合;特征融合模块由transformer结构中使用的自注意力机制组成,对四个模态的特征信息按权重大小进行排序,使融合后的特征与任务紧密结合;
最后,融合后的特征,经过三个分类层,分类层的激活函数均为Softmax,分别进行三个任务的分类;因网络的输出端包括三个任务的输出,且三个任务对OSAHS初筛结果的重要程度不同,故在输出端以呼吸事件检测为主任务,睡眠分期和觉醒检测为辅助任务,设计残差结构,用CCN-SE模块提取的特征信息和两个辅助任务的输出信息,得到主任务输出,以此同一个网络实现三个相关任务;
(3)网络训练和权重存储
基于步骤(1)生成的输入样本和步骤(2)构建的网络,进行网络训练;因三个任务都为多类别分类,故使用三个目标函数“categorical_crossentropy”对网络进行训练,其公式为:
其中,N为输出结果的数目,yi和分别是第i个训练样本的真实标签和预测标签;网络设置最大训练迭代次数为200,每次训练的最小批样本数为128;基于这些设置的参数,对目标函数进行优化训练;网络每次训练结束后,都会再从训练集中分割出的验证集上进行测试,最终,保留200次验证集测试中所得准确率最高次的网络权重;
疾病初筛模块:OSAHS的初筛是由网络训练模块得到的权重计算出的;在网络的测试阶段,使用网络训练过程中存储的权重对测试样本进行测试,得到每个测试样本的睡眠分期、觉醒检测、呼吸事件检测结果;OSAHS的初筛需要计算每个输入PSG记录的AHI,AHI是由睡眠时间和呼吸事件频次计算得来的;睡眠时间根据睡眠分期的结果得来;觉醒检测的结果为测试样本提供因呼吸事件而导致的睡眠片段化的严重程度;AHI的值以5,15,30为临界点,将OSAHS分为轻度、中度、重度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310957141.1A CN117064333B (zh) | 2023-08-01 | 2023-08-01 | 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310957141.1A CN117064333B (zh) | 2023-08-01 | 2023-08-01 | 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117064333A CN117064333A (zh) | 2023-11-17 |
CN117064333B true CN117064333B (zh) | 2024-03-26 |
Family
ID=88705323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310957141.1A Active CN117064333B (zh) | 2023-08-01 | 2023-08-01 | 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117064333B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117747100B (zh) * | 2023-12-11 | 2024-05-14 | 南方医科大学南方医院 | 一种预测阻塞性睡眠呼吸暂停发生风险的系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111248859A (zh) * | 2019-12-27 | 2020-06-09 | 黄淮学院 | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 |
CN113057600A (zh) * | 2021-04-26 | 2021-07-02 | 浙江纽若思医疗科技有限公司 | 一种筛选睡眠障碍和睡眠呼吸暂停的装置及方法 |
CN113576401A (zh) * | 2021-06-11 | 2021-11-02 | 广东工业大学 | 基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置 |
-
2023
- 2023-08-01 CN CN202310957141.1A patent/CN117064333B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111248859A (zh) * | 2019-12-27 | 2020-06-09 | 黄淮学院 | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 |
CN113057600A (zh) * | 2021-04-26 | 2021-07-02 | 浙江纽若思医疗科技有限公司 | 一种筛选睡眠障碍和睡眠呼吸暂停的装置及方法 |
CN113576401A (zh) * | 2021-06-11 | 2021-11-02 | 广东工业大学 | 基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117064333A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
CN117064333B (zh) | 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 | |
WO2021114761A1 (zh) | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 | |
WO2022227280A1 (zh) | 基于智能眼镜的灾害救援检伤分类及辅助诊断方法 | |
CN112587153B (zh) | 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法 | |
CN112733961A (zh) | 基于注意力机制的糖尿病视网膜病变的分类方法及系统 | |
Cheng et al. | Automated sleep apnea detection in snoring signal using long short-term memory neural networks | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
CN111685774B (zh) | 基于概率集成回归模型的osahs诊断方法 | |
CN111968741A (zh) | 基于深度学习与集成学习的糖尿病并发症高危预警系统 | |
Mridha et al. | Respiratory disease classification by CNN using MFCC | |
CN110502989A (zh) | 一种小样本高光谱人脸识别方法及系统 | |
CN114093501A (zh) | 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法 | |
CN111428655A (zh) | 一种基于深度学习的头皮检测方法 | |
CN112132800A (zh) | 基于深度学习的肺纤维化检测与严重度评估方法及系统 | |
CN112932501A (zh) | 一种基于一维卷积神经网络自动识别失眠方法 | |
Ma et al. | Application of time-frequency domain and deep learning fusion feature in non-invasive diagnosis of congenital heart disease-related pulmonary arterial hypertension | |
CN116186544A (zh) | 基于深度学习的单通道脑电睡眠分期方法 | |
CN114129138A (zh) | 一种基于时序多尺度混合注意力模型的自动睡眠分期方法 | |
Patel et al. | Multi Feature fusion for COPD Classification using Deep learning algorithms | |
CN114822734A (zh) | 基于循环卷积神经网络的中医病案分析方法 | |
CN112396597A (zh) | 不明原因肺炎影像快速筛查方法及装置 | |
Shi et al. | AM-DenseNet: A novel DenseNet framework using attention mechanisms for COVID-19 CT image classification | |
Srinivasulu | Early prediction of covid-19 using modified recurrent neural networks |
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 |