CN117338253A - 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
CN117338253A
CN117338253A CN202311648402.8A CN202311648402A CN117338253A CN 117338253 A CN117338253 A CN 117338253A CN 202311648402 A CN202311648402 A CN 202311648402A CN 117338253 A CN117338253 A CN 117338253A
Authority
CN
China
Prior art keywords
sequence
sleep apnea
respiratory effort
effort signal
feature extraction
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.)
Granted
Application number
CN202311648402.8A
Other languages
English (en)
Other versions
CN117338253B (zh
Inventor
张涵
陈锡和
朱玮玮
李家裕
陈瑶生
余宝贤
王剑莹
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 CN202311648402.8A priority Critical patent/CN117338253B/zh
Publication of CN117338253A publication Critical patent/CN117338253A/zh
Application granted granted Critical
Publication of CN117338253B publication Critical patent/CN117338253B/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
    • A61B5/72—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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (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呼吸努力信号，并基于呼吸努力信号，依次进行空间特征提取、注意力特征提取以及时序特征提取，获得时序特征数据，将时序特征数据输入至深度学习网络中，获取用户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、计算机设备以及存储介质。
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、呼吸努力信号、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、计算机设备以及存储介质，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呼吸努力信号，并基于呼吸努力信号，依次进行空间特征提取、注意力特征提取以及时序特征提取，获得时序特征数据，将时序特征数据输入至深度学习网络中，获取用户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：
获得待检测用户的生理信号以及预设的睡眠呼吸暂停检测模型，其中，所述睡眠呼吸暂停检测模型包括空间特征提取模块、注意力特征提取模块、时序特征提取模块以及分类检测模块；
从所述待检测用户的生理信号中提取呼吸努力信号，对所述呼吸努力信号进行分窗处理，构建呼吸努力信号段序列，其中，所述呼吸努力信号段序列包括若干个呼吸努力信号段；
将所述呼吸努力信号段序列输入至所述空间特征提取模块中进行空间特征提取，获得空间特征序列，其中，所述空间特征序列包括若干个呼吸努力信号段的空间特征数据；
将所述空间特征序列输入至所述注意力特征提取模块中进行注意力特征提取，获得注意力特征序列，其中，所述注意力特征序列包括若干个呼吸努力信号段的注意力特征数据；
将所述注意力特征序列输入至所述时序特征提取模块中进行时序特征提取，获得时序特征序列，其中，所述时序特征序列包括若干个呼吸努力信号段的时序特征数据；
将所述时序特征序列输入至所述分类检测模块中进行分类检测，获得睡眠呼吸暂停检测序列，作为所述待检测用户的睡眠呼吸暂停检测结果，其中，所述睡眠呼吸暂停检测序列包括呼吸努力信号段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：
数据获取模块，用于获得待检测用户的生理信号以及预设的睡眠呼吸暂停检测模型，其中，所述睡眠呼吸暂停检测模型包括空间特征提取模块、注意力特征提取模块、时序特征提取模块以及分类检测模块；
信号提取模块，用于从所述待检测用户的生理信号中提取呼吸努力信号，对所述呼吸努力信号进行分窗处理，构建呼吸努力信号段序列，其中，所述呼吸努力信号段序列包括若干个呼吸努力信号段；
第一特征提取模块，用于将所述呼吸努力信号段序列输入至所述空间特征提取模块中进行空间特征提取，获得空间特征序列，其中，所述空间特征序列包括若干个呼吸努力信号段的空间特征数据；
第二特征提取模块，用于将所述空间特征序列输入至所述注意力特征提取模块中进行注意力特征提取，获得注意力特征序列，其中，所述注意力特征序列包括若干个呼吸努力信号段的注意力特征数据；
第三特征提取模块，用于将所述注意力特征序列输入至所述时序特征提取模块中进行时序特征提取，获得时序特征序列，其中，所述时序特征序列包括若干个呼吸努力信号段的时序特征数据；
睡眠呼吸暂停检测模块，用于将所述时序特征序列输入至所述分类检测模块中进行分类检测，获得睡眠呼吸暂停检测序列，作为所述待检测用户的睡眠呼吸暂停检测结果，其中，所述睡眠呼吸暂停检测序列包括呼吸努力信号段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、计算机设备以及存储介质，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呼吸努力信号，并基于呼吸努力信号，依次进行空间特征提取、注意力特征提取以及时序特征提取，获得时序特征数据，将时序特征数据输入至深度学习网络中，获取用户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为本申请第一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为本申请第一实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S2的流程示意图；
图3为本申请第一实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S3的流程示意图；
图4为本申请第一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的流程示意图；
图5为本申请第一实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S5的流程示意图；
图6为本申请第一实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S6的流程示意图；
图7为本申请第二实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S63的流程示意图；
图8为本申请第三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9为本申请第四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10为本申请第五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为本申请第一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：获得待检测用户的生理信号以及预设的睡眠呼吸暂停检测模型。
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，以及预设的睡眠呼吸暂停检测模型，其中，所述睡眠呼吸暂停检测模型包括空间特征提取模块、注意力提取模块、时序特征提取模块以及分类检测模块。
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，具体地，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。
检测设备根据模数转换模块，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，具体地，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。
S2：从所述待检测用户的生理信号中提取呼吸努力信号，对所述呼吸努力信号进行分窗处理，构建呼吸努力信号段序列。
在本实施例中，检测设备从所述待检测用户的生理信号中提取呼吸努力信号，对所述呼吸努力信号进行分窗处理，构建呼吸努力信号段序列，其中，所述呼吸努力信号段序列包括若干个呼吸努力信号段。
由于生理信号包括呼吸努力信号以及心冲击信号，生理信号的能量主要在0到50Hz，其中呼吸努力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，分离出呼吸努力信号，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，获得呼吸努力信号。
由于生理信号还包含体动信号，分离出的呼吸努力中包含有体动信号，请参阅图2，图2为本申请第一实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S2的流程示意图，包括步骤S21，具体如下：
S21：对所述呼吸努力信号进行预处理，获得预处理后的呼吸努力信号。
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。
在本实施例中，检测设备对所述呼吸努力信号进行预处理，获得预处理后的呼吸努力信号，其中，所述预处理步骤包括滤波处理、标准化处理以及限幅处理。
检测设备采用移动平均滤波器，逐秒遍历所述呼吸努力信号，将所述呼吸努力信号中若干个采样点的的数值减去前后两个采样点的，一共四个采样点数值的平均值，获得滤波处理后的呼吸努力信号，以剔除体动等干扰的基线漂移。
检测设备根据所述滤波处理后的呼吸努力信号以及预设的标准化算法，获得标准化处理后的呼吸努力信号，其中，所述标准化算法为：
式中，为滤波处理后的呼吸努力信号，/>为滤波处理后的呼吸努力信号的标准差，/>为滤波处理后的呼吸努力信号的平均值，/>为标准化处理后的呼吸努力信号。
检测设备根据标准化后的呼吸努力信号以及预设的限幅算法，获得限幅处理后的呼吸努力信号，其中，所述限幅算法为：
式中，为限幅处理后的呼吸努力信号，/>为预设的限幅阈值。
S3：将所述呼吸努力信号段序列输入至所述空间特征提取模块中进行空间特征提取，获得空间特征序列。
所述空间特征提取模块采用残差神经网络模型ResNet，在本实施例中，检测设备将所述呼吸努力信号段序列输入至所述空间特征提取模块中进行空间特征提取，获得空间特征序列，其中，所述空间特征序列包括若干个呼吸努力信号段的空间特征数据。
所述空间特征提取模块包括若干个堆叠的空间特征提取单元，所述空间特征提取单元包括浅层卷积层以及残差卷积层，请参阅图3，图3为本申请第一实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S3的流程示意图，包括步骤S31~S33，具体如下：
S31：将所述呼吸努力信号段序列作为所述空间特征提取模块中首个空间特征提取单元的浅层卷积层的输入序列，根据预设的浅层卷积算法，获得浅层卷积序列。
所述浅层卷积算法为：
式中，为浅层卷积序列，/>为池化函数，/>为第一激活函数，/>为归一化函数，/>为第一卷积核参数，/>为第n个呼吸努力信号段；
在本实施例中，检测设备将所述呼吸努力信号段序列作为所述空间特征提取模块中首个空间特征提取单元的浅层卷积层的输入序列，根据预设的浅层卷积算法，获得浅层卷积序列。
S32：将所述浅层卷积序列输入至所述残差卷积层中，根据预设的第一残差卷积算法，获得所述首个空间特征提取单元输出的第一残差卷积序列。
所述第一残差卷积算法为：
式中，为第一残差卷积序列，/>为第二卷积核参数，/>为第三卷积核参数；
在本实施例中，检测设备将所述浅层卷积序列输入至所述残差卷积层中，根据预设的第一残差卷积算法，获得所述首个空间特征提取单元输出的第一残差卷积序列。
S33：将所述首个空间特征提取单元输出的第一残差卷积序列作为下一个空间特征提取单元的浅层卷积层的输入序列，重复上述步骤，获得最后一个空间特征提取单元输出的第一残差卷积序列，作为所述空间特征序列。
在本实施例中，检测设备将所述首个空间特征提取单元输出的第一残差卷积序列作为下一个空间特征提取单元的浅层卷积层的输入序列，重复上述步骤，获得最后一个空间特征提取单元输出的第一残差卷积序列，作为所述空间特征序列。通过堆叠空间特征提取单元，不断对呼吸努力信号的空间形态特征信息进行提取，以充分获取呼吸努力信号中的深度空间形态特征信息，提高睡眠呼吸暂停检测的准确性。
S4：将所述空间特征序列输入至所述注意力特征提取模块中进行注意力特征提取，获得注意力特征序列。
在本实施例中，检测设备将所述空间特征序列输入至所述注意力特征提取模块中进行注意力特征提取，获得注意力特征序列，其中，所述注意力特征序列包括若干个呼吸努力信号段的注意力特征数据，充分提取呼吸努力信号中的局部信息，以提高睡眠呼吸暂停检测的准确性。
请参阅图4，图4为本申请第一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的流程示意图，包括步骤S41~S43，具体如下：
S41：根据所述空间特征序列以及预设的第二残差卷积算法，获得第二残差卷积序列。
所述第二残差卷积算法为：
式中，为第二残差卷积序列，/>为第四卷积核参数，/>为第五卷积核参数。
在本实施例中，检测设备根据所述空间特征序列以及预设的第二残差卷积算法，获得第二残差卷积序列。
S42：根据所述第二残差卷积序列以及预设的通道特征提取算法，获得第一通道特征序列以及第二通道特征序列。
所述通道特征提取算法为：
式中，为第一通道特征序列，/>为第二通道特征序列，/>为第一线性函数，/>为第二线性函数，/>为全局平均池化函数，/>为全局最大池化函数。
在本实施例中，检测设备根据所述第二残差卷积序列以及预设的通道特征提取算法，获得第一通道特征序列以及第二通道特征序列，通过全局平均池化函数获得各通道的平均值和全局最大池化函数获得各通道的最大值，其目的是屏蔽空间的分布信息，更好利用通道间的相关性，提高睡眠呼吸暂停检测的准确性。
S43：根据所述空间特征序列、第二残差卷积序列、第一通道特征序列、第二通道特征序列以及预设的注意力特征提取算法，获得注意力特征序列。
所述注意力特征提取算法为：
式中，为注意力特征序列，/>为第二激活函数。
在本实施例中，检测设备根据所述空间特征序列、第一通道特征序列、第二通道特征序列以及预设的注意力特征提取算法，获得注意力特征序列。通过第一通道特征序列、第二通道特征序列通过同一个依次由线性层，Relu激活函数和线性层组成的多层感知器MLP后进行相加并通过Sigmod激活函数获得通道注意力权重，实现了将各通道的平均和最大特征先压缩再扩张，学习各通道的依赖性，提取各通道的注意力权重，将进一步学习得到的各通道的注意力权重与第二残差卷积序列相乘，获得经各通道的注意力权重激励的空间形态特征，并与空间特征序列进行残差连接相加后经过第一激活函数，获得注意力特征序列。
S5：将所述注意力特征序列输入至所述时序特征提取模块中进行时序特征提取，获得时序特征序列。
在本实施例中，检测设备将所述注意力特征序列输入至所述时序特征提取模块中进行时序特征提取，获得时序特征序列，其中，所述时序特征序列包括若干个呼吸努力信号段的时序特征数据。
所述时序特征提取模块包括若干个堆叠的时序特征提取单元，所述时序特征提取单元为长短时记忆神经网络LSTM，LSTM是一种循环神经网络，能够在长时间序列中选择性地留下某些节点的重要信息，从而充分提取呼吸努力信号中丰富的时序信息。
请参阅图5，图5为本申请第一实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S5的流程示意图，包括步骤S51~S52，具体如下：
S51：将所述注意力特征序列作为所述时序特征提取模块的首个时序特征提取单元的输入序列，根据预设的长短时记忆算法，获得首个时序特征提取单元输出的初步时序特征序列。
所述长短时记忆算法为：
式中，为初步时序特征序列，/>为长短时记忆函数；
在本实施例中，检测设备将所述注意力特征序列作为所述时序特征提取模块的首个时序特征提取单元的输入序列，根据预设的长短时记忆算法，获得首个时序特征提取单元输出的初步时序特征序列，提取呼吸努力信号的时间形态特征。
S52：将所述初步时序特征序列作为下一个时序特征提取单元的输入序列，重复上述步骤，获得最后一个时序特征提取单元输出的初步时序特征序列，提取所述最后一个时序特征提取单元输出的初步时序特征序列的最后一个时间步的输出，作为所述时序特征序列。
在本实施例中，检测设备将所述初步时序特征序列作为下一个时序特征提取单元的输入序列，重复上述步骤，获得最后一个时序特征提取单元输出的初步时序特征序列，提取所述最后一个时序特征提取单元输出的初步时序特征序列的最后一个时间步的输出，作为所述时序特征序列。通过堆叠长短时记忆神经网络LSTM，能够在底层LSTM网络提取到的时间特征的基础上进一步获取深层的时间特征信息，提高睡眠呼吸暂停检测的准确性。
S6：将所述时序特征序列输入至所述分类检测模块中进行分类检测，获得睡眠呼吸暂停检测序列，作为所述待检测用户的睡眠呼吸暂停检测结果。
在本实施例中，检测设备将所述时序特征序列输入至所述分类检测模块中进行分类检测，获得睡眠呼吸暂停检测序列，作为所述待检测用户的睡眠呼吸暂停检测结果，其中，所述睡眠呼吸暂停检测序列包括呼吸努力信号段的睡眠呼吸暂停检测结果。
请参阅图6，图6为本申请第一实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S6的流程示意图，包括步骤S61~S63，具体如下：
S61：对所述时序特征序列中若干个呼吸努力信号段的时序特征数据进行全连接处理，获得若干个呼吸努力信号段的全连接特征数据。
在本实施例中，检测设备将所述时序特征序列输入至预设的线性层中，对所述时序特征序列中若干个呼吸努力信号段的时序特征数据进行全连接处理，获得若干个呼吸努力信号段的全连接特征数据，其中，所述全连接特征数据包括第一全连接特征值以及第二全连接特征值，所述第一全连接特征值为呼吸努力信号段未发生睡眠呼吸暂停事件的特征值，所述第二全连接特征值为呼吸努力信号段发生睡眠呼吸暂停事件的特征值。
S62：根据若干个呼吸努力信号段的全连接特征数据以及预设的睡眠呼吸暂停检测概率值算法，获得若干个呼吸努力信号段的睡眠呼吸暂停检测概率值。
所述睡眠呼吸暂停检测概率值算法为：
式中，为第n个呼吸努力信号段的睡眠呼吸暂停检测概率值，/>为第n个呼吸努力信号段的第二全连接特征值，/>为第n个呼吸努力信号段的第一全连接特征值；
在本实施例中，检测设备根据若干个呼吸努力信号段的全连接特征数据以及预设的睡眠呼吸暂停检测概率值算法，获得若干个呼吸努力信号段的睡眠呼吸暂停检测概率值。
S63：根据若干个呼吸努力信号段的睡眠呼吸暂停检测概率值以及预设的睡眠呼吸暂停检测概率阈值，获得若干个呼吸努力信号段的睡眠呼吸暂停检测结果，构建所述睡眠呼吸暂停检测序列。
在本实施例中，检测设备根据若干个呼吸努力信号段的睡眠呼吸暂停检测概率值以及预设的睡眠呼吸暂停检测概率阈值，获得若干个呼吸努力信号段的睡眠呼吸暂停检测结果，构建所述睡眠呼吸暂停检测序列，其中，所述睡眠呼吸暂停检测结果包括睡眠呼吸暂停结果以及非睡眠呼吸暂停结果。
具体地，当所述睡眠呼吸暂停检测概率值大于睡眠呼吸暂停检测概率阈值，检测设备获得相应的呼吸努力信号段的睡眠呼吸暂停结果，当所述睡眠呼吸暂停检测概率值小于获得那个鱼睡眠呼吸暂停检测概率阈值，检测设备获得相应的呼吸努力信号段的非睡眠呼吸暂停结果。
请参阅图7，图7为本申请第二实施例提供的基于生理信号的睡眠呼吸暂停检测方法中S63的流程示意图，包括步骤S631~S632，具体如下：
S631：根据若干个所述呼吸努力信号段的睡眠呼吸暂停检测结果，构建初始睡眠呼吸暂停检测序列，对所述初始睡眠呼吸暂停检测序列进行遍历，获得所述初始睡眠呼吸暂停检测序列中，同属于睡眠呼吸暂停结果的相邻的两个呼吸努力信号段的距离参数，根据所述距离参数以及预设距离阈值，获得若干个目标呼吸努力信号段组合。
由于睡眠呼吸暂停事件发生是连续的，由于受运动伪影等多种因素干扰，容易导致获得的睡眠呼吸暂停检测序列不准确，在本实施例中，检测设备根据若干个所述呼吸努力信号段的睡眠呼吸暂停检测结果，构建初始睡眠呼吸暂停检测序列，对所述初始睡眠呼吸暂停检测序列进行遍历，获得所述初始睡眠呼吸暂停检测序列中，同属于睡眠呼吸暂停结果的相邻的两个呼吸努力信号段的距离参数，根据所述距离参数以及预设距离阈值，当所述距离参数小于所述距离阈值，将相应的两个呼吸努力信号段进行组合，作为所述目标呼吸努力信号段组合，其中，所述目标呼吸努力信号段组合用于指示相应的两个呼吸努力信号段之间的呼吸努力信号段的睡眠呼吸暂停检测结果实际上应为睡眠呼吸暂停结果。
S632：根据所述目标呼吸努力信号段组合中的两个呼吸努力信号段的位置索引，将所述初始睡眠呼吸暂停检测序列中，两个呼吸努力信号段之间的呼吸努力信号段的睡眠呼吸暂停检测结果修正为睡眠呼吸暂停结果，获得所述睡眠呼吸暂停检测序列。
在本实施例中，检测设备根据所述目标呼吸努力信号段组合中的两个呼吸努力信号段的位置索引，将所述初始睡眠呼吸暂停检测序列中，两个呼吸努力信号段之间的呼吸努力信号段的睡眠呼吸暂停检测结果修正为睡眠呼吸暂停结果，获得所述睡眠呼吸暂停检测序列，以提高睡眠呼吸暂停检测的准确性。
请参阅图8，图8为本申请第三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，包括步骤S7~S8，具体如下：
S7：获得所述睡眠呼吸暂停检测序列中，属于睡眠呼吸暂停结果的呼吸努力信号段的数目以及所述呼吸努力信号的持续时间，根据所述属于睡眠呼吸暂停结果的呼吸努力信号段的数目、所述呼吸努力信号的持续时间以及预设的睡眠呼吸暂停低通气指数算法，获得睡眠呼吸暂停低通气指数。
所述睡眠呼吸暂停低通气指数算法为：
式中，AHI为睡眠呼吸暂停低通气指数，为属于睡眠呼吸暂停结果的呼吸努力信号段的数目，/>为所述呼吸努力信号的持续时间；
在本实施例中，检测设备获得所述睡眠呼吸暂停检测序列中，属于睡眠呼吸暂停结果的呼吸努力信号段的数目以及所述呼吸努力信号的持续时间，根据所述属于睡眠呼吸暂停结果的呼吸努力信号段的数目、所述呼吸努力信号的持续时间以及预设的睡眠呼吸暂停低通气指数算法，获得睡眠呼吸暂停低通气指数。
S8：根据所述睡眠呼吸暂停低通气指数以及预设的睡眠呼吸暂停低通气指数阈值区间，获得所述待检测用户的睡眠呼吸暂停程度检测结果。
在本实施例中，检测设备根据所述睡眠呼吸暂停低通气指数以及预设的睡眠呼吸暂停低通气指数阈值区间，获得所述待检测用户的睡眠呼吸暂停程度检测结果。
具体地，所述睡眠呼吸暂停程度检测结果包括严重睡眠呼吸暂停综合征检测结果、中度睡眠呼吸暂停综合征检测结果、轻度睡眠呼吸暂停综合征检测结果以及无睡眠呼吸暂停综合征，所述睡眠呼吸暂停低通气指数阈值区间包括严重睡眠呼吸暂停低通气指数阈值区间、中度睡眠呼吸暂停低通气指数阈值区间、轻度睡眠呼吸暂停低通气指数阈值区间以及无睡眠呼吸暂停低通气指数阈值区间；检测设备根据所述睡眠呼吸暂停低通气指数，判断处于其中一个睡眠呼吸暂停低通气指数阈值区间，获得该睡眠呼吸暂停低通气指数阈值区间对应的睡眠呼吸暂停程度检测结果。
请参考图9，图9为本申请第四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9包括：
数据获取模块91，用于获得待检测用户的生理信号以及预设的睡眠呼吸暂停检测模型，其中，所述睡眠呼吸暂停检测模型包括空间特征提取模块、注意力特征提取模块、时序特征提取模块以及分类检测模块；
信号提取模92，用于从所述待检测用户的生理信号中提取呼吸努力信号，对所述呼吸努力信号进行分窗处理，构建呼吸努力信号段序列，其中，所述呼吸努力信号段序列包括若干个呼吸努力信号段；
第一特征提取模块93，用于将所述呼吸努力信号段序列输入至所述空间特征提取模块中进行空间特征提取，获得空间特征序列，其中，所述空间特征序列包括若干个呼吸努力信号段的空间特征数据；
第二特征提取模块94，用于将所述空间特征序列输入至所述注意力特征提取模块中进行注意力特征提取，获得注意力特征序列，其中，所述注意力特征序列包括若干个呼吸努力信号段的注意力特征数据；
第三特征提取模块95，用于将所述注意力特征序列输入至所述时序特征提取模块中进行时序特征提取，获得时序特征序列，其中，所述时序特征序列包括若干个呼吸努力信号段的时序特征数据；
睡眠呼吸暂停检测模块96，用于将所述时序特征序列输入至所述分类检测模块中进行分类检测，获得睡眠呼吸暂停检测序列，作为所述待检测用户的睡眠呼吸暂停检测结果，其中，所述睡眠呼吸暂停检测序列包括呼吸努力信号段的睡眠呼吸暂停检测结果。
在本申请实施例中，通过数据获取模块，获得待检测用户的生理信号以及预设的睡眠呼吸暂停检测模型，其中，所述睡眠呼吸暂停检测模型包括空间特征提取模块、注意力特征提取模块、时序特征提取模块以及分类检测模块；通过信号提取模块，从所述待检测用户的生理信号中提取呼吸努力信号，对所述呼吸努力信号进行分窗处理，构建呼吸努力信号段序列，其中，所述呼吸努力信号段序列包括若干个呼吸努力信号段；通过第一特征提取模块，将所述呼吸努力信号段序列输入至所述空间特征提取模块中进行空间特征提取，获得空间特征序列，其中，所述空间特征序列包括若干个呼吸努力信号段的空间特征数据；通过第二特征提取模块，将所述空间特征序列输入至所述注意力特征提取模块中进行注意力特征提取，获得注意力特征序列，其中，所述注意力特征序列包括若干个呼吸努力信号段的注意力特征数据；通过第三特征提取模块，将所述注意力特征序列输入至所述时序特征提取模块中进行时序特征提取，获得时序特征序列，其中，所述时序特征序列包括若干个呼吸努力信号段的时序特征数据；通过睡眠呼吸暂停检测模块，将所述时序特征序列输入至所述分类检测模块中进行分类检测，获得睡眠呼吸暂停检测序列，作为所述待检测用户的睡眠呼吸暂停检测结果，其中，所述睡眠呼吸暂停检测序列包括呼吸努力信号段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呼吸努力信号，并基于呼吸努力信号，依次进行空间特征提取、注意力特征提取以及时序特征提取，获得时序特征数据，将时序特征数据输入至深度学习网络中，获取用户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10，图10为本申请第五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101、存储器102以及存储在存储器102上并可在处理器101上运行的计算机程序103；计算机设备可以存储有多条指令，指令适用于由处理器101加载并执行上述第一至第三实施例的方法步骤，具体执行过程可以参见第一至第三实施例的具体说明，在此不进行赘述。
其中，处理器101可以包括一个或多个处理核心。处理器101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102内的指令、程序、代码集或指令集，以及调用存储器102内的数据，执行基于生理信号的睡眠呼吸暂停检测装置9的各种功能和处理数据，可选的，处理器101可以采用数字信号处理（Digital SignalProcessing，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101可集成中央处理器101（Central Processing Unit，CPU）、图像处理器101（Graphics ProcessingUnit，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101中，单独通过一块芯片进行实现。
其中，存储器102可以包括随机存储器102（Random Access Memory，RAM），也可以包括只读存储器102（Read-Only Memory）。可选的，该存储器102包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器102可用于存储指令、程序、代码、代码集或指令集。存储器102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102可选的还可以是至少一个位于远离前述处理器101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：
获得待检测用户的生理信号以及预设的睡眠呼吸暂停检测模型，其中，所述睡眠呼吸暂停检测模型包括空间特征提取模块、注意力特征提取模块、时序特征提取模块以及分类检测模块；
从所述待检测用户的生理信号中提取呼吸努力信号，对所述呼吸努力信号进行分窗处理，构建呼吸努力信号段序列，其中，所述呼吸努力信号段序列包括若干个呼吸努力信号段；
将所述呼吸努力信号段序列输入至所述空间特征提取模块中进行空间特征提取，获得空间特征序列，其中，所述空间特征序列包括若干个呼吸努力信号段的空间特征数据；
将所述空间特征序列输入至所述注意力特征提取模块中进行注意力特征提取，获得注意力特征序列，其中，所述注意力特征序列包括若干个呼吸努力信号段的注意力特征数据；
将所述注意力特征序列输入至所述时序特征提取模块中进行时序特征提取，获得时序特征序列，其中，所述时序特征序列包括若干个呼吸努力信号段的时序特征数据；
将所述时序特征序列输入至所述分类检测模块中进行分类检测，获得睡眠呼吸暂停检测序列，作为所述待检测用户的睡眠呼吸暂停检测结果，其中，所述睡眠呼吸暂停检测序列包括呼吸努力信号段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，所述对所述呼吸努力信号进行分窗处理，构建呼吸努力信号段序列，还包括步骤：
对所述呼吸努力信号进行预处理，获得预处理后的呼吸努力信号，其中，所述预处理步骤包括滤波处理、标准化处理以及限幅处理。
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：所述空间特征提取模块包括若干个堆叠的空间特征提取单元，所述空间特征提取单元包括浅层卷积层以及残差卷积层；
所述将所述呼吸努力信号段序列输入至所述空间特征提取模块中进行空间特征提取，获得空间特征序列，包括步骤：
将所述呼吸努力信号段序列作为所述空间特征提取模块中首个空间特征提取单元的浅层卷积层的输入序列，根据预设的浅层卷积算法，获得浅层卷积序列，其中，所述浅层卷积算法为：
式中，为浅层卷积序列，/>为池化函数，/>为第一激活函数，/>为归一化函数，/>为第一卷积核参数，/>为第n个呼吸努力信号段；
将所述浅层卷积序列输入至所述残差卷积层中，根据预设的第一残差卷积算法，获得所述首个空间特征提取单元输出的第一残差卷积序列，其中，所述残差卷积算法为：
式中，为残差卷积序列，/>为第二卷积核参数，/>为第三卷积核参数；
将所述首个空间特征提取单元输出的第一残差卷积序列作为下一个空间特征提取单元的浅层卷积层的输入序列，重复上述步骤，获得最后一个空间特征提取单元输出的第一残差卷积序列，作为所述空间特征序列。
4.根据权利要求3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，所述将所述空间特征序列输入至所述注意力特征提取模块中进行注意力特征提取，获得注意力特征序列，包括步骤：
根据所述空间特征序列以及预设的第二残差卷积算法，获得第二残差卷积序列，其中，所述第二残差卷积算法为：
式中，为第二残差卷积序列，/>为第四卷积核参数，/>为第五卷积核参数；
根据所述第二残差卷积序列以及预设的通道特征提取算法，获得第一通道特征序列以及第二通道特征序列，其中，所述通道特征提取算法为：
式中，为第一通道特征序列，/>为第二通道特征序列，/>为第一线性函数，/>为第二线性函数，/>为全局平均池化函数，/>为全局最大池化函数；
根据所述空间特征序列、第二残差卷积序列、第一通道特征序列、第二通道特征序列以及预设的注意力特征提取算法，获得注意力特征序列，其中，所述注意力特征提取算法为：
式中，为注意力特征序列，/>为第二激活函数。
5.根据权利要求4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：所述时序特征提取模块包括若干个堆叠的时序特征提取单元，所述时序特征提取单元为长短时记忆神经网络；
所述将所述注意力特征序列输入至所述时序特征提取模块中进行时序特征提取，获得时序特征序列，包括步骤：
将所述注意力特征序列作为所述时序特征提取模块的首个时序特征提取单元的输入序列，根据预设的长短时记忆算法，获得首个时序特征提取单元输出的初步时序特征序列，其中，所述长短时记忆算法为：
式中，为初步时序特征序列，/>为长短时记忆函数；
将所述初步时序特征序列作为下一个时序特征提取单元的输入序列，重复上述步骤，获得最后一个时序特征提取单元输出的初步时序特征序列，提取所述最后一个时序特征提取单元输出的初步时序特征序列的最后一个时间步的输出，作为所述时序特征序列。
6.根据权利要求1或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，所述将所述时序特征序列输入至所述分类检测模块中进行分类检测，获得睡眠呼吸暂停检测序列，包括步骤：
对所述时序特征序列中若干个呼吸努力信号段的时序特征数据进行全连接处理，获得若干个呼吸努力信号段的全连接特征数据，其中，所述全连接特征数据包括第一全连接特征值以及第二全连接特征值，所述第一全连接特征值为呼吸努力信号段未发生睡眠呼吸暂停事件的特征值，所述第二全连接特征值为呼吸努力信号段发生睡眠呼吸暂停事件的特征值；
根据若干个呼吸努力信号段的全连接特征数据以及预设的睡眠呼吸暂停检测概率值算法，获得若干个呼吸努力信号段的睡眠呼吸暂停检测概率值，其中，所述睡眠呼吸暂停检测概率值算法为：
式中，为第n个呼吸努力信号段的睡眠呼吸暂停检测概率值，/>为第n个呼吸努力信号段的第二全连接特征值，/>为第n个呼吸努力信号段的第一全连接特征值；
根据若干个呼吸努力信号段的睡眠呼吸暂停检测概率值以及预设的睡眠呼吸暂停检测概率阈值，获得若干个呼吸努力信号段的睡眠呼吸暂停检测结果，构建所述睡眠呼吸暂停检测序列，其中，所述睡眠呼吸暂停检测结果包括睡眠呼吸暂停结果以及非睡眠呼吸暂停结果。
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，所述构建所述睡眠呼吸暂停检测序列，还包括步骤：
根据若干个所述呼吸努力信号段的睡眠呼吸暂停检测结果，构建初始睡眠呼吸暂停检测序列，对所述初始睡眠呼吸暂停检测序列进行遍历，获得所述初始睡眠呼吸暂停检测序列中，同属于睡眠呼吸暂停结果的相邻的两个呼吸努力信号段的距离参数，根据所述距离参数以及预设距离阈值，获得若干个目标呼吸努力信号段组合；
根据所述目标呼吸努力信号段组合中的两个呼吸努力信号段的位置索引，将所述初始睡眠呼吸暂停检测序列中，两个呼吸努力信号段之间的呼吸努力信号段的睡眠呼吸暂停检测结果修正为睡眠呼吸暂停结果，获得所述睡眠呼吸暂停检测序列。
8.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，还包括步骤：
获得所述睡眠呼吸暂停检测序列中，属于睡眠呼吸暂停结果的呼吸努力信号段的数目以及所述呼吸努力信号的持续时间，根据所述属于睡眠呼吸暂停结果的呼吸努力信号段的数目、所述呼吸努力信号的持续时间以及预设的睡眠呼吸暂停低通气指数算法，获得睡眠呼吸暂停低通气指数，其中，所述睡眠呼吸暂停低通气指数算法为：
式中，AHI为睡眠呼吸暂停低通气指数，为属于睡眠呼吸暂停结果的呼吸努力信号段的数目，/>为所述呼吸努力信号的持续时间；
根据所述睡眠呼吸暂停低通气指数以及预设的睡眠呼吸暂停低通气指数阈值区间，获得所述待检测用户的睡眠呼吸暂停程度检测结果。
9.一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：
数据获取模块，用于获得待检测用户的生理信号以及预设的睡眠呼吸暂停检测模型，其中，所述睡眠呼吸暂停检测模型包括空间特征提取模块、注意力特征提取模块、时序特征提取模块以及分类检测模块；
信号提取模块，用于从所述待检测用户的生理信号中提取呼吸努力信号，对所述呼吸努力信号进行分窗处理，构建呼吸努力信号段序列，其中，所述呼吸努力信号段序列包括若干个呼吸努力信号段；
第一特征提取模块，用于将所述呼吸努力信号段序列输入至所述空间特征提取模块中进行空间特征提取，获得空间特征序列，其中，所述空间特征序列包括若干个呼吸努力信号段的空间特征数据；
第二特征提取模块，用于将所述空间特征序列输入至所述注意力特征提取模块中进行注意力特征提取，获得注意力特征序列，其中，所述注意力特征序列包括若干个呼吸努力信号段的注意力特征数据；
第三特征提取模块，用于将所述注意力特征序列输入至所述时序特征提取模块中进行时序特征提取，获得时序特征序列，其中，所述时序特征序列包括若干个呼吸努力信号段的时序特征数据；
睡眠呼吸暂停检测模块，用于将所述时序特征序列输入至所述分类检测模块中进行分类检测，获得睡眠呼吸暂停检测序列，作为所述待检测用户的睡眠呼吸暂停检测结果，其中，所述睡眠呼吸暂停检测序列包括呼吸努力信号段的睡眠呼吸暂停检测结果。
10.一种计算机设备，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8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。
CN202311648402.8A 2023-12-05 2023-12-05 基于生理信号的睡眠呼吸暂停检测方法以及装置 Active CN117338253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311648402.8A CN117338253B (zh) 2023-12-05 2023-12-05 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
CN202311648402.8A CN117338253B (zh) 2023-12-05 2023-12-05 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
CN117338253A true CN117338253A (zh) 2024-01-05
CN117338253B CN117338253B (zh) 2024-03-26

Family

ID=89365310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311648402.8A Active CN117338253B (zh) 2023-12-05 2023-12-05 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) CN117338253B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2744215A1 (en) * 2009-11-20 2010-06-10 Virginia Commonwealth University Method and apparatus for determining critical care parameters
AU2015200007A1 (en) * 2010-06-15 2015-01-29 Flint Hills Scientific, Llc A systems approach to disease state, health, and comorbidity assessment
CN106175770A (zh) * 2016-08-01 2016-12-07 华南师范大学 一种睡眠期间呼吸暂停的判断方法及系统
WO2021139439A1 (zh) * 2020-01-07 2021-07-15 苏州瑞派宁科技有限公司 图像重建方法、装置、设备、系统及计算机可读存储介质
CN113221282A (zh) * 2021-05-19 2021-08-06 西安交通大学 基于贝叶斯残差卷积网络的航空发动机寿命预测方法
CN115089123A (zh) * 2022-07-06 2022-09-23 西安理工大学 基于注意力和Transformer的OSA检测方法
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2744215A1 (en) * 2009-11-20 2010-06-10 Virginia Commonwealth University Method and apparatus for determining critical care parameters
AU2015200007A1 (en) * 2010-06-15 2015-01-29 Flint Hills Scientific, Llc A systems approach to disease state, health, and comorbidity assessment
CN106175770A (zh) * 2016-08-01 2016-12-07 华南师范大学 一种睡眠期间呼吸暂停的判断方法及系统
WO2021139439A1 (zh) * 2020-01-07 2021-07-15 苏州瑞派宁科技有限公司 图像重建方法、装置、设备、系统及计算机可读存储介质
CN113221282A (zh) * 2021-05-19 2021-08-06 西安交通大学 基于贝叶斯残差卷积网络的航空发动机寿命预测方法
CN115089123A (zh) * 2022-07-06 2022-09-23 西安理工大学 基于注意力和Transformer的OSA检测方法
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
CN117338253B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN111035367B (zh) 一种用于判断睡眠呼吸暂停的信号检测系统
US9042973B2 (en) Apparatus and method for measuring physiological signal quality
CN106344005A (zh) 一种可移动心电图监测系统及监测方法
CN105249925B (zh) 一种中医脉象采集装置及降噪系统和降噪方法
CN114041786B (zh) 心冲击图信号的检测方法、装置以及设备
CN108903929B (zh) 心率检测修正的方法、装置、存储介质和系统
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
CN110522442B (zh) 多导联心电异常检测装置、电子设备和存储介质
CN108652640B (zh) 一种基于心电信号的无创血糖检测方法及系统
CN108021888B (zh) 一种跌倒检测方法
CN113963192A (zh) 跌倒检测方法、装置和电子设备
CN110115583A (zh) 呼吸监测的方法和装置
CN110840401A (zh) 一种心率值测定方法、装置、设备及可读存储介质
CN114145735A (zh) 基于bcg信号的运动规划方案生成方法、系统以及设备
CN117338253B (zh) 基于生理信号的睡眠呼吸暂停检测方法以及装置
CN106419884B (zh) 一种基于小波分析的心率计算方法与系统
CN110179451B (zh) 心电信号质量检测方法、装置、计算机设备和存储介质
KR101744691B1 (ko) 심탄도 신호를 이용한 심박 검출 방법 및 그 장치
CN116401598B (zh) 基于生理信号的睡眠呼吸暂停检测方法以及装置
CN113670369B (zh) 基于移动终端的风速测量及风噪声检测方法及装置
CN115633957A (zh) 一种基于高阶和分数低阶统计量的血糖预测方法及系统
CN111887836B (zh) 心电信号的处理方法、装置及设备
CN111345815B (zh) 一种心电信号中qrs波的检测方法、装置、设备和存储介质
KR20180128634A (ko) 휴대용 생체정보 측정 단말기를 이용한 R-peak 검출 방법 및 시스템
CN114098721A (zh) 心冲击图信号的提取方法、装置以及设备

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