一种筛选睡眠障碍和睡眠呼吸暂停的装置及方法与流程

本发明涉及医疗器械管理技术领域，特别是涉及一种筛选睡眠障碍和睡眠呼吸暂停的装置及方法。

背景技术：

睡眠障碍是指睡眠量的异常以及睡眠质的异常火灾睡眠时发生某些临床症状。如常见的失眠、嗜睡、夜游等。据统计，全球有至少四分之一的人有睡眠障碍。而我国国民的平均睡眠时间也在不断缩减，睡眠成为当代人尤其关注的健康问题。

睡眠呼吸暂停综合症是因各种原因导致睡眠状态下出现呼吸暂停，表现为睡眠过程中口鼻气流完全停止10秒以上。统计报告显示，睡眠暂停在全球的患病率有十年前的2％～4％上升到24％以上，中国睡眠呼吸暂停的患病人数高居全球首位，而长时间或多次的呼吸暂停容易产生白天困倦、性格急躁、乏力、工作效率下降等症状，容易引发高血压、冠心病、脑血管疾病等。

现有的无线可穿戴睡眠监控设备中检测患者的脑电、验电、下颌肌电、口鼻气流、呼吸动度、心电、血氧、鼾声、肢体活动和体位等多个参数，但是这些设备依然带有众多的传感器，依然需要专业的技师指导佩戴，束缚性较大，更加适合医院使用。

另一方面，目前做睡眠分期和睡眠呼吸暂停判断主要的方式是技师断读和智能判读。技师判读需要花费大量的时间和精力，而智能判读目前主要使用机器学习或深度学习算法进行识别，但是这种使用单一算法进行识别的准确度不高。

睡眠障碍和睡眠呼吸暂停的患病人群广泛，医疗资源也有限，因此需要一种设备能够简单、快速有效的进行相关睡眠症状的判断。

技术实现要素：

本发明的目的是提供了一种初筛睡眠障碍和睡眠呼吸暂停的装置及方法，佩戴简单，对睡眠障碍的判断准确率高，能够对普通大众普遍使用。

为解决上述技术问题，本发明实施例提供了一种筛选睡眠障碍和睡眠呼吸暂停的装置，包括用于佩戴的帽型载体及设置在所述帽型载体的数据处理器、脑电传感器模块、眼电传感器模块和呼吸传感器模块，所述脑电传感器模块用于采集用户的脑电信号，所述眼电传感器模块用于所述用户的眼电信号，所述呼吸传感器模块用于采集所述用户的呼吸信号，所述数据处理器与所述脑电传感器模块、所述眼电传感器模块和所述呼吸传感器模块通连接，用于接收所述脑电信号、所述眼电信号和所述呼吸信号后采用预设的基于深度学习算法和机器学习算法进行处理判断所述用户是否睡眠障碍或睡眠呼吸暂停。

其中，还包括设置在所述帽型载体的传感器盒子，所述数据处理器、脑电传感器模块、眼电传感器模块和呼吸传感器模块设置在所述传感器盒子内。

其中，所述帽型载体为杜邦莱卡帽型载体、锦纶帽型载体或涤纶帽型载体。

其中，还包括与所述数据处理器连接的设置模块，用于输入所述脑电传感器模块的数据信号采集频率以及所述呼吸传感器模块的呼吸信号采集频率。

其中，还包括设置在所述传感器盒子与所述数据处理器、脑电传感器模块、眼电传感器模块和呼吸传感器模块连接的电源模块和指示灯，所述指示灯用于显示所述电源模块电量状态、所述脑电传感器模块、所述眼电传感器模块和所述呼吸传感器模块的接入状态。

其中，所述脑电传感器模块的采集端包括两个脑电极和两个参考电极，用于采集两个导联脑电信号，所述眼电传感器模块的眼电采集端包括位于右眼、左眼的外睚1cm～1.2cm处的er电极、el电极，所述呼吸传感器模块的呼吸采集端位于鼻子下方0.5cm～0.6cm。

其中，所述数据处理器为stm32单片机数据处理器或arm数据处理器。

其中，还包括设置在所述传感器盒子与所述数据处理器连接的无线传输模块，所述无线传输模块包括蓝牙模块、wifi模块以及gsm模块中的至少一种。

除此之外，本发明实施例还提供了一种筛选睡眠障碍和睡眠呼吸暂停的方法，包括：

s1，接收输入的脑电信号、眼电信号和呼吸信号，将睡眠质量数据范围分为w期、n1期、n2期、n3期、rem期、和无效分期，将呼吸质量数据范围分为存在睡眠呼吸暂停、不存在睡眠呼吸和无效数据；

s2，对所述脑电信号和所述眼电信号进行滤波处理滤除0.5hz～53hz以外的频率数据以及工频数据，对所述呼吸信号进行滤波处理滤除0.2hz～2hz以外的频率数据；

s3，对所述脑电信号、所述眼电信号采用干净的各期明显的信号作为参考信号进行校正，对所述呼吸信号采用干净的呼吸起伏明显的信号进行校正；

s4，采集预定数量、预定男女比例、预定年龄阶段人群的所述脑电信号、所述眼电信号和所述呼吸信号，以预定时长、步长作为样本标注与所述睡眠质量数据范围、所述呼吸质量数据范围对应的标签，获得数据集；

s5，对所述数据集划分训练集、验证集和测试集，训练出卷积神经网络特征提取器；

s6，在对所述数据集提取所述脑电信号、所述眼电信号和所述呼吸信号的每一导信号的特征后，采用支持向量机作为最优化条件通过遗传算法筛选最优的特征组合；

s7，将所述卷积神经网络特征提取器提取的特征与通过所述遗传算法筛选最优的特征组合中的特征融合并将对应的标签输入到集成学习算法极端梯度提升树、自适应提升树、随机森林后，通过计算输出分类结果；

s8，对所述分类结果进行加权平均后，获得的最大值的类别即为模型预测的分期结果。

其中，所述s8包括：

对所述分类结果采用0.38～0.42*极端梯度提升树+0.28～0.32*自适应提升树+0.38～0.42*随机森林进行加权平均。

本发明实施例所提供的筛选睡眠障碍和睡眠呼吸暂停的装置及方法，与现有技术相比，具有以下优点：

本发明实施例提供的筛选睡眠障碍和睡眠呼吸暂停的装置及方法，通过将数据处理器、脑电传感器模块、眼电传感器模块和呼吸传感器模块设置在佩戴在用户的帽型载体进行睡眠检测，采用特定算法进行处理，由于采用佩戴的方式进行检测，无需专业的技师进行指导，使用方便且简单，整个装置的结构也比较简单，而采用基于深度学习算法和机器学习算法进行处理判断所述用户是否睡眠障碍或睡眠呼吸暂停，对睡眠障碍的判断准确率高，能够对普通大众普遍使用判断准确度高，具有高度的普适性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的筛选睡眠障碍和睡眠呼吸暂停的装置的一种具体实施方式的结构示意图；

图2为本发明实施例提供的筛选睡眠障碍和睡眠呼吸暂停的方法的一种具体实施方式的步骤流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1～图2，图1为本发明实施例提供的筛选睡眠障碍和睡眠呼吸暂停的装置的一种具体实施方式的结构示意图；图2为本发明实施例提供的筛选睡眠障碍和睡眠呼吸暂停的方法的一种具体实施方式的步骤流程示意图。

在一种具体实施方式中，所述筛选睡眠障碍和睡眠呼吸暂停的装置，包括用于佩戴的帽型载体10及设置在所述帽型载体10的数据处理器、脑电传感器模块、眼电传感器模块和呼吸传感器模块，所述脑电传感器模块用于采集用户的脑电信号，所述眼电传感器模块用于所述用户的眼电信号，所述呼吸传感器模块用于采集所述用户的呼吸信号，所述数据处理器与所述脑电传感器模块、所述眼电传感器模块和所述呼吸传感器模块通连接，用于接收所述脑电信号、所述眼电信号和所述呼吸信号后采用预设的基于深度学习算法和机器学习算法进行处理判断所述用户是否睡眠障碍或睡眠呼吸暂停。

通过将数据处理器、脑电传感器模块、眼电传感器模块和呼吸传感器模块设置在佩戴在用户的帽型载体10进行睡眠检测，采用特定算法进行处理，由于采用佩戴的方式进行检测，无需专业的技师进行指导，使用方便且简单，整个装置的结构也比较简单，而采用基于深度学习算法和机器学习算法进行处理判断所述用户是否睡眠障碍或睡眠呼吸暂停，对睡眠障碍的判断准确率高，能够对普通大众普遍使用判断准确度高，具有高度的普适性。

由于在本发明中的筛选睡眠障碍和睡眠呼吸暂停的装置的使用中，需要使用传感器对眼部位置和鼻子位置进行检测，如果采用将传感器单个放置的方式，会使得使用不方便，用户在使用中容易对传感器造成损伤，因而采用可以佩戴的帽型载体10，这样用户在使用过程中，只需将传感器设置在帽型载体10上，用户佩戴的帽型载体10，然后将对应的探测部件放置在对应的位置即可，简单方便，不容易将传感器损坏。而在进行装置的装配中，可以集中将传感器设置在帽型载体10，对传感器进行集中保护，降低了外界的干扰以及容易造成的损伤，提高了使用寿命和使用可靠性。

本发明对于传感器的数量、设置方式以及帽型载体10的尺寸参数以及材质不做限定。

在一个实施例中，为了进一步提高装配效率，在一个实施例中，所述筛选睡眠障碍和睡眠呼吸暂停的装置还包括设置在所述帽型载体10的传感器盒子20，所述数据处理器、脑电传感器模块、眼电传感器模块和呼吸传感器模块设置在所述传感器盒子20内。

本申请中数据处理器可以和传感器盒子放一起，如上述的将数据处理器设置在传感器盒子20内，也可分开。分开就用无线连接，而为提高集成度，一般采用将二者设置在一起进行集成的结构。

通过将所述数据处理器、脑电传感器模块、眼电传感器模块和呼吸传感器模块设置在所述传感器盒子20，使得传感器在与帽型载体10结合之时，如果直接进行结合将一个个传感器依次设置在帽型载体10上，可能容易对帽型载体10造成一定的损伤，而且由于需要将传感器进行一一设置，使得工艺步骤较为繁琐，同时由于传感器是电子部件，在与能够佩戴的帽型载体10进行结合时，安装难度较大。通过预先将所述数据处理器、脑电传感器模块、眼电传感器模块和呼吸传感器模块设置在所述传感器盒子20中，传感器盒子20可以作为传感器与帽型载体10之间的一个过渡，降低装配难度，而且采用预先将传感器设置在传感器盒子20，在最后的装配中，只需要考虑传感器盒子20的装配位置即可，大大简化了装配难度，提高了工艺效率。

本发明对于传感器盒子20的材质、尺寸、形状以及与帽型载体10的装配方式，装载传感器的放置等不做限定。

本发明对于帽型载体10的材质不做限定，由于需要患者进行佩戴，一般为比较柔软有弹性的材质，如采用高弹面料，一般所述帽型载体10为杜邦莱卡帽型载体、锦纶帽型载体或涤纶帽型载体中一种多种的组合。

其中采用的电极一般采用银/氯化银电极。导联线采用优质的tpu线材的导联线。

由于在使用的过程中，可能依据病情的不同采用的信号采集频率不同，或者由于算法的不同导致了信号采集频率或者其它参数不同，或者是病人的睡眠质量由于治疗而在不同范围变动，因而可能需要调整不同的工作参数，为了解决上述的技术问题，在一个实施例中，所述筛选睡眠障碍和睡眠呼吸暂停的装置还包括与所述数据处理器连接的设置模块，用于输入所述脑电传感器模块的数据信号采集频率以及所述呼吸传感器模块的呼吸信号采集频率。

一般脑电和眼电信号采集频率不低于128hz，呼吸信号采集频率不低于16hz。

需要指出的是，本发明中的设置模块，可以是采用按键的方式进行输入，如进入设置模式，在对应的设置对象中，输入对应的参数，或者增减或减少对应的参数，也可以是采用远程设置的方式，如通过手机app等移动设备进行远程输入，本发明对此不作限定。

在实际的使用过程中，用户只需要将对应的传感器的信息采集端设置在对应的位置即可使用，但是如果出现不能够获得数据的情况，用户不知道现在的装置处于什么状态，是设备没有连接完毕，还是其它设备出现故障，因此，为了快速获取整个装置的所处状态，在一个实施例中，所述筛选睡眠障碍和睡眠呼吸暂停的方法还包括设置在所述传感器盒子20与所述数据处理器、脑电传感器模块、眼电传感器模块和呼吸传感器模块连接的电源模块和指示灯，所述指示灯用于显示所述电源模块电量状态、所述脑电传感器模块、所述眼电传感器模块和所述呼吸传感器模块的接入状态。

通过设置指示灯，显示所述电源模块电量状态、所述脑电传感器模块、所述眼电传感器模块和所述呼吸传感器模块的接入状态，使得用户能够获知当前的装置的状态，电源模块的电量是否充足，如果设备还是无法正常运行，通过脑电传感器模块、所述眼电传感器模块和所述呼吸传感器模块的接入状态进行判断，这样可以快速获取装置的状态，也方便进行快速精准的设备维护，降低使用难度和维护成本。

本发明对于所述脑电传感器模块、所述眼电传感器模块和所述呼吸传感器模块的结构以及使用方式不做限定，在一实施例中，所述脑电传感器模块的采集端包括两个脑电极和两个参考电极，用于采集两个导联脑电信号，所述眼电传感器模块的眼电采集端包括位于右眼、左眼的外睚1cm～1.2cm处的er电极、el电极，所述呼吸传感器模块的呼吸采集端位于鼻子下方0.5cm～0.6cm。

一个实施例中，脑电采集端包含2个脑电极，2个参考电极，根据国际脑电图学会规定的标准电极放置法，采用c3-a1，c4-a2电极，其中c3电极31位于左半球中央，c4电极32位于右半球中央，a1电极33位于左耳垂，a2电极34位于右耳垂。

眼电采集端包含2个电极er51、el52，分别位于左右两眼外眦1厘米处。呼吸采集端50使用双面胶带贴在鼻子下方0.5厘米处，另一端以有线形式接入系统硬件。

电源模块采用可充电锂电池，3个指示灯分别用于显示电量状态，呼吸传感器接入提示，系统硬件与系统软件连接状态。

本发明中的数据处理器用于根据预定算法进行数据处理，对于其型号、数量不做限定，所述数据处理器可以为stm32单片机数据处理器或arm数据处理器，或者其它的数据处理器，而且可以是单核处理器，也可以是多核处理器，而且由于对脑电数据、眼电数据、呼吸数据的处理可能会有一些不同，因此可以采用一个数据处理器轮流进行不同类型的数据处理，也可以是采用多个数据处理器，同时对不同类型的数据处理器进行处理。

本发明中由于筛选睡眠障碍和睡眠呼吸暂停的装置需要与外部设备进行数据传输或命令传输，因此，在一个实施例中，所述筛选睡眠障碍和睡眠呼吸暂停的装置还包括设置在所述传感器盒子20与所述数据处理器连接的无线传输模块，所述无线传输模块包括蓝牙模块、wifi模块以及gsm模块中的至少一种。

除此之外，本发明中还可以设置其它模块，如数据通道管理模块，主要管理无线传输链路，提供打开、关闭、读取数据、写入数据程序接口，也可以设置数据交互模块，操作无线连接、实时/回放采集到的数据以及显示算法分析的结果。

本发明对于筛选睡眠障碍和睡眠呼吸暂停的装置的处理过程不做限定。

除此之外，本发明实施例还提供了一种筛选睡眠障碍和睡眠呼吸暂停的方法，包括：

s1，接收输入的脑电信号、眼电信号和呼吸信号，将睡眠质量数据范围分为w期、n1期、n2期、n3期、rem期、和无效分期，将呼吸质量数据范围分为存在睡眠呼吸暂停、不存在睡眠呼吸和无效数据；通过对将睡眠质量数据范围以及呼吸质量数据范围进行人为划分，这样就可以直接在后期计算中根据计算的结果直接判明睡眠质量以及呼吸质量的真实情况，否则可能出现虽然获得了计算数据，但是却无法与根据数据获得真实的睡眠、呼吸状态，这时由于不同的算法对应的范围不同，而且用户也无需自动查找对应的表格进行对应，提高了使用的方便性。

s2，对所述脑电信号和所述眼电信号进行滤波处理滤除0.5hz～53hz以外的频率数据以及工频数据，对所述呼吸信号进行滤波处理滤除0.2hz～2hz以外的频率数据；由于在数据采集过程中，虽然会对所需要的脑电信号、眼电信号以及呼吸信息进行采集，但是不可避免的会将一些不必要的信息采集到，但是这些错误信息并不是需要的真实数据，如果不进行滤除，对于后期计算获得结果的可靠性负面影响较大，因此需要进行滤除，还有由于用电频率一般是50hz，这样可能会将设备本身的工作频率的一些数据意外采集进去。通过上述的对采集到的信号数据进行预处理，使得后续进行计算时，数据的可靠性更高，计算结果的可靠性更高，计算结果更加精准。

本发明对于上述的滤波过程不做限定，一个实施例中，对每一导数据滤波，使用巴特沃斯滤波器滤除0.5-53hz以外的频率，以及使用陷波滤波器滤除50hz工频干扰，对呼吸信号数据使用巴特沃斯滤波器滤除0.2-2hz以外的频率。

s3，对所述脑电信号、所述眼电信号采用干净的各期明显的信号作为参考信号进行校正，对所述呼吸信号采用干净的呼吸起伏明显的信号进行校正；通过采用参考信号进行校正，能够将一些数据采集过程中属于正常采集却是属于异常的数据进行剔除，这样能够进一步提高最终结果判定的准确度。

本发明中对于数据校正的方式以及采用的滤波器不做限定，一个实施例中，使用卡尔曼滤波器对数据进行校正。

s4，采集预定数量、预定男女比例、预定年龄阶段人群的所述脑电信号、所述眼电信号和所述呼吸信号，以预定时长、步长作为样本标注与所述睡眠质量数据范围、所述呼吸质量数据范围对应的标签，获得数据集；本发明中对于数据集的获取不做限定，对于其中的人群的数量不作限定，一个实施例中，将60个人(平均年龄58.2±3.5岁，男性38人，女性21人)的4导信号分别以30秒(一帧)、步长10秒为一个样本标注6类标签，即得到数据集x＝[x1，x2，...，xn-1，xn]，y＝[y1，y2，...，yn]。

将60个人(平均年龄58.2±3.5岁，男性38人，女性21人)的呼吸信号数据以30秒(一帧)、步长5秒为一个样本标注3类标签，即得到数据集h＝[h1，h2，...，hn-1，hn]，z＝[z1，z2，...，zn]。

s5，对所述数据集划分训练集、验证集和测试集，训练出卷积神经网络特征提取器；通过对获得的数据集进行处理，训练出卷积神经网络特征提取器，一个实施例中，将4导30秒信号的二维样本数据集x和标签y按7：1：2划分为训练集，验证集以及测试集，同样的，对于呼吸信号，将单导30秒信号的一维样本数据集h和标签z按7：1：2划分为训练集，验证集以及测试集。

s6，在对所述数据集提取所述脑电信号、所述眼电信号和所述呼吸信号的每一导信号的特征后，采用支持向量机作为最优化条件通过遗传算法筛选最优的特征组合；一个实施例中，分别在数据集x中手工提取每一导信号的特征，脑电信号特征包括：复杂度、多尺度样本熵(mse)、lyapunov指数，关联维数特征，k复合波的能量占比，δ波能量占比，θ波能量占比，α波能量占比，β1波能量占比，β2波能量占比以及睡眠纺锤波能量占比等。眼电信号特征包括慢速眼动时间占比，低频(0-1hz)与高频(1-20hz)的能量占比，快速眼动时间占比，眨眼时间占比，闭眼时间占比，睁眼时间占比。在数据集h中对每个样本手工提取信号的特征，特征包括呼吸周期时间占比，呼吸值低于睡眠呼吸阈值的时间占比，呼吸次数，过零点个数，复杂度、多尺度样本熵(mse)，一阶矩均值，一阶矩标准差等8个特征。

本发明对于上述的特征提取过程以及需要的提取的特征类型不做限定。

s7，将所述卷积神经网络特征提取器提取的特征与通过所述遗传算法筛选最优的特征组合中的特征融合并将对应的标签输入到集成学习算法极端梯度提升树、自适应提升树、随机森林后，通过计算输出分类结果；通过将特征器提取获得的特征，与通过遗传算法获得最优特征组合进行融合，实现了两种算法的融合，使得最后获得结果中不再是某一种具体算法独立计算的结果，进一步降低由于算法本身造成的计算误差，避免使用单一算法造成的准确度不高的情况。

需要指出的是，本发明中由于采用了两种算法融合的方式进行计算，在实际计算中，如果有需要还可以选择采用其它的算法进一步进行融合，本发明对此不作限定。

s8，对所述分类结果进行加权平均后，获得的最大值的类别即为模型预测的分期结果。由于在分类结果计算中，极端梯度提升树、自适应提升树、随机森林会由于各自加权系数的不同而造成计算结果的不同，本发明对于其加权系数不做限定，可以是按照默认加权系数计算，也可以是按照临时自定义的加权系数进行计算。

另外，还可以采用不同的加权系数进行计算从而进行结果判定对比，从而实现最优加权系数的获取，本发明对此不作限定。

由于所述筛选睡眠障碍和睡眠呼吸暂停的方法为上述筛选睡眠障碍和睡眠呼吸暂停的装置对应的方法，具有相同的有益效果，本发明对此不做赘述。

一般所述s8包括：

对所述分类结果采用0.38～0.42*极端梯度提升树+0.28～0.32*自适应提升树+0.38～0.42*随机森林进行加权平均。

一个实施例中，对于上述的输出结果，求加权平均0.4*xgboost+0.3*adaboost+0.4*randomforest，最大值的类别即为模型预测的分期结果。

本发明实施例提供的筛选睡眠障碍和睡眠呼吸暂停的装置的一个实施例中，脑电采集使用双极导联方式，为减少束缚性，眼电采集使用单极导联方式。脑电传感器模块包括2个脑电极，2个参考电极，用于采集2个导联脑电信号。脑电传感器模块包括2个眼电极，用于采集2个导联眼电信号。呼吸传感器模块能采集到口或鼻气流变化的生理信号。传感器采集到的数据转化为数字信号传送到数据处理器，数据处理器进一步整合成格式化数据包通过无线传输模块(1.7)发送到软件的数据通道管理中。无线传输模块支持gsm、wifi、蓝牙。软件中，数据通道管理用于管理(至少包括打开、关闭、读取、写入等)无线数据传输通道。数据交互模块至少支持执行用户的指令，实时或回放显示用户数据，报告用户数据的算法分析结果。算法分析模块用于处理和分析用户采集到的信号，该模块支持信号滤波去噪，信号校正，提取信号特征，基于脑电和眼电使用深度学习机器学习算法相融合进行睡眠分期，基于呼吸信号使用深度学习和机器学习算法相融合进行睡眠呼吸暂停的判断，并附加集成学习算法进一步提高准确率。

具有有益效果是：

与以往的睡眠监测设备相比，简化了采集设备，总共采集2导脑电、2导眼电和1导呼吸信号，更加便于佩戴，进一步提高使用者的舒适度；与以往的睡眠分期和睡眠呼吸暂停判别使用单一的智能算法相比，基于脑电和眼电使用深度学习和机器学习算法相融合进行睡眠的分期，基于呼吸信号使用深度学习和机器学习算法相融合进行睡眠呼吸暂停的判断，并附加集成学习算法进一步提高准确率；既能监测睡眠和呼吸状况，又能智能辅助诊断，有利于自助初筛，缓解有限的就医资源。

综上所述，本发明实施例提供的筛选睡眠障碍和睡眠呼吸暂停的装置及方法，通过将数据处理器、脑电传感器模块、眼电传感器模块和呼吸传感器模块设置在佩戴在用户的帽型载体进行睡眠检测，采用特定算法进行处理，由于采用佩戴的方式进行检测，无需专业的技师进行指导，使用方便且简单，整个装置的结构也比较简单，而采用基于深度学习算法和机器学习算法进行处理判断所述用户是否睡眠障碍或睡眠呼吸暂停，对睡眠障碍的判断准确率高，能够对普通大众普遍使用判断准确度高，具有高度的普适性。

以上对本发明所提供的筛选睡眠障碍和睡眠呼吸暂停的装置及方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。