1.一种筛选睡眠障碍和睡眠呼吸暂停的装置,其特征在于,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。
2.如权利要求1所述筛选睡眠障碍和睡眠呼吸暂停的装置,其特征在于,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。
3.如权利要求2所述筛选睡眠障碍和睡眠呼吸暂停的装置,其特征在于,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。
4.如权利要求3所述用于初筛睡眠障碍和睡眠呼吸暂停的无线可穿戴设备,其特征在于,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。
5.如权利要求4所述筛选睡眠障碍和睡眠呼吸暂停的装置,其特征在于,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。
6.如权利要求5所述筛选睡眠障碍和睡眠呼吸暂停的装置,其特征在于,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。
7.如权利要求6所述筛选睡眠障碍和睡眠呼吸暂停的装置,其特征在于,所述数据处理器为stm32单片机数据处理器或arm数据处理器。
8.如权利要求7所述筛选睡眠障碍和睡眠呼吸暂停的装置,其特征在于,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。
9.一种筛选睡眠障碍和睡眠呼吸暂停的方法,其特征在于,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。
10.如权利要求9所述初筛睡眠障碍和睡眠呼吸暂停的方法,其特征在于,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。