血氧饱和度信号分析方法、装置、计算机设备和存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种血氧饱和度信号分析方法、装置、计算机设备和存储介质。

背景技术：

睡眠呼吸暂停低通气综合征(sahs，sleepapneahypopneasyndrome)是一种常见的与睡眠有关的呼吸障碍，其特征是睡眠时出现多次的气流减少和停止，据统计约有49.7％的男性和23.4％的女性成人患有睡眠呼吸障碍。夜间多导睡眠图(psg，polysomnography)是诊断sahs最常用的标准，在整晚的psg中，记录了口鼻气流、血氧饱和度(spo2)、心电图和睡眠状态等生理信号，根据psg记录的各种生理信号可以对sahs进行识别。其中，血氧饱和度信号可以通过可穿戴式脉搏血氧饱和度仪测得，信号易于采集，且许多呼吸暂停事件与明显的氧饱和度下降有关，血氧饱和度信号逐渐成为诊断sahs的常用指标。

sahs的诊断中，需要对呼吸暂停事件进行准确统计分析，而血氧饱和度信号记录的氧减事件，即氧饱和度下降并不一定与呼吸暂停事件相关。目前将血氧饱和度信号分成一到两分钟的间隔来分析是否发生呼吸暂停事件的血氧饱和度信号分析方法，只能确定各分段间隔内是否发生呼吸暂停事件，无法准确各呼吸暂停事件对应的氧减信号片段，而需要医生进行人工判定，导致血氧饱和度信号分析效率较低。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高血氧饱和度信号分析效率的血氧饱和度信号分析方法、装置、计算机设备和存储介质。

一种血氧饱和度信号分析方法，所述方法包括：

获取待分析的血氧饱和度信号；

确定血氧饱和度信号中氧减事件对应的氧减信号片段；

提取氧减信号片段的局部特征；

融合局部特征和血氧饱和度信号的全局特征，得到融合特征；

对融合特征进行氧减类型识别，得到氧减信号片段的氧减类型识别结果。

在其中一个实施例中，确定血氧饱和度信号中氧减事件对应的氧减信号片段包括：

基于小波算法对血氧饱和度信号进行小波去噪处理，得到去噪后的血氧饱和度信号；

对去噪后的血氧饱和度信号进行平滑处理，得到预处理后的血氧饱和度信号；

根据预处理后的血氧饱和度信号的幅值变化，从预处理后的血氧饱和度信号中确定氧减事件；

从血氧饱和度信号中确定氧减事件对应的氧减信号片段。

在其中一个实施例中，提取氧减信号片段的局部特征包括：

从血氧饱和度信号中提取氧减信号片段；

对氧减信号片段进行时序特征提取，得到氧减信号片段时序特征；

对氧减信号片段时序特征进行卷积处理，得到氧减信号片段的局部特征。

在其中一个实施例中，融合局部特征和血氧饱和度信号的全局特征，得到融合特征包括：

获取血氧饱和度信号的全局特征；全局特征通过对血氧饱和度信号进行全局特征分析得到；

融合局部特征和全局特征，得到融合特征。

在其中一个实施例中，全局特征包括血氧饱和度信号的平均值、标准差、曲线下面积、平均频率、峰值频率和中心频率中的至少一项。

在其中一个实施例中，血氧饱和度信号分析方法基于预训练的氧减信号分析模型实现，氧减信号分析模型的训练步骤包括：

获取原始血氧饱和度信号；

确定原始血氧饱和度信号中氧减事件对应的原始氧减信号片段，并根据原始氧减信号片段得到携带氧减类型标签的氧减信号训练片段；

通过待训练的待训练的氧减信号分析模型提取氧减信号训练片段的局部训练特征；

通过待训练的氧减信号分析模型融合局部训练特征和血氧饱和度训练信号的全局训练特征，得到融合训练特征；

通过待训练的氧减信号分析模型对融合训练特征进行氧减类型识别，得到血氧饱和度训练信号的氧减类型训练识别结果；

根据氧减类型训练识别结果和氧减类型标签确定模型损失，并根据模型损失调整待训练的氧减信号分析模型后继续训练，直至满足训练结束条件时结束训练，得到训练完成的氧减信号分析模型。

在其中一个实施例中，氧减类型标签包括呼吸暂停氧减类型标签和非呼吸暂停氧减类型标签；根据原始氧减信号片段得到携带氧减类型标签的氧减信号训练片段：

确定原始氧减信号片段对应的氧减事件标签；

根据氧减事件标签从原始氧减信号片段中确定正样本信号片段和负样本信号片段；正样本信号片段携带呼吸暂停氧减类型标签，负样本信号片段携带非呼吸暂停氧减类型标签；

根据正样本信号片段和负样本信号片段得到氧减信号训练片段。

一种血氧饱和度信号分析装置，所述装置包括：

待分析信号获取模块，用于获取待分析的血氧饱和度信号；

氧减信号确定模块，用于确定血氧饱和度信号中氧减事件对应的氧减信号片段；

局部特征提取模块，用于提取氧减信号片段的局部特征；

特征融合处理模块，用于融合局部特征和血氧饱和度信号的全局特征，得到融合特征；

氧减类型识别模块，用于对融合特征进行氧减类型识别，得到氧减信号片段的氧减类型识别结果。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

获取待分析的血氧饱和度信号；

确定血氧饱和度信号中氧减事件对应的氧减信号片段；

提取氧减信号片段的局部特征；

融合局部特征和血氧饱和度信号的全局特征，得到融合特征；

对融合特征进行氧减类型识别，得到氧减信号片段的氧减类型识别结果。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待分析的血氧饱和度信号；

确定血氧饱和度信号中氧减事件对应的氧减信号片段；

提取氧减信号片段的局部特征；

融合局部特征和血氧饱和度信号的全局特征，得到融合特征；

对融合特征进行氧减类型识别，得到氧减信号片段的氧减类型识别结果。

上述血氧饱和度信号分析方法、装置、计算机设备和存储介质，确定待分析的血氧饱和度信号中氧减事件对应的氧减信号片段，并融合氧减信号片段的局部特征和血氧饱和度信号的全局特征，对得到的融合特征进行氧减类型识别，得到氧减类型识别结果。在血氧饱和度信号的分析处理中，基于血氧饱和度信号的全局特征与氧减信号片段的局部特征融合得到的融合特征进行氧减类型识别，充分考虑了信号的整体性特征，可以准确得到血氧饱和度信号中氧减信号片段的氧减类型识别结果，不需要医生进一步进行人工判定，提高了血氧饱和度信号的分析效率。

附图说明

图1为一个实施例中血氧饱和度信号分析方法的应用环境图；

图2为一个实施例中血氧饱和度信号分析方法的流程示意图；

图3为一个实施例中确定氧减信号片段的流程示意图；

图4为另一个实施例中原始血氧饱和度信号进行预处理的波形示意图；

图5为一个实施例中卷积模块的结构示意图；

图6为一个实施例中氧减信号分析模型的结构示意图；

图7为一个实施例中血氧饱和度信号分析装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的血氧饱和度信号分析方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。终端102采集血氧饱和度信号并发送至服务器104，服务器104确定接收到的待分析的血氧饱和度信号中氧减事件对应的氧减信号片段，并融合氧减信号片段的局部特征和血氧饱和度信号的全局特征，对得到的融合特征进行氧减类型识别，得到氧减类型识别结果。此外，也可以单独由服务器104从存储器中获取存储的血氧饱和度信号进行分析处理。其中，终端102可以但不限于是智能手机、血氧饱和度测试仪和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种血氧饱和度信号分析方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤s202，获取待分析的血氧饱和度信号。

其中，血氧饱和度是血液中被氧结合的氧合血红蛋白(hbo2)的容量占全部可结合的血红蛋白(hb，hemoglobin)容量的百分比，即血液中血氧的浓度，它是呼吸循环的重要生理参数。监测血氧指标可很好地了解自己的呼吸系统、免疫系统是否正常；通过检测血氧来跟进治疗效果。一般来说，正常人的血氧饱和度值为94％-100％,在94％以下则为供氧不足。传统的血氧饱和度测量方法是先进行人体采血，再利用血气分析仪进行电化学分析，测出血氧分压计算出血氧饱和度，这种方法比较麻烦，且不能进行连续的监测。而采用指套式光电传感器进行测量时，只需将传感器套在人手指上，利用手指作为盛装血红蛋白的透明容器，使用波长660nm的红光和940nm的近红外光作为射入光源，测定通过组织床的光传导强度，来计算血红蛋白浓度及血氧饱和度，仪器即可显示人体血氧饱和度，为临床提供了一种连续无损伤血氧测量仪器。血氧饱和度信号即为终端，如血氧饱和度测试仪测量得到的需要进行分析处理的血氧饱和度数据。血氧饱和度信号可以为终端实时测量的数据，也可以是存储器中保存的数据。

步骤s204，确定血氧饱和度信号中氧减事件对应的氧减信号片段。

其中，氧减事件是指血氧饱和度降低的事件，也称去饱和事件，例如血氧饱和度下降3％或4％，认为发生了氧减事件。氧减信号片段为氧减事件在血氧饱和度信号中的体现，发生氧减事件时，血氧饱和度信号中信号幅值会存在对应下降的片段，即为氧减事件对应的氧减信号片段。具体实现时，可以先根据血氧饱和度信号的幅值变化确定氧减事件，并根据该氧减事件对应的时间点，如氧减事件的起止时间点从血氧饱和度信号中确定氧减事件对应的氧减信号片段。氧减事件受人体睡眠时各种因素影响，包括呼吸暂停事件和其他，空气质量影响等，sahs的诊断需要对与呼吸暂停相关的氧减事件进行分析确定，而本实施例中氧减事件对应的氧减信号片段直接从血氧饱和度信号中确定，需要进一步对氧减信号片段进行氧减类型识别，以确定其是否为与呼吸暂停相关的氧减事件，呼吸暂停是指呼吸气流中断，如成人呼吸中断持续至少10秒或儿童中断持续至少2次呼吸的时间，从而从血氧饱和度信号中确定出各与呼吸暂停相关的氧减事件，便于后续sahs的诊断分析。

步骤s206，提取氧减信号片段的局部特征。

得到对应于氧减事件的氧减信号片段后，提取该氧减信号片段的局部特征，具体可以通过人工神经网络进行局部特征提取，例如可以卷积神经网络，如bi-lstm-cnn(bi-directionallongshort-termmemoryconvolutionalneuralnetworks，双向长短期记忆卷积神经网络)进行局部特征提取，得到氧减信号片段的局部特征。

步骤s208，融合局部特征和血氧饱和度信号的全局特征，得到融合特征。

得到氧减信号片段的局部特征后，将氧减信号片段的局部特征和血氧饱和度信号的全局特征进行融合，得到融合特征。其中，血氧饱和度信号的全局特征通过对待分析的血氧饱和度信号进行整体特征分析得到，具体可以包括但不限于包括血氧饱和度信号的平均值、标准差、曲线下面积(areaundercurve，auc)、平均频率、峰值频率和中心频率等特征。融合局部特征和血氧饱和度信号的全局特征时，可以直接进行拼接融合，也可以进行加权融合，例如根据预设的局部特征对应的第一权重，和全局特征对应的第二权重，加权融合得到融合特征。融合特征不仅包括氧减信号片段本身的特征，还包括血氧饱和度信号整段的特征，可以充分考虑信号的整体性特征，有利于提高对氧减信号片段进行氧减类型识别的准确性。

步骤s210，对融合特征进行氧减类型识别，得到氧减信号片段的氧减类型识别结果。

得到氧减信号片段对应的融合特征后，基于该融合特征进行氧减类型识别，到氧减信号片段的氧减类型识别结果，氧减类型识别结果反映了氧减信号片段对应关联的氧减类型，具体可以包括呼吸暂停氧减类型和非呼吸暂停氧减类型。呼吸暂停氧减类型即表征氧减信号片段与呼吸暂停相关，是呼吸暂停引起的氧减事件，该氧减信号片段可用于sahs的诊断分析中；而非呼吸暂停氧减类型表征氧减信号片段与呼吸暂停不相关，并非呼吸暂停引起的氧减事件，该氧减信号片段不用于sahs的诊断分析，从而实现对血氧饱和度信号中各氧减信号片段的筛选，以确保后续sahs诊断分析的准确性。

上述血氧饱和度信号分析方法中，确定待分析的血氧饱和度信号中氧减事件对应的氧减信号片段，并融合氧减信号片段的局部特征和血氧饱和度信号的全局特征，对得到的融合特征进行氧减类型识别，得到氧减类型识别结果。在血氧饱和度信号的分析处理中，基于血氧饱和度信号的全局特征与氧减信号片段的局部特征融合得到的融合特征进行氧减类型识别，充分考虑了信号的整体性特征，可以准确得到血氧饱和度信号中氧减信号片段的氧减类型识别结果，不需要医生进一步进行人工判定，提高了血氧饱和度信号的分析效率。

在一个实施例中，如图3所示，确定血氧饱和度信号中氧减事件对应的氧减信号片段包括：

步骤s302，基于小波算法对血氧饱和度信号进行小波去噪处理，得到去噪后的血氧饱和度信号。

本实施例中，先对血氧饱和度信号进行预处理，从而获得更平滑的信号，有助于使氧减事件更容易被确定，再根据确定的氧减事件从血氧饱和度信号中确定对应的氧减信号片段。具体地，得到血氧饱和度信号后，基于小波算法对血氧饱和度信号进行小波去噪处理。实现时，可以通过daubechies小波算法将血氧饱和度信号进行小波分解，然后进行阈值滤波和重构，从而进行去噪处理，得到去噪后的血氧饱和度信号。

在一个具体应用中，考虑到原始spo2信号由于患者夜间活动高、基线漂移、退化断开、血氧传感器的有限分辨率等因素会产生很多的噪声。在第14级丢弃daubechies8小波分解的近似有效性，然后进行阈值滤波和重构，得到去噪后的spo2信号，有效提高了去噪效果。

步骤s304，对去噪后的血氧饱和度信号进行平滑处理，得到预处理后的血氧饱和度信号。

对血氧饱和度信号进行去噪处理后，对得到的去噪后的血氧饱和度信号进行平滑处理，具体可以使用3秒持续时间的移动平均(ma，movingaverage)滤波器来平滑信号；同时鉴于血氧饱和度信号采集时的高采样率，数据量过大不便于信号处理效率，对血氧饱和度信号进行重采样，以使血氧饱和度信号采样频率至1赫兹，以便均衡采样率和加快计算速度；然后用线性插值代替信号检测饱和度低于50％，以进一步平滑信号，实现对去噪后的血氧饱和度信号的平滑处理，得到预处理后的血氧饱和度信号。

如图4所示，为一个实施例中，对原始血氧饱和度信号，即图中血氧信号进行预处理后得到的预处理后的血氧信号的波形示意图。从图中可以明显看出，相比于原始血氧信号，依次对原始血氧信号进行daubechies8小波去噪处理、移动平均滤波器平滑处理、重采样和线性插值处理后的预处理后的血氧信号更平滑，更利于确定血氧饱和度信号中存在的氧减事件。

步骤s306，根据预处理后的血氧饱和度信号的幅值变化，从预处理后的血氧饱和度信号中确定氧减事件。

对血氧饱和度信号进行预处理，得到预处理后的血氧饱和度信号后，根据预处理后的血氧饱和度信号的幅值变化确定氧减事件。氧减事件与血氧饱和度信号的幅值变化相关，血氧饱和度信号的幅值降低到一定程度，认为发生了氧减事件。在具体应用时，根据预处理后的血氧饱和度信号的幅值变化，可以按照血氧饱和度信号的监测时间，由先到后的顺序从预处理后的血氧饱和度信号中确定氧减事件。确定的氧减事件仅是从血氧饱和度信号的幅度进行确定，而各氧减事件是否由呼吸暂停所引起的，则需要进一步确定，从而确定与呼吸暂停相关的氧减事件，以便对其进行诊断分析，实现对sahs的诊断分析。

在具体实现时，可以通过导数滤波找到预处理后的血氧饱和度信号的极值点，获得信号中的所有峰和谷；基于连续的向下段连接以创建完全去饱和，除非检测到的峰间隔超过30秒；利用spo2信号的极值点提取出饱和度的起止点；如果从开始到去饱和结束至少减少1％，并且总长度小于120秒，则去饱和事件被保留，因为它通常是呼吸暂停事件及其相应的去饱和的最长持续时间，从而从预处理后的血氧饱和度信号中确定氧减事件。如图4中500秒至600秒时间段内的血氧饱和度信号，血氧饱和度信号的幅值明显有降低和回升的变化，该时间段内发生了氧减事件。

步骤s308，从血氧饱和度信号中确定氧减事件对应的氧减信号片段。

从预处理后的血氧饱和度信号中确定氧减事件后，从血氧饱和度信号中确定氧减事件对应的氧减信号片段，以便对氧减信号片段进行氧减类型识别，确定是否为与呼吸暂停相关的氧减事件。具体实现时，确定氧减事件的时间起止点，从血氧饱和度信号对应的时间起止点确定该氧减事件对应的氧减信号片段。

本实施例中，对血氧饱和度信号进行预处理后得到的预处理后的血氧饱和度信号，只用于检测去饱和度，即检测氧减事件，而氧减事件对应的氧减信号片段则根据氧减事件从血氧饱和度信号中确定，从而避免对信号的预处理影响氧减信号片段的氧减类型识别，确保氧减类型识别的准确性。

在一个实施例中，提取氧减信号片段的局部特征包括：从血氧饱和度信号中提取氧减信号片段；对氧减信号片段进行时序特征提取，得到氧减信号片段时序特征；对氧减信号片段时序特征进行卷积处理，得到氧减信号片段的局部特征。

本实施例中，对氧减信号片段进行时序特征提取后进行卷积处理，提取得到氧减信号片段的局部特征。具体地，确定血氧饱和度信号中氧减事件对应的氧减信号片段后，从血氧饱和度信号中提取该氧减信号片段，具体可以根据氧减事件的时间起止点，从血氧饱和度信号中对应的时间起止点提取得到氧减信号片段。对氧减信号片段进行时序特征提取，具体可以通过双向长短期记忆(bi-lstm，bi-directionallongshort-termmemory)时序特征提取，得到氧减信号片段时序特征。再对氧减信号片段时序特征进行卷积处理，具体可以通过卷积神经网络中的多层卷积-池化层结构进行卷积处理，得到氧减信号片段的局部特征。

在一个具体应用中，基于bi-lstm-cnn提取氧减信号片段的局部特征，具体通过bi-lstm-cnn中的时间编码器对氧减信号片段进行时序特征提取，得到氧减信号片段时序特征，通过bi-lstm-cnn中的卷积模块对氧减信号片段时序特征进行卷积处理，得到氧减信号片段的局部特征。其中，时间编码器为一层的双向长短期记忆网络，全面的提取氧减片段中的时序信息；卷积模块中包含4个卷积-最大池化模块，其中卷积-最大池化模块由一层一维卷积层和一层最大池化层构成。如图5所示，为一个实施例中，卷积模块的结构示意图，该卷积模块由4个卷积-最大池化模块连接组成。利用bi-lstm-cnn模型对呼吸暂停事件进行识别，该模型利用双向短时记忆网络通过构造前向和后向网络来获取时间特征，然后通过卷积神经网络模型提取显著信息，具有良好的模型性能；而且该模型可以避免繁琐复杂的手工特征提取步骤，节省了大量的特征提取和选择时间，提高了血氧饱和度信号的分析效率。

在一个实施例中，融合局部特征和血氧饱和度信号的全局特征，得到融合特征包括：获取血氧饱和度信号的全局特征；全局特征通过对血氧饱和度信号进行全局特征分析得到；融合局部特征和全局特征，得到融合特征。

本实施例中，对血氧饱和度信号进行全局特征分析，根据得到的全局特征融合局部特征得到融合特征。具体地，融合局部特征和血氧饱和度信号的全局特征时，获取血氧饱和度信号的全局特征，全局特征通过对血氧饱和度信号进行全局特征分析得到。全局特征反映了血氧饱和度信号的整体信号特征，能够有效反映sahs患者的整体严重程度。融合局部特征和全局特征，可以直接进行拼接融合，也可以进行加权融合，例如根据预设的局部特征对应的第一权重，和全局特征对应的第二权重，加权融合得到融合特征。

在一个实施例中，全局特征包括血氧饱和度信号的平均值、标准差、曲线下面积、平均频率、峰值频率和中心频率中的至少一项。

全局特征反映了血氧饱和度信号的整体信号特征。其中，平均值为血氧饱和度信号的幅度进行求和平均得到，标准差为血氧饱和度信号幅度的标准差，曲线下面积为血氧饱和度信号的信号曲线与幅度和时间坐标轴围成的面积，平均频率、峰值频率和中心频率均基于血氧饱和度信号的信号频率进行计算得到。

在一个实施例中，血氧饱和度信号分析方法基于预训练的氧减信号分析模型实现，氧减信号分析模型的训练步骤包括：获取原始血氧饱和度信号；确定原始血氧饱和度信号中氧减事件对应的原始氧减信号片段，并根据原始氧减信号片段得到携带氧减类型标签的氧减信号训练片段；通过待训练的待训练的氧减信号分析模型提取氧减信号训练片段的局部训练特征；通过待训练的氧减信号分析模型融合局部训练特征和血氧饱和度训练信号的全局训练特征，得到融合训练特征；通过待训练的氧减信号分析模型对融合训练特征进行氧减类型识别，得到血氧饱和度训练信号的氧减类型训练识别结果；根据氧减类型训练识别结果和氧减类型标签确定模型损失，并根据模型损失调整待训练的氧减信号分析模型后继续训练，直至满足训练结束条件时结束训练，得到训练完成的氧减信号分析模型。

本实施例中，血氧饱和度信号分析方法基于预训练的氧减信号分析模型实现。具体地，可以在获得待分析的血氧饱和度信号，并确定血氧饱和度信号中氧减事件对应的氧减信号片段后，将氧减信号片段输入预训练的氧减信号分析模型中，由氧减信号分析模型提取氧减信号片段的局部特征，并融合局部特征和血氧饱和度信号的全局特征，得到融合特征，最后对融合特征进行氧减类型识别，由输出氧减信号分析模型获得氧减信号片段的氧减类型识别结果，如氧减信号片段对应的是否为与呼吸暂停相关的氧减事件。

在训练氧减信号分析模型时，获取原始血氧饱和度信号，原始血氧饱和度信号可以根据历史医疗数据中提取得到。确定原始血氧饱和度信号中氧减事件对应的原始氧减信号片段，并根据原始氧减信号片段得到携带氧减类型标签的氧减信号训练片段，具体可以对各原始氧减信号片段进行标注，得到携带氧减类型标签的氧减信号训练片段。根据氧减类型标签可以确定氧减信号训练片段对应所属的正负样本类型，基于氧减信号训练片段可以进行氧减信号分析模型训练。

具体地，通过待训练的氧减信号分析模型提取氧减信号训练片段的局部训练特征；通过待训练的氧减信号分析模型融合局部训练特征和血氧饱和度训练信号的全局训练特征，得到融合训练特征；通过待训练的氧减信号分析模型对融合训练特征进行氧减类型识别，得到血氧饱和度训练信号的氧减类型训练识别结果。本实施例中，氧减信号分析模型可以为bi-lstm-cnn模型，如图6所示，包括四个部分，分别为时间编码器：双向长短期记忆(bi-lstm)；局部特征提取器：卷积模块；全局特征融合；以及全连接和线性回归器。其中，时间编码器为一层的双向长短期记忆网络，全面的提取氧减片段中的时序信息；卷积模块为卷积神经网络模块，其中包含4个卷积-最大池化模块，其中卷积-最大池化模块由一层一维卷积层和一层最大池化层构成；在全局特征融合中，将整晚信号的平均值、标准差、曲线下面积、平均频率、峰值频率和中心频率等特征作为全局特征，将其和经过上述网络中提取的局部特征进行拼接，作为融合特征；最后，这个融合特征将经过一层全连接层来回归最后的结果：是否是呼吸暂停相关的氧减片段。

得到氧减类型训练识别结果后，根据氧减类型训练识别结果和氧减类型标签确定模型损失，例如基于交叉熵确定损失，并根据模型损失调整待训练的氧减信号分析模型后继续训练，直至满足训练结束条件时结束训练，如损失函数满足收敛条件时，或训练次数达到训练次数阈值时结束训练，得到训练完成的氧减信号分析模型。氧减信号分析模型可以对输入的血氧饱和度信号中氧减事件对应的氧减信号片段进行分析，输出得到该氧减信号片段的氧减类型识别结果，氧减类型识别结果可用于sahs的诊断辅助中。

在一个实施例中，氧减类型标签包括呼吸暂停氧减类型标签和非呼吸暂停氧减类型标签；根据原始氧减信号片段得到携带氧减类型标签的氧减信号训练片段：确定原始氧减信号片段对应的氧减事件标签；根据氧减事件标签从原始氧减信号片段中确定正样本信号片段和负样本信号片段；正样本信号片段携带呼吸暂停氧减类型标签，负样本信号片段携带非呼吸暂停氧减类型标签；根据正样本信号片段和负样本信号片段得到氧减信号训练片段。

本实施例中，在应用于sahs辅助诊断判断中时，氧减类型标签包括呼吸暂停氧减类型标签和非呼吸暂停氧减类型标签，携带呼吸暂停氧减类型标签则表征与呼吸暂停相关，携带非呼吸暂停氧减类型标签则表征与呼吸暂停不相关。根据原始氧减信号片段得到携带氧减类型标签的氧减信号训练片段时，确定原始氧减信号片段对应的氧减事件标签。氧减事件标签可以通过对原始血氧饱和度信号进行判读标注得到，具体应用中，氧减事件标签可以包含每个去饱和事件，即氧减事件的开始时间和结束时间的元组，由临床医生给出。

根据氧减事件标签从原始氧减信号片段中确定正样本信号片段和负样本信号片段。psg记录的呼吸暂停事件是基于呼吸信号的，事件的开始注释表示气流限制的开始，结束注释表示气流恢复正常。一般来说，每一次呼吸事件伴随着血氧通道的去饱和事件，延迟约20-40秒。在训练集中，每个去饱和事件都拥有医生的人工标注。因此，对于每个已注释的呼吸暂停事件，在注释开始后的60秒窗口中会找到去饱和度事件，并且这两个事件将被关联，从而确定从原始氧减信号片段中确定正样本信号片段和负样本信号片段用于模型训练。具体可以根据原始氧减信号片段的起止时间与对应氧减事件标签的起止时间之间的交并比(intersection-over-union，iou)确定交集得分，根据交集得分确定原始氧减信号片段划分为正样本信号片段或负样本信号片段。正样本信号片段携带呼吸暂停氧减类型标签，表征原始氧减信号片段与呼吸暂停相关；负样本信号片段携带非呼吸暂停氧减类型标签，表征原始氧减信号片段与呼吸暂停不相关。具体实现时，可以将交集得分大于0.6对应的原始氧减信号片段确定为正样本信号片段，将交集得分小于0.4对应的原始氧减信号片段确定为负样本信号片段，而交集得分在0.4至0.6之间的原始氧减信号片段则忽略，不作为模型训练样本数据。从原始氧减信号片段中确定正样本信号片段和负样本信号片段后，根据正样本信号片段和负样本信号片段得到氧减信号训练片段，氧减信号训练片段作为模型训练样本数据进行后续的模型训练。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种血氧饱和度信号分析装置，包括：待分析信号获取模块702、氧减信号确定模块704、局部特征提取模块706、特征融合处理模块708和氧减类型识别模块710，其中：

待分析信号获取模块702，用于获取待分析的血氧饱和度信号；

氧减信号确定模块704，用于确定血氧饱和度信号中氧减事件对应的氧减信号片段；

局部特征提取模块706，用于提取氧减信号片段的局部特征；

特征融合处理模块708，用于融合局部特征和血氧饱和度信号的全局特征，得到融合特征；

氧减类型识别模块710，用于对融合特征进行氧减类型识别，得到氧减信号片段的氧减类型识别结果。

在一个实施例中，氧减信号确定模块704包括小波去噪模块、平滑处理模块、氧减事件确定模块和氧减信号对应模块；其中：小波去噪模块，用于基于小波算法对血氧饱和度信号进行小波去噪处理，得到去噪后的血氧饱和度信号；平滑处理模块，用于对去噪后的血氧饱和度信号进行平滑处理，得到预处理后的血氧饱和度信号；氧减事件确定模块，用于根据预处理后的血氧饱和度信号的幅值变化，从预处理后的血氧饱和度信号中确定氧减事件；氧减信号对应模块，用于从血氧饱和度信号中确定氧减事件对应的氧减信号片段。

在一个实施例中，局部特征提取模块706包括信号片段提取模块、时序特征提取模块和卷积处理模块；其中：信号片段提取模块，用于从血氧饱和度信号中提取氧减信号片段；时序特征提取模块，用于对氧减信号片段进行时序特征提取，得到氧减信号片段时序特征；卷积处理模块，用于对氧减信号片段时序特征进行卷积处理，得到氧减信号片段的局部特征。

在一个实施例中，特征融合处理模块708全局特征获取模块和特征融合模块；其中：全局特征获取模块，用于获取血氧饱和度信号的全局特征；全局特征通过对血氧饱和度信号进行全局特征分析得到；特征融合模块，用于融合局部特征和全局特征，得到融合特征。

在一个实施例中，全局特征包括血氧饱和度信号的平均值、标准差、曲线下面积、平均频率、峰值频率和中心频率中的至少一项。

在一个实施例中，还包括模型训练模块，该模型训练模块包括原始信号获取模块、训练片段确定模块、局部训练特征确定模块、融合训练特征确定模块、训练类型识别模块和模型调整模块；其中：原始信号获取模块，用于获取原始血氧饱和度信号；训练片段确定模块，用于确定原始血氧饱和度信号中氧减事件对应的原始氧减信号片段，并根据原始氧减信号片段得到携带氧减类型标签的氧减信号训练片段；局部训练特征确定模块，用于通过待训练的待训练的氧减信号分析模型提取氧减信号训练片段的局部训练特征；融合训练特征确定模块，用于通过待训练的氧减信号分析模型融合局部训练特征和血氧饱和度训练信号的全局训练特征，得到融合训练特征；训练类型识别模块，用于通过待训练的氧减信号分析模型对融合训练特征进行氧减类型识别，得到血氧饱和度训练信号的氧减类型训练识别结果；模型调整模块，用于根据氧减类型训练识别结果和氧减类型标签确定模型损失，并根据模型损失调整待训练的氧减信号分析模型后继续训练，直至满足训练结束条件时结束训练，得到训练完成的氧减信号分析模型。

在一个实施例中，氧减类型标签包括呼吸暂停氧减类型标签和非呼吸暂停氧减类型标签；训练片段确定模块包括氧减标签确定模块、正负样本划分模块和训练样本获得模块；其中：氧减标签确定模块，用于确定原始氧减信号片段对应的氧减事件标签；正负样本划分模块，用于根据氧减事件标签从原始氧减信号片段中确定正样本信号片段和负样本信号片段；正样本信号片段携带呼吸暂停氧减类型标签，负样本信号片段携带非呼吸暂停氧减类型标签；训练样本获得模块，用于根据正样本信号片段和负样本信号片段得到氧减信号训练片段。

关于血氧饱和度信号分析装置的具体限定可以参见上文中对于血氧饱和度信号分析方法的限定，在此不再赘述。上述血氧饱和度信号分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种血氧饱和度信号分析方法。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

获取待分析的血氧饱和度信号；

确定血氧饱和度信号中氧减事件对应的氧减信号片段；

提取氧减信号片段的局部特征；

融合局部特征和血氧饱和度信号的全局特征，得到融合特征；

对融合特征进行氧减类型识别，得到氧减信号片段的氧减类型识别结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于小波算法对血氧饱和度信号进行小波去噪处理，得到去噪后的血氧饱和度信号；对去噪后的血氧饱和度信号进行平滑处理，得到预处理后的血氧饱和度信号；根据预处理后的血氧饱和度信号的幅值变化，从预处理后的血氧饱和度信号中确定氧减事件；从血氧饱和度信号中确定氧减事件对应的氧减信号片段。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：从血氧饱和度信号中提取氧减信号片段；对氧减信号片段进行时序特征提取，得到氧减信号片段时序特征；对氧减信号片段时序特征进行卷积处理，得到氧减信号片段的局部特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取血氧饱和度信号的全局特征；全局特征通过对血氧饱和度信号进行全局特征分析得到；融合局部特征和全局特征，得到融合特征。

在一个实施例中，全局特征包括血氧饱和度信号的平均值、标准差、曲线下面积、平均频率、峰值频率和中心频率中的至少一项。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取原始血氧饱和度信号；确定原始血氧饱和度信号中氧减事件对应的原始氧减信号片段，并根据原始氧减信号片段得到携带氧减类型标签的氧减信号训练片段；通过待训练的待训练的氧减信号分析模型提取氧减信号训练片段的局部训练特征；通过待训练的氧减信号分析模型融合局部训练特征和血氧饱和度训练信号的全局训练特征，得到融合训练特征；通过待训练的氧减信号分析模型对融合训练特征进行氧减类型识别，得到血氧饱和度训练信号的氧减类型训练识别结果；根据氧减类型训练识别结果和氧减类型标签确定模型损失，并根据模型损失调整待训练的氧减信号分析模型后继续训练，直至满足训练结束条件时结束训练，得到训练完成的氧减信号分析模型。

在一个实施例中，氧减类型标签包括呼吸暂停氧减类型标签和非呼吸暂停氧减类型标签；处理器执行计算机程序时还实现以下步骤：确定原始氧减信号片段对应的氧减事件标签；根据氧减事件标签从原始氧减信号片段中确定正样本信号片段和负样本信号片段；正样本信号片段携带呼吸暂停氧减类型标签，负样本信号片段携带非呼吸暂停氧减类型标签；根据正样本信号片段和负样本信号片段得到氧减信号训练片段。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待分析的血氧饱和度信号；

确定血氧饱和度信号中氧减事件对应的氧减信号片段；

提取氧减信号片段的局部特征；

融合局部特征和血氧饱和度信号的全局特征，得到融合特征；

对融合特征进行氧减类型识别，得到氧减信号片段的氧减类型识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于小波算法对血氧饱和度信号进行小波去噪处理，得到去噪后的血氧饱和度信号；对去噪后的血氧饱和度信号进行平滑处理，得到预处理后的血氧饱和度信号；根据预处理后的血氧饱和度信号的幅值变化，从预处理后的血氧饱和度信号中确定氧减事件；从血氧饱和度信号中确定氧减事件对应的氧减信号片段。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从血氧饱和度信号中提取氧减信号片段；对氧减信号片段进行时序特征提取，得到氧减信号片段时序特征；对氧减信号片段时序特征进行卷积处理，得到氧减信号片段的局部特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取血氧饱和度信号的全局特征；全局特征通过对血氧饱和度信号进行全局特征分析得到；融合局部特征和全局特征，得到融合特征。

在一个实施例中，全局特征包括血氧饱和度信号的平均值、标准差、曲线下面积、平均频率、峰值频率和中心频率中的至少一项。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取原始血氧饱和度信号；确定原始血氧饱和度信号中氧减事件对应的原始氧减信号片段，并根据原始氧减信号片段得到携带氧减类型标签的氧减信号训练片段；通过待训练的待训练的氧减信号分析模型提取氧减信号训练片段的局部训练特征；通过待训练的氧减信号分析模型融合局部训练特征和血氧饱和度训练信号的全局训练特征，得到融合训练特征；通过待训练的氧减信号分析模型对融合训练特征进行氧减类型识别，得到血氧饱和度训练信号的氧减类型训练识别结果；根据氧减类型训练识别结果和氧减类型标签确定模型损失，并根据模型损失调整待训练的氧减信号分析模型后继续训练，直至满足训练结束条件时结束训练，得到训练完成的氧减信号分析模型。

在一个实施例中，氧减类型标签包括呼吸暂停氧减类型标签和非呼吸暂停氧减类型标签；计算机程序被处理器执行时还实现以下步骤：确定原始氧减信号片段对应的氧减事件标签；根据氧减事件标签从原始氧减信号片段中确定正样本信号片段和负样本信号片段；正样本信号片段携带呼吸暂停氧减类型标签，负样本信号片段携带非呼吸暂停氧减类型标签；根据正样本信号片段和负样本信号片段得到氧减信号训练片段。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。