基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置

1.本技术涉及神经网络和医疗技术领域，具体涉及一种基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置。


背景技术：

2.睡眠呼吸暂停综合征(sleep apnea syndrome,sas)是指患者在睡眠过程中反复出现呼吸暂停(sleep apnea)和低通气(hypopnea)的睡眠障碍疾病。夜间反复发生的呼吸暂停和低通气造成慢性间歇低氧，二氧化碳潴留，交感神经兴奋性升高，全身炎症反应，以及氧化应激反应增强，抗氧化能力不足，从而引发或加重心脑血管疾病及代谢紊乱。sas会严重影响人的健康。
3.sas在我国的患病率在4％左右，是一种常见病。然而sas的诊断需要特殊的设备——多导睡眠图(polysomnography,psg)。目前只有大、中城市三级医院或部分二级医院可以对本病进行规范的诊断和治疗，致使大量患者得不到及时的诊断和治疗，给人民的健康造成了极大的危害。除此以外，现有的技术主要是使用psg对sas进行检测，但psg检测的信号较多，还需要专业的技术人员进行诊断，这样带来了大量的人力成本和设备成本的消耗。
4.ahi指数(apnea hypopnea index呼吸暂停低通气指数)是衡量被试睡眠呼吸暂停综合征的一个重要指标。现有技术大都是先获取睡眠监测的生理信号数据，首先对信号进行降噪滤波，然后将信号分段，再人工提取信号特征，再训练一个神经网络预测信号片段属于正常片段还是发生了睡眠呼吸事件，根据发生的睡眠呼吸事件计算ahi值，最后根据ahi值判断被试的sas病情程度。这些方法需要对信号进行降噪和滤波，对于信号的抗干扰能力弱。除此以外，由于要对信号进行分段，所以还需要事件的标注数据。然而实际上事件的标注数据并不那么容易获取，而且这种分段的方法并不能直接做出睡眠呼吸暂停综合征严重程度的诊断，还要计算ahi值。最重要的是这些方法需要人工提取信号特征，耗时费力。还需要专家领域知识，且不能表示隐藏在信号中重要信息，鲁棒性和通用性差。


技术实现要素：

5.为使sas的潜在患者能得到及时的诊断和治疗，本发明提出了一种基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置，以克服现有方法存在的效率低、通用性差等问题。
6.为了实现上述任务，本发明采用以下技术方案：
7.一种基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置，包括：
8.数据采集与获取模块，用于利用多导睡眠仪或便携睡眠监测设备监测被使者被试者夜晚的睡眠监测数据，并获取对应的医学诊断报告；
9.数据预处理模块，包括数据提取单元、信号下采样单元以及数据获取单元，其中：
10.数据提取单元用于从每一名被试者的睡眠监测数据提取血氧饱和度信号、气流信
号、胸部呼吸信号和腹部呼吸信号4种生理信号，从医学诊断报告中提取标签数据，每一组所述生理信号和标签数据构成一组原始数据；信号下采样单元，用于将每一组原始数据中的血氧饱和度信号、气流信号、胸部呼吸信号和腹部呼吸信号4种生理信号进行下采样处理；数据获取单元，用于从每一名被试者经过下采样处理后的原始数据中，提取位于最中间的数据作为这名被试者的训练数据；将不同被试者的训练数据构成数据集；
11.神经网络模块，用于将待测者的睡眠监测数据输入到训练好的睡眠呼吸暂停综合征识别模型中以进行待测者的睡眠呼吸暂停综合征的预测，输出待测者睡眠呼吸暂停综合征的严重程度。
12.进一步地，所述睡眠呼吸暂停综合征识别模型的构建方法如下：
13.构建卷积神经网络，包括4个一维的卷积层、1个批归一化层、1个最大池化层和1个全连接层；卷积神经网络的输入是训练数据，首先是经过批归一化层完成输入的归一化处理，然后通过设有4个大小为1*8的卷积核的一维卷积层并通过relu函数进行激活，紧接着通过一个大小为1*2的最大池化层进行最大池化下采样，接下来分别通过设有128个大小为1*8的卷积核的一维卷积层，设有64个大小为1*8的卷积核的一维卷积层和设有16个大小为1*8的卷积核的一维卷积层，最后通过全连接层和输出函数将输出转化为被试睡眠呼吸暂停综合征严重程度：正常、轻度、中度和重度4个分类的概率，取概率最大的类别为神经网络的预测结果。
14.进一步地，所述构建方法还包括：采用随机梯度下降算法，利用训练集对神经网络进行训练，并结合测试集、验证集对神经网络进行调参，保存训练好的模型作为训练好的睡眠呼吸暂停综合征识别模型。
15.进一步地，所述被试者夜晚的睡眠监测数据至少采集7个小时；对应地，数据获取单元从每一名被试者经过下采样处理后的原始数据中提取位于最中间7个小时的数据。
16.进一步地，所述4种生理信号被下采样至1hz。
17.进一步地，所述数据预处理模块还包括数据集划分单元，用于将所述数据集按照6:2:2的比例划分为训练集、验证集和测试集。
18.进一步地，所述待测者的睡眠监测数据为待测者的睡眠状态下的血氧饱和度、鼻气流、胸部和腹部运动4种信号的监测数据。
19.与现有技术相比，本发明具有以下技术特点：
20.本发明的使用的是夜晚7小时的血氧饱和度信号、气流信号、胸部呼吸信号和腹部呼吸信号训练卷积神经网络，通过卷积神经网络的4个卷积层自动提取信号特征，本质上与现有方法不同，也不需要对信号进行分段，所以也不需要事件标注数据。而且，因为本发明的训练标签是睡眠呼吸暂停综合征的严重程度：正常、轻度、中度和重度，卷积神经网络直接预测被试睡眠呼吸暂停综合征严重程度，不需要判断信号是否发生睡眠暂停事件，方法更加的直接。除此以外，因为生理信号中的噪声也作为卷积神经网络的输入，因此本发明对信号有较强的抗干扰能力。综上所述，本发明可以更高效、更直接地实现睡眠呼吸暂停综合征严重程度的诊断，辅助医生诊断，提高诊断效率。
附图说明
21.图1为本发明装置的工作流程示意图；
22.图2为卷积神经网络模型的结构图；
23.图3为sas病情程度与ahi和/或低血氧症程度判断依据。
具体实施方式
24.本发明提出一种基于卷积神经网络的睡眠呼吸暂停综合征严重程度诊断装置，该装置使用现有的便携睡眠监测设备或使用多导睡眠仪，获取被试的血氧饱和度信号、气流信号、胸部呼吸信号和腹部呼吸信号4种生理信号数据，然后根据这4种原始的生理信号数据训练一个卷积神经网络，最后通过卷积神经网络预测被试睡眠呼吸暂停综合征的严重程度，进而实现睡眠呼吸暂停综合征的快速诊断；设计合理的卷积神经网络结构是本发明实现的核心。流程图如图
25.参见图1，本发明的基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置，包括：
26.1.数据采集与获取模块
27.利用多导睡眠仪或便携睡眠监测设备监测被使者被试者夜晚至少7小时的睡眠监测数据，并获取对应的医学诊断报告；其中该报告由设备自行出具或通过医生辅助出具。
28.本实施例中，数据是广州某医院提供的实际临床数据，这些数据是从psg便携的睡眠监测设备采集得到。数据一共由1755条记录组成，每个记录包括血氧饱和度信号、气流信号、胸部呼吸信号和腹部呼吸信号等多种生理信号数据和一份医学的诊断报告(包含医生做出的被试睡眠呼吸暂停综合征严重程度诊断结果)。
29.2.数据预处理模块
30.包括数据提取单元、信号下采样单元、数据获取单元以及数据集划分单元，其中：
31.数据提取单元用于从每一名被试者的睡眠监测数据提取血氧饱和度信号、气流信号、胸部呼吸信号和腹部呼吸信号4种生理信号，从医学诊断报告中提取标签数据，每一组所述生理信号和标签数据构成一组原始数据。
32.信号下采样单元，用于将每一组原始数据中的血氧饱和度信号、气流信号、胸部呼吸信号和腹部呼吸信号4种生理信号下采样至1hz；这是因为使用睡眠监测设备采集的被试监测数据的采样频率不一定相同，为了降低数据维度和统一采样频率，进行下采样处理。
33.数据获取单元，用于从每一名被试者经过下采样处理后的原始数据中，提取位于最中间7个小时的数据(包含4种生理信号和对应的标签数据)，作为这名被试者的训练数据；不同被试者的训练数据构成数据集。该单元的设计目的是，由于使用睡眠监测设备采集的被试监测数据监测时长不一定相同，而且传统医学是根据被试至少7小时的睡眠监测数据做出睡眠呼吸暂停综合征的诊断，故提取被试者最中间7小时的睡眠监测数据。
34.数据集划分单元，用于将所述数据集按照6:2:2的比例划分为训练集、验证集和测试集，以科学地训练和检验模型；本实施例中，训练集一共有1051条记录。验证集一共有352条记录，测试集一共有352条记录。
35.3.神经网络模块
36.用于将待测者的睡眠监测数据输入到训练好的睡眠呼吸暂停综合征识别模型中以进行待测者的睡眠呼吸暂停综合征的预测。
37.其中，待测者的睡眠监测数据为待测者的睡眠状态下的血氧饱和度、鼻气流、胸部
和腹部运动4种信号的监测数据。然后将4种信号的监测数据直接输入训练好的的睡眠呼吸暂停综合征识别模型，通过训练好的模型可以直接预测被试是否患有睡眠呼吸暂停综合征，若被试患有睡眠呼吸暂停综合征，模型能识别被试睡眠呼吸暂停综合征的严重程度。
38.其中，所述睡眠呼吸暂停综合征识别模型的构建方法如下：
39.构建卷积神经网络，包括4个一维的卷积层、1个批归一化层、1个最大池化层和1个全连接层；模型结构图如图3所示。因为提取的7小时的血氧饱和度信号、气流信号、胸部呼吸信号和腹部呼吸信号4种生理信号本质是时间序列数据，所以使用一维卷积。
40.卷积神经网络的输入是训练数据，即4个时长为7小时采样频率为1的血氧饱和度信号、气流信号、胸部呼吸信号和腹部呼吸信号时间序列，所以卷积神经网络的输入维度为25200*4；首先是经过批归一化层完成输入的归一化处理，然后通过设有4个大小为1*8的卷积核的一维卷积层并通过relu函数进行激活，紧接着通过一个大小为1*2的最大池化层进行最大池化下采样，接下来分别通过设有128个大小为1*8的卷积核的一维卷积层，设有64个大小为1*8的卷积核的一维卷积层和设有16个大小为1*8的卷积核的一维卷积层，最后通过全连接层和输出函数softmax(x)将输出转化为被试睡眠呼吸暂停综合征严重程度：正常、轻度、中度和重度4个分类的概率，取概率最大的类别为模型的预测结果。
41.定义卷积运算：
[0042][0043]
y
(l)
表示第l层卷积层的输出；
[0044]
α
(l)
表示第l层卷积层的激活函数；
[0045]
ω
(l)
表示第l层卷积层的卷积核权重；
[0046]
表示卷积计算；
[0047]
x
(l)
表示第l层卷积层的输入；
[0048]
b
(l)
表示第l层卷积层的偏置；
[0049]
批归一化层用于将数据转换成均值为0，标准差为1的数据，转化的公式：
[0050][0051]
其中μ是所有训练样本的均值，σ是所有训练样本的标准差。批归一化层的作用就是对训练数据进行标准化和归一化。
[0052]
本发明提出的卷积神经网络使用最大池化的方法进行数据降维，减少计算量。如图所示，将第一层卷积层的输出结果通过最大池化层进行降维。
[0053]
将4个卷积层的输出通过全连接层和输出函数softmax(x)将输出转化为被试睡眠呼吸暂停综合征严重程度：正常、轻度、中度和重度4个分类的概率，取概率最大的类别为模型的预测结果。卷积神经网络的输出函数softmax(x)：
[0054][0055]
本发明提出的卷积神经网络使用adam优化器，和选择交叉熵函数作为训练的损失函数，交叉熵损失函数l(y,f(x))如下式：
[0056][0057]
其中y表示真实标签，f(x)表示模型的预测函数，p,q分别表示数据标签的真实分布和模型预测给出的分布，p(y
i
|x
i
)表示样本x
i
标签的真实分布，表示给定样本x
i
模型预测在各个类别上的概率分布。
[0058]
采用随机梯度下降算法，利用训练集对神经网络进行训练，并结合测试集、验证集对神经网络进行调参，保存训练好的模型作为训练好的睡眠呼吸暂停综合征识别模型。
[0059]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。