睡眠呼吸暂停事件检测模型的生成方法、检测方法及系统与流程

1.本发明涉及睡眠呼吸障碍的检测技术领域，尤其涉及一种睡眠呼吸暂停事件检测模型的生成方法、检测方法及系统。


背景技术：

2.睡眠与人们的身体健康息息相关。其中，阻塞性睡眠呼吸暂停综合征(osas)是最常见的睡眠障碍之一，会伴有一系列的后遗症。并且，睡眠障碍会导致白天身体表现下降，长此以往还会对认知功能如注意力、学习力和记忆力造成负面影响。对老年人而言，白天过度嗜睡或睡眠质量差可能是路易体痴呆的一个征兆。
3.家用睡眠呼吸暂停测试(hsat)，也被称为便携式监测(pm)，可以在家里用有限数量的传感器进行。hsat是一种干扰较小、支出较小的测试方法。一种方法是基于心血管信息监测进行呼吸事件检测。心电图(ecg)可以记录心脏的电活动。大多数基于ecg的研究提取了衍生的呼吸信号和心率变异性(心率变异性，hrv)等特征来对ecg片段进行分类。更直接的方法是基于呼吸信号进行呼吸事件检测。根据呼吸事件标注标准，气流信号、spo2信号和呼吸努力信号与呼吸动力学关系最为直接，被广泛研究和应用于osas的诊断。然而这些方法需要整晚在患者身上连接传感器进行信号检测，传感器的布置需要专业知识，且接触式采集方式会给受试者带来心理负担。


技术实现要素：

4.本发明的目的在于提供一种睡眠呼吸暂停事件检测模型的生成方法、检测方法及系统，在不干扰受试者睡眠的情况下，提高呼吸事件检测的准确性。
5.为实现上述目的，第一方面，本发明提供了一种睡眠呼吸暂停事件检测模型的生成方法，包括：获取呼吸信号数据；获取标准呼吸事件标签；根据所述呼吸信号数据和所述标准呼吸事件标签对改进的u-net网络模型进行训练，训练过程中所述改进的网络模型对所述呼吸信号数据进行自动化特征提取，得到睡眠呼吸暂停事件检测模型。
6.本发明提供的睡眠呼吸暂停事件检测模型的生成方法的有益效果在于：通过对改进的u-net网络模型进行训练得到睡眠呼吸暂停事件检测模型，由于改进的u-net网络模型是端到端的，所以直接输入原始信号数据即可，特征是网络模型在训练过程中自动提取的。通过睡眠呼吸暂停事件检测模型可准确的检测出呼吸事件发生的位置和时长，且无需对呼吸信号进行复杂的预处理操作，可提高检测效率。
7.可选的，所述改进的u-net网络模型包括组合模块；所述组合模块包括卷积层、批归一化层、修正线性单元和挤压激励块，所述组合模块用于代替卷积的重复应用。
8.可选的，所述改进的u-net网络模型还包括卷积层；所述卷积层包括多个不同大小的卷积核。
9.可选的，所述获取呼吸信号数据之前，包括：采用若干传感器进行呼吸信号的采集，得到所述呼吸信号数据；其中，每个所述传感器采集的时间长度和样本点的数量均相
同。
10.可选的，所述根据所述呼吸信号数据和所述标准呼吸事件标签对所述改进的u-net网络模型进行训练，得到睡眠呼吸暂停事件检测模型，包括：利用损失函数计算所述呼吸信号数据和所述标准呼吸事件标签之间的损失值；根据所述损失值调整所述改进的u-net网络模型的参数，得到所述睡眠呼吸暂停事件检测模型。
11.可选的，所述获取标准呼吸事件标签之前包括：
12.基于同步采集的多导睡眠图psg信号标注的呼吸事件标签作为金标准，得到所述标准呼吸事件标签。
13.在第二方面，本发明实施例提供一种睡眠呼吸暂停事件的检测方法，基于上述的睡眠呼吸暂停事件检测模型，该方法包括：获取待测的呼吸信号数据；将所述待测的呼吸信号数据输入至所述睡眠呼吸暂停事件检测模型中，得到呼吸事件标签，所述呼吸事情标签包括呼吸事件发生的位置和时长。
14.本发明提供的睡眠呼吸暂停事件的检测方法的有益效果在于：通过对改进的u-net网络模型进行训练得到睡眠呼吸暂停事件检测模型，睡眠呼吸暂停事件检测模型可准确的检测出呼吸事件，且无需对呼吸信号进行复杂的预处理操作，可提高检测效率。
15.可选的，所述将所述待测的呼吸信号数据输入至所述睡眠呼吸暂停事件检测模型中，得到呼吸事件标签，包括：将所述待测的呼吸信号数据输入至所述睡眠呼吸暂停事件检测模型中，得到预测值；将预测值大于阈值的连续采样点组成的段表示一个呼吸事件，合并间隔小于1秒的所述呼吸事件，以及去除持续时间小于6秒的所述呼吸事件，得到所述呼吸事件标签。
16.在第三方面，本发明实施例提供一种睡眠呼吸暂停事件检测模型的生成系统，应用于测试床垫，若干传感器设于所述测试床垫，该生成系统包括：获取模块，用于获取呼吸信号数据；所述获取模块，还用于获取标准呼吸事件标签；处理模块，用于根据所述呼吸信号数据和所述标准呼吸事件标签对改进的u-net网络模型进行训练，训练过程中所述改进的网络模型对所述呼吸信号数据进行自动化特征提取，得到睡眠呼吸暂停事件检测模型。
17.本发明提供的睡眠呼吸暂停事件检测模型的生成系统的有益效果在于：通过对改进的u-net网络模型进行训练得到睡眠呼吸暂停事件检测模型，通过睡眠呼吸暂停事件检测模型可准确的检测出呼吸事件，且无需对呼吸信号进行复杂的预处理操作，可提高检测效率。并且通过将若干传感器设置在测试床垫的下方，避免了与人体的接触，在不干扰受试者睡眠情况下，进一步提高了检测的准确性。
18.可选的，所述改进的u-net网络模型包括组合模块；所述组合模块包括卷积层、批归一化层、修正线性单元和挤压激励块，所述组合模块用于代替卷积的重复应用。
19.可选的，所述改进的u-net网络模型还包括卷积层；所述卷积层包括多个不同大小的卷积核。
20.可选的，还包括采集模块；所述获取模块获取呼吸信号数据之前，包括：所述采集模块，采用若干传感器进行呼吸信号的采集，得到所述呼吸信号数据；其中，每个所述传感器采集的时间长度和样本点的数量均相同。
21.可选的，还包括计算模块；所述处理模块根据所述呼吸信号数据和所述标准呼吸事件标签对所述改进的u-net网络模型进行训练，得到睡眠呼吸暂停事件检测模型，包括：
所述计算模块，用于利用损失函数计算所述呼吸信号数据和所述标准呼吸事件标签之间的损失值；所述处理模块，根据所述损失值调整所述改进的u-net网络模型的参数，得到所述睡眠呼吸暂停事件检测模型。
22.可选的，所述获取模块获取标准呼吸事件标签之前包括：
23.采集模块，用于将同步采集的多导睡眠图psg信号标注的呼吸事件标签作为金标准，得到所述标准呼吸事件标签。
附图说明
24.图1为本发明提供的实施例睡眠呼吸暂停事件检测模型的生成方法的流程图；
25.图2为本发明提供的实施例呼吸震动信号对应的标准呼吸事件标签的示意图；
26.图3为本发明提供的实施例睡眠呼吸暂停事件检测模型的示意图；
27.图4为本发明提供的实施例睡眠呼吸暂停事件的检测方法的流程图；
28.图5为本发明提供的实施例后处理呼吸事件片段的示意图；
29.图6为本发明提供的实施例测试床垫的示意图；
30.图7为本发明提供的实施例睡眠呼吸暂停事件检测模型的生成系统的示意图。
具体实施方式
31.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有作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。除非另外定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
32.针对现有技术存在的问题，本发明的实施例提供了一种睡眠呼吸暂停事件检测模型的生成方法，参考图1所示，该方法包括：
33.s101：获取呼吸信号数据。
34.该步骤中，在获取呼吸信号数据之前，采用若干传感器进行呼吸信号的采集，得到所述呼吸信号数据。在本实施例中，所述传感器为压电陶瓷，采用五路压电陶瓷同时采集呼吸震动信号，得到所述呼吸信号数据。由于采用的是压电陶瓷，并且将压电陶瓷设置在测试床垫的下方，所以压电陶瓷传感器在采集呼吸震动信号时是不与人体接触，在不干扰受试者睡眠情况下，可进一步提高检测的准确性。其中，每个传感器采集的时间长度和样本点的数量均相同。
35.s102：获取标准呼吸事件标签。
36.在本实施例中，参考图2所示，图2示出了在320秒时间长度的呼吸震动信号及对应的标准呼吸事件标签，基于睡眠检测设备同步采集的多导睡眠图(polysomnography，psg)信号标注出呼吸事件标签作为金标准(位于呼吸震动信号的下方)，得到所述标准呼吸事件标签和对应的呼吸震动信号(曲折线)。需要说明的是，金标准在0处代表无呼吸事件，在1处表示有呼吸事件，标准呼吸事件标签的制作是为了匹配本发明中的网络模型进行训练的。
37.s103：根据所述呼吸信号数据和所述标准呼吸事件标签对改进的u-net网络模型
进行训练，训练过程中所述改进的网络模型对所述呼吸信号数据进行自动化特征提取，得到睡眠呼吸暂停事件检测模型。
38.具体的，改进的u-net网络模型是端到端的，即输入的是呼吸信号数据(原始信号)，特征信息是网络模型在训练过程中自动提取的。在本实施例中，参考图3和表1所示，表1为具体改进的u-net网络结构与参数。其中，改进的u-net网络模型包括组合模块，所述组合模块包括卷积层、批归一化(batch normalization,bn)层、修正线性单元(rectified linear unit,relu)和挤压激励块(squeeze-and-excitation block,se block)，所述组合模块用于代替卷积的重复应用。其中，利用挤压激励块来关注不同呼吸信号通道的关系，这样可以更全面地了解不同呼吸信号通道提供的信息。另外，所述改进的u-net网络模型还包括卷积层，所述卷积层包括多个不同大小的卷积核，采用不同大小的卷积核来学习不同感受野的信息。最后，利用sigmoid层将网络结果映射为概率值，对样本点进行分类。
39.表1：
40.41.[0042][0043]
通过所述呼吸信号数据和所述标准呼吸事件标签对所述改进的u-net网络模型进行训练，得到睡眠呼吸暂停事件检测模型，该步骤中，利用损失函数(dice loss)计算所述呼吸信号数据和所述标准呼吸事件标签之间的损失值，并利用adam算法进行训练。根据所述损失值调整所述改进的u-net网络模型的参数，得到所述睡眠呼吸暂停事件检测模型。
[0044]
在本实施例中，通过对改进的u-net网络模型进行训练得到睡眠呼吸暂停事件检测模型，睡眠呼吸暂停事件检测模型可准确的检测出呼吸事件，且无需对呼吸信号进行复杂的预处理操作，可提高检测效率。并且基于五通道的压电陶瓷传感器同时采集呼吸震动信号，由于五通道的压电陶瓷传感器设于测试床垫的下方，避免了与人体的接触，在不干扰受试者睡眠情况下，进一步提高了检测的准确性。
[0045]
在本发明公开的又一个实施例中，提供一种睡眠呼吸暂停事件的检测方法，参考图4所示，该方法基于上述实施例中的睡眠呼吸暂停事件检测模型，该方法包括：
[0046]
s401：获取待测的呼吸信号数据。
[0047]
s402：将所述待测的呼吸信号数据输入至所述睡眠呼吸暂停事件检测模型中，得到呼吸事件标签，所述呼吸事件标签包括呼吸事件发生的位置和时长。
[0048]
该步骤中，参考图5所示，将所述待测的呼吸信号数据输入至所述所述睡眠呼吸暂停事件检测模型中，得到预测值。在得到所述预测值后进行后处理。即将预测值大于阈值(0.5)的样本点设为1，其他点设为0。由值为1的连续采样点组成的段表示一个呼吸事件，并且合并间隔小于1秒的所述呼吸事件，以及去除持续时间小于6秒的所述呼吸事件，得到所述呼吸事件标签，所述呼吸事件标签包括呼吸事件发生的位置和时长，从而可准确的检测出呼吸事件发生的位置和时长。
[0049]
在本实施例中，该睡眠呼吸暂停事件检测模型是一个端对端网络模型，可直接输出细粒度的呼吸事件标注结果，可解释性较强，能够检测和定位单个呼吸事件，为医生提供可理解的结果。
[0050]
在本发明公开的再一个实施例中，提供一种睡眠呼吸暂停事件检测模型的生成系统，参考图6和图7所示，应用于测试床垫500，所述测试床垫500设有若干传感器501，该生成系统包括：获取模块602，用于获取呼吸信号数据。所述获取模块602，还用于获取标准呼吸事件标签。处理模块604，用于根据所述呼吸信号数据和所述标准呼吸事件标签对改进的u-net网络模型进行训练，训练过程中所述改进的网络模型对所述呼吸信号数据进行自动化特征提取，得到睡眠呼吸暂停事件检测模型。
[0051]
可选的，所述改进的u-net网络模型包括组合模块和卷积层。其中，所述组合模块
包括卷积层、批归一化层、修正线性单元和挤压激励块，所述组合模块用于代替卷积的重复应用，所述挤压激励块用来关注不同呼吸信号通道的关系，这样可以更全面地了解不同呼吸信号信号通道提供的信息。
[0052]
可选的，该系统还包括采集模块601和计算模块603。所述获取模块602获取呼吸信号数据之前，所述采集模块601采用若干传感器501进行呼吸信号的采集，得到所述呼吸信号数据。其中，每个所述传感器501采集的时间长度和样本点的数量均相同。所述计算模块603用于利用损失函数计算所述呼吸信号数据和所述标准呼吸事件标签之间的损失值，所述处理模块604根据所述损失值调整所述改进的u-net网络模型的参数，得到所述睡眠呼吸暂停事件检测模型。
[0053]
在本实施例中，通过对改进的u-net网络模型进行训练得到睡眠呼吸暂停事件检测模型，通过睡眠呼吸暂停事件检测模型可准确的检测出呼吸事件，且无需对呼吸信号进行复杂的预处理操作，可提高检测效率。并且五通道的压电陶瓷传感器设于测试床垫的下方，避免了与人体的接触，在不干扰受试者睡眠情况下，进一步提高了检测的准确性。
[0054]
以上所述，仅为本技术实施例的具体实施方式，但本技术实施例的保护范围并不局限于此，任何在本技术实施例揭露的技术范围内的变化或替换，都应涵盖在本技术实施例的保护范围之内。因此，本技术实施例的保护范围应以所述权利要求的保护范围为准。