基于消费级设备心率数据检测睡眠呼吸暂停的系统及设备

本技术涉及检测系统的领域，尤其是涉及基于消费级设备心率数据检测睡眠呼吸暂停的系统及设备。

背景技术：

1、睡眠呼吸暂停一般指阻塞性睡眠呼吸暂停低通气综合征(osahs)，是一种睡眠呼吸疾病，临床表现有夜间睡眠打鼾伴呼吸暂停等，由于呼吸暂停引起反复发作的夜间低氧和高碳酸血症，可导致高血压，冠心病，糖尿病和脑血管疾病等并发症，甚至出现夜间猝死，是一种有潜在致死性的睡眠呼吸疾病。

2、睡眠呼吸暂停的传统诊断方式需要夜间多导睡眠图(psg)，其监测心率、心电图、监测肺部和大脑活动、呼吸模式、手臂和腿部运动以及睡眠时的血氧水平。有一些简化的测试可以在患者家中用于诊断睡眠呼吸暂停，但它们仍然需要同时测量心率、血氧水平、气流和呼吸模式等参数。传统方法需要医疗设备和训练有素的医务人员，不适合早期诊断和睡眠期间的日常心脏健康监测。

3、新兴的消费级电子传感器为日常生活中的心脏健康监测提供了新的机会，而且消费级电子传感器大都集成在日常生活所需的可穿戴式设备(或称消费级设备)上。生命体征是对身体最基本功能的测量，可用于检测或监测健康状况，包括脉搏率(心率)、呼吸率、血压、体温。其中，从消费级设备收集的心率已成为评估心脏健康的一种流行方法，但目前缺乏合适的高精确度和高可靠性的算法以用来实现睡眠呼吸暂停的检测。

技术实现思路

1、为了能够通过消费级设备所检测的心率来较好的检测人员是否存在睡眠呼吸暂停的现象，本技术提供一种基于消费级设备心率数据检测睡眠呼吸暂停的系统及设备。

2、第一方面，本技术提供一种基于消费级设备心率数据检测睡眠呼吸暂停的系统，采用如下的技术方案：

3、一种基于消费级设备心率数据检测睡眠呼吸暂停的系统，包括：

4、心率获取模块，用于获取通过消费级设备收集的检测对象的时序心率数据；

5、密度图分析模块，用于提取和分析时序心率数据以获取心率特征集合，其中，所述密度图分析模块包括密度图构建单元、轮廓椭圆拟合单元以及特征提取单元；

6、所述密度图构建单元用于根据所获取的时序心率数据构建心率滞后密度图，所述心率滞后密度图横纵坐标分别为时序心率数据以及滞后的时序心率数据；

7、所述轮廓椭圆拟合单元用于对所构建的心率滞后密度图拟合轮廓椭圆，并获轮廓椭圆的参数方程；

8、所述特征提取单元根据所构建的心率滞后密度图、轮廓椭圆获取若干类心率特征，并对若干类心率特征进行整合以获取心率特征集合；

9、预构建的机器学习模型模块，用于处理提取的心率特征集合，并输出表征该时序下是否发生呼吸暂停的呼吸暂停评价。

10、通过采用上述技术方案，由于传统的方式无法对消费级设备获取心率数据进行处理，并且机器学习模型也无法直接对心率进行评价，较长持续时间的心率也无法满足机器学习模型的训练要求，因此通过密度图分析模块可以降低心率数据的维度，从而用较少的特征使心率数据可以满足机器学习模型的训练以及使用要求。而对于心率滞后密度图而言，健康人的心率滞后密度图中的时序数据点较为集中，而发生睡眠呼吸暂停的患者的心率滞后密度图中的时序数据点较为离散，因此可以通过轮廓椭圆等特征来评价时序数据点的离散程度，从而提取出区别明显的特征以供机器学习模型使用。

11、优选的，定义所述心率滞后密度图中的点为时序数据点，若干类所述心率特征通过对若干数据集合进行特征提取得到，若干所述数据集合至少包括第一数据集、第二数据集以及第三数据集，所述第一数据集包括各个时序数据点至心率滞后密度图的等速线的距离的集合，所述第二数据集包括各个时序数据点至轮廓椭圆中心点的距离的集合，所述第三数据集包括相邻时刻下的时序数据点之间的距离的集合。

12、优选的，所述心率特征还包括轮廓椭圆的半长轴距离特征以及轮廓椭圆的半短轴距离特征。

13、通过采用上述技术方案，由于健康人与睡眠呼吸暂停的患者的心率滞后密度图的区别，各个时序数据点至心率滞后密度图的等速线的距离的集合、各个时序数据点至轮廓椭圆中心点的距离的集合以及相邻时刻下的时序数据点之间的距离的集合均会有较大的不同，健康人的第一数据集、第二数据集以及第三数据集均会明显小于睡眠呼吸暂停患者，因此这些数据可以被提取出来以供机器学习模型使用。

14、此外，较大离散程度的心率滞后密度图所对应的轮廓椭圆也越大，因此轮廓椭圆的半长轴距离和半短轴距离也可以被用于机器学习模型使用。

15、优选的，所述特征提取包括分别求取若干数据集合的平均值、标准差以及变异系数，其中：

16、

17、

18、

19、式中，f11为第一数据集的平均值，f21为第一数据集的标准差，f31为第一数据集的变异系数，t为时序数据点的数量，n为第n个时序数据点，d1i为第一数据集中第i个元素；

20、

21、

22、

23、式中，f12为第二数据集的平均值，f22为第二数据集的标准差，f32为第二数据集的变异系数，t为时序数据点的数量，n为第n个时序数据点，d2i为第二数据集中第i个元素；

24、

25、

26、

27、式中，f13为第三数据集的平均值，f23为第三数据集的标准差，f33为第三数据集的变异系数，t为时序数据点的数量，n为第n个时序数据点，d3i为第三数据集中第i个元素。

28、通过采用上述技术方案，这个步骤可以进一步的缩小样本的数据量，并用较少的特征来表达样本反应的情况，从而使一段时序心率可以被九个心率特征表达出来，以满足机器学习模型的训练和实用要求。

29、优选的，所述轮廓椭圆的参数方程获取方法包括：

30、获取轮廓椭圆的标准方程；

31、对所获得的时序数据点遍历选用五个数据点，并结合所获取的轮廓椭圆的标准方程以采用拟合方法获取轮廓椭圆的参数方程。

32、优选的，所述机器学习模型的构建方法包括：

33、获取若干组时序心率数据并进行标记，所述标记结果表征对应的时序心率数据是否存在睡眠呼吸暂停的现象，若干组时序心率数据包括健康对象的时序心率数据以及睡眠呼吸暂停对象的时序心率数据；

34、分别对所获取的各组时序心率数据构建心率滞后密度图，所述心率滞后密度图横纵坐标分别为时序心率数据以及滞后的时序心率数据；

35、对所构建的心率滞后密度图拟合轮廓椭圆，并获取轮廓椭圆的参数方程；

36、根据所构建的心率滞后密度图、轮廓椭圆获取若干类心率特征，并对若干类心率特征进行整合以获取心率特征集合；

37、将若干组心率特征集合进行切分以分为训练集以及测试集；

38、对训练集内的心率特征集合及其对应的标记结果进行机器学习以形成初步机器学习模型；对初步机器学习模型用测试集内的心率特征集合进行验证判断，若不符合，则重新训练初步机器学习模型以形成新的初步机器学习模型供验证判断；若符合，则该初步机器学习模型则为所需的机器学习模型。

39、优选的，所述初步机器学习模型通过支持向量机、高斯过程、随机森林、梯度推进或多层感知机训练构建而成。

40、优选的，在处理提取的若干类心率特征集合之前，根据所选用的机器学习模型对所获取的若干类心率特征集合进行标准化处理。

41、通过采用上述技术方案，由于所选用的机器学习算法可能不同，因此要根据所选用的机器学习模型对所获取的若干类心率特征集合进行标准化处理，从而使输入初步机器学习模型的数据满足所需的要求。

42、优选的，获取同一评估周期内若干组时序长度相同的时序心率数据，并定义每一组长度相同的时序心率数据为单位观察窗口，相邻所述单位观察窗口具有相同的滞后时间，所述单位观察窗口的时长为滞后时间的整数倍，且所述观察窗口沿时序分为若干与滞后时间长度相同的重叠窗口；

43、在对所述时序心率数据进行处理以获取评价之后，将具有睡眠呼吸暂停的单位观察窗口赋值1，将健康的单位观察窗口赋值0，且每一重叠窗口的代表值与单位观察窗口的代表值相同；将同一时序下重叠窗口所赋值的代表值相加以作为评估周期内该时间段的权重值。

44、通过采用上述技术方案，可以在检测一段时序心率是否存在睡眠呼吸暂停的情况的基础上，将发生睡眠呼吸暂停的时刻进行较为准确地指出，从而明确症状发生的相关时刻。

45、第二方面，本技术提供了一种通过消费级设备检测睡眠呼吸暂停的装置，采用如下的技术方案：

46、一种基于消费级设备心率数据检测睡眠呼吸暂停的设备，包括：

47、心率采集装置，用于采集检测对象的时序心率数据；

48、数据处理装置，用于通过消费级设备获取的时序心率数据检测睡眠呼吸暂停的系统处理所获取的时序心率数据并输出所对应的呼吸暂停评价；

49、报告装置，用于输出和/或显示呼吸暂停评价；

50、其中，所述心率采集装置、数据处理装置以及报告装置均设置于消费级设备上。

51、通过采用上述技术方案，可以将整体的系统集成在消费级设备上，从而提高本设备的便携性与集成度，满足大众的日常生活要求。

52、综上所述，本技术包括以下至少一种有益技术效果：

53、1.能够通过消费级设备所检测的心率来较好的检测人员是否存在睡眠呼吸暂停的现象；

54、2.通过降低数据的维度使得能够用较少的特征来表达时序心率数据的内容，并且使其满足机器学习模型的训练以及使用要求；

55、3.通过将一部分的检测过程集成到日常消费级设备上，在一定程度上可以减轻医疗系统的压力，使得患者在家也能完成准确度较高的测量过程，较为方便。