一种基于卷积神经网络的自动睡眠呼吸暂停检测方法

本发明涉及健康检测，尤其涉及一种基于卷积神经网络的自动睡眠呼吸暂停检测方法。

背景技术：

1、睡眠呼吸暂停综合征是一种常见的睡眠呼吸疾病。在一个人的夜间睡眠中，当气道被舌肌和脂肪组织完全阻塞了至少10秒钟，则可诊断为发生了一次睡眠呼吸暂停。这种睡眠呼吸暂停如果在一个人的睡眠中一小时内出现至少5次，整晚睡眠中出现至少30次，则可诊断此人患有睡眠呼吸暂停综合征。睡眠呼吸暂停的发病率很高，全球各地数以亿计的患者正遭受它带来的痛苦。其作为一种危害较大的慢性疾病，发病率较高，但一经诊断即可进行有效治疗。若能在睡眠呼吸暂停早期阶段及时进行诊断，诸如气道正压通气和持续气道正压通气等疗法都可以有效治疗该疾病。对于呼吸暂停疾病，及时准确的诊断至关重要；因此，发明出一种基于卷积神经网络的自动睡眠呼吸暂停检测方法变得尤为重要。

2、经检索，中国专利号cn110013222a公开了一种用于睡眠呼吸暂停检测的系统，该发明虽然通过对多路信号进行波束形成，能够更好地减小环境噪声的干扰，能够进一步地提高准确性，但是操作难度较高，使用局限性大，不方便用户使用，降低用户使用体验；此外，现有的自动睡眠呼吸暂停检测方法数据处理能耗高，处理效率低下，数据安全性差，用户私密信息容易泄露；为此，我们提出一种基于卷积神经网络的自动睡眠呼吸暂停检测方法。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于卷积神经网络的自动睡眠呼吸暂停检测方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于卷积神经网络的自动睡眠呼吸暂停检测方法，该检测方法具体步骤如下：

4、(1)采集用户ecg信号并对其进行信号预处理；

5、(2)构建检测网络模型并优化该网络模型参数；

6、(3)将最新ecg信号输入检测网络模型进行检测；

7、(4)将检测结果反馈至用户设备并存储该次检测信息；

8、(5)实时收集用户操作信息并检测该操作存在的风险。

9、作为本发明的进一步方案，步骤(1)中所述ecg信号具体包括qrs波、p波以及t波组成，其中，p波映射的是心房去极化的过程；qrs波反应的是左右两心室去极化电位及时间变化；t波代表左右心室复极化时的电位变化。

10、作为本发明的进一步方案，步骤(1)中所述ecg信号预处理具体步骤如下：

11、步骤一：获取用户完整的心跳周期波形，并获取相邻两组心跳周期中r峰的时间距离，即rr间隔，之后通过pan-tomkin算法进行rr信号的提取；

12、步骤二：计算整个时间序列平均值，并将提取的各组rr信号与该平均值进行对比，若rr信号的值超出整个时间序列平均值的20％，则判断该rr信号为异常值并消除以获取nn信号；

13、步骤三：对得到的nn信号用2hz的频率进行重新采样，并依据规定连续时长时间窗的nn信号，序列作为一个样本，并根据最后一分钟的预设标记信息对样本进行标记。

14、作为本发明的进一步方案，步骤(2)中所述检测网络模型具体构建步骤如下：

15、步骤①：从apnea-ecg数据库中提取多组ecg信号，并对其进行预处理后，获取各组ecg信号中的长度为l的nn信号间隔序列nn，再计算从nn序列中第t个样本到有标记nn序列的第t个样本的距离；

16、步骤②：计算加权系数，并通过加权平均算法寻找nn序列的邻居样本，选择nn序列的k个邻居样本，并根据其邻居标签的加权作为nn序列的标签，标签设置完成后，将各组数据划分为训练集以及测试集；

17、步骤③：将训练集输入至卷积神经网络，该卷积神经网络卷积层中具有固定长度的卷积核与训练集中各序列移动相乘进行卷积运算，并将计算结果与偏置向量相加以构成激活函数的输入，再通过平均池化层进行数据校正，然后dropout层在每组训练批次中随机擦除一定比例的卷积层神经元，获取该卷积神经网络多轮学习后的能量函数，当能量函数小于目标误差时，训练过程结束并输出检测网络模型；

18、步骤④：将测试集输入至检测网络模型中，并通过测试集对该检测网络模型运行损失值进行计算，同时判断计算出的损失值是否满足预设期望值，若不满足，则对该检测网络模型进行参数更新。

19、作为本发明的进一步方案，步骤①中所述距离计算公式如下：

20、

21、其中，nn(t)代表nn序列中第t个样本；代表第i个有标记nn序列的第t个样本；

22、步骤③中所述卷积层输出值具体计算公式如下：

23、hrelu(x)＝max(0,x)

24、(2)

25、

26、式中，代表输出的第m个值；h代表激活函数；x代表输入向量；b代表偏置向量；w代表卷积核。

27、作为本发明的进一步方案，步骤(2)中所述检测网络模型参数更新具体步骤如下：

28、步骤ⅰ：在该检测网络模型的规定区间内初始化网络连接权值，之后从训练时的输入以及输出对的集合中提交训练样本，并计算该检测网络模型的输出，在比较期望的网络输出与实际的网络输出，并且计算所有神经元的局部误差；

29、步骤ⅱ：当局部误差超出工作人员预设阈值后，依据学习规则方程对该检测网络模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果；

30、步骤ⅲ：对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，并统计检测结果的均方根误差；

31、步骤ⅳ：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换检测网络模型原有参数。

32、作为本发明的进一步方案，步骤(4)中所述检测信息存储具体步骤如下：

33、第一步：将本次检测信息预处理成符合条件的区块，在该区块入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送；

34、第二步：当该候选节点成为领导节点后，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，同时向领导节点发送验证申请，验证通过后，领导节点发送添加命令并进入沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。

35、相比于现有技术，本发明的有益效果在于：

36、1、该基于时序卷积神经网络的自动睡眠呼吸暂停检测方法通过从apnea-ecg数据库中提取多组ecg信号，并获取各ecg信号的nn序列，选择nn序列的k个邻居样本，并根据其邻居标签的加权作为nn序列的标签，再将各组数据划分为训练集以及测试集，将训练集输入至卷积神经网络，该卷积神经网络卷积层中具有固定长度的卷积核与训练集中各序列移动相乘进行卷积运算，并将计算结果与偏置向量相加以构成激活函数的输入，再通过平均池化层进行数据校正，然后dropout层在每组训练批次中随机擦除一定比例的卷积层神经元，获取该卷积神经网络多轮学习后的能量函数，当能量函数小于目标误差时，训练过程结束并输出检测网络模型，将测试集输入至检测网络模型中，并通过测试集对该检测网络模型运行损失值进行计算，同时判断计算出的损失值是否满足预设期望值，若不满足，则对该检测网络模型进行参数更新，能够实现自动化智能化的建模以及参数更新，降低操作难度，使用局限性小，同时提高用户使用体验，节省配置时间，同时有效地提高了检测精确性。

37、2、该基于时序卷积神经网络的自动睡眠呼吸暂停检测方法通过将本次检测信息预处理成符合条件的区块，在该区块入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送，当该候选节点成为领导节点后，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，同时向领导节点发送验证申请，验证通过后，领导节点发送添加命令并进入沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份，能够使数据去中心化，降低数据处理能耗，有效提高数据处理效率，同时保证本次检测信息的数据安全性，提高对用户私密信息的保护。