睡眠呼吸暂停检测方法及装置

本技术涉及睡眠呼吸暂停检测，具体而言，涉及一种睡眠呼吸暂停检测方法及装置。

背景技术：

1、睡眠呼吸暂停综合征是一种常见且潜在危害巨大的睡眠疾病，主要病症为在睡眠过程中会反复出现睡眠呼吸暂停(sleep apnea，sa)，根据发病机制的不同，睡眠呼吸暂停主要可分为中枢性睡眠呼吸暂停(central sleep apnea，csa)和阻塞性睡眠呼吸暂停(obstructive sleep apnea，osa)。

2、目前，通常采用基于相机系统的睡眠呼吸暂停检测系统的方式对睡眠过程中的呼吸暂停进行监测，但该种方式存在一定弊端：基于相机的睡眠呼吸暂停监测系统功能比较单一，只能实现单一类型的睡眠呼吸暂停检测，无法实现osa和csa的分类检测；基于此相关学者提出可以通过深度学习模型或者增加信源的方式实现osa和csa的分类检测，但深度学习模型需要大量的睡眠数据对神经网络进行训练，在实际应用过程中通常难以满足相应的数据需求，并且巨大的计算量也使得基于深度学习的系统只能支持云端部署架构，无法实现本地部署；而增加信源的方式需要设置多个传感器进行睡眠呼吸暂停检测，但多传感器系统会增加系统的复杂性和不稳定性，因此利用深度学习模型或者增加信源的睡眠呼吸暂停检测方式无法兼顾呼吸暂停检测的全面性和系统的经济性。

3、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术实施例提供了一种睡眠呼吸暂停检测方法及装置，以至少解决相关技术中难以准确检测不同类型的睡眠呼吸暂停的技术问题。

2、根据本技术实施例的一个方面，提供了一种睡眠呼吸暂停检测方法，包括：获取目标对象睡眠时的热成像视频，并确定热成像视频中用于表征目标对象的呼吸气流状态的第一呼吸气流信号和用于表征目标对象的胸腹部运动状态的第一呼吸运动信号；利用预设滑动窗口对第一呼吸气流信号和第一呼吸运动信号进行分段处理，得到多个时间窗口下的第二呼吸气流信号和第二呼吸运动信号；在每个时间窗口内，依据第二呼吸气流信号确定多个不同维度的呼吸气流特征，依据第二呼吸运动信号确定用于表征胸腹部运动幅值的呼吸努力强度特征和用于表征胸腹部运动相位的呼吸努力异同度特征，将多个呼吸气流特征、呼吸努力强度特征和呼吸努力异同度特征组合作为时间窗口对应的特征向量；对多个时间窗口对应的多个特征向量进行聚类，得到每个时间窗口对应的分类结果，其中，分类结果用于指示目标对象在时间窗口内处于以下状态之一：中枢性睡眠呼吸暂停、阻塞性睡眠呼吸暂停、睡眠呼吸正常。

3、可选地，确定热成像视频中用于表征目标对象的呼吸气流状态的第一呼吸气流信号和用于表征目标对象的胸腹部运动状态的第一呼吸运动信号，包括：对于热成像视频中的每帧热图像，确定热图像中的头部区域，从头部区域中确定鼻孔区域，并依据头部区域确定胸腹部区域；依据每帧热图像的鼻孔区域的像素确定第一呼吸气流信号；依据每帧热图像的胸腹部区域的像素确定第一呼吸运动信号。

4、可选地，确定热图像中的头部区域，包括：利用图像分割算法确定热图像中的至少一个高像素值区域，其中，高像素值区域中的像素值高于第一预设阈值；依据各个高像素值区域的形态从至少一个高像素值区域中筛选出头部区域。

5、可选地，从头部区域中确定鼻孔区域，包括：确定多个预设方向；在每个预设方向上，利用预设方向的线性滤波器对热成像视频中的每帧热图像中的头部区域进行边缘和纹理增强处理，得到对应的多个头部图像，对于每个头部图像，利用帧间差分法确定头部图像中发生运动的第一区域，对目标时间窗口内各个头部图像对应的第一区域求交集，得到预设方向对应的第二区域；对每个预设方向对应的第二区域求交集，得到热图像中的鼻孔区域，其中，热图像为目标时间窗口中的第一帧热图像，目标时间窗口为与滑动窗口对应的时间窗口。

6、可选地，依据头部区域确定胸腹部区域，包括：确定热图像中头部区域正下方预设大小的区域为胸腹部区域。

7、可选地，依据每帧热图像的鼻孔区域的像素确定第一呼吸气流信号，包括：对于每帧热图像，确定热图像的鼻孔区域内所有像素的平均值为热图像对应的呼吸气流信号值；将所有热图像对应的呼吸气流信号值按时序排列得到第一呼吸气流信号。

8、可选地，依据每帧热图像的胸腹部区域的像素确定第一呼吸运动信号，包括：对于每帧热图像，利用稠密光流法确定热图像的胸腹部区域中每个像素的位移，并获取热成像视频中两个连续帧的时间间隔，依据位移和时间间隔确定每个像素的运动速度；将胸腹部区域平均划分为第一数量的网格；对于每个网格，确定网格中所有像素的运动速度的平均速度为网格对应的呼吸运动信号值，将所有热图像中网格对应的呼吸运动信号值按时序排列得到网格对应的第三呼吸运动信号；将每个网格对应的第三呼吸运动信号作为第一呼吸运动信号的一个通道。

9、可选地，呼吸气流特征包括以下至少之一：方差、波形面积、90％分位数、瞬时呼吸间隔，依据第二呼吸气流信号确定多个不同维度的呼吸气流特征，包括：对第二呼吸气流信号进行噪声滤波处理，得到第三呼吸气流信号；确定第三呼吸气流信号中所有呼吸气流信号值的方差；确定第三呼吸气流信号的波形与预设基线所包围区域的面积为波形面积；对第三呼吸气流信号中的所有呼吸气流信号值从小到大进行排序，并确定排序后的所有呼吸气流信号值的90％分位数；确定第一呼吸气流信号中所有大于第二预设阈值的第一呼吸气流信号峰值，遍历所有第一呼吸气流信号峰值，若存在连续的多个第一呼吸气流信号峰值对应的时间间隔小于第三预设阈值，仅保留多个第一呼吸气流信号峰值中的最大值，确定遍历完成后剩余的第一呼吸气流信号峰值为第二呼吸气流信号峰值，确定第三呼吸气流信号中是否包括第二呼吸气流信号峰值，若包括，确定瞬时呼吸间隔为1，若不包括，确定瞬时呼吸间隔为0。

10、可选地，依据第二呼吸运动信号确定用于表征胸腹部运动幅值的呼吸努力强度特征和用于表征胸腹部运动相位的呼吸努力异同度特征，包括：对于每个网格，通过自相关法和傅里叶变换确定网格对应的第三呼吸运动信号对应的功率谱；若功率谱的峰值频率位于预设的正常呼吸频带内，确定功率谱内以峰值频率为中心的预设宽度对应的总功率为正常呼吸功率；若功率谱的峰值频率不在正常呼吸频带内，确定正常呼吸频带对应的总功率为正常呼吸功率；计算功率谱的总功率与正常呼吸功率的功率差值，并确定正常呼吸功率与功率差值的比例为网格对应的相对功率指标；依据每个网格的相对功率指标确定呼吸努力强度特征；依据每个网格的第三呼吸运动信号和相对功率指标确定呼吸努力异同度特征。

11、可选地，依据每个网格的相对功率指标确定呼吸努力强度特征，包括：确定相对功率指标大于第四预设阈值的网格的第二数量；确定第二数量与第一数量的比值为呼吸努力强度特征。

12、可选地，依据每个网格的第三呼吸运动信号和相对功率指标确定呼吸努力异同度特征，包括：确定所有网格的相对功率指标中的最大值为参考信号；对于每个网格，对网格对应的第三呼吸运动信号进行巴特沃斯低通滤波，得到第四呼吸运动信号，确定第四呼吸运动信号与参考信号的互相关函数，确定互相关函数的最大值对应的信号平移量与参考信号的周期的比值，对比值进行0/180°二值化，得到网格对应的信号相位差；确定信号相位差为180°的网格的第三数量；确定第三数量与第一数量的比值为呼吸努力异同度特征。

13、可选地，对多个时间窗口对应的多个特征向量进行聚类，得到每个时间窗口对应的分类结果，包括：预设与中枢性睡眠呼吸暂停、阻塞性睡眠呼吸暂停、睡眠呼吸正常三种状态对应的三个初始聚类中心；依据三个初始聚类中心对多个特征向量进行kmeans聚类，得到三个簇，其中，每个时间窗口对应的特征向量所属的簇对应的状态即为时间窗口对应的分类结果。

14、根据本技术实施例的另一方面，还提供了一种睡眠呼吸暂停检测装置，包括：获取模块，用于获取目标对象睡眠时的热成像视频，并确定热成像视频中用于表征目标对象的呼吸气流状态的第一呼吸气流信号和用于表征目标对象的胸腹部运动状态的第一呼吸运动信号；分段模块，用于利用预设滑动窗口对第一呼吸气流信号和第一呼吸运动信号进行分段处理，得到多个时间窗口下的第二呼吸气流信号和第二呼吸运动信号；特征提取模块，用于在每个时间窗口内，依据第二呼吸气流信号确定多个不同维度的呼吸气流特征，依据第二呼吸运动信号确定用于表征胸腹部运动幅值的呼吸努力强度特征和用于表征胸腹部运动相位的呼吸努力异同度特征，将多个呼吸气流特征、呼吸努力强度特征和呼吸努力异同度特征组合作为时间窗口对应的特征向量；分类模块，用于对多个时间窗口对应的多个特征向量进行聚类，得到每个时间窗口对应的分类结果，其中，分类结果用于指示目标对象在时间窗口内处于以下状态之一：中枢性睡眠呼吸暂停、阻塞性睡眠呼吸暂停、睡眠呼吸正常。

15、根据本技术实施例的另一方面，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的计算机程序，其中，非易失性存储介质所在设备通过运行该计算机程序执行上述的睡眠呼吸暂停检测方法。

16、根据本技术实施例的另一方面，还提供了一种电子设备，该电子设备包括：存储器和处理器，其中，存储器中存储有计算机程序，处理器被配置为通过计算机程序执行上述的睡眠呼吸暂停检测方法。

17、在本技术实施例中，获取目标对象睡眠时的热成像视频，并确定热成像视频中用于表征目标对象的呼吸气流状态的第一呼吸气流信号和用于表征目标对象的胸腹部运动状态的第一呼吸运动信号；利用预设滑动窗口对第一呼吸气流信号和第一呼吸运动信号进行分段处理，得到多个时间窗口下的第二呼吸气流信号和第二呼吸运动信号；在每个时间窗口内，依据第二呼吸气流信号确定多个不同维度的呼吸气流特征，依据第二呼吸运动信号确定用于表征胸腹部运动幅值的呼吸努力强度特征和用于表征胸腹部运动相位的呼吸努力异同度特征，将多个呼吸气流特征、呼吸努力强度特征和呼吸努力异同度特征组合作为时间窗口对应的特征向量；对多个时间窗口对应的多个特征向量进行聚类，得到每个时间窗口对应的分类结果，其中，分类结果用于指示目标对象在时间窗口内处于以下状态之一：中枢性睡眠呼吸暂停、阻塞性睡眠呼吸暂停、睡眠呼吸正常。其中，通过单个相机系统即可采集睡眠热成像视频，并从算法层面挖掘热成像视频中的呼吸气流特征、呼吸努力强度特征和呼吸努力异同度特征来表征睡眠呼吸暂停中的osa和csa的症状特征，从而实现osa和csa的分类检测，有效解决了相关技术中难以准确检测不同类型的睡眠呼吸暂停的技术问题。