的睡眠呼吸障碍检测装置， 该方法包括如下步骤：
[0037] 步骤S102,在每个睡眠阶段采集检测目标的睡眠生理信号，该睡眠生理信号包括 屯、率信号和呼吸信号。
[0038] 在本发明实施例中，睡眠阶段包括REM((Rapid Eyes Movement,异相睡眠)睡眠阶 段、浅睡眠阶段和深睡眠阶段。
[0039] 具体地，分别在REM睡眠阶段、浅睡眠阶段和深睡眠阶段连续记录检测目标的睡眠 生理信号。
[0040] 步骤S104,对该呼吸信号进行预处理得到呼吸轮廓信号；对该屯、率信号进行预处 理得到屯、率周期的均匀时间序列。
[0041] 可选地，如图2所示，在本发明实施例中，对该呼吸信号进行预处理得到呼吸轮廓 信号可W包括如下步骤：
[0042] 步骤S1041，按照预设时间分别切割该屯、率信号和该呼吸信号得到该屯、率数据对 应的屯、率信号数据段和该呼吸信号对应的呼吸信号数据段。
[0043] 具体地，由于大部分人的各个睡眠阶段的时间均不少于10分钟，因此WlO分钟（即 预设时间）为单位将不同睡眠阶段的屯、率信号和呼吸信号进行切割，对于不足10分钟长度 的信号则保留原信号的长度。
[0044] 步骤S1042,通过小波分解法对该呼吸信号数据段进行滤波处理得到呼吸轮廓信 号。
[0045] 在本发明实施中，小波基为sym8(即symlet小波族小波，序号是8,该小波滤波器长 度为2XN=16,小波函数消失矩8)，并根据实际信号的质量选择不同的低频层，本发明实施 中，呼吸信号选择第2层。
[0046] 对该屯、率信号进行预处理得到屯、率周期的均匀时间序列可W包括如下步骤：
[0047] 步骤S1043,通过该小波分解法对该屯、率信号数据段进行滤波处理得到屯、率轮廓 信号。
[0048] 在本发明实施中，小波基同样为sym8,本发明实施中，屯、率信号选择第4层低频层。
[0049] 步骤S1044,通过滑动窗口法对该屯、率轮廓信号得到屯、率周期的非均匀时间序列。
[0050] 步骤S1045,通过=次样条插值法将该非均匀时间序列转化为均匀时间序列。
[0051] 步骤S106,分别获取该呼吸轮廓信号和该均匀时间序列的特征信息，并根据预设 的训练样本集获取该睡眠生理信号对应的先验知识。
[0052] 其中，该该呼吸轮廓信号的特征信息包括:呼吸轮廓信号波动的幅值变化值;该均 匀时间序列的特征信息包括:该均匀时间序列的均值和该均匀时间序列频谱的低频带能量 与高频带能量比值W及该均匀时间序列的非线性属性(包括样本赌值W及去趋势波动分析 得到的标度指数值)。
[0053] 具体地，对于呼吸轮廓信号，通过计算呼吸轮廓信号连续拐点的个数来评价信号 幅度的变化，运里拐点的定义为:与相邻的前一时刻波谷值相比，振幅下降大于某个阔值的 波谷点。拐点的出现与呼吸幅度的变化有关，拐点个数越多说明出现睡眠呼吸障碍的可能 性越大。对于屯、跳周期的均匀时间序列，计算该均匀时间序列的均值，并利用AR模型功率谱 计算低频带（即0.0甜Z-0.15Hz)能量与高频带（即0.1甜Z-0.4Hz)能量的比值W及计算样本 赌值W及去趋势波动分析的标度指数值。运样，即可得到该呼吸轮廓信号的特征信息(呼吸 轮廓信号幅值变化值)和均匀时间序列的特征信息（该均匀时间序列的均值和该均匀时间 序列频谱的低频带能量与高频带能量比值W及该均匀时间序列的样本赌值W及去趋势波 动分析得到的标度指数值）。
[0054] 可选地，将该睡眠生理信号与该训练数据集的相似度确定为该先验知识。
[0055] 步骤S108，根据该特征信息和该先验知识W及该检测目标的目标特征生成特征集 合，并通过主成分分析法从该特征集合中确定最优特征子集合得到检测样本。
[0056] 其中，目标特征可W是检测目标的年龄，性别，体重指数等信息，该特征集合可W 包括但不限于W下内容：呼吸轮廓特征，屯、率的时域，频域和非线性特征，检测目标的先验 知识，W及检测目标的年龄，性别，体重指数等目标特征。
[0057] 可选地，在将该检测样本与预设的样本模型进行匹配前，根据预设核函数通过该 训练数据集对SVM(Suppcxrt Vector Machine,支持向量机)模型进行训练得到样本模型。 [005引在本发明实施例中，该预设核函数可W为RBF(Radial Basis Function,径向基） 函数，并通过五折交叉验证的方式对SVM模型进行训练，得到该样本模型。
[0059] 步骤S110,将该检测样本与样本集训练得到的检测模型进行匹配，并根据匹配结 果输出睡眠呼吸障碍检测信息。
[0060] 可选地，在将该检测样本与预设的样本模型进行匹配前，根据预设核函数通过该 训练数据集对SVM(Suppcxrt Vector Machine,支持向量机)模型进行训练得到该样本模型。 [0061 ] 在本发明实施例中，该预设核函数可W为RBF(Radial Basis Function,径向基） 函数，并通过五折交叉验证的方式对SVM模型进行训练，得到该样本模型。
[0062] 需要说明的是，在本发明实施例一种可能的实现方式中，上述样本集训练得到的 检测模型可W是睡眠呼吸障碍患者的睡眠生理信号的样本检测模型，通过上述的检测样本 与样本检测模型的匹配，从而根据匹配结果输出睡眠呼吸障碍检测信息，进一步地，对该睡 眠呼吸障碍检测信息进行数据处理，可W确定用户的睡眠状态是否正常（如是否具有睡眠 呼吸障碍）。
[0063] 在本发明一种可能的实现方式中，上述步骤S106中描述的将该睡眠生理信号特征 与该训练数据集的相似度确定为该先验知识，其中的相似度为：
[0065] 其中，Vi表示该睡眠生理信号特征对应的先验知识，在本实施例中，该先验知识是 一个大于0小于1的数值;D表示该正常类中屯、与睡眠呼吸障碍类中屯、的距离;Dsdb表示该睡 眠生理信号特征到睡眠呼吸障碍类特征中屯、的距离;Dns表示该睡眠生理信号特征到正常类 特征中屯、的距离;e为一个预设极小量，为了防止先验知识为0的情况出现。
[0066] 需要说明的是，上述正常类特征中屯、为均匀样本集中正常人群的相关特征算术均 值构成的中屯、点，睡眠呼吸障碍类特征中屯、为均匀样本集中呼吸障碍患者人群相关特征的 算术均值构成的中屯、点。
[0067] 运样，通过上述相似度得到的检测样本可W与样本集训练得到的检测模型进行匹 配，并输出睡眠呼吸障碍检测信息。
[0068] 进一步地，对该睡眠呼吸障碍检测信息进行数据处理，可W确定用户是否具有睡 眠呼吸障碍。
[0069] 采用本发明实施例，通过屯、率和呼吸两个角度结合检测目标的目标特征W及先验 知识，可W更加全面和细粒度的考虑相关的特征，从而提高了睡眠呼吸障碍检测的准确率。
[0070] 需要说明的是，对于上述方法实施例，为了简单描述，故将其都表述为一系列的动 作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据 本发明，某些步骤可W采用其他顺序或者同时进行，例如上述步骤S1041至步骤S1045并不 局限于上述执行顺序，也可W是步骤S1041至步骤S1042与步骤S1043至步骤S1045同时执 行，或者先执行步骤S1043至步骤S1045,再执行步骤S1041至步骤S1042,本发明对此不作限 定;其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所设 及的动作和模块并不一定是本发明所必须的。
[0071] 图3是本发明实施例提供的一种基于屯、率和呼吸信号的睡眠呼吸障碍检测装置， 如图3所示，该装置包括：
[0072] 采集单元301，用于在每个睡眠阶段采集检测目标的睡眠生理信号，该睡眠生理信 号包括屯、率信号和呼吸信号；
[0073] 预处理单元302,用于对该呼吸信号进行预处理得到呼吸轮廓信号;对该屯、率信号 进行预处理得到屯、率周期的均匀时间序列；
[0074] 获取单元303,用于分别获取该呼吸轮廓信号和该均匀时间序列的特征信息，并根 据预设的训练样本集获取该睡眠生理信号对应的先验知识；
[0075] 处理单元304，用于根据该特征信息和该先验知识W及该检测目标的目标特征生 成特征集合，并通过主成分分析法从该特征集合中确定最优特征子集合得到检测样本；
[0076] 匹配单元305,用于将该检测样本与样本集训练得到的检测模型进行匹配，并根据 匹配结果输出睡眠呼吸障碍检测信息。
[0077] 可选地，该预处理单元302用于通过W下步骤执行对该呼吸信号进行预处理得到 呼吸轮廓信号:按照预设时间分别切割该屯、率信号和该呼吸信号得到该屯、率数据对应的屯、 率信号数据段和该呼吸信号对应的呼吸信号数据段;通过小波分解法对该呼吸信号数据段 进行滤波处理得到呼吸轮廓信号；
[0078] 该预处理单元302用于通过W下步骤执行对该屯、率信号进行预处理得到屯、率周期 的均匀时间