一种基于时间序列算法的睡眠呼吸暂停事件识别系统

本发明涉及音频信号处理，尤其是涉及一种基于时间序列算法的睡眠呼吸暂停事件识别系统。

背景技术：

1、阻塞性睡眠呼吸暂停(osa)是一种睡眠呼吸障碍，是睡眠中常见的疾病之一。osa常常伴随着睡眠质量下降、嗜睡、疲劳、注意力不集中等问题，同时也会增加各种慢性疾病的风险，如高血压、心血管疾病、糖尿病等，严重的可能危及生命。据最新研究，osa在中国的患病率相当高，超过20％的人口患有osa，其中重度为8.8％，osa的及时诊断和治疗对于预防和减轻相关疾病的风险，以及降低社会和经济负担至关重要。

2、实验室多导睡眠图(psg)是诊断osa的金标准。通过在睡眠中呼吸暂停和低通气的情况，从而计算出呼吸暂停低通气指数(ahi)来判断osa的严重程度。但是，psg检查需要在睡眠实验室过夜且需要连接大量的导联线，对患者的生活和工作带来不便，因此许多睡眠障碍患者没有得到及时诊断，影响后继治疗。鼾声是osa的最早症状，也是相关的典型症状，可以通过麦克风直接获取，大大降低了获取数据成本。最新研究表明，通过鼾声声学特征提取分析可以进行osa辅助检测。

3、时间序列分类算法在生物医学信号分类中扮演重要角色。这些信号包括心电图(ecg)、脑电图(eeg)、肌电图(emg)、呼吸信号、血压信号等等。同时，声音数据是一种具有时间性质的信号，可以用一系列时间序列数据来表示。常用的时间序列分类算法包括基于特征提取的方法和基于深度学习的方法。基于特征提取的方法通常是从声音信号中提取一些特征，后使用分类器对这些特征进行分类。基于深度学习的方法则可以直接输入原始声音信号，并使用深度模型对其进行分类。这种方法通常需要更大的数据集和更高的计算资源，但可以更准确地识别声音信号并提取更多的信息。

4、综上所述，现有的睡眠呼吸暂停事件识别识别方法存在成本高、检测麻烦等缺陷。针对此，中国申请专利cn111613210a提出了一种各类呼吸暂停综合征的分类检测系统，属于鼾声检测及疾病判别领域；包括音频采集模块、鼾声提取模块、特征提取模块、鼾声识别模块、统计判断模块，所述音频采集模块，用于采集被测患者整晚睡眠状态时音频；所述鼾声提取模块，用于提取完整音频中所有的鼾声段音频；所述特征提取模块，用于对采集得到的鼾声段进行特征提取；所述鼾声识别模块，用于使用基于efficientnet神经网络的模型对所有的鼾声段进行各类鼾声的自动识别与检测；所述统计判断模块，用于对各类鼾声情况的进行统计，并依据ahi指数完成对各类呼吸暂停综合征的分类检测。虽然该申请可以有效识别呼吸暂停综合征，但该申请中使用到的模型复杂度较高，导致计算速度不够快。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于时间序列算法的睡眠呼吸暂停事件识别系统。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于时间序列算法的睡眠呼吸暂停事件识别系统，包括音频采集模块、音频信号特征提取模块、特征标注模块、训练集构建模块及统计分类模块；

4、所述音频采集模块用于采集用户夜间睡眠音频；

5、所述音频信号特征提取模块采用mfcc对提取到的用户夜间睡眠音频进行特征提取，得到mfcc特征；

6、所述特征标注模块用于对所述mfcc特征进行标注；

7、所述训练集构建模块基于标注好的mfcc特征，构建时间序列分类算法模型的训练集；

8、所述统计分类模块基于所述时间序列分类算法模型的训练集训练线性分类器，分类得到所述用户夜间睡眠音频中呼吸暂停事件的数目，通过ahi指数公式计算完成睡眠呼吸暂停事件的识别。

9、进一步地，所述的音频信号特征提取模块中，采用mfcc将所述用户夜间睡眠音频从时域转换至频域。

10、进一步地，采用mfcc提取的特征包括音调、音量及共振峰。

11、进一步地，所述采用mfcc对提取到的用户夜间睡眠音频进行特征提取具体包括以下步骤：

12、将音频信号划分成多个时间窗口，并在每个窗口内应用短时傅里叶变换将音频信号转换为频域表示，得到频域信号；

13、使用梅尔滤波器组将所述频域信号转换为梅尔频率表示，并对每个频率带内的能量取对数，得到对数能量序列；

14、对每个窗口内的对数能量序列应用离散余弦变换，得到一组mfcc系数；

15、保留前13维mfcc系数作为特征表示。

16、进一步地，所述前13维mfcc系数中包括包含1维信号帧能量和12维dct系数。

17、进一步地，所述特征标注模块采用编程自动标注的方式，对所述mfcc特征进行标注，标注标签包括呼吸暂停及低通气事件和正常睡眠。

18、进一步地，所述训练集构建模块基于标注好的mfcc特征，构建时间序列分类算法模型的训练集具体包括以下步骤：

19、对用户夜间睡眠音频按25ms一帧进行信号帧的特征提取，每1秒进行特征聚合；

20、取13维每一维度的mfcc特征平均值，输出每一维度中每一秒的特征，代表1秒内的音频特征；

21、通过自动标注的程序将时间序列标记成呼吸暂停及低通气事件和正常睡眠两种标签，保存为一个数据集样本；

22、重复上述步骤至预设标准，完成时间序列分类算法模型的训练集构建。

23、进一步地，所述统计分类模块采用minirocket时间序列分类算法对下游任务进行分类，包括以下步骤：

24、利用卷积核对时间序列数据进行特征变换，将每个卷积核应用于时间序列，生成对应的特征图；

25、从每个特征图中聚合生成两个特征值，包括特征图的全局化池最大值及正值的比例；

26、基于所述特征值，使用特征转换后的时间序列特征训练一个岭分类器，通过将标签y转换为{-1，1}执行回归操作；

27、其中，每个卷积核都有膨胀度d进行空洞卷积，以获得不同的感受野来捕获不同尺度的时间序列特征；

28、对于给定用户夜间睡眠音频片段特征时间序列xi和具有膨胀度d的卷积核ωj，通过空洞卷积核进行特征变换得到：

29、

30、其中，膨胀度d取值范围为d＝{[20],…,[2max]}，[·]表示四舍五入；

31、

32、式中，lkernel为卷积核长度，max值保证了空洞卷积的感受野覆盖整个时间序列，linput为输入序列的长度。

33、进一步地，所述统计分类模块分类得到所述用户夜间睡眠音频中呼吸暂停及低通气事件的数目，通过ahi指数公式计算完成睡眠呼吸暂停事件的识别，ahi指数公式的表达式为：

34、

35、进一步地，所述统计分类模块基于计算得到的ahi指数，输出患者osa症状分度，osa症状分类标准为：单纯性鼾症：ahi∈[0，5]；轻度：ahi∈[5,15]；中度：ahi∈[15,30]；重度：ahi∈[30,∞)。

36、与现有技术相比，本发明具有以下有益效果：

37、1、本发明提出了基于时间序列分类算法minirocket分析疑似osa患者的睡眠鼾声的音频数据特征，从而计算ahi指数对疑似患者进行osa严重程度分类的智能辅助决策系统，能够以一种较为经济的方式进行用户睡眠呼吸暂停事件分析，从而减轻用户的经济负担，具有良好的实用性和经济效益。

38、2、本发明采用自动标签标注系统，避免人工标注，节省成本，省时省力。

39、3、本发明为一种端到端的分类模型，只需输入原始睡眠音频，即可输出用户睡眠呼吸暂停事件严重程度分类，避免人工特征设计。

40、4、本发明将音频信息转换为时间序列特征，利用不同膨胀度的卷积核，捕获信号帧与相邻帧之间的关系，增强了特征表示。

41、5、本发明采用的minirocket时间序列算法是一种非常快速的算法，相比于深度网络，减少了计算复杂度和模型计算时间，能够快速、准确地输出分类结果。