一种基于鼾声和血氧的中频止鼾仪数据处理方法技术

技术编号:22321288 阅读:25 留言:0更新日期:2019-10-19 10:15
本发明专利技术公开了一种基于鼾声和血氧的中频止鼾仪数据处理方法,其包括以下步骤:S1:获取打鼾声音和血氧信号,并对获取的打鼾声音数据进行预处理;S2:将步骤S1中的预处理后的声音信号进行分段处理,将每一设定时间段内的声音信号作为一帧,并提取其中的有效信息;S3:顺次采用随机森林算法、递归特征消除算法、归一化指数函数算法对步骤S2中的有效信息进行分析并判断打鼾严重程度。本发明专利技术的基于鼾声和血氧的中频止鼾仪数据处理方法能够准确、快速判断打鼾程度,并能够对打鼾程度进行分类,能够自动识别出类别,以便于后续使用中频治疗进行诊断、治疗。

【技术实现步骤摘要】
一种基于鼾声和血氧的中频止鼾仪数据处理方法
本专利技术涉及中频止鼾仪
,特别是涉及一种基于鼾声和血氧的中频止鼾仪数据处理方法。
技术介绍
鼾声是一种异常的呼吸音,它是由病变或由睡眠姿势不对所引起,鼾声的频率范围在(200~800)Hz。临床研究发现,鼾症有时会引起呼吸暂停,机体必要的换气量受到限制,从而使得身体内的氧分压降低,二氧化碳分压升高,甚至会引起一系列严重的后果,直至窒息死亡。打鼾伴呼吸暂停综合征又称睡眠呼吸暂停综合症(OSAHS),是指睡眠时对口鼻气流中断持续10秒以上,并伴随着血氧饱和度的下降,患者在睡眠时打鼾,鼾声不均匀且时有中断,打鼾停止时伴随着呼吸动作但口腔及鼻腔没有气流进出,数秒钟或数分钟后又突然爆发出来恢复打鼾及口鼻通气。呼吸暂停时患者表情痛苦,严重时伴有面色紫绀、出汗或者躁动。现有的止鼾仪对采集的鼾声和血氧参数处理不够科学,难以精准、快速判断打鼾程度,进而影响了后续的止鼾治疗。
技术实现思路
为此,本专利技术要解决的技术问题是克服现有的止鼾仪存在的上述不足,进而提供一种基于鼾声和血氧的中频止鼾仪数据处理方法,以达到快速、精准判断打鼾程度目的。为实现上述目的,本专利技术采用以下技术方案:一种基于鼾声和血氧的中频止鼾仪数据处理方法,其包括以下步骤:S1:获取打鼾声音和血氧信号,并对获取的打鼾声音数据进行预处理;S2:将步骤S1中的预处理后的声音信号进行分段处理,将每一设定时间段内的声音信号作为一帧,并提取其中的有效信息;S3:顺次采用随机森林算法、递归特征消除算法、归一化指数函数算法对步骤S2中的有效信息进行分析并判断打鼾严重程度。优选地,所述步骤S1中的对声音信号的预处理包括预先设定打鼾声音的采样频率和采样精度,然后对采集到的声音数据进行降噪处理,最后再对声音数据进行预加重处理。优选地,所述预先设定的打鼾声音的采样频率为8000-11025HZ,采样精度为16bit。优选地,所述降噪处理的方式为自适应滤波降噪,降噪过程包括:输入信号序列xi(n),期望输出信号d(n),定义误差信号为:S11:设定滤波器的W(k)初值:W(0)=0,收敛因子S12:计算滤波器实际输出的估计值:y(k)=WT(k)X(k)S13:计算估算误差:e(k)=d(k)-y(k)S14:更新k+1时刻滤波器系数:W(k+1)=W(k)+μe(k)X(k)S15:将k变为k+1,重复步骤S12-S14;其中ωi为加权系数,W为滤波器系数,k为迭代次数,μ为收敛因子,λ为输入信号的自相关矩阵中最大特征值。优选地,所述预加重处理采用一阶FIR高通滤波器对数据进行预加重,其传输函数为:H(Z)=1-bZ-1其中b为预加重系数,范围为0.9<b<1,一般取0.94。优选地,步骤S2中的设定时间段为30秒,将每30秒分为一帧。优选地,步骤S2中的有效信息包括呼吸音峰值、呼吸变动值、声音的频率和幅度、每一帧声音的主成分分析、每一帧声音段内的最高血氧值和平均血氧值。优选地,对步骤S2中的有效信息采用随机森林算法和递归特征消除算法进行特征选择,然后再使用归一化指数函数算法进行分类判断,以判断打鼾程度。优选地,采用随机森林算法和递归特征消除算法进行特征选择的方式为:首先构建随机森林分类器模型,计算每一个波段的重要性并进行排序;然后采用序列后向搜索的递归特征消除方法,每次从特征集合中去掉重要性最小的特征,将形成的新特征集代入算法,逐次进行迭代,并计算每次分类结果的精度;最后得到特征个数少、分类准确率高的特征集。优选地,随机森林中特征fi的重要性的计算方法为:首先根据带外数据OOB计算随机森林中每个决策树的OOB误差为Ai;然后随机地对OOB所有样本的特征fi加入噪声干扰,得到新的训练集计算其OOB误差为第i个特征fi的重要性公式为本专利技术的有益效果:本专利技术的基于鼾声和血氧的中频止鼾仪数据处理方法能够准确、快速判断打鼾程度,并能够对打鼾程度进行分类,能够自动识别出类别,以便于后续使用中频治疗进行诊断、治疗。并据此在睡眠结束后进行睡眠评估,评估睡眠质量和是否患有阻塞性睡眠呼吸暂停低通综合征。附图说明为了使本专利技术的内容更容易被清楚的理解,下面结合附图,对本专利技术作进一步详细的说明,其中:图1是本专利技术的基于鼾声和血氧的中频止鼾仪数据处理方法的原理框图。具体实施方式参见图1,一种基于鼾声和血氧的中频止鼾仪数据处理方法,其包括以下步骤:S1:获取打鼾声音和血氧信号,并对获取的打鼾声音进行预处理;S2:将步骤S1中的预处理后的声音信号进行分段处理,将每一设定时间段内的声音信号作为一帧,并提取其中的有效信息;S3:顺次采用随机森林算法、递归特征消除算法、归一化指数函数算法对步骤S2中的有效信息进行分析并判断打鼾严重程度。本专利技术的基于鼾声和血氧的中频止鼾仪数据处理方法能够准确、快速判断打鼾程度,并能够对打鼾程度进行分类,能够自动识别出类别,以便于后续使用中频治疗进行诊断、治疗。并据此在睡眠结束后进行睡眠评估,评估睡眠质量和是否患有阻塞性睡眠呼吸暂停低通综合征。所述步骤S1中的对声音信号的预处理包括预先设定打鼾声音的采样频率和采样精度,然后对采集到的声音数据进行降噪处理,最后再对声音数据进行预加重处理。本实施例的所述预先设定的打鼾声音的采样频率为8000-11025HZ,采样精度为16bit,在其他实施例中该采样频率和采样进度还可选用其他适宜数值。本实施例的所述降噪处理的方式为LMS自适应滤波降噪,输入信号序列xi(n),期望输出信号d(n),定义误差信号为:降噪步骤如下:S11:设定滤波器的W(k)初值:W(0)=0,收敛因子S12:计算滤波器实际输出的估计值:y(k)=WT(k)X(k)S13:计算估算误差:e(k)=d(k)-y(k)S14:更新k+1时刻滤波器系数:W(k+1)=W(k)+μe(k)X(k)S15:将k变为k+1,重复步骤S12-S14;其中ωi为加权系数,W为滤波器系数,k为迭代次数,μ为收敛因子,λ为输入信号的自相关矩阵中最大特征值。本实施例的所述预加重处理采用一阶FIR高通滤波器对数据进行预加重,其传输函数为:H(Z)=1-bZ-1其中b为预加重系数,0.9<b<1,一般取0.94。本实施例的步骤S2中的设定时间段为30秒,将每30秒分为一帧,步骤S2中的有效信息包括呼吸音峰值、呼吸变动值、声音的频率和幅度、每一帧声音的主成分分析、每一帧(本实施例每一帧为30秒)声音段内的最高血氧值和平均血氧值,其中:(1)呼吸音峰值的计算公式如下:Pk代表呼吸音的幅值,t的值是30秒,窗函数的值也是30秒,移动速度为5秒,∑Wc(t,δ)max(1:100)代表在一个窗函数中幅值最大的100点的和;(2)呼吸变动的计算公式如下:RespVar代表呼吸变动值,P是在一个窗函数30秒中幅值是平均幅值5倍点的个数,较大的呼吸变动代表鼾声,而较小的呼吸变动则代表正常的呼吸状态。对步骤S2中的有效信息采用随机森林算法(简称RF)和递归特征消除算法(简称RFE)进行特征选择,然后再使用归一化指数函数算法(Softmax模型)进行分类判断,以判断打鼾程度,具体方式如下:RF-RFE特征选择方法为:首先构建随机森林分类器模型本文档来自技高网...

【技术保护点】
1.一种基于鼾声和血氧的中频止鼾仪数据处理方法,其特征在于包括以下步骤:S1:获取打鼾声音和血氧信号,并对获取的打鼾声音数据进行预处理;S2:将步骤S1中的预处理后的声音信号进行分段处理,将每一设定时间段内的声音信号作为一帧,并提取其中的有效信息;S3:顺次采用随机森林算法、递归特征消除算法、归一化指数函数算法对步骤S2中的有效信息进行分析并判断打鼾严重程度。

【技术特征摘要】
1.一种基于鼾声和血氧的中频止鼾仪数据处理方法,其特征在于包括以下步骤:S1:获取打鼾声音和血氧信号,并对获取的打鼾声音数据进行预处理;S2:将步骤S1中的预处理后的声音信号进行分段处理,将每一设定时间段内的声音信号作为一帧,并提取其中的有效信息;S3:顺次采用随机森林算法、递归特征消除算法、归一化指数函数算法对步骤S2中的有效信息进行分析并判断打鼾严重程度。2.根据权利要求1所述的基于鼾声和血氧的中频止鼾仪数据处理方法,其特征在于:所述步骤S1中的对声音信号的预处理包括预先设定打鼾声音的采样频率和采样精度,然后对采集到的声音数据进行降噪处理,最后再对声音数据进行预加重处理。3.根据权利要求2所述的基于鼾声和血氧的中频止鼾仪数据处理方法,其特征在于:所述预先设定的打鼾声音的采样频率范围为8000-11025HZ,采样精度为16bit。4.根据权利要求2所述的基于鼾声和血氧的中频止鼾仪数据处理方法,其特征在于:所述降噪处理的方式为自适应滤波降噪,降噪过程包括:输入信号序列xi(n),期望输出信号d(n),定义误差信号为:S11:设定滤波器的W(k)初值:W(0)=0,收敛因子S12:计算滤波器实际输出的估计值:y(k)=WT(k)X(k)S13:计算估算误差:e(k)=d(k)-y(k)S14:更新k+1时刻滤波器系数:W(k+1)=W(k)+μe(k)X(k)S15:将k变为k+1,重复步骤S12-S14;其中ωi为加权系数,W为滤波器系数,k为迭代次数,μ为收敛因子,λ为输入信号的自相关矩阵中最大特征值。5.根据权利要求2所述的基于鼾声和血氧的中频止鼾仪数据处理...

【专利技术属性】
技术研发人员:丁衍张跃春曾瑜
申请(专利权)人:苏州小蓝医疗科技有限公司
类型:发明
国别省市:江苏,32

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1