本发明专利技术提供了一种基于心跳间期的睡眠呼吸暂停自动检测方法和装置，用于解决现有技术中睡眠呼吸暂停检测不准确、精度不高的问题。所述睡眠呼吸暂停自动检测方法首先采集睡眠时的心跳间期信息，再通过残差神经网络对所述心跳间期信息自动提取特征，并进一步提取心率变异性特征，再将所述自动提取特征和心率变异性特征集合进行融合，从而判断是否出现呼吸暂停。本发明专利技术通过提取心电图ECG信号中的心跳间期特征，并将此特征在残差神经网络中进行深入分析，结合了心率变异性特征，且所述残差神经网络中的所有权重都可以在临床上进行微调，提高了提高了睡眠检测的灵性性、准确性和精确性；同时只需要单导心电信息，采集过程简单便捷，具有相当的普适性。
【技术实现步骤摘要】
一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置
本专利技术属于医学数据监测领域，具体涉及一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置。
技术介绍
睡眠呼吸暂停(SleepApnea，SA)是导致睡眠障碍的常见呼吸病症。在快速眼动睡眠中，气道被颏舌肌、肌腱和脂肪组织完全阻塞至少10秒，或者持续10秒出现气流减少超过50％、氧气去饱和度超过3％的呼吸不足现象，都被称为呼吸暂停。根据调查，近30多年以来，睡眠呼吸暂停一直影响着全世界的人们，且在2008年患病人数就已达到了全球成人的6％。越来越多的呼吸暂停患者由于没有被及时诊断和干预，面临着心血管疾病以及临床抑郁症的风险。许多实验都研究了呼吸暂停的危害，结果表明呼吸暂停与几种内源性生理现象和疾病之间存在很大的相关性。睡眠呼吸暂停是长期、有害的，但在诊断后可以进行治疗。气道正压(PositiveAirwayPressure,PAP)治疗和腭咽成形术(Palatopharyngoplasty,PPP)治疗等疗法在早期诊断中是很有效的。因此，及时诊断对于呼吸暂停的治疗过程至关重要。传统上通过多导睡眠图(Polysomnogram,PSG)信号来诊断呼吸暂停综合征严重程度，但在收集PSG信号来检测呼吸暂停时，患者被要求与侵入式设备一起睡眠过夜，还需要医学专家和诊所环境。这种传统的呼吸暂停检测过程过于复杂且价格高昂，因此需要能够在非侵入式设备上快速准确执行的新方法。现有技术中，检测睡眠呼吸暂停的一种有效解决方案是使用单导联心电图(ECG)信号来检测呼吸暂停，目前通常通过人工设计各种功能。例如，通过从ECG信号中提取特征，放入邻近算法(kNN)、支持向量机(SVM)等各种分类器中进行分类，或者通过深度神经网络进行自动特征提取及分类。但在100Hz左右采样的ECG信号限制了神经网络的深度，从而影响睡眠呼吸检测的准确性和精度。因此，现有的睡眠呼吸检测方法在用户体验、灵活性及准确性方面都存在一定的缺陷。
技术实现思路
本专利技术实施例提供了一种基于心跳间期的睡眠呼吸暂停自动检测方法和装置，通过提取心电图ECG信号中的心跳间期特征，并将此特征在残差神经网络中进行深入分析，结合心率变异性特征，判断是否出现呼吸暂停，提高睡眠呼吸暂停检测的准确性和灵活性。为了实现上述目的，本专利技术实施例采用的技术方案如下。第一方面，本专利技术实施例提供了一种基于心跳间期的睡眠呼吸暂停自动检测方法，所述方法包括如下步骤：步骤S1，采集睡眠时的人体心电图ECG信号，根据心电周期PQRST五个波中的R波，进行相邻心电的心跳间期信息提取，生成心跳间期时间序列；步骤S2，基于预设的残差神经网络对所述心跳间期时间序列进行特征自动提取，得到第一心率变异性特征；步骤S3，基于心跳间期时间序列进行心率变异性特征提取，获得第二心率变异性特征；步骤S4，将所述残差神经网络自动提取的第一心率变异性特征和所述第二心率变异性特征集合进行特征融合，一起输入到分类器，判断是否出现呼吸暂停。可选地，所述步骤S1中生成心跳间期时间序列，进一步为，使用线性插值对所提取的心跳间期信息采用2Hz频率进行重采样，生成心跳间期时间序列。可选地，所述步骤S2中对心跳间期时间序列进行特征自动提取，进一步为：使用卷积神经网络CNN和反向传播BP算法训练所述残差神经网络，完成特征自动提取。可选地，所述卷积神经网络共由33层一维卷积层构成，通过与批量归一化层、dropout层、ReLu函数层的结构组合，组成16个残差块。可选地，所述ReLu函数层中，一维卷积层是CNN的核心，激活函数h的输入向量为X，输出是下一层的输入，第l层卷积层的输出Y(l)conv为：式(1)中，是卷积计算，B为偏置矩阵，W为具有固定大小的权值向量。可选地，所述卷积层之间采用平均池化层。可选地，在所述16个残差块中，建立一个短路连接，将残差块的输入添加到残差块的输出中，并在短路连接中进行投影，以使输入大小与输出大小相匹配，从而完成神经网络特征的自动提取。可选地，所述步骤S3中心率变异性特征，包括：心跳间期的平均值、心跳间期的标准差、心跳间期的偏度、心跳间期的峰度、NN50度量值、pNN50指标、相邻心跳间期之间差异的标准差、相邻心跳间期之间差异平方平均值的平方根、Allan因子、心跳间期的极低频、心跳间期的低频、心跳间期的高频、心跳间期的低频LF与高频HF之比。可选地，所述步骤S4中的判断是否出现呼吸暂停，进一步为：将所述残差神经网络自动提取的第一心率变异性特征与所述人工提取的第二心率变异性特征融合为一个特征向量，并输入到一层全连接神经网络分类器中；所述特征向量经过所述分类器后得到未标准化的判别值x，通过输出函数sigmoid(x)将所述判别值转化为当前时间段内患者出现睡眠呼吸暂停的伪概率；当判别值x为非负时，伪概率大于等于50％，判断当前时间段内患者出现睡眠呼吸暂停，预测标签值等于1；当判别值x为负时，伪概率小于50％，判断当前时间段内患者未出现睡眠呼吸暂停，预测标签值等于0。第二方面，本专利技术实施例提供了一种基于心跳间期的睡眠呼吸暂停自动检测装置，所述睡眠呼吸暂停自动检测装置包括：心跳间期信息采集模块、深度特征提取模块、心率变异性特征提取模块、睡眠呼吸暂停判断模块；其中，心跳间期信息采集模块同时与所述深度特征提取模块和心率变异性特征提取模块相连，用于采集睡眠时的人体心电图ECG信号，根据心电周期PQRST五个波中的R波，进行相邻心电的心跳间期信息提取，生成心跳间期时间序列，并将所述心跳间期时间序列发送给所述深度特征提取模块和心率变异性特征提取模块；所述深度特征提取模块用于根据所述生成心跳间期时间序列并基于预设的残差神经网络自动提取特征，并将所述自动提取特征发送给所述睡眠呼吸暂停判断模块；所述心率变异性特征提取模块用于根据所述生成心跳间期时间序列提取心率变异性特征，并将所述心率变异性特征发送给所述睡眠呼吸暂停判断模块；所述睡眠呼吸暂停判断模块同时与所述深度特征提取模块和心率变异性特征提取模块相连，用于根据所接收的自动提取特征和心率变异性特征判断是否出现睡眠呼吸暂停。本专利技术具有如下有益效果：本专利技术实施例所述基于心跳间期的睡眠呼吸暂停自动检测方法和装置，首先采集睡眠时的心跳间期信息，再通过残差神经网络对所述心跳间期信息自动提取特征，并进一步提取心率变异性特征，再将所述自动提取特征和心率变异性特征集合进行融合，从而判断是否出现呼吸暂停，具有很大的灵活性，提高了睡眠呼吸暂停检测的准确性和检测精度。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例基于心跳间期的睡眠呼吸暂停自动检测方法本文档来自技高网...
【技术保护点】
1.一种基于心跳间期的睡眠呼吸暂停自动检测方法，其特征在于，所述方法包括如下步骤：/n步骤S1，采集睡眠时的人体心电图ECG信号，根据心电周期PQRST五个波中的R波，进行相邻心电的心跳间期信息提取，生成心跳间期时间序列；/n步骤S2，基于预设的残差神经网络对所述心跳间期时间序列进行特征自动提取，得到第一心率变异性特征；/n步骤S3，基于心跳间期时间序列进行心率变异性特征提取，获得第二心率变异性特征；/n步骤S4，将所述残差神经网络自动提取的第一心率变异性特征和所述第二心率变异性特征集合进行特征融合，一起输入到分类器，判断是否出现呼吸暂停。/n
【技术特征摘要】
1.一种基于心跳间期的睡眠呼吸暂停自动检测方法，其特征在于，所述方法包括如下步骤：
步骤S1，采集睡眠时的人体心电图ECG信号，根据心电周期PQRST五个波中的R波，进行相邻心电的心跳间期信息提取，生成心跳间期时间序列；
步骤S2，基于预设的残差神经网络对所述心跳间期时间序列进行特征自动提取，得到第一心率变异性特征；
步骤S3，基于心跳间期时间序列进行心率变异性特征提取，获得第二心率变异性特征；
步骤S4，将所述残差神经网络自动提取的第一心率变异性特征和所述第二心率变异性特征集合进行特征融合，一起输入到分类器，判断是否出现呼吸暂停。
2.根据权利要求1所述的睡眠呼吸暂停自动检测方法，其特征在于，所述步骤S1中生成心跳间期时间序列，进一步为，使用线性插值对所提取的心跳间期信息采用2Hz频率进行重采样，生成心跳间期时间序列。
3.根据权利要求1所述的睡眠呼吸暂停自动检测方法，其特征在于，所述步骤S2中对心跳间期时间序列进行特征自动提取，进一步为：使用卷积神经网络CNN和反向传播BP算法训练所述残差神经网络，完成特征自动提取。
4.根据权利要求3所述的睡眠呼吸暂停自动检测方法，其特征在于，所述卷积神经网络共由33层一维卷积层构成，通过与批量归一化层、dropout层、ReLu函数层的结构组合，组成16个残差块。
5.根据权利要求4所述的睡眠呼吸暂停自动检测方法，其特征在于，所述ReLu函数层中，一维卷积层是CNN的核心，激活函数h的输入向量为X，输出是下一层的输入，第l层卷积层的输出Y(l)conv为：
式(1)中，是卷积计算，B为偏置矩阵，W为具有固定大小的权值向量。
6.根据权利要求4所述的睡眠呼吸暂停自动检测方法，其特征在于，所述卷积层之间采用平均池化层。
7.根据权利要求4所述的睡眠呼吸暂停自动检测方法，其特征在于，在所述16个残差块中，建立一个短路连接，将残差块的输入添加到残差块的输出中，并在短路连接中进行投影，以使输入大小与输出大小相匹配，从而完成神经网络特征的自动提取。
8.根据权利要求1所述的睡眠呼吸...
【专利技术属性】
技术研发人员：王晶，林友芳，韩升，万怀宇，武志昊，董兴业，张硕，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11
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。