一种睡眠脑电、鼾声检测分析装置制造方法及图纸

本发明专利技术公开了一种睡眠脑电、鼾声检测分析装置，包括睡眠监测信号采集模块、睡眠监测信号预处理模块、睡眠分期和呼吸事件监测模型训练模块、睡眠分期和呼吸事件监测模块和结果展示与分析模块。本发明专利技术的优点在于：在实时采集待处理信号的过程中或在采集完待处理信号后，按照预设时间间隔，对采集的待处理信号进行分帧切割，得到带有睡眠分期标签的脑电信号。然后进行睡眠分期分析和呼吸事件检测分析，输出睡眠分期结果和呼吸事件检测结果。并由此计算睡眠医学中睡眠质量和睡眠呼吸疾病主要评价指标。通过本发明专利技术实施例，能够通过采集的脑电鼾声等生理信号，快速、自动地进行睡眠分期和呼吸事件检测，提高睡眠质量和睡眠呼吸疾病诊断处理效率。断处理效率。断处理效率。

【技术实现步骤摘要】
一种睡眠脑电、鼾声检测分析装置


[0001]本专利技术涉及睡眠检测
，具体为一种睡眠脑电、鼾声检测分析装置。

技术介绍

[0002]睡眠是人类在漫长的进化中为了适应昼夜节律变化而产生的一种生命过程，是人类不可缺少的生理过程，具有多方面的重要意义，例如减少能量消耗、记忆编码、记忆巩固、脑功能重塑等重要功能。健康的睡眠调节有助于机体从疲劳中回复，提高神经系统效率，维持良好的生理机能。
[0003]然而，随着人们生活节奏的加快，生活习惯的改变，睡眠呼吸障碍综合征(Sleep Disordered Breathing,SDB)成为了一种常见的疾病。睡眠呼吸障碍是一组与睡眠相关、以睡眠时呼吸节律紊乱及幅度异常改变主要表现的一系列疾病。其中代表性疾病——阻塞性睡眠呼吸暂停低通气综合征(Obstructive Sleep Apnea
‑
hypopnea Disease,OSAHS)，是以睡眠期间周期性的部分或完全上气道塌陷阻塞为特征的疾病。
[0004]现在市面上缺乏对睡眠进行检测和分析的装置，不便通过睡眠分期提高睡眠质量和睡眠呼吸疾病诊断处理效率。
[0005]本专利技术专利利用睡眠脑电分期算法做睡眠分期，然后计算出睡眠结构。利用鼾声智能诊断算法做鼾声诊断，然后计算AHI分类。相应算法可以形成睡眠报告，发回给用户。本专利技术专利具有以下应用场景：1.睡眠监测；2.睡眠分期；3.鼾声监测；4.体动监测；5.睡眠脑电鼾声监测。

技术实现思路

[0006](一)解决的技术问题
[0007]针对现有技术的不足，本专利技术提供了一种睡眠脑电、鼾声检测分析装置，能够通过采集的脑电鼾声等生理信号，快速、自动地进行睡眠分期和呼吸事件检测，提高睡眠质量和睡眠呼吸疾病诊断处理效率。
[0008](二)技术方案
[0009]本专利技术实施例基于睡眠脑电鼾声信号数据，结合传统深度学习的思路原理，提供了一种睡眠脑电、鼾声检测分析装置，用以实现智能高效的睡眠分期判断、睡眠质量评估、确定呼吸事件起始点和持续时间等问题，该方法包括：
[0010]获取待处理的脑电鼾声信号数据，其中，所述信号数据包括单导脑电波或多导脑电波数据，以及口气流、鼻气流、胸带、腹带和血氧信号。
[0011]构建能用于对脑电信号进行特征提取和分类的神经网络模型(后文称为网络一)，以及能检测呼吸事件发生起始时间和持续长度的呼吸事件检测网络(后文称为网络二)。
[0012]并对训练集中的信号数据进行固定时间的分帧，可以以30秒或者其他时长进行数据分帧。依据国际标准和专家规则，对每个数据帧进行睡眠分期分类，形成数据集A；同时标注每个切片上呼吸事件发生的位置和持续时间，生成数据集B。并对其中不符合专家规则和
行业标准的标签进行校正。然后利用网络一和网络二进行训练。
[0013]按照前述方法对验证集和测试集中的数据进行同样的处理，生成睡眠分期数据集A
’
和A”，以及数据集B
’
和B”。并对其中不符合专家规则和行业标准的标签进行校正。
[0014]将正在训练的网络一和网络二在数据集A
’
、A”和数据集B
’
、B”上进行测试验证，评估网络一的睡眠分期的相应性能参数，确定何时停止网络一的训练过程。并调整网络二的阈值参数，直到模型对呼吸事件检测的精确率和召回率基本持平。
[0015]在网络训练好之后，将测试数据输入网络一和网络二，利用网络一输出睡眠分期，计算睡眠有效率、睡眠潜伏期、REM潜伏期等指标，评估睡眠质量。利用网络二输出呼吸事件分布和类别，计算AHI数值，评估患者患有阻塞性睡眠呼吸暂停低通气综合症的严重程度。
[0016]本专利技术实例还提供了一种睡眠脑电鼾声信号采集分析装置，用于采集、预处理和传输脑电鼾声等睡眠监测生理信号，并用于睡眠分期分析、呼吸事件检测分析等。该装置包括：
[0017]脑电呼吸事件信号采集模块：用于采集睡眠脑电和呼吸事件信号，并对所采集的生理信号进行储存。
[0018]脑电呼吸事件信号预处理模块：将采集来的睡眠信号进行预处理，并将处理后的数据进行储存。
[0019]脑电呼吸事件检测模块：用于对处理好的睡眠监测信号输入进已经提前储存在该模块的模型进行呼吸事件检测，并对呼吸事件进行分类，被试者的睡眠呼吸质量及睡眠呼吸疾病种类。
[0020]本专利技术实施例还提供了一种计算机设备，用以基于采集的脑电鼾声信号数据快速进行呼吸事件检测，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述信号处理方法。
[0021]本专利技术实施例还提供了一种计算机可读存储介质，用以基于采集的睡眠监测信号快速进行呼吸事件检测，该计算机可读存储介质存储有执行上述信号处理方法的计算机程序。
[0022](三)有益效果
[0023]与现有技术相比，本专利技术提供了一种睡眠脑电、鼾声检测分析装置，具备以下有益效果：
[0024]本专利技术实施例中提供的一种信号处理方法、分析装置、计算机设备及计算机可读存储介质，在实时采集待处理信号的过程中或在采集完待处理信号后，按照预设时间间隔，对采集的待处理信号进行分帧切割，得到带有睡眠分期标签的脑电信号。然后进行睡眠分期分析和呼吸事件检测分析，输出睡眠分期结果和呼吸事件检测结果。并由此计算睡眠医学中睡眠质量和睡眠呼吸疾病主要评价指标。通过本专利技术实施例，能够通过采集的脑电鼾声等生理信号，快速、自动地进行睡眠分期和呼吸事件检测，提高睡眠质量和睡眠呼吸疾病诊断处理效率。
附图说明
[0025]图1为本专利技术提出的一种睡眠脑电、鼾声检测分析装置脑电睡眠分期和呼吸事件自动检测方法流程图；
[0026]图2为本专利技术提出的一种睡眠脑电、鼾声检测分析装置脑电分类和呼吸事件检测定位层训练流程图；
[0027]图3为本专利技术提出的一种睡眠脑电、鼾声检测分析装置呼吸事件分类层训练流程图；
[0028]图4为本专利技术提出的一种睡眠脑电、鼾声检测分析装置脑电睡眠分期和呼吸事件自动检测分析装置的示意图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]请参阅图1
‑
4，步骤S01：获取待处理的单导或多导睡眠监测生理信号，评估其信号可用性，滤除不合要求的数据。
[0031]需要说明的是，本专利技术实施例中的待处理信号可以是任意一种待检测信号事件(即具有某个信号特征的事件)的信号，包括但不限于应用于专业医疗场景的多导睡眠呼吸监测信号、单导睡眠呼吸监测信号，以及应用于日常生活消费场景的睡眠呼吸监测信号、脑电信号、鼾声本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种睡眠脑电、鼾声检测分析装置，其特征在于，包括睡眠监测信号采集模块、睡眠监测信号预处理模块、睡眠分期和呼吸事件监测模型训练模块、睡眠分期和呼吸事件监测模块和结果展示与分析模块，所述睡眠监测信号采集模块的输出端与睡眠监测信号预处理模块的输入端单向连接，所述睡眠监测信号预处理模块的输出端与睡眠分期和呼吸事件监测模型训练模块的输入端单向连接，所述睡眠分期和呼吸事件监测模型训练模块的输出端与睡眠分期和呼吸事件监测模块的输入端单向连接，所述睡眠分期和呼吸事件监测模块的输出端与结果展示与分析模块的输入端单向连接；包括步骤一：获取整晚睡眠监测的睡眠脑电和鼾声监测信号，检查数据信号的完整性和可用性，并利用带通滤波器对该信号进行滤波，滤除信号上不相关频带噪声的干扰，并将这些数据以6：3：1的比例划分为训练集、验证集和测试集；步骤二：构建能用于对该信号进行特征提取和分类的神经网络，神经网络分为网络一和网络二，分别用于进行脑电睡眠分期和呼吸事件检测分类，网络一由特征提取层和分类层构成，网络二由检测定位层和分类层构成；步骤三：对训练集分为脑电训练集和鼾声训练集，其中脑电训练集进行固定时间的切片，按照每30秒为一帧进行分帧处理，作为数据集A，鼾声训练集也进行同样的切片处理，同时统计数据集中呼吸事件出现的次数，出现的位置和持续的时间，记为数据集B，同步对其他脑电数据集进行类似的操作，形成脑电验证集和测试集，分别记为A
’
和A”，同步对鼾声数据集进行类似操作，形成呼吸事件验证集和测试集，分别记为B
’
和B”，步骤四：对数据集A、A
’
、A”进行一定的清洗工作，将不符合金标准专家规则，以及明显错误的数据帧去除，其中A数据的标签设置为五种标签(包括W期、N1期、N2期、N3期、REM期)，对数据集B、B
’
、B”进行类似的清洗工作，将标签设置为四种标签(包括阻塞型睡眠呼吸暂停、中枢型睡眠呼吸暂停、混合型睡眠呼吸暂停、低通气)，步骤五：构建两个神经网络，其中网络一为脑电睡眠分期网络，网络二为鼾声呼吸事件检测网络，两个网络分别利用数据集A和B进行训练，其中网络二的训练分为两部分，即检测定位和分类层需要单独分开训练，步骤六：利用验证集A
’
对网络一的性能进行评估，综合评估脑电睡眠五分期的准确率、精确率、召回率、F1值等指标，利用验证集B
’
对网络二的性能进行评估，并调整网络二中的参数阈值，直到模型对呼吸时间的召回率和精确率基本持平，步骤七：利用网络一对测试集数据集A”进行睡眠分期测试，统计不同睡眠分期的时长、时长比例、睡眠潜伏期、REM潜伏期、睡眠有效率等指标，利用网络二对测试数据集B”进行呼吸事件检测定位和分类判定，统计总的睡眠呼吸事件次数和单位时间睡眠呼吸事件次数，并利用相关规则对睡眠呼吸疾病严重性进行分类。2.根据权利要求1所述的一种睡眠脑电、鼾声检测分析装置，其特征在于：所述步骤一中，获取整晚睡眠监测的睡眠监测信号，检查数据信号的完整性和可用性，具体方法包括：获取睡眠监测的睡眠监测生理信号，提取其中的脑电相关信号(包括EEG
‑
1、EEG
‑
2、EMG、EOG
‑
1、EOG
‑
2通道)，以及口气流、鼻气流、胸带、腹带和血氧信号，其中脑电相关信号用于进行脑电睡眠分期，需要保障有一到五个稳定的信号通道，睡眠呼吸事件信号由鼾声、口气流、鼻气流、胸腹运动、血氧等信号通道构成，需要保障有一到六个稳定的信号通道；将生理信号划分为以6：3：1的比例划分为训练集、验证集和测试集，利用信号预处理模块对信号进
行预处理，然后对信号进行一定的降维、归一化处理。3.根据权利要求1所述的一种睡眠脑电、鼾声检测分析装置，其特征在于：步骤二中所述构建特征提取网络和呼吸事件检测网络，其具体步骤包括：网络一中的特征提取层包括一切可用于信号特征提取的神经网络和机器学习方法，例如一维卷积神经网络层，以VGG、ResNet、transformer等网络层等，网络一的分类层包括神经网络的全连接层等，网络二中检测定位层使用包括但不限于传统目标检测网络中用到的特征提取网络的一维形式，如VGG、MobileNet、ResNet、SKNet等，其作用是提取一维睡眠监测信号中的有效信息并将其映射到一个一维向量中去，呼吸事件检测定位层利用不同网络深度的卷积层视觉野不同的特点加入了多尺度的检测；在每一层卷积层的特征点上预设下预置框，网络为预置框输出检测其是否为呼吸事件的置信度参数和位置回归参数；参考图像分类网络中的RFB模块设计了1
‑
D RFB模块，所述步骤三中对训练集中的睡眠监测信号进行固定时间的切片，并标注每个切片上睡眠分类的类型，生成数据集A；同时标注呼吸事件发生的位置和持续时间，生成数据集B，其具体方法如下所示：获取完整的一段睡眠呼吸生理信号，按照固定时间长度进行信号分帧，并核对睡眠技师提供的标签文件，将睡眠分期标签分配给每一帧的数据，在呼吸事件方面，分帧方法为切割点每次前移30秒，将信号片段逐帧储存下来，并利用睡眠技师的标注为每帧数据进行睡眠脑电分期标注，和呼吸事件标注，这包括标注呼吸事件的起始时间、持续时间和呼吸事件类型，生成一个标注文件，每一个标注文件与一段信号一一对应。4.根据权利要求1所述的一种睡眠脑电、鼾声检测分析装置，其特征在于：所述步骤四中，对数据集进行一定的清洗工作，将不符合金标准专家规则，以及明显错误的数据帧去除，其具体方法包括：
①
基于美国睡眠协会(AASM)的睡眠分期规则，对数据集A、A
’
、A”中的睡眠分期变化规律进行研究，将不符合睡眠分期规律的帧进行去除，或者修改为与前后帧相同的帧标签，同时将标签转化为五分类标签，分别用不同的数字代表不同的标签；
②
基于美国睡眠协会的睡眠呼吸事件规则，检查数据集B、B
’
、B”的呼吸事件标签，将不符合呼吸事件判定规则的判定时长的标签去除，同时将标签转化为四分类标签，分别用不同的数字代表不同的标签。5.根据权利要求1所述的一种睡眠脑电、鼾声检测分析装置，其特征在于：所述步骤五中，利用数据集A对网络一进行训练，利用数据集B对网络二进行训练，其具体方法包括：
①
...

【专利技术属性】
技术研发人员：赵亮，许精达，江旭东，
申请(专利权)人：深圳市畅眠科技有限公司，
类型：发明
国别省市：