一种基于SAE模型和联邦学习的OSA检测方法技术

本发明专利技术提供一种基于SAE模型和联邦学习的OSA检测方法，包括：通过检测终端采集睡眠时期人体的心电图ECG信号，生成自有心电的输入特征序列；检测终端由云服务器获取原始SAE模型，并根据自有心电的输入特征序列进行模型训练，对模型参数进行微调，并将微调完成后的模型上传至医院云服务器；云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛；通过检测终端根据云服务器下发的模型进行自有心电的输入特征序列预测分类，得到检测结果。本发明专利技术基于SAE模型实现了无监督联邦学习框架，允许病人使用高舒适度的居家终端设备完成高准确率的OSA检测。OSA检测。OSA检测。

【技术实现步骤摘要】
一种基于SAE模型和联邦学习的OSA检测方法


[0001]本专利技术涉及医疗技术及深度学习
，具体而言，尤其涉及一种基于SAE模型和联邦学习的OSA检测方法。

技术介绍

[0002]阻塞型睡眠呼吸暂停(Obstructive Sleep Apnea，OSA)是普遍存在的一种常见病征，频发的阻塞型睡眠呼吸暂停不仅影响人们的睡眠质量，严重时危机人类健康。为了研究该病征与人体健康的关系，需要对OSA进行准确的检测。
[0003]有学者将深度学习方法应用至OSA的检测，具体利用患者的血氧、呼吸和胸腹带信号基于卷积神经网络对多模态的输入建模并进行分类，但多模态的信号通常需要在医院睡眠中心进行采集，当前睡眠相关医疗资源紧张，不利于患者疾病的筛查与治疗。同时，由于病人数据涉及病人隐私，导致模型训练数据有限，难以获得精准的检测结果。

技术实现思路

[0004]鉴于现有技术的不足，本发提供一种基于SAE模型和联邦学习的OSA检测方法。本专利技术主要基于患者的心电数据进行OSA检测，采用堆叠自编码器(Stacked auto encoder，SAE)的无监督联邦学习框架，允许病人在高舒适度的居家环境中完成高准确率的OSA疾病检测和分级任务，有效缓解医院医疗资源拥挤问题。
[0005]本专利技术采用的技术手段如下：
[0006]一种基于SAE模型和联邦学习的OSA检测方法，应用于分布式检测系统，所述分布式检测系统包括布置在医院的云服务器和多个检测终端，所述服务器和多个检测终端通过网络通信，所述方法包括以下步骤：
[0007]S1、使用者通过检测终端采集睡眠时期人体的心电图ECG信号，对所述ECG信号进行R波提取，获取相邻心电的RR间隔和R波峰值，生成自有心电的输入特征序列；
[0008]S2、所述检测终端由云服务器获取原始SAE模型，并根据自有心电的输入特征序列进行模型训练，对模型参数进行微调，并将微调完成后的模型上传至医院云服务器；
[0009]S3、所述云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛；
[0010]S4、使用者通过检测终端根据云服务器下发的模型进行自有心电的输入特征序列预测分类，得到检测结果。
[0011]进一步地，使用者通过检测终端采集睡眠时期人体的心电图ECG信号，对所述ECG信号进行R波提取，获取相邻心电的RR间隔和R波峰值，生成自有心电的输入特征序列，包括：
[0012]S101、使用者居家自行连接心电电极，佩戴电极睡觉一整晚，采集整晚睡眠阶段的原始心电信号X0，对采集到的信号进行模数转换，最后心电数字信号数据被保存在终端设备中；
[0013]S102、将心电信号按照分钟分段，第n分钟的心电信号记作Q
n
，则获取的心电信号为{Q1,Q2,
……
,Q
n
}。
[0014]S103、对每分钟的心电信号进行滤波，利用Pan
‑
Tompki算法检测R波位置并对提取的R波进行矫正，并获得R峰振幅；
[0015]S104、通过R峰坐标测量相邻的RR间隔，使用中值滤波算法去除无意义的点和信号段；
[0016]S105、基于Cubic spline算法将RR间隔和R波峰值序列采样至相同的长度；
[0017]S106、对所述RR间隔和R波峰值序列进行标准化处理，生成自有心电的输入特征序列。
[0018]进一步地，所述检测终端由云服务器获取原始SAE模型，并根据自有心电的输入特征序列进行模型训练，对模型参数进行微调，并将微调完成后的模型上传至医院云服务器，包括：
[0019]将检测终端SAE模型微调所使用的损失函数定义为：
[0020][0021]其中，L
SAE
指的是终端SAE模型微调所使用的损失函数，n指的是本次训练的样本数，x
(i)
和x
’
(i)
分别指的是模型的输入和输出。
[0022]进一步地，所述云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛，包括：
[0023]在检测终端进行模型的本地微调与全局通信，在第t联邦轮，通过加载医院服务器的模型进而初始本地化模型；
[0024]通过随机梯度下降算法不断优化L
SAE
损失函数，更新本地模型；
[0025]轮之后，得到模型并将其与医院中心服务器共享。
[0026]进一步地，所述云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛，还包括：
[0027]在云服务器端，通过其具备的有标签数据池，根据云服务器的数据量和本地用户的数据量进行加权聚合后，通过交叉熵损失和SAE的重构误差损失L
CE+SAE
进行有监督学习更新全局模型，得到第t联邦轮的全局模型
[0028]进一步地，使用者通过检测终端根据云服务器下发的模型进行自有心电的输入特征序列预测分类，得到检测结果，包括：
[0029]将OSA段识别结果转换为个人AHI的公式结果转换成个人AHI的公式如下：
[0030][0031]其中，T表示整个记录的分钟数，表示1
‑
分钟内心电图片段的数
量；
[0032]当AHI大于5时，判断为OSA，否则被认为正常。
[0033]较现有技术相比，本专利技术具有以下优点：
[0034]1、本专利专利技术了一种新的基于SAE模型和联邦学习OSA检测终端系统，仅使用单通道心电信号即可完成OSA居家初筛。同时本专利技术基于联邦学习解决了常见的基于心电的深度学习模型具有数据集不足，准确率不高的问题。
[0035]2、目前常见的横向联邦学习框架均为有监督学习，但现实中有标签的医疗数据难以获得，本专利基于SAE模型实现了无监督联邦学习框架，允许病人使用高舒适度的居家环境完成高准确率的OSA，由终端设备在线出具OSA疾病报告并完成远程专家跟诊。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本专利技术一种基于SAE模型和联邦学习的OSA检测方法流程图。
[0038]图2为本专利技术心电数据采集流程图。
[0039]图3为本专利技术检测终端SAE模型无监督训练架构图。
[0040]图4为本专利技术联邦学习架构图。
[0041]图5为实施例中在线诊疗系统架构图。
具体实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SAE模型和联邦学习的OSA检测方法，应用于分布式检测系统，所述分布式检测系统包括布置在医院的云服务器和多个检测终端，所述服务器和多个检测终端通过网络通信，其特征在于，所述方法包括以下步骤：S1、使用者通过检测终端采集睡眠时期人体的心电图ECG信号，对所述ECG信号进行R波提取，获取相邻心电的RR间隔和R波峰值，生成自有心电的输入特征序列；S2、所述检测终端由云服务器获取原始SAE模型，并根据自有心电的输入特征序列进行模型训练，对模型参数进行微调，并将微调完成后的模型上传至医院云服务器；S3、所述云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛；S4、使用者通过检测终端根据云服务器下发的模型进行自有心电的输入特征序列预测分类，得到检测结果。2.根据权利要求1所述的一种基于SAE模型和联邦学习的OSA检测方法，其特征在于，使用者通过检测终端采集睡眠时期人体的心电图ECG信号，对所述ECG信号进行R波提取，获取相邻心电的RR间隔和R波峰值，生成自有心电的输入特征序列，包括：S101、使用者居家自行连接心电电极，佩戴电极睡觉一整晚，采集整晚睡眠阶段的原始心电信号X0，对采集到的信号进行模数转换，最后心电数字信号数据被保存在终端设备中；S102、将心电信号按照分钟分段，第n分钟的心电信号记作Q
n
，则获取的心电信号为{Q1,Q2,
……
,Q
n
}。S103、对每分钟的心电信号进行滤波，利用Pan
‑
Tompki算法检测R波位置并对提取的R波进行矫正，并获得R峰振幅；S104、通过R峰坐标测量相邻的RR间隔，使用中值滤波算法去除无意义的点和信号段；S105、基于Cubic spline算法将RR间隔和R波峰值序列采样至相同的长度；S106、对所述RR间隔和R波峰值序列进行标准化处理，生成自有心电的输入特征序列。3.根据权利要求1所述的一种基于SAE模型和联邦学习的...

【专利技术属性】
技术研发人员：刘航，崔少伟，郭艳卿，李祎，付海燕，王波，丛丰裕，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：