【技术实现步骤摘要】
本专利技术涉及心电信号处理，尤其涉及一种基于时间序列对比学习的ecg睡眠呼吸暂停检测方法以及一种基于时间序列对比学习的ecg睡眠呼吸暂停检测系统。
技术介绍
1、睡眠呼吸暂停检测的目标是有效检测在个体睡眠过程中呼吸暂停的发生。多导睡眠图由于包括多个通道的信号，可以从多方面反应出个体的睡眠状态，所以常被用于睡眠呼吸暂停检测。然而在采集多导睡眠图信号时，受试个体需要佩戴多种设备进入睡眠，具有受试个体的睡眠状态易受影响，采集设备昂贵等缺点。因此，许多研究人员开始使用单通道信号进行睡眠呼吸暂停检测。其中，心电信号可以反应由于呼吸暂停导致的全身血压、肺动脉压升高，受到了许多研究人员的关注。但是使用单通道心电信号进行睡眠呼吸暂停检测鲁棒性较弱，容易受到噪声导致的信息丢失影响。如何在心电信号被噪声污染的情况下训练高效的睡眠呼吸暂停检测模型成为当前医疗领域和科研界迫切需要解决的问题。
2、在现有的使用心电信号的睡眠呼吸暂停检测方法中，由于仅使用单通道信号进行检测，特征提取过程容易受到信号中的噪声影响，导致模型难以准确提取与呼吸暂停检测相关的特征。部分研究使用了在模型中引入输入片段的时间上下文的方法，该方法能够在时间尺度上提供更多特征，降低噪声对目标片段的影响，提高睡眠呼吸暂停检测的准确性。然而，引入大量的时间上下文一方面会导致模型过度关注与呼吸暂停无关的特征，而忽略了有效特征，可能造成学习过程中梯度消失或爆炸，另一方面会模糊正常片段与呼吸暂停片段的区别，容易出现类别混淆的问题。这使得即便引入时间上下文，模型也很难学习呼吸暂停相关特征
3、经过以上分析，由时间上下文过多导致的梯度消失或爆炸和类别混淆是当前使用心电信号的睡眠呼吸暂停检测方法面临的关键问题。这些问题影响了模型的学习过程，限制了检测的效果。
技术实现思路
1、针对上述问题，本专利技术提供了一种基于时间序列对比学习的ecg睡眠呼吸暂停检测方法及系统，通过transformer编码器融合上下文特征，为特征信息分配权重，防止学习过程中的梯度消失或爆炸，在分类过程中使用对比学习，增强同类样本的特征相似性，降低不同类样本的特征相似性，进一步约束特征，从而改善正常样本与呼吸暂停样本易混淆的问题，达到更好的分类检测效果。
2、为实现上述目的，本专利技术提供了一种基于时间序列对比学习的ecg睡眠呼吸暂停检测方法，包括：
3、获取单通道心电信号数据，并对所述心电信号数据进行预处理，得到心电特征数据；
4、利用多尺度上下文的cnn-lstm模块对所述心电特征数据进行处理，得到分支特征；
5、采用transformer编码器对所述分支特征分配权重得到加权特征，基于所述分支特征与所述加权特征得到联合特征；
6、对所述联合特征进行对比学习分析得到损失函数，对分类器的参数进行优化；
7、将所述联合特征输入所述分类器，得到是否存在睡眠呼吸暂停的检测结果。
8、在上述技术方案中，优选地，所述对所述心电信号数据进行预处理得到心电特征数据的具体过程包括：
9、对所述心电信号数据进行带通滤波，并使用滑动窗口对滤波后的所述心电信号数据进行数据片段分割；
10、在分割得到的数据片段中寻找所有的r峰，并通过计算rr间期和r峰振幅以提取特征；
11、将超出预设范围的异常片段剔除，并对所述数据片段进行重采样，得到符合预设标准的心电特征数据。
12、在上述技术方案中，优选地，所述利用多尺度上下文的cnn-lstm模块对所述心电特征数据进行处理得到分支特征的具体过程包括：
13、将所述心电特征数据划分为包含不同尺度上下文的片段；
14、所述cnn-lstm模块包括分支结构，每个分支由膨胀系数不同的膨胀卷积模块和双向lstm模块组成；
15、采用相同的分支结构对所述片段进行处理，将不同尺度片段的所述心电特征数据分别作为各自对应分支的输入，将各分支的输出进行拼接得到分支特征。
16、在上述技术方案中，优选地，所述采用transformer编码器对所述分支特征分配权重得到加权特征，基于所述分支特征与所述加权特征得到联合特征，具体过程包括：
17、对所述分支特征进行位置编码，得到特征序列中所有元素的位置信息，并将所述位置信息添加至所述特征序列中；
18、将所述特征序列输入自注意力模块，计算所述特征序列的注意力权重矩阵；
19、将所述注意力权重矩阵与所述特征序列相乘，得到加权特征；
20、将所述加权特征与所述分支特征相加并利用层归一化处理，得到所有尺度的联合特征。
21、在上述技术方案中，优选地，所述对所述联合特征进行对比学习分析得到损失函数，对分类器的参数进行优化，具体过程包括：
22、对所述联合特征利用激励和丢弃操作进行分类，并计算平方铰链损失；
23、利用所述分支特征计算对比损失，以所述平方铰链损失和所述对比损失进行结合作为损失函数，对分类器的参数进行优化。
24、本专利技术还提出一种基于时间序列对比学习的ecg睡眠呼吸暂停检测系统，应用如上述技术方案中任一项公开的基于时间序列对比学习的ecg睡眠呼吸暂停检测方法，包括：
25、数据预处理模块，用于获取单通道心电信号数据，并对所述心电信号数据进行预处理，得到心电特征数据；
26、特征数据划分模块，用于利用多尺度上下文的cnn-lstm模块对所述心电特征数据进行处理，得到分支特征；
27、特征加权融合模块，用于采用transformer编码器对所述分支特征分配权重得到加权特征，基于所述分支特征与所述加权特征得到联合特征；
28、对比分类优化模块，用于对所述联合特征进行对比学习分析得到损失函数，对分类器的参数进行优化；
29、数据结果分类模块，用于将所述联合特征输入所述分类器，得到是否存在睡眠呼吸暂停的检测结果。
30、在上述技术方案中，优选地，所述数据预处理模块具体用于：
31、对所述心电信号数据进行带通滤波，并使用滑动窗口对滤波后的所述心电信号数据进行数据片段分割；
32、在分割得到的数据片段中寻找所有的r峰，并通过计算rr间期和r峰振幅以提取特征；
33、将超出预设范围的异常片段剔除，并对所述数据片段进行重采样，得到符合预设标准的心电特征数据。
34、在上述技术方案中，优选地，所述特征数据划分模块具体用于：
35、将所述心电特征数据划分为包含不同尺度上下文的片段；
36、所述cnn-lstm模块包括分支结构，每个分支由膨胀系数不同的膨胀卷积模块和双向lstm模块组成；
37、采用相同的分支结构对所述片段进行处理，将不同尺度片段的所述心电特征数据分别作为各自对应分支的输入，将各分支的输出进行拼接得到分支特征。
38、在上述技术本文档来自技高网...
【技术保护点】
1.一种基于时间序列对比学习的ECG睡眠呼吸暂停检测方法，其特征在于，包括：
2.根据权利要求1所述的基于时间序列对比学习的ECG睡眠呼吸暂停检测方法，其特征在于，所述对所述心电信号数据进行预处理得到心电特征数据的具体过程包括：
3.根据权利要求1所述的基于时间序列对比学习的ECG睡眠呼吸暂停检测方法，其特征在于，所述利用多尺度上下文的CNN-LSTM模块对所述心电特征数据进行处理得到分支特征的具体过程包括：
4.根据权利要求1所述的基于时间序列对比学习的ECG睡眠呼吸暂停检测方法，其特征在于，所述采用Transformer编码器对所述分支特征分配权重得到加权特征，基于所述分支特征与所述加权特征得到联合特征，具体过程包括：
5.根据权利要求1所述的基于时间序列对比学习的ECG睡眠呼吸暂停检测方法，其特征在于，所述对所述联合特征进行对比学习分析得到损失函数，对分类器的参数进行优化，具体过程包括：
6.一种基于时间序列对比学习的ECG睡眠呼吸暂停检测系统，其特征在于，应用如权利要求1至5中任一项所述的基于时间序列对比学习的E
7.根据权利要求6所述的基于时间序列对比学习的ECG睡眠呼吸暂停检测系统，其特征在于，所述数据预处理模块具体用于：
8.根据权利要求7所述的基于时间序列对比学习的ECG睡眠呼吸暂停检测系统，其特征在于，所述特征数据划分模块具体用于：
9.根据权利要求8所述的基于时间序列对比学习的ECG睡眠呼吸暂停检测系统，其特征在于，所述特征加权融合模块具体用于：
10.根据权利要求9所述的基于时间序列对比学习的ECG睡眠呼吸暂停检测系统，其特征在于，所述对比分类优化模块具体用于：
...【技术特征摘要】
1.一种基于时间序列对比学习的ecg睡眠呼吸暂停检测方法，其特征在于，包括：
2.根据权利要求1所述的基于时间序列对比学习的ecg睡眠呼吸暂停检测方法，其特征在于，所述对所述心电信号数据进行预处理得到心电特征数据的具体过程包括：
3.根据权利要求1所述的基于时间序列对比学习的ecg睡眠呼吸暂停检测方法，其特征在于，所述利用多尺度上下文的cnn-lstm模块对所述心电特征数据进行处理得到分支特征的具体过程包括：
4.根据权利要求1所述的基于时间序列对比学习的ecg睡眠呼吸暂停检测方法，其特征在于，所述采用transformer编码器对所述分支特征分配权重得到加权特征，基于所述分支特征与所述加权特征得到联合特征，具体过程包括：
5.根据权利要求1所述的基于时间序列对比学习的ecg睡眠呼吸暂停检测方法，其特征在于，所述对所...
【专利技术属性】
技术研发人员：段立娟，徐有容，张宝昌，宋子康，乔元华，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
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。