【技术实现步骤摘要】
本专利技术涉及睡眠呼吸暂停检测，具体的说是一种基于多尺度模糊熵的睡眠呼吸暂停片段检测方法和设备。
技术介绍
1、长期以来，睡眠呼吸暂停由于其发病的广泛性以及对人体健康的危害性被广泛关注。睡眠呼吸暂停主要指它是指在整晚睡眠中发生30次以上，每次持续10秒以上的呼吸气流消失或减少的现象。阻塞型睡眠呼吸暂停(obstructive sleep apnea,osa)在睡眠呼吸暂停中占了很大一部分的比例，就死亡率而言osa也是最高的。它的特点是睡眠过程中上气道完全或部分的间歇性阻塞，导致呼吸暂停和低通气频繁发作。
2、现有技术中，睡眠呼吸暂停的评价通常采用呼吸暂停低通气指数(apneahypopnea index,ahi)作为标准，即每小时睡眠中呼吸暂停和低通气的合计次数。osa的疾病严重程度根据ahi可以被划分为：ahi小于5时，为正常人；ahi在5-15之间(不包括15)时，为轻度osa患者；ahi在15-30之间(不包括30)时，为中度osa患者；ahi大于等于30时，为重度osa患者。
3、对睡眠呼吸暂停的及时诊断具有很重要的意义，能够有效辅助患者确定睡眠呼吸暂停的发生情况，并且制定针对性的治疗措施，以有效提升患者的生活质量和保证患者的生命安全。现有技术中，睡眠呼吸暂停检测主要使用多导睡眠监测仪，其能够监测到患者睡眠期间的多种生理数据，能够精确地确定睡眠呼吸暂停的发生情况，但是，这种监护仪对受试者的睡眠干扰过大，影响患者的睡眠质量，并且成本高。
技术实现思路
2、为了实现上述目的，本专利技术采用的具体方案为：基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，包括如下步骤：
3、在用户处于睡眠状态时采集用户的生理信号数据，并且划分为多个片段；
4、从生理信号数据中提取间期序列，并且对间期序列进行粗粒化处理得到粗粒序列；
5、求解粗粒序列的模糊熵，并且计算模糊熵的特征参数；
6、基于模糊熵的特征参数与标准样本之间的差异程度确定用户的睡眠呼吸暂停片段。
7、优选的，所述生理信号数据包括心电数据和脉搏波数据，将生理信号数据划分为多个片段时基于预设的片段时长进行划分。
8、优选的，从生理信号数据中提取间期序列的具体方法为pan-tompkins算法，提取出的间期序列包括rr间期序列。
9、优选的，对间期序列进行粗粒化处理的具体方法包括：
10、构建原始序列和粗粒化序列；
11、根据粗粒化序列对原始序列进行均值粗粒化处理，得到粗粒序列。
12、
13、原始序列为x＝{x1,x2,…,xn}，其中n为总时间长度；
14、粗粒化序列为其中τ为尺度参数。
15、优选的，求解粗粒序列的模糊熵的方法包括：
16、将粗粒序列重构为n维向量其中
17、计算两个n维向量xi和xj之间的距离
18、
19、利用模糊函数计算两个n维向量xi和xj之间的相似度；
20、其中，m为指数函数边界的梯度，r为相似容限；
21、构建相似比例函数并且表示为n+1维向量；
22、计算模糊熵
23、优选的，指数函数边界的梯度m＝1.8～2.2，相似容限r＝0.23～0.26sd，其中sd为粗粒化序列的标准差。
24、优选的，当n的长度为有限时，模糊熵为fuzzyen(n,m,r,n)＝lnom(m,r)-lnom+1(m,r)。
25、优选的，模糊熵的特征参数包括均值mfe_mean、标准差mfe_std和极差mfe_max-min。
26、基于多尺度模糊熵的睡眠呼吸暂停片段检测设备，用于实现上述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，所述装置包括：
27、采集模块，用于在用户处于睡眠状态时采集用户的生理信号数据；
28、信号处理模块，用于将所述生理信号数据划分为多个片段、从生理信号数据中提取间期序列以及对间期序列进行粗粒化处理得到粗粒序列；
29、检测模块，用于求解粗粒序列的模糊熵、计算模糊熵的特征参数以及基于模糊熵的特征参数与标准样本之间的差异程度确定用户的睡眠呼吸暂停片段。
30、本专利技术在多尺度模糊熵的基础上，通过在不同尺度上的模糊熵的计算，对间期序列的微小变化更加敏感，从而提高睡眠呼吸暂停检测的准确率。
本文档来自技高网...【技术保护点】
1.基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，所述生理信号数据包括心电数据和脉搏波数据，将生理信号数据划分为多个片段时基于预设的片段时长进行划分。
3.如权利要求1所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，从生理信号数据中提取间期序列的具体方法为Pan-Tompkins算法，提取出的间期序列包括RR间期序列。
4.如权利要求1所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，对间期序列进行粗粒化处理的具体方法包括：
5.如权利要求4所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，原始序列为X＝{X1,X2,…,XN}，其中N为总时间长度；
6.如权利要求1所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，求解粗粒序列的模糊熵的方法包括：
7.如权利要求6所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，指数函数边界的梯度m＝1.8～2
8.如权利要求6所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，当N的长度为有限时，模糊熵为FuzzyEn(n,m,r,N)＝lnOm(m,r)-lnOm+1(m,r)。
9.如权利要求1所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，模糊熵的特征参数包括均值MFE_Mean、标准差MFE_Std和极差MFE_Max-Min。
10.基于多尺度模糊熵的睡眠呼吸暂停片段检测设备，其特征在于，用于实现如权利要求1-9中任意一项所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，所述装置包括：
...【技术特征摘要】
1.基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，所述生理信号数据包括心电数据和脉搏波数据，将生理信号数据划分为多个片段时基于预设的片段时长进行划分。
3.如权利要求1所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，从生理信号数据中提取间期序列的具体方法为pan-tompkins算法，提取出的间期序列包括rr间期序列。
4.如权利要求1所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，对间期序列进行粗粒化处理的具体方法包括：
5.如权利要求4所述的基于多尺度模糊熵的睡眠呼吸暂停片段检测方法，其特征在于，原始序列为x＝{x1,x2,…,xn}，其中n为总时间长度；
6.如权利要求1所述的基于多尺度模糊熵的睡眠呼吸暂停...
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。