【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s变换和mdsnet的自动睡眠呼吸暂停检测方法。
技术介绍
1、睡眠呼吸暂停是最常见和最严重的睡眠障碍之一，具体指患者在睡眠时呼吸反复中断，导致气流受限。呼吸暂停可导致严重的有害生理紊乱，并有可能产生长期后遗症，例如高血压和心肺功能紊乱、神经心理能力受损、抑郁和早期全因死亡率。睡眠呼吸暂停包括阻塞型睡眠呼吸暂停、中心型睡眠呼吸暂停(csa)、混合型睡眠呼吸暂停(msa)、以及低通气等多种情况。
2、传统的睡眠呼吸暂停检测主要基于多导睡眠图(psg)实现，具体的说是收集患者睡眠时的大量生理信号，包括脑电图(eeg)等，然后人工标注读数中的呼吸暂停事件。该过程中认为的评分差异和其他人的误差是正确诊断呼吸暂停的主要障碍。为了解决该问题，现有技术中诞生了许多自动的睡眠呼吸暂停检测方法。
3、目前，现有技术中多利用深度学习方法对睡眠呼吸暂停进行检测，但是，检测过程仅采用一种信号，例如中国专利cn117338253b公开了一种基于生理信号的睡眠呼吸暂停检测方法以及装置，采集生理信号并分离出呼吸努力信号，基于呼吸努力信号，依次进行空间特征提取、注意力特征提取以及时序特征提取，获得时序特征数据，将时序特征数据输入至深度学习网络中，获取检测结果。仅采用一种信号导致其检测结果的准确率较低。同时，该方法也仅适用于检测阻塞型睡眠呼吸暂停，适用范围有限。
技术实现思路
1、为了解决现有技术中检测结果准确率较低且检测类型较为单一的问题，
2、为了实现上述目的，本专利技术采用的具体方案为：一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法，包括以下步骤：
3、s1，采集待检测患者的多种生理信号，并采用有监督主成分分析进行降维，得到三种主要成分；
4、s2，基于s变换分别对三种主要成分进行处理得到三个s-动态谐谱矩阵，三个s-动态谐谱矩阵与三种主要成分一一对应；
5、s3，对s-动态谐谱矩阵进行单通道映射得到单通道s-动态谐谱图，基于三个单通道s-动态谐谱图构建混合rgb图；
6、s4，利用训练好的改进mdrnet网络模型识别混合rgb图，输出识别结果。
7、作为上述一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法的一种优化方案：所述s1包括：
8、s11，采集待检测患者的生理信号，生理信号包括六种eeg信号、两种eog信号、emg信号、来自腹部的呼吸信号、来自胸部的呼吸信号、气流信号、氧饱和度信号和ecg信号；
9、s12，对生理信号进行去噪；
10、s13，对s12中去噪后的生理信号进行归一化处理；
11、s14，采用有监督主成分分析对s13中归一化后的生理信号进行降维，得到三种主要成分。
12、作为上述一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法的另一种优化方案：所述s12包括：
13、s121，采用小波基函数，对生理信号进行多层小波分解；
14、s122，选择阈值λ对小波分解后的生理信号进行阈值处理；
15、s123，对阈值处理后的生理信号进行逆小波变换，重构出去噪后的生理信号。
16、作为上述一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法的另一种优化方案：所述小波基函数为biorthogonal函数。
17、作为上述一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法的另一种优化方案：所述阈值λ为：
18、
19、其中，σ是噪声的标准差，l是生理信号的长度。
20、作为上述一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法的另一种优化方案：所述s14包括：
21、s141，对归一化处理后的生理信号进行标准化处理，使每个生理信号的均值为0、方差为1；
22、s142，将有监督主成分分析中的响应变量映射到生理信号，并计算映射后生理信号的协方差矩阵；
23、s143，对协方差矩阵进行特征值分解，得到监督主成分方向；
24、s144，基于监督主成分方向对归一化处理后的生理信号进行投影得到三种主要成分。
25、作为上述一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法的另一种优化方案：所述s2中的s变换为：
26、
27、其中，n是时间索引，表示生理信号的采样点；n是生理信号的总采样点数；k是时间变量，x[n]是生理信号在时间点n的值；f是频率变量；j是虚数单位；e是自然对数的底数。
28、作为上述一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法的另一种优化方案：所述s3中，s-动态谐谱矩阵的映射函数为：
29、
30、其中，a是s-动态谐谱矩阵，min_val是s-动态谐谱矩阵中的最小值，max_val是s-动态谐谱矩阵的最大值，scaled_matrix是映射后的s-动态谐谱矩阵。
31、作为上述一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法的另一种优化方案：所述s4中，改进mdrnet网络模型的骨干网络为resnet，且在resnet中引入多尺度结构。
32、作为上述一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法的另一种优化方案：所述s4中，改进mdrnet网络模型的骨干网络为resnet，且在resnet中引入danet注意力模块。
33、与现有技术相比，本专利技术有如下有益效果：本专利技术提供一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法，采集了多种生理信号，并将多种信号进行降维得到三种主要成分，去除冗余和无关的特征，保留了数据中与睡眠呼吸暂停高度相关的信息，增强降维后特征对睡眠呼吸暂停检测结果的准确性；将三种主要成分转换为rgb图，并采用改进后的网络模型识别rgb图，提高了检测结果的准确性，且能够区分不同类型的睡眠呼吸暂停，即适用范围广。
本文档来自技高网...【技术保护点】
1.一种基于S变换和MDSNet的自动睡眠呼吸暂停检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于S变换和MDSNet的自动睡眠呼吸暂停检测方法，其特征在于：所述S1包括：
3.如权利要求2所述的一种基于S变换和MDSNet的自动睡眠呼吸暂停检测方法，其特征在于：所述S12包括：
4.如权利要求3所述的一种基于S变换和MDSNet的自动睡眠呼吸暂停检测方法，其特征在于：所述小波基函数为Biorthogonal函数。
5.如权利要求3所述的一种基于S变换和MDSNet的自动睡眠呼吸暂停检测方法，其特征在于：所述阈值λ为：
6.如权利要求2所述的一种基于S变换和MDSNet的自动睡眠呼吸暂停检测方法，其特征在于：所述S14包括：
7.如权利要求1所述的一种基于S变换和MDSNet的自动睡眠呼吸暂停检测方法，其特征在于：所述S2中的S变换为：
8.如权利要求1所述的一种基于S变换和MDSNet的自动睡眠呼吸暂停检测方法，其特征在于：所述S3中，S-动态谐谱矩阵的映射函数为：
<...【技术特征摘要】
1.一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法，其特征在于：所述s1包括：
3.如权利要求2所述的一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法，其特征在于：所述s12包括：
4.如权利要求3所述的一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法，其特征在于：所述小波基函数为biorthogonal函数。
5.如权利要求3所述的一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法，其特征在于：所述阈值λ为：
6.如权利要求2所述的一种基于s变换和mdsnet的自动睡眠呼吸暂停检测方法，其特征在于：所...
【专利技术属性】
技术研发人员：牛群峰，桂冉冉，王莉，张元，李鹏，
申请(专利权)人：河南工业大学，
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。