【技术实现步骤摘要】
本专利技术涉及睡眠呼吸，尤其涉及一种基于人工智能的阻塞型睡眠呼吸暂停判定方法。
技术介绍
1、阻塞型睡眠呼吸暂停综合症是一种最常见的睡眠障碍，主要表现为在睡眠过程中反复发生呼吸暂停或低通气现象。该综合症不仅严重影响患者的睡眠质量，还会导致癌症、高血压、糖尿病、中风、认知障碍等多系统疾病的发生，被认为是严重的公共卫生问题之一。因此，在早期及时准确地检测和判定阻塞型睡眠呼吸暂停对于改善患者健康具有重要意义。
2、目前，传统的阻塞型睡眠呼吸暂停判定方法主要依赖于多导睡眠监测，通过对患者在睡眠过程中多个生理参数(如呼吸频率、心率、氧饱和度、脑电图等)的监测和分析来判定是否存在睡眠呼吸暂停。然而，多导睡眠监测过程复杂，需要在专业的睡眠中心进行，患者需佩戴多种传感器，这不仅对患者的睡眠造成干扰，还增加了检测的成本和不便，在我国并未得到普及。此外，传统方法往往依赖于单一的生理参数和简单的算法，导致判定结果的准确性和可靠性不足，难以及时反映用户的实际睡眠状态。
3、在传统方法中，常用的算法如简单阈值判定方法、统计分析方法等，无法充分利用多种生理参数的信息，且对个体差异的适应性较差。例如，呼吸频率、心率和氧饱和度波动等生理特征在不同个体间存在显著差异，单一阈值判定方法难以适应不同用户的需求，导致误判和漏判现象较为严重。同时，传统方法通常缺乏实时性，不能及时提供睡眠呼吸暂停的判定结果，难以满足用户对即时反馈和健康管理的需求。
4、近年来，人工智能和机器学习技术在医学领域广泛应用，为阻塞型睡眠呼吸暂停的检测和判定提
技术实现思路
1、本专利技术实施例提出了一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，可以提高阻塞型睡眠呼吸暂停判定的准确性和实时性，实现精确的睡眠呼吸暂停监测和判定。
2、根据本专利技术实施例提出了一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，包括如下步骤：
3、s1、通过无创生物传感器实时采集用户在睡眠期间的呼吸频率、心率和氧饱和度，构建生理数据集；
4、s2、对采集到的原始生理数据集进行滤波、去噪和清洗，去除噪声和异常值；
5、s3、从预处理后的生理数据集中提取关键生理特征，所述生理特征包括呼吸频率、心率变异性、氧饱和度波动；
6、s4、利用改进深度学习训练一个判定模型，所述判定模型据提取的生理特征进行综合分析，判定是否发生睡眠呼吸暂停；
7、s5、系统实时监测用户的睡眠状态，并在检测到睡眠呼吸暂停时提供即时反馈或警报；
8、s6、系统根据不同用户的生理特征进行分析，提供针对个人的判定结果和健康建议。
9、可选的，所述s1具体包括：
10、s11、在用户睡眠环境中布置多个无创生物传感器，用于实时采集用户在睡眠期间的生理参数数据，所述生理参数数据包括呼吸频率rf、心率hr和氧饱和度os；
11、s12、所述无创生物传感器通过无线通信模块将采集到的呼吸频率rf、心率hr和氧饱和度os数据传输至数据处理终端，所述数据处理终端对每个数据点进行时间戳标记，构建时间序列生理数据集draw：
12、draw＝{(t1,rf(t1),hr(t1),os(t1)),(t2,rf(t2),hr(t2),os(t2)),…,(tn,rf(tn),hr(tn),os(tn))}
13、其中，ti表示第i个时间点，rf(ti)、hr(ti)、os(ti)分别表示在时间点ti采集到的呼吸频率、心率和氧饱和度。
14、可选的，所述s2具体包括：
15、s21、对构建的时间序列生理数据集draw中的呼吸频率rf、心率hr和氧饱和度os数据进行滤波处理，采用带通滤波器去除高频和低频噪声，滤波后的时间序列生理数据集dfiltered；
16、s22、对滤波后的时间序列生理数据集dfiltered数据集进行去噪处理，采用小波变换对数据进行多尺度分析，去除背景噪声和瞬时干扰，去噪后的时间序列生理数据集ddenoised；
17、s23、对去噪后的时间序列生理数据集ddenoised数据集进行数据清洗，去除异常值和不完整数据，应用基于统计学的方法识别和替换异常数据点，清洗后的时间序列生理数据集dclean。
18、可选的，所述s3具体包括：
19、s31、从时间序列生理数据集dclean中提取综合生理特征，结合呼吸频率rf、心率变异性hrv和氧饱和度os进行多参数融合，生成初步的综合特征向量，计算初步的综合特征向量中每个时间点的综合生理特征向量，其中包括呼吸频率的时间域和频域特征、心率变异性的多尺度熵、氧饱和度波动的高阶统计量，生成最终的综合特征向量fcombined；
20、s32、结合多参数融合技术，使用主成分分析对综合生理特征向量fcombined进行降维处理，得到主要特征成分fpca，将降维后的主要特征成分fpca作为输入特征，构建用于睡眠呼吸暂停判定的最终特征集。
21、可选的，所述s31具体包括：
22、s311、从时间序列生理数据集dclean中提取呼吸频率rf、心率变异性hrv和氧饱和度os的非线性特征，构建初步特征集；
23、s312、对呼吸频率rf使用径向基函数核方法捕捉非线性特征，得到呼吸频率特征frf；
24、
25、其中，αj为核方法的权重，σ为基函数的参数，n为样本数量；
26、s313、对心率变异性hrv进行核方法特征提取，使用多项式核函数捕捉非线性特征，得到心率变异性特征fhrv：
27、
28、其中，c为常数，d为多项式核的度数；
29、s314、对氧饱和度波动os进行核方法特征提取，使用sigmoid核函数捕捉非线性特征，得到氧饱和度特征fos：
30、fos＝tanh(β(os(ti)·os(tj))+c)；
31、其中，β和c为sigmoid核的参数；
32、s315、利用改进变分自编码器处理和融合呼吸频率特征frf、心率变异性特征fhrv和氧饱和度特征fos，生成综合特征向量fcombined，vae的损失函数结合睡眠呼吸数据，包括重构损失和生理数据特征的正则化项，定义为：
33、
34、其中，x表示输入的生理数据特征，z为潜在变量，φ和θ为vae的参数，kl表示kullback-leibler散度，ti为第i个样本文档来自技高网...
【技术保护点】
1.一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，其特征在于，所述S1具体包括：
3.根据权利要求2所述的一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，其特征在于，所述S2具体包括：
4.根据权利要求3所述的一种基于人工智能的睡眠呼吸暂停判定方法，其特征在于，所述S3具体包括：
5.根据权利要求4所述的一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，其特征在于，所述S31具体包括：
6.根据权利要求5所述的一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，其特征在于，所述S32具体包括：
7.根据权利要求6所述的一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，其特征在于，所述S4具体包括：
8.根据权利要求7所述的一种基于人工智能的睡眠呼吸暂停判定方法，其特征在于，所述S48具体包括：
9.根据权利要求7所述的一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，其特征在于，所述S6具体包括：
【技术特征摘要】
1.一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，其特征在于，所述s1具体包括：
3.根据权利要求2所述的一种基于人工智能的阻塞型睡眠呼吸暂停判定方法，其特征在于，所述s2具体包括：
4.根据权利要求3所述的一种基于人工智能的睡眠呼吸暂停判定方法，其特征在于，所述s3具体包括：
5.根据权利要求4所述的一种基于人工智能的阻塞型睡眠呼吸暂停判定方...
【专利技术属性】
技术研发人员：王佩佩，王蓓，樊永强，高皓玥，
申请(专利权)人：山西医科大学，
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。