【技术实现步骤摘要】
本申请属于阻塞性睡眠呼吸暂停人群筛查分析，具体涉及阻塞性睡眠呼吸暂停人群ai筛查模型训练系统和方法。
技术介绍
1、阻塞性睡眠呼吸暂停，一般是指成人每晚7小时的睡眠期间，发作次数达30次以上，每次发作时，口、鼻气流停止流通达10秒或更长时间，并伴有血氧饱和度下降等。当正常呼吸时，气体交换的关键是喉以上的上呼吸道，使气体畅通地进入气管支气管，如果由于某种原因，这段气流受阻就将出现打鼾或阻塞性睡眠呼吸暂停。从解剖学角度看，喉上方有三个部位容易发生狭窄、阻塞，这三个部位为：鼻和鼻咽、口咽和软腭以及舌根部。
2、睡眠呼吸暂停低通气综合征(sleep apnea hypopnea syndrome，sahs)是指各种原因导致睡眠状态下反复出现呼吸暂停和(或)低通气、高碳酸血症、睡眠中断，从而使机体发生一系列病理生理改变的临床综合征。
3、睡眠呼吸暂停低通气综合征是指每晚睡眠过程中呼吸暂停反复发作30次以上或睡眠呼吸暂停低通气指数(ahi)≥5次/小时并伴有嗜睡等临床症状。呼吸暂停是指睡眠过程中口鼻呼吸气流完全停止10秒以上；低通气是指睡眠过程中呼吸气流强度(幅度)较基础水平降低50％以上，并伴有血氧饱和度较基础水平下降≥4％或微醒觉；睡眠呼吸暂停低通气指数是指每小时睡眠时间内呼吸暂停加低通气的次数。
4、睡眠呼吸暂停低通气综合征包括：1、中枢型(csas)2、阻塞型(osas)3、混合型(msas)。近年来，随着各种测试方法不断进展，对阻塞型(osas)进行深入地综合研究，发现本病的复杂、多变和普遍存在
5、现有技术中，多导睡眠监测(polysomnography，psg)是诊断睡眠打鼾(睡眠呼吸暂停低通气综合征)最重要的检查。通过夜间连续的呼吸、动脉血氧饱和度、脑电图、心电图、心率等指标的监测，可以了解打鼾者有无呼吸暂停、暂停的次数、暂停的时间、发生暂停时最低动脉血氧值及对身体健康影响的程度，是国际公认的诊断睡眠呼吸暂停低通气综合征的金标准。多导睡眠监测仪是最常用的睡眠监测手段，是诊断打鼾最重要的检查，是国际公认的诊断睡眠呼吸暂停低通气综合征的金标准。
6、如图11所示，在夜间睡眠过程中，将各种传感器戴在身上，给人睡眠本身也会带来不利影响，进行检测的成本也很高，需要各种设备和各种数据的综合分析。且只能进行单人测试，无法大面积进行推广，更无法实现人群大批量筛查。如何能对人群进行更方便、更简单的方法进行阻塞性睡眠呼吸暂停人群筛查是待解决的问题。
7、技术词汇说明：
8、lgb模型：lightgbm(lgb模型)是一种基于梯度提升框架的机器学习算法，主要用于决策树的优化和训练。
9、lgb:轻量级梯度提升机。
10、xgboost:极限梯度提升。
11、rf:随机森林。
12、fnn:前馈神经网络。
13、cnn:卷积神经网络。
14、lor:逻辑回归。
15、log2:在处理多重共线性变量后建立的逻辑回归模型2。
技术实现思路
1、本申请中，专利技术人提出一种基于人口学特征数据、人体测量学特征数据进行阻塞性睡眠呼吸暂停人群ai筛查模型训练系统和方法，避免了初步筛查过程就需要配套复杂设备在睡眠中进行测量的不方便，提供了一种更方便高效简单的，适用于进行人群筛查的阻塞性睡眠呼吸暂停人群ai筛查系统和方法。
2、一种阻塞性睡眠呼吸暂停人群ai筛查模型训练系统，包括样本收集组件、ai训练服务器；样本收集组件包括样本标注模块；样本输入组件收集样本数据，所述样本数据为确诊阻塞性睡眠呼吸暂停患者和/或确诊非阻塞性睡眠呼吸暂停患者的身体特征参数；样本标注模块将所述身体参数数据转换为标准的ai训练输入数据；将所述ai训练输入数据输入到所述ai训练服务器，经过ai训练服务器训练获得阻塞性睡眠呼吸暂停ai特征数据集；所述身体特征参数包括一般人口学特征数据、人体测量学特征数据，人体测量学特征数据包括身高、体重、腰围、颈围、臀围。
3、可以是，所述一般人口学特征数据包括年龄、性别。
4、可以是，样本标注模块将所述身体参数数据转换为标准的ai训练输入数据。
5、可以是，所述身体特征参数包括甘油三酯含量。
6、可以是，所述身体特征参数包括高密度胆固醇含量。
7、可以是，所述ai训练输入数据，包括身体质量指数即体重指数bmi；脂质蓄积指数lap；内脏脂肪vai；中国内脏脂肪指数cvai；体形指数absi；身体圆度指数bri；体脂肪估计量即身体肥胖估计量bae；体格指数pi；相对脂肪质量rfm；锥度指数即锥削指数ci；腹部容积指数avi；腰臀比whr；腰高比whtr；人体测量预测方程(anthropometric predictionequation)；预测去脂体重lean body mass(kg)；预测体脂肪fat mass(kg)；预测体脂率percent fat(％)；臀围hc中的任意一种或多种。
8、可以是，所述ai训练服务器包括一种或多种算法模块，所述算法模块包括机器学习算法模块、深度学习模块、逻辑回归计算模块；ai训练服务器根据不同的算法模块，将所述算法模块对应的阻塞性睡眠呼吸暂停ai特征数据集保存到数据库中。
9、可以是，所述ai训练服务器与所述样本收集组件通过网络连通。
10、一种阻塞性睡眠呼吸暂停人群ai筛查模型训练方法，收集样本数据，所述样本数据为确诊阻塞性睡眠呼吸暂停患者和/或确诊非阻塞性睡眠呼吸暂停患者的身体特征参数；将所述身体参数数据转换为标准的ai训练输入数据；将所述ai训练输入数据输入到ai训练服务器，经过ai训练服务器训练获得阻塞性睡眠呼吸暂停ai特征数据集；所述身体特征参数包括一般人口学特征数据、人体测量学特征数据，人体测量学特征数据包括身高、体重、腰围、颈围、臀围。
11、可以是，所述一般人口学特征数据包括年龄、性别；tb2：样本标注模块将所述身体参数数据转换为标准的ai训练输入数据；tb3：所述身体特征参数包括甘油三酯含量；tb4：所述身体特征参数包括高密度胆固醇含量。
12、可以是，所述ai训练输入数据，包括身体质量指数即体重指数bmi；脂质蓄积指数lap；内脏脂肪vai；中国内脏脂肪指数cvai；体形指数absi；身体圆度指数bri；体脂肪估计量即身体肥胖估计量bae；体格指数pi；相对脂肪质量rfm；锥度指数即锥削指数ci；腹部容积指数avi；腰臀比whr；腰高比whtr；人体测量预测方程(anthropometric predictionequation)；预测去脂体重lean body mass(kg)；预本文档来自技高网...
【技术保护点】
1.一种阻塞性睡眠呼吸暂停人群AI筛查模型训练系统，其特征在于:
2.根据权利要求1所述的阻塞性睡眠呼吸暂停人群AI筛查模型训练系统，其特征在于，包括以下任意一项技术特征：
3.根据权利要求1所述的阻塞性睡眠呼吸暂停人群AI筛查模型训练系统，其特征在于，所述AI训练输入数据
4.根据权利要求1所述的阻塞性睡眠呼吸暂停人群AI筛查模型训练系统，其特征在于，
5.根据权利要求1所述的阻塞性睡眠呼吸暂停人群AI筛查模型训练系统，其特征在于，所述AI训练服务器与所述样本收集组件通过网络连通。
6.一种阻塞性睡眠呼吸暂停人群AI筛查模型训练方法，其特征在于，
7.根据权利要求1所述的阻塞性睡眠呼吸暂停人群AI筛查模型训练方法，其特征在于，包括以下任意一项技术特征：
8.根据权利要求1所述的阻塞性睡眠呼吸暂停人群AI筛查模型训练方法，其特征在于，所述AI训练输入数据，
9.根据权利要求6所述的阻塞性睡眠呼吸暂停人群AI筛查模型训练方法，其特征在于，所述AI训练服务器包括一种或多种算法模块，所述算法
10.据权利要求6所述的阻塞性睡眠呼吸暂停人群AI筛查模型训练方法，其特征在于，所述收集样本数据过程中，对缺乏身体特征参数的样本对象，进行人体测量学特征数据测量。
...【技术特征摘要】
1.一种阻塞性睡眠呼吸暂停人群ai筛查模型训练系统，其特征在于:
2.根据权利要求1所述的阻塞性睡眠呼吸暂停人群ai筛查模型训练系统，其特征在于，包括以下任意一项技术特征：
3.根据权利要求1所述的阻塞性睡眠呼吸暂停人群ai筛查模型训练系统，其特征在于，所述ai训练输入数据
4.根据权利要求1所述的阻塞性睡眠呼吸暂停人群ai筛查模型训练系统，其特征在于，
5.根据权利要求1所述的阻塞性睡眠呼吸暂停人群ai筛查模型训练系统，其特征在于，所述ai训练服务器与所述样本收集组件通过网络连通。
6.一种阻塞性睡眠呼吸暂停人群ai筛查模型训练方法，其特征在于，
7.根据权利要求1所述的阻塞性睡眠呼吸...
【专利技术属性】
技术研发人员：朱晓玥，李晨洋，许华俊，杨志鹏，关建，易红良，殷善开，
申请(专利权)人：上海市第六人民医院，
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。