睡眠呼吸暫停與低通氣事件識別方法技術

本發明專利技術公開了一種睡眠呼吸暫停與低通氣事件識別方法，包括以下步驟：將濾波后的鼻腔壓力信號進行分段，得到多個信號片段；提取每個信號片段的鼻腔壓力特征，鼻腔壓力特征為1×

【技術實現步驟摘要】
睡眠呼吸暫停與低通氣事件識別方法


[0001]本專利技術屬于計算機輔助睡眠醫學檢測
，具體來說涉及一種睡眠呼吸暫停與低通氣事件識別方法
。

技術介紹

[0002]阻塞性睡眠呼吸暫停低通氣綜合征（
Obstructive sleep apnea hypoventilation syndrome, OSAHS
）是一種睡眠疾病，是由于上氣道的完全阻塞或部分阻塞，從而導致呼吸暫停或低通氣的綜合征
。
多導睡眠圖（
Polysomnography , PSG
）是用于診斷
OSAHS
的重要生理數據，它記錄了患者夜間睡眠期間的腦電圖
、
心電圖
、
血氧飽和度
、
鼻腔壓力等多項重要生理信號
。
睡眠醫學專家根據美國睡眠醫學會出版的
《AASM
睡眠及其相關事件判讀手冊
?
規則
、
術語和技術規范
》
和患者夜間
PSG
，在時間維度上標記和分析睡眠呼吸暫停與低通氣事件，計算并量化結果，最后提供詳細的
OSAHS
分析報告
。
基于
PSG
的
OSAHS
診斷是全面的，但是它對醫務人員的技術要求高，分析計算工作量大，檢查報告產出時間長，完全依賴專業醫務人員的目視判讀的診斷方式難以適應需求量巨大的睡眠醫學檢測市場
。
因此，睡眠呼吸暫停與低通氣事件的自動檢測與模式識別可以解放人工勞動，可為診斷
OSAHS
提供有效參考與指導
。
[0003]目前，國內外已開展了睡眠呼吸暫停與低通氣事件檢測方法的研究并公布了相應成果
。
一種基于鼾聲信號識別技術被提出來并應用于睡眠呼吸暫停與低通氣事件的識別檢測，該基于鼾聲信號識別技術采用譜減法進行鼾聲信號降噪，根據提取的聲學特征識別鼾聲，從而判定單幀信號是否包含睡眠呼吸暫停與低通氣事件（彭健新
,
唐云飛
.
譜減法與維納濾波法相結合的睡眠鼾聲降噪處理
[J].
華南理工大學學報
(
自然科學版
),2018,46(03):103
?
107.
謝運泉
,
李宏
,
鄔楊波等
.
一種基于血氧飽和度與鼾聲檢測的呼吸暫停監測系統設計
[J].
寧波大學學報
(
理工版
),2021,34(02):9
?
16.
）
。
一種基于血氧飽和度信號分析的睡眠呼吸暫停與低通氣事件識別技術被提出，該睡眠呼吸暫停與低通氣事件識別技術設計了單幀信號上血氧飽和度極差
、
矩估計
、
持續下降時間占比時域特征，通過分類器檢測單幀信號是否有睡眠呼吸暫停與低通氣事件（
Zhang M, Dong C, Zhang D, et al. An Intelligent Classification Diagnosis Based on Blood Oxygen Saturation Signals for Medical Data Security Including in Industry 5.0[J]. IEEE Transactions on Industrial Informatics, 2022, 19(3): 3310
?
3320.
）
。
以上技術為睡眠呼吸暫停與低通氣事件的識別提供了可靠的理論研究基礎，然而，上述技術只能判別單幀信號內有無睡眠呼吸暫停與低通氣事件的發生，不能實現單幀信號內睡眠呼吸暫停與低通氣事件的模式識別
、
模式定位與次數統計，無法對識別結果進行符合
AASM
標準的模式標注與可視化，無法替代醫生的專業手工標注，這將引發診斷結果不準確與信任問題
。

技術實現思路

[0004]針對現有技術的不足，本專利技術的目的在于提供一種睡眠呼吸暫停與低通氣事件識
別方法，該睡眠呼吸暫停與低通氣事件識別方法標記持續時間大于等于
10
秒的睡眠呼吸暫停與低通氣事件，在單幀信號（下述信號片段）中睡眠呼吸暫停與低通氣事件檢測的基礎上，實現符合
AASM
標準的睡眠呼吸暫停與低通氣事件的模式識別與可視化，將提升睡眠呼吸暫停與低通氣事件識別的準確性和可信任性，增強計算機輔助診斷的功能，提升睡眠呼吸暫停與低通氣事件檢測技術的實際應用價值，為睡眠醫師對患者病情的診斷提供可靠的標注工具與參考指導
。
[0005]本專利技術的目的是通過下述技術方案予以實現的
,
一種睡眠呼吸暫停與低通氣事件識別方法，包括以下步驟：1）建立數據集：采集頻率在
X Hz
以上的鼻腔壓力信號，
X=100,
對鼻腔壓力信號進行濾波，將濾波后的鼻腔壓力信號進行分段，得到多個信號片段；在所述步驟1）中，通過多導睡眠儀采集鼻腔壓力信號
;
在所述步驟1）中，所述濾波為帶通濾波
;2
）提取每個信號片段的鼻腔壓力特征，其中，鼻腔壓力特征為1×
Y
的峰峰值特征矩陣（），峰峰值特征矩陣與其相對應的信號片段在時間維度上對應，峰峰值特征矩陣中每個元素對應信號片段中1秒內的峰峰值；在所述步驟2）中，
Y
為每個信號片段的時間
;
在所述步驟2）中，
Y=30~60
，其單位為秒
;3
）尋找二元分割閾值：抽取峰峰值特征矩陣中所有的非重復元素組成維度為1×
N
group
的閾值候選矩陣（
N
group
為非重復元素的個數），遍歷閾值候選矩陣內所有元素，分別構建每個元素的方差，并選擇最大的方差對應的元素的值作為二元分割閾值
;
構建元素的方差的方法包括：3?1）
~3
?4）：3?1）取出閾值候選矩陣中第個元素，；3?2）將峰峰值特征矩陣中大于等于第個元素的值的所有元素歸為正常模式矩陣；將峰峰值特征矩陣中所有小于第個元素的值的元素歸為異常模式矩陣；3?3）計算正常模式矩陣的先驗概率和異常模式矩陣的先驗概率
;
在步驟3?3）中，
????????????????????????????????????????
（1）
????????????????????????????????????????
（2）為正常模式矩陣中的元素個數，為異常模式矩陣中元素的個數
;
在步驟3?3）中，按照公式（3）
~
（5）計算正常模式矩陣的均值和異本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.
一種睡眠呼吸暫停與低通氣事件識別方法，其特征在于，包括以下步驟：1）建立數據集：采集頻率在
X Hz
以上的鼻腔壓力信號，
X=100,
對鼻腔壓力信號進行濾波，將濾波后的鼻腔壓力信號進行分段，得到多個信號片段；2）提取每個信號片段的鼻腔壓力特征，其中，鼻腔壓力特征為1×
Y
的峰峰值特征矩陣，峰峰值特征矩陣與其相對應的信號片段在時間維度上對應，峰峰值特征矩陣中每個元素對應信號片段中1秒內的峰峰值；3）尋找二元分割閾值：抽取峰峰值特征矩陣中所有的非重復元素組成維度為1×
N
group
的閾值候選矩陣，遍歷閾值候選矩陣內所有元素，分別構建每個元素的方差，并選擇最大的方差對應的元素的值作為二元分割閾值；4）利用峰峰值特征矩陣和二元分割閾值建立時域二元分割模板：將峰峰值特征矩陣中元素分為兩部分，峰峰值特征矩陣中元素大于等于二元分割閾值的元素標記為正常模式，峰峰值特征矩陣中元素小于二元分割閾值的元素標記為呼吸暫停與低通氣模式，建立時域二元分割模板，將時域二元分割模板中連續出現次數小于
10
次的呼吸暫停與低通氣模式設置為正常模式；5）將正常模式和呼吸暫停與低通氣模式作為模式識別標簽，根據每個信號片段相對應的時域二元分割模板在該信號片段上進行標記，實現睡眠呼吸暫停與低通氣事件識別
。2.
根據權利要求1所述的睡眠呼吸暫停與低通氣事件識別方法，其特征在于，構建元素的方差的方法包括：3?1）
~3
?4）：3?1）取出閾值候選矩陣中第個元素，；3?2）將峰峰值特征矩陣中大于等于第個元素的值的所有元素歸為正常模式矩陣；將峰峰值特征矩陣中所有小于第個元素的值的元素歸為異常模式矩陣；3?3）計算正常模式矩陣的先驗概率和異常模式矩陣的先驗概率；計算正常模式矩陣的均值和異常模式矩陣的均值以及峰峰值特征矩陣的均值...

【專利技術屬性】
技術研發人員：魏建國，褚榮和，陳一冰，路文煥，
申請(專利權)人：天津大學，
類型：發明
國別省市：