CN111166294B - 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 - Google Patents
一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 Download PDFInfo
- Publication number
- CN111166294B CN111166294B CN202010077427.7A CN202010077427A CN111166294B CN 111166294 B CN111166294 B CN 111166294B CN 202010077427 A CN202010077427 A CN 202010077427A CN 111166294 B CN111166294 B CN 111166294B
- Authority
- CN
- China
- Prior art keywords
- heart rate
- sleep apnea
- rate variability
- neural network
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims description 35
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 17
- 208000008784 apnea Diseases 0.000 abstract description 14
- 230000007958 sleep Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008288 physiological mechanism Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010021079 Hypopnoea Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 208000030523 mesoaxial synostotic syndactyly with phalangeal reduction Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种基于心跳间期的睡眠呼吸暂停自动检测方法和装置，用于解决现有技术中睡眠呼吸暂停检测不准确、精度不高的问题。所述睡眠呼吸暂停自动检测方法首先采集睡眠时的心跳间期信息，再通过残差神经网络对所述心跳间期信息自动提取特征，并进一步提取心率变异性特征，再将所述自动提取特征和心率变异性特征集合进行融合，从而判断是否出现呼吸暂停。本发明通过提取心电图ECG信号中的心跳间期特征，并将此特征在残差神经网络中进行深入分析，结合了心率变异性特征，且所述残差神经网络中的所有权重都可以在临床上进行微调，提高了提高了睡眠检测的灵性性、准确性和精确性；同时只需要单导心电信息，采集过程简单便捷，具有相当的普适性。
Description
技术领域
本发明属于医学数据监测领域，具体涉及一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置。
背景技术
睡眠呼吸暂停(Sleep Apnea，SA)是导致睡眠障碍的常见呼吸病症。在快速眼动睡眠中，气道被颏舌肌、肌腱和脂肪组织完全阻塞至少10秒，或者持续10秒出现气流减少超过50％、氧气去饱和度超过3％的呼吸不足现象，都被称为呼吸暂停。根据调查，近30多年以来，睡眠呼吸暂停一直影响着全世界的人们，且在2008年患病人数就已达到了全球成人的6％。越来越多的呼吸暂停患者由于没有被及时诊断和干预，面临着心血管疾病以及临床抑郁症的风险。许多实验都研究了呼吸暂停的危害，结果表明呼吸暂停与几种内源性生理现象和疾病之间存在很大的相关性。
睡眠呼吸暂停是长期、有害的，但在诊断后可以进行治疗。气道正压(PositiveAirway Pressure,PAP)治疗和腭咽成形术(Palatopharyngoplasty,PPP)治疗等疗法在早期诊断中是很有效的。因此，及时诊断对于呼吸暂停的治疗过程至关重要。传统上通过多导睡眠图(Polysomnogram,PSG)信号来诊断呼吸暂停综合征严重程度，但在收集PSG信号来检测呼吸暂停时，患者被要求与侵入式设备一起睡眠过夜，还需要医学专家和诊所环境。这种传统的呼吸暂停检测过程过于复杂且价格高昂，因此需要能够在非侵入式设备上快速准确执行的新方法。
现有技术中，检测睡眠呼吸暂停的一种有效解决方案是使用单导联心电图(ECG)信号来检测呼吸暂停，目前通常通过人工设计各种功能。例如，通过从ECG信号中提取特征，放入邻近算法(kNN)、支持向量机(SVM)等各种分类器中进行分类，或者通过深度神经网络进行自动特征提取及分类。但在100Hz左右采样的ECG信号限制了神经网络的深度，从而影响睡眠呼吸检测的准确性和精度。因此，现有的睡眠呼吸检测方法在用户体验、灵活性及准确性方面都存在一定的缺陷。
发明内容
本发明实施例提供了一种基于心跳间期的睡眠呼吸暂停自动检测方法和装置，通过提取心电图ECG信号中的心跳间期特征，并将此特征在残差神经网络中进行深入分析，结合心率变异性特征，判断是否出现呼吸暂停，提高睡眠呼吸暂停检测的准确性和灵活性。
为了实现上述目的，本发明实施例采用的技术方案如下。
第一方面，本发明实施例提供了一种基于心跳间期的睡眠呼吸暂停自动检测方法，所述方法包括如下步骤：
步骤S1，采集睡眠时的人体心电图ECG信号，根据心电周期PQRST五个波中的R波，进行相邻心电的心跳间期信息提取，生成心跳间期时间序列；
步骤S2，基于预设的残差神经网络对所述心跳间期时间序列进行特征自动提取，得到第一心率变异性特征；
步骤S3，基于心跳间期时间序列进行心率变异性特征提取，获得第二心率变异性特征；
步骤S4，将所述残差神经网络自动提取的第一心率变异性特征和所述第二心率变异性特征集合进行特征融合，一起输入到分类器，判断是否出现呼吸暂停。
可选地，所述步骤S1中生成心跳间期时间序列，进一步为，使用线性插值对所提取的心跳间期信息采用2Hz频率进行重采样，生成心跳间期时间序列。
可选地，所述步骤S2中对心跳间期时间序列进行特征自动提取，进一步为：使用卷积神经网络CNN和反向传播BP算法训练所述残差神经网络，完成特征自动提取。
可选地，所述卷积神经网络共由33层一维卷积层构成，通过与批量归一化层、dropout层、ReLu函数层的结构组合，组成16个残差块。
可选地，所述ReLu函数层中，一维卷积层是CNN的核心，激活函数h的输入向量为X，输出是下一层的输入，第l层卷积层的输出Y(l) conv为：
式(1)中，
是卷积计算，B为偏置矩阵，W为具有固定大小的权值向量。
可选地，所述卷积层之间采用平均池化层。
可选地，在所述16个残差块中，建立一个短路连接，将残差块的输入添加到残差块的输出中，并在短路连接中进行投影，以使输入大小与输出大小相匹配，从而完成神经网络特征的自动提取。
可选地，所述步骤S3中心率变异性特征，包括：心跳间期的平均值、心跳间期的标准差、心跳间期的偏度、心跳间期的峰度、NN50度量值、pNN50指标、相邻心跳间期之间差异的标准差、相邻心跳间期之间差异平方平均值的平方根、Allan因子、心跳间期的极低频、心跳间期的低频、心跳间期的高频、心跳间期的低频LF与高频HF之比。
可选地，所述步骤S4中的判断是否出现呼吸暂停，进一步为：
将所述残差神经网络自动提取的第一心率变异性特征与所述人工提取的第二心率变异性特征融合为一个特征向量，并输入到一层全连接神经网络分类器中；所述特征向量经过所述分类器后得到未标准化的判别值x，通过输出函数sigmoid(x)将所述判别值转化为当前时间段内患者出现睡眠呼吸暂停的伪概率；当判别值x为非负时，伪概率大于等于50％，判断当前时间段内患者出现睡眠呼吸暂停，预测标签值
等于1；当判别值x为负时，伪概率小于50％，判断当前时间段内患者未出现睡眠呼吸暂停，预测标签值
等于0。
第二方面，本发明实施例提供了一种基于心跳间期的睡眠呼吸暂停自动检测装置，所述睡眠呼吸暂停自动检测装置包括：心跳间期信息采集模块、深度特征提取模块、心率变异性特征提取模块、睡眠呼吸暂停判断模块；其中，
心跳间期信息采集模块同时与所述深度特征提取模块和心率变异性特征提取模块相连，用于采集睡眠时的人体心电图ECG信号，根据心电周期PQRST五个波中的R波，进行相邻心电的心跳间期信息提取，生成心跳间期时间序列，并将所述心跳间期时间序列发送给所述深度特征提取模块和心率变异性特征提取模块；
所述深度特征提取模块用于根据所述生成心跳间期时间序列并基于预设的残差神经网络自动提取特征，并将所述自动提取特征发送给所述睡眠呼吸暂停判断模块；
所述心率变异性特征提取模块用于根据所述生成心跳间期时间序列提取心率变异性特征，并将所述心率变异性特征发送给所述睡眠呼吸暂停判断模块；
所述睡眠呼吸暂停判断模块同时与所述深度特征提取模块和心率变异性特征提取模块相连，用于根据所接收的自动提取特征和心率变异性特征判断是否出现睡眠呼吸暂停。
本发明具有如下有益效果：本发明实施例所述基于心跳间期的睡眠呼吸暂停自动检测方法和装置，首先采集睡眠时的心跳间期信息，再通过残差神经网络对所述心跳间期信息自动提取特征，并进一步提取心率变异性特征，再将所述自动提取特征和心率变异性特征集合进行融合，从而判断是否出现呼吸暂停，具有很大的灵活性，提高了睡眠呼吸暂停检测的准确性和检测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于心跳间期的睡眠呼吸暂停自动检测方法的流程示意图；
图2为本发明实施例睡眠呼吸暂停自动检测方法中残差神经网络计算流程图；
图3为本发明实施例基于心跳间期的睡眠呼吸暂停自动检测装置结构示意图。
具体实施方式
下面通过参考示范性实施例，对本发明技术问题、技术方案和优点进行详细阐明。以下所述示范性实施例仅用于解释本发明，而不能解释为对本发明的限制。本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非在这里进行定义，否则不会用理想化或过于正式的含义来解释。
本发明实施例通过提取心电图ECG信号中的心跳间期(Heartbeat Interval，HI)的特征，并将此特征在残差神经网络(Residual Network，RN)中进行深入分析，对睡眠呼吸暂停进行检测。所述残差神经网络，结合了心率变异性特征(Heart Rate Variability，HRV)，是利用网络压缩技术在可穿戴设备或智能电话上应用的一种深度算法，且所述残差神经网络中的所有权重都可以进行微调，与人工设计的功能相比，具有很大的灵活性。
为便于对本发明实施方式的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明技术方案的限定。
第一实施例
本实施例提供了一种基于心跳间期的睡眠呼吸暂停自动检测方法，图1所示为所述睡眠呼吸暂停自动检测方法流程示意图。如图1所示，所述基于心跳间期的睡眠呼吸暂停自动检测方法包括如下步骤：
步骤S1，采集睡眠时的人体心电图ECG信号，根据心电周期PQRST五个波中的R波，进行相邻心电的心跳间期信息提取，生成心跳间期时间序列。
本步骤中，所述采集睡眠时的人体心电图ECG信号，可利用移动设备等简单舒适的设备进行采集。优选地，采样频率为100Hz。所述生成心跳间期时间序列，进一步为，使用线性插值对所提取的心跳间期信息采用2Hz频率进行重采样，生成心跳间期时间序列。
步骤S2，基于预设的残差神经网络对所述心跳间期时间序列进行特征自动提取，得到第一心率变异性特征。
本步骤中，所述对心跳间期时间序列进行特征自动提取，进一步为：使用卷积神经网络(CNN)和反向传播(Backpropagation，BP)算法训练所述残差神经网络，完成特征自动提取。
图2为本实施例残差神经网络计算流程图。通过深度特征提取，得到第一心率变异性特征。如图2所示，时长为3分钟的心跳间期时间序列输入后，先是经过5个大小为1*20的一维卷积层提取到128个特征映射(feature maps)，后面加上批量归一化(batchnormalization,BN)层进行归一化和ReLu函数层进行激活，然后通过一个大小为1*2的平均池化层(average pooling)进行平均池化；紧接着是16个相同的残差块依次相连，每个残差块都是令传进来的feature maps经过2个大小为1*3的一维卷积层、2个BN层、2个Relu函数层后与自己本身相加，短路连接是用于将残差块的输入与输出相加；最后再经过一个大小为1*3的卷积层和一个average pooling层，得到的512个feature maps即为自动提取的第一心率变异性特征。
其中一维卷积层是CNN的核心，在卷积层中，具有固定大小的权值向量W将逐条地乘以输入数据，即为卷积操作，卷积结果加上偏置项B组成激活函数h的输入。激活函数h的输出将是下一层的输入。输入向量为X，则第l层卷积层的输出Y为：
式(1)中，
是卷积计算，B为偏置矩阵，W为具有固定大小的权值向量。
本实施例中，卷积层中的所有激活函数h都是ReLU函数，以加速训练并降低神经网络中的最终错误率。
输入x的ReLU函数是：
hRelU(x)＝max(0,x) (2)
CNN中有两种类型的池化层：平均池化层和最大池化层。最大池化层用于减少由不良权重初始化引起的平均值偏移误差，或卷积层中使用Xavier初始化，也可以减少平均值偏移误差。平均池化层能够减少卷积层输出中的标准差误差。由测量误差和其他生理机制引起的噪声可能导致心跳间期的标准偏差误差。此外，也可以使用平均滤波器进行心跳间期校正。本实施例中，在卷积层之间使用平均池化层，以减少卷积层输出中由测量误差和其他生理机制引起的心跳间期的标准偏差误差。
批量归一化层(BN层)用于减少所述残差神经网络中的内部协变量偏移，归一化输入X的标准偏差Var和期望E：
式(3)中，E(x)和Var(x)是输入X的期望和偏差，x是输入样本，∈是平滑项，用于避免除零，通常将其设置为可忽略不计的非常小的正数。神经网络中的批量归一化层(BN层)可以实现数据白化的功能。
残差神经网络的16个残差块中，每个残差块都是由两个一维卷积层、两个BN层和两个Relu函数层组成，用输入X来定义它的输出Y：
Y＝F(X,{W}) (4)
式(4)中，F代表块的映射，并且集合{W}表示块中的所有参数，得到残差块的输出Yr为：
Yr＝Y+X＝F(X,{W})+X (5)
当Y的维度大于X时，对X投影以保持两个矩阵的相同维度。
采用BP算法计算第i个参数Wi的梯度Gi是：
当Gi等于零时，
可能为零；当梯度等于零时，卷积层停止训练。
残差块中的梯度
是
在所述16个残差块中，建立一个短路连接，将残差块的输入添加到其输出中，并在短路连接中进行投影，以使输入大小与输出大小相匹配。
步骤S3，基于心跳间期时间序列进行心率变异性特征提取，获得第二心率变异性特征。
本步骤中，所述心率变异性特征为逐次心跳周期之间心率的微小变异，也指心跳间期之间的微小变化，对心跳间期进行线性和非线性数据特征提取可获取心率变异性信息。
在图2所示的残差神经网络计算流程中，输入时长为3分钟的心跳间期时间序列，通过对每一分钟进行人工特征提取，这样同一种特征就可以计算得到三个结果，最后得到第二心率变异性特征如图2所示，所述第二心率变异性特征种类，包括：心跳间期的平均值、心跳间期的标准差、心跳间期的偏度、心跳间期的峰度、NN50度量值、pNN50指标、相邻心跳间期之间差异的标准差、相邻心跳间期之间差异平方平均值的平方根、Allan因子、心跳间期的极低频、心跳间期的低频、心跳间期的高频、心跳间期的低频LF与高频HF之比。所有的第二心率变异性特征形成一个特征向量。
所述基于心跳间期时间序列进行第二心率变异性特征提取，进一步包括以下步骤：
步骤S301，计算心跳间期的平均值(mean of RR intervals，Mean RR)；
步骤S302，计算心跳间期的标准差(Standard deviation of RR intervals，SDRR)；
步骤S303，计算心跳间期的偏度(Skewness of RR intervals，Skewness RR)；
步骤S304，计算心跳间期的峰度(Kurtosis of RR intervals，Kurtosis RR)；
步骤S305，计算NN50度量值(变体1)，所述NN50度量值(变体1)为相邻心跳间期对中第一心跳间期时长大于第二个心跳间期时长至少50ms的间期对数量(number of pairsof adjacent normal to normal intervals differing by more than 50ms，NN50)；
步骤S306，计算NN50度量值(变体2)，所述NN50度量值(变体2)为第二心跳间期超过第一个心跳间期超过50ms的相邻心跳间期对的数量；
步骤S307，计算变体1的pNN50指标，为每个NN50指标除以心跳间期总数(Percentof NN50in the total number of RR intervals，PNN50)；
步骤S308，计算变体2的pNN50指标，为每个NN50指标除以心跳间期总数；
步骤S309，计算相邻心跳间期之间差异的标准差(Standard deviation ofSuccessive Difference between adjacent cycles，SDSD)；
步骤S310，计算相邻心跳间期之间差异平方平均值的平方根(The root meansquare of difference between adjacent NN intervals，R MSSD)；
步骤S311，计算Allan因子A(T)在时间刻度5,10,15,20和25s进行评估
式(8)中，Ni(T)是长度为T的窗口中QRS检测点的数量，从iT延伸到(i+1)T，E是期望算子；
步骤S312，计算心跳间期的极低频(very low frequencies，VLF)；
步骤S313，计算心跳间期的低频(Low frequency，LF)；
步骤S314，计算心跳间期的高频(High Frequency，HF)；
步骤S315，计算心跳间期的LF与HF之比。
步骤S4，将所述残差神经网络自动提取的第一心率变异性特征和所述第二心率变异性特征集合进行特征融合，一起输入到分类器，判断是否出现呼吸暂停。
本步骤将所述残差神经网络自动提取的第一心率变异性特征与所述人工提取的第二心率变异性特征融合为一个特征向量，输入到分类器中。所述特征向量经过一层全连接神经网络分类器后得到未标准化的判别值x，通过输出函数sigmoid(x)将此判别值转化为当前时段内患者出现睡眠呼吸暂停的伪概率，其值范围在0-100％之间，输入x的sigmoid函数如下表示：
训练时，当真实标签为y并且预测标签为
时，二元交叉熵损失函数为：
基于伪概率，预测标签
的计算方法为：
当判别值x为非负时，伪概率大于等于50％，判断当前时间段内患者出现睡眠呼吸暂停，预测标签值
等于1；当判别值x为负时，伪概率会小于50％，判断当前时间段内患者未出现睡眠呼吸暂停，预测标签值
等于0。
由以上技术方案可以看出，本实施例所述基于心跳间期的睡眠呼吸暂停自动检测方法，首先采集睡眠时的心跳间期信息，再通过残差神经网络对所述心跳间期信息自动提取第一心率变异性特征，并进一步提取第二心率变异性特征，再将所述第一心率变异性特征和第二心率变异性特征集合进行融合，从而判断是否出现呼吸暂停。所述睡眠呼吸暂停自动检测方法只需要单导心电信息，采集过程简单便捷，并且精准地检测出是否出现了睡眠呼吸暂停，提高了睡眠检测的灵性性、准确性和精确性。
第二实施例
本实施例提供了一种基于心跳间期的睡眠呼吸暂停自动检测装置，图3所示为所述自动检测装置结构示意图。如图3所示，所述睡眠呼吸暂停自动检测装置包括：心跳间期信息采集模块、深度特征提取模块、心率变异性特征提取模块、睡眠呼吸暂停判断模块；其中，
所述心跳间期信息采集模块同时与所述深度特征提取模块和心率变异性特征提取模块相连，用于采集睡眠时的人体心电图ECG信号，根据心电周期PQRST五个波中的R波，进行相邻心电的心跳间期信息提取，生成心跳间期时间序列，并将所述心跳间期时间序列发送给所述自动提取特征模块和心率变异性特征提取模块；
所述深度特征提取模块用于根据所述生成心跳间期时间序列并基于预设的残差神经网络自动提取特征，得到第一心率变异性特征，并将所述自动提取特征发送给所述睡眠呼吸暂停判断模块；
所述心率变异性特征提取模块用于基于心跳间期时间序列进行心率变异性特征提取，获得第二心率变异性特征，并将所述心率变异性特征发送给所述睡眠呼吸暂停判断模块；
所述睡眠呼吸暂停判断模块同时与所述深度特征提取模块和心率变异性特征提取模块相连，用于根据所接收的自动提取特征和心率变异性特征判断是否出现睡眠呼吸暂停。
本实施例所述基于心跳间期的睡眠呼吸暂停自动检测装置，是与第一实施例所述基于心跳间期的睡眠呼吸暂停自动检测方法相对应的技术方案，实施例之间相同或相似的部分互相参见，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明，在此不再赘述。
由以上技术方案可以看出，本实施例所述基于心跳间期的睡眠呼吸暂停自动检测装置，适合广大受众群体，具有普适性，为患者提供精准、快速的疾病辅助诊断服务，可及时发现心脑血管疾病内源的发病隐患。
以上所述是本发明的优选实施方式，应当指出，本发明并不受限于以上所公开的示范性实施例，说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，在本发明揭露的技术范围做出的若干改进和润饰、可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于心跳间期的睡眠呼吸暂停自动检测装置，其特征在于，所述睡眠呼吸暂停自动检测装置包括：心跳间期信息采集模块、深度特征提取模块、心率变异性特征提取模块、睡眠呼吸暂停判断模块；其中，
所述心跳间期信息采集模块同时与所述深度特征提取模块和心率变异性特征提取模块相连，用于采集睡眠时的人体心电图ECG信号，根据心电周期PQRST五个波中的R波，使用线性插值对所提取的心跳间期信息采用2Hz频率进行相邻心电的心跳间期信息提取，生成心跳间期时间序列，并将所述心跳间期时间序列发送给所述深度特征提取模块和心率变异性特征提取模块；
所述深度特征提取模块用于根据所述生成心跳间期时间序列并基于预设的残差神经网络，使用卷积神经网络CNN和反向传播BP算法训练所述残差神经网络，自动提取特征，得到第一心率变异性特征，并将所述自动提取特征发送给所述睡眠呼吸暂停判断模块；所述卷积神经网络共由33层一维卷积层构成，通过与批量归一化层、dropout层、ReLu函数层的结构组合，组成16个残差块；
所述心率变异性特征提取模块用于基于心跳间期时间序列进行心率变异性特征提取，在残差神经网络中所输入的时长为3分钟的心跳间期时间序列中，对每一分钟进行人工特征提取，获得第二心率变异性特征，并将所述心率变异性特征发送给所述睡眠呼吸暂停判断模块；
所述睡眠呼吸暂停判断模块同时与所述深度特征提取模块和心率变异性特征提取模块相连，用于将所述第一心率变异性特征和第二心率变异性特征集合进行特征融合，一起输入到分类器，判断是否出现睡眠呼吸暂停。
2.根据权利要求1所述的睡眠呼吸暂停自动检测装置，其特征在于，所述ReLu函数层中，一维卷积层是CNN的核心，激活函数h的输入向量为X，输出是下一层的输入，一维卷积层的输出Y为：
式(1)中，
是卷积计算，B为偏置矩阵，W为具有固定大小的权值向量。
3.根据权利要求1所述的睡眠呼吸暂停自动检测装置，其特征在于，所述卷积层之间采用平均池化层。
4.根据权利要求1所述的睡眠呼吸暂停自动检测装置，其特征在于，在所述16个残差块中，建立一个短路连接，用于将残差块的输入添加到残差块的输出中，并在短路连接中进行投影，以使输入大小与输出大小相匹配，完成神经网络特征的自动提取。
5.根据权利要求1所述的睡眠呼吸暂停自动检测装置，其特征在于，所述心率变异性特征，包括：心跳间期的平均值、心跳间期的标准差、心跳间期的偏度、心跳间期的峰度、NN50度量值、pNN50指标、相邻心跳间期之间差异的标准差、相邻心跳间期之间差异平方平均值的平方根、Allan因子、心跳间期的极低频、心跳间期的低频、心跳间期的高频、心跳间期的低频LF与高频HF之比。
6.根据权利要求1所述的睡眠呼吸暂停自动检测装置，其特征在于，所述睡眠呼吸暂停判断模块，进一步用于通过下述过程判断是否出现睡眠呼吸暂停：
将所述残差神经网络自动提取的第一心率变异性特征与所述人工提取的第二心率变异性特征融合为一个特征向量，并输入到一层全连接神经网络分类器中；所述特征向量经过所述分类器后得到未标准化的判别值x，通过输出函数sigmoid(x)将所述判别值转化为当前时间段内患者出现睡眠呼吸暂停的伪概率；当判别值x为非负时，伪概率大于等于50％，判断当前时间段内患者出现睡眠呼吸暂停，预测标签值
等于1；当判别值x为负时，伪概率小于50％，判断当前时间段内患者未出现睡眠呼吸暂停，预测标签值
等于0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010077427.7A CN111166294B (zh) | 2020-01-29 | 2020-01-29 | 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010077427.7A CN111166294B (zh) | 2020-01-29 | 2020-01-29 | 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111166294A CN111166294A (zh) | 2020-05-19 |
| CN111166294B true CN111166294B (zh) | 2021-09-14 |
Family
ID=70620740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010077427.7A Active CN111166294B (zh) | 2020-01-29 | 2020-01-29 | 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111166294B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113450901A (zh) * | 2020-05-28 | 2021-09-28 | 孙羽 | 呼吸支持***的控制方法、装置、呼吸支持*** |
| CN112426147B (zh) * | 2020-10-21 | 2023-08-08 | 华南师范大学 | 睡眠呼吸事件检测模型处理方法、***和存储介质 |
| CN112617856A (zh) * | 2020-12-14 | 2021-04-09 | 上海交通大学 | 基于残差神经网络的冠心病心电图筛查***及方法 |
| CN113243890B (zh) * | 2021-05-10 | 2023-01-13 | 清华大学深圳国际研究生院 | 睡眠呼吸暂停综合症识别装置 |
| CN114073495B (zh) * | 2021-12-03 | 2024-03-22 | 中山大学·深圳 | 一种基于信息相似度的睡眠呼吸暂停检测方法及装置 |
| TWI837948B (zh) * | 2022-11-15 | 2024-04-01 | 國立勤益科技大學 | 可偵測完整呼吸暫停與不足事件的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080051669A1 (en) * | 2006-08-28 | 2008-02-28 | Wolfgang Meyer | Diagnosis of sleep apnea |
| CN101816822A (zh) * | 2010-05-27 | 2010-09-01 | 天津大学 | 功能性电刺激pid参数双源特征融合微粒子群整定方法 |
| CN104545888A (zh) * | 2014-12-27 | 2015-04-29 | 迪姆软件(北京)有限公司 | 一种基于动态心电与呼吸波采集的睡眠呼吸暂停采集分析*** |
| CN106343977A (zh) * | 2016-09-21 | 2017-01-25 | 中国人民解放军国防科学技术大学 | 基于多传感器融合的无人机操作员状态监视*** |
| US20180310876A1 (en) * | 2015-05-19 | 2018-11-01 | Shanghai Megahealth Technologies Co., Ltd | Noncontact detection method of sleep stages and sleep-disordered breathing |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6658287B1 (en) * | 1998-08-24 | 2003-12-02 | Georgia Tech Research Corporation | Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity |
| US20050054940A1 (en) * | 2003-04-23 | 2005-03-10 | Almen Adam J. | Apparatus and method for monitoring heart rate variability |
| US10213152B2 (en) * | 2011-02-14 | 2019-02-26 | The Board Of Regents Of The University Of Texas System | System and method for real-time measurement of sleep quality |
| CN103949010A (zh) * | 2014-05-05 | 2014-07-30 | 吉林大学 | 高频电流在治疗阻塞性睡眠呼吸暂停综合征的应用 |
| WO2016103191A1 (en) * | 2014-12-22 | 2016-06-30 | Medicus Engineering Aps | Closed-loop control of insulin infusion |
| EP3841967B1 (en) * | 2015-01-06 | 2023-10-25 | David Burton | Mobile wearable monitoring systems |
| CN104636492B (zh) * | 2015-03-04 | 2017-12-05 | 浪潮电子信息产业股份有限公司 | 一种基于模糊积分特征融合的动态数据分级方法 |
| CN107126203A (zh) * | 2016-02-28 | 2017-09-05 | 南京全时陪伴健康科技有限公司 | 人体健康信息实时测量显示*** |
| CN106361277A (zh) * | 2016-08-26 | 2017-02-01 | 中山大学 | 一种基于心电信号的睡眠呼吸暂停综合征的评估方法 |
| TWI725255B (zh) * | 2017-11-20 | 2021-04-21 | 金寶電子工業股份有限公司 | 可偵測睡眠呼吸中止的穿戴式裝置及其信號分析方法 |
| CN108182974B (zh) * | 2017-12-27 | 2021-01-05 | 深圳和而泰数据资源与云技术有限公司 | 病症评估方法、终端设备及计算机可读介质 |
| CN108606798B (zh) * | 2018-05-10 | 2021-03-02 | 东北大学 | 基于深度卷积残差网络的非接触式房颤智能检测*** |
| CN109106350A (zh) * | 2018-09-20 | 2019-01-01 | 中山大学 | 低生理负荷的睡眠呼吸暂停低通气综合征初步筛查方法 |
| CN109394188B (zh) * | 2018-11-27 | 2022-03-08 | 中山大学 | 一种基于心率变异性的呼吸异常检测方法、装置及设备 |
| CN109674474B (zh) * | 2018-11-30 | 2021-12-03 | 深圳和而泰智能控制股份有限公司 | 睡眠呼吸暂停识别方法、设备及计算机可读介质 |
| CN110151138B (zh) * | 2019-05-29 | 2021-08-24 | 中山大学 | 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备 |
| CN110309758B (zh) * | 2019-06-26 | 2021-12-03 | 广州视源电子科技股份有限公司 | 心电信号特征提取方法、装置、计算机设备及存储介质 |
-
2020
- 2020-01-29 CN CN202010077427.7A patent/CN111166294B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080051669A1 (en) * | 2006-08-28 | 2008-02-28 | Wolfgang Meyer | Diagnosis of sleep apnea |
| CN101816822A (zh) * | 2010-05-27 | 2010-09-01 | 天津大学 | 功能性电刺激pid参数双源特征融合微粒子群整定方法 |
| CN104545888A (zh) * | 2014-12-27 | 2015-04-29 | 迪姆软件(北京)有限公司 | 一种基于动态心电与呼吸波采集的睡眠呼吸暂停采集分析*** |
| US20180310876A1 (en) * | 2015-05-19 | 2018-11-01 | Shanghai Megahealth Technologies Co., Ltd | Noncontact detection method of sleep stages and sleep-disordered breathing |
| CN106343977A (zh) * | 2016-09-21 | 2017-01-25 | 中国人民解放军国防科学技术大学 | 基于多传感器融合的无人机操作员状态监视*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111166294A (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111166294B (zh) | 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 | |
| Miao et al. | Multi-sensor fusion approach for cuff-less blood pressure measurement | |
| CN109157202B (zh) | 一种基于多生理信号深度融合的心血管疾病预警*** | |
| CN108577830B (zh) | 一种面向用户的体征信息动态监护方法和动态监护*** | |
| US7025729B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
| de Chazal et al. | Automated detection of obstructive sleep apnoea at different time scales using the electrocardiogram | |
| KR101656611B1 (ko) | 무구속적으로 측정한 생체신호를 이용하여 산소탈포화지수를 획득하는 방법 | |
| US11931154B2 (en) | Systems and methods for classifying ECG data | |
| JP6720179B2 (ja) | 徐波睡眠検出のためのシステム及び方法 | |
| WO2019161608A1 (zh) | 多参数监护数据分析方法和多参数监护*** | |
| CN107260142A (zh) | 利用惯性频率减少生理指标误差 | |
| CN107405088A (zh) | 用于为血压测量设备提供控制信号的装置和方法 | |
| CN109288515B (zh) | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 | |
| WO2023179757A1 (zh) | 肺功能检测方法、***、装置、计算机设备和存储介质 | |
| US20220167856A1 (en) | Lung function monitoring from heart signals | |
| WO2023087512A1 (zh) | 一种抑郁症客观筛查***、方法及装置 | |
| CN113470805A (zh) | 建立血压模型的方法 | |
| US20210204857A1 (en) | Method and device for cardiac monitoring | |
| US11291406B2 (en) | System for determining a set of at least one cardio-respiratory descriptor of an individual during sleep | |
| Podaru et al. | Determination and comparison of heart rate variability and pulse rate variability | |
| Sá et al. | Automated breath detection on long-duration signals using feedforward backpropagation artificial neural networks | |
| WO2017082165A1 (ja) | 呼吸推定方法および装置 | |
| EP4327743A1 (en) | Sleeping state estimation system | |
| TWI733378B (zh) | 建立血壓模型的方法 | |
| CN210697620U (zh) | 一种全自动穿戴式心血管健康诊断手环 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |