[发明专利]基于无监督特征学习的睡眠呼吸暂停片段检测设备

说明书

本发明公开了一种基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备，方法包括：采集睡觉时的心电信号；对心电信号进行模数转换，获得心电数字信号；把心电数字信号按分钟分段得到心电信号片段；根据心电信号片段提取RR间期序列进行修正，基于三次样条插值及快速傅里叶变换得到频域序列，制作训练集；构建栈式稀疏自编码模型，利用无标签数据集预训练稀疏自编码器，对频域序列进行无监督学习提取特征，用有标签训练集对栈式稀疏自编码模型进行微调；搭建基于Softmax‑隐马尔科夫和时间依赖‑代价敏感分类模型，利用稀疏自编码模型在有标签训练集得到的特征和相应的标签训练基于Softmax‑隐马尔科夫和时间依赖‑代价敏感分类模型，得到睡眠呼吸暂停分类模型。

技术领域

本发明涉及医疗检测技术领域，尤其涉及一种基于无监督特征学习的睡眠呼吸暂停片段检测设备。

背景技术

睡眠呼吸暂停(sleep apnea)是一种在睡眠期间呼吸气流较小或停止的常见疾病，主要是由于睡眠期间，喉咙后部的舌头或者其它软组织松弛，阻塞了呼吸道，或者由于呼吸中枢受抑制、中枢神经对呼吸反馈控制不稳定导致的。全世界睡眠呼吸暂停的发病率约2％到4％，目前全球约有9.36亿人患有睡眠呼吸暂停(OSA)，我国约有6000万人患有该类疾病，睡眠呼吸暂停发生时，由于机体的缺氧会导致在睡眠期间大脑反复发生微觉醒，严重影响患者的睡眠质量，因此睡眠呼吸暂停患者常常白天嗜睡。此外，睡眠呼吸暂停发生时胸腔和肺动脉压力的波动会导致血压的变化，长期的呼吸暂停会导致高血压，该病患者的常见症状为白天困倦、性格暴躁、注意力不集中，另外，长期的睡眠呼吸暂停容易引发高血压、冠心病、脑血栓等一系列心脑血管疾病。因此，睡眠呼吸暂停的及时诊断具有很重要的意义。

目前，睡眠呼吸暂停诊断的金标准是多导睡眠监测(PSG)，多导睡眠监测仪连续记录心电图(ECG)、脑电图(EEG)、眼电图(EOG)、肌电图(EMG)、呼吸气流、血氧饱和度、胸腹式呼吸运动、鼾声等生理信号，然后，受过专业训练的技术人员参考美国睡眠医学会(AASM)制定的标准对多通道信号进行分析。然而，这种诊断方法具有一定的局限性，由于需要将大量的传感器粘贴到身上，很多测试者在睡觉时会感到不舒服从而影响睡眠质量，多导睡眠监测的测试费用昂贵，这种方法并不适用于广大人群的日常生活中的监测。因此，实现简单、快速、低负荷的睡眠呼吸暂停监测，及时筛查出睡眠呼吸暂停患者，具有重要的现实意义。

目前，很多研究人员已经在通过多导睡眠监测中的单通道或少数通道诊断睡眠呼吸暂停做出了大量的探索。为了更加便捷快速的完成睡眠呼吸暂停的初步筛查，大量的研究者探索仅采用心电图、口鼻气流、鼾声中的一个信号或几个信号完成对睡眠呼吸暂停的初步筛查。1984年，Guilleminaultd等人观察了400个睡眠呼吸暂停综合症患者的连续24个小时的心电图和PSG图，发现当患者出现呼吸暂停症状时，心率减慢，当恢复正常时，心率加快，提出了心率变异性可以用来检测睡眠呼吸暂停综合症。

在目前的利用单导数据进行睡眠呼吸暂停检测方法中，大部分方法都是利用从心电信号提取的RR间期信号进行分析，基于心电信号的方法已被证实可用于睡眠呼吸暂停的检测，基于深度学习的特征提取方法也被广泛研究。然而，目前所有的特征提取方法均是基于有监督学习建立的，表现出对数据标签的高度依赖，没有标签的数据无法用到网络训练中。由于在实际使用中，带标签的数据获取难度是非常大的，通常需要付出大量的时间或者金钱用于采集数据。

发明内容

针对上述问题，本发明的目的在于提供一种基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备，成功将无监督学习方法引入睡眠呼吸暂停特征提取的任务中，解决了前人研究中对训练数据标签以及先验知识高度依赖的问题。

本发明实施例提供了一种基于无监督特征学习的睡眠呼吸暂停片段检测方法，包括以下步骤：

S1、采集受试者夜晚睡觉时的心电信号；

S2、对采集到的心电信号进行模数转换，获得受试者的心电数字信号；