[发明专利]睡眠呼吸事件检测模型处理方法、系统和存储介质

说明书

本发明公开了一种睡眠呼吸事件检测模型处理方法、系统和存储介质，方法包括以下步骤：获取第一预设时长的多导睡眠监测的呼吸气流数据；对所述呼吸气流数据进行预处理，得到数据集；构建多分辨率残差网络；根据所述数据集对所述多分辨率残差网络进行训练和评估。本发明通过在获取第一预设时长的多导睡眠监测的呼吸气流数据后，对呼吸气流数据进行预处理以得到数据集，接着构建多分辨率残差网络，并通过数据集对构建的多分辨率残差网络进行训练和评估，从而使得后续应用过程中，能有效识别出睡眠呼吸事件，提高识别准确度和处理效率。本发明可广泛应用于卷积网络技术领域。

技术领域

本发明涉及卷积网络技术领域，尤其是一种睡眠呼吸事件检测模型处理方法、系统和存储介质。

背景技术

现有技术中对阻塞性睡眠呼吸暂停识别方法主要有两种：第一种是使用传统机器学习方法，比如多层感知和支持向量机，基于支持向量机的心电信号阻塞性睡眠呼吸暂停识别算法能达到了92％的识别精度，第二种是使用深度学习网络自动提取数据特征并将其分类，准确率可达80％。但是，由于多导睡眠检测的数据量庞大，使得上述两种识别方法在应用过程中，仍然存在识别准确度不高、数据样本含量较少而代表性不足和分析处理效率不高等问题。

发明内容

为解决上述技术问题之一，本发明的目的在于：提供一种睡眠呼吸事件检测模型处理方法、系统和存储介质，其能有效提高识别准确度和处理效率。

第一方面，本发明实施例提供了：

一种睡眠呼吸事件检测模型处理方法，包括以下步骤：

获取第一预设时长的多导睡眠监测的呼吸气流数据；

对所述呼吸气流数据进行预处理，得到数据集；

构建多分辨率残差网络；

根据所述数据集对所述多分辨率残差网络进行训练和评估。

进一步地，所述对所述呼吸气流数据进行预处理，得到数据集，包括：

将所述呼吸气流数据对应的图像分解为第二预设时长的若干子图像；

判断所述若干子图的呼吸事件；

根据判断结果在所述若干子图上标注标签；

通过短时傅里叶变换将标准标签后的若干子图转换为频谱图，将所述频谱图保存到所述数据集。

进一步地，所述构建多分辨率残差网络，包括：

构建ResNeXt网络；

将所述ResNeX网络的卷积核替换为多级模块，得到多分辨率残差网络，所述多级模块为层级状。

进一步地，所述根据所述数据集对所述多分辨率残差网络进行训练，包括：

将所述数据集拆分为训练集和测试集；

将所述训练集输入所述多分辨率残差网络；

通过随机梯度下降法对所述多分辨率残差网络进行训练。

进一步地，所述根据所述数据集对所述多分辨率残差网络进行评估，包括：

将所述测试集输入训练后的所述多分辨率残差网络；

采集测试过程中所述多分辨率残差网络的准确率、精确率、召回率和F1值；

根据所述准确率、精确率、召回率和F1值评估所述多分辨率残差网络的训练效果。

进一步地，在执行所述根据判断结果在所述若干子图上标注标签这一步骤时，还包括以下步骤：

在所述若干子图上标注所述呼吸事件发生的起始时间点和结束时间点。