[发明专利]一种基于深度学习的睡眠监测网络模型的构建方法及系统、睡眠监测方法

说明书

本发明提供了一种基于深度学习的睡眠监测网络模型的构建方法及系统、睡眠监测方法，其中的睡眠监测网络模型的构建方法包括：S1：获取睡眠监测数据，S2：获取CBCT影像学数据；S3：对获取的睡眠监测数据进行预处理，得到PSG文本数据；S4：构建深度学习网络模型，深度学习网络模型包括第一特征提取模块、第二特征提取模块、特征融合模块和后处理模块；S5：将PSG文本数据和CBCT影像学数据作为训练数据，对深度学习网络模型进行训练，得到训练好的模型。本发明所构建的睡眠监测网络模型可以快速准确地得到睡眠监测指标。

技术领域

本发明涉及睡眠监测技术领域，尤其涉及一种基于深度学习的睡眠监测网络模型的构建方法及系统、睡眠监测方法。

背景技术

阻塞性睡眠呼吸暂停(Obstructive Sleep Apnea，OSA)发病率极高。整夜多导睡眠监测(Polysomnography，PSG)是诊断OSA患者严重程度的金标准，需在规范和标准化的睡眠中心进行，其监测指标包括：基于C4/A1或C3/A2导联的脑电电极、口鼻气流、胸腹运动、血氧探头、鼾声检测、眼电、颏舌肌肌电、体位、腿动等参数，经过整夜不少于7小时的睡眠后，拆卸全部电极，睡眠检测技师执行不少于2小时的人工分图矫正后得出OSA诊断报告，并通过呼吸暂停低通气指数(Apnea-Hypopnea Index，AHI)和最低血氧饱和度(Lowest OxygenSaturation，LSaO2)两个指标来体现OSA的严重程度。

虽然，PSG是迄今国际上公认的诊断OSA的“金标准”，但其局限性也非常突出：1、设备价格昂贵，且一天只能提供一名患者的监测诊断，难以满足庞大的打鼾人群的诊断需求；2、电极的安装和拆卸以及睡眠技师的分图工作，严重占用人力资源；3、大量电极安装以及陌生环境的影响，难以复制患者的自然睡眠状态，可能出现诊断误差；4、其它：具备监测条件的医疗机构偏少、部分人群“择床”、等待排队、医保报销等。因此，开发更加便捷的睡眠检测方法成为研究者热点，也涌现出大量的睡眠实验室外(out-of center sleep testing，OCST)的监测设备，如：床垫式、手腕式、贴片式、手环或柔性可穿戴设备等。此类产品监测得出的报告数据的准确性不够。

由此可知，现有技术中通过专用设备和实验室外设备来进行睡眠监测的方法，存在监测效率和准确性不高的技术问题。

发明内容

本发明提出一种基于深度学习的睡眠监测网络模型的构建方法及系统、睡眠监测方法，用于解决或者至少部分解决现有技术中监测效率和准确性不高的技术问题。

为了解决上述技术问题，本发明第一方面提供了一种基于深度学习的睡眠监测网络模型的构建方法，包括：

S1：获取睡眠监测数据，其中，睡眠监测数据为PSG数据；

S2：获取CBCT影像学数据；

S3：对获取的睡眠监测数据进行预处理，得到PSG文本数据；

S4：构建深度学习网络模型，深度学习网络模型包括第一特征提取模块、第二特征提取模块、特征融合模块和后处理模块，其中，第一特征提取模块用于从PSG文本数据中提取文本特征，第二特征提取模块用于从CBCT影像学数据中提取影像特征，特征融合模块采用多模态双线性矩阵分解池化方法，用于将文本特征和影像特征进行融合得到联合特征，后处理模块用于根据联合特征得到睡眠监测指标；

S5：将PSG文本数据和CBCT影像学数据作为训练数据，对深度学习网络模型进行训练，得到训练好的模型。

在一种实施方式中，步骤S3包括：对PSG监测数据进行人工分图，获得PSG文本数据。

在一种实施方式中，步骤S4的深度学习网络模型中，第二特征提取模块为卷积网络CNN，用于从CBCT影像学数据中提取图像特征x。