[发明专利]一种基于SaO2

权利要求书

1.一种基于SaO₂信号多种基线特征的自动识别SAHS方法，其特征在于，包括步骤：

S1、采集SHHS数据库中SHHS1部分的前X个受试者睡眠多导图中的SaO₂信号，选用最近赋值法对SaO₂信号进行去伪影处理，获取预处理后的SaO₂信号；

S2、对预处理后的SaO₂信号进行分段处理，提取时域特征、频域特征和非线性特征，选用mRMR方法对提取的特征进行处理，并筛选出最优特征；

S3、对预处理后的SaO₂信号进行分段处理，并自定义每片段数据基线值，提取多种与基线相关特征，即基线过零率特征、SaO₂信号下降至基线预设百分比以下的长度及面积特征，并与步骤S2中所获取的最优特征合并成特征数据集；

S4、依据SHHS数据库中提取数据对应的注释文件，计算AHI值，根据AHI值对特征数据集进行分类，选取随机平衡数据法对不平衡数据集进行处理，得到平衡数据集；

S5、将平衡数据集作为随机森林分类器的输入，对数据集进行训练和测试，得到最终分类结果。

2.根据权利要求1所述的一种基于SaO₂信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S1中，具体包括：

S1.1、采集SHHS数据库中SHHS1部分的前1000个首个数据非零受试者的SaO₂信号，并提取每位受试者前16000个采样点；

S2.2、选用最近赋值法对已提取数据进行去零电平伪影处理，以获取预处理后的SaO₂信号，处理方式如下：

其中n为零电平伪影所对应采样点数值，w(n)为原始信号数据，x(n)为预处理之后信号数据。

3.根据权利要求1所述的一种基于SaO₂信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S2中：

时域特征包括SaO₂信号的平均值、方差、能量、均方根；一阶求导的最大值、均值、中值、标准差；二阶求导的最大值、均值、中值、标准差，峰值系数、波形系数特征；

频域特征包括信号频谱、能量谱、功率谱、小波能量、小波系数、平均频率、重心频率、频率均方根、频率标准差特征；

非线性特征包括各片段间的自相关系数、信号波动频率特征。

4.根据权利要求3所述的一种基于SaO₂信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S2中，所述选用mRMR方法对提取的特征进行处理，并筛选出最优特征，具体为：

给定两个随机连续变量x和y，它们的概率密度函数为p(x)、p(y)、p(x,y)，则互信息为：

D(S,c)表示特征集S与类c的相关性，由各个特征f_i和类c之间的所有互信息值的平均值定义如下：

R(S)表示集合S中所有特征的冗余性，由特征f_i和f_j之间的所有互信息值的平均值定义如下：

mRMR标准为两种措施的组合，即相关性和冗余性的trade-off，定义如下：

并选用mRMR方法筛选出具有最大相关性、最小冗余性特征。

5.根据权利要求1所述的一种基于SaO₂信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S3中，具体包括：

S3.1、对预处理后的SaO₂信号进行分段处理，自定义正常片段内的基线值为该片段的第54个采样点对应数值，若该片段内有呼吸事件的产生，则定义该片段的基线值与上一正常片段的基线值相等；

S3.2、提取基线过零率特征，每片段数据减去对应片段的基线值，得到一组新的数据，基线过零率特征即为新数据集的过零点数；

S3.3、分别提取SaO₂信号下降至基线值2％、3％、4％以下的长度及面积特征；

S3.4、将基线相关特征与步骤S2中筛选出的最优特征合并为特征数据集。