[发明专利]一种用于构建睡眠呼吸暂停判别最优模型的系统

权利要求书

1.一种用于构建睡眠呼吸暂停判别最优模型的系统，包括血氧心率采集模块和数据处理模块，其特征在于：所述的血氧心率采集模块包括心率血氧传感器；所述的心率血氧传感器采集血氧数据和脉搏波数据，并对血氧数据和脉搏波数据进行处理，得到血氧饱和度；所述的数据处理模块将心率血氧传感器传来的血氧饱和度和脉搏波数据进行处理，并基于决策树分类模型训练得到睡眠呼吸暂停判别最优模型；基于决策树分类模型训练得到睡眠呼吸暂停判别最优模型的过程具体如下：

S1：对血氧饱和度数据进行阈值判断，得到有效血氧饱和度数据和非病理性血氧饱和度数据；其中，血氧饱和度下降到20％以下的数据判定为非病理性数据，有效血氧饱和度数据中，将血氧饱和度下降至90％以下，但未下降到20％的数据判定为睡眠呼吸暂停数据，血氧饱和度大于90％的数据判定为呼吸正常数据；

S2：提取血氧饱和度数据中非病理性因素对应的时间区域，将该时间区域对应的脉搏波数据删去，得到有效脉搏波数据；然后，将有效血氧饱和度数据和有效脉搏波数据均分割成若干有效血氧饱和度数据段和有效脉搏波数据段；最后，对各个有效脉搏波数据段进行多尺度熵特征提取，将得到的多尺度熵作为特征参数；

S3：构建一个特征参数表征各有效血氧饱和度数据段中各个数据为睡眠呼吸暂停数据还是呼吸正常数据，并将该特征参数与多尺度熵特征提取得到的多尺度熵特征参数结合构建出特征工程；然后，选用嵌入法对特征工程中各特征参数进行特征选择，并对各特征参数的重要性进行打分，对打分分值在设定阈值以上的各特征参数给予保留，从而得到特征选择后的特征工程；

S4：构建决策树分类模型，用经特征选择后的特征工程训练并测试决策树分类模型，直至决策树分类模型的灵敏度Sn、特异性Sp和准确率Acc三个指标符合设定要求，最终得到最优模型；

决策树分类模型训练过程中，通过损失函数加权来增加表征数据为睡眠呼吸暂停数据还是呼吸正常数据的特征参数的权重，降低各个多尺度熵特征参数的权重；损失函数loss计算如下：

loss＝∑w*L(x,y)

其中，x为睡眠呼吸是否暂停的真实值，y为决策树分类模型对睡眠呼吸是否暂停的预测值，L(x,y)为损失值，w为表征数据为睡眠呼吸暂停数据还是呼吸正常数据的特征参数或各个多尺度熵特征参数的权重；

灵敏度Sn、特异性Sp和准确率Acc的计算公式如下：

其中，TP为真阳性个数，TN为真阴性个数，FP为假阳性个数，FN为假阴性个数；

决策树分类模型对呼吸暂停真阳性、真阴性、假阳性或假阴性的判定情况如下：

(1)真实值与预测值均体现睡眠呼吸暂停，则为真阳性；

(2)真实值与预测值均体现睡眠呼吸未暂停，则为真阴性；

(3)预测值体现睡眠呼吸未暂停，真实值体现睡眠呼吸暂停，则为假阳性；

(4)预测值体现睡眠呼吸暂停，真实值体现睡眠呼吸未暂停，则为假阴性。

2.根据权利要求1所述一种用于构建睡眠呼吸暂停判别最优模型的系统，其特征在于：所述心率血氧传感器的型号为MAX30102。

3.根据权利要求1所述一种用于构建睡眠呼吸暂停判别最优模型的系统，其特征在于：所述血氧饱和度的计算如下：

心率血氧传感器根据血氧数据分析动脉血液中氧合血红蛋白对红光与红外光的吸收比率，以及动脉血液中脱氧血红蛋白对红光与红外光的吸收比率，得到动脉血液中氧合血红蛋白的浓度和脱氧血红蛋白的浓度C_Hb，再根据下式计算得到血氧饱和度SpO₂：