[发明专利]基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置

权利要求书

1.一种基于深度学习的阻塞性睡眠呼吸暂停检测方法，其特征在于，包括：

将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果；

将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，其中，所述图像数据中包含：从多个预设角度拍摄所述被检测对象头部区域得到的多个头部图像，每个预设角度的头部图像输入到不同的图像数据阻塞性睡眠呼吸暂停检测模型中；

将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出所述被检测对象的AHI分类结果。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取样本生理数据，其中，所述样本生理数据包括：具有不同AHI标签的样本对象的生理数据；

按照预设比例，将所述样本生理数据划分为训练生理数据、验证生理数据和测试生理数据；

根据所述训练生理数据，使用深度学习方法对如下任一种网络模型进行训练，得到所述生理数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；

根据所述验证生理数据，对训练得到的生理数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；

根据所述测试生理数据，对符合预设条件的生理数据阻塞性睡眠呼吸暂停检测模型进行测试。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取样本图像数据，其中，所述样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；

按照预设比例，将所述样本图像数据划分为训练图像数据、验证图像数据和测试图像数据；

根据所述训练图像数据，使用深度学习方法对如下任一种网络模型进行训练，得到对应多个预设角度头部图像的多个图像数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；

根据所述验证图像数据，对训练得到的各个图像数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；

根据所述测试图像数据，对符合预设条件的图像数据阻塞性睡眠呼吸暂停检测模型进行测试。

4.如权利要求1所述的方法，其特征在于，将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，包括：

将被检测对象的图像数据输入到预先训练好的人脸识别模型中，输出对应的脸部图像数据，其中，所述人脸识别模型是对神经网络模型进行训练得到的模型；

将所述人脸识别模型输出的脸部图像数据，输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果。

5.如权利要求4所述的方法，其特征在于，在将被检测对象的图像数据输入到预先训练好的人脸识别模型中，输出对应的脸部图像数据之前，所述方法还包括：

获取样本图像数据，其中，所述样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；

对样本图像数据中不同预设角度的头部图像进行聚类分析，得到属于每类OSA的高层表示子集；

根据属于每类OSA的高层表示子集，对如下神经网络模型进行训练，得到属于每类OSA的人脸识别模型：残差神经网络模型、基于倒置残差模块的卷积神经网络模型。

6.如权利要求1所述的方法，其特征在于，所述AHI分类结果为属于不同AHI分类的概率，所述集成学习算法模型用于将生理数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率进行加权求和，得到所述被检测对象的AHI分类结果。