[发明专利]一种基于睡眠数据对睡眠呼吸紊乱事件进行分类的方法

说明书

本发明公开了基于睡眠数据对睡眠呼吸紊乱事件进行分类的方法，涉及睡眠数据分析技术领域，通过对Physionet提供的UCDDB数据探索，通过小波降噪的方式对数据进行预处理，并且通过小波8层阈值分解心电数据获得低中高频数据，为特征提取打下基础，并对数据进行可视化通过模极大值法提取心电数据的R波峰值，借由此得到RR间期，通过分析RR间期与心率变异性之间的关系，采用CNN卷积神经网络模型，整体分类效果较好，寻找到一个性能较好并且训练速度较快的模型，最终得到一个能够为医院做OSA诊断的初筛理想模型。

技术领域

本发明涉及睡眠数据分析技术领域，尤其涉及基于睡眠数据对睡眠呼吸紊乱事件进行分类的方法。

背景技术

睡眠是人类生活中必不可少的。当人处于睡眠状态时，人体的血压、肌肉才能得到充分的放松。拥有好的睡眠才能够以崭新的精神面貌来迎接第二天，反之若没有良好的睡眠第二天便是无精打采的，甚至还会引起其他疾病。

睡眠呼吸暂停综合征(SAS)简单的来说就是在睡眠过程期间有一段时间呼吸暂停了的睡眠障碍。慢性病的问题往往与睡眠有关，由于人的身体没有得到良好的睡眠和充分的休息，导致的各种疾病。根据数据我国有4％的老年人患有睡眠障碍，而且我国目前人口老龄化严重，也就是说未来会有更多的睡眠障碍患者出现。

目前对于睡眠呼吸暂停综合征的检测最权威的即是采用临床上多导睡眠图(polysomnography，PSG)。但是PSG也有诸多的不便之处，例如需要患者身上贴上许多电极片以及至少22根电线才能够采集到PSG所需的生理信号(图1-1)，而且PSG的检测价格十分昂贵，因此有一部分患者会因为不足以支付高昂的费用而不能在最佳治疗时间接受正规的治疗。

发明内容

本发明解决上述技术问题，通过挖掘睡眠数据，从而达到仅使用心电信号对睡眠紊乱事件进行检测。

本发明提出的基于睡眠数据对睡眠呼吸紊乱事件进行分类的方法，具体步骤如下：

步骤1、数据探索与分析：读入心电信号数据集，通过MATLAB对心电信号数据进行转换，对数据整体进行可视化观察，进行预处理；

步骤2、完整数据按时间进行分段；

步骤3、呼吸暂停事件分割：将呼吸暂停事件的时间，按前、中、后各10s分割，分为3组数据分别进行模型训练；

步骤4、调参与优化：调整卷积层和池化层数，增加模型的深度使模型更加拟合数据，调整步长，卷积核，全连接层节点数，损失函数，调整Dropout层；

步骤5、模型的评估与分析：将编号为028的全新数据单独保存，用于模型运行观察，这个数据将用于后续调参之后效果对比，对训练集和测试集的结果进行auc和混淆矩阵评分，对全新数据分类的结果进行auc和混淆矩阵的评分；

步骤6、模型持久化与观察：将训练好的模型保存到文件系统，以便后续部署和应用。

作为优先，步骤1中，所述预处理包括处理数据异常值，通过小波阈值法进行降噪处理，模极大值法定位R波波峰。

作为优先，所述步骤1中，对数据异常值采用正常的血氧的平均值进行替换。

作为优先，所述步骤3中，呼吸暂停事件前10s的数据进行模型训练方式为：

模型1，使用最简单的CNN卷积神经网络，采用的是4层卷积层，每层卷积层使用relu激活函数，3层池化层，每层步长为2；

模型2，在模型1的基础下，通过将卷积层和池化层各增加一层以此来提高模型深度，维持步长不变，增加全连接层节点；

模型3，在模型2的基础上，继续增加模型深度；

模型4，在模型3的基础上改变步长为3。