[发明专利]基于图卷积神经网络的低通气和呼吸暂停自动识别系统

权利要求书

1.基于图卷积神经网络的低通气和呼吸暂停自动识别系统，包括依次连接的睡眠呼吸音频采集模块、波束形成降噪模块、有效鼾声截取模块、鼾声序列转换模块、图卷积神经网络模型、呼吸事件相关鼾声统计模块，其特征在于：

所述睡眠呼吸音频采集模块，使用一组信号接收单元阵列，采集受试者整晚睡眠呼吸音频数据；

所述波束形成降噪模块，将采集到的多个睡眠呼吸音频合成单声道音频数据；

所述有效鼾声片段截取模块，通过小波变换，从降噪的睡眠呼吸音频信号中，自动提取候选鼾声片段，并对正常鼾声、低通气事件过程鼾声和呼吸暂停后鼾声进行标记；

所述鼾声序列转换模块，将有标记的有效鼾声序列的时间特性转换为网络结构；

所述图卷积神经网络模型，通过有标签的网络结构，训练图卷积神经网络模型实现不同鼾声的分类，包括节点序列选取单元、感受野构建单元、感受野归一化单元和卷积神经网络；节点序列选取单元用于选择可视图网络的w个中心节点序列；感受野构建单元构建每个中心节点的感受野；感受野归一化单元用于构建节点属性特征输入通道和边属性特征输入通道；卷积神经网络，提取并合并节点属性特征和边属性特征，进行分类；

所述呼吸事件相关鼾声统计模块，通过训练好的图卷积神经网络模型评估新的受试者，统计模型输出中低通气和呼吸暂停相关鼾声的数量。

2.根据权利要求1所述的基于图卷积神经网络的低通气和呼吸暂停自动识别系统，其特征在于所述节点序列选取单元，针对每一个鼾声片段所对应的可视图网络，统计各个节点的连接个数，即节点的度并对其进行降序排列，得到一组重新排列的节点y₁,y₂,…,y_n，以步长s选择排名靠前的w个节点作为中心节点，恢复至原始顺序后得到新的节点序列，记为z₁,z₂,…,z_w，不足w个中心节点，以零补足。

3.根据权利要求1所述的基于图卷积神经网络的低通气和呼吸暂停自动识别系统，其特征在于所述感受野构建单元，对于每一个中心节点z_i(i＝1,2,…,w)，利用广义优先搜索算法，在原始网络中寻找距离其最近的k-1个邻居节点构成感受野R_i。

4.根据权利要求1所述的基于图卷积神经网络的低通气和呼吸暂停自动识别系统，其特征在于所述感受野归一化单元，对于每一个中心节点z_i(i＝1,2,…,w)，其感受野R_i中每一个邻居节点，按照原始时间序列的前后顺序排列，构成一维向量V_i＝[v₁,v₂,…,v_k]，其中v_j对应原始时间序列相应时刻的属性值，构成节点属性特征输入通道；感受野内的边属性，构成了k*k的二维向量，构成边属性特征输入通道。

5.根据权利要求1所述的基于图卷积神经网络的低通气和呼吸暂停自动识别系统，其特征在于所述卷积神经网络，用于提取网络特征，包括一维卷积层、二维卷积层、合并单元、分类单元，一维卷积层提取一维节点属性的特征，二维卷积层提取二维边属性特征，之后通过合并单元进行特征合并，再通过分类单元进行分类。