[发明专利]基于残差网络的呼吸模式分类方法、系统、设备和介质

说明书

本发明提供了基于残差网络的呼吸模式分类方法、系统、设备和介质，所述方法包括：预设多种呼吸模式，并分别采集各个呼吸模式对应的UWB回波信号；根据各个呼吸模式的UWB回波信号，建立呼吸信号数据集，并将所述呼吸信号数据集按照预设比例划分为训练集和测试集；根据所述训练集，对改进的残差网络进行训练，得到呼吸分类模型；将所述测试集输入所述呼吸分类模型进行分类预测，得到呼吸模式识别结果。本发明能够基于UWB技术和深度学习的优势，对非接触式呼吸模式进行简单高效的预测分类的同时，有效提高小数据量应用场景的预测精准性和稳定性，以提供更加精准有效的呼吸异常监测，进而提升呼吸异常监测的应用价值。

技术领域

本发明涉及生物医学技术领域，特别是涉及一种基于残差网络的呼吸模式分类方法、系统、计算机设备和存储介质。

背景技术

呼吸作为人体最重要的参数之一，往往能够表明人体的生理状态是否正常和健康。呼吸运动是在肺牵引反射和呼吸中枢的作用下，保持呼吸肌有节律性的活动，造成胸廓的扩大或者缩小的运动，其通过吸入氧气、呼出二氧化碳来保持体内含氧量的稳定，这是一种自动的、节律性的运动。通过观察人体不同状态下的呼吸情况，可以察觉人体呼吸异样，提取人体身体生理信息。因此，呼吸研究在睡眠分层、临床监测、心血管系统的反馈调节和很多其他领域都具有十分重大的意义。

现有常见呼吸形态的监测方法包括：压力传感器法、电阻抗式呼吸测量法、温度传感器法和呼吸感应体积描记仪法等，但是这些方法都是接触式的监测，它有很大的局限性，对于一些特殊人群，比如，对于一些发烧、有传染病、皮肤病、大面积烧伤的病人，接触式设备将无法穿戴。为了克服接触式呼吸监测的局限性，科研人员也有提出非接触的呼吸形态监测方法，但目前基于超宽带雷达(UWB)技术的非接触式呼吸形态监测分类中不仅手动特征提取需要相关专业知识且劳动强度比较大，而且因临床监测异常呼吸数据较少，影响深度学习效果，导致呼吸分类预测的精准性和稳定性不足，实用性不高；

因此，亟需提供一种能够基于UWB技术和深度学习的优势，提高小数据量应用场景的预测精准性和稳定性的非接触式呼吸模式分类方法。

发明内容

本发明的目的是提供一种基于残差网络的呼吸模式分类方法，通过对采用UWB技术获取的回波信号转换为可用于深度学习的张量数据后，分成预设批次训练改进的残差网络得到稳定的呼吸分类模型，用以对非接触式呼吸数据进行简单高效的呼吸模式识别，能够有效提高小数据量应用场景的预测精准性和稳定性，提供更加精准有效的呼吸异常监测，进而提升呼吸异常监测的应用价值。

为了实现上述目的，有必要针对上述技术问题，提供了一种基于残差网络的呼吸模式分类方法、系统、计算机设备和存储介质。

第一方面，本发明实施例提供了一种基于残差网络的呼吸模式分类方法，所述方法包括以下步骤：

预设多种呼吸模式，并分别采集各个呼吸模式对应的UWB回波信号；

根据各个呼吸模式的UWB回波信号，建立呼吸信号数据集，并将所述呼吸信号数据集按照预设比例划分为训练集和测试集；所述呼吸信号数据集包括各个呼吸模式的UWB回波信号对应的回波张量数据和模式标签；

根据所述训练集，对改进的残差网络进行训练，得到呼吸分类模型；

将所述测试集输入所述呼吸分类模型进行分类预测，得到呼吸模式识别结果。

进一步地，所述呼吸模式包括憋气模式、胸式呼吸模式、腹部呼吸模式和混合呼吸模式；

进一步地，所述根据各个呼吸模式的UWB回波信号，建立呼吸信号数据集的步骤包括：

将各个UWB回波信号进行数据预处理，得到对应的回波张量数据；

将各个回波张量数据添加对应的模式标签，得到所述呼吸信号数据集。