一種基于bcg信號的呼吸暫停事件檢測方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種基于BCG信號的呼吸暫停事件檢測方法及系統(tǒng)，用以精確檢測睡眠中的呼吸暫停事件。該方法通過識別覺醒段從而定位呼吸事件潛在的發(fā)生區(qū)間，再將事件潛在發(fā)生區(qū)間分割為呼吸暫停段、呼吸努力段、覺醒段，然后分別從三段中提取細粒度的能夠刻畫呼吸模式的特征，最終借助機器學習方法，判斷該事件潛在發(fā)生階段是否含有呼吸暫停事件。該系統(tǒng)主要包括：信號獲取模塊、數(shù)據(jù)處理模塊、檢測結(jié)果輸出模塊。該方法和系統(tǒng)能夠自動、精確地定位呼吸暫停事件潛在發(fā)生區(qū)間并將該區(qū)間自動劃分成不同的三個階段，便于從多方面、細粒度地刻畫呼吸模式，大大提升了呼吸暫停事件的檢測準確率。
【專利說明】
一種基于BCG信號的呼吸暫停事件檢測方法及系統(tǒng)
技術(shù)領域
[0001] 本發(fā)明涉及生物醫(yī)學領域，具體地，涉及一種呼吸暫停事件檢測方法及系統(tǒng)。
【背景技術(shù)】
[0002] 近年來，睡眠障礙已成為影響人們生活質(zhì)量的重要因素。其中，睡眠呼吸暫停綜合 癥已成為最常見的睡眠障礙。據(jù)世界衛(wèi)生組織有關(guān)數(shù)據(jù)顯示，全球大約2億人口患有睡眠呼 吸暫停綜合癥，約占世界總?cè)丝诘?%_4%。睡眠呼吸暫停綜合癥發(fā)病率之高、危害之嚴重 堪稱各類睡眠障礙之首，對呼吸暫停事件的檢測已成為需要重點研究的問題。
[0003] 現(xiàn)有的呼吸暫停事件檢測方法主要分為兩大類:1)基于PSG、胸帶、血氧飽和計、氣 流檢測計等的呼吸暫停事件檢測；2)基于心率變異性的呼吸暫停事件檢測。前者在檢測時 需要受試者佩戴若干儀器或電極，影響受試者睡眠時的舒適性。后者通常采用等分數(shù)據(jù)段 策略，將數(shù)據(jù)分成若干長度相等的段，該策略忽視了呼吸暫停事件可能發(fā)生在任意時刻且 持續(xù)時間不固定這一事實，影響了事件檢測的準確性。
[0004] 此外，上述兩類呼吸暫停事件檢測方法均將呼吸暫停事件的可能發(fā)生區(qū)間作為一 個整體，并未考慮呼吸暫停事件的內(nèi)部結(jié)構(gòu)，因此所提取特征無法細粒度地刻畫呼吸暫停 事件，進而降低了事件檢測的準確性。
[0005] 針對上述問題，目前尚未提出有效的解決方案。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供一種基于BCG信號的呼吸暫停事件檢測方法，通過自動定位呼吸暫停 事件可能的發(fā)生區(qū)間，將該區(qū)間分割為呼吸暫停段、呼吸努力段、覺醒段;所述的一種基于 BCG信號的呼吸暫停事件檢測方法包括以下步驟： S1:對BCG信號進行歸一化處理； S2:初步定位呼吸暫停事件的覺醒段； S3:對S2中得到的覺醒段進行合并、篩選等處理，獲取準確覺醒段； S4:將S3中相鄰的準確覺醒段之間的BCG信號進一步分割為覺醒段尾部、呼吸暫停段、 呼吸努力段； S5:對S4中所得各階段進行選擇性修正處理，最終準確定位呼吸暫停事件的發(fā)生區(qū)間， 將其劃分為呼吸暫停段、呼吸努力段、覺醒段。
[0007] S6:分別從上述三段中提取能夠細粒度刻畫呼吸模式的特征； S7:基于上述提取的細粒度呼吸模式特征，借助機器學習方法，檢測該區(qū)間中是否包含 有呼吸暫停事件。
[0008] 進一步地，一種基于BCG信號的呼吸暫停事件檢測方法S2中使用Z-score方法對 BCG信號進行歸一化處理，公式為：
其中，μ為BCG信號序列的平均值，σ為信號序列的標準差，乂,是胸沖擊信號序列中第i個 信號值，Xnor」是Xi經(jīng)過歸一化處理后的值。
[0009]進一步地，一種基于BCG信號的呼吸暫停事件檢測方法S3中初步定位呼吸暫停事 件包括:先通過小波分析方法將胸沖擊信號進行分解，選擇既能夠消除噪音干擾又能較好 地表征覺醒段的近似層，然后將該近似層信號分割為等長的數(shù)據(jù)段，并借助閾值方法，初步 判斷每個數(shù)據(jù)段是否為覺醒段，并進行標記;第i段記為se gl，并根據(jù)如下公式對每一段進 行標記：
threshold=mean(std(segj) )+AX std(std(segj)) 其中，j = l，2,…，N;N為信號段的個數(shù);A為權(quán)重因子。
[0010]進一步地，一種基于BCG信號的呼吸暫停事件檢測方法S4中的合并處理是指根據(jù) 睡眠呼吸暫停事件的相關(guān)定義，對不滿足事件時間長度要求的相鄰覺醒段及之間數(shù)據(jù)段進 行合并。
[0011] 進一步地，一種基于BCG信號的呼吸暫停事件檢測方法中睡眠呼吸暫停事件的相 關(guān)定義是指呼吸暫停事件發(fā)生時間持續(xù)10秒以上，根據(jù)如下公式判斷是否需要將若干初步 定位的覺醒段進行合并： endj-encK lOseconds 其中endi與endj是相鄰兩個初步定位的覺醒段的結(jié)束時刻； 進一步地，一種基于BCG信號的呼吸暫停事件檢測方法S4中的篩選處理是指從各個合 并后的覺醒段提取特征，訓練一個分類器，將目前所得的各覺醒段分類為真正的覺醒段或 由數(shù)據(jù)中噪音導致的假覺醒段，進而篩選出真正的覺醒段。
[0012] 進一步地，一種基于BCG信號的呼吸暫停事件檢測方法中所述篩選按照如下公式 進行篩選： 其中，條件C1由如下公式構(gòu)成：
(Duratioru^： 18) U [ (Duratioru>6) Π (Durationi^max{Durationj})] 其中，Duratiom表示第i個潛在的覺醒段的持續(xù)時間，Duration」表示部分或完全在第 i個潛在的覺醒段的± 20秒范圍內(nèi)的潛在的覺醒段的集合。
[0013] 進一步地，一種基于BCG信號的呼吸暫停事件檢測方法S5中的進一步分割是:首選 通過滑動窗口方法對相鄰覺醒段之間的BCG信號進行處理，用由窗口最大值組成的序列來 表征該段信號的輪廓信息，然后借助自適應閾值方法，在該段信號的輪廓中找到兩個合適 的分割點，將該段數(shù)據(jù)分割為覺醒尾部、呼吸暫停階段、呼吸努力階段。
[0014] 進一步地，一種基于BCG信號的呼吸暫停事件檢測方法中自適應閾值方法為：1)針 對信號輪廓的每一個最大值點，判斷其是否具有作為分隔點的潛質(zhì)，并計算其作為分割點 時的分割效果;2)選擇分割效果最好的點作為最終的分割點。
[0015]進一步地，一種基于BCG信號的呼吸暫停事件檢測方法S5中的所述對所得呼吸暫 停段進行選擇性修正處理是通過考察呼吸暫停段的長度，對長度超過某一特定閾值的呼吸 暫停段進行截斷處理;將呼吸暫停事件定位在呼吸暫停段起點至至其后第一個覺醒段的終 點所對應的區(qū)間，并將其分割為呼吸暫停段、呼吸努力段、覺醒段三部分。
[0016] 進一步地，一種基于BCG信號的呼吸暫停事件檢測方法S6中的所述提取能夠細粒 度刻畫呼吸模式的特征是指分別從呼吸暫停段、呼吸努力段、覺醒段中提取能夠刻畫呼吸 暫停事件發(fā)生時BCG信號波動特點的特征，如樣本熵、平均累積幅值差等。
[0017] 進一步地，一種基于BCG信號的呼吸暫停事件檢測方法S7中的所述檢測事件潛在 發(fā)生區(qū)間中是否包含有呼吸暫停事件是指利用S6中所提取的特征，借助神經(jīng)網(wǎng)絡等機器學 習方法，訓練出一個二分類分類器，旨在判斷該區(qū)間中是否發(fā)生了呼吸暫停事件。
[0018] 基于以上方法，本發(fā)明還提供一種基于BCG信號的呼吸暫停事件檢測系統(tǒng)，包括： 信號獲取模塊:用于接收BCG信號;數(shù)據(jù)處理模塊:對BCG信號進行處理，檢測呼吸暫停事件； 檢測結(jié)果輸出模塊;將結(jié)果輸出；所述的數(shù)據(jù)處理模塊包括:初步處理單元:用于對BCG信號 進行歸一化處理并獲取呼吸暫停事件的覺醒段;精確處理單元:對各階段進行進一步處理 分割為呼吸暫停段、呼吸努力段、覺醒段;事件檢測單元:分別從三階段中提取能夠刻畫呼 吸模式的特征，并利用機器學習方法，判斷該事件潛在發(fā)生區(qū)間是否包含有真正的呼吸暫 停事件。
[0019] 采用本發(fā)明的一種基于BCG信號的呼吸暫停事件檢測方法，可以對整晚的BCG信號 中潛在的呼吸暫停事件進行準確定位，并將每個潛在呼吸暫停事件分割成呼吸暫停段、呼 吸努力段、覺醒段三部分，便于多方面、細粒度地刻畫呼吸暫停事件，從而有助于提升呼吸 暫停事件的檢測準確率。
【附圖說明】
[0020] 圖1是本發(fā)明一種基于BCG信號的呼吸暫停事件檢測方法總體流程示意圖； 圖2是本發(fā)明實例所涉及的呼吸暫停事件的結(jié)構(gòu)示意圖； 圖3是本發(fā)明實施例中準確定位BCG信號中所有的覺醒段的流程示意圖； 圖4是本發(fā)明實施例中篩選覺醒段時所使用的線性分類器的示意圖； 圖5是本發(fā)明實例中使用基于自適應閾值的方法將相鄰覺醒段間的BCG信號分割為覺 醒尾部、呼吸暫停段、呼吸努力段三部分的示意圖； 圖6是本發(fā)明一種基于BCG信號的呼吸暫停事件檢測系統(tǒng)的結(jié)構(gòu)示意圖。
【具體實施方式】
[0021] 本發(fā)明實施例提供了一種基于BCG信號的呼吸暫停事件檢測方法，通過自動定位 呼吸暫停事件可能的發(fā)生區(qū)間并將該區(qū)間分割為便于提取呼吸暫停事件細粒度特征的三 個階段(呼吸暫停段、呼吸努力段、覺醒段），以提高呼吸暫停事件的檢測準確率。
[0022]以下文中的定義： 覺醒段：AP,Arousal Phase; 初步定位的覺醒段:IAP，Initial Arousal Phase; 初步定位的非覺醒段:NAP，nonInitial Arousal Phase; 潛在的覺醒段：PAP，Potential Arousal Phase; 覺醒尾部：TPA,the Tail of the Previous Arousal; 呼吸暫停段：SAP,Sleep Apnea Phase; 呼吸努力段：REP,Respiratory Effort Phase。
[0023] 事件潛在發(fā)生區(qū)間：PED，Potential Event Duration。
[0024] 本發(fā)明一種基于BCG信號的呼吸暫停事件檢測方法具體為： S1:對BCG信號進行歸一化處理，消除受試者個體差異對信號強度造成的影響。
[0025] 在本發(fā)明實例中，受試者個體差異主要指體重差異，不同的體重會導致胸沖擊 (BCG)信號強度有所不同，影響呼吸暫停事件檢測的準確性。
其中，μ為BCG信號序列的平均值，σ為信號序列的標準差，乂1是隊6信號序列中第i個信 號值，Xg」是t經(jīng)過歸一化處理后的值。
[0027] S2:初步定位呼吸暫停事件的覺醒段。
[0028]根據(jù)美國睡眠醫(yī)學學會相關(guān)研究，如圖1所示，呼吸暫停事件通常包括三個階段： 呼吸努力段、呼吸努力段、覺醒段。通過識別整晚睡眠數(shù)據(jù)中所蘊含的覺醒段從而定位潛在 的呼吸暫停事件。
[0029] 首先使用小波分解方法對BCG信號進行分解，選擇既能夠消除噪音干擾又能較好 地表征覺醒的近似層，將該近似層的信號記作datal。在本發(fā)明實施例中，小波基為sym8(即 symlet小波族小波，序號是8)，所選近似層信號為第7層。
[0030] 然后將datal信號劃分為等長的數(shù)據(jù)段，第i段記為segl，并根據(jù)如下公式對每一 段進行標記：
threshold=mearu stcu segj " 十Λ 入 stcH stcH segj " 其中，j = l，2,…，N;N為信號段的個數(shù);A為權(quán)重因子。在本發(fā)明實施例中，每段數(shù)據(jù)長 度為2秒，參數(shù)A設定為0.1。
[0031] S3:對S2中得到的IAP進行合并、篩選等處理，獲取準確的PAP。
[0032] 根據(jù)醫(yī)學領域相關(guān)研究，呼吸暫停事件發(fā)生時間必須持續(xù)10秒以上，而覺醒段代 表著一次事件，為了防止將一個事件截斷，需要對滿足一定條件的IAP進行合并，如圖3 (b)所示。具體地，根據(jù)如下公式判斷是否需要將若干IAP進行合并： endj-encK lOseconds 其中endi與endj是相鄰兩個IAP的結(jié)束時刻； 如圖3(c)所示，將滿足上述條件的相鄰兩個IAP間的所有NAP重新標記為IAP，并將連續(xù) 的IAP進行合并，標記為PAP; BCG信號易受設備噪音或其他因素影響，導致上述所得的PAP可能含有假的PAP，必須從 中篩選出真正的PAP，如圖3(d)所示。具體地，按照如下公式進行篩選(如圖4所示）：
其中，條件C1由如下公式構(gòu)成： (Duratioru^： 18) U [ (Duratioru>6) Π (Durationi^max{Durationj})] 其中，Duratiom表示第i個PAP的持續(xù)時間，Duration」表示部分或完全在第i個PAP的 ± 20秒范圍內(nèi)的所有PAP組成的集合。
[0033] S4:將S3中相鄰的準確覺醒段之間的BCG信號進一步分割為TPA、SAP、REP。
[0034] 具體地，首先通過滑動窗口方法對相鄰覺醒段之間的BCG信號進行處理，用由窗口 最大值組成的序列來表征該段信號的輪廓信息，在本發(fā)明實施例中，每300個采樣點(BCG信 號采樣頻率為100Hz)為一個窗口大??； 然后借助自適應閾值方法，在該段信號的輪廓中找到兩個合適的分割點，將該段數(shù)據(jù) 分割為TPA、SAP、REP，如圖5所示。具體地，算法主要兩部分內(nèi)容：1)針對信號輪廓的每一個 最大值點，判斷其是否具有作為分隔點的潛質(zhì)，并計算其作為分割點時的分割效果;2)分別 針對兩個分割點，選擇分割效果最好的點作為最終的分割點。
[0035] S5:對S4中所得各階段進行選擇性修正處理，最終準確定位PED的位置，并將其劃 分為 SAP、REP、AP。
[0036] 對所得SAP進行選擇性修正處理是通過考察SAP的長度，對長度超過某一特定閾值 的SAP進行截斷處理，本發(fā)明中呼吸暫停事件持續(xù)時間為10~80秒，因此這里將閾值設置為 100秒，若所得SAP超過100秒，則只保留該SAP的最后100秒的數(shù)據(jù)。將呼吸暫停事件的潛在 發(fā)生區(qū)間定位在SAP的起點至其后第一個AP的終點，并將其分割為SAP、REP、AP三部分。
[0037] 如圖6所示，一種基于BCG信號的呼吸暫停事件檢測系統(tǒng)，包括:信號獲取模塊：用 于接收BCG信號;數(shù)據(jù)處理模塊:對BCG信號進行處理，檢測呼吸暫停事件;檢測結(jié)果輸出模 塊;將結(jié)果輸出。所述的數(shù)據(jù)處理模塊包括:初步處理單元:用于對BCG信號進行歸一化處理 并獲取呼吸暫停事件的覺醒段;精確處理單元:對各階段進行進一步處理分割為呼吸暫停 段、呼吸努力段、覺醒段;事件檢測單元:分別從三階段中提取能夠刻畫呼吸模式的特征，并 利用機器學習方法，判斷該事件潛在發(fā)生區(qū)間是否包含有真正的呼吸暫停事件。
【主權(quán)項】
1. 一種基于BCG信號的呼吸暫停事件檢測方法及系統(tǒng)，其特征在于：自動定位呼吸暫停 事件的潛在發(fā)生區(qū)間，將事件潛在發(fā)生區(qū)間分割為呼吸暫停段、呼吸努力段、覺醒段，利用 三段中所蘊含的與呼吸模式有關(guān)的特征，借助機器學習方法，最終檢測該事件潛在發(fā)生區(qū) 間是否包含呼吸暫停事件;所述的呼呼吸暫停事件檢測方法包括以下步驟： S1:對BCG信號進行歸一化處理； S2:初步定位呼吸暫停事件的覺醒段； S3:對S2中得到的覺醒段進行合并、篩選等處理，獲取準確覺醒段； S4:將S3中相鄰的準確覺醒段之間的BCG信號進一步分割為覺醒段尾部、呼吸暫停段、 呼吸努力段； S5:對S4中所得各階段進行選擇性修正處理，最終準確定位呼吸暫停事件的潛在發(fā)生 區(qū)間，將其劃分為呼吸暫停段、呼吸努力段、覺醒段； S6:分別從上述三段中提取能夠細粒度刻畫呼吸模式的特征； S7:基于上述提取的細粒度呼吸模式特征，借助機器學習方法，檢測該區(qū)間中是否包含 有呼吸暫停事件。2. 根據(jù)權(quán)利要求1所述的一種基于BCG信號的呼吸暫停事件檢測方法，其特征在于:所 述的S1中使用Z-score方法對BCG信號進行歸一化處理。3. 根據(jù)權(quán)利要求1所述的一種基于BCG信號的呼吸暫停事件檢測方法，其特征在于:所 述的S2中初步定位呼吸暫停事件包括:先通過小波分析方法將胸沖擊信號進行分解，選擇 既能夠消除噪音干擾又能較好地表征覺醒段的近似層，然后將該近似層信號分割為等長的 數(shù)據(jù)段，并借助閾值方法，初步判斷每個數(shù)據(jù)段是否為覺醒段，并進行標記。4. 根據(jù)權(quán)利要求1所述的一種基于BCG信號的呼吸暫停事件檢測方法，其特征在于:所 述的S3中的合并處理是指對不滿足事件時間長度要求的相鄰覺醒段及之間的數(shù)據(jù)段進行 合并;所述的事件時間長度要求是指呼吸暫停事件持續(xù)時間應超過10秒，根據(jù)如下公式判 斷是否需要將初步定位的覺醒段進行合并： endj-endi^ lOseconds 其中endi與endj是相鄰兩個初步定位的覺醒段的結(jié)束時刻。5. 根據(jù)權(quán)利要求1所述的一種基于BCG信號的呼吸暫停事件檢測方法，其特征在于:所 述的S3中的篩選處理是指從各個合并后的覺醒段提取特征，訓練一個分類器，將目前所得 的各覺醒段分類為真正的覺醒段或由數(shù)據(jù)中噪音導致的假覺醒段，進而篩選出真正的覺醒 段;所述的篩選按照如下公式進行篩選：其中，條件C1由如下公式構(gòu)成： (Duratiom^： 18) U [ (Durati〇ni>6) H (Durationi^：max{Durationj})] 其中，Duratiom表示第i個潛在的覺醒段的持續(xù)時間，Duration」表示部分或完全在第i 個潛在的覺醒段的± 20秒范圍內(nèi)的潛在的覺醒段的集合。6. 根據(jù)權(quán)利要求1所述的一種基于BCG信號的呼吸暫停事件檢測方法，其特征在于:所 述的S4中的進一步分割是:首先通過滑動窗口方法對相鄰覺醒段之間的BCG信號進行處理， 用由窗口最大值組成的序列來表征該段信號的輪廓信息，然后借助自適應閾值方法，在該 段信號的輪廓中找到兩個合適的分割點，將該段數(shù)據(jù)分割為覺醒尾部、呼吸暫停階段、呼吸 努力階段。7. 根據(jù)權(quán)利要求1所述的一種基于BCG信號的呼吸暫停事件檢測方法，其特征在于:所 述的S5中的對所得呼吸暫停段進行選擇性修正處理是通過考察呼吸暫停段的長度，對長度 超過某一特定閾值的呼吸暫停段進行截斷處理;將呼吸暫停事件的潛在發(fā)生區(qū)間定位在呼 吸暫停階段的起點至其后最近的覺醒段的終點，并將其分割為呼吸暫停段、呼吸努力段、覺 醒段三部分。8. 根據(jù)權(quán)利要求1所述的一種基于BCG信號的呼吸暫停事件檢測方法，其特征在于:所 述S6中的提取能夠細粒度刻畫呼吸模式的特征是指分別從呼吸暫停段、呼吸努力段、覺醒 段中提取能夠刻畫呼吸暫停事件發(fā)生時BCG信號波動特點的特征。9. 根據(jù)權(quán)利要求1所述的一種基于BCG信號的呼吸暫停事件檢測方法，其特征在于:所 述S7中的檢測事件潛在發(fā)生區(qū)間中是否包含有呼吸暫停事件是指利用S6中所提取的特征， 借助神經(jīng)網(wǎng)絡分類方法，判斷該區(qū)間中是否發(fā)生了呼吸暫停事件。10. -種基于BCG信號的呼吸暫停事件檢測系統(tǒng)，其特征在于:所述的檢測系統(tǒng)包括： 信號獲取模塊:用于接收BCG信號； 數(shù)據(jù)處理模塊:對BCG信號進行處理，檢測呼吸暫停事件； 檢測結(jié)果輸出模塊;將結(jié)果輸出； 所述的數(shù)據(jù)處理模塊包括： 初步處理單元:用于對BCG信號進行歸一化處理并獲取呼吸暫停事件的覺醒段； 精確處理單元:將每個事件潛在發(fā)生區(qū)間進行進一步處理分割為呼吸暫停段、呼吸努 力段、覺醒段； 事件檢測單元:分別從三階段中提取能夠刻畫呼吸模式的特征，并利用機器學習方法， 判斷該事件潛在發(fā)生區(qū)間是否包含有真正的呼吸暫停事件。
【文檔編號】A61B5/00GK106037671SQ201610541244
【公開日】2016年10月26日
【申請日】2016年7月11日
【發(fā)明人】周興社, 劉帆, 王柱, 倪紅波, 於志文
【申請人】西北工業(yè)大學