一种睡眠数据智能采集处理方法及系统与流程

本发明涉及生物医学，具体为一种睡眠数据智能采集处理方法及系统。

背景技术：

1、睡眠是人体生理活动的重要组成部分，对于保持身体健康和提高生活质量至关重要，睡眠呼吸暂停是一种常见的睡眠障碍，表现为睡眠中反复出现呼吸暂停和恢复。通过检测呼吸状态，可以早期发现并诊断这种疾病，从而进行及时干预，防止严重后果如高血压、心脏病和中风等，同时通过监测心率状态，可以识别出心律不齐等问题。这些问题可能在白天不明显，但在睡眠时会显现出来。早期检测有助于预防更严重的心脏疾病。

2、在申请公布号为cn107647846a的中国发明申请中，公开了一种新型睡眠呼吸暂停检测系统，为了监测睡眠呼吸暂停低通气综合征，基于光栅编码传感器，发明了一种新型睡眠呼吸暂停检测系统。光栅编码传感器被嵌入在一条系在患者腰部的腹带内，在呼吸过程中，由于腹部体积的变化引起腹带中光栅的位置发生变化。通过光电二极管传感器阵列对光栅的运动进行检测，采用单片机对信号进行分析处理，从而判断呼气和吸气的过程，计算出呼吸周期，若周期超时则为呼吸暂停。经多次实验，并与呼吸监测设备的检测结果进行比较，本系统的平均精确度高于95%。

3、结合现有技术，以上申请还存在以下不足：

4、现有的睡眠监测技术往往存在多种不足，主要体现在监测精度、数据处理效率以及综合分析能力上，大多数传统方法只能单独监测呼吸或心率，缺乏对两者关联的综合分析，导致无法全面评估睡眠健康状态，同时许多现有设备在数据处理方面效率低下，不易于实时分析和反馈睡眠状态，延迟了对潜在睡眠障碍的诊断和治疗，尤其是对于睡眠呼吸暂停综合症，传统方法往往只能通过单一指标判断，而忽略了心率变化与呼吸暂停之间的复杂关系，这样的局限性可能导致漏诊或误诊。

技术实现思路

1、针对现有技术的不足，本发明提供了一种睡眠数据智能采集处理方法及系统，解决了背景技术中提到的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：包括睡眠信号检测模块、信号特征处理模块、呼吸异常算法模块、心率异常算法模块和综合评估模块；

3、所述睡眠信号检测模块通过采用相关呼吸信号检测设备和心率信号检测设备，实时睡眠时的呼吸信号和心率信号进行采集；

4、所述信号特征处理模块用于对采集到的呼吸信号和心率信号，进行预处理后，再对呼吸信号和心率信号进行特征提取，获取呼吸特征信号和心率特征信号；

5、所述呼吸异常算法模块用于依据所提取到的呼吸特征信号的历史数据，进行数据标注，使用提取的特征和标注的呼吸信号数据来训练svm模型，对于每个呼吸特征信号的历史数据标记为xi，计算其与实时采集到的呼吸特征信号x的核函数值，再进行计算加权求和获取呼吸异常系数hxyc，再使用符号函数对的呼吸异常系数hxyc输出进行分类；

6、所述心率异常算法模块通过在发生睡眠呼吸暂停事件时触发心率异常算法，依据所提取到的心率特征信号采用信号处理算法进行异常检测，计算获取心率变异性hrv，并设置心率异常检测阈值l进行心率异常评估；

7、所述综合评估模块用于依据的呼吸异常系数hxyc和心率变异性hrv输出的结果，进行综合分析并生成相应的诊断建议书。

8、优选的，所述睡眠信号检测模块包括呼吸信号检测单元和心率信号检测单元；

9、所述呼吸信号检测单元通过利用多导睡眠图psg系统，实时采集睡眠期间的呼吸信号，所述呼吸信号包括鼻气流、口气流和血氧饱和度；

10、所述心率信号检测单元通过利用心率传感器采集睡眠期间的心率信号，所述心率信号包括心跳间隔数n和每分钟心跳次数r。

11、优选的，所述信号特征处理模块包括预处理单元和特征提取单元；

12、所述预处理单元用于依据采集到的呼吸信号和心率信号进行预处理，具体预处理方案如下，使用低通滤波和高通滤波对呼吸信号和心率信号消除高频噪声，同时去除由于体动因素引起的干扰，再将连续的呼吸信号数据分割成固定长度的窗口，最后再对采集到的呼吸信号和心率信号进行归一化处理；

13、所述特征提取单元包括呼吸特征提取单元和心率特征提取单元；

14、所述呼吸特征提取单元用于从预处理后的呼吸信号通过对时间序列数据进行分析和统计进行时域特征提取，时域特征包括平均呼吸频率pl、呼吸时间hj、血氧饱和度下降次数xj和血氧饱和度下降幅度xf；

15、计算方法如下：

16、平均呼吸频率pl通过记录呼吸信号的鼻气流和口气流，识别呼吸周期一个吸气和一个呼气构成一个周期计算单位时间内的呼吸次数，然后取平均值；

17、呼吸时间hj通过记录呼吸信号，识别每个呼吸周期的开始和结束，计算相邻两个呼吸周期的开始时间点之间的时间差；

18、血氧饱和度下降次数xj和血氧饱和度下降幅度xf通过记录血氧饱和度信号，确定基线血氧饱和度值和下降阈值，识别每次血氧饱和度下降事件，并记录下降的开始时间和结束时间计算每次下降的幅度；

19、所述心率特征提取单元用于从预处理后的心率信号中进行特征提取，通过心跳间隔数n和每分钟心跳次数r，进行时域分析获取相邻两个心跳间隔，再通过平均间隔通过平均值算法，获取平均心跳间隔。

20、优选的，所述呼吸异常算法模块包括核函数算法单元和svm模型算法单元；

21、所述核函数算法单元用于使用医生手动标注的睡眠呼吸暂停事件作为训练数据的标注，将被标注为“呼吸暂停”和“呼吸正常”类别标签，在将历史呼吸信号特征提取后的数据，进行标记为历史呼吸特征向量xi，所述历史呼吸特征向量xi={pli，hji，xji，xfi}，在将实时采集到的呼吸特征向量标记为呼吸特征向量x，通过历史呼吸特征向量xi和呼吸特征向量x为依据进行构建径向基函数核；

22、所述径向基函数核通过以下公式获取；

23、；

24、式中exp表示指数函数，表示径向基函数核的参数，控制核函数的宽度。

25、优选的，所述svm模型算法单元包括分类预测单元和分类决策单元；

26、所述分类预测单元用于使用提取的呼吸信号特征和标注的标签来训练svm模型，使用交叉验证技术评估模型性能，并调整svm模型参数，包括惩罚参数c和核函数参数γ优化svm模型，再从呼吸特征向量x中提取相同的特征，使用训练好的svm模型进行构建呼吸异常算法公式，输出呼吸异常系数hxyc，进行分析“呼吸暂停”或“呼吸正常”类别；

27、所述呼吸异常系数hxyc通过以下算法公式获取；

28、；

29、式中，表示拉格朗日乘子，是通过训练过程得到的非负数，表明了每个训练样本在最终模型中的重要性，非零的对应于支持向量，这些支持向量是模型边界上或边界之间的点，表示训练数据集中第i个样本的类别标签，对于二分类问题，标签通常为-1或1；b表示偏置项，通过训练过程得到的一个常数，用于调整决策边界的位置。

30、优选的，所述分类决策单元用于使用符号函数公式对输出呼吸异常系数hxyc的输出结果进行分类；

31、所述符号函数通过以下公式获取；

32、；

33、式中，表示通过 svm 模型预测得出的类别标签，sign 表示符号函数，用于确定预测类别。

34、优选的，通过svm模型输出的呼吸异常系数hxyc计算结果，并应用符号函数确定预测类别，具体预测类别方式如下；

35、当呼吸异常系数hxyc＞0时则表示=1，表示预测时间段内的呼吸信号发生了睡眠呼吸暂停事件，判定为呼吸异常，此时则启动进一步的心率异常检测；

36、当呼吸异常系数hxyc＜0时则表示=-1，表示预测时间段内的呼吸信号未发生睡眠呼吸暂停事件，判定为呼吸正常，即该时间段内的呼吸特征正常，未达到呼吸暂停的标准。

37、优选的，所述心率异常算法模块包括心率异常算法单元和心率异常评估单元；

38、所述心率异常算法单元通过监测到呼吸暂停事件所触发，通过依据所提取到的实时心率特征采用信号处理算法进行心率异常检测，计算获取心率变异性hrv；

39、所述心率变异性hrv通过以下算法公式获取；

40、

41、所述心率异常评估单元用于预设心率异常检测阈值l与心率变异性hrv输出的结果进行对比评估，分析呼吸暂停时的心率情况具体评估结果如下；

42、当心率变异性hrv＞心率异常检测阈值l时，判定为心率异常；

43、当心率变异性hrv=心率异常检测阈值l时，判定为心率正常；

44、当心率变异性hrv＜心率异常检测阈值l时，判定为心率异常。

45、优选的，所述综合评估模块用于将呼吸异常系数hxyc和心率变异性hrv输出的结果进行综合分析，并生成相关诊断建议，具体综合分析内容如下；

46、当判定心率正常，呼吸异常时，评估为个体存在呼吸系统方面的问题，虽然心率正常，但呼吸异常需要进一步的呼吸系统进行正规检查，排除潜在的呼吸问题；

47、当心率正常，呼吸异常时患者存在潜在的健康风险，心率偏高可能提示情绪压力以及者体力活动不足，而呼吸异常可能暗示睡眠质量不佳或潜在的呼吸系统问题，此时则进一步的进行就医检查。

48、一种睡眠数据智能采集处理方法，包括以下步骤：

49、s1、首先根据需要采集的信号类型，选择具有相应功能的睡眠监测设备和传感器，在睡眠过程中实时记录呼吸信号和心率信号的变化；

50、s2、同时在信号采集后，对原始数据进行预处理，以消除可能存在的噪音和干扰，再从预处理后的呼吸信号和心率信号中，提取特征信号和心率特征信号，用于后续的异常检测和分析；

51、s3、再从预处理后的呼吸信号中提取特征，通过医生手动进行标注睡眠呼吸暂停事件类别标签，并构建径向基函数核，再进一步的计算分析出呼吸异常系数hxyc，并使用符号函数公式对输出呼吸异常系数hxyc的输出结果进行分类，对睡眠时呼吸产生的异常进行预测分类；

52、s4、当检测到呼吸存在暂停事件时则进一步进行心率异常检测，依据从预处理后的心率信号中提取特征，采用信号处理算法进行心率异常检测计算获取心率变异性hrv，再对心率变异性hrv情况进行程度评估，评估心率的异常和正常情况；

53、s5、最后根据呼吸信号和心率信号异常检测的结果进行综合分析，并提供相关的诊断建议。

54、有益效果

55、本发明提供了一种睡眠数据智能采集处理方法及系统。具备以下有益效果：

56、（1）该系统通过结合睡眠信号检测模块、信号特征处理模块以及呼吸和心率异常算法模块，实现了睡眠数据的全面获取和深度分析，首先，睡眠信号检测模块利用相关的呼吸信号检测设备和心率信号检测设备，能够在实时监测中捕捉到患者睡眠时的呼吸信号和心率信号，这些原始信号随后被传送到信号特征处理模块，在这里进行了全面的预处理和特征提取，这个过程包括了低通滤波和高通滤波以消除噪声，以及归一化处理以保证数据的一致性和可比性，在预处理后，系统不仅能够提取基本的睡眠特征如呼吸频率和心率变异性，还能够更深入地分析睡眠数据，这种细致的特征提取使得系统能够更准确地了解患者的睡眠状态和健康状况。通过呼吸和心率异常算法模块，系统进一步将提取到的特征用于异常检测和分析。采用svm模型等先进算法，系统能够对睡眠中可能出现的呼吸异常和心率情况进行实时监测和识别。因此，这一智能采集处理系统不仅能够全面获取睡眠数据，还能够通过深度分析和异常检测，为医疗专业人员提供重要的辅助信息。

57、（2）该系统在信号特征处理模块中，预处理单元的运用大大提高了数据处理的效率。通过低通滤波和高通滤波消除高频噪声，再结合归一化处理，系统有效地减少了干扰，提高了数据的准确性。而在异常检测方面，采用了svm模型进行呼吸异常的检测，结合核函数算法和分类预测单元，使得系统能够更加精准地识别睡眠呼吸暂停事件，为睡眠障碍的诊断提供了可靠依据。

58、（3）该系统通过综合评估模块则将呼吸异常系数hxyc和心率变异性hrv的输出结果进行深度分析，并生成相应的诊断建议。这不仅有助于医疗专业人员更好地理解患者的睡眠问题，还能为患者提供个性化的治疗方案。例如，当检测到心率正常但呼吸异常时，系统可能建议进一步进行呼吸系统检查；而当心率异常同时存在呼吸异常时，系统可能会提出针对睡眠质量不佳或情绪压力的治疗方案，从而全面关注患者的健康状况。