本發(fā)明屬于睡眠呼吸暫停檢測，尤其涉及一種基于小波變換的睡眠呼吸暫停檢測方法。

背景技術(shù)：

1、睡眠呼吸暫停(sa)是一種常見的睡眠障礙，特征為患者在睡眠期間出現(xiàn)短暫的、周期性的呼吸停止事件。這種障礙往往會增加心血管疾病、糖尿病等代謝性疾病的發(fā)作風險。sa分為阻塞性睡眠呼吸暫停(osa)和中樞性睡眠呼吸暫停兩種類型，大多數(shù)睡眠呼吸暫停的成人和兒童患者屬于前者。

2、多導(dǎo)睡眠圖(psg)被認為是睡眠相關(guān)呼吸障礙(srbd)、打鼾或osa等睡眠疾病的診斷標準。psg能采集患者在整夜睡眠中的各種生理信號，包括腦電圖、眼電圖、肌電圖、心電圖、熱敏和口鼻壓力氣流等，但因其高昂的成本和復(fù)雜的操作流程，限制了其廣泛應(yīng)用。因此，尋找一種更為便捷且檢測準確率較高的方法成為研究熱點。鑒于心電圖與呼吸狀態(tài)之間的關(guān)聯(lián)已被臨床實驗所證實，心電圖逐漸成為sa檢測的新途徑。隨著人工智能技術(shù)的飛速發(fā)展，特別是機器學(xué)習和深度學(xué)習技術(shù)的引入，基于心電圖的自動sa檢測方法應(yīng)運而生。

3、基于心電圖的自動sa檢測方法主要分為傳統(tǒng)機器學(xué)習方法和深度學(xué)習方法。其中，基于深度學(xué)習的方法包含多種前端數(shù)據(jù)處理和特征提取的方式，以適應(yīng)后端的神經(jīng)網(wǎng)絡(luò)。目前，該領(lǐng)域主流的特征工程方法有兩種，一是手工提取心電圖的統(tǒng)計特征，如心率等；二是將從心電圖中提取r峰峰值、r峰間期等作為特征，后者被廣泛應(yīng)用于各種深度學(xué)習方法，作為模型的輸入。然而，這些方法都需要對原始心電圖信號進行復(fù)雜的分析和計算，且提取后的特征失去了時域特性，并且可能會丟失原始心電圖中一些重要的信息。近年來也出現(xiàn)一些方法，將一維的心電圖信號轉(zhuǎn)換為二維的頻域圖像，并用圖像處理領(lǐng)域的方法進行sa檢測，這種方法雖然有時能夠增加模型的預(yù)測準確率，但是前端工作過于繁雜，成本較高，實際應(yīng)用價值不大。為此提出一種基于小波變換的睡眠呼吸暫停檢測方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于小波變換的睡眠呼吸暫停檢測方法，旨在解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于小波變換的睡眠呼吸暫停檢測方法，包括以下步驟：

4、步驟1、對原始的ecg信號進行去噪處理，使用symlet4小波函數(shù)對去噪后的ecg信號進行5層離散小波分解，生成5個高頻子帶和1個低頻子帶，將分解得到的6個信號分量拼接起來，作為后續(xù)處理的輸入數(shù)據(jù)；

5、步驟2、將拼接后的信號分量輸入到一組由9層一維卷積層組成的cnn中，進行特征變換和提??；將cnn輸出的多通道時間序列特輸入到一個bilstm中，以提取各個通道的時域特征；將bilstm的輸出特征展平后，輸入到由兩個全連接層和一個激活函數(shù)層組成的分類器網(wǎng)絡(luò)中，最后通過softmax函數(shù)計算出睡眠呼吸暫停事件發(fā)生的概率，然后根據(jù)這個概率來判斷具體是哪種類型的事件；

6、步驟3、根據(jù)樣本標簽構(gòu)建兩種對比損失，分別為噪聲對比估計損失和歸一化溫度標度交叉熵損失，通過結(jié)合交叉熵損失與兩種對比損失得到的總體損失，作為最終的網(wǎng)絡(luò)損失函數(shù)，用于模型訓(xùn)練。

7、進一步的，所述symlet4小波函數(shù)對去噪后的ecg信號進行5層離散小波分解的分解過程包括：

8、濾波，將ecg信號通過一組低通濾波器和高通濾波器進行濾波，得到近似系數(shù)和細節(jié)系數(shù)，即低頻信號分量和高頻信號分量；

9、下采樣，對濾波后的信號進行間隔采樣；

10、其中濾波過程的計算公式如下：

11、

12、其中，a[n]為第n層的低頻近似系數(shù)，d[n]為第n層的高頻近似系數(shù)，第n+1層的a[n+1]和d[n+1]由第n層的a[n]分解得到；x為原始的信號序列，f和g分別為高頻和低頻的濾波器，k為每層分解對應(yīng)的序號；

13、經(jīng)過5層分解，得到d[1],d[2],d[3],d[4],d[5]以及a[5]共6個信號分量。

14、進一步的，所述cnn的通道數(shù)為c＝{16,16,32,32,64,64,128,128,256}，每一層卷積的公式如下：

15、xc＝relu(conv1d(xc-1))

16、其中，xc-1為上一層的輸出特征，relu為使用的激活函數(shù)，conv1d為一維的卷積子，最后一層的輸出定義為xc。

17、進一步的，所述bilstm的公式如下：

18、h,(hn,cn)＝bilstm(xc)

19、其中，xc為輸入特征，h為所有時間步的輸出，hn和cn分別為最后一個時間步的隱藏狀態(tài)和細胞狀態(tài)；最終，將h作為分類器網(wǎng)絡(luò)的輸入。

20、進一步的，所述分類器網(wǎng)絡(luò)得到分類結(jié)果的概率分布公式如下：

21、xout＝softmax(linear(relu(linear(flatten(dropout(h))))))

22、其中，h為輸入特征，xout為輸出的預(yù)測結(jié)果，relu為使用的激活函數(shù)，linear為線性神經(jīng)網(wǎng)絡(luò)，flatten為展平函數(shù)，dropout為隨機丟棄神經(jīng)元函數(shù)。

23、進一步的，所述噪聲對比估計損失公式如下：

24、對于一個目標樣本xi及其正樣本構(gòu)造k個噪聲樣本其中k∈{1,2,…,k}：

25、

26、

27、其中，sim為樣本對的相似度，由余弦相似度計算；x為樣本，為對應(yīng)的正樣本，為正樣本對的對比損失，為噪聲樣本對的對比損失，li為整體損失，lnce為本批次的總體損失，n為總樣本數(shù)，i為對應(yīng)的序號。

28、進一步的，所述歸一化溫度標度交叉熵損失公式如下：

29、對于樣本xi及其正樣本

30、

31、其中，sim為樣本對的相似度，由余弦相似度計算；τ為溫度系數(shù)，j為對應(yīng)的序號，lntxent_i為正樣本對的歸一化溫度標度交叉熵損失，lntxent為本批次的總體損失，n為總樣本數(shù)，i為對應(yīng)的序列。

32、進一步的，所述交叉熵損失公式如下：

33、

34、其中，lce為本批次樣本的平均交叉熵損失，m為本批次樣本的數(shù)量；yi為第j個樣本的真實標簽，取值為0或1；為模型預(yù)測的第j個樣本屬于正類別的概率，取值在0-1之間。

35、進一步的，所述總體損失公式如下：

36、l＝αlce+(λ1lnce+λ2lntxent)

37、其中，l為總體損失，lce為交叉熵損失，lnce為噪聲對比估計損失，lntxent為歸一化溫度標度交叉熵損失，α、λ1和λ2分別為調(diào)節(jié)三種損失占比的參數(shù)，α調(diào)控交叉熵損失，占比為90％，λ1和λ2分別調(diào)控噪聲對比估計損失和歸一化溫度標度交叉熵損失，共占比10％，α、λ1和λ2的總和為1。

38、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

39、本發(fā)明不僅降低了對特定心電圖特征的依賴性，還提升了檢測的準確性。其核心在于采用離散小波分解技術(shù)，將心電圖信號分解成多尺度信息作為模型輸入，并融合了監(jiān)督對比學(xué)習理念，構(gòu)建了一個端到端的深度學(xué)習網(wǎng)絡(luò)模型，實現(xiàn)了對睡眠呼吸暫停的高效、準確分類。相較于傳統(tǒng)依賴專家手工分析方法或需復(fù)雜預(yù)處理步驟的檢測方法，本發(fā)明提升了檢測效率，簡化了信號處理的復(fù)雜度，使得整個檢測流程更加流暢、自動化。更重要的是，本發(fā)明直接以時序信號作為輸入，避免了復(fù)雜的二次特征提取過程，這使得本發(fā)明更易于轉(zhuǎn)化為實際的硬件設(shè)備以實施應(yīng)用。另外，在性能驗證方面，利用公開的apneaecg數(shù)據(jù)集進行測試，本發(fā)明的預(yù)測準確率超越了當前基于心電圖的自動睡眠呼吸暫停檢測模型，證明了其在實際應(yīng)用中的卓越表現(xiàn)和巨大潛力。