技术领域
本发明涉及生物医学领域,具体地,涉及一种呼吸暂停事件检测方法及系统。
背景技术
近年来,睡眠障碍已成为影响人们生活质量的重要因素。其中,睡眠呼吸暂停综合症已成为最常见的睡眠障碍。据世界卫生组织有关数据显示,全球大约2亿人口患有睡眠呼吸暂停综合症,约占世界总人口的2%-4%。睡眠呼吸暂停综合症发病率之高、危害之严重堪称各类睡眠障碍之首,对呼吸暂停事件的检测已成为需要重点研究的问题。
现有的呼吸暂停事件检测方法主要分为两大类:1)基于PSG、胸带、血氧饱和计、气流检测计等的呼吸暂停事件检测;2)基于心率变异性的呼吸暂停事件检测。前者在检测时需要受试者佩戴若干仪器或电极,影响受试者睡眠时的舒适性。后者通常采用等分数据段策略,将数据分成若干长度相等的段,该策略忽视了呼吸暂停事件可能发生在任意时刻且持续时间不固定这一事实,影响了事件检测的准确性。
此外,上述两类呼吸暂停事件检测方法均将呼吸暂停事件的可能发生区间作为一个整体,并未考虑呼吸暂停事件的内部结构,因此所提取特征无法细粒度地刻画呼吸暂停事件,进而降低了事件检测的准确性。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明提供一种基于BCG信号的呼吸暂停事件检测方法,通过自动定位呼吸暂停事件可能的发生区间,将该区间分割为呼吸暂停段、呼吸努力段、觉醒段;所述的一种基于BCG信号的呼吸暂停事件检测方法包括以下步骤:
S1:对BCG信号进行归一化处理;
S2:初步定位呼吸暂停事件的觉醒段;
S3:对S2中得到的觉醒段进行合并、筛选等处理,获取准确觉醒段;
S4:将S3中相邻的准确觉醒段之间的BCG信号进一步分割为觉醒段尾部、呼吸暂停段、呼吸努力段;
S5:对S4中所得各阶段进行选择性修正处理,最终准确定位呼吸暂停事件的发生区间,将其划分为呼吸暂停段、呼吸努力段、觉醒段。
S6:分别从上述三段中提取能够细粒度刻画呼吸模式的特征;
S7:基于上述提取的细粒度呼吸模式特征,借助机器学习方法,检测该区间中是否包含有呼吸暂停事件。
进一步地,一种基于BCG信号的呼吸暂停事件检测方法S2中使用Z-score方法对BCG信号进行归一化处理,公式为:
其中,μ为BCG信号序列的平均值,σ为信号序列的标准差,Xi是胸冲击信号序列中第i个信号值,Xnor_i是Xi经过归一化处理后的值。
进一步地,一种基于BCG信号的呼吸暂停事件检测方法S3中初步定位呼吸暂停事件包括:先通过小波分析方法将胸冲击信号进行分解,选择既能够消除噪音干扰又能较好地表征觉醒段的近似层,然后将该近似层信号分割为等长的数据段,并借助阈值方法,初步判断每个数据段是否为觉醒段,并进行标记;第i段记为segi,并根据如下公式对每一段进行标记:
threshold=mean(std(segj))+A×std(std(segj))
其中,j=1,2,…,N;N为信号段的个数;A为权重因子。
进一步地,一种基于BCG信号的呼吸暂停事件检测方法S4中的合并处理是指根据睡眠呼吸暂停事件的相关定义,对不满足事件时间长度要求的相邻觉醒段及之间数据段进行合并。
进一步地,一种基于BCG信号的呼吸暂停事件检测方法中睡眠呼吸暂停事件的相关定义是指呼吸暂停事件发生时间持续10秒以上,根据如下公式判断是否需要将若干初步定位的觉醒段进行合并:
endj-endi≤10seconds
其中endi与endj是相邻两个初步定位的觉醒段的结束时刻;
进一步地,一种基于BCG信号的呼吸暂停事件检测方法S4中的筛选处理是指从各个合并后的觉醒段提取特征,训练一个分类器,将目前所得的各觉醒段分类为真正的觉醒段或由数据中噪音导致的假觉醒段,进而筛选出真正的觉醒段。
进一步地,一种基于BCG信号的呼吸暂停事件检测方法中所述筛选按照如下公式进行筛选:
其中,条件C1由如下公式构成:
(Durationi≥18)∪[(Durationi>6)∩(Durationi≥max{Durationj})]
其中,Durationi表示第i个潜在的觉醒段的持续时间,Durationj表示部分或完全在第i个潜在的觉醒段的±20秒范围内的潜在的觉醒段的集合。
进一步地,一种基于BCG信号的呼吸暂停事件检测方法S5中的进一步分割是:首选通过滑动窗口方法对相邻觉醒段之间的BCG信号进行处理,用由窗口最大值组成的序列来表征该段信号的轮廓信息,然后借助自适应阈值方法,在该段信号的轮廓中找到两个合适的分割点,将该段数据分割为觉醒尾部、呼吸暂停阶段、呼吸努力阶段。
进一步地,一种基于BCG信号的呼吸暂停事件检测方法中自适应阈值方法为:1)针对信号轮廓的每一个最大值点,判断其是否具有作为分隔点的潜质,并计算其作为分割点时的分割效果;2)选择分割效果最好的点作为最终的分割点。
进一步地,一种基于BCG信号的呼吸暂停事件检测方法S5中的所述对所得呼吸暂停段进行选择性修正处理是通过考察呼吸暂停段的长度,对长度超过某一特定阈值的呼吸暂停段进行截断处理;将呼吸暂停事件定位在呼吸暂停段起点至至其后第一个觉醒段的终点所对应的区间,并将其分割为呼吸暂停段、呼吸努力段、觉醒段三部分。
进一步地,一种基于BCG信号的呼吸暂停事件检测方法S6中的所述提取能够细粒度刻画呼吸模式的特征是指分别从呼吸暂停段、呼吸努力段、觉醒段中提取能够刻画呼吸暂停事件发生时BCG信号波动特点的特征,如样本熵、平均累积幅值差等。
进一步地,一种基于BCG信号的呼吸暂停事件检测方法S7中的所述检测事件潜在发生区间中是否包含有呼吸暂停事件是指利用S6中所提取的特征,借助神经网络等机器学习方法,训练出一个二分类分类器,旨在判断该区间中是否发生了呼吸暂停事件。
基于以上方法,本发明还提供一种基于BCG信号的呼吸暂停事件检测系统,包括:信号获取模块:用于接收BCG信号;数据处理模块:对BCG信号进行处理,检测呼吸暂停事件;检测结果输出模块;将结果输出;所述的数据处理模块包括:初步处理单元:用于对BCG信号进行归一化处理并获取呼吸暂停事件的觉醒段;精确处理单元:对各阶段进行进一步处理分割为呼吸暂停段、呼吸努力段、觉醒段;事件检测单元:分别从三阶段中提取能够刻画呼吸模式的特征,并利用机器学习方法,判断该事件潜在发生区间是否包含有真正的呼吸暂停事件。
采用本发明的一种基于BCG信号的呼吸暂停事件检测方法,可以对整晚的BCG信号中潜在的呼吸暂停事件进行准确定位,并将每个潜在呼吸暂停事件分割成呼吸暂停段、呼吸努力段、觉醒段三部分,便于多方面、细粒度地刻画呼吸暂停事件,从而有助于提升呼吸暂停事件的检测准确率。
附图说明
图1是本发明一种基于BCG信号的呼吸暂停事件检测方法总体流程示意图;
图2是本发明实例所涉及的呼吸暂停事件的结构示意图;
图3是本发明实施例中准确定位BCG信号中所有的觉醒段的流程示意图;
图4是本发明实施例中筛选觉醒段时所使用的线性分类器的示意图;
图5是本发明实例中使用基于自适应阈值的方法将相邻觉醒段间的BCG信号分割为觉醒尾部、呼吸暂停段、呼吸努力段三部分的示意图;
图6是本发明一种基于BCG信号的呼吸暂停事件检测系统的结构示意图。
具体实施方式
本发明实施例提供了一种基于BCG信号的呼吸暂停事件检测方法,通过自动定位呼吸暂停事件可能的发生区间并将该区间分割为便于提取呼吸暂停事件细粒度特征的三个阶段(呼吸暂停段、呼吸努力段、觉醒段),以提高呼吸暂停事件的检测准确率。
以下文中的定义:
觉醒段:AP,Arousal Phase;
初步定位的觉醒段:IAP,Initial Arousal Phase;
初步定位的非觉醒段:NAP,nonInitial Arousal Phase;
潜在的觉醒段:PAP,Potential Arousal Phase;
觉醒尾部:TPA,the Tail of the Previous Arousal;
呼吸暂停段:SAP,Sleep Apnea Phase;
呼吸努力段:REP,Respiratory Effort Phase。
事件潜在发生区间:PED,Potential Event Duration。
本发明一种基于BCG信号的呼吸暂停事件检测方法具体为:
S1:对BCG信号进行归一化处理,消除受试者个体差异对信号强度造成的影响。
在本发明实例中,受试者个体差异主要指体重差异,不同的体重会导致胸冲击(BCG)信号强度有所不同,影响呼吸暂停事件检测的准确性。
其中,μ为BCG信号序列的平均值,σ为信号序列的标准差,Xi是BCG信号序列中第i个信号值,Xnor_i是Xi经过归一化处理后的值。
S2:初步定位呼吸暂停事件的觉醒段。
根据美国睡眠医学学会相关研究,如图1所示,呼吸暂停事件通常包括三个阶段:呼吸努力段、呼吸努力段、觉醒段。通过识别整晚睡眠数据中所蕴含的觉醒段从而定位潜在的呼吸暂停事件。
首先使用小波分解方法对BCG信号进行分解,选择既能够消除噪音干扰又能较好地表征觉醒的近似层,将该近似层的信号记作data1。在本发明实施例中,小波基为sym8(即symlet小波族小波,序号是8),所选近似层信号为第7层。
然后将data1信号划分为等长的数据段,第i段记为segi,并根据如下公式对每一段进行标记:
threshold=mean(std(segj))+A×std(std(segj))
其中,j=1,2,…,N;N为信号段的个数;A为权重因子。在本发明实施例中,每段数据长度为2秒,参数A设定为0.1。
S3:对S2中得到的IAP进行合并、筛选等处理,获取准确的PAP。
根据医学领域相关研究,呼吸暂停事件发生时间必须持续10秒以上,而觉醒段代表着一次事件,为了防止将一个事件截断,需要对满足一定条件的IAP进行合并,如图3
(b)所示。具体地,根据如下公式判断是否需要将若干IAP进行合并:
endj-endi≤10seconds
其中endi与endj是相邻两个IAP的结束时刻;
如图3(c)所示,将满足上述条件的相邻两个IAP间的所有NAP重新标记为IAP,并将连续的IAP进行合并,标记为PAP;
BCG信号易受设备噪音或其他因素影响,导致上述所得的PAP可能含有假的PAP,必须从中筛选出真正的PAP,如图3(d)所示。具体地,按照如下公式进行筛选(如图4所示):
其中,条件C1由如下公式构成:
(Durationi≥18)∪[(Durationi>6)∩(Durationi≥max{Durationj})]
其中,Durationi表示第i个PAP的持续时间,Durationj表示部分或完全在第i个PAP的± 20秒范围内的所有PAP组成的集合。
S4:将S3中相邻的准确觉醒段之间的BCG信号进一步分割为TPA、SAP、REP。
具体地,首先通过滑动窗口方法对相邻觉醒段之间的BCG信号进行处理,用由窗口最大值组成的序列来表征该段信号的轮廓信息,在本发明实施例中,每300个采样点(BCG信号采样频率为100Hz)为一个窗口大小;
然后借助自适应阈值方法,在该段信号的轮廓中找到两个合适的分割点,将该段数据分割为TPA、SAP、REP,如图5所示。具体地,算法主要两部分内容:1)针对信号轮廓的每一个最大值点,判断其是否具有作为分隔点的潜质,并计算其作为分割点时的分割效果;2)分别针对两个分割点,选择分割效果最好的点作为最终的分割点。
S5:对S4中所得各阶段进行选择性修正处理,最终准确定位PED的位置,并将其划分为SAP、REP、AP。
对所得SAP进行选择性修正处理是通过考察SAP的长度,对长度超过某一特定阈值的SAP进行截断处理,本发明中呼吸暂停事件持续时间为10~80秒,因此这里将阈值设置为100秒,若所得SAP超过100秒,则只保留该SAP的最后100秒的数据。将呼吸暂停事件的潜在发生区间定位在SAP的起点至其后第一个AP的终点,并将其分割为SAP、REP、AP三部分。
如图6所示,一种基于BCG信号的呼吸暂停事件检测系统,包括:信号获取模块:用于接收BCG信号;数据处理模块:对BCG信号进行处理,检测呼吸暂停事件;检测结果输出模块;将结果输出。所述的数据处理模块包括:初步处理单元:用于对BCG信号进行归一化处理并获取呼吸暂停事件的觉醒段;精确处理单元:对各阶段进行进一步处理分割为呼吸暂停段、呼吸努力段、觉醒段;事件检测单元:分别从三阶段中提取能够刻画呼吸模式的特征,并利用机器学习方法,判断该事件潜在发生区间是否包含有真正的呼吸暂停事件。