[發明專利]基于無監督特征學習的睡眠呼吸暫停片段檢測設備

有效

• 申請號: 201911263286.1
• 申請日: 2019-12-09
• 公開（公告）號: CN110801221B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 賀奧迪;劉官正
• 申請（專利權）人: 中山大學
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/349;A61B5/00
• 代理公司: 廣州市智遠創達專利代理有限公司 44619
• 代理人: 王會龍

1.一種基于無監督特征學習的睡眠呼吸暫停片段檢測設備，其特征在于，包括存儲器以及處理器，所述存儲器內存儲有計算機程序，所述計算機程序能夠被所述處理器執行，以實現如下方法：

S1、采集受試者夜晚睡覺時的心電信號；

S2、對采集到的心電信號進行模數轉換，獲得受試者的心電數字信號；

S3、把獲得的心電數字信號按分鐘分段，得到每分鐘的心電信號片段；

S4、根據獲得的每分鐘的心電信號片段提取RR間期序列并進行中值濾波修正，對修正得到的RR間期序列使用三次樣條插值進行插值，插值后的序列信號進行快速傅里葉變換得到頻域序列，并用頻域序列制作有標簽訓練集和無標簽訓練集；

S5、構建棧式稀疏自編碼模型，利用無標簽數據集預訓練稀疏自編碼器，對頻域序列進行無監督學習來自動提取特征，并利用提取的特征預訓練完模型后，在模型輸出的特征后接Softmax分類器，用有標簽訓練集對棧式稀疏自編碼模型進行微調；其中，步驟S5具體包括：S51、構建自編碼器，對于每個輸入向量X＝{x₁,x₂,…,x_n}，通過編碼器對輸入向量進行編碼，編碼結果為H＝f(W¹X+b)，其中編碼后得到的特征向量H＝{h₁,h₂,…,h_m}，以及通過解碼器對特征向量H進行解碼，解碼過程為其中解碼后得到重構向量n,m分別為輸入層和隱藏層的維數，W¹和W²均為權重矩陣，分別位于輸入層和隱藏層之間以及隱藏層和輸出層之間，b為偏置項，其代價函數其中S52、在自編碼器的基礎上構建稀疏自編碼器，隱藏層中加入稀疏懲罰項使得網絡能學習到更加抽象的特征，其代價函數J_sparse(W,b)＝J(W,b)+βP_penalty，其中，β為稀疏懲罰項系數；S53、對稀疏自編碼器進行堆棧操作，通過把前一層稀疏自編碼器的隱藏層輸出向量作為后一層稀疏自編碼器的輸入向量，構建得到棧式稀疏自編碼器模型；S54、用無標簽訓練集對棧式稀疏自編碼器模型應用逐層貪婪預訓練的策略進行預訓練，在此過程中神經網絡以最小化重構誤差作為優化目標，對每個稀疏自編碼器依次進行學習，利用前向傳播和反向傳播算法進行多次迭代調整編碼器和解碼器的權值矩陣完成一個稀疏自編碼器的訓練，最終在編碼器的輸出端輸出特征向量；再將前面一個稀疏自編碼器的特征向量作為后面一個稀疏自編碼器的輸入，繼續進行同樣的學習過程直到所有堆棧起來的稀疏自編碼器都學習完畢；S55，完成所有稀疏自編碼器權重矩陣的初始化并訓練好棧式稀疏自編碼器模型后，在棧式稀疏自編碼器模型后面接入Softmax分類器，利用有標簽訓練集對棧式稀疏自編碼器模型進行微調；

S6、搭建基于Softmax-隱馬爾科夫和時間依賴-代價敏感分類模型，利用稀疏自編碼模型在有標簽訓練集得到的特征和相應的標簽訓練基于Softmax-隱馬爾科夫和時間依賴-代價敏感分類模型，得到最終的用于睡眠呼吸暫停分類的模型；其中，步驟S6具體包括：

S61、搭建基于Softmax-隱馬爾科夫和時間依賴-代價敏感分類模型；

S62、把棧式稀疏自編碼器模型在有標簽訓練集提取到的特征結果以及對應片段的標簽輸入到Softmax-隱馬爾科夫和時間依賴-代價敏感模型，利用MetaCost通過對訓練集樣本進行多次取樣訓練Softmax-隱馬爾科夫和時間依賴-代價敏感分類模型，得到最終的睡眠呼吸暫停片段分類模型；步驟S62中，MetaCost實現代價敏感的方法如下：

在訓練集{(x₁,y₁),(x₂,y₂),…}中進行T次有放回的取樣，每次取得n個樣本；

記這些子訓練集為S＝{S₁,S₂,…,S_T},選擇一個分類模型，分別對{S₁,S₂,…,S_T}進行建模，得到模型集M＝{M₁,M₂,…,M_T}；

使用M＝{M₁,M₂,…,M_T}分別對訓練集{(x₁,y₁),(x₂,y₂),…}的每個樣本進行分類，得到在對應模型M_T下，對應樣本x屬于第j類的概率P(j|x；M_T),設定代價矩陣C(i,j)，表示第j類樣本被錯分為第i類的代價,定義條件風險作為代價函數R(i|x)＝∑_jP(j|x；M_T)C(i,j),最小化代價函數R(i|x)，并在此過程中修改訓練集中數據的標簽y＝argmin_iR(i|x),使用修改標簽后的訓練集進行建模，得到最終的睡眠呼吸暫停片段分類模型。

2.根據權利要求1所述的基于無監督特征學習的睡眠呼吸暫停片段檢測設備，其特征在于，步驟S4具體包括：

S41、將所述心電數字信號記為Q，并對心電數字信號按分鐘分段，第n分鐘的心電信號片段記作Q_n,即Q＝{Q₁,Q₂,…,Q_n}；

S42、對每分鐘的心電信號片段進行濾波，然后采用Pan-Tompki算法提取出R波位置，相鄰的后一個R波減去前一個R波得到RR間期序列；

S43、對RR間期序列進行中值濾波修正，將超出[0.4,2]范圍以外的數據點進行修正，去除奇異點，得到修正后的RR間期序列；

S44、對修正的RR間期序列使用三次樣條插值進行插值，統一每個RR間期序列的維數；

S46、對插值后的RR間期序列進行快速傅里葉變換得到頻域序列；

S47、用頻域序列制作有標簽訓練集和無標簽訓練集；其中，將數據庫中沒有標簽的數據直接作為無標簽數據集；將經過利用多導睡眠監測儀的監測結果對每分鐘心電信號片段進行標注的數據作為有標簽訓練集，其中正常片段標注為0，睡眠呼吸暫停片段標注為1。