[發(fā)明專利]血氧飽和度信號(hào)分析方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010003990.X
• 申請(qǐng)日: 2020-01-03
• 公開（公告）號(hào): CN111035395B
• 公開（公告）日: 2022-09-27
• 發(fā)明（設(shè)計(jì)）人: 關(guān)建;殷善開;易紅良;盛斌;李華婷;劉茹涵;許華俊
• 申請(qǐng)（專利權(quán)）人: 上海市第六人民醫(yī)院;上海交通大學(xué)
• 主分類號(hào): A61B5/145
• 分類號(hào): A61B5/145;A61B5/00;G06K9/62
• 代理公司: 華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 李文淵

1.一種血氧飽和度信號(hào)分析方法，其特征在于，所述方法包括：

獲取待分析的血氧飽和度信號(hào)；

確定所述血氧飽和度信號(hào)中氧減事件對(duì)應(yīng)的氧減信號(hào)片段；

通過雙向長短期記憶網(wǎng)絡(luò)，對(duì)所述氧減信號(hào)片段進(jìn)行時(shí)序特征提取，得到氧減信號(hào)片段時(shí)序特征；

通過卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)所述氧減信號(hào)片段時(shí)序特征進(jìn)行多次卷積處理，得到所述氧減信號(hào)片段的局部特征；

將所述局部特征和所述血氧飽和度信號(hào)的全局特征進(jìn)行加權(quán)融合，得到融合特征；

對(duì)所述融合特征進(jìn)行氧減類型識(shí)別，得到所述氧減信號(hào)片段的氧減類型識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述確定所述血氧飽和度信號(hào)中氧減事件對(duì)應(yīng)的氧減信號(hào)片段包括：

基于小波算法對(duì)所述血氧飽和度信號(hào)進(jìn)行小波去噪處理，得到去噪后的血氧飽和度信號(hào)；

對(duì)所述去噪后的血氧飽和度信號(hào)進(jìn)行平滑處理，得到預(yù)處理后的血氧飽和度信號(hào)；

根據(jù)所述預(yù)處理后的血氧飽和度信號(hào)的幅值變化，從所述預(yù)處理后的血氧飽和度信號(hào)中確定氧減事件；

從所述血氧飽和度信號(hào)中確定所述氧減事件對(duì)應(yīng)的氧減信號(hào)片段。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

從所述血氧飽和度信號(hào)中提取所述氧減信號(hào)片段；

所述通過雙向長短期記憶網(wǎng)絡(luò)，對(duì)所述氧減信號(hào)片段進(jìn)行時(shí)序特征提取，得到氧減信號(hào)片段時(shí)序特征，包括：

通過雙向長短期記憶卷積神經(jīng)網(wǎng)絡(luò)中的時(shí)間編碼器，對(duì)所述氧減信號(hào)片段進(jìn)行時(shí)序特征提取，得到氧減信號(hào)片段時(shí)序特征；

所述通過卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)所述氧減信號(hào)片段時(shí)序特征進(jìn)行多次卷積處理，得到所述氧減信號(hào)片段的局部特征，包括：

通過所述雙向長短期記憶卷積神經(jīng)網(wǎng)絡(luò)中的卷積模塊，對(duì)所述氧減信號(hào)片段時(shí)序特征進(jìn)行多次卷積處理，得到所述氧減信號(hào)片段的局部特征。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述局部特征和所述血氧飽和度信號(hào)的全局特征進(jìn)行加權(quán)融合，得到融合特征包括：

獲取所述血氧飽和度信號(hào)的全局特征；所述全局特征通過對(duì)所述血氧飽和度信號(hào)進(jìn)行全局特征分析得到；

加權(quán)融合所述局部特征和所述全局特征，得到融合特征。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述全局特征包括所述血氧飽和度信號(hào)的平均值、標(biāo)準(zhǔn)差、曲線下面積、平均頻率、峰值頻率和中心頻率中的至少一項(xiàng)。

6.根據(jù)權(quán)利要求1至5任意一項(xiàng)所述的方法，其特征在于，所述方法基于預(yù)訓(xùn)練的氧減信號(hào)分析模型實(shí)現(xiàn)，所述氧減信號(hào)分析模型的訓(xùn)練步驟包括：

獲取原始血氧飽和度信號(hào)；

確定所述原始血氧飽和度信號(hào)中氧減事件對(duì)應(yīng)的原始氧減信號(hào)片段，并根據(jù)所述原始氧減信號(hào)片段得到攜帶氧減類型標(biāo)簽的氧減信號(hào)訓(xùn)練片段；

通過待訓(xùn)練的待訓(xùn)練的氧減信號(hào)分析模型提取所述氧減信號(hào)訓(xùn)練片段的局部訓(xùn)練特征；

通過所述待訓(xùn)練的氧減信號(hào)分析模型融合所述局部訓(xùn)練特征和所述血氧飽和度訓(xùn)練信號(hào)的全局訓(xùn)練特征，得到融合訓(xùn)練特征；

通過所述待訓(xùn)練的氧減信號(hào)分析模型對(duì)所述融合訓(xùn)練特征進(jìn)行氧減類型識(shí)別，得到所述血氧飽和度訓(xùn)練信號(hào)的氧減類型訓(xùn)練識(shí)別結(jié)果；

根據(jù)所述氧減類型訓(xùn)練識(shí)別結(jié)果和所述氧減類型標(biāo)簽確定模型損失，并根據(jù)所述模型損失調(diào)整所述待訓(xùn)練的氧減信號(hào)分析模型后繼續(xù)訓(xùn)練，直至滿足訓(xùn)練結(jié)束條件時(shí)結(jié)束訓(xùn)練，得到訓(xùn)練完成的氧減信號(hào)分析模型。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述氧減類型標(biāo)簽包括呼吸暫停氧減類型標(biāo)簽和非呼吸暫停氧減類型標(biāo)簽；所述根據(jù)所述原始氧減信號(hào)片段得到攜帶氧減類型標(biāo)簽的氧減信號(hào)訓(xùn)練片段：

確定所述原始氧減信號(hào)片段對(duì)應(yīng)的氧減事件標(biāo)簽；

根據(jù)所述氧減事件標(biāo)簽從所述原始氧減信號(hào)片段中確定正樣本信號(hào)片段和負(fù)樣本信號(hào)片段；所述正樣本信號(hào)片段攜帶所述呼吸暫停氧減類型標(biāo)簽，所述負(fù)樣本信號(hào)片段攜帶所述非呼吸暫停氧減類型標(biāo)簽；

根據(jù)所述正樣本信號(hào)片段和所述負(fù)樣本信號(hào)片段得到氧減信號(hào)訓(xùn)練片段。