[發(fā)明專(zhuān)利]一種基于SaO2

在審

• 申請(qǐng)?zhí)枺?/td>: 202011536430.7
• 申請(qǐng)日: 2020-12-23
• 公開(kāi)（公告）號(hào): CN112633167A
• 公開(kāi)（公告）日: 2021-04-09
• 發(fā)明（設(shè)計(jì)）人: 郭凡;應(yīng)娜;孫文勝;葉學(xué)義;方昕;殷家政;穆晨
• 申請(qǐng)（專(zhuān)利權(quán)）人: 杭州電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G16H50/70
• 代理公司: 浙江千克知識(shí)產(chǎn)權(quán)代理有限公司 33246
• 代理人: 周希良

1.一種基于SaO₂信號(hào)多種基線特征的自動(dòng)識(shí)別SAHS方法，其特征在于，包括步驟：

S1、采集SHHS數(shù)據(jù)庫(kù)中SHHS1部分的前X個(gè)受試者睡眠多導(dǎo)圖中的SaO₂信號(hào)，選用最近賦值法對(duì)SaO₂信號(hào)進(jìn)行去偽影處理，獲取預(yù)處理后的SaO₂信號(hào)；

S2、對(duì)預(yù)處理后的SaO₂信號(hào)進(jìn)行分段處理，提取時(shí)域特征、頻域特征和非線性特征，選用mRMR方法對(duì)提取的特征進(jìn)行處理，并篩選出最優(yōu)特征；

S3、對(duì)預(yù)處理后的SaO₂信號(hào)進(jìn)行分段處理，并自定義每片段數(shù)據(jù)基線值，提取多種與基線相關(guān)特征，即基線過(guò)零率特征、SaO₂信號(hào)下降至基線預(yù)設(shè)百分比以下的長(zhǎng)度及面積特征，并與步驟S2中所獲取的最優(yōu)特征合并成特征數(shù)據(jù)集；

S4、依據(jù)SHHS數(shù)據(jù)庫(kù)中提取數(shù)據(jù)對(duì)應(yīng)的注釋文件，計(jì)算AHI值，根據(jù)AHI值對(duì)特征數(shù)據(jù)集進(jìn)行分類(lèi)，選取隨機(jī)平衡數(shù)據(jù)法對(duì)不平衡數(shù)據(jù)集進(jìn)行處理，得到平衡數(shù)據(jù)集；

S5、將平衡數(shù)據(jù)集作為隨機(jī)森林分類(lèi)器的輸入，對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試，得到最終分類(lèi)結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于SaO₂信號(hào)多種基線特征的自動(dòng)識(shí)別SAHS方法，其特征在于，步驟S1中，具體包括：

S1.1、采集SHHS數(shù)據(jù)庫(kù)中SHHS1部分的前1000個(gè)首個(gè)數(shù)據(jù)非零受試者的SaO₂信號(hào)，并提取每位受試者前16000個(gè)采樣點(diǎn)；

S2.2、選用最近賦值法對(duì)已提取數(shù)據(jù)進(jìn)行去零電平偽影處理，以獲取預(yù)處理后的SaO₂信號(hào)，處理方式如下：

其中n為零電平偽影所對(duì)應(yīng)采樣點(diǎn)數(shù)值，w(n)為原始信號(hào)數(shù)據(jù)，x(n)為預(yù)處理之后信號(hào)數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的一種基于SaO₂信號(hào)多種基線特征的自動(dòng)識(shí)別SAHS方法，其特征在于，步驟S2中：

時(shí)域特征包括SaO₂信號(hào)的平均值、方差、能量、均方根；一階求導(dǎo)的最大值、均值、中值、標(biāo)準(zhǔn)差；二階求導(dǎo)的最大值、均值、中值、標(biāo)準(zhǔn)差，峰值系數(shù)、波形系數(shù)特征；

頻域特征包括信號(hào)頻譜、能量譜、功率譜、小波能量、小波系數(shù)、平均頻率、重心頻率、頻率均方根、頻率標(biāo)準(zhǔn)差特征；

非線性特征包括各片段間的自相關(guān)系數(shù)、信號(hào)波動(dòng)頻率特征。

4.根據(jù)權(quán)利要求3所述的一種基于SaO₂信號(hào)多種基線特征的自動(dòng)識(shí)別SAHS方法，其特征在于，步驟S2中，所述選用mRMR方法對(duì)提取的特征進(jìn)行處理，并篩選出最優(yōu)特征，具體為：

給定兩個(gè)隨機(jī)連續(xù)變量x和y，它們的概率密度函數(shù)為p(x)、p(y)、p(x,y)，則互信息為：

D(S,c)表示特征集S與類(lèi)c的相關(guān)性，由各個(gè)特征f_i和類(lèi)c之間的所有互信息值的平均值定義如下：

R(S)表示集合S中所有特征的冗余性，由特征f_i和f_j之間的所有互信息值的平均值定義如下：

mRMR標(biāo)準(zhǔn)為兩種措施的組合，即相關(guān)性和冗余性的trade-off，定義如下：

并選用mRMR方法篩選出具有最大相關(guān)性、最小冗余性特征。

5.根據(jù)權(quán)利要求1所述的一種基于SaO₂信號(hào)多種基線特征的自動(dòng)識(shí)別SAHS方法，其特征在于，步驟S3中，具體包括：

S3.1、對(duì)預(yù)處理后的SaO₂信號(hào)進(jìn)行分段處理，自定義正常片段內(nèi)的基線值為該片段的第54個(gè)采樣點(diǎn)對(duì)應(yīng)數(shù)值，若該片段內(nèi)有呼吸事件的產(chǎn)生，則定義該片段的基線值與上一正常片段的基線值相等；

S3.2、提取基線過(guò)零率特征，每片段數(shù)據(jù)減去對(duì)應(yīng)片段的基線值，得到一組新的數(shù)據(jù)，基線過(guò)零率特征即為新數(shù)據(jù)集的過(guò)零點(diǎn)數(shù)；

S3.3、分別提取SaO₂信號(hào)下降至基線值2％、3％、4％以下的長(zhǎng)度及面積特征；

S3.4、將基線相關(guān)特征與步驟S2中篩選出的最優(yōu)特征合并為特征數(shù)據(jù)集。