一种基于多模态时序特征融合的睡眠呼吸障碍识别方法
本发明属于睡眠呼吸障碍识别的,具体涉及一种基于多模态时序特征融合的睡眠呼吸障碍识别方法。
背景技术:
1、睡眠呼吸障碍(sdb)是一类常见睡眠疾病,其中阻塞性睡眠呼吸暂停低通气综合征(osahs)患病率逐年上升,严重威胁患者睡眠质量与心脑血管健康。目前诊断金标准是多导睡眠监测(psg),需同步记录脑电、眼电、肌电、口鼻气流、胸腹运动及血氧等多通道信号,并由专业技师依据aasm规则人工判读。
2、然而,psg 存在显著缺陷:监测需在专业睡眠实验室过夜完成,设备庞大、操作复杂、成本高昂,导致患者等待时间长、依从性差;监测对睡眠环境干扰大,部分患者存在”首夜效应”,结果难以反映日常睡眠状态。近年来,基于可穿戴设备的居家筛查方法逐渐兴起,但现有方法多采用固定阈值或浅层统计特征,对噪声和个体差异鲁棒性差,且单模态信息不足以稳定区分呼吸暂停、低通气、血氧下降和鼾声异常等不同事件,容易漏诊误诊。
3、现有的家庭睡眠场景下存在以下问题:
4、一是多源异构信号存在采样率差异、时间漂移及噪声干扰,导致传统方法难以实现高质量时序对齐与清洗;二是现有方法缺乏对模态间动态互补关系的深度建模,难以捕捉呼吸事件在血氧、心率、体动、睡姿、鼾声及呼吸信号上的跨模态时序关联;三是现有识别方法缺乏对事件边界和事件类型的精细化判别能力,对低通气、血氧下降及鼾声异常等事件的检出率和区分度不足。
技术实现思路
1、本发明的目的在于针对现有技术中的上述不足,提供一种基于多模态时序特征融合的睡眠呼吸障碍识别方法,以解决现有睡眠呼吸事件识别方法在信号时序对齐清洗、跨模态关联建模及事件精细化判别方面存在明显缺陷的问题。
2、为达到上述目的,本发明采取的技术方案是:
3、一种基于多模态时序特征融合的睡眠呼吸障碍识别方法,其包括以下步骤:
4、s1、采集多模态睡眠信号;
5、s2、对多模态睡眠信号进行统一时间轴和信号对齐处理;
6、s3、对完成对齐处理后的多模态睡眠信号进行信号清洗,并逐窗口计算各模态睡眠信号的质量分数;
7、s4、将多模态睡眠信号划分为分析窗口,并基于各窗口数据构造深度网络的输入特征;
8、s5、采用差异化深度网络分别对各模态睡眠信号对应的输入特征进行单模态深度时序特征编码,得到各模态对应的单模态深度表征;
9、s6、将各模态对应的单模态深度表征、信号质量、模态可用标记和跨模态一致性特征输入质量感知融合模块中进行特征融合,得到融合表征;
10、s7、将融合表征输入时序事件判别模块,结合时序约束完成事件判别、类别划分与事件边界修正,得到完整异常事件及对应置信度;
11、s8、根据识别得到的完整异常事件、有效监测数据及生理统计结果,计算综合风险等级,最终生成并输出监测报告。
12、进一步的,所述s1中,采集多模态睡眠信号,包括血氧饱和度、脉率或心率、心率变异性、三轴加速度体动信号、睡姿信号、鼾声音频信号,以及可选呼吸信号包括呼吸气流或胸腹呼吸努力信号;
13、且同步记录每个模态信号的采样频率、采集开始时间、设备时间戳、丢包标记、佩戴状态和传感器接触状态。
14、进一步的,所述s2具体包括:
15、选取血氧饱和度信号、呼吸信号或睡眠监测设备的系统时钟构建参考时间轴;
16、根据睡眠监测设备的时间戳和采样频率得到初始时间;
17、针对各待对齐模态的睡眠信号,通过相关性估计时间偏移量;
18、再根据所述时间偏移量对各待对齐模态的初始时间进行校正,得到修正后的时间;
19、判断整夜监测过程中各模态信号的时间偏移量是否稳定,若偏移量恒定,则采用固定时间偏移量完成时序对齐;若时间偏移量随时间产生漂移,则采用局部滑动窗口逐段估算时间偏移量,对局部时序片段采用动态时间规整算法进行细校正,将所有模态信号统一重采样并映射至参考时间轴,完成多模态睡眠信号的时序对齐处理。
20、进一步的,所述s3中,对完成对齐处理后的多模态睡眠信号进行信号清洗,包括去除明显越界值、修复短时丢包、平滑孤立尖峰、标记传感器脱落片段和严重运动伪影片段;
21、对于信号清洗后的各个模态睡眠信号,在每个窗口内计算信号质量分数,其表示为:
22、
23、式中,为第个模态在第个窗口的信号质量分数;为有效采样比例;为生理合理范围比例;为非突变且非长时间平直比例;为佩戴或接触状态得分;、、、为对应的权重系数。
24、进一步的,所述s4中,将整夜信号划分为连续或重叠的分析窗口,在每个窗口内,构造各模态的输入特征,包括:
25、血氧饱和度及心率的输入特征包括原始归一化序列、滑动基线序列、下降量序列、变化斜率序列;
26、三轴加速度体动信号和睡姿信号的输入特征包括:三轴加速度序列、体动强度序列、姿态类别编码和佩戴状态;
27、鼾声音频信号的输入特征包括短时能量序列、静音标记、频谱特征或梅尔谱图;
28、可选呼吸信号的输入特征:包括呼吸幅度、呼吸周期、气流中断时间和胸腹努力变化。
29、进一步的,所述s5具体包括:
30、对于血氧饱和度及心率的输入特征,构建时间卷积网络tcn与双向门控循环单元bi-gru 串联的生理时序编码模块,将血氧饱和度及心率的输入特征输入生理时序编码模块,提取得到血氧和心率相关的深度时序表征;
31、对于三轴加速度体动信号和睡姿信号的输入特征,采用体动姿态编码模块,将三轴加速度、体动强度和睡姿类别嵌入为行为序列,再通过一维卷积和时序池化得到行为表征;
32、对于鼾声音频信号的输入特征,采用声学卷积编码模块,先将鼾声音频转换为短时谱图或梅尔谱图,再通过二维卷积网络提取鼾声能量突变、谐波中断、静音间隔和恢复爆破音的声学表征,并输出对应的声学表征;
33、对于可选呼吸信号的输入特征,采用呼吸时序编码模块提取呼吸幅度下降、气流中断、呼吸周期变化和呼吸努力变化表征,输出呼吸变化表征。
34、进一步的,所述s6具体包括:
35、将各单模态深度表征、信号质量、模态可用标记和跨模态一致性特征输入质量感知融合模块;
36、计算第m个模态的融合得分:
37、
38、其中,
39、式中,为第m个模态的融合得分;为可学习的权重向量的转置,为单模态深度表征的可学习权重矩阵,为单模态深度表征,为对应信号质量与模态可用标记组合特征的可学习权重矩阵,为第m个模态在第k个时间窗口下的信号质量与模态可用标记组合特征向量,为对应跨模态一致性特征的可学习权重矩阵,为跨模态一致性特征;为模态可用标记;当鼾声中断后在预设时间范围内出现血氧下降,或血氧下降附近出现心率代偿,或异常事件结束附近出现觉醒样体动时,则提高对应模态的跨模态一致性特征,从而增强该窗口的异常事件表征;
40、对融合得分进行归一化,得到融合权重,并基于该融合权重,对各个单模态深度表征进行加权求和,得到融合表征为:
41、
42、式中,为融合表征;表示对应模态的融合权重。
43、进一步的,所述s7具体包括:
44、将融合表征输入时序事件判别模块,输出窗口级事件类别概率、事件起点概率、事件终点概率以及窗口级事件置信度;其中,事件类别包括正常片段、疑似呼吸暂停、疑似低通气、血氧下降、鼾声异常、觉醒样体动以及无效监测片段;
45、在窗口级分类结果后增设时序约束解码层,所述时序约束解码层采用条件随机场crf或有限状态转移约束方式,对连续窗口的预测标签进行时序平滑处理,抑制过短伪事件、无效片段频跳变以及不符合人体睡眠生理规律的状态转移;
46、将连续且同类的异常窗口进行合并,构建得到完整异常事件;
47、所述事件置信度通过如下公式计算:
48、
49、式中,为最终事件置信度,为事件对应窗口内类别概率平均值,为事件对应相关模态的平均质量分数,为事件对应的多模态一致性得分;
50、结合事件起点概率、事件终点概率、血氧下降起点、血氧下降最低点、血氧恢复点、鼾声中断点、鼾声恢复点以及觉醒样体动点,对事件边界进行修正。
51、进一步的,所述s8中,根据完整识别得到的异常事件、有效监测数据及生理统计结果,计算综合风险等级,其表示为:
52、
53、式中,表示综合风险等级;为事件频率归一化风险因子,为血氧下降指数归一化风险因子,为低氧负荷归一化风险因子,为异常鼾声比例归一化风险因子,为仰卧相关异常占比归一化风险因子,为数据无效率归一化风险因子,、、、、、为对应的权重系数。
54、进一步的,所述s8中,输出监测报告包括:各类异常事件的发生时间、结束时间、持续时间、事件类型、事件置信度、整夜风险等级、有效数据比例、无效片段比例、重新采集建议和进一步检查提示。
55、本发明提供的基于多模态时序特征融合的睡眠呼吸障碍识别方法,具有以下有益效果:
56、本发明通过统一时间轴和局部时间偏移校正,解决家庭多设备采集中采样率不同、启动时间不同和轻微时钟漂移导致的对齐问题;其次,通过对每个模态、每个时间窗口计算信号质量分数,使低质量数据不被简单删除,而是在深度融合时自动降低权重,从而提高家庭场景下噪声、脱落和运动伪影条件下的鲁棒性;再次,通过tcn-bigru生理时序编码、声学卷积编码和体动姿态编码分别提取血氧心率、鼾声和行为状态的深度表征,并依据质量分数和跨模态一致性完成注意力融合,进而能够区分疑似呼吸暂停、疑似低通气、单纯血氧下降和鼾声异常等不同情况,减少单一阈值方法的误判;最后,通过时序约束解码、事件合并、边界修正和置信度计算,输出包含事件时间、持续时间、数据质量和风险等级的结果,便于居家筛查、复测提醒和进一步检查建议。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com