基于自监督预训练与图神经网络的睡眠呼吸障碍识别方法
本发明属于睡眠呼吸监测,具体涉及一种基于自监督预训练与图神经网络的睡眠呼吸障碍识别方法的设计。
背景技术:
1、目前,睡眠呼吸障碍通常依赖多导睡眠监测设备进行整夜监测,但该类设备需要专业场地、导联连接和人工判读,存在设备成本高、受试者依从性不足、监测次数有限以及难以用于长期居家筛查的问题。因此,大量用户无法获得持续、低成本的早期识别和动态管理。
2、随着可穿戴设备、床旁传感器和移动终端的发展,家庭睡眠监测能够采集血氧饱和度、呼吸频率、心率变异性、体动加速度和鼾声等多模态生理信号,为睡眠呼吸障碍筛查提供了数据基础。但居家环境下的信号质量受体位变化、肢体运动、环境噪声、传感器松动和设备差异影响较大,常出现基线漂移、运动伪影、片段缺失和采样不同步等问题。若直接采用固定阈值或单一模态特征进行判断,容易出现漏检、误检和跨设备性能下降。
3、现有人工智能识别方法多依赖大规模人工标注数据进行监督训练,而睡眠呼吸事件需要由专业人员逐段标注,标注成本高且一致性受人员经验影响。不同设备和不同人群之间还存在明显数据分布差异,导致模型在新设备或新用户上泛化能力不足。现有多模态融合方法通常采用特征拼接或注意力加权,虽然能够合并多个信号来源,但没有显式描述血氧下降、呼吸减弱、心率波动、体动改变和鼾声增强之间的生理关联,难以解释模型作出判断的依据。
4、基于上述问题,需要一种能够在弱标注或无标注条件下学习通用睡眠时序表征、能够显式建模多模态生理信号之间动态关联、并能够根据个体生理基线快速校准的睡眠呼吸障碍识别方法,以提高家庭场景下的识别准确性、稳定性、个体适应能力和结果可解释性。
技术实现思路
1、本发明的目的是提出一种基于自监督预训练与图神经网络的睡眠呼吸障碍识别方法,以提高家庭场景下的睡眠呼吸障碍识别准确性、稳定性、个体适应能力和结果可解释性。
2、本发明的技术方案为:基于自监督预训练与图神经网络的睡眠呼吸障碍识别方法,包括以下步骤:
3、s1、采集用户睡眠过程中的多模态睡眠生理信号。
4、s2、对多模态睡眠生理信号进行预处理,得到标准化样本。
5、s3、采用标准化样本中的无标注睡眠数据进行对比自监督预训练,得到学习通用时序特征的编码器。
6、s4、通过编码器分别对各模态的睡眠生理信号进行特征编码,得到各模态的图节点表示。
7、s5、根据各模态的图节点表示构建跨模态生理信号动态图。
8、s6、在跨模态生理信号动态图上通过图神经网络进行消息传播和事件判别,得到睡眠呼吸障碍事件识别结果。
9、s7、对睡眠呼吸障碍事件识别结果进行用户生理基线校准和轻量化个性化适应,得到校准后的睡眠呼吸障碍事件识别结果。
10、s8、输出校准后的睡眠呼吸障碍事件识别结果及其风险分级和解释性报告。
11、进一步地,步骤s1中的多模态睡眠生理信号包括血氧饱和度、呼吸频率、心率变异性、体动加速度和鼾声信号。
12、进一步地,步骤s2包括以下分步骤:
13、s21、对各模态的睡眠生理信号进行时间同步、重采样和幅值归一化,得到归一化信号。
14、s22、通过高通滤波、滑动基线估计或经验模态分解校正归一化信号的基线漂移,得到去噪校正信号。
15、s23、根据信噪比、波形完整性、频带能量分布和运动强度计算去噪校正信号的质量分数:
16、
17、其中表示去噪校正信号的质量分数,表示归一化信噪比,表示波形完整性,表示目标频带能量占比,表示归一化运动强度,、、和均为非负权重,且。
18、s24、将质量分数低于预设阈值的去噪校正信号片段进行剔除或降权,对剩余信号按照呼吸周期、血氧波动窗口或固定时长滑窗切分为标准化样本。
19、进一步地,步骤s3包括以下分步骤:
20、s31、针对任一标准化样本片段,通过时间裁剪、随机掩蔽、幅值扰动、频谱增强和跨模态同步偏移生成同源增强样本对,并将其他片段作为异源样本。
21、s32、通过对比损失拉近同源增强样本片段表征并拉远异源样本片段表征,使编码器在无标注睡眠数据上学习呼吸节律变化、血氧下降模式、心率波动趋势、体动模式和鼾声频谱异常,得到学习通用时序特征的编码器。
22、进一步地,步骤s4包括以下分步骤:
23、s41、针对血氧饱和度、呼吸频率和心率变异性信号,采用一维卷积网络与门控循环单元相结合的编码模块提取局部波形特征和长程依赖特征。
24、s42、针对体动加速度信号,采用多尺度时频卷积模块提取体位变化特征和肢体活动模式特征。
25、s43、针对鼾声信号,先将音频转换为梅尔频谱图或对数功率谱,再采用卷积网络或轻量化transformer提取音频特征。
26、s44、将局部波形特征、长程依赖特征、体位变化特征、肢体活动模式特征和音频特征映射到统一维度,得到各模态的图节点表示。
27、进一步地,步骤s5包括以下分步骤:
28、s51、将各模态的图节点表示作为图节点,并根据生理先验关系和数据驱动关系共同确定边连接关系和边权:
29、
30、其中表示第个图节点和第个图节点的边权,表示第个图节点和第个图节点的数据驱动关系强度,表示第个图节点和第个图节点的生理先验强度,和均为可学习或预设系数。
31、s52、根据图节点、边连接关系和边权构建不同用户在不同睡眠阶段的跨模态生理信号动态图。
32、进一步地,步骤s51中的数据驱动关系根据相关性、互信息和相干谱强度计算得到,生理先验关系采用血氧下降与呼吸减弱、呼吸波动与心率变异以及鼾声增强与气道阻塞作为预设生理先验。
33、进一步地,步骤s6包括以下分步骤:
34、s61、在跨模态生理信号动态图上通过图神经网络进行消息传播。
35、s62、通过多层传播后,获得融合血氧、呼吸、心率、体动和鼾声协同变化的图表示,从而识别得到睡眠呼吸暂停、低通气、血氧下降和鼾声异常事件,并将其作为睡眠呼吸障碍事件识别结果。
36、进一步地,步骤s7包括以下分步骤:
37、s71、对于首次使用的新用户,基于前若干夜稳定睡眠片段估计其静息血氧基线、正常呼吸节律区间、夜间心率波动范围、典型体动水平和鼾声频谱特征,形成个体化参考向量。
38、s72、将个体化参考向量输入图神经网络的推理模块,对其中的特征进行偏置校正。
39、s73、响应于存在少量用户历史标注数据,仅对图神经网络的归一化层、适配层或分类头进行轻量化微调,通过微调后的图神经网络输出校准后的睡眠呼吸障碍事件识别结果。
40、进一步地,步骤s8包括以下分步骤:
41、s81、采用多任务输出头,同时输出每个时间窗的呼吸暂停事件概率、低通气事件概率、血氧下降事件概率、鼾声异常事件概率、事件持续时间估计和整夜呼吸事件指数估计作为校准后的睡眠呼吸障碍事件识别结果。
42、s82、结合呼吸事件指数、最低血氧水平、异常鼾声占比和夜间觉醒相关体动强度生成轻度、中度或重度风险分级。
43、s83、基于图注意力权重、积分梯度、时序显著性图或shapley值生成可解释性归因报告,标注关键模态、关键时间片段和主要判别依据。
44、本发明的有益效果是:
45、(1)本发明通过时间同步、基线漂移校正、质量评估和自适应分段,将居家场景中波动较大的原始睡眠生理信号转换为质量可控的标准化样本,减少运动伪影、佩戴松动和片段缺失对识别结果的影响,从输入端提高模型鲁棒性。
46、(2)本发明采用对比自监督预训练,使模型能够利用大量无标注睡眠监测数据学习通用时序特征,显著降低对人工逐段标注数据的依赖,缓解睡眠医学标注资源稀缺和标注成本高的问题。
47、(3)本发明通过跨模态生理信号动态图和图神经网络显式建模血氧、呼吸、心率、体动和鼾声之间的生理关联,不再局限于简单特征拼接或单一模态阈值判断,能够更准确捕获睡眠呼吸事件发生前后的协变模式、时间滞后关系和互补证据。
48、(4)本发明引入用户生理基线校准和轻量化微调机制,可适应年龄、体型、基础疾病、生活习惯和设备佩戴方式导致的个体差异,降低统一阈值或统一模型在不同人群中的误判风险。
49、(5)本发明可输出事件级结果、整夜风险分级、呼吸事件指数估计和解释性归因报告,使用户能够看到模型判断所依据的关键模态和关键时间片段,提升结果的可追溯性和临床辅助价值。
50、(6)本发明可在家庭睡眠监测设备、移动终端、边缘计算设备或私有云环境中实现,有利于开展长期、连续、低成本的睡眠呼吸障碍筛查和健康管理;在本地或私有云部署时,还可减少敏感生理数据外传,兼顾实时性和数据安全。
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