一种基于多参数非接触睡眠呼吸暂停检测系统及方法与流程

1.本发明涉及生物医学领域，尤其涉及一种基于多参数非接触睡眠呼吸暂停检测系统及方法。


背景技术：

2.在目前的生物医学工程研究当中，我们对人体的各种生理信号进行采集与处理。其中，心电信号是生理信号的一种，其所包含的信息对心脏疾病的诊断具有重要意义。
3.目前常规非接触基于单一信号源及事后区分确定呼吸暂停检测，检测准确性低，且不能及时进行检测预警及定位。
4.如申请号为cn201911413560.9的专利申请公开了一种用于判断睡眠呼吸暂停的信号检测系统，该信号检测方法包括以下步骤：获取用户睡眠时的生命体征信号；将用户睡眠时的生命体征信号进行结构化处理去除无效信号获得有效体征信号集合；提取并通过睡眠呼吸样本信号的多维形态特征对分类器初始模型进行特征训练获得睡眠呼吸检测模型；将有效体征信号集合输入到睡眠呼吸检测模型中进行信号处理获得用户睡眠时发生呼吸暂停的概率数据。该方案虽然可以提高用户睡眠时发生呼吸暂停的准确率，但是基于单一数据的呼吸暂停检测准确率还有待提高。
5.又如申请号为cn201210051209.1的专利申请公开了一种据鼾声确定阻塞性睡眠呼吸暂停与低通气综合症的方法，该方法考虑到osahs症状的鼾声具有独特的性质，即在两次相邻鼾声之间存在着大于10秒的呼吸暂停或者低通气，而鼾声段的幅值明显的大于呼吸暂停和低通气段的幅值，因此可以采用基于短时幅值的端点检测将每次鼾声段检测出来，然后通过判断相邻两次鼾声之间的间隔是否大于10秒来计算出患者的ahi值，从而确定患者是否患有osahs症状。该方案虽然可以通过非接触方式采集患者的鼾声信号进行呼吸暂停事件判定，但是没有结合bcg信号进行特征计算和事件检测，事件检测的准确率还不够高。
6.由此可见，目前通过bcg信号或者鼾声等进行呼吸暂停事件的检测方法，受实际bcg信号采集的要求及个体、体位等差异影响，采用单一信号源对呼吸暂停事件检测及分类的准确性较低。


技术实现要素：

7.本发明的目的在于克服现有技术的不足，提供一种基于多参数非接触睡眠呼吸暂停检测系统及方法，根据两类非接触信号数据构建两级分类模型，最终得到睡眠呼吸暂停事件的检测，计算特征较为简单，计算速度快，能够快速响应，获得准确的睡眠呼吸暂停事件检测。
8.本发明的目的是通过以下技术方案来实现的：
9.一种基于多参数非接触睡眠呼吸暂停检测方法，包括以下步骤：
10.步骤一：获取用户睡眠时的bcg信号和sn信号，并对bcg信号和sn信号进行预处理
和频段划分，获得不同频段的bcg信号和sn信号；
11.步骤二：对不同频段的bcg信号进行emd
‑
ica降噪滤波处理，获得bcg_filter信号和sn_filter信号；
12.步骤三：分别计算出bcg_filter信号和sn_filter信号的序列信号，并提取序列信号的信号特征；
13.步骤四：根据信号特征构建呼吸暂停事件分类模型，并确定呼吸暂停事件异常信号片段，获得normal数据片段或者abnormal数据片段；
14.步骤五：根据abnormal数据片段进行鼾声定位和特征计算，并构建svm分类模型，最终确定该呼吸暂停事件异常信号片段是否发生睡眠呼吸暂停事件。
15.具体的，步骤一中对bcg信号和sn信号进行和预处理和频段划分过程具体包括：先使用z
‑
score方法分别对获取的bcg信号和sn信号进行数据归一化，再分别对归一化后的bcg信号和sn信号进行频段划分，获得不同频段的bcg信号和sn信号。
16.具体的，步骤二具体包括：首先将bcg信号进行emd分解，得到频率从高到低固有模态分量imf：imf(i)＝emd(bcg),其中i＝1,2,3,
…
,4；计算imf(i)与原始bcg信号的相关性cor(i)，cor(i)>thr_cor，其中thr_cor为相关性阈值，取为0.5，将大于阈值的emd分解系数保留，得到新的imf(i),其他作为噪声消除；将上述得到的imf分解系数，基于ica算法进行盲源分离，从而得到降噪声后的bcg信号的bcg_filter；将sn信号按照上述bcg信号的处理流程进行处理，得到降噪声后的sn信号的sn_filter。
17.具体的，步骤三具体包括：以1分钟时长为分段条件分别对bcg_filter信号和sn_filter信号进行数据分段，并计算分段后sn_filter信号在计算0～4000hz频率段内的不同频段功率占比，将分段后的sn_filter信号以每500hz为一段，分段计算该信号在各个频段的功率占比，共计8个输入特征，功率占比计算公式如下式所示：
18.pe
i
＝p
i
/p
sum
19.其中，i为频率段号，i＝1,2,...,8；pe
i
为第i段频率段功率占比，p
i
为第i段功率，p
sum
为信号片段的总功率。
20.具体的，步骤五具体包括：基于abnormal数据片段进行鼾声定位和特征计算，并根据鼾声特征基于svm构建一个二分类器模型，将abnormal数据片段划分为正常片段和睡眠呼吸暂停事件片段。
21.一种基于多参数非接触睡眠呼吸暂停检测系统，包括信号采集单元、信号预处理单元、模数转换单元、数据转发单元、微处理器、电源管理模块和上位机；信号采集单元与信号预处理单元连接；信号预处理单元与模数转换单元连接；模数转换单元与微处理器连接；微处理器与数据转发单元连接；数据转发单元通过无线网络与上位机建立无线通信连接。
22.具体的，信号采集单元包括mems麦克风和压电薄膜传感器；mems麦克风用于采集用户睡眠时的sn信号；压电薄膜传感器用于采集用户睡眠时的bcg信号；信号预处理单元分别与mems麦克风和压电薄膜传感器连接。
23.具体的，信号预处理单元为前置放大电路，前置放大电路包括信号放大器和工频陷波器，信号放大器的输出端与工频陷波器连接；信号放大器的输入端分别与mems麦克风和压电薄膜传感器连接；工频陷波器与模数转换单元连接。
24.具体的，模数转换单元为模拟数字转换器，用于将bcg信号和sn信号转换为数字信
号；模拟数字转换器分别与工频陷波器和微处理器连接。
25.具体的，数据转发单元为蓝牙通信模块或wifi通信模块。
26.本发明的有益效果：
27.1.本发明结合上述两类非接触信号数据构建两级分类模型，最终得到睡眠呼吸暂停事件的检测，计算特征较为简单，计算速度快，能够快速响应，获得准确的睡眠呼吸暂停事件检测。
28.2.本发明构建的睡眠呼吸暂停检测系统，包括两个数据采集模块，采集bcg压电薄膜信号及基于mems mic(mems麦克风)的鼾声音频信号，然后基于bcg信号和鼾声信号进行呼吸暂停检测，能够获得较为准确的用户睡眠时发生呼吸暂停的概率数据，从而便于判断睡眠呼吸暂停事件是否发生。
附图说明
29.图1是本发明的方法步骤流程图。
30.图2是本发明的系统设备原理框图。
31.图3是本发明的前置放大电路结构示意图
32.图4是实施例三的方法流程图。
33.图5是实施例三的emd ica方式去噪流程图。
34.图6是实施例三的呼吸暂停事件判定流程图。
具体实施方式
35.为了对本发明的技术特征、目的和效果有更加清楚的理解，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。
36.实施例一：
37.本实施例中，如图1所示，一种基于多参数非接触睡眠呼吸暂停检测方法，包括以下步骤：
38.步骤一：获取用户睡眠时的bcg信号和sn信号，并对bcg信号和sn信号进行预处理和频段划分，获得不同频段的bcg信号和sn信号；
39.步骤二：对不同频段的bcg信号进行emd
‑
ica降噪滤波处理，获得bcg_filter信号和sn_filter信号；
40.步骤三：分别计算出bcg_filter信号和sn_filter信号的序列信号，并提取序列信号的信号特征；
41.步骤四：根据信号特征构建呼吸暂停事件分类模型，并确定呼吸暂停事件异常信号片段，获得normal数据片段或者abnormal数据片段；
42.步骤五：根据abnormal数据片段进行鼾声定位和特征计算，并构建svm分类模型，最终确定该呼吸暂停事件异常信号片段是否发生睡眠呼吸暂停事件。
43.本实施例中，去噪后的bcg信号为bcg_filter，hrv序列是从bcg_filter信号里面提取出来的数据。
44.本实施例中，步骤一中对bcg信号和sn信号进行和预处理和频段划分过程具体包
括：先使用z
‑
score方法分别对获取的bcg信号和sn信号进行数据归一化，再分别对归一化后的bcg信号和sn信号进行频段划分，获得不同频段的bcg信号和sn信号。
45.本实施例中，步骤二具体包括：首先将bcg信号进行emd分解，得到频率从高到低固有模态分量imf：imf(i)＝emd(bcg),其中i＝1,2,3,
…
,4；计算imf(i)与原始bcg信号的相关性cor(i)，cor(i)>thr_cor，其中thr_cor为相关性阈值，取为0.5，将大于阈值的emd分解系数保留，得到新的imf(i),其他作为噪声消除；将上述得到的imf分解系数，基于ica算法进行盲源分离，从而得到降噪声后的bcg信号的bcg_filter；将sn信号按照上述bcg信号的处理流程进行处理，得到降噪声后的sn信号的sn_filter。
46.本实施例中，步骤三具体包括：以1分钟时长为分段条件分别对bcg_filter信号和sn_filter信号进行数据分段，并计算分段后sn_filter信号在计算0～4000hz频率段内的不同频段功率占比，将分段后的sn_filter信号以每500hz为一段，分段计算该信号在各个频段的功率占比，共计8个输入特征，功率占比计算公式如下式所示：
47.pe
i
＝p
i
/p
sum
48.其中，i为频率段号，i＝1,2,...,8；pe
i
为第i段频率段功率占比，p
i
为第i段功率，p
sum
为信号片段的总功率。
49.本实施例中，步骤五具体包括：基于abnormal数据片段进行鼾声定位和特征计算，并根据鼾声特征基于svm构建一个二分类器模型，将abnormal数据片段划分为正常片段和睡眠呼吸暂停事件片段。
50.本实施例可以达到以下技术效果：
51.本实施例结合上述两类非接触信号数据构建两级分类模型，最终得到睡眠呼吸暂停事件的检测，计算特征较为简单，计算速度快，能够快速响应，获得准确的睡眠呼吸暂停事件检测。
52.实施例二：
53.本实施例中，如图2所示，一种基于多参数非接触睡眠呼吸暂停检测系统，包括信号采集单元、信号预处理单元、模数转换单元、数据转发单元、微处理器、电源管理模块和上位机；信号采集单元与信号预处理单元连接；信号预处理单元与模数转换单元连接；模数转换单元与微处理器连接；微处理器分别与和数据转发单元连接；数据转发单元通过无线网络与上位机建立无线通信连接。电源管理模块用于为整个睡眠呼吸暂停检测系统提供电源，采用锂电池进行供电。
54.本实施例中，信号采集单元包括mems麦克风和压电薄膜传感器；mems麦克风用于采集用户睡眠时的sn信号；压电薄膜传感器用于采集用户睡眠时的bcg信号；信号预处理单元分别与mems麦克风和压电薄膜传感器连接。
55.本实施例中，信号预处理单元为前置放大电路，如图3所示，前置放大电路包括信号放大器和工频陷波器，信号放大器的输出端与工频陷波器连接；信号放大器的输入端分别与mems麦克风和压电薄膜传感器连接；工频陷波器与模数转换单元连接。
56.本实施例中，模数转换单元为模拟数字转换器，用于将bcg信号和sn信号转换为数字信号；模拟数字转换器分别与工频陷波器和微处理器连接。
57.本实施例中，基于多参数非接触睡眠呼吸暂停检测系统的工作原理为：先通过前端布置的压电薄膜传感器阵列采集原始的bcg信号和mems mic采集鼾声信号，经信号预处
理单元对采集的原始bcg信号及鼾声信号进行放大、工频陷波去噪等预处理操作；处理后的信号通过模拟－数字转换单元实现数字化采集；数字化采集信号以串口形式发送至数据转发单元，数据转发单元通过通过无线网络向上位机发送数字信号实现数据传输。
58.本实施例可以达到以下技术效果：
59.本实施例构建的睡眠呼吸暂停检测系统，包括两个数据采集模块，采集bcg压电薄膜信号及基于mems mic的鼾声音频信号，然后基于bcg信号和鼾声信号进行呼吸暂停检测，能够获得较为准确的用户睡眠时发生呼吸暂停的概率数据，从而便于判断睡眠呼吸暂停事件是否发生。
60.实施例三：
61.本实施例中，提供一种多参数融合非接触睡眠呼吸暂停检测方法，目前常规非接触基于单一信号源及事后区分确定呼吸暂停检测，检测准确性低，且不能及时进行检测预警及定位。目前通过bcg信号或者鼾声等进行呼吸暂停事件的检测，受实际bcg信号采集的要求及个体、体位等差异，单一信号源对呼吸暂停事件检测及分类，准确性较低。
62.因此本发明基于多参数融合进行非接触睡眠呼吸暂停检测。本发明的睡眠呼吸暂停检测系统，包括两个数据采集模块，采集bcg压电薄膜信号及基于mems mic的鼾声音频信号，然后基于bcg信号和鼾声信号进行呼吸暂停检测。首先检测bcg信号，考虑呼吸暂停事件导致的信号异常，基于bcg信号，计算心率hrv相关时域、频域等特征构建一级分类模型，初步分类得到鼾声暂停事件异常数据片段，然后分析异常数据片段的伴随睡眠鼾声信号，计算鼾声功率占比特征，基于8个特征构建svm分类模型，最终对相应的睡眠暂停事件进行定位及分类，确定二级分类模型。本发明结合上述两类非接触信号数据构建两级分类模型，最终得到睡眠呼吸暂停事件的检测，计算特征较为简单，计算速度快，能够快速响应，获得较为准确的睡眠呼吸暂停事件检测。
63.如图4所示，一种实时非接触睡眠呼吸暂停检测方法，方法先实时计算当前时间段内hrv是否发生异常，初步定位睡眠呼吸暂停事件潜在发生区域，同时利用当前时间段内鼾声的特征，最终检测睡眠暂停事件是否发生及相应的类别。该方法包括以下步骤：
64.s1:数据归一化bcg及sn，分段；
65.s2:bcg及sn数据基于emd ica方式去噪得到bcg_filter,sn_filter；
66.s3：bcg_fliter及sn_filter基于1min数据进行计算提取心率呼吸率得到hrv序列及呼吸序列；
67.s4：基于上述序列信号，计算出信号的时域、频域和非线性特征作为样本熵、方差、功率谱各个频段的特征。
68.s5：基于上述特征构建呼吸暂停事件分类模型，初步定位是否异常数据片段,得到normal数据片段(正常数据片段)或者abnormal数据片段(异常数据片段)。
69.s6：基于上述abnormal数据段，计算相关的鼾声的声音信号特征数据，基于鼾声的功率特征构建第二级分类，构建两个二分类模型的级联模型，最终确定是否是呼吸暂停事件。
70.本实施例中，步骤s1使用z
‑
score方法对信号进行归一化处理。
71.本实施例中，步骤s2基于emd ica的方式进行bcg及hs的信号去噪，如图5所示，该过程具体包括：首先将bcg信号进行emd分解，得到频率从高到低固有模态分量imf：imf(i)
＝emd(bcg),i＝1,2,3,
…
4。
72.然后计算imf(i)与原始bcg信号的相关性，cor(i)，cor(i)>thr_cor。其中thr_cor为相关性阈值，取为0.5，将大于阈值的emd分解系数保留，得到新的imf(i),其他作为噪声消除。
73.将上述得到的imf分解系数，基于ica算法进行盲源分离，从而得到降噪声后的bcg信号bcg_filter，同理采用bcg信号相同的处理方法对sn信号进行处理，获得sn_filter。
74.本实施例中，步骤s3对信号进行分段，将bcg信号进行分段，分为1min数据，并计算相应的鼾声的统计特征。鼾声的统计特征计算过程主要是计算鼾声信号在0～4000hz频率段内不同频段功率占比，以每500hz为一段，分段计算各个频段的功率占比，共计8个输入特征。不同频段功率占比计算公式如下：
75.pe
i
＝p
i
/p
sum
76.其中，i为频率段号，i＝1,2,...,8；pe
i
为第i段频率段功率占比，p
i
为第i段功率，p
sum
为信号片段的总功率。
77.本实施例中，如图6所示，步骤s6基于步骤s5处理的数据，根据bcg信号特征构建分类模型，将信号片段划分为正常片段和异常片段，然后基于异常片段，结合鼾声的8个特征，基于svm继续构建一个二分类器模型，将数据片段划分为正常片段和睡眠呼吸暂停事件片段，因此基于两个二分类模型的级联，得到最终呼吸暂停事件的精确定位及分类。
78.本实施例可以达到以下技术效果：
79.1.本实施例结合上述两类非接触信号数据构建两级分类模型，最终得到睡眠呼吸暂停事件的检测，计算特征较为简单，计算速度快，能够快速响应，获得准确的睡眠呼吸暂停事件检测。
80.2.本实施例构建的睡眠呼吸暂停检测系统，包括两个数据采集模块，采集bcg压电薄膜信号及基于mems mic的鼾声音频信号，然后基于bcg信号和鼾声信号进行呼吸暂停检测，能够获得较为准确的用户睡眠时发生呼吸暂停的概率数据，从而便于判断睡眠呼吸暂停事件是否发生。
81.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。