一种基于口鼻气流信号的慢性阻塞性肺疾病识别装置的制作方法

1.本发明涉及慢性阻塞性肺疾病的识别技术，具体设计一种基于口鼻气流单通道的生理监护信息，利用模式识别神经网络对慢性阻塞性肺疾病进行识别的装置。


背景技术：

2.慢性阻塞性肺疾病(chronic obstructive pulmonary disease，copd)是一种常见的以持续气流受限为特征的可以预防和治疗的疾病，气流受限进行性发展，与气道和肺脏对有毒颗粒或气体的慢性炎性反应增强有关。该疾病具有气流阻塞特征的慢性支气管炎和(或)肺气肿，可进一步发展为肺心病和呼吸衰竭的常见慢性疾病。与有害气体及有害颗粒的异常炎症反应有关，致残率和病死率很高，全球40岁以上发病率已高达9％～10％。
3.现阶段在临床上诊断copd的方法为使用电子计算机断层扫描(ct)与肺音听诊相结合，由于该项检查程序繁杂、成本高昂，同时过于依赖医生的主观判断及诊断水平，因此不能满足大部分患者的需求。近年来国内外的研究趋势是使用调查问卷及肺功能报告进行评估，利用机器学习等算法尝试提出一套智能辅助诊断检测方案用以提高copd的诊断效率。目前并没有基于最常见的呼吸信号——口鼻气流信号进行copd识别的装置及研究。
4.经过专利申请人检索，目前与copd诊断相关的国内发明专利主要集中在copd诊断试剂盒以及基于已有的肺功能报告、成像数据进行疾病评估。申永春等利用检测血清中glcabetacer(d18:1/18:0)含量提供了对应的copd检测试剂盒作为检测方法[1]，吴健等基于呼吸科就诊数据进行特征处理给出一种识别慢性阻塞性肺疾病急性加重的方法[2]，s.拉帕卡等利用医学成像数据来对气道进行建模并提取特征识别copd[3]。相对而言，基于诊断试剂盒的copd诊断方法为有创检验，基于呼吸科就诊数据及医学成像数据仍然需要患者进行ct及肺音评估诊断，检测质量波动较大、不稳定，检测方法复杂、成本高昂。经检所目前尚未发现基于单通道口鼻气流信号的copd监测装置。
[0005]
参考文献：
[0006]
[1]申永春，秦江月，陈磊，汪涛，文富强，专利名称：一种copd诊断试剂盒，申请号：202011129600.x
[0007]
[2]吴健，姜晓红，应豪超，杜邦，专利名称：一种用于识别慢性阻塞性肺疾病急性加重的系统，申请号：202011486949.9
[0008]
[3]s.拉帕卡，j.霍奇斯，p.沙马，专利名称：基于人工智能的copd评估，申请号：202010272880.3


技术实现要素：

[0009]
本发明提出了一种口鼻气流信号滤波和重构方法；在此基础上，提供一种慢性阻塞性肺疾病识别装置，根据基于口鼻气流单通道的生理监护信息，使用模式识别神经网络对对慢性阻塞性肺疾病进行识别，具有良好的准确性和鲁棒性。本发明的技术方案如下：
[0010]
首先一种口鼻气流信号滤波和重构方法，包括下列步骤：
[0011]
1)口鼻气流呼吸信号预处理：将原始口鼻气流呼吸信号进行滤波处理，采用6点滑动平均值滤波器消除噪音并通过3阶iir巴特沃斯高通滤波器解决基线偏移问题；
[0012]
2)对经过预处理的口鼻气流呼吸信号进行信号的分解和重构：
[0013]
将预处理后的口鼻气流呼吸信号分为两路，通过两个互补的滤波器，分别计算dwt系数得到原始信号的近似细节，完成信号的分解，再通过该过程的逆过程完成信号的重构，在分解过程中，一方面信号通过低通滤波器后进行下采样，得到尺度和分辨率分别减半的的平均信号，提取信号中的低频成分；另一方面信号通过高通滤波器进行下采样处理，得到尺度和分辨率分别减半的细节信号，提取信号中的高频成分；通过对高频成分和低频成分的相加即得到重构后的信号。
[0014]
本发明在上述信号处理的基础上给出一种基于口鼻气流信号的慢性阻塞性肺疾病识别装置，其特征在于，包括：
[0015]
口鼻气流呼吸信号预处理模块，用于将原始口鼻气流呼吸信号进行滤波处理，采用6点滑动平均值滤波器消除噪音并通过3阶iir巴特沃斯高通滤波器解决基线偏移问题；
[0016]
呼吸信号分解重构模块，用于对经过预处理后的口鼻气流呼吸信号进行信号的分解和重构，方法为：将预处理后的口鼻气流呼吸信号分为两路，通过两个互补的滤波器，分别计算dwt系数得到原始信号的近似细节，完成信号的分解，再通过该过程的逆过程完成信号的重构，在分解过程中，一方面信号通过低通滤波器后进行下采样，得到尺度和分辨率分别减半的的平均信号，提取信号中的低频成分；另一方面信号通过高通滤波器进行下采样处理，得到尺度和分辨率分别减半的细节信号，提取信号中的高频成分；通过对高频成分和低频成分的相加即得到重构后的信号；
[0017]
呼吸信号分段预处理模块，其作用如下：根据呼吸信号分解重构模块处理得到的结果，删除失真信号；使用窗宽10秒、步长1秒的滑动窗切割删除失真信号之后的呼吸信号数据，形成数据片段并制作片段标签，片段标签分为两类：第一类为正常片段，设置为0；第二类为慢性阻塞性肺疾病事件copd发病片段，设置为1；
[0018]
模式识别神经网络模块，用于将呼吸信号分段预处理模块处理后的口鼻气流信号组成的数据片段及对应标签输入模式识别神经网络，采用十折交叉验证法进行训练；模式识别神经网络主要含两层的前馈网络，使用比例化共轭梯度反向传播法(trainscg)进行训练，通过带有sigmoid作为激活函数的隐藏层及softmax函数输出神经元，完成非线性二分类器，判断该呼吸片段的具体分类并输出预测结果；
[0019]
copd状态识别模块，用于对模式识别神经网络输出的片段预测结果进行后处理，从而对预测结果进行修正，输出的修正后的预测结果即为最终预测结果，后处理方式是：若copd发病片段数小于6，则将其修正为正常，即将所对应的各个片段的标签置为0；若相邻的两个copd发病片段之间的正常片段数小于4，则将正常片段修正为copd片段。
[0020]
本发明提出的识别装置是一种基于模式识别神经网络的口鼻气流信号copd识别装置，包括口鼻气流呼吸信号预处理模块、呼吸信号分解重构模块、呼吸信号分段预处理模块、模式识别神经网络模块和copd状态识别模块。首先对原始口鼻气流呼吸信号进行去噪、去除基线漂移等预处理；然后进行小波分解变换并进行信号的分解和重构；接下来删除口鼻气流呼吸信号中的失真信号并进行片段标签制作；最后构建模式识别神经网络对数据片段及对应标签进行copd的识别。仅依赖受试者本身的生理状态，受外界影响小，稳定性好。
附图说明
[0021]
图1：本发明装置结构图
[0022]
图2：本发明装置具体流程图
[0023]
图3：口鼻气流信号预处理前后对比图
[0024]
图4：正常口鼻气流信号和失真信号对比图
[0025]
图5：呼吸信号分解重构示意图
[0026]
图6：呼吸信号分解重构前后波形对比图
[0027]
图7：模式识别神经网络网络结构图
[0028]
图8：预测结果后处理示意图
具体实施方式
[0029]
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施方案进行详细描述。
[0030]
1、口鼻气流信号预处理模块
[0031]
在本发明实施例中，所述的数据是通过怡和嘉业瑞迈特双水平正压通气呼吸机采集，具体涉及型号为y-25t及y30t，共采集到100位被试者的呼吸机口鼻气流信号数据，其中50名为健康被试者，50名为copd患者。呼吸信号原始采样率为5hz，医生已标注出每位被试者的情况及对应状态。
[0032]
使用6点滑动平均值滤波器消除噪音，计算过程如公式(1)所示，然后采用截止频率为0.05hz的3阶iir巴特沃斯高通滤波器解决基线偏移问题，该滤波器的线性差分方程如公式(2)所示。
[0033][0034]
y(n)＝0.981x(n)-2.942x(n-1) 2.942x(n-2)-0.981x(n-3)-2.961y(n-1) 2.922y(n-2)-0.962y(n-3)
ꢀꢀꢀ
(2)
[0035]
2、呼吸信号分解重构模块
[0036]
对经过口鼻气流信号预处理模块后的呼吸信号进行信号的离散采样，得到x(z)，则呼吸信号的小波分解和重构可通过子带滤波的形式进行实现，如图5所示。
[0037]
信号分解的具体计算如公式(3)、公式(4)所示。
[0038]cj 1
(z)＝∑
m∈zcj
(m)
·
f0(m-2z)
ꢀꢀꢀ
(3)
[0039]dj 1
(z)＝∑
m∈zcj
(m)
·
f1(m-2z)
ꢀꢀꢀ
(4)
[0040]
离散信号的重构过程为：分解中得到的平均信号经过两个样本之间插入零值进行拉伸，为上采样过程，再经过低通滤波器得到信号在大尺度上、低分辨率的逼近信息，得到低通滤波器输出；分解中得到的细节信号经过样本之间插入零值进行拉伸，上采样过程后再通过高通滤波器，得到高通滤波器输出。然后通过对两者的相加即得到重构后的信号x(z)。信号重构的计算入公式(5)所示。
[0041]cj
(z)＝∑
m∈zcj 1
(m)
·
f0(z-2m) d
j 1
(m)
·
f1(z-2m)
ꢀꢀꢀ
(5)
[0042]
将原信号通过两个互补的滤波器产生的两个信号，通过计算dwt系数得到原始信号的近似细节，对离散信号完成分解和重构，具有良好的时频局部化性能，凸显信号的趋
势、间断点及自相似。
[0043]
3、呼吸信号分段预处理模块
[0044]
呼吸信号分段预处理模块的具体作用如下：
[0045]
第1步：根据呼吸信号分解重构模块处理得到的结果，删除因采集设备松动、脱落，患者翻身等原因造成传感器接触不良而导致的失真信号。
[0046]
第2步：使用窗宽10秒、步长1秒的滑动窗切割数据，形成每路长度为10s共计50个数据点的数据片段。然后，分别对应患者的发病情况事件作为该片段的标签。标签共分为两类，第一类为正常，设置为0；第二类为慢性阻塞性肺疾病事件(copd)，设置为1。
[0047]
4、模式识别神经网络模块
[0048]
将预处理后的10秒数据片段与对应标签输入模式识别神经网络，采用十折交叉验证法进行训练。其中正常数据片段为1,401,449段，copd事件片段为1,684,370段，数据量较为平衡。将采集到的3,085,819段数据随机分成十份，每次选取其中一份作为测试集，剩余九份作为训练集用于训练模型和调参，训练结束后更换下一份作为测试集，重复上述过程直到全部循环结束。
[0049]
模式识别神经网络中使用误差后向传播算法，正向传播求损失，反向传播回传误差。根据误差信号修正每层的权重与偏置，计算某一层的第j个单元，i和k分别为其前层和后层的单元，oj代表本层输出,netj为输入。第j个单元的输入和输出分别如公式(6)、公式(7)所示：
[0050]
netj＝∑iw
ij
oiꢀꢀꢀ
(6)
[0051]
oj＝f(netj)
ꢀꢀꢀ
(7)
[0052]
输出层误差如公式(8)所示：
[0053][0054]
将误差展开至隐层及输出层，如公式(9)、公式(10)所示：
[0055][0056][0057]
对于随机梯度下降算法，不断调整权重使误差减小，使连接权值沿误差的梯度变化方向减小，达到网络收敛，取权重变化如公式(11)、公式(12)所示：
[0058][0059]wjk
(t 1)＝w
jk
δw
jk
(t),w
ij
(t 1)＝w
ij
δw
ij
(t)
ꢀꢀꢀ
(12)
[0060]
其中k＝1,2,...,n3；j＝1,2,...,n2；i＝1,2,...,n1。
[0061]
对于输出层：
[0062][0063][0064]
[0065]
δw
jk
＝-η(-(d
k-ok))ok(1-ok)ojꢀꢀꢀ
(16)
[0066]
对于隐层：
[0067][0068][0069][0070][0071]
本发明采用的模式识别神经网络模型，由输入层、隐藏层、输出层组成，该模型具有一个两层的前馈网络，使用比例化共轭梯度反向传播法(trainscg)进行训练，通过带有sigmoid作为激活函数的隐藏层及softmax激活函数输出神经元，完成非线性二分类器。本发明中使用的神经网络隐藏层神经元个数为100。模型具体内容及参数如下：
[0072]
1)比例化共轭梯度反向传播法(trainscg)将模值信赖域算法与共轭梯度算法结合起来，相比于其他神经网络训练函数大大缩短了调整方向时搜索网络的时间，适用于超大规模数据量的模式识别分类训练。函数的梯度方向与函数增加速度最快的方向一致，沿函数负梯度方向下降最快，取负梯度方向作为下降算法的方向。共轭梯度算法方法简单、迭代所需工作量小、存储量小，同时结合比例化共轭算法，具有超线性收敛的有点，大大减少了网络训练所需的时间。
[0073]
2)输入层具备50个节点，分别对应单个数据片段的50个采样点；隐藏层经多次训练直到网络训练误差减少不明显且收敛速度减慢则停止增加隐藏层神经元节点数，本发明中隐藏层神经元节点数为100个；输出层为2个节点，分别对应正常片段和copd事件片段。
[0074]
5、copd状态识别模块
[0075]
模式识别神经网络输出的片段预测结果，由于存在一定比例的分类错误，加之片段的分类本身就割裂了完整呼吸异常事件的意义，因此分类结果其中有部分是不准确的，需要分类结果后处理对其进行修正，修正后的结果即为最终预测结果。
[0076]
步骤1：根据临床医学定义，copd为以气流受限为主要症状的慢性疾病，具有长期性和持续性。因此后处理算法定义若copd发病片段数小于6，即1分钟，则将其修正为正常，即将标签置为0当同种睡眠呼吸异常片段数小于10时，将其归为正常(标签置0)，原理图如图8所示。
[0077]
步骤2：若相邻的两个copd发病片段之间的正常片段数小于4，则将正常片段修正为copd片段。