申请/专利权人：大连市中心医院;大连理工大学

申请日：2023-08-01

公开（公告）日：2024-03-26

公开（公告）号：CN117064333B

主分类号：A61B5/00

分类号：A61B5/00;G16H50/70;G16H50/20;G06N3/0464;G06N3/047;G06N3/08;G06F18/2415

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2023.12.05#实质审查的生效;2023.11.17#公开

摘要：本发明属于医学信号处理技术领域，公开了一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置，包括网络训练模块和OSAHS初筛模块。相较于其他对正常人睡眠数据分析的研究，本发明旨在使用更少的信号导联，对OSAHS患者的PSG记录进行分析，为发展家庭或便携式OSAHS初筛提供计算支持和基础；此外，相较于现有单一任务的睡眠数据分析，本发明结合临床实际工作中多任务协同的实际，使用多任务深度学习方法，把与OSAHS诊断相关的几个任务联合起来，同时分析，促进算法的有效性，从而更精准的实现OSAHS的初步筛查。

主权项：1.一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置，其特征在于，该针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置包括网络训练模块和OSAHS初筛模块；网络训练模块中使用的数据库来源于国际睡眠研究数据库中的ABC睡眠数据库；网络训练模块包含信号预处理、网络设计以及模型的训练和权重的存储；具体步骤如下：1信号预处理；首先，从ABC睡眠数据库中的PSG记录中提取出中央区EEG信号、ECG信号、热敏信号和鼻压力气流信号，并从标签文件中提取出睡眠分期、觉醒分期以及觉醒检测三个事件；其次，对提取的信号进行重采样fs，之后对重采样后的信号进行每一帧为30s时间帧的分割；最后，将提取出的三个事件标签与每一帧信号对齐，形成MTL网络的训练样本，作为输入样本；2网络设计；MTL网络包括多尺度卷积模块、CCN-SE模块和特征融合模块；首先，将输入样本中每个模态的信号分别输入至多尺度卷积模块；多尺度卷积块包括大、中、小尺寸卷积核的一维积卷层；每个卷积层后分别跟随ReLU层和批归一化层；其中，大尺寸和中尺寸卷积核大小分别设置为fs和fs2，用来提取电生理信号随时间变化的频率信息；小尺寸卷积核大小为3，用来提取电生理信号不同时间点上的时域信息；若输入样本为I，多尺度卷积块从输入样本I中首先提取出底层初级特征，随后将三个不同尺寸卷积核提取出的特征进行拼接；这一过程如下公式所示：Bmax＝BNReLUConv1D64,fsIBmid＝BNReLUConv1D64,fs2IBmin＝BNReLUConv1D64,3IB＝ConcatBmax,Bmid,Bmin其中，Conv1Dm,n表示卷积核数为m，卷积核尺寸为n的一维卷积层；Bmax、Bmid和Bmin分别表示输入样本I经过多尺度卷积块中的大、中、小尺寸卷积层后形成的特征向量；BN代表批归一化层；Concat代表拼接层；B表示拼接后多尺度卷积块提取的特征；随后，把拼接后多尺度卷积块提取的特征B输入到CCN-SE模块中；CCN-SE模块主要由CCN1、CCN2和SE块组成；其中CCN块是由卷积核数为m，卷积核尺寸为n的一维卷积层Conv1Dm,n和Conv1Dm,1级联组成，n1；CCN1块中的所有卷积层的卷积核数为64，CCN2块中的所有卷积层的卷积核数为128；每个一维卷积层后跟随ReLU层；SE块由全局平均池化层和两个Conv1D层组成，全局平均池化层用来对CCN2块中提取的每个特征图进行降维；第一个Conv1D层的卷积核数小于CCN2的特征图数，以此对特征的维数降维；随后，设置第二个Conv1D层的卷积核数为CCN2块特征图数，对前一步的特征进行扩增；并将扩增后的特征图的特征值与CCN2块的特征图进行加权，得到SE块的输出；此外，由于使用四种不同模态的信号，不同的信号在分别流经多尺度卷积模块和CCN-SE模块后，使用特征融合模块使每个模态的特征进行融合；特征融合模块由transformer结构中使用的自注意力机制组成，对四个模态的特征信息按权重大小进行排序，使融合后的特征与任务紧密结合；最后，融合后的特征，经过三个分类层，分类层的激活函数均为Softmax，分别进行三个任务的分类；因网络的输出端包括三个任务的输出，且三个任务对OSAHS初筛结果的重要程度不同，故在输出端以呼吸事件检测为主任务，睡眠分期和觉醒检测为辅助任务，设计残差结构，用CCN-SE模块提取的特征信息和两个辅助任务的输出信息，得到主任务输出，以此同一个网络实现三个相关任务；3网络训练和权重存储基于步骤1生成的输入样本和步骤2构建的网络，进行网络训练；因三个任务都为多类别分类，故使用三个目标函数“categorical_crossentropy”对网络进行训练，其公式为： 其中，N为输出结果的数目，yi和分别是第i个训练样本的真实标签和预测标签；网络设置最大训练迭代次数为200，每次训练的最小批样本数为128；基于这些设置的参数，对目标函数进行优化训练；网络每次训练结束后，都会再从训练集中分割出的验证集上进行测试，最终，保留200次验证集测试中所得准确率最高次的网络权重；疾病初筛模块：OSAHS的初筛是由网络训练模块得到的权重计算出的；在网络的测试阶段，使用网络训练过程中存储的权重对测试样本进行测试，得到每个测试样本的睡眠分期、觉醒检测、呼吸事件检测结果；OSAHS的初筛需要计算每个输入PSG记录的AHI，AHI是由睡眠时间和呼吸事件频次计算得来的；睡眠时间根据睡眠分期的结果得来；觉醒检测的结果为测试样本提供因呼吸事件而导致的睡眠片段化的严重程度；AHI的值以5，15，30为临界点，将OSAHS分为轻度、中度、重度。

全文数据：

权利要求：

百度查询： 大连市中心医院;大连理工大学 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD