申请/专利权人：杭州电子科技大学

申请日：2020-12-23

公开（公告）日：2024-04-16

公开（公告）号：CN112633167B

主分类号：G06F18/213

分类号：G06F18/213;G06F18/24;G06F18/2431;G16H50/70

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.04.27#实质审查的生效;2021.04.09#公开

摘要：本发明公开一种基于SaO2信号多种基线特征的自动识别SAHS方法，包括步骤：S1、采集SHHS数据库中的SaO2信号，并对SaO2信号进行预处理；S2、提取多种基本数据特征，并筛选出最优特征；S3、提取多种自定义基线相关特征并与最优特征合并成特征数据集；S4、依据SHHS数据库中提取数据对应的注释文件，计算AHI值，根据AHI值对特征数据集进行分类，选取随机平衡数据法对不平衡数据集进行处理，得到平衡数据集；S5、将平衡数据集作为随机森林分类器的输入，对数据集进行训练和测试，得到最终分类结果。本发明更好地体现SaO2信号变化情况，受试者患病严重程度通过基线相关特征有更好体现；通过随机平衡数据法合并成完整平衡数据集，保证数据随机性，使最终分类结果更准确。

主权项：1.一种基于SaO2信号多种基线特征的自动识别SAHS方法，其特征在于，包括步骤：S1、采集SHHS数据库中SHHS1部分的前X个受试者睡眠多导图中的SaO2信号，选用最近赋值法对SaO2信号进行去伪影处理，获取预处理后的SaO2信号；S2、对预处理后的SaO2信号进行分段处理，提取时域特征、频域特征和非线性特征，选用mRMR方法对提取的特征进行处理，并筛选出最优特征；S3、对预处理后的SaO2信号进行分段处理，并自定义每片段数据基线值，提取多种与基线相关特征，即基线过零率特征、SaO2信号下降至基线预设百分比以下的长度及面积特征，并与步骤S2中所获取的最优特征合并成特征数据集；S4、依据SHHS数据库中提取数据对应的注释文件，计算AHI值，根据AHI值对特征数据集进行分类，选取随机平衡数据法对不平衡数据集进行处理，得到平衡数据集；S5、将平衡数据集作为随机森林分类器的输入，对数据集进行训练和测试，得到最终分类结果；步骤S1具体包括：S1.1、采集SHHS数据库中SHHS1部分的前1000个首个数据非零受试者的SaO2信号，并提取每位受试者前16000个采样点；S2.2、选用最近赋值法对已提取数据进行去零电平伪影处理，以获取预处理后的SaO2信号，处理方式如下： 其中，n为零电平伪影所对应采样点数值，wn为原始信号数据，xn为预处理之后信号数据；步骤S2中：时域特征包括SaO2信号的平均值、方差、能量、均方根；一阶求导的最大值、均值、中值、标准差；二阶求导的最大值、均值、中值、标准差，峰值系数、波形系数特征；频域特征包括信号频谱、能量谱、功率谱、小波能量、小波系数、平均频率、重心频率、频率均方根、频率标准差特征；非线性特征包括各片段间的自相关系数、信号波动频率特征；步骤S2中，所述选用mRMR方法对提取的特征进行处理，并筛选出最优特征，具体为：给定两个随机连续变量x和y，它们的概率密度函数为px、py、px,y，则互信息为： DS,c表示特征集S与类c的相关性，由各个特征fi和类c之间的所有互信息值的平均值定义如下： RS表示集合S中所有特征的冗余性，由特征fi和fj之间的所有互信息值的平均值定义如下： mRMR标准为两种措施的组合，即相关性和冗余性的trade-off，定义如下： 并选用mRMR方法筛选出具有最大相关性、最小冗余性特征。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于SaO₂信号多种基线特征的自动识别SAHS方法

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