本發(fā)明涉及卷積神經(jīng)網(wǎng)絡(luò)，尤其涉及一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的阻塞性睡眠呼吸暫停檢測(cè)方法、系統(tǒng)、存儲(chǔ)介質(zhì)和電子設(shè)備。

背景技術(shù)：

1、目前，睡眠呼吸暫停(sa)是常見的睡眠相關(guān)呼吸障礙之一，包括阻塞性睡眠呼吸暫停(osa)和中樞性睡眠呼吸暫停(csa)。osa主要是由于睡眠期間上氣道反復(fù)部分或完全塌陷，導(dǎo)致氣流減少和睡眠中斷。在合同中，csa是由于睡眠期間缺乏呼吸驅(qū)動(dòng)而導(dǎo)致的通風(fēng)不足和氣體交換受損造成的。osa還與低氧血癥和交感神經(jīng)系統(tǒng)活動(dòng)增加有關(guān)。研究表明，osa會(huì)導(dǎo)致高血壓、心血管和腦血管疾病等問題。因此，早期發(fā)現(xiàn)osa對(duì)于減少其他相關(guān)疾病的發(fā)作非常重要。

2、在基于實(shí)驗(yàn)室的睡眠研究中，多導(dǎo)睡眠圖(psg)被認(rèn)為是診斷osa的金標(biāo)準(zhǔn)。psg使用腦電圖、心電圖、眼電圖、肌電圖、脈搏血氧飽和度和氣流測(cè)量來檢查睡眠和呼吸參數(shù)作為診斷標(biāo)準(zhǔn)。psg可以提供有關(guān)睡眠結(jié)構(gòu)、持續(xù)時(shí)間和質(zhì)量的詳細(xì)信息，診斷準(zhǔn)確性高。然而，在現(xiàn)實(shí)生活中，psg設(shè)備需要大量的連接器來記錄數(shù)據(jù)，并在實(shí)驗(yàn)室對(duì)受試者測(cè)量睡眠，這可能會(huì)影響睡眠，進(jìn)而影響osa的檢測(cè)。此外，psg昂貴、耗時(shí)且不切實(shí)際。因此，有必要提供一種替代方法，用于osa的早期診斷和檢測(cè)，同時(shí)提高患者的便利性并降低成本。

3、近年來，一些研究人員提出了使用簡(jiǎn)單方式檢測(cè)osa的方法，例如血氧通道、心電圖通道、腦電圖通道等。雖然脈搏血氧儀可以通過簡(jiǎn)單的數(shù)據(jù)處理輕松收集血氧，但它們只能顯示血氧飽和度(spo2)水平，無法提供有關(guān)睡眠呼吸暫停的詳細(xì)信息或區(qū)分csa和osa。其中，心電圖是檢測(cè)osa最常用的信號(hào)之一。心電圖信號(hào)可以準(zhǔn)確檢測(cè)心臟的細(xì)微變化，例如心率變異性(hrv)和r-r間期，這些變化在睡眠呼吸暫停事件中尤為明顯。因此，使用心電圖信號(hào)研究阻塞性睡眠呼吸暫停綜合征具有重要性和現(xiàn)實(shí)意義。這可以為病情及其對(duì)心臟健康和睡眠質(zhì)量的影響提供有價(jià)值的見解。

4、上面所述單任務(wù)學(xué)習(xí)方法的性能不盡如人意，因此需要多任務(wù)特征融合。一些方法使用基于無監(jiān)督特征學(xué)習(xí)和有監(jiān)督特征學(xué)習(xí)相結(jié)合的多任務(wù)學(xué)習(xí)方法來提高網(wǎng)絡(luò)的特征提取性能。一些方法采用多尺度殘差網(wǎng)絡(luò)從原始信號(hào)中提取特征，從各個(gè)角度獲得敏感特征。其他一些方法利用具有多個(gè)時(shí)空塊的端到端時(shí)空學(xué)習(xí)，每個(gè)時(shí)空塊都有多層。但是，這些深度學(xué)習(xí)模型仍然存在一些缺點(diǎn)。它們的特征選擇和特征提取功能限制了osa檢測(cè)性能。此外，這些模型通常使用統(tǒng)一的網(wǎng)絡(luò)架構(gòu)進(jìn)行特征提取，忽略了為不同尺度的分段設(shè)計(jì)專門的深度學(xué)習(xí)模型的需求，從而限制了模型適應(yīng)不同尺度的能力。這些缺陷可能會(huì)導(dǎo)致特征提取的全面性受到限制，并進(jìn)一步提高檢測(cè)性能。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的阻塞性睡眠呼吸暫停檢測(cè)方法、系統(tǒng)、存儲(chǔ)介質(zhì)和電子設(shè)備，能夠動(dòng)態(tài)關(guān)注不同ecg信號(hào)片段和神經(jīng)網(wǎng)絡(luò)通道的重要性，有效增強(qiáng)特征提取能力，最終實(shí)現(xiàn)優(yōu)異的osa檢測(cè)性能。

2、本發(fā)明采用的技術(shù)方案為：

3、一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的阻塞性睡眠呼吸暫停檢測(cè)方法，包括如下步驟：

4、步驟1：加載ecg數(shù)據(jù)，所述的ecg數(shù)據(jù)中每條記錄包括一個(gè)連續(xù)的數(shù)字化心電信號(hào)、一組呼吸暫停注釋和一組機(jī)器生成的qrs注釋；

5、步驟2：對(duì)ecg數(shù)據(jù)進(jìn)行預(yù)處理：首先剔除未標(biāo)記片段，然后截取片段并去除噪聲，得到時(shí)間長(zhǎng)為t1分鐘的片段；

6、步驟3：對(duì)上一步得到的片段分別進(jìn)行檢測(cè)r峰、p峰的位置，并確定p-r間期；

7、步驟4：使用歐幾里得距離分別計(jì)算每個(gè)片段內(nèi)各個(gè)p-r間期之間的最大距離xmax和最小距離xmin，得到每個(gè)片段對(duì)應(yīng)的二維距離數(shù)組；

8、步驟5：將每個(gè)片段中間部分通過采樣截取為t2分鐘的片段，再在t2分鐘分段的中間進(jìn)一步截取出t3分鐘片段，其中t3<t2<t1；

9、步驟6：構(gòu)建3種不同的cnn模型以適應(yīng)不同時(shí)間尺度的特征提取需求，將步驟5中截取的3種不同時(shí)長(zhǎng)的ecg片段的xmax和xmin分別輸入到3種cnn模型中進(jìn)行調(diào)整提取，得到對(duì)應(yīng)的卷積特征圖；

10、步驟7：對(duì)每個(gè)cnn模型輸出的卷積特征圖進(jìn)行優(yōu)化，通過殘差注意力模塊強(qiáng)化特征中的重要信息，使每個(gè)cnn模型更好地捕捉局部和全局特征；

11、步驟8：將經(jīng)過殘差注意力輸出的3個(gè)注意力加權(quán)特征圖整合在一起，應(yīng)用通道注意力模塊進(jìn)一步對(duì)各個(gè)通道的特征進(jìn)行加權(quán)處理，以優(yōu)化整體模型對(duì)關(guān)鍵特征的關(guān)注能力。

12、步驟9：將經(jīng)過通道注意力輸出的加權(quán)特征圖通過全連接層進(jìn)行最終的分類輸出，預(yù)測(cè)是否存在阻塞性睡眠呼吸暫停osa。

13、所述的步驟2具體包括如下步驟：首先，刪除了一些未標(biāo)記的片段；然后在心電記錄中選擇標(biāo)簽對(duì)應(yīng)的1分鐘片段作為參考，并提取標(biāo)簽片段前后的2分鐘信號(hào)片段，形成總長(zhǎng)度為5分鐘，即t1＝5min；最后，使用有限脈沖響應(yīng)fir濾波器將信號(hào)頻率范圍限制在3～45hz以去除噪聲。

14、所述的步驟3具體使用hamilton算法來檢測(cè)r峰值并刪除位于信號(hào)段開始或結(jié)束附近的那些信號(hào)段，具體的，如果5分鐘信號(hào)段中的r峰值數(shù)小于40或大于200，則說明噪聲嚴(yán)重干擾了該段，我們直接丟棄該段；根據(jù)處理后的數(shù)據(jù)，我們確定p波位置和p-r間期；p波出現(xiàn)在r峰之前，因此p波位于每個(gè)r峰之前的窗口中；通過定位p峰的位置可以定位出每個(gè)線段的p-r區(qū)間。

15、所述的步驟4具體包括如下步驟：

16、通過定位每個(gè)線段內(nèi)的p-r區(qū)間，構(gòu)建出一個(gè)從p峰開始長(zhǎng)度為m個(gè)采樣點(diǎn)的時(shí)間序列am，如式(1)所示：

17、

18、在公式(1)中，表示時(shí)間序列的一個(gè)子序列，定義為長(zhǎng)度為m個(gè)樣本的連續(xù)片段；接著根據(jù)am定義ecg信號(hào)的距離剖面矩陣d，其表示每對(duì)時(shí)間序列之間距離的分布關(guān)系，如式(2)所示：

19、

20、其中表示兩個(gè)子序列和之間的歐幾里得距離，矩陣d的每一列中的最小值xmin和最大值xmax派生為模型的輸入段，表示為[xmin，xmax]；

21、將xmin和xmax歸一化在[0，1]范圍內(nèi)，根據(jù)式(3)進(jìn)行歸一化；x表示所有xmax或xmin的集合；在5分鐘分段中，min(x)表示集合x中的最小值，max(x)表示集合x中的最大值；

22、

23、所述的步驟5具體包括如下步驟：t1＝5min，t2＝3min，t3＝1min；則：

24、對(duì)于每個(gè)5分鐘的分段，我們?cè)谄沃虚g截取第181-720一共540個(gè)采樣點(diǎn)以生成3分鐘分段，然后在3分鐘分段的中間進(jìn)一步截取第361-720一共180個(gè)采樣點(diǎn)以生成1分鐘分段。

25、所述的步驟6中具體采用三種不同的卷積神經(jīng)網(wǎng)絡(luò)cnn-1、cnn-2和cnn-3，構(gòu)成了多尺度cnn結(jié)構(gòu)；所述的多尺度cnn結(jié)構(gòu)基于alexnet的框架進(jìn)行改進(jìn)，alexnet有5個(gè)卷積層、3個(gè)最大池化層、2個(gè)歸一化層、2個(gè)全連接層和softmax層；每個(gè)卷積層都有一個(gè)relu激活函數(shù)，它不會(huì)將負(fù)輸入的梯度設(shè)置為零，解決了“神經(jīng)元死亡”的問題并有助于維持梯度流；所述的非線性的leaky?relu激活函數(shù)表示為式(6)和(7)；

26、

27、其中w1和b1表示共享全連接層的權(quán)重和偏差，σ1表示relu激活函數(shù)，zavg表示第d個(gè)特征維度上所有時(shí)間步長(zhǎng)數(shù)據(jù)的平均值，zmax表示每個(gè)特征d在時(shí)間步長(zhǎng)范圍內(nèi)的最大值。

28、所述的步驟6中不同cnn之間對(duì)卷積層的配置、濾波器數(shù)量及池化策略進(jìn)行了相應(yīng)調(diào)整：cnn-1處理持續(xù)時(shí)間為5分鐘的增強(qiáng)片段，有5個(gè)卷積層，每一層都由一維卷積、批量歸一化、leaky?relu激活函數(shù)和最大池化組成，但第四層不包括最大池化；

29、cnn-2處理持續(xù)時(shí)間為3分鐘的增強(qiáng)片段，也有5個(gè)卷積層。但由于輸入長(zhǎng)度與cnn-1不同，因此刪除了第三層中的最大池化，以確保輸出特征圖具有相同的形狀；此外，為了適應(yīng)3分鐘的片段，我們修改了一維卷積濾波器的數(shù)量和卷積核的大小，以簡(jiǎn)化模型；

30、cnn-3處理持續(xù)時(shí)間為1分鐘的增強(qiáng)片段：由于1分鐘分段攜帶的數(shù)據(jù)比3分鐘和5分鐘分段少，因此我們僅使用cnn-2模型的前三個(gè)層，進(jìn)一步簡(jiǎn)化了模型以適應(yīng)1分鐘分段，以確保不同時(shí)間尺度的特征能夠在融合時(shí)保持一致性，最后將3種尺度片段中的xmax和xmin分別輸入到3種cnn模型中。

31、基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的阻塞性睡眠呼吸暫停檢測(cè)系統(tǒng)，包括：

32、(1)ecg數(shù)據(jù)預(yù)處理模塊，用于對(duì)原始ecg信號(hào)進(jìn)行濾波和標(biāo)準(zhǔn)化處理，以去除噪聲并規(guī)范數(shù)據(jù)格式；

33、(2)p-r間期確定模塊，用于檢測(cè)ecg信號(hào)中的p波和r波的位置，并計(jì)算p-r間期；

34、(3)片段截取模塊，用于將ecg信號(hào)按時(shí)間窗口劃分為固定長(zhǎng)度的片段；每個(gè)片段對(duì)應(yīng)5分鐘的信號(hào)，由900個(gè)采樣點(diǎn)組成；在片段劃分時(shí)，按照前2分鐘、標(biāo)注區(qū)1分鐘、后2分鐘的結(jié)構(gòu)進(jìn)行截取；

35、(3)距離計(jì)算模塊，用于計(jì)算ecg信號(hào)中時(shí)間序列片段之間的歐幾里得距離，用于量化不同心電圖模式的相似性；

36、(4)特征提取模塊，基于三種不同時(shí)間尺度的cnn模型提取多尺度特征；模型在不同尺度下捕捉時(shí)間序列信號(hào)的局部和全局特征，以增強(qiáng)模型對(duì)時(shí)間相關(guān)性的表達(dá)能力；卷積優(yōu)化模塊，通過多層卷積操作提取高級(jí)特征，同時(shí)結(jié)合批歸一化batchnorm、leakyrelu激活、最大池化maxpooling和dropout層，優(yōu)化模型的表達(dá)能力并防止過擬合；

37、(5)殘差注意力模塊，用于通過殘差連接與注意力機(jī)制相結(jié)合，增強(qiáng)模型對(duì)ecg信號(hào)關(guān)鍵特征的關(guān)注能力，同時(shí)保留原始特征信息；

38、(6)通道注意力模塊，用于對(duì)多通道ecg特征圖施加通道權(quán)重，自動(dòng)分配不同通道的注意力權(quán)重，增強(qiáng)對(duì)關(guān)鍵通道的關(guān)注度；特征融合判斷模塊，用于將三種時(shí)間尺度cnn模型提取的多尺度特征進(jìn)行融合，并判斷最終輸出。

39、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述的計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，使所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行所述的基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的阻塞性睡眠呼吸暫停檢測(cè)方法。

40、一種電子設(shè)備，包括：存儲(chǔ)器和處理器，所述存儲(chǔ)器上存儲(chǔ)有可在所述處理器上運(yùn)行的程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)所述的基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的阻塞性睡眠呼吸暫停檢測(cè)方法。

41、本發(fā)明通過構(gòu)建了一個(gè)多尺度卷積神經(jīng)網(wǎng)絡(luò)(cnn)模型來檢測(cè)osa；該模型采用三種不同的cnn結(jié)構(gòu)，用于處理具有不同時(shí)間長(zhǎng)度片段的ecg信號(hào)。通過并行處理不同時(shí)間尺度的ecg信號(hào)片段，模型能夠同時(shí)捕捉局部細(xì)節(jié)和全局趨勢(shì)，顯著提升特征表征能力。同時(shí)，該模型還結(jié)合了殘差注意力和通道注意力來解決梯度消失和爆炸問題，以識(shí)別和關(guān)注ecg信號(hào)的關(guān)鍵特征，本發(fā)明通過利用多尺度卷積神經(jīng)網(wǎng)絡(luò)來處理不同時(shí)間尺度的數(shù)據(jù)片段，充分利用了長(zhǎng)期和短期片段的互補(bǔ)優(yōu)勢(shì)。此外，我們提出的模型引入殘差注意力和通道注意力，通過整合來自相鄰心電圖段的時(shí)間信息來提高模型的檢測(cè)性能，而且本技術(shù)在包括apnea-ecg和ucd在內(nèi)的公共數(shù)據(jù)集上進(jìn)行的廣泛實(shí)驗(yàn)驗(yàn)證了模型的性能，為osa的自動(dòng)篩查提供了一種高效、可靠的解決方案，具有重要的臨床實(shí)用價(jià)值。