CN109394188B - 一种基于心率变异性的呼吸异常检测方法、装置及设备 - Google Patents
一种基于心率变异性的呼吸异常检测方法、装置及设备 Download PDFInfo
- Publication number
- CN109394188B CN109394188B CN201811429914.4A CN201811429914A CN109394188B CN 109394188 B CN109394188 B CN 109394188B CN 201811429914 A CN201811429914 A CN 201811429914A CN 109394188 B CN109394188 B CN 109394188B
- Authority
- CN
- China
- Prior art keywords
- sequence
- heart rate
- slope
- rate variability
- trend
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000000241 respiratory effect Effects 0.000 title description 2
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 208000024584 respiratory abnormality Diseases 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000007619 statistical method Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 4
- 206010006334 Breathing abnormalities Diseases 0.000 claims 1
- 208000008784 apnea Diseases 0.000 abstract description 12
- 238000012300 Sequence Analysis Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 201000002859 sleep apnea Diseases 0.000 description 3
- 206010021143 Hypoxia Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000007954 hypoxia Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000422 nocturnal effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000023504 respiratory system disease Diseases 0.000 description 2
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- 206010020591 Hypercapnia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 210000000467 autonomic pathway Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000001797 obstructive sleep apnea Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/024—Measuring pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Measuring devices for evaluating the respiratory organs
- A61B5/0826—Detecting or evaluating apnoea events
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Pulmonology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了基于心率变异性的呼吸异常检测方法、装置及设备，方法包括：采集受试者处于夜间睡眠状态的第一预定时间的心电信号；对采集到的心电信号提取心跳间期构成心率变异性序列，并将心率变异性序列的每一等级随机分成等量的两组；对所述心率变异性序列截取连续第二预定时间片段序列并对其进行两个特征参数的提取；对训练组的两个特征参数进行统计分析，将提取的两个特征参数作为输入，建立基于神经网络的呼吸异常检测模型；将测试组对应的两个特征参数输入所述呼吸异常检测模型模型，以对所述受试者进行呼吸异常检测评估。本发明通过无创采集的人体心电信号实现利用心率变异性序列分析技术来分析呼吸暂停，运算简单，适用性好。
Description
技术领域
本发明涉及呼吸检测领域，具体涉及一种基于心率变异性的呼吸异常检测方法、装置及设备。
背景技术
睡眠呼吸暂停综合征(sleep apnea syndrome)是一种比较常见的睡眠呼吸疾病，临床表现有夜间睡眠打鼾伴呼吸暂停和白天嗜睡。由于呼吸暂停引起反复发作的夜间低氧和高碳酸血症，可导致高血压，冠心病，糖尿病和脑血管疾病等并发症及交通事故，甚至出现夜间猝死。在目前临床诊断中，多导睡眠图监测仪(PSG)是诊断OSAHS最重要的方法，它不仅可判断疾病严重程度，还可全面评估患者的睡眠结构，睡眠中呼吸暂停，低氧情况，以及心电、血压的变化。但是其监测耗时长不易穿戴且价格较为高昂，因此对不便于对全部范围的普及。
发明内容
本发明的目的在于针对上述存在问题和不足，提供一种基于心率变异性的呼吸异常检测方法、装置及设备，能够在夜间睡眠状态下采集患者的心电信号，寻找每次心跳的R峰位置并提取心跳间期(RR间期)构成HRV序列，提取其特征参数构成特征向量，然后通过分类器由训练组建立呼吸异常检测模型，并用此模型实现呼吸异常检测。
本发明的技术方案是这样实现的：
一种基于心率变异性的呼吸异常检测方法，包括以下步骤：
S1，采集受试者处于夜间睡眠状态的第一预定时间的心电信号；
S2，对采集到的心电信号提取心跳间期构成心率变异性序列{RRi,i＝1,2,…N}，并将心率变异性序列的每一等级随机分成等量的两组，分别作为训练组和测试组；
S3，对所述心率变异性序列截取连续第二预定时间片段序列并对其进行两个特征参数的提取；
S4，对训练组的两个特征参数进行统计分析，将提取的两个特征参数作为输入，建立基于神经网络的呼吸异常检测模型；
S5，将测试组对应的两个特征参数输入所述呼吸异常检测模型模型，以对所述受试者进行呼吸异常检测评估。
优选地，所述特征参数包括第一个特征参数以及第二个特征参数：其中，
第一个特征参数的提取步骤为：
对心率变异性序列{RRi,i＝1,2,…N}按5分钟分段后计算趋势构成序列{trendi,i＝1,2,…M}；
计算趋势构成序列{trendi,i＝1,2,…M}的斜率构成斜率序列{slopei,i＝1,2,…M}；
计算斜率序列的均值获得趋势斜率均值slope，即获得第一个特征参数；
第二个特征参数的提取步骤为：
对心率变异性序列{RRi,i＝1,2,…N}按5分钟分段后计算趋势构成序列{trendi,i＝1,2,…M}；
计算趋势构成序列{trendi,i＝1,2,…M}的斜率构成斜率序列{slopei,i＝1,2,…M}；
计算斜率序列的模糊熵获得第二个特征参数fuzzysl。
优选地，所述第二个特征参数的提取步骤具体为：
对心率变异性序列{RRi,i＝1,2,…N}按5分钟时间长度分段，得到分段矩阵序列{RRi,j,i＝1,2,…M；j＝1,2,…N}，该分段矩阵序列每一行是一个5分钟的RR间期值；
计算{RRi,j,i＝1,2,…M；j＝1,2,…N}每行的趋势值，构成序列{trendi，j,i＝1,2,…M；j＝1,2,…N}，并计算趋势序列每行的斜率，构成斜率矩阵{slopei，j,i＝1,2,…M；j＝1,2,…N}；
将斜率矩阵序列化并求其斜率的均值，构成一维序列，计算该一维序列的模糊熵，即为fuzzysl。
优选地，步骤S4具体为：
根据训练组样本的两个特征参数构建2-N-1三层的神经网络，即输入层为2个神经元，输出层为1个神经元，中间层为N个神经元；所述输入层的2个神经元为：趋势斜率均值slope、趋势斜率模糊熵fuzzysl，建立呼吸异常检测模型。
优选地，步骤S5中：
基于呼吸异常检测模型获得的呼吸异常检测结果由分类器SVM输出，且分类器SVM的输出标签值“0，1,2”分别代表所述受试者的呼吸异常状态，且用于对应不同的呼吸异常疾病程度及突发事件发生概率:“0”代表没有发生呼吸暂停，突发事件发生概率极低；“1”代表发生轻度或中度呼吸暂停，突发事件发生概率低；“2”代表发生重度呼吸暂停，突发事件发生概率高。
优选地，所述第一预定时间为6小时，所述第二预定时间为5分钟。
本发明实施例还提供了一种基于心率变异性的呼吸异常检测装置，包括：
心电信号采集单元，用于采集受试者处于夜间睡眠状态的第一预定时间的心电信号；
分组单元，用于对采集到的心电信号提取心跳间期构成心率变异性序列{RRi,i＝1,2,…N}，并将心率变异性序列的每一等级随机分成等量的两组，分别作为训练组和测试组；
特征参数提取单元，用于对所述心率变异性序列截取连续第二预定时间片段序列并对其进行两个特征参数的提取；
模型建立单元，用于对训练组的两个特征参数进行统计分析，将提取的两个特征参数作为输入，建立基于神经网络的呼吸异常检测模型；
评估单元，用于将测试组对应的两个特征参数输入所述呼吸异常检测模型模型，以对所述受试者进行呼吸异常检测评估。
本发明实施例还提供了一种基于心率变异性的呼吸异常检测设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如上述的基于心率变异性的呼吸异常检测方法。
本发明实施例采用了对特征参数进行数学统计分析的方法用于构建基于心率变异性的呼吸异常检测模型。由于检测模型是根据特征参数的统计分析获得的，因此可以构建一个具有显著性差异的模型来实现对于呼吸异常的检测，且输出标签值“0，1,2”分别代表所述被检测患者没有发生呼吸暂停，发生轻度或中度呼吸暂停，发生重度呼吸暂停等三种呼吸异常状态。同时，本发明中的两个特征参数不对HRV序列作平稳性假设，因此本发明只需采集患者夜间睡眠6小时的心电信号。同时，由于本发明设计的运算较为简单，因此在实现方面较为可行。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于心率变异性的呼吸异常检测方法的流程示意图。
图2是本发明实施例提供的实验流程框图。
图3(a)-图3(c)是本发明实施例提供的三种不同呼吸状态的HRV波形信号。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-图2所示，本发明实施例提供的基于心率变异性的呼吸异常检测方法，包括以下步骤：
S1、采集受试者处于夜间睡眠状态的第一预定时间的心电信号(ECG)。
其中，所述第一预定时间优选为6个小时，但不限于此。
S2，对采集到的心电信号提取心跳间期构成心率变异性序列{RRi,i＝1,2,…N}，并将心率变异性序列的每一等级随机分成等量的两组，分别作为训练组和测试组。
其中，对采集到的心电信号(ECG)逐拍提取R峰峰值计算R-R间期获取心率变异性(HRV)序列{RRi,i＝1,2,…N}。
S3，对所述心率变异性序列截取连续第二预定时间片段序列并对其进行特征参数的提取。
其中，提取的第一个特征参数为：趋势斜率均值slope、提取的第二个特征参数为：趋势斜率模糊熵fuzzysl。
具体地，趋势斜率slope的计算过程为：
a1、对心率变异性序列{RRi,i＝1,2,…N}按5分钟时间长度分段，得到分段矩阵序列{RRi,j,i＝1,2,…M；j＝1,2,…N}，该分段矩阵序列每一行是一个5分钟时段内的RR间期值；
a2、对序列{RRi,j,i＝1,2,…M；j＝1,2,…N}进行重构为一系列非重叠的时长为T/2的子序列Y(y1,y2,…,yj),j＝1,2,…M；yj为子序列，M为子序列的个数。
a3、对重构的子序列Y，将Y减去Y的上下包络线的均值m1，得到的h1(h1＝Y-m1)作为新的输入重复n次，得到h1n(h1n＝h1(n-1)-m1n)作为第一个IMF值，且n满足条件：
对于输入Y，计算公式为：
即可求得趋势序列。
a4、对趋势序列使用线性回归模型方法计算得到趋势序列的斜率，从而得到斜率序列{slopei，j,i＝1,2,…M；j＝1,2,…N}；
a5、对斜率序列化为slope＝{k11,k21,k22,…kij,i＝1:M,j＝1:min(i,M-i)}，并对其求均值：
从而得到第一个特征趋势斜率均值slope。
其中，第二个特征参数趋势斜率的模糊熵fuzzysl的计算过程为：
b1、对心率变异性序列{RRi,i＝1,2,…N}按按上述方法可得到斜率序列slope＝{K11,K21,K22,…Kij,i＝1:M,j＝1:min(i,M-i)}；
b2、计算斜率序列的模糊熵：
将斜率序列slope＝{k11,k21,k22,…kij,i＝1:M,j＝1:min(i,M-i)}用相空间重构为
其中，m是嵌入维度。
相邻向量
和
的相似度
由模糊元函数决定：
其中
为相邻向量
和
的最大绝对差值；
斜率趋势的模糊熵可定义为：
其中：
即可得到第二个特征趋势斜率的模糊熵fuzzysl。
S4，对训练组的两个特征参数进行统计分析，将提取的两个特征参数作为输入，建立基于神经网络的呼吸异常检测模型。
具体地，根据训练组的两个特征参数构建2-N-1三层的神经网络，即输入层为2个神经元，输出层为1个神经元，中间层为N个神经元；所述输入层的2个神经元为：趋势斜率均值slope、趋势斜率模糊熵fuzzysl，建立呼吸异常检测模型。
S5，将测试组对应的两个特征参数输入所述呼吸异常检测模型模型，以对所述受试者进行呼吸异常检测评估。
其中，基于呼吸异常检测模型获得的呼吸异常检测结果由分类器SVM输出，且分类器SVM的输出标签值“0，1,2”分别代表所述受试者的呼吸异常状态，且用于对应不同的呼吸异常疾病程度及突发事件发生概率:“0”代表没有发生呼吸暂停，突发事件发生概率极低(如图3(a)所示的HRV波形)；“1”代表发生轻度或中度呼吸暂停，突发事件发生概率低(如图3(b)所示的HRV波形)；“2”代表发生重度呼吸暂停，突发事件发生概率高(如图3(c)所示的HRV波形)。
本发明实施例中，特征参数提取包括趋势斜率slope和趋势斜率的模糊熵fuzzysl。基于心率变异性评估呼吸异常，实际就是关注自主神经，即一个典型的多输入的非线性系统。因此不仅要关注其随时间的微小波动状况，同时也要注意其非线性的复杂度的特性。在以往的研究中，熵指标在不同程度的呼吸异常患者间存在较显著差异，在本发明中，对数据作了分时段平均处理，加强了差异性。对于呼吸异常的检测结果，可以作为患者突发事件发生概率的辅助指标，对分析自主神经系统功能、检测睡眠呼吸事件等也具有极大的帮助。
本发明中的两个特征参数不对HRV序列作平稳性假设，因此本发明无需整夜多导睡眠检测仪检测，只需采集夜间睡眠6小时心电信号，即可应用本发明的方法。同时，因为本发明设计的运算较为简单，分类器常见，所以在实现方面较为可行。
本发明第二实施例提供了一种基于心率变异性的呼吸异常检测装置，包括：
心电信号采集单元，用于采集受试者处于夜间睡眠状态的第一预定时间的心电信号；
分组单元，用于对采集到的心电信号提取心跳间期构成心率变异性序列{RRi,i＝1,2,…N}，并将心率变异性序列的每一等级随机分成等量的两组，分别作为训练组和测试组；
特征参数提取单元，用于对所述心率变异性序列截取连续第二预定时间片段序列并对其进行两个特征参数的提取；
模型建立单元，用于对训练组的两个特征参数进行统计分析，将提取的两个特征参数作为输入，建立基于神经网络的呼吸异常检测模型；
评估单元，用于将测试组对应的两个特征参数输入所述呼吸异常检测模型模型，以对所述受试者进行呼吸异常检测评估。
本发明第三实施例提供了一种基于心率变异性的呼吸异常检测设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如上述的基于心率变异性的呼吸异常检测方法。
本发明第四实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于心率变异性的呼吸异常检测方法。
示例性的，所述计算机程序可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在基于心率变异性的呼吸异常检测设备中的执行过程。
所述基于心率变异性的呼吸异常检测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器集群等计算设备。所述基于心率变异性的呼吸异常检测设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于心率变异性的呼吸异常检测设备的示例，并不构成对基于心率变异性的呼吸异常检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于心率变异性的呼吸异常检测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述基于心率变异性的呼吸异常检测设备的控制中心，利用各种接口和线路连接整个基于心率变异性的呼吸异常检测设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于心率变异性的呼吸异常检测设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于心率变异性的呼吸异常检测设备集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种基于心率变异性的呼吸异常检测方法，其特征在于，包括以下步骤：
S1，采集受试者处于夜间睡眠状态的第一预定时间的心电信号；
S2，对采集到的心电信号提取心跳间期构成心率变异性序列{RRi,i＝1,2,…N}，并将心率变异性序列的每一等级随机分成等量的两组，分别作为训练组和测试组；
S3，对所述心率变异性序列截取连续第二预定时间片段序列并对其进行两个特征参数的提取；所述特征参数包括第一个特征参数以及第二个特征参数：其中，
第一个特征参数的提取步骤为：
对心率变异性序列{RRi,i＝1,2,…N}按5分钟分段后计算趋势序列{trendi,i＝1,2,…M}；
计算趋势序列{trendi,i＝1,2,…M}的斜率构成斜率序列{slopei,i＝1,2,…M}；
计算斜率序列的均值获得趋势斜率均值slope，即获得第一个特征参数；
第二个特征参数的提取步骤为：
对心率变异性序列{RRi,i＝1,2,…N}按5分钟分段后计算趋势构成序列{trendi,i＝1,2,…M}；
计算趋势构成序列{trendi,i＝1,2,…M}的斜率构成斜率序列{slopei,i＝1,2,…M}；
计算斜率序列的模糊熵获得第二个特征参数fuzzysl；
S4，对训练组的两个特征参数进行统计分析，将提取的两个特征参数作为输入，建立基于神经网络的呼吸异常检测模型；
S5，将测试组对应的两个特征参数输入所述呼吸异常检测模型模型，以对所述受试者进行呼吸异常检测评估。
2.根据权利要求1所述基于心率变异性的呼吸异常检测方法，其特征在于，所述第二个特征参数的提取步骤具体为：
对心率变异性序列{RRi,i＝1,2,…N}按5分钟时间长度分段，得到分段矩阵序列{RRi,j,i＝1,2,…M；j＝1,2,…N}，该分段矩阵序列每一行是一个5分钟的RR间期值；
计算{RRi,j,i＝1,2,…M；j＝1,2,…N}每行的趋势值，构成序列{trendi，j,i＝1,2,…M；j＝1,2,…N}，并计算趋势序列每行的斜率，构成斜率矩阵{slopei，j,i＝1,2,…M；j＝1,2,…N}；
将斜率矩阵序列化并求其斜率的均值，构成一维序列，计算该一维序列的模糊熵，即为fuzzysl。
3.根据权利要求2所述基于心率变异性的呼吸异常检测方法，其特征在于，步骤S4具体为：
根据训练组的两个特征参数构建2-N-1三层的神经网络，即输入层为2个神经元，输出层为1个神经元，中间层为N个神经元；所述输入层的2个神经元为：趋势斜率均值slope、趋势斜率模糊熵fuzzysl，建立呼吸异常检测模型。
4.根据权利要求1所述的基于心率变异性的呼吸异常检测方法，其特征在于，所述第一预定时间为6小时，所述第二预定时间为5分钟。
5.一种基于心率变异性的呼吸异常检测装置，其特征在于，包括：
心电信号采集单元，用于采集受试者处于夜间睡眠状态的第一预定时间的心电信号；
分组单元，用于对采集到的心电信号提取心跳间期构成心率变异性序列{RRi,i＝1,2,…N}，并将心率变异性序列的每一等级随机分成等量的两组，分别作为训练组和测试组；
特征参数提取单元，用于对所述心率变异性序列截取连续第二预定时间片段序列并对其进行两个特征参数的提取；所述特征参数包括第一个特征参数以及第二个特征参数：其中，
第一个特征参数的提取步骤为：
对心率变异性序列{RRi,i＝1,2,…N}按5分钟分段后计算趋势序列{trendi,i＝1,2,…M}；
计算趋势序列{trendi,i＝1,2,…M}的斜率构成斜率序列{slopei,i＝1,2,…M}；
计算斜率序列的均值获得趋势斜率均值slope，即获得第一个特征参数；
第二个特征参数的提取步骤为：
对心率变异性序列{RRi,i＝1,2,…N}按5分钟分段后计算趋势构成序列{trendi,i＝1,2,…M}；
计算趋势构成序列{trendi,i＝1,2,…M}的斜率构成斜率序列{slopei,i＝1,2,…M}；
计算斜率序列的模糊熵获得第二个特征参数fuzzysl；
模型建立单元，用于对训练组的两个特征参数进行统计分析，将提取的两个特征参数作为输入，建立基于神经网络的呼吸异常检测模型；
评估单元，用于将测试组对应的两个特征参数输入所述呼吸异常检测模型模型，以对所述受试者进行呼吸异常检测评估。
6.一种基于心率变异性的呼吸异常检测设备，其特征在于，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如权利要求1至4任意一项所述的基于心率变异性的呼吸异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811429914.4A CN109394188B (zh) | 2018-11-27 | 2018-11-27 | 一种基于心率变异性的呼吸异常检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811429914.4A CN109394188B (zh) | 2018-11-27 | 2018-11-27 | 一种基于心率变异性的呼吸异常检测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109394188A CN109394188A (zh) | 2019-03-01 |
| CN109394188B true CN109394188B (zh) | 2022-03-08 |
Family
ID=65455930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811429914.4A Active CN109394188B (zh) | 2018-11-27 | 2018-11-27 | 一种基于心率变异性的呼吸异常检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109394188B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490257A (zh) * | 2019-08-21 | 2019-11-22 | 四川长虹电器股份有限公司 | 一种基于去趋势项的生理电信号熵分析方法 |
| CN111035367B (zh) * | 2019-12-31 | 2021-05-18 | 华南师范大学 | 一种用于判断睡眠呼吸暂停的信号检测系统 |
| CN111166294B (zh) * | 2020-01-29 | 2021-09-14 | 北京交通大学 | 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 |
| CN113627549B (zh) * | 2021-08-17 | 2024-12-17 | 硕橙（厦门）科技有限公司 | 一种时间序列跳变异常检测的方法、装置及设备 |
| CN113679369B (zh) * | 2021-08-23 | 2023-12-19 | 广东高驰运动科技有限公司 | 一种心率变异性的评估方法、智能穿戴设备及存储介质 |
| CN113892939A (zh) * | 2021-09-26 | 2022-01-07 | 燕山大学 | 一种基于多特征融合的人体静息状态下呼吸频率监测方法 |
| CN114271804B (zh) * | 2021-12-16 | 2024-08-27 | 宁波诺丁汉大学 | 基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端 |
| CN114403892B (zh) * | 2022-01-24 | 2024-04-02 | 中山大学 | 基于心率变异性交互性调节呼吸反馈的方法、装置及设备 |
| CN116978561B (zh) * | 2023-07-17 | 2024-03-22 | 北京师范大学-香港浸会大学联合国际学院 | 一种基于模糊熵的运动风险评估方法、系统、设备及介质 |
| CN119541837B (zh) * | 2025-01-20 | 2025-05-27 | 中国人民解放军南部战区总医院 | 基于免疫监测的肺癌动态评估方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120179061A1 (en) * | 2009-07-16 | 2012-07-12 | Resmed Limited | Detection of sleep condition |
| CN104840186A (zh) * | 2015-05-07 | 2015-08-19 | 中山大学 | 一种充血性心力衰竭患者自主神经功能的评估方法 |
| US20150282723A1 (en) * | 2012-10-16 | 2015-10-08 | Xotox Tools Ag | Device and Method for Detecting and Signalling a Stress State of a Person |
| EP2976993A2 (en) * | 2014-07-21 | 2016-01-27 | Withings | System to monitor and assist individual's sleep |
| CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
| CN106361277A (zh) * | 2016-08-26 | 2017-02-01 | 中山大学 | 一种基于心电信号的睡眠呼吸暂停综合征的评估方法 |
| US20170055898A1 (en) * | 2015-08-28 | 2017-03-02 | Awarables, Inc. | Determining Sleep Stages and Sleep Events Using Sensor Data |
| CN107736894A (zh) * | 2017-09-24 | 2018-02-27 | 天津大学 | 一种基于深度学习的心电信号情绪识别方法 |
| CN107874750A (zh) * | 2017-11-28 | 2018-04-06 | 华南理工大学 | 脉率变异性和睡眠质量融合的心理压力监测方法及装置 |
| CN107998500A (zh) * | 2017-11-28 | 2018-05-08 | 广州视源电子科技股份有限公司 | 睡眠辅助内容的播放方法和系统、睡眠辅助装置 |
| CN108392211A (zh) * | 2018-01-11 | 2018-08-14 | 浙江大学 | 一种基于多信息融合的疲劳检测方法 |
| US20180303357A1 (en) * | 2017-04-19 | 2018-10-25 | Physical Enterprises, Inc. | Systems and methods for providing user insights based on heart rate variability |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017011431A2 (en) * | 2015-07-15 | 2017-01-19 | Valencell, Inc. | Methods of controlling biometric parameters via musical audio |
| WO2017040333A1 (en) * | 2015-08-28 | 2017-03-09 | Awarables, Inc. | Visualizing, scoring, recording, and analyzing sleep data and hypnograms |
-
2018
- 2018-11-27 CN CN201811429914.4A patent/CN109394188B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120179061A1 (en) * | 2009-07-16 | 2012-07-12 | Resmed Limited | Detection of sleep condition |
| US20150282723A1 (en) * | 2012-10-16 | 2015-10-08 | Xotox Tools Ag | Device and Method for Detecting and Signalling a Stress State of a Person |
| EP2976993A2 (en) * | 2014-07-21 | 2016-01-27 | Withings | System to monitor and assist individual's sleep |
| CN104840186A (zh) * | 2015-05-07 | 2015-08-19 | 中山大学 | 一种充血性心力衰竭患者自主神经功能的评估方法 |
| US20170055898A1 (en) * | 2015-08-28 | 2017-03-02 | Awarables, Inc. | Determining Sleep Stages and Sleep Events Using Sensor Data |
| CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
| CN106361277A (zh) * | 2016-08-26 | 2017-02-01 | 中山大学 | 一种基于心电信号的睡眠呼吸暂停综合征的评估方法 |
| US20180303357A1 (en) * | 2017-04-19 | 2018-10-25 | Physical Enterprises, Inc. | Systems and methods for providing user insights based on heart rate variability |
| CN107736894A (zh) * | 2017-09-24 | 2018-02-27 | 天津大学 | 一种基于深度学习的心电信号情绪识别方法 |
| CN107874750A (zh) * | 2017-11-28 | 2018-04-06 | 华南理工大学 | 脉率变异性和睡眠质量融合的心理压力监测方法及装置 |
| CN107998500A (zh) * | 2017-11-28 | 2018-05-08 | 广州视源电子科技股份有限公司 | 睡眠辅助内容的播放方法和系统、睡眠辅助装置 |
| CN108392211A (zh) * | 2018-01-11 | 2018-08-14 | 浙江大学 | 一种基于多信息融合的疲劳检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Entropy Analysis of Short-Term Heartbeat Interval Time Series during Regular Walking;Bo Shi,et al;《ENTROPY》;20171024;第19卷;第1-14页 * |
| Multi-scale transitions of fuzzy sample entropy of RR-intervals and their phase-randomized surrogates: A possibility to diagnose congestive heart failure;Vinzenz von Tscharner，et al;《Biomedical Signal Processing and Control》;20171231;第31卷;第350-356页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109394188A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109394188B (zh) | 一种基于心率变异性的呼吸异常检测方法、装置及设备 | |
| Sridhar et al. | Deep learning for automated sleep staging using instantaneous heart rate | |
| Dang et al. | A novel deep arrhythmia-diagnosis network for atrial fibrillation classification using electrocardiogram signals | |
| Zhai et al. | Automated ECG classification using dual heartbeat coupling based on convolutional neural network | |
| Fatimah et al. | Efficient detection of myocardial infarction from single lead ECG signal | |
| Eltrass et al. | Automated ECG multi-class classification system based on combining deep learning features with HRV and ECG measures | |
| Wang et al. | Detection of Sleep Apnea from Single‐Lead ECG Signal Using a Time Window Artificial Neural Network | |
| Valenza et al. | Mood recognition in bipolar patients through the PSYCHE platform: preliminary evaluations and perspectives | |
| Liang et al. | Deep learning algorithm classifies heartbeat events based on electrocardiogram signals | |
| Soh et al. | A computational intelligence tool for the detection of hypertension using empirical mode decomposition | |
| CN114366124B (zh) | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 | |
| Jeong et al. | Convolutional neural network for classification of eight types of arrhythmia using 2D time–frequency feature map from standard 12-lead electrocardiogram | |
| Raj et al. | A personalized arrhythmia monitoring platform | |
| Patro et al. | A hybrid approach of a deep learning technique for real-time ECG beat detection | |
| CN115120248B (zh) | 基于直方图的自适应阈值r峰检测、心律分类方法及装置 | |
| Leite et al. | Heartbeat classification with low computational cost using Hjorth parameters | |
| CN110477910A (zh) | 癫痫发作预测装置、终端设备以及计算机可读存储介质 | |
| CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
| Chen et al. | A spatio-temporal learning-based model for sleep apnea detection using single-lead ECG signals | |
| Mazidi et al. | Premature ventricular contraction (PVC) detection system based on tunable Q-factor wavelet transform | |
| Lim et al. | Artificial intelligence classification methods of atrial fibrillation with implementation technology | |
| Hussain et al. | Arrhythmia detection by extracting hybrid features based on refined Fuzzy entropy (FuzEn) approach and employing machine learning techniques | |
| Jiang et al. | A multi-scale parallel convolutional neural network for automatic sleep apnea detection using single-channel EEG signals | |
| Begum et al. | Automated detection of abnormalities in ECG signals using deep neural network | |
| Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |