一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置的制作方法

本发明属于医学信号处理，尤其涉及一种针对阻塞型睡眠呼吸暂停低通气综合症的初筛装置。

背景技术：

1、阻塞型睡眠呼吸暂停低通气综合症(obstructive sleep apnea hypopneasyndrome,osahs)是一种常见的、发病率较高的睡眠呼吸障碍，其临床表现主要为夜间打鼾、睡眠过程中出现呼吸暂停或低通气。这种情况每晚可发生多达数百次，每次持续时间数十几秒至数分钟不等。越来越多的研究表明长期伴随osahs会带来较多的危害，这些危害可分为个人层面和社会层面。对个体层面分析，呼吸暂停和低通气的发生会造成患者全身缺氧，严重影响心脏、血管和大脑的功能，增加了患者发生高血压、心脏病、中风、糖尿病等系列慢性疾病的风险。此外，因呼吸暂停和低通气而引起的频繁觉醒，使患者睡眠结构片段化，导致白天嗜睡，进而影响正常工作、学习和生活，甚至有发生交通事故的风险。从社会层面来看，osahs是多种心脑血管疾病的独立危险因素。2019年中国心血管健康与疾病报告指出，心脑血管疾病治疗总费用占各类疾病费用首位，且心脑血管疾病治疗费用以每年10％的平均速度增长，给国家医疗保障体系和经济发展带来巨大阻力。另外，与年龄、性别匹配的对照组相比，osahs患者住院时间延长1.8倍，医疗费用增加1倍，加剧了医疗资源紧缺的现状。若能在osahs早期进行诊断，并给与有效治疗，不仅能提高患者的生活质量，降低其引起心脑血管等并发症的风险，还有助于缓解医疗卫生系统人员的工作压力，并减少经济成本。因此，osahs的早期筛查至关重要。

2、多导睡眠监测(polysomnography,psg)作为临床上osahs诊断的金标准，能够持续同步采集、记录多项睡眠生理参数，如脑电图(electroencephalogram,eeg)、眼电图、心电图(electrocardiogram,ecg)、肌电图、鼾声、体位、口鼻气流(airflow)、胸腹运动和血氧饱和度等电生理信号，还可添加音视频监测、食管压力、食管ph值、经皮或呼气末二氧化碳分压等参数。然而，标准的psg监测操作复杂，需要在专门的睡眠中心开展，监测费用昂贵(没有纳入到国家医疗保险中)，使很多潜在osahs患者无法及时就诊，加剧病情的严重程度。此外，考虑到就诊患者大都存在不同程度的睡眠障碍，该监测易使患者的主观体验较差，影响监测结果的准确性，从而使医生诊断或睡眠相关研究的结果产生偏差。另外，osahs的临床诊断是通过睡眠技师手动对psg记录进行标注，得出每小时睡眠过程中呼吸暂停低通气事件发生的次数，即呼吸暂停指数(apnea hypopnea index,ahi)，进而对患者患病严重程度进行评估的。而熟练的睡眠技师标注一个长达7-9小时的psg记录需花费至少3小时。该方式耗时、耗力。此外，我国现有的有资质的专业睡眠技师数量不足两千，和庞大的患病群体不成比例，无法及时对患者的监测样本给出诊断报告。更重要的是，因睡眠技师经验和规范化程度的差异较大，相互之间的内部评分一致度较低，这会对疾病的诊断和睡眠科学研究产生较大的负面影。最后，据统计，我国现有潜在osahs患者六千万，而得到夜间睡眠监测的患者仅有37.8万，标准睡眠中心的数量远不能满足患者的需求。因此，发展基于少量电极的osahs初筛装置势在必行。

3、对osahs患者的psg记录的人工分析包括睡眠分期、觉醒检测、呼吸事件检测。现有对这些分析的研究多基于传统机器学习和深度学习的方法。传统机器学习方法对这些事件的分析效果好坏依赖于所提取的特征种类和分类器的选择，模型的泛化能力有限。深度学习，如卷积神经网络(convolutional neural network,cnn)是一种大数据驱动的方法，能够自动从数据中提取出与任务相关的特征。根据训练的任务数，可以将深度学习分为单任务学习(single-task learning,stl)和多任务学习(multi-task learning,mtl)。现有对osahs睡眠数据分析多使用stl方法，这与临床实际工作中的多任务协同方式不符，导致很多研究停留在实验室仿真阶段无法在临床真实场景中使用。“biswal s,sun h,goparajub,et al.expert-level sleep scoring with deep neural networks[j].journal ofthe american medical informatics association,2018,25(12):1643-1650.”通过构建cnn网络实现多个任务的分析。但该方法并非真正意义上的mtl，只是用同一个网络模型来分别训练和测试来实现多个任务。“phan h,andreotti f,coora y n,et al.seqsleepnet:end-to-end hierarchical recurrent neural network for sequence-to-sequenceautomatic sleep staging[j].ieee transactions on neural systems andrehabilitation engineering,2019,27(3):400-410.”基于cnn模型，只是实现了睡眠期的分类以及预测，并未涉及睡眠的其它事件。“pourbabaee b,patterson m h,patterson mr,et al.sleepnet:automated sleep analysis via dense convolutional neuralnetwork using physiological time series[j].physiological measurement,2019,40(8):1-14.”基于构建的深度网络模型进行清醒/睡眠、觉醒/非觉醒、呼吸事件/正常呼吸三个任务的分类，但不同于真正意义上mtl的输出。mtl要求同一个网络能够同时实现多个相关任务。osahs精准筛查算法的设计，需要结合临床实际工作中多任务协同的模式，但现有研究忽略这一事实。

技术实现思路

1、针对当前存在的问题，本发明提供了一种针对osahs的初筛装置。该装置结合临床睡眠医生的工作经验，通过构建mtl模型，使用eeg、ecg和airflow信号，并设计有效的信号融合方法，同时实现睡眠分期、觉醒判定和呼吸事件检测，基于这三个任务的结果，计算ahi，进而实现睡眠质量的评估以及osahs的初筛。

2、本发明的技术方案：

3、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；

4、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(national sleepresearch resource,nsrr)中的abc睡眠数据库(https://sleepdata.org/datasets/abc)。该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：

5、(1)信号预处理；

6、首先，从abc睡眠数据库中的psg记录中提取出中央区eeg(c4-a1)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、觉醒事件以及呼吸暂停/低通气三个事件；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30s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；

7、(2)网络设计；

8、mtl网络包括多尺度卷积模块、ccn-se模块、特征融合模块；首先，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、小尺寸卷积核的卷一维积层；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fs/2，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：

9、bmax＝bn(relu(conv1d(64,fs)))(i)

10、bmid＝bn(relu(conv1d(64,fs/2)))(i)

11、bmin＝bn(relu(conv1d(64,3)))(i)

12、b＝concat(bmax,bmid,bmin)

13、其中，conv1d(m,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(concatenate,concat)；b表示拼接后卷积块提取的特征；

14、随后，把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(cascade convolutional network)块是由卷积核数为m，卷积核尺寸为n的一维卷积层conv1d(m,n)和conv1d(m,1)级联组成，n>1；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；se块是注意力机制中的一种形式，最早出现在“hu j,shen l,sun g,et al.squeeze-and-excitation networks[c].salt lake:the ieee computer society conference oncomputer vision and pattern recognition(cvpr),2018:7132-7141.”的研究中，用来提取与任务最相关的特征。

15、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；

16、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；

17、(3)网络训练和权重存储

18、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：

19、

20、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，都会在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；

21、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，而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。

22、此外，除了计算ahi的值，该装置还提供临床常用的睡眠质量评估相关的参数以及觉醒指数，对样本的睡眠质量进行初步评估。

23、本发明的有益效果：本发明提供了一种针对阻塞型睡眠呼吸暂停低通气综合症的初筛装置，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，本研究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。