[01349250]睡眠呼吸暂停筛查系统的研制

睡眠呼吸暂停是一种常见的睡眠失序问题,直接影响着人类的睡眠质量,更是引起众多疾病的危险因素。近年来,关于睡眠呼吸暂停的检测引起了极大的关注。而传统的睡眠呼吸暂停检测方法大多使用多导睡眠仪,但由于多导睡眠仪价格高、舒适性差等缺点,不能广泛地应用到日常生活中。本项目对睡眠呼吸暂停检测技术进行深入研究,以低成本、高精度为设计目标,提出新的睡眠呼吸暂停筛查算法。 为了降低睡眠检测成本,可从少量的生理信号入手自动检测睡眠。在众多生理信号中,呼吸信号能直接反应睡眠时呼吸情况,这里将呼吸信号作为检测模型的输入。由于睡眠过程中的呼吸信号属于非平稳信号,为了更好地提取睡眠呼吸暂停发生时信号的时域和频域特征,采用了希尔伯特黄变换对信号进行处理,从而提取显著的能量比特征和边际谱等特征,再利用机器学习算法自动检测睡眠呼吸暂停。 利用机器学习算法检测睡眠呼吸暂停需要专业的睡眠知识进行人工提取特征,是一项比较困难的任务,为此可以采用深度学习方法自动提取特征。卷积神经网络被广泛用于生理信号的分析,可以检测睡眠呼吸暂停。利用卷积神经网络中不同卷积层输出的特征,使用注意力机制将多通道特征进行有效融合,从而提高睡眠呼吸暂停的检测准确性。 通过利用少量的生理信号检测睡眠呼吸暂停,降低了睡眠呼吸暂停检测成本;通过对信号进行变化,提取有效的特征,提高了睡眠呼吸暂停检测的准确性;通过机器学习和深度学习算法,提高了睡眠监测的智能化。