本發(fā)明屬于睡眠呼吸監(jiān)測(cè)領(lǐng)域，具體涉及一種用于暫停呼吸綜合征的睡眠呼吸檢測(cè)方法、系統(tǒng)及云平臺(tái)。

背景技術(shù)：

1、睡眠呼吸暫停綜合征(sleepapneasyndrome,sas)是一種以睡眠過(guò)程中出現(xiàn)反復(fù)呼吸暫停、通氣不良為主要特征的常見(jiàn)慢性疾病。長(zhǎng)期未被診斷或干預(yù)的呼吸暫停事件與高血壓、心律失常、心血管疾病、糖尿病等存在顯著相關(guān)性，具有重要的臨床預(yù)警價(jià)值。目前臨床標(biāo)準(zhǔn)檢測(cè)手段多依賴多導(dǎo)睡眠監(jiān)測(cè)系統(tǒng)(polysomnography,psg)，其檢測(cè)維度豐富但檢測(cè)過(guò)程復(fù)雜，設(shè)備笨重，成本較高，且需要專業(yè)睡眠中心與技術(shù)人員支持，不適用于長(zhǎng)期居家連續(xù)監(jiān)測(cè)。

2、為克服psg不便的問(wèn)題，近年來(lái)逐漸出現(xiàn)了基于穿戴式設(shè)備的居家呼吸監(jiān)測(cè)產(chǎn)品，如通過(guò)壓電材料、導(dǎo)電織物或慣性測(cè)量器件(imu)采集胸廓運(yùn)動(dòng)信號(hào)。其中，拉伸敏感光纖傳感器結(jié)構(gòu)因其抗電磁干擾、柔性高、穩(wěn)定性好等優(yōu)勢(shì)，在實(shí)際應(yīng)用中得到了廣泛研究與報(bào)道。此外，上下雙排交錯(cuò)布置的光纖半圓弧陣列結(jié)構(gòu)作為一種提高光纖拉伸靈敏度與覆蓋面積的柔性布設(shè)方式，也已被公開(kāi)文獻(xiàn)所采用，可參考《激光與光電子學(xué)進(jìn)展，第60卷第13期/2023年7月/，智能服裝呼吸監(jiān)測(cè)光纖織物傳感器》。

3、然而，這些系統(tǒng)在實(shí)際應(yīng)用中仍存在如下突出問(wèn)題：

4、(1)信號(hào)處理算法通用性差：由于呼吸信號(hào)在日常睡眠狀態(tài)下易受到姿勢(shì)變化、體型差異、翻身擾動(dòng)等影響，導(dǎo)致信號(hào)不穩(wěn)定、誤差大。已有檢測(cè)算法多采用固定閾值判定，無(wú)法有效適應(yīng)不同個(gè)體的呼吸強(qiáng)度差異、睡姿變化以及夜間動(dòng)態(tài)波動(dòng)，導(dǎo)致漏檢率高、誤判多，無(wú)法滿足臨床前篩查與風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性需求。

5、(2)遠(yuǎn)程平臺(tái)缺乏智能判別與個(gè)體適應(yīng)機(jī)制：現(xiàn)有穿戴設(shè)備的數(shù)據(jù)平臺(tái)多為靜態(tài)上傳與曲線展示，缺乏有效的呼吸異常類型識(shí)別模型、風(fēng)險(xiǎn)評(píng)分機(jī)制及對(duì)用戶差異的自適應(yīng)學(xué)習(xí)能力，無(wú)法為用戶提供可信賴的醫(yī)療輔助支持。

6、綜上，現(xiàn)有睡眠呼吸監(jiān)測(cè)設(shè)備及平臺(tái)系統(tǒng)在傳感結(jié)構(gòu)、算法穩(wěn)定性與平臺(tái)智能性方面仍存在明顯技術(shù)不足，急需一種具備高靈敏、抗干擾、算法自適應(yīng)且可遠(yuǎn)程智能聯(lián)動(dòng)的綜合監(jiān)測(cè)解決方案，能夠在滿足居家舒適穿戴的前提下，提供多維度呼吸數(shù)據(jù)分析與臨床級(jí)別的呼吸暫停事件識(shí)別與干預(yù)建議。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中的不足，提供一種可提高呼吸信號(hào)處理的準(zhǔn)確性與個(gè)體適應(yīng)性的睡眠呼吸檢測(cè)方法及其系統(tǒng)。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方法是：本發(fā)明公開(kāi)了一種用于暫停呼吸綜合征的睡眠呼吸檢測(cè)方法，包括如下步驟：

3、s1.通過(guò)嵌入可穿戴設(shè)備中的拉伸敏感光纖傳感器獲取用戶胸廓運(yùn)動(dòng)引起的光強(qiáng)變化信號(hào)，所述光信號(hào)經(jīng)光電轉(zhuǎn)換后被轉(zhuǎn)化為模擬電信號(hào)，并進(jìn)一步經(jīng)模數(shù)轉(zhuǎn)換單元轉(zhuǎn)換為數(shù)字信號(hào)；

4、s2.對(duì)所述數(shù)字信號(hào)采用daubechies四階小波函數(shù)進(jìn)行四層小波分解，獲得高頻系數(shù)與低頻系數(shù)，并基于stein無(wú)偏風(fēng)險(xiǎn)估計(jì)法計(jì)算各層高頻系數(shù)的動(dòng)態(tài)軟閾值，應(yīng)用軟閾值函數(shù)對(duì)所述高頻系數(shù)進(jìn)行去噪處理后，結(jié)合原始低頻系數(shù)進(jìn)行小波重構(gòu)，得到去噪后的呼吸信號(hào)；

5、s3.對(duì)所述去噪后的呼吸信號(hào)采用滑動(dòng)窗口法進(jìn)行平滑處理，并檢測(cè)波峰與波谷，基于波峰間的時(shí)間差計(jì)算呼吸周期，基于波峰與相鄰波谷之間的差值計(jì)算呼吸幅度；

6、s4.在預(yù)設(shè)時(shí)間窗口內(nèi)統(tǒng)計(jì)呼吸幅度平均值，并以該平均值的20％至30％設(shè)定動(dòng)態(tài)幅度閾值，同時(shí)設(shè)置呼吸暫停判定時(shí)間閾值；當(dāng)呼吸信號(hào)幅度連續(xù)低于所述動(dòng)態(tài)幅度閾值，且持續(xù)時(shí)間超過(guò)所述時(shí)間閾值時(shí)，判定為一次呼吸暫停事件；

7、s5.對(duì)每次呼吸暫停事件進(jìn)行記錄，包括起始時(shí)間、結(jié)束時(shí)間、持續(xù)時(shí)間及嚴(yán)重程度等級(jí)，并根據(jù)暫停次數(shù)和持續(xù)時(shí)間觸發(fā)本地聲光報(bào)警或?qū)⑹录?shù)據(jù)通過(guò)通信模塊上傳至云平臺(tái)用于后續(xù)處理與遠(yuǎn)程預(yù)警。

8、進(jìn)一步的，在所述步驟s2中，包括如下步驟：

9、s21.對(duì)輸入信號(hào)x(t)進(jìn)行4層小波分解，得到1層低頻系數(shù)a4，以及4組高頻系數(shù)d1,d2,d3,d4；

10、s22.估計(jì)噪聲方差，并動(dòng)態(tài)設(shè)定軟閾值，閾值計(jì)算如下：式中，σj為第j層小波高頻系數(shù)的標(biāo)準(zhǔn)差，n為系數(shù)數(shù)量；

11、s23.對(duì)d1～d4中的所有系數(shù)逐一應(yīng)用軟閾值函數(shù)進(jìn)行去噪處理；所述軟閾值函數(shù)為s(x)＝sign(x)·max(|x|-λ,0)，

12、式中，x表示某一層小波分解后的高頻系數(shù)值，即待處理的信號(hào)分量；λ表示當(dāng)前高頻系數(shù)所在層使用的軟閾值，λ＞0；sign(x)為符號(hào)函數(shù)，若x為正則為+1，x為負(fù)則為-1，x為0則為0，用于保留原始信號(hào)的正負(fù)方向；

13、s24.信號(hào)重構(gòu)，使用處理后的d1′～d4′與原始a4進(jìn)行小波重構(gòu)，得到凈化后的呼吸信號(hào)xd(t)，可顯著消除運(yùn)動(dòng)偽影和電磁干擾引起的高頻波動(dòng)。

14、進(jìn)一步的，在所述步驟s3中，包括如下步驟：

15、s31.采用窗口長(zhǎng)度為5～7個(gè)點(diǎn)的移動(dòng)平均法對(duì)xd(t)進(jìn)行一次平滑處理，去除重構(gòu)后的殘余噪聲；

16、s32.使用滑動(dòng)窗口法掃描信號(hào)，若一個(gè)點(diǎn)高于兩側(cè)鄰域值，即視為波峰，即吸氣狀態(tài)；若低于鄰域值，則視為波谷，即呼氣狀態(tài)；

17、s33.記錄相鄰波峰之間的時(shí)間差tresp，即一個(gè)完整的吸-呼周期；

18、s34.呼吸幅度計(jì)算，對(duì)于每一周期內(nèi)，波峰值與相鄰波谷值之差定義為呼吸幅度aresp。

19、進(jìn)一步的，在所述步驟s4中，所述呼吸暫停事件包括如下判定步驟：

20、s41.每滑動(dòng)一分鐘窗口內(nèi)，統(tǒng)計(jì)平均呼吸幅度幅度閾值設(shè)定為：其中γ∈[0.2,0.3]，式中，γ為比例系數(shù)；

21、s42.對(duì)新一輪采集信號(hào)實(shí)時(shí)計(jì)算呼吸幅度，若當(dāng)前幅度連續(xù)低于ath，即視為異常；

22、s43.若異常呼吸幅度持續(xù)時(shí)間t≥10s，則判定為一次呼吸暫停事件，并記錄包括起始時(shí)間、終止時(shí)間、持續(xù)時(shí)間和對(duì)應(yīng)呼吸周期數(shù)量的數(shù)據(jù)信息。

23、本發(fā)明還公開(kāi)了一種用于暫停呼吸綜合征的睡眠呼吸檢測(cè)系統(tǒng)，所述可穿戴設(shè)備內(nèi)部設(shè)有拉伸敏感光纖傳感器，所述拉伸敏感光纖傳感器的輸出信號(hào)連接至信號(hào)調(diào)理模塊；

24、所述信號(hào)調(diào)理模塊連接至主控微處理器，所述微控制器配置用于上述中任一所述用于暫停呼吸綜合征的睡眠呼吸檢測(cè)方法中各項(xiàng)處理步驟，完成信號(hào)分析、呼吸暫停判斷與數(shù)據(jù)上傳功能。

25、進(jìn)一步的，所述拉伸敏感光纖傳感器由多個(gè)光纖半圓弧單元級(jí)聯(lián)而成，所述光纖半圓弧單元排列為上下雙排交錯(cuò)布置結(jié)構(gòu)，相鄰上層與下層半圓弧通過(guò)直線段隔級(jí)連接，形成波浪形柔性傳感陣列。

26、進(jìn)一步的，所述光纖傳感器的輸入光纖和輸出光纖位于衣物的同一側(cè)，分別連接至上下層光纖陣列的起始端與末端。

27、進(jìn)一步的，所述拉伸敏感光纖傳感器的輸出信號(hào)連接至信號(hào)調(diào)理模塊，所述信號(hào)調(diào)理模塊包括光電轉(zhuǎn)換、電壓放大、模數(shù)轉(zhuǎn)換單元。

28、本發(fā)明還公開(kāi)了一種用于暫停呼吸綜合征的睡眠呼吸檢測(cè)云平臺(tái)，通過(guò)數(shù)據(jù)接收模塊接收上述用于暫停呼吸綜合征的睡眠呼吸檢測(cè)系統(tǒng)的上傳數(shù)據(jù)后，基于分析模塊進(jìn)一步提取時(shí)域、頻域、小波能量和樣本熵特征，結(jié)合支持向量機(jī)模型識(shí)別阻塞性或中樞性呼吸暫停類型，及基于lstm-tcn混合神經(jīng)網(wǎng)絡(luò)識(shí)別周期性異常，進(jìn)行風(fēng)險(xiǎn)評(píng)估。

29、10.根據(jù)權(quán)利要求8所述的用于暫停呼吸綜合征的睡眠呼吸檢測(cè)云平臺(tái)，其特征在于，

30、所述風(fēng)險(xiǎn)評(píng)估的公式為：

31、式中，δspo2為血氧下降值；tapnea為呼吸暫停時(shí)間；α、β為加權(quán)系數(shù)。

32、有益效果：

33、相較于現(xiàn)有技術(shù)，本發(fā)明采用daubechies四階小波變換對(duì)呼吸信號(hào)進(jìn)行多尺度分解，并引入stein無(wú)偏風(fēng)險(xiǎn)估計(jì)法(sure)計(jì)算高頻分量的軟閾值，在保持信號(hào)周期性結(jié)構(gòu)的同時(shí)有效去除運(yùn)動(dòng)偽影與高頻干擾；隨后通過(guò)低頻-高頻系數(shù)重構(gòu)出平滑、完整的呼吸波形。在此基礎(chǔ)上，系統(tǒng)使用滑動(dòng)窗口法檢測(cè)呼吸波峰與波谷，并結(jié)合實(shí)時(shí)計(jì)算出的平均幅度自動(dòng)設(shè)定動(dòng)態(tài)幅度閾值(為平均值的20％～30％)與固定時(shí)間閾值(10秒)，實(shí)現(xiàn)了對(duì)呼吸暫停事件的高靈敏判定。該方法相較于傳統(tǒng)靜態(tài)閾值法，能自動(dòng)適配不同體型、呼吸強(qiáng)度及姿態(tài)變化下的信號(hào)差異，降低了漏檢率與誤報(bào)率，提升了對(duì)osa/csa等復(fù)雜類型暫停事件的精準(zhǔn)識(shí)別能力。

34、其次，本發(fā)明提供的一種用于暫停呼吸綜合征的睡眠呼吸檢測(cè)系統(tǒng)，通過(guò)將智能穿戴系統(tǒng)、呼吸信號(hào)處理方法與云平臺(tái)系統(tǒng)集成，構(gòu)建了從信號(hào)采集、數(shù)據(jù)處理、事件識(shí)別、風(fēng)險(xiǎn)評(píng)估到遠(yuǎn)程反饋的完整閉環(huán)架構(gòu)。系統(tǒng)采用藍(lán)牙或wi-fi通信模塊實(shí)現(xiàn)設(shè)備與云端的數(shù)據(jù)傳輸，通過(guò)微控制器(mcu)本地執(zhí)行實(shí)時(shí)預(yù)判與報(bào)警，在云端完成ai模型識(shí)別與風(fēng)險(xiǎn)計(jì)算，并支持醫(yī)生遠(yuǎn)程訪問(wèn)與用戶端可視化反饋。該系統(tǒng)具備結(jié)構(gòu)輕量、處理鏈條完整、響應(yīng)及時(shí)、適配靈活的工程優(yōu)勢(shì)，適用于居家、養(yǎng)老、遠(yuǎn)程醫(yī)療等多種使用場(chǎng)景，顯著提升了睡眠呼吸暫停篩查的效率與普適性。

35、最后，本發(fā)明構(gòu)建的云平臺(tái)系統(tǒng)集成了多模態(tài)特征融合+多模型協(xié)同識(shí)別+風(fēng)險(xiǎn)評(píng)分計(jì)算+個(gè)體化模型優(yōu)化等關(guān)鍵模塊。其中，平臺(tái)利用lstm-tcn混合神經(jīng)網(wǎng)絡(luò)模型深度學(xué)習(xí)用戶呼吸信號(hào)中的周期變化規(guī)律，并與支持向量機(jī)(svm)模型聯(lián)合判斷暫停類型，實(shí)現(xiàn)高準(zhǔn)確率的異常識(shí)別。平臺(tái)進(jìn)一步引入由血氧下降幅度、暫停時(shí)間與中樞性事件頻率構(gòu)建的量化風(fēng)險(xiǎn)評(píng)分模型，實(shí)現(xiàn)可解釋、可分級(jí)的風(fēng)險(xiǎn)評(píng)估與報(bào)警機(jī)制。在模型適應(yīng)方面，系統(tǒng)采用聯(lián)邦學(xué)習(xí)機(jī)制保護(hù)用戶數(shù)據(jù)隱私的同時(shí)實(shí)現(xiàn)模型聚合，并結(jié)合遷移學(xué)習(xí)與條件gan數(shù)據(jù)增強(qiáng)技術(shù)進(jìn)行個(gè)性化調(diào)參與樣本補(bǔ)強(qiáng)，使模型具備自適應(yīng)性和進(jìn)化能力。該云平臺(tái)既能支持本地低延遲預(yù)警，又能為醫(yī)生和科研用戶提供遠(yuǎn)程數(shù)據(jù)管理與決策支持，實(shí)現(xiàn)技術(shù)性能與臨床實(shí)用性的有機(jī)統(tǒng)一。