CN113854971B - 一种基于多通道多特征融合的睡眠呼吸暂停检测方法 - Google Patents

Abstract

本发明涉及一种基于多通道多特征融合的睡眠呼吸暂停检测方法，属于生物医学技术领域。本发明首先使用小波阈值法降低噪声干扰；其次通过多通道信号通道相加和信号叠加增强信号中的同步有效信息；再提取信号的时域特征、频域特征和非线性特征；之后选取Relief特征选择算法对特征进行分析筛选，再融合；最后建立分类模型并采用基于高斯核函数支持向量机(SVM)进行分类。本发明将信号经过通道相加和信号叠加增强有效信息后提取特征进行筛选，再进行融合，提高了检测识别的准确率。

Description

一种基于多通道多特征融合的睡眠呼吸暂停检测方法

技术领域

本发明涉及一种基于多通道多特征融合的睡眠呼吸暂停检测方法，属于生物医学技术领域。

背景技术

随着社会的发展，人类生活方式得到便捷的同时，越来越多的疾病也随之而来。睡眠呼吸暂停一种临床常见的呼吸系统疾病。未诊断的睡眠呼吸暂停对人类生活质量有很大的影响，并可引发心脏病、高血压、糖尿病前期和糖尿病、抑郁症和长期中风。检测工作目前主要依靠多导睡眠仪检测完成,由于穿戴不方面、效率低,因此信号的特征提取、筛选、融合和自动检测在临床上有很重要的意义,可以减轻医疗工作者的劳动量。

多通道数添加本质上是使用通道相加和信号叠加的方法增强信号中的有效信息。其中，通道相加是将多个通道的数据组合起来提取特征，信号叠加是将多个通道的数据相加之后提取特征。Relief算法是一种特征选择算法，根据各个特征和类别的相关性给予特征不同的权重，通过权重的大小筛选特征进行融合。

发明内容

本发明要解决的技术问题是提供一种基于多通道多特征融合的睡眠呼吸暂停检测方法，达到提高睡眠呼吸暂停检测准确率的目的，从而解决上述问题。

本发明的技术方案是：一种基于多通道多特征融合的睡眠呼吸暂停检测方法，利用通道相加和信号叠加的方法将信号中的有效信息增强之后提取特征，再选用Relief算法筛选特征并对筛选后的特征融合，最后使用基于高斯核函数SVM进行分类，其具体步骤为：

Step1：采集原始信号数据，对原始信号数据集使用小波阈值法进行降噪处理，以便降低噪声的干扰。

Step2：将降噪后的信号经过通道相加和信号叠加的方法增强信号中的同步有效信息，

Step3：提取信号的时域特征、频域特征和非线性特征，

Step4：通过Relief特征选择算法对时域特征、频域特征和非线性特征进行分析筛选，再进行融合，

Step5：建立分类模型并采用基于高斯核函数支持向量机对融合后的特征进行分类。

所述Step1具体为：

Step1.1：设原始带噪信号为x(i,j)，对原始带噪信号x(i,j)进行s层正交小波变换，得到一组小波分解系数其中j＝1，2，…s，其中s表示小波分解的层数。

其次，在各分解层各方向对噪声方差按式(1)进行估计。

Step1.2：对信号的小波系数方差进行估计，由于服从高斯分布，所以：

由可得：

通过阈值系数β来调节各分解层中各个高频子带的阈值大小，阈值系数β为：

式中，L_k为小波分解系数第k层的小波系数长度，j是小波分解的层数；

最后，得出新阈值的表达式：

Step1.3：对各层高频系数进行小波软阈值处理得到新的小波系数：

式中，WST(·)表示软阈值函数处理；

最后，对处理后的小波系数进行小波反变换，得到去噪后的信号。

所述Step2具体为：

Step2.1：假设信号的通道数为N，则信号叠加和通道相加的组合的次数都为：

其中，通道相加是将多个通道的数据组合起来提取特征，信号叠加是将多个通道的数据相加之后提取特征，所述通道数N包括1个心电通道和6个脑电通道。

Step2.2：设存在一个纯随机信号x(n)，有n个观察样本，当N→∞时，观测样本的和趋于0，如式(7)所示

∑x(n)＝0 n＝0,1,2,…,N.N→∞ (7)

设M个纯随机信号序列x_m(n)，当M→∞时，所有信号序列的每个对应点的和为0，如式(8)所示

∑x_m(n)＝0 m＝0,1,2,…,M.M→∞ (8)

从而增强信号中的同步有效信息。由式上式可知，信号相加可以减弱白噪声干扰。

在生物信号研究中，信号加法常用于降低白噪声，增强信号的有效信息。而根据随机信号理论，信号相加可以有效地降低白噪声。这是因为不同信号的白噪声是随机的，在信号相加后它们会相互抵消。

所述Step4具体为：

Step4.1：将提取的特征建立一个数据集D，样本抽样次数设为m，特征权重的阈值为δ；置0所有特征权重，权重T[F]为空集，样本抽样次数从1迭代到m；

Step4.2：在每次迭代过程中，随机选取一个样本R，从同类的样本集中找到R的最近邻样本H，从不同类样本集中找到最近邻样本M，若H小于M，权重增加，反之，减小，重复m次，最后得到各个特征的平均权重；

Step4.3：对特征F用公式W(F)＝W(F)-(diff(F,R,H))/m+(diff(F,R,M))/m计算，如果特征F的权重大于阈值，则把特征F添加到集合T中，其中F＝1,2,3,…,n。

所述Step5具体为：

Step5.1：建立分类模型并采用基于高斯核函数(RBF)的支持向量机(SVM)进行分类。为了验证模型的准确性，除了准确率之外，还计算了灵敏性、特异性和F1-score等指标。计算公式如下所式：

式中，TP、FP、TN、FN分别为真阳性、假阳性、真阴性、假阴性的人数。此外，利用递归工作曲线(ROC)下面积(AUC)来可视化分类器的性能。再利用Kappa系数计算专家标签与分类器输出之间的一致性。Kappa的取值范围是-1～1，越接近1表示性能越好。具体如(13)所示：

其中，P(0)表示观察一致性，P(e)表示机遇一致性。具体如下式所示：

本发明的有益效果是：

1、本发明以通道相加和信号叠加的方法对ECG和EEG共七通道信号进行分析，以验证哪些通道对睡眠呼吸暂停的检测更好。

2、本发明采用特征筛选之后进行融合的方法，分别从信号的时域特征、频域特征和非线性特征着手，使得特征具有互补性并提高检测准确率。

附图说明

图1是本发明的步骤流程图；

图2是本发明的原始信号波形图；

图3是本发明的小波阈值去噪后信号示例图。

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

实施例1：如图1所示，一种基于多通道多特征融合的睡眠呼吸暂停检测方法。首先使用小波阈值法降低噪声干扰；其次通过多通道信号通道相加和信号叠加增强信号中的同步有效信息；再提取信号的时域特征、频域特征和非线性特征；之后选取Relief特征选择算法对特征进行分析筛选，再融合；最后建立分类模型并采用基于高斯核函数支持向量机(SVM)进行分类。

具体为：

Step1：现有数据集包括100名睡眠呼吸障碍患者的1个心电通道(X2)和6个脑电通道(F3-A2、C3-A2、O1-A2、F4-A1、C4-A1、O2-A1)，采样频率为200Hz。所有数据被划分为30s一段，并对其进行标注，示例图如图2所示。

采用合适的小波函数和分解尺度对原始信号进行分解，并选取合适的阈值和阈值函数对分解后的小波系数进行相应处理，再对其进行重构，如此得到重构后的ECG和EEG信号。ECG、EEG信号与重构后信号的对比如图3所示。

Step2：将重构后的信号分为30S一段并基于1个心电通道和6个脑电通道进行通道相加和信号叠加之间的相互组合。基于1个心电通道和6个脑电通道进行通道相加和信号叠加之间的相互组合。信号叠加和通道相加的组合的次数都为：

Step3：基于组合之后的信号提取时域特征、频域特征和非线性特征。在三种特征类型中共提取了30个特征，分别为在时域特征的最大值、最小值，均值和方差等，频域特征的功率谱密度的绝对平均值、α节律频带的信号功率等和非线性特征中的样本熵、排列熵、谱熵等。

Step4：对提取的特征采用Relief特征选择算法进行筛选。该算法从数据集D中随机选择一个样本R，将从与R同类的样本中寻找最近邻样本H，称为Near Hit，从不同类的样本中寻找最近邻样本M，称为Near Miss。如果R和Near Hit在某个特征上的距离小于R和Near Miss上的距离，则说明该特征对区分同类和异类的最近邻是有益的，则增加该特征的权重；反之，则说明该特征对区分同类和异类的最近邻起负面作用，则降低该特征的权重。重复m次，最后得到各个特征的平均权重。权重越大相关性越强，反之则越小。伪代码如表1所示：

表1

该算法是根据各个特征和类别的相关性给予特征不同的权重，可以设置一个阈值，若权重小于该阈值，则该特征将被移除。根据以下公式计算权重：

计算diff的公式如下所示：

其中，V为归一化单位，把diff值归一到[0,1]区间，F为其中的一个特征；R₁,R₂为样本。

Step5：最后，将筛选后的特征融合并采用基于高斯核函数SVM进行分类并计算灵敏性、特异性和F1-score等指标来验证。由此，完成了基于多通道多特征融合的睡眠呼吸暂停检测。

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (3)

1.一种基于多通道多特征融合的睡眠呼吸暂停检测方法，其特征在于：

Step1：采集原始信号数据，对原始信号数据集使用小波阈值法进行降噪处理；

Step2：将降噪后的信号经过通道相加和信号叠加的方法增强信号中的同步有效信息；

Step3：提取信号的时域特征、频域特征和非线性特征；

Step4：通过Relief特征选择算法对时域特征、频域特征和非线性特征进行分析筛选，再进行融合；

Step5：建立分类模型并采用基于高斯核函数支持向量机对融合后的特征进行分类；

所述Step1具体为：

Step1.1：设原始带噪信号为x(i,j)，对原始带噪信号x(i,j)进行s层正交小波变换，得到一组小波分解系数其中j＝1，2，…s，其中s表示小波分解的层数；

其次，在各分解层各方向对噪声方差按式(1)进行估计；

Step1.2：对信号的小波系数方差进行估计，由于服从高斯分布，所以：

由可得：

通过阈值系数β来调节各分解层中各个高频子带的阈值大小，阈值系数β为：

式中，L_k为小波分解系数第k层的小波系数长度，j是小波分解的层数；

最后，得出新阈值的表达式：

Step1.3：对各层高频系数进行小波软阈值处理得到新的小波系数：

式中，WST(·)表示软阈值函数处理；

最后，对处理后的小波系数进行小波反变换，得到去噪后的信号。

2.根据权利要求1所述的基于多通道多特征融合的睡眠呼吸暂停检测方法，其特征在于所述Step2具体为：

Step2.1：假设信号的通道数为N，则信号叠加和通道相加的组合的次数都为：

其中，通道相加是将多个通道的数据组合起来提取特征，信号叠加是将多个通道的数据相加之后提取特征；

Step2.2：设存在一个纯随机信号x(n)，有n个观察样本，当N→∞时，观测样本的和趋于0，如式(7)所示

∑x(n)＝0 n＝0,1,2,…,N. N→∞ (7)

设M个纯随机信号序列x_m(n)，当M→∞时，所有信号序列的每个对应点的和为0，如式(8)所示

∑x_m(n)＝0 m＝0,1,2,…,M. M→∞ (8)从而增强信号中的同步有效信息。

3.根据权利要求1所述的基于多通道多特征融合的睡眠呼吸暂停检测方法，其特征在于所述Step4具体为：

Step4.1：将提取的特征建立一个数据集D，样本抽样次数设为m，特征权重的阈值为δ；置0所有特征权重，权重T[F]为空集，样本抽样次数从1迭代到m；

Step4.2：在每次迭代过程中，随机选取一个样本R，从同类的样本集中找到R的最近邻样本H，从不同类样本集中找到最近邻样本M，若H小于M，权重增加，反之，减小，重复m次，最后得到各个特征的平均权重；

Step4.3：对特征F用公式W(F)＝W(F)-(diff(F,R,H))/m+(diff(F,R,M))/m计算，如果特征F的权重大于阈值，则把特征F添加到集合T中，其中F＝1,2,3,…,n。