一种基于BiLSTM的睡眠呼吸异常自动筛查方法

摘要

本发明是一种自动睡眠呼吸筛查异常的方法，首先提出一种基于肖维勒准则的PPG信号预处理方法，对无效PPG信号进行判别，其次提出一种基于BiLSTM的睡眠呼吸异常筛查模型，并通过对模型改进，不仅能够有效解决梯度消失等问题，还能够充分利用PPG信号的前后信息进行计算从而提升模型的准确率。

说明书

技术领域

本发明是一种睡眠呼吸异常筛选方法，尤其是一种基于BiLSTM的睡眠呼吸异常自动筛选方法。

背景技术

睡眠呼吸异常会导致大脑皮层在睡眠期间不规律觉醒，扰乱睡眠节律的同时，反复出现呼吸暂停或减弱，引发低氧血症等多种疾病，并且与心脑血管疾病、内分泌疾病等多种疾病紧密相关，严重威胁着人类生命健康及生存质量。由于专业检测睡眠呼吸异常状态的仪器设备昂贵、检测过程繁琐、分析处理复杂，导致睡眠呼吸异常疾病的临床确诊率低、医治不及时。所以便携式睡眠呼吸监测仪器的研究与开发引起了国内外的广泛关注，其中基于脉搏血氧仪进行睡眠呼吸异常状态判别的方法凭借仪器的穿戴性良好、扰眠性较低、且监测电极不致敏等优势，使其在睡眠呼吸异常疾病的筛查中具有巨大发展潜力与应用价值。

目前基于脉搏血氧仪进行睡眠呼吸异常状态判别的仪器已较为成熟，但脉搏血氧信号(PPG)的处理及后续分类模型的建立会直接影响此方法对疾病判别的最终结果，所以是此方法普及应用的瓶颈，也是目前国内外研究的重点与热点。PPG信号在采集过程中会受到多种因素干扰，尤其是尖峰噪声和传感器接触不良产生的无效信号，严重影响后续检测模型的准确率。随着深度学习技术的发展，信号的分类检测更倾向于使用深度学习方法来处理，其中具有代表性的模型有卷积神经网络(CNN)和循环神经网络(RNN)等，然而这些深层模型具有梯度消失等问题，影响模型分类检查的准确率。

发明内容

本发明的目的是，提供一种睡眠呼吸异常筛选方法，主要包括样本PPG数据预处理、建立睡眠呼吸异常筛查模型以及模型有效验证等三个方面开展工作，该方法能显著提升睡眠异常筛选效率和准确率。一种基于BiLSTM的睡眠呼吸异常自动筛查方法包括如下步骤：

步骤一、临床数据采集，获取临床采集的PPG信号。

步骤二、将PPG信号数据存储到数据库中。

作为一种举例说明，数据库可以是physioNet Datebase、mySQL、Oracle以及NoSQL等。

步骤三、抽取PPG数据集，根据需要从数据库中抽取PPG数据，用于智能模型训练和测试。

步骤四、基于肖维勒准则的PPG信号预处理。

PPG信号在采集过程中不可避免会混入高频噪声、基线漂移、尖峰噪声和传感器接触不良产生的无效信号等多种噪声，会严重影响后续检测模型的准确率，本发明主要研究基于肖维勒准则的PPG信号预处理技术，包括：

步骤4.1，生成特征样本。

对于任意一组包含段PPG信号、每段信号长度为的原始数据

根据尖峰噪声的幅值异常的特点，选择原始分段信号作为被测对象，因此首先需要依次计算每段原始分段数据的均值，形成均值样本

根据传感器接触不良信号的波动特点，选择原始分段信号的标准差作为被测对象，因此需要计算标准差样本的均值

步骤4.2，自适应阈值计算。

为实现更加准确的判别，设计可以根据被测对象及其数量变化的自适应判别阈值，对于被测对象X，其数量为t，自适应阈值T的计算公式如Eq.1：

其中，

对于尖峰噪声信号，选取原始分段信号x

对于传感器接触不良信号，选取标准差样本std

步骤4.3，判别无效PPG信号。

对于含尖峰噪声的无效信号，由于尖峰噪声的幅值异常的大，因此可以分别对每一段信号使用肖维勒准则判断该数据中是否有异常的值，若有，则该段信号即为尖峰噪声信号。即：如果该段信号的某一测量值与平均值之差的绝对值大于尖峰噪声阈值，如Eq.4所示，则认为该段信号是包含尖峰噪声的信号。依次对每段信号进行判别，将判定为尖峰噪声的信号所在的位置记录在集合P1；

|x

对于传感器接触不良的无效信号，由于传感器接触不良时PPG信号的幅值存在较为明显的波动，因此可以对信号的标准差样本使用肖维勒准则判断该数据中是否有标准差异常的值，若有，则该异常标准差所对应的信号段即为传感器接触不良信号。即：如果某标准差与标准差的平均值之差的绝对值大于传感器接触不良阈值，如Eq.5所示，则认为该标准差所对应的信号是传感器接触不良信号。记录判定为传感器接触不良的信号所在的位置P2；

|std

步骤4.4，剔除无效PPG信号，无效信号所在的位置为集合P1与集合P2的并集，根据信号位置将无效信号从原始信号中剔除得到最终的预处理后的信号。

步骤五、建立基于BiLSTM的睡眠呼吸异常筛查模型。

研究深度学习理论，构建基于BiLSTM的睡眠呼吸异常自动筛查模型，对比模型输入为原始信号、预处理后的信号对模型输出的影响，从准确率、特异性等方面对模型性能进行评估，通过训练与测试改进优化模型，构建较为准确的睡眠呼吸异常筛查模型。具体方案如下：

步骤5.1，形成网络训练数据和测试数据集。

数据集对于网络建模至关重要，使用PhysioNet数据库，并对数据库中的信号进行预处理，得到原始数据集和预处理后的数据集，分别对其随机抽取。

作为一种举例说明，抽取训练数据和测试数据比例为8:2,7:3等。

步骤5.2，建立基于BiLSTM的建立睡眠呼吸异常筛查模型。

研究发现BiLSTM模型能够有效解决这些问题，LSTM模型中细胞结构的应用使不同时期记忆信息的尺度动态变化，通过将RNN中随时间方向传播算法的参数矩阵的累乘运算转换成逐位相乘运算，在一定程度上减缓了RNN的梯度消失等问题，双向模型的构建使得最后的输出同时取决于前向层和后向层的输出结果，充分利用PPG信号的前后信息，使得BiLSTM中的信号的信息利用率较高，在一定程度上能够提高模型分类的准确率。模型构建完成后，从识别率、准确率等方面对模型性能进行评估，通过训练与测试改进优化模型，使模型能够初步进行睡眠呼吸异常筛查与预测。

步骤5.2.1，对模型进行改进。

考虑到PPG数据库的数据类别均衡问题，睡眠呼吸异常的数据相对较少，在不做数据增强的情况下，通过调整输出函数的阈值、损失函数中各类别的比重来对模型进行改进，强迫模型去学习睡眠呼吸异常的数据信息，提高对睡眠呼吸异常的分类要求。

改进loss函数，原始的loss函数是交叉熵损失函数，如Eq.6：：

y是label，在本发明中取值为1或者0，0代表睡眠呼吸正常信号，1代表睡眠呼吸异常信号，a是sigmoid激活值，从公式中可以看到正例loss和负例loss是等权平均的。由于睡眠呼吸异常的数据量相对较小，因此可以提高y＝1的loss比重，使得y＝1代表的数据更加重要，强迫模型去学习睡眠呼吸异常数据。

步骤5.2.2，对模型进行优化。

根据模型对超参数的敏感性，考虑从以下三个方面优化模型。

(1)优化学习率

学习率太小容易发生过拟合，学习率太大容易产生训练误差，所以需要在一个取值范围内周期性地改变学习率，首先使模型迭代少量次数，同时让学习率在高低学习率之间线性增加，一轮循环结束后确定最大学习速率，并将最大值的十分之一作为最小学习率，然后对学习率设置衰减系数，使得学习率随着训练衰减，在进行大量实验后得到学习率和模型性能的最佳映射关系。

将学习率设置为指数衰减：

L

L＝L

其中L为每一轮优化时使用的学习率，L

(2)调整优化器

通过设置不同的优化器，例如Adagrad，RMSprop，SGD，Adam等，或者使用不同的优化器共同作用优化模型，例如首先使用收敛速度较快性能较好的Adam进行训练，当模型收敛到一定程度后，在使用载入动量的SGD来优化模型，通过改变不同的优化器组合观察模型最终的收敛结果。

(3)优化权重衰减系数

通过改变权值来调整模型的复杂度，在一定程度上能避免模型过拟合问题。

代价函数的更新公式为：

其中C

通过C对w求导来更新w，w的更新公式为：

在不使用权重衰减系数时，求导结果中w前系数为1，现在w前面系数为

步骤六、模型有效性验证。

模型构建完成后，需对模型进行有效性验证实验。首先利用PhysioNet数据库中的临床PPG信号数据库，通过准确率、特异性等指标对模型整体性能进行评估。其次利用前期研究基础中的GACNN模型，从模型的准确率、代价函数、训练时间、复杂度等方面综合对比，验证模型的性能。

本发明的有益效果：

本发明是一种自动睡眠呼吸筛查异常的方法，将粗大误差判别准则应用于对传感器接触不良、仪器故障情况下采集的无效PPG信号判别，进而提出一种基于肖维勒准则的PPG信号预处理方法，对无效PPG信号进行判别。在PPG信号筛选方面，提出了一种基于双向长短期记忆网络(BiLSTM)的睡眠呼吸异常筛查模型，并通过对模型改进，不仅能够有效解决梯度消失等问题，还能够充分利用PPG信号的前后信息进行计算从而提升模型的准确率。

附图说明

图1基于BiLSTM的睡眠呼吸异常自动筛查流程图

图2便携式脉搏血氧仪实物图

具体实施方式

本发明主要方法实现流程见图1基于BiLSTM的睡眠呼吸异常自动筛查流程图所示，以下结合附图对本发明的优选实施例进行详细说明：

步骤一、临床数据采集，通过便携式脉搏血氧仪获取临床采集的PPG信号，仪器实物图如图2所示。

步骤二、将PPG信号数据存储到physioNet Datebase中。

步骤三、抽取PPG数据集，从physioNet Datebase中抽取500条PPG数据，用于智能模型训练和测试。

步骤四、基于肖维勒准则的PPG信号预处理。

步骤4.1，生成特征样本。

设置特征样本PPG信号格式，对500条PPG信号的每段信号长度为的原始数据每一行数据为一段PPG信号。

步骤4.2，自适应阈值计算。

优选的，根据公式1-3计算，自适应阈值、尖峰噪音阈值和传感器不良接触阈值分别设置为2、3、3。

步骤4.3，判别无效PPG信号。

对于含尖峰噪声的无效信号，由于尖峰噪声的幅值异常的大，因此可以分别对每一段信号使用肖维勒准则判断该数据中是否有异常的值，若有，则该段信号即为尖峰噪声信号。

步骤4.4，剔除无效PPG信号，根据阈值计算，剔除大于设置阈值的信号，得到最终的预处理后的信号。

步骤五、建立基于BiLSTM的睡眠呼吸异常筛查模型。

构建基于BiLSTM的睡眠呼吸异常自动筛查模型，从准确率、特异性等方面对模型性能进行评估，通过训练与测试改进优化模型，构建较为准确的睡眠呼吸异常筛查模型。具体方案如下：

步骤5.1，优选的，抽取训练数据和测试数据比例为7:3。

步骤5.2，建立基于BiLSTM的建立睡眠呼吸异常筛查模型。

模型构建完成后，从识别率、准确率等方面对模型性能进行评估，通过训练与测试改进优化模型，使模型能够初步进行睡眠呼吸异常筛查与预测。

步骤5.2.1，优选的，本发明通过改进loss函数对模型进行改进。

步骤5.2.2，优选的，通过优化学习率、调整优化器、优化权重衰减系数三个方面优化模型。

步骤六、模型有效性验证。

优选的，采用十折交叉验证法，对BiLSTM模型进行10次分类预测，按式(11)、(12)、(13)分别计算分类准确率，特异性和敏感性。

其中TP(True Positive)代表检测为真阳，TN(True Negative)代表检测为真阴，FP(False Positive)代表检测假阳，FN(False Negative)代表检测为假阴。