本發(fā)明涉及醫(yī)療健康監(jiān)測(cè)領(lǐng)域，尤其涉及一種多傳感器融合的呼吸檢測(cè)方法。

背景技術(shù)：

1、通過(guò)利用人工智能技術(shù)和深度學(xué)習(xí)算法可實(shí)現(xiàn)嬰幼兒、老年人及病人的睡眠監(jiān)測(cè)，檢查出潛在的睡眠呼吸問(wèn)題或其他健康異常，對(duì)睡眠以及身體健康狀況給出建議，為用戶提供個(gè)性化的健康建議和干預(yù)措施。例如，可以分析用戶的睡眠質(zhì)量，提供改善睡眠的建議等。這種基于人工智能技術(shù)和深度學(xué)習(xí)算法的健康監(jiān)測(cè)系統(tǒng)具有很高的實(shí)用價(jià)值，可以幫助提高嬰幼兒、老年人和病人的健康管理水平，預(yù)防疾病發(fā)生，提升生活質(zhì)量。

2、因此，本領(lǐng)域的技術(shù)人員致力于開(kāi)發(fā)一種多傳感器融合的呼吸檢測(cè)方法，在采集的呼吸信號(hào)的基礎(chǔ)上進(jìn)行建模和分析，獲得呼吸分類結(jié)果。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于現(xiàn)有技術(shù)的上述缺陷，本發(fā)明所要解決的技術(shù)問(wèn)題是如何在采集的呼吸信號(hào)的基礎(chǔ)上進(jìn)行建模和分析，獲得呼吸分類結(jié)果。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種多傳感器融合的呼吸檢測(cè)方法，包括以下步驟：

3、步驟1、柔性傳感器和麥克風(fēng)各自采集呼吸信號(hào)，分別獲得第一呼吸信號(hào)和第二呼吸信號(hào)；

4、步驟2、對(duì)所述第一呼吸信號(hào)和所述第二呼吸信號(hào)進(jìn)行呼吸周期檢測(cè)，分別獲得信號(hào)幀1和信號(hào)幀2，并在呼吸周期檢測(cè)中進(jìn)行端點(diǎn)互相校正和信號(hào)間相關(guān)性計(jì)算；

5、步驟3、對(duì)所述信號(hào)幀1和所述信號(hào)幀2分別進(jìn)行特征提取和特征融合；

6、步驟4、進(jìn)行深度學(xué)習(xí)分類，獲得呼吸分類結(jié)果。

7、進(jìn)一步地，所述步驟2包括以下子步驟：

8、步驟2.1、對(duì)所述第一呼吸信號(hào)和所述第二呼吸信號(hào)分別進(jìn)行端點(diǎn)檢測(cè)，獲得各自的單幀呼吸信號(hào)，其中，兩者的所述端點(diǎn)檢測(cè)進(jìn)行互相校正；

9、步驟2.2、對(duì)各自獲得的所述單幀呼吸信號(hào)分別進(jìn)行幀間相關(guān)性計(jì)算，并重復(fù)所述步驟2.1和2.2，校正各自獲得的所述單幀呼吸信號(hào)的端點(diǎn)。

10、進(jìn)一步地，所述步驟2.1中的所述端點(diǎn)檢測(cè)采用幀內(nèi)原數(shù)據(jù)積分閾值判別和極大值幅度閾值判別兩個(gè)方法截取完整的呼吸幀并區(qū)分出呼吸暫停幀，其中，所述幀內(nèi)原數(shù)據(jù)積分閾值判別是通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行積分操作，獲得數(shù)據(jù)在時(shí)間上的累積值，再判斷所述單幀呼吸信號(hào)是否超過(guò)設(shè)定的積分閾值；所述極大值幅度閾值判別是通過(guò)檢測(cè)極大值點(diǎn)是否超過(guò)設(shè)定的幅度閾值。

11、進(jìn)一步地，所述步驟2.2對(duì)幀內(nèi)原數(shù)據(jù)積分進(jìn)行歸一化處理并判定幀間的互相關(guān)程度，其中，在所述互相關(guān)程度的判定中，使用以下計(jì)算公式：

12、

13、其中，表示相關(guān)值，表示標(biāo)準(zhǔn)呼吸幀數(shù)據(jù)序列，表示當(dāng)前截取的呼吸幀數(shù)據(jù)序列，表示相關(guān)度求取的延遲時(shí)間，即兩個(gè)序列進(jìn)行比較時(shí)的時(shí)間差，的取值范圍小于兩序列長(zhǎng)度之和；度量標(biāo)準(zhǔn)呼吸幀數(shù)據(jù)序列和當(dāng)前截取的呼吸幀數(shù)據(jù)序列之間的相似程度；表示標(biāo)準(zhǔn)呼吸幀數(shù)據(jù)序列中第個(gè)數(shù)據(jù)的復(fù)共軛；表示在當(dāng)前截取的呼吸幀數(shù)據(jù)序列中第個(gè)數(shù)據(jù)點(diǎn)的值。

14、進(jìn)一步地，在得到之后，計(jì)算相關(guān)程度的公式為：

15、

16、其中，表示標(biāo)準(zhǔn)呼吸幀數(shù)據(jù)序列和當(dāng)前截取的呼吸幀數(shù)據(jù)序列之間的相似程度，表示標(biāo)準(zhǔn)呼吸幀數(shù)據(jù)序列和標(biāo)準(zhǔn)呼吸幀數(shù)據(jù)序列之間的相似程度；表示標(biāo)準(zhǔn)呼吸幀數(shù)據(jù)序列和當(dāng)前截取的呼吸幀數(shù)據(jù)序列之間相似程度的最大值；表示標(biāo)準(zhǔn)呼吸幀數(shù)據(jù)序列之間相似程度的最大值。

17、進(jìn)一步地，在進(jìn)行相關(guān)程度判別后，如果檢測(cè)到的呼吸幀被確定為完整的呼吸幀，則進(jìn)行所述積分閾值和所述幅度閾值的更新，以使判定數(shù)據(jù)能夠自適應(yīng)地根據(jù)使用者個(gè)體的生理信息進(jìn)行調(diào)整；更新公式為：

18、

19、

20、其中，代表所述積分閾值，代表所述幅度閾值，和為更新參數(shù)。

21、進(jìn)一步地，和。

22、進(jìn)一步地，在所述步驟3中，進(jìn)行特征提取的模型結(jié)構(gòu)是并聯(lián)的1d-cnn和2d-cnn，并將提取的特征送入池化層進(jìn)行拼接，其中，一維卷積層直接處理原始音頻信號(hào)的時(shí)頻信息，二維卷積層處理音頻信號(hào)處理后的圖像特征。

23、進(jìn)一步地，所述特征融合是通過(guò)concate操作、add操作或交叉注意方式將不同的特征組合在一起，提高分類準(zhǔn)確率；其中，concate操作用于將兩個(gè)或多個(gè)張量在某個(gè)維度上連接在一起，生成一個(gè)更大的張量；add操作用于將兩個(gè)張量逐元素相加在一起，生成一個(gè)新的張量。

24、進(jìn)一步地，所述步驟4中的深度學(xué)習(xí)分類器模型，包括但不限于全連接層、dropout層或softmax，采用的損失函數(shù)為交叉熵?fù)p失，采用的優(yōu)化算法為adam優(yōu)化器。

25、本發(fā)明提供的一種多傳感器融合的呼吸檢測(cè)方法至少具有以下技術(shù)效果：

26、本發(fā)明提供的技術(shù)方案通過(guò)利用人工智能技術(shù)和深度學(xué)習(xí)算法監(jiān)測(cè)呼吸頻率和鼾聲等信號(hào)，提升了檢測(cè)分析的精度和效率，有利于幫助發(fā)現(xiàn)早期睡眠呼吸問(wèn)題或其他健康異常，降低對(duì)人工標(biāo)記數(shù)據(jù)的依賴，節(jié)省人工成本和精力，同時(shí)也減少人為誤差的可能性，并可以為用戶提供個(gè)性化的健康建議和干預(yù)措施，提高使用者的健康管理水平，預(yù)防疾病發(fā)生，改善生活質(zhì)量。

27、以下將結(jié)合附圖對(duì)本發(fā)明的構(gòu)思、具體結(jié)構(gòu)及產(chǎn)生的技術(shù)效果作進(jìn)一步說(shuō)明，以充分地了解本發(fā)明的目的、特征和效果。

技術(shù)特征：

1.一種多傳感器融合的呼吸檢測(cè)方法，其特征在于，所述方法包括以下步驟：

2.如權(quán)利要求1所述的多傳感器融合的呼吸檢測(cè)方法，其特征在于，所述步驟2包括以下子步驟：

3.如權(quán)利要求2所述的多傳感器融合的呼吸檢測(cè)方法，其特征在于，所述步驟2.1中的所述端點(diǎn)檢測(cè)采用幀內(nèi)原數(shù)據(jù)積分閾值判別和極大值幅度閾值判別兩個(gè)方法截取完整的呼吸幀并區(qū)分出呼吸暫停幀，其中，所述幀內(nèi)原數(shù)據(jù)積分閾值判別是通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行積分操作，獲得數(shù)據(jù)在時(shí)間上的累積值，再判斷所述單幀呼吸信號(hào)是否超過(guò)設(shè)定的積分閾值；所述極大值幅度閾值判別是通過(guò)檢測(cè)極大值點(diǎn)是否超過(guò)設(shè)定的幅度閾值。

4.如權(quán)利要求3所述的多傳感器融合的呼吸檢測(cè)方法，其特征在于，所述步驟2.2對(duì)幀內(nèi)原數(shù)據(jù)積分進(jìn)行歸一化處理并判定幀間的互相關(guān)程度，其中，在所述互相關(guān)程度的判定中，使用以下計(jì)算公式：

5.如權(quán)利要求4所述的多傳感器融合的呼吸檢測(cè)方法，其特征在于，在得到之后，計(jì)算相關(guān)程度的公式為：

6.如權(quán)利要求5所述的多傳感器融合的呼吸檢測(cè)方法，其特征在于，在進(jìn)行相關(guān)程度判別后，如果檢測(cè)到的呼吸幀被確定為完整的呼吸幀，則進(jìn)行所述積分閾值和所述幅度閾值的更新，以使判定數(shù)據(jù)能夠自適應(yīng)地根據(jù)使用者個(gè)體的生理信息進(jìn)行調(diào)整；更新公式為：

7.如權(quán)利要求6所述的多傳感器融合的呼吸檢測(cè)方法，其特征在于，和。

8.如權(quán)利要求1所述的多傳感器融合的呼吸檢測(cè)方法，其特征在于，在所述步驟3中，進(jìn)行特征提取的模型結(jié)構(gòu)是并聯(lián)的1d-cnn和2d-cnn，并將提取的特征送入池化層進(jìn)行拼接，其中，一維卷積層直接處理原始音頻信號(hào)的時(shí)頻信息，二維卷積層處理音頻信號(hào)處理后的圖像特征。

9.如權(quán)利要求8所述的多傳感器融合的呼吸檢測(cè)方法，其特征在于，所述特征融合是通過(guò)concate操作、add操作或交叉注意方式將不同的特征組合在一起，提高分類準(zhǔn)確率；其中，concate操作用于將兩個(gè)或多個(gè)張量在某個(gè)維度上連接在一起，生成一個(gè)更大的張量；add操作用于將兩個(gè)張量逐元素相加在一起，生成一個(gè)新的張量。

10.如權(quán)利要求1所述的多傳感器融合的呼吸檢測(cè)方法，其特征在于，所述步驟4中的深度學(xué)習(xí)分類器模型，包括但不限于全連接層、dropout層或softmax，采用的損失函數(shù)為交叉熵?fù)p失，采用的優(yōu)化算法為adam優(yōu)化器。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種多傳感器融合的呼吸檢測(cè)方法，涉及醫(yī)療健康監(jiān)測(cè)領(lǐng)域，所述方法包括：步驟1、柔性傳感器和麥克風(fēng)各自采集呼吸信號(hào)，分別獲得第一呼吸信號(hào)和第二呼吸信號(hào)；步驟2、對(duì)第一呼吸信號(hào)和第二呼吸信號(hào)進(jìn)行呼吸周期檢測(cè)，分別獲得信號(hào)幀1和信號(hào)幀2，并在呼吸周期檢測(cè)中進(jìn)行端點(diǎn)互相校正和信號(hào)間相關(guān)性計(jì)算；步驟3、對(duì)信號(hào)幀1和信號(hào)幀2分別進(jìn)行特征提取和特征融合；步驟4、進(jìn)行深度學(xué)習(xí)分類，獲得呼吸分類結(jié)果。本發(fā)明提供的技術(shù)方案提升了檢測(cè)分析的精度和效率，有利于幫助發(fā)現(xiàn)早期睡眠呼吸問(wèn)題或其他健康異常，提高使用者的健康管理水平，預(yù)防疾病發(fā)生，改善生活質(zhì)量。

技術(shù)研發(fā)人員：衛(wèi)慧慧,裴國(guó)錦,樊好,王林,楊根科,褚健
受保護(hù)的技術(shù)使用者：上海交通大學(xué)寧波人工智能研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19