psg数据自动分析方法、装置、计算机设备以及存储介质
技术领域
1.本发明涉及睡眠分析技术领域，更具体的说，本发明涉及一种psg数据自动分析方法、装置、计算机设备以及存储介质。
背景技术：2.阻塞性睡眠呼吸暂停低通气综合征（osahs）是重大源头性疾病，可导致高血压、糖尿病、冠心病、老年痴呆等疾病。相关研究表明，2019年全球有9.36亿人罹患osahs，中国的患病人数位于世界前列。osahs对我国社会经济造成巨大的负担。对osahs的疾病诊断需要对患者夜间睡眠进行监测。目前主要利用多导睡眠图（psg）对患者夜间睡眠期间的脑电、眼电、颏肌电、心电、血氧、脉搏波等信号进行监测与分析。
3.其中睡眠分期是osahs疾病诊断的重要组成部分。专业的睡眠分析医师通过psg数据进行睡眠分期分析，在这个过程中会耗费大量的时间和人工成本。有经验的医师每天完成3例osahs疾病诊断相关的事件分析。不同医师之间的差异会造成分析结果存在5%～20%的变异率。睡眠监测中心主要集中在发达地区，相关医疗资源地区分配不平衡。同时，睡眠分析医师培养门槛高，睡眠分析人才短缺，不能满足osahs疾病诊断的需求。利用基于人工智能的自动睡眠分期算法能够有效的缓解这些问题。
4.自动睡眠分期算法利用psg相关信号，对一整晚的数据逐帧进行睡眠分期分析。只需要几十秒的时间便能输出一个病患完整精确的睡眠分期结果。能够大大地提升睡眠分期分析的效率。在传统的自动睡眠分期算法中，特征提取方法主要包括傅里叶变换、小波变换、功率谱、近似熵等。将提取到的特征输入到传统机器学习分类器中进行睡眠分期分析。该类方法需要人工确定具体的特征，具有较大的局限性，并且在大量的数据中难有较好的效果。
技术实现要素：5.为了克服现有技术的不足，本发明提供一种psg数据自动分析方法、装置、计算机设备以及存储介质。
6.本发明解决其技术问题所采用的技术方案是：一种psg数据自动分析方法，其改进之处在于，该方法包括以下的步骤：s10、原始数据的采集，该原始数据包括生理信号数据和睡眠分期标签数据；s20、数据的预处理，预处理包括对生理信号数据的滤波、去噪、重采样、多帧拼接；s30、睡眠分期预测模块对数据的处理，经预处理的数据输入至睡眠分期预测模块，其处理过程包括通过特征提取模块对输入数据的特征提取的步骤、对提取的特征采用特征融合模块进行特征融合得到特征向量的步骤、将特征向量与编码向量融合得到新的特征向量的步骤以及将新的特征向量输入transformer模块得到当前帧的睡眠分期结果的步骤。
7.进一步的，步骤s10中，所述的生理信号数据包括脑电信号、眼电信号、下颌肌电信
号、心电信号、胸带信号、腹带信号、脉搏波信号、腿动信号、鼾声信号、脉率信号、血氧饱和度信号以及心电rr间期信号。
8.进一步的，步骤s20中，滤波用于去除低频和高频的无效信息，去噪用于去除信号中的噪音，重采样用于将数据转换为同一固定频率，多帧拼接用于将相邻的多帧数据拼接对应一帧睡眠分期结果。
9.进一步的，步骤s30中，所述的输入数据包括脑电信号、眼电信号、下颌肌电信号、心电信号、胸带信号、腹带信号、脉搏波信号、腿动信号、鼾声信号、脉率信号、血氧饱和度信号以及心电rr间期信号中的一个或多个信号，对输入数据的特征提取的步骤包括：s301、采用特征提取模块中bn层、卷积层、relu层组合与n个串联的群卷积模块对输入数据的特征提取；s302、输入数据通过bn层、1*1的卷积层进行通道数调整和通道间的信息融合后，输入至relu层；s303、得到初步的特征图，输入至bn层、3*1的群卷积层、relu层进行进一步的特征提取；s304、将得到的特征图再输入至bn层、1*1的卷积层、relu层、进行通道数调整和通道间的信息融合，得到新的特征图；s305、将新的特征图与输入数据进行拼接后，输入至池化层进行特征图的大小调整以及特征信息融合，得到群卷积模块的输出。
10.进一步的，步骤s30中，对提取的特征采用特征融合模块进行特征融合得到特征向量的步骤包括：s306、将特征提取模块提取的特征输入至池化层中，得到融合特征；s307、将融合特征输入到flatten层展开成一维特征向量；s308、展开后的特征经过全连接层，得到特征向量；将特征向量与编码向量融合得到新的特征向量的步骤包括：s309、利用前后相邻m帧的睡眠分期结果进行编码，得到编码向量，在模型训练时，采用前后相邻m帧的睡眠分期标签，m的取值范围为0~100；s310、将特征向量与编码向量融合，得到新的特征向量。
11.进一步的，步骤s30中，将新的特征向量输入transformer模块得到当前帧的睡眠分期结果的步骤包括：s311、将新的特征向量输入transformer模块，得到最终当前帧的睡眠分期结果；s312、由于新的特征向量中含有当前帧的特征信息以及前后相邻m帧的睡眠分期信息，通过transformer模块能够根据当前帧的特征以及前后相邻m帧的时序关系得出当前帧的睡眠分期结果。
12.进一步的，还包括对睡眠分期标签数据进行标签平滑的步骤：在训练中one-hot标签转换为软标签：；
各分量满足：；其中，c为该标签表示的睡眠分期编号，αi为各睡眠分期对应的权重系数，k为睡眠分期的总数，ε为标签平滑参数，pi为睡眠分期标签各分量的数值；本发明还公开了一种psg数据自动分析装置，其改进之处在于，包括原始数据处理模块、数据预处理模块以及睡眠分期预测模块；所述原始数据处理模块，用于实现对原始数据的采集，该原始数据包括生理信号数据和睡眠分期标签数据；所述数据预处理模块，与原始数据处理模块相连接，用于对原始数据进行滤波、去噪、重采样、多帧拼接；所述睡眠分期预测模块，与数据预处理模块相连接，该睡眠分期预测模块包括依次相连接的特征提取模块、特征融合模块以及transformer模块，所述特征提取模块用于对输入数据进行特征提取，所述特征融合模块用于对提取的特征进行特征融合得到特征向量，并将特征向量与编码向量融合得到新的特征向量，所述transformer模块用于实现新的特征向量输入，并得到当前帧的睡眠分期结果。
13.进一步的，所述的生理信号数据包括脑电信号、眼电信号、下颌肌电信号、心电信号、胸带信号、腹带信号、脉搏波信号、腿动信号、鼾声信号、脉率信号、血氧饱和度信号以及心电rr间期信号。
14.进一步的，所述的特征提取模块包括bn层，卷积层，relu层组合与n个串联的群卷积模块，通过bn层，卷积层，relu层组合与n个串联的群卷积模块对输入数据进行特征提取。
15.进一步的，所述特征融合模块包括池化层、flatten层和全连接层，池化层的输出经过flatten层展开成一维融合向量，展开后的一维融合向量经过全连接层，得到特征向量。
16.本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其改进之处在于，所述处理器执行所述计算机程序时实现所述的psg数据自动分析方法的步骤。
17.本发明还公开了一种计算机存储介质，其上存储有计算机程序，其改进之处在于，所述计算机程序被处理器执行时实现所述的psg数据自动分析方法的步骤。
18.本发明的有益效果是：本发明提供的一种psg数据自动分析方法和装置，可以大大提高医师分析病人整夜psg信号的效率；在临床应用后，可以大大解放医师每日的工作量，大大提高患者就诊的效率，降低患者就诊的成本。
附图说明
19.图1为本发明的一种psg数据自动分析方法的流程示意图。
20.图2为本发明的一种psg数据自动分析方法中睡眠分期预测模块的总体框架图。
21.图3为本发明的一种psg数据自动分析方法中群卷积模块的数据处理流程示意图。
22.图4为本发明的一种psg数据自动分析装置的框架示意图。
具体实施方式
23.下面结合附图和实施例对本发明进一步说明。
24.以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
25.参照图1所示，本发明揭示了一种psg数据自动分析方法，具体的，在本实施例中，该方法包括以下的步骤：s10、原始数据的采集，该原始数据包括生理信号数据和睡眠分期标签数据；在本实施例中，所述的生理信号数据包括脑电信号、眼电信号、下颌肌电信号、心电信号、胸带信号、腹带信号、脉搏波信号、腿动信号、鼾声信号、脉率信号、血氧饱和度信号以及心电rr间期信号；可以采用上述一个或多个生理信号数据组合进行睡眠分期方法模型的训练；本实施例中，采用脑电信号、眼电信号以及下颌肌电信号的组合进行睡眠分期方法模型的训练。
26.s20、数据的预处理，预处理包括对生理信号数据的滤波、去噪、重采样、多帧拼接；本方案中，滤波用于去除低频和高频的无效信息，去噪用于去除信号中的噪音，重采样用于将数据转换为同一固定频率，多帧拼接用于将相邻的多帧数据拼接对应一帧睡眠分期结果。
27.s30、睡眠分期预测模块对数据的处理，经预处理的数据输入至睡眠分期预测模块，其处理过程包括通过特征提取模块对输入数据的特征提取的步骤、对提取的特征采用特征融合模块进行特征融合得到特征向量的步骤、将特征向量与编码向量融合得到新的特征向量的步骤以及将新的特征向量输入transformer模块得到当前帧的睡眠分期结果的步骤。其中，所述的编码向量，采用利用相邻的多帧睡眠分期结果进行编码，得到编码向量。
28.在所述的步骤s30中，所述的输入数据包括脑电信号、眼电信号、下颌肌电信号、心电信号、胸带信号、腹带信号、脉搏波信号、腿动信号、鼾声信号、脉率信号、血氧饱和度信号以及心电rr间期信号中的一个或多个信号，本实施例中，所述的输入数据为脑电信号、眼电信号以及下颌肌电信号。
29.更为具体的，结合图2、图3所示，步骤s30中，对输入数据的特征提取的步骤包括：s301、采用特征提取模块中bn层、卷积层、relu层组合与n个串联的群卷积模块对输入数据的特征提取；s302、输入数据通过bn层、1*1的卷积层进行通道数调整和通道间的信息融合后，输入至relu层；s303、得到初步的特征图，输入至bn层、3*1的群卷积层、relu层进行进一步的特征提取；s304、将得到的特征图再输入至bn层、1*1的卷积层、relu层、进行通道数调整和通道间的信息融合，得到新的特征图；
s305、将新的特征图与输入数据进行拼接后，输入至池化层进行特征图的大小调整以及特征信息融合，得到群卷积模块的输出；其中输入数据为神经网络处理的特征图数据。
30.进一步的，继续参照图2所示，步骤s30中，对提取的特征采用特征融合模块进行特征融合得到特征向量的步骤包括：s306、将特征提取模块提取的特征输入至池化层中，得到融合特征；s307、将融合特征输入到flatten层展开成一维特征向量；s308、展开后的特征经过全连接层，得到特征向量；并且，将特征向量与编码向量融合得到新的特征向量的步骤包括：s309、利用前后相邻m帧的睡眠分期结果进行编码，得到编码向量，在模型训练时，采用前后相邻m帧的睡眠分期标签，m的取值范围为0~100；s310、将特征向量与编码向量融合，得到新的特征向量。
31.更进一步的，步骤s30中，将新的特征向量输入transformer模块得到当前帧的睡眠分期结果的步骤包括：s311、将新的特征向量输入transformer模块，得到最终当前帧的睡眠分期结果；s312、由于新的特征向量中含有当前帧的特征信息以及前后相邻m帧的睡眠分期信息，通过transformer模块能够根据当前帧的特征以及前后相邻m帧的时序关系得出当前帧的睡眠分期结果。
32.另外，上述的实施例中，还包括对睡眠分期标签数据进行标签平滑的步骤：在训练中one-hot标签转换为软标签：；各分量满足：；其中，c为该标签表示的睡眠分期编号，αi为各睡眠分期对应的权重系数，k为睡眠分期的总数，ε为标签平滑参数，pi为睡眠分期标签各分量的数值；结合上述的实施例，参照图4所示，本发明还公开了一种psg数据自动分析装置，包括原始数据处理模块10、数据预处理模块20以及睡眠分期预测模块30；所述原始数据处理模块10，用于实现对原始数据的采集，该原始数据包括生理信号数据和睡眠分期标签数据；所述数据预处理模块20，与原始数据处理模块10相连接，用于对原始数据进行滤波、去噪、重采样、多帧拼接；所述睡眠分期预测模块30，与数据预处理模块20相连接，该睡眠分期预测模块30包括依次相连接的特征提取模块、特征融合模块以及transformer模块，所述特征提取模块用于对输入数据进行特征提取，所述特征融合模块用于对提取的特征进行特征融合得到特征向量，并将特征向量与编码向量融合得到新的特征向量，所述transformer模块
用于实现新的特征向量输入，并得到当前帧的睡眠分期结果。由于新的特征向量中含有当前帧的特征信息以及前后相邻m帧的睡眠分期信息，通过transformer模块能够根据当前帧的特征以及前后相邻m帧的时序关系得出当前帧的睡眠分期结果。
33.本实施例中，所述的特征提取模块包括bn层，卷积层，relu层组合与n个串联的群卷积模块，通过bn层，卷积层，relu层组合与n个串联的群卷积模块对输入数据进行特征提取。所述特征融合模块包括池化层、flatten层和全连接层，池化层的输出经过flatten层展开成一维融合向量，展开后的一维融合向量经过全连接层，得到特征向量。
34.上述的实施例中，所述的生理信号数据包括脑电信号、眼电信号、下颌肌电信号、心电信号、胸带信号、腹带信号、脉搏波信号、腿动信号、鼾声信号、脉率信号、血氧饱和度信号以及心电rr间期信号。
35.另外，本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的一种psg数据自动分析方法。
36.更进一步的，本发明还公开了一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的一种psg数据自动分析方法。
37.基于此，本发明提供的一种psg数据自动分析方法和装置，可以大大提高医师分析病人整夜psg信号的效率，本来需要大约三小时左右的人工分析，通过机器分析只需短短三十秒，就可达到人类医师的正确率与一致率。
38.在临床应用后，可以大大解放医师每日的工作量，让医师有更多精力从事需要更多脑力劳动的诊断与科研工作，同时大大提高患者就诊的效率，降低患者就诊的成本。
39.以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。
技术特征：1.一种psg数据自动分析方法，其特征在于，该方法包括以下的步骤：s10、原始数据的采集，该原始数据包括生理信号数据和睡眠分期标签数据；s20、数据的预处理，预处理包括对生理信号数据的滤波、去噪、重采样以及多帧拼接；s30、睡眠分期预测模块对数据的处理，经预处理的数据输入至睡眠分期预测模块，其处理过程包括通过特征提取模块对输入数据的特征提取的步骤、对提取的特征采用特征融合模块进行特征融合得到特征向量的步骤、将特征向量与编码向量融合得到新的特征向量的步骤以及将新的特征向量输入transformer模块得到当前帧的睡眠分期结果的步骤。2.根据权利要求1所述的psg数据自动分析方法，其特征在于，步骤s10中，所述的生理信号数据包括脑电信号、眼电信号、下颌肌电信号、心电信号、胸带信号、腹带信号、脉搏波信号、腿动信号、鼾声信号、脉率信号、血氧饱和度信号以及心电rr间期信号。3.根据权利要求1所述的psg数据自动分析方法，其特征在于，步骤s20中，滤波用于去除低频和高频的无效信息，去噪用于去除信号中的噪音，重采样用于将数据转换为同一固定频率，多帧拼接用于将相邻的多帧数据拼接对应一帧睡眠分期结果。4.根据权利要求2所述的psg数据自动分析方法，其特征在于，步骤s30中，所述的输入数据包括脑电信号、眼电信号、下颌肌电信号、心电信号、胸带信号、腹带信号、脉搏波信号、腿动信号、鼾声信号、脉率信号、血氧饱和度信号以及心电rr间期信号中的一个或多个信号，对输入数据的特征提取的步骤包括：s301、采用特征提取模块中bn层、卷积层、relu层组合与n个串联的群卷积模块对输入数据的特征提取；s302、输入数据通过bn层、1*1的卷积层进行通道数调整和通道间的信息融合后，输入至relu层；s303、得到初步的特征图，输入至bn层、3*1的群卷积层、relu层进行进一步的特征提取；s304、将得到的特征图再输入至bn层、1*1的卷积层、relu层，进行通道数调整和通道间的信息融合，得到新的特征图；s305、将新的特征图与输入数据进行拼接后，输入至池化层进行特征图的大小调整以及特征信息融合，得到群卷积模块的输出。5.根据权利要求4所述的psg数据自动分析方法，其特征在于，步骤s30中，对提取的特征采用特征融合模块进行特征融合得到特征向量的步骤包括：s306、将特征提取模块提取的特征输入至池化层中，得到融合特征；s307、将融合特征输入到flatten层展开成一维特征向量；s308、展开后的特征经过全连接层，得到特征向量；将特征向量与编码向量融合得到新的特征向量的步骤包括：s309、利用前后相邻m帧的睡眠分期结果进行编码，得到编码向量，在模型训练时，采用前后相邻m帧的睡眠分期标签，m的取值范围为0~100；s310、将特征向量与编码向量融合，得到新的特征向量。6.根据权利要求4所述的psg数据自动分析方法，其特征在于，步骤s30中，将新的特征向量输入transformer模块得到当前帧的睡眠分期结果的步骤包括：s311、将新的特征向量输入transformer模块，得到最终当前帧的睡眠分期结果；
s312、由于新的特征向量中含有当前帧的特征信息以及前后相邻m帧的睡眠分期信息，通过transformer模块能够根据当前帧的特征以及前后相邻m帧的时序关系得出当前帧的睡眠分期结果。7.根据权利要求1所述的psg数据自动分析方法，其特征在于，还包括对睡眠分期标签数据进行标签平滑的步骤：在训练中one-hot标签转换为软标签：；各分量满足：；其中，c为该标签表示的睡眠分期编号，α
i
为各睡眠分期对应的权重系数，k为睡眠分期的总数，ε为标签平滑参数，p
i
为睡眠分期标签各分量的数值。8.一种psg数据自动分析装置，其特征在于，包括原始数据处理模块、数据预处理模块以及睡眠分期预测模块；所述原始数据处理模块，用于实现对原始数据的采集，该原始数据包括生理信号数据和睡眠分期标签数据；所述数据预处理模块，与原始数据处理模块相连接，用于对原始数据进行滤波、去噪、重采样、多帧拼接；所述睡眠分期预测模块，与数据预处理模块相连接，该睡眠分期预测模块包括依次相连接的特征提取模块、特征融合模块以及transformer模块，所述特征提取模块用于对输入数据进行特征提取，所述特征融合模块用于对提取的特征进行特征融合得到特征向量，并将特征向量与编码向量融合得到新的特征向量，所述transformer模块用于实现新的特征向量输入，并得到当前帧的睡眠分期结果。9.根据权利要求8所述的一种psg数据自动分析装置，其特征在于，所述的生理信号数据包括脑电信号、眼电信号、下颌肌电信号、心电信号、胸带信号、腹带信号、脉搏波信号、腿动信号、鼾声信号、脉率信号、血氧饱和度信号以及心电rr间期信号。10.根据权利要求8所述的一种psg数据自动分析装置，其特征在于，所述的特征提取模块包括bn层，卷积层，relu层组合与n个串联的群卷积模块，通过bn层，卷积层，relu层组合与n个串联的群卷积模块对输入数据进行特征提取。11.根据权利要求8所述的一种psg数据自动分析装置，其特征在于，所述特征融合模块包括池化层、flatten层和全连接层，池化层的输出经过flatten层展开成一维融合向量，展开后的一维融合向量经过全连接层，得到特征向量。12.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
13.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
技术总结本发明公开了一种PSG数据自动分析方法、装置、计算机设备以及存储介质，涉及睡眠分析技术领域；方法包括步骤：S10、原始数据的采集，该原始数据包括生理信号数据和睡眠分期标签数据；S20、数据的预处理；S30、睡眠分期预测模块对数据的处理，经预处理的数据输入至睡眠分期预测模块，其处理过程包括通过特征提取模块对输入数据的特征提取的步骤、对提取的特征采用特征融合模块进行特征融合得到特征向量的步骤、将特征向量与编码向量融合得到新的特征向量的步骤以及将新的特征向量输入Transformer模块得到当前帧的睡眠分期结果的步骤；本发明的有益效果是：提高了医师分析病人整夜PSG信号的效率，提高患者就诊的效率。提高患者就诊的效率。提高患者就诊的效率。
技术研发人员：王兴军 林国栋 李章博
受保护的技术使用者：东莞见达信息技术有限公司
技术研发日：2022.05.25
技术公布日：2022/7/5
