CN121059117A - 睡眠呼吸暂停检测方法、装置、嵌入式设备和存储介质 - Google Patents

Abstract

本申请涉及一种睡眠呼吸暂停检测方法、装置、嵌入式设备和存储介质。所述方法包括：获取用户在睡眠期间的PPG信号数据，对PPG信号数据进行预处理，得到多个PPG信号片段，针对每个PPG信号片段，提取出用于反映心率与血流的变化情况的一维时序特征向量，将PPG信号片段转换为二维频谱图像，基于二维频谱图像提取出用于反映频谱结构特性的二维图像特征向量，将一维时序特征向量与二维图像特征向量进行融合，得到融合特征向量，对融合特征向量进行标准化及降维处理，得到目标特征向量，将目标特征向量输入至已训练的分类模型进行分类，得到PPG信号片段是否存在呼吸暂停事件的分类结果。采用本方法能提升睡眠期间呼吸暂停检测的准确度。

Description

睡眠呼吸暂停检测方法、装置、嵌入式设备和存储介质

技术领域

本申请涉及睡眠监测技术领域，特别是涉及一种睡眠呼吸暂停检测方法、装置、嵌入式设备、计算机可读存储介质和计算机程序产品。

背景技术

睡眠呼吸暂停（Sleep Apnea）是一种常见的睡眠障碍，其与心血管疾病、高血压、糖尿病等健康问题密切相关。传统的睡眠呼吸暂停检测方法，如多导睡眠监测（Polysomnography，PSG），尽管准确性较高，但由于设备昂贵、操作复杂以及需要医院或睡眠实验室环境，限制了其在家庭和日常生活中的普及。

近年来，光电容积脉搏波信号（Photoplethysmography，PPG）已被广泛应用于健康监测领域。PPG信号能够反映血液容积变化，间接反映心率、呼吸频率等生理参数，因此基于PPG信号检测是否出现呼吸暂停的方式得到了越来越广泛的应用。

然而，目前，传统的基于PPG信号的睡眠呼吸暂停检测方法通常只能捕捉到较为宏观的生理变化，难以精准识别短时、微小的呼吸暂停事件。

发明内容

基于此，有必要针对上述技术问题，提供一种更为准确的睡眠呼吸暂停检测方法、装置、嵌入式设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种睡眠呼吸暂停检测方法，包括：

获取用户在睡眠期间的PPG信号数据，对所述PPG信号数据进行预处理，得到多个PPG信号片段；

针对每个PPG信号片段，从所述PPG信号片段中提取出一维时序特征向量，所述一维时序特征向量用于反映心率与血流的变化情况；

将所述PPG信号片段转换为二维频谱图像，基于所述二维频谱图像提取出二维图像特征向量，所述二维图像特征向量用于反映频谱结构特性；

将所述一维时序特征向量与所述二维图像特征向量进行融合，得到融合特征向量；

对所述融合特征向量进行标准化及降维处理，得到目标特征向量；

将所述目标特征向量输入至已训练的分类模型进行分类，得到所述PPG信号片段是否存在呼吸暂停事件的分类结果，所述分类模型基于携带呼吸暂停分类标签的历史PPG信号片段训练得到。

在其中一个实施例中，将所述PPG信号片段转换为二维频谱图像，基于所述二维频谱图像提取出二维图像特征向量，包括：

对所述PPG信号片段进行时频变换，得到二维频谱图像；

对所述二维频谱图像进行频域裁剪和几何归一化处理，得到目标二维图像；

根据所述目标二维图像，提取出二维图像特征向量。

在其中一个实施例中，所述根据所述目标二维图像，提取出二维图像特征向量，包括以下方式中的至少一项：

确定所述目标二维图像在预设低频范围内的频率能量与总能量的比值，得到低频能量占比；

针对所述目标二维图像中每一像素点，将所述像素点与相邻的八个像素点进行比较，根据比较结果，确定所述目标二维图像的局部二值模式；

基于所述目标二维图像，将所述二维频谱图像等效为概率分布，并将所述二维频谱图像与预设的呼吸频谱图模板进行比较，确定所述二维频谱图像与预设的呼吸频谱图模板之间的相对熵；

所述二维图像特征向量包括低频能量占比、所述局部二值模式以及所述相对熵中的至少一种。

在其中一个实施例中，所述对所述PPG信号数据进行预处理，得到多个PPG信号片段包括：

对所述PPG信号数据进行滤波处理，并按固定时间窗口和滑动步长进行分帧处理，得到多个帧间部分重叠的PPG信号片段。

在其中一个实施例中，所述从所述PPG信号片段中提取出一维时序特征向量，包括：

针对每一所述PPG信号片段，确定所述PPG信号片段的一阶差分，并基于所述一阶差分定位脉搏波峰；

基于每一脉搏波峰的位置与振幅，确定脉搏间期序列和脉搏振幅序列；

基于所述脉搏间期序列和所述脉搏振幅序列，确定平均脉搏周期、脉搏间期标准差、平均脉搏振幅、相邻脉搏振幅差的均方根；

确定每一PPG信号片段在预设的不同尺度因子下的样本熵，得到多尺度熵；

其中，所述一维时序特征向量包括平均脉搏周期、脉搏间期标准差、平均脉搏振幅、相邻脉搏振幅差的均方根、以及多尺度熵中的至少一项。

在其中一个实施例中，所述将所述目标特征向量输入至已训练的分类模型进行分类，得到所述PPG信号片段是否存在呼吸暂停事件的分类结果，包括：

将所述目标特征向量输入至已训练的支持向量机分类器进行分类，得到所述PPG信号片段是否存在呼吸暂停事件的分类标签；

其中，所述支持向量机分类器采用径向基函数核。

第二方面，本申请还提供了一种睡眠呼吸暂停检测装置，包括：

数据获取模块，用于获取用户在睡眠期间的PPG信号数据，对所述PPG信号数据进行预处理，得到多个PPG信号片段；

一维特征提取模块，用于针对每个PPG信号片段，从所述PPG信号片段中提取出一维时序特征向量，所述一维时序特征向量用于反映心率与血流的变化情况；

二维特征提取模块，用于将所述PPG信号片段转换为二维频谱图像，基于所述二维频谱图像提取出二维图像特征向量，所述二维图像特征向量用于反映频谱结构特性；

特征融合模块，用于将所述一维时序特征向量与所述二维图像特征向量进行融合，得到融合特征向量；

降维处理模块，用于对所述融合特征向量进行标准化及降维处理，得到目标特征向量；

呼吸暂停检测模块，用于将所述目标特征向量输入至已训练的分类模型进行分类，得到所述PPG信号片段是否存在呼吸暂停事件的分类结果，所述分类模型基于携带呼吸暂停分类标签的历史PPG信号片段训练得到。

第三方面，本申请还提供了一种嵌入式设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意一项睡眠呼吸暂停检测方法实施例中的步骤。

第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项睡眠呼吸暂停检测方法实施例中的步骤。

第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任意一项睡眠呼吸暂停检测方法实施例中的步骤。

上述睡眠呼吸暂停检测方法、装置、嵌入式设备、计算机可读存储介质和计算机程序产品，仅需采集PPG信号，通过提取出用于反映心率与血流的变化情况的一维时序特征向量，能够有效捕捉呼吸暂停引起的心率变异性增强、血流波动加剧等生理变化，通过将PPG信号片段转换为二维频谱图像，再提取出用于反映频谱结构特性的二维图像特征向量，再通过融合一维时序特征与二维频谱图像特征，充分发挥时域动态敏感性与频域模式识别优势，能够全面捕捉呼吸暂停事件的微小变化，进而显著提升睡眠呼吸检测的准确性与鲁棒性，之后，通过对融合特征向量进行标准化与降维处理，得到目标特征向量，简化算法复杂度，再将目标特征向量输入至基于携带呼吸暂停分类标签的历史PPG信号片段训练得到的分类模型进行分类，能够得到准确的PPG信号片段是否存在呼吸暂停事件的分类结果。整个方法仅需采集PPG信号，便能实现准确的睡眠呼吸暂停检测，且方法复杂度低，可部署于可穿戴设备实现实时监测，还能广泛应用于家庭环境的长期睡眠监测。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对本申请实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为一个实施例中睡眠呼吸暂停检测方法的流程示意图；

图2为另一个实施例中睡眠呼吸暂停检测方法的流程示意图；

图3为一个实施例中提取一维时序特征向量步骤的流程示意图；

图4为另一个实施例中提取二维图像特征向量步骤的流程示意图；

图5为又一个实施例中睡眠呼吸暂停检测方法的流程示意图；

图6为一个实施例中睡眠呼吸暂停检测装置的结构框图；

图7为一个实施例中计算机设备的内部结构图；

图8为一个实施例中嵌入式设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

需要说明的是，本申请所使用的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。本申请所使用的术语“多个”指的是两个及两个以上。本申请所使用的术语“和/或”指的是其中的一种方案，或是其中多种方案的任意组合。

在一个实施例中，如图1所示，提供了一种睡眠呼吸暂停检测方法，本实施例以该方法应用于可穿戴健康监测设备端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括可穿戴健康监测设备和服务器的系统，并通过可穿戴健康监测设备和服务器的交互实现。本实施例中，该方法包括以下步骤：

步骤100，获取用户在睡眠期间的PPG信号数据，对PPG信号数据进行预处理，得到多个PPG信号片段。

PPG信号数据是指通过双波长（红光+红外光）光电容积描记法传感器采集的脉搏波信号，反映了血液对光的吸收变化。PPG信号片段数据是指将连续信号按固定时间窗口切分后的数据段，也可称为PPG信号帧。

实际应用中，可穿戴健康监测设备可包括但不限于智能指环、智能手环、智能手表以及智能戒指等，其包含有双波长PPG传感器。可穿戴健康监测设备中的PPG信号采集模块中包括红光、红外光的发射传感器和接收传感器，用于获取红光红外光透射过用户的采集部位后血液对红光红外光的吸收情况。双波长PPG传感器可佩戴于用户的手指、耳垂或其他适当的部位。数据采样率可以设置为100Hz（赫兹）到256Hz，保证捕捉到细致的脉搏波形。在本实施例中，预设采样率为100Hz。

具体实施时，用户入睡后，可穿戴健康监测设备（以下简称为设备）启动双波长PPG传感器，以100Hz采样率持续采集指尖或耳垂的PPG信号数据，在采集到PPG信号数据之后，设备对PPG信号数据进行预处理，例如滤波、去噪和分帧处理，将原始的PPG信号数据划分为多个帧间重叠的PPG信号片段。其中，分帧长度为10秒，步长为5秒，也就是每一帧PPG信号数据有50%的重叠部分。

步骤200，针对每个PPG信号片段，从PPG信号片段中提取出一维时序特征向量，一维时序特征向量用于反映心率与血流的变化情况。

一维时序特征向量是从每帧PPG信号中提取的反映心血管动态的数值型特征，包括但不限于反映心率的平均脉搏间期、反映血流强度的平均脉搏振幅以及反映血流波动的相邻脉搏振幅差的均方根等。

在得到多个PPG信号片段数据之后，针对每个PPG信号片段，可以对当前PPG信号片段进行归一化处理，接着，进行脉搏波峰检测，进而对检测出的每个脉搏波峰进行统计分析，得到一维的时域特征向量，如平均脉搏间期、平均脉搏振幅以及相邻脉搏振幅差的均方根等。

步骤300，将PPG信号片段转换为二维频谱图像，基于二维频谱图像提取出二维图像特征向量，二维图像特征向量用于反映频谱结构特性。

本实施例中，二维频谱图像是指通过对PPG信号片段进行时域变换得到的二维的时间-频率能量分布图。二维图像特征向量是从该时间-频率能量分布图中提取的图像级特征，包括能量比和直方图等。

承接上一步骤，设备可对将PPG信号片段进行时域变换，得到二维频谱图像，接着，可截取出二维频谱图像中预设频段的内容并将其归一化为固定尺寸的图像，基于固定尺寸的图像，从二维频谱图像提取出二维图像特征向量。

步骤400，将一维时序特征向量与二维图像特征向量进行融合，得到融合特征向量。

具体地，可将一维时序特征向量与二维图像特征向量进行拼接融合，得到融合特征向量。例如，若每一帧的PPG信号经过特征提取后，获得7维的一维时序特征向量以及61维的二维图像特征向量。将二维图像特征向量进行扁平处理转化为一维形式后，再将其与原有的一维时序特征向量进行拼接，得到每一帧的多维度融合特征向量。

步骤500，对融合特征向量进行标准化及降维处理，得到目标特征向量。

示例性地，为了能将算法整合到嵌入式设备中运行，融合特征向量为68维，则使用大量数据预训练的主成分分析（PCA）法来实现特征降维。

先将每一帧的多维特征进行标准化处理：

其中为每一帧的融合特征向量，和是从训练阶段保存的均值和 标准差，为标准化处理后的融合特征向量。

接着，使用前期训练好的主成分分析矩阵，将标准化后的数据投影到降维后的空间：

其中为前期训练好的主成分分析矩阵，为降维后的目标特征向量。降维后 的目标特征向量的目标维数约15-20。

本实施例中，可通过上述标准化和降维处理，将目标特征向量从68维降到15维。

步骤600，将目标特征向量输入至已训练的分类模型进行分类，得到PPG信号片段是否存在呼吸暂停事件的分类结果，分类模型基于携带呼吸暂停分类标签的历史PPG信号片段训练得到。

本实施例中，分类模型是指预先在大量的携带呼吸暂停分类标签的历史PPG信号片段上训练好的SVM或其他分类器，参数固化于设备中，用于实时判断是否发生呼吸暂停。

承接上一步骤，在得到降维后的目标特征向量之后，可将目标特征向量输入至已训练的分类模型中进行分类，模型实时输出该时间段内是否存在呼吸暂停事件的分类结果，其中，分类结果可以是“0”（正常）或“1”（呼吸暂停）的二值标签，也可以是若输出概率大于预设概率阈值，则表征存在呼吸暂停，否则，判定睡眠正常，分类结果可每5~10秒更新一次。可以理解的是，分类结果的更新频率可根据实际情况设定，不做唯一限定。进一步地，可以将分类结果在本地缓存，次日同步至手机应用程序（APP）生成相关的睡眠呼吸暂停检测报告。

上述睡眠呼吸暂停检测方法，仅需采集PPG信号，通过提取出用于反映心率与血流的变化情况的一维时序特征向量，能够有效捕捉呼吸暂停引起的心率变异性增强、血流波动加剧等生理变化，通过将PPG信号片段转换为二维频谱图像，再提取出用于反映频谱结构特性的二维图像特征向量，再通过融合一维时序特征与二维频谱图像特征，充分发挥时域动态敏感性与频域模式识别优势，能够全面捕捉呼吸暂停事件的微小变化，进而显著提升睡眠呼吸检测的准确性与鲁棒性，之后，通过对融合特征向量进行标准化与降维处理，得到目标特征向量，简化算法复杂度，再将目标特征向量输入至基于携带呼吸暂停分类标签的历史PPG信号片段训练得到的分类模型进行分类，能够得到准确的PPG信号片段是否存在呼吸暂停事件的分类结果。整个方法仅需采集PPG信号，便能实现准确的睡眠呼吸暂停检测，且方法复杂度低，可部署于可穿戴设备实现实时监测，还能广泛应用于家庭环境的长期睡眠监测。

预处理的方式不限。如图2所示，在一个示例性的实施例中，步骤100包括：

步骤120，获取用户在睡眠期间的PPG信号数据，对PPG信号数据进行滤波处理，并按固定时间窗口和滑动步长进行分帧处理，得到多个帧间部分重叠的PPG信号片段。

本实施例中，PPG信号数据的采样频率为100Hz。在预设为1秒的窗口对PPG信号数据做平滑滤波处理，该操作可以表达为：

其中，为经过平滑滤波后的PPG信号数据，为当前的PPG信号数据，L为预 设的时间窗口长度。

通过上述平滑滤波操作可分别滤除PPG信号数据的基线干扰。PPG信号经过平滑滤波处理后，再进行FIR（Finite Impulse Response，有限长单位冲激响应滤波器）低通滤波，特别地，PPG信号的截止频率为5Hz，以求滤除PPG信号中的工频干扰等高频噪声。完成滤波处理后，根据预设的时间窗口10秒进行分帧处理，其中窗口滑动步长为5秒，则得到的每一PPG信号片段（即每一帧PPG信号）与连续上一PPG信号片段之间有50%的重叠部分。可以理解的是，窗口长度和窗口滑动步长均可根据实际情况设定，在此不做唯一限定。

本实施例中，通过滤波+重叠分帧的预处理策略，有效提升信号质量与事件捕捉能力。50%重叠设计增强了对短暂呼吸暂停事件的时间定位精度，避免因帧边界切割导致的漏检，滤波处理保障了后续特征提取的稳定性，为高精度检测提供高质量输入。

如图3所示，在一个示例性的实施例中，从PPG信号片段中提取出一维时序特征向量，包括：

步骤220，针对每一PPG信号片段，确定PPG信号片段的一阶差分，并基于一阶差分定位脉搏波峰。

其中，一阶差分是相邻采样点之差，用于检测波形上升沿。

本实施例中，针对每个PPG信号片段（即每一PPG信号帧），可计算每一PPG信号帧的一阶差分，通过一阶差分的正向过零点检测PPG信号中每个脉搏波的波峰位置。

具体地，其一阶差分计算公式为：

其中，n为当前的数据点索引，n的范围是2至每一帧数据点长度，为该点的脉搏 波数据值，为该点的一阶差分数值。

步骤240，基于每一脉搏波峰的位置与振幅，确定脉搏间期序列和脉搏振幅序列。

步骤260，基于脉搏间期序列和脉搏振幅序列，确定平均脉搏周期、脉搏间期标准差、平均脉搏振幅、相邻脉搏振幅差的均方根。

平均脉搏周期（）可帮助识别心率变化，尤其是识别在睡眠阶段或呼吸暂 停期间的心率加速或减缓。其计算公式为：

其中，N是脉搏间期序列的长度，n为当前的数据点索引，n的范围是1至N，为该 点的脉搏间期，为该帧的平均脉搏周期。

脉搏间期标准差（Standard Deviation of Normal-to-Normal intervals，SDNN）是评估自主神经系统功能的一个重要指标。健康个体的心率通常表现出一定程度的波动，这种波动主要受到交感神经和副交感神经的调节。在睡眠呼吸暂停时，交感神经兴奋性增强，会导致脉搏间期的波动加大，进而增加其标准差。标准差较大的情况通常表明存在心率的剧烈波动，这可能是呼吸暂停或其他心血管异常的表现。SDNN的计算公式为：

其中，N是脉搏间期序列的长度，n为当前的数据点索引，n的范围是1至N，为该 点的脉搏间期，为该帧的平均脉搏周期，为该帧的脉搏间期标准差。

平均脉搏振幅（）直接与血液流量的变化相关，通常受心脏输出量和外周 血管阻力的影响。呼吸暂停时，由于气道阻塞，交感神经活性增加，会导致血压升高和外周 血管收缩，进而影响脉搏振幅。在呼吸暂停发生时，平均脉搏振幅可能出现周期性的下降或 升高，反映出血流动力学的变化。其中，其计算公式为：

其中，N是脉搏间期序列的长度，n为当前的数据点索引，n的范围是1至N，为该 数据点的脉搏振幅，为该帧的平均脉搏振幅。

相邻脉搏振幅差的均方根（Root Mean Square of Successive Differences，RMSD）反映了脉搏振幅的快速变化情况。当呼吸暂停发生时，由于血液流动和血压的波动，脉搏振幅可能会在一段时间内发生显著变化。呼吸暂停期间，交感神经的激活会导致血管收缩，脉搏振幅可能出现周期性波动，从而影响振幅差异。如果RMSD较高，通常意味着脉搏振幅变化剧烈，这可能是呼吸暂停、低氧或血流动力学不稳定的指示。具体地，其计算公式为：

其中，N是脉搏间期序列的长度，n为当前的数据点索引，为该点的脉搏振幅，为该PPG信号帧的相邻脉搏振幅差的均方根。

步骤280，确定每一PPG信号片段在预设的不同尺度因子下的样本熵，得到多尺度熵。

多尺度熵（Multi-Scale Entropy，MSE）是一种用于评估信号复杂性的非线性特征，其通过对信号在多个尺度下的复杂度进行分析，提供了更为全面的描述。在本实施例中，MSE用于捕捉PPG信号在不同时间尺度下的变化，帮助更好地识别睡眠呼吸暂停的异常信号模式。正常情况下，PPG信号的复杂度较为平稳。呼吸暂停时，由于血氧下降和交感神经激活，PPG信号的复杂度会发生明显变化，MSE能够捕捉到这种变化。具体地，确定多尺度熵的步骤为：

1、对原始信号进行重采样，生成不同尺度下的信号，其中是尺度因子，对每 一个尺度，通过计算每个数据的均值来实现。本实施例中，可选择1，2，3。实现公式如 下，其中为尺度下的重采样信号：

2、对降采样后的信号，从信号中提取长度为m和m+1的子序列（嵌入维度），本实施 例中，m为2。实现公式如下，其中和为得到的子序列：

3、对于每一对和，使用最大距离来计算两者之间的距离，其计算公 式如下：

4、给定容忍度为原数据标准差的20%情况下，统计的数 量。

5、样本熵（Sample Entropy，）则是通过计算长度为m和m+1的子序列之间 的相似性比率来衡量信号的复杂度。样本熵的公式如下：其中，A为长度为m的子序列对，且 满足距离的数量。B为长度为m+1的子序列对，且满足距离的数量：

6、计算不同尺度下的样本熵，则得到MSE的值：

对于多尺度熵，计算每一帧信号在尺度因子τ=1,2,3时的样本熵，以获取该帧下的多尺度熵特征。在计算样本熵时，嵌入维度预设为2，容差阈值预设为方差的20%。

本实施例中，一维时序特征向量包括平均脉搏周期、脉搏间期标准差、平均脉搏振幅、相邻脉搏振幅差的均方根、以及多尺度熵。可以理解的是，在其他实施例中，一维时序特征向量可以包括平均脉搏周期、脉搏间期标准差、平均脉搏振幅、相邻脉搏振幅差的均方根、以及多尺度熵中的至少一种，具体可根据实际情况和需求进行选择。

本实施例中，通过提取出PPG信号中一组高敏感性的时域生理特征组合，特别是多尺度熵的引入，能够捕捉呼吸暂停期间自主神经系统失衡导致的生理信号“去复杂化”现象，显著提升对早期或轻度呼吸暂停事件的检测灵敏度。

在一个示例性的实施例中，如图4所示，将PPG信号片段转换为二维频谱图像，从二维频谱图像中提取出二维图像特征向量，包括：

步骤320，对PPG信号片段进行时频变换，得到二维频谱图像。

二维频谱图像是指二维的时间-频率能量分布图。本实施例中，可以是通过Stockwell变换将每一帧的PPG信号转换为二维的时间-频率能量分布图。Stockwell变换（简称为ST）是一种时频分析工具，它结合了傅里叶变换和小波变换的优点，能够提供信号在时间和频率域的精确定位。ST能够生成一个二维的时频图，其中横轴表示时间，纵轴表示频率，而每个点则表示该时间和频率下的信号强度。其中，这个转换公式为：

其中，为输入的PPG信号；为在时间t和频率f上的变换结果，则表示为 二维频谱图像上的一个点；为高斯窗函数，其大小决定了信号在时间和频率上的 局部性；为复指数函数，用于计算信号的频率成分。

可以理解的是，在其他实施例中，除了Stockwell变换之外，还可以采用其他时频变换算法，如短时傅里叶变换和连续小波变换等方法，具体根据情况设定。

步骤340，对二维频谱图像进行频域裁剪和几何归一化处理，得到目标二维图像。

由于呼吸暂停和相关生理现象通常表现为低频变化，可从得到的二维频谱图像中截取出与呼吸暂停频率相关的频率范围如0.05–0.5Hz的范围，这样做有助于集中分析与呼吸和心率相关的低频成分。故具体实施时，可只截取二维频谱图像上0.05–0.5Hz的频率范围，则：

从二维频谱图像中截取出0.05–0.5Hz的频率范围后，将截取后的二维频谱图像的尺寸归一化为64×64的目标二维图像。可以理解，归一化的图像尺寸还可以是其他大小，具体根据实际情况设定。

步骤360，根据目标二维图像，提取出二维图像特征向量。

在得到64×64的目标二维图像之后，可以根据目标二维图像，提取出二维图像特征向量。

本实施例中，通过引入时频变换生成二维频谱图像，突破传统仅分析时域或频域的局限，能够直观捕捉呼吸暂停期间PPG信号的低频能量增强、频谱紊乱等典型模式。该图像化表达方式为后续纹理分析、模板比对等高级特征提取奠定基础，显著提升对非平稳生理信号的表征能力。

在一个示例性的实施例中，根据目标二维图像，从二维频谱图像中提取出二维图像特征向量，包括以下方式中的至少一项：

第一项，确定目标二维图像在预设低频范围内的频率能量与总能量的比值，得到低频能量占比。

低频能量占比是指低频段（如0.1–0.3 Hz）能量与总能量的比值，用于量化呼吸相关频率成分的相对活跃程度。呼吸暂停期间该比值常显著上升。

实际应用中，发生睡眠呼吸暂停时低频能量可能出现增幅或抑制，如暂停后低频增强表示交感神经过度响应，特征变化可视为呼吸暂停导致的呼吸-心率耦合变化的表现，其中0.1Hz到0.3Hz频段的能量主要与呼吸和心脏活动相关。则本实施例中，通过计算频谱中低频段0.1–0.3Hz的能量与全部频率能量的比值，反映低频成分的占比情况，用于直接度量呼吸调节失衡的程度，有利于检测短暂但显著的呼吸变化模式。其计算公式如下，其中ER为计算得到的低频能量占比：

第二项，针对目标二维图像中每一像素点，将像素点与相邻的八个像素点进行比较，根据比较结果，确定目标二维图像的局部二值模式。

局部二值模式（Local Binary Pattern, LBP）是提取出的时频图像（频谱图像）的局部纹理信息，即频谱中相邻像素间的灰度模式变化，通常用于衡量图像的纹理粗糙度、细节结构等。

LBP提取的是频谱图的局部纹理信息，即频谱中相邻像素间的灰度模式变化，通常用于衡量图像的纹理粗糙度、细节结构等。呼吸暂停会引起交感神经兴奋、心率波动、血管张力变化，从而在PPG频谱中产生纹理上的扰动或变化。LBP能捕捉这些呼吸暂停事件前后频谱图局部结构的变化，如突发的能量增强、局部模糊、边界变化等。

具体地，对二维频谱图进行LBP特征提取可以是：对于每一个像素点，将该像素 点与其相邻的8个像素点进行比较，得到二进制的比较结果，并转化为十进制：

其中，为像素点与每一个像素点的比较结果，如果邻近像素点大于中心像 素点则=1，否则=0。

接着，对二维频谱图中每个像素点计算LBP值，生成一个 LBP直方图。具体地，本实施例中，该直方图的维度为59，表示旋转不变LBP的不同纹理模式。这个直方图描述了图像中局部纹理的分布情况。可以理解，在其他实施例中，LBP直方图的维度还可以是其他数值，具体可根据实际情况设定。

第三项，基于目标二维图像，将二维频谱图像等效为概率分布，并将二维频谱图像与预设的呼吸频谱图模板进行比较，确定二维频谱图像与预设的呼吸频谱图模板之间的相对熵。

相对熵，也可称KL（Kullback-Leibler Divergence，库尔贝克-莱布勒散度），用于衡量当前频谱能量分布与基准分布之间的差异程度，是一种“能量异常度”的衡量方式。预设的呼吸频谱图模板是基于大量健康人群夜间PPG数据的平均时频能量分布构建的标准参考模型，存储于设备中。其特点是能量集中在0.1–0.3Hz且分布均匀、纹理清晰。

KL散度用于衡量当前频谱能量分布与基准分布之间的差异程度，是一种“能量异常度”衡量方式。呼吸暂停时，PPG频谱中能量分布会显著不同，如低频增强、主峰漂移，KL散度能有效捕捉这些分布差异。KL散度大表示能量分布偏离正常状态，可能是呼吸暂停或心率调节异常的体现。其计算公式为：

其中，为前期大量实验数据所确定的预设正常睡眠呼吸状况下的频谱图模 板。则是前频谱分布与呼吸频谱图模板的差异程度。

具体地，二维图像特征向量可以包括低频能量占比、局部二值模式以及相对熵中的至少一种。示例性地，本实施例中，以维图像特征向量包括低频能量占比、局部二值模式以及KL散度为例进行说明。

本实施例中，通过将PPG信号转化为二维频谱图像，并从中提取低频能量占比、LBP纹理特征、KL散度三类图像特征，有助于实现对呼吸暂停事件的高精度、高鲁棒性识别。

如图5所示，在一个示例性的实施例中，步骤600，包括：

步骤620，将目标特征向量输入至已训练的支持向量机分类器进行分类，得到PPG信号片段是否存在呼吸暂停事件的分类标签，其中，向量机分类器采用径向基函数核。

本实施例中，选用支持向量机（Support Vector Machine，SVM）分类器作为呼吸暂停事件识别的分类器。SVM的目标是通过选择一个超平面来最大化类间的间隔，从而将不同类别的样本分开。该超平面可以通过一个线性函数表示为：

其中为法向量，即是超平面的方向，是输入的特征向量，在本申请中则是降维 后的，则是偏置项。

本申请中，通过前期大量的携带呼吸暂停分类标签的历史PPG信号片段数据预训练保存了运用径向基函数核（RBF，Radial Basis Function）的SVM分类器，在本实施例中，SVM分类器的应用为：

其中为是支持向量的拉格朗日乘子，是RBF核函数计算结果。则是 SVM分类器的结果输出。其中如果大于0，则预测结果为该PPG信号片段中存在睡眠呼吸 暂停事件，即该PPG信号片段对应时间段下发生了睡眠呼吸暂停事件；如果小于0，则预 测结果为该PPG信号片段为正常状态，未发生睡眠呼吸暂停事件。

可以理解的是，在其他实施例中，支持向量机还可以采用线性核函数、多项式核等核函数，具体根据实际情况而定。

本实施例中，采用基于RBF核的支持向量机分类器，不仅能够高效、准确地完成从“目标特征向量”到“呼吸暂停事件标签”的最终判别，还兼顾了算法性能、计算效率与工程可行性。

为了对本申请提供的睡眠呼吸暂停检测方法做出更为清楚的说明，下面结合一个具体实施例进行说明，该具体实施例包括以下内容：

用户入睡后，可穿戴健康监测设备启动双波长PPG传感器，以100Hz采样率持续采集指尖或耳垂的原始PPG信号，原始信号经1秒滑动窗口平滑滤波去基线漂移，再经5Hz的FIR低通滤波去高频噪声，得到滤波处理后的信号，滤波后信号按10秒窗口、5秒步长进行分帧处理，生成重叠（帧间50%重叠）的PPG信号片段。

接着，针对每帧PPG信号：计算一阶差分→检测正向过零点以定位脉搏波峰→计算相邻波峰时间差得到脉搏间期序列，计算波峰幅值得到脉搏振幅序列→基于脉搏间期序列和脉搏振幅序列，计算平均脉搏周期、脉搏间期标准差、平均脉搏振幅、相邻脉搏振幅差的均方根→再对原始信号进行多尺度重采样并计算样本熵（m=2，r=0.2×std）→得到包含5类指标的7维一维时序特征向量。

对PPG信号片段进行Stockwell变换生成二维频谱图像，从二维频谱图像中截取0.1–0.5 Hz对应的频率范围并将截取出的内容归一化为64×64的目标二维图像，基于目标二维图像，提取61维二维图像特征，包括低频能量比、LBP直方图、KL散度。

将一维时序特征向量和二维图像特征向量这两类特征拼接为68维融合向量，对融合向量进行标准化后再通过预存PCA矩阵降维至15维，得到目标特征向量。

将目标特征向量输入已训练的采用RBF核SVM分类器，输出该帧是否为呼吸暂停事件的二值标签。

最后，将所有分类结果本地缓存，次日通过蓝牙同步至手机App，用于生成监测报告与健康建议。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。可以理解的是，不同实施例中各步骤可以根据需要自由组合，组合所形成的各种无矛盾的方案均属于本申请保护的范围。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的睡眠呼吸暂停检测方法的睡眠呼吸暂停检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个睡眠呼吸暂停检测装置实施例中的具体限定可以参见上文中对于睡眠呼吸暂停检测方法的限定，在此不再赘述。

在一个示例性的实施例中，如图6所示，提供了一种睡眠呼吸暂停检测装置600，包括：数据获取模块610、一维特征提取模块620、二维特征提取模块630、特征融合模块640、降维处理模块650和呼吸暂停检测模块660，其中：

数据获取模块610，用于获取用户在睡眠期间的PPG信号数据，对所述PPG信号数据进行预处理，得到多个PPG信号片段；

一维特征提取模块620，用于针对每个PPG信号片段，从PPG信号片段中提取出一维时序特征向量，一维时序特征向量用于反映心率与血流的变化情况。

二维特征提取模块630，用于将PPG信号片段转换为二维频谱图像，基于二维频谱图像提取出二维图像特征向量，二维图像特征向量用于反映频谱结构特性。

特征融合模块640，用于将一维时序特征向量与二维图像特征向量进行融合，得到融合特征向量。

降维处理模块650，用于对融合特征向量进行标准化及降维处理，得到目标特征向量。

呼吸暂停检测模块660，用于将目标特征向量输入至已训练的分类模型进行分类，得到PPG信号片段是否存在呼吸暂停事件的分类结果，分类模型基于携带呼吸暂停分类标签的历史PPG信号片段训练得到。

在其中一个实施例中，二维特征提取模块630，还用于对PPG信号片段进行时频变换，得到二维频谱图像，对二维频谱图像进行频域裁剪和几何归一化处理，得到目标二维图像，根据目标二维图像，提取出二维图像特征向量。

在其中一个实施例中，二维特征提取模块630，还用于执行以下方式的任意一种：

第一项，确定目标二维图像在预设低频范围内的频率能量与总能量的比值，得到低频能量占比；

第二项，针对目标二维图像中每一像素点，将像素点与相邻的八个像素点进行比较，根据比较结果，确定目标二维图像的局部二值模式；

第三项，基于目标二维图像，将二维频谱图像等效为概率分布，并将二维频谱图像与预设的呼吸频谱图模板进行比较，确定二维频谱图像与预设的呼吸频谱图模板之间的相对熵；

其中，二维图像特征向量包括低频能量占比、局部二值模式以及相对熵中的至少一种。

在其中一个实施例中，数据获取模块610，还用于对PPG信号数据进行滤波处理，并按固定时间窗口和滑动步长进行分帧处理，得到多个帧间部分重叠的PPG信号片段。

在其中一个实施例中，一维特征提取模块620，还用于针对每一PPG信号片段，确定PPG信号片段的一阶差分，并基于一阶差分定位脉搏波峰，基于每一脉搏波峰的位置与振幅，确定脉搏间期序列和脉搏振幅序列，基于脉搏间期序列和脉搏振幅序列，确定平均脉搏周期、脉搏间期标准差、平均脉搏振幅、相邻脉搏振幅差的均方根。确定每一PPG信号片段在预设的不同尺度因子下的样本熵，得到多尺度熵；其中，一维时序特征向量包括平均脉搏周期、脉搏间期标准差、平均脉搏振幅、相邻脉搏振幅差的均方根、以及多尺度熵中的至少一项。

在其中一个实施例中，呼吸暂停检测模块660，还用于将目标特征向量输入至已训练的支持向量机分类器进行分类，得到PPG信号片段是否存在呼吸暂停事件的分类标签，其中，支持向量机分类器采用径向基函数核。

上述睡眠呼吸暂停检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储PPG信号、分类结果等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种睡眠呼吸暂停检测方法。

在一个示例性的实施例中，提供了一种嵌入式设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意一项睡眠呼吸暂停检测方法实施例中的步骤。

具体地，嵌入式设备的内部结构图可以如图8所示。该嵌入式设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该嵌入式设备的处理器用于提供计算和控制能力。该嵌入式设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该嵌入式设备的输入/输出接口用于处理器与外部设备之间交换信息。该嵌入式设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、近场通信（NearField Communication，NFC）或其他技术实现。该计算机程序被处理器执行时以实现一种睡眠呼吸暂停检测方法。该嵌入式设备的显示单元用于形成视觉可见的画面，可以是显示屏，该嵌入式设备的输入装置可以是显示屏上覆盖的触摸层，也可以是嵌入式设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

示例性地，嵌入式设备包括但不限于是智能手环、智能手表、智能指环等智能可穿戴设备，以及其他具备生理监测功能的健康监测设备。

在一些示例性的实施例中，以嵌入式设备为睡眠监测设备为例，睡眠监测设的传感器部分采用医用级柔性材质，确保对使用者皮肤无刺激，并避免对皮肤造成压迫，同时避免影响使用者的活动。该设备整体设计轻巧便捷，在确保稳定信号采集的同时，最大限度减少对使用者活动的限制，实现了非侵入式、无伤害的持续信号采集。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任意一项睡眠呼吸暂停检测方法实施例中的步骤。

在一个示例性的实施例中，提供了一种嵌入式设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任意一项睡眠呼吸暂停检测方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一项睡眠呼吸暂停检测方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任意一项睡眠呼吸暂停检测方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性存储器和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（Resistive Random Access Memory，ReRAM）、磁变存储器（Magnetoresistive RandomAccess Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器、人工智能（Artificial Intelligence，AI）处理器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本申请记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种睡眠呼吸暂停检测方法，其特征在于，所述方法包括：

获取用户在睡眠期间的PPG信号数据，对所述PPG信号数据进行预处理，得到多个PPG信号片段；

针对每个PPG信号片段，从所述PPG信号片段中提取出一维时序特征向量，所述一维时序特征向量用于反映心率与血流的变化情况；

将所述PPG信号片段转换为二维频谱图像，基于所述二维频谱图像提取出二维图像特征向量，所述二维图像特征向量用于反映频谱结构特性；

将所述一维时序特征向量与所述二维图像特征向量进行融合，得到融合特征向量；

对所述融合特征向量进行标准化及降维处理，得到目标特征向量；

将所述目标特征向量输入至已训练的分类模型进行分类，得到所述PPG信号片段是否存在呼吸暂停事件的分类结果，所述分类模型基于携带呼吸暂停分类标签的历史PPG信号片段训练得到。

2.根据权利要求1所述的方法，其特征在于，所述将所述PPG信号片段转换为二维频谱图像，基于所述二维频谱图像提取出二维图像特征向量，包括：

对所述PPG信号片段进行时频变换，得到二维频谱图像；

对所述二维频谱图像进行频域裁剪和几何归一化处理，得到目标二维图像；

根据所述目标二维图像，提取出二维图像特征向量。

3.根据权利要求2所述的方法，其特征在于，所述根据所述目标二维图像，提取出二维图像特征向量，包括以下方式中的至少一项：

确定所述目标二维图像在预设低频范围内的频率能量与总能量的比值，得到低频能量占比；

针对所述目标二维图像中每一像素点，将所述像素点与相邻的八个像素点进行比较，根据比较结果，确定所述目标二维图像的局部二值模式；

基于所述目标二维图像，将所述二维频谱图像等效为概率分布，并将所述二维频谱图像与预设的呼吸频谱图模板进行比较，确定所述二维频谱图像与预设的呼吸频谱图模板之间的相对熵；

所述二维图像特征向量包括低频能量占比、所述局部二值模式以及所述相对熵中的至少一种。

4.根据权利要求1所述的方法，其特征在于，所述对所述PPG信号数据进行预处理，得到多个PPG信号片段包括：

对所述PPG信号数据进行滤波处理，并按固定时间窗口和滑动步长进行分帧处理，得到多个帧间部分重叠的PPG信号片段。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述从所述PPG信号片段中提取出一维时序特征向量，包括：

针对每一所述PPG信号片段，确定所述PPG信号片段的一阶差分，并基于所述一阶差分定位脉搏波峰；

基于每一脉搏波峰的位置与振幅，确定脉搏间期序列和脉搏振幅序列；

基于所述脉搏间期序列和所述脉搏振幅序列，确定平均脉搏周期、脉搏间期标准差、平均脉搏振幅、相邻脉搏振幅差的均方根；

确定每一PPG信号片段在预设的不同尺度因子下的样本熵，得到多尺度熵；

其中，所述一维时序特征向量包括平均脉搏周期、脉搏间期标准差、平均脉搏振幅、相邻脉搏振幅差的均方根、以及多尺度熵中的至少一项。

6.根据权利要求1至4任意一项所述的方法，其特征在于，所述将所述目标特征向量输入至已训练的分类模型进行分类，得到所述PPG信号片段是否存在呼吸暂停事件的分类结果，包括：

将所述目标特征向量输入至已训练的支持向量机分类器进行分类，得到所述PPG信号片段是否存在呼吸暂停事件的分类标签；

其中，所述支持向量机分类器采用径向基函数核。

7.一种睡眠呼吸暂停检测装置，其特征在于，所述装置包括：

数据获取模块，用于获取用户在睡眠期间的PPG信号数据，对所述PPG信号数据进行预处理，得到多个PPG信号片段；

一维特征提取模块，用于针对每个PPG信号片段，从所述PPG信号片段中提取出一维时序特征向量，所述一维时序特征向量用于反映心率与血流的变化情况；

二维特征提取模块，用于将所述PPG信号片段转换为二维频谱图像，基于所述二维频谱图像提取出二维图像特征向量，所述二维图像特征向量用于反映频谱结构特性；

特征融合模块，用于将所述一维时序特征向量与所述二维图像特征向量进行融合，得到融合特征向量；

降维处理模块，用于对所述融合特征向量进行标准化及降维处理，得到目标特征向量；

呼吸暂停检测模块，用于将所述目标特征向量输入至已训练的分类模型进行分类，得到所述PPG信号片段是否存在呼吸暂停事件的分类结果，所述分类模型基于携带呼吸暂停分类标签的历史PPG信号片段训练得到。

8.一种嵌入式设备，包括存储器和处理器，所述存储器存储有计算机程序，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6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，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6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，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6中任一项所述的方法的步骤。